Vamos a disminuir el MARGEN de error al que debe llegar la presa al finalizar el año, pero va a demorar un poco más, lo vamos a colocar al 15% y vamos a comenzar a las 14h30 de hoy. A las 15:25 solo van 12 generaciones de la 1era iteración
Hasta las 16h30 del 2009-10-13 solo se había realizado 5 iteraciones y media, por lo que decidimos pararla obteniendo, estos resultados

El costo de este política es de $ 96'865.212,56

Aunque dijimos que no íbamos a dejar ejecutando el programa desde el jueves pasado, SI SE LO HIZO, pero hoy encontramos la máquina apagada. Al parecer se ejcutó hasta el sábado, pero no había arrojado ningún resultado, ya que no puede encontrar pobladores factibles, ni para la primera generación.
Por tal razón cambiamos el porcentaje al que debía quedar la presa de 5%, ha varios valores más, y se decidió ejecutar con el 25%. La ejecución inició a las 12:30.
Y terminó a las 14h00 y este es el resultado:

Y el costo es de $ 94'525.959,97.

Completada la adaptación de nuestros GA para trabajar con 2 centrales, este fue nuestro primer resultado:

El costo en este resultado es de $ 94'465.278,96
La diferencia del estado de la presa de Furnas se da porque, no hemos restringido que se mantenga arriba el último mes del año. Ya que esta restricción hace muy lenta la generación de los individuos a utilizar en el algoritmo.
Se estaba pensando dejar en ejecución desde hoy, Jueves 08 de Octubre, hasta el Lunes 12 del mismo mes, pero no es factible hacerlo.

Por tal razón hemos decidido hacer ciertos ajustes para minimizar el retardo que existe para encontrar individuos factibles.

Hemos implementado el modelo de las dos centrales usando GAMS, y así es como quedan los volúmenes de las dos centrales:

Aquí están las ecuaciones para las dos centrales.

Ya tenemos los resultados con Furnas usando los AEF, para poderla comparar con los demás métodos

En el gráfico de Paute no esta la comparación con GAMS porque necesitamos hacerle unos ajustes, pero pronto estarán.
Ya terminamos los ajustes y este es el resultado:

En orden de resultados, están de la siguiente forma: GAMS, AEF, EE y GA

Bueno, después de terminada la ejecución de 100 iteraciones de los AEF, que tardó 21 horas con 30 minutos. Obtuvimos el siguiente resultado.

Y si comparamos los costos generados por cada una de las políticas, notaremos que los AEF obtienen el mejor resultado.

Una vez terminadas todas los pruebas pertinentes para tener bien definido el modelo para la optimización del despacho hidrotérmico. Procedemos a ver el comportamiento de este modelo usando Agentes Evolutivos Flexibles.
He aquí el primer resultado.

En adelante solo vamos a presentar el mejor resultado obtenido por cada uno de nuestros métodos de optimización. Ya que el resultado representado por el promedio ya no tiene mucha relevancia. Ya que siempre podremos obtener el mejor.

Además de minimizar el costo de generación didro-térmica. Un objetivo secundario es que el nivel de embalse de la presa termine igual o cercano al nivel en el que empezó, ya si no pasa esto, al siguiente año no habrá agua para generar.
Para esto necesitamos hacer modificaciones a nuestros sistemas.

y por un comportamiento oscilatorio de los resultados obtenidos por las E.E., se decidió guardar al mejor Individuo de cada generación.

Para tener una mejor visión del comportamiento de las Presas, presentamos los resultados en porcentajes.

Podemos presentar las gráficas de las distintas políticas de despacho:
Para Furnas:

Para Paute:

Después de la corrección de GAMS para Paute el gráfico quedo así:

Durante todo el día hemos procurado obtener gráficos similares para Furnas, pero hemos tenido varias inconsistencias, aquí presentamos nuestro pirmer resultado aceptable:

Podemos apreciar que el comportamiento de todos los métodos de optimización son muy parecidos. Pero solo hay un error en los datos.
Es el hecho de algunos valores de Turbinamiento son mayores al límite que está establecido.
El única seción que no va a cambiar, es lo de GAMS.
Al corregir ese error obtuvimos: