那如何调用cmaes进行优化bd_X、bd_Y、x3和x4

要使用CMA-ES进行优化，你需要先定义一个目标函数，该函数接受一个向量作为输入，并返回一个标量结果。在你的情况下，你已经定义了一个目标函数quadratic，所以你可以直接使用它。然后，你需要使用cma库中的CMAEvolutionStrategy类来创建一个优化器对象，并使用该对象的optimize()方法来运行优化过程。下面是一个示例代码，可以帮助你开始：

import cma
import numpy as np

# 定义目标函数
def quadratic(bd_X, bd_Y, x3, x4):
    # ... 这里是你的目标函数代码 ...

# 创建优化器对象
x0 = np.array([10, 10, 0, 0])  # 初始向量
sigma0 = 1.0  # 初始标准差
es = cma.CMAEvolutionStrategy(x0, sigma0)

# 运行优化过程
while not es.stop():
    solutions = es.ask()  # 获取一组候选解向量
    fitness_list = [quadratic(*x) for x in solutions]  # 计算目标函数值
    es.tell(solutions, fitness_list)  # 更新优化器状态

# 输出优化结果
best_solution = es.result.xbest
best_fitness = es.result.fbest
print("优化结果：", best_solution)
print("目标函数值：", best_fitness)

你需要将`quadratic`函数中的代码复制到上面的示例代码中，并根据需要调整初始向量和标准差。注意，该示例代码仅适用于优化四个参数的情况，如果你想优化其他数量的参数，则需要相应地调整代码。