Sanchez

Memoria de Tesis Doctoral
&RQWULEXFLyQDOD6tQWHVLV'LPHQVLRQDOGH0HFDQLVPRV
3ODQRVSDUD*HQHUDFLyQGH7UD\HFWRULD
Francisco T. Snchez Marn
Dirigida por:
Prof. Dr. Antonio Prez Gonzlez
Castelln, Julio de 2000

Departamento de Tecnologa
Universitat Jaume I
A mis padres y a Lola
Agradecimientos
Resulta curioso que durante las incontables horas que uno ha dedicado a la realizacin
de esta tesis doctoral raramente es consciente del nmero de personas que, de una u otra
forma, han influido en ella. Pero an tras la reflexin que sigue a la finalizacin, este recuento
se hace complicado por la enorme cifra que resulta.
Me parece realmente difcil expresar brevemente mi agradecimiento a todas estas

personas no solo por el elevado nmero, sino tambin por lo inmensa que es mi gratitud.
En primer lugar quisiera hacer pblico mi ms sincero agradecimiento a mi director de

tesis, Antonio Prez, el cual ha proporcionado un soporte de conocimientos, comprensin y
orientacin imprescindible para la finalizacin de este trabajo. Igualmente expreso mi
agradecimiento a Sundar Krishnamurty que me orient y me anim a la realizacin del trabajo
en los albores de ste. Tambin me gustara agradecer a mis compaeros de rea, Ximo y
Manolo, por descargarme de algunas tareas docentes dndome la oportunidad de maximizar mi
dedicacin a esta tesis. Finalmente al resto de mis compaeros en el Departamento de
Tecnologa, que son muchos y que me han reconfortado con su apoyo de las formas ms
diversas.
En el plano ms personal, quisiera manifestar mi agradecimiento a mis Padres por su

infinita generosidad en todos los aspectos, a mis hermanos por su inters y apoyo y, de una
forma especial, a Lola que ha supuesto un soporte emocional fundamental para mi.
Al resto, que son muchos y no menos importantes, les estoy tambin sinceramente
agradecido.
Indice
Captulo 1. Introduccin ........................................................................................................ 1
1.1. El diseo de mecanismos .............................................................................................. 1
1.2. Subdivisin del problema de sntesis de mecanismos .................................................. 4
1.3. Objetivos ........................................................................................................................ 13
1.4. Plan de trabajo ............................................................................................................... 15
Captulo 2. Antecedentes ...................................................................................................... 17

2.1. Introduccin.................................................................................................................... 17
2.2. Sntesis dimensional para generacin de trayectoria .................................................... 21
2.3. Discusin ........................................................................................................................ 36
2.3.1. Las variables de diseo y el espacio de diseo .................................................... 40
2.3.2. La funcin objetivo ................................................................................................. 43
2.3.3. El algoritmo de optimizacin .................................................................................. 46
2.3.4. Las restricciones .................................................................................................... 50
2.4. Conclusiones.................................................................................................................. 54
Captulo 3. Comparacin de curvas planas cerradas ........................................................... 57

3.1. Introduccin.................................................................................................................... 57
3.2. Requisitos de los mtodos de comparacin de curvas.................................................. 59
3.3. Descripcin de una curva plana cerrada y sus propiedades ......................................... 62
3.4. Mtodos existentes de comparacin de curvas ............................................................. 69
3.4.1. Mtodo de mnimos cuadrados optimizando posicin y orientacin, o mtodo
LSOP (Least Squares Optimizing Position) ..................................................................... 71
3.4.2. Mtodo minimizando el error perpendicular o mtodo MPE (Minimizing the
Perpendicular Error) ......................................................................................................... 75
3.4.3. Mtodo de conversin en B-Spline o mtodo BSC (B-Spline Conversion) ........... 77
3.5. Propuesta de nuevos mtodos de comparacin de curvas ........................................... 86
3.5.1. Mtodo de las diferencias poligonales o mtodo PD (Polygon Differences) ........ 87

3.5.2. Mtodos de las diferencias poligonales incluyendo propiedades de la curva o
mtodos PDCP (Polygon Differences with Curve Properties) ......................................... 98
3.5.3. Mtodo de la curvatura de las curvas o mtodo CC (Curvature of Curves) .......... 104
3.5.4. Mtodo del rea entre las curvas o mtodo ABC (Area Between Curves)............ 107
3.6. Mejora de los mtodos existentes .................................................................................. 116
3.6.1. Mtodo LSOP ......................................................................................................... 118
3.6.2. Mtodo MPE........................................................................................................... 122
3.6.3. Mtodo BSC ........................................................................................................... 123
3.7. Ensayo de los mtodos .................................................................................................. 130
3.7.1. Definicin de la curva requerida............................................................................. 131
3.7.2. Ensayo de conmutabilidad ..................................................................................... 132
3.7.3. Ensayo de comportamiento frente a cambio de tamao de la curva..................... 135
3.7.4. Ensayo de comportamiento frente a cambio de posicin y orientacin de la
curva ................................................................................................................................. 138
3.7.5. Ensayo 1 de comportamiento frente a deformacin progresiva de la curva ........ 140
3.7.8. Ensayo de estabilidad ............................................................................................ 157
3.7.9. Evaluacin del coste computacional ...................................................................... 160
3.8. Anlisis de resultados y conclusiones............................................................................ 163
Captulo 4. Comparacin de curvas planas abiertas............................................................. 169

4.1. Introduccin .................................................................................................................... 169
4.2. Requisitos de los mtodos de comparacin de curvas abiertas .................................... 173
4.3. Propuesta de nuevos mtodos de comparacin de curvas abiertas ............................. 174
4.3.1. Mtodos de superposicin con 2 variables ............................................................ 175
4.3.2. Mtodos de superposicin con 1 variable.............................................................. 181
4.4. Ensayo de los mtodos de adaptacin .......................................................................... 189
Indice
4.4.1. Ensayo 1 ................................................................................................................ 191

4.4.2. Ensayo 2 ................................................................................................................ 198
4.4.3. Ensayo 3 ................................................................................................................ 202
4.4.4. Ensayo 4 ................................................................................................................ 207
4.4.5. Ensayo 5 ................................................................................................................ 210
4.5. Consideraciones de simetra y de sentido de la adaptacin en las curvas ................... 214
4.6. Anlisis de resultados .................................................................................................... 217
4.6.1. Identificacin .......................................................................................................... 217
4.6.2. Rango til ............................................................................................................... 217
4.6.3. ptimo logrado....................................................................................................... 219
4.6.4. Coste computacional.............................................................................................. 221
4.7. Conclusiones.................................................................................................................. 221
Captulo 5. El espacio de diseo y la optimizacin............................................................... 225

5.1. Introduccin.................................................................................................................... 225
5.2. Anlisis del espacio de diseo ....................................................................................... 227
5.2.1. Primera reduccin del espacio de diseo .............................................................. 229
5.2.2. Segunda reduccin del espacio de diseo ............................................................ 235
5.3. Anlisis de la funcin objetivo en el espacio de diseo ................................................. 247
5.3.1. Anlisis preliminar bidimensional de la funcin objetivo........................................ 250
5.3.2. Anlisis de la funcin objetivo en el caso n-dimensional ....................................... 254
5.4. Estrategias de optimizacin ........................................................................................... 265
5.5. Conclusiones.................................................................................................................. 280
Captulo 6. Aplicacin prctica .............................................................................................. 283

6.1. Introduccin.................................................................................................................... 283
6.2. Aplicacin a la sustitucin del mecanismo de una amasadera...................................... 284
6.3. Aplicacin al diseo de un mecanismo con pausa ........................................................ 293
iii
6.4. Aplicacin a la generacin de una trayectoria con puntos dobles ................................. 311
6.5. Conclusiones .................................................................................................................. 316
Captulo 7. Conclusiones....................................................................................................... 319

7.1. Introduccin .................................................................................................................... 319
7.2. Conclusiones .................................................................................................................. 320
7.2.1. Funcin objetivo ..................................................................................................... 320
7.2.2. Espacio de diseo .................................................................................................. 322
7.2.3. Estrategia de optimizacin ..................................................................................... 323
7.3. Desarrollos futuros ......................................................................................................... 324
Bibliografa............................................................................................................................. 327
Apndice A. Definiciones relacionadas con la sntesis de mecanismos............................... 339
Apndice B. Formulacin de definicin de curvas B-Splines................................................ 343

B.1. Definicin de una B-Spline abierta................................................................................. 343
B.2. Definicin de una B-Spline cerrada ............................................................................... 344
B.3. Derivadas de la ecuacin paramtrica de la B-Spline ................................................... 345
Indice de abreviaturas
Indice de abreviaturas
ABC
Area Between Curves (mtodo del rea entre las curvas).
BSC
B-Spline Conversion (mtodo de la conversin en B-Spline).
CC
Curvature of Curves (mtodo de la curvatura de las curvas).
CET
Curva de Evolucin de la Tangente.
DM
Diseo de Mecanismos.
ED
Espacio de Diseo.
EDA
Espacio de Diseo Acotado.
LSOP
Least Squares Optimizing Position (mtodo de mnimos cuadrados optimizando la

posicin).
MCC
Mtodo(s) de Comparacin de Curvas.
MPE
Minimizing the
perpendicular).
PD
Polygon Differences (mtodo de las diferencias poligonales)
PDCP
Polygon Differences with Curve Properties (mtodo de las diferencias poligonales

incluyendo propiedades de las curvas).
SM
Sntesis de Mecanismos.
TE
Tangent Evolution (mtodo de evolucin de la tangente).
TMM
Teora de Mquinas y Mecanismos
Perpendicular
Error
(mtodo
de
minimizacin
del
error
&DStWXOR
,QWURGXFFLyQ
1.1. El diseo de mecanismos.

El diseo de mecanismos (DM) es una disciplina cuyo objetivo es idear o seleccionar el
mecanismo ideal para cumplir unos requisitos teniendo en cuenta unas consideraciones de
diseo. Como en cualquier otro problema de diseo, estos requisitos pueden ser de naturaleza
muy diversa, desde estticos hasta funcionales, constituyendo un problema global. Un
subproblema englobado por el DM pero mucho ms acotado es el llamado sntesis de
mecanismos (SM). El objetivo de la SM es el mismo que el del DM pero contemplando
exclusivamente requisitos y consideraciones funcionales mecnicas. As, la SM persigue idear
o seleccionar el mecanismo ideal para lograr el cumplimiento de unos determinados requisitos
de funcionalidad, normalmente relacionados con su movimiento, resistencia, rigidez, fiabilidad,
etc.
Dado que los requisitos de diseo pueden ser de muy diversa ndole, en general el DM
es un problema que ser resuelto por un equipo de profesionales entre los que se pueden
encontrar ingenieros mecnicos, ingenieros de fabricacin, diseadores, expertos en calidad,
etc. Sin embargo, en la mayora de los casos prcticos el problema de DM se reduce a un
problema de SM que puede ser resuelto utilizando criterios puramente mecnicos. En este
trabajo se considera exclusivamente el DM desde este punto de vista mecnico, es decir, se
considera el subproblema SM dentro del problema DM.
La SM constituye una parte bsica de la Teora de Mquinas y Mecanismos. Sin

embargo, al contrario que otros pilares de otras disciplinas, la SM no es una doctrina con un
cuerpo suficientemente elaborado (Nieto, 1978). Los motivos a los que se puede achacar esta
falta de desarrollo son variados y han sido estudiados por diferentes investigadores a lo largo
de la historia. F. Freudenstein (Freudenstein, 1973) apunt que la diversidad de mecanismos
realizados denota un atractivo universal, pero al mismo tiempo enmascara la complejidad de su
diseo. El diseo de mecanismos no es una ciencia homognea, la gran variedad de
Captulo 1
dispositivos mecnicos y componentes produce un sinnmero de combinaciones y funciones.

Con esto, Freudenstein dejaba patente que la SM es un problema tan general y puede
manifestarse segn tantas posibilidades diferentes que es difcilmente abordable de una forma
global. Posteriormente, en la misma referencia, Freudenstein explica: cuanto menos
homognea es la ciencia, ms retardado es su desarrollo. De esta forma atribuye la falta de
evolucin de la SM como parte de la Teora de Mquinas y Mecanismos (TMM) a la diversidad
de su naturaleza como problema.
Es generalizado (y muchos autores lo han manifestado) que la ciencia de los
mecanismos tiene un atractivo especial. S. Kota escribi (Erdman, 1993) que los mecanismos
han fascinado al hombre desde los das Bblicos porque poseen un encanto intuitivo. En
efecto, resulta fascinante observar el modo de funcionamiento de muchos mecanismos y
mucho ms pensar en cmo estos han podido ser ideados. Ms adelante, Kota escribe La
fascinacin proviene del hecho de que comprender el movimiento de los mecanismos es
sencillo, pero es mucho ms difcil entender cmo se origina y por qu fue diseado de la
forma particular en la que se manifiesta. As, interpretando lo escrito por Kota, los mecanismos
resultan cientficamente atractivos porque pueden realizar movimientos de una gran utilidad y
as se observa durante su funcionamiento. Sin embargo, con frecuencia resulta sumamente
complejo idear un mecanismo de semejante utilidad partiendo de su inexistencia.
Todas estas lecturas que son comunes en la literatura referente a la SM reflejan la

inquietud de los estudiosos de la TMM por esta parte de esta ciencia que no ha sido fruto de
una evolucin y desarrollo paralelos a otras ciencias. La mayora de los investigadores sobre
TMM son conocedores de las dificultades que presenta la SM y tienen ideas propias sobre el
porqu de esta dificultad que supone una autntica traba en su desarrollo. Grandes han sido
los esfuerzos que se han realizado para impulsar la tecnologa destinada a la SM y grandes
han sido tambin los problemas que han surgido en tales intentos. Tanto ha sido as que la SM
se ha rodeado de cierto misticismo, y a lo largo de la historia se han llegado a considerar
magos o genios a los que disearon mecanismos de una utilidad excepcional. Esto, en
realidad, se puede considerar beneficioso para la SM pues ha supuesto un autntico reto
intelectual que ha incentivado la creacin de nuevos y muy variados mecanismos de gran
utilidad.
Por otro lado, el escaso desarrollo de la SM representa un grave perjuicio para el

desarrollo tecnolgico de la TMM. Los mecanismos como partes elementales de mquinas son
los ladrillos con los que se construyen aquellas. Pero el diseo de un nuevo mecanismo est
rodeado de grandes dificultades y, lgicamente, esto influye negativamente en el desarrollo del
diseo de mquinas como disciplina. En la prctica esto supone que muchos mecanismos se
estn utilizando ms como la mejor solucin encontrada (no siendo, en muchos casos, ni
Introduccin
siquiera una buena solucin) que como la mejor solucin posible. Por ejemplo, pinsese en el
mecanismo biela-manivela que ha sido masivamente utilizado en motores de combustin de
vehculos automviles. Este mecanismo que transforma un movimiento rectilneo en otro
circular posee caractersticas desfavorables en su funcionamiento. En efecto, el pistn
constituye una masa que se ve sometida a grandes cambios de velocidad, lo que implica
grandes aceleraciones y, consecuentemente, grandes fuerzas de inercia. Estas fuerzas de
inercia provocan, por un lado, una gran irregularidad en el movimiento y, por otro, grandes
fuerzas internas entre los eslabones de los mecanismos que tendrn que ser transmitidas por
1
los pares cinemticos . Para limitar la irregularidad del movimiento se han de incluir volantes de
inercia pero esto aumenta todava ms la inercia del conjunto y supone un aspecto negativo
cuando se pretende potenciar la capacidad de aceleracin/deceleracin del motor. Por otro
lado, las fuerzas internas obligan a realizar un diseo robusto de los elementos del mecanismo
(manivela, biela, pasadores de articulaciones, etc.), lo cual aumenta su masa e influye en la
inercia y en la irregularidad del movimiento. Adems, la velocidad media de funcionamiento
impuesta al mecanismo se ve limitada por las fuerzas mximas que los elementos podrn
resistir, quedando limitadas las prestaciones del motor.
Sin embargo, pese a los problemas descritos, este mecanismo es utilizado en millones
de vehculos y, dada su extensin, utilidad y necesidad, cualquier nuevo mecanismo que
mejorara el mecanismo biela-manivela supondra un enorme beneficio a nivel mundial.
Lo anterior es tan solo un ejemplo de que la SM es un pilar fundamental sobre el que
se asienta la TMM, que su desarrollo influye enormemente en el de la TMM y que, por tanto,
influye en el desarrollo industrial.
El estudio de la SM revela la procedencia de su complejidad. Se ha puesto de

manifiesto anteriormente la falta de homogeneidad de la SM, pero sta agrava el problema
debido a que se manifiesta en diferentes aspectos relacionados con el mismo.
En primer lugar existe una gran falta de uniformidad en las soluciones posibles para un
mismo problema de SM (existen numerosas tipologas de mecanismos y muchas no guardan
ninguna relacin entre s). La solucin casi siempre depende del planteamiento y las soluciones
posibles pueden ser muy dispares.
En segundo lugar, las aplicaciones de los mecanismos son muy numerosas y cada una
de ellas presenta unos requisitos concretos no extrapolables a otras aplicaciones. Esto supone
que no es posible crear pautas de diseo generales ya que pueden cambiar segn el caso.
En tercer lugar, toda esta falta de homogeneidad ha dado lugar a la creacin de
numerosos mtodos (muy diferentes) para resolver problemas de sntesis enfocados hacia una
Vase definicin en el apndice A.
Captulo 1
determinada solucin o aplicacin, lo que implica falta de homogeneidad en el mtodo de

resolucin. Esta situacin exige un gran esfuerzo al diseador, que ha de conocer muchos
mtodos (cada uno aplicable a unos pocos casos) y estar en continua alerta frente a la
aparicin de mtodos nuevos que puedan mejorar sus diseos.
En definitiva, al enfrentarse a un problema de SM es posible utilizar multitud de tipos de
mecanismos diferentes y cada uno de ellos se puede sintetizar planteando el problema de
diferentes maneras y utilizando varios mtodos. Esta elevada dispersin provoca que sea difcil
certificar el logro de la solucin ptima, ya que sta depende del camino de resolucin recorrido
y este se ramifica una y otra vez.
La enorme heterogeneidad del problema de SM ha impedido que, hasta la fecha es

decir, con la tecnologa disponible hasta el momento, ste pueda ser abordado de una forma
global. Por este motivo, desde los primeros momentos, el problema ha sido dividido una y otra
vez con el fin de lograr subproblemas menores, ms homogneos, concretos y, en definitiva,
abordables. Esta divisin ha proporcionado toda una familia de subproblemas de SM.
Adems, cada uno de estos subproblemas se puede plantear de diferentes maneras,
utilizando distintas estrategias. Algunos de estos planteamientos cuentan ya con una serie de
mtodos de resolucin que proporcionan una amplia gama de soluciones de entre las que
habr que seleccionar la adecuada. Otros planteamientos an no han sido estudiados y
resueltos o apenas se ha comenzado a resolverlos.
Por otra parte, los mtodos de resolucin han cambiado mucho a lo largo de la corta
historia de la SM. En la actualidad, la creciente potencia de clculo de los ordenadores digitales
inclina la balanza de los mtodos de resolucin hacia el lado numrico. De esta forma, la
posibilidad de abordar los subproblemas de una forma cada vez ms global depende en gran
medida de la capacidad de clculo actual y de cmo sta evolucione con el tiempo. Dado que
hasta la fecha el crecimiento de la capacidad de clculo con respecto al tiempo es muy superior
a un crecimiento lineal, es previsible que en un futuro prximo los mtodos de resolucin
aplicados a la SM sean capaces de resolver problemas cada vez ms globales, aportando
soluciones mejores y eliminando los problemas que genera la falta de homogeneidad.
1.2. Subdivisin del problema de sntesis de mecanismos.

La estrategia de la subdivisin se ha utilizado desde los primeros tiempos como nica
alternativa para enfrentarse al la resolucin de problemas de SM. La subdivisin ha dado lugar
a una jerarquizacin de los problemas, existiendo una gran diversidad de tipos. En
consecuencia, es posible encontrar en la literatura diferentes formas de clasificar y agrupar los
problemas, atendiendo a diversos criterios.
Introduccin
En la figura 1.1 se observa una tpica clasificacin de los subproblemas en los que se
ha dividido la SM. En primera instancia se divide el problema en dos grandes categoras:
2
2
sntesis de mecanismos planos y sntesis de mecanismos espaciales . La inclusin de una
nueva dimensin al pasar de mecanismos planos a mecanismos espaciales complica
considerablemente el problema de sntesis. Tanto es as que hasta hace relativamente poco
tiempo solamente existan soluciones para sntesis de mecanismos planos, siendo muy
recientes los trabajos orientados al diseo de mecanismos espaciales. As, J. Nieto (Nieto,
1978) afirm en 1978 que an estaba por escribir el primer libro dedicado a la sntesis de
mecanismos espaciales. De hecho en la actualidad el problema de sntesis tridimensional
todava no ha sido abordado de una forma extensiva, nicamente se ha trabajado en la sntesis
de determinados mecanismos espaciales con una utilidad muy concreta. Solamente existen
mtodos de sntesis de mecanismos espaciales para algunos casos, muy pocos en relacin a
las numerosas posibilidades con las que se pueden disear estos mecanismos.
Sntesis de m ecanism os planos
con m ltiples grados de libertad

con un nico grado de libertad
Sntesis de m ecanism os espaciales

con m ltiples grados de libertad
de cadena abierta:
Brazos m anipuladores.
O tros.
de cadena cerrada:
M ecanism os paralelos (plataform as).

O tros.
con un nico grado de libertad

M ecanism os esfricos.
O tros.
con pares superiores e inferiores:

M ecanism os leva-seguidor.
O tros.
nicam ente con pares inferiores:

Sntesis de tipo:
Sntesis num rica o estructural.

Otras sntesis de tipo.
Sntesis dim ensional
para generacin de funcin:
para guiado de slido rgido:
para generacin de trayectoria:
S ntesis de prim er orden
exacta (puntos de precisin).

aproximada.
S ntesis de orden superior
exacta (puntos de precisin).
aproximada.
Figura 1.1. Clasificacin de los tipos de sntesis de mecanismos.
Captulo 1
El problema de sntesis de mecanismos espaciales puede subdividirse en dos grupos

atendiendo al nmero de grados de libertad que puede ser uno o varios del mecanismo
que se va a disear. Dentro de los mecanismos espaciales con mltiples grados de libertad, se
ha trabajado especialmente en dos casos: brazos manipuladores y mecanismos paralelos.
Los primeros son mecanismos de cadena abierta (tambin conocidos como robots
manipuladores) y estn constituidos por una serie de barras dispuestas en serie y conectadas
3
mediante pares que, en conjunto, proporcionan una gran movilidad a un actuador final. Este
tipo de mecanismos se ha extendido mucho en aplicaciones industriales durante los ltimos
4
tiempos debido a su gran versatilidad y movilidad , teniendo como principal inconveniente el
5
hecho de que debido a su configuracin eslabones dispuestos en serie y cadena cinemtica
abierta acumulan el error de posicionamiento de los diferentes pares cinemticos desde la
base hasta el actuador final, creciendo este error con la fuerza aplicada en dicho actuador. La
sntesis de este tipo de mecanismos se centra en la eleccin de los pares y la determinacin de
la longitud de las barras de forma que se obtengan una movilidad y precisin ptimas.
Figura 1.2. Plataforma de Stewart.
Entendida aqu como capacidad de movimiento.
No solo pueden alcanzar a cualquier punto dentro de su espacio accesible, sino que adems pueden acceder a cada punto
segn un amplio rango de direcciones.
5
Introduccin
Por su parte, los mecanismos paralelos son mecanismos en los cuales los eslabones y
pares forman parte de dos o ms cadenas cinemticas (que estn dispuestas para funcionar en
paralelo). Existen muchas posibles configuraciones de mecanismos de este tipo, siendo la ms
conocida la Plataforma de Stewart (figura 1.2) que fue introducida como base para un
simulador de vuelo por Stewart en 1965 (Stewart, 1965). Este mecanismo consta de una
plataforma superior que hace el papel de actuador final movida por diferentes cilindros
hidrulicos formando cadenas cinemticas paralelas. Sus seis grados de libertad le
proporcionan una gran movilidad a la vez que una precisin considerablemente mayor que los
brazos manipuladores. En efecto, la disposicin de los eslabones formando cadenas cerradas
disminuye sustancialmente el error de posicionamiento ya que evita su acumulacin. Esta
mayor precisin es una de las caractersticas que les permite competir con los brazos
manipuladores en aplicaciones en las que se pueden utilizar ambos mecanismos. Otra
caracterstica es la mayor fuerza que pueden realizar o mejor relacin fuerza/precisin.
La sntesis de mecanismos paralelos se centra, fundamentalmente, en la bsqueda de
nuevas configuraciones (sntesis de tipo) y en el dimensionamiento de los eslabones para el
cumplimiento de una serie de requisitos de movilidad.
Figura 1.3. Mecanismo de 4 barras esfrico.
Por otro lado, dentro de la categora de sntesis de mecanismos espaciales con un

6
nico grado de libertad destacan los esfuerzos realizados para lograr mtodos de diseo de
mecanismos esfricos (figura 1.3). Estos mecanismos se caracterizan porque generalmente
6
poseen nicamente pares inferiores y estos pares se mueven dentro de superficies esfricas.
Captulo 1
Muchos mecanismos planos de pares inferiores tienen su mecanismo esfrico equivalente en

el espacio. Esta equivalencia llega incluso a los problemas de sntesis, de tal forma que la
sntesis de mecanismos esfricos tiene caractersticas similares a la sntesis de mecanismos
planos con pares inferiores en lo referente a tipologa, objetivos y requisitos.
Figura 1.4. Curva de puntos alcanzables por un punto de un mecanismo plano con un grado de libertad.
Figura 1.5. Area alcanzable por un punto de un mecanismo plano con dos grados de libertad.
En el subgrupo de sntesis de mecanismos planos se encuentran todos los problemas

de sntesis relacionados con mecanismos en los que todos los puntos describen trayectorias
Introduccin
planas durante el movimiento. Este subgrupo fue el primero en ser investigado all en los
albores de la SM, aportando soluciones a los casos ms sencillos.
En primera instancia, el problema de sntesis de mecanismos planos se puede dividir
en aquellos problemas que ataen a mecanismos con mltiples grados de libertad y
mecanismos con un nico grado de libertad (desmodrmicos). Los primeros son mecanismos
que, en el plano tienen una gran movilidad (por ejemplo, un mecanismo plano con dos grados
de libertad puede alcanzar cualquier punto de su rea de trabajo. Vase figura 1.5). Por el
contrario, los mecanismos desmodrmicos (figura 1.4) poseen una movilidad restringida y
solamente pueden alcanzar los puntos de un lugar geomtrico unidimensional (como una curva
plana). Sin embargo y pese a su menor movilidad, los segundos han sido y son ms utilizados
que los primeros en aplicaciones industriales. Los motivos son varios y entre ellos destaca el
hecho de que los mecanismos desmodrmicos son mucho ms precisos y fiables, no necesitan
ms que un accionamiento y con ello evitan los problemas derivados de la coordinacin de
varios accionamientos, son robustos y duraderos y, consecuentemente, su mantenimiento es
casi nulo. En definitiva, resulta siempre aconsejable utilizar mecanismos desmodrmicos
(frente a mecanismos con mltiples grados de libertad) all donde es posible.
Cada uno de los dos subgrupos anteriores puede, a su vez subdividirse de forma
7
similar como se observa en la figura 1.1 en mecanismos con pares superiores e inferiores
y mecanismos nicamente con pares inferiores. Dentro de los primeros existe una muy amplia
variedad de tipologas, entre las que destacan los mecanismos con pares tipo leva-seguidor.
Estos mecanismos se caracterizan por presentar un diseo muy flexible, pudiendo conseguir
un muy elevado abanico de posibilidades de movimiento. Por el contrario, son mecanismos
caros y sufren de desgaste, necesitando unas condiciones de trabajo ptimas (lubricacin,
mantenimiento, etc.) para su buen funcionamiento.
Una vez ms, en estos mecanismos con pares superiores e inferiores, la elevada
diversidad de soluciones ha ocasionado que el problema de sntesis no sea abordado de una
forma global, sino que se hayan creado mtodos muy especficos para dar solucin a casos
concretos.
El segundo subgrupo mecanismos que cuentan nicamente con pares inferiores,

tambin llamados mecanismos de barras (linkages) incluye los primeros mecanismos que
fueron analizados de forma extensiva. Dentro de estos mecanismos clsicos se encuentra el
mecanismo de cuatro barras y el mecanismo biela-manivela que son, probablemente, los
mecanismos ms utilizados en aplicaciones industriales.
10
Captulo 1
Los mecanismos de barras constituyeron el objeto de trabajo de la SM clsica. En

efecto, los primeros trabajos de sntesis fueron realizados sobre mecanismos planos con pares
inferiores, siendo sta la parte de la SM ms desarrollada.
El problema de sntesis de mecanismos de barras ha sido subdividido tradicionalmente
en dos subgrupos atendiendo al objetivo de la sntesis (figura 1.1). El primero de ellos, llamado
sntesis de tipo persigue encontrar el tipo de mecanismo ideal es decir, la configuracin ideal
de barras y pares cinemticos para cumplir los requisitos de diseo. Dentro de este subgrupo
de problemas de SM destaca el llamado sntesis numrica o estructural, cuyo objetivo es
relacionar nmero de barras y nmero y tipo de pares cinemticos con el grado de movilidad de
la configuracin resultante. Otros problemas de sntesis tratan sencillamente de estudiar todas
las configuraciones posibles con un grupo de barras y pares cinemticos con el fin de obtener
informacin til para el diseo, o de obtener la mejor configuracin para reproducir un
movimiento de unas caractersticas concretas en base a pautas de comportamiento conocidas.
Figura 1.6. Relacin entre el ngulo de entrada y el de salida en un mecanismo de 4 barras.
El segundo subgrupo de la sntesis de mecanismos de berras es el constituido por los

problemas de sntesis dimensional. En este caso, se parte de un mecanismo de un tipo
concreto (conocido de antemano) y el objetivo es determinar las dimensiones ideales del
mecanismo para cumplir los requisitos de movimiento. Atendiendo al tipo de requisitos exigido
en el problema de sntesis dimensional, ste ha sido tradicionalmente subdividido en tres tipos
de sntesis: sntesis dimensional para generacin de funcin, sntesis dimensional para guiado
de slido rgido y sntesis dimensional para generacin de trayectorias.
En sntesis dimensional para generacin de funcin el objetivo es coordinar las barras
de entrada y salida del mecanismo, por lo que los requisitos vendrn expresados en trminos
de esta coordinacin. Generalmente se pretende coordinar una variacin angular (de entrada)
Introduccin
11
con otra variacin angular (de salida) o una variacin angular con la variacin de una distancia.
Utilizando como ejemplo el mecanismo de 4 barras (figura 1.6), los requisitos para generacin
de funcin relacionan ngulos de la barra de entrada (manivela accionadora) con los ngulos
de la barra de salida (manivela conducida).
En el caso de sntesis dimensional para guiado de slido rgido el objetivo es obtener
las dimensiones de un mecanismo tal que sea capaz de mover un slido rgido cumpliendo
unos requisitos. Dado que un slido rgido en el plano tiene tres grados de libertad, los
requisitos sern de posicin del slido rgido y tambin de orientacin del mismo. En el
mecanismo de cuatro barras (figura 1.7), las dos manivelas poseen movimientos de rotacin
pura, siendo la biela la que sufre un movimiento de rotacin y traslacin. Consecuentemente,
cuando se utiliza este mecanismo para guiar un slido rgido, es la biela la barra que realiza el
guiado y el objetivo de la sntesis es encontrar las dimensiones necesarias para que el
movimiento descrito por la biela se ajuste a los requisitos del problema.
Figura 1.7. Mecanismo de 4 barras para guiado de slido rgido.
Finalmente, en el caso de sntesis dimensional para generacin de trayectoria (o

sntesis de trayectoria) el objetivo es conseguir las dimensiones de un tipo de mecanismo tal
que un punto de una de sus barras (o eslabones) trace una trayectoria que cumpla los
requisitos del problema. Volviendo al ejemplo del cuatro barras, todos los puntos de las dos
manivelas trazan circunferencias perfectas (ya que ambas realizan movimientos de rotacin
pura), siendo la biela la nica que realiza un movimiento compuesto de rotacin y traslacin.
Esta barra tiene asociado un plano local (que se mueve con la misma) y cada uno de los
puntos en dicho plano traza una trayectoria diferente (figura 1.8). As pues, la sntesis de
trayectoria persigue encontrar las dimensiones de todas las barras del mecanismo y las
coordenadas del punto trazador de la biela dentro de su plano local tales que la trayectoria
trazada cumpla de forma ideal los requisitos impuestos.
12
Captulo 1
Figura 1.8. Curvas trazadas por diferentes puntos del acoplador de un mecanismo de 4 barras.
En los tres casos de sntesis dimensional expuestos, los requisitos pueden venir
especificados con prescripcin de tiempo o sin prescripcin de tiempo. En el primer caso, los
requisitos ataen no solo a la posicin sino tambin al tiempo que el mecanismo emplea para
adoptar esa posicin. De esta forma, en la sntesis se est condicionando la velocidad del
mecanismo que es la derivada temporal del espacio (lineal o angular) recorrido. Por este
motivo a este tipo de sntesis se le da el nombre de sntesis de orden superior. En
contrapartida, si los requisitos especifican parmetros relacionados con la posicin,
independientemente del tiempo que el mecanismo emplea para llegar a esa posicin, el
problema de sntesis es llamado sntesis de primer orden.
Es lgico pensar que los problemas de sntesis son ms complejos cuando los
requisitos incluyen el factor tiempo que cuando no, por lo que los mtodos de solucin de tales
problemas aportan soluciones menos ptimas.
Introduccin
13
Tradicionalmente, los requisitos de los problemas de sntesis dimensional de

mecanismos planos han sido especificados de forma discreta en determinadas posiciones
conocidas como puntos de precisin. As, el mecanismo sintetizado deba cumplir los requisitos
pasando por todos los puntos o posiciones de precisin. Sin embargo, las incgnitas del
problema de sntesis son las dimensiones del mecanismo y stas son limitadas en nmero. Por
este motivo, existe un mximo en el nmero de puntos de precisin que un mecanismo puede
satisfacer de forma exacta. Si se requiere un nmero de puntos de precisin mayor que este
8
mximo no ser posible, en general , que el mecanismo pase por todos los puntos de forma
exacta. En tal caso y sabiendo por adelantado que resulta imposible cumplir todos los
requisitos con total precisin, puede interesar conocer las dimensiones del mecanismo que
mejor cumple los requisitos que pasa lo ms cerca posible de todos los puntos de
precisin, es decir, interesa conocer las dimensiones ptimas del mecanismo segn esos
requisitos. En tal caso el problema de sntesis se convierte en un problema de optimizacin y
recibe el nombre de sntesis aproximada.
En los problemas de sntesis aproximada puede ocurrir que, como se ha comentado,
los requisitos vengan especificados en forma de puntos de precisin excediendo en nmero el
lmite del tipo de mecanismo sintetizado. Pero es posible que, sencillamente los requisitos sean
de otra ndole, expresados de forma continua o incluso expresando condicionantes de diseo
que nada tienen que ver con la posicin o el tiempo. As pues, la sntesis dimensional
aproximada de mecanismos planos da solucin a un problema ms general en tanto en
cuanto admite requisitos de cualquier tipo que la sntesis exacta en punto de precisin.
Por otro lado los problemas de optimizacin excepto en los casos ms simples han
logrado ser resueltos gracias a la elevada potencia de clculo de los ordenadores digitales y,
consecuentemente, los primeros mtodos de solucin de problemas de sntesis aproximada
aparecieron mucho despus que los mtodos de sntesis exacta. A medida que la potencia de
clculo de los ordenadores aumente, ser posible resolver problemas de sntesis cada vez ms
globales, incluyendo requisitos ms variados y complejos y asegurando cada vez ms la
obtencin del ptimo global.
1.3. Objetivos.
El objetivo ltimo de esta tesis es enunciado como la mejora de los recursos
metodolgicos existentes en sntesis dimensional aproximada de mecanismos planos para
generacin de trayectoria sin prescripcin de tiempo. Para ello se persigue el diseo de una
8 Salvo que los puntos cumplan una serie de condiciones, de la misma forma en la que solo es posible trazar una circunferencia
que pasa por cuatro puntos si uno de ellos cumple la ecuacin de la circunferencia que pasa por los otros tres; no siendo ste el
caso ms general.
14
Captulo 1
estrategia numrica que permita, en la medida de lo posible, obtener las dimensiones ptimas
del mecanismo para la generacin aproximada de una trayectoria requerida.
Un parmetro importante en la obtencin del ptimo global es el coste computacional
implicado, por lo que un segundo objetivo consiste en probar la viabilidad prctica de la
estrategia planteada mediante la implementacin del mtodo en un programa informtico capaz
de resolver casos prcticos de sntesis.
La consecucin de estos dos objetivos principales se plantea mediante la consecucin

de los siguientes objetivos estratgicos intermedios:
La reduccin del espacio de diseo. El espacio de diseo de los mecanismos
desmodrmicos planos es extraordinariamente vasto incluso para los mecanismos ms
sencillos (cuenta con 8 dimensiones para los casos ms simples). Para conseguir la
posicin del ptimo global se propone el uso de tcnicas de reduccin del mismo.
Cualquier reduccin del espacio de diseo supondr un incremento en la probabilidad de
lograr el ptimo global, por lo que el cumplimiento de este objetivo contribuir al logro de
los objetivos generales.
La formulacin de una funcin objetivo computacionalmente econmica. Dado que la
funcin objetivo se encarga de evaluar los puntos del espacio de diseo y en la
resolucin de un problema de sntesis ptima ser necesario evaluar enormes
cantidades de puntos, resulta fundamental la minimizacin del tiempo invertido en la
evaluacin de cada punto tiempo de operacin de la funcin objetivo. En efecto,
debido a este elevado nmero de evaluaciones, cualquier mnima disminucin del coste
de la funcin objetivo tendr repercusiones significativas en el tiempo de todo el proceso
de optimizacin. Por este motivo, se plantea el objetivo de disear una funcin objetivo
computacionalmente econmica a la vez que compatible con la reduccin mxima del
espacio de diseo.
9
La utilizacin de una estrategia robusta que permita asegurar el logro del ptimo global.
En base al objetivo ltimo de la tesis, se plantea como objetivo el planteamiento de una
estrategia que permita asegurar el logro del ptimo global si se emplea el tiempo de
computacin suficiente, aparte de minimizar este coste. Este objetivo tiene como
finalidad estimar el coste computacional asociado a la consecucin del ptimo global y
las vas segn las cuales ste puede ser disminuido.
El anlisis de diferencias entre sntesis de trayectorias abiertas y cerradas. Aparte de los
objetivos anteriores, tambin se establece como objetivo el estudio de las diferencias de
9 Funcin que se pretende minimizar en la optimizacin de las dimensiones del mecanismo. En sntesis dimensional de
trayectoria, esta funcin compara, de una forma u otra, la curva generada por el mecanismo con la curva requerida.
Introduccin
15
planteamiento entre los problemas de sntesis en los que sequiere la generacin de una
trayectoria abierta y los problemas de sntesis para generacin de trayectorias cerradas.
Esto incluye estudiar la posibilidad de proposicin de estrategias de resolucin comunes
para ambos tipos de sntesis de trayectoria.
1.4. Plan de trabajo.

Para la consecucin de los objetivos de la tesis, se propone el siguiente plan de
trabajo:
a)
Revisin bibliogrfica de los mtodos de sntesis dimensional de mecanismos planos;

con especial hincapi en la sntesis para generacin de trayectoria y, dentro de sta, en
los mtodos de sntesis ptima sntesis mediante optimizacin.
b)
Deteccin de los problemas inherentes a la sntesis ptima y deteccin de las

limitaciones de los mtodos existentes.
c)
Estudio por separado de las diferentes partes que constituyen el problema de sntesis
ptima de trayectoria:
Funcin objetivo.
S
Estudio de los requisitos de la funcin objetivo en sntesis ptima de trayectoria.
Estudio de las similitudes y diferencias entre la sntesis de trayectorias abiertas y

la sntesis de trayectorias cerradas.
Estudio detallado de las principales funciones objetivo propuestas por otros

investigadores. Determinacin de sus limitaciones y mejora de las mismas.
Propuesta de nuevas funciones objetivo en base a las mejoras de las existentes,

contemplando los requisitos establecidos y con especial hincapi en la economa
de clculo.
Elaboracin de un conjunto de ensayos en funcin de las caractersticas

requeridas y contrastacin de las funciones objetivo nuevas y existentes.
Espacio de diseo.
S
Estudio dimensional del espacio de diseo para el cuadriltero articulado: su

tamao, la relacin entre sus puntos.
Estudio de posibles reducciones del espacio de diseo que conduzcan a un

aumento en las probabilidades de obtencin del ptimo global.
16
Captulo 1
Estudio de la funcin objetivo en el espacio de diseo: su evolucin, su nmero

de mnimos y la probabilidad de obtencin del ptimo global.
Algoritmo de optimizacin.
S
Estudio de las estrategias planteadas hasta el momento para la sntesis ptima

de trayectoria. Anlisis de sus limitaciones.
Estudio de los algoritmos de optimizacin existentes con especial atencin a sus

limitaciones y el coste computacional.
Estudio de la posibilidad de planteamiento de una estrategia de optimizacin

para la consecucin del ptimo global en sntesis ptima de trayectoria.
d)
Implementacin de la estrategia de optimizacin seleccionada constituyendo una

herramienta informtica para la sntesis ptima de trayectoria.
e)
Seleccin de casos prcticos de sntesis de trayectoria y obtencin de resultados.

Anlisis de los resultados atendiendo a los criterios mecnicos habituales de evaluacin
de mecanismos.
f)
Extraccin de conclusiones y planteamiento de posibles vas de continuacin. Estudio de

la posible extensin del mtodo a otros casos de sntesis dimensional.

&DStWXOR
$QWHFHGHQWHV
Introduccin
La sntesis de mecanismos planos es una disciplina englobada por la ingeniera
mecnica que se encarga de proporcionar mtodos para obtener mecanismos planos capaces
de cumplir tareas especficas representadas por medio de unos requisitos de diseo.
Esta materia empez a ser estudiada sistemticamente a finales del siglo XIX cabe
citar los trabajos de Burmester (Burmester, 1888), Mller (Mller, 1892), Allievi (Allievi, 1895) y
Somov (Somov, 1899), entre otros y desde entonces el nmero de investigadores que han
realizado trabajos relacionados con sta ha crecido notablemente.
Segn Nieto (Nieto, 1978), la historia de la sntesis dimensional puede dividirse en tres
etapas claramente diferenciadas. La primera etapa comprende desde la construccin de las
primeras mquinas en los tiempos antiguos hasta la dcada de 1870 (aprox.). Esta etapa se
caracteriza por una carencia de estudio disciplinado y, consecuentemente, por un crecimiento
aleatorio del conocimiento relacionado con el diseo de mquinas bajo la presin de la
necesidad. Pese a la no sistematizacin y la falta de disciplina en la investigacin, cabe
destacar los trabajos de algunos eruditos del perodo tales como Leonardo Da Vinci (14521519), que fue creador de varias mquinas y escribi varios libros de rico contenido mecnico;
J. Watt (1736-1783) que fue el primero en realizar trabajos orientados a la sntesis de
10
movimiento; Ampre (1775-1836) que introdujo el concepto de cinemtica o Reuleaux (18291905) que sent las bases de la cinemtica moderna en su libro Cinemtica.
La segunda etapa, que comprende desde algn momento de la dcada de 1870 hasta
fin de la primera mitad del siglo XX, se caracteriz por la existencia de varias escuelas
francesa, alemana, inglesa y rusa, principalmente que trabajaron fundamentalmente en dos
enfoques del problema de sntesis dimensional: el desarrollo de mtodos grficos y el
desarrollo de mtodos analticos. El primero fue trabajado sobre todo por la escuela alemana,
10
Derivada de la palabra griega que da nombre al movimiento.
18
Captulo 2
cuyos miembros utilizaron herramientas grficas como nica va de solucin de los problemas
de sntesis dimensional (en ausencia de mquinas de clculo). Los primeros casos fueron
11
planteados en trminos de puntos de precisin (sntesis exacta ) y se crearon mtodos para
dar solucin a problemas con un nmero creciente de ellos, creando una teora de curvatura
considerable para tal fin. Por otro lado la escuela rusa propuso alternativas analticas para los
mismos casos de sntesis.
Publicaciones clsicas de este perodo son monografas tales como Lehrbuch der
12
Kinematik (Tratado de cinemtica), debida a Burmester (Burmester, 1888) o Cinemtica
della biella plana (Allievi, 1895) y numerosas publicaciones cientficas.
Al final de este segundo perodo, la sntesis de mecanismos estaba totalmente
consolidada como parte de la ciencia, se estudiaba el acoplador de los mecanismos como la
barra ms fecunda, se haban creado numerosos mtodos de sntesis para otros tantos casos
e incluso se haban elaborado trabajos iniciales relacionados con el anlisis y la sntesis de
mecanismos espaciales.
La tercera etapa comprende desde mediados del siglo XX hasta la actualidad. Esta
etapa se caracteriza por la introduccin de las rpidas mquinas de clculo en la sntesis
dimensional, llegando a adaptarse sta ltima a la filosofa de trabajo de las primeras para
permitir que los problemas sean abordados de una forma eficiente. Si la segunda etapa era la
etapa grfica y analtica, esta tercera puede llamarse la etapa numrica.
Tambin es patente la influencia del progreso mundial, que ha permitido la existencia
de un incontable nmero de investigadores dedicados al desarrollo del diseo de mquinas.
Esto ha proporcionado un creciente nmero de los trabajos publicados y una enorme
dispersin de los mtodos propuestos. En la actualidad se han publicado numerosos libros
relacionados con la sntesis de mecanismos y existen diferentes revistas de investigacin
relacionadas con esta disciplina. Esto facilita la difusin de las investigaciones realizadas entre
los cientficos de la materia y asegura el desarrollo de la misma.
Sin embargo, y pese a todos los avances en la metodologa cientfica nombrados
anteriormente, se observa que la sntesis dimensional de mecanismos sigue siendo un terreno
en continua exploracin ya que peridicamente se publican diferentes propuestas de nuevos
mtodos para resolver el problema.
La mayora de los trabajos de investigacin recientes pueden clasificarse dentro de una
de las siguientes categoras:
11
12
Obra maestra que introdujo de forma extensiva numerosos mtodos grficos para sntesis con puntos de precisin finita e
infinitesimal. Constituye un clsico de la materia que an hoy es referenciada por numerosos investigadores.
Antecedentes
19
Trabajos relacionados con la sntesis de tipo. En los ltimos aos ha tenido cierto auge la
investigacin sobre la generacin de cadenas cinemticas y la seleccin del tipo
adecuado para la realizacin de unas determinadas tareas. La mayor parte de los
trabajos recientemente publicados estn relacionados con la generacin de cadenas
cinemticas contemplando ciertas caractersticas requeridas y las posteriores tcnicas
13
de deteccin de cadenas isomrficas , degeneradas, simtricas, etc (Vucina y
Freudenstein, 1991) (Yan, 1992) (Dijksman y Timmermans, 1994) (Yadav et al., 1995)
(Liu y Yu, 1995) (Tuttle, 1996) (Nageswara y Rao, 1996) (Rao, 1997a) (Rao, 1997b).
Tambin existen otros trabajos con aplicaciones ms especficas como, por ejemplo, el
mtodo geomtrico para la generacin de pantgrafos de 5 barras, presentado por Lu y
Hwang (Lu y Hwang, 1996).
Trabajos relacionados con la sntesis dimensional. Como se ha visto, la sntesis
dimensional tiene una gran carga histrica. Sin embargo, en los ltimos aos an se
siguen desarrollando nuevos mtodos de sntesis que intentan aprovechar al mximo la
creceinte potencia de los ordenadores de clculo. No obstante, tambin se publica un
nmero considerable de trabajos de desarrollo de la sntesis ms tradicional. De una
forma no rigurosa, todos estos trabajos que tienen relacin con la sntesis dimensional
pueden ser clasificados en los siguientes subgrupos:
S
13
Trabajos de desarrollo de la cinemtica clsica y de los mtodos clsicos de

sntesis. Dentro de este grupo se encuentran trabajos variados. Algunos de ellos
son modernos desarrollos de las teoras de Burmester (Prentis, 1991a) (Prentis,
1991b) (Wu y Wu, 1998). Otros estudian y aplican nuevos algoritmos para la
obtencin de las curvas clsicas curva de punto central (Murray y McCarthy,
1996) (Murray y McCarthy, 1997), curva de transicin (Gibson et al., 1996)
(Pennestr, 1998), curva de polos (Brady y Peterson, 1995), etc., existiendo
tambin otros trabajos dignos de consideracin (Hall, 1992).
Trabajos de sntesis de mecanismos espaciales. La sntesis de estos
mecanismos con movimiento tridimensional ha tenido un dearrollo creciente ne
los ltimos aos. La mayora de los trabajos proponen nuevos mtodos de
sntesis (Chiang et al., 1994) (Liang, 1995) (McCarthy, 1995) (Jimnez et al.,
1997), aunque existen otros trabajos aislados pero significativos, como el trabajo
de Parikian (Parikian, 1997) que intentan relacionar diferentes mecanismos
13
espaciales cognados o el trabajo de Shi (Shi, 1997) que introduce un modelo
probabilstico de error mecnico en la sntesis de mecanismos espaciales. Aun
as, el problema tridimensional es sensiblemente ms complejo que el
20
Captulo 2
bidimensional y, por ello, esta parte de la sntesis lleva un gran retraso en su

desarrollo en comparacin con la sntesis de mecanismos planos.
S
Trabajos de sntesis especficos de mecanismos de cadena abierta. Tambin

han tenido cierto auge los trabajos de investigacin relacionados con
mecanismos manipuladores (robots) de cadena abierta debido a sus enormes
aplicaciones industriales. El diseo de estos productos engloba disciplinas muy
diferentes, entre las que se cuentan la Ingeniera Mecnica, el control y
regulacin de mquinas y la electrnica. Por ello, son numerosas las
publicaciones correspondientes a otros tantos aspectos relacionados con la
fabricacin y el funcionamiento de este tipo de mecanismos controlados. Dentro
de las que tienen una mayor relacin con la sntesis de mecanismos de barras
pueden citarse la debidas a Raghavan y Roth (Raghavan y Roth, 1995), Cecarelli
(Cecarelli, 1995), Fanghella y Galletti (Fanghella y Galletti, 1995) y Chirikjian
(Chirikjian, 1995).
Trabajos de sntesis de mecanismos con aplicaciones concretas o con

condicionantes especiales. En los ltimos aos se ha propuesto una gran
multitud de mtodos para la sntesis de mecanismos especiales o con unos
requisitos muy determinados (para aplicaciones muy concretas). Comparados
con los trabajos que proponen mtodos globales aplicables a todos los diferentes
tipos de snteis, los primeros constan en un nmero muy superior. Esto es una
prueba de la creciente desintegracin metodolgica de la sntesis de
mecanismos. En efecto, en comparacin, son muy pocos los trabajos destinados
a la elaboracin de mtodos potentes capaces de resolver problemas de sntesis
en un sentido cada vez ms amplio, englobando ms tipos de mecanismos y
ms requisitos de diseo diferentes.
Algunos de los trabajos de esta categora tienen que ver con el
funcionamiento en un espacio reducido (Stoilov, 1997), con el diseo robusto de
mecanismos (Da Lio, 1997), con la sntesis de de tipos concretos de
mecanismos (Chung y Chiang, 1990) (Wang y Sodhi, 1996) (Bawab et al., 1996)
(Waldron y Sreenivasan, 1996), con la sntesis de mecanismos con elementos
flexibles (Yu, 1995) (Meng et al., 1996), con la sntesis de trayectorias especiales
rectilneas, circulares, etc. (Dijksman y Smals, 1996), con el diseo de
mecanismos libres de interferencia o defecto de circuito (Mirth y Chase, 1995)
(Ling y Chase, 1996), etc.
Trabajos de sntesis dimensional general. Dentro de este apartado pueden

englobarse el resto de trabajos que tratan, de una forma general, la sntesis
dimensional de mecanismos planos. Se pueden diferenciar dos vertientes: los
trabajos que proponen mtodo generales para todos los tipos de sntesis
Antecedentes
21
dimensional generacin de funcin, generacin de trayectoria y generacin de

movimiento (o guiado de slido rgido) y los que plantean una metodologa
especfica para uno de los tipos de sntesis.
Dentro de los primeros se encuentran trabajos recientes notables como los
debidos a Avils et al. (Avils et al., 1985), Cossalter et al. (Cossalter et al., 1992),
Krishnamurty y Turcic (Krishnamurty y Turcic, 1992), Vallejo et al. (Vallejo et al.,
1995), Kunjur y Krishnamurty (Kunjur y Krishnamurty, 1997), entre otros.
Por otro lado, son numerosos los mtodos propuestos para tipos de
sntesis dimensional especficos. As, en relacin a la sntesis para la generacin
de de funcin pueden citarse los siguientes trabajos: (Mahyuddin et al., 1989)
(Akali y Dittrich, 1989a) (Naik y Amarnath, 1989) (Lin y Chiang, 1992)
(Nageswara y Rao, 1996) (Chung y Chiang, 1990). Por su parte, tambin son
cuantiosas las publicaciones que proponen mtodos especficos para generacin
de funcin, pudiendo citar (entre otras) las siguientes: (Zhang et al., 1984)
(Angels et al., 1988) (Akali y Dittrich, 1989b) (Watanabe, 1992) (Unruh y
Krishnaswami, 1995) (Ullah y Kota, 1996). Finalmente, existen algunos trabajos
especficos relativos a la sntesis de mecanismos para generacin de
movimiento, tales como los debidos a Park (Park, 1995), Wang y Sodhi (Wang y
Sodhi, 1996), Bawab et al. (Bawab et al., 1996), Luck y Modler (Luck y Modler,
1997). Todos ellos tienen elementos comunes y en su estudio histrico se
observa una tendencia clara hacia la vertiente numrica para la resolucin de
problemas de anlisis y sintesis de mecanismos.
De todos ellos, esta tesis se centra particularmente en el estudio de la sntesis ptima

general de mecanismos planos.
Sntesis dimensional para generacin de trayectoria.

