Analiza unor fenomene seismice cu multifractali si

programare genetica

-sesiunea de comunicari stiintifice 2018-

Autori: Stroia Elena Camelia

Rotaru Andrei Liviu

Profesor coordinator: Mihai REBENCIUC

 Cuprins

1. Introducere
2. Multifractali
3. Algoritmi evolutivi
4. Studiu de caz
5. Concluzii
6. Bibliografie
 1. Introducere
Cutremurele distribuite in spatiu si timp arata proprietatile fractale ce pot fi
o consecinta a auto-organizarii starii critice corespunzatoare crustei
pamantului.Natura auto-similaritatii in spatiu si timp a seismicitatii este o
indicatie a faptului ca gruparilor le corespunde o structura ierarhica,legate strans
de presiunea din crusta pamantului.In consecinta ,extractia numerica a
dimensiunilor fractale ale datelor seismice reale este o metoda importanta pentru
cuantificarea distributiei evenimentelor seismice si cu acestea ,proprietatile de a fi
aleatorii si de a se grupa in anumite regiuni geografice.
Evolutia in timp a dimensiunii fractale descopera mai multe informatii decat o
simpla analiza.In acest studiu de caz,am insistat pe distributia in timp a
evenimentelor.Prin urmare,vom prezenta o analiza cu scopul de a defini modul in
care proprietatile seismice se dezvolta in timp cu ajutorul urmatoarelor:
1. Eruptivitatea si diferitele faze ale formarii domelor(domele fiind
caracterizate prin structuri circulare)
2. Fazele relativ inactive ale vulcanului

Adancimile diferite ale crustei, al carui comportament mecanic este controlat de

interactiunea placilor tectonice si de presiunea magmei.
 2. Fractali vs Multifractali
Un fractal este un obiect geometric fragmentat care poate fi subdivizat in
parti,unde fiecare dintre ele(cel putin aproximativ) este o copie de marime redusa
a intregului.Fractalii,in general sunt auto-similari si independenti de
scala(dimensiunea unui fractal).
Un multifractal este un set de fractali intrepatrunsi.Auto-similaritatea
multifractalilor este o scala dependenta(spectru de dimensiune).O deviatie de la o
auto-similaritate stricta este de asemenea numita intermitenta.
Fractal
O masura(volumul) V a unui set de functii de lungime l
V(l)~lD
Numarul de elemente a lungimii l trebuie acoperita de setul
N(l)~lD
Dimensiunea unui fractal
ln 𝑁(𝑙)
D=lim 1
𝑙→0 ln
𝑙

Multifractal
Probabilitate vs putere singular
Pi(l)~lαi
Numarul de elemente intr-un interval mic de la α la ∆α
Nl(α)~l-f(α)
Singularitatea spectrului multifractal
ln[ 𝑁(𝛼+𝜀)−𝑁(𝛼−𝜀]
f(α)=lim lim
𝜀→0 𝑙→0 ln 1/𝑙

Generalizare dimensiune:
𝑞
1 ln ∑𝑁
𝑖=1 𝑝𝑘
Dq= lim
𝑞−1 𝑙→0 ln 𝑙
 Dimensiunea fractala este un concept de baza pt a descrie structuri cu o
simetrie scalara.Simetria scalara inseamna asemanarea cu sine insusi pe diferite
nivele de marire. In istorie, prima definitie a dimensiunii fractale generalizata ,
aducand o masura pt umplerea spatiului care ar putea permite existenta unor
dimensiuni non integrale. A fost introdusa de Hausdorf la sfarsitul lui 1919.
Dimensiunea de capacitate Dc , a unui obiect geometric dat, de asemenea numita
dimensiunea “numararii cutiilor”, este definita astfel: in primul rand, trebuie
executata o partitionare a spatiului ocupat de obiect in N cuburi d-dimensionale
de latura Ɛ, apoi se numara numarul minim de cuburi N(Ɛ) necesar acoperirii
setului. Dc este o masura care ne arata cum N(Ɛ) scaleaza cu Ɛ:
𝑙𝑛𝑁(𝜀)
Ec(1): 𝐷𝑐 = − lim
𝜀→0 𝑙𝑛𝜀

