En este momento lo hacemos con 200 individuos y 1000 generaciones.

Vamos a ejecutar la optimización de la Central Paute para un periodo de 41 años, sin imponer la restricción de que cada año el nivel embalse regrese al valor inicial; la idea es ver si ocurre alguna vez que el nivel del embalse llega al valor mínimo; por supuesto, en este caso se dejaría de turbinar.

Inicialmente lo vamos a hacer con los Algoritmos Genéticos.

Lo hacemos primero con 100 individuos y 500 generaciones.

Ahora vamos a revisar los resultados que obtendremos con los Algoritmos Genéticos usando los mismos 10 años.

Hasta el momento hemos estado utilizando la media mensual del caudal afluente, de 30 años de datos, para realizar las diferentes pruebas y experimentos en los diferentes métodos.

Para este experimento vamos a utilizar los caudales afluentes en Paute de los últimos 10 años que tenemos, para variar la entrada y verificar que tan sensible es la salida realizando estas variaciones.

Los datos que utilizaremos son estos.

Las salidas obtenidas son las siguientes:

Lo que da a notar que la salida es muy sensible a la entrada.

Para finalizar esta parte, verificaremos los resultados usando Algoritmos Evolutivos Flexibles, usando una población élite fija del 10%. Y solo con 100 generaciones.

Aunque el turbinamiento es bastante similar, el nivel de la presa variamucho entre cada iteración, mucho más que los otro dos métodos.

Luego de esto procedimos a probar haciendo una ejecución 1.000 generaciones y pudimos comrpobar que aunque tardó cerca de 2 horas, en la generación 670 el costo obtenido era de $ 1'260.380,22' muy cercano al valor obtenido en los G. A.

Procedemos a verificar las Estrategias Evolutivas

Para este método las diferencias son mas notorias, aunque también notamos que los resultados obtenidos son de mayor costo que con los G.A.

La forma en que vamos evaluar el funcionamiento de nuestros métodos  es realizar varias ejecuciones consecutivas y comparar las respuestas, y si son bastante similares, significa que están funcionando bien. Como parámetros vamos utilizar 500 individuos y 1.000 generaciones; y vamos realizar 10 ejecuciones.

Comenzaremos con los Algoritmos Genéticos.

Y por lo que se puede apreciar al comparar, las soluciones son muy similares, y la respuesta de la optimización varia en un 2% aproximadamente en cada ejecución