Computación Evolutiva, principio y aplicaciones

Computación Evolutiva, principio y aplicaciones
D.Sc. Yván Jesús Túpac Valdivia
IEEE Sociedad de Inteligencia Computacional
12 de abril de 2013
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 1/24
Contenido
1
Algoritmos Evolutivos
Ideas Precursoras
Ciclo básico de un EA
Paradigmas de la Computación Evolutiva
2
Aplicación EA
Proyecto ANEPI
3
Bibliografía
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 2/24
Algoritmos Evolutivos
Algoritmos Evolutivos (EA)
Definición:
Son algoritmos metaheurísticos basados en una población de individuos
que usan mecanismos biológicamente inspirados como: mutación,
recombinación, selección natural y sobrevivencia de los más aptos para
iterativamente refinar un conjunto de soluciones.
Ventajas
Característica black box
Calidad de respuesta consistente para muchos tipos de problema.
Computación Evolutiva o Algoritmos Evolutivos tratan de un conjunto de
técnicas y metodologías que la componen, todas ellas con inspiración
biológica en la evolución Neo-Darwiniana.
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 3/24
Algoritmos Evolutivos
Algoritmos Evolutivos (EA)
Principio basado en la Naturaleza
EA son una abstracción de los procesos y principios establecidos por el
Darwinismo y Neo-darwinismo y el principio goal-driven (conducido a los
objetivos) [1].
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 4/24
Algoritmos Evolutivos
Ideas Precursoras
Ideas Precursoras
Neodarwinismo
El pensamiento evolutivo actual se basa en el Neo-Darwinismo.
Paradigma Neodarwiniano:
Establece que la historia de la vida puede ser explicada por los siguientes
procesos estadísticos [2]:
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 5/24
Algoritmos Evolutivos
Ideas Precursoras
Ideas Precursoras
Neodarwinismo
El pensamiento evolutivo actual se basa en el Neo-Darwinismo.
Paradigma Neodarwiniano:
Establece que la historia de la vida puede ser explicada por los siguientes
procesos estadísticos [2]:
Herencia
Reproducción
Mutación y recombinación
Competencia y
Selección Natural.
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 5/24
Algoritmos Evolutivos
Ideas Precursoras
Ideas Precursoras
Neodarwinismo
El Neodarwinismo es la combinación de:
La Teoría evolutiva original de Charles Darwin
El Seleccionismo de August Weismann
La Genética de Gregor Mendel
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 6/24
Algoritmos Evolutivos
Ideas Precursoras
Ideas Precursoras
Neodarwinismo
El Neodarwinismo es la combinación de:
La Teoría evolutiva original de Charles Darwin
El Seleccionismo de August Weismann
La Genética de Gregor Mendel
C. Darwin
(Teoría Evolutiva)
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
+
A. Weismann
(Seleccionismo)
+
G. Mendel
(Genética)
Computación Evolutiva, principio y aplicaciones
Pág 6/24
Algoritmos Evolutivos
Ciclo básico de un EA
Algoritmos Evolutivos: Ciclo Básico
Un algoritmo evolutivo de cualquier tipo emplea los siguientes mecanismos:
1
Una forma de codificar las soluciones x en estructuras g que se
reproducirán conformando una población G0 inicial generada
aleatoriamente.
2
Una función de asignación de aptitud a(•) que depende de los
individuos x y su evaluación f (x).
3
Un mecanismo de selección basado en la aptitud a(•).
4
Operaciones que actuen sobre los individuos codificados gi ∈ G para
reproducirlos.
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 7/24
Algoritmos Evolutivos
Ciclo básico de un EA
Ciclo Básico de un EA
Estos mecanismos siguen un orden como el de la figura 2:
Población Inicial
Evaluación
Asignar Aptitud
Crear una población
inicial de individuos
aleatorios
Calcular las funciones
objetivo de los
candidatos
A partir de los valores de
de función objetivo de
los candidatos
Reproducción
Selección
Crear nuevos individuos
usando mutación y
recombinación
Escoger los mejores
individuos para su
reproducción
Figure: Ciclo Básico de un Algoritmo Evolutivo
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 8/24
Algoritmos Evolutivos
Paradigmas de la Computación Evolutiva
Paradigmas de la Computación Evolutiva
Se puede diferenciar tres principales paradigmas de la Computación
Evolutiva [3]
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 9/24
Algoritmos Evolutivos
Paradigmas de la Computación Evolutiva
Paradigmas de la Computación Evolutiva
Se puede diferenciar tres principales paradigmas de la Computación
Evolutiva [3]
1
Programación Evolutiva
2
Estrategias Evolutivas
3
Algoritmos Genéticos
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 9/24
Algoritmos Evolutivos
Paradigmas de la Computación Evolutiva
Paradigmas de la Computación Evolutiva
Se puede diferenciar tres principales paradigmas de la Computación
Evolutiva [3]
1
Programación Evolutiva
2
Estrategias Evolutivas
3
Algoritmos Genéticos
Adicionalmente se encuentran dos paradigmas más:
4
Learning Classifier Systems
5
Programación Genética
que son bastante próximos a Algoritmos Genéticos y Programación
Evolutiva respectivamente.
