## Processus Simplifié d'Algorithme Génétique (Spécifiquement pour l'Ajustement de Courbes Contrainte-Déformation) ### I. Cadre et Objectifs Principaux #### 1. Logique Globale Basé sur la boucle "Sélection-Croisement-Mutation-Évaluation-Sélection", adapté aux contraintes de paramètres (|a₁|+|a₂|+|a₃|=1), le processus est "Préparation → Itération d'une Seule Génération → Surveillance de la Terminaison → Sortie des Résultats." #### 2. Objectif Principal Minimiser l'erreur globale pondérée (0.4 × MSE Normalisée + 0.6 × MRE Pondérée Normalisée) pour améliorer la précision de l'ajustement dans la plage de déformation spécifiée. #### 3. Contrôle de l'Itération - Nombre Maximum de Générations d'Itération : Par défaut 100 générations - Terminaison Précoce : S'il n'y a pas d'amélioration significative de l'erreur pendant 20 générations consécutives (amélioration < 1e-8), arrêter l'itération. ### II. Préparation : Construction et Évaluation de la Population Initiale #### 1. Génération de la Population Initiale - Taille : Par défaut 10 000 individus - Garantie de Contrainte : Par segmentation aléatoire + attribution de signe, s'assurer que tous les individus respectent les contraintes de paramètres et qu'il n'y a pas de solutions invalides. #### 2. Évaluation de l'Adaptation - Calculer l'erreur globale pondérée de chaque individu comme base pour juger de la qualité. - Enregistrer l'erreur optimale initiale et l'erreur moyenne pour établir une base de référence pour l'itération. ### III. Étapes Principales de l'Itération d'une Seule Génération #### 1. Génération de Descendants par Croisement - Taille : Par défaut 10 000 - Sélection des Parents : 2 individus avec une meilleure adaptation (sélection par tournoi) - Garantie de Contrainte : Croisement séparé de la valeur absolue et du signe, et normalisation pour garantir le respect des contraintes. - Marqué comme en attente d'évaluation. #### 2. Génération de Descendants par Mutation - Taille : Par défaut 1 000 - Sélection des Parents : Cloner 1 individu de haute qualité - Mutation Adaptative : L'intensité de la mutation diminue avec l'itération (initiale 0.05 → minimum 0.005), probabilité de 10% d'inverser les signes des paramètres. - Garantie de Contrainte : Normaliser après la mutation pour préserver les contraintes de paramètres. - Marqué comme en attente d'évaluation. #### 3. Fusion et Évaluation de la Population - Fusionner la population actuelle, les descendants du croisement et les descendants de la mutation. - Calculer par lots l'adaptation des individus à évaluer et mettre à jour les données d'erreur de l'ensemble de la population. ### IV. Sélection de la Population de la Nouvelle Génération Adopter une stratégie hybride "Élite + Aléatoire" (la taille totale reste de 10 000) : - Sélection d'Élite (80%) : Conserver les individus avec la meilleure adaptation pour assurer la convergence. - Sélection Aléatoire (20%) : Introduire de la diversité pour éviter les optima locaux. ### V. Surveillance et Terminaison #### 1. Indicateurs de Surveillance en Temps Réel - Erreur globale minimale (adaptation optimale) - Erreur globale moyenne (niveau global de la population) - Intensité de la mutation (état d'exploration → raffinement) #### 2. Terminaison et Sortie - Conditions de terminaison : Atteindre le nombre maximal d'itérations ou déclencher une terminaison précoce. - Résultats de sortie : Paramètres d'ajustement optimaux, erreur minimale, nombre d'itérations, raison de la terminaison, temps total consommé.
```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
# =========================
# Configuration
# =========================
class Config:
# ✅ Nouvelle version : Excel des points d'accumulation d'eau (ajout de la pluviométrie cumulée)
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'
# Résultats de la simulation CA et données géographiques
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 & Échantillonnage
patch_size = 64
ca_dry_thr_cm = 1.0 # Seuil de profondeur d'eau pour les échantillons négatifs : < 1cm
tile_size = 200 # Taille de la tuile d'échantillonnage spatial uniforme pour les échantillons négatifs (unité : cellule de grille)
# Types d'encodage one-hot de l'occupation du sol (peut être ajusté en fonction de vos données réelles)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Lié à l'entraînement
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)