Desde hace ms de un siglo podra decirse que desde los trabajos de Burmester
(Burmester, 1888) se ha venido estudiando de forma sistemtica el problema de encontrar
las dimensiones de un mecanismo de forma que, en su movimiento, un punto de uno de sus
miembros dibuje una determinada trayectoria, o bien pase secuencialmente por una serie de
puntos. La importante aplicacin prctica en la construccin de mquinas y en la
automatizacin de procesos industriales ha supuesto la investigacin detallada de posibles
mtodos para obtener el mecanismo partiendo de caractersticas impuestas en la trayectoria
que debe generar.
22
Captulo 2
Inicialmente el problema fue enfocado de manera discreta, en la que la trayectoria

generada deba pasar sobre una serie de puntos (requeridos) conocidos como puntos de
14
precisin . Varios mtodos fueron ideados para resolver el problema de la obtencin de las
dimensiones del mecanismo (cuyo tipo era prefijado por adelantado) capaz de trazar una
trayectoria que pasara por un nmero de puntos cada vez mayor. Sin embargo, pronto se
detect la limitacin fundamental de esta tcnica: dado un tipo de mecanismo existe un lmite
(asociado a ese tipo) en el nmero de puntos de precisin que se puede exigir. Por encima de
este lmite, no es posible encontrar las dimensiones del mecanismo de forma que la trayectoria
generada pase por todos los puntos.
Esta limitacin cambi el enfoque del problema debido a dos motivos fundamentales:
por un lado, desde el punto de vista mecnico, interesaba encontrar las dimensiones del
mecanismo capaz de generar una trayectoria que pasara lo ms cerca posible de todas las
posiciones prescritas; por otro lado, obstinarse en la exactitud de los puntos de precisin no
tena un sentido prctico debido a que las tolerancias de fabricacin, la holgura en los pares
cinemticos y la deformacin de los eslabones durante el funcionamiento provocaban la
prdida de la exactitud alcanzada tericamente. Al plantear el problema segn este nuevo
enfoque, ste se transform en un problema de optimizacin y fue llamado sntesis
14
aproximada o sntesis ptima.
La aparicin de los ordenadores dio luz a la posibilidad de resolucin de complejos
problemas de optimizacin. Previamente a la existencia de mquinas con gran capacidad de
clculo, solamente eran viables los enfoques geomtricos o analticos para resolver problemas
de sntesis de trayectoria. Pero con estos planteamientos slo era posible dar solucin a
14
problemas de resolucin directa (sntesis exacta ) y a problemas de optimizacin triviales, ya
que el planteamiento asociado a la optimizacin en un problema con tantas variables
nicamente puede ser resuelto utilizando la variante numrica. Adems, el nmero de
iteraciones necesario en un problema habitual es tan elevado que resulta inabordable de forma
manual.
As, desde mediados del siglo XX, los planteamientos grfico y analtico dieron paso al
planteamiento numrico. Son numerosas las publicaciones que se encuentran de esa poca
tratando el tema de sntesis aproximada de mecanismos planos para generacin de trayectoria.
Pero el planteamiento numrico, junto con la posibilidad de resolucin de los problemas de
optimizacin, tambin introdujo nuevas dificultades asociadas a los algoritmos de optimizacin.
Si se estudia la literatura relacionada con el tema, se observa que tras la primera
explosin, las mejoras en los mtodos de sntesis no han seguido una progresin paralela a la
creciente capacidad de clculo de los ordenadores digitales. Desde entonces hasta ahora se
14
Antecedentes
23
han propuesto diferentes formas de plantear el problema de sntesis aproximada pero contina
sin existir una estrategia apta para solucionar todos los casos.
Para la comprensin del problema en toda su magnitud, se considera fundamental la
evolucin de las soluciones aportadas a lo largo de la historia. Esto permitir realizar una
evaluacin del progreso de las tcnicas utilizadas y permitir observar la tendencia seguida y el
futuro probable de la sntesis de mecanismos. Por este motivo se realiza a continuacin una
revisin de los antecedentes siguiendo un orden cronolgico. En esta revisin se han incluido
las publicaciones fundamentales, existiendo otras que, aunque tal vez sean menos relevantes,
tambin podran ser dignas de consideracin.
Los primeros mtodos de diseo ptimo de mecanismos aparecieron en la dcada de

1960. Roth y Freudenstein (Roth y Freudenstein, 1963) publicaron un trabajo en el que
adaptaban un mtodo algebraico a la sntesis aproximada de mecanismos planos para
generacin de trayectoria. Como base para el estudio utilizaron un mecanismo de 5 barras con
engranajes (figura 2.1) para el trazado de una trayectoria prescrita mediante 9 puntos de
precisin. Pese a que para el problema planteado existe una solucin exacta, los autores
pusieron de manifiesto la dificultad para proponer mtodos algebraicos directos para su
resolucin debido a la gran complejidad del mecanismo y al elevado nmero de puntos de
precisin.
Figura 2.1. Mecanismo de 5 barras con engranajes.
24
Captulo 2
La estrategia planteada por Roth y Freudenstein consisti en lo siguiente: partiendo del

planteamiento algebraico del problema (Freudenstein y Sandor, 1959), transformaron las
ecuaciones algebraicas de bucle (formuladas utilizando nmeros complejos) eliminando los
parmetros no deseados llegando a una nica ecuacin no lineal por cada condicin de
precisin. Luego desarrollaron mtodos matemticos para lograr la convergencia de las
iteraciones numricas utilizadas en la resolucin de las ecuaciones.
Los autores repararon en la dificultad que entraa la obtencin del ptimo global (en
este caso, la solucin exacta), siendo sencillo que la optimizacin terminara en un mnimo local
que dependera de la primera estimacin o punto de partida de la optimizacin. Para ello
dotaron al mtodo de optimizacin de un procedimiento (que ellos llamaron bootstrap) segn
el cual de la primera estimacin no se resolvan las ecuaciones para buscar la solucin final,
sino solamente para buscar una solucin intermedia ms cercana a la primera que a la final.
Luego esta solucin intermedia serva de primera estimacin para la siguiente iteracin del
proceso. De esta forma, en cada iteracin no solo cambiaba la solucin intermedia, sino
tambin los coeficientes de las ecuaciones que daban solucin a la siguiente estimacin.
Adems resolvieron problemas de singularidad en la convergencia por medio de una
tcnica de intercambio de posicin. Cuando el sistema degeneraba en una singularidad, el
punto de precisin que sirve de referencia era cambiado y se obtena un nuevo planteamiento
de las ecuaciones, esta vez no singular, que permita continuar la iteracin. Finalmente, dado
que el problema no tiene una solucin nica, introdujeron un ndice de calidad de la solucin
15
que involucraba la relacin mxima de longitudes de barras , el ngulo de transmisin, etc.
para controlar la convergencia hacia un ptimo que fuera favorable desde otros puntos de vista
ajenos a la forma de la trayectoria.
El trabajo realizado por Roth y Freudenstein pasa por ser uno de los primeros si no el
primero en utilizar el concepto de optimizacin para resolver problemas de sntesis de
trayectoria. En l ya se describen los problemas asociados con este planteamiento, como por
16
ejemplo el hecho de que si se opta por mtodos de optimizacin basados en el gradiente , la
solucin encontrada ser en general un mnimo local y depender de la posicin de partida. La
particularidad de este trabajo estriba en que se ha utilizado un mtodo de optimizacin para
resolver un problema que tiene una solucin exacta, por lo que ha sido posible utilizar tcnicas
de apoyo para conducir al programa hacia esta solucin. Sin embargo, cuando el problema no
tiene una solucin exacta, no es posible reconducir el planteamiento de Roth y Freudenstein
para la obtencin del ptimo global.
15
Ya que si el cociente entre la longitud mxima y la longitud mnima de las barras no es un valor moderado, el mecanismo es
excesivamente deforme y presenta varios problemas prcticos entre los que figuran el problema de fuerzas internas elevadas y
prdida de precisin.
16 En la actualidad existen otras tcnicas de optimizacin, como son los mtodos aleatorios o los modernos mtodos evolutivos,
pero no solo son posteriores (especialmente los mtodos evolutivos) sino que presentan otros problemas.
Antecedentes
25
Cuatro aos ms tarde, Fox y Willmert (Fox y Willmert, 1967) publicaron uno de los
primeros trabajos en los que el problema de sntesis dimensional aproximada de mecanismos
es tratado como un problema de optimizacin global con restricciones. Plantearon el problema
de sntesis como un problema de programacin matemtica en el que se parte de un nmero
de variables (que forman un vector) y se ha de encontrar su valor de forma que haga mnima
una funcin la funcin objetivo considerando dos tipos de restricciones aplicables al vector
de variables: de igualdad y de desigualdad.
Este trabajo posee varios aspectos destacables. En primer lugar, los autores
propusieron como funcin objetivo para la generacin de trayectoria el rea entre la curva
17
generada con la estimacin intermedia y la curva requerida , sin embargo, debido a lo
complejo de su determinacin vieron la imposibilidad de abordar el problema utilizando este
18
indicador como funcin objetivo y recurrieron a la utilizacin de puntos de aproximacin . Pero
la utilizacin de puntos de aproximacin es, en s mismo, un hecho relevante ya que se separa
de la idea de utilizacin de puntos de precisin en la resolucin de problemas de sntesis
dimensional.
Las restricciones impuestas por Fox y Willmert limitaban el espacio de diseo alegando
la necesidad de que las dimensiones del mecanismo fueran positivas y menores que un valor
razonable a eleccin del diseador. Otra restriccin importante fue introducida (mediante la
ecuacin de Grashof) para asegurar la rotabilidad completa de la barra accionadora.
Para resolver el problema de optimizacin con restricciones, adaptaron las tcnicas de
Fiacco y McCormick (Fiacco y McCormick, 1963) para minimizar una funcin con restricciones.
Posteriormente utilizaron el mtodo iterativo de Fletcher y Powell (Fletcher y Powell, 1963) para
llegar al ptimo dentro del espacio de diseo, no siendo necesaria la evaluacin de las
derivadas de la funcin objetivo.
El planteamiento realizado del problema es de una globalidad importante. Sin embargo,
el avance tecnolgico solamente se produce en cuanto a la optimizacin fina de las
dimensiones del mecanismo debido a que, en los ejemplos resueltos, el punto de partida es un
mecanismo considerablemente bueno es decir, que est cerca del mecanismo ptimo en
relacin a los objetivos. Adems, el mtodo de Fletcher y Powell est basado en el gradiente
de la funcin objetivo y lleva a una solucin que es funcin de la posicin de partida, siendo un
mnimo local en la mayora de los casos. Este problema de la posicin de partida fue ignorado
por los autores an cuando puede constituir un problema mayor que el problema de
optimizacin resuelto.
17 Otros autores (Thompson, 1975) (Akali y Dittrich, 1989b) tambin han destacado que el rea encerrada entre las curvas
planas es el mejor indicador de su diferencia.
18
26
Captulo 2
En el mismo ao, Lewis y Gyory (Lewis y Gyory, 1967) propusieron el uso de la tcnica
de mnimos cuadrados amortiguados para resolver el problema de sntesis cinemtica de
curvas planas. Reflexionaron sobre la existencia de ciertos tipos de curvas que pueden ser
generadas por un mecanismo de 4 barras, indicando implcitamente la existencia de otras
curvas que no son reproducibles (con un mnimo de exactitud). Este es un aspecto clave en la
sntesis de mecanismos para generacin de trayectoria y pone de manifiesto el hecho de que
un mecanismo de 4 barras no puede generar cualquier trayectoria, an cuando sus
dimensiones pueden variar de forma continua existiendo infinitos valores para cada una de
ellas. Por lo tanto, la viabilidad de la aproximacin en el problema de sntesis depender de
que la trayectoria requerida sea generable por el mecanismo. Si no se da esta circunstancia, el
ptimo encontrado no ser una solucin suficientemente buena es decir, la trayectoria
generada no se parecer a la trayectoria requerida y, consecuentemente, carecer de
utilidad prctica.
En lo referente a la funcin objetivo, Lewis y Gyory manifestaron que una curva plana
puede ser especificada por medio de una serie de puntos y en el caso de curvas generadas por
19
mecanismos, destacaron su carcter paramtrico . Con ello estaban expresando la necesidad
de incluir los parmetros en la comparacin de puntos de diferentes curvas paramtricas, lo
que complica la optimizacin. En efecto, al hacerlo as, durante la optimizacin no solamente
se tendran que modificar las variables de diseo del mecanismo, sino tambin el parmetro
asociado a cada uno de los puntos de aproximacin.
Lewis y Gyory resolvieron el problema de optimizacin transformndolo en un problema
de resolucin de ecuaciones no lineales, que resolvieron de forma iterativa utilizando el mtodo
de Levenberg (Levenberg, 1944), el cual propuso la inclusin de un coeficiente amortiguador.
Al aplicar el mtodo propuesto a la sntesis del mecanismo de 4 barras y en la
evaluacin de una curva generada mediante la funcin objetivo, los autores observaron la
necesidad de escalar, rotar y desplazar la curva generada por el mecanismo para que esta
pasara lo ms cerca posible de los puntos de aproximacin requeridos. Para ello utilizaron el
20
mximo dimetro de ambas curvas. Sin embargo, intuitivamente se puede adivinar que
resultar siempre mucho ms adecuado realizar una superposicin acorde con la mnima suma
de los cuadrados de las distancias de n puntos elegidos en ambas curvas, aunque la eleccin
de sta plantea otros problemas adicionales.
Un ao ms tarde, Lewis y Falkenhagen (Lewis y Falkenhagen, 1968) extendieron la
formulacin propuesta en el trabajo anterior de forma que en la sntesis se pudiera contemplar
no solo desplazamientos sino tambin velocidades (sntesis de segundo orden).
19
Siendo el parmetro de la curva la dimensin (angular o lineal) variable de la barra de entrada.
20
El mayor segmento entre dos puntos de la curva.
Antecedentes
27
Toms (Toms, 1968) realiz una importante reflexin sobre la sntesis de mecanismos
considerada como un problema de programacin no lineal. Aunque su trabajo no estaba
directamente aplicado a la sntesis de trayectoria, Toms obtuvo conclusiones importantes en
relacin al planteamiento iterativo del problema de sntesis. Afirm que la mayora de los casos
de sntesis de mecanismos podan ser formulados como un problema de programacin no
lineal (optimizacin). Destac, asimismo, una de las ventajas fundamentales de este
planteamiento: no es necesario establecer expresiones matemticas complejas ni resolver
complejos sistemas de ecuaciones; en oposicin a los resultantes de los mtodos algebraicos.
Finalmente, concluy que el tiempo de computacin era, en muchos casos, inferior al necesario
en mtodos algebraicos.
Toms formul el problema con rigor y propuso la limitacin del espacio de diseo
mediante ecuaciones de restriccin. Aadi nuevas restricciones para asegurar unas buenas
caractersticas en el mecanismo rotabilidad, rango de ngulo de transmisin permitido, rango
de fluctuacin de la velocidad, etc.. Posteriormente repar en la dependencia entre el
resultado obtenido en la optimizacin y el punto de partida, algo inherente a las caractersticas
de los mtodos de optimizacin. Sin embargo, explic que los algoritmos para la determinacin
de una buena posicin inicial es decir, que pudiera conducir a un buen ptimo (si no al
ptimo global) no estaban suficientemente desarrollados. En la mayora de los casos, la
tarea de eleccin del punto de partida exiga experiencia y una iteracin en el anlisis
preliminar de las restricciones en relacin con las propiedades fsicas del problema.
En oposicin al creciente uso de los mtodos de optimizacin basados en el gradiente,

Garrett y Hall (Garrett y Hall, 1968) formularon el problema de sntesis ptima haciendo uso de
un mtodo aleatorio para generar mecanismos que, de acuerdo con la evaluacin por parte de
la funcin objetivo, podan conducir a una ptima solucin del problema. Justificaron el uso de
este mtodo destacando las desventajas de los mtodos de optimizacin basados en el
gradiente: problemas de precisin, coste computacional, flexibilidad y, fundamentalmente, el
21
hecho de que estos mtodos conducen en la mayora de los casos a ptimos locales . El
algoritmo aleatorio propuesto por Garrett y Hall consta de dos etapas. En una primera etapa se
generan mecanismos en los que las longitudes de las barras siguen una distribucin normal y
22
varan de forma aleatoria entre la quinta parte de la longitud de la barra fija y cinco veces
23
dicha longitud . En una segunda etapa consiste en un refinamiento de los mejores
21
Aunque la probabilidad de que esto ocurra depende de la forma de la funcin objetivo.
22
El tamao del mecanismo es normalizado en relacin a la longitud de la barra fija.
23
Los autores llamaron la atencin sobre la inutilidad prctica de mecanismos con una desproporcin mayor que la propuesta por
ellos, por problemas que ya se han comentado con anterioridad.
28
Captulo 2
mecanismos obtenidos de la primera. Para ello se utiliza el mismo tipo de generacin aleatoria,
pero la amplitud de los valores generados se va reduciendo paulatinamente en torno al mejor
mecanismo obtenido y, de esta forma, se converge hacia el ptimo.
Es de considerable importancia la reflexin de Garrett y Hall sobre la propensin de los
investigadores de este rea hacia el planteamiento de mtodos de resolucin con una
formulacin clsica. Citando textualmente, estos autores alegaron que en muchas situaciones,
la impresionante velocidad de los ordenadores no est siendo completamente utilizada debido
a la tendencia de los diseadores hacia mtodos de resolucin ms clsicos. Se est de
acuerdo en que, aunque en la actualidad esa tendencia ha cambiado mucho, continua siendo
necesario realizar un esfuerzo mayor por comprender las nuevas tecnologas y formular los
problemas de acuerdo con las nuevas posibilidades de resolucin.
Garrett y Hall tambin hicieron alusin al hecho de que los diseadores de mquinas y
mecanismos, en la prctica, estn sujetos a necesidades en constante cambio. Para poder
resolver sus problemas necesitan no solo mtodos para obtener mecanismos practicables, sino
que necesitan comprender todo el proceso para ser capaces de adaptarlo a las peculiaridades
de cada problema.
Nolle y Hunt (Nolle y Hunt, 1971) heredaron los trabajos anteriores y replantearon el
problema modificando la funcin objetivo. En su trabajo consideraron la descripcin de la curva
requerida mediante puntos de aproximacin pero formularon una funcin objetivo que no
24
solamente involucraba el error estructural sino tambin la relajacin necesaria de la ecuacin
de bucle del mecanismo para reproducir la curva requerida. El equilibrado de ambos trminos
fue llevado a cabo mediante la inclusin de sendos coeficientes de peso y se razon el
significado de estos coeficientes de acuerdo con el sentido fsico del problema. Finalmente,
para la determinacin del ptimo de la funcin objetivo, los autores derivaron la funcin objetivo
con respecto a las variables de diseo e igualaron el resultado a cero. De esta forma
transformaron el problema de optimizacin en un problema de resolucin de un sistema de
ecuaciones no lineales.
En su trabajo, Nolle y Hunt denunciaron el hecho de que, a pesar del aparentemente
gran inters en la sntesis de curvas del acoplador, eran muy pocos los trabajos importantes
relativos a la efectividad prctica de algunas de las tcnicas que se haban propuesto. Incluso
hoy en da se trabaja ms en la proposicin de nuevas tcnicas (o en la adaptacin de las
existentes a casos muy particulares) que en el estudio de las ya propuestas para consensuar
cuales son las mejores y potenciar su asentamiento en la comunidad de cientficos, incluyendo
su posterior transferencia a los ingenieros que tratan con problemas reales. En su reclamo,
Nolle y Hunt mencionaron la necesidad de estudios comparativos sobre la velocidad de
24
Distancia entre la curva generada y la requerida.
Antecedentes
29
convergencia, el error de la solucin, la estabilidad de la iteracin y la economa computacional.

Casi treinta aos ms tarde, siguen faltando esos estudios.
Posteriormente se realizaron diversos trabajos relacionados con la sntesis ptima de
mecanismos, entre los que cabe destacar la combinacin de un mtodo de relajacin y un
mtodo basado en el gradiente para la sntesis ptima del mecanismo de 4 barras (Nechi,
1971), y el estudio de los diferentes planteamientos del problema en funcin de si se
consideran o no restricciones y de los mtodos de optimizacin posibles (Fox y Gupta, 1973).
En 1975, Kramer y Sandor (Kramer y Sandor, 1975) publicaron un nuevo mtodo
resultante de los trabajos realizados para el doctorado del primero. Este mtodo, llamado
Selective Precision Synthesis (o SPS), estaba orientado a la sntesis dimensional de
25
mecanismos didicos planos en sus tres variantes: generacin de funcin, generacin de
trayectoria y guiado de slido rgido. En el caso de generacin de trayectoria, la diferencia de
ste mtodo con las tendencias de la poca estriban en que se utilizan reas de precisin en
torno a los puntos requeridos de diseo (figura 2.2), en contraste con las tcnicas basadas en
los puntos de precisin en las que la trayectoria ha de pasar necesariamente por los puntos
exigidos o las basadas en mnimos cuadrados en las que se minimiza la distancia entre los
puntos generados y los puntos requeridos.
Figura 2.2. Comparacin del planteamiento SPS con otros planteamientos anteriores
Las bases del funcionamiento son la construccin didica de mecanismos y la

utilizacin de dos algoritmos durante la optimizacin. En primer lugar se realiza una bsqueda
segn el mtodo de Hooke y Jeeves (Siddall, 1972) para posteriormente realizar una
optimizacin restringida (Fiacco y McCormick, 1963) a partir de los mejores puntos obtenidos
en el primero.
La principal novedad de este mtodo es que permite al diseador especificar la
precisin requerida en cada punto seleccionado, logrando una gran adaptabilidad del mtodo a
muchas situaciones reales. Adems, puesto que en general si existe una solucin, existirn
varias, el mtodo determina un conjunto de mecanismos solucin que son, posteriormente
25
30
Captulo 2
evaluables por el diseador en base a otros criterios (tales como ngulo de transmisin, ratio
de deformacin del mecanismo, etc.).
Poco despus y casi simultneamente se publicaron dos trabajos relacionados con la

sntesis aproximada para generacin de trayectoria. El primero fue debido a Bagci y Lee (Bagci
y Lee, 1975) y en l se propuso una tcnica de superposicin lineal para la sntesis ptima,
siendo esta la nica novedad respecto de los mtodos anteriormente propuestos. El segundo
(Bakthavachalam y Kimbrell, 1975) propuso un mtodo de sntesis ptima con restricciones en
el que la funcin objetivo contemplaba el efecto de tolerancias dimensionales y holguras en los
pares. Se sugiri el uso de un atlas de curvas del acoplador para obtener un buen punto de
partida en la optimizacin y se utiliz la tcnica de Fiacco y McCormick (Fiacco y McCormick,
1963) para la optimizacin de la funcin objetivo dentro del espacio de diseo.
En el mismo ao, Thompson (Thompson, 1975) realiz una recapitulacin de las

diferentes tcnicas disponibles para sntesis de trayectoria. En su trabajo recorri la mayora de
los planteamientos propuestos hasta el momento y critic los mtodos basados en puntos de
precisin alegando que el error estructural entre las curvas generada y requerida en posiciones
intermedias de los puntos de precisin puede ser (y, en el caso ms general es) grande en
comparacin con los resultados obtenidos con planteamientos aproximados (de optimizacin).
Thompson describi el problema de la dependencia existente entre el ptimo al que
conducen los mtodos de optimizacin y la posicin (mecanismo) de partida dentro del espacio
de diseo. Relat los diferentes intentos para evitar este problema pero afirm que los trabajos
realizados no llevaban a ningn resultado concluyente.
Sin embargo, mucho ms importante fue su reflexin sobre la tcnica de especificar la
curva requerida mediante una serie de coordenadas (puntos). En tal caso, se necesita asociar
cada punto especificado con un ngulo de la manivela accionadora y, con ello, se involucra
implcitamente el tiempo. De esta forma se impone una restriccin innecesaria porque el punto
trazador ha de pasar lo ms cerca posible de los puntos requeridos en los tiempos
especificados. Thompson concluy con la idea de que la funcin objetivo ms realista es
aquella que cuantifica el rea existente entre las curvas generada y requerida.
A partir de este punto, a pesar del avance de las ciencia que soportan la sntesis de
mecanismos y, sobre todo, del notable incremento de la capacidad de clculo de los
ordenadores, no se produjo un avance paralelo en los mtodos de sntesis. Por el contrario, se
detecta la repeticin de las mismas tcnicas con sencillas variaciones.
Antecedentes
31
Un ejemplo de esto es el trabajo de Zhang et al. (Zhang et al., 1984), los cuales
desarrollaron una tcnica de sntesis aplicada al mecanismo de 5 barras con engranajes en la
que se propona la formacin de un atlas de curvas del acoplador para seleccionar el punto de
partida de la optimizacin Hrones y Nelson (Hrones y Nelson, 1951) ya haban constituido
una tcnicas similar elaborando un atlas de curvas para el mecanismo de 4 barras.
Posteriormente propusieron la utilizacin del algoritmo de Powell (Powell, 1964) para la
optimizacin del punto seleccionado. El razonamiento alegado para la utilizacin de un atlas de
curvas del acoplador tiene que ver con la imposibilidad de utilizar otros mtodos para encontrar
un buen punto de partida que conduzca al ptimo global. Segn Zhang et al., la principal
dificultad en la sntesis ptima de trayectoria es que la funcin objetivo posee generalmente
numerosos mnimos locales y cuando se intenta solucionar el problema de sntesis se llega a
un mnimo local en la inmensa mayora de los casos. El logro de un diseo mejor depende de
cuan bueno sea el diseo de partida. De acuerdo con ellos, incluso en tcnicas de bsqueda
aleatoria un buen punto de partida ayuda a la consecucin de un buen ptimo. Por ello,
proponen el uso de un atlas de curvas como la mejor opcin para obtener un punto de partida
que lleve a una solucin satisfactoria.
Por otro lado, Zhang et al. repararon en la complejidad superior de diseo del
mecanismo de 5 barras con engranajes (en comparacin con el mecanismo de 4 barras),
aunque esto ya haba sido notablemente estudiado por Freudenstein y Primorose
(Freudenstein y Primorose, 1963) y, posteriormente, por Hain (Hain, 1964).
Un trabajo notable es el realizado por Avils et al. (Avils et al., 1985), en el que se
realiz un intento importante de globalizacin del proceso de sntesis dimensional ptima. La
formulacin fue planteada con el objetivo de que el mtodo fuera lo ms generalista posible,
contemplando cualquier tipo de sntesis dimensional, cualquier tipo de mecanismo y
cualesquiera nmero y tipo de restricciones. Se consider una funcin objetivo igual a la suma
ponderada (mediante coeficientes) de los cuadrados de la diferencia entre las caractersticas
requeridas y las generadas. Pero los autores fueron ms all y propusieron una nica funcin
26
objetivo basada en el concepto de distancia vlida para los diferentes tipos de sntesis
dimensional y tambin para diferentes tipos de mecanismos.
Como se ha comentado, este trabajo aporta una solucin general al problema de
sntesis dimensional pero en una fase del proceso de diseo muy cercana al final. En efecto, en
algunos de los ejemplos mostrados en este trabajo, la optimizacin parte de un mecanismo que
El mecanismo es definido por n condiciones de distancia constante entre N puntos bsicos. La funcin objetivo fue formulada
considerando la suma de cuadrados de las diferencias entre distancias de los puntos bsicos y distancias del mecanismo
propuesto.
26
32
Captulo 2
est cerca de cumplir los requisitos impuestos. Sin embargo, llegar a este mecanismo no es
una tarea trivial, sino que puede llegar a ser ms compleja que el proceso de optimizacin final
que se sugiere. Consecuentemente, el trabajo propuesto, aunque es notable, solamente aporta
una solucin a una etapa muy pequea de todo el proceso de diseo.
Posteriormente, Angeles et al. (Angeles et al., 1988) propusieron un nuevo mtodo de
optimizacin del mecanismo de 4 barras sin considerar restricciones. Los autores replantearon
la ecuacin de bucle en trminos de las coordenadas de los pares, explicando que si se toma
las longitudes de las barras como variables de diseo, es necesario introducir restricciones de
desigualdad que incluyen dificultades computacionales y discontinuidades en la solucin.
En su planteamiento, tuvieron en consideracin el ngulo de entrada correspondiente a
cada punto de precisin, por lo que el problema fue tratado como un problema de sntesis con
27
prescripcin de tiempo .
Finalmente, solucionaron la optimizacin igualando a cero las derivadas parciales de la
funcin objetivo respecto de las variables de diseo. De esta forma obtuvieron un sistema de
ecuaciones no lineales que resolvieron por el mtodo Newton-Raphson, el cual fue
complementado con un mtodo de continuacin para acelerar su convergencia.
En el ao siguiente, Akali y Dittrich (Akali y Dittrich, 1989b) destacaron que en

muchos problemas de diseo de maquinaria industrial y agrcola se requiere que algunos
puntos de elementos flotantes barras acopladoras de mecanismos tracen una porcin de
curva de forma muy aproximada. Explicaron que los mtodos propuestos hasta el momento
(los aqu explicados anteriormente) tenan ciertas limitaciones que no les hacan idneos para
muchos casos de sntesis. Como alternativa propusieron la aplicacin de la tcnica de
subdominio (Crandall, 1956) para la sntesis de trayectoria de mecanismos planos. Las
principales innovaciones de este trabajo son dos. Por un lado las trayectorias requerida y
generada son consideradas de forma continua, en contra de la clsica descripcin de la misma
mediante puntos discretos. Por otro lado, por primera vez se plantea la sntesis de mecanismos
para la generacin de un tramo abierto de trayectoria como un problema con entidad propia,
diferencindolo de la generacin de trayectorias cerradas.
En base a las afirmaciones de Thompson (Thompson, 1975) Akali y Dittrich
propusieron un mtodo directo basado en la integracin por tramos de la curva requerida. En
efecto, si se desea generar una cierta trayectoria (curva abierta) mediante un mecanismo con n
variables de diseo, se puede dividir la curva requerida en n tramos e integrar por tramos la
diferencia entre las curvas requerida y generada. De esta forma se obtiene un sistema de n
ecuaciones con n incgnitas (las variables de diseo del mecanismo), que puede ser resuelto
27
Antecedentes
33
obteniendo los valores de las incgnitas. El problema del mtodo de subdominio es que el
hecho de que la integral de dos curvas en un mismo intervalo sea cero no significa que ambas
28
curvas sean iguales, pudiendo el error estructural ser grande . Adems, la calidad de los
resultados obtenidos presenta una gran dependencia de la forma de la curva requerida.
Ms tarde se replante el problema de sntesis de trayectoria con un nuevo enfoque
29
basado en las coordenadas naturales de una curva. En su trabajo, Watanabe (Watanabe,
1992) demostr preocupacin por la posibilidad de encontrar el ptimo global dentro del
espacio de diseo. Por otro lado, estudi la evolucin de las coordenadas naturales de las
curvas planas a lo largo de su longitud y luego desarroll un procedimiento que permite
especificar la curva requerida mediante su curvatura en determinados puntos, cuya continuidad
es asegurada por medio de un mtodo de interpolacin polinmica. Detect las dificultades que
surgen en la comparacin de curvas y di solucin a los problemas de tamao, posicin y
orientacin de las curva comparadas. Incluso resolvi el problema de la dependencia entre los
puntos de aproximacin y el parmetro de la curva mediante la distribucin uniforme de los
puntos a lo largo de la longitud de la misma. Propuso dos alternativas diferentes para comparar
las curvas, sin embargo, la eleccin del indicador de la comparacin (mxima distancia entre
puntos de las curvas y mximo error perpendicular, respectivamente) es claramente deficiente
ya que no es representativo de la globalidad de la diferencia entre las curvas.
En el mismo ao, Cossalter et al. (Cossalter et al., 1992) complementaron el mtodo de

30
optimizacin tradicional (propuesto numerosas veces con pequeas variantes) de forma que
la funcin de penalizacin contemplara no solo el error estructural sino tambin un criterio de
ensamblaje. Si el mecanismo propuesto por el algoritmo de optimizacin no puede ser
ensamblado, la funcin de penalizacin es incrementada cambiando la bsqueda hacia otra
direccin.
Simultneamente, Krishnamurty y Turcic (Krishnamurty y Turcic, 1992) propusieron una
ampliacin del mtodo de optimizacin (como problema de programacin no lineal) de forma
que se pudieran considerar mltiples objetivos. Estos autores sugirieron la utilizacin del
mtodo de bsqueda de Hooke-Jeeves (Wilde y Beightler, 1967). Sin embargo, su trabajo
sigue adoleciendo de los problemas habituales de los mtodos propuestos, como por ejemplo,
la finalizacin de la iteracin en un mnimo local.
28
En realidad, lo nico que significa es que el rea bajo las curvas comparadas en el tramo considerado es la misma. Pero la
forma de las curvas puede ser diferente dentro de una infinidad de posibilidades sin que vare el rea por debajo de ella.
29
30
Un estudio pormenorizado de este mtodo puede observarse en el captulo siguiente.
Basado en puntos de aproximacin y minimizacin de la distancia al cuadrado entre el conjunto de puntos requeridos y el
conjunto de puntos generados.
34
Captulo 2
Ms tarde, un nuevo mtodo basado en la idea de deformacin (o relajacin del

mecanismo) fue propuesto por Vallejo et al. (Vallejo et al., 1995). El mtodo es til con cualquier
tipo de mecanismo de barras y para cualquier tipo de sntesis dimensional. La idea bsica de
su funcionamiento es medir la deformacin necesaria en cada mecanismo evaluado para que
ste cumpla los requisitos de sntesis y optimizar hacia el mecanismo que menos deformacin
necesita. Como resultado se obtienen las dimensiones del mecanismo que reproducen los
requisitos de diseo lo ms fielmente posible.
Los autores pusieron un gran inters en la aceleracin del proceso de optimizacin
(minimizando el nmero de iteraciones), para lo cual realizaron un desarrollo riguroso de la
funcin objetivo y de sus derivadas primera y segunda. Esta formulacin les permiti la
utilizacin de mtodos de rpida convergencia. Por otra parte, utilizaron algoritmos de
optimizacin basados en el gradiente, con lo que existe dependencia entre la solucin final
(ptimo) y el punto de partida. Por el contrario, en este trabajo no se profundiz en la obtencin
de un buen mecanismo de partida para la iteracin, y en los ejemplos expuestos el mecanismo
inicial es un mecanismo potencialmente factible para los requisitos que se imponen, con lo que
la convergencia est asegurada.
31
El mismo ao, Unruh y Krishnaswami (Unruh y Krishnaswami, 1995) denunciaron la

inexistencia de esquemas de solucin asistidos por ordenador satisfactorios para la resolucin
32
de problemas de sntesis de curvas del acoplador considerando infinitos puntos de precisin .
Este trabajo se considera de especial importancia porque rompi bruscamente con la tendencia
existente hacia el planteamiento de soluciones al problema de sntesis de trayectoria. En l los
autores pusieron de manifiesto varios aspectos de especial relevancia que no haban sido
estudiados anteriormente. En primer lugar, la poco clara eficiencia de comparar curvas
utilizando puntos de aproximacin (tcnica clsica poco contrastada y, sin embargo, poco
cuestionada). En segundo lugar la necesidad de plantear mtodos globales, capaces de dar
solucin al problema de diseo de mecanismos en toda su extensin, y no solamente en la
etapa final de optimizacin, tal como se vena planteando.
El mtodo planteado por Unruh y Krishnaswami tiene un trasfondo cientfico
considerable, aunque la tcnica est poco depurada y se han detectado varios problemas que
sera necesario subsanar. Los autores fueron innovadores al plantearse la sntesis con infinitos
puntos de precisin (tambin llamada sntesis continua), en la cual no se consideran solo unos
puntos de la curva requerida sino que se intenta considerar todos ellos. Para ello, los autores
discretizaron una curva requerida cerrada y continua mediante un ingenioso mtodo de
31
32
El mtodo propuesto por Unruh y Krishnaswami es estudiado detalladamente en el captulo siguiente.
Otros autores han promulgado afirmaciones similares con la intencin de llamar la atencin de la comunidad cientfica sobre
este aspecto e incentivar el estudio convergente de las tcnicas propuestas, aunque hasta la fecha no se ha conseguido
semejante objetivo. As, en 1993 Erdman (Erdman, 1993) afirm que no existe un nico mtodo de optimizacin que sea idneo
para resolver de forma eficiente todos los problemas de sntesis para generacin de trayectoria.
Antecedentes
35
33
transformacin en B-Spline , y luego utilizaron el polgono de control para compararla con

otras curvas. La idea de utilizar el polgono de control como representante de la forma de la
curva tiene buenas caractersticas ya que cualquier pequea variacin del polgono deriva en
una variacin en la forma de la B-Spline asociada. Por lo tanto, sus vrtices pueden ser
considerados muy representativos de la forma global (con sus infinitos puntos) de la curva.
Sin embargo, existen algunos problemas (que Unruh y Krishnaswami no detectaron),
siendo el fundamental el hecho de que dada una curva plana cerrada y continua existen
infinitos polgonos de control que tienen asociadas B-Splines iguales a la curva inicial. Es decir,
el polgono de control que se puede obtener de la curva inicial no es nico, por lo que la
comparacin queda perjudicada notablemente. Adems, como se ver en el captulo 3, el
mtodo propuesto tiene problemas de dependencia del parmetro de la curva (definida en
forma paramtrica), problemas de coste computacional, deficiencias en el mtodo de
comparacin de los polgonos de control, etc.
Otra propuesta innovadora fue la realizada por Ullah y Kota (Ullah y Kota, 1996) en la
que la innovacin se produjo en diferentes aspectos. Por un lado utilizaron descriptores de
34
Fourier como magnitudes discretas representativas de la forma global de las curvas,
proponiendo una estrategia de comparacin de las curvas basadas en estos nmeros. Por otro
lado, reflexionan sobre la probabilidad de llegar al ptimo global del espacio de diseo
utilizando las diferentes tcnicas de optimizacin. Definitivamente utilizan una combinacin de
los mtodos de recocido simulado (simulated annealing) (Romeijn y Smith, 1992) y de Powell
(Powell, 1964) como una de las posibilidades que ms probabilidades proporciona de encontrar
el ptimo global.
En su trabajo destaca la utilizacin de los descriptores de Fourier por ser
independientes de posicin, rotacin y tamao de las curvas, lo que permite reducir el espacio
de diseo (aunque Ullah y Kota no advirtieron en ello). En contra figura el hecho de que se
basan en el ngulo de la tangente cuya evolucin es representada por los descriptores de
Fourier, pero su calidad como caracterstica representativa de la forma de la curva durante la
comparacin discreta de curvas no ha sido contrastada.
Como alternativa a los algoritmos de optimizacin anteriores, Kunjur y Krishnamurty

(Kunjur y Krishnamurty, 1997) aplicaron mtodos evolutivos o genticos de optimizacin a
33 Esta transformacin incluye, en si misma, un proceso de optimizacin, segn el cual partiendo del polgono de control
estimado, se optimiza la posicin de los puntos de dicho polgono para que la B-Spline asociada se parezca lo ms posible a la
curva inicial.
34 Introducidos a principios de la dcada de 1960 como un conjunto de nmeros que representan la forma de una curva cerrada.
Han sido utilizados con xito en el campo del reconocimiento de patrones (Zahn y Roskies, 1972). Su valor corresponde a las
primeras amplitudes armnicas de la serie de Fourier en la que se descompone la funcin ngulo de la recta tangente a la curva
(que depende del parmetro de la curva y es peridica).
36
Captulo 2
la sntesis dimensional de mecanismos planos para generacin de trayectoria. Estos mtodos

se caracterizan porque, al contrario que en los mtodos basados en el gradiente, la solucin
obtenida no depende del punto de partida y, consecuentemente, existe una probabilidad no
nula de llegar al ptimo global incluso en los casos en los que la funcin objetivo consta de
numerosos mnimos locales.
Como conclusin, desde que la sntesis de trayectoria fue abordada como un problema
de optimizacin se han propuesto diferentes alternativas para resolver el problema. Los
primeros mtodos eran rudimentarios y fueron formulados como una adaptacin de los
mtodos algebraicos para problemas en los que el nmero de puntos de precisin exigido
superaba el mximo realizable por el mecanismo. Posteriormente se formul el problema de
optimizacin con rigor matemtico, incluyendo restricciones. Algunos trabajos siguientes
supusieron variaciones de los primeros proponiendo diferentes funciones objetivo y diferentes
algoritmos de optimizacin. En muchos casos, los nuevos trabajos pusieron de manifiesto la
existencia de problemas que no tenan solucin, tales como la bsqueda del ptimo global
dentro del espacio de diseo. Con la aparicin de otros mtodos de optimizacin distintos de
aquellos basados en el gradiente se han podido ensayar nuevas estrategias con la intencin de
obtener resultados mejores dentro del espacio de diseo.
Asimismo, se detecta que la sntesis dimensional de mecanismos planos para
generacin de trayectoria no es una ciencia con unas bases asentadas y reconocidas, sino que
presenta una evolucin vacilante e incierta, en la que se han propuesto numerosos mtodos sin
apenas contrastacin de los resultados. Como consecuencia, todava en la actualidad esta
parte de la ingeniera mecnica no consta de una metodologa bien asentada y reconocida.
Discusin.
El proceso de diseo de mecanismos puede ser diferenciado en varias etapas que han
sido investigadas desigualmente. La primera etapa es la de deteccin de la necesidad, de la
cual se extraen los requisitos cuyo cumplimiento ser despus el objetivo de la sntesis.
Posteriormente y una vez conocidos los requisitos se ha de seleccionar el tipo de mecanismo
(sntesis de tipo) que se va a utilizar para el cumplimiento de los requisitos. La tercera etapa es
la sntesis dimensional y consiste en la obtencin de las dimensiones adecuadas del
mecanismo seleccionado para un ptimo cumplimiento o, en su caso, para un perfecto
cumplimiento de los requisitos.
La primera etapa es diferente en cada caso de diseo y ser siempre tarea del
diseador, siendo escasa la posible automatizacin del proceso. La etapa de sntesis de tipo
Antecedentes
37
constituye un problema que ya ha sido estudiado aunque no existen mtodos definitivos y

concluyentes. No obstante, el diseador cuenta con numerosas herramientas que le pueden
asistir en la tarea de la bsqueda del tipo de mecanismo ideal de acuerdo con los requisitos de
diseo.
Finalmente, la etapa de sntesis dimensional es la ms estudiada, existiendo
numerosos mtodos para su resolucin. Sin embargo y pese a que varios han sido los
planteamientos del problema, ninguno ha sido concluyente porque todos presentan
inconvenientes fundamentales. Existen tres tendencias fundamentales mostradas en la tabla
2.1.
El primer planteamiento de resolucin fue el basado en puntos de precisin. Los
mtodos englobados por esta categora exigen el cumplimiento de los requisitos (puntos de
precisin) con total exactitud. Sin embargo este tipo de exigencia es ms acadmica que
prctica ya que en la realidad no es posible reproducir dicha exactitud debido a numerosos
factores, entre los que se pueden destacar la existencia de tolerancias de fabricacin, holguras
en los pares cinemticos y deformaciones de los elementos del mecanismo durante su
funcionamiento.
Otra desventaja fundamental de los mtodos exactos es el hecho de que el nmero de
puntos de precisin es limitado y depende del tipo de mecanismo utilizado. Cuanto ms
cercano al lmite sea el nmero de puntos de precisin considerado, menos sern las
soluciones posibles, con lo que la posibilidad de encontrar un mecanismo que sea viable de
acuerdo con otras consideraciones posteriores se reduce. As, estos mtodos proporcionan con
35
frecuencia soluciones no viables en la prctica debido a problemas de defecto de circuito , de
35
interferencia o de ensamblaje.
En la actualidad los mtodos exactos quedan relegados a la resolucin de problemas
con propsito docente o, en la prctica, a la resolucin de casos muy sencillos.
Los mtodos empricos de sntesis (tabla 2.1) propuestos como alternativa a los
mtodos exactos, estn basados en catlogos de curvas del acoplador en los que se busca
la curva ideal de acuerdo con los requisitos considerados. Estos mtodos exigen la
disponibilidad de diferentes catlogos para diferentes tipos de mecanismos y adems, la
bsqueda es tediosa y se realiza de una forma ms cualitativa que cuantitativa, siendo difcil
encontrar la mejor curva de acuerdo con los requisitos (en su lugar, la bsqueda deriva en una
solucin suficientemente buena). Fueron mtodos de resolucin aproximada recomendables
cuando no exista la posibilidad de resolucin utilizando mtodos de optimizacin. En la
actualidad, pese a que estos mtodos pueden considerarse obsoletos, an se utilizan (e
incluso son propuestos en publicaciones relativamente recientes) en ocasiones para buscar el
35
38
Captulo 2
mecanismo de partida para mtodos de optimizacin, lo cual est vinculado con la obtencin
del ptimo global.
MTODOS BASADOS EN
PUNTOS DE PRECISIN
S Requieren el cumplimiento exacto de los requisitos (puntos de
precisin).
S El nmero de puntos de precisin es limitado y depende del tipo
de mecanismo.
S Suelen aportar soluciones con problemas de interferencia o
defecto de circuito.
S El error estructural entre puntos de precisin puede ser
considerable.
S Requerir una precisin total no es til porque no se puede
Grficos
Algebraicos
MTODOS EMPRICOS
S
S
S
S
S
S
S
S
S
MTODOS DE OPTIMIZACIN
S
S
No iterativos (o directos)
S
S
Iterativos
S
S
S
OTROS
reproducir en la prctica.
Fueron los primeros en aparecer.
Son muy poco precisos.
En la actualidad no se utilizan salvo para propsitos docentes.
Solucionan el problema de precisin de los mtodos grficos.
Suelen derivar en expresiones matemticas complejas.
Consisten en el empleo de atlas de curvas del acoplador para la
seleccin de la curva adecuada de acuerdo con los requisitos.
Involucran numerosos intentos y son tediosos, a la vez que no
aseguran la obtencin del ptimo global.
La calidad del mecanismo sintetizado (de acuerdo con los
resquisitos es ms cuantitativa que cualitativa).
Debido a las limitaciones anteriores, estos mtodos se han
utilizado con frecuencia para buscar el punto de partida de un
posterior mtodo de optimizacin.
Persiguen obtener una solucin aproximada (ptima).
No necesitan una formulacin tan compleja como los mtodos
basados en puntos de precisin.
La solucin aportada es, casi siempre, un mnimo local.
Solamente proporcionan una solucin que puede no ser adecuada
de acuerdo con otras consideraciones posteriores.
En la mayora de los casos la solucin final suele ser funcin del
punto de partida. Aunque esta subordinacin depende del
algoritmo de optimizacin utilizado.
No es posible asegurar la consecucin del ptimo global.
Pueden aportar varias soluciones ordenndolas segn su calidad
de acuerdo con los requisitos.
Existen otros tipos de mtodos que no son clasificables dentro de
las categoras anteriores, aunque ninguno de ellos es concluyente.
Tabla 2.1. Clasificacin de los mtodos de sntesis dimensional.
Las ltimas tendencias en mtodos de sntesis dimensional estn relacionadas con la

optimizacin de las dimensiones del mecanismo con arreglo a los requisitos impuestos y bajo la
posible imposicin de restricciones. Sin embargo, se observa que el mtodo cientfico global de
Antecedentes
39
la comunidad de investigadores ha sido deficiente. En efecto, la evolucin en el planteamiento

del problema ha sido errtica y divergente. El desarrollo no ha permitido lograr una teora
uniforme y unificada para la sntesis ptima de mecanismos, sino ms bien al contrario. Desde
la dcada de 1960 en la que comenz a plantearse el problema de optimizacin se han
propuesto diferentes enfoques con numerosas variantes de cada uno de ellos. Se ha
experimentado poco y el contraste de resultados es prcticamente inexistente.
La razn de todo esto puede encontrarse en que desde los primeros tiempos, la
complejidad del problema de sntesis dimensional ha provocado la divisin del mismo en
subproblemas como nica va para la obtencin de resultados. Este fenmeno que an
heredamos en nuestro tiempo, provoca que los intentos de globalizar el problema sean tmidos
y, por el contrario, se proponen mltiples mtodos de resolucin particulares aplicables a casos
muy especficos, con lo que la desintegracin de las tcnicas de resolucin es enorme.
No obstante y pese a la complejidad del problema, no resulta imposible realizar un
estudio exhaustivo que lleve a un entendimiento global y que posibilite la obtencin de las
directrices fundamentales en las que se basarn las mejoras del mtodo. Al revisar los trabajos
anteriores se observa que este estudio ha sido omitido en la mayora de los casos y que se han
propuesto mtodos de una forma improvisada.
La sntesis aproximada de mecanismos planos involucra diferentes aspectos que han

sido desigualmente tratados en la bibliografa. El estudio separado de cada uno de estos
aspectos resulta fundamental para el desarrollo de la tcnica y el planteamiento de mtodos
eficientes que aporten soluciones viables.
Desde el punto de vista matemtico, la optimizacin constituye un problema de
36
programacin no lineal y consta de unas variables de diseo que pertenecen a un espacio de
37
38
diseo , una funcin objetivo relacionada con los requisitos del problema, un algoritmo de
39
40
optimizacin y, opcionalmente, unas restricciones impuestas a las variables de diseo. Si
las restricciones existen, el problema es llamado de optimizacin restringida y, en tal caso, no
todos los puntos del espacio de diseo pueden ser considerados en la optimizacin.
36
Cuyos valores son los que se pretende determinar y son modificados durante la optimizacin.
37 Dentro del cual se han de encontrar las variables de diseo ptimas. Es, por tanto, un espacio n-dimensional (siendo n es el
nmero de variables de diseo).
38
Que evala cada punto del espacio de diseo y cuantifica su calidad de acuerdo con los requisitos del problema.
39 Algoritmo matemtico que hace uso de la funcin objetivo para evaluar las variables de diseo y modifica sus valores hacia un
punto del espacio de diseo en el que la funcin objetivo sea mnima.
40 Que limitan las posibles soluciones dentro del espacio de diseo. Estas restricciones son de dos tipos: de desigualdad y de
igualdad.
40
Captulo 2
A continuacin se realiza un anlisis y una discusin sobre el estudio de cada uno de

estos aspectos.
Las variables de diseo y el espacio de diseo.

El estudio del espacio de diseo ha sido omitido en prcticamente todos los trabajos
existentes (tabla 2.2). Sin embargo, la minimizacin de este espacio resulta fundamental para
aumentar la eficiencia del mtodo. Si se tiene en cuenta que el ptimo debe encontrarse dentro
de ste, cuanto menor sea su tamao, ms sencillo ser encontrarlo y, en caso de que existan
mltiples ptimos en l, ms probabilidad existir de encontrar el ptimo global.
En algunos casos se ha limitado el espacio de diseo mediante ecuaciones de
restriccin (tabla 2.2). Sin embargo, esto incrementa notablemente la complejidad
computacional del problema a la vez que implica que la solucin pueda no ser funcin continua
41
de los datos del problema . Adems, si la hipersuperficie que constituye la funcin objetivo
(que de una forma u otra compara las curvas requerida y generada por el mecanismo
candidato) contara con varios mnimos locales, sera poco probable que partiendo de un punto
del espacio de diseo dentro de las restricciones, un algoritmo de optimizacin basado en el
gradiente terminara en un punto del espacio de diseo externo a las restricciones. Y en tal caso
no sera necesaria la imposicin de las restricciones durante la optimizacin.
Por lo tanto, si se considera un espacio de diseo acotado en el que cada dimensin
no puede variar desde - hasta +, sino que solamente puede variar dentro de un intervalo
acotado de valores tiles, tomando como partida un punto dentro del espacio de diseo
42
acotado es probable que el ptimo al que conduzca el algoritmo de optimizacin est dentro
de ese espacio de diseo acotado. Y as se elimina la necesidad de imponer restricciones para
todas las dimensiones del espacio de diseo. Por otro lado, la acotacin del espacio de diseo
es necesaria y viene provocada por el hecho de que una elevada desproporcin entre las
longitudes de las barras de un mecanismo hacen que este tenga una escasa utilidad prctica
por diferentes motivos comentados anteriormente (vase nota 15).
La reduccin del espacio es un aspecto fundamental en la mejora del mtodo y puede

realizarse en base a que determinadas dimensiones de los mecanismos no necesitan ser
incluidas en la optimizacin ya que pueden calcularse posteriormente. As, por ejemplo, el
mecanismo de 4 barras generador de trayectorias tiene 9 dimensiones por lo que el espacio de
41 Esta no continuidad implica que si de unos datos de partida se obtiene una solucin determinada, de otros datos de partida
ligeramente diferentes no se obtendr necesariamente una solucin ligeramente diferente de la anterior, sino que se puede
obtener una solucin muy distante de la primera.
42
En el que las variables de diseo solo pueden tomar valores dentro de su intervalos correspondientes.
Antecedentes
41
diseo ser de dimensin 9. Sin embargo, 3 de estas 9 dimensiones no modifican la forma de

la curva generada, sino que solamente determinan su posicin y orientacin en el plano.
Consecuentemente, pueden ser eliminadas de la optimizacin utilizando funciones objetivo en
las que su resultado no sea dependiente de la posicin ni orientacin de las curvas
comparadas.
43
Por otro lado, si se tiene en cuenta que mecanismos homotticos generan siempre
curvas homotticas, entonces se pueden disear funciones objetivo cuyos resultados no
dependen del tamao de las curvas comparadas. En tal caso los mecanismos se pueden
normalizar (dividiendo todas sus dimensiones por una de ellas, que sirve como norma) y, de
esta forma, se elimina una nueva dimensin del espacio de diseo (la que ha servido de
norma).
De la misma forma, otras mejoras de este tipo que proporcionen reducciones notables
del espacio de diseo pueden ser realizadas.
Sin embargo, pese a la sencillez del planteamiento y el enorme beneficio que implica la
reduccin del espacio de diseo, ste ha sido mayoritariamente ignorado y las tcnicas
descritas para la reduccin de sus dimensiones apenas han sido utilizadas en los mtodos
propuestos (tabla 2.2).
Por otro lado, es claro que las curvas generadas por un punto del acoplador de un
mecanismo desmodrmico son curvas paramtricas (dependientes de un nico parmetro). Si
se involucra el parmetro en el clculo realizado por la funcin objetivo, se estar aadiendo
una dimensin ms al espacio de diseo a la vez que se complica el problema al involucrar el
tiempo que transcurre entre los diferentes puntos de comparacin. Pero la forma global de la
curva generada no depende del parmetro, por lo que en una sntesis de trayectoria sin
prescripcin de tiempo no es necesario y s que complica notablemente el problema
considerar el parmetro dentro de la optimizacin. Pese a todo, en la tabla 2.2 se observa que
mayora de los mtodos propuestos han incluido el parmetro an cuando se realiza una
sntesis sin prescripcin de tiempo.
43 Aquellos que guardan una misma relacin de longitudes de barras homnimas, es decir, aquellos en los que uno se puede
obtener a partir del otro multiplicando las longitudes de todas sus barras por un mismo escalar.
42
Captulo 2
ngulo de
entrada es
involucrado en
la optimizacin.
Referencia
Roth y Freudenstein (1963)
Fox y Wilmert (1967)
Lewis y Gyory (1967)
Lewis y Falkenhagen (1968)
Toms (1968)
Nolle y Hunt (1971)
Kramer y Sandor (1975)
Bakthavachalam y Kimbrell (1975)
Bagci y Lee (1975)
Thompson (1975)
Zhang et al. (1984)
Avils et al. (1985)
Angeles et al. (1988)
Akali y Dittrich (1989)
Watanabe (1992)
Cossalter et al. (1992)
Krishnamurty (1992)
Vallejo et al. (1995)
Unruh y Krishnaswami (1995)
Ullah y Kota (1996)
Kunjur y Krishnamurty (1997)
*
No
Si
Si
Si
No
Si
N/A
Si
Si
N/A
Si
Si*
Si
No
No
Si
Si
Si
No
Si*
ESPACIO DE DISEO (ED)

Anlisis
Inclusin de
Funcin objetivo
del ED.
restricciones.
independiente de
posicin (P),
orientacin (O) y/o
escala (E) de las
curvas.
No
No
No
No
Si
No
No
No
No
No
No
No
No
Si
P,O
No
No
No
No
No
No
No
Si
No
No
No
No
No
No
N/A
No
No
No
No
No
No
No
No
No
No
No
No
No
No
P,O,E
No
No
N/A
No
No
No
No
Si
No
No
No
P,O,E
No
No
P,O,E
No
No
No
Intencionadamente.
No aplicable.
Tabla 2.2. Estudio del espacio de diseo por parte de los mtodos propuestos.
En definitiva, el anlisis detallado del espacio de diseo en el problema de sntesis

dimensional aproximada de mecanismos planos ha sido escasa hasta el momento, aunque
intuitivamente es calor que de este estudio se pueden obtener muchas ventajas que pueden
facilitar considerablemente el proceso de bsqueda del mecanismos ptimos.
Antecedentes
43
La funcin objetivo.
La funcin objetivo est definida de n en (siendo n el nmero de variables de
diseo, igual al nmero de dimensiones del espacio de diseo) y es utilizada para evaluar los
puntos del espacio de diseo. As, esta funcin califica cada punto de acuerdo con su calidad
para el cumplimiento de los requisitos de diseo. Suponiendo que la calificacin se realiza de
forma que el mejor punto en el cumplimiento de los requisitos obtiene un valor bajo, el mtodo
global de optimizacin persigue encontrar el mnimo de esta funcin dentro del espacio de
diseo. Pero esta funcin que constituye una hipersuperficie en n puede tener y en general
tendr varios mnimos, siendo uno de ellos o, en el caso de igualdad, varios el mnimo
global y siendo el resto mnimos locales.
44
En sntesis dimensional de mecanismos planos para generar trayectorias, la funcin

objetivo evala un mecanismo con referencia a su aptitud para generar una determinada
trayectoria. Es decir, evala el parecido entre la trayectoria que genera el mecanismo y la
trayectoria requerida. En definitiva esta funcin constituye un mtodo de comparacin de
curvas y su valor representa la diferencia entre las curvas comparadas. Sin embargo, las
curvas son conjuntos continuos de puntos y para ser comparados se pueden utilizar
magnitudes continuas o discretas, siendo estas ltimas las ms extendidas por tener un
planteamiento ms sencillo y un menor coste computacional. Cuando se utilizan magnitudes
discretas, lo que se obtiene en realidad es una estimacin de la diferencia entre las curvas, por
lo que ser necesario estudiar las diferentes alternativas posibles para evaluar cual de ellas
constituye el estimador ms realista.
Es necesario destacar la importancia de la funcin objetivo en el proceso de
optimizacin. Dependiendo de cmo sea formulada esta funcin objetivo, la hipersuperficie que
representa puede tener mayor o menor nmero de mnimos locales, siendo respectivamente
ms o menos complicado lograr el ptimo global. Adems, puesto que cuando se utiliza la
alternativa discreta, la funcin objetivo no es un comparador real, sino estimado; es posible que
bajo determinadas circunstancias el estimador tenga un comportamiento deficiente. En este
caso, es de especial importancia estudiar la conducta de la funcin objetivo cuando se est
45
cerca del ptimo ya que un comportamiento anmalo en estas condiciones supone que el
algoritmo de optimizacin conduzca a un punto del espacio de diseo que no es el ptimo real.
Como se ha observado, en los trabajos de sntesis de trayectoria realizados hasta la

fecha, la forma de comparar curvas ms utilizada es la tcnica de la mnima distancia entre
puntos al cuadrado. Consiste en la obtencin de una serie de puntos de cada una de las curvas
44
Tambin llamada funcin de penalizacin.
45
En el sentido de poco realista.
44
Captulo 2
que se van a comparar y en la estimacin de su diferencia mediante la suma de los cuadrados

de las distancias entre puntos homlogos de ambas curvas.
Otros autores han generalizado la expresin de mnimos cuadrados y han propuesto
una funcin objetivo general igual a la suma de cuadrados de diferencias entre caractersticas
de las curvas generada y requerida.
Por otro lado, utilizando el argumento de que las curvas planas son conjuntos
continuos, varios autores han sugerido que el mejor indicador de la diferencia entre dos curvas
planas es el rea encerrada entre ellas, ya que sta es tambin una magnitud continua. Sin
embargo, la evaluacin de este rea presenta complicaciones algortmicas y es
computacionalmente costosa. Por un lado, el valor del rea es muy sensible a cmo se
superponen las curvas comparadas, siendo altamente dependiente de su posicin, orientacin
y tamao. As, este problema de superposicin no tiene una solucin ptima y, con frecuencia,
depende de cmo se plantee. Adems, la determinacin del rea entre las curvas cuando stas
son muy diferentes no presenta una nica posibilidad, sino varias. Por estos motivos el rea
entre las curvas no ha sido utilizado como indicador de la diferencia entre las curvas en los
mtodos de sntesis propuestos.
Finalmente, se han propuesto otras alternativas innovadoras, como la tcnica
propuesta por Unruh y Krishnaswami (Unruh y Krishnaswami, 1995) basada en la
transformacin de las curvas en B-Splines y la comparacin de sus polgonos de control, o la
de Ullah y Kota (Ullah y Kota, 1996) basada en descriptores de Fourier.
Una buena parte de los trabajos de la bibliografa incluye implcita o explcitamente el
ngulo de la barra de entrada del mecanismo en la evaluacin de la funcin objetivo. Como se
ha comentado, esta inclusin involucra la variable tiempo en la comparacin, lo cual complica
el problema y puede ser interesante cuando as se requiere, pero no en gran parte de los casos
en los que se requiere una simple sntesis de trayectoria. Sin embargo, para lograr excluir el
ngulo de entrada es preciso plantear adecuadamente la funcin objetivo. Este tipo de
alternativas son escasas en la bibliografa.
En resumen, la revisin de antecedentes demuestra una progresin irregular y errtica
en la proposicin de nuevos mtodos de comparacin de curvas destinados a constituir la
funcin objetivo del problema de sntesis ptima de mecanismos para generacin de
trayectoria. Adems, tambin demuestra la inexistencia de estudios comparativos que realicen
una contrastacin de las diferentes alternativas con el fin de fomentar el debate cientfico y
facilitar la consolidacin de la mejor alternativa.
En el diseo de una nueva funcin objetivo para sntesis ptima de trayectoria es

necesario tener en consideracin diferentes aspectos. Por un lado, se ha visto en 0 que una
adecuada formulacin permite reducir considerablemente el espacio de diseo. Esta reduccin
Antecedentes
45
tiene que ver con la eliminacin de las variables de diseo que no influyen en la forma de la
curva. Pero, aparte del beneficio obtenido con la reduccin del espacio de diseo, en la
46
comparacin de las curvas, es adecuado tener en cuenta exclusivamente su forma intrnseca ,
ya que el resto de variables geomtricas relacionadas con la posicin, orientacin y tamao, no
son descriptivas de la forma de la curva. Por lo tanto, esta consideracin resulta beneficiosa
tanto en lo relativo al espacio de diseo como en lo que respecta a la funcin objetivo. Sin
embargo, el diseo de funciones objetivo independientes de las variables de diseo que no
influyen en su forma intrnseca ha sido escasamente considerado en los trabajos estudiados de
la bibliografa (tabla 2.2).
Por otro lado, otro aspecto importante (con frecuencia olvidado) de la funcin objetivo
es su coste computacional. Sabiendo que el problema de optimizacin va a ser implementado
en y resuelto por un ordenador, es necesario plantear el problema de forma eficiente
desde el punto de vista computacional. Pinsese que en la resolucin de un problema de
optimizacin la funcin objetivo es llamada miles (e incluso millones) de veces por el algoritmo
de optimizacin en la evaluacin de puntos del espacio de diseo. Si se dispone de una funcin
objetivo computacionalmente costosa, no ser posible resolver, en un tiempo razonable,
problemas que exijan un gran nmero de evaluaciones. Por el contrario, si la funcin objetivo
es computacionalmente econmica, se podr ser ms ambicioso en la resolucin de problemas
y, en extremo, ser posible plantear mtodos de bsqueda exhaustiva con el fin de encontrar el
ptimo global.
De los casos estudiados, solamente la tcnica de subdominio propuesta por Akali y

