Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN
En los trabajos de exploración geofísica, ha existido incertidumbre en la determinación de rendimientos de la
adquisición en campo debida a la dificultad de determinar los tiempos de desplazamiento entre las estaciones
o puntos de muestreo. Esta falta de modelos confiables para estimar de los rendimientos afecta directamente la
determinación de costos y la programación de los trabajos de manera optima. Existen algunos modelos de
determinación de tiempos y rutas de desplazamiento conocidos como "Rutas de Menor Costo", que consideran
el efecto del tipo de terreno y la pendiente. Sin embargo estos modelos consideran el efecto de la pendiente
independiente de la dirección en que se recorra, es decir, no importa si se asciende o desciende por una
pendiente. Sin embargo en el presente trabajo se plantea un modelo de velocidades de desplazamiento en el
cual la dirección de la pendiente es considerada. Se probaron diferentes heurísticas para la reducción del
tiempo de proceso en la determinación de las rutas Raster, sin embargo se opta por el calculo exhaustivo. Una
vez obtenidos los tiempos de desplazamiento y las rutas optimas entre estaciones se resuelve entonces el
problema de programación diaria de recorridos considerando que este inicia desde un campamento y termina
en otro con base en algoritmos genéticos, mediante operadores de cruce y mutación que involucra únicamente
a las estaciones y con una función objetivo que involucra los campamentos de acuerdo con el tiempo de
desplazamiento diario.
Palabras clave: Velocidad, de desplazamiento, Simulación, SIG, Geofisica, Algoritmos Genéticos
LEAST COST PATH IN PROSPECTING FIELD WORK WITH SPEED MODEL RELATED TO
TERRAIN SLOPE AND LAND USE, BY GENETIC ALGORITHM
ABSTRACT
In geophysical exploration field work, an accurate station’s access paths determination has been very difficult
because there are many variables involved. with an accurate determination of paths is possible to calculate
costs and daily programming. Some models as least cost path, let a determination of this routes but in this
models terrain slope in considered as independent of sign of this. in Those models directions Up and Down are
the same, so its not important how you move in the field. Daily experience indicates us that there is a
difference. I propose here a velocity model that takes in account both direction and land use to calculate time
of displacement. The fastest time between stations and the optimal route is determinate by heuristics and the
daily programming is based in a genetic algorithm, that consists in a string of visited stations divided in
movements between stations with no more than 8 hours and a base station included as gene divisor. Each one
is evaluated by a fitness function that consists in the travel time including paths from and to base stations.
Keywords: Displacement speed, Simulation, GIS, Genetic Algorithms, Geophysics.
INTRODUCCION
No se cuenta con herramientas que ayuden a tener una visión mucho más amplia del
desarrollo de estas labores y por la misma razón se carece de sistemas de visualización del
acompañado de características del terreno tales como pendiente, vegetación, vías de acceso.
Las heurísticas y los algoritmos genéticos son una alternativa para la solución de problemas
ANTECEDENTES
determinación de rutas óptimas para redes. Sin embargo para la determinación de las
factores relacionados con la pendiente y el uso del suelo. En Chang (2004), se describe el
de menor costo (Least Cost Path)Este enfoque plantea varias incógnitas que obligan a
realizar un análisis de las limitaciones del método. Por un lado el efecto de la pendiente del
asciende por una pendiente así como puede aumentar levemente al descender por la misma.
con la dirección de recorrido con lo cual se obtiene el mismo resultado en los casos
Por otro lado, la determinación de los pesos de ponderación depende del criterio del
investigador, haciendo que los resultados finales puedan ser manipulados mediante la
Este trabajo propone un modelo de velocidades en función de la pendiente del terreno para
JUSTIFICACION
de campo. Esta herramienta debe ser interactiva y permitir ser alimentada y consultada
variadas y con el mismo tipo de necesidad que las de exploración sísmica. Este trabajo
podrá ser aplicado a diferentes disciplinas tales como Geofísica, Geoquímica, Agronomía,
levantamiento GPS cinemático, contando con una gran cantidad de datos de posición X,Y,Z
pendiente donde las pendientes en ascenso son positivas y en descenso negativas. En las
de la pendiente y la velocidad entre dos puntos consecutivos. Es claro que existe una mayor
notoriamente para pendientes altas sin importar la dirección de recorrido. De acuerdo con
formato Raster del modelo digital del terreno, formas de desplazamiento, cobertura vegetal
y obstáculos en general.
