Algoritmos genticos

-Usados para la optimizacin

Permite acercarnos al objetivo que se tiene

Los Algoritmos Genticos (AGs) son mtodos adaptativos que pueden usarse para resolver
problemas de bsqueda y optimizacin

Los modelos informticos se han convertido en una herramienta esencial para la gestin de los
sistemas de distribucin de agua en todo el mundo. Existen numerosos propsitos para usar
un modelo de computadora para simular las condiciones de flujo dentro de un sistema. Un
modelo puede ser empleado para:

Asegurar una cantidad adecuada y un servicio de calidad del recurso de agua potable a
la comunidad

Evaluar alternativas de planificacin y diseo

Evaluar el rendimiento del sistema

Verificar las estrategias de operacin para una mejor administracin del sistema de
infraestructura de agua

Realizar estudios de vulnerabilidad para evaluar los riesgos que pueden presentarse y
afectar el suministro de agua.
Para estos propsitos, se construye un modelo en el que los datos que describen los
elementos de red de tuberas, uniones, vlvulas, bombas, tanques y depsitos se ensamblan
de manera sistemtica para predecir el flujo de tuberas y uniones de grado hidrulico (HGL) o
presiones dentro de un agua sistema de distribucin.
Los modelos de computadora son inversiones significativas para las compaas de agua. Para
garantizar un buen retorno de la inversin y el uso correcto de los modelos, el modelo debe
ser capaz de simular correctamente las condiciones de flujo encontradas en el sitio. Esto se
logra calibrando los modelos. Una calibracin implica el proceso de ajustar las caractersticas y
los parmetros del modelo de modo que los flujos y presiones pronosticados del modelo
coincidan con los datos de campo reales observados hasta cierto nivel deseable o aceptable.
Esto se describe con ms detalle en Walski, Chase y Savic (2001).
La calibracin de un modelo de distribucin de agua es una tarea complicada. Hay muchos
parmetros inciertos que deben ajustarse para reducir la discrepancia entre las predicciones
del modelo y las observaciones de campo de la unin HGL y las descargas de tuberas. Los
coeficientes de rugosidad de la tubera a menudo se consideran para la calibracin. Sin
embargo, hay muchos otros parmetros que son inciertos y afectan a la unin HGL y al ndice
de flujo de tubera. Para minimizar los errores en los parmetros del modelo y eliminar el error
de compensacin de los parmetros de calibracin (Walski 2001), debera considerar calibrar
todos los parmetros del modelo, como demanda de unin, estado de operacin de tuberas y
vlvulas y coeficientes de rugosidad de la tubera.

La calibracin de los modelos de red de distribucin de agua depende de datos de medicin de

campo, como presiones de unin, flujos de tubera, niveles de agua en instalaciones de
almacenamiento, ajustes de vlvula, estado de funcionamiento de la bomba (encendido /
apagado) y velocidades de la bomba. Entre todos los posibles datos de observacin de campo,
los flujos HGL de unin y de tubera se usan con mayor frecuencia para evaluar la bondad de
ajuste de la calibracin del modelo. Otros parmetros, como niveles de tanque, ajustes de
vlvula y estado / velocidad de operacin de la bomba, se usan como condiciones de contorno
que se registran al recopilar un conjunto de observaciones de calibracin de presiones de
unin y tasas de flujo de tubera.
Los datos de observacin de campo se miden y se recopilan en diferentes momentos del da y
en varios lugares en el sitio, que pueden corresponder a diversas cargas de demanda y
condiciones de contorno. Para que los resultados de la simulacin del modelo representen ms
estrechamente los datos observados, los resultados de la simulacin deben usar la misma
carga de demanda y las mismas condiciones de contorno que los datos observados. Por lo
tanto, el proceso de calibracin debe realizarse bajo condiciones de carga de demanda
mltiple y condiciones de frontera de operacin.
La calibracin tradicional de un modelo de distribucin de agua se basa en un procedimiento
de prueba y error mediante el cual un ingeniero o modelador estima primero los valores de los
parmetros del modelo, ejecuta el modelo para obtener una presin y flujo pronosticados y
finalmente compara los valores simulados con el datos observados Si los datos predichos no se
comparan estrechamente con los datos observados, el ingeniero regresa al modelo, realiza
algunos ajustes a los parmetros del modelo y lo calcula nuevamente para producir un nuevo
conjunto de resultados de simulacin. Esto puede tener que repetirse muchas veces para
asegurarse de que el modelo produzca una prediccin calibrada de la red de distribucin de
agua en el mundo real. La tcnica de calibracin tradicional es, entre otras cosas, bastante
lenta.
Adems, una representacin de red tpica de una red de agua puede incluir cientos o miles de
enlaces y nodos. Idealmente, durante el proceso de calibracin del modelo de distribucin de
agua, el coeficiente de rugosidad se ajusta para cada enlace y la demanda se ajusta para cada
nodo. Sin embargo, solo un pequeo porcentaje de las mediciones representativas de la
muestra puede estar disponible para el uso de la calibracin del modelo debido a los requisitos
financieros y laborales limitados para la recopilacin de datos. Por lo tanto, es de suma
importancia contar con una metodologa integral y una herramienta eficiente que pueda
ayudar al ingeniero a lograr un modelo altamente preciso en condiciones prcticas, incluidos
varios parmetros del modelo, como la rugosidad de la tubera, la demanda de unin y el
estado de los enlaces. y condiciones de frontera.
Formulacin de Calibracin
Un calibrador optimizado est formulado y desarrollado para facilitar el proceso de calibracin
de un modelo de distribucin de agua. Los parmetros se obtienen al minimizar la discrepancia
entre los valores pronosticados por el modelo y los valores observados en el campo de las
presiones de unin (grados hidrulicos) y los flujos de tubera para condiciones de contorno
dadas. La calibracin optimizada se define entonces como un problema de optimizacin no
lineal con tres objetivos de calibracin diferentes.
Objetivos de la Calibracin
La bondad del ajuste de la calibracin del modelo se evala mediante la discrepancia entre el
modelo simulado y la unin medida en campo HGL y el flujo de tubera. El puntaje de bondad
de ajuste se calcula utilizando un punto de condicin fsica por cabeza especfico del usuario
para uniones y puntos de acondicionamiento fsico por tubera. Esto permite que un
modelador pondere de forma flexible la evaluacin del flujo de tubera y del cabezal hidrulico
de unin. Tres funciones de acondicionamiento fsico se definen de la siguiente manera:
Objetivo tipo uno: minimizar la suma de cuadrados de diferencia

