Documente Academic
Documente Profesional
Documente Cultură
1
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
Cuprins
1.Introducere ..........................................................................................................3
2.Rezultate in domeniul autovehiculelor ...............................................................6
2.1.Obiective: .....................................................................................................7
2.2. Procesele agricole: ......................................................................................8
2.3. Gestionarea fermelor...................................................................................8
3.Solutia propusa....................................................................................................9
4. Alocarea optimă a apei în ferme folosind Algoritmi Genetici ........................10
4.1 Importanța irigării ......................................................................................10
4.2 Ce s-a implementat până acum ......................................................................11
4.3 Bazele Teoretice.............................................................................................12
4.3.1 Algoritmi genetici ...................................................................................12
4.3.2 Cerința de apă pentru irigații ..................................................................14
4.4 Prepararea datelor ......................................................................................15
4.5 Formularea problemei de alocare in contextul algoritmilor genetici ........16
4.6 Rezultate ....................................................................................................20
5. Concluzii ..........................................................................................................23
6.Bibliografie .......................................................................................................24
2
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
1.Introducere
3
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
4
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
5
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
6
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
2.1.Obiective și provocări
7
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
Cele mai multe prototipuri au avansat însă la stadiul în care sistemul de comunicație
intervine în procesul de conducere a unui autovehicul, acționând automat frâna și chiar și
coloana de direcție pentru a evita un obstacol. Aceste prototipuri, deși aflate într-un stadiu
de dezvoltare incipient, au rolul de a demonstra publicului larg utilitatea acestor sisteme.
Un proces de afaceri este un set de sarcini legate logic pentru a realiza un rezultat de
afaceri definit (Davenport and Short, 1990). Procesele de afaceri pot fi împărțite în procese
de afaceri primare și de sprijin (Davenport, 1993; Porter, 1985). Procesele de afaceri
primare sunt cele implicate în crearea produsului, marketingul și livrarea către cumpărător
(Porter, 1985). Sprijinirea proceselor de afaceri facilitează dezvoltarea, implementarea și
menținerea resurselor necesare proceselor primare. Procesele de afaceri ale agriculturii
diferă semnificativ între diferitele tipuri de producție, de ex. Creșterea animalelor,
agricultura agricolă și cultivarea serelor. O caracteristică comună este că producția agricolă
depinde de condițiile naturale, cum ar fi clima (lungimea și temperatura zilei), solul,
dăunătorii, bolile și vremea (Nuthall, 2011).
8
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
3.Solutia propusa
Ceea ce se propune prin această lucrare constituie o interacțiune între mai multe
sisteme, care are ca finalitate irigarea cât mai eficienta a terenurilor diverselor ferme, care
nu dispun de suficientă apă de la sursă pentru a-și iriga terenurile, asa că trebuie rezolvată
o problemă de optimizare în care cantitatea de apă utilizata de către ferme să fie distribuită
în mod echitabil astfel încât profitul pe suprafața respectivă să fie maximizat. Pentru a
rezolva această problema s-a propus o metodă folosind algoritmi genetici.
Există zone pe globul pământesc care nu beneficiază de surse de apă destule, așa
că este necesar un mecanism de gestionare a acestei resurse valoroase. Prin urmare,
gestionarea și utilizarea adecvată de apă poate contribui semnificativ la depășirea acestei
crize. Cel mai important aspect legat de managementul apei folosit în agricultura este legat
de planificarea irigării, care este în esență o problemă de alocare. Alocarea adecvată a apei
către ferme nu este o problema simplă, din cauza cantităților de apă disponibilă, efectul
diferiților parametri, caracteristicile neliniare ale funcției obiectiv și lărgimea spațiului
soluției. De obicei pentru a rezolva astfel de probleme complexe, o metodă cum ar fi
algoritmii genetici, ar putea fi un candidat bun.
9
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
Creșterea populației a sporit cererea de apă pentru diferite secțiuni precum industria,
agricultura etc. Pe de altă parte, sunt diferite zone și țări care se confruntă cu secete
îndelungate, spre exemplu Iranul este considerată una dintre cele mai aride zone.
Precipitațiile în Iran sunt sub o treime din precipitațiile medii de pe tot globul pământesc.
În această situație este necesar, nu neaparat pentru Iran, existența unui sistem care
gestionează resursele de apa.
