# 遗传算法优化ABM模型参数项目（GA_Agent_0925）

## 项目概述

本项目使用遗传算法（Genetic Algorithm）来优化基于代理的模型（Agent-Based Model）的关键参数，目标是使模型生成的脆弱产业集合与目标产业集合尽可能匹配。项目使用DEAP框架实现遗传算法，集成MySQL数据库进行大规模模拟管理，支持多进程并行计算，具有完整的结果分析和可视化功能。

## 项目结构

```
GA_Agent_0925/
├── 核心算法模块
│   ├── main.py                    # GA演化主循环和结果管理
│   ├── creating.py                # DEAP工具箱配置（参数编码、遗传算子）
│   ├── evaluate_func.py           # 适应度函数、产业匹配计算
│   ├── orm.py                     # SQLAlchemy ORM配置、数据库表定义
│   ├── controller_db.py           # 数据库生命周期管理、样本操作
│   └── my_model.py                # ABM模型调用接口
│
├── 配置文件
│   ├── config.json                # GA超参数（种群大小、进化代数等）
│   ├── conf_db.yaml               # 数据库连接凭证（主机、端口、用户）
│   ├── conf_db_prefix.yaml        # 数据库名前缀配置
│   ├── conf_experiment.yaml       # 实验参数（样本数、迭代次数）
│   └── conf.yaml                  # 其他配置参数
│
├── 数据分析和可视化
│   ├── SQL_analysis_risk_ga.sql   # 参数化SQL分析脚本（按ga_id筛选）
│   ├── 多功能.py                  # 数据分析工具函数
│   └── 绘图.py                    # 收敛曲线绘制（带移动平均）
│
├── 输出目录
│   ├── results/                   # GA演化结果输出
│   ├── risk_ay/                   # 风险分析结果
│   └── vulnerable35_match_results/ # 脆弱产业匹配结果
│
└── 输出文件示例（在results/目录下）
    ├── best_individual_each_gen.txt    # 每代最优个体历史记录
    ├── best_result_with_industry.json  # 最终最优解完整结果
    └── convergence.png                 # 收敛曲线图表
```

## 核心文件详细说明

### 1. main.py - GA演化主循环
**主要功能**：协调整个遗传算法流程，包括初始化、演化循环、结果保存
**关键流程**（9个阶段）：
1. 加载配置和数据库初始化
2. 创建DEAP工具箱和种群
3. 初始化适应度评估和缓存机制
4. 开始主演化循环（每代）：
   - 评估无效个体
   - 精英保留
   - 选择操作（锦标赛选择）
   - 交叉和变异
   - 缓存最优个体
5. 每3代执行一次数据库清理（删除旧结果记录，保留当前最优）
6. 实时写入进度信息
7. 最终结果保存到多种格式文件
8. 生成收敛曲线图表
9. 记录统计信息和时间戳

**输入参数**：从配置文件读取
**输出文件**：
- `best_individual_each_gen.txt` - 每代最优个体的基因参数和适应度
- `best_result_with_industry.json` - 最终最优解（包含目标产业与匹配产业详情）
- `convergence.png` - 收敛过程图表
- `best_result.csv` - 最优解的CSV格式

### 2. evaluate_func.py - 适应度函数（核心优化目标）
**主要功能**：计算GA个体的适应度值，连接ABM模型和优化目标
**关键函数**：

#### fitness(individual)
- **输入**：GA个体（12个参数的浮点数组）
- **处理流程**：
  1. 检查缓存（避免重复评估相同参数组合）
  2. 将基因参数映射到ABM模型参数（参考第4.2节参数映射表）
  3. 调用ABM模型`do_process()`进行模拟
  4. 提取模拟得到的脆弱产业集合
  5. 与35个目标产业比对，计算匹配情况
  6. 使用加权命中率计算适应度：
     ```
     hit_ratio = Σ(1/rank_i) 其中rank_i为第i个脆弱产业在目标集中的排名
     error = 1.0 - hit_ratio
     fitness = -error （负号因为DEAP最小化）
     ```
  7. 缓存结果并返回
- **输出**：返回元组(error_value,)
- **缓存机制**：使用四舍五入后的参数作为键，防止浮点精度问题