CALCULO DE VELOCIDADES - BATIMETRIA
3.0
2.5
VELOCIDAD (M/S)
2.0
1.5
1.0
0.5
0.0
-40 -30 -20 -10 0 10 20 30 40
PENDIENTE
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
-300 -200 -100 0 100 200 300
punto muy cercano a cero y que en pendientes negativas (descenso) la velocidad puede
Vmax
Vpend =
⎛ (m + Fc ) ⎞
2
⎜⎜1 + ⎟⎟
⎝ Fc ⎠
Vpend
Vplanta =
⎛⎛ m ⎞
2
⎞
⎜⎜ ⎟⎟ + 1⎟
⎜ ⎜⎝ 100 ⎠ ⎟
⎝ ⎠
Donde:
DESCRIPCIÓN Fc VMAX
Parámetros de velocidad
Para la aplicación de estos modelos se presentan los parámetros básicos de diferentes tipos
mínimo de desplazamientos desde un punto hasta las demás celdas del modelo Raster.
posible calcular el tiempo de acuerdo con la Ecuación No 3. Una vez obtenidos los tiempos
de cada celda se establece la ruta óptima al punto de interés sumando individualmente los
tiempos correspondientes a cada tipo de desplazamiento, con lo cual se genera tanto la ruta
más cercana como también los recursos necesarios para la determinación de cada estación
que se requiera.
En la FIGURA 3, se presenta la celda básica de cálculo. Se define cada tramo con las
celdas alrededor de la celda inicial. La pendiente del tramo se calcula con la diferencia de
altura entre las dos celdas de cálculo y el modelo de velocidad se aplica de acuerdo con los
atributos de cada celda correspondientes al tipo de desplazamiento. Finalmente se calcula el
seleccionado inicialmente como el píxel de origen y se calculan los tiempos a sus vecinos
de acuerdo con la distancia al centro de los píxeles y las velocidades asignadas a cada píxel
w= (i − k )2 + (j − l)2
Tv = ( V(i,j) + V(k,l) ) * W * DX
Donde:
Una vez determinados los tiempos de las celdas alrededor del punto inicial, se alimenta un
vector de periferia que consiste en los tiempos de acceso desde el punto de origen y los
cuales son candidatos a ser tomados como punto central de calculo para determinar el
tiempo acumulado de viaje hacia los vecinos. Se selecciona el píxel de la periferia con
menor tiempo (para garantizar la ruta mas rápida) tomando esta celda como celda central de
proceso (i,j) y sus celdas adyacentes como celdas de destino (k,l). Al llegar al píxel
píxel de origen de este y así sucesivamente hasta llegar a la estación de origen. De esta
manera se determinan los píxeles que componen la ruta mas rápida entre la estación de
origen y destino. De esta manera se obtienen la ruta mas corta en tiempo entre estaciones,
bote etc. Este procedimiento se repite hasta encontrar todas las estaciones posibles de
destino y se repite el proceso con cada estación de origen del proyecto. Ver FIGURA 4.
De acuerdo con el modelo de velocidades, se observa que la ruta óptima entre dos puntos
depende del sentido en que se evalúe, es decir, el tiempo de una estación a otra puede ser
parciales de desplazamiento a cada píxel desde el píxel de origen (FIGURA 6), es posible
Para poder determinar los tiempos y las rutas es necesario calcular las rutas mas cortas a
todos los píxeles (o hasta haber alcanzado todas las estaciones desde el origen calculado) y
de esta manera construir la cadena de píxeles que conforman la ruta, luego continuar con la
siguiente estación y así sucesivamente hasta encontrar tofos los tiempos y rutas entre todas
las estaciones.
En la FIGURA 7, se presenta el resultado de rutas optimas desde una estación. Este proceso
Para minimizar el tiempo de proceso se aprovecharán los tramos de ruta establecidos con
pertenezca a una ruta optima desde otro punto. De esta manera se aprovecharan las
Para el reciclaje de las rutas obtenidas previamente se propone el registro del origen de una
ruta optima de cada píxel, marcados mediante 9 arreglos de 1 BIT que marquen en la
posición respectiva la existencia de una ruta originada desde el píxel correspondiente al
numero del arreglo según el numero N (ver FIGURA 5) que se define a continuación:
El numero N corresponde a la celda originaria de una ruta optima del píxel actual, este
N = Dfil + Dcol * 3 + 5
Dfil = N – Dcol * 3 + 5
Cuando se establezca que la secuencia de píxeles pertenece a una ruta optima existente de
una estación aun no calculada se procederá a buscarla en el arreglo de rutas existentes para
Con base en los tiempos óptimos calculados entre todas las estaciones y campamentos, se
obtener una programación de los trabajos de manera optima, y a su vez con base en esta
programación poder determinar los costos de las estaciones para realizar los respectivos
posible que sea preferible agregar campamentos en aquellas zonas de difícil acceso para
exploración.
