Posicionamiento de barreras corta fuegos

usando Bacterial Foraging Optimization Algorithm

Camilo A. Hernández & Ivan Mura
Universidad de los Andes, Departamento de Ingenierı́a Industrial, Bogotá, Colombia

Abstract
Los sistemas de control de incendios forestales tienen gran importancia para mu-
chos departamentos de bomberos alrededor del mundo. Debido a los efectos de este
fenómeno, el cuidado de ecosistemas y recursos es imperativo. El siguiente artı́culo
esta enfocado en la reducción de la propagación esperada de incendios forestales, me-
diante el posicionamiento de barreras corta fuegos, usando la metaheurı́stica Bacterial
Foraging Optimization Algorithm. El algoritmo, además de determinar la posición de
las barreras, decide el número de barreras para una superficie de acuerdo a los cos-
tos fijos y a los daños en el bosque; y decide el diseño de las barreras respecto a las
curvas de nivel de la superficie, direcciones preferenciales aleatorias, longitud y ancho.
El algoritmo fue aplicado a una instancia teórica y una instancia real en los Cerros
Orientales de Bogotá, Colombia.
Keywords: Incendios forestales, barreras, metaheurı́stica, BFOA.

1. Introducción
Los desastres naturales son fenómenos causados por gran cantidad de factores. Lo
anterior implica un nivel significativo de dificultad respecto a la mediciòn y los efec-
tos generados por cada factor. Entre los desastres naturales se encuentran incendios
forestales, tornados y huracanes. Sus principales consecuencias son: pérdida de biota
y vidas humanas, daño de estructuras, contaminación de suministros, interrupción en
comunicaciones y degradacı́ón de ecosistemas [1]. En los últimos años, el número de
desastres ha aumentado considerablemente, al igual que el tiempo y recursos que di-
ferentes organizaciones han invertido en su investigación.

Actualmente, uno de estos desastres ha adquirido gran importancia, los incendios

forestales. De acuerdo a International Association of Fire and Rescue Service en su
reporte de World Fire Statistics de 2017 hubo 41.223 incendios forestales en 21 pai-
ses del mundo [2]; Es por esto que desarrollan sistemas de control. Ahora bien, los
incendios forestales son afectados por la velocidad del viento, la dirección del viento,
la vegetación, la humedad y las pendientes. Estos incendios han sido controlados me-
diante diferentes estrategias, como lineas de fuego, ataques directos, ataques indirectos
o agentes retardantes [3]. Igualmente, mediante planificación de recursos y decisiones
a cerca de la cantidad, ubicación y tipo de suministros [4].

En este artı́culo nos centramos en el posicionamiento estratégico de barreras corta

fuegos usando la metaheurı́stica Bacterial Foraging Optimization Algorithm. Para esta
estrategia de control de incendios forestales, una barrera consiste en remover vegeta-
ción de una parte particular del bosque para impedir la propagación de incendios.

A continuación en la sección 2 se presentará la revisión de literatura, en la sección

3 el marco teórico que define la metaheurı́stica Bacterial Foraging Optimization Al-
gorithm(BFOA). Luego en la sección 4, se presentará la aplicación de BFOA para el
posicionamiento de barreras. En la sección 5 los resultados para dos instancias, una
teórica y una real. En la sección 6 conclusiones, en la sección 7 trabajo futuro y por
último referencias.

2. Revisión de Literatura
En la literatura la cantidad de trabajos es rebosante, debido al gran efecto que
tienen los incendios forestales en el mundo. La mayorı́a de trabajos estan enfocados en
modelos matemáticos exactos, modelos de optimización con simulación, programación
estocástica por etapas y aplicación de metaheurı́sticas. Estos métodos son enfocados
en los diferentes sistemas de control para un incendio, como lineas de fuego, planeación
de ataques directos, distribución de recursos, agentes retardantes, etc.

Por ejemplo para modelos matemáticos exactos, G. Donovan y D. Rideout [5] pro-
ponen un modelo de programación entera para optimizar la asignación de recursos
para la contención de incendios forestales. Igualmente, R. Haight y J.S. Fried [6] pro-
ponen estrategias de aplicación de recursos de supresión para incendios forestales con
modelos de respuesta estandar, basado en escenarios.

