R中的多元非线性极小化

我需要最小化如下所示的目标函数，绿色框中的变量将被引入公式，红色框中的变量需要优化，并且每个变量都有一个起始值。到目前为止，优化还没有受到约束。我把公式放在这里不是为了等待代码，而是为了让响应对函数有一个概念。到目前为止我所做的：我搜索了线程，在一个玩具函数上尝试了

nlm

命令：

fn =function(x,a) {sum(100*a+(2*x^2+5*x-7))}
nlm(fn , a<-c(10),x<- c(100), hessian=TRUE)

fn=函数（x，a）{sum（100*a+（2*x^2+5*x-7））}
nlm（fn，a通常在参数列表中使用赋值运算符调用R函数会导致失败。在这方面，
我实际上建议不要将不需要优化的额外参数放入函数中。如果参数名称复杂，则更容易出错

我会像这样扭曲你的函数：

fn = function(x,a) {sum(100*a+(2*x^2+5*x-7))}
f = function(x) {fn(x, 100)}
nlm(f, 10, hessian=TRUE)

1-如果我还想优化p的值，该怎么办？2-我可以使用nlm实现上面列出的函数吗？谢谢
p
只是参数的起始值。如果函数接受更多参数，它可能是一个值向量。您应该再次尝试阅读
nlm
的帮助页面，并使用所有示例。这是否意味着（函数中的参数数量）=（长度（p））？对。在函数中表示这些参数的典型方式是p[1]，p[2]，…，p[n]。至于你的第二个问题，我真的不知道。其中有很多未定义的函数和值。你可能想看看“optimx”包，其中有很多优化器已经组装在一个屋顶下。对于上面的函数，还有一个问题，nlm是正确的开始方式吗？
> fn =function(x,p) {sum(100*p[1]+(2*x^2+5*x-7))}
> nlm(fn , p=c(10),x = c(100), hessian=TRUE)
$minimum
[1] -4988507

$estimate
[1] -50090

$gradient
[1] 100

$hessian
     [,1]
[1,]    0

$code
[1] 5

$iterations
[1] 6

fn = function(x,a) {sum(100*a+(2*x^2+5*x-7))}
f = function(x) {fn(x, 100)}
nlm(f, 10, hessian=TRUE)