scikit-learn您可以使用 python 的库创建支持向量机 (SVM) 。具体来说，如果您将所有非数值都分配给一个数值，支持向量回归 (SVR) 可能会很好地工作。

然后，您可以使用 45 个检查结果“训练”模型。然后，对于 3500 根管道的其余部分，您可以预测它们的状况。一旦您对它们的状况进行了预测，那么您可以使用遗传算法或其他一些全局优化技术（我喜欢使用 python 的scipy.optimize库对这些类型的事物进行差分进化）来找到最佳替换策略。

我没有通读你的整篇论文，但看起来你只需要一个目标函数来应用该方法。SVR 技术非常适合创建目标函数。

我不确定你为什么会在这里使用遗传算法。在我看来，您想通过基于对 45 根管道的检查来训练模型来预测哪些管道会破裂。

如果你刚刚开始做这类事情，随机森林可能是一个不错的选择。它们背后的理论很容易理解，并且与其他模型相比，它们相对容易解释。

您可以在此处找到介绍，以及将随机森林逐步应用于泰坦尼克号的某些数据。

在许多方面，当没有好的理论可以用来获得更好/更快收敛的东西时，遗传算法是解决优化问题的最后手段。如果你直接跳到 GA，你可能对你的问题思考得不够仔细。