Sunteți pe pagina 1din 25

UNIVERSITATEA POLITEHNICA BUCUREȘTI,

FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

COMUNICAȚIA ÎNTRE VEHICULE


AUTONOME

Student: Lăscae Ștefan Theodor


Grupa: 331 AC

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

În cele ce urmează, referatul își propune să realizeze o analiză asupra soluțiilor ce


vizează automatizarea sistemelor de comunicație între autovehicule autonome.
Automatizarea unui proces tehnologic constă în dotarea instalaţiei tehnologice cu
anumite echipamente tehnice speciale în vederea efectuării automate a operaţiei de
conducere a acestuia în condiţii prestabilite. Cu alte cuvinte, automatica este o ştiinţă
inginerească ce se referă la conducerea proceselor şi are drept studiu automatizarea
acestora.
Indiferent de varianta de realizare, întotdeauna automatizarea este şi o problemă de
optimizare. Când se implementează o operaţie de automatizare trebuie sa fie a1easă soluţia
optimă de automatizare, trebuie sa fie alese echipamentele tehnice optime pentru procesul
tehnologic respectiv şi trebuie să se aleagă operarea optimă a echipamentelor tehnice alese.
Automatizarea reprezintă în ultimă instanţă cea mai ridicată treaptă de conducere care
poate să asigure performanţe ridicate pentru procesul condus.
Performanţele procesului condus sunt apreciate cu un anumit criteriu, numit criteriu
de performanţă. Criteriul de performanţă trebuie întotdeauna să respecte o serie de restricţii
privind calitatea producţiei şi securitatea instalaţiilor tehnologice. Automatizarea se
defineşte ca operaţia de introducere într-un flux tehnologic a unor echipamente speciale cu
scopul de a realiza conducerea procesului respectiv.
Procesul este instalaţia tehnologică sau utilajul asupra căruia se realizează operaţia
de automatizare. Procesul este caracterizat prin una sau mai multe variabile măsurabile
care trebuie menţinute la o anumită valoare, modificabilă după anumite legi prestabilite. În
literatura de specialitate germană, procesul este denumit obiect reglat, iar în literatura
engleză şi rusă, element automatizat.
Dispozitivul de automatizare (DA) sau de conducere (DC) este ansamblul
echipamentelor tehnice care se ataşează procesului în vederea realizării operaţiei de
automatizare.Sistemul automat (SA) este ansamblul alcătuit din proces şi dispozitivul de
automatizare.
Elementul de reglare (ER) este orice element component din cadrul sistemului
automat în interiorul căruia se transmite o anumită informaţie. Elementul de reglare
prezintă o variabilă de intrare care este de obicei o variabilă independentă şi o variabilă de

3
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

ieşire care este o variabilă dependentă. Elementul de reglare stabileşte o anumită


dependenţă în regim static şi dinamic între cele două variabile de intrare şi de ieşire.
Dezvoltarea investigaţiilor ştiinţifice de-a lungul timpului a permis evidenţierea
unor trăsături comune pentru clase întregi de fenomene, fapt ce a permis ulterior tratarea
unitară a acestora prin crearea teoriei moderne a sistemelor.
Sistemul se defineşte ca un ansamblu de elemente af1ate în interacţiune, căruia îi
sunt specifice o anumită organizare şi un anumit scop. Efectiv interacţiunile din interiorul
unui sistem reprezintă fluxurile de masă, energie sau informaţii.
Ceea ce nu aparţine unui sistem este numit mediu înconjurăor sau mediu exterior.
Între sistem şi mediul exterior exista de regulă schimburi permanente de masă, energie sau
informaţie. Unele fluxuri de masă, energie sau informaţie care intră sau ies din sistem sunt
utilizate drept comenzi. În urma modificării acestor comenzi după anumite strategii se
asigură evoluţii convenabile ale sistemelor, proprietate numită contrabilitate.
Comenzile şi perturbaţiile asociate unui sistem reprezintă mulţimea variabilelor
independente numite şi variabile de intrare. Mărimile asociate calităţii produselor şi uneori
cantităţii acestora reprezintă mulţimea variabilelor dependente respectiv variabile de ieşire.
Autoreglarea este proprietatea internă a sistemului respectiv de a-şi menţine starea
curentă egală cu o anumită stare de referinţă fără nici o intervenţie din afara sistemului.
Sistemele tehnice care fac parte din această clasă sunt alcătuite din două părţi componente:
procesul şi dispozitivul de automatizare conectate în opoziţie. Toate sistemele automate
care au conectat dispozitivul de automatizare în opoziţie cu procesul sunt sisteme cu
autoreglare. Ele se mai numesc şi sisteme de reglare automata ( SRA ). Variabila de intrare
este uneori denumită şi valoare prescrisă sau valoare dorită, iar variabila de ieşire, mărime
reglată sau parametru reglat.
La modificarea valorii efective a mărimii de perturbaţie se modifică în timp şi
valoarea variabilei de ieşire după o anumită funcţie. La intrarea dispozitivului de
automatizare este sesizată diferenţa între valoarea efectivă a variabilei de intrare şi valoarea
efectivă a variabilei de ieşire.
Dispozitivul de automatizare prelucrează această diferenţă după o anumită lege
prestabilită şi acţionează direct asupra procesului în vederea readucerii valorii efective a
variabilei de ieşire la valoarea efectivă a variabilei de intrare. Mărimea fizică prin
intermediul căreia dispozitivul de automatizare acţionează asupra procesului poartă numele
de mărime de execuţie (m).

