## Vereinfachter Genetischer Algorithmus Prozess (Speziell für die Anpassung von Spannungs-Dehnungs-Kurven) ### I. Kernstruktur und Ziele #### 1. Gesamtlogik Basierend auf der "Selektion-Crossover-Mutation-Evaluation-Selektion"-Schleife, angepasst an Parameterbeschränkungen (|a₁|+|a₂|+|a₃|=1), ist der Prozess "Vorbereitung → Einzel-Generation-Iteration → Überwachung der Terminierung → Ergebnisausgabe". #### 2. Kernziel Minimierung des gewichteten Gesamtfehlers (0.4 × Normalisierter MSE + 0.6 × Normalisierter Gewichteter MRE), um die Anpassungsgenauigkeit im angegebenen Dehnungsbereich zu verbessern. #### 3. Iterationskontrolle - Maximale Iterationsgenerationen: Standardmäßig 100 Generationen - Frühe Terminierung: Wenn es über 20 aufeinanderfolgende Generationen keine signifikante Verbesserung des Fehlers gibt (Verbesserung < 1e-8), wird die Iteration gestoppt. ### II. Vorbereitung: Erstellung und Bewertung der anfänglichen Population #### 1. Erzeugung der anfänglichen Population - Größe: Standardmäßig 10.000 Individuen - Beschränkungsgarantie: Durch zufällige Segmentierung + Vorzeichenzuweisung wird sichergestellt, dass alle Individuen die Parameterbeschränkungen erfüllen und es keine ungültigen Lösungen gibt. #### 2. Fitnessbewertung - Berechnung des gewichteten Gesamtfehlers jedes Individuums als Grundlage für die Beurteilung der Qualität. - Aufzeichnung des anfänglichen optimalen Fehlers und des durchschnittlichen Fehlers, um eine Iterationsbasislinie zu erstellen. ### III. Kernschritte der Einzel-Generation-Iteration #### 1. Crossover-Nachkommen-Erzeugung - Größe: Standardmäßig 10.000 - Elternauswahl: 2 Individuen mit besserer Fitness (Turnierauswahl) - Beschränkungsgarantie: Separate Absolutwert- und Vorzeichen-Crossover und Normalisierung, um die Einhaltung der Beschränkungen zu gewährleisten. - Gekennzeichnet als ausstehende Bewertung. #### 2. Mutations-Nachkommen-Erzeugung - Größe: Standardmäßig 1.000 - Elternauswahl: Klonen eines hochwertigen Individuums - Adaptive Mutation: Mutationsintensität nimmt mit der Iteration ab (anfänglich 0.05 → minimal 0.005), 10% Wahrscheinlichkeit des Umkehrens von Parametervorzeichen. - Beschränkungsgarantie: Normalisierung nach der Mutation, um die Parameterbeschränkungen beizubehalten. - Gekennzeichnet als ausstehende Bewertung. #### 3. Populationszusammenführung und Bewertung - Zusammenführen der aktuellen Population, der Crossover-Nachkommen und der Mutations-Nachkommen. - Batch-Berechnung der Fitness der zu bewertenden Individuen und Aktualisierung der Fehlerdaten der gesamten Population. ### IV. Auswahl der neuen Generation Population Anwendung einer hybriden "Elite + Zufall"-Strategie (Gesamtgröße bleibt 10.000): - Elite-Auswahl (80%): Beibehaltung der Individuen mit der besten Fitness, um die Konvergenz zu gewährleisten. - Zufällige Auswahl (20%): Einführung von Diversität, um lokale Optima zu vermeiden. ### V. Überwachung und Terminierung #### 1. Echtzeit-Überwachungsindikatoren - Minimaler Gesamtfehler (optimale Fitness) - Durchschnittlicher Gesamtfehler (Gesamtpopulationsniveau) - Mutationsintensität (Explorations- → Verfeinerungszustand) #### 2. Terminierung und Ausgabe - Abbruchbedingungen: Erreichen der maximalen Anzahl von Iterationen oder Auslösen der frühen Terminierung. - Ausgaberesultate: Optimale Anpassungsparameter, minimaler Fehler, Anzahl der Iterationen, Grund für die Terminierung, Gesamtzeitverbrauch.
```python import os import re import numpy as np import pand...
![```python
import os
import re
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import torch
from torch.utils.data import Dataset, DataLoader
from tqdm import tqdm
import joblib
import matplotlib.pyplot as plt
# =========================
# Konfiguration
# =========================
class Config:
# ✅ Neue Version: Excel-Datei mit Wasseransammlungspunkten (mit kumulativem Niederschlag)
points_xlsx = r'F:\实验数据\CA_积水点融合\深度置信网络\样本输出_final\积水点_整合_step3_研究区内_新增累计降雨_719-723.xlsx'
# CA-Simulationsergebnisse & Geographische Daten
ca_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\CA模拟结果'
geo_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\地理数据' # building_density.npy, DEM.npy, road_density.npy, Slope.npy, Landuse.npy
# Patch & Sampling
patch_size = 64
ca_dry_thr_cm = 1.0 # Schwellenwert für Wassertiefe für negative Stichproben: < 1cm
tile_size = 200 # Räumliche, gleichmäßige Sampling-Kachelgröße für negative Stichproben (Einheit: Rasterzelle)
# Landnutzungs-One-Hot-Encoding-Typen (können an Ihre tatsächlichen Daten angepasst werden)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Trainingsbezogen
output_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\DBN训练输出_64patch_mu'
```](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FBFJVaELXylgOOK0WatKO6tw6EfizLTx7%2F8a5d501e-e43d-4dfe-b168-5609ff4c3ef1%2F03d366b1-042e-4669-8cfb-aa5952cc4cb1.png&w=3840&q=75)
