프롬프트 설명
## 단순화된 유전 알고리즘 과정 (특히 응력-변형률 곡선 피팅용) ### I. 핵심 프레임워크 및 목표 #### 1. 전체 로직 "선택-교차-돌연변이-평가-선택" 루프를 기반으로 하며, 파라미터 제약 조건 (|a₁|+|a₂|+|a₃|=1)에 맞게 조정되어 "준비 → 단일 세대 반복 → 종료 모니터링 → 결과 출력" 과정으로 진행됩니다. #### 2. 핵심 목표 지정된 변형률 범위에서 피팅 정확도를 향상시키기 위해 가중 종합 오차 (0.4 × 정규화된 MSE + 0.6 × 정규화된 가중 MRE)를 최소화합니다. #### 3. 반복 제어 - 최대 반복 세대 수: 기본 100세대 - 조기 종료: 20세대 연속으로 오차 개선이 미미한 경우 (개선 < 1e-8), 반복을 중단합니다. ### II. 준비: 초기 모집단 구성 및 평가 #### 1. 초기 모집단 생성 - 크기: 기본 10,000개체 - 제약 조건 보장: 무작위 분할 + 부호 할당을 통해 모든 개체가 파라미터 제약 조건을 충족하고 유효하지 않은 해가 없도록 합니다. #### 2. 적합도 평가 - 각 개체의 가중 종합 오차를 계산하여 품질 판단의 기준으로 사용합니다. - 초기 최적 오차 및 평균 오차를 기록하여 반복 기준선을 설정합니다. ### III. 단일 세대 반복의 핵심 단계 #### 1. 교차 자손 생성 - 크기: 기본 10,000 - 부모 선택: 적합도가 더 좋은 2개체 (토너먼트 선택) - 제약 조건 보장: 절대값 및 부호 교차를 분리하고 정규화하여 제약 조건을 충족하도록 합니다. - 평가 대기 상태로 표시합니다. #### 2. 돌연변이 자손 생성 - 크기: 기본 1,000 - 부모 선택: 고품질 개체 1개 복제 - 적응적 돌연변이: 돌연변이 강도는 반복에 따라 감소 (초기 0.05 → 최소 0.005), 파라미터 부호 반전 확률 10%. - 제약 조건 보장: 돌연변이 후 정규화하여 파라미터 제약 조건을 유지합니다. - 평가 대기 상태로 표시합니다. #### 3. 모집단 병합 및 평가 - 현재 모집단, 교차 자손 및 돌연변이 자손을 병합합니다. - 평가 대상 개체의 적합도를 일괄적으로 계산하고 전체 모집단의 오차 데이터를 업데이트합니다. ### IV. 새로운 세대 모집단 선택 "엘리트 + 무작위" 혼합 전략 채택 (총 크기는 10,000으로 유지): - 엘리트 선택 (80%): 최적의 적합도를 가진 개체를 유지하여 수렴을 보장합니다. - 무작위 선택 (20%): 지역 최적점을 피하기 위해 다양성을 도입합니다. ### V. 모니터링 및 종료 #### 1. 실시간 모니터링 지표 - 최소 종합 오차 (최적 적합도) - 평균 종합 오차 (전체 모집단 수준) - 돌연변이 강도 (탐색 → 정제 상태) #### 2. 종료 및 출력 - 종료 조건: 최대 반복 횟수 도달 또는 조기 종료 트리거. - 출력 결과: 최적 피팅 파라미터, 최소 오차, 반복 횟수, 종료 사유, 총 소요 시간.
![```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
# =========================
# 구성
# =========================
class Config:
# ✅ 새로운 버전: 빗물 축적 지점 엑셀 (누적 강우량 추가)
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 시뮬레이션 결과 & 지리 데이터
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
# 패치 & 샘플링
patch_size = 64
ca_dry_thr_cm = 1.0 # 음성 샘플 수심 임계값: < 1cm
tile_size = 200 # 음성 샘플 공간 균등 샘플링 타일 크기 (단위: 그리드 셀)
# 토지 이용 원-핫 인코딩 유형 (실제 데이터에 따라 조정 가능)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# 훈련 관련
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)
