## Proceso Simplificado de Algoritmo Genético (Específicamente para el Ajuste de Curvas de Tensión-Deformación) ### I. Marco Central y Objetivos #### 1. Lógica General Basado en el bucle "Selección-Cruce-Mutación-Evaluación-Selección", adaptado a las restricciones de los parámetros (|a₁|+|a₂|+|a₃|=1), el proceso es "Preparación → Iteración de una Sola Generación → Monitoreo de Terminación → Salida de Resultados". #### 2. Objetivo Central Minimizar el error integral ponderado (0.4 × MSE Normalizado + 0.6 × MRE Ponderado Normalizado) para mejorar la precisión del ajuste en el rango de deformación especificado. #### 3. Control de Iteración - Generaciones Máximas de Iteración: Predeterminado 100 generaciones - Terminación Temprana: Si no hay una mejora significativa en el error durante 20 generaciones consecutivas (mejora < 1e-8), detener la iteración. ### II. Preparación: Construcción y Evaluación de la Población Inicial #### 1. Generación de la Población Inicial - Tamaño: Predeterminado 10,000 individuos - Garantía de Restricción: Mediante segmentación aleatoria + asignación de signos, asegurar que todos los individuos cumplan con las restricciones de los parámetros y que no haya soluciones inválidas. #### 2. Evaluación de la Aptitud - Calcular el error integral ponderado de cada individuo como base para juzgar la calidad. - Registrar el error óptimo inicial y el error promedio para establecer una línea de base de iteración. ### III. Pasos Centrales de la Iteración de una Sola Generación #### 1. Generación de Descendientes por Cruce - Tamaño: Predeterminado 10,000 - Selección de Padres: 2 individuos con mejor aptitud (selección por torneo) - Garantía de Restricción: Cruce separado de valor absoluto y signo, y normalizar para asegurar que se cumplan las restricciones. - Marcado como pendiente de evaluación. #### 2. Generación de Descendientes por Mutación - Tamaño: Predeterminado 1,000 - Selección de Padres: Clonar 1 individuo de alta calidad - Mutación Adaptativa: La intensidad de la mutación disminuye con la iteración (inicial 0.05 → mínimo 0.005), 10% de probabilidad de invertir los signos de los parámetros. - Garantía de Restricción: Normalizar después de la mutación para preservar las restricciones de los parámetros. - Marcado como pendiente de evaluación. #### 3. Fusión y Evaluación de la Población - Fusionar la población actual, los descendientes por cruce y los descendientes por mutación. - Calcular por lotes la aptitud de los individuos a evaluar y actualizar los datos de error de toda la población. ### IV. Selección de la Población de la Nueva Generación Adoptando una estrategia híbrida "Élite + Aleatorio" (el tamaño total permanece en 10,000): - Selección de Élite (80%): Retener a los individuos con la mejor aptitud para asegurar la convergencia. - Selección Aleatoria (20%): Introducir diversidad para evitar óptimos locales. ### V. Monitoreo y Terminación #### 1. Indicadores de Monitoreo en Tiempo Real - Error integral mínimo (aptitud óptima) - Error integral promedio (nivel general de la población) - Intensidad de la mutación (estado de exploración → refinamiento) #### 2. Terminación y Salida - Condiciones de terminación: Alcanzar el número máximo de iteraciones o activar la terminación temprana. - Resultados de salida: Parámetros de ajuste óptimos, error mínimo, número de iteraciones, razón de la terminación, consumo total de tiempo.
```python import os import re import numpy as np import pand...