## Processo Simplificado de Algoritmo Genético (Especificamente para Ajuste de Curvas Tensão-Deformação) ### I. Estrutura Central e Objetivos #### 1. Lógica Geral Baseado no ciclo "Seleção-Cruzamento-Mutação-Avaliação-Seleção", adaptado às restrições de parâmetros (|a₁|+|a₂|+|a₃|=1), o processo é "Preparação → Iteração de Geração Única → Monitoramento da Terminação → Saída de Resultados." #### 2. Objetivo Central Minimizar o erro abrangente ponderado (0,4 × MSE Normalizado + 0,6 × MRE Ponderado Normalizado) para melhorar a precisão do ajuste na faixa de deformação especificada. #### 3. Controle de Iteração - Gerações Máximas de Iteração: Padrão 100 gerações - Terminação Antecipada: Se não houver melhora significativa no erro por 20 gerações consecutivas (melhora < 1e-8), interromper a iteração. ### II. Preparação: Construção e Avaliação da População Inicial #### 1. Geração da População Inicial - Tamanho: Padrão 10.000 indivíduos - Garantia de Restrição: Por segmentação aleatória + atribuição de sinal, garantir que todos os indivíduos atendam às restrições de parâmetros e não haja soluções inválidas. #### 2. Avaliação de Fitness - Calcular o erro abrangente ponderado de cada indivíduo como base para julgar a qualidade. - Registrar o erro ótimo inicial e o erro médio para estabelecer uma linha de base de iteração. ### III. Etapas Centrais da Iteração de Geração Única #### 1. Geração de Descendentes por Cruzamento - Tamanho: Padrão 10.000 - Seleção de Pais: 2 indivíduos com melhor fitness (seleção por torneio) - Garantia de Restrição: Cruzamento separado de valor absoluto e sinal, e normalizar para garantir que as restrições sejam atendidas. - Marcado como pendente de avaliação. #### 2. Geração de Descendentes por Mutação - Tamanho: Padrão 1.000 - Seleção de Pais: Clonar 1 indivíduo de alta qualidade - Mutação Adaptativa: A intensidade da mutação diminui com a iteração (inicial 0,05 → mínimo 0,005), 10% de probabilidade de inverter os sinais dos parâmetros. - Garantia de Restrição: Normalizar após a mutação para preservar as restrições de parâmetros. - Marcado como pendente de avaliação. #### 3. Fusão e Avaliação da População - Fundir a população atual, os descendentes de cruzamento e os descendentes de mutação. - Calcular em lote o fitness dos indivíduos a serem avaliados e atualizar os dados de erro de toda a população. ### IV. Seleção da População da Nova Geração Adotando uma estratégia híbrida "Elite + Aleatório" (o tamanho total permanece em 10.000): - Seleção de Elite (80%): Reter os indivíduos com o melhor fitness para garantir a convergência. - Seleção Aleatória (20%): Introduzir diversidade para evitar ótimos locais. ### V. Monitoramento e Terminação #### 1. Indicadores de Monitoramento em Tempo Real - Erro abrangente mínimo (fitness ótimo) - Erro abrangente médio (nível geral da população) - Intensidade da mutação (estado de exploração → refinamento) #### 2. Terminação e Saída - Condições de terminação: Atingir o número máximo de iterações ou acionar a terminação antecipada. - Resultados de saída: Parâmetros de ajuste ótimos, erro mínimo, número de iterações, motivo da terminação, consumo total de tempo.
```python import os import re import numpy as np import pand...