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 9/24
Algoritmos Evolutivos
Paradigmas de la Computación Evolutiva
Paradigmas de la Computación Evolutiva
Familia de los Algoritmos Evolutivos
Programación Genética
Programación
Evolutiva
Algoritmos Genéticos
Learning Classifier
Systems
Estrategias Evolutivas
Evolución
Diferencial
Algoritmos Evolutivos
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 10/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
ANEPI: Análise Econômica de Projetos de E&P de Petróleo sob Incerteza
Objetivo:
Desarrollo de tecnologías para el Análisis de Alternativas de Desarrollo
de Campos de Petróleo bajo Incertidumbre Técnica y de Mercado
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 11/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
ANEPI: Análise Econômica de Projetos de E&P de Petróleo sob Incerteza
Objetivo:
Desarrollo de tecnologías para el Análisis de Alternativas de Desarrollo
de Campos de Petróleo bajo Incertidumbre Técnica y de Mercado
Reservorio Petrolı́fero
Alternativa de Desarrollo
Optimización
(Algoritmo Evolutivo)
Evaluación
Económica
(VPN)
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Simulación de
Reservorio
Computación Evolutiva, principio y aplicaciones
Pág 11/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
ANEPI: Análise Econômica de Projetos de E&P de Petróleo sob Incerteza
Este proyecto constó de los siguientes módulos:
1
Optimización de alternativas en condiciones de certeza
2
Análisis de Alternativas de Desarrollo de Campos Petrolíferos bajo
incertidumbres técnicas y de mercado
3
Cálculo del Valor de Opción considerando incertidumbre técnica y de
Mercado
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 12/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Optimización de alternativas en condiciones de certeza
Encontrar una o más alternativas iniciales de desarrollo óptimas: número,
localización, tipo, orden de perforación y dimensión de pozos petroliferos.
Aplicación de Computación Evolutiva [4, 5, 6, 7].
Alternative
Wells
layout
Evolutionary
Model
Objective
function
Expert
knowledge
Reservoir
model
Reservoir
simulator
Production
curve
CapEx
NPV
compute
NP V = V − D
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
OpEx
Computación Evolutiva, principio y aplicaciones
Pág 13/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Optimización de alternativas en condiciones de certeza
Modelo evolutivo:
1
Representación: uso de un modelo de cromosoma con tamaño
variable (para soportar alternativas con cantidades diferentes de
pozos) y usando las estrategias de cromosoma creciente y cromosoma
oscilante [8]
Máscara de activación mi
0
1
0
1
1
0
1
0
Genotipo gi
Verticales
i, j
i, j
Inyectores
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
i, j
Horizontales
i, j
Productores
i, j, k i, j, k i, j, k i, j, k
dir, l
dir, l
Inyectores
dir, l
dir, l
Productores
Computación Evolutiva, principio y aplicaciones
Pág 14/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Optimización de alternativas en condiciones de certeza
Modelo evolutivo:
2 Evaluación: que consta de dos etapas:
i Simulación de la producción para la alternativa de pozos de cromosoma:
para obtener las curvas de producción de óleo, gas y agua. Uso de un
simulador de fluidos para modelo blackoil.
ii Cálculo del Valor Presente Neto de la alternativa del cromosoma a partir
de la producción, información geométrica y datos de mercado. Uso de
ecuaciones para el flujo de caja descontado.
