Python 优化均方误差的Scipy-Opt遗传算法

我试图用遗传算法找到模型的最佳5个参数（微分方程的解）来拟合时间序列

我使用Scikit Opt遗传算法（）执行以下操作：

定义模型-->模型（a、b、c、d、e）以适应时间序列-->序列

（模型给出了一个微分方程的解：与该序列长度相同的时间序列）

将算法的适应度函数定义为模型和序列解之间的均方误差

def fitness_func（a、b、c、d、e）：error=sklearn.metrics.mean_squared_error（模型（a、b、c、d、e）、series）返回错误

使用lb（下限）和ub（上限）等参数构建GA，这两个边界通过手动拟合已知：

sko.GA.GA（func=fitness\u func0，n\u dim=5，size\u pop=100，max\u iter=50，lb=[-0.5，-0.3,0.01,0.0001,0.1]，ub=[-0.01，-0.01,0.5,0.0625,10]，精度=1e-4，概率=0.2）

运行GA：

best\u x，best\u y=ga.run（）

bext_x是使均方误差最小的5个参数（a、b、c、d、e）和 best_y是具有模型最佳参数的均方误差值

当我运行代码时，它是有效的（我的意思是，生成5个参数，求解模型，计算解决方案和序列之间的均方误差，以找到使其最小化的参数），但它没有优化误差，给出的参数也不适合序列

我绘制了结果，发现：

甚至当我进行手动拟合时，我发现了一个比遗传算法发现的最大均方误差