#### get_target_vulnerable_industries()
- **功能**：定义优化目标——35个关键半导体产业
- **产业分类**：
  - 半导体设备类：光刻机、刻蚀设备、离子注入机等
  - 半导体材料类：光刻胶、特种气体、清洗溶剂等
  - 晶圆制造类：12英寸晶圆厂、光刻工艺等
  - 封装测试类：测试设备、引脚框架等
  - 芯片设计类：设计工具、IP库等
- **返回值**：35个产业代码的集合

#### get_vulnerable35_code()
- **功能**：从ABM模型输出结果中提取脆弱产业代码
- **处理**：解析数据库结果表，识别脆弱产业标识符
- **返回**：脆弱产业代码集合

**参数映射**（ABM模型参数）：
详见第4.2节

### 3. creating.py - DEAP工具箱配置
**主要功能**：定义GA的参数编码方案、遗传算子配置
**关键配置**：

#### 基因定义（12个连续或离散参数）
```python
# 参数范围
toolbox.register("n_max_trial", random.randint, 1, 60)              # 1-60
toolbox.register("prf_size", random.uniform, 0.0, 1.0)             # 0.0-1.0
toolbox.register("prf_conn", random.uniform, 0.0, 1.0)             # 0.0-1.0
toolbox.register("cap_limit_prob_type", random.randint, 0, 1)      # 0-1
toolbox.register("cap_limit_level", random.randint, 5, 80)         # 5-80
toolbox.register("diff_new_conn", random.uniform, 0.0, 1.0)        # 0.0-1.0
toolbox.register("netw_prf_n", random.randint, 1, 20)              # 1-20
toolbox.register("s_r", random.uniform, 0.01, 0.5)                 # 0.01-0.5
toolbox.register("S_r", random.uniform, 0.5, 1.0)                  # 0.5-1.0
toolbox.register("x", random.uniform, 0.0, 1.0)                    # 0.0-1.0
toolbox.register("k", random.uniform, 0.1, 5.0)                    # 0.1-5.0
toolbox.register("production_increase_ratio", random.uniform, 1.0, 5.0)  # 1.0-5.0
```

#### 遗传算子配置
- **个体创建**：`create_individual()` - 随机初始化12个基因
- **种群创建**：`create_population(n)` - 创建n个个体的种群
- **选择**：`tools.selTournament(tournament_size=3)` - 锦标赛选择
- **交叉**：`tools.cxTwoPoint()` - 两点交叉，默认概率0.8
- **变异**：`tools.mutShuffleIndexes(indpb=0.2)` - 索引洗牌变异，独立变异概率0.2
- **菁英保留**：每代自动保留最优个体不参与选择/交叉/变异

### 4. orm.py - 数据库ORM配置
**主要功能**：SQLAlchemy ORM配置、表结构定义、数据库连接管理
**关键配置**：

#### 数据库连接
```python
# 使用NullPool避免连接丢失错误
engine = create_engine(connection_string, poolclass=NullPool)
```
- 支持MySQL 8.0+
- 数据库名通过`conf_db_prefix.yaml`中的前缀确定
- 从`conf_db.yaml`读取凭证（主机、端口、用户、密码）

#### 表定义

**Experiment 表**（实验信息）
- `id` - 主键，实验唯一标识
- `name` - 实验名称
- `description` - 实验描述
- `created_at` - 创建时间

**Sample 表**（样本信息）
- `id` - 主键
- `experiment_id` - 外键，关联Experiment
- `param_*` - ABM参数列（n_max_trial, prf_size等）
- `locked` - 样本锁定标志（0/1）
- `locked_at` - 锁定时间

