Un Algoritmo Genético Mejorado para la Calibración de Modelos Hidrológicos CI71F – MODELACIÓN HIDROLÓGICA JAIME VERGARA A.

Sobre el documento Título original: An Improved Genetic Algorithm for Hydrological Model Calibration Autores: Jungang Luo, Jiancang Xie, Yuxin Ma, Gang Zhang (Instituto de Recursos Hídricos e Ingeniería Hidroeléctrica, Universidad de Tecnología de Xi’an, China) Año de Publicación: 2011 Lugar de Publicación: 7ma Conferencia Internacional sobre Computación Natural (7th International Conference on Natural Computation)

Introducción Idea principal: Crear un mejor algoritmo genético (más eficiente, rápido, etc.) Razón: Algoritmos existentes a la fecha pueden presentar problemas significativos, siendo los principales la convergencia prematura y la baja velocidad de convergencia

El Algoritmo Directional Self-Learning Genetic Algorithm (DSLGA) Utiliza corrección por dirección en base a los parámetros descartados y a los que se quedan, en base a dos operadores (de dirección y de actualización de datos), además de un tercero, que se encarga de “realizar la limpieza” Operador de Dirección donde fit es la función de valor de adaptación

El Algoritmo Operador de dirección autodidacta:

El Algoritmo Operador de dirección autodidacta: Operador de muerte Op.1 Op.2

Ejecución Sean x(t) los individuos en la generación t, cbest(t) el mejor individuo de la generación, y best el mejor individuo histórico. El algoritmo se ejecuta de la siguiente forma (1) Inicializar (2) Cruza, mutación y selección de individuos (3) Purga y selección de cbest(t) (4) Operadores de dirección en cbest(t). Actualización de cbest(t) ¿Cumple con criterio de convergencia? Sí Fin No

Análisis del método Prueba en funciones multidimensionales ◦5 funciones

Análisis del método Prueba en funciones multidimensionales ◦Resultados

Análisis del método Prueba en funciones multidimensionales: ◦Comparación con MAGA ◦¿Qué es MAGA? ◦Multi-agent genetic algorithm ◦Algoritmo: ◦1.- Genera población ◦2.- Competencia -> Generación n+1/3 ◦3.- Para un porcentaje arbitrario de la población, operador ortogonal -> Generación n+2/3 ◦4.- Para el mismo porcentaje, operador de mutación -> Generación n+1 ◦5.- Operador de autoaprendizaje ◦6.- Elegir al mejor ◦7.- Verificar criterios de convergencia

Análisis del método Prueba en funciones multidimensionales: ◦Comparación con MAGA (Multi-agent genetic algorithm)

Análisis del método Prueba en modelo hidrológico: Muskingum

Análisis del método Prueba en modelo hidrológico: Muskingum Aplicado al canal del sur entre los ríos Chenggou y Linqing, en China Replica paper de estimación de parámetros de Muskingum mediante GAGA

Análisis del método Prueba en modelo hidrológico: Muskingum ◦¿Qué es GAGA? ◦Gray-encoded accelerating genetic algorithm ◦Método de algoritmo genético usando el “código Gray”

Análisis del método Prueba en modelo hidrológico: Muskingum ◦Resultado

Conclusiones Funciona Converge en mínimos globales Tiene una mejor velocidad que varios métodos (en particular que MAGA) Sirve para ser usado en modelos (aunque hay otros que son mejores, como GAGA)