Comparing several genetic algorithm schemes for the calibration of conceptual rainfall-runoff models

The Genetic Algorithm (GA) is often associated with local search optimisation techniques in the calibration process of Conceptual Rainfall-Runoff Models (CRRMs) (Wang, 1991; Franchini, 1996), i.e. the GA is used for approaching the region encompassing the global solution and then its results are used as a starting point for the local optimizer in the subsequent "fine-tuning" process. However, the GA can be formulated in very many ways. This study analyses various GA structures and their robustness and efficiency. In addition, a sensitivity analysis of the various schemes to their own parameters is performed. The analysis is conducted using an 11-parameter CRRM, called A Distributed Model (ADM), applied to both a theoretical case without model and data errors and two cases of the real world in which there are both model and data errors. Finally, assuming the same role as the GA for the "Pattern Search" (PS) method in a two-step optimisation technique (Hendrickson et al., 1988), the results of the two algorithms are compared, showing that, in the calibration of the ADM, the PS may give a slightly superior performance. Comparaison entre plusieurs systèmes d'algorithmes génétiques pour le calage de modèles conceptuels pluie-débit Résumé L'algorithme génétique (GA) est souvent associé aux techniques d'optimisation de recherche locale dans le processus de calage de modèles conceptuels pluie-débit (CRRMs) (Wang, 1991; Franchini, 1996); en d'autres termes, on se sert du GA pour avoir accès à la région environnant la solution optimale globale et ensuite on utilise ses résultats comme point de départ pour le système d'optimisation local dans le processus de "synchronisation de précision" qui va suivre. Cependant, il existe de très nombreuses manières de formuler le G A et la présente recherche étudie ces différentes structures, leur robustesse et leur efficacité. De plus, on procède à une analyse de la sensibilité des différents systèmes par rapport à leurs paramètres. Cette analyse utilise un CRRM avec 11 paramètres appelé ADM (c'est un modèle distribué) appliqué à un cas théorique supposé sans erreurs aussi bien en ce qui concerne le modèle que les données ainsi qu'à deux cas réels où, par contre, il existe des erreurs tant dans les modèles que dans les données. Enfin, en confiant le rôle du GA à la méthode de "Pattern Search" (PS) dans une technique d'optimisation à deux étapes (voir Hendrickson et al., 1988), on a comparé les résultats des deux algorithmes, ce qui a montré que pour le calage du modèle ADM le PS donne des résultats légèrement meilleurs.