Edwin Pino Vargas, Ph.D.

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN, Tacna, Perú

Charles Darwin, El origen de las especies (1859)

Fuente: Pino et al., 2016


Reproducción : Mediante Mutación: Se produce cuando
ocurre un error en la copia del
este mecanismo se
material genético durante la
asegura que el material
reproducción. Pueden resultar
genético se herede de
mutaciones benéficas donde el
una generación a otra.
organismo se adapta mejor a su
medio.
Neo-darwinismo
Competencia: Es un proceso
Selección: Los organismos más
natural, en la que los organismos
aptos, tendrán más oportunidad
tienen una lucha continua por
de sobrevivir y por ende de
sobrevivir y heredar su código
reproducirse.
genético a otra generación.
 Por tanto, los algoritmos multiobjetivo introducen el operador
de Dominancia, el cual define que una solución 𝑥1 domina otra
solución 𝑥2 si se cumplen las siguientes condiciones (Peñuela &
Granada, 2007):

La solución 𝑥1 no es de menor calidad que 𝑥2

en todos los objetivos.

La solución 𝑥1 es estrictamente mejor

Fuente : Luque Gonzáles, G. (2013). Diseño
que en al menos uno de los objetivos
Multiobjetivo de un sistema de abastecimiento
de agua incluyendo la cosecha de agua de
lluvia como recurso complementario. Valencia,
Universidad Politécnica de Valencia, España.
𝒇𝟐
Frente de pareto

En la optimización con objetivos múltiples no existe una

solución óptima única, sino un conjunto de soluciones no
E dominadas, para las cuales no existen soluciones mejores
en todos los objetivos del problema”. (Pareto, 1986).

D C

Fuente: Luque Gonzáles, G. (2013). Diseño

Multiobjetivo de un sistema de abastecimiento
de agua incluyendo la cosecha de agua de
lluvia como recurso complementario. Valencia,
Universidad Politécnica de Valencia, España.
 ALGORITMOS GENÉTICOS APLICADOS AL DISEÑO DE REDES

MODELO INICIAL 1 1 APAREAMIENTO

1
2 2
3 2 3 2

3 3

GENERACIÓN
4 4

33 33
26 25 4 26 25 4

32 34 32 34
30 31 30 31
24 23 22 24 23 22

10 10
29 5 11 29 5 11
27 28 5 27 28 5
22 22
21 6 11 21 6 11

24 6 24 6
26 25 23 12 26 25 23 12
20 19 18 7 12 20 19 18 7 12

7 13 7 13

14 15 14 15
35 8 15 13 35 8 15 13

8 16 17 8 16 17

36 18 19 39 36 18 19 39
27 9 16 14 30 27 9 16 14 30

9 20 9 20

37 21 38 37 21 38
28 10 17 29 28 10 17 29

SELECCIÓN CRUZAMIENTO 1

CRUCE

1
2
3 2

33
26 25 4

32 34

MUTACIÓN 1 MUTACIÓN 2
30 31
24 23 22

APAREAMIENTO
10
1 29 5 11 1
27 28 5
22
21 6 11

24 6

1
26 25 23 12
20 19 18 7 12

7 13
2 2
3 2 3 2
14 15
35 8 15 13

MUTACIÓN
8 16 17
3 3

36 18 19 39
27 9 16 14 30

9 20
4 4
37 21 38
28 10 17 29

33 33
26 25 4 26 25 4

32 34 32 34
30 31 30 31
24 23 22 24 23 22

10 10
29 5 11 29 5 11
27 28 5 27 28 5
22 22
21 6 11 21 6 11

24 6 24 6
26 25 23 12 26 25 23 12
20 19 18 7 12 20 19 18 7 12

ÓPTIMO
REPRODUCCIÓN
7 13 7 13

14 15 14 15
35 8 15 13 1 35 8 15 13

8 16 17 8 16 17

1
36 18 19 39 36 18 19 39
27 9 16 14 30 27 9 16 14 30

9 20 9 20
2
3 2
37 21 38 37 21 38
28 10 17 29 28 10 17 29

33
26 25 4

32 34
30 31
24 23 22

10
29 5 11
27 28 5
22
21 6 11

SELECCIÓN
24 6

SELECCIÓN
26 25 23 12
20 19 18 7 12

7 13

14 15
35 8 15 13

8 16 17

36 18 19 39
27 9 16 14 30

9 20

37 21 38
28 10 17 29

PROCESO DE SELECCIÓN NATURAL SIMULADO EN LOS ALGORITMOS GENÉTICOS.

