Phương pháp tốt để phù hợp với mô hình hộp đen là gì? Tôi có một bộ dữ liệu thực nghiệm và một mô hình toán học (về cơ bản là một bộ phương trình vi phân) với các tham số có thể điều chỉnh. Các thông số cần được điều chỉnh để mô hình tái tạo dữ liệu thử nghiệm. Tôi có một số giá trị văn học để bắt đầu, nhưng đơn giản với các giá trị này, các đường cong do mô hình tạo ra không phù hợp với các đường cong của thử nghiệm (dù sao các giá trị tài liệu phải được xem xét với một lỗi nhất định; dữ liệu thử nghiệm mà tôi phải phù hợp với mô hình của tôi là may mắn là hầu như không ồn ào).
Tôi đã cố gắng để có được một số kết quả trong hai tháng, với kết quả không hơn gì nhưng không đạt yêu cầu. Gần đây, những gì tôi đã thử là một thuật toán tiến hóa, được gọi là CMA-ES , nhưng nó tốn rất nhiều thời gian, vì nó cần vài trăm lần lặp, và một lần lặp lại liên quan đến việc giải quyết bộ DE vài lần, mất ít nhất 15 phút . (Bây giờ máy chủ tốt hơn tại phòng thí nghiệm đã chết, phải mất 50 phút cho mỗi lần lặp ...) Nó đã cho kết quả tốt nhất cho đến nay, nhưng những điều này một lần nữa không thỏa đáng.
Bạn có thể đề xuất một số phương pháp tốt để làm phù hợp?