4
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

Se urmăreşte ca procesul să fie menţinut într-o anumită stare permanentă prin


menţinerea constantă, la valoarea dorită, a valorilor efective ale variabilei de ieşire.
Dispozitivul de automatizare este alcătuit din elementul de măsurare, regulator şi elementul
de execuţie. Mărimea de execuţie acţionează direct asupra procesului în momentul în care
variabila de ieşire se modifică în raport cu valoarea efectivă a variabilei de intrare.
Modificarea variabilei de ieşire este determinată întotdeauna de modificarea efectivă a
valorii uneia din mărimile de perturbaţie (indiferent care, acestea devin modificabile).
Funcţionarea sistemului este simplă. În momentul în care una dintre mărimile de
perturbaţie se modifică, se modifică şi valoarea variabilei de ieşire, apărând o abatere.
Regulatorul prelucrează această abatere după o anumită lege, numită algoritm de
conducere, generând mărimea de comandă care acţionează asupra elementului de execuţie.
Elementul de execuţie va modifica mărimea de execuţie până în momentul în care valoarea
variabilei de ieşire ajunge din nou să fie egală cu valoarea variabilei de intrare.
Din punct de vedere al reglării automate se pot lua o serie de măsuri pentru
diminuarea acestor interinf1uenţe. Eliminarea completă a acestora poate fi făcută numai
prin utilizarea calculatoarelor de proces.
Conducerea optimală urmăreşte menţinerea unei anumite stări a procesului şi
conducerea procesului din punct de vedere tehnologic spre starea cea mai bună în vederea
obţinerii performanţelor dorite.
În cadrul conducerii optimale trebuie să se aleagă o anumită funcţie obiectiv (funcţie
de performanţă) care să fie minimizată sau maximizată. Deci procesul tehnologic trebuie
să fie adus automat într-o anumită stare în care să se obţină cele mai ridicate performanţe.
Conducerea procesului spre această stare se realizează cu ajutorul unor variabile
comandabile faţă de care variabila de ieşire prezintă dependenţe importante.
Între aceste variabile de ieşire şi funcţia obiectiv trebuie să existe relaţii de
dependenţă cunoscute şi posibilitatea practică de modificare a variabilei de decizie astfel
ca funcţia obiectiv să fie minimizată sau maximizată. .
La conducerea optimală starea procesului nu este constantă, ea este modificabilă în
direcţia dorită de operatorul uman. Caracterizarea sistemului sau a procesului în aceasta
situaţie este denumită caracterizare dinamică. Organismele vii şi multe alte sisteme din
societate, economie, poartă numele de sisteme care funcţionează cu autoreglare.

5
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

2.Rezultate in domeniul autovehiculelor

. În Întreaga lume, principala cauză de deces in rândul populației este reprezentată


