Summary
Dit werk toont een integratie van de waterkwaliteit model met een optimalisatie component gebruik te maken van evolutionaire algoritmen op te lossen voor een optimale (laagste kosten) plaatsing van agrarische conserverende maatregelen voor een bepaalde set van verbetering van de waterkwaliteit doelstellingen. De oplossingen worden gegenereerd met behulp van een multi-objectieve benadering, waardoor expliciete kwantificering van compromissen.
Abstract
Het vinden van de kosten-efficiënte (dat wil zeggen, laagste kosten) manieren van targeting behoud praktijk investeringen voor het bereiken van specifieke doelen waterkwaliteit in het landschap is van primair belang in het beheer van stroomgebieden. Traditionele economie methoden van het vinden van de goedkoopste oplossing in het stroomgebied context (bijvoorbeeld 5,12,20) gaan ervan uit dat off-site effecten nauwkeurig kan worden omschreven als een percentage van de gegenereerde on-site vervuiling. Dergelijke benaderingen zijn waarschijnlijk niet representatief voor de werkelijke vervuiling proces in een keerpunt, waar de effecten van verontreinigende bronnen vaak worden bepaald door complexe biofysische processen. Het gebruik van moderne fysiek-based, ruimtelijk verdeeld hydrologisch simulatiemodellen zorgt voor een grotere mate van realisme op het gebied van proces vertegenwoordiging, maar vereist een ontwikkeling van een simulatie-optimalisatie kader waar het model wordt een integraal onderdeel van optimalisatie.
Evolutieary algoritmen blijken een bijzonder nuttig instrument optimalisatie, kunnen omgaan met de combinatorische aard van een keerpunt simulatie-optimalisatie probleem en die het gebruik van het volledige model waterkwaliteit. Evolutionaire algoritmen behandelen een bepaalde ruimtelijke verdeling van het behoud ervan in een keerpunt kandidaat oplossing en gebruik sets (populaties) van kandidaat oplossingen iteratief toepassen stochastische operators van selectie, recombinatie en mutatie verbeteringen met betrekking tot de optimalisatie doelstellingen. De optimalisatie doelstellingen in deze zaak zijn om diffuse verontreiniging in het stroomgebied te minimaliseren, tegelijkertijd het minimaliseren van de kosten van het behoud praktijken. Een recente en groeiende set van onderzoek is een poging om dezelfde methoden te gebruiken en integreert de waterkwaliteit modellen met ruim gedefinieerd evolutionaire optimalisatie methoden 3,4,9,10,13-15,17-19,22,23,25. In deze aanvraag tonen we een programma dat Rabotyagov et al. volgt. 'S geach en integreert een moderne en veelgebruikte SWAT waterkwaliteit model 7 met een multiobjective evolutionair algoritme SPEA2 26, en door de gebruiker opgegeven reeks van conserverende maatregelen en hun kosten om voor de volledige afweging grenzen zoeken tussen de kosten van het behoud ervan en door de gebruiker opgegeven waterkwaliteit doelstellingen. De grenzen kwantificeren de afwegingen waarmee de waterscheiding managers door de presentatie van het volledige scala van kosten in verband met diverse verbetering van de waterkwaliteit doelen. Het programma staat voor een selectie van waterscheiding configuraties bereiken bepaalde verbetering van de waterkwaliteit doelen en een productie van kaarten van geoptimaliseerde plaatsing van het behoud praktijken.
Protocol
1. Bereid Watershed Model en input data verstrekken voor optimalisatie
- Maak een i_SWAT-database
- Met behulp van een programma genaamd "rotator", op te bouwen van de database van multiple input databases inclusief bodems, het weer, het beheer en kunstmest.
- Als alternatief kan een bestaande SWAT run (eventueel gemaakt met ArcSWAT of AVSWAT) worden geïmporteerd met i_SWAT.exe. In dit geval, het programma "swat_rewrite" kan worden gebruikt om management of andere informatie op basis HRU veldniveau data vervangen.
- Kalibratie en validatie van het SWAT model moet worden uitgevoerd op dit punt. De SWAT (versie 2005) model opgenomen in deze Raccoon River Watershed EA modelkader werd oorspronkelijk gekalibreerd en gevalideerd voor een totale maximale dagelijkse belasting (TMDL) studie zoals beschreven door Jha et al.. (2010). Verdere kalibratie en validatie van het SWAT model werd uitgevoerd ter ondersteuning van de ontwikkeling van een Raccoon River Watershed masterplan, zoals beschrebed in Agren, Inc (2011), het SWAT model dat werd gebruikt voor deze studie.