Este problema es similar al problema del agente viajero, en el sentido que todas las
estaciones de muestreo deben ser visitadas, sin embargo es necesario regresar a puntos
ser el mismo inicial). El día siguiente debe iniciar desde el campamento de llegada del
día anterior.
diarias.
Para resolver el problema se plantea un algoritmo genético de tipo elitista, en donde el 50%
El genotipo de los individuos consiste en una cadena con los códigos o números de
una de las estaciones y el orden en que serán visitadas. Se observa como los campamentos
son independientes del genotipo. Esto se deba a que de esta manera el genotipo corresponde
a una cadena de longitud fija, lo que facilita las operaciones de cruce y mutación.
FIGURA 8 : Genotipo Básico
Una vez obtenida la cadena se separan las estaciones por días con base en el acumulado de
de horas en el día. En la FIGURA 9, se observa la cadena del genotipo separada por días de
acuerdo con el tiempo transcurrido del día para visitar dichas estaciones.
Ahora que se tiene el orden de las estaciones y la separación por días se asigna el
campamento a cada día con base en la menor distancia de recorrido hacia el campamento
desde la última estación del día y desde dicha estación hasta la primera estación del día
siguiente.
la estación final del día en cuestión hacia el campamento y desde este hacia la primera
estación del día siguiente. Se escoge el campamento con la menor distancia de los dos
esta. De igual manera a la ultima estación se el asigna el campamento mas cercano a esta
ultima.
De esta manera se tiene la ruta completa, con lo cual se procede a evaluar el tiempo total de
recorrido de la secuencia completa incluyendo tanto las estaciones como los campamentos.
Una vez obtenidos los individuos iniciales, los cuales son obtenidos aleatoriamente se
aplican los operadores de cruce y mutación para generar los nuevos individuos que serán
aleatoria. Como las estaciones no se pueden repetir el cruce se efectúa mediante la regla de
En la FIGURA 11, se describe el operador de cruce para un caso particular. Se toman los
padres y se separan en dos genes. Un hijo resulta de tomar el primer gen del padre 1 y
poner a continuación el segundo gen del padre 2. se buscan las estaciones repetidas en el
segundo gen y se reemplazan por las estaciones que faltan al individuo en el mismo orden
en que aparecen en el segundo gen del padre 1. el otro hijo se forma de manera análoga.
RESULTADOS
1.1 Pruebas
probaron mutaciones seleccionando los elementos a mutar como los mas lejanos a sus
vecinos, aleatoriamente y combinando las dos posibilidades. En la FIGURA 12 se
consignan algunos resultados de las pruebas efectuadas. Para el caso de cruces se observan
55000
50000
45000
40000
35000
Aleatorio Uniforme Wt=23536 Mas Lejano - Aleatorio Wt=20762
30000
25000
20000
0 2000 4000 6000 8000 10000
120000
100000
60000
40000
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Fija Aleatoria
CONCLUSIONES
los procesos de búsqueda exhaustiva no son fácilmente reemplazables. Con las heurísticas
arrojaron resultados sub óptimos bastante lejos de los óptimos y por otro lado los tiempos
resultaron mucho mas eficientes y rápidas que los operadores de cruce con cadena fija.
BIBLIOGRAFIA
Borgatti, S. (2005). Centrality and network flow. Social Networks, Vol. 27, No 1, pp 55-71.
Bousoño, C., and Figueiras, A. (1997). A bank of Hopfield neural networks for the shortest path problem.
Signal Processing, Vol. 61, No. 2, pp. 157-170.
Kallehauge, B., Larsen, J., and Madsen, O. (2005). Lagrangian duality applied to the vehicle routing problem
with time windows. Computers & Operations Research, In Press, Corrected Proof, Available online.
Montemanni, R., and Gambardella, L. (2004). An exact algorithm for the robust shortest path problem with
interval data. Computers & Operations Research, Vol. 31, No. 10, pp 1667-1680.
Nurminen, J. (2003). Using software complexity measures to analyze algorithms--an experiment with the
shortest-paths algorithms. Computers & Operations Research, Vol. 30, No 8, pp 1121-1134.
Torres, F. (2004). Algoritmo genético basado en una heurística de inserción para el problema de ruteo de
helicópteros. Universidad de los Andes, Colombia.
Yilmaz, O,. (1987). Seismic Data Processing. Society of Exploration Geophysics. U.S.A