Dittrich (Akali y Dittrich, 1989b) hace distincin entre la sntesis de mecanismos para generar
curvas abiertas y la sntesis para generar curvas cerradas. No obstante, si se examina en
detalle, son dos problemas que exigen planteamientos diferentes. En sntesis de trayectoria
para generar curvas cerradas, la funcin objetivo debe comparar las curvas requerida y
generada ambas cerradas sin tener en cuenta ningn punto de comienzo ni finalizacin.
Sin embargo, en sntesis de curvas abiertas se ha de comparar un tramo abierto de una curva
(la requerida) con la curva generada que puede ser abierta o cerrada (segn el mecanismo se
bloquee antes de cerrar la trayectoria o no). En cualquier caso (y en ausencia de prescripcin
de tiempo en la sntesis), en la optimizacin se han de incluir los puntos inicial y final
(correspondientes a las posiciones inicial y final de la barra accionadora) sobre la curva
generada. Es decir, la comparacin de un tramo abierto de curva con otra curva abierta o
cerrada implica la complicada tarea de averiguar a partir de qu punto de esta ltima, y con
que tamao, posicin y orientacin de la primera la superposicin de ambas refleja una mayor
concordancia de sus trazados.
46
Entendida como la esencia de la forma de la curva, sin tener en cuenta su posicin, orientacin o tamao.
46
Captulo 2
Resulta evidente que la comparacin de curvas abiertas es mucho ms compleja que la

de curvas cerradas ya que la funcin objetivo (que representa el mtodo de comparacin) para
el caso abierto tiene ms variables y una mayor no-linealidad que el caso cerrado, lo que
dificultar considerablemente la sntesis.
El algoritmo de optimizacin.
El algoritmo de optimizacin es la secuencia de operaciones que se han de realizar
para llegar a la posicin dentro del espacio de diseo en la que la funcin objetivo tiene un
valor mnimo (o mximo), es decir, al ptimo. La optimizacin es un problema matemtico de
programacin no lineal que viene siendo estudiado desde hace dcadas. En la actualidad
existen varias soluciones con numerosas variantes.
En general, encontrar el ptimo global en un espacio de diseo cuando la funcin
objetivo presenta varios mnimos locales es una tarea considerablemente complicada. Ninguno
de los algoritmos existentes asegura la consecucin del ptimo global. Sin embargo, algunas
estrategias de bsqueda presentan una mayor probabilidad de encontrarlo.
En muchos casos no se persigue encontrar el ptimo global, sino solamente encontrar
un ptimo razonable atendiendo a las consideraciones de diseo. Hay que hacer notar que lo
ideal es siempre encontrar el ptimo global (ya que, evidentemente, es la mejor opcin dentro
del espacio de diseo) sin embargo, el coste de la bsqueda puede ser muy elevado y, pese a
todo, no se asegura su obtencin. Por otro lado, en muchos problemas es suficiente con
encontrar un mnimo local adecuado. El planteamiento algortmico del problema depende de
qu opcin se desea de entre esas dos posibles.
En la actualidad, los algoritmos de optimizacin se pueden clasificar en tres categoras
generales atendiendo a la naturaleza de su funcionamiento.
En primer lugar los algoritmos de optimizacin basados en el gradiente parten de una
determinada posicin inicial y se dirigen pendiente abajo (segn el gradiente de la
hipersuperficie) en busca del ptimo. A su vez, estos algoritmos pueden ser subdivididos en
dos subgrupos: los que utilizan derivadas de la funcin objetivo y los que no utilizan dichas
derivadas. Los primeros presentan una convergencia ms rpida hacia el ptimo, pero existen
muchos casos en los que la expresin de las derivadas de la funcin objetivo respecto a cada
una de las variables de diseo no se conoce explcitamente. En tal caso puede ser estimada
47
mediante tcnicas de diferencias finitas (Press et al., 1991) o, en ltima instancia, pueden
utilizarse los segundos mtodos.
47 Estos mtodos numricos de estimacin de la derivada de una funcin tienen limitaciones de tipo computacional y, en muchos
casos, se tiene una mejor convergencia si se utilizan mtodos sin evaluacin de las derivadas.
Antecedentes
47
Hay que decir que los algoritmos basados en el gradiente son mtodos deterministas y
el ptimo al que conducen es funcin directa del punto de partida. Por lo tanto, la probabilidad
de encontrar el ptimo global es igual a la probabilidad de proporcionar un buen punto de
partida. Sin embargo, como se muestra en la tabla 2.3, estos mtodos han sido y son los ms
utilizados en la resolucin de problemas de sntesis ptima de mecanismos.
En segundo lugar figuran los algoritmos de optimizacin aleatorios. Estos mtodos
proponen como solucin puntos del espacio de diseo extrados aleatoriamente.
Posteriormente, tras la evaluacin mediante la funcin objetivo, son clasificados de acuerdo
con su valor asociado. Consecuentemente, cuantos ms puntos del espacio de diseo se
extraigan mayor probabilidad existir de encontrar el ptimo global. Algunos autores (Garrett y
Hall, 1968) han utilizado mtodos aleatorios con la intencin de obtener el ptimo global. Para
ello han ido reduciendo progresivamente el intervalo de extraccin aleatoria alrededor de los
puntos mejores de acuerdo con la funcin objetivo.
Finalmente, en tercer lugar, se encuentran los modernos mtodos evolutivos o
genticos (Kunjur y Krishnamurty, 1997). Estos mtodos estn basados en las teoras de
evolucin natural de una poblacin que se fundamentan en el concepto de mejora evolutiva. No
son mtodos deterministas y, por lo tanto, existe una probabilidad no nula de lograr el ptimo
global partiendo de cualquier poblacin de puntos.
En el caso particular de la sntesis ptima de mecanismos para generacin de

trayectoria, la funcin objetivo contiene un gran nmero de ptimos locales dentro del espacio
de diseo. Un algoritmo de optimizacin local (basado en el gradiente) que parte de un punto
aleatorio converge al mnimo local ms cercano pendiente abajo, el cual puede ser
insatisfactorio. Este problema es, en general, resuelto especificando un punto de partida que
por si mismo suponga una solucin aceptable. Sin embargo el logro de este punto de partida
adecuado no es en absoluto un problema trivial. Las soluciones clsicas para conseguirlo son,
por un lado, haciendo uso de una gran experiencia por parte del diseador o, por otro lado,
mediante la bsqueda en un catlogo de curvas del acoplador. La primera no es una opcin
para diseadores no expertos en mecanismos y la segunda es tediosa. Adems ninguna de las
dos conduce necesariamente al ptimo global.
El anlisis de trabajos previos revela que, inicialmente, el problema de optimizacin era

resuelto de una manera directa (en la que no se necesitan iteraciones) igualando a cero las
diferentes derivadas de la funcin objetivo respecto de las variables de diseo. As se obtiene
un sistema de ecuaciones no lineales que, en los casos ms simples, puede ser resuelto
analticamente obteniendo el valor del ptimo. Sin embargo, en los casos en los que lo anterior
no es posible, el sistema de ecuaciones no puede ser resuelto salvo por la va numrica. En tal
caso el problema de optimizacin es transformado en otro problema de resolucin de un
48
Captulo 2
sistema de ecuaciones no lineal, el cual ha sido tradicionalmente resuelto mediante tcnicas

numricas clsicas, como el mtodo de Newton-Raphson. Sin embargo, esta tcnica ya
necesita de un punto de partida y generalmente termina en una solucin intermedia, es decir,
en un mnimo local que depender de la posicin de partida. Adems, exige el manejo de
ecuaciones de una complejidad considerable.
Finalmente, las ltimas tendencias van en la lnea de plantear el problema de
optimizacin en base a la funcin objetivo y utilizar mtodos iterativos para encontrar el ptimo,
con o sin necesidad de hacer uso de las derivadas.
Pese a que muchos investigadores han sido conscientes del problema, muy pocos han
intentado proponer soluciones para la bsqueda del ptimo global. Esta bsqueda puede ser
planteada mediante dos etapas. Una primera (bsqueda gruesa) consistente en una evaluacin
indiscriminada (uniforme, aleatoria o evolutiva) del espacio de diseo en la bsqueda de
buenos puntos de partida y, posteriormente, una segunda (refinamiento u optimizacin fina)
consistente en la optimizacin de los mejores puntos obtenidos en la primera.
Sin embargo, en la bibliografa se observa que en la gran mayora de los trabajos
publicados solamente se plantean la etapa de refinamiento (tabla 2.3), ignorando la bsqueda
del punto de partida adecuado. Tanto es as que en los ejemplos mostrados figura con
frecuencia un punto de partida que supone una opcin considerablemente buena dentro de los
infinitos puntos existentes en el espacio de diseo. Pero la optimizacin partiendo de un punto
ventajoso del espacio de diseo consiste exclusivamente en la aplicacin del algoritmo de
optimizacin oportuno. Por el contrario, la tarea de sistematizar la bsqueda de buenos puntos
de partida apenas ha sido estudiada, siendo muy pocos los trabajos que hacen alusin a este
tema.
Por el contrario, algunos autores (tabla 2.3) s han advertido la necesidad de
proporcionar mtodos de optimizacin en dos etapas y han sugerido mtodos diferentes para
cada una de ellas. Estos autores se han inclinado mayoritariamente por utilizar algoritmos
aleatorios en la etapa de bsqueda gruesa y, posteriormente, algoritmos basados en el
gradiente en la etapa de refinamiento. Ciertamente, la utilizacin de algoritmos basados en el
gradiente en la primera etapa no parece conveniente dado que necesitan una posicin de
partida y el resultado es dependiente de la seleccionada. Por otro lado, los algoritmos
aleatorios son buenos generadores de puntos de partida con una distribucin especfica dentro
del espacio de diseo. Sin embargo, en la segunda etapa las caractersticas idneas se
invierten. Tras la ejecucin de la bsqueda gruesa, los mejores puntos obtenidos de forma
aleatoria estarn probablemente cerca del ptimo asociado a cada uno de ellos, por lo que es
recomendable utilizar un algoritmo que se dirija directamente a ese ptimo. Debido a esto, los
autores han planteado algoritmos basados en el gradiente para la etapa de refinamiento.
Antecedentes
49
Referencia
Toms (1968)
Garrett y Hall (1968)
Nolle y Hunt (1971)
Bagci y Lee (1975)
Thompson (1975)
Zhang et al. (1984)
Avils et al. (1985)
Watanabe (1992)
Krishnamurty (1992)
Ullah y Kota (1996)
*
ALGORITMO DE OPTIMIZACIN
Mtodo de
Base del
Utilizacin
Inclusin de
optimizacin algoritmo de
de
algoritmos de
optimizacin derivadas bsqueda de puntos
de
de la funcin
de partida
refinamiento
objetivo
adecuados
(bsqueda gruesa).
Iterativo
Gradiente
Si
Si*
Iterativo
Gradiente
No
No
Iterativo
Gradiente
Si
No
Iterativo
Gradiente
Si
No
Iterativo
Gradiente
No
No
Iterativo
Aleatorio
No
Aleatorio
Iterativo
Gradiente
Si
No
Iterativo
Gradiente
No
No
Iterativo
Gradiente
No
No
Directo
No
No
N/A
N/A
N/A
N/A
N/A
Iterativo
Aleatorio
No
Atlas
Iterativo
Gradiente
Si
No
Iterativo
Gradiente
Si
No
Directo
No
No
N/A
Iterativo
Gradiente
No
Aleatorio
Iterativo
Gradiente
No
No
Iterativo
Gradiente
No
Aleatorio
Iterativo
Gradiente
Si
No
Iterativo
Heurstico
No
No
Iterativo
Gradiente
No
Hide y Seek
Iterativo
No
Gentico
N/A
El problema planteado tiene solucin exacta que es buscada mediante optimizacin.

No aplicable.
Tabla 2.3. Estudio del algoritmo de optimizacin por parte de los mtodos propuestos.
La resolucin de problemas de sntesis ptima est asociada a un tiempo de

computacin que, para que el mtodo sea utilizable y competitivo en la prctica, debe ser
moderado. As, debido a la creciente potencia de los ordenadores cada vez es posible abordar
los problemas de optimizacin de una forma ms ambiciosa. Adems, si se tiene en cuenta que
en cada iteracin el tiempo de computacin es consumido en su mayor parte por la funcin
objetivo (en la evaluacin de candidatos del espacio de diseo), el diseo de una funcin
objetivo computacionalmente econmica puede favorecer el planteamiento de la optimizacin
global.
50
Captulo 2
Las restricciones.
Las restricciones en el problema de optimizacin limitan las posibles soluciones
reduciendo el espacio de diseo durante la optimizacin. Los problemas de optimizacin con
restricciones son caractersticos del empleo de algoritmos de optimizacin basados en el
gradiente. Existen diversos mtodos de optimizacin restringida, siendo uno de los ms
empleados el algoritmo de Fiacco y McCormick (Fiacco y McCormick, 1963).
Por otra parte, hay dos tipos de restricciones aplicables a los problemas de
optimizacin: de igualdad y de desigualdad. Las primeras establecen relaciones que las
variables de diseo deben cumplir, no siendo aptos los puntos del espacio de diseo que no
cumplan esta relacin. Las segundas eliminan todos aquellos puntos del espacio de diseo que
no cumplan la desigualdad.
Con aplicacin al problema de sntesis dimensional ptima, se puede realizar una
sntesis considerando restricciones o sin considerar restricciones (tabla 2.4). En el caso de que
existan restricciones, estas pueden ser clasificadas de una forma generalista dentro de tres
tipos diferentes.
En primer lugar estn las restricciones de acotacin del espacio de diseo. Si se tiene
en cuenta que de un espacio de diseo n-dimensional no todos los valores de todas las
dimensiones son viables en la prctica, resulta necesario limitar estos valores mediante
ecuaciones de restriccin. Por ejemplo, en mecanismos, las longitudes de los eslabones no
pueden ser menores que cero ni tampoco es prctico que superen un cierto valor mximo. Por
lo tanto es posible acotar las dimensiones del espacio de diseo mediante ecuaciones de
restriccin.
En segundo lugar, se pueden incluir restricciones de funcionamiento con el fin de
asegurar que el funcionamiento de la solucin obtenida cumpla ciertas condiciones. En sntesis
dimensional, estas restricciones estn relacionadas con y/o limitan la relacin de longitudes de
las barras del mecanismo (para impedir que se obtengan mecanismos deformes), la rotabilidad
de ciertas barras, el ngulo de transmisin, etc.
Finalmente, se pueden incluir otras restricciones atendiendo a otro tipo de
consideraciones.
En la bibliografa se pueden encontrar opiniones contrapuestas en relacin con el

beneficio que supone la inclusin de restricciones. No obstante, parece demostrado que la
inclusin de restricciones de cualquier tipo implica una cierta complicacin del problema
matemtico de la optimizacin (Nolle y Hunt, 1971). Esto tiene sentido pues, cuando existen
restricciones, los algoritmos de optimizacin,no pueden conducirse con total libertad por el
espacio de diseo en busca del ptimo. En efecto, la inclusin de restricciones supone una
Antecedentes
51
limitacin brusca del espacio de diseo que no se ve reflejada en el gradiente de la funcin

objetivo, por lo que el algoritmo no obtiene ningn indicador que seale cuando est cerca de
no cumplir los requisitos. Como consecuencia, con frecuencia se obtienen ptimos de peor
consideracin que en el caso no restringido y habitualmente el nmero de iteraciones necesario
es mayor.
Por otro lado, la inclusin de restricciones provoca discontinuidades en la solucin
(Angeles et al., 1988). Esto implica que puede no existir una relacin directa entre el punto de
partida y la solucin obtenida tras el proceso de optimizacin, lo cual perjudica el uso de la
sensibilidad del diseador en la mejora de sus diseos.
Algunos de los trabajos existentes proponen el uso de restricciones, mientras que otros
no. En la tabla 2.4 se muestra un resumen de este uso en algunos de los trabajos estudiados y
en ella se observa una mayora de autores que proponen mtodos sin el uso de restricciones.
En general resulta patente (y es comnmente aceptado) que el uso de restricciones perjudica
sensiblemente el proceso de optimizacin e incrementa su coste computacional.
Como se ha mencionado, la acotacin del espacio de diseo es necesaria debido a la
imposibilidad prctica de fabricar mecanismos de cualquier tamao. Adems, tampoco resultan
tiles aquellos mecanismos con una gran desproporcin entre sus barras. Sin embargo, es muy
probable que la funcin objetivo en los problemas de sntesis ptima de trayectoria sea una
48
hipersuperficie con varios mnimos locales dentro del hiperespacio acotado en el que se
encuentran las dimensiones tiles del mecanismo. Si as fuera, esto supondra que aunque no
se utilizaran restricciones partiendo de un punto dentro de ese hiperespacio acotado sera
poco probable que un algoritmo de optimizacin basado en el gradiente condujera a un ptimo
fuera del mismo. Pero aunque as fuera, sera posible descartar la solucin posteriormente y
continuar con el proceso de optimizacin en base a otro punto. En tal caso, sera innecesario la
inclusin de este tipo de restricciones a la vez que su eliminacin favorecera el proceso global
de optimizacin.
En cuanto a las restricciones de funcionamiento, resulta evidente que su utilizacin en
el problema de optimizacin redundar en la obtencin de soluciones no solamente ptimas
desde el punto de vista de la funcin objetivo sino tambin vlidas atendiendo a otros criterios.
Una alternativa es la optimizacin no restringida de varios puntos del espacio de diseo, la cual
aportar diferentes mnimos locales. Posteriormente se puede realizar un filtrado de los
mnimos mediante la aplicacin de las restricciones. Con ello se gana en sencillez del
planteamiento y en rapidez de resolucin, pero muy probablemente la solucin que se obtenga
48
Es decir, un volumen en un espacio n-dimensional.
52
Captulo 2
sea menos ptima que la que pudiera obtenerse contemplando las restricciones en la
optimizacin.
Referencia
Toms (1968)
Garrett y Hall (1968)
Nolle y Hunt (1971)
Bagci y Lee (1975)
Thompson (1975)
Zhang et al. (1984)
Avils et al. (1985)
Watanabe (1992)
Krishnamurty (1992)
Ullah y Kota (1996)
RESTRICCIONES
Optimizacin Inclusin de Inclusin de Inclusin de otras
restricciones
con
restricciones restricciones
restricciones de acotacin de funcionadel espacio de miento
diseo
No
No
No
No
Si
Si
Si
No
No
No
No
No
No
No
No
No
Si
Si
Si
No
No
No
No
No
No
No
No
No
Si
No
No
Si
Si
No
Si
Si
No
No
No
No
N/A
N/A
N/A
N/A
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
N/A
N/A
N/A
N/A
No
No
No
No
No
No
No
No
Si
Si
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No aplicable.
Tabla 2.4. Estudio del uso de restricciones por parte de los mtodos propuestos.
La utilizacin de restricciones es llevada al extremo en el planteamiento realizado por

Fox y Willmert (Fox y Willmert, 1967). En l se contemplan todas las dimensiones d1 a d9
mostradas en la figura 2.3 (variables de diseo del mecanismo de 4 barras) pero adems,
tambin se involucran las variables i, i y i correspondientes a cada uno de los puntos
requeridos Pi(xi,yi). Pero como no es posible combinar cualesquiera ngulos , y con
cualesquiera dimensiones d1, d2, ..., d9, los autores imponen ecuaciones de restriccin de
igualdad que son sencillamente las ecuaciones de bucle para relacionar ambos grupos de
Antecedentes
53
variables. De esta forma involucran en el proceso global de optimizacin para sntesis el

miniproceso de optimizacin requerido para resolver las ecuaciones de bucle correspondientes
al anlisis.
Figura 2.3. Variables del mecanismo de 4 barras.
Con esto Fox y Willmert consiguen una atractiva formulacin clsica del problema pero
ste queda perjudicado para su optimizacin no obtenindose con ello ningn beneficio. En
efecto, se ha aumentado considerablemente el espacio de diseo (aadiendo varias
dimensiones), lo que dificulta enormemente la bsqueda del ptimo. Por otro lado, resulta
sencillo (y el resto de los autores as lo han hecho) involucrar las ecuaciones de bucle del
mecanismo en la funcin objetivo en lugar de agregarlas como ecuaciones de restriccin de
igualdad.
Consecuentemente, del mtodo de optimizacin se pueden obtener mejores resultados
y en mucho menos tiempo si se separa el anlisis de la sntesis de mecanismos que si se
intenta resolver el problema conjunto.
En definitva, la inclusin de restricciones en la sntesis dimensional ptima de

mecanismos planos es un aspecto que debe estudiarse cuidadosamente ya que complica
considerablemente el problema de optimizacin. Sin embargo, en base a lo argumentado,
parece lgico pensar que la inclusin de las restricciones de acotacin del espacio de diseo
puede eliminarse (corriendo nicamente el riesgo de obtener alguna solucin fuera del espacio
de diseo frente a varias dentro). En cuanto al resto de restricciones (funcionamiento), pueden
54
Captulo 2
ser incluidas o no dependiendo de la importancia relativa (en el problema que se pretende

resolver) de los condicionantes fsicos que representan.
Conclusiones.
Como se ha visto, la sntesis dimensional de mecanismos como parte de la Ingeniera
Mecnica est an hoy relativamente poco desarrollada. A raz de los trabajos publicados se
observa una evolucin vacilante e incierta en ocasiones divergente en el progreso de esta
materia. Una prueba de ello es la continua aparicin de mtodos con aplicacin muy especfica.
Se han detectado una falta de progreso en el planteamiento del problema. En efecto,
existe una tendencia fuertemente arraigada hacia la proposicin de planteamientos con una
formulacin clsica (Garrett y Hall, 1968). En este sentido, se observa una escasa inclinacin a
tener en cuenta en el planteamiento las herramientas de clculo (ordenadores digitales y
herramientas informticas) que posteriormente sern utilizadas para la resolucin de los
problemas. As, en pocas ocasiones se ha buscado la simplificacin del problema para su
implementacin en programas informticos. Tampoco se ha dado importancia al coste
computacional de las operaciones realizadas, con el fin de minimizar el proceso de clculo. En
definitiva, se detecta una falta de formulacin vanguardista orientada a la resolucin de los
problemas de sntesis dimensional aproximada con herramientas informticas de clculo. Este
necesario replanteamiento obliga a cambiar el esquema de importancia relativa de los
diferentes aspectos relacionados con el proceso de elaboracin de nuevos mtodos de
sntesis.
Aparte de la escasa orientacin del problema hacia el clculo, se observa tambin una
tendencia hacia el planteamiento generalista de sntesis de trayectoria sin distincin entre
trayectorias abiertas y cerradas. Sin embargo, ambos problemas demuestran ser muy
diferentes (vanse los captulos 3 y 4) y puede obtenerse un gran beneficio (que repercute en
los tiempos de resolucin del problema de optimizacin y en la calidad de las soluciones
obtenidas) al realizar planteamientos diferentes para cada uno de los dos casos. Para ello es
posible estudiar las diferencias entre ambos problemas y la aportacin de soluciones
especficas que se adapten a las particularidades de cada uno.
Por otro lado y como se ha visto, el problema de sntesis dimensional aproximada

constituye un problema de optimizacin que, por su complejidad, casi siempre debe ser
resuelto por la va numrica. La formulacin de este problema matemtico exige la definicin
de varios aspectos que ataen al mismo: el espacio de diseo, la funcin objetivo, el algoritmo
de optimizacin y, opcionalmente, las restricciones. As, el objetivo ltimo de la sntesis como
Antecedentes
55
problema de programacin no lineal es la minimizacin de la funcin objetivo dentro del

espacio de diseo considerando las restricciones si las hubiera para lo cual se utiliza el
algoritmo de optimizacin. En el estudio de la forma de encontrar el mejor mecanismo (ptimo
global de la funcin objetivo dentro del espacio de diseo) capaz de cumplir los requisitos de
sntesis, varios han sido los autores que han pronosticado la existencia de mltiples mnimos
locales dentro del espacio de diseo, lo que complica el problema dado que los algoritmos
basados en el gradiente (que son los algoritmos clsicamente utilizados) nicamente conducen
al ptimo ms cercano pendiente abajo. Por ello, se ha sugerido por parte de algunos autores
la necesidad de separar la parte algortmica de optimizacin en dos etapas: una bsqueda
gruesa y una optimizacin fina. Sin embargo, se observa que la mayor parte de los trabajos
publicados intentan dar solucin exclusivamente a la segunda parte optimizacin fina
olvidando proponer frmulas para encontrar buenos puntos de partida que conduzcan al ptimo
global o, como mnimo, a un buen mnimo local. En ocasiones se ha intentado paliar esta
deficiencia proponiendo la bsqueda de buenos puntos de partida en atlas de curvas del
acoplador. Sin embargo, esta tcnica puede considerarse obsoleta dada la capacidad de los
actuales ordenadores digitales para tratar la informacin. Otros autores han ignorado esta
necesidad, pudiendo afirmarse que existe una gran escasez en la propuesta de tcnicas
alternativas para la bsqueda gruesa de mecanismos factibles para los requisitos de sntesis.
Al mismo tiempo, en los mtodos de sntesis propuestos se observa una falta de
ambicin hacia la consecucin del ptimo global (el mejor mecanismo posible, de un tipo
determinado, para el cumplimiento de los requisitos de sntesis). En la mayora de los casos los
mtodos propuestos tienen como fin la consecucin de un buen mnimo de la funcin objetivo,
pero raramente se hace mencin a la posibilidad de que este mnimo sea el ptimo global
dentro del espacio de diseo. Los investigadores de esta materia parecen estar contagiados de
la imposibilidad prctica de encontrar el ptimo global debido a que hasta hace pocos aos no
se dispona de recursos herramientas de clculo con capacidad para abordar la bsqueda
de dicho ptimo global. Pero la los ordenadores digitales han crecido en prestaciones con el
tiempo muy por encima de la linealidad, siendo necesario (en esta como en tantas otras
materias) el esfuerzo de la comunidad de investigadores por imaginar e idear nuevos mtodos
que aprovechen al mximo las capacidades de las nuevas herramientas de clculo.
Por otro lado, los diferentes componentes del problema de optimizacin han sido
estudiados y mejorados de forma desigual por los investigadores.
Escasos o nulos son los estudios del espacio de diseo con el fin de reducir su tamao.
La bsqueda de relaciones entre las curvas generadas por diferentes puntos del mismo; la
deteccin de repeticiones de puntos y la eliminacin de dimensiones superfluas puede permitir
una reduccin considerable del espacio de diseo. Incluso es posible establecer ciertos
requisitos para la elaboracin de funciones objetivo que potencien la reduccin mencionada.
56
Captulo 2
Con todo, puede conseguirse minimizar el espacio de puntos de diseo y lograr una mejora
sustancial del proceso de optimizacin. Sin embargo, este proceso ha sido ignorado en la
mayora de los mtodos propuestos hasta el momento.
Tampoco existen estudios de las funciones objetivo orientados a establecer las
caractersticas recomendables de stas que facilitan la consecucin del ptimo. Estudios de la
variacin del valor de la funcin objetivo a medida que las variables de diseo se separan de
sus valores ideales (estudio de evolucin de la funcin objetivo ante deformacin progresiva del
mecanismo) son fundamentales cuando el fin ltimo es la optimizacin. As, es factible la
49
proposicin de funciones objetivo cuya evolucin no corresponda a la realidad , obteniendo un
resultado falso al aplicar un algoritmo de optimizacin. Por ello, se considera de especial
importancia verificar la progresividad de la funcin objetivo propuesta mediante ensayos
especficos.
Asimismo, en el caso de sntesis de trayectoria, se detecta una falta de diseo de
funciones objetivo considerando la comparacin de la forma intrnseca de las trayectorias
(generada y requerida), con independencia de factores externos a la misma (como son su
posicin, orientacin, escala, simetra, etc.). En efecto, una misma curva definida por sus
ecuaciones matemticas puede, mediante transformaciones geomtricas, convertirse en
otra. Pero las caractersticas del problema de sntesis y su objetivo permiten que, si una curva
generada por un mecanismo cumple los requisitos de trayectoria en el problema de sntesis
independientemente de su posicin, orientacin, tamao y simetra, resulta sencillo (y
automatizable), mediante transformaciones geomtricas, obtener el mecanismo que cumplir
los requisitos teniendo en cuenta esos factores geomtricos. Pese a que este razonamiento es
evidente, los mtodos de solucin siguen plantendose en ocasiones con funciones objetivo
que juzgan la diferencia de las curvas no nicamente comparando sus formas intrnsecas.
Los motivos anteriormente expuestos justifican el estudio en profundidad de los

diferentes aspectos que ataen al planteamiento del problema de sntesis dimensional
aproximada de mecanismos planos para generacin de trayectoria con dos objetivos
primordiales: dotar al planteamiento de una orientacin hacia la resolucin mediante
herramientas informticas y plantear estrategias de bsqueda del ptimo global dentro del
espacio de diseo.
49 La funcin objetivo depende, en este caso, de las dimensiones del mecanismo. En generacin de trayectoria, si se parte de
unas dimensiones en las cuales el cumplimiento de los requisitos de sntesis es mximo y se cambian sus valores, el valor de la
funcin objetivo debe incrementarse debido a que las caractersticas generadas se separan de las caractersticas requeridas. Es
posible proponer una funcin objetivo cuya evolucin no se corresponda con la diferencia real entre caractersticas generadas y
requeridas. Incluso que a medida que la diferencia real entre caractersticas generdas y requeridas aumente, la funcin objetivo
disminuya. En tal caso la optimizacin de la funcin objetivo no se corresponder con la optimizacin de las caractersticas
generadas hacia las requeridas.
&DStWXOR
&RPSDUDFLyQGHFXUYDVSODQDVFHUUDGDV
3.1. Introduccin.
Cuando se desea realizar una sntesis dimensional de un mecanismo plano con un
nico grado de libertad para generar una trayectoria continua es decir, cuando se pretenden
calcular las dimensiones del mecanismo y la posicin de un punto perteneciente a uno de los
eslabones tal que el punto genere una determinada trayectoria, movindose el mecanismo a lo
largo de un ciclo cinemtico no existe una solucin exacta en la inmensa mayora de los
casos. Esto es debido a que, en el caso ms desfavorable, ser necesario imponer infinitas
condiciones al mecanismo para trazar la curva requerida. Como el nmero de condiciones que
ste puede contemplar de forma exacta nunca es superior a su nmero de variables de diseo,
el mecanismo debera tener infinitas variables de diseo para poder reproducir de forma exacta
cualquier curva requerida.
Consecuentemente, si para generar la trayectoria se utiliza un mecanismo que posea
un nmero finito de variables de diseo, ste no ser capaz de trazar cualquier trayectoria an
cuando este punto podr trazar infinitas trayectorias al ser modificadas las variables de diseo.
De todo lo anterior se deduce que la sntesis dimensional de mecanismos para
generacin de trayectorias cerradas es un problema para el que no tiene sentido intentar
conseguir una solucin exacta. Por contra, si se desea obtener una solucin, interesa encontrar
la mejor posible, convirtindose el problema en un problema de optimizacin que puede
llamarse sntesis dimensional aproximada de mecanismos planos para generacin de
trayectorias. Una vez encontrada la solucin ptima, si sta es suficientemente buena se podr
utilizar el mecanismo para reproducir la trayectoria requerida de una forma aproximada y si no
lo es, esto ser un indicio de que el tipo de mecanismo seleccionado no es apto para la
generacin de la trayectoria requerida.
Para que el problema de optimizacin est permanentemente definido, ser necesario
especificar el espacio de diseo (dentro del cual se buscar el ptimo), el mtodo de
optimizacin (que se encargar de buscar el ptimo evaluando puntos del espacio de diseo),
58
Captulo 3
la funcin objetivo (que evala los puntos del espacio de diseo) y, si fuera necesario, las
restricciones del problema (que impondrn limitaciones a la solucin aportada). El objetivo de
este captulo es el estudio de la funcin objetivo del problema mediante el anlisis de diferentes
alternativas existentes y otras nuevas propuestas.
Teniendo en cuenta que la optimizacin se llevar a cabo para obtener el mecanismo
capaz de reproducir una trayectoria plana y cerrada lo ms parecida posible a la trayectoria que
se requiere (curva requerida), la funcin objetivo destinada a este problema ha de ser capaz de
comparar curvas planas cerradas, cuantificando la similitud o diferencia entre stas. El mtodo
de optimizacin utilizar esta funcin objetivo para evaluar puntos del espacio de diseo (cada
uno de los cuales lleva asociado una curva propuesta) y, en base al resultado, ser capaz de
converger hacia el ptimo.
Los mecanismos planos cclicos reproducen lugares geomtricos planos. Cuando se

especifica un valor de las coordenadas generalizadas independientes (correspondientes a los
grados de libertad) se obtiene una posicin del mecanismo y, por lo tanto, una posicin del
punto trazador (o generador). A medida que se van variando las coordenadas generalizadas
para obligar al mecanismo a realizar un ciclo cinemtico se van obteniendo puntos del lugar
geomtrico que genera el punto trazador del mecanismo. Consecuentemente, cada punto
(descrito por sus coordenadas x e y) de este lugar geomtrico est asociado a unos valores
concretos de las coordenadas generalizadas independientes del mecanismo. Debido a esto, los
lugares geomtricos descritos por puntos de los mecanismos pueden expresarse de forma
paramtrica, siendo las coordenadas generalizadas del mecanismo los parmetros de la curva.
Sin embargo, si un mecanismo tiene ms de un grado de libertad, y no se impone
ninguna relacin entre las coordenadas generalizadas del mecanismo (en nmero igual al
grado de movilidad del mismo), al tomar valores dichas coordenadas generalizadas dentro de
sus intervalos de variacin, el lugar geomtrico de los puntos sobre los que puede pasar el
punto trazador no es una curva sino una regin plana. Por ello, los mecanismos trazadores de
curvas sern o bien mecanismos de un nico grado de libertad o bien mecanismos de ms de
un grado de libertad existiendo una relacin matemtica entre los diferentes grados de libertad
de forma que solamente uno de ellos sea independiente. As, se puede asegurar y en
adelante as se considera que los mecanismos que trazan curvas cerradas planas son
mecanismos cclicos de un grado de libertad y, por lo tanto, las curvas generadas por estos
mecanismos son curvas paramtricas dependientes de un nico parmetro.
Una curva paramtrica viene definida por sus expresiones paramtricas (una por cada
coordenada) y por un intervalo de variacin del parmetro. Para que la curva sea cerrada se ha
de cumplir que las coordenadas del punto correspondiente al valor inicial del parmetro han de
ser necesariamente las mismas que las del punto correspondiente al valor final del parmetro.
Adems, si se requiere que la conexin en los puntos inicial y final sea suave las derivadas
Comparacin de curvas planas cerradas
59
primera y segunda de las coordenadas con respecto al parmetro tambin tendrn que ser las
mismas en tales puntos de la curva.
En las curvas generadas por los mecanismos, el parmetro corresponde a la
coordenada generalizada independiente y el intervalo dentro del cual vara dicho parmetro
corresponder al rango de variacin de la coordenada generalizada. Por ejemplo, en un
mecanismo de cuatro barras de tipo manivela-balancn, la manivela (eslabn de entrada)
realiza giros completos y el ngulo de esta barra con el eje X de un sistema de referencia ser
la coordenada generalizada independiente. A medida que se dan valores a este ngulo
dentro del intervalo [0, 2[ se obtendrn los diferentes puntos de la curva, siendo el parmetro
de la curva generada. La inmensa mayora de las trayectorias generadas por mecanismos de
barras son curvas derivables hasta el segundo orden o ms. En efecto, las ocasiones en las
que la trayectoria generada tiene cspides (no existiendo la derivada de la curva en ese punto)
son muy escasas. Debido a esto, este captulo se centra en el estudio de mtodos de
50
comparacin de curvas
cerradas derivables hasta el segundo orden, considerando
excepciones las trayectorias que no cumplen este requisito.
3.2. Requisitos de los mtodos de comparacin de curvas (MCC)

cerradas.
Como se ha visto, un MCC aplicado a curvas planas cerradas tiene como objetivo
cuantificar la diferencia entre dos curvas de ese tipo. La dificultad para cuantificar esta
diferencia estriba en que las dos curvas pueden ser diferentes (o parecidas) de muchas formas
distintas, atendiendo a criterios muy diferentes. Por ejemplo, dos curvas iguales en cuanto a
forma, posicin y orientacin pero de tamaos diferentes es decir, dos curvas homotticas
pueden ser consideradas diferentes cuando se utilice un criterio que pretenda destacar el
tamao de la curva. En tal caso, las curvas puede que sean morfolgicamente iguales, pero de
una forma estricta son diferentes debido a que su trazado no coincide en todos los puntos de
ambas curvas. Asimismo, dos curvas morfolgicamente iguales y del mismo tamao pero en
diferente posicin y/o con diferente orientacin son, desde un punto de vista matemtico,
diferentes ya que sus trazados tampoco coinciden (y las ecuaciones paramtricas que las
definen tambin son diferentes). Finalmente, dos curvas pueden ser diferentes debido a que su
diferencia morfolgica hace que sus trazados no coincidan, aparte de que sus tamaos,
posiciones y/u orientaciones puedan ser diferentes.
50 Procedimiento para cuantificar mediante uno o ms parmetros objetivos, calculados matemticamente, la semejanza entre
dos curvas
60
Captulo 3
As pues, es necesario decidir qu criterios se van a adoptar al comparar las curvas,

concretando lo que se desea destacar y lo que no de esta comparacin, para el fin que se est
estudiando.
Como se ha puesto de manifiesto en captulos anteriores, en la comparacin de las
curvas cerradas trazadas por mecanismos planos resulta interesante no tener en cuenta las
diferencias de las curvas debido a la posicin, orientacin y escala de las mismas porque si, al
buscar un mecanismo para trazar una determinara curva requerida, se encuentra otro
mecanismo que traza la misma curva (con la misma morfologa) pero con diferente posicin,
orientacin y/o escala, es posible determinar a partir de ste (con sencillas transformaciones
geomtricas) las dimensiones y la posicin del mecanismo que reproducir exactamente la
curva requerida (un ejemplo de esto puede observarse en la figura 3.1). Otra consideracin
similar es el problema de simetra. Si un mecanismo genera una curva que es simtrica de la
curva requerida tambin es posible obtener otro mecanismo a partir de ste (realizando una
simetra del mismo) que genere la misma trayectoria que la requerida (figura 3.1).
Figura 3.1. Procedimiento de sntesis.
Por otro lado, existen ciertos requisitos que, por lgica, se deben imponer a todo MCC,
tales como que el mtodo debe ser sensible a la diferencia entre las curvas, indicando que
ambas curvas son menos parecidas a medida que aumente su diferencia real e indicando que
su diferencia es nula cuando las curvas sean realmente iguales.
61
Teniendo todo lo anterior en cuenta, los requisitos recomendables de todo MCC con el
fin de ser utilizado en sntesis de mecanismos se enuncian a continuacin:
a)
Requisito de identificacin. El primer requisito y fundamental es que el MCC debe

indicar que las dos curvas comparadas son iguales cuando realmente no exista ninguna
diferencia entre ellas. Es decir, en ningn caso debe indicar diferencia alguna cuando
las curvas sean iguales.
b)
Requisito de progresividad. De la misma forma, el MCC debe expresar una mayor

diferencia entre las curvas comparadas a medida que, en la realidad, stas pierdan
similitud. Si el mtodo incumple este requisito ser ineficaz porque al ser utilizado para
decidir cual de dos curvas se parece ms a una tercera, ste podra indicar
errneamente que la ms parecida es la que en realidad es la menos parecida.
c)
Requisito de conmutabilidad. Otro requisito exigible por simple coherencia es que el

MCC aplicado a dos curvas A y B debe arrojar el mismo resultado cuando se compara la
curva A con la B que cuando se compara la curva B con la A, es decir, que el orden de
comparacin no afecte al resultado de la misma.
d)
Requisito de independencia de posicin. Como se ha puesto de manifiesto, para su

utilizacin en sntesis de mecanismos para generacin de trayectorias continuas planas,
el MCC debe ser independiente de la posicin de las curvas comparadas, lo que
significa que si dos curvas son morfolgicamente iguales pero estn en posiciones
diferentes del plano, el mtodo no debe reflejar diferencia alguna entre las curvas.
e)
Requisito de independencia de orientacin. Por el mismo motivo que en el requisito

anterior, el MCC debe ser independiente de la orientacin de las curvas comparadas.
f)
Requisito de independencia de tamao. Similar a los anteriores, el MCC debe ser

independiente del tamao (escala) de las curvas comparadas y no debe apreciar
diferencia alguna entre dos curvas homotticas.
g)
Requisito de independencia de simetras. Por otro lado, el MCC debe ser independiente
de posibles simetras de las curvas, indicando la misma diferencia al comparar dos
curvas que al comparar una de ellas con la simtrica de la otra, cualesquiera que sean
las curvas.
h)
Requisito de independencia de parametrizacin. En el caso de sntesis dimensional de

mecanismos sin tener en cuenta la velocidad, si las curvas vienen expresadas de forma
paramtrica, el MCC debe ser independiente de la variacin del parmetro dentro de las
curvas. Esto implica que el MCC debe indicar que, por ejemplo, las dos curvas
paramtricas expresadas mediante las ecuaciones (3.5) y (3.6) correspondientes a una
misma curva (cuya representacin puede observarse en la figura 3.2) son iguales.
62
Captulo 3
La imposicin del requisito de independencia de tamao tiene otra justificacin

diferente de la anteriormente expuesta cuando el mtodo se aplica a la bsqueda de las
dimensiones de un mecanismo capaz de trazar una determinada curva requerida. En efecto, si
el mtodo es insensible a la escala, no encontrar diferencia alguna entre las curvas trazadas
por dos mecanismos homotticos (en el que uno se puede obtener multiplicando todas las
dimensiones del otro por un mismo escalar). Por lo tanto, se hace innecesario explorar los
mecanismos que se obtienen variando todas las dimensiones del mecanismo inicial en la
bsqueda del mejor mecanismo para reproducir la trayectoria requerida. Ya que, si as se
hiciera, se estara incluyendo en el espacio de diseo todos los mecanismos homotticos que
existen dentro de l, los cuales, trazarn curvas que tendrn un mismo error (o indicador) de
51
comparacin cuando se las compare con la curva requerida. Dicho de otra forma, cuando la
diferencia de escala no es trascendental en la comparacin de curvas trazadas por
mecanismos, se puede eliminar una dimensin del mecanismo (logrando un mecanismo
normalizado) pues, para cualesquiera que sean las dimensiones del mecanismo que traza la
curva, se puede encontrar un mecanismo normalizado que trace una curva homottica del
primero y que, por tanto, arroje un mismo error de comparacin cuando sea comparada con la
curva requerida, no siendo necesario evaluar aquel.
As, si el MCC contempla el requisito de independencia de tamao, se estar
reduciendo en una el nmero de dimensiones del espacio de diseo que se necesitar explorar
durante la optimizacin, lo que supone una considerable simplificacin del problema.
De forma similar, la imposicin del requisito de independencia de simetras supone
disminuir el espacio de diseo original a la mitad en el problema de optimizacin. En efecto,
sabiendo que mecanismos simtricos generan trayectorias simtricas, ser posible reducir el
espacio de diseo eliminando todos los puntos que representen mecanismos simtricos de los
ya evaluados.
3.3. Descripcin de una curva plana cerrada y sus propiedades.

Para elaborar un mtodo que permita comparar dos curvas, es necesario estudiar las
propiedades que caracterizan la forma de las curvas con el fin de decidir cuales de ellas se
pueden utilizar con el fin de obtener un valor numrico que cuantifique su semejanza o su
diferencia. Tales propiedades pueden depender de factores que afectan a la representacin de
52
la curva pero que no influyen en su forma intrnseca . Entre estos factores se encuentran el
51 En adelante se llamar de esta manera al valor numrico devuelto por los mtodos de comparacin de curvas, el cual
cuantifica la diferencia o similitud entre las curvas comparadas.
52 Entendiendo por forma intrnseca la geometra de la curva independiente de su tamao, posicin, orientacin y, en su caso,
de su representacin desde el punto de vista de la simetra.
63
tamao, la posicin y orientacin de las curvas. Asimismo existen otros factores de los que
pueden depender las propiedades de las curvas que no afectan ni a la representacin ni a la
forma intrnseca de la curva como, por ejemplo, la evolucin del parmetro dentro de la curva
paramtrica, que se estudiar en detalle ms adelante. En el estudio de las propiedades se ha
hecho hincapi en analizar estas dependencias con el fin de evaluar cuales de estas
propiedades son ms independientes de estos factores y, por tanto, son ms representativas
de la forma intrnseca de la curva.
Una curva paramtrica plana cerrada viene expresada en forma cartesiana por las
ecuaciones paramtricas de sus coordenadas:
P (t ) = ( x (t ), y (t ))
t [t ini , t fin [
(3.1)
A medida que el parmetro t toma valores dentro de los infinitos que existen en el intervalo [tini,
tfin[, las expresiones x(t), y(t) proporcionan las coordenadas de los infinitos puntos que forman la
curva.
Suponiendo que la curva est referenciada en un sistema de ejes cartesianos X-Y, para
un cierto valor del parmetro t de la curva, sta posee, entre otras, las siguientes
caractersticas puntuales:
a)
Las coordenada x e y del punto de la curva correspondiente al valor t. Estos valores

dependen de la posicin, orientacin y escala de la curva.
b)
El ngulo que la recta tangente a la curva en ese punto forma con el eje X. Depende de
la orientacin de la curva y es independiente de la posicin y escala de la misma. Se
puede calcular de acuerdo con la expresin:
(t ) = arctg
y (t )
dt
d
x (t )
dt
(3.2)
Como se aprecia, este ngulo est relacionado con las derivadas primeras de las
ecuaciones paramtricas x(t), y(t) con respecto al parmetro t, por lo tanto su clculo
solamente es posible en aquellos puntos en los que la curva es derivable (es decir,
carece de cspides).
c)
La curvatura (o su inversa, el radio de curvatura ) de la curva en ese punto. Es

independiente de la posicin y orientacin de la curva, pero es dependiente de la escala
de la misma. Se calcula:
64
Captulo 3
(t ) =
(t )
2
2

dx (t ) + dy (t )

dt
dt
d 2 x (t ) dy (t ) dx (t ) d 2 y (t )
dt 2
dt
dt
dt 2
(3.3)
La curvatura est, por tanto, relacionada con las derivadas primera y segunda de las
ecuaciones paramtricas x(t), y(t) que definen la curva con respecto al parmetro t. Si la
2
funcin no es de clase C , no se puede asegurar el clculo de la curvatura en todos los
puntos de la curva.
d)
La longitud s de arco de curva medida desde el punto inicial de la misma

(correspondiente al valor inicial del parmetro) hasta un cierto punto de la curva
(correspondiente a determinado valor de t). Como en el caso de la curvatura, la longitud s
es independiente de la posicin y orientacin de la curva, pero es dependiente de la
escala de la misma. Esta longitud se puede calcular mediante la expresin:
t
s (t ) =
t ini
dx (t )
+ dy (t ) dt
dt
dt
(3.4)
Si se representa cada una de las propiedades puntuales de la curva expuestas

anteriormente con respecto al parmetro t, se obtienen otras tantas grficas que describen la
forma de la curva. Sin embargo es posible obtener dos pares de grficas x(t) vs. t, y(t) vs. t
diferentes que correspondan a una misma curva no siendo estas, por tanto, buenas
descriptoras de la forma de la curva. El motivo es que una misma curva puede venir
parametrizada de formas diferentes, pudiendo radicar estas diferencias en:
El origen de la parametrizacin es decir, el punto inicial de la curva correspondiente al
valor inferior del parmetro dentro de su intervalo de variacin.
La evolucin del parmetro t dentro de la curva, que puede ser diferente segn la curva
est definida (sin que haya variacin en su forma).
El sentido de avance de la curva en relacin al sentido de avance del parmetro, que
tiene dos posibilidades.
Como ejemplo, en la figura 3.2 se muestra una curva parametrizada de dos formas
diferentes. En ellas, el origen de la parametrizacin y el sentido de avance es el mismo pero la
evolucin del parmetro dentro de la curva es diferente. Las ecuaciones paramtricas de
ambas son:
Parametrizacin 1:
65
x1 (t ) = cos(t ) cos(sen(t ))
y1 (t ) = cos(t ) sen(sen(t ))
(3.5)
Parametrizacin 2:
x 2 (t ) = cos( cos(
2 ) + ) cos(sen(
cos(
2 ) + ))
y 2 (t ) = cos( cos(
2 ) + ) sen(sen(
cos(
2 ) + ))
(3.6)
variando el parmetro dentro del intervalo [0, 2[ en ambos casos.

En la figura aparece la curva (representada en lnea continua), que es la misma para
ambas parametrizaciones, y una representacin de cada parametrizacin mediante puntos
correspondientes a incrementos del parmetro t iguales a /12. Se observa que para el mismo
valor del parmetro, las dos definiciones paramtricas (que expresan la misma curva) arrojan
puntos diferentes de dicha curva.
Parametrizacin 1
0.6
Parametrizacin 2
0.4
y(t)
0.2
0.0
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
-0.2
-0.4
-0.6
x(t)
Figura 3.2. Diferentes parametrizaciones de una misma curva.
Si se utiliza el parmetro longitud de arco s en lugar del parmetro t y se representan el

resto de propiedades con respecto a s se eliminar esa dependencia de la grfica con respecto
a la velocidad de variacin del parmetro t a lo largo de la longitud de la curva pues, si bien s(t)
tambin depende de la parametrizacin de la curva, al referenciar cualquier otra propiedad con
66
Captulo 3
respecto a s se pierde la dependencia de esta parametrizacin (en cuanto a evolucin del

parmetro se refiere, aunque no en cuanto al origen de la parametrizacin ni a su sentido de
avance).
La longitud de arco s depende del tamao (escala) de la curva, por lo que todas las
representaciones con respecto a s dependern de dicha escala. Se puede evitar esto
(posibilitando la comparacin de dos representaciones grficas de propiedades
correspondientes a dos curvas independientemente del tamao de las mismas) si se normaliza
la longitud de arco de la curva s para que vare dentro del intervalo [0,1[. Esta normalizacin se
puede conseguir representando con respecto a s/L (siendo L el valor de s al final de la curva, es
decir, la longitud total de la curva) en lugar de hacerlo con respecto a s.
De esta forma se pueden obtener las siguientes representaciones grficas que
caracterizan de forma inequvoca la curva:
a)
x(s) vs. s/L e y(s) vs. s/L: Representan la variacin de las coordenadas x e y con respecto
a la longitud del arco de curva normalizado. Dependen de la posicin, orientacin y
escala de la curva, pero es independiente de la evolucin del parmetro dentro de la
curva.
b)
(s) vs. s/L: Representa la variacin del ngulo de la tangente (con el eje X) con respecto
a la longitud de arco de curva normalizado. Depende de la orientacin de la curva, pero
es independiente de la posicin y escala de la misma as como de la evolucin del
parmetro.
c)
(s) vs. s/L (s) vs. s/L: Representa la variacin de la curvatura (o de su inverso, el
radio de curvatura ) con respecto a la longitud de arco de curva normalizado. Esta
grfica depende de la escala de la curva, siendo independiente de la posicin,
orientacin y evolucin del parmetro dentro de la misma.
Las representaciones grficas anteriormente expuestas correspondientes a la curva

mostrada en la figura 3.2 se pueden ver en las figuras 3.3, 3.4 y 3.5.
67
1.00
x(t)
0.75
y(t)
0.50
0.25
0.00
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0.8
0.9
1.0
-0.25
-0.50
-0.75
-1.00
s/L
Figura 3.3. Representacin de x e y vs. s/L.
240
180
(grados)
120
60
0
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
-60
s/L
Figura 3.4. Representacin del ngulo de la tangente a la curva vs. s/L.
68
Captulo 3
3.0
2.5
2.0
1.5
1.0
0.5
0.0
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
s/L
Figura 3.5. Representacin de la curvatura de la curva vs. s/L.
Hay que tener en cuenta que las tres grficas anteriores (que describen la curva) no
son independientes unas de otras sino que estn relacionadas de acuerdo con las ecuaciones
(3.2) y (3.3) esto es, a partir de una de ellas se pueden obtener las dems. Adems, debido a
que no todas ellas dependen igualmente de los factores puramente representativos de la curva
(posicin, orientacin y escala), unas sern mejores que otras para ser incluidas en el MCC
cuando lo que se desea es, precisamente, no tener en cuenta estos factores.
En la tabla 3.1 se muestra un cuadro resumen de la dependencia de cada una de las
grficas anteriores con respecto los factores que no reflejan la forma de la curva.
x(s), y(s) vs. s/L

(s) vs. s/L
(s) vs. s/L
Posicin
S
No
No
Orientacin
S
S
No
Escala
S
No
S
Tabla 3.1. Dependencia de las grficas con respecto a posicin, orientacin y escala.
Existen otras caractersticas globales de una curva cerrada como son la longitud de la
misma L o el rea que encierran A, sin embargo, estas caractersticas no son tiles para
69
comparar diferentes curvas debido a que dos curvas pueden ser muy diferentes teniendo la
misma longitud y, por otro lado, encerrando la misma rea. Este aspecto es abordado con
mayor profundidad en 3.4.
3.4. Mtodos existentes de comparacin de curvas.

Como se ha visto, una curva plana queda descrita por las grficas que representan sus
propiedades a lo largo de su longitud. Por tanto, para comparar dos curvas planas ser
necesario basar esta comparacin en las diferencias que existen entre las propiedades que
describen ambas curvas. Sin embargo, estas propiedades de la curva tienen una evolucin
continua a lo largo de la misma, no existiendo ninguna relacin general para todas las curvas
entre una propiedad de la curva en un punto y la misma propiedad en otro punto de la curva (tal
relacin depender de la curva en cuestin y, por ende, de las ecuaciones paramtricas que la
definen).
El MCC ideal ser aquel que compare las curvas en sus infinitos puntos (comparacin
continua) y que, por tanto, considere cualquier mnima discrepancia en el trazado de las curvas
comparadas. Adems, si se desea que el mtodo sea independiente de la posicin,
orientacin, escala y posible simetra de las curvas, se tendrn que contemplar estos
requisitos. Consecuentemente, el mtodo ideal para comparar curvas destinado a resolver el
problema de sntesis dimensional de trayectoria continua ser aquel que, tras una reposicin,
una reorientacin, un reescalado y una posible simetra de las curvas de forma que el trazado
de ambas coincida lo ms posible, realice la comparacin en sus infinitos puntos.
En la prctica, cualquier mtodo que utilice infinitos puntos es inabordable y se han de
buscar alternativas para obtener mtodos viables. Existen al menos dos posibilidades para
solucionar este problema: una es considerar un nmero finito de puntos sobre las curvas a
comparar y basar la comparacin de dichas curvas en las diferencias existentes entre las
propiedades en los puntos seleccionados (comparacin discreta); la otra posibilidad es utilizar
mtodos integrales que tengan en cuenta (mediante integracin) las propiedades de las curvas
53
de forma continua (comparacin integral).
Es necesario hacer notar que, si se utiliza un mtodo integral, ste debe integrar las
diferencias entre ambas curvas, en lugar de diferenciar las integrales sobre cada una de ellas,
pues de lo contrario se incurre en un error. As, por ejemplo, si se utiliza la diferencia de reas
53
Ntese que en la realidad las dos posibilidades sern discretas ya que los mtodos integrales se resuelven numricamente
discretizando el dominio de integracin. Sin embargo, se realiza esta diferenciacin entre ambas posibilidades para indicar que
los mtodos aqu considerados discretos utilizan un nmero no solo finito sino pequeo de puntos para comparar las curvas;
mientras que los mtodos integrales, si bien utilizan tambin un nmero finito de puntos, este nmero es elevado y, en cualquier
caso, muy superior al de los primeros.
70
Captulo 3
(calculadas mediante un mtodo integral) encerradas por las curvas comparadas como
parmetro para evaluar las diferencias entre ambas curvas, el resultado no ser representativo
de sus diferencias morfolgicas ya que existen infinitas curvas planas cerradas diferentes que
encierran el mismo rea.
En el proceso de discretizacin de la comparacin de curvas (pasando de considerar
infinitos puntos de comparacin a un nmero finito (discreto) de puntos de comparacin)
aparece un nuevo requisito que no es aplicable a los mtodos de comparacin continua ni a los
mtodos integrales: El mtodo de comparacin discreta de curvas ideal debe ser
independiente del nmero de puntos empleado en la comparacin y, por tanto, su valor ser
igual al obtenido considerando infinitos puntos (mtodo de comparacin continua). En la
prctica, no ser posible encontrar mtodos de comparacin discreta ideales segn este
requisito y la comparacin de curvas no ser independiente del nmero de puntos considerado
en tal comparacin (no siendo un requisito exigible). Sin embargo, a medida que el nmero de
puntos considerado en la comparacin crezca, el mtodo deber tender a comportarse de la
misma forma en que lo hara el mtodo ideal (de comparacin continua) y, por lo tanto, el error
de comparacin devuelto por el primero deber tender al valor ideal obtenido al considerar
infinitos puntos cuando el nmero de puntos considerado crece. Este nuevo requisito realista,
derivado del anterior, puede expresarse de la siguiente forma: El error de comparacin
calculado por el mtodo discreto de comparacin de curvas debe tender a un cierto valor
numrico cuando el nmero de puntos considerado crece, lo que equivale a decir que cuando
se representa el error de comparacin frente al nmero de puntos considerado en la
comparacin, la grfica debe tener una asntota horizontal (de valor igual al devuelto por el
mtodo de comparacin continua), aproximndose tanto ms a ella cuanto mayor es el nmero
de puntos considerado.
Existe la posibilidad de que un mtodo discreto no tienda asintticamente a un
determinado valor cuando el nmero de puntos considerado crezca, sino que muestre otro tipo
de tendencia. En tal caso, puede evaluarse la calidad del mtodo teniendo en cuenta las
oscilaciones que su resultado presenta en torno a la lnea de tendencia cuando el nmero de
puntos considerado crece. Si el mtodo sufre grandes oscilaciones al variar el nmero de
puntos, no ser un mtodo estable y la comparacin depender en gran medida del nmero de
puntos considerado. Si, por el contrario, el resultado sigue una determinada tendencia sin
oscilaciones, ser mucho ms estable y mejor para ser utilizado como comparador de curvas.
Por otro lado, cuando el nmero de puntos decrezca el MCC arrojar resultados que
tendern a no parecerse al error de comparacin ideal. Para cada mtodo puede haber un
umbral en el nmero de puntos considerado por encima del cual el error de comparacin
devuelto por el mtodo sea suficientemente estable (es decir, sin oscilaciones) cuando se
comparan curvas dentro de las pertenecientes a una determinada familia (por ejemplo, la
familia de los tipos de curvas diferentes que puede generar un mecanismo determinado). Es
71
posible estimar este valor umbral de estabilidad para cada familia de curvas por medio de las
pruebas pertinentes.
El umbral de estabilidad est asociado a (y, por tanto, depende de) un MCC, a una
determinada familia de curvas sobre la que se aplica el mtodo y a un determinado nivel de
confianza (que representa el margen de error permitido entre el valor obtenido por el mtodo y
el valor real de la comparacin). El hecho de que un MCC tenga un umbral de puntos bajo
supone que el mtodo necesita pocos puntos para estimar de forma estable (en el sentido de
independiente del nmero de puntos) la similitud o diferencia entre dos curvas de la familia de
curvas considerada. Consecuentemente, cuanto menor sea el umbral de puntos, el mtodo
antes alcanzar la estabilidad necesaria para comparar las curvas de forma independiente del
nmero de puntos considerado. Es posible, por tanto, utilizar este umbral de puntos para
comparar la estabilidad (o calidad) de los diferentes mtodos, probndolos sobre una
determinada familia de curvas y observando la evolucin del error de comparacin devuelto a
medida que el nmero de puntos considerado aumenta.
A continuacin se explican y analizan las propuestas metodolgicas ms interesantes

realizadas hasta el momento para la comparacin de curvas cerradas planas.
3.4.1. Mtodo de mnimos cuadrados optimizando posicin y orientacin, o

mtodo LSOP (Least Squares Optimizing Position).
Este mtodo, presentado por Watanabe en 1992 (Watanabe, 1992), est basado en la
suma de distancias al cuadrado pero, previamente a la obtencin de las distancias, realiza
varias operaciones para independizar los resultados de la posicin, orientacin y escala de las
curvas.
El algoritmo de clculo de este mtodo sigue la siguiente secuencia de acciones:
Primero. Obtencin de puntos de las curvas.

