Идентификация динамических систем по данным представляет собой сложную задачу, где ключевым требованием является не только точность, но и интерпретируемость модели. Метод символьной регрессии на основе генетического программирования, хотя и демонстрирует высокую эффективность, обладает характерными ограничениями, главным из которых является стохастичность, ведущая к нестабильности результатов. В данной работе для преодоления этих недостатков предлагается новый гибридный метод GP-SINDy. Его основная идея заключается в объедении двух подходов: генетическое программирование выполняет глобальный поиск структуры модели, а разреженная идентификация осуществляет точную настройку соответствующих параметров. Эффективность предложенного метода была проверена в ходе всесторонних вычислительных экспериментов. На тестовых данных метод GP-SINDy продемонстрировал способность находить модели с оптимальным балансом точности и сложности, превзойдя базовый алгоритм генетического программирования. Анализ на зашумленных данных подтвердил повышенную эффективность предложенного метода. Верификация на реальной системе доказала практическую применимость подхода для построения адекватных аналитических моделей. Таким образом, гибридный метод GP-SINDy представляет собой мощный и универсальный инструмент для автоматического вывода интерпретируемых уравнений динамически систем, открывая новые возможности в различных областях науки и техники.