## Processo Semplificato di Algoritmo Genetico (Specificamente per l'Adattamento di Curve di Sforzo-Deformazione) ### I. Struttura Centrale e Obiettivi #### 1. Logica Generale Basato sul ciclo "Selezione-Crossover-Mutazione-Valutazione-Selezione", adattato ai vincoli dei parametri (|a₁|+|a₂|+|a₃|=1), il processo è "Preparazione → Iterazione Singola Generazione → Monitoraggio Terminazione → Output Risultati." #### 2. Obiettivo Centrale Minimizzare l'errore comprensivo ponderato (0.4 × MSE Normalizzato + 0.6 × MRE Ponderato Normalizzato) per migliorare l'accuratezza dell'adattamento nell'intervallo di deformazione specificato. #### 3. Controllo dell'Iterazione - Generazioni Massime di Iterazione: Predefinito 100 generazioni - Terminazione Anticipata: Se non c'è un miglioramento significativo nell'errore per 20 generazioni consecutive (miglioramento < 1e-8), interrompere l'iterazione. ### II. Preparazione: Costruzione e Valutazione della Popolazione Iniziale #### 1. Generazione della Popolazione Iniziale - Dimensione: Predefinito 10.000 individui - Garanzia del Vincolo: Tramite segmentazione casuale + assegnazione del segno, assicurarsi che tutti gli individui soddisfino i vincoli dei parametri e che non ci siano soluzioni non valide. #### 2. Valutazione della Fitness - Calcolare l'errore comprensivo ponderato di ogni individuo come base per giudicare la qualità. - Registrare l'errore ottimale iniziale e l'errore medio per stabilire una linea di base per l'iterazione. ### III. Passaggi Chiave dell'Iterazione Singola Generazione #### 1. Generazione di Prole tramite Crossover - Dimensione: Predefinito 10.000 - Selezione dei Genitori: 2 individui con fitness migliore (selezione a torneo) - Garanzia del Vincolo: Crossover separato del valore assoluto e del segno, e normalizzazione per garantire che i vincoli siano soddisfatti. - Contrassegnati come in attesa di valutazione. #### 2. Generazione di Prole tramite Mutazione - Dimensione: Predefinito 1.000 - Selezione del Genitore: Clonare 1 individuo di alta qualità - Mutazione Adattiva: L'intensità della mutazione decade con l'iterazione (iniziale 0.05 → minimo 0.005), probabilità del 10% di invertire i segni dei parametri. - Garanzia del Vincolo: Normalizzare dopo la mutazione per preservare i vincoli dei parametri. - Contrassegnati come in attesa di valutazione. #### 3. Unione e Valutazione della Popolazione - Unire la popolazione corrente, la prole del crossover e la prole della mutazione. - Calcolare in batch la fitness degli individui da valutare e aggiornare i dati di errore dell'intera popolazione. ### IV. Selezione della Popolazione della Nuova Generazione Adottare una strategia ibrida "Elite + Casuale" (la dimensione totale rimane 10.000): - Selezione Elite (80%): Mantenere gli individui con la migliore fitness per garantire la convergenza. - Selezione Casuale (20%): Introdurre diversità per evitare ottimi locali. ### V. Monitoraggio e Terminazione #### 1. Indicatori di Monitoraggio in Tempo Reale - Errore comprensivo minimo (fitness ottimale) - Errore comprensivo medio (livello generale della popolazione) - Intensità della mutazione (stato di esplorazione → affinamento) #### 2. Terminazione e Output - Condizioni di terminazione: Raggiungimento del numero massimo di iterazioni o attivazione della terminazione anticipata. - Risultati di output: Parametri di adattamento ottimali, errore minimo, numero di iterazioni, motivo della terminazione, consumo totale di tempo.
Illustrazione scientifica di: ```python import os import re...
![Illustrazione scientifica di:
```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
# =========================
# Configurazione
# =========================
class Config:
# ✅ Nuova versione: Excel dei punti di accumulo acqua (aggiunta pioggia cumulata)
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'
# Risultati della simulazione CA e dati geografici
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 & Campionamento
patch_size = 64
ca_dry_thr_cm = 1.0 # Soglia di profondità dell'acqua per campioni negativi: < 1cm
tile_size = 200 # Dimensione della tile per il campionamento spaziale uniforme dei campioni negativi (unità: cella della griglia)
# Tipi di codifica one-hot di Landuse (possono essere modificati in base ai dati effettivi)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Relativo all'addestramento
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)