Se obtienen n puntos de ambas curvas distribuyndolos uniformemente a lo largo de
las longitudes de las mismas. De esta forma se evita que los puntos obtenidos dependan de la
evolucin del parmetro dentro de las curvas.
72
Captulo 3
Segundo. Reescalado de las curvas.

Se realiza un reescalado de los puntos obtenidos de la curva propuesta de forma que el
tamao de dicha curva coincida lo ms posible con el tamao de la curva requerida. Para
obtener el factor de homotecia que se aplica a estos puntos se utilizan las longitudes de las
curvas de forma que, tras la homotecia, la curva propuesta tenga igual longitud que es una
medida del tamao de la misma que la curva requerida. En definitiva, lo que se hace es
multiplicar las coordenadas x e y de cada punto obtenido de la curva propuesta por la relacin
Lreq/Lprop, siendo Lreq y Lprop las longitudes de las curvas requerida y propuesta, respectivamente.
El hecho de que la homotecia as realizada tenga su centro en el origen de coordenadas (con
el consecuente cambio de posicin que acompaa al cambio de tamao), en realidad no afecta
a los resultados pues las siguientes operaciones se encargarn de reposicionar y reorientar la
curva propuesta.
Llegados a este punto, se tienen dos series de n puntos (xri, yri) y (xpi, ypi)
pertenecientes a dos curvas requerida y propuesta, respectivamente que tienen la misma
longitud.
54
Tercero. Identificacin de puntos homlogos .

Con el fin de que el resultado sea lo ms independiente posible del origen de la
parametrizacin de las curvas, se ha de identificar cada pareja de puntos homlogos (es decir,
se ha de determinar qu punto de la curva propuesta corresponde al primer punto de la curva
requerida teniendo en cuenta la forma de las curvas). Existen n posibilidades, ya que el primer
punto de la curva requerida puede ser homlogo de cada uno de los n puntos de la curva
propuesta. Para realizar esta identificacin, Watanabe propone buscar la mejor concordancia
de curvaturas de ambas curvas en los puntos seleccionados, es decir, expresndolo de forma
algortmica, propone recorrer todas las posibilidades (variando m desde 0 hasta n-1) y obtener
el valor de m que minimice la expresin
n 1
r p
i
i+m
(3.7)
i =0
siendo ri y pi las curvaturas de las curvas requerida y propuesta en el punto i-simo,

respectivamente, y teniendo en consideracin que i+m es igual a i+m-n cuando i+m n es
decir, que la numeracin de puntos es peridica y cuando se llega al ltimo punto, el siguiente
en la numeracin vuelve a ser el primero.
73
Una vez encontrado el valor de m que indica el emparejamiento ideal entre puntos homlogos,
se pueden numerar de nuevo los puntos de la curva propuesta de forma que el primer punto de
la curva requerida tenga como homlogo el primer punto de la curva propuesta. En adelante se
considera que se ha efectuado esta renumeracin y as, que el punto i-simo de la curva
propuesta es homlogo del punto i-simo de la curva requerida.
Cuarto. Reposicionamiento y reorientacin.

Realiza un reposicionamiento y una reorientacin de los puntos de la curva propuesta
para que coincidan los ms exactamente posible con los puntos de la curva requerida. En la
reorientacin, se giran los puntos de la curva propuesta un ngulo con centro el origen de
coordenadas y en el reposicionamiento se desplazan los puntos una vez girados segn un
vector de coordenadas (x0, y0). De esta forma, tras estas transformaciones geomtricas, las
coordenadas de los puntos de la curva propuesta sern (xpi*, ypi*) y vendrn dadas por las
expresiones:
xpi* = xo + xpi cos ypi sen
ypi = y o + xpi sen + ypi cos
(3.8)
Entonces, tras esta transformacin geomtrica, la suma de distancias al cuadrado ser:

S=
(xr xp ) + (yr yp )
n 1
* 2
i
* 2
i
(3.9)
i =0
y, sustituyendo (3.8) en (3.9) se llega a:

S=
[(xr (x
n 1
i =0
+ xpi cos ypi sen )) +

2
(yri (y 0 + xpi sen + ypi cos ))2 ]
(3.10)
Se trata, pues, de minimizar el valor de S variando los valores de x0, y0 y con el fin de
lograr que la suma de distancias entre puntos homlogos al cuadrado sea mnima y, por tanto
que las dos curvas se superpongan con la mayor coincidencia posible. Igualando a cero las
derivadas parciales de la ecuacin (3.10) con respecto a estas tres variables se llega a un
sistema de tres ecuaciones no lineales con estos tres valores como incgnitas. El sistema est
Si se seleccionan n puntos de una curva R, llamndolos R0 hasta Rn-1, y en la otra curva P se obtienen otros n puntos,
llamndolos P0, P1, ..., Pn-1; se dice que el punto P0 en la segunda curva es homlogo del punto R0 de la primera curva, y lo
mismo ocurre con los puntos P1 y R1, P2 y R2, etc.
54
74
Captulo 3
lo suficientemente desacoplado (en realidad slo una de las tres ecuaciones es no lineal) y se
puede resolver de forma explcita obteniendo que la funcin S (expresada en (3.10)) es mnima
cuando:
p p p p +p p
1 4
6
8
= arctan 2 3
p p +p p p p
2 4
5
7
1 3
x 0 = p1 p 3 cos + p 4 sen
y 0 = p 2 p 3 sen p 4 cos
(3.11)
siendo,
p1 =
n 1
xri
p2 =
n
xri xpi
i =0
p5 =
i =0
n 1
p6 =
n 1
yri
p3 =
i =0
n 1
n
xri ypi
i =0
p7 =
n 1
ypi
p4 =
i =0
n 1
n
yri ypi
i =0
p8 =
n 1
ypi
i =0
n 1
n
xri xpi
i =0
(3.12)
Quinto. Clculo del error de comparacin.

Finalmente, tras la transformacin con esos valores de , xo, yo, Watanabe estima el
error de comparacin entre ambas curvas que cuantifica su diferencia como el mximo
valor de las n distancias entre puntos homlogos de las curvas.
Con el fin de poder realiza un primer anlisis de este mtodo en lo que a cumplimiento
de los requisitos (expuestos en 3.2) se refiere, se realiza una evaluacin del mismo tal como
sus autores lo expusieron (vase resumen en tabla 3.2).
El mtodo cumple la mayora de requisitos. Sin embargo, el algoritmo LSOP, tal como
est planteado, no es independiente de las simetras pues los puntos obtenidos de dos curvas
iguales pero simtricas estarn dispuestos de maneras muy diferentes que, al ser
superpuestos mediante reposicin y reorientacin, arrojan un error de comparacin distinto de
cero.
Por otro lado, el paso tercero (identificacin de puntos homlogos) pretende
independizar los polgonos obtenidos del origen de la parametrizacin de las curvas (buscando
qu punto de los obtenidos en la curva propuesta es el homlogo del primer punto obtenido en
la curva requerida). Sin embargo el proceso realiza equivalencias entre puntos de forma
discreta, por lo que solo se conseguir una independencia aproximada, incrementndose esta
independencia a medida que se afina la discretizacin, esto es, a medida que se incrementa el
nmero de puntos considerados.
75
En cuanto al requisito de conmutabilidad, no se puede asegurar a priori cual ser el

comportamiento de este mtodo y ser necesario realizar los ensayos oportunos.
Requisito
Identificacin
Progresividad
Conmutabilidad
Independencia de posicin
Independencia de orientacin
Independencia de tamao
Independencia de simetras
Indep. de origen
Independencia
Indep. de evolucin
de
parametrizacin
Indep. de sentido de avance
Mtodo LSOP
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
No cumple
No cumple
Cumple
No cumple
Tabla 3.2. Cumplimiento de requisitos por parte del mtodo LSOP.
Por su parte, este mtodo propuesto por Watanabe no tiene en cuenta en ningn
momento que la parametrizacin de la curva puede ir en un sentido o en el otro, calculando
errores de comparacin diferentes en ambos casos.
En ltimo lugar, la progresividad del mtodo cuando es utilizado para comparar curvas
propuestas que se van pareciendo progresivamente menos a la curva requerida no puede
asegurarse ni desmentirse a priori. Es necesario realizar ensayos para comprobar el
comportamiento del mtodo frente a cambios progresivos de las curvas.
3.4.2. Mtodo minimizando el error perpendicular o mtodo MPE (Minimizing

the Perpendicular Error).
Este mtodo, presentado tambin por Watanabe (Watanabe, 1992), es muy similar al
anterior, pero se diferencia de aquel en cmo se reposiciona y se reorienta la curva propuesta
antes de ser comparada con la curva requerida. El algoritmo realiza los mismos tres primeros
pasos que el mtodo anterior y continua como sigue:
76
Captulo 3
Cuarto. Reposicionamiento y reorientacin.

Realiza un reposicionamento y una reorientacin de los puntos de la curva propuesta
55
con el objetivo de minimizar la suma de los cuadrados de los errores perpendiculares entre
las curvas requerida y propuesta (vase figura 3.6). En la reorientacin, se giran los puntos de
la curva propuesta un ngulo con centro el origen de coordenadas y en el reposicionamiento
se desplazan los puntos una vez girados segn un vector de coordenadas (x0, y0). De esta
forma, tras estas transformaciones geomtricas, las coordenadas de los puntos de la curva
propuesta sern (xpi*, ypi*) y vendrn dadas por las expresiones:
xpi* = xo + xpi cos ypi sen
ypi* = y o + xpi sen + ypi cos
(3.13)
Tal y como se observa en la figura 3.6, la suma de errores perpendiculares al cuadrado

responde a la expresin:
S=
n 1
i =0
2 =
pi
((xr xp ) sen r (yr yp ) cos r )

n 1
*
i
*
i
(3.14)
i =0
la cual tendr que ser minimizada variando xo, yo y para que las dos curvas estn
superpuestas lo ms perfectamente posible segn este criterio. Como en el mtodo anterior,
tomando derivadas parciales de la expresin anterior se llega a un sistema de tres ecuaciones
(una de ellas no lineal) con tres incgnitas. En este caso el sistema no se puede resolver de
forma explcita, pero despejando xo e yo de las dos ecuaciones lineales y sustituyendo en la
tercera, el sistema se queda en una nica ecuacin no lineal que puede ser resuelta
eficientemente utilizando un mtodo numrico para obtener el valor de .
55
Distancia entre un punto seleccionado de la curva propuesta y la recta tangente a la curva requerida en el punto homlogo.
77
Figura 3.6. Distancia perpendicular entre dos puntos de dos curvas planas.
Quinto. Clculo del error de comparacin.

En este caso, Watanabe cuantifica el error de comparacin entre ambas curvas como
el mximo de los errores perpendicular de todos los puntos (pi, i = 0, 1, ..., n-1) tras la
transformacin de coordenadas descrita en el paso cuarto.
Requisito
Identificacin
Progresividad
Conmutabilidad
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Mtodo MPE
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
No cumple
No cumple
Cumple
No cumple
Tabla 3.3. Cumplimiento de requisitos por parte del mtodo LSOP.
78
Captulo 3
Este mtodo, muy similar al mtodo anterior (LSOP), tiene una misma evaluacin del
cumplimiento de los requisitos expuestos en 3.2 que aquel ya que solamente se diferencia en
la forma de superponer las curvas comparadas y en la estimacin del error. No se puede
asegurar a priori que el mtodo cumple el requisito de conmutabilidad, ya que la suma de
distancias de cada uno de los puntos de la curva propuesta a la tangente en el punto homlogo
de la curva requerida no ser, en general, la misma si se invierten los papeles de las curvas.
Esto deber ser comprobado con los ensayos oportunos. De esta forma, el resumen de
cumplimiento de requisitos aplicable a este mtodo se muestra en la tabla 3.3.
3.4.3. Mtodo de conversin en B-Spline o mtodo BSC (B-Spline

Conversion).
V. Unruh y P. Krishnaswami introdujeron en 1995 (Unruh y Krishnaswami, 1995) un
innovador mtodo para comparar dos curvas planas cerradas. El mtodo est basado en que,
dada una curva cerrada plana y dado un nmero de puntos n (adecuado segn la forma de la
curva), es posible obtener el polgono de control con n puntos de forma que la B-Spline
asociada a tal polgono de control coincida (con un elevado nivel de precisin) con la curva
inicial en todos sus puntos. Es decir, el mtodo est basado en la obtencin del polgono de
control de una curva cualquiera considerada sta como una B-Spline. Este proceso de
obtencin del polgono de control asociado a una curva ser llamado en lo sucesivo conversin
de una curva en una B-Spline.
De esta forma, puesto que la B-Spline asociada a un determinado polgono de control
es nica y dado que cualquier pequea variacin del polgono de control supone una variacin
en la forma de la B-Spline, se puede concluir que dicho polgono de control es un buen
representante discreto puesto que su nmero de magnitudes es finito de la forma de la
curva en toda su extensin esto es, considerando sus infinitos puntos. La idea, as
expresada, resulta interesante pues da solucin a un problema difcil, que es el de obtener
caractersticas finitas que sean representativas de un conjunto infinito de puntos para luego
poder utilizar dichas caractersticas en la comparacin de esta curva con otra.
Partiendo de esto, cuando se desea comparar dos curvas cerradas planas
cualesquiera, este mtodo propone convertir las curvas en B-Splines y, de esta forma, obtener
los polgonos de control de cada una de las curvas. En tanto en cuanto la forma y disposicin
de cada polgono de control representa la forma de la curva de la que se ha obtenido, la
comparacin entre la forma de los polgonos ser un buen indicador de la comparacin entre
las formas de las curvas.
En detalle, el algoritmo para cuantificar la similitud o diferencia de dos curvas cerradas
planas propuesto por este mtodo consta de los siguientes pasos:
79
Primero. Obtencin del polgono de control asociado a cada una de las curvas.
Teniendo en cuenta la formulacin de definicin de curvas B-Splines cerradas que
puede encontrarse en B.2, el procedimiento para obtener el polgono de control asociado a
una curva plana cualquiera es enfocado por Unruh y Krishnaswami como un problema de
optimizacin. Partiendo de la curva original, se puede obtener una primera estimacin del
polgono de control de la B-Spline que se desea sea igual a dicha curva original. De este primer
polgono de control se genera la B-Spline y luego se construye una funcin objetivo que calcule
matemticamente la diferencia entre ambas curvas. Un algoritmo de optimizacin puede
minimizar esta funcin objetivo modificando las coordenadas del polgono de control hasta
lograr que la curva original y la B-Spline se parezcan lo ms posible. Una vez se ha llegado al
mnimo, el polgono de control obtenido (es decir, el ptimo) generar una B-Spline lo ms
parecida posible a la curva original y la conversin habr finalizado, habindose obtenido el
polgono de control asociado a la curva original.
As pues, es necesario construir una funcin objetivo que mida las diferencias entre la
curva original y la B-Spline generada, cuya optimizacin conducir a la obtencin del polgono
de control asociado a la curva original. Unruh y Krishnaswami propusieron seleccionar m
puntos de ambas curvas para luego basar la funcin objetivo en la diferencia entre ellas por
suma de distancias al cuadrado de los puntos seleccionados. El algoritmo de optimizacin
iterar modificando la posicin de los puntos del polgono de control de la B-Spline hasta que
los m puntos de las dos curvas coincidan lo ms posible. La curva original viene expresada por
sus ecuaciones paramtricas
x (u )
P (u ) = P
y P (u )
u [u 0 , u f [
(3.15)
que dependen del parmetro u. Los autores seleccionan m puntos de esta curva
distribuyndolos uniformemente dentro del intervalo en el que vara el parmetro, es decir,
dando m valores al parmetro u y utilizando las ecuaciones paramtricas para obtener los m
puntos correspondientes:
u j = u0 +
u f u0
j = 0, 1, ..., m-1
(3.16)
m
De esta forma, los puntos obtenidos de la curva original son

x Pj x P (u j )
Pj = =
y Pj y P (u j )
j = 0, 1, ..., m-1
(3.17)
80
Captulo 3
56
De una forma similar se obtienen los m puntos de la B-Spline , es decir, distribuyendo

los puntos uniformemente en del intervalo [to, tf[ dentro del cual vara el parmetro t de la BSpline.
t j = t0 +
t f t0
j = 0, 1, ..., m-1
(3.18)
m
Y as, los puntos obtenidos de la B-Spline son:

x Bj x B (t j , xQ )

PBj = =
y Bj y B (t j , y Q )

j = 0, 1, ..., m-1
(3.19)
donde xQ es un vector de n filas que contiene las coordenadas x de los n puntos del polgono

de control e yQ es el vector de coordenadas y de los mismos.

Una vez obtenidos los m puntos en ambas curvas, la funcin que represente la
diferencia entre ambas funcin objetivo en la conversin de la curva en B-Spline se basar
en la suma de distancias al cuadrado:
F=
[( x
m 1
Pj
x B j ) 2 + ( y Pj y B j ) 2
j =0
(3.20)
o, lo que es lo mismo,
F=
[(x
m 1
Pj
)2 (
x B (t j , xQ ) + y Pj y B (t j , yQ )
j =0
)2 ]
(3.21)
En virtud de las ecuaciones (3.17) y (3.19), la ecuacin (3.20) depende, en ltima instancia

de los valores de uj, tj, xQ e y Q . Sin embargo, la curva original no vara durante el proceso de
optimizacin y, por tanto, los valores uj (j = 0, 1, ..., m-1) tampoco variarn. Por su parte, se
pretende que la forma de la B-Spline vare hasta llegar a ser lo ms similar posible a la forma
de la curva original, para lo cual ser necesario variar las coordenadas de los puntos de su

polgono de control, representadas en la ecuacin (3.21) por los vectores xQ e y Q (para estas
coordenadas ser necesario realizar una primera estimacin a partir de la cual pueda
56 Se ha de tener en cuenta que una curva B-Spline es una curva definida paramtricamente como se muestra en B.2 de forma
que cada punto de ella depende exclusivamente del valor del parmetro y de la posicin de los puntos del polgono de control a
partir del cual se genera.
81
57
comenzar a iterar el algoritmo de optimizacin ). Pero adems de variar la forma de la curva,

se ha de permitir durante la optimizacin que la posicin de los m puntos seleccionados sobre
la B-Spline se mueva dentro de sta hasta que cada punto se site lo ms cerca posible de su
punto homlogo sobre la curva original (minimizando la distancia hasta l) ya que, en general,
las parametrizaciones de las curvas original y B-Spline sern diferentes. Por lo tanto, los
valores tj (j = 0, 1, ..., m-1) tambin sern variables a optimizar es decir, sern modificadas en
cada iteracin por el algoritmo de optimizacin utilizado y as se ha expresado en la ecuacin
(3.21). Consecuentemente, los valores de tj obtenidos mediante la ecuacin (3.18) no son valores
definitivos, sino que constituyen solamente la primera estimacin de estas variables para el
proceso de optimizacin.
As pues, el nmero de variables del proceso de optimizacin ser 2n+m (n

coordenadas por cada vector xQ e y Q y los m valores tj). Unruh y Krishnaswami proponen
considerar m=100 puntos para comparar la curva original y la B-Spline durante la optimizacin y
utilizar polgonos de control de n=10 puntos para reproducir curvas del tipo que generan los
mecanismos de cuatro barras (ya que este nmero debe variar en funcin de la forma y
complejidad de la curva). Estas cifras hacen un total de 120 variables en el problema de
optimizacin, lo cual parece a primera vista excesivo. Sin embargo, si se obtiene una buena
primera estimacin de los puntos y se utiliza un mtodo iterativo de optimizacin basado en el
gradiente (disponiendo explcitamente de las primeras derivadas de la funcin de optimizacin
con respecto a las variables de diseo), la convergencia ser, en general, rpida teniendo en
cuenta la potencia de clculo de los ordenadores actuales.
Como se ha comentado, la ecuacin (3.18) ya ha proporcionado la primera estimacin
de los m valores del parmetro t de la B-Spline (que han sido distribuidos uniformemente dentro
del intervalo de variacin de dicho parmetro). Por lo tanto, solo resta estimar la posicin de los
n puntos del polgono de control. Para hacerlo, los autores proponen expandir n de los m puntos
Pj (j = 0, 1, ..., m-1) de la curva original obtenidos anteriormente (ecuacin (3.17)) en la direccin
del y proporcionalmente al radio de curvatura de dicha curva en ese punto. Es decir,
58
considerando el vector aplicado en el centro de curvatura Cj de la curva original en un punto
57 La primera estimacin es necesaria pues Unruh y Krishnaswami utilizaron el mtodo de optimizacin Fletcher-Reeves, el cual
est basado en el gradiente y necesita un punto de partida.
58
Las expresiones que permiten obtener la posicin del centro de curvatura de una curva paramtrica en un punto de la misma
son las siguientes:
2
2
dx (t ) dy (t )
dy (t )
dt dt
2
xC (t ) = x (t ) +
2
dt d x (t ) dy (t ) d y (t ) dx (t )
2
dt
dt 2
dt
dt
82
Captulo 3
Pj y que llega hasta ese mismo punto, se puede conseguir el punto del polgono de control
multiplicando dicho vector por un cierto factor. Segn los autores, tras varios experimentos, un
factor igual a 1.1 ha proporcionado muy buenos resultados. En la figura 3.7 se muestra el
procedimiento para obtener la primera estimacin de un polgono de control de 5 puntos.
Partiendo de la curva original se seleccionan 5 puntos distribuyndolos uniformemente dentro
del intervalo de su parmetro (puntos P0 a P4). A continuacin se calcula la posicin del centro
de curvatura de la curva en esos puntos, logrndose los puntos C0 a C4. Los radios de
curvatura 0 a 4 unirn los centros de curvatura con los puntos sobre la curva original. Si se
expanden los radios de curvatura multiplicando su mdulo por 1.1 se llegan a obtener los
puntos Q0 a Q4 que formarn la primera estimacin del polgono de control. A partir de ste se
puede representar la B-Spline en primera estimacin.
Figura 3.7. Obtencin de la primera estimacin del polgono de control.
2
2
dx (t ) dy (t )
dx (t )
dt dt
2
y C (t ) = y (t )
2
dt d x (t ) dy (t ) d y (t ) dx (t )
2
dt
dt 2
dt
dt
83
Matemticamente, el procedimiento anterior es descrito como sigue. De entre los m los

puntos de la curva original, los n seleccionados (marcados con *) para, tras la expansin,
proporcionar la primera estimacin de los puntos del polgono de control seran:
x*

Pi* = Pi = Pim
*
n
y Pi

i = 0, 1, ..., n-1
(3.22)
Sin embargo, evaluando las funciones de forma (vase B.1 y B.2) y su influencia
sobre los puntos de la curva, los autores observaron que el punto de la B-Spline
correspondiente a t=t0 es el ms cercano al segundo punto de polgono de control cuando el
grado de la B-Spline (k) es 3 (y su orden es 4, que son los valores elegidos por Unruh y
Krishnaswami para curvas del acoplador de mecanismos de cuatro barras). Teniendo todo esto
en cuenta, la expresin anterior proporciona una parametrizacin errnea ya que una vez
obtenida la primera estimacin de los puntos del polgono de control, el punto de la B-Spline
correspondiente a t=t0 no estar lo ms cerca posible del punto de la curva original
correspondiente a u=u0. Para solucionar esta falta de coincidencia de las parametrizaciones de
ambas curvas la original y la B-Spline, se puede desplazar el orden de los puntos de la
curva original a partir de los cuales se obtendr la primera estimacin de los puntos del
polgono de control de la B-Spline, quedando:
x*

Pi* = Pi = P(i 1)m
n
y*
Pi
i = 0, 1, ..., n-1
(3.23)
donde se debe considerar que la numeracin de los puntos Pj es peridica, es decir, que si j < 0
entonces Pj = Pj+m. De esta forma se asegura que el punto inicial de la primera estimacin de la
B-Spline (correspondiente a t=t0) est lo ms cerca posible del punto inicial de la curva original
(correspondiente a u=u0) y, con ello, se asegura la proximidad entre los puntos de comparacin
de ambas curvas.
Finalmente, si llamamos (xCj, yCj) a las coordenadas del centro de curvatura de la curva
original en el punto Pi*, la primera estimacin (indicada mediante el superndice 0) de los puntos
del polgono de control podr obtenerse mediante la ecuacin:
x * xCi

xQi xCi
0
PQi = = + 1.1 Pi
y * yCi
y Qi yCi
Pi
i = 0, 1, ..., n-1
(3.24)
Una vez obtenidas las primeras estimaciones de las variables de optimizacin del
problema consistente en obtener el polgono de control de una B-Spline igual en todos sus
puntos a una curva original dada, se puede utilizar un algoritmo de minimizacin aplicado a la
84
Captulo 3
ecuacin (3.21) para encontrar la mejor solucin. Sin embargo, pese a que la primera estimacin
es lo suficientemente buena para asegurar una rpida convergencia, el problema sigue siendo
considerablemente costoso en trminos computacionales debido al gran nmero de variables
de optimizacin, por lo que se hace ms que recomendable el uso de un algoritmo de
optimizacin eficiente que utilice el gradiente de la funcin objetivo, si ste es evaluable. Por
ello, habr que proporcionar a dicho algoritmo las derivadas parciales de la funcin objetivo con
respecto a todas las variables de diseo. Puesto que existen tres tipos de variables de diseo
(tj, xQi e yQi), habr tres tipos diferentes de funciones derivadas parciales. Estas derivadas no
son complicadas de obtener y a partir de la ecuacin (3.21) se obtienen las siguientes
expresiones:
x

= 2 x Pj x B (t j , xQ ) B (t j , xQ ) + 2 y Pj y B (t j , yQ )
t
t j
F
xQi
F
y Qi
m 1
=
2 x Pj x B (t j , xQ )
j =0
m 1
(3.25)

x B (t , x )
j
Q
xQi
(3.26)

y B (t , y )
j
Q
y Qi
(3.27)
=
2 y Pj y B (t j , y Q )
j =0

] y B (t j , yQ )
donde las diferentes derivadas de las funciones coordenadas de un punto de la B-Spline

(x B (t , xQ ), y B (t , yQ ) ) se muestran en B.3.
Tras desarrollar toda la formulacin correspondiente al problema de optimizacin,

Unruh y Krishnaswami utilizaron el algoritmo estndar de Fletcher y Reeves para minimizar la
funcin objetivo.
Segundo. Comparacin de los polgonos de control obtenidos.

Una vez determinados los polgonos de control de las curvas que se deseaban
comparar inicialmente, stos representan la forma de sus curvas respectivas, por lo que
comparando los polgonos se obtendr un indicador de la similitud o diferencia entre las curvas.
As pues, es necesario idear un mtodo para comparar los polgonos de control. Unruh y
Krishnaswami concentraron sus esfuerzos en obtener magnitudes escalares que caracterizaran
los polgonos.
Lo primero que hicieron fue escalar los polgonos de forma que su tamao fuera el
mismo. Como ratio de escala seleccionaron el permetro de los polgonos de tal forma que tras
85
la operacin de escalado los polgonos tendran el mismo permetro tras esta operacin inicial
de escalado.
Una vez que los polgonos tienen bsicamente el mismo tamao, stos han de ser
distinguidos por su forma. Los autores seleccionaron cuidadosamente aquellas caractersticas
escalares que no se vean afectadas por la orientacin de los polgonos. Elaboraron la
siguiente lista con el fin de utilizarla en la comparacin de los polgonos:
Ratio rea/permetro.
ngulo interior mayor.
ngulo interior menor.
Longitud del lado ms largo.
Longitud del lado ms corto.
Ratio de aspecto del menor rectngulo que encierra el polgono.
Mnima distancia al centroide.
Mxima distancia al centroide.
Distancia total al centroide.
Finalmente, elaboraron algoritmos rpidos y precisos para evaluar cada una de las
magnitudes escalares anteriores y utilizaron todas ellas con el fin de obtener una comparacin
precisa.
En lo relativo al cumplimiento de los requisitos (vase 3.2), este mtodo cumple la

mayora de los requisitos (tales como el de identificacin, independencia de posicin,
orientacin y tamao). Sin embargo, cuando se obtienen los puntos de las curvas que servirn
como base para obtener la primera estimacin de los puntos de los polgonos de control, stos
son repartidos uniformemente dentro del intervalo de variacin de sus respectivos parmetros,
con lo que la solucin se hace dependiente de la evolucin del parmetro dentro de la curva.
Por esto, a priori no se cumplir el requisito de conmutabilidad, sin embargo su cumplimiento
deber ser verificado mediante los ensayos oportunos.
Adems, los autores no llevan a cabo ninguna accin con el fin de independizar
anteriores del origen de la parametrizacin, por lo que existir dependencia. Tampoco se ha
tenido en cuenta en ningn momento una posible diferencia en el sentido de avance de las
curvas comparadas, incumpliendo este requisito.
86
Captulo 3
Finalmente, el algoritmo tampoco contempla el hecho de que se pueden estar

comparando curvas iguales pero dispuestas de una forma simtrica. Por tanto, el resultado
calculado para tal caso no indica igualdad, incumpliendo el requisito de independencia de
simetras.
En resumen, el cumplimiento de los resultados por parte de este mtodo puede
observarse en la tabla 3.4.
Requisito
Identificacin
Progresividad
Conmutabilidad
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Mtodo BSC
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
No cumple
No cumple
No cumple
No cumple
Tabla 3.4. Cumplimiento de requisitos por parte del mtodo BSC.
3.5. Propuesta de nuevos mtodos de comparacin de curvas.

Tras observar los mtodos existentes para comparar curvas anteriormente descritos, se
han ideado nuevos mtodos con el fin de que se adapten lo ms posible a los requisitos
expuestos en 3.2 y que, al mismo tiempo, realicen una comparacin discreta (lo cual est
relacionado con la economa de computacin), es decir, que con pocos y sencillos clculos
sean capaces de cuantificar la similitud o diferencia entre dos curvas de forma suficientemente
realista.
As pues, se ha puesto especial inters en idear mtodos cuyos resultados sean
independientes de la posicin, orientacin y tamao de las curvas; independientes de la
parametrizacin de las mismas (en cuanto a origen, evolucin y sentido de avance se refiere) e
independientes de posibles simetras. De la misma forma, se ha intentado que los mtodos
tengan un comportamiento progresivo adecuado y, sobre todo, que sean computacionalmente
poco costosos.
Finalmente, en base a las sugerencias de Thompson (Thompson, 1975) y de Akali y
Dittrich (Akali y Dittrich, 1989b), se ha desarrollado un mtodo integral ideal para comparar
curvas.
87
3.5.1. Mtodo de las diferencias poligonales o mtodo PD (Polygon

Differences).
Una forma de comparar dos curvas es obtener varios puntos de cada una de ellas,
unirlos formando un polgono en adelante denominado polgono caracterstico y realizar la
comparacin en base a la forma de los polgonos obtenidos. En tanto en cuanto la forma del
polgono se haga dependiente de la forma de la curva, dicho polgono ser tanto ms
representativo de la forma de sta.
Los pasos que este mtodo debe realizar para comparar de forma cuantitativa dos
curvas planas y cerradas se exponen a continuacin:
Primero. Seleccin del nmero de puntos del polgono caracterstico.

Se ha de decidir el nmero de puntos n del polgono caracterstico. La dependencia de
la comparacin de las curvas respecto de este nmero de puntos elegido no se conoce a priori
y ser objeto de estudio ms adelante.
Segundo. Extraccin del polgono caracterstico de cada una de las curvas.

Determinado el nmero de puntos n del polgono caracterstico, uno de los problemas a
solucionar es el hecho de que de una misma curva se pueden extraer infinitos polgonos
caractersticos de n puntos. Por lo que, para un adecuado cumplimiento de los requisitos, ser
necesario establecer un modo de seleccionar los puntos que sea nico e inequvoco para una
misma curva. La primera medida que se toma en este sentido consiste en distribuir
uniformemente los puntos dentro de la longitud de la curva, de esta forma se logra
independizar la posicin de los puntos de la evolucin de la parametrizacin de la curva.
Una vez realizada la distribucin uniforme de los puntos a lo largo de la longitud de la
curva, se presenta el problema de en qu posicin colocar el primer punto. Tras la colocacin
del primer punto, puesto que la curva es cerrada, el resto se colocarn a partir de ste en
intervalos iguales de longitud medida sobre la curva. Existen, pues, infinitas posiciones para el
primer punto, siendo necesario determinar una posicin sobre la curva que sea nica para la
misma, independientemente del origen de su parametrizacin, posicin, escala, etc. La
localizacin de la posicin de este primer punto puede realizarse en base a los extremos
mximo o mnimo de las propiedades intrnsecas de la curva (que no dependen de la
parametrizacin de la misma), tales como ngulo de la tangente, curvatura o radio de
curvatura. Debido a que el ngulo de la tangente depende de la orientacin de la curva y,
adems es una magnitud peridica, se ha seleccionado para situar el primer punto del polgono
88
Captulo 3
caracterstico (y, a partir de ste, obtener el resto) la posicin correspondiente al radio de

curvatura mnimo. La obtencin de este punto el de radio de curvatura mnimo es un
pequeo problema de optimizacin, de formulacin muy sencilla y computacionalmente poco
costoso, por lo que su obtencin resulta sencilla.
Ntese que, si bien el radio de curvatura es una propiedad puntual de la curva que
depende de la escala es decir, del tamao de la misma, esta dependencia es lineal y, por
tanto, el mnimo y su posicin no dependen de dicha escala. Por otro lado, existe la posibilidad
de que haya ms de un punto en la curva con el radio de curvatura mnimo. Sin embargo la
probabilidad de que esto ocurra es pequea se suele dar en curva simtricas casi
exclusivamente y se puede solucionar probando los diferentes puntos de mnimo radio de
curvatura como orgenes de los puntos del polgono de control.
Tercero, comparacin de los polgonos caractersticos.

La comparacin de los polgonos puede realizarse de muchas formas diferentes,
siendo la propuesta por Unruh y Krishnaswami expuesta dentro del mtodo e) una de
ellas. Sin embargo, se ha intentado buscar una forma mucho ms sistemtica
metodolgicamente hablando de realizar tal comparacin observando las caractersticas
locales de los polgonos y realizando la comparacin en base a stas. Dos caractersticas
locales de los polgonos son: la longitud de un segmento y el ngulo que un segmento forma
con el anterior. La primera de ellas es independiente de la posicin y orientacin de la curva
(que condiciona las del polgono) mientras que es dependiente de la escala de la misma. Por
su parte, el ngulo entre segmentos concurrentes es independiente de la posicin, orientacin
y escala de las curvas.
En la figura 3.8 se muestra un ejemplo de polgono caracterstico de 5 vrtices
correspondiente a una curva cerrada. En ella se observa cmo el vrtice 0 est situado en la
posicin de la curva donde el radio de curvatura es mnimo. A partir de este vrtice se han
distribuido los otros 4 a intervalos iguales de longitud de curva. Llamando a cada segmento con
el nmero del vrtice del cual parte, a cada vrtice le corresponde una longitud y un ngulo, la
longitud del segmento del mismo nombre y el ngulo que forma el segmento que sale del
vrtice con respecto al que llega al vrtice.
Buscando relaciones entre estas magnitudes que sean independientes de posicin
orientacin y escala para comparar dos polgonos, los ngulos se pueden comparar
directamente ya que por s mismos ya son independientes, sin embargo las longitudes no son
independientes de la escala de los polgonos. Un cociente entre longitudes de segmentos s
sera independiente de la escala de los polgonos. As se puede dividir la longitud de cada
segmento entre la longitud del segmento mayor (normalizando el polgono), entre la longitud de
la curva inicial, etc. En este caso se ha seleccionado como ratio de longitudes el cociente entre
89
la longitud del segmento que sale de un vrtice dividido por la longitud del segmento que llega
al mismo vrtice. Esta propiedad lo es de cada vrtice y puede calcularse fcilmente.
Figura 3.8. Polgono caracterstico de una curva y sus propiedades locales.
Una vez obtenidas estas dos magnitudes que describen la forma del polgono y que
estn asociadas a cada vrtice, se puede realizar la comparacin de stas vrtice a vrtice
entre los dos polgonos. Para realizar tal comparacin, se recurre a la suma de diferencias de
tales magnitudes al cuadrado. El resultado ha sido normalizado en cuanto al nmero de puntos
considerado (dividiendo por n) y tambin en cuanto al nmero de sumandos dentro del
sumatorio (dividendo por 2). As, la ecuacin que determina el error de comparacin segn este
mtodo queda como sigue:
FPD =
(Ra
2n
1
n 1
i =0
Rai
) + (
2
(3.28)
correspondiendo las variables denotadas con () al polgono de la curva requerida y las que no
llevan ese smbolo al polgono de la curva propuesta, siendo i el ngulo que forma el lado isimo con respecto al lado de orden i-1 y siendo Rai el cociente de longitudes para el vrtice isimo segn la expresin:
Rai =
Li
Li 1
i=0, 1, ..., n-1
(3.29)
90
Captulo 3
y teniendo en cuenta que las magnitudes de orden (-1) son iguales a las de orden n-1 es
decir, considerando que la numeracin de los elementos del polgono es peridica, repitindose
el primer elemento despus del ltimo.
Tal como se ha puesto de manifiesto anteriormente, la ecuacin (3.28) es independiente
de la posicin, orientacin y escala de los polgonos y representa la diferencia entre ellos. Sin
embargo, los dos sumandos que componen esta ecuacin no tienen el mismo peso dentro de
ella, por lo que las diferencias de relacin de longitudes y las diferencias angulares no son
equiparables y la ecuacin carece de coherencia numrica. En efecto, el primer sumando (Rai Rai)2 que representa la diferencia de los ratios de longitudes, toma valores dentro del intervalo
[0,+2[ el cuadrado indica, en este caso, la velocidad de la tendencia, ya que la longitud de
un segmento puede llegar a ser cero lo cual podr ocurrir cuando la curva se cruce sobre si
misma, es decir, cuando tenga puntos dobles. Por otro lado, el rango de variacin del
segundo sumando (i - i)2 de la ecuacin es [0, 2] ya que el ngulo diferencia i - i, una vez
reducido al intervalo [-, [, y en valor absoluto vara dentro del intervalo [0, ]. Por lo tanto, se
hace necesaria una normalizacin de los sumandos para que sus pesos en la ecuacin (3.28)
sean equiparables.
Para ello se utiliza una funcin ang que determina la diferencia entre ngulos de forma
que cuando los ngulos son muy parecidos, la funcin se comporta de forma lineal es decir,
se comporta como la funcin diferencia angular. Pero a medida que la diferencia real tiende a
, la funcin tiende a infinito.

En concreto se propone la siguiente funcin definida en dos tramos:
ang ( , ) = C1
+ C2
si - < ref
si - ref
(3.30)
donde el ngulo ref es un valor de referencia que separa el comportamiento lineal de la funcin
del no lineal y C1, C2 son constantes incluidas para asegurar la continuidad y derivabilidad de la
funcin al pasar de un tramo al otro.
Con esas condiciones de continuidad y derivabilidad de la funcin en el punto entre
tramos, el valor de las constantes puede determiarse en funcin del ngulo de referencia,
obtenindose:
C1 =
C2 =
( ref
91
)2
(3.31)
2
ref
Tras diferentes pruebas se ha comprobado que un ngulo de referencia (ref) igual a /4

permite estimar unos resultados ptimos en la resta de ngulos destinada a ser incluida en la
ecuacin (3.28), por lo que se recomienda utilizar este valor. Con este valor, las constantes C1 y
C2 resultan ser:
C1 =
C2 =
16
(3.32)
16
Con estos valores, la funcin ang es representada en la figura 3.9. En ella se observa
cmo hasta una diferencia entre y igual a /4, la funcin tiene un comportamiento lineal y, a
partir de ese punto se separa la linealidad tendiendo a infinito a medida que la diferencia
angular tiende a .
10
9
8
ang (,)
7
6
5
4
3
2
1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 3.9. Evolucin de la funcin ang en funcin de la diferencia existente entre los ngulos.
92
Captulo 3
Incluyendo esta funcin en la ecuacin (3.28) para representar la diferencia angular, se

llega a la expresin:
FPD =
1
2n
(Ra
n 1
i =0
Rai
) + [ (
2
ang
)]
i , i
(3.33)
de esta forma se asegura que el segundo sumando vara dentro de un intervalo [0,+2], el
mismo que en el primer sumando.
Con esto se consigue la coherencia numrica en los pesos de los miembros de la
ecuacin, de forma que en ella se reflejen tanto las diferencias entre las relaciones de las
longitudes de los segmentos como las diferencias angulares entre dichos segmentos.
En cuanto a los requisitos, el mtodo se ha diseado para el cumplimiento de la

mayora de ellos. Es fcil deducir que se cumplirn los requisitos de identificacin, de
conmutabilidad y de independencia de posicin, orientacin y tamao de las curvas. En cuanto
a parametrizacin, se ha conseguido independencia del origen y de la evolucin.
Queda pendiente evaluar el cumplimiento de los requisitos de progresividad,
independencia de simetras e independencia del sentido de avance del parmetro.
Resolucin de deficiencias en la progresividad.

Para evaluar la progresividad del mtodo, resulta interesante hacer una reflexin sobre
la dependencia del polgono caracterstico respecto de la forma de la curva original que
representa. Si se produce una pequea variacin en la forma de la curva, es lgico pensar que
o bien su longitud variar, o bien su forma variar lo suficiente como para que los puntos del
polgono caracterstico se muevan de posicin. En cualquier caso la posicin de los puntos del
polgono cambiar, reflejando el cambio de forma de la curva. Esto hace suponer que, a priori
es decir, antes de realizar ningn tipo de ensayo con el mtodo, el comportamiento
progresivo del mismo ser razonablemente bueno. Sin embargo, tambin a priori se observan
una deficiencia importante que es necesario subsanar.
Supngase que se llama A al punto de la curva donde el radio de curvatura de la
misma es mnimo punto origen del polgono caracterstico y que existe otro punto B en la
curva en el que el radio de curvatura es (necesariamente superior pero) numricamente muy
cercano al radio de curvatura en A. Si se produce una pequea variacin en la forma de la
curva, es posible que sta cambie lo suficiente como para que el punto B pase a tener un radio
de curvatura menor que el A, llegando a ser B el punto de radio de curvatura mnimo. En este
caso, B ser el nuevo origen del nuevo polgono caracterstico y, consecuentemente, la forma
de ste no se parecer en nada a la del polgono caracterstico original. Al comparar ambos
93
polgonos de acuerdo con la ecuacin (3.33), sta arrojar una gran diferencia (ya que los
polgonos son muy diferentes) cuando en realidad las curvas se parecen enormemente en
tanto en cuanto el cambio realizado en la primera para lograr la segunda ha sido pequeo.
Es decir, con este mtodo, no siempre un cambio gradual y progresivo en la forma de la curva
va acompaado de un cambio gradual y progresivo de la magnitud arrojada por la funcin de
comparacin (3.33). Esto se muestra en la figura 3.10 en la que de dos curvas cerradas similares
se obtienen polgonos caractersticos muy diferentes por un cambio en el punto de radio de
curvatura mnimo (punto 0 de cada curva).
Figura 3.10. De dos curvas similares se pueden obtener polgonos caractersticos muy diferentes.
Para subsanar esta deficiencia, se plantea no solo comparar la curva propuesta con la
requerida mediante polgonos caractersticos cuyo origen est basado en el punto de radio de
curvatura mnimo de las curvas, sino comparar varias posibilidades. En concreto, despus de
hacer pruebas, se propone obtener un nico polgono caracterstico de la curva requerida
tomando como origen el punto de radio de curvatura mnimo. Sin embargo, para la curva
propuesta se plantea obtener todos los mnimos locales del radio de curvatura de la curva y
ordenarlos de menor a mayor, quedando en primer lugar el mnimo absoluto. De este vector de
radios de curvatura mnimos (locales) se descartan todos aquellos cuyo valor sea superior a 1.5
veces el mnimo global (recortando el vector y quedando solo los menores valores).
Finalmente, partiendo de la posicin en la curva asociada para cada radio de curvatura
persistente, se obtiene un polgono caracterstico de la curva propuesta y se compara con el de
la requerida, obteniendo un error de comparacin (asociado a ese radio de curvatura mnimo
local). As, el menor de todos los errores de comparacin obtenidos ser el error de
comparacin estimado por el mtodo.
El factor 1.5 considerado en el recorte del vector de radios de curvatura mnimos puede
modificarse dependiendo de la complejidad de la familia de curvas. En las pruebas realizadas
este factor funcion considerablemente bien, no obteniendo ms que 2 3 radios de curvatura
mnimos y no teniendo, por tanto, que realizar ms de 2 3 comparaciones poligonales.
94
Captulo 3
Esta medida adoptada mejora considerablemente la progresividad del mtodo, pero

tambin incrementa su coste computacional. Sin embargo, con esta modificacin del mtodo, la
evaluacin definitiva de la progresividad queda pendiente de la realizacin de ensayos.
Resolucin del problema de dependencia del sentido de avance del parmetro y de posibles
simetras.
El mtodo hasta ahora expuesto no considera las posibilidad de que las curvas
comparadas sean iguales en cuanto a forma pero simtricas o que tengan un sentido de
avance del parmetro diferente. Para conseguir esta independencia es necesario completar el
mtodo. Si se tiene en cuenta que el sentido de avance del parmetro tiene dos posibilidades y
que la curva tiene otras dos posibilidades desde el punto de vista de la simetra, en total se
pueden obtener cuatro posibles polgonos caractersticos de curvas que deben ser iguales
cuando son comparadas mediante este mtodo. Estos cuatro polgonos caractersticos y las
magnitudes de los mismos consideradas por el mtodo pueden observarse en la figura 3.11.
Figura 3.11. Polgonos caractersticos obtenidos de una misma curva cuando cambia el sentido de avance del parmetro
y su representacin desde el punto de vista de simetra.
95
Cuando se desea comparar la curva propuesta mostrada en la figura 3.11 con una
curva requerida cualquiera y se desea independizar el resultado del sentido de avance del
parmetro y de la posible simetra de las curvas, es necesario comparar las cuatro posibles
curvas mostradas en la figura con la requerida, obteniendo cuatro resultados de la ecuacin
(3.33).
0
FPD =
2n
FPD =
1
2n
FPD =
1
2n
FPD =
1
2n
Rai
(Ra
Ra j ( i )
(Ra
2
2
Rai + ang i , i
(Ra
Ra j( i )
n 1
ang
i =0
n 1
i =0
)]
n 1
i =0
) + [ (
(Ra
n 1
i =0
i , i
) + [ (
2
ang
) [ (
) + [ (
2
ang
(3.34)
)]
i , j ( i )
)]
(3.35)
(3.36)
)]
i , j( i )
(3.37)
donde
j(i) = [(n-i) mod n]
(3.38)
ha sido incluido59 para corregir la numeracin de las curvas I y II debido al diferente sentido de
avance del parmetro, que proporciona los puntos del polgono caracterstico en orden inverso
(vase figura 3.11).
De los cuatro errores de comparacin calculados (correspondientes a las cuatro
posibilidades), el menor de ellos corresponder a la posibilidad que mejor se adapte a la curva
requerida, por lo tanto, el error de comparacin calculado por el mtodo ser:
0
FPD = min( FPD , FPD , FPD , FPD )
(3.39)
Podra parecer que comprobar cuatro veces la misma curva propuesta con la curva
requerida supone un considerable aumento del coste computacional, pero cuando la
comparacin es basada en las diferencias del polgono caracterstico como hace este mtodo,
las magnitudes utilizadas de los cuatro polgonos caractersticos no son independientes y,
calculando las de uno de ellos se pueden obtener fcilmente las de los dems. En efecto, si se
59
Siendo (A mod B) el resto de la divisin entera entre A y B.
96
Captulo 3
observa la figura 3.11, se puede establecer una equivalencia entre las magnitudes de los
polgonos I, II y III y las del polgono 0. Tales relaciones vienen mostradas en la tabla siguiente.
Polgonos
0
0
1
2
3
4
Ra0 = L0/L4
Ra1 = L1/L0
Ra2 = L2/L1
Ra3 = L3/L2
Ra4 = L4/L3
I
-0
-4
-3
-2
-1
L4/L0 = 1/Ra0
L3/L4 = 1/Ra4
L2/L3 = 1/Ra3
L1/L2 = 1/Ra2
L0/L1 = 1/Ra1
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
II
-0
-1
-2
-3
-4
L0/L4 = Ra0
L1/L0 = Ra1
L2/L1 = Ra2
L3/L2 = Ra3
L4/L3 = Ra4
=
=
=
=
=
=
=
=
=
=
III
0
4
3
2
1
L4/L0 = 1/Ra0
L3/L4 = 1/Ra4
L2/L3 = 1/Ra3
L1/L2 = 1/Ra2
L0/L1 = 1/Ra1
Tabla 3.5. Equivalencias entre magnitudes de los cuatro polgonos (vase figura 3.11).
Haciendo uso de las equivalencias mostradas en la tabla 3.5 e incluyndolas en las

ecuaciones (3.34) a (3.37), tales ecuaciones quedan de la siguiente forma:
0
FPD =
2n
(Ra
n 1
Rai
i =0
) + [ (
2
ang

1
=
FPD
Rai
Ra j ( i )
2 n i =0
n 1
FPD =
1
2n
(Ra
n 1
i =0
Rai
n 1
(3.40)
+ ang i , j ( i )
[ (
) + [ (
2
FPD =
Rai
Ra j ( i )
2 n i =0
)]
i , i
ang
)]
)]
i , i
+ ang i , j ( i )
FPD = min( FPD , FPD , FPD , FPD )
[ (
(3.41)
(3.42)
)]
2
(3.43)
(3.44)
97
Por lo tanto, tan solo es necesario calcular las magnitudes la posibilidad 0 para luego
aplicar estas ecuaciones y obtener el menor error de comparacin. Operando de esta forma se
asegura el cumplimiento de los requisitos de independencia de la evolucin del parmetro y de
independencia de simetras.
Con todas las medidas tomadas, el mtodo cumple todos los requisitos a falta de
comprobar el de progresividad y el de conmutabilidad, tal como se muestra en la tabla
siguiente:
Requisito
Identificacin
Progresividad
Conmutabilidad
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Mtodo PD
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Tabla 3.6. Cumplimiento de requisitos por parte del mtodo PD.
Otras deficiencias detectadas.