Objetivo tipo dos: minimizar la suma de las diferencias absolutas

Objetivo tipo tres: minimizar la diferencia absoluta mxima

DONDE:

Hobsnh designa el grado hidrulico observado nh-th.

Hsimnh es el grado hidrulico simulado modelo nh-th.

Hlossnh es la prdida de carga en el punto de datos de observacin nh,

Fobsnf es el flujo observado,

Fsimnf es el flujo simulado del modelo,

Hpnt toma nota del cabezal hidrulico por punto de condicin fsica, mientras que Fpnt es el
caudal por punto de condicin fsica. NH es el nmero de grados hidrulicos observados y NF
es el nmero de descargas de tuberas observadas, Wnh y Wnf representan un factor de
ponderacin normalizado para los grados y flujos hidrulicos observados, respectivamente. Se
dan como:
DONDE:

f () es una funcin que puede ser lineal, cuadrada, raz cuadrada, log o constante. Se puede
realizar una calibracin optimizada seleccionando uno de los tres objetivos anteriores y los
factores de ponderacin entre la cabeza y el flujo. Los parmetros del modelo se calculan
utilizando un algoritmo gentico mientras se minimiza la funcin objetivo seleccionada y se
satisfacen las restricciones de calibracin.

Restricciones de Calibracin

La calibracin optimizada se lleva a cabo satisfaciendo dos restricciones de tipo, las

limitaciones del sistema hidrulico y las limitaciones de los parmetros de calibracin. Las
restricciones del sistema son un conjunto de ecuaciones implcitas que aseguran la
conservacin de la continuidad del flujo en los nodos y la energa para los bucles dentro de un
sistema de distribucin de agua. Cada solucin de prueba generada por la GA se analiza
utilizando el solucionador de redes hidrulicas Bentley WaterCAD.

Las restricciones de lmite de calibracin se utilizan para establecer los lmites mnimo y
mximo para los coeficientes de rugosidad de la tubera y el multiplicador de la demanda de
unin. Se dan de la siguiente manera.

RFmini es el coeficiente de rugosidad mnimo o multiplicador para el grupo de rugosidad i;

RFmaxi es el coeficiente de rugosidad o multiplicador mximo para el grupo de rugosidad i; y
RFi es el coeficiente de rugosidad o multiplicador para el grupo de rugosidad i;

DMmini es el multiplicador mnimo de demanda de unin para el grupo de demanda i;

DMmaxi es el multiplicador de demanda mximo para el grupo de demanda i; y DMi es el
multiplicador de demanda para el grupo de demanda i.

