pyFMI参数估计和优化

Question

我想通过最小化测量数据和实验模型参数之间的误差来估计Modelica模型的参数。我发现的唯一实现是Nelder-Mead算法优化，目前尚不清楚如何实现。

 ############################## MODEL #####################################

 from  pyfmi  import  load_fmu
 # Load  model
 model = load_fmu("TrialPython.fmu") ###Model with 13 defined input variables 
 output_fmu=['results.P_DC']### The output variable of the model
 res = model.simulate(input=input_object, ##Simulation
                 start_time = tstart, 
                 final_time = tstop)
 P = res[output_fmu[0]]#### Output of the simulation
 RealP_DC= pd.read_csv(path)### Real data 

 def MSE (parameters):#### OBJECTIVE FUNCTION WE WANT TO MINIMIZE
 return (((SIMULATED(parameters))-RealP_DC)**2).mean())

与其手动调整参数（13个变量）以使目标函数MSE最小化，就像在模拟数据与实测数据之间的平方差定义的那样，我如何使用pYFMI来实现它。欢迎任何提示