Por otra parte, es posible, aunque poco probable, que existan curvas completamente
diferentes con el mismo polgono caracterstico. Para probarlo, imagnese un polgono
caracterstico cualquiera con n vrtices. Es posible construir sobre l infinitas curvas (que
pasen por todos los vrtices del polgono) de forma que la longitud del arco de curva entre cada
dos vrtices consecutivos sea la misma. Para todas esas curvas, aquel ser su polgono
caracterstico y todas ellas son diferentes en cuanto a forma, sin embargo, la funcin de
comparacin expresada por la ecuacin (3.33) no contempla estas diferencias entre las curvas,
lo que constituye una gran deficiencia. Un ejemplo de esto se muestra en la figura 3.12, en la
que se ha obtenido un mismo polgono caracterstico de dos curvas completamente distintas
partiendo en ambas de la posicin de radio de curvatura menor y distribuyendo los puntos
uniformemente en sus longitudes respectivas.
98
Captulo 3
Figura 3.12. Curvas diferentes con un mismo polgono caracterstico.
3.5.2. Mtodos de las diferencias poligonales incluyendo propiedades de la

curva o mtodos PDCP (Polygon Differences with Curve Properties).
Este mtodo es una extensin del anterior, amplindolo con la finalidad de que la
ecuacin de comparacin de aquel incluya las propiedades de la curva en los vrtices del
polgono caracterstico. En ste nuevo mtodo, los dos primeros pasos son idnticos a los del
mtodo anterior y el tercero es ampliado como sigue:
Existen dos propiedades intrnsecas puntuales de la curva que se pueden aadir
fcilmente a la ecuacin (3.33): el ngulo de la tangente y el radio de curvatura de la curva en
ese punto. No obstante, se ha de tener en cuenta que el primero es dependiente de la
orientacin de la curva ya que se mide con respecto al eje de abcisas del sistema de
referencia utilizado e independiente de la posicin y escala de la misma. El segundo,
depende linealmente de la escala de la curva y es independiente de la posicin y orientacin de
la misma.
Es posible, a la vez que conveniente, eliminar estas dependencias, lo cual puede
realizarse de forma sencilla. En el primer caso solo es necesario referenciar el ngulo de la
tangente con respecto a un origen interno de la curva o de su polgono caracterstico y en el
caso del radio de curvatura, se puede dividir ste entre otra longitud inherente a la curva que
dependa linealmente de la escala.
99
De esta forma las dos nuevas propiedades en los vrtices del polgono, a aadir a las
obtenidas en el mtodo anterior (PD) son por un lado el ngulo desde la tangente a la curva
en el vrtice considerado hasta el segmento que sale de ese vrtice en el polgono
caracterstico (figura 3.13) y por otro lado, el cociente entre radio de curvatura en ese vrtice y
la longitud total de la curva, llamado Rb que tendr la forma:
Rbi =
(3.45)
Lcurva
siendo i el radio de curvatura de la curva en el vrtice i-simo (figura 3.13).
Figura 3.13. Polgono caracterstico de la curva y todas las caractersticas puntuales incluidas en este mtodo.
100
Captulo 3
As pues, se puede ampliar la ecuacin (3.33) incluyendo el ngulo y/o el factor Rb. En
este caso se van a considerar tres posibilidades segn se incluya uno o los dos anteriores
(pudiendo, en el caso del ltimo, incluir el radio de curvatura o su inversa, la curvatura). La
expresin correspondiente al primero de ellos (llamado en adelante mtodo PDCP1) amplia la
ecuacin (3.33) incluyendo el ngulo y su expresin es:
FPDCP1 =
1
3n
(Ra
n 1
Rai
i=0
) + [ (
2
ang
)] + [ (
i , i
ang
)]
i , i
(3.46)
donde el ngulo se ha normalizado convenientemente para tener un peso en la ecuacin

similar al resto de sumandos (vase la normalizacin de descrita en el mtodo PD).
Por su parte, la expresin correspondiente al mtodo llamado PDCP2, incluye tanto el
ngulo como el factor Rb (que representa las diferencias en los radios de curvatura):
FPDCP 2 =
1
4n
(Ra
n 1
Rai
i =0
) + [ (
2
ang
)] + [ (
i , i
ang
)] + (Rb
i , i
2
Rbi
(3.47)
E igualmente para el mtodo PDCP3, que utiliza las curvaturas en lugar de los radios
de curvatura,
FPDCP 3
n 1
Rai Rai
4 n i =0
) + [ (
2
ang
i , i
)] + [ (
2
ang
i , i
)]
1
1
+

Rb
Rbi
i
(3.48)
En estas ecuaciones se ha incluido el smbolo () para sealar las variables que

corresponden a la curva requerida, siendo todas aquellas variables que no incluyen tal smbolo
las correspondientes a la curva propuesta.
De la misma forma que se realiz en la expresin (3.33) del mtodo PD, el resultado final
de las ecuaciones se ha normalizado en cuanto al nmero de puntos considerado as como en
cuanto al nmero de sumandos dentro del sumatorio.
Con la ampliacin del mtodo PD para llegar a estos nuevos mtodos de comparacin
de curvas planas y cerradas, se ha subsanado la segunda gran deficiencia del aquel segn la
cual, tal como se muestra en la figura 3.12, dos curvas diferentes podran proporcionar
polgonos caractersticos iguales y, por tanto, ser iguales cuando son comparadas con el
mencionado mtodo. En efecto, aunque los polgonos sean iguales, los ngulos de las
tangentes en los vrtices del polgono caracterstico y los radios de curvatura de las mismas en
dichos puntos no lo son, por lo que los dos ltimos sumandos de la ecuacin (3.46) y (3.47) sern
distintos de cero y el valor arrojado por esta ecuacin representar estas diferencias. Los
101
mtodos PDCP1, PDCP2 y PDCP3, as logrados, son mucho ms representativos de la forma

de la curva que el mtodo PD.
Como ocurriera en el mtodo PD, los mtodos PDCP1, PDCP2 y PDCP3 tienen un
problema de progresividad cuando al comparar dos curvas muy similares, los puntos de radios
de curvatura mnimos no estn situados en posiciones similares y cercanas dentro de tales
curvas. Para resolver este problema se adopta la misma tcnica que la que se adopt en el
mtodo PD, consistente en obtener de la curva propuesta varios polgonos caractersticos
partiendo de todos los puntos de radios de curvatura mnimos locales menores que 1.5 veces el
radio de curvatura mnimo global de la curva, y comparar estos polgonos con el polgono
caracterstico de la curva requerida. (vase Resolucin de deficiencias en la progresividad,
pgina 92).
De la misma forma, los mtodos PDCP1 y PDCP2 tal como han sido expuestos hasta
ahora no realizan ninguna accin con el fin de independizar el resultado del sentido de avance
en la parametrizacin y de posibles simetras. Para resolver este problema se propone la
misma tcnica que se utiliz en el mtodo PD (vase Resolucin del problema de dependencia
del sentido de avance del parmetro y de posibles simetras, pgina 94). Para ello se han de
comprobar los cuatro posibles polgonos caractersticos mostrados en la figura 3.11 con el
polgono caracterstico de la curva requerida. Como ya se explic, existe una relacin entre las
magnitudes del polgono 0 y del resto de polgonos. Esta relacin entre las distintas variables
y Ra de los cuatro polgonos viene especificada en la tabla 3.5. Se puede obtener relaciones
similares para las distintas variables y Rb de los polgonos, siendo mostradas en la tabla
siguiente:
Polgonos
0
0
1
2
3
4
Rb0 = 0/L
Rb1 = 1/L
Rb2 = 2/L
Rb3 = 3/L
Rb4 = 4/L
=
=
=
=
=
=
=
=
=
=
I
-0
-4
-3
-2
-1
Rb0 = 0/L
Rb4 = 4/L
Rb3 = 3/L
Rb2 = 2/L
Rb1 = 1/L
=
=
=
=
=
=
=
=
=
=
II
-0
-1
-2
-3
-4
Rb0 = 0/L
Rb1 = 1/L
Rb2 = 2/L
Rb3 = 3/L
Rb4 = 4/L
=
=
=
=
=
=
=
=
=
=
III
0
4
3
2
1
Rb0 = 0/L
Rb4 = 4/L
Rb3 = 3/L
Rb2 = 2/L
Rb1 = 1/L
Tabla 3.7. Equivalencias entre magnitudes y Rb de los cuatro polgonos.
102
Captulo 3
Considerando estas comparaciones, el resultado propuesto por el mtodo PDCP1

consiste en calcular los cuatro resultados obtenidos al comparar el polgono caracterstico de la
curva requerida con los cuatro posibles polgonos caractersticos de las curvas propuestas
(figura 3.11), para luego estimar el error de comparacin como el menor de los cuatro valores:
0
FPDCP1 =
3n
FPDCP1
) + [ (
2
Rai
ang
i=0

1
1
=
Rai
Ra j ( i )
3n i = 0
n 1
FPDCP1 =
1
3n
FPDCP1
(Ra
n 1
(Ra
n 1
i =0
Rai
[ (
ang
n 1
ang
+ ang i , j ( i )
) + [ (

1
=
Rai
Ra j ( i )
3n i = 0
)] + [ (
i , i
)]
i , i
)] + [ (
)] + [ (
[ (
)]
2
ang i , j ( i )
i , i
+ ang i , j ( i )
(3.49)
ang
(3.50)
)]
i , i
(3.51)
)] + [ (
)]
2
ang i , j ( i )
(3.52)
FPDCP1 = min( FPDCP1 , FPDCP1 , FPDCP1 , FPDCP1 )
(3.53)
estando j(i) definido en la ecuacin (3.38).
De la misma forma, el resultado propuesto por el mtodo PDCP2 determina cuatro

resultados y estima como error de comparacin el menor de ellos:
0
FPDCP 2 =
1
4n
FPDCP 2
(Ra
n 1
i =0
Rai
) + [ (
2

1
=
Rai
Ra j ( i )
4 n i = 0
n 1
ang
)] + [ (
i , i
ang
+ ang i , j ( i )
[ (
)] + (Rb
i , i
)] + [ (
2
2
Rbi
(3.54)
)] + (
2
ang i , j ( i )
Rbi
Rb j ( i )
(3.55)
FPDCP 2 =
1
4n
FPDCP 2
(Ra
n 1
Rai
i =0
103
) + [ (
2
ang

1
=
Rai
Ra j ( i )
4 n i =0
n 1
)] + [ (
i , i
+ ang i , j ( i )
[ (
ang
)] + (Rb
i , i
)] + [ (
2
2
Rbi
)] + (
2
ang i , j ( i )
Rbi
(3.56)
Rb j ( i )
(3.57)
FPDCP 2 = min( FPDCP 2 , FPDCP 2 , FPDCP 2 , FPDCP 2 )
(3.58)
Y, finalmente para el mtodo PDCP3 se tiene:
0
FPDCP 3
FPDCP 3
n 1
Rai Rai
4 n i =0
) + [ (
2
ang

1
=
Rai
Ra j ( i )
4 n i =0
n 1
i , i
)] + [ (
2
ang
+ ang i , j ( i )
[ (
i , i
)]
1
1
+

Rb
Rbi
i
)] + [ (
2
)]
2
ang i , j ( i )
(3.59)
1
1
+
Rbi
Rb j ( i )
(3.60)
FPDCP 3
FPDCP 3
n 1
Rai Rai
4 n i =0
) + [ (
2

1
=
Rai
Ra j ( i )
4 n i =0
n 1
ang
i , i
)] + [ (
2
+ ang i , j ( i )
[ (
ang
i , i
)] + [ (
2
)]
1
1
+

Rb
Rbi
i
)]
2
ang i , j ( i )
1
1
+
Rbi
Rb j ( i )
(3.61)
(3.62)
0
FPDCP 3 = min( FPDCP 3 , FPDCP 3 , FPDCP 3 , FPDCP 3 )
(3.63)
Los mtodos PDCP1, PDCP2 y PDCP3, tal como han sido descritos y modificados,
cumplen todos los requisitos expuestos en 3.2 a falta de comprobar el requisito de
progresividad y el de conmutabilidad. En efecto, los resultados calculados por ambos mtodos
son insensibles a la posicin, orientacin, tamao, parametrizacin y posible simetras de las
curvas.
104
Captulo 3
Requisito
Identificacin
Progresividad
Conmutabilidad
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Mtodos PDCP
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Tabla 3.8. Cumplimiento de requisitos por parte de los mtodos PDCP.
Existe, no obstante una posibilidad de fallo de los mtodo que se considera remota por
lo intrincada que resulta. Supngase que se tiene una curva y de ella se obtiene su polgono
caracterstico de n puntos. Si se deforma cada uno de los n segmentos de curva existentes
entre los vrtices del polgono de manera que la nueva curva conserve la posicin y las
derivadas primera y segunda en los vrtices del polgono y tambin de forma que el incremento
de longitud en cada uno de los segmentos de curva sea el mismo y adems se consigue que el
punto de radio de curvatura mnimo siga siendo el mismo que en la curva original, se llegar a
una segunda curva muy diferente de la primera que, sin embargo, es calificada de igual a
aquella cuando se le aplica este MCC. Por otro lado, si se tuviera que utilizar este mtodo en
un mbito en el que existiera la posibilidad de que ocurriera esto, podra solucionarse el
problema con solo realizar dos comparaciones de cada pareja de curvas, cada una con un
nmero de puntos diferentes ya que, si se da esta casualidad cuando se consideran n puntos
en el polgono caracterstico, es prcticamente imposible que ocurra lo mismo cuando se
utilizan, por ejemplo, n+1 puntos.
3.5.3. Mtodo de la curvatura de las curvas o mtodo CC (Curvature of

Curves).
Otra posibilidad en la comparacin de curvas, sugerida por Watanabe (Watanabe,
1992) es realizar esta comparacin utilizando solamente la curvatura de las curvas. La
curvatura de una curva plana es una caracterstica puntual de la misma que vara de forma
inversamente proporcional al tamao de la curva y que es independiente de la posicin y
orientacin de la curva.
La base de este mtodo es similar a la de los anteriores propuestos (PD y PDCP),
siendo la nica diferencia la funcin de comparacin. Dicha funcin de comparacin podra ser
propuesta de acuerdo con la ecuacin siguiente:
FCC =
(
n 1
i =0
105
(3.64)
donde se ha utilizado el smbolo () para indicar la curvatura de la curva requerida, mientras

que la curvatura de la curva propuesta es indicada por la ausencia de dicho smbolo. Adems,
se observa que la expresin ha sido normalizada respecto al nmero de puntos utilizado.
Pero, la curvatura es dependiente del tamao y se requiere que exista independencia.
Para lograrlo, es posible multiplicar esta curvatura ya que esta tiene dimensiones de longitud
a la inversa por otra dimensin que dependa linealmente del tamao. Por ejemplo, la longitud
de la curva. Entonces la expresin se transforma en la siguiente.
FCC =
1
n
(
n 1
i =0
Lr i L p
(3.65)
en la que Lr es la longitud de la curva requerida y Lp es la longitud de la curva propuesta.

La ecuacin anterior ya es adimensional e independiente del tamao de las curvas. Sin
embargo, la curvatura de una curva en un punto puede tener un valor muy elevado en
extremo infinito cuando la curva tiene un pico (o cspide). As, es posible que dos curvas
sean muy similares pero una de ellas tenga una cspide y la otra no. En tal caso, si uno de los
puntos seleccionados est en la cspide, el valor devuelto por la ecuacin (3.65) ser muy
elevado (ya que uno de los dos factores del binomio al cuadrado ser muy elevado mientras
que el otro no). As, este resultado no se correspondera con la realidad de que las curvas son
similares.
Esto demuestra que la comparacin expresada mediante la ecuacin (3.65) presenta
problemas de progresividad cuando una de las curvas tiene una cspide o una forma cercana a
la cspide. Para solucionar este problema, se propone una nueva expresin de la comparacin:
FCC
n 1
i Lr i L p
1
=

n i =0 i Lr + i L p
n 1
1
2 i Lr i L p
=
n i =0 i Lr + i L p
(3.66)
Esta ecuacin realiza el sumatorio, para todos los puntos, de una magnitud puntual que
se basa en la diferencia de curvaturas. Esta magnitud representa para cada punto la diferencia
de factores curvatura por longitud de las curvas en relacin al valor medio de ambos. Por
consiguiente, uno de los factores curvatura por longitud para una de las dos curvas en un punto
presenta un valor muy elevado, ste tambin estar presente en el denominador, llegando a
106
Captulo 3
ser ambos del mismo orden. As, el cociente de ambos ser un valor moderado, en extremo
igual a 2, como se muestra en la ecuacin (3.67).
2 L L
i
r
i
p
lim
i
i Lr + i L p
) = 2
(3.67)
Si se desea imponer otro valor diferente cuando una de las curvaturas tiende a infinito
se puede modificar sencillamente el coeficiente que multiplica el denominador de la expresin
anterior.
Este valor moderado ser un mejor indicador de la diferencia existente entre ambas
curvas en el caso de que la curvatura de una de ellas tienda a infinito.
Para contemplar los requisitos de independencia de parametrizacin e independencia

de simetras, es posible realizar un planteamiento similar al de los mtodos anteriores. As, la
funcin de comparacin correspondiente a este mtodo se obtendr como sigue:
0
FCC
2 L L
i
r
i
p
n i =0 i Lr + i L p
1
n 1
n 1
FCC = min FCC , FCC
(3.68)
2 L L
i
r
j (i )
p
FCC =
n i =0 i Lr + j (i ) L p
1
(3.69)
(3.70)
estando j(i) definido en la ecuacin (3.38).
En cuanto a la primera evaluacin, el mtodo cumple todos los requisitos salvo del de
conmutabilidad y el de progresividad, que debern ser comprobados mediante los ensayos
oportunos.
Requisito
Identificacin
Progresividad
Conmutabilidad
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
107
Mtodo CC
Cumple
Comprobar
Comprobar
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Cumple
Tabla 3.9. Cumplimiento de requisitos por parte del mtodo CC.
3.5.4. Mtodo del rea entre las curvas o mtodo ABC (Area Between Curves).
Es de especial importancia estudiar la progresividad de los mtodos mediante ensayos
de los mismos. Estos ensayos consistirn en comparar una curva requerida con varias curvas
propuestas, estando las diferentes curvas propuestas obtenidas a partir de una la curva
requerida mediante deformacin progresiva. Si se representan los resultados obtenidos al
comparar cada una de las curvas propuestas con la curva requerida, se obtiene una grfica
que representa la progresividad de cada mtodo. El problema de evaluacin de la
progresividad de los mtodos mediante este tipo de ensayos es que no se conoce a priori cual
debe ser la forma de la grfica de progresividad porque no se tiene ningn patrn con el que
poder comparar las que se obtengan.
Con el fin de obtener un patrn lo ms realista posible (en el sentido de que muestre
con mayor realismo la deformacin progresiva de las curvas) se propone este nuevo mtodo
integral. Por ser un mtodo que tiene en cuenta las diferencias entre las curvas en todos sus
puntos (mediante integracin), servir como referencia con la que comparar el comportamiento
de los mtodos discretos.
Este mtodo integral ha sido ideado a partir de las sugerencias de Thompson
(Thompson, 1975) y de Akali y Dittrich (Akali y Dittrich, 1989b) aunque stos no plantearon
ninguna solucin del problema, segn las cuales, el mejor indicador de la diferencia de forma
entre dos curvas planas y cerradas es el rea que queda encerrada entre el trazado de ambas
curvas tal como se observa en la figura 3.14. Ciertamente, cuanto mayor es el rea encerrada
entre las curvas, mayor ser la diferencia entre ambas, siendo ms parecidas a medida que
este rea disminuye. Si el rea encerrada entre ambas curvas es cero solo puede significar que
las curvas son exactamente iguales y su trazado coincide en todos sus puntos.
108
Captulo 3
Figura 3.14.El rea encerrada entre dos curvas indica su diferencia morfolgica.
Sin embargo, este rea encerrada entre las curvas depende de cmo se site
(superponga) una con respecto a la otra, es decir, depende de la posicin, orientacin y escala
relativas de las curvas. Por lo tanto, ser necesario reescalar, reposicionar y reorientar las
curvas segn un criterio fijo para que la comparacin sea independiente de tales variables. El
criterio adoptado en este caso consiste en dejar inmvil una de las curvas por ejemplo, la
curva requerida para superponer la curva propuesta sobre la requerida. Los criterios para
reescalar y reposicionar la curva propuesta sobre la curva requerida son ms claros que los
criterios que se pueden idear para reorientarla. Por ejemplo, se puede reescalar la curva
propuesta para que su longitud sea la misma que la de la curva requerida o tambin para que
el rea que encierra sea la misma que la de la curva requerida. De la misma forma, se puede
desplazar la curva propuesta sobre la requerida para que coincidan los centroides de las
curvas consideradas stas como cuerpos lineales o, alternativamente, hacer que coincidan
los centroides de las reas que encierran. Sin embargo, una vez realizadas las
transformaciones anteriores, el rea entre las curvas es muy sensible a la orientacin de una
con respecto a la otra lo cual est muy relacionado con el hecho de que las curvas se
parecen ms o menos segn cada orientacin.
Primero. Superposicin de la curva propuesta sobre la curva requerida.

Para resolver este problema de superposicin de la curva propuesta sobre la requerida
se adopta la tcnica utilizada por Watanabe (Watanabe, 1992) en el mtodo LSOP.
109
Se parte de dos curvas la requerida, nombrada con el subndice r y la propuesta,

nombrada con el subndice p expresadas en forma paramtrica como sigue:
x (u )
Pr (u ) = r
y r (u )
u[u0, uf[
(3.71)
x p (t )
Pp (t ) =
y p (t )
t[t0, tf[
(3.72)
Con el fin de superponer adecuadamente la curva propuesta a la requerida, se practica

una transformacin homottica de factor k a la curva propuesta con el fin de que sta, una vez
transformada, tenga la misma longitud que la curva requerida. De la curva resultante y de la
requerida se toman n puntos distribuyndolos uniformemente a lo largo de las longitudes de
sus respectivas curvas. Luego se desplaza y gira la curva propuesta (determinando los valores
de x0, y0 y segn las ecuaciones (3.11)) siguiendo las directrices expuestas en el paso cuarto
del mtodo LSOP (vase pgina 73) con el objetivo de minimizar la expresin (3.10).
Una vez realizado lo anterior, con el fin de superponer la curva propuesta
adecuadamente sobre la requerida, se modifica aquella con los valores calculados de k, x0, y0 y
, obteniendo una curva cuyas expresin paramtrica es:

x p (t ) x o + k [ x p (t ) cos y p (t ) sen ]
Pp (t ) =
=
y p (t ) y o + k [ x p (t ) sen + y p (t ) cos ]
(3.73)
a la que se llamar curva propuesta modificada.

A continuacin, el paso siguiente describe cmo se calcula el rea encerrada entre esta
nueva curva y la requerida.
Segundo. Determinacin del rea entre las curvas.

Resulta sencillo decidir cual es el rea encerrada entre las curvas cuando stas tienen
60
una complejidad similar pues su geometra permite superponerlas de forma que la evolucin
de sus trazados tengan cierta similitud, como en el caso de las curvas representadas en la
figura 3.14. Sin embargo, si se pierde similitud en la complejidad de las curvas existen varias
posibilidades para decidir cual es el rea encerrada, no siendo ninguna claramente mejor en
60
Refirindose aqu a la complejidad de su forma atendiendo principalmente al nmero de puntos dobles aquellos puntos por
los que la curva pasa dos veces, igual al nmero de veces que la curva se corta a s misma y al nmero de vueltas completas
que da la tangente el cual es un ndice de cuantas vueltas da la curva sobre si misma.
110
Captulo 3
el sentido de ms realista que el resto. Finalmente, si las curvas son muy diferentes en
cuanto a complejidad, resulta complicado decidir cual ser el rea entre las curvas. Por
ejemplo, obsrvense los casos presentados en la figura 3.15. El caso (a) representa el rea
entre dos curvas de complejidad similar (no teniendo ambas ningn punto doble y dando la
tangente una vuelta en ambos casos). Se aprecia fcilmente que el criterio representado para
decidir cual es el rea entre las curvas es el mejor posible, no existiendo prcticamente ms
posibilidades. En el caso (b) las curvas tambin tienen la misma similitud, teniendo un punto
doble cada una. En este caso el criterio ptimo de rea entre las curvas no es nico,
habindose representado el que se considera mejor cuando se trata de estimar la diferencia
entre las curvas en base a este rea. El caso (c) representa dos de las varias alternativas que
existen en la consideracin del rea encerrada por dos curvas de complejidad diferente (una
curva tiene un punto doble mientras que la otra no tiene ninguno). Se pueden alegar ventajas
en el uso de una y de otra, pero ninguna de las dos posibilidades es claramente mejor que la
otra para el fin que nos ocupa.
Figura 3.15. Area entre curvas de diferente complejidad.
As pues, queda patente que el problema de establecer un criterio fijo que permita
automatizar el clculo del rea entre dos curvas planas cerradas cualesquiera no tiene una
solucin satisfactoria para todos los casos. Sin embargo, cuando el rea entre las curvas es
utilizada para medir la diferencia entre ellas con el fin de constituir una funcin de comparacin
objetivo de una optimizacin, es posible pensar que cuando las curvas son de complejidad
diferente es porque su trazado es muy diferente, es decir, poco parecidas. Por esto, resulta
poco importante afinar en el clculo del rea entre las curvas cuando stas son muy diferentes
111
(siendo vlido cualquier valor elevado), pero por el contrario, es especialmente importante que
el mtodo sea capaz de determinar fielmente el rea entre las curvas cuando stas son muy
parecidas. Esta sensibilidad permitir al mtodo de optimizacin converger adecuadamente
hacia el ptimo desde una posicin en un entorno cercano del mismo. Por este motivo, se ha
puesto inters en que el algoritmo planteado a continuacin calcule adecuadamente el rea
entre las curvas especialmente cuando stas son parecidas. Siendo menos estricto cuando las
curvas comparadas son muy diferentes.
Tal como se aprecia en la figura 3.14, el rea entre dos curvas puede determinarse de
una forma genrica sumando las reas encerradas por las curvas entre cada dos puntos de
interseccin de las mismas. As pues, lo primero que se ha de hacer es determinar todos los
puntos de interseccin entre ambas curvas, para luego integrar las curvas entre cada dos
puntos de interseccin consecutivos, obteniendo el rea.
Para lograr determinar los puntos de interseccin se opta por discretizar las curvas.
Una vez convertidas stas en poligonales resulta sencillo determinar los puntos de
61
interseccin . Pero estos puntos no sern, en general, los verdaderos puntos de interseccin
de las curvas (solo lo sern cuando el punto de interseccin de las dos poligonales sea un
vrtice de las dos) ya que la discretizaciones no representan las curvas con total exactitud. Lo
que ocurre es que los valores de los parmetros uint y tint obtenidos para cada punto de
interseccin son valores interpolados y, consecuentemente, las coordenadas del punto de la
curva requerida correspondiente a uint no sern las mismas que las coordenadas del punto de
la curva propuesta modificada correspondiente a tint, aunque ambos puntos sern tanto ms
cercanos cuanto ms fina sean las discretizaciones de las curvas.
Si se desea una mayor precisin en el proceso que la lograda hasta ahora, se puede
realizar una optimizacin minimizacin de la funcin distancia entre los puntos Pr(u) y Pp(t)
de ambas curvas variando los parmetros u y t, y tomando como valores iniciales de la
optimizacin uint y tint obtenidos en la discretizacin. De esta forma, la convergencia ser rpida
ya que la solucin estar muy prxima salvo que la discretizacin sea excesivamente
burda al punto de partida y se podrn obtener los puntos de interseccin reales con la
precisin que se desee.
Una vez obtenidos los puntos de interseccin entre las dos curvas existe, no obstante,
la posibilidad de que no todos sean vlidos, siendo necesario la eliminacin de los que se
consideren no vlidos. Ha de tenerse en cuenta que establecer un criterio que decida qu
puntos de interseccin son vlidos y cuales no, supone establecer un criterio sobre qu
porciones del rea entre las curvas se considera y cuales no de entre las posibles opciones.
61 Ntese que, con el clculo de cada punto de interseccin, no solo se obtienen las coordenadas de dicho punto en el plano X-Y,
sino que adems se obtienen los parmetros de cada una de las dos curvas (u y t) correspondientes a ese punto de interseccin,
siendo estos valores mucho ms importantes en el proceso que las coordenadas del punto.
112
Captulo 3
Despus de diversas pruebas se ha optado por realizar un filtrado de puntos de

interseccin segn el siguiente procedimiento: en primer lugar se parte del punto inicial de la
curva requerida y se recorre dicha curva numerando los puntos de interseccin segn se van
encontrando. Una vez hecho esto, se considera aisladamente cada punto de interseccin y se
determina el punto de interseccin siguiente y el anterior siguiendo, no la curva requerida, sino
la propuesta modificada. Se calcula la diferencia de numeracin entre el punto en cuestin y el
punto anterior encontrado (diferencia anterior) y tambin la diferencia entre el punto siguiente y
el punto considerado (diferencia siguiente). Si las dos diferencias, en valor absoluto, son
mayores que 1, esto significa que no es posible pasar (siguiendo la curva propuesta
modificada) del punto de interseccin considerado a otro punto de interseccin consecutivo
segn la numeracin sin antes pasar por, al menos, un tercer punto de interseccin, por lo que
la integracin entre puntos no se podr llevar a cabo. En tal caso se descarta el punto de
interseccin considerado y se continua considerando el siguiente. As, por ejemplo,
considerando el punto de interseccin 2 de la figura 3.16, siguiendo la curva propuesta, su
punto anterior es el 0 y el punto siguiente es el 4. Esto significa que las diferencias de
numeracin anterior y posterior son, respectivamente (-2) y 2, siendo ambas en valor absoluto
mayores que 1, por lo que se descarta el punto. Igualmente se descarta el punto 5 y no se
descartan los puntos 0, 1, 3 y 4. Al final, integrando entre los puntos no descartados, se obtiene
como resultado el rea sombreada en la figura.
Figura 3.16. Numeracin de los puntos de interseccin con el fin de descartar los no vlidos.
Tras descartar los puntos no vlidos ya se puede proceder a la determinacin del rea
encerrada por las curvas entre cada pareja de puntos de interseccin. Para determinar esta
rea comprendida entre dos puntos de interseccin supngase que se tienen dos curvas
113
paramtricas requerida y propuesta referenciadas en un sistema de ejes cartesiano X-Y

(vase figura 3.17).
Figura 3.17. Area encerrada entre dos curvas y entre dos puntos en los que se cortan.
Si estas dos curvas se cortan en dos puntos A y B, no existiendo ningn otro punto de
interseccin de las curvas dentro del tramo AB, el rea que queda encerrada entre ambas
curvas en ese tramo es:
uB
AAB =
(u ) dxr (u ) +
uA
tB
y (t ) dx (t )
p
(3.74)
tA
y, teniendo en cuenta que

dx r (u ) =
dxr (u )
du ,
y que
dx p (t ) =
du
dx p (t )
dt
(3.75)
dt
la expresin (3.74) se transforma en la siguiente:

uB
AAB =
uA
y r (u )
dx r (u )
du
tB
du +
tA
y p (t )
dx p (t )
dt
(3.76)
dt
donde las derivadas de las coordenadas x paramtricas de ambas curvas pueden, si no se

dispone de ellas explcitamente, estimarse mediante diferencias finitas (Press et al., 1991). Esta
ecuacin puede integrarse con la precisin deseada utilizando mtodos numricos tales como
los basados en la regla de Simpson u otros (Press et al., 1991).
No obstante, puede demostrarse que existe un problema de signo si se desea calcular
el rea de una curva paramtrica entre dos puntos A y B cuando la curva se corta a s misma
114
Captulo 3
dentro de ese tramo. En tal caso, para resolver este problema resulta necesario integrar la
62
curva entre cada punto clave y el siguiente considerando cada tramo en valor absoluto. Por
ejemplo, para calcular el rea bajo la curva mostrada en la figura 3.18, se debe integrar el rea
en los tramos AI, IDI, IB y determinar el rea segn la ecuacin:
AAB = AAI + AIB + AIDI
(3.77)
Figura 3.18. Area bajo una curva que se corta a s misma.
De esta forma, el valor obtenido sera:
AAB = A4 A1 + A5
(3.78)
Esta forma de clculo del rea se ha comprobado que resulta adecuada cuando las
curvas tienen puntos dobles es decir, cuando las curvas se cortan consigo mismas entre
los puntos de integracin.
Tras la evaluacin de este mtodo con el fin de comprobar si cumple los requisitos
descritos en 3.2, se detecta que el mtodo no es independiente del tamao de las curvas. En
efecto, el resultado que este mtodo arroja tras la comparacin de las curvas tiene unidades de
rea y el rea depende del tamao de las curvas que la encierran. Del tamao de la curva
propuesta no depende, ya que este tamao se ajusta hasta hacerlo coincidir con el de la curva
requerida, pero s depende del tamao de esta ltima, por lo que los resultados no sern
equiparables (es decir, no se podr decidir si una pareja de curvas se parecen ms entre s que
otra pareja aplicando este mtodo, ya que el resultado de cada comparacin depende del
tamao de la curva que acta como requerida en cada pareja de curvas comparadas).
62
Puntos inicial y final y puntos de interseccin dentro del tramo.
115
Para evitar esto, es necesario normalizar el resultado de la comparacin haciendo que

sea adimensional e independiente de la escala. En tanto que el resultado es un rea que
depende del tamao de la curva requerida, aquel depender linealmente del cuadrado de
cualquier dimensin lineal de sta. Una forma de conseguir el objetivo puede ser dividiendo el
resultado entre producto de dos dimensiones caractersticas de la curva requerida ya que este
producto depender igualmente del cuadrado de la escala y la divisin ser adimensional e
independiente. Se puede utilizar, por ejemplo, la longitud de la curva requerida como factor de
normalizacin. Esta longitud es la misma en la curva requerida y en la curva propuesta
modificada, por lo que el resultado de la normalizacin cumplir el requisito de conmutabilidad.
De esta forma, el resultado devuelto por este mtodo se calcula como:
FABC =
Aencerrada
(3.79)
L2
req
donde Aencerrada es el rea encerrada entre las curvas y Lreq es la longitud de la curva requerida.
En cuanto a la evaluacin del cumplimiento de requisitos expuestos en 3.2, este

mtodo cumple todos los requisitos salvo el requisito de independencia de simetras. Sin
embargo no se va a proponer ninguna medida para independizar el resultado de posibles
simetras por dos motivos: uno porque resulta difcil simplificar el problema contemplando
simetras (en realidad lo nico que cabe hacer es repetir de principio a fin el algoritmo con una
curva simtrica a la curva propuesta) y dos porque este mtodo no pretende competir con los
anteriores como mtodo ideal para la comparacin de curvas, sino que pretende servir como
referencia para verificar la progresividad de aquellos.
Adems, ser necesario comprobar si el mtodo cumple el requisito de conmutabilidad
mediante los ensayos oportunos.
Requisito
Identificacin
Progresividad
Conmutabilidad
Indep. de origen
Independencia
de
Indep. de evolucin
parametrizacin
Mtodo ABC
Cumple
Cumple
Comprobar
Cumple
Cumple
Cumple
No cumple
Cumple
Cumple
Cumple
Tabla 3.10. Cumplimiento de requisitos por parte de los mtodos ABC.
116
Captulo 3
El mtodo ABC planteado tiene unas caractersticas que lo hacen idneo para servir
como mtodo de referencia en los ensayos de progresividad de los mtodos discretos. Sin
embargo, no es un mtodo perfecto.
Con respecto a la superposicin de la curva propuesta sobre la requerida, se considera
una superposicin ptima aquella que minimiza el rea entre las curvas. Sin embargo, en este
mtodo no se utiliza ese objetivo cuando se realiza la transformacin de la curva propuesta
para superponerla a la requerida (debido, fundamentalmente, a que realizar una optimizacin
para obtener la posicin, orientacin y escala tales que minimicen el rea entre las curvas es
desproporcionadamente costoso desde el punto de vista computacional), por lo que los
resultados obtenidos se separarn del resultado ideal. El procedimiento de transformacin
geomtrica de la curva propuesta utilizado est basado en un nmero finito de puntos y puede
mejorarse si se incrementa considerablemente el nmero de puntos (tomando en
consideracin, por ejemplo, 100 puntos), sin que esto haga que el coste computacional del
mtodo sea inabordable.
Por otro lado, el mtodo no es estricto en el clculo del rea entre las curvas cuando
estas son muy diferentes. Esto, si bien puede resultar poco importante en el procedimiento de
optimizacin, como se ha explicado anteriormente, es posible que repercuta de alguna manera
en los resultados. Lo cual sera necesario comprobar en el caso se utilizar el mtodo para
comparar curvas entre las que exista una gran diferencia.
Adems, no se ha resuelto el problema de la posible simetra de las curvas
comparadas.
Por ltimo, el coste computacional de este mtodo es sensiblemente superior al de los
mtodos discretos anteriores (excepto al del mtodo BSC), como se ver ms adelante.
Por estos motivos, este mtodo ha sido planteado no con el afn de competir con los
anteriores, sino slo para ser utilizado como patrn en el anlisis de progresividad de los
mtodos. En este ensayo se estudia la sensibilidad de los mtodos frente a variaciones
pequeas en la forma de las curvas comparadas siendo, por sus caractersticas anteriormente
descritas, los casos en los que mejor funciona este mtodo.
3.6. Mejora de los mtodos existentes.

Los mtodos propuestos por otros investigadores han sido expuestos en 3.4
exactamente como sus respectivos autores los publicaron. Si se realiza un anlisis detallado de
la metodologa empleada por cada uno de estos mtodos es posible, antes de realizar
ensayos, mejorar algunos puntos de ellos de acuerdo con los criterios que se vienen
contemplando en este captulo y, en concreto, con los requisitos descritos en 3.2.
117
En este epgrafe se analizan dichos mtodos para estudiar en qu aspectos se pueden

mejorar. Posteriormente se proponen modificaciones o pasos alternativos con el fin de corregir
estas desventajas antes de realizar el ensayo y comparacin de los mtodos. Es necesario
hacer hincapi en el hecho de que no se pretende modificar de forma sensible la base
algortmica sobre la que se fundamenta cada mtodo, sino solamente corregir algunos puntos
de los mismos con el fin de beneficiar su funcionamiento de acuerdo con los requisitos
impuestos en este estudio. Una vez determinadas las correcciones de cada mtodo, en lo
sucesivo en este captulo, cuando se haga referencia a dicho mtodo, se considerar siempre
que sobre el mtodo ya se han aplicado las correcciones.
Resolucin del problema de dependencia respecto del sentido y avance del parmetro y de
posibles simetras.
Ninguno de los tres mtodos expuestos en 3.4 llevan a cabo acciones con el fin de
independizar los resultados respecto del sentido de avance del parmetro ni de posibles
simetras. La solucin propuesta es similar a la planteada para resolver este problema en los
mtodos existentes (3.4). En concreto, se trata de utilizar el mtodo para comparar no
solamente la curva propuesta con la requerida, sino para comparar la curva requerida con la
curva propuesta y sus curvas derivadas simtricas y/o con sentido de avance del parmetro
diferente, tal como se muestra en la figura 3.11. Por supuesto, y como ocurriera en los mtodos
propuestos, no es necesario ejecutar todo el algoritmo con cada una de las cuatro
posibilidades, ya que las variables asociadas a cada posibilidad estn relacionadas
numricamente con el resto, por lo que puede conseguirse economa de computacin.
En los mtodos LSOP y MPE, no es necesario obtener nuevos puntos de las curva
propuesta en la opcin I, II y III (vase figura 3.11), sino que una vez se han obtenido tales
puntos en la opcin 0 es posible, a partir de estos, determinar los puntos correspondientes la
opcin I con solo invertir la numeracin (partiendo del punto 0), los correspondientes a la
opcin II con slo cambiar el signo de la coordenada X y los correspondientes a la opcin III
con slo cambiar el signo de la coordenada X e invertir la numeracin. Una vez obtenidas las
nuevas posibilidades, se reproduce el algoritmo a partir del paso cuarto (reposicionamiento y
reorientacin). De esta forma se evita repetir en el algoritmo cuatro veces uno de los pasos
computacionalmente ms costoso: la distribucin uniforme de los puntos a lo largo de la
longitud de la curva.
Por otro lado, en el mtodo BSC tampoco es necesario repetir la conversin de la curva
propuesta (en las cuatro opciones diferentes) a una B-Spline. Una vez que se ha convertido la
curva (en la opcin 0) y se ha obtenido su polgono de control asociado, se puede determinar el
polgono asociado a las opciones I, II y III con estrategias similares a las descritas en el prrafo
anterior.
118
Captulo 3
3.6.1. Mtodo LSOP.

Este mtodo, propuesto por Watanabe (Watanabe, 1992) se fundamenta sobre la
misma base de funcionamiento que el mtodo MPE (del mismo autor). Su diferencia radica en
que utilizan diferentes criterios para desplazar y orientar la curva propuesta sobre la requerida
antes de estimar el error de comparacin entre ambas y tambin en la estimacin de dicho
error (indicador) de comparacin.
Resolucin del problema de dependencia parcial del origen de la parametrizacin.

Una posible mejora se puede realizar en la identificacin de puntos homlgos (paso
tercero, pgina 72), que es comn a ambos mtodos. En efecto, este mtodo obtiene n puntos
de las curvas repartiendo stos uniformemente a lo largo de la longitud de las curvas. Sin
embargo existe un problema de origen de la serie de puntos ya que dependiendo de dnde se
encuentre el primer punto en la curva, as se situarn el resto de puntos. Watanabe sita el
primer punto en cada curva en la posicin correspondiente al valor inicial del parmetro dentro
de su intervalo de variacin. Posteriormente, se percata del problema que esto supone e
intenta solucionarlo buscando dentro de los puntos obtenidos de la curva propuesta el que
puede ser homlogo al primer punto de la curva requerida.
Figura 3.19. Identificacin de puntos homlogos en base a la curvatura considerando 5 puntos.
119
Para ello busca una concordancia en la evolucin de la curvatura en cada una de las
dos series de puntos la de la curva requerida y la de la curva propuesta. Sin embargo, si el
nmero de puntos considerado es pequeo, es muy probable que no se encuentre
concordancia alguna en la curvatura de las curvas en los puntos seleccionados aun cuando las
curvas, en la realidad, sean muy similares. Para ilustrar esto se ha incluido la figura 3.19. En
ella se observan dos curvas morfolgicamente iguales pero supuestamente definidas con una
parametrizacin diferente y sobre las que se consideran cinco puntos. Ambas curvas tienen su
origen (es decir, el punto correspondiente al valor mnimo del parmetro) en el punto 0, el cual
est situado en posiciones diferentes para cada curva. La distancia entre los puntos sobre la
curva no se ve influenciada por la diferente parametrizacin, por lo que la posicin de la
distribucin de puntos depende, exclusivamente, de la posicin del primer punto.
Una vez distribuidos los puntos sobre las curvas se procede a la identificacin de los
puntos homlogos. Para ello se representa la curvatura secuencialmente en cada uno de los
puntos y se busca una equivalencia en la forma de las grficas (ver figura 3.19), es decir, se
busca el mnimo de la expresin (3.7). Esta forma de proceder, para este ejemplo, determina
que las curvaturas en los puntos de los polgonos siguen secuencias parecidas cuando el punto
2 de la curva 2 se identifica como homlogo del punto 0 de la curva 1. Sin embargo, en la figura
se aprecia que ninguno de los dos polgonos se parece (no importa qu punto de la curva 2 se
haga homlogo del punto 0 de la curva 1), por lo que al realizar la comparacin este mtodo
indicar que ambas curvas no son iguales cuando, en realidad, lo son.
Figura 3.20. Identificacin de puntos homlogos en base a la curvatura considerando 25 puntos.
120
Captulo 3
Si el nmero de puntos considerado crece y las curvas son muy similares, los
polgonos de puntos tienden a parecerse ms y ms y las secuencias de curvaturas en los
puntos seleccionados son ms fcilmente identificables. En la figura 3.20 se muestran las
curvas considerando 25 puntos. Haciendo uso nuevamente de la expresin (3.7), se calcula que
el punto 7 de la curva 2 es el homlogo del punto 0 de la curva 1 para que las secuencias de
curvaturas en los puntos sean lo ms parecidas posible. En este caso ya se observa en las
grficas una evolucin similar (al igual que se observa una gran similitud entre los polgonos)
pero con el desfase ocasionado por un diferente origen en la parametrizacin de cada curva.
Sin embargo, pese a esta evolucin similar, los puntos 0 de la curva 1 y 7 de la curva 2 no
coinciden exactamente en la misma posicin dentro de la curva, por lo que ni an considerando
25 puntos el mtodo de Watanabe indicar que estas dos curvas son iguales.
Adems, puede ocurrir que dos curvas sean relativamente similares, se considere un
gran nmero de puntos y, pese a todo, esta tcnica propuesta por Watanabe realice una
identificacin deficiente de puntos homlogos. Por ejemplo, supngase que se desea comparar
dos curvas como las representadas en la figura 3.21a. Se extrae una cantidad elevada de
puntos (en este ejemplo se han considerado 100 puntos) de cada una de ellas, distribuyndolos
uniformemente a lo largo de la longitud de las mismas. Si se utiliza la tcnica expuesta por
Watanabe para identificar los puntos homlogos y luego reescalar, reposicionar y reorientar la
curva propuesta sobre la requerida con el fin de que coincidan al mximo, se obtiene una
superposicin como la mostrada en la figura 3.21b. Con tal identificacin de puntos homlogos,
la evolucin de la curvatura en la secuencia de puntos de ambas curvas coincide al mximo.
Sin embargo, se observa que las curvas tienen una mejor coincidencia si se superponen como
se muestra en la figura 3.21c. Esto es debido a que la forma de las curvas no viene definida
nicamente por la evolucin de la curvatura dentro de ellas y por este motivo se puede llegar a
situaciones como la expuesta.
Figura 3.21. Fallo del mtodo de Watanabe en la superposicin de dos curvas.
121
En conclusin, queda demostrado que la forma de obtener los puntos de las curvas
propuesta por Watanabe presenta ciertas deficiencias y sus resultados no son independientes
de la parametrizacin de la curva, ni siquiera cuando el nmero de puntos considerado es
elevado.
Como alternativa se puede utilizar la tcnica de establecer el origen de la secuencia de
puntos en el punto de radio de curvatura mnimo de la curva, tal como se hiciera en los
mtodos PD, PDCP1, PDCP2 y PDCP3. Al hacerlo as se imposibilita obtener polgonos
diferentes en curvas que son morfolgicamente iguales (y que se diferencian en su definicin
paramtrica).
Mejora de la estimacin del error de comparacin.

En este mtodo, Watanabe estima el error de la comparacin como la mxima
distancia entre los vrtices homlogos de los polgonos de puntos de cada una de las curvas
(una vez reescalada, posicionada y orientada la curva propuesta sobre la requerida). Esta
distancia mxima depende, no obstante, implcitamente de la forma de toda la curva. En efecto,
si la curva propuesta cambia de forma, los n puntos considerados sobre ella (distribuidos
uniformemente a lo largo de su longitud) cambiarn de posicin y al hacerlo, cambiar la
posicin en la que esta curva propuesta se coloca sobre la requerida al realizar las
transformaciones geomtricas necesarias (ya que las coordenadas de todos los puntos
intervienen en dichas transformaciones segn las ecuaciones (3.11) y (3.12)). El cambio en la
colocacin de la curva propuesta sobre la requerida har cambiar la distancia mxima entre los
puntos seleccionados de ambas curvas. Sin embargo, pese a esta dependencia indirecta, se
considera ms conveniente estimar el indicador de diferencia entre las curvas en base las
diferencias existentes entre todas las parejas de puntos homlogos considerados en ambas
curvas por lo que es recomendable estimar el error de comparacin como la suma de todas las
distancias entre puntos homlogos, tal como expresa la ecuacin (3.10).
El indicador as obtenido tras la modificacin del mtodo tiene unidades de longitud al
cuadrado y depende (al igual que el cuadrado de cualquier longitud involucrada en las curvas)
cuadrticamente del tamao de la curva requerida (y no de la propuesta puesto que esta
adapta su tamao al de aquella). Ya se ha comentado anteriormente que esto supone un
defecto de forma que debera ser subsanado pues, en efecto, no permite establecer si una
pareja de curvas comparadas entre s mismas se parecen ms que una segunda pareja de
curvas tambin comparadas entre s, ya que la comparacin de cada pareja depende del
tamao de la que hace de curva requerida. Para resolver esto se puede hacer adimensional del
error de comparacin, es decir, se puede dividir el indicador obtenido de la ecuacin (3.10) por la
longitud de la curva requerida. Al hacerlo as, se elimina la dependencia de la escala de dicha
curva y se conservan todos los requisitos impuestos en 3.2 (incluido el requisito de
conmutabilidad).
122
Captulo 3
Por otro lado, el resultado de (3.10) es dependiente del nmero de puntos (n) utilizado en
tanto en cuanto que cuanto mayor es n, mayor es el nmero de sumandos en la ecuacin. Es
posible normalizar el resultado en cuanto al nmero de puntos si se divide aquel por este
nmero de puntos n, logrndose un resultado promedio por punto.
Con estas modificaciones, el error de comparacin del mtodo LSOP termina por ser:
S=
1
n L2
r
[(xr (x
n 1
+ xpi cos ypi sen )) +

2
i =0
( yri ( y0 + xpi sen + ypi cos ))
(3.80)
siendo x0, y0 y los que se obtienen de las ecuaciones (3.11) y (3.12); y Lr la longitud de la curva
requerida.
3.6.2. Mtodo MPE.

Sobre este mtodo se pueden realizar las mismas mejoras que sobre el mtodo
anterior (LSOP). El proceso de seleccin de puntos sobre las curvas es comn en ambos
mtodos por lo que la correccin realizada en este punto es la misma que la realizada en el
mtodo anterior (Resolucin del problema de dependencia parcial del origen de la
parametrizacin).
Mejora de la estimacin del error de comparacin.

Por su parte, el error de la comparacin entre dos curvas es estimado como la mxima
distancia perpendicular, siendo ms apropiado por las mismas razones que las expuestas
para el mtodo LSOP calcular este error como la suma de todas las distancias
perpendiculares. Pero, como en aquel caso, este indicador tiene unidades de longitud al
cuadrado y depende cuadrticamente del tamao de la curva que acta como requerida. Para
eliminar esta dependencia se divide el indicador por la longitud de dicha curva al cuadrado. Por
otro lado y siguiendo las correcciones realizadas en el mtodo anterior, se divide la expresin
por n utilizado con el fin de normalizar el resultado respecto del nmero de puntos utilizado. Al
final, tras aplicar las modificaciones mencionadas, la expresin (3.14) queda de la siguiente
forma:
S=
1
n L2
r
n 1
i =0
2
Pi =
1
n L2
r
((xr xp ) sen r (yr yp ) cos r )

n 1
i =0
*
i
*
i
(3.81)
123
3.6.3. Mtodo BSC.

Este mtodo de comparacin de curvas propuesto por Unruh y Krishnaswami (Unruh y
Krishnaswami, 1995) constituye una innovadora forma de comparar curvas cerradas y planas,
sin embargo la tcnica utilizada, tal como ha sido expuesta por los autores, parece poco
depurada ya que un anlisis detallado ha puesto de manifiesto varias posibles mejoras
importantes que se explican a continuacin.
Mejora de la estimacin de los puntos de control a partir de los puntos de comparacin.

En primer lugar, en el proceso de obtencin del polgono de control de una B-Spline lo
ms parecida posible a la curva original, se seleccionan m puntos que se utilizarn para
comparar las curvas original y B-Spline durante la optimizacin. De estos m puntos, se
seleccionan n puntos distribuyndolos uniformemente entre los m primeros, que sern los
puntos del polgono de control de la B-Spline. Los autores utilizaron m=100 puntos de
comparacin y polgonos de control de n=10. Pero si se desea utilizar otras combinaciones
numricas y m no es mltiplo de n entonces el reparto de los n puntos de control dentro de los
m puntos de comparacin es desigual, ocasionando, en el mejor de los casos, peores
estimaciones iniciales del polgono de control y, consecuentemente, incrementando el nmero
de iteraciones de optimizacin para lograr una solucin satisfactoria. Adems, en el peor de los
casos, es posible que tal irregularidad en la primera estimacin a partir de la cual parte el
proceso de optimizacin derive en la obtencin de un ptimo local (no global) no
suficientemente satisfactorio. Esto se puede solucionar sencillamente no obteniendo los n
puntos de control dentro de los m puntos de comparacin, sino obtenindolos directamente de
la curva (como se hizo para obtener los m primeros) y luego expandindolos segn
especificaron los autores.
Resolucin del problema de dependencia del polgono de control obtenido respecto del origen
de la parametrizacin al convertir una curva en una B-Spline.
Por otro lado, los autores basan la obtencin de los m puntos de comparacin y de los n
puntos del polgono de control en la parametrizacin de la curva original, por lo que el resultado
obtenido (el polgono obtenido) ser dependiente de esta parametrizacin. En cuanto a los
puntos de comparacin, aunque a priori pudiera parecer lo contrario, un anlisis detallado
demuestra que esto no afecta al proceso de optimizacin necesario para llegar a obtener el
polgono de control a partir de la curva original ya que, independientemente del origen y de la
evolucin de la parametrizacin de la curva original, tras obtener la primera estimacin de
todos los puntos, la proximidad entre los m puntos de comparacin de ambas curvas ser
124
Captulo 3
elevada. Esto se debe a que la parametrizacin de la B-Spline depende de la posicin de los

puntos de su polgono de control y a que estos puntos del polgono de control se han obtenido
de la curva original de forma que ambas parametrizaciones la de la curva original y la de la
B-Spline coincidan.
No obstante, el mtodo de obtencin del polgono de control ideado por los autores no
est exento de una desventaja importante: el polgono obtenido depender del origen de la
parametrizacin de la curva original. En efecto, si los m puntos de comparacin se eligen
dependiendo de este origen y los n puntos de control tambin, para luego realizar el proceso de
optimizacin que haga que las dos curvas se parezcan, el resultado depender
necesariamente del origen de la parametrizacin de la curva original. As, si en una misma
curva original se cambiara el origen de su parametrizacin (modificando sus ecuaciones
paramtricas) sin cambiar su forma, la primera estimacin del polgono de control habra
63
cambiado tambin y tras la optimizacin, el polgono de control sera diferente . Teniendo esto
en cuenta, es posible que de dos curvas perfectamente iguales pero con parametrizaciones
diferentes (en cuanto a su origen) se obtengan polgonos de control diferentes cuando son
convertidas en B-Splines. Si esto ocurriese, al comparar los dos polgonos el resultado sera
que ambas curvas no son del todo iguales, cuando efectivamente lo son. Esta posibilidad
introduce en el mtodo una importante incoherencia e incumple uno de los requisitos
fundamentales expuestos en 3.2.
La solucin a este problema que ya ha surgido anteriormente en otros mtodos pasa
por establecer el punto inicial en una posicin de la curva original que no dependa de su
parametrizacin. Como en casos anteriores se adopta el punto de radio de curvatura mnimo
como el origen de la parametrizacin de la curva. Los problemas menores que esto introduce
ya han sido tratados anteriormente.
Resolucin del problema de convergencia durante la conversin de una curva en una B-Spline.
Otro problema detectado en el mtodo ideado por Unruh y Krishnaswami radica en el
hecho de que la forma de expandir los puntos de la curva para proporcionar la primera
estimacin del polgono de control de la B-Spline no es siempre satisfactoria. En efecto, los
autores proponen expandir los puntos proporcionalmente y en la direccin y sentido del radio
de curvatura de la curva en ese punto segn un factor 1.1 (vase figura 3.7). Sin embargo, si
uno de los puntos a expandir est situado en un punto de inflexin de la curva (o cerca del
mismo), el radio de curvatura ser muy elevado (tendiendo a infinito) y al multiplicar por el
factor 1.1 el punto de control obtenido estar muy lejos de la curva, con lo que la primera
63 Tngase en cuenta que el polgono de control obtenido de una curva original cuando sta es convertida a B-Spline no es nico,
sino que existen infinitos polgonos de control (con el mismo nmero de puntos) que generan B-Splines iguales a la curva
original.
125
estimacin no ser muy buena y con una elevada probabilidad no se llegar, tras la
optimizacin, a una conversin satisfactoria.
Figura 3.22. Conversin de una curva en una B-Spline con un factor de expansin 1.1.
Como ejemplo de esto, en la figura 3.22 se ha intentado convertir una curva cerrada
(curva original) en una B-Spline cbica considerando m=100 puntos de comparacin y un
polgono de control de n=10 puntos. En la parte superior de la figura se observa la curva original
de la que se han seleccionado 10 puntos (puntos P0 a P9) para, tras una expansin con un
factor 1.1, lograr la primera estimacin del polgono de control (puntos Q0 a Q9).
Posteriormente, a partir del polgono de control se ha representado la primera estimacin de la
B-Spline. Tambin se han elegido m=100 puntos de comparacin en ambas curvas y se ha
unido cada par de puntos homlogos con un segmento. Los segmentos de todos los pares de
puntos producen el rayado que se puede apreciar entre ambas curvas. A primera vista se
126
Captulo 3
observa que la B-Spline obtenida se parece a la curva original en todos los puntos salvo en el
entorno del punto P9. Esto es debido a que el punto P9 est cerca de un punto de inflexin de la
curva (en el que el radio de curvatura es infinito) y, el punto Q9 obtenido est muy separado
del punto P9 tngase en cuenta que la distancia P9-Q9 es 0.1 veces el valor del radio de
curvatura de la curva original en el punto P9, lo que deforma considerablemente la primera
estimacin.
Partiendo de ese polgono de control y de esos puntos de comparacin se ha realizado
la optimizacin segn el algoritmo Fletcher-Reeves, propuesto por los autores, y el resultado se
muestra en la parte inferior de la figura 3.22. En ella se puede observar cmo el proceso de
optimizacin ha modificado el polgono de control hasta acercar la B-Spline a la curva original
en la medida que ha sido posible (partiendo de esa primera estimacin). Por su lado si se
observa cmo han evolucionado los segmentos que unen puntos de comparacin homlogos
sobre ambas curvas, mientras que la posicin de los puntos de comparacin sobre la curva
original no se ha modificado (pues no forman parte de las variables a optimizar), los puntos de
comparacin sobre la B-Spline si se han desplazado dentro de ella intentando minimizar la
distancia a sus puntos homlogos sobre la curva original. El resultado, como se aprecia, es que
la comparacin final no es fidedigna pues los puntos de comparacin en la B-Spline no estn
distribuidos uniformemente sobre sta, sino que se han dejado partes de ella sin cubrir. En
conclusin, el mtodo ha degenerado en una comparacin segmentada y el resultado numrico
obtenido no es realista (porque las dos curvas se parecen menos de lo que el mtodo indica)
ya que tan solo se est comparando la curva original con una parte de la B-Spline.
Existen varias soluciones a este problema, pero todas pasan por modificar el
procedimiento de obtencin de la primera estimacin del polgono de control propuesto por los
autores. En efecto, los autores consideraron que un factor de expansin 1.1 es satisfactorio
64
cuando se ha puesto de manifiesto que no lo es . Adems, si se estudia la forma de las BSplines en relacin al polgono de control que las genera se puede observar que, en general,
cuanto ms cerca de la B-Spline se encuentra un punto del polgono de control, mayor ser el
radio de curvatura de la curva en el entorno de ste, pudiendo llegar a ser infinito
(caracterstica de los puntos de inflexin). Es decir, existe una relacin inversa entre la cercana
de cada punto del polgono de control a la B-Spline y el radio de curvatura de la misma en el
entorno de ese punto del polgono de control. Por esto, utilizar un factor de proporcionalidad
directa (e igual a 1.1) para la expansin resulta insatisfactorio en muchos casos.
Se podra idear un factor de expansin que no fuera global para todos los puntos, sino
que fuera calculado para cada punto segn la relacin inversa anteriormente mencionada. Sin
64
El ejemplo anterior no es un caso aislado pues la mayora de curvas cerradas generadas por mecanismos tienen puntos de
inflexin y, por lo tanto, es muy probable que uno de los puntos de la curva elegidos para obtener (mediante expansin) la
primera estimacin de un punto del polgono de control est situado relativamente cerca de uno de los puntos de inflexin, en
cuyo caso ocurrir algo parecido al ejemplo descrito, logrando tras la optimizacin una solucin insatisfactoria.
127
embargo, obtener una expresin adecuada para todos los casos no resulta sencillo, pues si
bien est claro que cuando el radio de curvatura tiende a infinito el factor de expansin debe
tender a cero y que cuando el radio de curvatura tiende a cero el factor de expansin debe
tender a infinito, resulta complicado obtener una expresin para todo el intervalo entre esos dos
extremos que aporte primeras estimaciones del polgono de control satisfactorias en la mayora
de casos. Por esto, en este trabajo se ha optado por una solucin ms sencilla a la vez que
sistemtica. sta consiste en, para cada problema de conversin de una curva cerrada en una
B-Spline, intentar varios factores de expansin diferentes y determinar cual de ellos aporta la
mejor primera estimacin del polgono de control a partir de la cual se proceder a la
optimizacin. En concreto, se propone probar como factores de expansin los trminos de la
siguiente serie:
1
l = 0, 1, ..., 10
10 l
(3.82)
es decir, la serie:
l
Factor
10
0.0010 0.0020 0.0039 0.0078 0.0156 0.0313 0.0625 0.1250 0.2500 0.5000 1.0000
Tabla 3.11. Factores de expansin para la obtencin de la primera estimacin del polgono de control.
El procedimiento sugerido consiste en, utilizando cada uno de los valores anteriores,
obtener un polgono de control en primera estimacin a partir de la curva original. Este
polgono de control obtenido genera una B-Spline que ser la primera estimacin a partir de la
cual realizar la optimizacin. Se puede evaluar la calidad de esta B-Spline mediante la
ecuacin (3.21), que utilizando los m puntos de comparacin estimar el parecido entre la curva
original y la B-Spline obtenida. Aquel de todos los factores de la serie que proporcione una BSpline ms parecida a la curva original es decir, un resultado de la ecuacin (3.21) menor
ser el factor de expansin a utilizar en el caso que se trate.
Este clculo del factor de expansin adecuado como se ha descrito apenas amplia el
coste computacional del mtodo global, debido a dos motivos fundamentales: uno, que los
nuevos clculos a realizar son sistemticos y sencillos y dos, que el proceso que supone la
mayora del coste computacional de este mtodo de comparacin es la optimizacin del
polgono de control hasta llegar a una solucin satisfactoria. Por lo tanto, el coste
computacional del resto de clculos (incluidos los que se han aadido con esta modificacin)
es despreciable frente al de la optimizacin de la B-Spline para que sea similar a la curva
original.
128
Captulo 3
Para ilustrar esta ltima modificacin propuesta, se ha resuelto el mismo ejemplo con el
que se ilustr la deficiencia del mtodo original y el resultado se muestra en la figura 3.23. En la
parte superior se observa la curva original. A partir de esta se han probado todos los factores
expuestos en la tabla 3.11 y se ha seleccionado el valor 0.0010 (correspondiente a l = 0) como
65
factor de expansin ptimo . Con este factor de expansin se ha obtenido la primera
estimacin del polgono de control y, a partir de l, se representa la primera estimacin de la BSpline. Se observa que el factor de expansin adecuado ha proporcionado una primera
estimacin de la B-Spline muy parecida a la curva original. En la figura se han unido con
segmentos los 100 puntos de comparacin de ambas curvas que han servido para evaluar cada
factor de expansin de la serie mediante la ecuacin (3.21).
Figura 3.23. Conversin de una curva en una B-Spline con un factor de expansin optimizado.
65 Ntese que al ser el valor seleccionado muy prximo a cero, los puntos de la primera estimacin del polgono de control (Q0 a
Q9) estn muy cercanos a los puntos sobre la curva original (P0 a P9) a partir de los cuales se obtienen.
129
Una vez obtenida la primera estimacin del polgono de control se lleva a cabo la
optimizacin y el resultado se muestra en la parte inferior de la figura 3.23. En ella se observa
cmo el polgono de control ha evolucionado hasta que la B-Spline generada por l ha llegado
a ser prcticamente igual (la diferencia no es perceptible a simple vista) a la curva original.
En la tabla 3.12 se muestran en detalle los datos relativos a este experimento. En ella
se aprecia cmo seleccionando un factor de expansin adecuado, la primera estimacin de la
B-Spline arroja un valor de la funcin objetivo (funcin de comparacin de ambas curvas)
mucho menor que si se utiliza un factor de expansin 1.1. Por otro lado, al lograr una primera
estimacin mejor, el algoritmo de optimizacin Fletcher-Reeves proporciona un ptimo mucho
ms adecuado (comprense el valor final de la funcin objetivo en ambos casos) y en menos
iteraciones (26 frente a 36), por lo que el coste computacional del mtodo tras las
modificaciones propuestas decrecer en la mayora de los casos. Todo esto sin tener en
cuenta que la solucin obtenida utilizando un factor de expansin 1.1 no es, en este caso y en
muchos otros, vlida.
N de puntos del polgono de control
N de puntos de comparacin
Mtodo de optimizacin
Tolerancia de optimizacin
10
100
Fletcher-Reeves
0.010
Utilizando un factor de expansin igual a 1.1

Valor de la funcin objetivo en la iteracin 1
N de iteraciones realizadas
Valor final de la funcin objetivo
7360.512
36
359.401
Utilizando un factor de expansin optimizado

Valor de la funcin objetivo en la iteracin 1
N de iteraciones realizadas
Valor final de la funcin objetivo
273.971
26
0.829
Tabla 3.12. Comparacin de resultados antes y despus de la modificacin del mtodo.
Una vez que se han obtenido los polgonos de control de las curvas que se desean
comparar, este mtodo propone comparar los polgonos como medio de obtener un indicador
de la similitud o diferencia entre las curvas. Sin embargo, los autores proponen un mtodo de
comparacin de los polgonos que es poco sistemtico y que, adems, utiliza propiedades
indirectas de los mismos (tales como el ratio del rectngulo menor que encierra el polgono, el
ratio rea/permetro, el ngulo interior mayor, etc.), lo que puede llevar a una prdida de
sensibilidad en la comparacin. Para evitar esto se propone una modificacin del mtodo
consistente en realizar la comparacin entre los polgonos de una forma sistemtica y en base
a magnitudes directas del polgono de forma que en la comparacin se siga respetando la
130
Captulo 3
independencia de la posicin, orientacin y escala de los polgonos. En concreto, se pueden

comparar los polgonos en la forma descrita en el paso tercero del mtodo del polgono
caracterstico sin propiedades de la curva, segn el cual se comparan los polgonos utilizando
magnitudes adimensionales tales como el cociente de longitudes de un segmento del polgono
y el anterior o los ngulos que forman tales segmentos. La ecuacin final que estima la
diferencia entre los polgonos puede verse en la ecuacin (3.33) y una representacin de las
magnitudes que se tienen en cuenta en esta ecuacin pueden observarse en la figura 3.8.
Hay que hacer notar que este cambio en la comparacin de los polgonos no solo hace
al mtodo ms preciso, sino tambin ms directo, robusto y eficiente pues la estimacin de las
magnitudes de cada polgono para su comparacin, segn la propuesta de Unruh y
Krishnaswami no solo resulta imprecisa sino tambin mucho ms compleja, involucrando (en
algunos casos) procesos de optimizacin que aumentan el coste computacional.
Con todas estas mejoras, los mtodos existentes expuestos en 3.4 cumplen todos los
requisitos impuestos en 3.2, por lo que son aptos para la sntesis de mecanismos para
generacin de trayectorias continuas tal como se plantea en el presente trabajo.
3.7. Ensayo de los mtodos.