**Result 表**（模拟结果）
- `id` - 主键
- `experiment_id` - 外键
- `sample_id` - 外键
- `ga_id` - GA个体唯一标识（8字符UUID）
- `vulnerable_industry_*` - 脆弱产业代码列
- `metric_*` - 评估指标列
- `created_at` - 结果时间戳

### 5. controller_db.py - 数据库生命周期管理
**主要功能**：数据库操作的中间层，样本管理、清理、事务控制
**关键方法**：

#### prepare_samples()
- 从数据库中随机获取N个样本
- 对样本进行锁定，防止重复使用
- 返回样本参数列表

#### get_sample_for_ga(ga_id)
- 为GA个体获取对应的样本
- 从Result表查询已执行结果

#### cleanup_old_results(keep_best_n)
- 定期清理旧的结果记录
- 保留每个实验的最优结果
- 防止数据库表过大

#### execute_with_db_session()
- 事务管理
- 支持多进程并发访问

#### reset_sample_locks()
- 重置所有样本锁定标志
- 允许样本被重新使用

### 6. my_model.py - ABM模型接口
**主要功能**：调用外部ABM模型，执行模拟
**关键函数**：

#### do_process(sample_params, ga_id, job=6)
- **输入**：
  - `sample_params` - 样本的ABM参数字典
  - `ga_id` - GA个体的唯一标识
  - `job` - 并行进程数（默认6）
- **处理**：
  1. 验证参数有效性
  2. 启动ABM模型多进程执行
  3. 实时监控模拟进度
  4. 收集和整理脆弱产业结果
  5. 将结果写入数据库Result表
- **输出**：
  - 返回脆弱产业代码列表
  - 同步写入数据库
- **错误处理**：
  - 参数范围检查
  - 进程超时处理
  - 数据库事务回滚

## 功能特性

### 核心功能
- **遗传算法优化**：使用DEAP框架实现完整的遗传算法流程
- **多进程并行计算**：支持多进程运行ABM模型，提高计算效率
- **实时结果记录**：每代最优个体和适应度实时保存到文件
- **收敛曲线可视化**：自动生成算法收敛过程图表
- **产业匹配分析**：详细分析模拟结果与目标产业的匹配情况
- **适应度缓存**：避免相同参数的重复评估
- **数据库集成**：MySQL数据库管理大规模模拟结果

### 参数优化范围
算法优化以下12个关键ABM模型参数：
1. `n_max_trial` - 最大尝试次数 [1, 60]
2. `prf_size` - 偏好大小 [0.0, 1.0]
3. `prf_conn` - 偏好连接 [0.0, 1.0]
4. `cap_limit_prob_type` - 容量限制概率类型 [0, 1]
5. `cap_limit_level` - 容量限制水平 [5, 80]
6. `diff_new_conn` - 新连接差异 [0.0, 1.0]
7. `netw_prf_n` - 网络偏好N [1, 20]
8. `s_r` - 小r参数 [0.01, 0.5]
9. `S_r` - 大R参数 [0.5, 1.0]
10. `x` - X参数 [0.0, 1.0]
11. `k` - K参数 [0.1, 5.0]
12. `production_increase_ratio` - 生产增加比率 [1.0, 5.0]



## 配置文件详细说明

### 1. config.json - GA超参数配置
**文件位置**：`GA_Agent_0925/config.json`
**功能**：定义遗传算法的执行参数
**示例内容**：
```json
{
    "seed": 42,
    "pop_size": 10,
    "n_gen": 60,
    "cx_prob": 0.8,
    "mut_prob": 0.2
}
```
**参数说明**：
- `seed` - 随机数种子，确保实验结果可重现性
- `pop_size` - 种群大小（每代个体数）
- `n_gen` - 进化代数
- `cx_prob` - 交叉概率（0-1）
- `mut_prob` - 变异概率（0-1）

