Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algoritmo Genético - V Coreic PDF
Algoritmo Genético - V Coreic PDF
ALGORITMOS GENÉTICOS
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA
SIMULACIÓN Y APLICACIÓN DE AG
RESULTADOS - DISCUSIÓN Y CONCLUSIONES
Noviembre de 2013
Objetivo
Objetivo
Optimizar los parámetros de la Distribución Estadı́stica
mediante La Técnica del Algoritmo Genético.
¿Optimizar que?
Z Z
1 −Z 2
F (Z ) = √ e 2 dZ
2π −∞
ln(X − X0 ) − µy
Z=
σy
Los Parámetros son X0 , µy y σy (Distribución
Teórica Log Normal 3P)
0.25
0.2
0.15
0.1
0.05
Los métodos basados en derivados son 0
−0.05
mas rápidos ya que evalúan y buscan en −0.1
−0.2
Aplicaciones en la Ingenierı́a
Redes de Abastecimiento.
Predicción de estructura de RNA.
Calibración y detección de daños
en estructuras.
Cálculo de Sistemas de ecuaciones.
Hidrogramas Unitarios en
Hidrologı́a.
Sedimentos en cuencas y riberas.
Cálculo de flujo subterráneo.
entre otros.
ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013
INTRODUCCIÓN
Revisión del Algoritmo Genético
ALGORITMOS GENÉTICOS
Revisión del Algoritmo Genético
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA
Operación de Cruzamiento
SIMULACIÓN Y APLICACIÓN DE AG
Operación de Mutación
RESULTADOS - DISCUSIÓN Y CONCLUSIONES
Operación de Cruzamiento
#
ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013
INTRODUCCIÓN
Revisión del Algoritmo Genético
ALGORITMOS GENÉTICOS
Revisión del Algoritmo Genético
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA
Operación de Cruzamiento
SIMULACIÓN Y APLICACIÓN DE AG
Operación de Mutación
RESULTADOS - DISCUSIÓN Y CONCLUSIONES
Operación de Mutación
#
ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013
INTRODUCCIÓN
ALGORITMOS GENÉTICOS
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA Distribuciones Conocidas
SIMULACIÓN Y APLICACIÓN DE AG
RESULTADOS - DISCUSIÓN Y CONCLUSIONES
Z
ln(X − X0 ) − µy
Z
1 −Z 2
F (Z ) = √ e 2 dZ ; con Z= (3.1)
2π −∞ σy
Donde los parámetros por MM son:
σy2
X0 = X − e µy + 2 (3.2) s
PN
i (Xi − X )2
S=
N −1
S2
1 2 N 2 M3
µy = ln 2 − σ y (3.3) Cs =
2 e σy − 1 (N − 1)(N − 2)S 3
PN
(Xi − X )3
s
Cs − 0,52 M3 = i
σy= (3.4) N
4,85
ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013
INTRODUCCIÓN
ALGORITMOS GENÉTICOS
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA Distribuciones Conocidas
SIMULACIÓN Y APLICACIÓN DE AG
RESULTADOS - DISCUSIÓN Y CONCLUSIONES
Z Z
1 −Z 2 ln(X − X0 ) − µy
F (Z ) = √ e 2 dZ ; con Z = (3.5)
2π −∞ σy
Donde los parámetros por MV se relaciona de la siguiente manera:
N
1 X
µy = ln(Xi − X0 ) (3.6)
N
i=1
v
u
u1 XN
σy = t [ln(Xi − X0 ) − µy ]2 (3.7)
N
i=1
N N
X σy2− µy X ln(Xi − X0 )
+ =0 (3.8)
Xi − X0 Xi − X0
i=1 i=1
ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013
INTRODUCCIÓN
ALGORITMOS GENÉTICOS
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA Distribuciones Conocidas
SIMULACIÓN Y APLICACIÓN DE AG
RESULTADOS - DISCUSIÓN Y CONCLUSIONES
Criterio de Evaluación
Función Objetivo
PN !
(Oi − Pi ) 2
Minimizar Pi=1
N
(4.3)
i=1 (Oi − P)2
N
!
X
Minimizar (Oi − Pi )2 (4.4)
i=1
250
200
150
100
50
0
1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
Tiempo
FDA TEÓRICA − FDA EMPÍRICA: DISTRIBUCIÓN LOG NORMAL 2P FDA TEÓRICA − FDA EMPÍRICA: DISTRIBUCIÓN LOG NORMAL 3P
1 1
FDA Teórica F(X) FDA Teórica F(X)
0.9 FDA Empírica P(X) FDA Empírica P(X)
0.9
0.8 0.8
0.7 0.7
Probabilidad F(X)−P(X)
Probabilidad F(X)−P(X)
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
50 100 150 200 250 300 3 50 100 150 200 250 300 350
Evento Evento
FDA TEÓRICA − FDA EMPÍRICA: DISTRIBUCIÓN LOG NORMAL 3P FDA TEÓRICA − FDA EMPÍRICA: DISTRIBUCIÓN GAMMA 2P
1 1
FDA Teórica F(X) FDA Teórica F(X)
FDA Empírica P(X) 0.9 FDA Empírica P(X)
0.9
0.8 0.8
0.7 0.7
Probabilidad F(X)−P(X)
Probabilidad F(X)−P(X)
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
0 50 100 150 200 250 300
50 100 150 200 250 300 350
Evento
Evento
0.8
0.8
0.7
0.7
Probabilidad F(X)−P(X)
Probabilidad F(X)−P(X)
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
50 100 150 200 250 300 350 0
Evento 50 100 150 200 250 300 350
Evento
Simulación AG 01
Generaciones = 100
Población = 500
Rango X0 [0 − 50], µy [0 − 10], σy [0 − 1]
Simulación AG 02
Generaciones = 500
Población = 500
Rango X0 [0 − 50], µy [0 − 10], σy [0 − 1]
Parámetros AG MV MM
X0 22.936 30.785 20.685
µy 4.351 4.233 4.377
σy 0.490 0.580 0.532
CE 0.9955 0.9932 0.9909
0.9
0.8
Probabilidad F(X)−P(X)−AG(X)
0.7
0.6
0.5
0.4
0.3
FDA AG F(X)
0.2
FDA Teórica F(X)
FDA Empírica P(X)
0.1
0
50 100 150 200 250 300
Evento
ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013
INTRODUCCIÓN
ALGORITMOS GENÉTICOS Datos para el Análisis
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA Distribuciones Estadı́sticas Teóricas
SIMULACIÓN Y APLICACIÓN DE AG Simulación AG
RESULTADOS - DISCUSIÓN Y CONCLUSIONES
Conclusiones