- Gebruik een aangepaste versie van SWAT2005.exe, genaamd SWAT2005GA.exe.
- Bereid bestand "waterscheiding presets.csv" - Dit is een tekstbestand opslaan van veel van de instellingen die specifiek zijn voor de Raccoon waterscheiding. Het wordt gelezen door GeneticiSWAT en MapSWAT hieronder om meerdere besturingselementen en gegevensvelden instellen voor de waterscheiding met een klik.
- Bereid de kosten van behoud praktijk elementen. Voor dit voorbeeld, worden deze opgeslagen in tabel [Praktijk Kosten - Raccoon door County] in een database "Practice kosten door Subbekken Josh.mdb".
De totale kosten van een kandidaat-oplossing is de som van de kosten van het behoud ervan toegepast op waterscheiding eenheden ("hydrologische respons-eenheden", of HRUs). De optimalisatie programma beschouwt een optimale toewijzing van een enkele conservering praktijk van een bepaalde set van conserverende maatregelen in elk akkerland HRU in het stroomgebied. De sets van mogelijke conserverende maatregelen toegewezen aan een HRU worden genoemd allel sets.
- Maak SWAT mappen. Voor deze run, 16 CPU's werden gebruikt, wat betekent dat 16 exemplaren van SWAT2005GA.exe werden uitgevoerd in 16 afzonderlijke mappen (hetzelfde geldt voor systemen met minder CPU's, bijvoorbeeld, moet 4 mappen worden gemaakt voor een "quad-core" processor).
2. Selecteer Optimalisatie Parameters
- Optimalisatie wordt door het programma "GeneticISWAT". Om optimalisatie, open GeneticISWAT.exe uit te voeren.
- Ga naar "File" en vervolgens op "Open" en selecteer het i_SWAT database "Raccoon GA.mdb".
- Ga naar "File" en vervolgens op "Configuratie" om de paden toe te wijzen aan SWAT model executables (SWAT2005GA.exe).
- Ga naar "uitvoeren", dan "Selecteer Allel Set". Deze stap bepaalt de combinaties van het behoud ervan in optimalisatie. Voor deze run, allel set # 14 werd gebruikt, die heeft 23 combinaties van het behoud praktijken. Avbaar allel sets worden opgeslagen in het configuratiebestand "Alleles.csv".
- Ga naar "Execute" en selecteer vervolgens "SPEA2 Archief Baseline Aware subset" te multiobjective optimalisatie met behulp van de SPEA2 evolutionaire algoritme uit te voeren.
Figuur 1. Instellen optimaliseringsdoelen en parameters.
Optimalisatie parameters worden geselecteerd:
Preset: Selecteer de waterscheiding te optimaliseren. Klik op "Apply" selecteert items uit de presets bestand "waterscheiding presets.csv" om de controle waarden te vullen op dit scherm.
Output Variable: Selecteer de milieudoelstellingen voor optimalisatie. Als geselecteerd (N Outlet, P Outlet), dit definieert een 3-dimensionale doelfunctie: Stikstof (Organic N + NO3 + NH4 + NO2) gemiddeld 5 jaar bij de uitlaat, Fosfor (Organic P + Mineraal P) gemiddeld 5 jaar bij de uitlaat, en de totale kosten van het behoud praktijken. Merk op dat dit een 3-dimensionale compromis grens te creëren. Alternatieve output variabelen kunnen worden geselecteerd, waar de multiobjective programma is een minimum te beperken ({Output Variable}, Total Cost).
Grootte van de populatie: Stel de initiële grootte van de populatie. Dit bepaalt de initiële aantal kandidaat-oplossingen. Wanneer "Zaad met elk allel" optie is geselecteerd, worden de kandidaat-oplossingen die een uniforme toepassing van elk van conservering te gespecificeerd in de allel ingesteld om alle akkerland HRUs in het stroomgebied eerst geschapen. De overige kandidaat-oplossingen worden gemaakt door een willekeurige toewijzing van conserverende maatregelen uit het allel op akkerland HRUs. Bij de keuze van "Seed met elk allel" optie, moet men ervoor zorgen dat de initiële populatie grootte ten minste zo groot als het aantal allelen in een allel set (23 in deze demonstratie).