Tras la exposicin de los mtodos (con las oportunas correcciones) y despus del
anlisis preliminar, se ha realizado un ensayo de los mismos ante diferentes casos con el fin de
analizar su funcionamiento en la comparacin de curvas. Para ello se han programado los
algoritmos correspondientes a estos mtodos en ordenadores y se han ejecutado sobre
diferentes problemas.
Estos ensayos experimentales de los mtodos han permitido obtener conclusiones
sobre la calidad de funcionamiento de cada uno de ellos y del cumplimiento de los requisitos
expuestos en 3.2, posibilitando la realizacin de un anlisis comparativo con el objetivo de
decidir cual es el idneo (o idneos) y en qu casos.
Se han diseado seis tipos de ensayos diferentes para contrastar el funcionamiento de
los mtodos en cuanto a conmutabilidad, cambio de escala, cambio de posicin y orientacin
de las curvas comparadas; y tambin para verificar la progresividad de los mtodos ante
cambios pequeos de las curvas comparadas y la estabilidad ante la variacin del nmero de
66
puntos considerado en la comparacin. Se va a prestar especial atencin a la eficiencia de
66
Entendida aqu como la capacidad de realizar la tarea consumiendo el mnimo de recursos posible.
131
los mtodos al resolver los problemas de comparacin planteado. As no solo se estudiar su

resultado numrico, sino tambin en su coste computacional.
Para cada uno de los tipos de ensayos, se han propuesto diferentes curvas y se ha
llevado a cabo la comparacin. Por razones de brevedad no se incluyen aqu todos los ensayos
realizados, sino que se han seleccionado algunos de los ms representativos y que mejor
ilustran el comportamiento de los diferentes mtodos ante los distintos casos.
Para la definicin de las curvas involucradas en los ensayos se ha optado por utilizar BSplines cbicas cerradas basadas en polgono de control (vase apndice B) por su sencillez
de definicin, por su estudiada formulacin y por la facilidad de manipulacin de su forma,
aportando versatilidad a la hora de plantear los ensayos. De esta forma, ha sido posible
proponer fcilmente un gran nmero de curvas con una deformacin progresiva.
3.7.1. Definicin de la curva requerida.

Todos los ensayos de comparacin de curvas involucran dos curvas con diferente rol.
Una es la curva requerida, que representa la curva que se desea generar en el problema de
sntesis. La otra es la curva propuesta que representa una curva generada por un mecanismo
en el problema de sntesis.
Una serie de ensayos que se han realizado utilizan una misma curva requerida y
comparan con ella las diferentes curvas porpuestas. Esta serie es presentada a continuacin
pero, previamente, se define la curva requerida.
Figura 3.24. Curva requerida para el ensayo de los mtodos de comparacin de curvas.
En la figura 3.24 se aprecia la definicin de esta curva requerida. Se ha utilizado una

B-Spine de grado 3 (cbica), cerrada, plana y no simtrica (con forma de gota, con ningn
132
Captulo 3
punto doble y con una vuelta de la tangente, similar a muchas curvas generadas por
mecanismos planos sencillos). Esta curva ha sido generada a partir de un polgono de control
de cuatro vrtices (que tambin se puede observar en la figura 3.24) habindose asegurado
que la curva es continua, derivable y con derivada continua.
Las coordenadas de los vrtices del polgono de control se exponen en la tabla
siguiente:
N de vrtice
0
1
2
3
Coordenada X
0.0
100.0
100.0
90.0
Coordenada Y
0.0
0.0
100.0
100.0
Tabla 3.13. Coordenadas de los vrtices del polgono de control de la curva requerida.
3.7.2. Ensayo de conmutabilidad.

Este ensayo permite verificar el comportamiento de los diferentes mtodos cuando las
curvas comparadas son conmutadas (intercambiadas) en sus papeles respectivos de curva
propuesta y curva requerida.
Para ello se propone comparar dos curvas A y B, utilizando 8 puntos en los mtodos
discretos. Las curvas sern comparadas dos veces utilizando cada uno de los mtodos. Una en
la que A acta como curva requerida y B acta como curva propuesta, y otra en la que B acta
como curva requerida y A acta como curva propuesta. Como curva A se utiliza la definida en
3.7.1) y como curva B se utiliza una deformacin de la anterior (llamada curva Def06),
representada en la figura 3.25.
Figura 3.25. Curva Def06 utilizada en el ensayo de conmutabilidad.
133
Una vez que se procede a la doble comparacin de las curvas segn los diferentes
mtodos, se obtienen resultados que se muestran en la tabla 3.14. En ella se observan dos
filas. En la primera (A vs. B), A ejerce el papel de curva requerida y B el de curva propuesta.
En la segunda (B vs. A) es B la que acta como curva requerida y A como curva propuesta.
El mtodo BSC (conversin en B-Splines) necesita, aparte del resultado de la
comparacin (error de comparacin), de un segundo valor que indica si la conversin de las
curvas comparadas en B-Splines ha sido aceptable (llamado error de ajuste). Si no lo fuera, el
valor devuelto por el mtodo BSC no sera digno de consideracin ya que se estaran
comparando B-Splines que no se corresponden con las curvas originales. Este valor se
muestra en la columna BSC (Err. Aj.) y es calculado como la suma de distancias al cuadrado
de los 100 puntos utilizados en la conversin de la curva propuesta original en B-Spline. Si se
tiene en cuenta que las curvas comparadas en este ensayo tienen un tamao del orden de 100
unidades de longitud (es decir, el rectngulo envolvente de la curva es del orden de 100
unidades de longitud), el error de ajuste es realmente bajo (del orden del 1%), lo que indica que
la conversin de la curva propuesta original en B-Spline se ha realizado con gran xito y que,
por tanto, el error de comparacin calculado por el mtodo BSC es, en este caso, fiable.
Curva
A vs. B
B vs. A
r
LSOP
MPE
PD PDCP1 PDCP2 PDCP3
CC
ABC
BSC BSC(Err. Aj.)
0.00038 0.00033 0.03332 0.02748 0.07253 0.14251 0.48762 0.01509 0.01406
1.489705
0.00038 0.00033 0.03332 0.02748 0.07253 0.14251 0.48762 0.01509 0.01406
0.790939
0.0%
0.6%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
Tabla 3.14. Resultados del ensayo de conmutabilidad.
Los resultados indican que prcticamente todos los mtodos cumplen el requisito de
conmutabilidad. Sin embargo, otros ensayos han revelado la posibilidad de que no se cumpla
este requisito. Para ilustrarlo, se analiza esta posibilidad mediante el siguiente ejemplo.
Supngase que se desea comparar dos curvas A y B como las mostradas en la figura
3.26. Si la curva A acta como requerida (figura 3.26a), el punto inicial de la curva ser
determinado como el punto de radio de curvatura mnimo (punto R0) y a partir de este se
obtienen el polgono caracterstico de la curva requerida (en la figura se ha extrado un
polgono de 6 puntos). Posteriormente, se determinan en la curva propuesta todos los puntos
en los que el radio de curvatura tenga un mnimo local dentro de la curva (puntos P0 a P2,
ordenados de menor a mayor radio de curvatura). De entre estos se busca el homlogo del
punto R0 en la curva propuesta. Lo cual se realiza mediante el estudio de cual de esos puntos
(cuando es utilizado como punto de partida) proporciona un polgono caracterstico lo ms
parecido posible al de la curva requerida. Al hacer esto en este ejemplo se encuentra que,
segn cada mtodo, se obtiene un mejor resultado en la comparacin cuando el punto P1 se
toma como punto homlogo del punto R0 y as se obtiene el polgono mostrado en la curva
134
Captulo 3
propuesta de la figura 3.26a. Comparando esos polgonos (o sus vrtices, y/o las propiedades
de la curva en sus vrtices) se obtendr el error de comparacin segn cada mtodo.
Si ahora se invierten los papeles de las curvas (figura 3.26b), el punto de radio de
curvatura mnimo de la curva requerida (que ahora es la curva B) es el punto R0 y a partir de
ste se extrae el polgono caracterstico de esa curva. Por su parte, se evalan los radios de
curvatura mnimos locales dentro de la curva propuesta (que ahora es la curva A) y se obtienen
los puntos P0 a P3 (ordenados de menor a mayor radio de curvatura). Se extrae el polgono
caracterstico asociado a cada punto y se evala (segn cada mtodo) cual es el ms parecido
al polgono caracterstico de la curva requerida). Finalmente, se concluye que el ms parecido
es el polgono asociado al punto P1.
En conclusin, cuando la curva A acta como curva requerida, se comparan los
polgonos caractersticos de la figura 3.26a, mientras que cuando la B acta como curva
requerida se comparan los de la figura 3.26b. Como ambos polgonos no son iguales, los
resultados no coincidirn en ambos casos, por lo que no se cumplir en general el
requisito de conmutabilidad.
Figura 3.26. Modificacin de los polgonos caractersticos obtenidos al cambiar los roles de las curvas comparadas en
cuanto a cual acta como curva propuesta y cual como requerida.
Por lo tanto, en general no se cumplir este requisito en ninguno de los mtodos

anteriores. nicamente se cumplir cuando los polgonos caractersticos alcancen una mayor
coincidencia cuando estn asociados a los puntos de radio de curvatura mnimo en ambas
curvas. Pues entonces, ser lo mismo cual acte como requerida y cual acte como propuesta,
que es lo que ocurre en este ensayo para todos los mtodos salvo el MPE y el ABC.
Si se desea solucionar este problema, no queda ms alternativa que no basar el
polgono caracterstico en la curva que juega el papel de curva requerida. As se podra
135
determinar, por ejemplo, cual es el radio de curvatura mnimo en ambas curvas y el menor de
ambos decidir cual es la curva que acta como requerida, siendo la otra la propuesta. Este
procedimiento es insensible a intercambios en el rol de las curvas. Sin embargo, esto
supondra que cuando se desea comparar diferentes curvas propuestas con una misma curva
requerida (que es el caso de la sntesis aproximada de mecanismos para generacin de
trayectoria), en cada comparacin se tendra que evaluar de nuevo el polgono caracterstico
de la curva requerida, lo que duplicara el coste computacional. Debido a esto, y por ser ste un
requisito de escasa importancia en comparacin con otros en lo que a sntesis de
mecanismos se refiere, se ha optado por no modificar la metodologa y asumir que el requisito
no se cumplir en algunos casos.
3.7.3. Ensayo de comportamiento frente a cambio de tamao de la curva.

La siguiente experiencia realiza una comparacin de la curva requerida con otras
curvas resultantes al realizar una transformacin homottica (con centro el origen de
coordenadas) de la primera. De esta forma se han obtenido datos de la sensibilidad de cada
uno de los mtodos ensayados frente a la comparacin de curvas morfolgicamente iguales
pero de diferente tamao.
Para ello se han propuesto cinco nuevas curvas (llamadas Escal01 a Escal05) las
cuales se compararn a la curva requerida utilizando todos los mtodos. Estas curvas se han
generado mediante transformaciones homotticas de la curva requerida con centro el origen de
coordenadas y factores de homotecia 1.05, 1.1, 1.2, 1.5 y 10.0, respectivamente. En las figura
3.27 se muestran estas cinco curvas propuestas para este ensayo.
Como en el ensayo anterior, se utilizarn 8 puntos para comparar las curvas segn los
diferentes mtodos discretos.
136
Captulo 3
Figura 3.27. Curvas propuestas en el ensayo de comportamiento frente a cambio de tamao.
137
Figura 3.27 (continuacin). Curvas propuestas en el ensayo de comportamiento frente a cambio de tamao.
Los resultados de la comparacin de las curvas Escal01 a Escal05 con la curva

requerida por los diferentes mtodos se muestran en la tabla 3.15. Los valores iguales (o muy
prximos) a cero que se observan en dicha tabla muestran que, tal como fueron diseados y
corregidos, todos los mtodos ensayados (incluido el mtodo ABC) son insensibles al tamao
de las curvas comparadas. Adems, la columna BSC (Err. Aj.) indica que, al aplicar el mtodo
BSC, las diferentes curvas propuestas fueron convertidas a B-Splines con gran precisin, ya
que sus valores son despreciables frente al tamao de las curvas propuestas.
Curva
Escal1
Escal2
Escal3
Escal4
Escal5
LSOP
0
0
0
0
0
MPE
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
CC
ABC
BSC BSC(Err. Aj.)
0 3.0E-06 2.3E-05
1.598280
0
0 2.4E-05
1.790093
0
0 2.6E-05
2.168568
0 3.0E-06 3.1E-05
3.525317
0 3.0E-06 4.0E-04
6.497065
Tabla 3.15. Resultados del ensayo de comportamiento frente a cambio de tamao de la curva.
138
Captulo 3
3.7.4. Ensayo de comportamiento frente a cambio de posicin y orientacin

de la curva.
En esta experiencia se ha realizado la comparacin de la curva requerida (figura 3.24)
con otras curvas morfolgicamente iguales y del mismo tamao pero en diferente posicin y
orientacin con el fin de observar la dependencia de cada uno de los mtodos respecto de
estas transformaciones geomtricas. Para ello se han propuesto 4 nuevas curvas B-Splines
(Posic01 a Posic04) cuyos polgonos de control son iguales al polgono de control de la curva
requerida (esto asegura la igualdad morfolgica entre las curvas) pero estn situados en
diferentes posiciones y orientaciones en el plano. En concreto, las coordenadas de los vrtices
de dichos polgonos de control de las curvas propuestas vienen expuestas en la tabla 3.16, a la
vez que una representacin grfica de estas curvas propuestas y sus polgonos se puede
observar en la figura 3.28.
Posic01
Punto
0
1
2
3
Posic02
Y
5.00000
5.000000
101.59258 30.881905
75.71068 127.474487
66.05142 124.886297
X
10.000000
96.602540
46.602540
37.942286
Posic03
Y
10.000000 20.000000
60.000000 70.000000
146.602540 -16.602540
141.602540 -21.602540
Y
20.000000
106.602540
156.602540
147.942286
Posic04
X
Y
30.0 30.0
30.0 130.0
-70.0 130.0
-70.0 120.0
Tabla 3.16. Coordenadas de los vrtices de los polgonos de control de las curvas propuestas en el ensayo de
comportamiento frente a cambio de posicin.
139
Figura 3.28. Curvas propuestas en el ensayo de comportamiento frente a cambio de posicin y orientacin.
Como en los ensayos anteriores, en este ensayo se propone comparar las curvas
propuestas con la requerida utilizando 8 puntos de precisin en los mtodos discretos.
Los resultados de este ensayo se muestran en la tabla 3.17. En ella se observa que
todos los mtodos son insensibles a los cambios de posicin y orientacin de las curvas
comparadas pues no detectan diferencia alguna entre las curvas propuestas y la requerida,
siendo stas diferentes en posicin y orientacin. Asimismo, al ejecutar el mtodo BSC, se
observa que el error de ajuste en la conversin de las curvas propuestas en B-Splines es muy
pequeo (comparado con el tamao de las curvas), por lo que la conversin se ha realizado
con gran precisin y el error de comparacin calculado por este mtodo es fiable.
Curva
Posic1
Posic2
Posic3
Posic4
LSOP
0
0
0
0
MPE
0
0
0
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
CC
ABC
0 3.0E-06
0 3.0E-06
0
0
0
0
BSC BSC (Err. Aj.)

0
0.789728
0
0.789793
0
0.791073
0
0.791113
Tabla 3.17. Resultados del ensayo de comportamiento frente a cambio de posicin y orientacin.
140
Captulo 3
3.7.5. Ensayo 1 de comportamiento frente a deformacin progresiva de la

curva.
Los ensayos de progresividad son considerados los ms importantes y los que ms
influyen sobre la evaluacin de los mtodos. El motivo es que estos ensayos estudian la
evolucin de los mtodos de comparacin de curvas cuando las curvas comparadas
incrementan su diferencia. Dado que los mtodos de comparacin servirn como funcin
objetivo en la sntesis dimensional aproximada, el algoritmo de optimizacin se basar en el
gradiente de dichos mtodos para dirigirse hacia el ptimo. Si este gradiente no representa el
parecido de las curvas del espacio de diseo con la curva requerida, de manera
suficientemente realista, el ptimo al que se llegue podra resultar ser un falso ptimo.
As, este ensayo pretende estudiar la sensibilidad de los mtodos a la deformacin de
las curvas comparadas con el fin de comprobar si su gradiente en el espacio de diseo se
corresponde con la realidad y en qu medida. Para ello se utiliza la curva requerida definida en
3.7.1 y se consideran diferentes curvas propuestas obtenidas a partir de sta utilizando su
polgono de control para deformar progresivamente la curva.
Como en los ensayos anteriores, se han utilizado B-Splines con polgonos de control de
4 vrtices y grado 3 por su capacidad para ser deformadas asegurando siempre su continuidad
y suavidad. Se han considerado un total de 19 curvas propuestas adems de la curva
requerida de las que su representacin grfica y la de sus polgonos de control pueden ser
apreciadas en la figura 3.29, en ella se observa la deformacin progresiva de la curva requerida
hasta volver a su misma forma inicial en diferente posicin y orientacin. Asimismo, las
coordenadas de los vrtices de los polgonos de control de estas 19 curvas propuestas se
muestran en la tabla 3.18.
Con el fin de evaluar la progresividad de cada mtodo en este tipo de ensayo se
necesita un patrn que permita decidir si el mtodo ensayado refleja de forma adecuada la
progresividad en el cambio real de la forma de las curvas o, por el contrario, refleja una
progresividad que no est relacionada con ste cambio real de forma. Con este nico propsito
se ha propuesto el mtodo ABC (mtodo del rea entre las curvas), el cual, al ser un mtodo
integral, es ms sensible a las pequeas variaciones de forma de las curvas comparadas. Pese
a que, como se explic en su definicin, el mtodo ABC no es ideal de una forma estricta, su
formulacin permite considerarlo ms ideal que el resto de mtodos discretos, ejerciendo
adecuadamente su funcin de referencia.
Figura 3.29. Curvas propuestas en el ensayo 1 de deformacin progresiva (continua).
141
142
Captulo 3
Figura 3.29 (continuacin). Curvas propuestas en el ensayo 1 de deformacin progresiva.
Figura 3.29 (continuacin). Curvas propuestas para el ensayo 1 de deformacin progresiva.
143
144
Captulo 3
Figura 3.29 (continuacin). Curvas propuestas para el ensayo de deformacin progresiva.
Vrtice
Curva
Req.
Def01
Def02
Def03
Def04
Def05
Def06
Def07
Def08
Def09
Def10
Def11
Def12
Def13
Def14
Def15
Def16
Def17
Def18
Def19
0
X
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
1
Y
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
X
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
90.0
80.0
70.0
60.0
50.0
40.0
30.0
20.0
15.0
10.0
2
Y
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
X
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
3
Y
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
X
90.0
85.0
80.0
70.0
60.0
50.0
40.0
30.0
20.0
10.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
Y
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
100.0
Tabla 3.18. Vrtices de los polgonos de control de las B-Splines utilizadas como curvas propuestas en el ensayo de
deformacin progresiva de la curva.
Como se aprecia en la figura 3.29, la curva requerida es deformada progresivamente

(aumentando su diferencia de forma con la curva requerida) hasta la curva Def09. A partir de
ah la deformacin provoca que las curvas siguientes sean iguales a las anteriores pero en
145
diferente posicin y con diferente orientacin. Por tanto, la curva Def10 ser igual a la curva
Def09, la curva Def11 ser igual a la Def08 y as sucesivamente hasta llegar a la curva Def19
que ser igual a la curva requerida. De esta forma, al comparar las curvas Def01 a Def19 con
la curva requerida segn los diferentes mtodos, estos debern arrojar errores de comparacin
partiendo de valores muy cercanos a cero hacia valores en aumento (mximo en Def09) para
luego, volver a disminuir (con la misma tendencia con la que aument) hasta llegar a un valor
nulo en Def19.
Tras la realizacin del ensayo, comparando cada una de las curvas propuestas con la
curva requerida y utilizando 8 puntos de precisin en los mtodos discretos, se han obtenido
los resultados se muestran en la tabla 3.19.
Curva
Req
Def01
Def02
Def03
Def04
Def05
Def06
Def07
Def08
Def09
Def10
Def11
Def12
Def13
Def14
Def15
Def16
Def17
Def18
Def19
LSOP
0.0000
0.0000
0.0000
0.0002
0.0004
0.0007
0.0010
0.0014
0.0018
0.0022
0.0022
0.0018
0.0014
0.0010
0.0007
0.0004
0.0002
0.0000
0.0000
0.0000
MPE
0.0000
0.0000
0.0000
0.0002
0.0003
0.0006
0.0009
0.0012
0.0015
0.0018
0.0018
0.0015
0.0012
0.0009
0.0006
0.0003
0.0002
0.0000
0.0000
0.0000

0.0000 0.0000 0.0000 0.0000
0.0010 0.0008 0.0059 0.0076
0.0040 0.0033 0.0176 0.0264
0.0155 0.0128 0.0449 0.0810
0.0333 0.0275 0.0725 0.1425
0.0562 0.0465 0.0994 0.2019
0.0831 0.0691 0.1249 0.2533
0.1164 0.0974 0.1513 0.3005
0.1395 0.1218 0.1704 0.3487
0.1667 0.1450 0.1913 0.3817
0.1667 0.1450 0.1913 0.3817
0.1395 0.1218 0.1704 0.3487
0.1164 0.0974 0.1513 0.3005
0.0831 0.0691 0.1249 0.2533
0.0562 0.0465 0.0994 0.2019
0.0333 0.0275 0.0725 0.1425
0.0155 0.0128 0.0449 0.0810
0.0040 0.0033 0.0176 0.0264
0.0010 0.0008 0.0059 0.0076
0.0000 0.0000 0.0000 0.0000
CC
0.0000
0.0278
0.0958
0.2855
0.4876
0.6680
0.8060
0.9096
1.0297
1.0884
1.0884
1.0296
0.9096
0.8060
0.6680
0.4876
0.2855
0.0958
0.0278
0.0000
ABC
0.0000
0.0028
0.0055
0.0104
0.0151
0.0194
0.0235
0.0271
0.0303
0.0317
0.0317
0.0303
0.0271
0.0235
0.0194
0.0151
0.0104
0.0055
0.0028
0.0000
BSC BSC (Err. Aj.)

0.0000
0.7909
0.0006
0.7374
0.0013
0.3023
0.0067
1.4659
0.0141
1.4897
0.0282
1.6341
0.0474
1.5335
0.0744
1.3027
0.1100
1.6191
0.1284
0.2894
0.1284
0.2892
0.1101
1.6199
0.0744
1.3018
0.0474
1.5352
0.0282
1.6339
0.0141
1.4893
0.0067
1.4661
0.0013
0.3017
0.0006
0.7369
0.0000
0.7911
Tabla 3.19. Resultados del ensayo 1 de comportamiento frente a deformacin progresiva.
Los errores de comparacin calculados por los diferentes mtodos, pese a ser todos
adimensionales, no pueden ser comparados de forma absoluta puesto que son calculados
mediante algoritmos que no guardan relacin entre s. Sirven, por el contrario, para comparar
cualitativamente la progresividad de cada mtodo al comparar la misma familia de curvas
propuesta con la curva requerida. Con el fin de mejorar la comparacin se han reescalado los
resultados de cada mtodo (multiplicndolos por una constante) para poder minimizar el error
146
Captulo 3
67
cuadrtico entre estos resultados y los resultados del mtodo ABC, que servir de
68
referencia . Una vez hecho esto, se puede representar grficamente, para cada mtodo, el
error de comparacin obtenido al comparar cada una de las curvas propuestas con la curva
requerida, obteniendo una curva a la que se llamar curva de progresividad del mtodo en este
ensayo (figura 3.30). As, esta curva de progresividad representa, segn el mtodo al que
corresponde, la variacin de la forma de las curvas propuestas con respecto a la curva
requerida.
Tal como se ha razonado anteriormente, la curva de progresividad de los diferentes
mtodos en este ensayo deber ser simtrica y as se verifica en la figura 3.30.
1.30
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
ABC
BSC
1.20
Error de comparacin normalizado
1.10
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
Def19
Def18
Def17
Def16
Def15
Def14
Def13
Def12
Def11
Def10
Def09
Def08
Def07
Def06
Def05
Def04
Def03
Def02
Def01
Req
0.00
Curvas propuestas
Figura 3.30. Representacin de los resultados del ensayo 1 de comportamiento frente a deformacin progresiva.
67
Definido mediante la expresin 2 ( m ) =
(k
n
i =1
mtodo m,
Ci
Ci m
Ci
ABC
; siendo 2(m) el error cuadrtico correspondiente al
el error de comparacin de la curva i-sima con la requerida mediante el mtodo m, k una constante de
proporcionalidad para minimizar el error cuadrtico,
Ci
ABC
el error de comparacin de la curva i-sima con la requerida
mediante el mtodo ABC y n el nmero total de curvas comparadas con la requerida.

68 Por ser el mtodo ABC un mtodo integral, que integra las diferencias de entre las curvas en todos sus puntos, se adopta la
curva de progresividad del mtodo ABC como representativa de la deformacin progresiva real de las curvas propuestas frente a
la requerida.
147
En dicha figura, se observa cmo la progresividad indicada por todos los mtodos
excepto los mtodos PDCP2, PDCP3 y CC es muy similar, teniendo estos ltimos un
comportamiento ms cercano al del mtodo de referencia (mtodo ABC).
Con el fin de cuantificar la correlacin entre cada mtodo y el mtodo referencia ABC,
67
se ha determinado el error cuadrtico . Este error cuadrtico (minimizado anteriormente
mediante el reescalado de cada uno de los mtodos discretos) es un buen indicador de la
diferencia de comportamiento de cada mtodo en relacin al mtodo ABC. Tales resultados se
muestran en la figura 3.31. En ella se observa cmo los mtodos PDCP2, PDCP3 y CC tienen
un comportamiento mucho ms cercano al mtodo ABC que el resto de mtodos. De estos
tres, ninguno destaca sensiblemente sobre los dems y puede decirse que su comportamiento
es igualmente bueno.
0.12
Error cuadrtico con respecto al mtodo ABC
0.11
0.10
0.09
0.08
0.07
0.06
0.0501
0.05
0.04
0.0301
0.03
0.0254
0.0236
0.0264
0.02
0.01
0.0029
0.0039
0.0016
0.00
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
Mtodos de comparacin de curvas
CC
BSC
Figura 3.31. Error cuadrtico de cada mtodo discreto con respecto al mtodo ABC.

curva.
En este ensayo de progresividad se comparan curvas de diferente complejidad a las
utilizadas en el primero
148
Captulo 3
En efecto, en el ensayo anterior se utilizaron curvas sin puntos dobles y con una nica
vuelta de la tangente. Adems, las curvas utilizadas se caracterizaban por no tener ningn
punto de inflexin de la curvatura. Sin embargo, las curvas generadas por los mecanismos de
barras tradicionales mecanismo de cuatro barras, mecanismo biela-manivela, mecanismo de
cinco barras con engranajes, etc. no son nicamente curvas de esa complejidad, sino que
estos mecanismos tambin generan otras de diferente complejidad.
As, este ensayo es representativo del comportamiento de los mtodos al comparar
curvas del tipo de las que generan estos mecanismos tradicionales. Para ello se ha
seleccionado como curva requerida una B-Spline cbica con un punto doble y ninguna vuelta
completa de la tangente. Esta curva se comparar con una serie de curvas propuestas
obtenidas mediante deformacin progresiva de la curva requerida.
La curva requerida que se propone para este ensayo es una B-Spline cbica con un
polgono de control de 6 vrtices. Representaciones de esta curva y de su polgono de control
pueden observarse en la figura siguiente:
Figura 3.32. Curva requerida en el ensayo 2 de comportamiento frente a deformacin progresiva.
Esta curva requerida ser comparada con diferentes curvas propuestas que son
tambin B-Splines cbicas y con polgonos de control de 6 vrtices. Sus representaciones
grficas y la de sus polgonos se muestran en la figura 3.33. En ella se observa cmo se parte
de una curva DefA y se va incrementando su parecido a la curva requerida hasta llegar a la
curva DefF (que es muy similar a la requerida) para luego volver a incrementar la diferencia
desde la curva DefG hasta la DefL.
149
Figura 3.33. Curvas propuestas para en el ensayo 2 de comportamiento frente a deformacin progresiva (continua).
150
Captulo 3
Figura 3.33 (continuacin). Curvas propuestas en el ensayo 2 de comportamiento frente a deformacin progresiva.
151
Los resultados obtenidos en este ensayo se muestran en la tabla 3.20.
Curva
DefA
DefB
DefC
DefD
DefE
DefF
Req
DefG
DefH
DefI
DefJ
DefK
DefL
LSOP
0.0009
0.0008
0.0005
0.0002
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001
0.0001
0.0001
0.0002
MPE
0.0002
0.0001
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0001

0.0550 0.0411 3.5009 0.2230
0.0417 0.0332 2.9937 0.2163
0.0274 0.0278 2.1047 0.1285
0.0110 0.0133 1.6715 0.0753
0.0032 0.0032 0.9857 0.0214
0.0006 0.0006 2.5463 0.0548
0.0000 0.0000 0.0000 0.0000
0.0023 0.0020 2.1501 0.0392
0.0053 0.0046 2.6835 0.0616
0.0095 0.0082 2.5734 0.0843
0.0150 0.0130 0.9147 0.1080
0.0216 0.0189 3.4647 0.1328
0.0382 0.0336 1.3240 0.1859
CC
0.7689
0.6519
0.4051
0.2616
0.0760
0.2176
0.0000
0.1510
0.2327
0.3126
0.3929
0.4743
0.6426
ABC
0.0116
0.0090
0.0061
0.0047
0.0031
0.0016
0.0000
0.0033
0.0049
0.0065
0.0082
0.0098
0.0130
BSC BSC (Err. Aj.)

0.0265
1.4606
0.0140
4.9439
0.0115
10.6596
0.0129
3.4336
0.0039
4.0424
0.0008
5.8553
0.0000
3.2442
0.0010
3.4115
0.0044
9.2620
0.0131
12.0749
0.0372
10.6118
0.0386
13.5700
0.0934
11.4249
Tabla 3.20. Coordenadas de los vrtices del polgono de control de las curvas propuestas en el ensayo 2 de
comportamiento frente a deformacin progresiva.
Posteriormente, como se hiciera en el primer ensayo de progresividad, se escalan los

resultados de cada mtodo con el objetivo de minimizar el error cuadrtico entre el mtodo
considerado y el mtodo ABC, que sirve de referencia. Estos resultados pueden observarse en
la figura 3.34.
En esta figura se observa una mayor diferencia entre los mtodos de comparacin de
curvas y el mtodo ABC, que la que se observ en la figura 3.30 correspondiente al primer
ensayo de progresividad. Destaca por lo negativo el comportamiento del mtodo PDCP2, que
presenta mnimos locales en la curva de progresividad (en DefE y DefJ) que no existen en la
realidad. Por su parte, los mtodos PDCP3 y CC tambin presentan un mnimo no existente en
la curva DefE. Asimismo, el mtodo BSC tambin tiene una curva de progresividad irregular,
comparada con la del mtodo de referencia (ABC).
El resto de mtodos tienen un comportamiento que puede considerarse distanciado del
mtodo ABC, pero el gradiente de sus respectivas curvas de progresividad tienen una
tendencia similar al del mtodo ABC.
Con el fin de estimar el realismo del comportamiento progresivo de cada mtodo, ste
es contrastado con el comportamiento del mtodo ABC, que sirve de referencia. Para ello se
calcula el error cuadrtico de cada uno de los mtodos en relacin al mtodo ABC y se
obtienen resultados que se muestran en la figura 3.35.
Captulo 3
152
1.6
1.5
1.4
1.3
1.2
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
ABC
BSC
DefA
DefB
DefC
DefD
DefE
DefF
Req
DefG
DefH
DefI
DefJ
DefK
DefL
Curvas propuestas
0.12
0.1303
0.11
0.10
0.0851
0.09
0.0836
0.0764
0.08
0.07
0.06
0.0464
0.05
0.0398
0.04
0.03
0.0185
0.02
0.0124
0.01
0.00
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
Figura 3.35. Error cuadrtico de cada mtodo discreto con respecto al mtodo ABC en el ensayo 2 de comportamiento
frente a deformacin progresiva.
153
Esta figura indica que los mtodos de comportamiento ms realista (en el sentido de
ms parecidos al comportamiento del mtodo ABC) son el mtodo CC, el mtodo PDCP3 y el
mtodo PDCP1. Sin embargo, en esta figura no se han tenido en cuenta otras consideraciones
importantes como son la regularidad de la curva de progresividad de cada mtodo o la
existencia de mnimos locales no correspondientes a la realidad. Este ltimo aspecto es
considerado de especial importancia debido a que, como se ha comentado, puede conducir a
resultados errneos (falsos ptimos) en la optimizacin.

curva.
Un tercer ensayo de progresividad completar la muestra del comportamiento de los
mtodos en la comparacin de curvas que se deforman progresivamente. Para este ensayo, se
ha seleccionado una curva requerida de complejidad intermedia a la de los anteriores. Esta
curva, mostrada en la figura 3.36, posee puntos de inflexin y no posee ningn punto doble.
Figura 3.36. Curva requerida en el ensayo 3 de comportamiento frente a deformacin progresiva.
La curva requerida ser comparada con diferentes curvas propuestas obtenidas de

aquella por deformacin progresiva. En concreto se ha propuesto un total de 10 curvas
propuestas cuya geometra puede observarse en la figura 3.37.
154
Captulo 3
Figura 3.37. Curvas propuestas en el ensayo 3 de comportamiento frente a deformacin progresiva (continua).
155
Figura 3.37 (continuacin). Curvas propuestas en el ensayo 3 de comportamiento frente a deformacin progresiva.
Tras la comparacin de las diferentes curvas con la requerida, los resultados son
mostrados en la tabla 3.21.
156
Captulo 3
Curva
Req
Curva1
Curva2
Curva3
Curva4
Curva5
Curva6
Curva7
Curva8
Curva9
Curva10
LSOP
0.0000
0.0000
0.0001
0.0002
0.0003
0.0004
0.0003
0.0002
0.0001
0.0000
0.0000
MPE
0.0000
0.0000
0.0001
0.0001
0.0002
0.0004
0.0002
0.0001
0.0001
0.0000
0.0000

0.0000 0.0000 0.0000 0.0000
0.0031 0.0028 0.0145 0.0211
0.0131 0.0116 0.4226 0.1322
0.0311 0.0272 0.6407 0.1819
0.0581 0.0495 0.0581 0.1530
0.0835 0.0680 0.0660 0.2039
0.0582 0.0495 0.0582 0.1530
0.0312 0.0272 0.6407 0.1821
0.0131 0.0116 0.4219 0.1322
0.0031 0.0028 0.0145 0.0211
0.0000 0.0000 0.0000 0.0000
CC
0.0000
0.0762
0.4940
0.6845
0.4634
0.6269
0.4636
0.6845
0.4940
0.0762
0.0000
ABC
0.0000
0.0031
0.0060
0.0090
0.0119
0.0146
0.0119
0.0090
0.0060
0.0031
0.0000
BSC BSC (Err. Aj.)

0.0000
6.1123
0.0012
6.4393
0.0045
4.2583
0.0098
2.7225
0.0158
2.3109
0.0208
1.8859
0.0158
2.3111
0.0098
2.7233
0.0045
4.2588
0.0012
6.4386
0.0000
6.0077
Tabla 3.21. Resultados del ensayo 3 de comportamiento frente a deformacin progresiva.
Si se escalan los diferentes mtodos con el fin de que el error cuadrtico con respecto
al mtodo ABC sea mnimo tal como se describi en el ensayo 1 de progresividad, los
resultados son mostrados grficamente en la figura 3.38.
1.3
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
ABC
BSC
1.2
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
Req
Curva1
Curva2
Curva3
Curva4 Curva5 Curva6

Curvas propuestas
Curva7
Curva8
Curva9
Curva10
157
En ella se observa una curva de progresividad irregular para los mtodos PDCP2,
PDCP3 y CC. Estos mtodos presentan mnimos locales que no existen en la realidad, lo que
denota un gradiente poco realista.
El resto de mtodos tienen un comportamiento similar y ms o menos parecido al
comportamiento del mtodo de referencia (ABC).
Con el fin de cuantificar el parecido de cada mtodo con el mtodo ABC, se representa
el error cuadrtico (figura 3.39) de cada uno de los mtodos. Se observa un error elevado para
el mtodo PDCP2, mientras que el resto de mtodos presentan valores similares. Entre los
mejores se encuentran los mtodos BSC, PDCP3 y PDCP1, seguidos de cerca por el resto. Sin
embargo, esta grfica es deficiente en la representacin de la calidad de los mtodos, ya que
no incluye otras caractersticas como la irregularidad o mnimos locales inexistentes en las
curvas de progresividad.
0.12
0.1887
0.11
0.10
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.0334
0.0204
0.0238
0.0232
0.02
0.0201
0.0174
0.0126
0.01
0.00
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
Figura 3.39. Error cuadrtico de cada mtodo discreto con respecto al mtodo ABC en el ensayo 3 de comportamiento
frente a deformacin progresiva.
3.7.8. Ensayo de estabilidad.

Este ensayo pretende estudiar el comportamiento de los mtodos discretos mtodos
LSOP, MPE, PD, PDCP1, PDCP2, PDCP3 y BSC cuando este nmero de puntos
considerado crece desde un valor muy bajo a un valor elevado. Como se puso de manifiesto en
158
Captulo 3
3.4 (pgina 70), una de las caractersticas del mtodo discreto ideal es que el resultado
obtenido al comparar dos curvas sea independiente del nmero de puntos que se utilice para
realizar tal comparacin. Sin embargo, este ideal no es alcanzable y lo nico que se puede
exigir en la prctica es que los mtodos discretos sigan determinada tendencia de forma
estable cuando, comparando dos curvas, el nmero de puntos considerado crezca. Por lo
tanto, del ideal anteriormente enunciado se desprende un criterio de evaluacin: el mejor
mtodo discreto ideal (desde el punto de vista de la estabilidad) ser aquel que alcance la
69
estabilidad con un nmero menor de puntos de comparacin.
As pues, para realizar este ensayo, se debe seleccionar una curva propuesta y
compararla con la curva requerida variando el nmero de puntos de comparacin. Una
representacin grfica de los resultados obtenidos nos permitir observar la tendencia y el
70
umbral de estabilidad .
Con el fin de realizar un estudio completo, se ha realizado el ensayo de estabilidad con
tres curvas: la curva Def03, la Def06, y la Def09 (figura 3.29). Se han comparado cada una de
estas curvas con la curva requerida (figura 3.24) variando el nmero de puntos de comparacin
considerado desde 3 hasta 40. Los resultados obtenidos (normalizados para que su intervalo
de variacin sea [0,1]) se representan en las figuras 3.40, 3.41 y 3.42 (para las curvas Def03,
Def06 y Def09, respectivamente). En ellas se observa la curva de comportamiento de cada
mtodo para cada curva frente al nmero de puntos considerado.
Antes de analizar los resultados se ha de tener en cuenta que el umbral de estabilidad
de un mtodo depende del tipo de curvas que compare. En efecto, para un mismo mtodo si la
curva es muy simple, este umbral ser bajo mientras que si la complejidad de la curva es
elevada, el umbral ser ms alto. Las curvas utilizadas en este ensayo son de una misma
complejidad y, por lo tanto, los umbrales de los mtodos cuando comparan estas curvas
pueden ser contrastados directamente.
De los resultados se desprende que la mayora de los mtodos alcanzan una
estabilidad relativamente elevada con un nmero de puntos entre 10 y 15, siendo necesarios
ms puntos para los mtodos PDCP2 y BSC.
Se observan, asimismo, grandes oscilaciones que perduran cuando el nmero de
puntos crece para el mtodo PDCP2. Las causas de esta gran oscilacin son descritas en 3.8.
69 Se considera que un mtodo, cuando es utilizado para comparar dos curvas variando el nmero de puntos, ha alcanzado la
estabilidad cuando se ha alcanzado un nmero de puntos de comparacin lo suficientemente elevado como para que el mtodo
siga determinada tendencia sin fluctuaciones.
70
Nmero de puntos a partir del cual el mtodo se comporta de forma estable.
159
1.1
1.0
0.9
0.8
0.7
0.6
0.5
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
0.4
0.3
0.2
0.1
0.0
0
10
15
20
25
Nmero de puntos de comparacin
30
35
40
Figura 3.40. Variacin del error de comparacin de la curva Def03 con la curva requerida por los diferentes mtodos
cuando vara el nmero de puntos de comparacin.
1.1
1.0
0.9
0.8
0.7
0.6
0.5
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
0.4
0.3
0.2
0.1
0.0
0
10
15
20
25
30
35
40
160
Captulo 3
1.1
1.0
0.9
0.8
0.7
0.6
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
0.5
0.4
0.3
0.2
0.1
0.0
0
10
15
20
25
30
35
40
El mtodo BSC, cuando el nmero de puntos considerado es bajo, presenta grandes

fluctuaciones que no son representativas de la estabilidad del mtodo. El motivo es que cuando
se consideran pocos puntos no es posible convertir las curvas comparadas en B-Splines y, los
polgonos de control obtenidos no son representativos de las curvas iniciales, por lo que los
resultados de comparar tales polgonos tampoco lo sern. El resto de mtodos tiene un
comportamiento errtico con pocos puntos obteniendo una considerable estabilidad a partir de
7 puntos para curvas de esta complejidad.
En cuanto a las tendencias, todos los mtodos tienden a cero cuando el nmero de
puntos tiende a infinito, si bien la tendencia es menor en los mtodos MPE y LSOP (este ltimo
llega a tener un comportamiento casi asinttico).
Otra consideracin que se puede realizar es que los mtodos LSOP, MPE, PD y
PDCP1 tienen un comportamiento estable muy similar en las tres curvas comparadas, lo cual
es representativo de que su estabilidad depende poco de la forma de las curvas comparadas,
siempre que sean de la misma complejidad.
3.7.9. Evaluacin del coste computacional.

Si se tiene en cuenta que los mtodos de comparacin de curvas van a ser utilizados
para buscar la curva que ms se parece a la requerida dentro del espacio de diseo, el nmero
161
de comparaciones entre curvas que se va a llevar a cabo es tan elevado que resulta
especialmente importante realizar una evaluacin comparativa del coste computacional de los
mtodos.
El coste computacional se expresa en unidades de tiempo (segundos) y en el presente
caso, depende de muchos factores, como por ejemplo la potencia de clculo del ordenador
utilizado, de la complejidad de las curvas comparadas, del nmero de puntos considerado, etc.
No tiene objeto, por tanto, evaluar este coste computacional en trminos absolutos y s en
trminos relativos.
Con el objetivo de recabar la mxima informacin posible en cuanto al coste
computacional, se ha estudiado su evolucin respecto al nmero de puntos considerados. Para
ello, se ha considerado los mismos ejemplos que en el ensayo de estabilidad, prestando
atencin al coste computacional de los mtodos cuando el nmero de puntos vara entre 3 y
40.
70
0.35
60
0.3
50
0.25
40
0.2
30
LSOP(Eje 1)
PDCP1(Eje 1)
CC(Eje 1)
0.15
0.1
MPE(Eje 1)
PDCP2(Eje 1)
BSC(Eje 2)
PD(Eje 1)
PDCP3(Eje 1)
20
Eje 2. Coste computacional (seg)
80
0.4
0.45
10
0.05
0
0
0
10
15
20
25
30
35
40
Figura 3.43. Variacin del coste computacional al comparar la curva Def03 con la curva requerida por los diferentes
mtodos cuando vara el nmero de puntos de comparacin.
162
Captulo 3
80
0.7
0.6
MPE(Eje 1)
PDCP2(Eje 1)
BSC(Eje 2)
PD(Eje 1)
PDCP3(Eje 1)
70
60
0.5
50
0.4
40
0.3
30
0.2
20
0.1
LSOP(Eje 1)
PDCP1(Eje 1)
CC(Eje 1)
10
0
0
10
15
20
25
30
35
40
1.2
60
PD(Eje 1)
PDCP1(Eje 1)
PDCP2(Eje 1)
PDCP3(Eje 1)
CC(Eje 1)
MPE(Eje 1)
BSC(Eje 2)
50
0.8
40
0.6
30
0.4
20
0.2
LSOP(Eje 1)
10
0
0
10
15
20
25
30
35
40
163
Para la estimacin del coste computacional, cuando ste supone un tiempo de

computacin muy bajo (del orden de centsimas de segundo) se ha cronometrado cada una de
las tareas un nmero repetido de veces con el objetivo de lograr una mayor precisin.
Al realizar la comparacin de los mtodos con las curvas Def03, Def06 y Def09,
variando el nmero de puntos considerado, se han obtenido resultados que pueden observarse
en las figuras 3.43, 3.44 y 3.45, respectivamente. En cada figura se observa cmo vara el
coste computacional de cada mtodo discreto en funcin del nmero de puntos considerado.
Se observa que el mtodo BSC tiene un coste computacional (referido al eje
secundario de ordenadas en las figuras) muy elevado (del orden de 500 veces superior al del
resto de mtodos. Adems, este coste computacional tiene una dependencia irregular respecto
del nmero de puntos de comparacin considerado. Esto puede achacarse al efecto fortuito
que queda incluido al convertir la curva en B-Spline, que puede resultar ms o menos costoso
dependiendo de cmo de buena sea la primera estimacin del polgono de control.
El resto de mtodos estudiados tiene un coste computacional que se ajusta
considerablemente bien a una tendencia de crecimiento lineal. Entre ellos, el mtodo MPE
tiene un coste computacional superior, siendo el del resto de mtodos muy similar.
Al margen de la evaluacin relativa, hay que hacer notar que en trminos absolutos, el
coste computacional de todos los mtodos (excepto el BSC) es muy bajo y la comparacin de
dos curvas se realiza en tiempos del orden de centsimas de segundo. As pues, estos
mtodos son adecuados para ser utilizados en una comparacin masiva de curvas con el
objetivo de encontrar la ms parecida a la curva requerida.
3.8. Anlisis de resultados y conclusiones.

De los ensayos realizados, de los cuales una representacin se ha expuesto en el
epgrafe anterior, se pueden extraer conclusiones relevantes sobre el comportamiento de los
mtodos de comparacin de curvas cerradas.
Se ha observado que los mtodos existentes estudiados en 3.4 (con las
modificaciones realizadas en 3.6) y los nuevos mtodos propuestos en 3.5 son insensibles a
la posicin, orientacin y tamao de las curvas comparadas. Esto supone una importante
reduccin del tamao del espacio de diseo en la bsqueda del mecanismo ptimo para
reproducir una trayectoria. Como ejemplo, el nmero de dimensiones necesarias para
concretar una curva trazada por un mecanismo de cuatro barras (incluyendo su posicin y
orientacin) es 9, por lo que, cuando se busca el mejor mecanismo de cuatro barras para
reproducir una trayectoria, el espacio de diseo tendr 9 dimensiones. Sin embargo, si se
utilizan mtodos independientes de la posicin, orientacin y tamao de las curvas
comparadas, el espacio de diseo llega a tener solamente 5 dimensiones, con lo que se ha
164
Captulo 3
conseguido una reduccin de 4 dimensiones (2 correspondientes a la posicin, una

correspondiente a la orientacin y otra correspondiente al tamao del mecanismo).
Del ensayo de conmutabilidad (3.7.2) se desprende que el esfuerzo que se ha
realizado con el fin de independizar los resultados de la comparacin respecto de la
parametrizacin de las curvas (y, en concreto, respecto del origen de tal parametrizacin) han
supuesto el incumplimiento de este requisito. Se han evaluado las alternativas y, finalmente se
han desestimado los cambios debido a que el incumplimiento de este requisito por parte de los
mtodos no supone ningn perjuicio en el proceso de optimizacin en el que van a ser
incluidos, a la vez que supondra un incremento sustancial del coste computacional, lo que si
perjudicara la optimizacin. As pues, se asume que los mtodos no van a cumplir este
requisito.
Por su parte, los ensayos de deformacin progresiva son enormemente reveladores del
comportamiento de los mtodos cuando comparan curvas parecidas, lo cual resulta de especial
importancia durante la optimizacin. El primer ensayo de progresividad (3.7.5) demuestra que
los mtodos que incluyen la curvatura (o el radio de curvatura) tales como PDCP2, PDCP3 y
CC, tiene un comportamiento especialmente adecuado para el tipo de curvas ensayadas
(tomando como referencia el mtodo ABC). Por otro lado, el resto de mtodos tienen un
comportamiento similar (figuras 3.30 y 3.31). En el segundo ensayo (3.7.6) se comparan
curvas de complejidad diferente a las del primer ensayo y los resultados muestran que los
mtodos PDCP2 presenta un comportamiento considerablemente ms distante del
comportamiento del mtodo ABC que en el primer ensayo. Ms parecido al comportamiento del
mtodo ABC es el de los mtodos PDCP3 y CC, aunque presentan mnimos locales en la curva
de progresividad que no existen en la realidad (figuras 3.34 y 3.35). De la misma forma, el
comportamiento de los mtodos LSOP y MPE es mucho menos adecuado en este segundo
ensayo que en el primero. Finalmente, el tercer ensayo de progresividad muestra un
comportamiento del mtodo PDCP2 muy diferente del mtodo de referencia ABC. Ms similar
al mtodo ABC es el comportamiento de otros mtodos como el PDCP3 y CC. Sin embargo, de
nuevo se pone de manifiesto la irregularidad de la curva de progresividad de estos dos ltimos.
Por su parte, el resto de mtodos tienen una curva de evolucin adecuada y, en algunos casos,
ms parecida a la del mtodo de referencia ABC que en otros.
Un anlisis que se puede realizar a partir de los dos ensayos de progresividad es
estudiar cmo vara el comportamiento de cada mtodo en los diferentes ensayos de
progresividad (es decir, cuando cambia el tipo o complejidad de las curvas comparadas)
respecto del mtodo ABC utilizado como patrn. Para ello se comparan los errores cuadrticos
obtenidos en ambos ensayos (tabla 3.22), obteniendo el valor medio, la diferencia entre los
valores y el error relativo de un ensayo a otro respecto al valor medio. Considerando que el
error cuadrtico de cada mtodo muestra la diferencia de comportamiento entre el mtodo en
cuestin y el mtodo ABC, se observa que todos los mtodos presentan una cambio no
despreciable, representado por el error relativo. De todos estos, el ms estable es el mtodo
165
PDCP1, cuyo error cuadrtico respecto al mtodo ABC flucta un 68.5% respecto al valor medio
en los tres ensayos de progresividad.
2 ensayo 1
2 ensayo 2
2 ensayo 3
Valor medio
Diferencia mxima
r (respecto valor medio)
LSOP
0.0301
0.1303
0.0204
0.0603
0.1099
182.2%
MPE
0.0254
0.0851
0.0238
0.0448
0.0612
136.7%
PD
0.0236
0.0464
0.0232
0.0311
0.0232
74.6%
PDCP1
0.0264
0.0398
0.0201
0.0288
0.0197
68.5%
PDCP2
0.0029
0.0764
0.1887
0.0893
0.1859
208.1%
PDCP3
0.0039
0.0185
0.0174
0.0133
0.0146
110.3%
CC
0.0016
0.0124
0.0334
0.0158
0.0319
201.5%
BSC
0.0501
0.0836
0.0126
0.0488
0.0711
145.7%
Tabla 3.22. Tabla comparativa de los errores cuadrticos de los mtodos discretos en los ensayos de progresividad.
Del ensayo de estabilidad se deriva que la mayora de los mtodos tienen un

comportamiento relativamente estable frente a cambios en el nmero de puntos considerado.
Excepciones son los mtodos PDCP2 y BSC. El anlisis del mtodo BSC permite observar que
este mtodo tiene un comportamiento poco fiable cuando el nmero de puntos utilizados es
bajo, ya que en tal caso no es posible realizar la conversin de las curvas originales en BSplines y la comparacin de los polgonos de control obtenidos no son representativos de la
comparacin de las curvas originales.
Por su parte, el mtodo PDCP2 presenta un problema adicional an no explicado. Este
problema viene por la inclusin del radio de curvatura de la curva en el coeficiente Rb de la
ecuacin (3.47). Dado que gran parte de las curvas generadas por mecanismos presentan
puntos de inflexin (en los que el radio de curvatura es infinito), cuando uno de los puntos
considerados en el mtodo PDCP2 alcanza un de estos puntos de inflexin (o est situado en
una posicin cercana), el radio de curvatura llega a ser muy elevado, encontrando una gran
discrepancia con el radio de curvatura de la otra curva en el punto homlogo. Es ms, aunque
los dos puntos homlogos sobre las curvas comparadas estn en un entorno cercano de
puntos de inflexin, la probabilidad de que los valores de los radios de curvatura respectivos
sean similares es muy pequea siendo la diferencia entre ambos, en general, elevada. As, en
el ensayo 1 de progresividad, las curvas comparadas no tienen puntos de inflexin, por lo que
el mtodo PDCP2 tiene un comportamiento excepcionalmente bueno (referido al
comportamiento del mtodo patrn ABC). Sin embargo, en los ensayos 2 y 3 de
progresividad, las curvas comparadas tienen puntos de inflexin y este mtodo acusa el hecho
de que el radio de curvatura pueda tomar valores muy elevados.
Por otro lado, si se aumenta el nmero de puntos considerado en una curva con puntos
de inflexin, la probabilidad de que uno de los puntos se site en o cerca de un punto de
inflexin es cclica con respecto al nmero de puntos. En efecto, si una curva distribuye 4
puntos en su longitud y uno de ellos est en un punto de inflexin, cuando se consideren 5
166
Captulo 3
puntos, el punto de inflexin estar entre dos puntos, y tambin cuando se consideren 6 7.
Sin embargo al considerar 8 (que es mltiplo de 4), de nuevo un punto estar en el punto de
inflexin. Este es el motivo por el cual el mtodo PDCP2 presenta oscilaciones peridicas
(aunque amortiguadas al aumentar el nmero de puntos) en el ensayo de estabilidad (3.7.8).
En cuanto al coste computacional, todos los mtodos discretos tienen un coste

computacional muy similar salvo el mtodo BSC, cuyo coste computacional es del orden de 500
veces superior al de los dems mtodos, lo que hace que no resulte competitivo.
Los mtodos que incluyen el radio de curvatura (o su inversa, la curvatura), demuestran

tener otros factores negativos que constituyen desventajas importantes. El fundamental es la
existencia de mnimos locales irreales en sus curvas de progresividad. Estos mnimos los
hacen inadecuados para el proceso de optimizacin debido a que demuestra que estos
mtodos de comparacin conduciran al algoritmo de optimizacin a un falso ptimo. El resto
de mtodos no presentan mnimos de este tipo, teniendo un comportamiento progresivo
adecuado, ya se ajuste ms o menos al comportamiento del mtodo que sirve de referencia
(ABC).
Valor
ideal
Cumplimiento de
requisitos
Comportamiento
progresivo
Estabilidad frente a
cambio de tipo de las
curvas comparadas
Estabilidad frente al
nmero de puntos
considerados
Coste computacional
Otros factores
negativos
Todos
LSOP
MPE
PD
PDCP1
PDCP2
PDCP3
CC
BSC
Todos71 Todos71 Todos71 Todos71 Todos71 Todos71 Todos71 Todos71

