所以我有一個問題，此時我有點迷失。因此，任何意見都將不勝感激，因為我現在真的很掙扎！我有一個模型，想使用我得到的一些實驗數據來檢查/優化。一般來說，我的模型需要兩個輸入（我們稱之為：時間和溫度）并有 8 個變量 (x0-x7)。該模型生成兩個輸出（out1 和 out2）。我的每組實驗數據都為我提供了 4 組可用于優化的信息：2 個輸入（時間和溫度）和 2 個實驗結果（結果 1 和結果 2）。最終我想最小化 result1 和 out1 以及 result2 和 out2 之間的差異。因此，基本上用幾組數據最小化兩個殘差，這些數據受 8 個共同參數 (x0-x7) 的影響。我對參數 x0-x7 有一些限制，這可以有所幫助，但除此之外沒有真正的限制。到目前為止，我已經嘗試使用scipy.minimize我的實驗結果數據集進行迭代，如下所示（非常示意性）：import numpy as npfrom scipy.optimize import minimize    Experiment=[['Set 1','Set 2',             'Set 3','Set 4'],                   [Out 1-1,Out 1-2,                    Out 1-3,Out 1-4],                   [Out 2-1,Out 2-2,                    Out 2-3,Out 2-4],            ]global curr_casecurr_case=0 #just for debugging in the first place    def objective_fcn(x):            SetFitParameters(x) #x0-x7            #---------probably totally dumb: iteration-----------    global curr_case    #number of experimental set        curr_case=curr_case+1    if curr_case==len(Experiment):        curr_case=0    #----------------------------------------------------            getTemp(curr_case) # function that gets time and temperature from experimental data as two arrays - time and temperature            RefVariables(x) #sets some global variabales needed for ModelCal using x0-x7            ModelCal(time,Temperature)  #gives Out1 and Out2            f1 = abs(Out1[Upper_index-1]-Experiment[1][curr_case]) #compares Out1 with result1 (from experimental data)    f2 = abs(Out2[Upper_index-1]-Experiment[2][curr_case]) #compares Out2 with result2 (from experimental data)            # some weighting factors for the future - maybe?    A=1    B=1           return A*f1+B*f2       bounds_x1=(1450,1700) #upper and lower bonds of x0bounds_x2=(0.1,1)bounds_x3=(1450,1700)bounds_x4=(0.1,7)bounds_x5=(1450,1700)bounds_x6=(0.1,7)bounds_x7=(1450,1700)bounds_x8=(0.1,7)