de accidentele rutiere. Acestea produc anual mai multe victime decât orice alt mijloc de
transport, întrecand chiar și orice boală fatală sau dezastru natural. Studiile au demonstrat
că peste 60% din accidentele rutiere ar putea fi evitate dacă șoferul ar fi avertizat cu cel
puțin o jumătate de secundă inainte de impact. Operatorul uman prezintă limitări însemnate
în ceea ce privește analiza situațiilor de urgență care in cele mai multe cazuri apar foarte
rapid și necesită un timp de reacție extrem de mic. Dacă acestea ar putea fi sesizate de catre
sistemul digital de comunicație între vehicule, șoferul ar putea fi alertat din timp iar
deznodământul unei situații limită ar fi diferit.
Noțiunea de protocol de comunicație vehicul-vehicul (V2V) cuprinde o rețea de
comunicație wireless in cadrul căreia între automobilele participante la trafic se realizează
un schimb de informații. Informațiile transmise reflectă viteza de rulare, locația, ruta
aleasă, starea de decelerare (frânare) și stabilitatea autovehicului. Transmisia de date este
asigurată prin intermediul comunicațiilor cu rază scurtă de acțiune (DSRC – dedicated
short range communications) asemănătoare celor WI-FI (una din frecvențele utilizate este
chiar cea de 5.9GHz),cu o distanță maximă de comunicație de până la 300 de metrii,
distanța parcursă de către un autovehicul ce rulează in regim de autostradă în circa 10
secunde.
Rețelele de comunicație V2V vor fi proiectate sub forma unor rețele de tip mesh,
ceea ce va insemna că fiecare nod (vehicul, indicator rutier inteligent, etc.) vor putea
transmite, capta și retransmite semnale către orice nod angrenat în rețea. Analizarea
informațiilor provenite de la nodurile aflate cu 5 sau chiar 10 poziții în față va produce o
imagine de ansamblu asupra condițiilor de trafic ce se prefigurează in următorul kilometru.
Acest fapt poate genera rapoarte de avertizare și îndrumare ce nu pot fi ignorate nici măcar
de cei mai neatenți șoferi.
Primele versiuni de autovehicule integrate în acest sistem de comunicație vor fi
dotate doar cu sisteme de alertare a conducătorului auto sub forma unor lumini roșii
amplasate în funcțoe de tipul și marca autovehicolului condus.

6
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

2.1.Obiective și provocări

Comunicarea de la un vehicul la altul ar trebui să aibă un impact mai mare decât


tehnologiile avansate de automatizare ale vehiculelor, care au fost cele mai răspândite. Deși
autoturismele ar putea îmbunătăți în cele din urmă siguranța, acestea rămân imperfecte și
nedovedite, senzorii și software-ul fiind prea ușor de inșelat datorită condițiilor
meteorologice nefavorabile, obstacolelor sau circumstanțelor neașteptate sau conducerii
complexe din cadrul orașelor. Este posibil ca rețelele de mașini conectate fără fir să aibă
un efect mult mai mare și mai rapid asupra siguranței rutiere.
Crearea unei rețele car-to-car este o provocare complexă. Calculatoarele aflate la
bordul fiecărei mașini procesează diferitele citiri transmise de alte vehicule de 10 ori pe
secundă, de fiecare dată se calculează șansa unei coliziuni iminente. Transmițătorii
utilizează o porțiune dedicată a spectrului wireless, precum și un nou standard wireless,
802.11p, pentru autentificarea fiecărui mesaj.
Marca de mașini BMW a introdus tehnologia heads-up display, prin care
proiectează pe parbriz pictograme ce indică viteza, condițiile de drum, limita de viteză –
aceasta poate fi adaptată pentru a afișa semnale de atenționare de culoare roșie de tip
BRAKE, acompaniate de ușoare vibrații intermitente în volan.

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.

2.2. Cerinte de implementare

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).

2.3. Gestionarea fermelor

Procesele de management sau de control asigură atingerea obiectivelor procesului


de afaceri, chiar dacă apar perturbații. Ideea de bază a controlului este introducerea unui
controler care măsoară comportamentul sistemului și corectează dacă măsurătorile nu sunt
conforme cu obiectivele sistemului. Practic, aceasta implică faptul că sistemele trebuie să
aibă o buclă de feedback în care sunt prezente norme, senzori, discriminatori, factori de
decizie și efectoare. Ca o consecință, funcțiile de bază de management sunt:
•Senzoristica și monitorizare: măsurarea performanței reale a proceselor fermei. Acest
lucru se poate face manual de către un observator uman sau automatizat prin utilizarea
tehnologiilor de detectare cum ar fi senzori sau sateliți. În plus, pot fi obținute date externe
pentru a completa observațiile directe.

8
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

• Analiza și luarea deciziilor: compară măsurătorile cu normele care specifică


performanța dorită (obiectivele sistemului referitoare, de exemplu, la aspectele legate de
cantitate, calitate și timpde executie), semnalează deviațiile și hotărăsc intervenția
corespunzătoare pentru a elimina perturbațiile semnalate.
• Intervenție: planifică și implementează intervenția aleasă pentru a corecta
performanțele proceselor agricole.