Muy
bueno
Muy
bueno
Regular
Baja
Baja
Baja
Baja
Alta
Baja
Alta
Alta
Baja
Bajo
Bajo
Bajo
Bajo
Bajo
Muy alto
No
No
S72
S72
S72
No
Muy
bueno
Malo
Regular
Bueno
Muy
alta
Baja
Baja
Media/
Baja
Media
Alta
Alta
Alta
Alta
Bajo
Bajo
Medio/
Bajo
No
No
No
Bueno
Malo
Tabla 3.23. Cuadro resumen de evaluacin de los mtodos discretos de comparacin de curvas.
71
Excepto el requisito de conmutabilidad.
72
Como se ha visto, presenta un comportamiento deficiente cuando las curvas comparadas tienen puntos de inflexin.
167
En resumen, y de una forma cualitativa, la tabla 3.23 presenta un resumen de la

evaluacin de los diferentes mtodos. En ella se observa, que el mtodo PDCP1 es el que
presenta un comportamiento global ptimo segn los aspectos estudiados, seguido del mtodo
PD, obteniendo los mtodos LSOP y MPE calificaciones menores hasta llegar a los mtodos
PDCP2 y BSC que son los que obtienen una peor calificacin.
As pues, y a raz de los ensayos realizados, se considera que el mtodo PDCP1 es el
que mejor comportamiento global presenta y es, por tanto, el ms indicado para constituir la
funcin objetivo de un problema de sntesis dimensional aproximada de mecanismos planos
para generacin de trayectoria. En segundo lugar, el mtodo PD tiene un comportamiento
tambin considerablemente ptimo en la mayora de las condiciones.
Los mtodos tradicionales (LSOP) han demostrado tener varias desventajas a la hora
de medir de forma discreta el parecido o la diferencia entre dos curvas cerradas planas, por lo
que su uso en la comparacin de curvas es considerablemente peor que el de los mtodos
anteriores.
&DStWXOR
&RPSDUDFLyQGHFXUYDVSODQDVDELHUWDV
4.1. Introduccin.
Este captulo est relacionado con la sntesis de mecanismos para la generacin de
tramos abiertos de curva. Aunque en la literatura se ha diferenciado este caso del de
generacin de curvas cerradas en muy pocas ocasiones, el problema muestra ser muy
diferente en su planteamiento si se analiza en profundidad.
Uno de los escasos planteamientos destinados a la sntesis de curvas abiertas es el
trabajo realizado por Akali y Dittrich (Akali y Dittrich, 1989b), los cuales aplicaron el mtodo
de subdominio a la sntesis dimensional de mecanismos planos. Este mtodo se basa en la
obtencin de la ecuacin de desplazamiento de la trayectoria generada por el mecanismo
plano sujeto a sntesis, en funcin de las variables de diseo del mismo, consiguiendo una
ecuacin del tipo:
H ( x , y , t , d1 , d 2 ,
, d ) = 0
n
(4.1)
siendo x e y las coordenadas de cada punto de la trayectoria generada por el mecanismo, t el

parmetro de entrada del mecanismo y d1, d2, ..., dn las variables de diseo del mismo.
Por otro lado, la curva abierta requerida constituye una relacin conocida que se debe
cumplir entre las coordenadas x e y de los puntos de la curva generada. Utilizando esto, el
mtodo de sntesis planteado por Akali y Dittrich pretende determinar el valor de las
dimensiones para que la ecuacin (4.1) se cumpla cuando las variables x e y se sustituyen por
las de la curva abierta requerida (en tal caso, dicha curva cumplira la ecuacin de
desplazamiento del mecanismo y el problema se habra solucionado de forma exacta). Como
esto no ser posible salvo para algunos pocos casos, Akali y Dittrich proponen una
aproximacin que consiste en dividir el segmento de curva abierta (requerida) en m tramos
(subdominios) entre los puntos (x0, y0), (x1, y1), ..., (xm, ym) y, posteriormente, plantear la integral
de la ecuacin (4.1) en cada tramo:
170
Captulo 4
xi +1
xi
H ( x, y ( x ), t , d1 , d 2 ,
, d ) dx = 0
n
i = 0, 1, ..., m-1
(4.2)
Estas integrales constituyen un sistema de m ecuaciones en las que x es la variable de

integracin e y est relacionada con x por medio de la definicin de la curva requerida. Las
incgnitas son las dimensiones d1, d2, ..., dn y la variacin del parmetro de entrada del
mecanismo t.
Como se observa, existen ms incgnitas que ecuaciones y se hace necesario
determinar la variacin del parmetro para que el sistema de ecuaciones sea resoluble. Akali
y Dittrich propusieron una variacin lineal del parmetro de entrada del mecanismo con
respecto a la variacin x de la curva abierta requerida. Es decir, la dependencia de t con x
queda definida mediante la ecuacin:
t ( x) = t0 +
t
x
( x x0 )
(4.3)
De esta ecuacin, x es conocido (igual al incremento de la coordenada x de la curva

abierta requerida entre sus puntos extremos) y x0 es la coordenada x del primer punto de la
curva abierta requerida. Por su lado, t0 es el valor del parmetro de entrada del mecanismo a
partir del cual se pretende trazar la curva abierta requerida y t es el incremento de este
parmetro de entrada dentro del cual se trazar dicha curva. Segn los autores de este
procedimiento, estos dos ltimos parmetros deben ser concretados (de acuerdo con los
requisitos de la sntesis) antes de poder continuar con la resolucin del problema.
Tras esto, el problema se ha reducido a un sistema con tantas ecuaciones como
incgnitas que puede ser resuelto determinando el valor de las dimensiones del mecanismo.
Este sistema de ecuaciones es casi siempre lineal pero la matriz de coeficientes involucra
diferentes integrales sobre la variacin de x e y en la curva abierta requerida.
Grficamente, el planteamiento del mtodo de subdominio est representado en la
figura 4.1. En ella se observa un mecanismo de 4 barras con sus 9 variables dimensionales y
su sntesis requiere determinar estas dimensiones para que el punto trazador dibuje un tramo
de trayectoria abierta (requerida). Como se cuenta con 9 incgnitas, ser necesario dividir la
curva abierta requerida en 9 tramos dentro de cada uno de los cuales se lleva a cabo la
integral.
Hay que considerar que el hecho de que la integral de una funcin sea cero en un
intervalo no implica que dicha funcin sea nula en todo el intervalo. Teniendo esto en cuenta, el
mtodo propuesto por Akali y Dittrich es un mtodo aproximado que asegura que en cada
intervalo, el rea bajo las curvas requerida y generada sean iguales, pero no necesariamente
ambas curvas (y as lo demuestran los autores en sus ejemplos).
Comparacin de curvas planas abiertas
171
Figura 4.1. Aplicacin del mtodo de subdominio a la sntesis del mecanismo de 4 barras.
La principal ventaja de este mtodo es la rapidez, ya que permite obtener un

mecanismo solucin de una forma directa (sin iteraciones) con un coste computacional
despreciable (tan solo el tiempo que se tarda en realizar las integrales de las variables de la
curva abierta requerida). En contra est el hecho de que aporta una nica solucin y que su
calidad es relativa, no asegurndose la consecucin del ptimo global dentro de todo el
espacio de diseo.
Una alternativa al mtodo de Akali y Dittrich es plantear la sntesis como un problema

de optimizacin. En tal caso (y como se ha visto anteriormente para curvas cerradas), la
optimizacin de las dimensiones de un mecanismo para que ste sea capaz de generar un
tramo de curva abierta implica la comparacin de la trayectoria generada por el mecanismo y la
curva abierta requerida. La curva generada puede ser cerrada en el caso de que la barra de
entrada del mecanismo realice un ciclo completo sin que el mecanismo se bloquee o abierta
si antes de completar un ciclo el mecanismo se bloquea. Por lo tanto, la curva abierta
requerida deber ser comparada con las curvas abiertas y cerradas que genera el mecanismo
cuando se modifican sus dimensiones, permitiendo al algoritmo de optimizacin llegar a un
ptimo.
La comparacin de una curva plana abierta (en adelante tambin llamada curva
requerida) con otra curva plana abierta o cerrada (en adelante llamada curva propuesta)
implica otro problema que es el de la superposicin de las curvas. Esta superposicin no solo
172
Captulo 4
depende de la posicin, orientacin y escala de las curvas, sino que adems depende del
punto de la curva propuesta a partir del cual se superpone la curva abierta. En la figura 4.2 se
muestra una curva abierta y tres posibilidades de adaptacin de sta en una curva propuesta
(en este caso cerrada). Como se observa, variando la posicin, orientacin y escala de la curva
abierta se pueden conseguir numerosas posibilidades de adaptacin de las que habr que
seleccionar la ptima.
Figura 4.2. Posibilidades de adaptacin de una curva abierta en otra curva.
Pero la superposicin ptima de la curva requerida sobre la curva propuesta no es un

problema sencillo. Se trata de una optimizacin en la que intervienen como variables de diseo
la posicin, orientacin y escala de la curva requerida (considerando que la curva propuesta
est fija con una determinada posicin, orientacin y escala) es decir, en el caso plano
intervienen dos coordenadas de posicin, un ngulo de orientacin y un factor de escala, que
constituyen un espacio de diseo de 4 dimensiones. Pero adems, la superposicin tambin
es dependiente del sentido segn el cual se recorren las dos curvas y de la posible simetra de
las curvas (lo que aumenta el espacio de diseo).
Por otro lado, el problema de sntesis dimensional aproximada para generacin de
trayectoria consta de otro espacio de diseo cuyas dimensiones son las variables de diseo del
mecanismo. Un planteamiento posible es el de aadir las variables de diseo del problema de
superposicin ptima a las del problema de sntesis y realizar una optimizacin considerando
todo el conjunto de variables. Sin embargo, esta posibilidad tiene la importante desventaja de
que aumenta considerablemente el espacio de diseo del problema de sntesis al aadir 4
nuevas dimensiones. Pero adems, las nuevas dimensiones del mismo incrementan la no
173
73
linealidad de la funcin objetivo en el espacio de diseo . Por otro lado el espacio de diseo
aadido puede contener varios mnimos locales considrese que la curva requerida puede
adaptarse a la curva propuesta segn diferentes posibilidades, tal como muestra la figura 4.2
los cuales se combinan con los ya existentes en espacio de diseo del problema de sntesis al
aadir las nuevas dimensiones correspondientes al problema de superposicin.
Consecuentemente, en el nuevo espacio de diseo habra aumentado la no linealidad y el
nmero de mnimos locales de una forma no despreciable, con lo que el problema de
optimizacin se complicara, reducindose la probabilidad de encontrar el ptimo global del
problema de sntesis.
Otra posibilidad es separar ambos problemas de optimizacin y realizar por un lado la
optimizacin de la adaptacin de la curva (abierta) requerida sobre la propuesta y, por otro, la
optimizacin de las dimensiones del mecanismo. Esta opcin es ventajosa cuando lo que se
persigue es encontrar el ptimo global ya que se independizan los mnimos locales de uno y
otro problemas de optimizacin. Sin embargo, utilizando esta estrategia se incluye la
optimizacin de la adaptacin dentro de la funcin objetivo del problema de sntesis
dimensional, lo que puede incrementar el coste computacional. Ser necesario, pues, formular
el problema de optimizacin de la adaptacin prestando especial atencin a este coste
computacional.
4.2. Requisitos de los mtodos de comparacin de curvas abiertas.

Los requisitos exigibles a cualquier mtodo de comparacin de curvas destinado a ser
la funcin objetivo en sntesis dimensional aproximada para generacin de trayectorias abiertas
son similares a los exigidos en comparacin de curvas cerradas (3.2).
Para asegurar la disminucin del espacio de diseo (eliminando variables que no son
imprescindibles) se han de respetar los requisitos de independencia de posicin, orientacin,
escala y parametrizacin de las curvas comparadas descritos en 3.2. Para que el algoritmo de
optimizacin pueda converger hacia el ptimo deben respetarse los requisitos de identificacin
y de progresividad. Finalmente, el requisito de conmutabilidad no es exigible en este caso, ya
que el intercambio de roles de las curvas requerida (abierta) y propuesta (cerrada/abierta)
carece de sentido.
El requisito de identificacin resulta especialmente importante como ocurriera con
curvas cerradas, pero tiene una significacin especial en comparacin de curvas abiertas.
Dado que las curvas no son iguales, este requisito debe ser redefinido para que sea til este
73 Ya que, como se comprobar ms adelante, el problema de superposicin ptima se caracteriza por una elevada falta de
linealidad.
174
Captulo 4
caso: el mtodo de comparacin de una curva abierta (requerida) con una curva abierta o
cerrada (propuesta) debe indicar que no existe ninguna diferencia cuando la primera curva
abierta sea exactamente igual a un tramo de la segunda curva. As pues, para el cumplimiento
de este requisito el mtodo de comparacin debe, primeramente, ser capaz de encajar la curva
requerida dentro de la propuesta en la posicin, orientacin y escala adecuadas para que
ambas curvas coincidan perfectamente en el intervalo ocupado por la requerida.
Posteriormente se ha de cuantificar la diferencia entre ambas curvas obteniendo, lgicamente,
un valor nulo. La dificultad en el cumplimiento de este requisito estriba, por tanto, en realizar la
adaptacin perfecta de la curva abierta requerida sobre la curva propuesta.
Por otro lado y como ocurriera con la comparacin de curvas cerradas, si la
comparacin realizada no es de tipo continuo es decir, es una comparacin que se realiza en
puntos discretos, es un requisito aconsejable que el mtodo de comparacin sea lo ms
independiente posible del nmero de puntos considerados en la discretizacin. Como es
probable que en los mtodos propuestos no se llegue al ideal de independencia total, este
criterio servir para calificar a los diferentes mtodos segn stos se acerquen menos o ms a
la independencia ideal.
4.3. Propuesta de nuevos mtodos de comparacin de curvas

abiertas.
Como se ha visto en 4.1, el problema de sntesis para la generacin de curvas
abiertas supone la adicin de 4 nuevas variables al espacio de diseo formado por las
variables dimensionales del mecanismo. Una estrategia posible es dividir el problema de
optimizacin global obtenido en dos subproblemas. Uno consistente en, dada una curva
propuesta, la determinacin de la posicin, orientacin y tamao de la curva requerida para que
la superposicin con la propuesta sea ptima (optimizacin de la superposicin). El otro ser el
de la determinacin de las dimensiones del mecanismo para una mejor reproduccin de la
curva requerida (optimizacin de las dimensiones del mecanismo). Con la subdivisin es muy
74
probable que se simplifique la tarea de encontrar el ptimo global pero entonces el coste
computacional del problema de superposicin ptima pasa a tener especial importancia.
Consecuentemente, si se adopta esta opcin, se hace necesario buscar tcnicas que permitan
minimizar el coste computacional en el problema de superposicin.
Es posible simplificar este problema si se utilizan ciertos criterios de adaptacin de la
curva requerida sobre la propuesta. Por ejemplo, si se impone que la adaptacin debe
realizarse siempre de forma que los puntos inicial y final de la curva requerida estn sobre la
74
Ya que al partir en dos las dimensiones del espacio de diseo global, este se reduce considerablemente (vase captulo 5).
175
curva propuesta, el problema de adaptacin queda limitado a encontrar ambos puntos en la

curva propuesta (o mejor, los dos valores del parmetro de la curva en esos dos puntos) para
que la superposicin sea ptima. En este nuevo planteamiento, el problema de adaptacin
cuenta solo con dos variables, con lo que se ha visto simplificado considerablemente.
A continuacin se describen los mtodos propuestos para reducir el nmero de
variables de la superposicin en la comparacin de una curva abierta con otra curva abierta o
cerrada. Para que la comparacin sea totalmente independiente de la parametrizacin es
necesario considerar las dos alternativas posibles en el sentido en el que se recorren las
curvas. De la misma forma, para conseguir que la comparacin sea independiente de posibles
simetras de las curvas, es necesario que se considere este aspecto en la comparacin. Sin
75
embargo, para simplificar el estudio, a continuacin no se considera cambio de sentido ni
posible simetra de las curvas. Este aspecto ser tratado posteriormente al final del captulo.
4.3.1. Mtodos de superposicin con 2 variables.

Para la reduccin del espacio de diseo de 4 a 2 dimensiones en el problema de
superposicin ptima, es posible utilizar diferentes parmetros que describen las curvas (vase
3.3). As, se puede utilizar el criterio descrito en el prrafo anterior y buscar la mayor
coincidencia entre las curvas imponiendo que los puntos inicial y final de la curva requerida
estn sobre la curva propuesta. En esta optimizacin el espacio de diseo tendr dos
dimensiones correspondientes a la posicin de los puntos inicial y final (o al valor del parmetro
de la curva en esos puntos) y la funcin objetivo tendr que ser capaz de calificar cada punto
del espacio de diseo es decir, cada pareja de puntos inicial y final comparando las curvas.
Pese a que esta comparacin puede realizarse atendiendo a los diferentes parmetros
descriptores de cada curva, se requiere que la comparacin sea independiente de posicin,
orientacin, escala y parametrizacin de las curvas. Por ello se descarta una comparacin
basada en las coordenadas x e y de los puntos de las curvas. Podra utilizarse el radio de
curvatura (o su inversa, la curvatura ) normalizndolo con respecto a la longitud de la
76
curva , ya que cumple los requisitos de independencia. Sin embargo, en los ensayos
realizados con curvas cerradas se ha observado que existe un problema numrico difcil de
77
solucionar porque el radio de curvatura llega a ser infinito en los puntos de inflexin (o la
curvatura en curvas con cspides llega a no estar definida o a ser infinito).
75
Es decir, se considera que cada una de las dos curvas involucradas en la comparacin son recorridas en un nico sentido.
76
De esta forma se logra que sea tambin independiente del tamao de la curva.
77
Dos curvas, aunque sean muy parecidas, pueden ser ligeramente diferentes en un entorno cercano a sus puntos de inflexin.
En tal caso, la comparacin de los radios de curvatura es la comparacin de dos valores que tienden a infinito y su diferencia
ser un valor muy elevado. En tal caso, el radio de curvatura por s solo indica que las curvas no se parecen cuando en realidad
son muy parecidas.
176
Captulo 4
Otra alternativa que aparentemente no presenta ninguna complicacin es utilizar el

ngulo de la tangente a las curvas. Si bien este ngulo depende de la orientacin de las
curvas cuando es medido con respecto a un sistema de referencia X-Y. Si se mide su
evolucin con respecto a una referencia asociada a la curva por ejemplo, respecto a su valor
en un punto de partida de la curva, este parmetro cumple todos los requisitos de
independencia.
As, dada una curva como la mostrada en la figura 4.3 y partiendo del punto P de la
misma en el sentido indicado, se puede representar el ngulo de la tangente mientras se
recorre la longitud de la curva (figura 4.4). En este caso se observa que la tangente da una
vuelta completa y, consecuentemente, el ngulo girado por la tangente desde el punto inicial
hasta el punto final es 2. En otros casos, siempre que la curva sea cerrada, la tangente puede
dar cualquier nmero entero 0 incluido de vueltas desde el punto inicial al final.
Dado que cualquier curva puede ser descrita unvocamente mediante su curva de
evolucin de la tangente (CET), dos curvas pueden ser comparadas en base a sta.
Figura 4.3. Ejemplo de curva cerrada plana con un punto de partida y recorrida en un sentido.
177
7
6
(rad)
5
4
3
2
1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
s/L
Figura 4.4. Curva de evolucin de la tangente (CET) para la curva plana mostrada en la figura 4.3.
Supngase que se desea superponer de forma ptima y luego comparar la curva

abierta mostrada en la figura 4.5 con la curva cerrada de la figura 4.3. Para ello se puede
observar la mayor coincidencia posible entre sus curvas de evolucin de la tangente este
mtodo ser llamado mtodo de evolucin de la tangente o mtodo TE . Sin embargo,
esta coincidencia depende del tramo de longitud de la curva cerrada que se utilice para
superponer la curva abierta. Dado que la curva cerrada puede parametrizarse en funcin de la
variable longitud de arco (s) que vara dentro del intervalo [0, L], es posible llamar [so, sf] a un
subintervalo de aquel. As pues, se trata de encontrar el subintervalo [so, sf] de forma que la
curva requerida (escalada para que su longitud sea igual a sf-so) se parezca lo ms posible a la
curva propuesta en dicho intervalo.
Para ello, dado un intervalo [so, sf] es necesario cuantificar la diferencia entre las curvas.
Una posibilidad es extraer n puntos de cada curva (uniformemente espaciados a lo largo de la
longitud del arco) y realizar la suma en esos n puntos de las diferencias al cuadrado entre las
respectivas CET. Es decir, determinar
FTE =
1
n
(
n 1
i =0
(4.4)
178
Captulo 4
donde es el ngulo de la tangente medido respecto al ngulo de la misma en el punto inicial

de la curva y donde las variables denotadas con el smbolo () corresponden a la curva
requerida (abierta) y el resto corresponden a la curva propuesta (en este caso cerrada).
Figura 4.5. Ejemplo de curva abierta requerida.
Sin embargo, para que las curvas se parezcan, se ha de girar la curva requerida con el
fin de que tenga la misma orientacin que el tramo de curva propuesta en el intervalo
considerado. Una posibilidad de conseguir esto es haciendo coincidir la orientacin de la
tangente a la curva requerida en el punto inicial con la tangente a la curva propuesta en el
primer punto del intervalo considerado. Pero la tcnica puede mejorarse si se ubica
correctamente toda la curva requerida sobre la propuesta para que la diferencia entre sus
CETs sea mnima. Esto, fsicamente, significa variar la orientacin de la curva requerida para
que coincida al mximo (minimizando la suma de diferencias al cuadrado) con la orientacin
del tramo de curva propuesta. Y en la grfica de la curva de evolucin de la tangente a la curva
requerida significa subir la curva de evolucin o bajarla arbitrariamente en el eje de ordenadas
sin modificar su aspecto para que coincida al mximo con la CET correspondiente a la curva
propuesta.
En tal caso, la ecuacin (4.4) puede transformarse en
FTE =
1
n
[(
n 1
i =0
) ]
+ d
(4.5)
donde el valor de d se calcula para que FTE sea mnimo (y, por tanto, representa el
desplazamiento de la referencia de ngulos en la curva requerida para el ajuste por mnimos
cuadrados).
179
Derivando la expresin anterior con respecto a d e igualando a cero se obtiene el valor

de d que minimiza la diferencia al cuadrado:
d=
n 1
1

n i =0
n 1

i =0
(4.6)
As, el problema de superposicin se ha reducido a encontrar el intervalo [so, sf] dentro

de la longitud de la curva propuesta para que la funcin definida en (4.5) sea mnima. Pero esta
optimizacin de dos variables resulta todava computacionalmente muy costosa pues para
cada intervalo propuesto es decir, para cada pareja de valores so, sf se han de obtener n
78
puntos (uniformemente espaciados en longitud ) dentro de ese intervalo y luego evaluar la
ecuacin (4.5). Como en la optimizacin se evalan numerosas veces la funcin de
comparacin, este espaciamiento de puntos es realizado otras tantas veces haciendo que el
mtodo de superposicin ptima sea costoso.
Una forma de resolver este problema de manera aproximada pero con mayor economa
computacional consiste en discretizar la longitud de la curva cerrada y evaluar la funcin
definida en (4.5) entre cada dos puntos de la discretizacin, buscando el intervalo ptimo para la
superposicin. Para cada pareja de puntos se evala la funcin (4.5) pero realizando el
sumatorio nicamente con los puntos de la discretizacin que quedan dentro de la pareja de
puntos evaluados (para ello se ha debido discretizar la curva requerida y se obtiene el valor
correspondiente a cada punto de la curva propuesta por interpolacin). De esta forma se logra
estimar de forma aproximada la mejor adaptacin. Sin embargo, es posible incrementar la
eficiencia del mtodo si para cada punto inicial del intervalo de superposicin no se
comprueban todos los dems puntos como posibles candidatos a ser el punto final de dicho
intervalo. Dado que la tangente a la curva requerida (abierta) gira un cierto ngulo desde el
punto inicial al punto final, para cada punto inicial solamente se probarn aquellos en los que la
tangente desde el punto inicial hasta el final considerado haya girado un ngulo parecido al de
la curva requerida.
As, habiendo discretizado la curva propuesta en n segmentos, considerando el punto
i-simo como punto de partida, se prueban todos los puntos j (j = 0, ..., n-1; j i) siempre que
i j 0 n 1 < ref
78
(4.7)
La distribucin uniforme de puntos a lo largo de la longitud de la curva exige plantear la integral de longitud que es, con
diferencia, computacionalmente ms costosa que el resto de operaciones involucradas en el mtodo de comparacin.
180
Captulo 4
es decir, siempre que la diferencia entre el ngulo girado por la tangente desde el punto i hasta
el j ( i j ) en la curva propuesta y el ngulo girado desde el punto inicial (0) hasta el final (n-1)
en la curva propuesta sea menor que un cierto valor de referencia.
Diferentes ensayos han demostrado que un ngulo de referencia (ref) del orden de 20
permite que el mtodo tenga un comportamiento adecuado para la gran mayora de los casos.
Finalmente, variando el punto inicial i desde 0 hasta n-1 y para cada punto i evaluando
mediante la ecuacin (4.5) todos los puntos finales j que cumplen la ecuacin (4.7), se
obtiene la pareja de puntos inicial-final que permiten una superposicin ptima (y tambin el
valor de la superposicin).
Es posible representar el mejor error de comparacin obtenido (al variar los puntos
finales dentro de los que cumplen la ecuacin (4.7)) en funcin del punto inicial considerado. As
se obtiene una grfica que representa la mejor superposicin posible (de acuerdo con este
criterio) en funcin del punto inicial considerado en la curva. Como ejemplo, en la superposicin
de la curva abierta mostrada en la figura 4.5 sobre la curva cerrada de la figura 4.3, se obtiene
una grfica de error mostrada en la figura 4.6.
0.16
0.14
Error segn el mtodo TE
0.12
0.10
0.08
0.06
0.04
0.02
0.00
0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
Figura 4.6. Error de comparacin en funcin del punto inicial de superposicin de las curvas.
La grfica mostrada deja patente la no linealidad asociada al problema de

superposicin. Aunque existe una oscilacin de alta frecuencia (debida a la discretizacin), en
181
este caso la oscilacin fundamental presenta 3 mnimos locales, uno de los cuales es
considerablemente mejor que los dems. Adems, el valor del ptimo es muy cercano a 0, lo
que indica que en la superposicin ptima existe una gran coincidencia en el trazado de ambas
curvas.
En la figura 4.7 se muestra la superposicin ptima lograda con este mtodo y una
discretizacin de la curva propuesta en 200 segmentos.
Figura 4.7. Superposicin ptima de la curva requerida sobre la curva propuesta.
El mtodo TE descrito cumple con los requisitos de independencia de posicin,

orientacin, escala y parametrizacin. Sin embargo, planteado de forma discreta (sin
optimizacin) tiene el problema de que para encontrar la superposicin ptima con suficiente
precisin (necesaria para contemplar el requisito de identidad) es necesario realizar una
discretizacin fina, lo cual incrementa el coste computacional. Por otro lado, si se realiza una
discretizacin muy fina (independientemente de su coste computacional), el mtodo describe
de forma realista el parecido o la diferencia entre las curvas (ya que la grfica de evolucin de
la tangente correspondiente a una curva plana define de forma unvoca la forma de la curva).
As pues, en caso de que no sea competitivo en lo que respecta al coste computacional, es
posible utilizarlo como referencia con la que evaluar otros mtodos.
4.3.2. Mtodos de superposicin con 1 variable.

Sabiendo que la superposicin ptima de las curvas formar parte de la funcin
objetivo de la optimizacin de las dimensiones del mecanismo, es aconsejable reducir el
182
Captulo 4
problema de superposicin a la optimizacin de una nica variable. El motivo es que durante la

optimizacin de las dimensiones, la curva abierta (requerida) se comparar numerosas veces
(probablemente del orden de millones) con otras tantas curvas propuestas y cada una de esas
comparaciones implica la optimizacin de la superposicin de ambas curvas. Se tiene, pues,
dos procedimientos de optimizacin anidados en los que cada iteracin de uno de ellos
significa la ejecucin del otro procedimiento de optimizacin.
Figura 4.8. Adaptacin del polgono caracterstico de la curva requerida en la curva propuesta partiendo de un punto de
la misma.
Teniendo esto en cuenta, a continuacin se proponen varios mtodos de superposicin

ptima de las curvas cuyo planteamiento consta de una nica variable de diseo con el fin de
obtener la mejor superposicin posible (ptimo global) de una curva abierta sobre otra curva (y
cumpliendo todos los requisitos de independencia de posicin, orientacin, escala y
parametrizacin de las curvas).
Estos mtodos se basan en la obtencin de un polgono caracterstico de la curva
requerida y, partiendo de un punto de la curva propuesta, su adaptacin en dicha curva para
luego cuantificar la superposicin asociada a ese punto mediante diferencias de las
dimensiones de los polgonos. La optimizacin del punto de la curva propuesta para una mejor
adaptacin del polgono responder a la mejor superposicin posible.
Con el fin de cumplir el requisito de independencia de la parametrizacin, el polgono
caracterstico de la curva requerida debe obtenerse no en base al parmetro de la curva abierta
(el cual puede variar de formas diferentes sin que por ello cambie la forma de la curva), sino en
183
base a la longitud de la curva. Para ello se propone dividir dicha longitud en tantos tramos
como nmero de puntos se desee en el polgono menos 1.
En la figura 4.8 se muestra una curva abierta requerida. De ella se obtiene un polgono
caracterstico considerando 5 puntos. Partiendo de un punto (P0) de la curva propuesta se
realiza una adaptacin del polgono (siguiendo criterios que se explicarn seguidamente) y se
obtiene el polgono adaptado. A continuacin se propone cuantificar la superposicin de la
curva requerida partiendo del punto P0 y midiendo las diferencias entre los polgonos de forma
similar a como se hizo en el captulo 3. Una vez hecho esto, se puede obtener el punto de
partida que genera un polgono adaptado mejor (en el sentido de que se parezca ms al
polgono caracterstico). Ser necesario comprobar mediante ensayos si ese punto
corresponde con la mejor superposicin de las curvas (o, al menos con un ptimo cercano al
global).
La generacin el polgono adaptado a partir del polgono caracterstico puede

realizarse contemplando diferentes variables de este ltimo. Para que el planteamiento sea
independiente de posicin, orientacin y escala de las curvas (y as cumplir los requisitos
correspondientes) ser necesario que esta generacin se realice atendiendo a magnitudes
relativas que contemplan esa independencia exigida. Teniendo esto en cuenta, es posible
elaborar diferentes grupos de variables que cumplan con estos requisitos. A continuacin se
propone uno de estos grupos de variables que, posteriormente, ser sometido a evaluacin.
Suponiendo que de la curva abierta requerida se extrae un polgono caracterstico de n
vrtices (en ejemplo de la figura 4.9, n = 5), los vrtices quedan numerados desde 0 hasta n-1,
como se muestra. Existirn, asimismo, n-1 segmentos que se numeran segn el punto del que
parten, logrando una secuencia desde 0 hasta n-2 (segmentos
a
en la figura 4.9). Las
variables que se contemplan son las mostradas en la figura 4.9 y se describen a continuacin:
> A
i = 1, 2, ..., n-2
Angulo del segmento i-simo del polgono respecto al

segmento anterior.
Li
i = 0, 1, ..., n-2
Longitud del segmento i-simo.
i = 0, 1, ..., n-2
Angulo del segmento i-simo respecto a la tangente a

la curva en el punto i, del que parte el segmento.
184
Captulo 4
Figura 4.9. Variables consideradas en el polgono caracterstico.
Cada una de las magnitudes est asociada a cada uno de los vrtices del polgono
desde el primero (0) hasta el penltimo (n-2), a excepcin del ngulo que no tiene valor
asociado al primer vrtice. Sin embargo, la longitud de los segmentos Li no es una magnitud
independiente de la escala, por lo que debe ser sustituida por otra que si lo sea. En su lugar se
utiliza la variable
Rai =
Li
i =1, 2, ..., n-2
Cociente de longitudes del segmento i-simo y el
Li 1
anterior.
(4.8)
que est asociada a cada uno de los vrtices del polgono salvo el primero y el ltimo y que es
adimensional e independiente de posicin, orientacin y escala.
El mtodo propuesto para la generacin del polgono adaptado consiste en colocar
cada segmento del polgono adaptado en la curva propuesta a partir del anterior de forma que
el valor de alguna de las variables mencionadas en el polgono que se est generando sea el
185
mismo que en el polgono caracterstico. A excepcin del primer segmento que, como no
cuenta con un segmento anterior en el que basarse, es posible que resulte necesario emplear
ms de una variable para su orientacin.
Mtodo
AlfaRaAlfa
AlfaRaRa
BetaAlfa
BetaBeta
BetaRa
Determinacin del primer segmento

1 y Ra1 Los segmentos 0 y 1 del polgono
adaptado son determinados de forma
que los puntos 1 y 2 estn sobre la
curva propuesta y los valores de 1 y
Ra1 sean iguales a los del polgono
caracterstico.
1 y Ra1 Los segmentos 0 y 1 del polgono
adaptado son determinados de forma
que los puntos 1 y 2 estn sobre la
curva propuesta y los valores de 1 y
Ra1 sean iguales a los del polgono
caracterstico.
0 El segmento 0 del polgono adaptado
es determinado de forma que el
punto 1 est en la curva propuesta y
el ngulo 0 sea igual al del polgono
caracterstico.
caracterstico.
caracterstico.
Determinacin del resto de segmentos

i El resto de segmentos (i = 2, 3, ..., n-2)
son determinados secuencialmente de
forma que sus puntos finales estn sobre
la curva propuesta y los ngulos i sean
iguales a los del polgono caracterstico.
Rai El resto de segmentos (i = 2, 3, ..., n-2)
la curva propuesta y los valores Rai sean

Rai El resto de segmentos (i = 1, 2, ..., n-2)
la curva propuesta y los valores Rai sean
Tabla 4.1. Mtodos de adaptacin del polgono caracterstico en la curva propuesta.
Combinando las variables anteriores se pueden plantear diferentes mtodos de

adaptacin que ser necesario estudiar posteriormente para su validacin. De estas
79
combinaciones se proponen algunas variantes que son mostradas en la tabla 4.1.
Se observa cmo cada mtodo propuesto diferencia la ubicacin del primer segmento
del polgono adaptado de la del resto de segmentos. Esto es debido a que al ubicar el primer
segmento no se cuenta con segmentos anteriores que sirvan como referencias. Unicamente se
conoce el punto de partida (P0) y se puede determinar la tangente a la curva propuesta en ese
79
La variante restante incluyendo esas variables, AlfaRaBeta, no se ha incluido porque se ha comprobado mediante ensayos que
presenta un comportamiento deficiente y no resulta ilustrativa.
186
Captulo 4
punto. De esta forma, se puede utilizar esa tangente como referencia angular (mtodos
BetaAlfa, BetaBeta y BetaRa). Si no se opta por el uso del ngulo con respecto a la tangente,
sern necesarias dos magnitudes para determinar la ubicacin del primer segmento. En tal
caso solo queda la alternativa de ubicar los dos primeros segmentos (determinando los puntos
P1 y P2, figura 4.8) de forma que se conserven los valores de 1 y Ra1 del polgono
caracterstico. Tras la ubicacin de los dos primeros segmentos, el resto de segmentos cuentan
con su inmediato anterior como referencias, por lo que es posible obtener el punto final de cada
uno de ellos de una forma sencilla, involucrando una nica variable. Realizando el
procedimiento de forma secuencial se puede determinar completamente el polgono adaptado
asociado a ese punto de partida P0.
Es necesario hacer notar que, partiendo de un punto del polgono adaptado, la
determinacin del punto siguiente involucra un proceso de optimizacin, ya que no es posible
obtener de una forma directa el punto de la curva que proporcionar el ngulo o la relacin de
segmentos adecuada. Por ejemplo, si se pretende determinar la posicin del punto P2 a partir
del punto P1 de forma que se conserve el ngulo 1, se parte de P1 y se prueban
secuencialmente los puntos siguientes (en el sentido de avance considerado) y se determina el
ngulo que cada uno de ellos supondra. Se continua la iteracin hasta que se sobrepasa el
ngulo buscado. Luego se utiliza un algoritmo de Regula Falsi para la determinacin de la
posicin del punto P2 con la precisin requerida.
Como cada uno de los mtodos de adaptacin determina el segmento siguiente del
polgono basndose en una magnitud diferente, los polgonos adaptados que cada uno de ellos
genera sern en general diferentes. En la figura 4.10 se observa el resultado obtenido al
adaptar el polgono caracterstico en la curva propuesta mostrada en la figura 4.8, partiendo de
un mismo punto P0 y segn cada uno de los mtodos de adaptacin estudiados.
187
Figura 4.10. Adaptacin de un polgono caracterstico segn los diferentes mtodos.
Posteriormente a la adaptacin del polgono, la diferencia de ste con el polgono

caracterstico ser un estimador de la calidad de la superposicin de la curva abierta requerida
partiendo de ese punto P0. Para la cuantificacin de esta diferencia entre polgonos se puede
utilizar las variables implicadas en la adaptacin. Esta posibilidad tiene a su favor el hecho de
que estas variables son ya independientes de posicin, orientacin y escala de las curvas
comparadas, y el mtodo de adaptacin tambin. En este caso se propone utilizar el mtodo
PDCP1 descrito en el captulo 3 debido a que involucra todas las variables consideradas para
la adaptacin del polgono a la vez que no involucra el radio de curvatura, el cual puede
introducir inestabilidades en la funcin de comparacin, como se observ en dicho captulo. De
esta forma, la funcin propuesta corresponde a la siguiente expresin:
188
Captulo 4
FPDCP1 =
n2
1 1
Ra Ra
i
i
3 n 2 i =1
) + ( (
2
ang
i , i
)) + n 1 1 ( (
n2
ang
i , i
i=0
))
(4.9)
donde los valores representados con el smbolo () corresponden a magnitudes medidas sobre
el polgono caracterstico de la curva abierta requerida y las otras corresponden a magnitudes
medidas sobre el polgono adaptado en la curva propuesta. La funcin ang() permite cuantificar
la diferencia entre dos ngulos y ha sido definida de forma que su resultado tienda a infinito
cuando dicha diferencia angular tienda a (vase definicin en ecuacin (3.30)).
La ecuacin (4.9) esta est asociada al punto de partida en la curva propuesta. Como se
hiciera con el mtodo TE, es posible representar el valor de dicha funcin a lo largo de la curva
propuesta, es decir, variando el punto de partida dentro de dicha curva. As, para el ejemplo
propuesto en la figura 4.8 y utilizando el mtodo de adaptacin BetaRa, se obtiene una curva
representada en la figura 4.11. Es posible observar cierta similitud entre esta grfica y la
obtenida con el mtodo TE (figura 4.6).
2.0
Error PDCP1 segn el mtodo BetaRa
1.8
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
s/L
Figura 4.11. Representacin de la variacin de la comparacin PDCP1 a lo largo de la curva propuesta realizando la
adaptacin del polgono segn el mtodo BetaRa.
189
Analizando esta grfica se observa que la adaptacin poligonal presenta tres mnimos
locales fundamentales, siendo uno de ellos el ptimo global. Tambin se observa que la grfica
est dibujada a tramos. Esto es debido a que existen puntos de la curva propuesta a partir de
los cuales (utilizando un el mtodo de adaptacin BetaRa) no es posible obtener el polgono
adaptado porque no ha sido posible (y, en general, no siempre lo ser) obtener todos los
segmentos del mismo o porque, aunque haya sido posible, del punto inicial al punto final se ha
dado ms de una vuelta completa a la curva propuesta. La probabilidad de que ocurra esto
ser mayor en unos mtodos que otros y, consecuentemente, deber ser sometida a estudio.
Sin embargo, el hecho de que esto ocurra no produce ningn perjuicio en el mtodo debido a
que sencillamente se reduce el rango del parmetro t de la curva propuesta dentro del cual se
realizar la bsqueda de la mejor adaptacin y puede ser interpretado considerando que para
esos rangos del parmetro, las curvas se parecen tan poco que la superposicin de las mismas
solamente indicara su escaso parecido.
4.4. Ensayo de los mtodos de adaptacin.

Con el fin de comparar los diferentes mtodos de adaptacin y estudiar su
comportamiento para poder determinar sus caractersticas y su idoneidad, se les ha sometido a
diferentes ensayos. De los resultados obtenidos se han analizado diferentes caractersticas
fundamentales que se detallan seguidamente:
a)
El rango til de la curva propuesta. El cual se cuantifica como el porcentaje del rango del
parmetro dentro del cual es posible se obtiene un error de comparacin. En el mtodo
TE este rango til ser siempre del 100% debido a que siempre se puede realizar un
ajuste de las CET partiendo de cualquier punto (aun cuando ste no sea un buen ajuste).
Sin embargo, en los mtodos de adaptacin poligonal existirn puntos de partida que no
permitan adaptar el polgono. No es claro a priori si resulta ventajoso que este rango sea
lo ms pequeo posible o lo mayor posible. En el primer caso, ser ms sencillo
encontrar la superposicin ptima ya que se reduce el espacio de diseo en el que hay
que buscarla. Sin embargo, aumentarn los casos en los que el mtodo de
superposicin ptima no encuentre ninguna solucin porque no sea posible adaptar el
polgono partiendo de ningn punto de la curva requerida.
b)
El nmero de mnimos locales provenientes de la discretizacin. Para encontrar el

ptimo global en el problema de superposicin se discretiza la curva propuesta y se
obtiene el valor de la funcin error partiendo de cada punto de la discretizacin. Estos
valores dispuestos en serie constituyen una representacin grfica similar a la de la
figura 4.11 que permite determinar los mnimos de la discretizacin. Posteriormente
habr que utilizar un algoritmo de optimizacin partiendo de dichos mnimos discretos
con el fin de obtener los correspondientes mnimos reales. Cuanto mayor sea el nmero
190
Captulo 4
de mnimos locales, ms costoso ser el mtodo de optimizacin global, por lo que es

recomendable que este nmero sea bajo (aunque siempre depender de la forma de las
curvas comparadas). De no ser por la discontinuidad implicada en la discretizacin, el
mtodo TE podra ser considerado el mtodo ms realista. Sin embargo, este mtodo
arrojar numerosos mnimos locales debido a que con la discretizacin la funcin error
representada a lo largo de la curva presenta una oscilacin de alta frecuencia (figura
4.6), por lo que su valor no puede ser utilizado como referencia.
c)
El error ptimo. Que cuantificar el parecido entre las curvas en la mejor superposicin
posible segn cada uno de los mtodos estudiados. Este error es calculado utilizando la
funcin PDCP1 para todos los mtodos de adaptacin poligonal, por lo que su valor se
podr comparar. Sin embargo, el mtodo TE estima el error segn otra formulacin
diferente, por lo que su error solamente podr ser comparado con los anteriores de
forma cualitativa.
d)
El valor del parmetro de la curva propuesta en que se encuentra el error ptimo. El

ptimo conseguido vendr asociado a un punto de la curva propuesta, el cual
corresponde a un valor del parmetro de la misma. La evolucin de este valor ante
cambios en la discretizacin de cada uno de los mtodos permitir estudiar la estabilidad
de la solucin aportada por cada mtodo. Es lgico pensar que puesto que las curvas no
cambian, el punto de la curva propuesta que proporciona un mejor ajuste no debera
cambiar al variar el nmero de puntos del polgono caracterstico,
e)
La relacin Area encerrada/Longitud en la superposicin ptima. Una vez superpuestas

80
las curvas de forma ptima , es posible calcular el rea encerrada entre las curvas
(considerando la curva propuesta nicamente dentro del tramo abarcado por la curva
requerida). Este rea depende del tamao de las curvas, siendo posible conseguir la
independencia requerida dividindola entre la longitud de la curva requerida
superpuesta. Al hacerlo as, puede decirse que el valor obtenido representa la distancia
media entre las dos curvas. Considerando que el rea encerrada entre las curvas es el
mejor indicador del parecido entre ellas, este valor ser el indicador ms realista entre
las diferencias de las curvas una vez que estas han sido superpuestas de forma ptima y
podr ser utilizado para comparar la solucin aportada por los diferentes mtodo.
f)
El coste computacional. Ya se ha insistido anteriormente en la necesidad de que la

comparacin de curvas sea computacionalmente lo menos costosa posible pues ello
repercutir notablemente sobre la viabilidad del problema de sntesis global.
80 Para la superposicin ptima de las curvas en los mtodos de adaptacin poligonal (una vez determinado el polgono adaptado
ptimo) se adopta el criterio de hacer coincidir los puntos extremos de la curva abierta requerida con los puntos extremos del
polgono adaptado.
191
4.4.1. Ensayo 1.
En este ensayo se estudia el cumplimiento del requisito de identidad por parte de los
mtodos propuestos en 4.3. Segn este requisito, si la curva requerida abierta es parte de la
curva propuesta es decir, es en realidad un tramo de sta, al utilizar un mtodo para
comparar ambas curvas, ste debe encontrar el tramo de la curva propuesta que es igual al de
la curva requerida y determinar que el error de comparacin es 0.
Como curva propuesta se ha utilizado una B-Spline cbica definida por un polgono de
control de 7 vrtices cuyo parmetro t vara dentro del intervalo [0,7[. La curva requerida se ha
elegido dentro de esa misma B-Spline (es decir, mismas ecuaciones paramtricas) variando su
parmetro u dentro del intervalo [0.5,2.5]. Ambas curvas estn representadas en la figura 4.12.
Figura 4.12. Curvas requerida y propuesta en el ensayo de identidad.
Partiendo de esos datos se ensayan los diferentes mtodos. Para el mtodo TE se han
considerado 200 puntos (discretizacin) mientras que para los mtodos de adaptacin
poligonal se han considerado 5 puntos. En estos ltimos se ha realizado una bsqueda
81
exhaustiva considerando 50 puntos (discretizacin), para luego optimizar los mejores puntos
y obtener el ptimo global.
81
Tras diferentes pruebas se han observado que este valor resulta aceptable para los mtodos. Un valor ms alto supondra un
aumento del coste computacional y un valor menor supondra una discretizacin demasiado basta que disminuira la probabilidad
de la consecucin del ptimo global.
192
Captulo 4
AlfaRaAlfa
N ptos. del polgono
5
N ptos. discretizacin
50
Rango til
16.0%
N mn. loc. discret.
2
Error ptimo
0.000000
Param. en ptimo
0.50
Area enc./Long.
0.005526
Coste comp. (seg)
0.79
AlfaRaRa
5
50
90.0%
2
0.000000
0.50
0.006295
0.70
BetaAlfa
5
50
33.0%
5
0.000000
0.50
0.005377
0.18
BetaBeta
5
50
65.0%
10
0.000000
0.50
0.003499
0.29
BetaRa
5
50
70.0%
6
0.000000
0.50
0.003789
0.18
TE
200
100.0%
9
0.000032
0.51
0.790067
1.62
Tabla 4.2. Resultados del ensayo de comprobacin del requisito de identidad.
Los resultados de la superposicin pueden observarse en la figura 4.14 y los valores

sometidos a estudio se muestran en tabla 4.2. En ella se observa la diferencia entre el rango
til asociado a los diferentes mtodos de adaptacin poligonal. En este caso, el mtodo
AlfaRaAlfa presenta el menor rango til (16%), siendo el mayor (aparte del mtodo TE) el
correspondiente al mtodo AlfaRaRa (90%).
0.30
Parmetro t
0.25
4
0.15
Error TE
Parmetro t
Error segn mtodo TE
5
0.20
0.10
2
0.05
0.00
0
0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
Figura 4.13. Error de comparacin en funcin del punto inicial de superposicin para las curvas del ensayo 1.
193
En cuanto al nmero de mnimos locales en la discretizacin fila N mn. loc.

discret. en la tabla 4.2, se observa que los valores obtenidos varan entre 2 y 10. El nmero
de ptimos en relacin con el rango til de cada mtodo es un indicador de las oscilaciones
que cada uno presenta por unidad de longitud de la curva. Se observa que hay mtodos con un
valor bajo de este indicador (por ejemplo, el mtodo AlfaRaRa) mientras que otros presentan
un valor ms elevado (mtodo BetaAlfa).
Figura 4.14. Superposicin ptima de las curvas segn los diferentes mtodos en el ensayo 1.
Si se examina la curva de error del mtodo TE en funcin del punto inicial de

superposicin (figura 4.13, en la cual tambin se ha representado la variacin del parmetro t a
194
Captulo 4
lo largo de la longitud de la curva con el fin de conocer el valor de este parmetro en cada
mnimo local) y, descartando los mnimos locales debidos a la discretizacin, se observa que la
superposicin de las curvas involucradas en este ensayo presenta 3 mnimos locales
fundamentales (correspondientes a valores del parmetro t iguales a 0.5, 3.8 y 5.1). Se puede
comparar entonces el valor del resto de mtodos con este valor observando el grado de ajuste
de cada uno de ellos.
El error de comparacin ptimo indica el cumplimiento o no del requisito de identidad.

Se observa que, efectivamente, todos los mtodos de adaptacin poligonal cumplen este
requisito. El mtodo TE cumple este requisito solamente de forma aproximada ya que, como
caba esperar, la cercana a la posicin ptima depende de la finura de la discretizacin.
Dado que la curva requerida es en este ensayo extrada de la propuesta variando el
parmetro u en el intervalo [0.5,2.5], la mejor superposicin posible ser partiendo del punto de
la curva propuesta correspondiente a un valor del parmetro t=0.5. En la tabla se observa que
todos los mtodos de adaptacin poligonal encuentran este valor, mientras que el mtodo TE
presenta un cierto error que es inversamente proporcional a la finura de la discretizacin. Esto
corrobora la afirmacin de que este mtodo cumple el requisito de identidad solamente de
forma aproximada.
En la fila que indica el rea encerrada por unidad de longitud se observa cmo todos
los mtodos (salvo el TE) presentan un rea encerrada de igual orden de magnitud, lo que
indica que la calidad de la respuesta de todos ellos es similar. El mtodo TE, una vez ms
debido a la discretizacin, realiza una superposicin menos favorable de acuerdo con este
valor.
Finalmente, en la evaluacin del coste computacional, existe diferencia de unos
mtodos a otros. Los ms econmicos son los mtodos BetaAlfa y BetaRa. El ms costoso
computacionalmente es el mtodo TE, el cual necesita entre 2 y 9 veces ms tiempo para
encontrar el ptimo.
Otra caracterstica sometida a estudio en los mtodos de adaptacin poligonal es la

estabilidad de los parmetros ms importantes de la tabla 4.2 frente a cambios en el nmero de
puntos del polgono caracterstico. Para ello se ha incrementado el nmero de puntos del
polgono (n) caracterstico desde 5 hasta 10 puntos y se ha repetido el proceso de adaptacin.
Ntese que el mtodo TE, al no estar basado en un polgono caracterstico, no modifica sus
propiedades y ha sido incluido en los resultados siguientes con el nico fin de servir como
referencia.
AlfaRaAlfa
16.0%
8.0%
21.0%
11.0%
12.0%
21.0%
n
5
6
7
8
9
10
AlfaRaRa
90.0%
71.0%
71.0%
69.0%
70.0%
72.0%
195
BetaAlfa
33.0%
12.0%
17.0%
7.0%
16.0%
36.0%
BetaBeta
65.0%
68.0%
64.0%
72.0%
68.0%
68.0%
BetaRa
70.0%
77.0%
81.0%
82.0%
82.0%
82.0%
TE
100.0%
100.0%
100.0%
100.0%
100.0%
100.0%
Tabla 4.3. Rango til frente al nmero de puntos del polgono en el ensayo 1.
En al tabla 4.3 se muestra el rango til y cmo ha evolucionado al aumentar el nmero

de puntos. Se observa que s existe un cambio pero la tendencia es diferente de unos mtodos
a otros y esta falta de tendencia impide obtener conclusiones sobre los cambios en el rango til
al crecer el nmero de puntos.
El ensayo demuestra que el nmero de mnimos locales en la discretizacin apenas
vara en la mayora de los mtodos al incrementar el nmero de puntos del polgono. Cabe
destacar el mtodo BetaBeta cuyo nmero de mnimos tiene una tendencia irregular con
propensin a aumentar.
Del mismo modo, el valor del ptimo para este ejemplo permanece prcticamente
constante al aumentar el nmero de puntos del polgono, lo que es indicador de la estabilidad.
En cuanto al parmetro asociado al ptimo, su estabilidad es fundamental ya que de no
existir, ello significara que el ptimo encontrado depende del nmero de puntos elegido en el
polgono, lo que no tendra una justificacin prctica. En la tabla 4.4 se muestran los datos que
reflejan esta estabilidad. La respuesta de algunos mtodos flucta en torno al valor ideal (0.5).
Sin embargo, las oscilaciones son tan pequeas que pueden achacarse a problemas
computacionales debido a la precisin en la optimizacin.
n
5
6
7
8
9
10
AlfaRaAlfa
0.500
0.500
0.499
0.500
0.498
0.500
AlfaRaRa
0.500
0.499
0.499
0.500
0.498
0.500
BetaAlfa
0.500
0.500
0.500
0.500
0.500
0.500
BetaBeta
0.500
0.500
0.500
0.500
0.500
0.500
BetaRa
0.500
0.500
0.500
0.500
0.500
0.500
TE
0.510
0.510
0.510
0.510
0.510
0.510
Tabla 4.4. Parmetro asociado al ptimo frente al nmero de puntos del polgono en el ensayo 1.
Por su parte, la variacin del coste computacional de los mtodos al incrementar el

nmero de puntos considerado en el polgono es muy significativa (tabla 4.5). Se observan
tendencias diferentes para cada mtodo, aunque todas ellas se ajustan moderadamente bien a
196
Captulo 4
una recta. Se ha realizado el ajuste minimocuadrtico y las lneas de tendencia han sido
representadas en la figura 4.15. Se observa cmo algunos mtodos tienen un coste
computacional creciente con el nmero de puntos, mientras que en otros permanece
prcticamente estacionario o decrece.
n
5
6
7
8
9
10
AlfaRaAlfa
0.79
0.63
0.59
0.57
0.42
0.42
AlfaRaRa
0.70
0.59
0.53
0.49
0.51
0.52
BetaAlfa
0.18
0.22
0.19
0.20
0.20
0.21
BetaBeta
0.29
0.42
0.40
0.46
0.49
0.58
BetaRa
0.18
0.20
0.20
0.23
0.25
0.26
TE
1.62
1.62
1.62
1.62
1.62
1.62
Tabla 4.5. Coste computacional (seg) frente al nmero de puntos del polgono en el ensayo 1.
Por un lado, los mtodos que ubican el primer segmento en funcin de en y Ra

mtodos AlfaRaAlfa y AlfaRaRa sufren un decrecimiento en el coste computacional al
aumentar el nmero de puntos. Esto es debido a que estos mtodos utilizan buena parte de su
tiempo de computacin en colocar el primer segmento ya que sta ubicacin involucra dos
optimizaciones anidadas. A medida que se incrementa el nmero de puntos, los segmentos
son ms cortos y los ngulos ms obtusos, con lo que partiendo del primer punto es ms fcil
encontrar la posicin del siguiente (sencillamente porque est ms cerca del primero). Este
efecto prepondera sobre el efecto de que al aumentar el nmero de puntos hay que adaptar
ms segmentos y el resultado es una disminucin del coste computacional. Por otro lado, el
resto de mtodos de adaptacin sufre un aumento del coste computacional, siendo la
pendiente ms significativa la del mtodo BetaBeta, que al pasar de 5 a 10 puntos
prcticamente duplica su coste computacional.
197
1.8
TE
1.6
Coste computacional (seg)
1.4
1.2
1.0
0.8
AlfaRaAlfa
0.6
AlfaRaRa
BetaBeta
0.4
BetaRa
0.2
BetaAlfa
0.0
5
7
8
N de puntos del polgono (n )
10
Figura 4.15. Tendencia del coste computacional al variar el nmero de puntos en el ensayo 1.
De este ensayo se puede concluir que la formulacin de todos los mtodos ocasiona
que stos presenten una tendencia clara hacia el cumplimiento del requisito de identidad. En el
caso del mtodo TE existen limitaciones prcticas debidas a que la necesaria discretizacin
hace que la aproximacin a la solucin ptima real sea funcin del tamao de cada segmento
en dicha discretizacin.
Se observa, asimismo, que en los mtodos de adaptacin el rango til y el nmero de
mnimos locales cambia considerablemente de unos a otros. En el caso del nmero de
mnimos locales, es adecuado un valor bajo pues ello supondr un aumento de la economa
computacional al no tener que comprobar un gran nmero de mnimos para determinar cual es
el ptimo global. Sin embargo, un valor menor que el nmero de mnimos fundamentales del
mtodo TE (que es considerado el ms realista) implicara que el mtodo no es sensible a
todos los mnimos reales.
En cuanto al rango til, un valor bajo mejora el coste computacional ya que el
espacio recorrido en la bsqueda es menor, sin embargo, al comparar otros tipos de curvas
existe una gran probabilidad de no ser capaces de aportar ninguna solucin es decir, que el
rango til llegue a ser del 0%.
198
Captulo 4
4.4.2. Ensayo 2.
Mediante este ensayo se representa el comportamiento de los mtodos en la
comparacin de una curva requerida abierta sencilla (no contiene puntos dobles ni puntos de
inflexin) con una curva propuesta cerrada similar a la generada por muchos mecanismos
(igual a la utilizada en el ensayo 1, figura 4.16).
La curva requerida utilizada es una curva paramtrica definida por las ecuaciones.
x (u ) = 10 u 4 cos(u )
y (u ) = 10 u 4 sen(u )
(4.10)
variando el parmetro u dentro del intervalo [0.75, 2.2]. En la figura 4.16 se puede observar la
forma (y la sencillez) de esta curva abierta.
Figura 4.16. Curvas requerida y propuesta utilizadas en el ensayo 2.
Para este caso se ensayan los diferentes mtodos y se obtienen los resultados
mostrados en la tabla 4.6. Observando en ella el rango til se puede comprobar que utilizar el
ngulo para la adaptacin de los polgonos resulta muy restrictivo. En efecto, los mtodos
basados en este ngulo AlfaRaAlfa y BetaAlfa tienen un rango til muy pequeo (incluso
llega a ser nulo en este caso para el mtodo BetaAlfa). Esto implica la importante desventaja
de que esos mtodos no sern capaces de aportar ninguna solucin para muchos casos de
comparacin.
199
En cuanto al nmero de mnimos locales obtenidos, su valor vara entre 3 y 21.