Por otro lado para modelos de programación estocástica por etapas, Ntaimo, Galle-
go Arrubla, Stripling, Young y Spence [7] proponen un modelo de respuesta estandar
estocástico de programación de enteros por dos atapas, con el fin de contener la mayor
cantidad posible de incendios a la vez que se minimizan los costos de alquiler y renta
fija, además de los costos operacionales futuros esperados. De igual manera, Suarez,
Gomez, Medaglia y Akhavan [4] proponen un modelo estocástico enfocado en la supre-
sión de incendios forestales mediante un pre-posicionamiento y distribución de recursos
bajo incertidumbre. Ellos se centran en dos etapas: el primero considera las desiciones
de ubicación, cantidad de instalaciones, asi como la cantidad de recursos necesarios
para contener los incendios. Para la segunda etapa se decide la distribución de pre-
posicionamiento de recursos, además de los costos de exceso o escasez de inventario;
La modelación del problema es con un gráfico de tiempo expandido.

Para modelos de optimizacion con simulación, Morales y Valencia [8] proponen un

metamodelo krigging para una ubicación óptima de un conjunto de barreras consi-
derando resultados históricos de simulaciones anteriores relacionando escenarios, para
este trabajo, se supuso barreras lineales.

Ahora bien, para trabajos con aplicaciones de metaheurı́sticas, la mayorı́a usan

algoritmos genéticos. Por ejemplo, HomChaudhuri y Kumar [9] proponen un algorit-
mo genético basado en Simulación-Optimización para controlar incendios forestales.
Él desarrolló dos modelos de simulación, el primero bajo supuestos homegéneos y el

2
segundo bajo supuestos heterogéneos. La diferencia radica en que para el modelo ho-
megéneo, el terreno, la velocidad del viento y el aspecto de cada punto del terreno
son constantes. Ahora bien, la tasa de propagación de fuego depende de estos tres
factores, por lo tanto para un modelo homogeneo esto serı́a contante; Sin embargo,
en la vida real no hay terrenos constantes y mucho menos cada punto del terrero es
igual. Por esta razón, el autor propuso un modelo heterogéneo con puntos de terreno
diferentes, además de la variabilidad del viento. Luego para cada modelo, implementó
un algoritmo genético con diferentes métodos de selección, crossover y mutación.

3. Marco teórico
A continuación se presenta una breve explicación de BFOA.

3.1. Bacterial Foraging Optimization Algorithm

BFOA es un algoritmo propuesto por Passino [10]. Es una metaheurı́stica inspirada
en el comportamiento quimitáctico de las bacterias que perciben gradientes quı́micos en
el ambiente, como nutrientes o sustancias nocivas. Las bacterias se mueven de acuerdo
a sustancias que segregan las demás bacterias, es ası́ como determinan su direcciñon.
Estas sustancias provocan una señal en la bacteria que le permite percibir si la di-
rección que esta tomando es adecuada (nutrientes) o perjudicial (sustancias nocivas)
[11]. Estas bacterias tienen tres pasos principales en su comportamiento de forrejeo:
movimiento de giro y nado, reproducción y eliminación-dispersión[12].

La mayorı́a de ejemplos a cerca de la implementación de este algoritmo son con

problemas continuos, sin embargo puede ser transformado para problemas combina-
torios. Siendo ası́, para cualquiera de los dos casos, la bacteria se define como una
posible solución del problema de estudio. De acuerdo a los tres pasos principales del
comportamiento de bacterias mencionados anteriormente, el movimiento de giro y na-
do, es un pequeño cambio en cada una de las bacterias con el fin de determinar nuevas
soluciones. Esto puede ser de manera aleatoria, o generando cambios con caracterı́sti-
cas de la mejor bacteria de la población, determinada por los nutrientes obtenidos;
Sin embargo, estos cambios depende del tipo de problema, de su codificación y de la
manera de evaluar una bacteria. En el paso de reproducción, usualmente se elimina
la mitad de las bacterias con peor función objetivo y luego se crea el mismo número
de forma aleatoria, para mantener una población constante. Finalmente, para el paso
de eliminación-dispersión de acuerdo a una probabilidad pi para cada bacteria i que
pertenece a la población, se elimina la bacteria y se crea una nueva, de forma aleatoria
o con un patron establecido.