O asemenea masura, bazata numai pe numarul cutiilor , nu ia in

considerare posibilitatea de avea regiuni fractale de diferite dimensiuni. In
general, pentru a caracteriza complet o dimensiune, sau pentru a deosebi intre 2
distributii cantitative, trebuie sa comparam diferitele momente ale distributiei.
Similar, geometria obiectului fractal studiat este caracterizat mai bine de un set
infinit de dimensiuni fractale generalizate .
Dimensiunile multifractale de ordin q sunt definite ca:
𝑁 𝑞
1 ln⁡(∑𝑖=1 𝑝𝑖 (𝜀))
Ec(2): 𝐷𝑞 = lim
𝜀→0 𝑞−1 𝑙𝑛𝜀

Ca inainte, trebuie divizat spatiul, suportul de masura µ in N cuburi

dimensionale de latura Ɛ denotate de 𝐴𝑖 (𝑖 = 1, … . , 𝑁), indicam cu𝑝𝑖 (∈) = ∫𝐴 𝑑𝜇
𝑖
masura integrata a cubului de ordin I, i.e. masa lui Ai . In practica, daca fractalul
este compus dintr un set de M puncte(fiecare punct corespunde unei aparitii a
unui cutremur in cazul de studiu), pi(Ɛ) e dat de probabiliatea gasirii unui punct in
𝑀𝑖 (Ɛ)
cea dea “i” cutie (cutia de ord i ) 𝑝𝑖 (Ɛ) = (Mi fiind numarul de puncte din
𝑀
Ai). Este importanta realizarea faptului ca dimensiunea fractala generalizata aduce
𝑞
probabilitatea ridicata la puterea q, 𝑝𝑖 (Ɛ). Astfel dimensiunea multifractala Dq
trateaza in mod diferit regiunile cu densitati care variaza. In particular,
dimensiunile la limita 𝐷−∞ si ⁡𝐷+∞ sunt in legatura cu regiunile setului in care
masura este cea mai rara , respectiv cea mai densa. Folosind aceasta definitie, se
poate gasi cazul discutat anterior, cu numaratul cutiilor, ca un caz particular
pentru q=0. i.e. D0=Dc. Pe de alta parte, pt q=1, se obtine asa numita dimensiune
de informatie D1:

( ∑𝑁
𝑖=1 𝑝𝑖 (𝜀 )𝑙𝑛𝑝𝑖 (𝜖))
Ec(3): 𝐷1 = ⁡ 𝐷𝑙 = ⁡ lim ⁡
𝑙𝑛𝜀
𝜀→∞
In timp ce, pentru q=2, avem dimensiunea de corelatie DG:
𝑙𝑛𝐶(𝜀)
EC(4,5): 𝐷𝐺 = lim
𝜀→∞ 𝑙𝑛𝜀

𝑀
1 ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗
𝐶 (𝜀 ) = ∑ 𝜃 (𝜀 − |𝑥 (𝑖) − 𝑥 (𝑗)|)
𝑀(𝑀 − 1)
𝑖,𝑗=1

Unde cu ⃗⃗⃗⃗⃗⃗⃗
𝑥(𝑖)(𝑖 = 1 … … 𝑀) indicam pozitiile celor M puncte ale obiectului de
studiu si Ɵ este functia Heaviside. In general, avem 𝐷𝑞 ≥ ⁡ 𝐷𝑞′ pt q < 𝑞 ′ . Doar
pentru un caz foarte particular al unui obiect cu posibilitati egale pt toate celulele,
i.e. pentru un monofractal, avem Dq=D0 pt toti q.
Pentru a calcula spectrul complet, putem scrie ecuatia(2) prin suma
generalizata Cq ca:

1 𝑙𝑛𝐶𝑞 (𝜀)
𝐷𝑞 = lim
𝜀→∞ 𝑞 − 1 𝑙𝑛𝜀
𝑀 𝑀
1 1
𝐶𝑞 (𝜀) = ∑[⁡ ∑ 𝜃 (𝜀 − |⃗⃗⃗⃗⃗⃗⃗⃗⃗
𝑥 ⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗
(𝑖) − 𝑥 (𝑗)|)]
𝑀 𝑀−1
𝑖=1 𝑗=1
 Obiectivul principal al acestei lucrari este de a compune dimensiunile
multifractale Dq a timpului de distributie a cutremurelor. Pt scopul nostru, seriile
𝑥 (𝑖)(𝑖 = 1 … … . 𝑀) sunt date de 𝑡(𝑖)(𝑖 = 1 … … . 𝑀), i.e. de timpul producerii
celor M cutremure.
3.ALGORITMI GENETICI
Introducere.
3.1 Calcul evolutiv
In general, orice sarcină abstractă care trebuie indeplinită, poate fi privită ca fiind
rezolvarea unei probleme, care, la randul ei, poate fi percepută ca o căutare in
spaţiul soluţiilor potenţiale. Deoarece, de obicei, căutăm cea mai bună soluţie,
putem privi acest proces ca fiind unul de optimizare. Pentru spaţii mici, metodele
clasice exhaustive sunt suficiente; pentru spaţii mari, pot fi folosite tehnicile
speciale ale inteligenţei artificiale. Metodele calculului evolutiv se numără printre
aceste tehnici; ele folosesc algoritmi ale căror metode de căutare au ca model
c‚teva fenomene naturale: moştenirea genetică şi lupta pentru supravieţuire. Cele
mai cunoscute tehnici din clasa calculului evolutiv sunt algoritmii genetici,
strategiile evolutive, programarea genetică şi programarea evolutivă. Există şi alte
sisteme hibride care incorporează diferite proprietăţi ale paradigmelor de mai
sus; mai mult, structura oricărui algoritm de calcul evolutiv este, in mare măsură,
aceeaşi. In ultimii 30 de ani, s-a manifestat un mare interes in rezolvarea
problemelor de sistem bazate pe principiile evoluţiei şi ereditatii. Astfel de
sisteme menţin o populaţie de soluţii potenţiale, ele au unele procese de selecţie
bazate pe fitness individual, şi caţiva operatori genetici. Un astfel de sistem este o
clasa a evoluţiei strategice i.e, algoritmi care imita principiile evoluţiei naturale
pentru problemele de optimizare de parametru(Rechemberg, Schwefel). Evoluţia
programarii lui Fogel este o tehnica de cautare intr-un spaţiu finit, mic de maşini.
Tehnologiile de cautare a maşinii lui Glover Scatter menţin o populaţie de puncte
de referinţă, generand o stare speciala prin greutatea combinaţiilor liniare. Alte
tipuri de sisteme evoluţionare sunt Hollandís Genetic Algorithms.In 1990 Koza a
propus un astfel de sistem evoluţional, genetic programming, pentru a cauta cel
mai potrivit program de computer sa rezolve o problema particulara .Folosind un
termen comun E.P pentru toate sistemele(incluz‚nd sistemele descrise mai sus).
Structura evoluţiei programului este:

procedura algoritm_evolutiv
t←0
creare P(t)
evaluare P(t)
cat timp nu condiţia de terminare
t←t+1
selectare P(t) din P(t-1)
modificare P(t)
evaluare P(t)
sfarşit cat timp
sfarşit procedura

In cele ce urmează vom explica algoritmul general propus mai sus. Evoluţia
programului este un algoritm probabilistic ce contine elemente distincte,
P(t)={x1t, x2t, ...xnt}. Algoritmii evolutivi menţin o populaţie de indivizi la fiecare
iteraţie t. O populaţie poate fi privită ca fiind un vector de valori. Fiecare element
distinct reprezinta o solutie potenţiala a problemei in cauza si in orice program,
este interpretat ca S structura de date. Fiecare solutie x1t, x2t, .. , xnt este
evaluata pentru a da o oarecare masura a fitnessului sau. Fiecare individ (element
al vectorului) reprezintă o soluţie potenţială a problemei şi este implementată sub
forma unei structuri de date S. Un individ este uneori numit şi cromozom. Fiecare
soluţie este evaluată ca fiind o măsură a "fitness-ului" său (speranţei de viaţă).
Acest fitness reprezintă calitatea individului. De obicei, cu cat individul este mai
promiţător, cu atat fitness-ul său este mai mare. Există unele probleme in cazul
cărora fitness-ul trebuie să fie minimizat. O nouă populaţie (iteraţia t + 1) se
formează prin selectarea mai multor potriviri individuale, alegand cei mai
promiţători indivizi (pasul de selecţie) din populaţia curentă. O parte din membri
populaţiei nou formate suferă transformări (pasul de modificare) prin operarea
genetica a noilor solutii. Vorbim despre o transformare unica a evoluţiei
programului.