 INICIO

Comenzar población inicial P.

Crear población externa Pte.

Evaluación de los
individuos de P.

Actualizar población no
dominada Pte.

Calcular fitness de P. y Pte.

..
.
Selección de individuos de
la población para el
cruzamiento

Aplicar cruzamiento

FIN
Mircro Algoritmo Genético Multiobjetivo
Algoritmo Evolutivo Multiobjetivo de frente de Pareto Fuente: Valle y Pino (2014). Optimización del
Diseño de Redes de Distribución de agua
Fuente: Adaptado de Zitzler & Thiele (1999). potable, usando algoritmos genéticos con tres
funciones objetivo. Caso: Viñani-Tacna. (Tesis
de Pregrado de la UNJBG). Tacna, Perú.
 # Soluciones = 𝑁ú𝑚𝑒𝑟𝑜𝐷𝑖á𝑚𝑒𝑡𝑟𝑜𝑠 𝑁𝑢𝑚𝑒𝑟𝑜𝑇𝑢𝑏𝑒𝑟í𝑎𝑠

𝑵𝑫𝑵𝑻 = 𝟖𝟏𝟑𝟗= 3.38x𝟏𝟎𝟏𝟐𝟓

Fuente: Valle y Pino 2014 Optimización del Diseño de Redes de Distribución de

agua potable, usando algoritmos genéticos con tres funciones objetivo. Caso:
Viñani-Tacna. (Tesis de Pregrado de la UNJBG). Tacna, Perú.
 Método Del Gradiente

Método de la Teoría Lineal

Todini y Pilati
1987. Según J.
D.J. Wood y C.O.A. Saldarriaga 1998,
Método de Newton Raphson Charles entre 1970 garantía de
y 1972, basado en conservación de
la linealización de masa en cada
D.W.Martin y G. Peters, las ecuaciones de nudo y
1962 y 1963, método energía, requiere conservación de
numérico para solución matrices e energía en cada
de ecuaciones no iteraciones circuito de la red
Método de Hardy Cross lineales, por métodos
iterativos
Ing. Norteamericano H.
Cross 1936, método de
comprobación de
diseño

Fuente: Pino et al., 2016

 1.5x𝟏𝟎−𝟔 m
Mediante el análisis dimensional y su fundamento en las
ecuaciones de la física clásica (𝐹Ԧ = 𝑚. 𝑎) que es la ecuación de
resistencia fluida más general que existe.
Saldarriaga, J. (2007). Hidráulica de Tuberías. Bogotá: Alfaomega.
1.4x𝟏𝟎−𝟔 𝒎𝟐 /𝒔

10 m.c.a
In matrix form the problem can be formulated as follows (Todini, 1987):

Ecuaciones:
Conservación de energía
Continuidad
http://www.epa.gov/nrmrl/wswrd/dw/epanet.html
DATOS BÁSICOS PARA EL MODELAMIENTO

COMPONENTES FISICOS
Los datos básicos para la elaboración de un modelo de redes de agua para abastecimiento
poblacional, están referidos a datos y componentes físicos y no físicos.
COMPONENTES NO FISICOS
Los no físicos están referidos a CURVAS, patrones y controles.
REPRESENTACIÓN DE DIFERENTES TIPOLOGÍAS DE DEPÓSITOS MEDIANTE EL MODELO
EPANET
GradienteVinani.m

MetodoGradiente.m
CalcCosto.m

CalcConfiabilidad.m

AlgoritmoGeneticoa.m

AlgoritmoGeneticop.m

RUTINAS ELABORADAS PARA DESARROLLAR LA METODOLOGÍA

PROPUESTA DE LOS ALGORITMOS GENÉTICOS MULTIOBJETIVO.
ÍNDICE DE RESILIENCIA (IR) COEFICIENTE DE CONECTIVIDAD
σ𝑛𝑢 ∗
𝑗=1 𝐶𝑗 𝑄𝑗 ሺ𝐻 𝑗 − 𝐻𝑗 ቁ
𝐼𝑅 =
σ𝑛𝑒 𝑛𝑢
𝑖=1 𝑄𝑒 𝐻𝑒 − σ𝑗=1 𝑄𝑗 𝐻𝑗
∗