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

4. Alocarea optimă a apei în ferme folosind Algoritmi Genetici

4.1 Importanța irigării

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.

4.2 Ce s-a implementat până acum

În anul 2013, a fost dezvoltat un sistem de susținere a deciziilor (Decision Support


System – DSS) pentru alocarea apei irigațiilor în nord-vestul Chinei. Montazar si
Rahimikob au dezvoltat un model de optimizare neliniară pentru alocarea optimă a apei și
modelul de recoltare, în rețeaua de irigare Qzzvin situată în Iran(Montazar și Rahimikob,
2008). Alvarez și colaboratorii săi au prezentat un model economic optim pentru
managementul apei de irigare(Alvarez et al., 2004). Doppler și colaboratorii săi au
investigat efectul strategiilor costului asupra alocării apei de irigare (Doppler et al. 2002).
Shangguan și colaboratorii au dezvoltat un model de alocare regională pentru alocarea
optimă a apei de irigare în situația deficitului de irigare (Shangguan et al., 2002). Reca și
colaboratorii au prezentat un model de optimizare economică pentru alocarea apei în
situația de irigare cu deficit (Reca et al., 2001).
Unele cercetări au folosit algoritmii genetici. Kuo și colaboratorii, cu ajutorul
algoritmilor genetici au dezvoltat un model optim pentru determinarea optimului de
11
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

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.

4.3 Bazele Teoretice

4.3.1 Algoritmi genetici

Algoritmii genetici sunt tehnici adaptive de căutare euristică, bazate pe principiile


geneticii și ale selecției naturale, enunțate de Darwin ("supraviețuiește cel care e cel mai
bine adaptat"). Mecanismul este similar procesului biologic al evoluției. Acest proces
posedă o trăsătură prin care numai speciile care se adaptează mai bine la mediu sunt
capabile să supraviețuiască și să evolueze peste generații, în timp ce acelea mai puțin
adaptate nu reușesc să supraviețuiască și cu timpul dispar, ca urmare a selecției naturale.
Probabilitatea ca specia să supraviețuiască și să evolueze peste generații devine cu atât mai

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

4.3.2 Cerința de apă pentru irigații

Cunoașterea necesarului de apă reprezintă o parte esențială a fiecărui plan de irigare.


Apa consumată de cultură include doua părți: prima este cantitatea de apă care intră în
rădăcini și apoi prin soma plantei intră în aer, a doua este cantitatea de apă care intră în aer
direct de pe suprafața solului. Prima parte se numeste „transpirație”, iar cea de-a doua se
numește „evaporare”, iar combinația lor, care este de fapt necesarul de apă pentru cultură
se numește „evapotranspiratie” (Alizadeh și Gholamali, 2008).
Pentru estimarea necesarului de apă pentru cultură există metode directe sau
indirecte, metode simple sau complexe și metode practice sau teoretice. Ecuația de mai jos
este o metoda indirectă pentru calculul necesarului de apă pentru cultură.
𝐸𝑇𝑐𝑟𝑜𝑝 = 𝐾𝑐 𝑥𝐸𝑇0

În această ecuație, 𝐸𝑇𝑐𝑟𝑜𝑝 este evapotranspirația culturii (mm), 𝐸𝑇0 este


evapotranspirația potențială a culturii de referință (mm) si 𝐾𝑐 este coeficientul de cultură.
Potențialul ET este cantitatea maximă de apă care, dacă există apa din abundență,
ar putea fi vaporizată de sol și suprafata culturii. Au fost sugerate numeroase metode
diferite pentru calculul 𝐸𝑇0 , fiecare dintre ele din punct de vedere al datelor solicită cerințe
diferite. 𝐸𝑇0 este de obicei calculat prin metoda Penman-Monteith. Această metodologie
este acceptată pentru cercetarile din regiunile semi-aride.
Coeficientul pentru cultură joaca un rol important în determinarea necesității de apă
a culturii. Deoarece, pe de o parte, este afectată tipul de cultură, etapele de dezvoltare a
culturii, pe de alta parte este afetcată de către clima și evaporarea de pe suprafața solului.
Cerința de apă pentru culturi este diferită de cerința de apa pentru irigare. Cerința
de apă pentru irigație este cantitatea de apă care trebuie administrată fermei prin irigare,
astfel încat cultura să crească cu puterea sa maximă. O parte din necesarul de apă pentru
irigatii ar putea fi asigurată de precipitatii. În plus, față de evapotranspirație, ar trebui
introdusă o cantitate suplimentara de apa în sol, astfel încât sărurile suplimentare sa fie
spălate departe de zonele de extindere a rădăcinilor. Cerința de apă pentru irigații se obține
din ecuația următoare. În această ecuație numărul 10 este pentru compresia de la 𝑚𝑚3 /ℎ𝑎.
𝐸𝑇𝑐𝑟𝑜𝑝 − 𝑃𝑒 + 𝐿
𝑊𝑝 = 𝑥10
𝐸𝑖 /100