Cunsumatorii de apa aparțin diferitelor secțiuni cum ar fi agricultura, servicii,
industii și etc. La scară mondială, agricultura este principalul consumator de apă cu mai
mult de 70%. În mod ideal, alocarea de apă ar trebui făcută eficient, practic și din punct de
vedere economic și tehnic.Alocarea eficientă din punct de vedere economic înseamnă
distribuirea apei pentru a maximiza profitul. Alocarea echitabilă din punct de vedere social
tinde spre distribuție pentru păstrarea intereselor și alocarea echitabila a apei pentru
grupurilor economice mai slabe. Prin urmare, este necesar să existe un sistem adecvat de
alocare a apei, în care apa este considerată marfă socială și economică. Alocarea
necorespunzatoare a apei în ferme a provocat o mulțime de probleme în procesul de irigații.
În unele cazuri, unele ferme primesc mai putină apă în ceea ce privește culturile, de unde
rezultă o scădere a eficienței și în unele cazuri la uscarea întregii culturi agricole sau a unei
parți din aceasta.
Alocarea adecvată a apei pentru ferme nu este o problema simplă, din cauza
cantității limitate de apă disponibilă, a efectului diferiților parametri, a caracteristicilor
neliniare ale funcției obiectiv și dimensiunii spațiului soluției. De obicei, pentru a rezolva
astfel de probleme complexe, o metoda meta-euristică, cum ar fi algoritmii genetici ar putea
fi un candidat bun. Acești algoritmi este utilizat pentru a rezolva problema alocării unei
cantități de apă diferite la un număr de ferme. În acest model se specifică cantitatea de apă
transferabilă folosind canale, într-o perioadă de irigare. Cantitatea de apă cerută de fiecare
fermă este calculată pe baza tipului de cultură, stadiul dezvoltarii culturii și alți parametrii.
Folosind acestea, se determină funcția de producție a apei pentru fiecare fermă. Apoi,
folosind funcția de producție a apei, zonele agricole, veniturile și costurile fiecărui tip de
cultură, se calculează funcția obiectiv. Această funcție obiectiv este utilizată de către
10
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
algoritmul genetic pentru alocarea apei fermelor. Funcția obiectiv este definită astfel încât
profitul economic extras din toate fermele să fie maximizat.
Din cauza deficitului intensiv de apă, mai ales în regiunile aride și semi-aride,
utlizarea irigării cu deficit este inevitabilă pentru eficientizarea culturii, în mai multe
cercetări a fost recomandată ca o metoda eficientă în situațile de deficit de apă. În această
metodă, planificarea se bazează pe alocarea optimă și limitată a apei și nu pe baza cerinței
de apă pentru fiecare cultură. Corectarea planificării de irigații, nu în funcție de necesarul
de apă pentru cultură, ci in funcție de consumul optim de apă alocată, va fi o metodă bună
care ar putea fi realizată prin irigarea cu deficit.
Rețele de irigare sunt formate din caracteristici spațiale. Aceste caracteristici conțin
informații despre atribute. Ca urmare, o multitudine de subiecte legate de irigare, cum ar fi
alocarea apei de irigare, sunt legate atât de informații spațiale, cât și de atribute. Resursele
de apă, canalele de distribuție a apei și fermele agricole sunt dependente de locație.
Sistemul de informații geospatiale poate furniza aceste date într-un mediu integrat. În
cadrul lucrării de față se propune ca fiind utilizat acest sistem pentru pregătirea
informațiilor spatiale și a atributelor.
recoltare a culturilor într-un plan de irigare (Kuo et al., 2000). Wardlaw și Bhaktikul au
realizat optimizarea utilizării resurselor de apă în sistemele ciclice de irigare folosind
algoritmi genetici. Rezultatele cercetarilor arata ca algoritmii genetici pot optimiza
planificarea irigării în situații de deficit de apă (Wardlaw și Bhaktikul, 2004). Zia și Anwar
au folosit algoritmii genetici pentru programarea irigaților pentru diferite culturi în situația
în care cantitatea de apă este limitată. Cercetatorii au ajuns la concluzia că algoritmii
genetici(AG) dispun de o multime de abilități pentru rezolvarea problemelor de planificare
a irigațiilor (Zia și Anwar, 2010).
Rezultatele cercetatorilor arată capacitatea AG în planificarea și managementul
irigațiilor. În lucrararea de față se utlizeaza AG pentru alocarea optimă a apei pentru ferme,
având în vedere necesarul de apă pe care îl are cultura și cât de deficitară de apă este zona
respectivă.
