Optimización de Red y Simulación de Drones de Apoyo a Misiones Contra Incendios

Desafío

Varios incendios afectan a Inglaterra durante todo el año, algunos de ellos destruyendo vastas áreas de terreno. Si bien los bomberos hacen su trabajo de manera increíble, es posible mejorar la calidad de las actividades de lucha contra incendios enviando drones a la ubicación del incendio para recopilar información antes y durante la misión.

El propósito de este proyecto fue elegir el diseño correcto del dron (autonomía y velocidad), el número adecuado de drones a usar en el país y la geolocalización de los centros donde estos drones deben ubicarse para cubrir la mayor cantidad de terreno posible manteniendo costos bajos.

Solución

El modelo de simulación fue construido en AnyLogic usando un enfoque Basado en Agentes, con tres agentes interactuando entre sí: el dron, la estación de bomberos (donde se ubican los centros) y el incendio.

El modelo tiene una interfaz de usuario inicial donde se pueden controlar cuatro parámetros diferentes: la velocidad del dron, la autonomía del dron, la semilla del centro y el número total de drones en el sistema. La semilla del centro define, basándose en el número total de drones, qué estaciones de bomberos se usarán como centros y cuántos drones estarán disponibles en cada centro.

Los incendios generados en el modelo de simulación fueron todos los incendios que ocurrieron entre 2014 y 2018. El propósito no fue predecir cómo atacarían los incendios en el futuro, sino encontrar una solución pseudo-óptima para el diseño y distribución de drones asumiendo que los incendios mantendrían el mismo comportamiento. El modelo también consideró datos de viento, que afectaban el movimiento de los drones y la altitud a la que volarían para reducir su efecto.

Enfoque de Optimización

Se desarrolló un experimento de optimización con las siguientes restricciones:

• Al menos el 75% de los incendios deben ser cubiertos. Un incendio está cubierto si el centro más cercano puede enviar un dron con suficiente autonomía para permanecer al menos 7.5 horas en la misión (bajo condiciones de viento neutro).
• La llegada antes que los camiones de bomberos debe ocurrir al menos el 90% de las veces.

AnyLogic usa OptQuest, un motor de optimización de última generación que utiliza métodos heurísticos para encontrar soluciones pseudo-óptimas de problemas altamente no lineales.

La característica más poderosa de los métodos heurísticos es que usan parámetros aleatorios y buscan en los alrededores del espacio de la función objetivo si se encuentra una buena solución. Sin embargo, el tamaño de este problema es demasiado grande y demasiado complejo para manejarlo adecuadamente. Con casi 1.400 estaciones de bomberos, el algoritmo de optimización necesitaría tener una variable (número de drones) para cada estación de bomberos, y esto requeriría un poder computacional enorme.

Para simplificar esto, se usó una semilla de generador aleatorio (llamada semilla del centro). El algoritmo de optimización genera una solución basada en la semilla del centro y el número de drones, lo que define una red de centros distribuidos aleatoriamente con un número aleatorio de drones en cada centro. Este método relaja la optimización miles de veces y aún debería producir buenos resultados, particularmente porque las estaciones de bomberos ya están distribuidas según los requisitos de distribución de incendios en el país.

Resultados

Como es habitual en nuestros proyectos, el cliente estuvo muy involucrado y usó la herramienta proporcionada para hacer sus propios análisis usando el modelo y las exportaciones a Excel generadas por la simulación con datos brutos. El estudio ahora continúa del lado del cliente usando la simulación como parte del estudio completo.

Características del Proyecto

• Industria: Drones
• Modelo: Basado en Agentes
• Duración: 4 meses