Aantal generaties: Stel het gewenste aantal generaties (iteraties) voor de optimalisatie run (merk op dat de aanloop kan worden hernieuwd).
Crossover kans: Wanneer twee kandidaat-oplossingen worden geselecteerd voor het creëren van nieuwe kandidaat-oplossingen, crossover kans geeft de kans dat verschillende nieuwe oplossingen worden gecreëerd (ingesteld op 1 voor deze demonstratie).
Grootte van tijdelijke bevolking: Dit bepaalt het aantal nieuw gecreëerde kandidaat-oplossingen. Processor middelen het meest efficiënt gebruikt als deze waarde een geheel veelvoud van het aantal processor threads (16 in deze demonstratie).
Mutatie kans: geef de waarschijnlijkheid van willekeurige veranderingen in HRU opdracht aan een andere conservering praktijk van het allel set. (Het wordt ingesteld op 0,03 voor deze demonstratie).
Aantalschroefdraad: Selecteer het aantal processors of draden gebruikt. 16 gebruikt in deze demonstratie.
Curve No kalibratiefactor: Deze is afkomstig van de SWAT model kalibratie.
Sla Bevolking in tekstbestand: Dit is belangrijk om te kiezen als men wil de optimalisatie uitgevoerd nadat het opgegeven aantal iteraties opnieuw op te starten is voltooid. Als u deze optie produceert een tekstbestand met de allelwaarden van elke HRU in elke overlevende kandidaat-oplossing (individueel). Dit kan terug te lezen om opnieuw te starten en verder een run.
Secundaire optimalisatie parameters
Eerste jaar: Moet worden ingesteld op een jaar na de start van historische informatie over het weer, en niet later dan 7 jaar voor het einde van deze gegevens.
Prijs van Corn: Gebruikt in combinatie met de opbrengstverlies vergelijking met de kosten van kunstmest reducties te schatten.
Purge Methode: gedomineerd. Personen die nog erger zijn in de 3 dimensies worden gedomineerd en gezuiverd.
HUC Bron: Stel in op "Opgegeven locatie", wat betekent dat de waarde "7100006" uit de volgende veld "Watershed HUC" wordt gebruikt om een rij in de HUC Zone tafel te vinden. De waarde "07100006" is de acht cijfers HUC code voor de Wasbeer waterscheiding.
Kosten Bron: Stel in op "County (HRU Woonplaats Code)" om aan te geven dat de andere kosten dan CRP wordt bepaald door provincie FIPS-codes in de praktijk kosten bovenstaande tabel.
Kosten Bron CRP: Stel in op "1 locatie" als u dat CRP kosten geven zal worden bepaald door provincie FIPS-codes in de praktijk kosten bovenstaande tabel.
3. Representatieve resultaten GeneticiSWAT.exe produceert een logbestand met de instellingen en resultaten voor alle kandidaat-oplossingen (individuen), evenals een "save" bestand waarin het resultaat van de laatste iteratie algoritme en die kan worden gebruikt om de optimalisatie run opnieuw codeert. Op dit punt, kan men het geheel van Pareto-efficiënte oplossingen (de afweging grens) te visualiseren door het volgen van de onderstaande stappen: Output is een reeks bestanden die allemaal kunnen worden in een keer in beeldbestanden gemaakt met behulp van POV-RAY-programma en het selecteren van "Render" en vervolgens op "File Queue". De beelden kunnen op zichzelf of gecombineerd in een film van het algoritme progressie. Indien gewenst kan een film toont het algoritme progressie worden gemaakt door het uitvoeren van "Framescanner.exe" en de volgende stappen: Elk punt in de grens vormt een keerpunt configuratie (een specifieke opdracht van het behoud ervan op een landschap). Kaarten van deze configuraties kan worden gezien voor de gehele grens door de volgende stappen: Exporteren specifieke waterscheiding configuraties (particulieren) van belang. Vaak een kwestie van belang is het selecteren van specifieke waterscheiding configuraties (individuen) het bereiken van bepaalde doelstellingen voor de waterkwaliteit. Bijvoorbeeld kan men wensen een indiv vindenidual in het grensgebied waarin stikstof vermindert met 30% en fosfor met 20% ten opzichte van de uitgangswaarde belastingen. MapSWAT mogelijk is om de grens zoeken naar de persoon met de kleinste Euclidische afstand tot de aangegeven doel. Dit kan gedaan worden door het volgende: files/ftp_upload/4009/4009fig7.jpg "alt =" Figuur 7 "/> Exporteren kaartgegevens voor verdere analyse is mogelijk door de volgende stappen: Tabel 1. Tabel vereiste programma. Tabel 2. Tabel met vereiste voorbeeldbestanden. 