Potrivit cercetatorilor, metodele de alocare a apei se realizează la diferite niveluri,
cum ar fi diferite sectoare de consum de apă (agricultura, industrie, hidroelectrică etc.),
culturi, ferme, etc. Cu siguranță, pe măsură ce scara devine mai mica, alocarea va fi mult
mai precisă, dar complexitatea și numărul de calcule va fi mai dificilă. Majoritatea
cercetatorilor se concentrează pe alocarea apei către diferite secțiuni, rețele și culturi. În
timp ce natura acestei probleme este alocarea apei fermelor, deoarece tipul de cultura si
etapele de dezvoltate a culturii sunt diferite pentru fiecare fermă și necesita o cantitate de
apă diferită.
12
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
mare cu cât gradul de adaptare crește, ceea ce în termeni de optimizare înseamnă că soluția
se apropie de optim.
Algoritmii genetici au fost aplicaţi cu succes într-o varietate de aplicaţii care
necesită optimizarea globală a soluţiei. Algoritmii genetici se referă la un model introdus
şi analizat de J. Holland în 1975 şi sunt proceduri adaptive care găsesc soluţia problemei
pe baza unui mecanism de selecţie naturală şi evoluţie genetică. Algoritmul este des folosit
pentru probleme în care găsirea soluţiei optime nu este uşoară sau cel puţin ineficientă
datorită caracteristicilor căutării probabilistice. Algoritmii genetici codifică o soluţie
posibilă la o problemă specifică într-o singură structură de date numită „cromozom” şi
aplică operatori genetici la aceste structuri astfel încât să menţină informaţiile critice.
Algoritmii genetici pornesc de la o mulţime iniţială de soluţii (de obicei aleasă
aleator) numită în literatură „populaţie”. În această populaţie fiecare individ este numit
„cromozom” şi reprezintă o soluţie posibilă a problemei. În aproape toate cazurile
cromozomul este un şir de simboluri (de obicei reprezentat ca un şir de biţi). Aceşti
cromozomi evoluează pe durata iteraţiilor succesive numite generaţii. În fiecare generaţie,
cromozomii sunt evaluaţi utilizând unele măsuri de potrivire (fitness). Pentru crearea
următoarei populaţii cei mai buni cromozomi din generaţia (populaţia) curentă sunt
selectaţi şi noii cromozomi sunt formaţii folosind unul dintre cei trei operatori genetici
esenţiali: selecţia, crossover şi mutaţia.
Selecţia asigură că anumiţi cromozomi din generaţia curentă sunt copiaţi în acord
cu valoarea funcţiei lor de potrivire în noua generaţie ceea ce înseamnă că cromozomii cu
o importanţă mare au o probabilitate mare să contribuie la formarea noii generaţii.
Crossover este un alt operator genetic care reprezintă procesul prin care pe baza a doi
cromozomi din populaţia curentă sunt formaţi doi cromozomi pentru populaţia următoare.
Mutaţia este procesul prin care un cromozom din populaţia curentă este modificat şi salvat
în noua populaţie.
Algoritmii genetici sunt considerați de specialiști o aplicație a inteligenței artificiale.
Ca aplicații practice, algoritmii genetici sunt cel mai adesea utilizați în rezolvarea
problemelor de optimizare, planificare ori căutare. Condiția esențială pentru succesul unei
aplicații cu agenți inteligenți este ca problema de rezolvat să nu ceară obținerea soluției
optime, ci să fie suficientă și o soluție apropiată de optim.
13
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
14
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
Suprafata de studiu
15
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
În această cercetare s-a presupus că regiunea studiului de caz este situată la câmpia
Tarom-Khalkhal din provincia Zanjan și au fost utilizate informații despre această câmpie.
Câmpia menționată se află în bazinul râului Sefidrood și are un climat semi-arid și o
altitudine de 1796. Modelul de sol este lut. Tipul culturilor agricole (modelul de cultură
existent) și data cultivării acestora sunt simulate conform câmpiei Tarom-Khalkhal. În
culturile de masă cultivate în această regiune și proprietățile lor sunt prezentate. Datele
acestei cercetări pentru calcule economice, incluzând costul, performanța și venitul, sunt
pentru un hectar de culturi care au fost extrase din biroul agricol al provinciei Zanjan în
anul de creștere 2013-2014.