Es ası́ como se establecen los parámetros del BFOA:

3
 Cuadro 1: Parámetros
Nb : Número de Bacterias.
Nc : Lı́mite del paso quimiotáctico o movimiento de giro y nado.
Ns : Lı́mite del paso de nado.
Nre : Lı́mite del ciclo de reproducción.
Ned : Lı́mite del ciclo de Eliminación-Dispersión (Generaciones).
Ped : Probabilidad de Eliminación-Dispersión.

Ahora bien, este método consiste en definir la población inicial de bacterias, donde
cada bacteria representa una solución del problema de estudio. Luego evaluar cada
bacteria/solución con una función Fitness que retorna el valor de la función objetivo
de cada bacteria. Posteriormente se inicializan los contadores de Ned , Nre y Nc . Para la
primera generación o para el primer paso de eliminación-dispersión, se realizan Nc pa-
sos quimiotácticos. Para cada paso quimitáctico y cada bacteria se realizan Ns nados.
Luego se hacen Nre reproducciones y finalmente se realiza el paso de Eliminación-
Dispersión de acuerdo a la probabilidad Ped de eliminacion que tiene cada bacteria. Y
ası́ iterativamente hasta que el número de generaciones sea igual a Ned .

El pseudocodigo es el siguiente:

Algorithm 1 BFOA
1: Inicialización de parámetros.
2: Generar una población inicial aleatoria Bi ∀i, i = 1, ..., Nb
3: Evaluar cada bacteria: f (Bi ) ∀i, i = 1, ..., Sb
4: for all l = 1 to Ned do
5: for all k = 1 to Nre do
6: for all j = 1 to Nc do
7: for all i = 1 to Nb do
8: Implementar el paso quimiotáctico (movimiento de giro y nado) para la
bacteria Bij l , bacteria i, paso quimiotáctico j y generación l. los nados
se limitan por Ns
9: end for
10: end for
11: Implementar el paso de reproducción. Eliminar la mitad de las bacterias con
peor función objetivo y crear el mismo número aleatoriamente.
12: end for
13: Realizar el paso de eliminación-Dispersión
14: end for

El éxito del algoritmo depende de la combinación entre métodos de intensificación

y exploración del espacio de busqueda factible, debido a que si hay bastante intensifica-
ción, el algoritmo caerı́a facilmente en un óptimo local. Por otro lado si hay demasiada
exploración, hay saltos excesivos en el espacio, con poca probabilidad de encontrar una

4
buena solución.

4. BFOA para el posicionamiento de barreras

La problemática principal de nuestro estudio es minimizar el daño esperado por
diferentes puntos de ignición para una superficie especı́fica. Para llegar a un buen re-
sultado, se decidió implementar barreras en el bosque de manera estratégica, con el fin
impedir la propagación del fuego. La ubicación de cada una de las barreras se determi-
nará con la metaheuritica BFOA. Sin embargo, para decidirlo, es necesario comparar
varias soluciones. Es por esto que se desarrolló un simulador de propagación de fuego
con el fin de evaluar cada solución generada por BFOA.

Por su parte, para la implementación de este modelo, la superficie de estudio debe

ser discretizada, con el fin de asignar a cada punto propiedades de altura. Por ejemplo,
si la superficie que sé analizara es la Figura 1:

Figura 1: Superficie de estudio.

la discretización serı́a la siguiente:

Figura 2: Curvas de nivel de la superficie Figura 3: Discretización de la superficie

5
 En la Figura 3 cada punto tendrı́a un valor de altura, de acuerdo a las curvas de
nivel de la figura 2.

Además de la propiedad de altura, se asignó una propiedad vegetación a cada

punto.
Ahora bien, dado que el problema de posicionamiento de barreras es combinato-
rio, es necesario adaptar cada uno de los conceptos de BFOA, definiendo:¿Cómo esta
conformada una barrera?,¿Qué es una bacteria/solución?, ¿Cómo se evalua una bacte-
ria?,¿Cómo es el sistema de reproducción?, ¿Cuál es la dinámica del paso quimitáctico
para una bacteria? y ¿Cómo es el paso de eliminación-dispersión?.

4.1. ¿Cómo esta conformada una barrera?

Una barrera es un mecanismo de control de incendios que consiste en remover la
vegetación de cierto espacio del bosque. Para este modelo, la barrera es establecida en
un espacio discreto de la superficie. Igualmente, una barrera tiene longitud, un ancho
y una dirección preferencial. Estos tres aspectos son definidos, de acuerdo a la super-
ficie de estudio y al presupuesto. El ancho será constante, la longitud puede variar
respecto a un valor mı́nimo y máximo, este valor es representado como el número de
puntos discretizados de la superficie que conforman la barrera. Por último, el estilo de
barrera puede ser lineal o tener en cuenta las curvas de nivel de la superficie estudiada.

