Ag Vcoreic PDF

INTRODUCCIÓN
ALGORITMOS GENÉTICOS
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA
SIMULACIÓN Y APLICACIÓN DE AG
RESULTADOS - DISCUSIÓN Y CONCLUSIONES
V CONGRESO REGIONAL DE ESTUDIANTES

DE INGENIERIA CIVIL
CÁLCULO DE PARÁMETROS ESTADÍSTICOS EN
HIDROLOGÍA MEDIANTE LA TÉCNICA DE OPTIMIZACIÓN
Ing. Ayala Bizarro, Iván Arturo1

ayalabizarro@gmail.com
Universidad Nacional de Huancavelica - Perú
Noviembre de 2013
ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

INTRODUCCIÓN
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)

INTRODUCCIÓN
Revisión del Algoritmo Genético
Operación de Cruzamiento
Operación de Mutación
Historia del Algoritmo Genético
Charles Darwin [1809-1882]

Cuanto mejor un individuo se adapta al medio
ambiente, mayor será su chance de sobrevivir y
generar descendencia- Darwin 1859
John Henry Holland [1929]
Padre del AG. Profesor de Filosofı́a, de Ingenierı́a

Eléctrica y de Ciencias de la computación en la
Universidad de Mı́chigan.
Despues de J. Holland, se escribieron numeros textos: Golberg

(1989), Davis (1991), Michalewicz (1993), entre otros.
INTRODUCCIÓN
Que es un Algoritmo Genético

Un Algoritmo Genético (AG), es un método sistematizado de
búsqueda que imita la teorı́a de la evolución biológica de
Darwin, para la resolución de problemas.

INTRODUCCIÓN

Los AG usan funciones de costo o funciones objetivo NO
DERIVADAS.
Los AG usan métodos probabilı́sticos no determinı́sticos
Cada miembro de la población es una posible solución, los GA
son algoritmos de búsqueda global no local

INTRODUCCIÓN
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
una sola dirección a la vez. −0.15
−0.2
Los AG son paralelos y evalúan múltiples −0.25
posibles soluciones a las vez no en una 2
dirección como los algoritmos basados en 0
derivados (búsqueda lineal) −2

0 1 2 3
−3 −2 −1
los AG no tiene un punto singular de

búsqueda inicial.
2 −y 2
Maximizar: f (x, y ) = −xye −x
INTRODUCCIÓN
Aplicación Diseño de Redes
Bentley [WaterCad], desarrolló el modelo de AG en Redes de

Tuberı́a mediante las opciones de Darwin Calibrator y
Darwin Designer.
El AG, en Redes de tuberı́a, reduce el tiempo de ejecución que
permite obtener un sistema de Red seguro y óptimo.

INTRODUCCIÓN
Diagrama de Flujo - Aplicaciones
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.
INTRODUCCIÓN
#
INTRODUCCIÓN
#
INTRODUCCIÓN
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA Distribuciones Conocidas
Distribución Log Normal 3P Método de Momentos
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
INTRODUCCIÓN
Distribución Log Normal 3P Máxima Verosimilitud
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
INTRODUCCIÓN
Distribución Log Normal 3P Máxima Verosimilitud

Resolviendo el sistema de ecuación no lineal con NR
N
X σy2 − µy + ln(Xi − X0 )
F1 = =0 (3.9)
Xi − X0
i=1
N
X
F2 = [ln(Xi − X0 ) − µy ]2 − Nσy2 = 0 (3.10)
i=1
N
X
F3 = ln(Xi − X0 ) − Nµy = 0 (3.11)
i=1
   ∂F1 ∂F1 ∂F1   
µyi+1 − µyi ∂µy ∂σy ∂X0 F1
 σyi+1 − σyi  =  ∂F ∂F2 ∂F2   
 ∂µy2 ∂σy ∂X0  F2 (3.12)
X0i+1 − X0i ∂F3 ∂F3 ∂F3 F3
∂µy ∂σy ∂X0