14
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

In această ecuație, 𝑊𝑝 este necesarul de cerință de apă pentru irigare necesară


3
(𝑚 /ℎ𝑎), 𝑃𝑒 reprezintă precipitațiile efective (mm), L este cantitatea leșiere si 𝐸𝑖 este
eficiența irigarii. Există metode diferite pentru calculul eficient al precipitațiilor, cum ar fi
procentul constant al precipitațiilor, metoda experimentală etc. În acest studiu sa folosit
procentul constant de precipitații. În această metodă, precipitațiile sunt calculate in ecuatia
urmatoare:
𝑃𝑒 = 𝑎 ∗ 𝑝
In formula de mai sus, P este cantitatea de apă provenită din precipitații, iar a este
procentul constant de precipitații este considerat între 0.7 și 0.9.

4.4 Prepararea datelor

Suprafața de studiu a acestei cercetări este o zonă simulată cu o suprafață de peste


55 de hectare și 191 de ferme. Resursele de apă sunt un baraj simulat și un râu simulat. În
această cercetare, resursele de apă sunt modelate ca puncte și linii, canalele de transfer de
apă ca liniile și fermele ca poligoane. În această cercetare alocarea se face într-o perioadă
de irigare (22 mai - 21 iunie).

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.

4.5 Formularea problemei de alocare in contextul algoritmilor genetici

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

𝐷𝑡𝑜𝑡𝑎𝑙 = ∑ 𝑊𝑚𝑖 − 𝑄𝑡𝑜𝑡𝑎𝑙


𝑖=1

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 ).

𝑆𝑎1 ′ 𝑆𝑎2 ′ 𝑆𝑎3 ′ 𝑆𝑎4 ′ ... 𝑆𝑎𝑛 ′


Codarea unei soluții ca un cromozom
Această problemă de optimizare are două constângeri. Prima constrângere este limitarea
apei disponibile. A doua constrângere se referă la apa alocată fiecarei ferme.
𝑛

∑ 𝑆𝑎𝑖 ≥ 𝐷𝑡𝑜𝑡𝑎𝑙
𝑖=1

0 ≤ 𝑆𝑎𝑖 ≤ 𝑊𝑚𝑖
Cantitatea de apă alocată (𝑆𝑎 ) pentru fiecare fermă este calculată cu ecuația:

𝑆𝑎𝑖 = 𝑊𝑚𝑖 − 𝑆𝑎𝑖

Generarea populației inițiale


Un număr de cromozomi sunt generați aleatoriu. Pentru crearea fiecărui cromozom,
reducerea apei din fiecare fermă este determinată aleatoriu. Într-un mod care să țină
constrângerile; în caz contrar cromozomul va fi șters și va fi creat un nou cromozom care
să respecte constrângerile.

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 )

În această ecuație, 𝑃𝑘 este probabilitatea cromozomului cu indicele 𝑘 să fie selectat,


𝑓 (𝑥𝑘 ) este valoarea fitnesului a cromozomului 𝑘, și 𝑛 este numărul tuturor cromozomilor.

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.

Acum constrângerile trebuie verificate pentru copil. A doua constrângere este


întotdeauna adevarată, ca urmare trebuie verificată numai prima constrângere. Dacă
cantitatea totală de gene este mai mică decât cantitatea totală de deficit de apă, atunci
cromozomul corect nu a fost creat și cantitatea de diferență ar trebui scăzută din genele
sale, astfel încât cromozomul să poată reveni la domeniul problemei. Pentru corectare, o
gena este aleasă în mod aleatoriu, se adaugă 10𝑚3 de apă acesteia. Acum este verificată a
doua constrângere pentru această genă. Dacă nu era adevarat, operația anterioară va fi
ștearsă și va fi selectată o altă genă. Aceasta se va face până când a doua condție este
adevarată și va fi creat cromozomul corect.

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.

Stocarea celei mai bune soluții


Finalizând etapele de mai sus, o singură rulare a algoritmului și se creează o nouă
generație de cromozomi. Cromozomul care are cel mai bun fitness este determinat și stocat.
Soluția finală este cel mai bun cromozom a tuturor rulărilor.

