Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Implícita
Explícita
FFobjetivo
objetivoestá
está
Expresada
Expresadacomocomo Modelos
Relación Modeloshidrológicos
hidrológicos
Relaciónexplícita
explícita Usan
Usaneste
estetipo
tipode
de
De
Delas
lasvariables
variablesaa FFobjetivo
Ser objetivo
Seroptimizadas
optimizadas
Técnicas Iterativas
Características:
•Definición de punto de partida
•Dirección de búsqueda
•Intervalo de variación en cada iteración
•Criterio de detención
Método Univariacional
0 0 0
A1 d1e1 d 2 e2 d n en
Suma de todos los desplazamientos en la dirección e 1
1 A1 Primer eje
e1
A1 Dirección siguiente es normal
a la anterior
0 0 1
x2
A2 d 2 e2 d 3e3 d1e1
1 1
B2 A2 ( A2 e1 ) e1
1 B2
e2
B2
x1
Generalizando
i 1 1 1
Bi Ai ( Ai e j ) e j
j 1
1 Bi
ei
Bi
Escogida una dirección se avanza con el
intervalo dado hasta lograr éxito ( disminuir
la FO)
Se modifica la dirección hasta que todas las
variables han sido alteradas una vez,
alcanzando éxito (fin ciclo).
Después de un éxito el espaciamiento se
aumenta en acelerador >1. Si es falla
(aumento de FO) se reduce en (<1).
Ibbit (1970) modifica el procedimiento
avanzando en una dirección hasta alcanzar el
mínimo
tmín = -b/(2c)
(1 ) F2 ( 2) F1 F3 S
t mín [ ]
F3 F1 (1 ) F2 2
Y=x12-14x1+2x22-x1x2
Se
Secalcula
calculaposición
posiciónde
demínimo
mínimo
X1=5,01 y7=7
X2=1,25 y12=-48,18
P0(15;-4) P1(5,01;1,25)
Nuevas direcciones
A1 9,99i 5,25 j
d1=5,01-15=-9,99
d2=1,25-(-4)=5,25 A2 5,25 j
1
e1 0,89i 0,47 j B2 2,2i 4,09 j
1
e2 0,47i 0,89 j
Segundo Ciclo: dirección e1
x11=5,01-1*(-0,89)=5,9 x21=1,25-1*(0,47)=0,78
Y13=-51,18
x12=5,01-1,5*(-0,89)=7,24
x21=0,78 -1,51*(0,47)=-0,07
Y14=-49,44
Se
Secalcula
calculaposición
posiciónde
demínimo
mínimo
x11=5,01+1*(0,47)=6,37 Y16=-53,66
x21=0,78+1*(0,89)=1,67
Etc....
Función Objetivo
n
Función F1 (QOi QCi ) 2
cuadrátrica i 1
n
Función F2 QOi QCi
Módulo i 1
Función
n
QOi QCi 2
F4 ( )
Relativa i 1 QOi
LIMITACIONES
-FO
-FOpuede
puedepresentar
presentaranomalías
anomalíasen enlalavecindad
vecindaddel delmínimo
mínimo
-Solución puede converger para parámetros inconsistentes
-Solución puede converger para parámetros inconsistentes
desde
desdeel elpunto
puntode devista
vistafísico
físico
-mínimo puede ser
-mínimo puede ser locallocal
-cuando
-cuandoson
sonmuchos
muchosparámetros
parámetrosel elproceso
procesopuede
puedeser serlento
lento
-incertezas de datos observados son transferidas al
-incertezas de datos observados son transferidas al proceso proceso
de
deajuste
ajustepudiendo
pudiendollegar
llegaraaresultados
resultadosabsurdos
absurdos
-puede existir interdependencia entre parámetros
-puede existir interdependencia entre parámetros
-pueden
-puedenexistir
existirdiscontinuidades
discontinuidadesen enlalaFO
FO
Recomendaciones
Si FO no es unimodal
Técnicas de optimización global
Algoritmos genéticos
Métodos aleatorios
xminiixmaxi
Se
Segeneran
generanNNnúmeros
númerosaleatorios
aleatorios
con
condistribución
distribuciónuniforme
uniformeyysese
determinan
determinanNNvalores
valoresde
dela
laFunción
Función
Objetivo.