INTRODUCCIÓN
Datos para el Análisis
La Estación de análisis es Chinchi,

ubicada en el distrito de Mejorada
Provincia y Departamento de
Huancavelica. Geográficamente se
0
ubica en la latitud 120 32 07” y
0
Longitud 740 55 26” y altitud de
2830 msnm.
La estación Chinchi se ubica en el
cauce del Rı́o Ichu al pie de la
entrega al Rı́o Mantaro
El registro es de 50 años
[1963-2012] y corresponde al
Caudal Máximo Mensual m3 /s
INTRODUCCIÓN
Criterio de Evaluación
Coeficiente de Determinación (CD)

CD, determina la calidad del modelo sobre los resultados. O es el
valor Observado y P es valor calculado o predecido.
PN
− O)(Pi − P)]
i=1 [(Oi
CD = qP ; −1 ≤ CD ≤ 1 (4.1)
N 2
PN 2
i=1 (Oi − O) i=1 (Pi − P)
Coeficiente de Eficiencia (CE)

También llamado como el coeficiente de Nash-Sutcliffe (1970)
PN
[(Oi − Pi )2
CE = 1 − Pi=1
N
; −∞ < CE ≤ 1 (4.2)
i=1 (Oi − O)2
INTRODUCCIÓN
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
Para el presente trabajo los valores observados, vendrı́an a ser los

empı́ricos que se evalúan mediante la ecuación de Weibull
i
Oi = F (X ) = (4.5)
N +1
Donde N es el total de muestras.

INTRODUCCIÓN
ALGORITMOS GENÉTICOS Datos para el Análisis
DISTRIBUCIONES ESTADÍSTICAS EN HIDROLOGÍA Distribuciones Estadı́sticas Teóricas
SIMULACIÓN Y APLICACIÓN DE AG Simulación AG
Datos para el análisis

350
ESTACIÓN CHINCHI − RIO ICHU − HUANCAVELICA
300
Caudales (m3/s)
Caudales máximos (m3/s)
250
200
150
100
50
0
1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
Tiempo
Reconstrucción de datos mediante el modelo HEC-04

(USACE)
Cálculo de caudales Máximos (Construcción de la serie)

INTRODUCCIÓN
Distribuciones Estadı́sticas Teóricas
Fueron determinados los ∆max por la prueba de Smirnov

Kolmogorov y la prueba de Mı́nimos Cuadrados (MC) para las
distribuciones téoricas de Normal, Log Normal, Log Normal
2P, Log Normal 3P, Gamma 2P, Gamma 3P, Log Pearson 3P,
Gummbel y Log Gumbel.
Las distribuciones téóricas que mejor se ajustan son Log
Normal 3P (LN3P) y Log Normal 2P (LN2P).
El análisis con la técnica de optimización AG, se hará a la
distribición Log Normal 3P.
N LN2P LN3P G2P G3P LP3P GU LGU
∆max 0.137 0.057 0.045 0.185 0.483 0.043 0.075 0.069
MC 695 630 434 427 444 436 670 642

INTRODUCCIÓN
Parámetros de Distribuciones Estadı́sticas Teóricas
Distribución Normal Distribución Log Normal 2P

µ = 112,3682 σ = 52,4607 µy = 4,637, σ = 0,4003
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)
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

INTRODUCCIÓN
Distribución Log Normal 3P Distribución Gamma 2P

X0 = 30,7850 µy = α = 18,7169 β = 6,0036
4,2329 σ = 0,5797
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
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

INTRODUCCIÓN
Distribución Gamma 3P Distribución Log Pearson 3P

X0 = 58,6377 α = X0 = 3,2168 α = 0,1128β =
51,2209 β = 1,0490 12,5880
FDA TEÓRICA − FDA EMPÍRICA: DISTRIBUCIÓN GAMMA 3P

FDA TEÓRICA − FDA EMPÍRICA: DISTRIBUCIÓN LOG PEARSON III
1
1
FDA Teórica F(X)
FDA Teórica F(X)
0.9 FDA Empírica P(X)
0.9 FDA Empírica P(X)
0.8
0.8
0.7
0.7
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