Las tuberas que tienen las mismas caractersticas fsicas e hidrulicas se pueden agrupar como
un nico enlace de calibracin, y se asigna un nuevo coeficiente de rugosidad o un coeficiente
de rugosidad multiplicador a todas las tuberas del mismo grupo. Las uniones que tienen los
mismos patrones de demanda y dentro de un mismo rea topolgica tambin se pueden
agregar como una unin de calibracin a la que se calcula y asigna un mismo multiplicador de
demanda. Los parmetros de calibracin estn limitados por los lmites superior e inferior
prescritos y ajustados con un valor incremental prescrito por el usuario. Por ejemplo, un valor
Hazen-Williams C para una tubera o un grupo de tuberas se calcular dentro de un rango de
40 a 140 y por un incremento de 5. Los multiplicadores de demanda pueden variar de 0.8 a 1.2
por 0.1. La agregacin de parmetros es til para reducir la dimensin de calibracin, sin
embargo, se debe tener precaucin al agrupar tuberas y uniones, ya que esto puede afectar la
precisin de la calibracin del modelo.

Calibracin Optimizada de Algoritmos Genticos

Un algoritmo gentico (AG) es un paradigma de bsqueda robusto basado en los principios de

la evolucin natural y la reproduccin biolgica (Goldberg, 1989). Para optimizar la calibracin
de un modelo de distribucin de agua, un programa de algoritmo gentico primero genera una
poblacin de soluciones de prueba de los parmetros del modelo. Un solucionador hidrulico
luego simula cada solucin de prueba. La simulacin hidrulica resultante predice el HGL
(presiones de unin) y los flujos de tubera en un nmero predeterminado de nodos (o puntos
de datos) en la red. Esta informacin luego se devuelve al mdulo de calibracin asociado. El
mdulo de calibracin evala qu tan cerca est la simulacin del modelo de los datos
observados, la evaluacin de calibracin calcula un valor de bondad de ajuste, que es la
discrepancia entre los datos observados y los flujos de tubera pronosticados del modelo y las
presiones de unin o HGL, para cada solucin . Este valor de bondad de ajuste se asigna luego
como la aptitud para esa solucin en el algoritmo gentico.

Una generacin producida por el algoritmo gentico se completa. La medida de aptitud se

tiene en cuenta al realizar la prxima generacin de operaciones de algoritmo gentico. Para
encontrar las soluciones de calibracin ptimas, las soluciones ms adecuadas se
seleccionarn imitando el principio de seleccin natural de Darwin de supervivencia del ms
apto.

Las soluciones seleccionadas se utilizan para reproducir una prxima generacin de soluciones
de calibracin mediante la realizacin de operaciones genticas. Durante muchas
generaciones, las soluciones evolucionan y finalmente surgen las soluciones ptimas o casi
ptimas. Existen numerosas variaciones de algoritmos genticos en la ltima dcada. Se han
llevado a cabo muchas aplicaciones exitosas de GA para resolver calibraciones de modelos
para una calibracin optimizada de los sistemas de recursos hdricos (Wang 1992, Wu 1994,
Babovic, etc. 1994, Wu y Larsen 1996). Ms recientemente, se ha utilizado un algoritmo
gentico competente (tambin llamado GA fast messy), que se ha demostrado que es el GA
ms eficiente para la optimizacin de un sistema de distribucin de agua (Wu y Simpson 2001),
para la calibracin optimizada. Se brinda una breve descripcin en la siguiente seccin.

Metodologa de Darwin Designer

Darwin Designer utiliza un paradigma de bsqueda genrica de algoritmo gentico (GA) para
ayudar a los ingenieros hidrulicos a planificar y disear eficientemente un sistema de
distribucin de agua.

El modelo de optimizacin puede establecerse para incluir la combinacin y agregacin de

tuberas nuevas y la rehabilitacin de tuberas viejas, condiciones de carga de demanda
mltiple y diversas condiciones del sistema de lmites. Esto permitir que un modelador
optimice un sistema de agua completo o una parte del sistema con el costo mnimo y el
mximo beneficio. La solucin rentable de diseo y / o rehabilitacin se determina por el
menor costo, el mximo beneficio o la compensacin entre el costo y el beneficio. Puede
seleccionar cualquiera de los tres modelos de optimizacin que mejor se adapten a sus
necesidades de proyecto.

Modelo Nivel 1: optimizacin de costos mnimos

El diseo y la rehabilitacin de menor costo se define como una nica optimizacin objetiva; La
solucin ptima est determinada por el costo mnimo de un diseo y rehabilitacin de
distribucin de agua que satisfaga los criterios hidrulicos prescritos, tales como:

Mnima presin de unin requerida

Presin de unin mxima permitida

Requisito mximo permitido de velocidad de flujo de tubera

Velocidad de flujo de tubera mnima requerida.

