Was sind gute Methoden für die Black-Box-Modellanpassung? Ich habe eine Reihe von experimentellen Daten und ein mathematisches Modell (im Grunde eine Reihe von Differentialgleichungen) mit einstellbaren Parametern. Die Parameter sollten so angepasst werden, dass das Modell die experimentellen Daten reproduziert. Ich habe einige Literaturwerte zu Beginn, aber einfach mit diesen Werten passen die vom Modell erzeugten Kurven nicht zu den Kurven des Experiments (die Literaturwerte sind ohnehin mit einem gewissen Fehler zu betrachten; die experimentellen Daten, die ich haben muss) passe mein modell an ist zum glück kaum laut).
Ich habe zwei Monate lang versucht, ein paar Ergebnisse zu erzielen, die jedoch alles andere als zufriedenstellend waren. In letzter Zeit habe ich einen Evolutionsalgorithmus namens CMA-ES ausprobiert , der jedoch viel Zeit in Anspruch nimmt, da er einige hundert Iterationen benötigt und eine Iteration das mehrmalige Lösen des DE-Satzes umfasst, was mindestens 15 Minuten dauert . (Jetzt, da der bessere Server im Labor gestorben ist, dauert es 50 Minuten pro Iteration ...) Es gab die besten Ergebnisse bisher, aber diese waren wieder nicht zufriedenstellend.
Können Sie einige gute Methoden für die Anpassung vorschlagen?