## Упрощенный процесс генетического алгоритма (специально для аппроксимации кривой напряжение-деформация) ### I. Основная структура и цели #### 1. Общая логика Основываясь на цикле "Селекция-Кроссовер-Мутация-Оценка-Селекция", адаптированном к ограничениям параметров (|a₁|+|a₂|+|a₃|=1), процесс выглядит как "Подготовка → Однократная итерация → Мониторинг завершения → Вывод результатов". #### 2. Основная цель Минимизировать взвешенную комплексную ошибку (0.4 × Нормализованная MSE + 0.6 × Нормализованная взвешенная MRE) для повышения точности аппроксимации в заданном диапазоне деформаций. #### 3. Управление итерациями - Максимальное количество поколений итераций: По умолчанию 100 поколений - Досрочное завершение: Если нет значительного улучшения ошибки в течение 20 последовательных поколений (улучшение < 1e-8), остановить итерацию. ### II. Подготовка: Формирование и оценка начальной популяции #### 1. Генерация начальной популяции - Размер: По умолчанию 10 000 особей - Гарантия ограничений: Путем случайной сегментации + присвоения знака, убедиться, что все особи соответствуют ограничениям параметров и нет недопустимых решений. #### 2. Оценка пригодности - Рассчитать взвешенную комплексную ошибку каждой особи в качестве основы для оценки качества. - Записать начальную оптимальную ошибку и среднюю ошибку для установления базового уровня итерации. ### III. Основные этапы однократной итерации #### 1. Генерация потомства кроссовера - Размер: По умолчанию 10 000 - Выбор родителей: 2 особи с лучшей пригодностью (турнирный отбор) - Гарантия ограничений: Раздельный кроссовер абсолютного значения и знака, и нормализация для обеспечения соблюдения ограничений. - Отмечены как ожидающие оценки. #### 2. Генерация потомства мутации - Размер: По умолчанию 1 000 - Выбор родителей: Клонировать 1 высококачественную особь - Адаптивная мутация: Интенсивность мутации уменьшается с итерацией (начальная 0.05 → минимальная 0.005), 10% вероятность переключения знаков параметров. - Гарантия ограничений: Нормализовать после мутации для сохранения ограничений параметров. - Отмечены как ожидающие оценки. #### 3. Объединение и оценка популяции - Объединить текущую популяцию, потомство кроссовера и потомство мутации. - Пакетно рассчитать пригодность особей, подлежащих оценке, и обновить данные об ошибках всей популяции. ### IV. Отбор популяции нового поколения Принятие гибридной стратегии "Элита + Случайность" (общий размер остается 10 000): - Элитный отбор (80%): Сохранить особей с наилучшей пригодностью для обеспечения сходимости. - Случайный отбор (20%): Внести разнообразие, чтобы избежать локальных оптимумов. ### V. Мониторинг и завершение #### 1. Индикаторы мониторинга в реальном времени - Минимальная комплексная ошибка (оптимальная пригодность) - Средняя комплексная ошибка (общий уровень популяции) - Интенсивность мутации (состояние исследования → уточнения) #### 2. Завершение и вывод - Условия завершения: Достижение максимального количества итераций или срабатывание досрочного завершения. - Вывод результатов: Оптимальные параметры аппроксимации, минимальная ошибка, количество итераций, причина завершения, общее время потребления.
Научная иллюстрация, изображающая: ```python import os impo...
![Научная иллюстрация, изображающая:
```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
# =========================
# Конфигурация
# =========================
class Config:
# ✅ Новая версия: Excel с точками скопления воды (добавлены кумулятивные осадки)
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'
# Результаты моделирования CA и географические данные
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
# Патч и выборка
patch_size = 64
ca_dry_thr_cm = 1.0 # Порог глубины воды для отрицательных образцов: < 1 см
tile_size = 200 # Размер ячейки пространственно равномерной выборки отрицательных образцов (единица: ячейка сетки)
# Типы one-hot кодирования землепользования (можно настроить в соответствии с вашими фактическими данными)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Связанное с обучением
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)