3.2. Operatori genetici - calculul evolutiv

Operatorii genetici sunt, de fapt, proceduri care operează asupra
elementelor vectorului populaţie. Există doi operatori genetici principali:
• un operator unar mi de transformare numit mutaţie, care creează
un nou individ printr-o mică modificare a unui individ ales (mi: S → S);
• un operator mai puternic cj numit incrucişare, care creează noi
indivizi combinand părţi din doi sau mai mulţi indivizi (cj: S × ... × S→S) (de
cele mai multe ori se folosesc doi părinţi). După un anumit număr de
generaţii algoritmul converge: se speră că cel mai promiţător individ ajunge
la o valoare cat mai apropiată de soluţia optimă. In ciuda similarităţilor
puternice intre diferitele tehnici de calcul evolutiv, există şi multe diferenţe.
Acestea sunt date, in principal, de structurile de date folosite pentru a
reprezenta un individ şi de ordinea in care se aplică operatorii genetici. De
exemplu, cele două linii din algoritmul de mai sus: selectare P(t) din P(t-1)
modificare P(t) pot apărea in ordine inversă: (in strategiile evolutive, intai
se modifică populaţia şi apoi este formată o nouă populaţie prin procesul
de selecţie, in timp ce intr-un algoritm genetic intai se aplică selecţia, iar
apoi intră in acţiune operatorii genetici de transformare).Există, de
asemenea, şi alte diferenţe intre metode. Una dintre acestea ar fi cea
referitoare la metodele de selecţie care includ:
• selecţia proporţională, unde şansa (probabilitatea) ca un individ să
fie selectat este proporţională cu fitness-ul lui;
 • metoda rangului, in care toţi indivizii din populaţie sunt sortaţi in
funcţie de fitness, iar probabilitatea (şansa) ca ei să fie selectaţi este fixată
de intreg procesul de evoluţie (de exemplu, probabilitatea de selecţie a
celui mai promiţător individ este 0.15, a individului următor este 0.14, etc.;
cel mai promiţător individ are cea mai mare probabilitate şi suma totală a
probabilităţilor indivizilor este1);
• selecţia prin turnir (prin concurs) unde un anumit număr de indivizi
(de obicei doi) luptă pentru a fi selectaţi in noua generaţie.
Această competiţie (turnir) este repetată pană sunt selectaţi un
număr de indivizi egal cu dimensiunea populaţiei. Pentru fiecare dintre
aceste categorii de selecţie există şi alte detalii importante. Cateva exemple
sunt:
• selecţia proporţională poate necesita folosirea unor metode de
trunchiere;
• există diferite moduri pentru stabilirea probabilităţii in metoda
rangului;
• dimensiunea mulţimii alese pentru concurs poate juca un rol
semnificativ in metoda selecţiei prin turnir. Trecerea de la o generaţie la
alta poate fi efectuată in două variante:
• algoritm generaţional (noua populaţie este formată doar din
descendenţi ai vechii generaţii);
• algoritm non-generaţional (in noua populaţie sunt introduşi,
de obicei, cei mai promiţători indivizi din cele două populaţii, cea a
părinţilor şi cea a descendenţilor). Este posibil, de asemenea, să
creăm puţini (in particular, unul singur) descendenţi, care inlocuiesc
caţiva (cei mai puţin promiţători) indivizi. Ca o regulă generală
trebuie reţinut faptul că, in majoritatea cazurilor, este de preferat să
se utilizeze un model elitist, care păstrează cei mai promiţători
indivizi dintr-o generaţie şi ii adaugă automat generaţiei următoare
(aceasta inseamnă că, dacă cel mai promiţător individ din generaţia
curentă este pierdut datorită selecţiei sau operatorilor genetici,
sistemul forţează apariţia lui intr-o generaţie următoare). Un astfel
 de model este foarte folositor pentru rezolvarea multor probleme de
optimizare. Totuşi, structurile de date folosite pentru probleme
particulare, impreună cu o mulţime de operatori genetici, constituie
componenta esenţială a oricărui algoritm evolutiv. Acestea sunt
elementele cheie care ne permit să distingem intre variatele
paradigme ale metodelor evolutive.
3.3 Algoritmi genetici- paradigme ale calculului evolutiv
Exista o mare clasa a problemelor interesante pentru care inca nu au fost
dezvoltati algoritmi rapizi . Multe dintre acestea sunt probleme sunt probleme
optimizate care intervin frecvent in aplicatii. Dandu-se o problema prost
optimizata este posibil mereu sa gasim un algoritm eficient a carui soluţie este
aproximativ optimala. Pentru unele probleme prost optimizate putem folosi
algoritmi probabilistici. Acesti algoritmi nu garanteaza valoarea optima, dar prin
alegeri aleatoare, suficient de multe slabiciuni ale erorilor pot fi facute astfel incat
sa putem trece peste ele. Exista multe probleme importante practic optimizate
pentru care asemenea algoritmi, de o inalta calitate, devenind disponibili. In orice
caz putem aplica simultan rularea mai multe fire de execuţie si competenta
amplasarii problemelor VLSI design pentru problemele gen agent comercial. In
plus multe alte probleme apartinand unei game largi de probleme optimizate
combinatorial pot fi rezolvate aproximativ in ziua de astazi prin computer de
genul tehnicilor Monte Carlo. In general, orice proces abstract pentru a fi