Un alt parametru important care va fi necesar în funcția de fitness este reprezentat
etapele de dezvoltare a culturilor fiecărei ferme, în funcție de tipul culturii și de data de
cultivare. Etapele de dezvoltare a culturilor sunt: 1 - stadiul inițial de cultură: este de la
momentul implantului până când cultura acoperă% 10 din fermă. Dezvoltarea a două
culturi: această etapă începe de la acoperirea% 10 și continuă până la acoperirea efectivă
completă. Acoperirea completă eficientă în majoritatea culturilor apare la nașterea florii.
3-a sezoane: această etapă începe de la acoperirea efectivă completă și continuă până la
maturarea culturilor. 4 - sezonul târziu: această etapă începe de la maturizarea culturilor și
continuă până la recoltare sau uscare.
În această secțiune alocarea de apă pentru ferme este formulată în contextul algoritmilor
genetici.
Funcția de fitness
Functia de fitness este realizarea profitului obținut din alocarea apei pentru suprafețe
agricole cu ajutorul optimizării procesului de irigare. Funcția de fitness este descrisa in
ecuația următoare:
16
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
𝑛
𝑌𝑎
max ∑ [𝐵𝑖 ( ) − 𝐶𝑖 ] 𝐴𝑖
𝑌𝑝 𝑖
𝑖=1
În această ecuație, 𝑛 este numărul total al fermelor, 𝐴𝑖 este suprafața unei ferme
(măsurată în hecatare), 𝐵𝑖 si 𝐶𝑖 sunt veniturile și costurile recoltei unei ferme, respectiv 𝑌𝑎
𝑌𝑎
si 𝑌𝑏 sunt randamentele efective și potențiale ale fermei, este functia de producție a apei.
𝑌𝑏
Funcțiile de producție a apei au în vedere parametrii cum ar fi apa furnizată pentru culturi
sau cantitatea de transpirație și evaporare, astfel se poate calcula randamentul.
𝑛
𝑌𝑎 𝑊𝑎
= ∏[1 − 𝐾𝑦𝑗 [1 − ] 𝑗]
𝑌𝑏 𝑊𝑝
𝑗=1
În aceasta ecuatie, n este numărul total de etape de dezvoltare a culturi, 𝐾𝑦 este factorul
de răspuns la randament, iar 𝑊𝑎 si 𝑊𝑝 sunt alocate, respectiv apa (𝑚3 /ℎ𝑎).
Definirea cromozomului
Deficitul de apă este calculat conform relației următoare:
𝑛
În această ecuatie, 𝐷𝑡𝑜𝑡𝑎𝑙 este cantitatea de deficit de apă (𝑚3 ), 𝑛 este numărul total
de ferme, 𝑊𝑚 este cerința de apă pentru irigare (𝑚3 ), iar 𝑄𝑡𝑜𝑡𝑎𝑙 este cantitatea maximă de
apă disponibilă (𝑚3 ). Potrivit datelor existente, cantitatea de apă pentru irigare necesară.
Potrivit datelor existente, cantitatea de apă pentru irigare pentru toate fermele într-o
perioadă (21 mai – 21 iunie) este de 159377𝑚3 , dar cantitatea de apă disponibilă în această
perioadă este de 139000𝑚3 . Ca urmare, rezultă un deficit de apă de 20377𝑚3 , trebuie
utilizată irigarea cu deficit.
Pentru reducerea spațiului soluției, se determină cantitatea de apă care trebuie
redusă din fiecare exploatație, astfel încât să fie compensate defiențele de 20377𝑚3 ; apoi
cantitatea de apă alocată fiecarei ferme este specificată prin reducerea cantității de apă
pentru irigare a fiecarei ferme din această cantitate. Această cantitate trebuie să fie astfel
17
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
încat profitul să fie maximizat. Ca rezultat, un cromozom are 𝑛 ferme este definit în figura
′
de mai jos, 𝑆𝑎𝑖 este cantitatea de apă ce trebuie redusă pentru fiecare fermă (𝑚3 ).