Figuur 2. Screenshot voor het creëren van "snapshots" voor 3-dimensionale grens visualisatie. 
Figuur 3. Statische weergave van de afweging grens. 
Figuur 4. Screenshot van het creëren van een kaart van elk individu in de laatste grens. 
Figuur 5. Screenshot van het zoeken naar een specifiek individu in de grens op basis van doelstellingen voor de waterkwaliteit. 
Figuur 6. Screenshot van onderzoeksoutput
Figuur 7. Screenshot van een monster kaart de beschrijving van de geselecteerde persoon in de grens. Klik hier om een grotere afbeelding te bekijken . Naam van het programma Bron Beschrijving Rotator CARD Creëert en vult een i_SWAT database met bodem, het weer, en het beheer van gegevens voor een keerpunt. Swat2005GA.exe USDA Grasgrond, Bodem & Water Research Laboratory Watershed simulatiemodel i_SWAT.exe CARD SWAT-database-interface GeneticISWAT.exe CARD Evolutionair algoritme SWAT-controller. Bevat Galib van http://lancet.mit.edu/ga/ . MapSWAT.exe CARD Leest i_SWAT databases en shapefiles, produceert beelden van generaties en individuen. POV-Ray Povray.org Persistence of Vision raytracer. Framescanner.exe Todd Campbell PNG-afbeelding naar AVI converter Windows Live Movie Maker Microsoft Wordt gebruikt om AV te comprimerenIk naar WMV Naam van de File Type Beschrijving Raccoon GA.mdb Access-database Structuur en beheer beschrijvingen van Raccoon waterscheiding. Lees door GeneticiSWAT en MapSWAT. waterscheiding presets.csv Tekst Het instellen van presets voor GeneticiSWAT.exe en MapSWAT Alleles.csv Tekst Lijst van allel sets voor evolutionaire algoritme. Raccoon Allel HRU.txt Tekst Bestand dat door GeneticISWAT opsomming van deze allelen bepaald op akkerland. Gelezen door MapSWAT. Praktijk kosten door Subbekken Josh.mdb Access-database De kosten door het management praktijk en provincie. Terras Zones.mdb Access-database Tabel [HUC Data] houdt het terras en de opbrengst zone nummers voor de waterscheiding. NRI Budgets.mdb Access-database Lees door GeneticISWAT.exe voor gewas en machine tabellen die niet worden gebruikt in deze run. phucrp 2008-12-15.dat Tekst Plant Warmte Unit opzoektabel, niet gebruikt in deze run. Management.mdb Access-database Rotatie opzoektabel, niet gebruikt in deze run. Raccoon GA 2011-09-28 1313.log, Raccoon GA 2011-09-29 0732.log, Raccoon GA 2011-10-07 0644.log Tekst Logbestanden van GeneticISWAT run. Raccoon GA.wmv Animatie 3D-weergave van individuen naar generatie Subbasin.shp ESRI-shapefile Overzichten van subbasins in het stroomgebied. Raccoon Map.wmv Animatie Weergave van de dominante allelen voor elk Subbekken voor elk individu op de grens.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
We bouwen een geïntegreerde simulatie-optimalisatie kader om te zoeken naar Pareto-efficiënte sets van waterscheiding configuraties met laagste kosten mix en de locatie van de landbouw conserverende maatregelen tot een reeks van waterscheiding-level vermindering van nutriënten doelstellingen te verwezenlijken. Een conceptueel diagram van de simulatie-optimalisatie systeem is afgebeeld in figuur 8. Watershed simulatie, met inbegrip van het simuleren van de kwaliteit van het water effecten van landbouwactiviteiten conserverende maatregelen worden behandeld door de hydrologische model, SWAT2005, in combinatie met een Windows-gebaseerde database systeem, i_SWAT 6,8. De optimalisatie component werkt op de hydrologische respons-eenheden (HRUs) van SWAT en maakt gebruik van de logica van een evolutionaire algoritme 26 het vinden van de toewijzing van het behoud praktijken die tegelijkertijd minimaliseert voedingsstoffen belastingen (N, P, of beide) en de kosten van het behoud praktijken. Na het algoritme iteraties worden beëindigd, een aantal overlevende indiviuals vertegenwoordigt de geschatte afweging grens. Sinds twee voedingsstoffen