Se hace uso de la arquitectura master-slave para evaluaciones en
paralelo [6, 9]
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 15/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Optimización de alternativas en condiciones de certeza
Modelo evolutivo: Simulación de producción
AE
Evaluación de
la alternativa
Parámetros de
mercado,
inversión
y operación
VPN
Alternativa
(Cromosoma)
Script de pozos
Información de
malla y pozos
Geometrı́a de
la malla
INCLUDE
Información de la
geologı́a de rocas
parámetros
PVT
,
,
info de pozos
Datos de producción:
óleo, gas, agua y pasos
de simulación
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Simulador
blackoil
(CMG/IMEX)
Archivos de
salida (.OUT
.MRF .IRF)
Filtro de
salida
Computación Evolutiva, principio y aplicaciones
Pág 16/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Optimización de alternativas en condiciones de certeza
Modelo evolutivo: Cálculo del VPN
NPV = PV − D
nw
D = ( fhw a + r)nw + b + ∑ |p j − p plat |c
PV = (PVInc − PVOp ) (1 − I)
T
PVInc = ∑ Inc(ti )e−ρti
i=1
G(t)
Poil (t)
Inc(t) = Q(t) +
1000
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
j=1
T
PVOp = ∑ Op(ti )e−ρti
i=1
Op(ti ) = mnw +Vc Q(ti ) + Ry Inc(ti ) + Fc +WcW (ti )
Computación Evolutiva, principio y aplicaciones
Pág 17/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Optimización de alternativas en condiciones de certeza
Ejemplo de Aplicación:
Se usó un modelo de campo petrolífero homogéneo que consiste en una
malla de 30 × 30 × 1 con los siguientes parámetros geológicos:
Parámetro
Permeabilidad
Porosidad
Presión inicial
Saturación agua
Valor
1000.00
0.20
100.00
0.2
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Unidad
md
kg
cm 2
Computación Evolutiva, principio y aplicaciones
Pág 18/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Optimización de alternativas en condiciones de certeza
Ejemplo de Aplicación – Experimento 01 (Aleatorio):
Respuesta ante una inicialización totalmente aleatoria.
La respuesta encontrada es la siguiente:
VINJ
VINJ
VINJ
VINJ
VPRO
HPRO1
Parámetro
VPN
Petróleo
Valor
1699.122
364.075
Unidad
(MUS$)
(Barriles)
VPRO
VPRO
VPRO
VPRO
HINJ
VPRO
VPRO
HINJ
VPRO
VINJ
VPRO
VINJ
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 19/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Optimización de alternativas en condiciones de certeza
Ejemplo de Aplicación – Experimento 02 (S. Inicial):
Alternativa optimizada:
Alternativa “five-spot” original
HINJ1
HINJ8
HPRO3
HINJ2
HINJ7
HPRO4
HINJ13
HINJ8
HPRO3
HPRO4
VINJ3
VINJ4
HINJ5
HINJ4
HINJ6
HINJ10
VINJ1
VINJ6
HINJ11
VINJ5
HPRO2
HPRO1
HPRO2
HPRO1
VINJ2
HINJ3
Parámetro
VPN
Petróleo
HINJ7
Valor
1397.981
297.025
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
HINJ9
Unidad
(MUS$)
(Barriles)
HINJ9
HINJ12
Parámetro
VPN
Petróleo
Valor
1667.821
359.100
HINJ14
Unidad
(MUS$)
(Barriles)
Computación Evolutiva, principio y aplicaciones
Pág 20/24
Aplicación EA
Proyecto ANEPI
Proyecto ANEPI
Integración [10, 11]
GENETIC ALGORITHM
Experts’
knowledge
Decision Rule
(Thr esho ld Cur ve)
Ha nd li ng
L ine ar
Co n st ra in ts
Evol ution ar y
Alg orithm
Genet ic operators
Evalu ation
Option Value
Sim. Monte Car lo
( Oil Pri ce)
Sto ch as ti c Pr o ces s
fo r a Co m mo di ty
D e c is i o n R u le
Objective
Function
b y G e n e ti c A lg o r it h m
3 4
3 2
R e g io n o f A lt e
r n a ti v
e3
3 0
2 8
W
C APEX
Parame ters
R e g io n o f A lt e rn a ti v e 2
2 2
2 0
1 8
W
a it n g R e g io n
1 6
Re
g i o nof
1 4
A lte r n a
t iv e 1
1 0
8
6
4
2
OPEX
Parame ters
9
6
9
8
8.
4
NPV = V − D
73
4
72
0
62
1
47
.
1.
NPV
Com puting
9.
6.
5.
8.
Optimized
alternatives
1
1
1
1
1
4
4
7
5
9
31
1.
3.
1
8
51
8
3
2
7.
75
90
5
6
2
1.
3
86
0
1
0.
8.
9.
0.
2.
6.
0
1
0
1
0
1
3
9
2
64
4
1
49
8
0
32
1.
0
5.
4.
2.
0.
0.
0.
.