Modelo Nivel 2: Optimizacin mxima de beneficios

El modelo de optimizacin de beneficios se desarrolla para determinar la solucin de diseo /

rehabilitacin de beneficio de presin mxima para un sistema de distribucin de agua. Se
emplea un algoritmo gentico competente para buscar la solucin ptima maximizando el
beneficio de diseo al mismo tiempo que se cumplen los criterios hidrulicos y el presupuesto
disponible.

Modelo Nivel 3: Optimizacin de compensacin costo-beneficio

El modelo de compensacin de costo-beneficio est formulado para determinar el diseo del

equilibrio ptimo entre el costo y el beneficio, sujeto a los fondos disponibles para un diseo y
/ o rehabilitacin. Puede personalizar las funciones de beneficios y especificar el presupuesto
mximo asequible. El modelo produce un conjunto de soluciones no inferiores (no ominantes)
que representan el ptimo de Pareto para diferentes niveles de costo y beneficio.

Tanto el modelo de nivel 1 como el de nivel 2 son de optimizacin de un solo objetivo,

mientras que el nivel 3 es la optimizacin multiobjetivo. Un modelador puede seleccionar el
modelo de optimizacin para un estudio. El marco de optimizacin que incluye las funciones
de costo y beneficio se presenta en las siguientes secciones:

Design Variables

Cost Objective Functions

New Pipe

Cost Rehabilitation

Pipe Cost.

Variables de diseo

Se utilizan dos tipos de variables de diseo para el diseo y la rehabilitacin ptimos de los
sistemas de distribucin de agua. Son tamaos de tubera (d) y acciones de diseo (e).

Tamao de la tubera:

El dimetro de la tubera se trata como una variable de diseo para una nueva tubera a
dimensionar. Una tubera nueva puede ser la tubera agregada a una subdivisin, un
reemplazo o una tubera paralela a las tuberas existentes. Un modelador puede agregar varias
tuberas como un enlace de diseo. Las tuberas dentro de un grupo de tuberas tienen el
mismo dimetro. El dimetro de la tubera se puede seleccionar de un conjunto de tamaos de
tubera discreta y disponible comercialmente, dado como:

Accin de diseo:

La accin de diseo se presenta como una variable de diseo para optimizar las alternativas de
rehabilitacin (por ejemplo, limpieza, revestimiento, reemplazo, tubera paralela, etc.) para
tuberas existentes. Un modelador puede definir un conjunto de acciones posibles que se
pueden aplicar a un grupo de tuberas. Las tuberas dentro de un grupo de tuberas tendrn la
misma accin de rehabilitacin, dado como:

Funciones de objetivo de costo:

El costo total de un diseo de red y rehabilitacin es la suma del costo del nuevo tubo (Cnew) y
el costo del tubo de rehabilitacin (Crehab). Por lo tanto, el costo total se da como:

Nuevo costo de tubera:

El costo de una nueva tubera de diseo se define como una funcin de la longitud de la
tubera. Deje que el nmero total de tuberas de diseo sea DP, y que ck (dk) sea el costo por
unidad de longitud del dimetro de la tubera k-sima seleccionado a partir de un conjunto de
dimetros de tubera D0 disponibles de las opciones de DC. El costo del nuevo tubo se da como
sigue:

Longitud de la tubera kth

El costo de rehabilitacin de tuberas:

El costo de un tubo de rehabilitacin est asociado con el dimetro del tubo y la accin de
rehabilitacin. Sea ck (ek, dk) el costo por unidad de longitud de un tubo para la k-sima accin
de rehabilitacin ek elegida entre un conjunto de posibles acciones E0 de opciones de EC para
el tubo existente de dimetro dk. El costo de los tubos de rehabilitacin se formula como:

Donde: Lk = Longitud de la tubera kth

RP = Nmero de tubos de rehabilitacin

Para las tuberas que se agrupan en un enlace de diseo, se aplicar el mismo tamao de
tubera o accin de rehabilitacin a las tuberas.

Funciones de beneficios

El objetivo del diseo de un sistema de agua es maximizar el valor o beneficio del sistema al
tiempo que se reduce el costo del sistema. Minimizar el costo solo puede dar como resultado
tamaos de tubera ms pequeos, lo que conduce al diseo de capacidad mnima. La menor
capacidad no es la solucin preferible para la planificacin del sistema a largo plazo; cierta
capacidad extra de tubera es beneficiosa para permitir que el suministro crezca hasta su
capacidad total dentro de un horizonte de planificacin para dar cuenta de la incertidumbre en
las demandas y para cumplir con la necesidad de confiabilidad en caso de interrupciones.