Para un estilo de barrera lineal, se necesita una dirección preferencial, el cual es un

número aleatorio entre (1, 4) y un punto (x, y) ubicado en la superficie discretizada,
este punto será el centroide de la barrera. Por ejemplo:

Figura 4: Punto Figura 5: Sı́ el Figura 6: Sı́ el

(x,y) con 4 po- número aleatorio número aleatorio
sibles direcciones es 1, la dirreción es 2, la dirreción
preferenciales preferencial es: preferencial es:

De acuerdo al ejemplo de la figuras 4, 5 y 6 hay cuatro posibles direcciones prefe-

renciales, dos diagonales, vertical y horizontal. Un ejemplo de barreras lineales en una
superficie discretizada y con longitud de 23 serı́a el siguiente:

6
 Figura 7: Superficie con barreras lineales.

Ahora bien, para un estilo de barrera que tenga en cuenta las curvas de nivel y
una dirección preferencial, hay un punto (x, y), en donde comenzará la estructura de
la barrera. A partir de este punto, la barrera se conformará con una probabilidad p1
hacia la dirección preferencial y con una probabilidad (1 − p1 ) hacia la curva de nivel.
Por ejemplo:

Figura 8: Paso 1 Figura 9: Paso 2 Figura 10: Paso 3

Paso 1: Primero de define el punto (x, y) que va ser la posicición que tiene el
valor de 1 en la Figura 8. Luego se determina la dirección preferencial de la barre-
ra, para este caso, el número aleatorio fue 3, entonces la dirección es diagonal.
 Para
la parte superior de la diagonal, la posición 1 puede escoger entre la a,b,c . En-
tonces se calcula la diferencia de alturas entre la posición 1 y las posibles posiciones
nuevas, determinando la menor diferencia. Ahora bien, si la menor diferencia fue b.
Hay la posibilidad (bajo una probabilidad p1 ) de escoger a, por ser la ubicación de
dirección preferencial o con una probabilidad 1 − p1 de escoger b de acuerdo a las
curvas de nivel. Para este caso se escogió a. Luego se realiza
el mismo procedimiento
con la parte inferior de la diagonal, se escoge entre d,e,f . Para esta parte se escogió f.

Paso 2: Ahora, con los nuevas posiciones escogidas en el paso 1, se realiza el mismo
procedimiento, en donde las nuevas partes de la barrera tiene la región de decisión
según la dirección preferencial.

7
 Paso 3: Finalmente la barrera queda conformada según una dirección preferencial
y curvas de nivel. Para este caso, en la parte superior de la diagonal se escogió b, y en
la parte inferior se escogió d.

Un ejemplo de barreras conformadas por direcciones preferenciales y curvas de ni-

vel es la Figura 11:

Figura 11: Superficie con barreras conformadas por direcciones preferenciales y curvas de nivel.

4.2. ¿Qué es una bacteria/solución?

Por su parte, para este problema, una solución o bacteria está representada por el
posicionamiento de n barreras con estructura no lineal. La población de bacterias se
expresa de la siguiente manera:
 
N = b1 , b2 , b3 , ..., bn (1)

donde le número de bacterias es de n. Por otro lado, las barreras por cada bacteria
i es expresado ası́:  
bi = r1 , r2 , r3 , ..., rv (2)
donde v es el número de barreras por la bacteria i. Ahora, cada barrera es expresa de
la siguiente manera:
rj = xj , yj , d~
 
(3)
donde xj y yj es el centroide de la barrera j. d~ es un vector. Cada posición del vector
es un punto (x, y) en donde se removió vegetación y hace parte de la barrera j. El
vector de una barrera rj es expresado ası́:

d~ = (x1 , y1 ), (x2 , y2 ), (x2 , y2 ), ..., (xw , yw )

 
(4)

donde w es el número de puntos discretizados asignado a la barrera, se puede percibir

como la longitud de la barrera.

A continuación se presenta un ejemplo de 3 bacterias , cada una con cinco barreras

~
y su correspondiente vector d:
8
 Figura 12: Tres bacterias, cada una con cinco barreras.