### 2. conf_db.yaml - 数据库连接配置
**文件位置**：`GA_Agent_0925/conf_db.yaml`
**功能**：配置MySQL数据库连接信息
**示例内容**：
```yaml
host: localhost
port: 3306
user: iiabm_user
password: your_password
```
**说明**：
- 确保数据库服务运行在指定主机和端口
- 用户需要有创建表、读写数据的权限
- 密码应妥善保管，不要提交到版本控制

### 3. conf_db_prefix.yaml - 数据库名前缀配置
**文件位置**：`GA_Agent_0925/conf_db_prefix.yaml`
**功能**：配置数据库名选择策略
**配置选项**：
- `without_exp` - 不包含实验标识的数据库名
- `with_exp` - 包含实验标识的数据库名（带时间戳）
- `test` - 测试环境数据库名

### 4. conf_experiment.yaml - 实验参数配置
**文件位置**：`GA_Agent_0925/conf_experiment.yaml`
**功能**：配置ABM模型实验参数
**示例内容**：
```yaml
n_sample: 30
n_iter: 100
meta_seed: 123
n_trial_each_sample: 5
```
**参数说明**：
- `n_sample` - 每个GA代数使用的样本数
- `n_iter` - 每个样本的迭代次数
- `meta_seed` - 元随机数种子
- `n_trial_each_sample` - 每个样本的试验次数

### 5. conf.yaml - 其他全局配置
**文件位置**：`GA_Agent_0925/conf.yaml`
**功能**：系统级配置（日志、输出路径等）

## 工具脚本详细说明

### 1. SQL_analysis_risk_ga.sql - 数据库分析SQL脚本
**文件位置**：`GA_Agent_0925/SQL_analysis_risk_ga.sql`
**主要功能**：查询和分析GA优化过程中的结果数据
**关键查询**：
```sql
-- 按GA个体ID筛选结果
SELECT * FROM Result 
WHERE ga_id = ? 
ORDER BY created_at DESC;

-- 聚合统计脆弱产业
SELECT vulnerable_industry, COUNT(*) as frequency
FROM Result
WHERE experiment_id = ?
GROUP BY vulnerable_industry
ORDER BY frequency DESC;
```
**使用方式**：
- 接收参数化输入（ga_id、experiment_id等）
- 与Python脚本配合进行批量查询
- 用于结果分析和验证

### 2. 多功能.py - 数据分析工具集
**文件位置**：`GA_Agent_0925/多功能.py`
**主要功能**：提供通用数据处理和分析函数
**关键函数**：

#### get_vulnerable35_code()
- 从结果中提取脆弱产业代码
- 用于适应度评估
- 处理多种产业代码格式

#### industry_code_extraction()
- 解析产业编码
- 支持多种编码规范
- 返回标准化的产业代码

#### analyze_industry_distribution()
- 统计脆弱产业的分布
- 计算各类产业的出现频率
- 生成分析报告

#### data_cleaning()
- 数据预处理和清理
- 去除重复和异常值
- 格式转换

**使用示例**：
```python
from 多功能 import get_vulnerable35_code, analyze_industry_distribution
codes = get_vulnerable35_code(result_data)
distribution = analyze_industry_distribution(codes)
```

### 3. 绘图.py - 收敛曲线绘制工具
**文件位置**：`GA_Agent_0925/绘图.py`
**主要功能**：可视化GA演化过程
**绘制内容**：
- **最优适应度曲线** - 每代的最优个体适应度变化
- **平均适应度曲线** - 每代种群的平均适应度
- **移动平均线** - 平滑后的趋势（可选）
- **收敛速度指示** - 显示早期/晚期收敛特征

**主要函数**：

#### plot_convergence(history, window_size=5)
- **输入**：
  - `history` - 每代适应度值列表
  - `window_size` - 移动平均窗口大小
- **输出**：
  - 返回图表对象
  - 保存为`convergence.png`
- **功能**：
  1. 绘制原始数据曲线
  2. 计算移动平均
  3. 绘制平滑后的趋势线
  4. 添加网格和标签
  5. 保存为高质量图片