El verdadero beneficio del diseo del sistema de agua es proporcionar de manera confiable un
servicio de cantidad y calidad de agua adecuada. Debe garantizarse un suministro de agua
suficiente para una comunidad, no solo en este momento, sino tambin en un horizonte de
planificacin razonable. Durante este perodo de planificacin, se estima la cantidad de agua
requerida para un sistema, o la demanda, y esto normalmente se realiza con cierta
incertidumbre. Por lo tanto, es difcil pronosticar con precisin la demanda. Para que un diseo
se lleve a cabo con el mximo valor o beneficio para un sistema de distribucin de agua, los
ingenieros deben poder determinar el beneficio mximo dentro de un presupuesto.

Los beneficios de un diseo y rehabilitacin pueden ser el resultado de la mejora del

rendimiento hidrulico (beneficio hidrulico), el exceso de capacidad hidrulica (beneficio de
capacidad) y la mejora de la rehabilitacin de tuberas (beneficio de rehabilitacin). El
beneficio hidrulico se mide utilizando un sustituto de la mejora de la presin de unin. En
esta versin de Darwin Designer, solo se considera el beneficio de presin.

El beneficio de presin se mide por la mejora de la presin de unin de un diseo. Si la presin

en una unin excede el mnimo requerido, esto muestra que el sistema tiene alguna capacidad
adicional, lo que se considera un beneficio. Para algunos nodos, donde la presin ya es alta,
puede excluir el nodo del clculo del beneficio de presin porque no hay ningn valor para
aumentar la presin en ese nodo. (Esto se hace en la pestaa Restricciones de presin.) Para
otros nodos, la primera unidad de presin vale mucho, mientras que las unidades
subsiguientes de mejora de presin no valen tanto. Por ejemplo, si la presin mnima es de 20
psi, el aumento de 20 a 21 psi vale mucho, pero un aumento de 60 a 61 psi no vale tanto. Para
tener en cuenta este efecto, puede reducir el exponente b en el clculo del beneficio del valor
predeterminado de 1 a un valor inferior, por ejemplo, 0.5.

Con la definicin de una funcin de beneficio como uno de los objetivos de diseo, el diseo
ptimo ya no es un problema de optimizacin de un solo objetivo (minimizando el costo), sino
un objetivo multiobjetivo (minimizando el costo y maximizando el beneficio). Una optimizacin
multiobjetivo permite a los ingenieros crear un diseo que intercambia entre costo y beneficio.
El problema de optimizacin de compensacin se resuelve mediante el uso de un algoritmo
gentico competente.

Darwin Designer al mismo tiempo optimiza dos objetivos en conflicto y produce un conjunto
de soluciones ptimas de Pareto (es decir, no dominadas, no inferiores). Una solucin objetiva,
como el costo, no se puede mejorar (minimizar) sin disminuir el otro objetivo (reducir el
beneficio). Por lo tanto, un conjunto de soluciones ptimas de Pareto representa la mejor
solucin de diseo para cada rango de costos. Los ingenieros pueden justificar an ms el
mejor diseo por otros criterios no cuantificables.

Beneficios de presin

El beneficio del rendimiento hidrulico se mide mediante el uso de mejoras en la presin de

unin (P). En Darwin Designer se proporcionan dos tipos de beneficios de presin, a saber, el
beneficio sin dimensiones y el beneficio unitario.

Beneficios de presiones adimensionales:

La mejora de presin para beneficio sin dimensiones se propone como una relacin de
diferencia de presin entre la presin real y una presin de referencia definida por el usuario.
El beneficio se normaliza por la demanda de unin (JQ). Los factores tambin se introducen
para permitir que un modelador convierta y personalice la funcin de beneficio hidrulico.

a y b : Factores que permiten que un modelador de optimizacin pese, convierta y personalice

la mejora de la presin en beneficio hidrulico. El coeficiente de beneficio de presin aumenta
linealmente y disminuye el beneficio de la mejora de la presin....
Donde: Cuando el coeficiente b es 1.0, cada unidad de mejora de presin vale tanto como el
mismo puntaje de beneficio. Sin embargo, generalmente a medida que aumenta la presin,
cada unidad adicional de beneficio de presin vale menos. Por lo tanto, b generalmente
debera ser menor que 1.0 (digamos alrededor de 0.5).

NJ = Nmero de uniones de beneficio de presin

ND = Nmero de eventos de diseo para los cuales se considera el beneficio de presin

JQi, k = Demanda en el cruce i para alternativa de demanda k

JQtotalk = demanda total de unin para alternativa de demanda k

Pi, k = presin posterior a la rehabilitacin en la unin i para la alternativa de demanda k

Pref = presin de unin de referencia definida por un usuario para evaluar la mejora de la
presin. La presin de referencia se toma como las presiones mnimas de unin requeridas.