Objetivo.El
Elmenor
menorvalor
valorse
seadopta
adopta
como
comomínimo
mínimoglobal
global
Escoger
Escogerun
unpunto
puntoinicial
inicialpara
paraun
un
parámetro
parámetrocentrado
centradoconconrespecto
respectoaasu
su
rango
rangode
devariación
variación
Generar
GenerarNNvalores
valoresaleatorios
aleatoriosdentro
dentrodel
del
intervalo
intervalosiguiendo
siguiendodistribución
distribuciónuniforme
uniforme
oonormal
normalyyalmacene
almaceneelelpunto
puntocon
conmejor
mejor
valor
valorde
deFO
FO
en
encada
cadarepetición.
repetición.Para
Paracada
cadarepetición
repeticiónhabrá
habrá
un
unpunto
puntoóptimo.
óptimo.
Generación de nuevos
Disponibilidad de
Inicialización individuos basados en
cada individuo
de población la población existente
en la población
Franchini,
Franchini,1996
1996“Use
“UseofofGenetic
Geneticalgorithm
algorithmcombined
combinedwith with
aalocal
localsearch
searchmethod
methodforforthe
theautomatic
automaticcalibration
calibrationof of
conceptual Rainfall-runoff models.” Hydrological
conceptual Rainfall-runoff models.” Hydrological Science Science
Journal
JournalV.V.41
41pp21-39
21-39
Duan,
Duan, Soroosshian y Gupta, 1992 “Effectiveand
Soroosshian y Gupta, 1992 “Effective andefficient
efficient
Global optimization for conceptual rainfall-runoff
Global optimization for conceptual rainfall-runoff models”models”
Water
WaterResources
ResourcesResearch
ResearchV. V.2828Nº4
Nº4p.1015-1031
p.1015-1031
Wang,
Wang, 1991 “the genetic algorithm and itsapplication
1991 “the genetic algorithm and its application
To
Tocalibration
calibrationconceptual
conceptualrainfall-runoff
rainfall-runoffmodels”
models”
Water Resources Research V27 Nº9 p.
Water Resources Research V27 Nº9 p. 2467-24712467-2471
Halhal
Halhalet etal
al1997
1997“Multiobjective
“MultiobjectiveImprovement
Improvementof ofWater
Water
Distribution
DistributionSystems
SystemsUsing
Usingaastructured
structuredMessy
MessyGenetic
Genetic
Algorithm approach”ASCE Journal Of Water Res
Algorithm approach”ASCE Journal Of Water Res Planning Planning
and
andManagement
ManagementVol Vol123
123No3
No3pp pp137-146
137-146
Savic
Savic and Walters 1997 “Genetic algorithmsfor
and Walters 1997 “Genetic algorithms forthe
theleast
least
cost
cost design of water distribution networks” ASCE Journalof
design of water distribution networks” ASCE Journal of
Water
WaterRes ResPlanning
PlanningandandManagement
ManagementVol Vol123
123No3No3pppp67-77
67-77
Jurcyk et al 2001 “Distributed conceptual rainfall runoff
model with radar data at a high resolution input using
genetic algorithm for parameter optimization”
www.imgw.katowice.pl/Activities.htm
Madsen, 2000 ”Automatic calibration of the
Mike11/NAM Rainfall-Runoff model”
http://projects.dhi.dk/daihm/Files/NAMautocalNHK20
00Paper.pdf
Seibert 2000 “Multicriteria calibration of conceptual
rainfall-runoff model using genetic algorithm”
www.ma.slu.se/IMA/JanS/papers.html SOLICITAR por mail
Aly, Peralta 1999 “Comparison of a genetic algorithm
and mathematical programming to the design of
groundwater cleanup systems” Water Resources
Research Vol 35 No8 p 2415