0 ≤ 𝑆𝑎𝑖 ≤ 𝑊𝑚𝑖
Cantitatea de apă alocată (𝑆𝑎 ) pentru fiecare fermă este calculată cu ecuația:
′
𝑆𝑎𝑖 = 𝑊𝑚𝑖 − 𝑆𝑎𝑖
Selectarea părinților
Cromozomii sunt selectați pentru a fi părinții generației următoare utilizând metoda
Roullette Wheel. În această metodă, fiecare cromozom este selectat cu o probabilitate
proporțională cu valoarea lui de fitness, cum este prezentată în ecuația următoare:
𝑓(𝑥𝑘 )
𝑃𝑘 =
∑𝑛𝑘=1 𝑓(𝑥𝑘 )
18
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
Funcția Crossover
În acest studiu s-a folosit un singur punct de crossover. În această metodă, un punct
din cromozomii părinti este ales (aleatoriu sau manual) și combinat unul cu celălalt. În
figura următoare este prezentat un exemplu de încrucișare în problema dorită.
Funcția de mutație
Pentru mutație se selectează un număr aleator între 0 și 1; dacă numărul este mai
mic decât rata de mutație, are loc mutația pentru acest cromozom. În mutații, 𝑛 gene sunt
selectate aleator. Apoi aceași 60𝑚3 sunt reduși la aceste gene și sunt adăugați la alte gene
care au fost selectate aleatoriu. Acest lucru se întâmplă când a fost creat cromozomul
corect; de fapt constrângerile problemei ar trebui păstrate, și cum constrângerile sunt
păstrate, iar prima este întotdeauna adevărată, trebuie verificată numai a doua constrângere.
Dacă se modifică a doua constrângere din cele două gene (scăderea de la o genă și
adăugarea la o altă genă), nu vor fi selectate alte două gene. În figura următoare este
prezentat un exemplu al acestui tip de mutație, in cazul 6 ferme și o schimbare (𝑛 = 1)
cu cantitatea de 60𝑚3 .
19
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
Elitism
În această problemă elitismul este aplicat prin procentajul de elitism. Acest
parametru identifică cantitatea de cromozomi din fiecare iterație considerată ca fiind de
elita. Cromozomul de cultura al fiecărei iterații are cea mai buna funcție de fitness și acești
cromozomi se transferă la următoarea iterație fără nicio modificare. Niveluri scăzute de
elitism, încetinesc convergența algoritmului. În contrast, nivelurile ridicate de elitism,
determină ca algoritmul să scadă în optimele locale.
4.6 Rezultate
Algoritmul genetic, pentru strategia de față a fost implementat in Matlab. Valorile
optime pentru paramentrii algoritmului genetic au fost obținuți pe baza mai multor rulări
repetitive.
Parametru Valoare
Numarul inițial de populații 100
Procentul de elitism 15%
20
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
Punctul crossover 50
Rata de mutație 0.3
Numărul de modificări într-o mutație 30
Valorile modificărilor în mutație 60
Numărul de iterații 1500
21
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
Convergență algoritm
Cum se observa în graficul anterior, funcția de fitness are o convergență graduală.
De la început până la iterația 200, convergenta este accelerată, apoi de la iterația 200 până
la 600, accelerația convergenței scade, apoi de la iterația 700 mai departe, are loc o
22
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
îmbunătățire mică. Timpul de rulare al algoritmului este de 394 secunde, ceea ce este logic,
cosiderând dimensiunea spațiului soluției.
Obținerea de rezultate identice, după mai multe execuții ale algoritmului este un
indicator al stabilității și repetabilității alogoritmului. Pentru a evalua acest algoritm,
privind acest criteriu, acesta este executat de 10 ori. Rezultatele sunt prezentate in figura
următoare.
Repetabilitatea algoritmului
Pentru o comparație mult mai precisa a stabilității algoritmului, s-au efectuat 10
rulări ale acestuia pentru a se determina variația. Din cauza normalizării, variația este între
0 și 1, cu cât este mai aproape de 0 cu atât algoritmul este mai stabil. Pentru a asigura o
stabilitate cât mai bună s-a normalizat cu 0.1512.
5. Concluzii
23
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
6.Bibliografie
24
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE
2. B.A. Ogunnaike and W.H. Ray, Process Dynamics, Modeling and Control. Oxford
University Press, New York, 1994
3. K.J. Astrom and H.Hagglund. PID Controllers: Theory, Design, and Tuning(2nd
ed.) Instrument Society of America, Research Triangle Park, NC,1995
6. Babel, M. S., A. Das Gupta, and D. K. Nayak. 2005. A model for optimal
allocation of water to competing demands." Water Resources Management
7. Zia, U.H. and Anwar, A. 2010. Irrigation scheduling with genetic algorithms.
Journal of Irrig. and Drain. Eng
25