Beneficio de presin unitaria:

El beneficio de presin resultante de un diseo y rehabilitacin tambin se puede cuantificar

mediante el uso de la mejora de la presin promedio unificada en todo el sistema. Las
funciones de beneficio se pueden dar de la siguiente manera.

La ventaja de utilizar la funcin de beneficio de presin unificada es que un modelador puede

evaluar la mejora de presin promedio para la inversin. Vale la pena conocer el valor de los
dlares gastados.

Restricciones de diseo

Cada solucin de prueba de diseo se analiza mediante varias ejecuciones de simulacin

hidrulica correspondientes a las mltiples condiciones de demanda. Las respuestas del
sistema, como las presiones de unin, las velocidades de flujo y los gradientes hidrulicos, se
compararn con los criterios de diseo que establezca.

Restriccin del tamao de la tubera:

Todos los grupos de tuberas especifican y utilizan una lista de tamaos de tubera (y costos)
disponibles. Para cada grupo, especifique los dimetros mnimo y mximo, lo que reduce el
alcance del problema de optimizacin. El tamao de la tubera se selecciona de una lista de
dimetros de tubera comercialmente disponibles dentro del rango del lmite mnimo y
mximo, tales como:
Tambin se puede introducir un conjunto de dimetros de tubera para excluir los tamaos de
tubera desfavorables para un grupo de tubera. Este conjunto se puede notar como:

Restriccin de presin de unin:

A menudo se requiere presin de unin para mantener un nivel de presin mayor que un
mnimo para garantizar un servicio de agua adecuado, y un nivel de presin menor que el
mximo para reducir las fugas de agua en un sistema. Por lo tanto, las restricciones de presin
de unin se dan como:

DONDE:

Hola, j = Cabezal hidrulico en la unin i para demanda de carga

NJ = Nmero de uniones en el sistema (excluidas las uniones de grado fijo)

Hmin = Presiones hidrulicas mnimas requeridas en la unin para demanda de carga

Hmax = Presiones hidrulicas mximas permitidas en

unin i para demanda cargando caso j

NDM = Nmero de casos de carga de demanda...

Restriccin de flujo de tubera:

Una solucin de diseo y rehabilitacin tambin est restringida por un conjunto de criterios
de flujo de tuberas que a menudo se dan como una velocidad de flujo mxima permisible y un
gradiente o pendiente hidrulica mxima permitida, dado como sigue:

Donde:

Vi, j = Velocidad de flujo de la tubera i para la demanda de carga del caso j

Vmax = velocidad de flujo mxima permitida

NP = Nmero de tuberas de restriccin en el sistema

HGi, j = gradiente hidrulico (pendiente) del tubo i para el caso de carga de demanda j
HGmax = gradiente hidrulico mximo permitido

En muchos diseos de mejora del sistema, una solucin de diseo factible debe garantizar que
el tanque de almacenamiento se vuelva a llenar a un cierto nivel de agua para que se pueda
establecer un suministro peridico estable. Para cumplir con los criterios de relleno del
tanque, la velocidad de flujo del tubo debe ser mayor

que la velocidad mnima requerida, dado como:

Restriccin presupuestaria: Los servicios de agua a menudo estn limitados por un

presupuesto para un nuevo diseo de subdivisin y / o la rehabilitacin de un sistema de agua
existente. Cuando la optimizacin se realiza para maximizar el valor o el beneficio del diseo,
la solucin ptima estar restringida por los fondos disponibles.

Diseo Optimizado de Algoritmo Gentico Multi Objetivo

Los algoritmos genticos se han aplicado ampliamente para resolver problemas de

optimizacin de un solo objetivo en el anlisis de sistemas de recursos hdricos (Bavic y otros
1994, Wu y Simpson 1996, 1997a, 1997b y 2001, Wu y otros 2000 y 2001). En los ltimos aos,
se ha descubierto que los algoritmos genticos multiobjetivos son ms efectivos que las
tcnicas de optimizacin tradicionales para resolver problemas de optimizacin multiobjetivo.
Una amplia gama de problemas de optimizacin multiobjetivo se ha resuelto
satisfactoriamente mediante el uso de algoritmos evolutivos.