#### plot_multiple_runs(multiple_histories, labels)
- 在同一图表上对比多次运行
- 用于分析算法稳定性
- 显示最好/最差/平均运行结果

**配置参数**：
- 图表分辨率、线条颜色、字体大小等在脚本中定义
- 支持自定义输出路径

## 输出目录说明

### results/ 目录
**自动创建**：程序运行时自动创建此目录
**内容**：
- `best_individual_each_gen.txt` - 每代最优个体的完整历史记录
- `best_result_with_industry.json` - 最终最优解和产业匹配详情
- `convergence.png` - 收敛曲线可视化图表
- `best_result.csv` - 最优解的表格格式

**best_individual_each_gen.txt 格式**：
```
实验开始时间：2025-01-15 10:30:45
以下为每一代的最优个体基因参数：

第1代最优基因：[45, 0.632, 0.785, 1, 42, 0.234, 12, 0.15, 0.87, 0.56, 2.1, 3.2]
最优适应度: 0.8500
平均适应度: 0.7234
脆弱产业数: 18

第2代最优基因：[45, 0.632, 0.785, 1, 42, 0.234, 12, 0.15, 0.87, 0.56, 2.1, 3.3]
最优适应度: 0.8650
...
```

**best_result_with_industry.json 格式**：
```json
{
  "best_individual": [45, 0.632, 0.785, 1, 42, 0.234, 12, 0.15, 0.87, 0.56, 2.1, 3.2],
  "best_fitness": 0.8850,
  "generation": 60,
  "parameter_names": ["n_max_trial", "prf_size", "prf_conn", ...],
  "target_vulnerable_industries": [35个产业代码],
  "simulated_vulnerable_industries": [模拟得到的脆弱产业],
  "matched_industries": [匹配的产业],
  "missing_industries": [缺失的产业],
  "excess_industries": [多余的产业],
  "timestamp": "2025-01-15 11:45:30",
  "algorithm_config": {
    "seed": 42,
    "pop_size": 10,
    "n_gen": 60,
    "cx_prob": 0.8,
    "mut_prob": 0.2
  }
}
```

### risk_ay/ 和 vulnerable35_match_results/ 目录
**功能**：存储中间分析结果和产业匹配详情
- `risk_ay/` - 风险分析相关的数据和图表
- `vulnerable35_match_results/` - 脆弱产业匹配的详细分析报告

## 完整使用指南

### 第一步：环境配置

#### 1.1 检查依赖包
```bash
pip install deap numpy pandas sqlalchemy pymysql pyyaml matplotlib
```

#### 1.2 配置数据库连接
编辑 `conf_db.yaml`：
```yaml
host: your_db_host
port: 3306
user: your_db_user
password: your_db_password
```

#### 1.3 验证数据库连接
```bash
python -c "from orm import engine; engine.connect()"
```

### 第二步：参数调优

#### 2.1 GA超参数配置（config.json）
```json
{
    "seed": 42,
    "pop_size": 10,
    "n_gen": 60,
    "cx_prob": 0.8,
    "mut_prob": 0.2
}
```
**调优建议**：
- `pop_size`: 越大收敛越慢但结果越好（建议10-100）
- `n_gen`: 代数越多收敛越好但时间越长（建议30-200）
- `cx_prob`: 交叉概率通常0.7-0.9
- `mut_prob`: 变异概率通常0.1-0.3

