Соответствуйте определенному набору параметров в модели ОДУ в R

Может быть, немного поздно, но никто не знает. Что касается вашего кода, не рекомендуется пытаться соответствовать такому количеству параметров одновременно. Вы увидите в моем коде ниже, что я использую функцию sensFun() для выбора параметров, которые оказывают наибольшее влияние на эту симуляцию. Это позволяет мне выбрать 5 параметров вместо всего вашего списка. Я бы также добавил часть о функции Collin(), которая может помочь вам решить, является ли данный параметр идентифицируемым или нет, сколько параметров вы можете одновременно оценить... С помощью приведенного ниже кода мне удается получить правильное соответствие.

library("FME")
library("deSolve")
library("lattice")


# # # # # # # # # # # # # # # # #
#
# 1) Preliminary functions
#
# # # # # # # # # # # # # # # # #

# Parameters     
pars <- c(
  nit=0.1, us=0.7, kns=0.5, kas=0.5, exs=0.05, ms=0.05,
  kms=0.2, ul=0.7, knl=0.5, kal=0.5, exl=0.02, ml=0.05,
  kml=0.2, ge=0.625, g=0.35, kg=1, pfs=0.55, pfl=0.3, pfb=0.1,
  pfd=0.05, frdz=0.1, fraz=0.7, mz=0.2, kmz=0.2, ub=0.24,
  kb=0.05, exb=0.03, bd=0.33, alfa=0.1, Im=100, Pm=0.04,
  Sop=34, S=34, ts=2, tl=1
)

# Model construction and definition of derivatives
model.sal <- function(t, state, pars){
  with(as.list(c(state, pars)), {
    dNdt <-  nit*NH4*B - us*(N/(N+kns))*Ps - ul*(N/(N+knl))*Pl

    dNH4dt <- fraz*Z + exb*B - us*(NH4/(NH4+kas))*Ps - ul*(NH4/(NH4+kal))*Pl - ub*(NH4/(NH4+kb))*B   

    dPsdt <- Ps*(us*((N/N+kns)*(NH4/NH4+kas)*(exp(-((S-Sop)^2)/ts^2))*(tanh(alfa*Im/Pm))) - exs - ms*(Ps/kms+Ps) - g*(pfs*Ps^2/Ps*pfs*kg+pfs*Ps^2)*Z)

    dPldt <- Pl*(ul*((N/N+knl)*(NH4/NH4+kal)*(exp(-((S-Sop)^2)/tl^2))*(tanh(alfa*Im/Pm))) - exl - ml*(Pl/kml+Pl) - g*(pfl*Pl^2/Pl*pfl*kg+pfl*Pl^2)*Z)

    dZdt <- Z*(ge*(g*(pfs*Ps^2/Ps*pfs*kg+pfs*Ps^2) + (pfl*Pl^2/Pl*pfl*kg+pfl*Pl^2) + (pfb*B^2/B*pfb*kg+pfb*B^2)) - frdz 
               - fraz - mz*(Z/kmz+Z))

    dBdt <- B*(ub*(NH4/(NH4+kb))*(DON/(DON+kb)) - exb - g*(pfb*B^2/B*pfb*kg+pfb*B^2)*Z)

    dDONdt <- frdz*Z + exs*Ps + exl*Pl + bd*D - ub*(DON/(DON+kb))   

    dDdt <- (1-ge)*(g*(pfs*Ps^2/Ps*pfs*kg+pfs*Ps^2) + (pfl*Pl^2/Pl*pfl*kg+pfl*Pl^2) + (pfb*B^2/B*pfb*kg+pfb*B^2)) 
    + ms*(Ps/kms+Ps) + ml*(Pl/kml+Pl) + mz*(Z/kmz+Z) - bd*D

    return(list(c(dNdt, dNH4dt, dPsdt, dPldt, dZdt, dBdt, dDONdt, dDdt)))
  })
}    


# wrapper
solve_model <- function(pars, times = seq(0, 10, length=200)) {
  # initial values 
  state <- c(N=7, NH4=0.01, Ps=0.17, Pl=0.77, Z=0.012, B=0.001, DON= 0.001, D=0.01)
  out <- ode(y = state, times = times, func = model.sal, parms = pars)
  return(out)
}


# Definition of the cost function
Objective <- function(x, parset = names(x)) {
  pars[parset] <- x
  tout <- seq(0, 10, length=200)
  out <- solve_model(pars, tout)
  modCost(out, dat, weight = "none")
}


# # # # # # # # # # # # # # # # #
#
# 2) Preliminary data
#
# # # # # # # # # # # # # # # # #

# Observed data on 3 of the 8 state variables
dat <- data.frame(
  time = seq(0, 8, 1),
  N = c(11.54, 16.6, 7.86, 6.73, 5.6, 5.2, 4.81, 4.18, 3.55),
  Pl = c(3.85, 6.25, 3.41, 6.16, 8.92, 12.79, 16.26, 19.21, 22.36),
  Ps = c(0.09, 0.33, 0.18, 0.06, 0.12, 0.4, 0.84, 0.7, 0.48))



# # # # # # # # # # # # # # # # # # # # # 
#
# 3) Select the good parameters to fit
#
# # # # # # # # # # # # # # # # # # # # # 


# Determine what are the best parameters to fit
Sfun <- sensFun(Objective, pars)
plot(summary(Sfun))
# from the mean plot, I see that ul, us, pfl, ge and knl have the most influence for the simulation
# I will do the optimization on them so.

# # # # # # # # # # # # #
#
# 4) Optimization
#
# # # # # # # # # # # # #

# set up the subset of parameters
parToFit <- c(ul = 0.7, us = 0.7, pfl = 0.3, ge = 0.625, knl = 0.5)

# run the beast
Fit <- modFit(
  f = Objective,
  p = parToFit, 
  lower = 0,
  upper = Inf,
  method = "Marq",
  jac = NULL,
  control = list(
    #maxiter = 100,
    ftol = 1e-06,
    ptol = 1e-06,
    gtol = 1e-06,
    nprint = 1
  ),
  hessian = TRUE
)


# # # # # # # # # # # # #
#
# 5) Rerun simulations and plot
#
# # # # # # # # # # # # #

# recover the optimized parameters and plot the results
# You could also plot the non optimized curves to compare
pars[names(parToFit)] <- Fit$par
optim <- solve_model(pars, times = seq(0, 10, length=200))
par(mfrow = c(2, 2))
plot(optim[, "time"], optim[, "N"], xlab = "Time (min)", ylab = "N", lwd = 2, type = "l", col = "red")
points(dat[, "time"], dat[, "N"], cex = 2, pch = 18)
plot(optim[, "time"], optim[, "Pl"], xlab = "Time (min)", ylab = "Pl", lwd = 2, type = "l", col = "red")
points(dat[, "time"], dat[, "Pl"], cex = 2, pch = 18)
plot(optim[, "time"], optim[, "Ps"], xlab = "Time (min)", ylab = "Ps", lwd = 2, type = "l", col = "red")
points(dat[, "time"], dat[, "Ps"], cex = 2, pch = 18)