𝐼𝑅´ = 1 − 𝐼𝑅
Siendo:
Ir : Índice de Resiliencia
Cj : Coeficiente de conectividad del nodo j.
Cj : Coeficiente de conectividad
NT : Numero de tuberías que llegan a un nodo en particular j.
Qj : Caudal demandado en cada nudo
Di : Diámetro de tubería que llega a un nodo en particular j.
Qe : Caudal entregado por el reservorio
máxDi : Máximo diámetro que llega a un nodo en particular j.
He : Altura piezométrica del reservorio
Hj : Altura piezométrica real
Hj* : Altura piezométrica ideal
un : Número de nudos
ne : Número de reservorios
 Curva: Función objetivo de costo para
tubería con relación al diámetro comercial.

Según Mendoza & Saldarriaga (2010)

Los costos de infraestructura para redes de

tuberías a presión están compuestos
por 2 rubros principales:
1. El primero de ellos es el costo de
las tuberías y sus accesorios, el cual 𝑁𝑇
varía exponencialmente con el 𝐾2
𝐶𝑇 = ෍ 𝐾1 𝐿𝑖 𝐷𝑖
diámetro de la tubería. 𝑖=1
2. El segundo corresponde a los Fuente: Valle (2014)
costos de instalación. Estos también CT = Costo total de la red.
varían exponencialmente con el K1 = Constante en unidades monetarias.
diámetro de la tubería, pero no tan Li = Longitud de la tubería en particular. 𝐶𝑇 = 0,01𝑥 1,6948
bruscamente como en el caso del Di = Diámetro de una tubería en particular.
costo de la tubería. K2 = Constante adimensional.
nt = Número de tuberías de la red.
 Dado un trazado de la red y unas demandas en los nodos de consumo

Encontrar la combinación de diámetros de tuberías que minimice el costo constructivo

del sistema
𝑁𝑇

𝑀𝑖𝑛ሺ𝐹 𝐷 = ෍ 𝐶 𝐷𝑖 = 𝐿𝑖
𝑖=1

Satisfaciendo restricciones

Hidráulicas Comerciales
Conservación de la masa en los nudos
Los diámetros de las tuberías sólo puede
Conservación de la energía en los circuitos
tomar valores discretos: 𝐷𝑖 ∈ 𝜑𝐷 𝑐𝑜𝑚𝑒𝑟𝑐𝑖𝑎𝑙𝑒𝑠
Presión mínima en los nudos de consumo

Fuente: Saldarriaga (2010)

 RESTRICCIONES DEL MODELO HIDRÁULICO

HIDRÁULICAS TÉCNICO – NORMATIVAS

• Conservación de la masa en cada nodo:

Presiones,
Limites de velocidad
Diámetros mínimos

• Conservación de la energía en cada circuito: COMERCIALES

• Presión mínima en los nodos de la red:

01.04.00 TUBERIAS UND P.U.
01.04.01 SUMINISTRO E INSTALACIÓN DE TUBERÍA PVC C-7.5 DN=63 MM m 12.76
01.04.02 SUMINISTRO E INSTALACIÓN DE TUBERÍA PVC C-7.5 DN=75 MM m 13.83
01.04.03 SUMINISTRO E INSTALACIÓN DE TUBERÍA PVC C-7.5 DN=90 MM m 18.40
01.04.04 SUMINISTRO E INSTALACIÓN DE TUBERÍA PVC C-7.5 DN=110 MM m 23.68
01.04.05 SUMINISTRO E INSTALACIÓN DE TUBERÍA PVC C-7.5 DN=160 MM m 41.57
01.04.06 SUMINISTRO E INSTALACIÓN DE TUBERÍA PVC C-7.5 DN=200 MM m 60.96
 INICIO
Generar población inicial (P) y crear
Comenzar población inicial P.
población externa (𝑷𝒕𝒆 )
Crear población externa Pte.

Etapa1:
Etapa2:
Evaluación de los La población
individuos de P. Se crea la
inicial (P) es
población
totalmente
Actualizar población no externa (Pt e )
dominada Pte. aleatoria

Calcular fitness de P. y Pte.

