提示词描述
## 简化遗传算法流程（专门用于应力-应变曲线拟合） ### I. 核心框架和目标 #### 1. 总体逻辑 基于“选择-交叉-变异-评估-选择”循环，并适应参数约束（|a₁|+|a₂|+|a₃|=1），流程为“准备 → 单代迭代 → 监控终止 → 结果输出”。 #### 2. 核心目标 最小化加权综合误差（0.4 × 归一化 MSE + 0.6 × 归一化加权 MRE），以提高指定应变范围内的拟合精度。 #### 3. 迭代控制 - 最大迭代代数：默认 100 代 - 提前终止：如果连续 20 代误差没有显著改善（改善 < 1e-8），则停止迭代。 ### II. 准备：初始种群构建和评估 #### 1. 初始种群生成 - 大小：默认 10,000 个个体 - 约束保证：通过随机分割 + 符号分配，确保所有个体都满足参数约束，且不存在无效解。 #### 2. 适应度评估 - 计算每个个体的加权综合误差，作为判断优劣的依据。 - 记录初始最优误差和平均误差，建立迭代基线。 ### III. 单代迭代的核心步骤 #### 1. 交叉后代生成 - 大小：默认 10,000 - 父代选择：选择 2 个适应度较好的个体（锦标赛选择） - 约束保证：分离绝对值和符号进行交叉，并进行归一化以确保满足约束。 - 标记为待评估。 #### 2. 变异后代生成 - 大小：默认 1,000 - 父代选择：克隆 1 个高质量个体 - 自适应变异：变异强度随迭代次数衰减（初始 0.05 → 最小 0.005），10% 概率翻转参数符号。 - 约束保证：变异后进行归一化，以保持参数约束。 - 标记为待评估。 #### 3. 种群合并和评估 - 合并当前种群、交叉后代和变异后代。 - 批量计算待评估个体的适应度，并更新整个种群的误差数据。 ### IV. 新一代种群选择 采用“精英 + 随机”混合策略（总大小保持 10,000）： - 精英选择（80%）：保留适应度最佳的个体，以确保收敛。 - 随机选择（20%）：引入多样性，以避免局部最优。 ### V. 监控和终止 #### 1. 实时监控指标 - 最小综合误差（最优适应度） - 平均综合误差（整体种群水平） - 变异强度（探索 → 精细化状态） #### 2. 终止和输出 - 终止条件：达到最大迭代次数或触发提前终止。 - 输出结果：最优拟合参数、最小误差、迭代次数、终止原因、总耗时。
![```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
# =========================
# 配置
# =========================
class Config:
# ✅ 新版本：积水点Excel（新增累计降雨）
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模拟结果 & 地理数据
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
# 图像块 & 采样
patch_size = 64
ca_dry_thr_cm = 1.0 # 负样本水深阈值：< 1cm
tile_size = 200 # 负样本空间均匀采样瓦片大小（单位：栅格单元）
# 土地利用独热编码类型（可根据实际数据调整）
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# 训练相关
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)
