Els incendis forestals són un tipus de desastre natural que representa un gran repte per a la societat a causa dels seus elevats costos econòmics i humans. Amb l'objectiu d'evitar els costos derivats d'aquest desastre natural i millorar l'extinció dels mateixos, els simuladors de propagació d'incendis es poden utilitzar per intentar anticipar el comportament de l'incendi i ajudar a aconseguir una extinció de l'incendi més eficient i segura. Quan es propociona una predicció de la propagació d'un incendi forestal existeixen dos elements claus: la precisió i el temps necessari per computar la predicció. Sota el context de la simulació de desastres naturals, és ben conegut que part de l'error de la predicció estàsubjecta a la incertesa en les dades d'entrada utilitzades pel simulador. Per aquesta raó, la comunitat científica ha creat diferents mètodes de calibratge per reduir la incertesa de les dades d'entrada i així millorar l'error de la predicció. En aquest treball s'utilitza una metodologia de predicció basada en dues etapes que ha estat provada en treballs previs amb bons resultats. Aquest mètode de calibratge implica una necessitat considerable de recursos computacionals i eleva el temps de còmput a causa de l'ús d'un Algorisme Genètic com a mètode de cerca de les millors dades d'entrada del simulador. S'ha de tenir en compte les restriccions de temps sota les quals treballa un sistema de predicció d'incendis. Es necessari mantenir un equilibri adequat entre precisió i temps de còmput utilitzat per poder proporcionar una bona predicció a temps. Per poder utilitzar la tècnica de calibratge esmentat, s'ha de solucionar el problema que representa que algunes solucions siguin inviables ja que impliquen temps d'execució molt llargs, fet que pot impedir que es pugui donar resposta a temps en un suposat context operacional. La present Tesi Doctoral utilitza les arquitectures multi-core amb l'objectiu d'accelerar el mètode de predicció basat en dues etapes per poder proporcionar una predicció sota temps de lliurament que es donarien en un context real. Per aquesta raó, es defineix una política d'assignació de nuclis basada en el temps disponible d'execució. Aquesta política d'assignació assignaràun nombre determinat de recursos a una determinada simulació prèviament a ser executada. La política d'assignació es basa en arbres de decisió creats amb els paràmetres de simulació utilitzats. No obstant això, es pro¬posen dos mètodes per a aquells casos on l'Algorisme Genètic tendeix a crear individus el temps d'execució dels quals provoquen que sigui impossible acabar el calibratge a temps: ReTAC i SoftTAC. La proposta ReTAC utilitza la resolució de les simulacions per solucionar el problema. En concret, ReTAC tracta de trobar la mínima reducció de la resolució que permeti que aquelles simulacions que són massa llargues puguin ser executades mantenint la precisió sota control. D'altra banda, SoftTAC utilitza poblacions de grandària dinàmica. Es a dir, els individus no es maten en arribar al límit de temps d'execució assignat a una generació de l'AG, sino que es permet l'execució simultanea d'individus de diferents generacions de l'algorisme genètic. Totes les estratègies de predicció proposades han estat provades amb casos reals obtenint resultats satisfactoris en termes de precisió i de temps de còmput utilitzat.
展开▼