No es necesario modificar o simplificar la hidrulica del sistema y los criterios de diseo para
adaptarse a GA de objetivos mltiples. La optimizacin de un solo objetivo se usa para
identificar las soluciones ptimas o casi ptimas segn la funcin objetivo nica. Tan pronto
como se encuentre una solucin mejor que la mejor solucin actual, se aceptar. La
optimizacin multiobjetivo es ubicar las soluciones no inferiores (o no dominadas) en el
espacio de la solucin. La solucin A se llama no inferior a la solucin B si y solo si la solucin A
no es peor que la solucin B en todos los objetivos. Tambin se dice que la solucin A domina
la solucin B o que la solucin A es una solucin no dominada. Una solucin global no
dominada se define como la solucin que no es peor que cualquier otra solucin factible en
todos los objetivos. Existen mltiples soluciones globales no dominadas. La tarea de una
optimizacin multiobjetivo es buscar todas las soluciones globales no dominadas o no
inferiores, tambin conocidas como el conjunto ptimo de Pareto o el frente ptimo de
Pareto.

Convencionalmente, un problema de optimizacin multiobjetivo se transform en un

problema de optimizacin de un solo objetivo utilizando dos enfoques que incluyen la suma
ponderada de los objetivos y el mtodo de restriccin electrnica (Cohon, 1978). El enfoque de
suma ponderada aplica un conjunto de factores de ponderacin a todos los objetivos y resume
los objetivos ponderados para construir un objetivo nico compuesto. Se espera que la
optimizacin de un objetivo compuesto sea equivalente a la optimizacin de los objetivos
mltiples originales, pero la solucin ptima depende de los pesos elegidos y solo puede
buscar una nica solucin ptima en lugar de soluciones ptimas de Pareto en una sola
ejecucin. El mtodo de restriccin elige una de las funciones objetivo y trata las otras
funciones objetivas como restricciones. Cada una de las restricciones est limitada a un valor
prescrito. Transforma un problema de optimizacin multiobjetivo en una optimizacin de un
solo objetivo. La solucin ptima resultante del mtodo de restriccin, sin embargo, depende
de los lmites de restriccin predefinidos. Las soluciones ptimas de Pareto pueden obtenerse
realizando mltiples ejecuciones del problema de optimizacin de un solo objetivo utilizando
diferentes factores de ponderacin o lmites de restriccin. Cuantas ms combinaciones de
factores de ponderacin o lmites de restricciones, cuantas ms ejecuciones de optimizacin se
requieren, mayor ser el costo computacional. Por el contrario, el algoritmo gentico
multiobjetivo optimiza al mismo tiempo todas las funciones objetivas en una ejecucin sin
ninguna correccin en las funciones objetivas. Proporciona un mtodo efectivo para manejar
la optimizacin multiobjetivo.

El objetivo de la optimizacin de un solo objetivo es buscar una solucin ptima. La

optimizacin multiobjetivo tiene dos objetivos durante el proceso de bsqueda. Uno de los
objetivos es encontrar un conjunto de soluciones ptimas de Pareto lo ms cerca posible del
frente ptimo de Pareto. El segundo objetivo es mantener un conjunto de soluciones ptimas
de Pareto lo ms diversas posible. La bsqueda de soluciones ptimas de Pareto es sin duda la
tarea principal para la optimizacin multiobjetivo. Una solucin de problema de optimizacin
de un solo objetivo se evala mediante el valor objetivo, que contribuye directamente a la
idoneidad de la solucin de genotipo correspondiente. Sin embargo, la idoneidad de una
solucin para el problema de optimizacin multiobjetivo est determinada por el dominio de
la solucin que se puede definir como el nmero de soluciones dominadas entre la poblacin
actual de soluciones. Cuanto ms fuerte es el dominio, mayor es la aptitud que se le asigna a
una solucin. Si bien la identificacin de soluciones Paretooptimales es importante, tambin es
esencial mantener la diversidad de las soluciones ptimas de Pareto. Al tratar con la
optimizacin multiobjetivo, como minimizar el costo y maximizar los beneficios para un
sistema de distribucin de agua, se anticipa que se encontrarn soluciones de intercambio
ptimas y se distribuirn uniformemente para todo el rango de presupuesto de costos. Esto
normalmente se logra mediante el uso de un mtodo de compartir el estado fsico o la
agrupacin de soluciones.

Para resolver de manera efectiva el problema del diseo ptimo de compensacin de costo-
beneficio, como se formul en la seccin anterior, el algoritmo gentico rpido y desordenado
(Goldberg et al., 1993) se ha ampliado para manejar las funciones multiobjetivo. El GA rpido y
desordenado multiobjetivo se ha integrado con el solucionador de redes hidrulicas Bentley
WaterCAD V8i. El enfoque integrado (Wu et al., 2002) proporciona una poderosa herramienta
de optimizacin del diseo para ayudar a los ingenieros hidrulicos a disear de manera
prctica y eficiente un sistema de distribucin de agua. Ofrece la capacidad de tres niveles de
anlisis de diseo de optimizacin, incluido el diseo de costo mnimo, el diseo de beneficios
mximo y la optimizacin del diseo de compensacin de costo-beneficio.