#### 2.2 实验参数配置（conf_experiment.yaml）
```yaml
n_sample: 30
n_iter: 100
meta_seed: 123
n_trial_each_sample: 5
```

### 第三步：运行GA优化

#### 3.1 标准运行
```bash
cd GA_Agent_0925
python main.py
```

#### 3.2 监控运行进度
程序输出示例：
```
=== GA进化进度 ===
代数: 1/60 | 最优适应度: -0.85 | 平均适应度: -0.62 | 脆弱产业: 18/35
代数: 2/60 | 最优适应度: -0.87 | 平均适应度: -0.65 | 脆弱产业: 19/35
...
```

#### 3.3 暂停和恢复
- 使用 Ctrl+C 暂停程序（中间状态已保存）
- 重新运行 `python main.py` 可以恢复优化

### 第四步：结果分析

#### 4.1 查看最优解
```bash
cat results/best_result_with_industry.json
```

#### 4.2 分析产业匹配
```python
import json
with open('results/best_result_with_industry.json') as f:
    result = json.load(f)
    
print(f"匹配产业数: {len(result['matched_industries'])}")
print(f"缺失产业数: {len(result['missing_industries'])}")
print(f"多余产业数: {len(result['excess_industries'])}")
```

#### 4.3 绘制收敛曲线
```bash
python 绘图.py
```
生成 `convergence.png` 图表

#### 4.4 数据库查询
```bash
mysql -h host -u user -p iiabmdb_20250925 < SQL_analysis_risk_ga.sql
```

## 适应度函数详解

### 优化目标
最小化以下误差函数：
```
误差 = 1.0 - hit_ratio
```

### Hit Ratio 计算
```
hit_ratio = Σ(1/rank_i) for i in matched_industries
```
其中 `rank_i` 是第i个匹配产业在目标35产业中的排名

### 产业分类定义
**35个目标产业分布**：
- 光刻机、刻蚀设备、离子注入机等（设备类）
- 光刻胶、特种气体、清洗溶剂等（材料类）
- 12英寸晶圆厂、工艺等（制造类）
- 测试设备、引脚框架等（封装类）
- 设计工具、IP库等（设计类）

### 评估指标

| 指标 | 说明 | 范围 |
|-----|------|-----|
| 匹配度 | 模拟脆弱产业与目标重合的数量 | 0-35 |
| Hit Ratio | 加权命中率 | 0.0-1.0 |
| 误差 | 1.0 - Hit Ratio | 0.0-1.0 |
| 适应度 | -误差 | -1.0-0.0 |

## 数据库操作详解

### 表关系图
```
Experiment (1) ----<< (N) Sample
    ↑                      ↑
    |                      |
    └──────────────────────┴──→ Result (多条)
                           
每条Result记录：
- experiment_id: 关联实验
- sample_id: 关联样本
- ga_id: 关联GA个体
- 脆弱产业列: 模拟得到的产业
- 指标列: 评估结果
```

### 关键SQL查询

#### 查询某GA个体的所有结果
```sql
SELECT * FROM Result 
WHERE ga_id = '12345678'
ORDER BY created_at;
```

#### 统计每代产业频率
```sql
SELECT vulnerable_industry, COUNT(*) as frequency
FROM Result
WHERE ga_id IN (
  SELECT ga_id FROM Result
  WHERE generation = 30
)
GROUP BY vulnerable_industry
ORDER BY frequency DESC;
```

#### 导出最佳结果
```sql
SELECT 
  ga_id,
  vulnerable_industry,
  error_value,
  created_at
FROM Result
WHERE error_value < 0.2
ORDER BY error_value ASC;
```

### 多进程并发安全
- 所有数据库操作使用SQLAlchemy会话管理
- 使用NullPool避免连接超时
- Sample表的`locked`字段防止并发冲突

## 故障排除

### 常见问题与解决方案

| 问题 | 原因 | 解决方案 |
|------|------|--------|
| 数据库连接失败 | conf_db.yaml配置错误或数据库离线 | 检查配置、确保数据库运行 |
| 缺少DEAP模块 | 依赖包未安装 | `pip install deap` |
| 内存不足 | pop_size过大或job过多 | 减少pop_size或job参数 |
| ABM模型错误 | my_model.py实现问题 | 检查my_model.py中do_process()函数 |
| 适应度无法改进 | 参数范围设置不当 | 调整creating.py中的基因范围 |
| 数据库表损坏 | 程序异常中断 | 手动删除表重新初始化 |
| 样本锁定冲突 | 并发访问冲突 | 运行controller_db.reset_sample_locks() |

