R语言中optimx函数未遵循约束条件的技术求助

看起来你选的思路很靠谱——用拉格朗日乘子法结合梯度范数优化来处理等式约束，这种方法在非参数似然最大化这类问题里确实很实用。从你给出的代码片段来看，你已经正确地把拉格朗日乘子lambda放在了变量向量的末尾，将待优化的变量p分离出来，这一步是对的。

关于你定义的grad.norm函数，我补充几个小建议：

• 记得在h2的后续部分加上约束条件的梯度项，也就是对应变量和为100的梯度（即(sum(p) - 100)^2），这样整个目标函数才是完整的梯度平方和，能保证优化过程满足约束；
• 可以在函数开头加上对p的非负性检查（如果你的变量p有非负要求的话），避免出现除以0或者负数的情况；
• 后续调用optimx的时候，建议指定合适的优化方法（比如L-BFGS-B），同时给p设置合理的上下界，提升优化的稳定性和准确性。

你的函数框架已经很清晰了，完整的梯度范数函数大概可以写成这样的结构：

grad.norm <- function(x) { 
  lambda <- tail(x, 1) 
  p <- head(x, -1) 
  # 非负性检查（可选）
  if(any(p <= 0)) return(Inf)
  # 核心梯度项
  grad_terms <- ((test.betas * 81)/p + lambda)^2
  # 约束条件的梯度项
  constraint_term <- (sum(p) - 100)^2
  h2 <- sum(grad_terms) + constraint_term
  return(h2)
}

这样调整后，优化目标就完整对应了约束条件下的梯度零化，更容易得到符合要求的解。

内容的提问来源于stack exchange，提问作者Megan E.