Para este modelo, el número de barreras por bacteria es dinámico, con un número
mı́nimo de barreras y un número máximo.

4.3. ¿Cómo se evalua una bacteria?

Para la evaluación de una bacteria se usó un simulador de propagación de fuego,
ya que puede medir el efecto que tiene las barreras, mediante el daño total causado en
el bosque, de acuerdo a un conjunto de puntos de ignición establecidos. Cada punto
de ignición tiene una probabilidad p de ser activado. Finalmente la función F itness o
F.O, será un valor esperado de los puntos no quemados en la superficie de un número
n de simulaciones, teniendo en cuenta un costo fijo por barrera creada.

El simulador tiene cuatro caracteristicas principales: el tiempo es discreto, tiene

en cuenta la vegetación, la diferencia de elevación entre puntos y de acuerdo a estos
dos, un tiempo tij de quema para cada punto discretizado en la posición i y j de la
superficie. Este tiempo es asignado solo si quema ese punto. Por cada punto de quema
la propagación es de la siguiente forma:

Figura 13: t Figura 14: t + 1 Figura 15: t + 2

Figura 16: t + 3

Paso t: En la Figura 13 se escoge un punto de quema (x, y), este punto después de
un tiempo f se quema por completo, luego se propaga a sus cuatro lados adyacentes,
(x + 1, y), (x, y − 1), (x + 1, y) y (x, y + 1). Cada uno de los puntos adyacentes tiene una
probabilidad de aceptación de ser quemado; Esta probabilidad depende de la diferencia

9
de elevaciones y de la vegetación. Cuando hay gran vegetación hay mayor probabili-
dad de quema, igualmente sı́ la elevación del punto adyacente es mayor. De la misma
manera, Sı́ hay poca vegetación, hay menor probabilidad de quema e igualemente si
el punto tiene menor elevación. Los incendios se propagan con mayor velocidad a ma-
yores pendientes. Finalmente, de acuerdo a la vegetación y diferencia de elevación de
un punto adyacente a el punto (x, y), se genera una nueva probabilidad, que mediante
un número aleatorio entre 0 y 1, se comparan. En el caso en que el número aleatoria
sea menor a la nueva probabilidad, se quema el punto, de lo contrario no se quema.

Paso t + 1: Para este caso se aceptó la quema de los puntos (x − 1, y), (x, y − 1) y
(x + 1, y). Ahora bien, cuando se decide los nuevos puntos de quema, es asignado un
tiempo de quema para cada uno de acuerdo a sus atributos de elevación y vegetación.
Si suponemos que el punto (x − 1, y) tiene una un tiempo de quema de t y los demás
de 2t. En t + 1 el punto (x − 1, y) ya estará quemado.

Paso t + 2: Para este tiempo, el punto (x − 1, y) se encuentra quemado y los demás

puntos, es decir, (x, y − 1) y (x + 1, y) llevan solo un tiempo t de quema, hace falta
otro tiempo para que esten totalmente quemados.

Paso t + 3: Para el punto que esta quemado completamente se realiza el mismo

procedimiento que se hizo con el punto (x, y). Se define una probabilidad de quema
para sus puntos adyacentes que no se encuentren en quema o ya quemados. Para este
tiempo, los puntos (x, y − 1) y (x + 1, y), ya estarı́an quemados; En el tiempo t + 4 se
realizarı́a este mismo procedimiento con los nuevos puntos quemados.

Un ejemplo de la dinámica del simulador con barreras lineales es el siguiente:

Figura 17: Comienza el incendio con ba- Figura 18: Propagación del incendio con
rreras lineales. Punto rojo es el punto de barreras lineales. Punto rojo es el punto
ignición, puntos negros son la propaga- de ignición, puntos negros son la propa-
ción y las barreras gación y las barreras

Finalmente el diagrama de flujo para la evaluación de una bacteria es el siguiente:

10
 Figura 19: Diagrama de flujo

Como input, es la bacteria con la información de cada una de sus barreras. Luego se
simula la cantidad de veces estipulada, para finalmente retornar como valor de Fitness
un valor esperado de los puntos no quemados.

4.4. ¿Cómo es el sistema de reproducción?

Ordenar el conjunto de bacterias de la generación o del paso de eliminación-
Dispersión. De acuerdo a función objetivo, eliminar la mitad de bacterias con peor
función objetivo. Luego, completar la población con nuevas bacterias. Las posiciones
y direcciones preferenciales de las barreras serán aleatorias para cada barrera.