indeplinit poate fi g‚ndit ca o rezolvare a problemei, care, in schimb, poate fi
perceputa ca o cautare prin spatiul solutiilor potentiale. Cum suntem in cautarea
celei mai bune solutii, putem privi aceasta sarcina ca un proces optimizat. Pentru
spatiile mici, metodele clasice executive sunt suficiente; pentru spaţiile largi
tehnica speciala a inteligenţei artificiale trebuie sa fie luata in vedere. Algoritmii
genetici sunt printre aceste tehnici. Ideea in spatele algoritmilor genetici este de a
face ceea ce natura face. Inceputurile algoritmilor genetici se situează undeva in
jurul anului 1950, cand mai mulţi biologi au folosit calculatoarele pentru
simularea sistemelor biologice. Rezultatele muncii au inceput să apară după 1960,
cand la Universitatea din Michigan, sub directa indrumare a lui John Holland,
algoritmii genetici au apărut in forma in care sunt cunoscuţi astăzi. După cum
sugerează şi numele, algoritmii genetici folosesc principii din genetica naturală.
Cateva principii fundamentale ale geneticii sunt imprumutate şi folosite artificial
pentru a construi algoritmi de căutare care sunt robuşti şi cer informaţii minime
despre problema.
Dacă aţi ales să rezolvaţi o problemă genetic, trebuie să ţineţi cont de
cateva sfaturi.
• Pentru a rezolva o problemă cu algoritmi genetici trebuie să o
transformaţi mai intai intr-o problemă de optimizare, adică să se minimizeze sau
să se maximizeze o valoare (cel mai scurt lanţ hamiltonian, cea mai mare
componentă intern stabilă etc.).
• Algoritmii genetici sunt algoritmi euristici, adică soluţia găsită de ei nu
este intotdeauna cea mai bună, dar se află intr-o vecinătate a soluţiei optime.
Deci, dacă aveţi de ales intre un algoritm polinomial care rezolvă sigur problema şi
un algoritm genetic, ar fi de preferat să folosiţi algoritmul polinomial.
• Algoritmii genetici, de obicei, au complexitate polinomială. De aceea ei
sunt foarte des utilizaţi pentru a rezolva problemele dificile (NP-complete).
Rezultatele obţinute sunt foarte apropiate de cele obţinute de algoritmii siguri,
dar care au rulat mii de ore.
• Dacă problema este complexă folosiţi un algoritm genetic şi nu o strategie
evolutivă. De obicei mutaţia este un operator de căutare slab, deci, dacă se
foloseşte doar acesta, există şanse mari să se obţină o soluţii locale şi nu
globale.
 3. Studiu de caz: seismicitatea si vulcanismul muntelui
St. Helens
Muntele St. Helens , Washington este cel mai activ vulcan din Cascade
Range. Vulcanul s-a trezit la mijlocul lunii martie a anului 1980 cu o serie de
cutremure puternice urmate de eruptii vulcanice violente.Pana in prima jumatate
a lunii aprilie, a avut loc o deformare a vulcanului in partea de nord a acestuia.In
data de 17 mai,au avut loc mai mult de 10.000 de cutremure,cele mai multe
dintre ele superficiale.Aceste cutremure de magnitudine 4,2 cu o adancime h>3
km au avut un impact puternic asupra vulcanului.Intre timp,partea nordica a
vulcanului a crescut in exterior cu peste 140 m,pentru ca mai tarziu,pe 18 mai,un
cutremur de 5,1 magnitudine sa distruga tot.
Va prezentam o analiza multifractala a activitatii seismice a muntelui St.
Helens in perioada 1980-2002. Distributia in timp a seismelor este studiata in
stransa legatura cu activitatea vulcanica, in principal marcata de o explozie de
intensitate mare in 1980 si de eruptiile ce tin de constructie din intervalul anilor
1980-1986. Spectrul generalizarii de dimensiuni fractale Dq, q aflat din date, ne
permite sa identificam 2 metode principale de distributii in timp a cutremurelor.
Prima metoda implica multifractali grupati ce sunt corelati la multimile de seisme
intense ale activitatii de constructii ale domelor. A doua este caracterizata
aproximativ de o valoare constanta a lui Dq ̴1, pt o distributie uniforma oarecare.
Evolutia in timp a dimensiunii fractale Dq(pt q=0.2), calculat pentru un numar fix
de evenimente si la diferite adancimi conduce de la raspunsul mecanic al
straturilor superficiale la intruziuni de magma rapide, in timpul perioadelor de
eruptie. Aceasta evolutie este dezvaluita de schimbari clare, de comportamentul
sau intr-un interval scurt de timp si de cele mai mici valori ale dimensiunii
fractale( Dq = 0.3). In mod contrar, pentru cutremure mai profunde caracterizate
de serii de cutremure(evenimente care ies in evidenta prin aparitia mai multor
cutremure intr-o perioada foarte scurta de timp localizate in aceeasi zona).
Dq nu sufera schimbari evidente pe parcursul intregii perioade de
analiza, sugerand ca aceste cutremure, care se relateaza la un sistem de
depozitare de magma, de dimentsiuni mari, sunt caracterizate de un nivel redus
de grupare, ce este independent de activitatea vulcanica.
In perioada 1980-1986, adancimea cutremurelor a crescut de la 6 km la 11
km. A urmat o perioada de pauza,in care numarul seismelor a scazut
considerabil.Cutremurele cu o zona de adancime cuprinsa intre 4-8 km,si-au mai
facut simtita prezenta in perioada 1989-1981 si in anii 1995 si 1998.