Condiția de sfârșit a algoritmului


Condiția de terminare a algoritmului poate fi atingerea unei cantități predefinite de
similititudini și stabilitatea pentru cele mai bune valori de fitness găsite, un număr specific
de execuție, un timp de execuție specific sau o combinație a acestora. Aici, pentru
terminarea algoritmului se utilizează un număr specific de execuție.

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

Cu ajutorul algoritmului dezvoltat și irigarea de deficit, se poate estima un profit de


963511561 de riali iranieni. Cantitatea de apă alocată necesară și alocată pentru fiecare
fermă într-o perioadă de irigatii (22 Mai – 21 Iunie) au fost afisate in figura urmatoareȘ

Potențialul de apă necesar și alocarea pentru fiecare fermă


Conform figurii de mai sus, diferența maximă dintre necesarul de apă pentru irigare
și deficitul de apă este de 643.6𝑚3 , diferența minimă este de 0.3𝑚3 și diferența medie este
de 106.7𝑚3 . Figura următoare arată valoarea pentru fiecare fermă funcția de producție a
𝑌𝑎
apei ( ) in procente.
𝑌𝑏

21
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

Valoarea pentru fiecare fermă a producției de apă


Conform figurii anterioare, cea mai mare performanță este 0.99% , cea mai slabă
este 0.58%, iar media performanțelor este de 0.93%. Aceste valori arată că modelul
prezentat pentru optimizare este aceptabil. De fapt, cu acest model, o mare parte din ferme
au atins rezultate acceptabile, nu numai anumite ferme sau un anumit tip de cultură. În
figura următoare este prezentat un grafic în care se observă trendul convergenței
algoritmului.

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

Cercetările actuale au reprezentat un efort de elaborare a unui plan de alocare


adecvată a resurselor de apă, astfel încât, în situații de limitare a apei, să se poată realiza
performanțe acceptabile din punct de vedere economic. În acest sens, având în vedere
amploarea și complexitatea spațiului de soluții, sa folosit AG. De asemenea, datorită
deficienței de apă, metoda de irigare a deficitului a fost utilizată astfel încât să contribuie
la gestionarea corectă și optimă a surselor de apă. Rezultatele arată că modelul sugerat este
practic. Utilizând GA pentru optimizarea alocării apei, s-au obținut soluții adecvate care să
maximizeze venitul economic total în întreaga zonă de studiu. În plus, deși spațiul de
căutare a fost considerabil larg, rezultatele implementării au arătat o viteză de convergență
adecvată. Testarea repetabilității algoritmului a demonstrat de asemenea că algoritmul este
relativ stabil. În general, utilizarea algoritmului GA poate fi considerată o metodă eficientă
și credibilă pentru astfel de probleme de planificare a irigării. Unul dintre punctele de
interes în această cercetare este alocarea optimă a apei pentru ferme, ceea ce face ca
majoritatea fermelor să funcționeze acceptabil, iar agricultorii să fie mai mulțumiți.
În această cercetare s-a presupus că deficiența apei apare numai într-o perioadă de
irigare (22 mai - 21 iunie), dar ar putea să apară oricând. Este mai bine ca această cercetare
să se facă dinamic pentru toate lunile. De asemenea, perioada de irigare în cercetare a fost
asumată ca o lună, care este o perioadă foarte lungă și aproape nepractică. Este mai bine ca
cercetarea să se facă pentru perioade mai mici de irigare, cum ar fi 10 zile. Această funcție
de fitness de cercetare este afectată de funcția de profit, de cost și de producție de apă a
fiecărei ferme; în timp ce alte obiective, cum ar fi costul apei, ar putea fi introduse și chiar
optimizarea ar putea fi realizată în mai multe scopuri. GA a prezentat o mulțime de rezultate
bune în această cercetare. Rezultatele altor metode precum optimizarea liniară și neliniară,
programarea dinamică și alți algoritmi meta-heuristici.

6.Bibliografie

24
UNIVERSITATEA POLITEHNICA BUCUREȘTI,
FACULTATEA DE AUTOMATICĂ ȘI CALCULATOARE

1. Karlene A. Hoo, Plantwide control

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

4. P.A. Bahri, Effect of disturbances in optimization control: Steady-state open look


back-off problem, 1996

5. Alizadeh, A. & Gholamali, K. 2008. Crops water requirements in Iran. Second


Edition

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