4.5. ¿Cuál es la dinámica del paso quimitáctico para una bacteria?

La dinámica del paso quimitáctico de una bacteria es crear una nueva bacteria
con los mismos puntos (x, y) de cada una de las barreras de la bacteria antigua, pero
con direcciones prefenrenciales diferentes. Luego se evalua con el simulador esta nueva
bacteria. Sı́ el valor de la función objetivo es mayor que la de la bacteria antigua, esta se
elimina, y se cambia por la nueva. De lo contrario se elimina la nueva y permanecemos
con la antigua.

4.6. ¿Cómo es el paso de eliminación-Dispersión?

Para el paso de eliminación-dispersión, todas las bacterias tienen probabilidad de 1
de sobrevivir. Como no se elimina ninguna bacteria en este paso, no se tiene en cuenta
este procedimiento en el siguiente pseudocódigo.

11
4.7. Pseudocódigo del BFOA aplicado al posicionamiento de barreras

Algorithm 2 BFOA con posicionamiento de barreras

1: cargar datos
2: discretización de superficie
3: Inicialización de parámetros.
4: Generar una población inicial aleatoria θ(1, i) ∀i, i = 1, ..., Sb , Generación 1
5: f itness1i =simulador (θ(1, i) ) ∀i, i = 1, ..., Sb , en la generación 1.
6: for all l = 1 to Ned do
7: for all k = 1 to Nre do
8: for all j = 1 to Nc do
9: for all i = 1 to Sb do
10: θ(l, i)0 = nueva bacteria con la misma posición (x, y) de cada barrera co-
rrespondiente a la bacteria θ(l, i). Con direcciones preferenciales diferen-
tes.
11: nuFO= simulador(θ(l, i)0 )
12: if nuFO > f itnessli then
13: θ(l, i)= θ(l, i)0
14: end if
15: end for
16: end for
17: reproducción()
18: end for
19: end for

5. Resultados
En esta sección se prsentan los resultados de implementar este algoritmo en dos
instancias, una teórica y una real. Se explica la fuente de los datos, una gráfica que
expone la mejora de las bacterias y la posición de las barreras de acuerdo a unos puntos
de ignición.

5.1. Instancia teórica

Se determinó una función de superficie con un comportamiento montañoso, con el
fin se evaluarla y determinar el funcionamiento del algortimo apra cualquier superficie
boscosa.

5.1.1. Fuente de los Datos

El algotimo fue implementado en una instancia teórica, con la siguiente función de
superficie:

f (x, y) = cos(x)sin(y)ln(x ∗ y + ((D)2 ) + 1) + cos(x)ln(y + (D) + 1) − sin(y) (5)

D hace referencia a la dimensión del problema trabajado, para este caso, se dis-
cretizó en una grilla 100 x 100, donde cada punto tiene un propiedad de elevación y
vegetación. Cada punto tiene 100m2 . Gráficamente la función 8 se expresa en la figura

12
1. Para esta instancia se determinaron tres puntos de ignición de incendios, cada uno
con la misma probabilidad.

5.1.2. Resultados instancia teórica 

Luego de correr el modelo, con una longitud de barrera
entre 10,11,12,13,14,15
puntos, número de barreras entre 10,11,12,13,14,15 , número de bacterias 5, número
de generaciónes de 15 y nùmero de pasos quimiotàcticos por bacteria de 2; el proceso
de cada generación se presenta en la figura 20. Se graficó por generación la bacteria
con mejor función objetivo, la bacteria con menor función objetivo y el promedio de
las F.O de la población de bacterias.

Figura 20: Resultados: Máximos, mı́nimos y promedios

En la figura anterior, es evidente la mejora en la función objetivo de la mejor bac-

teria, a medida que aumentan las generaciones. Igualmente, hay una mejora en cada
bacteria por generación, ya que los promedios tienden a ser ascendentes. Ahora bien,
el comportamiento de la peor bacteria por generación, puede aumentar o disminuir
por el componente de exploración que tiene la metaheurı́stica BFOA.

La ubicación de las barreras es la siguiente de acuerdo a tres puntos de ignición:

Figura 21: Posicionamiento de barreras

13
5.2. Instancia Real
5.2.1. Fuente de los Datos
El algoritmo fue implementado en una instancia real. Decidimos tomar una región
de bogotá, la cual incorpora los cerros y una parte de la ciudad. Esto debido a que en
los últimos años, los cerros de Bogotá han sido victima de varios incendios, afectando
ecosistemas y recursos.