### 调试模式

#### 启用详细日志
编辑 `main.py` 第10行：
```python
import logging
logging.basicConfig(level=logging.DEBUG)
```

#### 查看详细错误信息
```bash
python main.py 2>&1 | tee run.log
```

#### 单步测试适应度函数
```python
from evaluate_func import fitness
test_individual = [45, 0.632, 0.785, 1, 42, 0.234, 12, 0.15, 0.87, 0.56, 2.1, 3.2]
result = fitness(test_individual)
print(f"适应度值: {result}")
```

### 性能优化

#### 加快收敛速度
1. 增加交叉概率：`cx_prob: 0.9`
2. 减少种群大小：`pop_size: 5`
3. 增加变异概率：`mut_prob: 0.3`

#### 减少计算时间
1. 降低ABM迭代次数：`n_iter: 50`
2. 减少样本数：`n_sample: 10`
3. 增加缓存命中率（使用舍入）

#### 降低内存占用
1. 减少`job`参数（少于系统核心数）
2. 定期清理结果表：`cleanup_old_results(keep_best_n=10)`

## 扩展开发指南

### 添加新的GA参数

#### 步骤1：在creating.py中注册新基因
```python
# 添加新参数 new_param，范围[0, 100]
toolbox.register("new_param", random.randint, 0, 100)

# 更新个体创建函数
def create_individual():
    individual = [
        # ... 现有12个基因 ...
        toolbox.new_param(),
    ]
    return individual
```

#### 步骤2：在evaluate_func.py中映射参数
```python
def fitness(individual):
    # ... 现有代码 ...
    params = {
        # ... 现有参数 ...
        'new_param': int(individual[12]),
    }
    # 将new_param传给ABM模型
```

#### 步骤3：更新ABM模型
在 `my_model.py` 的 `do_process()` 中使用新参数

### 修改目标产业集合

#### 编辑evaluate_func.py中的get_target_vulnerable_industries()
```python
def get_target_vulnerable_industries():
    return {
        # 更新目标产业代码
        'IC_001', 'IC_002',  # 新增/修改
        # ...
    }
```

### 更换遗传算子

#### 在creating.py中替换算子
```python
# 使用轮盘赌选择替代锦标赛选择
toolbox.register("select", tools.selRoulette)

# 使用均匀交叉替代两点交叉
toolbox.register("mate", tools.cxUniform, indpb=0.5)

# 使用高斯变异替代洗牌变异
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=0.1, indpb=0.2)
```

### 自定义适应度函数

#### 修改fitness计算逻辑
```python
def fitness(individual):
    # 自定义适应度计算
    # 例如：多目标优化、惩罚项等
    simulated = get_simulated_industries(individual)
    target = get_target_vulnerable_industries()
    
    # 多目标适应度
    match_ratio = len(simulated & target) / len(target)
    size_penalty = abs(len(simulated) - len(target)) / len(target)
    
    error = 1.0 - match_ratio + 0.2 * size_penalty
    return (-error,)
```

## 技术支持与参考

### 关键文件路径速查表
```
核心算法: GA_Agent_0925/main.py
参数定义: GA_Agent_0925/creating.py
适应度: GA_Agent_0925/evaluate_func.py
数据库: GA_Agent_0925/orm.py
配置参数: GA_Agent_0925/config.json
输出结果: GA_Agent_0925/results/
```

### 许可证
本项目仅供学术研究和半导体供应链韧性研究使用。

### 技术支持
如有问题或建议，请联系项目维护团队。