在R中实现类Excel规划求解：函数最小化问题

刚好碰到过类似的非线性参数优化问题，用R自带的optim()工具就能轻松搞定。先把问题再明确下：

• 已知两个向量：
  vectora <- c(111, 245, 379, 516, 671)
vectorb <- c(38, 54, 62, 67, 108)
• 初始参数：x=80，y=0.8
• 生成vectorc的公式：vectorc <- vectora^y/(1+(vectora^y-1)/x)
• 要最小化的偏差：对应元素绝对差之和 sum(abs(vectorb - vectorc))

解决方案：用R的optim()函数实现参数优化 #

步骤1：定义目标函数 #

首先我们需要把"计算偏差"的逻辑封装成一个函数，输入是包含x和y的参数向量，输出是对应的偏差值：

objective_function <- function(par) {
  # 从参数向量中提取x和y
  x <- par[1]
  y <- par[2]
  
  # 定义已知向量
  vectora <- c(111, 245, 379, 516, 671)
  vectorb <- c(38, 54, 62, 67, 108)
  
  # 生成vectorc
  vectorc <- vectora^y / (1 + (vectora^y - 1)/x)
  
  # 计算并返回偏差
  return(sum(abs(vectorb - vectorc)))
}

步骤2：设置初始参数并运行优化 #

我们用给定的初始值c(80, 0.8)作为起点，调用optim()函数进行最小化。因为目标函数是绝对值之和（非光滑函数，不可导），Nelder-Mead算法是最合适的选择（optim()默认就是这个算法）：

# 初始参数
initial_par <- c(80, 0.8)

# 运行优化
optim_result <- optim(par = initial_par, fn = objective_function)

步骤3：查看优化结果 #

运行完后，我们可以提取优化后的参数和最小偏差：

# 输出结果
cat("优化后的x值：", round(optim_result$par[1], 4), "\n")
cat("优化后的y值：", round(optim_result$par[2], 4), "\n")
cat("最小偏差值：", round(optim_result$value, 4), "\n")

额外说明 #

• 如果你的x和y有取值范围限制（比如必须大于0），可以用method="L-BFGS-B"并指定lower和upper参数，比如：

  # 假设x>0，y>0
  optim_result <- optim(par = initial_par, fn = objective_function, 
                        method = "L-BFGS-B", lower = c(0.001, 0.001))
  

• 如果你想尝试其他优化算法，可以查看?optim的帮助文档，里面列举了所有支持的方法及其适用场景。

内容的提问来源于stack exchange，提问作者user7353167