El área es rectangular, donde cada extremo son determinados con puntos de la-
titud y longitud. Los puntos son: 1: (−74,2, 4,5), 2:(−73, 95, 4,5), 2: (−74,2, 4,48) y
3:(−73, 95, 4,48). Posteriormente, se discretizó el espacio en 2500 puntos (50x50) y con
un api de google se guardaron los datos de elevación de cada uno de los puntos. La
figura de esta discretización es la siguiente:

Figura 22: Superficie real discretizada

Ahora bien, una de las propiedades que tiene el simulador es tener en cuenta las
diferencias de altura que hay entre dos puntos discretizados de un terreno en especı́fico.
Para esta instancia evaluada, fue necesario realizar un suavizamiento de su superficie,
ya que esta fue una discretización de un terreno de bogotá, y al tomar la elevación
del punto central del espacio de cada discretización, las diferencias entre alturas de
dos puntos discretizados eran muy elevadas y las deciciones de quemar o nó, un punto
particular, no se asemejan a la realidad . El comportamiento de las diferencias en ele-
vación de dos puntos discretizados en la superficie debe ser más continuo, esta es una
propiedad que la figura 22 no presenta. La superficie suavizada es la siguiente:

14
 Figura 23: Superficie real suavizada

Debido a la suavización, los valores de elevación de cada punto discretizado se

tranforma a un nuevo valor por punto. Sin embargo, la estructura entre la superficie
discretizada inicial y la suavizada es el mismo, como es evidente en la figura 22 y 23.
Los valles y cada montaña, entre pendientes y curvas son muy parecidas.

La suavización se realizó usando un algoritmo de backfitting combinando diferen-

tes métodos de ajuste y suavizado. Los mñetodos fueron regresión local y splines de
suavizado.

5.2.2. Resultados instancia real

El algotimo fue implementado con los datos de la suavización. Para esta instan-
cia se determinaron cuatro puntos de ignición de incendios, cada uno con la misma
probabilidad. Sin embargo, a diferencia de la instancia teórica, esta superficie tiene
incorporado una parte urbana; Esto es evidente en la parte plana de la figura 23. Es
ası́ como cada punto de ignición será cercano a la ciudad y la creación de las barreras
será en puntos donde hay vegetación, no en la ciudad. A continuación, se presenta la
región urbana.

15
 Figura 24: Región urbana sombreada de
negro


Luego de correr el modelo,
 con una longitud de barrera entre 6,7,8,9 puntos,
número de barreras entre 4,5,6,7 , número de bacterias 7, número de generaciónes
de 20 y nùmero de pasos quimiotàcticos por bacteria de 2; Al igual que con la instan-
cia teórica graficamos los máximos, mı́nimos y promedios del comportamiento de las
bacterias por generación:

Figura 25: Resultados: Máximos, mı́nimos y promedios

En la figura anterior, es evidente la mejora en la función objetivo de la mejor bac-

teria a medida que aumentan las generaciones. Igualmente, hay una mejora en cada
bacteria por generación, ya que los promedios tienden a ser ascendentes y el comporta-
miento de la peor bacteria puede aumentar o disminuir por la exploración que realiza
el algoritmo BFOA.

La ubicación de las barreras y de los puntos de ignición es:

16
 Figura 26: Posicionamiento de barreras

6. Conclusiones
Se implementó la metaheurı́stica Bacterial Foraging Oprimization Algorithm para
decidir el posicionamiento de barreras corta fuego son el objetivo de minimizar el valor
esperado de los daños en la superficie, de acuerdo a un número de barreras con un
costo fijo asignado. Este objetivo se logró mediante tres decisiones: posicionamiento
estratégico de barreras teniendo en cuenta curvas de nivel, longitud de cada barrera
y número de barreras. La metaheurı́stica implementada permitió encontrar soluciones
adecudas, debido a su comportamiento de exploración e intensificación del espacio. La
exploración es evidente en los pasos de reproducción por su aleatoiedad; y el compor-
tamiento de intensificación en los pasos quimitácticos del algoritmo, ya que, una nueva
bacteria es definida por los puntos (x, y) de las barreras correspondientes a la bacteria
antigua. La combinación entre estos dos tipos de busqueda fue acertada. Finalmente,
Se analizaron dos instancias, una teórica y una real. En la teórica hubo una reducción
del daño en el bosque de 15 % y en la instancia real hubo una reducción del daño en
20 %.