Selección de individuos de
la población para el
cruzamiento

Aplicar cruzamiento

FIN

Fuente: Adaptado de Zitzler & Thiele (1999).

Evaluar individuos de P

Funciones
Restricciones
objetivo
 INICIO

Actualizar población no dominada (𝐏𝐭 𝐞 )

Comenzar población inicial P.
Crear población externa Pte.
Todos los individuos no-dominados de la población se
copian en el archivo y, los individuos dominados o
Evaluación de los duplicados se eliminan del archivo durante esta
individuos de P.
actualización
Actualizar población no
dominada Pte.

Calcular fitness de P. y Pte.

Selección de individuos de
la población para el
cruzamiento

Aplicar cruzamiento

FIN
 Calcular adaptabilidad de los individuos P y 𝐏𝐭 𝐞

Etapa 1 Etapa 2

ni
𝑆𝒊 = (7) fj = 1 + σ𝑖,𝑖>𝑗 𝑆𝑖 (8)
N+1

ni : Número de soluciones dominadas por

𝑖 en la población P
N : Número de individuos
 INICIO
Selección por torneos del conjunto 𝐏
Comenzar población inicial P.
Crear población externa Pte.
Se procede a la selección de los padres mediante la metodología de torneo, en la
cual los pobladores se dividen en dos pares. Los vencedores son los únicos
facultados para obtener descendencia, en otras palabras, el cruzamiento.
Evaluación de los
individuos de P.

Actualizar población no
dominada Pte.

Calcular fitness de P. y Pte.

Selección de individuos de
la población para el
cruzamiento

Aplicar cruzamiento

FIN
 INICIO Aplicar cruzamiento

Comenzar población inicial P. Los ocho padres resultantes anteriormente son sometidos al operador
Crear población externa Pte. genético de cruza para la obtención de cuatro hijos

Evaluación de los
individuos de P.

Actualizar población no
dominada Pte.

Calcular fitness de P. y Pte.

Selección de individuos de
la población para el
cruzamiento

Aplicar cruzamiento

FIN
 INICIO Aplicar cruzamiento

Comenzar población inicial P. Los ocho padres resultantes anteriormente son sometidos al operador
Crear población externa Pte. genético de cruza para la obtención de cuatro hijos

Evaluación de los
individuos de P.

Actualizar población no
dominada Pte.

Calcular fitness de P. y Pte.

Selección de individuos de
la población para el
cruzamiento

Aplicar cruzamiento

FIN
 Aplicar cruzamiento

Fuente: Valle, A. & Pino, E. (2017). Diseño Óptimo de Redes de

Distribución de Agua Usando Un Software Basado en
Microalgoritmos Genéticos Multiobjetivos. RIBAGUA-Revista
Iberoamericana del Agua-
Elsevier.doi:10.1080/23863781.2017.1317087
 Iteración 1 al 25

3400000
Número de generaciones : 25
3200000

3000000
Número de genes de los pobladores : 139
2800000

2600000 Tamaño de individuos : 16

2400000

2200000
Número de torneos binarios :4
0.4 0.5 0.6 0.7 0.8 0.9 1

Se analizaron una población de 16 individuos en un

Cruzamiento : 1 Punto
total de 25 generaciones lo cual significa que se han
analizado 400 redes de agua potable teniendo como
variables de decisión 8 diámetros comerciales.
Números de hijos :4
 Método
N°
Sin Optimización MAGMO SPEA
Tubería/Nodo
Velocidad Presión Velocidad Presión Velocidad Presión
∅ ∅ ∅
(m/s) (m) (m/s) (m) (m/s) (m)

SIN MAGMO 1
Comparación
329.20
1.92 12.948 de
329.2 Resultados
1.14 43.594 329.20 1.00 14.77

OPTIMIZAC (Valle y SPEA 2 329.20 1.42 10.741 329.2 0.65 42.072 329.20 0.90 13.61
3000000 0.8 12.38
IÓN Pino 2014)
3 292.20 1.22 11.577 231.8 0.677 41.753 185.40 1.61
4
2500000 292.20 0.66 15.718 102 0.786 31.415 129.80 1.15 0.7 12.88