Algoritmos genticos competentes

La mecnica de trabajo de un algoritmo gentico se deriva de una suposicin simple (Holland
1975) de que la mejor solucin se encontrar en la regin de la solucin que contiene una
proporcin relativamente alta de buenas soluciones. Un conjunto de cadenas que representan
las buenas soluciones logra ciertas similitudes en los valores de bit. Por ejemplo, las cadenas
binarias de 3 bits 001, 111, 101 y 011 tienen una plantilla de similitud comn de ** 1, donde el
asterisco (*) denota un smbolo de no cuido que toma un valor de 1 o 0. Los cuatro las cadenas
representan cuatro buenas soluciones y contribuyen a los valores de aptitud de 10, 12, 11 y 11
a una funcin de aptitud de:

Donde, x1, x2 y x3 toman directamente un valor de bit como un entero de izquierda a derecha.
En general, una plantilla de similitud corta que contribuye a una aptitud superior a la media se
llama bloque de construccin. Los bloques de construccin a menudo estn contenidos en
cadenas cortas que representan soluciones parciales a un problema especfico. Por lo tanto, la
bsqueda de buenas soluciones descubre y yuxtapone las cadenas cortas buenas, que
esencialmente designan una buena regin de solucin, y finalmente conduce una bsqueda a
la mejor solucin.

Goldberg et al. (1989) desarrollaron el desordenado algoritmo gentico como uno de los
paradigmas de algoritmos genticos competentes centrndose en mejorar la capacidad de GA
de identificar e intercambiar bloques de construccin. La primera generacin del GA
desordenado inicializa explcitamente todas las cadenas cortas de una longitud deseada k,
donde k se refiere al orden de un bloque de creacin definido por una cadena corta. Para una
representacin de cadena binaria, todas las combinaciones de bloques de construccin de
orden-k requieren un nmero de cadenas iniciales cortas de longitud k para un problema de l-
bit:

Por ejemplo, el tamao de poblacin inicial de cadenas cortas, al enumerar por completo los
bloques de construccin de orden 4 para un problema de 40 bits, es ms de un milln. Esto
hizo imposible la aplicacin de la GA desordenada de primera generacin a un problema de
optimizacin a gran escala. Este cuello de botella se ha superado introduciendo un
procedimiento de filtro de bloque de construccin (Goldberg et al., 1993) en la desordenada
AG. El procedimiento de filtro acelera el proceso de bsqueda y se llama GA rpida y sucia.

La GA rpida y sucia emula el poderoso proceso gentico-evolutivo en dos bucles anidados, un

bucle externo y un bucle interno. Cada ciclo del bucle externo, denotado como una era, invoca
una fase de inicializacin y un bucle interno que consta de una fase de filtrado de bloques de
construccin y una fase de yuxtaposicin. Como un algoritmo gentico simple, la desordenada
inicializacin GA crea una poblacin de individuos aleatorios. El tamao de la poblacin debe
ser lo suficientemente grande como para garantizar la presencia de todos los bloques de
construccin posibles. Luego, se aplica un procedimiento de filtrado de bloque de construccin
para seleccionar cadenas cortas de mejor ajuste y reducir la longitud de la cuerda. Funciona
como un filtro para eliminar los genes defectuosos que no pertenecen a bloques de
construccin, de modo que la poblacin contiene una alta proporcin de cadenas cortas de
buenos genes. El procedimiento de filtrado contina hasta que la longitud total de la cuerda se
reduce a una longitud deseada k.

Finalmente, sigue una fase yuxtaposicin para producir nuevas cadenas. Durante esta fase, los
bloques de construccin procesados se combinan e intercambian para formar descendencia
mediante la aplicacin de los operadores de seleccin y reproduccin. La fase de yuxtaposicin
finaliza cuando se alcanza el nmero mximo de generaciones y se completa el ciclo de una
iteracin de una era. La longitud de las cuerdas cortas que contiene los bloques de
construccin deseados a menudo se especifica cmo lo mismo que una era, comenzando con
uno hasta un nmero mximo de era. Debido a esto, las cadenas cortas preferidas aumentan
en longitud sobre las iteraciones externas. En otras palabras, un GA desordenado desarrolla
soluciones a partir de cadenas cortas desde la longitud uno hasta la longitud mxima deseada.
Esto permite que el GA desordenado imite el proceso de evolucin natural y biolgica que un
organismo simple o de una clula evoluciona en un organismo ms sofisticado e inteligente.
Goldberg et al. (1989, 1993) ha dado el anlisis detallado y el procedimiento de clculo de la
desordenada GA.