Spectrul multifractal pentru perioada eruptive si perioada non-eruptiva:

Se pot distinge 2 perioade principale in termini de activitate vulcanica:1980-1986-
perioada activa si 1987-2002-perioada inactiva.
 In aceasta figura ,va prezentam spectrul generalizarii dimensiunii fractale
care a fost obtinut din perioada activa si perioada inactiva a vulcanului. In cazul
perioadei active(1980-1986), spectrul indica clar ca distributia in timp a
cutremurelor are o structura multifractala.Generalizarea dimensiunii fractale
variaza de la Dq~0.36 pana la Dq~1,atunci cand q∞.Acest fapt demonstreaza
prezenta unei grupari puternice cu regiuni de densitati diferite in distributia
timpului.
Invers,atunci cand dimensiunea fractala Dq este calculata pentru perioada
inactiva,masura spectrului este cuprinsa intre 0.7≤Dq≤1,indicand un interval mai
mic si valori mai mari.Din aceasta cauza, seismicitatea este distribuita mai mult
uniform in aceasta perioada si aceste serii de timp sunt apropiate de o secventa
omogena oarecare cu sprijinul cazului de eruptie.
Se poate observa ca folosind spectrul dimensiunii multifractale,se poate face
deosebirea intre perioada activa si cea inactiva a vulcanului doar prin dimensiunea
fractala Dq,atunci cand q=0 (D0).
5.Concluzii
Am aratat ca schimbarile activitatii vulcanice observate la muntele St.
Helens pot fi caracterizate cantitativ in functie de generalizarea dimensiunii
fractale.Mai precis,in timpul perioadei active,s-a observat o grupare multifractala
caracteristica cu dimensiunea fractala Dq cuprinsa in intervalul [0.36,1].In timpul
perioadei inactive s-au obtinut rezultate care variaza in intervalul [0.7,1].
Aceasta metoda permite extragerea unor informatii folositoare in functie de timp si
poate fi de mare ajutor pentru problemele de monitorizare, in special pentru
majoritatea vulcanilor care sunt slab monitorizati.
6.Bibliografie

1. https://www.worldscientific.com/doi/abs/10.11
42/S0218348X06003180
2. https://arxiv.org/abs/physics/0311049
3. http://www.maths.qmul.ac.uk/~latora/caruso_1
79_fractals06.pdf
4. https://www.mathworks.com/discovery/genetic
-algorithm.html
5. https://www.mathworks.com/help/gads/examp
les/coding-and-minimizing-a-fitness-function-
using-the-genetic-algorithm.html
6. http://andrei.clubcisco.ro/cursuri/5master/sptr
m/curs/Algoritmi%20genetici.pdf