INTRODUCCIÓN
Simulación AG para la Distribución LN3P
Simulación AG 01
Generaciones = 100
Población = 500
Rango X0 [0 − 50], µy [0 − 10], σy [0 − 1]
Aplicando el programa HPGA (Hydrology

Parameter Genetic Algorithms - IAAB), se
obtiene los siquientes resultados.
Parámetros AG MV MM
X0 24.445 30.785 20.685
µy 4.326 4.233 4.377
σy 0.486 0.580 0.532
CE 0.9951 0.9932 0.9909
INTRODUCCIÓN
Simulación AG para la Distribución LN3P
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

INTRODUCCIÓN
FDA TEÓRICA − FDA AG − FDA EMPÍRICA: DISTRIBUCIÓN LOG NORMAL 3P AG

1
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
INTRODUCCIÓN
Conclusiones
Para la utilización de la Técnica de los

AGs, es necesario la implementación de
un ordenador.
Los AGs son una herramieta de búsqueda
muy eficiente y robusta para la
optimización de parámetros en ecuaciones
lineales y no lineales.
El número de generaciones está basado en
la precisión de la optimiación y
eliminación de los máximos o mı́nimos
locales

Ag Vcoreic PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ag Vcoreic PDF

Cargado por

Copyright:

Formatos disponibles

INTRODUCCIÓN

V CONGRESO REGIONAL DE ESTUDIANTES

Ing. Ayala Bizarro, Iván Arturo1

Universidad Nacional de Huancavelica - Perú

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Historia del Algoritmo Genético

Charles Darwin [1809-1882]

John Henry Holland [1929]

Padre del AG. Profesor de Filosofı́a, de Ingenierı́a

Despues de J. Holland, se escribieron numeros textos: Golberg

Que es un Algoritmo Genético

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Que es un Algoritmo Genético

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Que es un Algoritmo Genético

una sola dirección a la vez. −0.15

Los AG son paralelos y evalúan múltiples −0.25

posibles soluciones a las vez no en una 2

dirección como los algoritmos basados en 0

derivados (búsqueda lineal) −2

los AG no tiene un punto singular de

Aplicación Diseño de Redes

Bentley [WaterCad], desarrolló el modelo de AG en Redes de

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Diagrama de Flujo - Aplicaciones

Distribución Log Normal 3P Método de Momentos

Distribución Log Normal 3P Máxima Verosimilitud

Distribución Log Normal 3P Máxima Verosimilitud

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Datos para el Análisis

La Estación de análisis es Chinchi,

Coeficiente de Determinación (CD)

Coeficiente de Eficiencia (CE)

Para el presente trabajo los valores observados, vendrı́an a ser los

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Datos para el análisis

Reconstrucción de datos mediante el modelo HEC-04

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Distribuciones Estadı́sticas Teóricas

Fueron determinados los ∆max por la prueba de Smirnov

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Parámetros de Distribuciones Estadı́sticas Teóricas

Distribución Normal Distribución Log Normal 2P

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Parámetros de Distribuciones Estadı́sticas Teóricas

Distribución Log Normal 3P Distribución Gamma 2P

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Parámetros de Distribuciones Estadı́sticas Teóricas

Distribución Gamma 3P Distribución Log Pearson 3P

FDA TEÓRICA − FDA EMPÍRICA: DISTRIBUCIÓN GAMMA 3P

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

Simulación AG para la Distribución LN3P

Aplicando el programa HPGA (Hydrology

Simulación AG para la Distribución LN3P

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

FDA TEÓRICA − FDA AG − FDA EMPÍRICA: DISTRIBUCIÓN LOG NORMAL 3P AG

Para la utilización de la Técnica de los

ING. AYALA BIZARRO, IVÁN ARTURO V COREIC HVCA-2013

También podría gustarte