tegelijk worden overwogen (nitraat-N en totaal fosfor), krijgen we een driedimensionaal afweging grens. Ieder individu punt op de afweging grens schrijft een bepaalde configuratie van het behoud ervan voor elke besluitvorming eenheid (akkerland HRU) in het stroomgebied. Om te zien welke het behoud ervan worden geselecteerd, moeten we voedingsstoffen doelen te geven en vervolgens de afweging grens zoeken naar individuele configuraties die de vermindering van nutriënten criteria voldoen. De locatie en de mix van geselecteerde conserverende maatregelen kunnen worden toegewezen aan het veld-niveau de ruimtelijke besluitvorming eenheden in het stroomgebied (indien deze gegevens beschikbaar zijn op het moment van het maken van HRUs). Onze aanpak, die een bepaalde mix en de verdeling van het behoud ervan bepaalt, kan beleidsmakers met tools voor een betere afstemming van het behoud beleid gericht op verbetering van de waterkwaliteit. In termen van de uitvoering,gewapend met voorschriften van het algoritme, kunnen beleidsmakers bieden doelgerichte betalingen (methode voorgesteld door 11), of uitlokken biedingen en accepteren of weigeren ze met behulp van de resultaten van modellen als leidraad. Natuurlijk, de specifieke set van gerichte praktijken is afhankelijk van bepaalde waterkwaliteit doelstellingen en de bestudeerde specifieke waterscheiding. Echter, toekomstige verbeteringen in de hydrologische model en de economische kostenramingen direct worden opgenomen in de simulatie-optimalisatie systeem. De ontwikkelde kader is gemakkelijk generaliseerbaar en is in staat om nuttige en beleidsrelevante inzicht in een complex probleem van diffuse verontreiniging reducties.
Figuur 8. Totale stroom van het experiment.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Geen belangenconflicten verklaard.
Acknowledgments
Dit onderzoek werd deels gefinancierd door steun van Gerichte de US Environmental Protection Agency Stroomgebieden Grants Program (Project # WS97704801), de National Science Foundation's Dynamiek van Coupled natuurlijke en menselijke systemen (Project # DEB1010259-CARD-KLIN), en het Amerikaanse ministerie van Landbouw-Nationaal Instituut voor gecoördineerde Agricultural Project Foodand Landbouw (Project # 20116800230190-CARD-).
References
- American Society of Agricultural and Biological Engineers. Design, layout, construction, and maintenance of terrace systems. ASAE Standard. , S268 (2003).
- Raccoon River Watershed water quality master plan. , Agren, Inc. Carroll, IA. (2011).
- Arabi, M., Govindaraju, R. S., Hantush, M. M. Cost-effective allocation of watershed management practices using a genetic algorithm. Water Resour. Res. 42, W10429 (2006).
- Bekele, E. G., Nicklow, J. W. Multiobjective management of ecosystem services by integrative watershed modeling and evolutionary algorithms. Water Resour. Res. 41, W10406 (2005).
- Carpentier, C. L., Bosch, D. J., Batie, S. S. Using spatial information to reduce costs of controlling agricultural nonpoint source pollution. Am. J. Agr. Econ. 61, 404-413 (1998).
- CARD: Resource and Environmental Policy Interactive Software Programs [Internet]. , Center for Agricultural and Rural Development, Iowa State University. Ames, IA. Available from: http://www.card.iastate.edu/environment/interactive_programs.aspx (2007).
- Gassman, P. W., Reyes, M., Green, C. H., Arnold, J. G. The Soil and Water Assessment Tool: Historical development, applications, and future directions. Trans. ASABE. 50 (4), 1211-1250 (2007).
- The i_SWAT software package: a tool for supporting SWAT watershed applications. Gassman, P. W., Campbell, T., Secchi, S., Jha, M., Arnold, J. G. SWAT2003: The 2nd International SWAT Conference, 1-4 July, Bari, Italy, , Instituto di Ricerca sulle Acque, IRSACNR. Bari, Italy. 66-69 Forthcoming.