7. Trabajo futuro
Como trabajo futuro, en primer lugar se propone realizar la calibración de paráme-
tros para cada una de las instancias, mediante diseño de experimentos. Igualmente,
plantear un algoritmo hibrido con Algoritimos Genéticos o busqueda Tabu, usando
nuevos métodos de exploración e intensificación del espacio. Por último, comparar
resultados con sotfwares profesionales de propagación de incendios.

8. Agradecimientos
Agradezco a mis padres y a mi asesor Ivan Mura por apoyarme en el proceso de
este trabajo. Igualmente a la Universidad de la Andes por los espacios brindados y
ayudas durante el semestre. Finalmente, agradezco a Juan J. Diaz por apoyarme en la
descarga de los datos de la instancia real.
17
9. Referencias
[1] Bordón, O. E., & Bordón, O. E. (2014). Los desastres naturales y
la sociedad. Revista Médica Electrónica, 30(4), 518–525. Retrieved from
http://www.revmedicaelectronica.sld.cu/index.php/rme/article/view/529

[2] The publication of the Report was sponsored by the Sta-

te Fire Academy of Emercom of Russia. (n.d.). Retrieved from
http://www.ctif.org/sites/default/files/ctif report22 world fire statistics 2017.pdf

[3] Bomberos de Navarra. (n.d.). Técnicas de intervención. Retrieved from

http://www.bomberosdenavarra.com/documentos/ficheros documentos/1 forestal3.pdf

[4] Suarez, D., Gomez, C., Medaglia, A., & Akhavan-Tabatabaei, R. (2016). A Sto-
chastic Programming Approach for Wildfire Suppression : Pre-positioning and Dis-
tribution of Resources Under Uncertainty, (2009).

[5] Donovan, Rideout, G. H., & Douglas B. (2003). An integer pro-

gramming model to optimize resource allocation for wildfire contain-
ment. Forest Science, 49(2). Retrieved from https://search-proquest-
com.ezproxy.uniandes.edu.co:8443/docview/197638263/fulltextPDF/B9DB88DA-
2F5D47B7PQ/1?accountid=34489

[6] Haight, R. G., & Fried, J. S. (2007). Deploying Wildland Fire Suppression Resour-
ces with a Scenario-Based Standard Response Model. INFOR: Information Systems
and Operational Research, 45(1), 31–39. https://doi.org/10.3138/infor.45.1.31

[7] Ntaimo, L., Arrubla, J. A. G., Stripling, C., Young, J., & Spencer,
T. (2012). A stochastic programming standard response model for wildfire
initial attack planning. Canadian Journal of Forest Research, 42(6), 987–1001.
https://doi.org/10.1139/x2012-032

[8] Zamora, G. A. M., Valencia, C. F. (2016). Fuel Treatment Barrier Allocation using
a Krigging Metamodel, 1–16.

[9] Homchaudhuri, B., & Kumar, M. (2010). UNIVERSITY OF CINCINNATI Ge-

netic Algorithm based Simulation-Optimization for Fighting Wildfires. Retrie-
ved from https://etd.ohiolink.edu/!etd.send file?accession=ucin1277133039disposi-
tion=inline

[10] Passino, K. M. (2002). Biomimicry of bacterial foraging for distributed

optimization and control. IEEE Control Systems Magazine, 22(3), 52–67.
https://doi.org/10.1109/MCS.2002.1004010

[11] Brownlee, J. (n.d.). Bacterial Foraging Optimization Algorithm - Clever Algo-

rithms: Nature-Inspired Programming Recipes. Retrieved November 27, 2017, from
http://www.cleveralgorithms.com/nature-inspired/swarm/bfoa.htmlMuller2002

[12] Ocaña, B. H. H., Mezura-Montes, E., de los Santos Torres, M. C. G. C. G.,

Bosquez, M. C. O. A. C. (2009). Adaptación Del Forrajeo De Bacterias Para Re-
solver Problemas De Optimización Con Restricciones. Lania.Mx. Retrieved from
http://www.lania.mx/ emezura/util/files/thesis Betania.pdf.gz
18