Confiabilidad
5 0.47 0.6 13.29
Velocidad
292.20 0.21 17.387 148.4 0.46 29.789 102.00
2000000
6 148.40 1.23 16.472 292.2 1.3 39.506 292.20 1.48 0.5 16.54
máxima

Costo
2.59m/s 1.94m/s 2.43m/s 7 102.00 1.61 16.108 129.8 1.38 39.715 231.80 1.85
(m/s) 1500000
8
0.4 18.54
102.00 1.55 17.181 292.2 0.27 50.669 329.20 0.91 23.50
1000000
9 102.00 0.2 16.165 129.8 0.49 51.382 102.00 0.87
0.3 18.49
Presión 10 102.00 1.34 11.998 148.4 0.54 41.928 102.00 1.30 0.2 13.92
mínima (m) 10.14mca 23.28mca 12.08mca 500000
11 185.40 1.56 12.08 329.2 0.49 42.301 102.00 1.12 0.1 13.88
12
0 102.00 0.56 15.951 292.2 0.87 51.672 148.40 0.50 0 18.47
Presión 13
45.50mca 68.46mca 68.14mca 148.40 Sin 1.76 MAGMO
15.656 329.2 0.88 SPEA
53.885
102.00 1.29 17.95
máxima (m) 14
optimización
102.00 0.93 10.144 329.2 0.012 44.046 292.20 0.24 13.20
15 102.00 0.46 10.243 292.2 0.72 44.486 102.00 0.53 13.28
Métodos de optimización
Costo (S/)
16 102.00 1.15 15.933 129.8 0.46 53.948 83.40 1.10 18.24
1 311 550.83 1 933 745.61 2 527 767.66 17 148.40 0.32 16.283 129.8 1.22 56.2 185.40 0.07 18.97
18 185.40 Costo14.592
1.45 Confiabilidad
148.4 1.52 46.617 231.80 0.78 17.66
Confiabilida 19 148.40 1.48 10.829 129.8 0.38 46.244 129.80 1.48 12.08
0.70 0.391 0.42
d (Ir) 20 102.00 0.39 11.208 231.8 0.72 56.74 102.00 0.31 12.26
El SPEA se aplica a redes de gran tamaño, minimiza el problema y reduce los tiempos de cálculo. Realiza un análisis
integral que implica una optimización simultánea de dos funciones objetivo: Máxima confiabilidad y mínimo costo para
un diseño óptimo que asegura la calidad del método.

Se evidencia notables mejoras respecto a los métodos tradicionales de diseño que se limitan a verificar condiciones
hidráulicas y no pretenden optimizar el diseño de la red de agua potable. El costo estimado de la red optimizada es
económicamente superior a la red sin optimización (S/. 2 530 803.86 vs S/. 1 311 550.83), sin embargo al incluir como
parámetro a optimizar en el diseño la confiabilidad de la red de agua potable, se hizo evidente que la red más confiable
es la optimizada con un índice de resiliencia de 0.42 contra un índice de resiliencia de 0.70 vulnerable a todo tipo de
fallas.

El MAGMO tiene mejor desempeño que el SPEA, los resultados indicaron que con el algoritmo SPEA tiene una
confiabilidad de 0.42 y un costo estimado de S/. 2 530 803.86 el cual es superior al costo estimado con la
implementación del MAGMO en S/. 597 058.25, además una confiabilidad de 0.391 con menos probabilidad de fallas
Se debe incorporar las técnicas de optimización para mejorar el diseño óptimo de las redes de distribución de agua en
la normatividad vigente

Para la aplicación del El Algoritmo Evolutivo Multiobjetivo de Frente de Pareto (SPEA) se recomienda:
- Considerar como parámetros de acuerdo a los investigadores un ratio de 1:4 entre la población externa y el tamaño de la
población.
- Es necesario que cada proyecto de diseño cuente con su propia curva de costos de tuberías
- Para las presiones altas se recomienda el uso de válvulas reductoras de presión y colocación de purgas para las tuberías con
velocidades menores y evitar problemas como la sedimentación.

Debemos centrar los esfuerzos en la búsqueda de modelos de optimización Multiobjetivo con software elaborados que
permitan atender un mayor número de aspectos ingenieriles con un menor presupuesto