0
0
0
0
0
7
0
0
o f r a nd o m nu m b er s
Production
C ur ve
a it n g R e g io n
2 4
1 2
Gen e ra to r an d sa m ple r
Wells
La yout
R eser voir
Model
2 6
O i lP r ic e (U S $ )
Geom etri c Br ownia n Mot ion
Mean Rev ersio n Pr ocess
Reservoir
Simulator
(or Proxy)
Alter nativ e
T
i me (y e a rs )
A tl e
r n a
t v
i e 1
Wa n
ti g 1
A tl e
r n
a ti e
v 2
W a
i n
ti g 2
A te
l r n
a ti e
v 3
Pse udo Ran dom
Lati n Hyper cubic Samp ling
Decision Rule
M ark et Unc ertaint y
Stochactic Process
for a Comm odi ty
Ge om et ric B ro wnia n M o tion
Me an Re ve rsio n Pr oc ess
Me an Re ve rsio n Pr oc ess with jum p s
Generator and samp ler
of r an dom num bers
Option value considering
the value of the expansion
option or investment in
information
Pse u do - ra n do m
Q ua si Mo n te Ca r lo
Cal culati on of th e
Thresho ld Cu rve:
Algo rithm of
Grant, Vo ra and
Weeks Modi fied for
F uzzy Num bers
M onte Carlo
S im ulatio n
to Deter mine the
Real Op ti on Value
(F u zzy Nu m be r )
Real Op ti on
Valu e
( F uz zy Me an )
Fu zzy Num bers
Technic al Unc ert ainty
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 21/24
Bibliografía
Bibliografía I
J. van der Hauw, “Evaluating and improving steady state evolutionary
algorithms on constraint satisfaction problems,” Master’s thesis, Computer
Science Department of Leiden University, Leiden, Netherlands, august 1996.
A. Hoffman, Arguments on Evolution: A Paleontologist’s Perspective.
York: Oxford University Press, 1989.
New
T. Back, D. B. Fogel, and Z. Michalewicz, Eds., Handbook of Evolutionary
Computation, 1st ed. Bristol, UK, UK: IOP Publishing Ltd., 1997.
Y. J. Túpac, M. M. Vellasco, and M. A. C. Pacheco, “Selection of
alternatives for oil field development by genetic algorithms,” Revista
Engenharia Térmica, Edição Especial, vol. 2, pp. 51– 54, may 2002.
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 22/24
Bibliografía
Bibliografía II
L. Faletti, “Otimização de alternativas para desenvolvimento de campo de
petróleo usando computação evolucionária (in portuguese),” Master’s thesis,
Departamento de Engenharia Elétrica, Pontifía Universidade Católica do Rio
de Janeiro, Rio de Janeiro, Brasil, 2003, (In Portuguese).
Y. J. Túpac, “Sistema inteligente de otimização de alternativas (in
portuguese),” Ph.D. dissertation, Pontifícia Universidade Católica do Rio de
Janeiro, Rio de Janeiro, RJ, Brasil, 2005, (In Portuguese).
L. F. Almeida, Y. T. Valdivia, M. M. B. R. Vellasco, and M. A. C. Pacheco,
“Otimização de alternativas para o desenvolvimento de campos de petróleo,”
Gestão & Produção, vol. 14, pp. 489–503, 12 2007.
R. S. Zebulum, M. A. Pacheco, and M. M. B. R. Vellasco, Evolutionary
Electronics: Automatic Design of Electronic Circuits and Systems by Genetic
Algorithms. CRC Press, 2002.
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 23/24
Bibliografía
Bibliografía III
Y. J. Túpac and L. Faletti, “Parallel evolutionary algorithms applied to
optimize the oilfields development,” in Proceedings del Encuentro Chileno de
Computación, Curicó, Chile, 2011. [Online]. Available:
http://jcc2011.utalca.cl/actas/ECC/jcc2011_submission_170.pdf
Y. J. Túpac, J. G. Lazo, L. Faletti, M. M. R. Vellasco, and M. A. Pacheco,
“Decision support system for economic analysis of E & P projects under
uncertainties,” in 2008 SPE Intelligent Energy Conference and Exhibition.
Society of Petroleum Engineers, 2008.
M. A. Pacheco and M. M. Vellasco, Eds., Intelligent Systems in Oil Field
Development under Uncertainty. Springer Berlin / Heidelberg, January
2009.
IEEE CIS-DAY (12 de abril de 2013)
TÚPAC, Y. (IEEE CIS Perú)
Computación Evolutiva, principio y aplicaciones
Pág 24/24