- Gitau, M. W., Veith, T. L., Gburek, W. J., Jarrett, A. R. Watershed level best management practice selection and placement in the Town Brook watershed, New York. J. Am. Water Resour. Assoc. 42, 1565-1581 (2006).
- Jha, M., Rabotyagov, S., Gassman, P. W. Optimal placement of conservation practices using genetic algorithms with SWAT. Int. Agr. Eng. J. 18 (1-2), 41-50 (2009).
- Jha, M. K., Wolter, C. F., Schilling, K. E., Gassman, P. W. Assessment of total maximum daily load implementation strategies for nitrate impairment of the Raccoon River, Iowa. J. Envir. Qual. 39, 1317-1327 (2010).
- Kanna, M., Yang, W., Farnsworth, R., Onal, H. Cost effective targeting of CREP to improve water quality with endogenous sediment deposition coefficients. Am. J. Agr. Econ. 85, 538-553 (2003).
- Kramer, R. A., McSweeny, W. T., Kerns, W. R., Stravros, R. W. An evaluation of alternative policies for controlling agricultural nonpoint source pollution. Water Resour. Bull. 20, 841-8446 (1984).
- Lant, C. L., Kraft, S. E., Beaulieu, J., Bennett, D., Loftus, T., Nicklow, J. Using GIS-based ecological-economic modeling to evaluate policies affecting agricultural watersheds. Ecol. Econ. 55, 467-484 (2005).
- Muleta, M. K., Nicklow, J. W. Evolutionary algorithms for multiobjective evaluation of watershed management decisions. J. Hydroinform. 4 (2), 83-97 (2002).
- Muleta, M. K., Nicklow, J. W. Decision support for watershed management using evolutionary algorithms. J. Water Resour. Plan. Manag. 131 (1), 35-44 (2005).
- Rabotyagov, S. S., Campbell, T., Jha, M., Gassman, P. W., Arnold, J., Kurkalova, L., Secchi, S., Feng, H., Kling, C. L. Least Cost Control of Agricultural Nutrient Contributions to the Gulf of Mexico Hypoxic Zone. Ecol. Appl. 20, 1542-1555 (2010).
- Rabotyagov, S., Jha, M., Campbell, T. Impact of crop rotations on optimal selection of conservation practices for water quality protection. J. Soil. Water Conserv. 65 (6), 369-380 (2010).
- Rabotyagov, S. S., Jha, M., Campbell, T. D. Nonpoint-source pollution for an Iowa watershed: An application of evolutionary algorithms. Canadian Journal of Agricultural Economics/Revue canadienne d'agroeconomie. , (2010).
- Rabotyagov, S. S., Jha, M., Campbell, T. Searching for Efficiency: Least Cost Nonpoint Source Pollution Control with Multiple Pollutants, Practices, and Targets. J. Nat. and Environ. Sci. 1, 75-90 (2010).
- Ribaudo, M. O. Consideration of off-site impacts in targeting soil conservation programs. Land Econ. 62, 402-411 (1986).
- Ribaudo, M. O. Targeting the conservation reserve program to maximize water quality benefits. Land Econ. 65, 320-332 (1989).
- Srivastava, P., Hamlett, J. M., Robillard, P. D., Day, R. L. Watershed optimization of best management practices using AnnAGNPS and a genetic algorithm. Water Resour. Res. 38 (3), 1-14 (2002).
- Veith, T. L., Wolfe, M. L., Heatwole, C. D. Development of optimization procedure for cost-effective BMP placement. J. Am. Water Resour. Assoc. 39 (6), 1331-1343 (2003).
- GAlib: Matthew's Genetic Algorithms Library [Internet]. , Available from: http://lancet.mit.edu/ga/ (1996).
- Whittaker, G., Confesor, R., Griffith, S. M., Färe, R., Grosskopf, S., Steiner, J. J., Mueller-Warrant, G. W., Banowetz, G. M. A Hybrid Genetic Algorithm for Multiobjective Problems with Activity Analysis-based Local Search. Eur. J. Operat. Res. , (2007).
- Zitzler, E., Laumanns, M., Thiele, L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm for Multiobjective Optimization. CIMNE. , 95-100 (2002).