Contemplando la curva de error correspondiente al mtodo TE (figura 4.13) se observa que
este presenta numerosos mnimos debidos a la discretizacin, pudiendo identificar 3 (o tal vez
4) mnimos locales fundamentales (ignorando los debidos a la discretizacin) en t=0.81, t=1.4 y
t=4.89. Comparando este nmero con el obtenido por cada uno de los mtodos se observa que
el mtodo BetaBeta es poco realista en este sentido. El resto de mtodos no comentados
presenta un nmero ptimo de mnimos locales.
0.16
Parmetro t
0.14
Error TE
5
0.10
4
0.08
3
0.06
2
0.04
0.02
0.00
0
0.0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
1.0
AlfaRaAlfa
N ptos. del polgono
5
50
Rango til
6.0%
N mn. loc. discret.
3
Error ptimo
0.247593
Param. en ptimo
0.87
Area enc./Long.
2.473
Coste comp. (seg)
0.62
AlfaRaRa
5
50
94.0%
3
0.005684
4.81
2.458
0.53
BetaAlfa
5
50
0.0%
0.20
BetaBeta
5
50
83.0%
10
0.007991
4.75
2.492
0.27
Tabla 4.6. Resultados del ensayo 2.
BetaRa
5
50
52.0%
3
0.000410
4.81
1.633
0.23
TE
200
100.0%
21
0.000567
4.89
1.779
0.63
Parmetro t
Error segn mtodo TE
0.12
200
Captulo 4
Se observa, asimismo, que todos los mtodos encuentran ptimos considerablemente

buenos, excepto el mtodo AlfaRaAlfa que aporta una solucin no tan favorable (la
superposicin correspondiente a cada una de las soluciones aportadas por los mtodos puede
observarse en la figura 4.18). Esto puede contemplarse observando los errores de
comparacin ptimos obtenidos y, de una forma mucho ms realista, observando el Area
encerrada/Longitud. En este ltimo se observa que la mejor solucin es la aportada por el
mtodo BetaRa.
En la fila correspondiente al parmetro de la curva propuesta a partir del cual se
obtiene la superposicin ptima, se observa cmo el mtodo AlfaRaAlfa establece la mejor
201
82
superposicin en un punto de la curva propuesta que no coincide con el del resto de mtodos .
En la figura 4.18 puede observarse la diferencia en la posicin propuesta por este mtodo.
Igualmente se observa cmo el mtodo AlfaRaRa aporta una solucin diferente (ya que su
polgono tambin lo es) al del resto de mtodos, aun cuando el punto inicial del polgono
adaptado est prcticamente en la misma ubicacin que el de los otros mtodos.
Finalmente, el coste computacional de los mtodos vara entre 0.2 seg y 0.63 seg, siendo
el mtodo TE el ms costoso.
De la misma forma que en el ensayo 1, se estudia a continuacin la evolucin de los

diferentes parmetros caractersticos al aumentar el nmero de puntos del polgono. En la tabla
4.7 se muestra la evolucin del rango til al variar este nmero de 5 a 10. En general se
observa un decrecimiento de los rangos tiles de los mtodos basados en la adaptacin de
polgonos. Esto es debido a que el nmero de condiciones (o requisitos) que han de cumplir los
polgonos adaptados aumenta con el nmero de puntos y, consecuentemente, aumenta
tambin la probabilidad de que no se encuentre solucin.
n
5
6
7
8
9
10
AlfaRaAlfa
6.0%
0.0%
0.0%
0.0%
0.0%
0.0%
AlfaRaRa
94.0%
89.0%
77.0%
72.0%
66.0%
62.0%
BetaAlfa
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
BetaBeta
83.0%
82.0%
70.0%
39.0%
24.0%
22.0%
BetaRa
52.0%
45.0%
42.0%
39.0%
38.0%
35.0%
TE
100.0%
100.0%
100.0%
100.0%
100.0%
100.0%
El resto de parmetros presentan valores bastante estables. Entre ellos cabe destacar
el parmetro asociado al ptimo, que no vara en este ejemplo, lo que indica estabilidad en el
punto de superposicin ptima logrado.
Finalmente, el coste computacional presenta unos datos mostrados en la tabla 4.8. Se
observa una evolucin irregular del coste computacional con cierta generalidad tendente al
aumento en algunos mtodos AlfaRaRa, BetaBeta y BetaRa y tendente a la disminucin
en el mtodo AlfaRaAlfa.
82 En realidad se observa que la solucin est del primero (t=0.81) de los 3 mnimos de la grfica de error del mtodo TE (figura
4.6).
202
Captulo 4
n
5
6
7
8
9
10
AlfaRaAlfa
0.62
0.52
0.50
0.49
0.48
0.47
AlfaRaRa
0.53
0.55
0.57
0.59
0.56
0.55
BetaAlfa
0.20
0.19
0.19
0.19
0.19
0.19
BetaBeta
0.27
0.35
0.40
0.45
0.39
0.48
BetaRa
0.23
0.24
0.25
0.30
0.33
0.32
TE
0.63
0.63
0.63
0.63
0.63
0.63
Tabla 4.8. Coste computacional (seg) frente al nmero de puntos del polgono en el ensayo 2.
4.4.3. Ensayo 3.
El objetivo de este ensayo es estudiar el comportamiento de los diferentes mtodos en
la superposicin (y comparacin) de curvas con puntos de inflexin. Como curva propuesta se
utiliza una B-Spline cbica definida por un polgono de control de 6 vrtices, variando su
parmetro t dentro del intervalo [0,6[. Esta curva y su polgono de control se muestran en la
figura 4.19.
Figura 4.19. Curva propuesta en el ensayo 3.
203
La curva requerida utilizada para este ensayo es una curva senoidal definida
paramtricamente mediante las ecuaciones:
x (u ) = u
(4.11)
y (u ) = sen(u )
variando el parmetro u dentro del intervalo [-,]. Este tramo de curva se muestra en la figura
4.20.
Figura 4.20. Curva abierta requerida en el ensayo 3.
Los resultados de este (tabla 4.9) reafirman el comportamiento de los mtodos en los
ensayos anteriores. As, se confirma la tendencia de los AlfaRaAlfa, BetaAlfa y BetaBeta a
presentar rangos tiles muy pequeos (incluso nulos). Por otro lado, el resto de mtodos
presentan valores ms amplios, lo que asegura la aportacin de solucin incluso en casos
desfavorables.
N ptos. del polgono

Rango til
N mn. loc. discret.
Error ptimo
Param. en ptimo
Area enc./Long.
Coste comp. (seg)
AlfaRaAlfa
5
50
0.0%
0.47
AlfaRaRa
5
50
56.0%
4
0.022982
5.65
0.107
0.52
BetaAlfa
5
50
0.0%
0.18
BetaBeta
5
50
2.0%
1
0.006189
5.63
0.011
0.20
BetaRa
5
50
40.0%
3
0.000062
5.65
0.003
0.20
TE
200
100.0%
18
0.000157
5.65
0.005
2.50
204
Captulo 4
Estudiando el nmero de mnimos locales, en la figura 4.21 se observan 3 mnimos

locales fundamentales (en t=2.87, t=4.18 y t=5.65), uno de los cuales es considerablemente
menor (ptimo global) que el resto. El mtodo TE presenta numerosos mnimos debidos a la
discretizacin y se observa que para eliminar los mnimos artificiales se debera incrementar
esta discretizacin de forma considerable. Del resto de mtodos, los mtodos AlfaRaRa y
BetaRa presentan un nmero de mnimos muy cercano al valor real.
0.20
0.18
5
0.14
Parmetro t
0.12
0.10
0.08
Parmetro t
Error segm mtodo TE
0.16
0.06
Error TE
0.04
0.02
0.00
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
s/L
Todos los mtodos que aportan solucin encuentran el ptimo global, lo cual puede
comprobarse observando que el valor del parmetro asociado a este ptimo est en torno a
t=5.62 para todos ellos. Observando el valor del rea encerrada por unidad de longitud se
comprueba que los mejores mtodos son el mtodo BetaRa, el mtodo TE y luego el resto. Se
observa que el mtodo AlfaRaRa aporta una solucin considerablemente peor que el resto de
mtodos, siendo el valor en stos ltimos muy similar. Las curvas superpuestas de acuerdo
con la solucin aportada por cada mtodo se muestra en la figura 4.22.
Finalmente, el coste computacional de los mtodos basados en la adaptacin poligonal
vara entre 0.18 y 0.52 seg. Se observa que, como en los mtodos anteriores, existe diferencia
entre los mtodos de adaptacin poligonal que ubican el primer segmento en base a y Ra y
los que lo hacen en base a . Los segundos tienen un coste computacional similar y son los
205
ms econmicos. El mtodo TE ha sido en este caso considerablemente ms costoso, con un

coste aproximadamente igual a 14 veces superior al del mejor de los mtodos anteriores.
Se ha analizado la evolucin de los parmetros anteriores al variar el nmero de puntos

del polgono caracterstico desde 5 hasta 10. Se ha observado que casi todos los parmetros
tienen escasa variacin, siendo ms significativa la del rango til y la del coste computacional.
As, en el mtodo AlfaRaRa se observa una disminucin lenta del rango til a medida que
crece el nmero de puntos (tabla 4.10). El mtodo BetaBeta que presentaba un rango til del
2% con 5 puntos, no aporta ninguna solucin con ms de 5 puntos. Finalmente, el mtodo
BetaRa tiene una escasa variacin en este ensayo.
206
Captulo 4
n
5
6
7
8
9
10
AlfaRaAlfa
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
AlfaRaRa
56.0%
56.0%
54.0%
50.0%
48.0%
46.0%
BetaAlfa
0.0%
0.0%
0.0%
0.0%
0.0%
0.0%
BetaBeta
2.0%
0.0%
0.0%
0.0%
0.0%
0.0%
BetaRa
40.0%
40.0%
38.0%
40.0%
40.0%
38.0%
TE
100.0%
100.0%
100.0%
100.0%
100.0%
100.0%
Por su lado, el coste computacional demuestra variar poco con este incremento del
nmero de puntos. Se producen pequeos incrementos y decrementos (dependiendo del
mtodo) pequeos en este coste siguiendo la misma tendencia que en el ensayo 2.
En la figura 4.23 se observa que el mtodo AlfaRaRa aporta una solucin poco realista
(en el sentido de que se puede conseguir otra mucho mejor y as lo confirman otros mtodos).
La razn por la que este mtodo aporta una solucin tan pobre es analizada a continuacin. En
la figura 4.23 se muestra el mejor polgono adaptado segn ste mtodo. Para la colocacin de
los dos primeros segmentos partiendo del punto 0 de la curva propuesta se buscan los puntos 1
y 2 de forma que se respeten 1 y Ra1. Para ello se propone un punto 1 y se busca el punto 2
que hace que se respeten los valores de esas variables. El problema est en que, en esa
posicin, el segmento 1 est casi alineado con la curva propuesta y en la bsqueda del ngulo
1, cualquier pequea rotacin del segmento 1 ocasiona que el punto 2 (interseccin del
segmento 1 con la curva propuesta) se desplace una gran distancia. Debido a esta posicin
singular, el algoritmo de optimizacin demuestra tener dificultad para encontrar la mejor
> ?
solucin en la ubicacin de los segmentos

y ya que una pequea variacin del ngulo
produce grandes desplazamientos. Posteriormente, la ubicacin del resto de segmentos
y est condicionada a la longitud del segmento , por lo que la solucin no se ajustar a
la realidad.
207
Figura 4.23. Polgono adaptado y curva superpuesta segn el mtodo AlfaRaRa en el ensayo 3.
4.4.4. Ensayo 4.
Se ha observado que en ciertos casos, la respuesta de los mtodos de comparacin de
curvas abiertas basados en adaptacin poligonal puede ser diferente de la respuesta del
mtodo TE, considerado el ms realista.
Para ilustrar esto, se ha realizado la comparacin entre una curva abierta requerida y
una propuesta cerrada. La curva requerida (figura 4.24) viene definida por las ecuaciones
siguientes:
x (u ) = 100 u 2 cos(u )
y (u ) = 100 u 2 sen(u )
(4.12)
variando el parmetro u dentro del intervalo [0.261, 1.440]. La curva propuesta es una B-Spline
cbica definida mediante un polgono de control de 7 vrtices (figura 4.24), variando su
parmetro t dentro del intervalo [0,7[.
208
Captulo 4
Figura 4.24. Curvas requerida y propuesta en el ensayo 4.
Se ha realizado la comparacin segn los diferentes mtodos y los resultados se

muestran en la tabla 4.11. En ella se observa cmo la posicin de superposicin ptima
aportada por cada mtodo (indicada por el valor del parmetro asociado al ptimo) es diferente
(vase representacin de las soluciones en la figura 4.26). Esto significa que cada mtodo
encuentra la mayor coincidencia entre la curva requerida y la curva propuesta en tramos
diferentes de esta ltima.
N ptos. del polgono

Rango til
N mn. loc. discret.
Error ptimo
Param. en ptimo
Area enc./Long.
Coste comp. (seg)
AlfaRaAlfa
5
50
10.0%
3
0.017931
0.86
1.407
0.59
AlfaRaRa
5
50
92.0%
3
0.002023
4.44
3.026
0.51
BetaAlfa
5
50
6.0%
2
0.097701
0.99
2.391
0.20
BetaBeta
5
50
82.0%
9
0.031351
4.75
6.937
0.28
BetaRa
5
50
64.0%
3
0.001554
4.82
7.963
0.20
TE
200
100.0%
8
0.000533
4.29
0.272
0.60
La figura 4.25 muestra la curva de error del mtodo TE en funcin del punto de partida
de la superposicin, para todos los puntos de la curva propuesta. Se observa que existen 4
mnimos fundamentales (en t=0.84, t=1.44, t=4.29 y t=4.64) y el error segn el mtodo TE para
209
todos ellos es del mismo orden de magnitud. Se ha comprobado que, en estos casos en los
que existen otros mnimos locales de valor similar al ptimo, cada mtodo poligonal aporta
como solucin uno de los mnimos locales, no siendo siempre el ptimo global. Esto demuestra
que la funcin objetivo (o funcin error) definida en cada mtodo es una funcin aproximada y
no presenta un comportamiento real exacto. Sin embargo, siempre que el ptimo global se
parezca en magnitud a otros mnimos locales se estar cometiendo un error pequeo al
confundir unos con otros, por lo que la estimacin del error de comparacin es
aproximadamente la misma.
0.20
7
Parmetro t
0.18
6
Error TE
0.14
0.12
0.10
3
0.08
0.06
Parmetro t
Error segn mtodo TE
0.16
0.04
1
0.02
0.00
0
0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
Sin embargo, en la figura 4.22 se muestra que la calidad de la superposicin de las

curvas es muy diferente en unas soluciones y en otras. Para solucionar esto es posible utilizar
los mtodos poligonales (que son menos costosos) en la optimizacin de las dimensiones del
mecanismo y, una vez encontrado el ptimo (y careciendo de importancia el coste
computacional), se puede utilizar una forma de determinar la superposicin ptima ms
elaborada, como por ejemplo la que dictamina el mtodo TE.
210
Captulo 4
4.4.5. Ensayo 5.
Como ya se ha visto, los mtodos de adaptacin poligonal aproximan la comparacin
de una curva abierta y otra requerida a favor de un menor coste computacional. Sin embargo,
si la diferencia entre las curvas aumenta, estos mtodos pueden constituir una aproximacin no
tan buena (en el sentido de realista). Para ilustrar esto, se utiliza en este ensayo una curva
propuesta con varios puntos de inflexin (figura 4.27). Dicha curva viene definida por una
B-Spline cbica basada en un polgono de control de 11 vrtices cuyo parmetro t vara dentro
del intervalo [0, 11[.
211
Figura 4.27. Curva propuesta en el ensayo 5.
La curva requerida utilizada es definida mediante las siguientes ecuaciones

paramtricas:
x (u ) = 100 u
y (u ) = 100 u sen(u )
variando el parmetro u dentro del intervalo [-, ] (figura 4.28).
Figura 4.28. Curva requerida en el ensayo 5.
Una vez resuelto el problema de superposicin ptima, los datos obtenidos segn cada
mtodo se muestran en la tabla 4.12 y la representacin de las curvas superpuestas segn
cada mtodo (no todos encuentran solucin a este problema) se muestran en la figura 4.30. En
212
Captulo 4
ella se observa cmo ningn mtodo de adaptacin poligonal es capaz de encontrar la solucin
ptima, la cual es encontrada por el mtodo TE.
AlfaRaAlfa
N ptos. del polgono
5
50
Rango til
0.0%
N mn. loc. discret.
Error ptimo
Param. en ptimo
Area enc./Long.
Coste comp. (seg)
2.13
AlfaRaRa
5
50
52.0%
5
0.589
10.08
12.580
1.98
BetaAlfa
5
50
0.0%
BetaBeta
5
50
0.0%
0.25
0.31
BetaRa
5
50
82.0%
8
0.307
10.68
7.011
0.34
TE
200
100.0%
11
0.093
10.90
6.771
1.43
Con el fin de estudiar el nmero de mnimos del error de comparacin en funcin del
punto de partida de la superposicin, se incluye la curva de error del mtodo TE (figura 4.29).
En ella se observa que existen 4 mnimos locales fundamentales (en t=4.19, t=5.34, t=7.63 y
t=10.9).
3.0
11
10
2.5
2.0
7
6
1.5
5
4
1.0
3
2
0.5
1
0.0
0
0
0.1
0.2
0.3
0.4
0.5
s/L
0.6
0.7
0.8
0.9
Parmetro t
Error segn mtodo TE
213
214
Captulo 4
4.5. Consideraciones de simetra y de sentido de la adaptacin en

las curvas.
Los mtodos anteriores, tal como han sido expuestos, no cumplen los requisitos de
independencia de simetras y de la parametrizacin siguen siendo dependientes del sentido
de la parametrizacin. As, estos mtodos necesitan ser ampliados para el cumplimiento de
estos requisitos. La solucin ms trivial consiste en reproducir la comparacin de las curvas
considerando simetra en cada una de ellas y recorriendo las curvas en los dos sentidos
posibles, para cada curva y su simtrica. Sin embargo, un anlisis ms detallado de la situacin
permitir simplificar el proceso con una ganancia considerable en el coste computacional.
Figura 4.31. Comparacin de una curva abierta con una curva cerrada considerando posibles sentidos y simetras.
Supngase que se desea comparar las curvas (lo cual involucra la superposicin
ptima) mostradas en la figura 4.31 considerando todas las posibilidades de simetra y sentido
de adaptacin. Para la independencia del sentido de parametrizacin, se debe superponer la
curva requerida sobre la propuesta considerando los dos sentidos posibles al recorrer esta
ltima. Para la independencia de simetra, se debe superponer la curva simtrica de la
215
requerida sobre la propuesta considerando de nuevo los dos sentidos (2 casos). As se observa
que el problema de superposicin ptima ha de realizarse 4 veces para cada pareja de curvas
comparadas, lo que aumentar considerablemente el coste computacional.
Al considerar dos puntos A y B de la curva propuesta y superponer la curva requerida
en base a esos dos puntos, se obtienen las 4 posibilidades mostradas en la figura 4.32. En las
posibilidades 0 y 1 de la figura se recorre la curva propuesta en sentido antihorario (desde A
hasta B) y se superpone la curva requerida y su simtrica, respectivamente. En las
posibilidades 2 y 3 de la figura se hace lo mismo pero recorriendo la curva propuesta en
sentido horario. Sin embargo, en los mtodos de adaptacin, el polgono adaptado en 0 y 1
es el mismo, mientras que el que vara es el polgono caracterstico (adopta dos formas debido
a la simetra). Y lo mismo ocurre con las posibilidades 2 y 3. Consecuentemente la
estimacin del parecido de las curvas segn las dos posibilidades 0 y 1 puede realizarse
comparando el polgono adaptado con el polgono caracterstico (posibilidad 0) y con su
simtrico (posibilidad 1). Dado que el mayor gasto computacional se produce en la adaptacin
del polgono (que involucra diferentes procesos de optimizacin) y no en la comparacin de los
polgonos, se ahorra una de las dos adaptaciones en coste computacional con lo que aumenta
el rendimiento del mtodo. De la misma forma se puede proceder con las posibilidades 2 y 3.
Figura 4.32. Posibilidades de superposicin de una curva abierta en base a 2 puntos de una curva cerrada.
216
Captulo 4
Al final se llega a que partiendo de cada punto se ha de adaptar el polgono

caracterstico en la curva propuesta segn los dos sentidos posibles para luego comparar cada
uno de los dos polgonos adaptados obtenidos con el polgono caracterstico y su simtrico.
En cuanto al mtodo TE, la conclusin es similar a la anterior. Para cada dos puntos A
y B de la curva propuesta, en la posibilidad 0 se estima el parecido entre las curvas
comparando la CET (Curva de Evolucin de la Tangente) de la curva propuesta en el intervalo
AB y la CET de la curva requerida original. En la posibilidad 2 se estima el parecido entre las
curvas comparando la CET de la curva propuesta con la CET de la curva requerida, recorrida
83
esta ltima en sentido inverso y cambiando su signo . Para las posibilidades 2 y 3 se
procede de la misma forma que en 0 y 1 pero recorriendo la curva propuesta en sentido
contrario (con lo que la CET cambia de signo). Al final se obtienen 4 posibilidades que
provienen de recorrer la curva propuesta segn los dos sentidos posibles y, para cada uno de
stos, en recorrer la requerida tambin segn los dos sentidos.
Ensayo
Depend.84
1
Indep.85
Incremento
Depend.
Indep.
Incremento
Depend.
Indep.
Incremento
Depend.
Indep.
Incremento
Depend.
Indep.
Incremento
AlfaRaAlfa
0.79
0.92
16.2%
0.62
0.80
29.0%
0.47
0.65
39.2%
0.59
0.82
39.8%
2.13
2.74
28.6%
AlfaRaRa
0.70
0.85
21.0%
0.53
0.65
23.0%
0.52
0.68
31.0%
0.51
0.71
39.5%
1.98
2.50
26.3%
BetaAlfa
0.18
0.24
31.6%
0.20
0.25
22.9%
0.18
0.23
27.8%
0.20
0.25
23.6%
0.25
0.35
38.3%
BetaBeta
0.29
0.40
38.2%
0.27
0.33
21.9%
0.20
0.26
30.6%
0.28
0.38
35.8%
0.31
0.41
30.9%
BetaRa
0.18
0.25
36.9%
0.23
0.31
32.6%
0.20
0.24
22.3%
0.20
0.26
32.0%
0.34
0.40
18.4%
TE
1.62
2.87
77.2%
0.63
1.17
85.7%
2.5
6.34
153.6%
0.6
1.01
68.3%
1.43
2.74
91.6%
Tabla 4.13. Cambio en el coste computacional (seg) al completar los mtodos para que cumplan todos los requisitos.
83
Al cambiar el sentido de recorrido, el ngulo de la evolucin de la tangente cambia de signo.
84 Coste computacional de los mtodos siendo dependientes del sentido de la parametrizacin y posible simetra (es decir, tal
como fueron expuestos en 4.3).
85 Coste computacional de los mtodos corregidos para ser independientes de sentido de la parametrizacin y posible simetra de
las curvas.
217
Al realizar estas modificaciones de los mtodos, su coste computacional se modifica de

forma desigual. Para obtener los datos finales se han repetido los ensayos y se ha medido el
tiempo de computacin, obteniendo los resultados que se muestran en la tabla 4.13.
En esta tabla se observa que los mtodos de adaptacin presentan incrementos en
sus costes computacionales entre el 15% y el 40%, mientras que el mtodo TE incrementa su
coste computacional entre el 65% y el 155%.
4.6. Anlisis de resultados.

Mediante diferentes ensayos realizados, una muestra de los cuales se ha incluido en
este captulo, se ha estudiado el comportamiento de varios mtodos de comparacin de curvas
abiertas. Tras estos ensayos se han obtenido resultados concluyentes que son expuestos a
continuacin.
4.6.1. Identificacin.
En lo relativo al requisito de identidad, se ha observado que todos los mtodos de
adaptacin poligonal cumplen este requisito de forma precisa. El mtodo TE, al ser un mtodo
discreto y no realizar optimizacin no logra la posicin del ptimo global de forma exacta. La
precisin con la que se acerca al ptimo depende de la finura de la discretizacin. Sin
embargo, con una discretizacin de la curva en 200 segmentos, este mtodo ya ha demostrado
ser computacionalmente ms costoso que el resto de mtodos. Y un aumento de la
discretizacin con el objetivo de cumplir el requisito de identidad con mayor precisin
incrementa el coste computacional de forma considerable.
4.6.2. Rango til.

Los mtodos de adaptacin poligonal llevan asociado implcitamente el concepto de
rango til ya que, partiendo de un punto de la curva propuesta, la adaptacin en base a las
magnitudes contempladas por el mtodo no siempre es posible, y no siempre se podr realizar
la comparacin. As, el rango til es la porcin de curva propuesta en la cual se puede adaptar
el polgono y, por tanto, dentro de la cual los mtodos de adaptacin poligonal pueden estimar
un error de comparacin. El mtodo TE, por su lado, es un mtodo que estima la diferencia
entre las curvas en base a las diferencias de evolucin de la tangente. As, este mtodo es
siempre capaz de realizar la comparacin y su rango til es invariablemente del 100%.
Se ha observado que un rango til pequeo acelera el proceso de superposicin
ptima ya que disminuye el nmero de operaciones que se han de realizar para encontrar el
ptimo. Sin embargo, un rango til excesivamente pequeo termina en muchos casos en una
218
Captulo 4
ausencia de solucin, lo que supone un importante inconveniente. Por ello se considera que el
rango til ptimo un porcentaje intermedio (40%-60%) que no lleve en ningn caso a una
ausencia de solucin.
Los ensayos han probado que la adaptacin poligonal en base al ngulo es
excesivamente restrictiva. Los mtodos de adaptacin basados en este ngulo (AlfaRaAlfa y
BetaAlfa) presentan un rango til muy pequeo, lo que significa que consiguen adaptar el
polgono partiendo de muy pocos puntos de la curva propuesta. Estos mtodos, cuando la
curva crece en complejidad llegan a no ser capaces de adaptar el polgono dentro de la curva
propuesta, por lo que no pueden estimar la diferencia entre las curvas y, consecuentemente, no
aportan ninguna solucin.
El mtodo BetaBeta presenta un rango til que vara mucho de unos casos de
comparacin a otros. En algunos presenta rangos amplios, mientras que en otros el rango til
es solo ligeramente superior al de los mtodos basados en .
Tambin se ha probado que la evolucin del rango til al aumentar el nmero de
puntos suele ser decreciente (salvo en ciertos casos, pequeos en nmero, en los que la
evolucin es irregular). Esto es debido a que cuantos ms puntos tenga el polgono
caracterstico, ms magnitudes se tendrn que respetar, lo que restringe el problema de
adaptacin. En los mtodos basados en se comprueba que un incremento del nmero de
puntos puede llegar a ocasionar una restriccin del rango til tal que impida que stos aporten
solucin alguna. El mtodo BetaBeta presenta un gran decrecimiento del rango til con el
aumento del nmero de puntos del polgono, salvo pocos casos en los que su evolucin es
irregular. El resto de mtodos tambin sufren una reduccin del rango til, pero sta no suele
derivar en una ausencia de solucin.
Valor ideal
Rango til
Evolucin al
aumentar el n de
ptos. del polgono
Tendencia a la no
aportacin de
solucin
AlfaRaAlfa
AlfaRaRa
BetaAlfa
Medio
Reducido
Reducido
Medio
Invariable
Ninguna
Decrece
Decrece
rpidamente rpidamente
Elevada
Baja o
ninguna
BetaBeta
Valor
irregular
BetaRa
TE
Medio
Mximo
Decrece
lentamente
Decrece
rpidamente
Decrece
lentamente
Invariable
Elevada
Moderada
Baja o
ninguna
Ninguna
Tabla 4.14. Caractersticas del rango til en los diferentes mtodos.
219
86
La tabla 4.14 muestra, en resumen, las caractersticas generales del rango til de
cada uno de los mtodos. Se observa cmo los mtodos con un mejor comportamiento desde
el punto de vista del rango til son el AlfaRaRa, BetaRa y TE.
4.6.3. ptimo logrado.

La evaluacin del ptimo encontrado incluye la evaluacin de diferentes parmetros
asociados al ptimo. Los mtodos de adaptacin poligonal buscan el ptimo de forma
exhaustiva dentro de la curva propuesta. Para ello discretizan la curva y evalan cada uno de
los puntos de la discretizacin, identificando los mnimos locales discretos. Posteriormente,
parten de estos mnimos locales discretos y realizan una optimizacin con el fin de observar
cual de ellos conduce al menor valor, que ser el ptimo global. El mtodo TE es un mtodo
que se basa en la comparacin masiva de puntos. Debido a su coste computacional, este
mtodo no realiza optimizacin sino que se acerca al ptimo afinando la discretizacin.
La superposicin real de las curvas presenta un nmero de mnimos que puede ser
estimado por el mtodo TE (que es considerado el mtodo ms realista) descartando sus
mnimos locales ficticios debidos a la discretizacin. Conocido el nmero real de mnimos
locales en la superposicin ptima, es posible evaluar los diferentes mtodos atendiendo al
nmero de mnimos locales que presentan. Si en un mtodo este nmero es menor que el real,
ello implicar que este mtodo no es sensible a todos los mnimos locales reales existentes. Si
es mayor significar que el mtodo introduce mnimos locales ficticios. En este ltimo caso, se
tendr que realizar la optimizacin partiendo de cada uno de ellos para encontrar el ptimo
global, lo que incrementar el coste computacional. Por ello y pese a que el nmero ptimo de
mnimos locales es el valor real, ante una falta de coincidencia, se considera ms favorable que
sea ligeramente superior al valor real frente a que sea inferior.
Se ha observado que los mtodos AlfaRaAlfa y AlfaRaRa tienen cierta tendencia a
presentar un nmero de mnimos locales discretos menor que el nmero real de mnimos
locales. Lo que significa que estos mtodos no son sensibles a todos los mnimos locales. Los
mtodos BetaAlfa y BetaBeta tienen una tendencia irregular, presentando un nmero de
mnimos locales que es igual, superior o inferior al real. El mtodo BetaRa presenta
generalmente un nmero igual o ligeramente superior (en algunos pocos casos muy superior)
al real. Finalmente, el mtodo TE presenta siempre un nmero muy superior (incluyendo
numerosos mnimos ficticios) debido a que en la funcin error se produce una oscilacin debida
a la discretizacin.
Otro parmetro importante que permitir evaluar los mtodos de comparacin es la
ubicacin del ptimo global encontrado. Considerando que el mtodo TE es el ms realista
86
Se ha observado que existen excepciones al comportamiento representado en esta tabla.
220
Captulo 4
cuando la discretizacin de la curva propuesta es fina, se puede realizar la comparacin entre

la ubicacin del ptimo global proporcionada por este mtodo y la proporcionada por el resto de
mtodos. En este sentido se observa que los mtodos AlfaRaRa, BetaBeta y BetaRa logran
87
ubicar el ptimo global en el ptimo global real con elevada frecuencia , mientras que los
mtodos AlfaRaAlfa y BetaAlfa terminan en ocasiones en otro mnimo local distinto del ptimo
real. Estos ltimos mtodos, adems presentan cierta tendencia al cambio de posicin al variar
el nmero de puntos del polgono caracterstico, lo cual supone una baja estabilidad en la
solucin y gran dependencia de dicho nmero de puntos considerado.
Finalmente, la calidad del ptimo encontrado por los mtodos (incluido el mtodo TE)
puede ser evaluada mediante la distancia media entre las curvas en el tramo de superposicin
(evaluada mediante el rea encerrada dividida por la longitud de la curva requerida). En los
ensayos se observa que los mtodos BetaRa y TE presentan los valores ms bajos (lo que
indica una mejor superposicin).
En la tabla 4.15 se muestra un resumen de la evaluacin de los ptimos encontrados

segn cada mtodo. En ella se observa cmo los mtodos BetaRa y TE obtienen las mejores
calificaciones, siendo los que presentan un mejor comportamiento.
Valor ideal
N de mnimos locales
Igual o
discretos frente al n
ligeramente
real de mnimos locales
superior
Coincidencia entre la
ubicacin de la
Siempre
superposicin ptima y
la del ptimo real (TE)
Estabilidad de la
ubicacin del ptimo
Elevada
frente al cambio del n
de puntos del polgono
Valor del rea
enc./Long. en relacin
Bajo
al de otros mtodos
AlfaRaAlfa88
AlfaRaRa
BetaAlfa88
Igual,
superior o
inferior
BetaBeta
Igual,
superior o
inferior
Igual o
inferior
Igual o
inferior
A veces
Frecuentemente
A veces
Baja
Elevada
Medio
Medio o alto
BetaRa
TE
Igual o
superior
Muy
superior
Frecuentemente
Muy
frecuentemente
Siempre
Baja
Parcial
Elevada
(no
aplicable)
Medio
Medio
Bajo o
medio
Bajo o
medio
Tabla 4.15. Caractersticas de la optimizacin y del ptimo encontrado segn los diferentes mtodos.
87 De todos ellos, el mtodo BetaRa es el que presenta un mejor comportamiento. Unicamente yerra en la ubicacin del ptimo
global en casos en los que la curva de error en funcin del punto de partida presenta varios mnimos muy similares al ptimo
global. Pero en este caso el error cometido en la estimacin del error de comparacin es pequeo ya que el mnimo logrado y el
ptimo global son muy similares.
88 Las caractersticas de estos mtodos reflejan su comportamiento solo en los casos en los que aportan alguna solucin (es
decir, en los casos en los que su rango til es mayor que 0%). Sin embargo, puesto que la frecuencia de ausencia de solucin en
los casos estudiados es elevada, puede considerarse que los datos son poco fiables, careciendo esto de importancia ya que
dicha ausencia representa un factor negativo mucho ms importante para estos mtodos.
221
4.6.4. Coste computacional.

Al evaluar el coste computacional de los mtodos de comparacin (corregidos estos
para que sean independientes del sentido de la parametrizacin y de las posibles simetras,
segn se describe en 4.5) se observa que los mtodos computacionalmente menos costosos
son los mtodos de adaptacin que ubican el primer segmento del polgono en base al ngulo
mtodos BetaAlfa, BetaBeta y BetaRa (tabla 4.16). De stos, los mtodos BetaAlfa y
BetaRa son los menos costosos, siendo el mtodo BetaBeta del orden de un 40% ms
costoso. A continuacin se encuentran los mtodos AlfaRaAlfa y AlfaRaRa, los cuales son del
orden de 4 veces ms costosos que los primeros. Finalmente se encuentra el mtodo TE que
tiene un coste computacional muy superior a los primeros (del orden de 10 veces superior).
Coste computacional
Coste relativo89
AlfaRaAlfa
Medio
4.5
AlfaRaRa
Medio
4.1
BetaAlfa
Bajo
1
BetaBeta
Bajo
1.4
BetaRa
Bajo
1.1
TE
Alto
10.8
Tabla 4.16. Comparativa del coste computacional de los diferentes mtodos.
As, desde el punto de vista exclusivamente computacional, los mtodos ms

ventajosos son el BetaAlfa y el BetaRa.
4.7. Conclusiones.
Los ensayos realizados demuestran que es posible superponer de forma ptima una
curva abierta sobre una cerrada (o viceversa) para luego estimar el parecido de las curvas con
mtodos computacionalmente poco costosos. La economa de estos mtodos posibilita la
utilizacin de estrategias de optimizacin exhaustivas en sntesis de mecanismos con el
objetivo de encontrar las dimensiones del mecanismo que genera una curva lo ms parecida
posible al tramo de trayectoria requerida.
El estudio llevado a cabo permite realizar una comparativa entre el comportamiento de
mtodos que utilizan pocos puntos de comparacin (en este caso los mtodos de adaptacin
poligonal) pero comparan varias magnitudes en cada punto y el comportamiento de mtodos
que utilizan muchos puntos de comparacin pero una nica magnitud es comparada en cada
90
punto (el mtodo TE es un ejemplo de este tipo de mtodos ).
89
Coste relativo al mtodo computacionalmente menos costoso (al que se le asigna un coste unitario).
90 Ntese que, tal como se concluye a partir del estudio realizado, no es sencillo obtener nuevos mtodos (basados en la
comparacin de una nica magnitud a lo largo de muchos puntos) que cumplan todos los requisitos de independencia, ya que las
222
Captulo 4
En esta comparativa se observa que el mtodo TE presenta siempre un

comportamiento ms realista ya que encuentra siempre el ptimo global real. En contrapartida,
no obtiene la posicin real del ptimo global, sino solamente una posicin cercana (debido a
que solamente encuentra la posicin discreta ms cercana al ptimo, ya que una optimizacin
con este mtodo ser excesivamente costosa) y, por lo tanto, no cumplen el requisito de
identidad, siendo el cumplimiento de este requisito fundamental en para encontrar el ptimo
global dentro del espacio de diseo. Por otro lado, los mtodos de adaptacin realizan la
superposicin ptima de forma aproximada pero tras la optimizacin alcanzan la posicin
exacta (o una aproximada con mucha precisin) del ptimo encontrado. Sin embargo, se
observa que cuando se comparan curvas de forma que la superposicin de las mismas tiene
varios mnimos locales muy similares (vase ensayo 4), estos mtodos no siempre se decantan
por el menor de ellos (debido a que realizan una estimacin aproximada), sino que pueden
decantarse por otro, cometiendo un cierto error.
En cuanto al coste computacional se observa que los mtodos de adaptacin tienen un
coste computacional considerablemente menor (hasta 10 veces menor) que el mtodo TE, lo
cual supone un gran inconveniente para la utilizacin de este ltimo. Podra pensarse en
mejorar el coste computacional del mtodo TE realizando una discretizacin con menos puntos
(o en menos segmentos) de la curva propuesta. Sin embargo, esta disminucin actuara en
perjuicio de la precisin del mismo, alejando su comporatmiento del requisito de identidad. As,
la finura de la discretizacin del mtodo TE corresponde a una solucin de compromiso entre
minimizar su coste computacional y acercar su comportamiento al cumplimiento del requisito de
identidad. Una modificacin de esta precisin de discretizacin en cualquier sentido actuara en
un detrimento general del comportamiento del mtodo.
En conclusin, los mtodos de adaptacin expuestos son una alternativa
computacionalmente econmica y suficientemente aproximada para superponer de forma
ptima una curva plana abierta sobre otra curva plana y estimar el parecido entre ambas
curvas, siendo considerados globalmente ms ventajosos que el mtodo TE.
Dentro de los mtodos de adaptacin, se ha observado que no todos tienen un

comportamiento ptimo y es posible realizar una comparativa con el fin de deducir cual es el
mejor mtodo que se puede emplear en la sntesis de curvas abiertas. Los factores principales
de esta comparacin son el grado de aproximacin a la solucin real de la comparacin y el
coste computacional implicado. En este sentido se observa que los mtodos que utilizan el
ngulo mtodos AlfaRaAlfa y BetaAlfa para la adaptacin del polgono tienen el gran
inconveniente de presentar un rango til muy reducido, llegando a no ser capaces de aportar
diferentes magnitudes puntuales que describen la forma de las curvas son dependientes de posicin, orientacin y escala y, en
algunos casos como el radio de curvatura, presentan una variacin que dificulta la comparacin.
223
solucin alguna en muchos casos, lo que los convierte en no aptos para la resolucin de este
tipo de problemas. Del resto de mtodos, el mtodo BetaBeta tiene un comportamiento
irregular (su rango til vara de un valor muy bajo incluso nulo en algunos casos a otros
valores mayores en otros casos, el ptimo encontrado presenta tambin caractersticas
irregulares de unos casos a otros), por lo que es considerado un mtodo con un
comportamiento de calidad intermedia.
As, en cuanto al comportamiento, los mejores mtodos parecen ser los mtodos
basados en Ra AlfaRaRa y BetaRa. Sin embargo de estos dos, el primero tiene un coste
computacional en promedio 4 veces superior al del segundo, siendo su comportamiento muy
similar. El mtodo BetaRa, por su lado, tiene unas caractersticas muy cercanas a las ideales y
su coste computacional es de los ms bajos. Por este motivo (y segn los criterios expuestos),
este mtodo es, de todos los estudiados, el mejor mtodo para constituir la funcin objetivo del
problema de sntesis dimensional aproximada de mecanismos planos para la generacin de
tramos abiertos de trayectoria.
&DStWXOR
(OHVSDFLRGHGLVHxR\ODRSWLPL]DFLyQ
5.1. Introduccin.
Este captulo trata sobre dos componentes fundamentales que definen el problema de
optimizacin: el espacio de diseo (ED) y el algoritmo de optimizacin. El primero es un
espacio n-dimensional en el que cada dimensin corresponde a una variable de diseo.
Figura 5.1. Dimensiones de un punto trazador del mecanismo biela-manivela.
Como se ha visto en captulos anteriores, en el problema de sntesis dimensional

aproximada de mecanismos planos para la generacin de trayectorias, las incgnitas son las
distintas dimensiones del mecanismo que determinan la posicin del punto trazador. Los
226
Captulo 5
mecanismos generadores de curvas son mecanismos desmodrmicos en los que, conforme la

magnitud de entrada del mecanismo vara dentro de su rango, el punto trazador se desplaza
dibujando una trayectoria.
En la figura 5.1 se observa un mecanismo biela-manivela que consta de 8 variables de
diseo (d1, d2, ..., d8) en el problema de sntesis dimensional. Cada punto del espacio de diseo
representa, por lo tanto, a un mecanismo (con unas dimensiones concretas) y un punto
trazador del mismo (ubicado en una posicin concreta dentro del mecanismo). Es claro que el
conjunto mecanismo-punto trazador describe una nica trayectoria cuando el primero es
accionado. As, cada uno de los infinitos puntos del espacio de diseo se corresponde con una
trayectoria generada.
En un problema concreto de sntesis dimensional, cada punto del espacio de diseo es
evaluado por la funcin objetivo, la cual califica el punto es decir, el mecanismo y su punto
trazador de acuerdo con su calidad en el cumplimiento de los requisitos. En el caso particular
de sntesis de trayectoria, la funcin objetivo evaluar los puntos del espacio de diseo y en
dicha evaluacin realizar una comparacin entre los requisitos del problema (impuestos en
relacin a la trayectoria requerida) y las caractersticas de la trayectoria asociada a dicho punto,
calculando un valor menor a medida que las curvas sean ms parecidas.
La funcin objetivo, as definida, es una funcin de n en y constituye una
91
hipersuperficie dentro del espacio de diseo. Pero, puesto que la evaluacin de cada punto
del ED por parte de la funcin objetivo depende de las caractersticas de la trayectoria
requerida en el problema de sntesis, esta hipersuperficie ser distinta para cada problema
diferente.
Por otro lado, la hipersuperficie oscilar entre un valor mximo y un valor mnimo
dentro del ED segn la trayectoria asociada a cada punto del ED se parezca menos o ms a la
trayectoria requerida. Adems, debido a la no linealidad del problema, la hipersuperficie
contendr varios mximos y mnimos locales. El menor valor de la funcin corresponder al
menor valor de todos los mnimos locales de la hipersuperficie, el cual recibe el nombre de
ptimo global.
El fin ltimo de los mtodos de sntesis aproximada es encontrar el ptimo global de la
funcin objetivo dentro del espacio de diseo. Sin embargo, la obtencin del ptimo global no
es una tarea fcil debido, entre otros, a dos motivos fundamentales. En primer lugar, se
comprueba que la funcin objetivo presenta una elevada falta de linealidad, lo que ocasiona
que no pueda obtenerse de forma matemticamente directa la posicin del ptimo global
dentro del ED. En segundo lugar, el ED de un mecanismo de barras sencillo tiene
91
Es decir, una superficie en un espacio n-dimensional.
El espacio de diseo y la optimizacin
227
generalmente 8 o ms dimensiones, y su enorme tamao complica el planteamiento de

estrategias que puedan ser ejecutadas en un tiempo razonable.
De estas dos razones anteriores, la primera es difcilmente evitable. Puede pensarse
que la no linealidad de la hipersuperficie depende (para un caso de sntesis concreto) de cmo
la funcin objetivo cuantifica la diferencia entre las caractersticas de cada punto del ED y las
caractersticas requeridas. Sin embargo, independientemente de la formulacin matemtica de
la funcin objetivo, existe una no linealidad inherente al problema de sntesis que no se puede
evitar. Este hecho puede constatarse observando la falta de linealidad de las diferentes
funciones objetivo propuestas en la literatura.
Por su parte, el segundo motivo hace referencia a la gran extensin del ED. Es posible
estudiar las diferentes dimensiones del ED con el fin de disminuir su tamao sin disminuir las
posibilidades reales de solucin. Cualquier reduccin del ED implicar un menor coste
computacional en la bsqueda del ptimo global o una mayor probabilidad de encontrarlo a
igualdad de coste.
En este sentido, se considera que la mejor estrategia de optimizacin es aquella que
aporta la mejor solucin en un tiempo razonable. As pues, ser necesario estudiar diferentes
alternativas evaluando tanto la solucin obtenida como el tiempo es decir, el coste
computacional invertido en lograr dicha solucin.
5.2. Anlisis del espacio de diseo (ED).

Como se ha comentado, el ED correspondiente a un problema de sntesis dimensional
aproximada es un espacio n-dimensional siendo n el nmero de variables de diseo del
mecanismo. Por ejemplo, en la figura 5.2 se observan las 9 dimensiones del espacio de diseo
de un mecanismo de 4 barras. A estas 9 habra que aadirle una variable booleana y, por lo
tanto, de variacin no continua que decida la configuracin del mecanismo dentro de las dos
posibles (correspondientes a los dos circuitos de la trayectoria del mecanismo), siendo en total
10 las dimensiones del ED de este tipo de mecanismo.
Aunque en teora el ED es infinito y cada una de sus dimensiones (salvo las angulares)
puede tomar valores dentro del intervalo ]-, [, en realidad este ED est acotado debido a que
un mecanismo muy desproporcionado no resulta til en la prctica. El motivo es que con el
aumento de la desproporcin aumentan las fuerzas internas del mecanismo y disminuye la
precisin de funcionamiento debido a la rigidez finita de los eslabones. As, para obtener
soluciones prcticas, puede acotarse el ED de acuerdo con una desproporcin mxima
admisible, logrando un espacio de diseo acotado EDA. Esta acotacin permite, adems,
seleccionar la porcin del ED deseada, la cual queda encerrada dentro de la misma.
228
Captulo 5
El grado de desproporcin puede ser cuantificado mediante el cociente entre las

longitudes mayor y menor de los eslabones del mecanismo. Aunque existen diferentes criterios
92
para establecer la desproporcin mxima admisible , en este trabajo se ha considerado
adecuado un valor cercano a 10, lo que significa que se considera admisible cualquier
mecanismo en el que la longitud del eslabn mayor sea aproximadamente y como mximo 10
veces superior a la longitud del eslabn menor.
Figura 5.2. Variables de diseo del mecanismo de 4 barras.
Tomando como base el mecanismo de 4 barras (sin que ello suponga una falta de
generalizacin de las conclusiones a las que se llegue) y con el fin de cuantificar la reduccin
del espacio de diseo conseguida con los razonamientos que se desarrollarn a continuacin,
se ha seleccionado una acotacin del espacio de diseo (tabla 5.1). A continuacin, se procede
a la extraccin de un conjunto de puntos de este EDA habindose adoptado la distribucin
uniforme de puntos de entre las diferentes alternativas. Para ello, se consideran 10 u 11
93
valores en cada dimensin (tabla 5.1) salvo en la variable de configuracin, que solamente
puede tomar 2 valores, logrando un total de 2.42109 puntos.
92
Garret y Hall (Garret y Hall, 1968) sugirieron una relacin de desproporcin mxima admisible igual a 25.
Puede observarse que los valores negativos de las dimensiones d5, d6 y d7 no tiene un significado fsico, por lo que han sido
excluidos de la tabla.
93
229
Puede observarse que, pese a que el nmero de puntos es muy elevado (dos mil
94
millones), el EDA es tan grande que el conjunto de puntos es difcilmente representativo del
primero. As, se observa que en algunas dimensiones (por ejemplo d8 y d9) el nmero de
valores considerado es muy pequeo y existen otros valores intermedios que pueden
representar curvas muy diferentes de las consideradas. Esto proporciona una idea del enorme
tamao del EDA.
Nmero de
valores
d1
10
d2
10
d3
10
d4
10
d5
10
d6
10
d7
10
11
d8
11
d9
2
Config.
N inicial de puntos: 2.42109
Dimensin
Valor
mnimo
-4
-4
0
-10
1
1
1
-10
-10
0
Valor
mximo
-5
5
324
10
10
10
10
10
10
1
Incremento
1
1
36
2
1
1
1
2
2
1
Observaciones
ya que 360=0
excluyendo el valor 0
Tabla 5.1. Definicin del conjunto de puntos extrados del EDA asociado al mecanismo de 4 barras.
5.2.1. Primera reduccin del espacio de diseo.

En la sntesis de trayectoria se busca una trayectoria que cumpla determinados
requisitos. Si dos mecanismos dimensionalmente diferentes generan una misma trayectoria
lo que equivale a decir que dos puntos diferentes del EDA tienen asociada una misma
trayectoria no ser necesario evaluar ambos mediante la funcin objetivo ya que el resultado
para uno ser igual al resultado para el otro. Esta es la base sobre la que se fundamenta la
primera reduccin del EDA y tiene como objetivo disminuir el coste computacional al no tener
95
que evaluar (con la funcin objetivo) los puntos repetidos . Y, consecuentemente, se observa
que, en estos trminos, la reduccin no implica una prdida de posibilidades de solucin ya que
solamente se eliminan puntos redundantes del EDA.
94
Se entiende aqu por representativo la capacidad que tiene el conjunto de puntos considerado para representar de forma
aproximada cualquier otro punto del EDA. As, si para cualquier punto del EDA (y su curva asociada) se puede encontrar un
punto del conjunto considerado de forma que su curva asociada sea muy similar a la del primero, se entiende que el conjunto es
muy representativo del EDA.
95 Esto solamente tendr sentido prctico si las comprobaciones necesarias para verificar si el punto es una repeticin de otro
son computacionalmente menos costosas que la evaluacin del mismo por parte de la funcin objetivo.
230
Captulo 5
Para el mecanismo de 4 barras (figura 5.2), se observa que de las 10 dimensiones

asociadas a un punto del EDA de este mecanismo, tres no modifican la trayectoria trazada por
ese punto, sino que solamente la ubican en el plano. De estas tres, dos (d1 y d2) corresponden
a la posicin y una (d3) a la orientacin de la trayectoria. Dado que se ha hecho hincapi en que
los mtodos de comparacin de curvas destinados a ser funcin objetivo sean
independientes de posicin y orientacin, estos mtodos son insensibles a las variaciones de
estas dimensiones. Por ello, dos puntos del EDA que se diferencien nicamente en d1, d2 y/o d3
sern evaluados por la funcin objetivo con el mismo valor constituyendo, por tanto, diferentes
repeticiones de un mismo punto en el EDA. As, se pueden eliminar estas tres dimensiones sin
que ello implique prdida alguna en las posibilidades de solucin.
Al hacer esta reduccin, la rejilla de puntos del EDA pasa de contener 2.42109 a
contener 2.42106 puntos, habiendo reducido el EDA a un 0.1% de su tamao inicial.
Pero, adems, los mtodos de comparacin de curvas tambin han sido formuladas
para que sean insensibles al tamao de las curvas comparadas. Si se tienen dos puntos A y B
96
del EDA de forma que el punto B es obtenido multiplicando todas las dimensiones del punto A
por un mismo escalar (es decir, siendo A y B punto homotticos), las curvas asociadas a dichos
97
puntos sern curvas homotticas . Consecuentemente las curvas asociadas a estos puntos, al
ser comparadas con la curva requerida, sern evaluadas por la funcin objetivo de la misma
forma, siendo en realidad puntos repetidos del EDA. As, de nuevo es posible reducir el tamao
del EDA sin prdida de posibilidades de solucin mediante la normalizacin del mecanismo.
Esta normalizacin equivale a la eliminacin de la dimensin de una barra (con respecto a la
cual se normaliza el mecanismo), a cuya longitud se le asigna invariablemente el valor 1. En el
caso del mecanismo de 4 barras, ste se suele normalizar con respecto a la barra de entrada
(dimensin d5) a la cual se le asigna el valor unitario (Hrones y Nelson, 1951).
As, el conjunto de puntos del EDA considerado se reduce hasta un valor de 2.42105 lo
que supone una reduccin al 0.01% de su tamao original.
De la misma forma, se estableci que las funciones de comparacin fueran insensibles

a la posible simetra de las curvas comparadas. Si se observa el EDA puede verse que existen
diferentes puntos del mismo que generan trayectorias simtricas que son igualmente evaluadas
por las funciones objetivo expuestas en los captulos 3 y 4. As, para cada punto del EDA
puede eliminarse todas sus repeticiones consiguiendo una reduccin importante del mismo.
96
Salvo la variable de configuracin del mecanismo.
97
Ya que mecanismos dimensionalmente homotticos generan curvas homotticas de la misma razn y origen.
231
Por ejemplo, se observa que la variable de diseo d4 vara desde -10 hasta 10 en el
conjunto de puntos descrito en la tabla 5.1. Esta variacin es necesaria dado que los valores
negativos configuran el mecanismo simtrico de los valores positivos, como se observa en la
figura 5.3. Sin embargo, dado que mecanismos simtricos generan trayectorias simtricas,
puede eliminarse la parte negativa de d4, quedando la discretizacin con 1.21105 puntos y
habindose reducido al 0.005% de su tamao original.
Figura 5.3. Mecanismos de 4 barras simtricos.
Finalmente, si se estudian los mecanismos en el cambio de configuracin, se observa

que dado un mecanismo y su punto trazador de la biela en una configuracin determinada de
las dos posibles siempre se puede encontrar otro punto de la biela de un mecanismo
dimensionalmente igual al anterior pero en una configuracin diferente que trace una
trayectoria perfectamente simtrica de aquella. Esto quiere decir que, dado un punto del EDA
siempre se puede encontrar otro punto tal que ambos trazan la misma trayectoria.
Consecuentemente se puede eliminar uno de ellos logrando una nueva reduccin del EDA. Por
ejemplo, dado un mecanismo de 4 barras cualquiera (habiendo ya eliminado las dimensiones
comentadas hasta ahora) de dimensiones
{d4, d5 = 1, d6, d7, d8, d9, Config.=0}
se puede demostrar que otro mecanismo de dimensiones
{d4, d5 = 1, d6, d7, d8, d9, Config.=1}
traza la misma trayectoria. Esto se ilustra en la figura 5.4, donde puede verse que los puntos P
y Q del acoplador de dos mecanismos dimensionalmente iguales pero montados en
configuraciones diferentes generan trayectorias simtricas, teniendo P y Q coordenadas
conjugadas es decir, misma coordenada X y coordenadas Y iguales en magnitud pero
diferentes en signo en el sistema de ejes locales del acoplador Xa-Ya.
232
Captulo 5
Esta redundancia de puntos en el EDA puede anularse eliminando uno de los dos
posibles valores de la variable Configuracin. En tal caso, el nmero de puntos en el conjunto
considerado se reduce a 6.05104, lo que supone una reduccin acumulada a un 0.0025% de su
tamao original.
Figura 5.4. Mecanismos en diferente configuracin generan trayectorias simtricas.
Se observa que el diseo de funciones objetivo que permita eliminar dimensiones del
ED conlleva una reduccin importante del mismo sin prdida de posibilidades. Y, considerando
que se ha reducido el espacio en el que se pretenden encontrar el ptimo global, esta
reduccin aumenta las probabilidades de conseguirlo.
En la tabla 5.2 queda resumido el estado final del conjunto de puntos considerado tras
las reducciones planteadas.
Nmero de
Valor
Valor
valores
mnimo
mximo
(no se incluye)
d1
d2
(no se incluye)
d3
(no se incluye)
d4
5
2
10
d5
1
1
1
d6
10
1
10
d7
10
1
10
d8
11
-10
10
11
-10
10
d9
1
0
0
Config.
N inicial de puntos: 2.42109
N actual de puntos: 6.05104
Reduccin respecto del tamao inicial: 0.002500%
Dimensin
233
Incremento
Observaciones
2
(invariable)
1
1
2
2
(invariable)
Tabla 5.2. Estado de la discretizacin tras la reduccin del espacio de diseo del mecanismo de 4 barras.
Otra posible reduccin del EDA (sin eliminacin de posibilidades reales de sntesis) es
la eliminacin de mecanismos cognados. Segn el Teorema de Roberts-Chebyshev (vase
Hartenberg y Denavit, 1964), dado un mecanismo de 4 barras y un punto de su acoplador que
traza una curva, existen otros dos mecanismos planos de 4 barras (diferentes de aquel y
diferentes entre s) que trazan curvas idnticas a la primera (figura 5.5). Bien interpretado, esto
es una prueba de que todos los puntos del ED figuran en el mismo por triplicado (de acuerdo
con la forma de las curvas que generan). Entonces, es posible eliminar dos de cada tres puntos
reduciendo el ED a un tercio de su tamao actual.
Figura 5.5. Mecanismos cognados (generan una misma trayectoria).
Para realizar esta reduccin es necesario adoptar un criterio uniforme y determinista

que, aplicado a un mecanismo concreto (es decir, a un punto del EDA), permita seleccionar un
nico mecanismo del conjunto formado por aquel y sus dos cognados. Al mecanismo
seleccionado de entre esos tres se le llamar cognado primario. Una vez fijado el criterio, cada
punto del EDA puede ser examinado con el fin de decidir si es el cognado primario. Si lo es, se
234
Captulo 5
procede con su evaluacin por parte de la funcin objetivo y si no lo es, se descarta

prosiguiendo con el siguiente punto.
Es posible adoptar diferentes criterios para seleccionar el cognado primario. Sin
embargo, en la determinacin del criterio a utilizar se ha de prestar especial atencin a la
seleccin del mecanismo que luego pasar los filtros de eliminacin posteriores (vase 5.2.2).
De no hacerlo as se estaran eliminando posibilidades reales de diseo en lugar de eliminar
nicamente repeticiones de estas posibilidades. As, supngase por ejemplo que se parte de
un mecanismo o punto del EDA A que pasa todos los filtros de eliminacin. Al determinar
sus cognados se obtienen los mecanismos B y C, de los cuales C pasa todos los filtros y B no.
Si se establece un criterio que de A, B y C considera B como el cognado primario, se habran
eliminado los tres puntos del EDA. En efecto, A y B seran eliminados por no ser cognados
primarios, mientras que B (que es el cognado primario) sera eliminado en otro filtro posterior.
As, con los diferentes filtros se habra eliminado el punto del EDA representado por los
mecanismos A, B y C de forma triplicada. En definitiva, se trata de establecer un criterio que,
partiendo de un punto del EDA y sus dos cognados, determine cuales estn dentro del EDA
ltimo (conseguido tras todas las reducciones aplicables) y, de stos, seleccione un nico
mecanismo, descartando los dems.
Aunque se pueden establecer diferentes criterios, cualquiera que tenga en cuenta las
consideraciones anteriores es, en principio, igualmente vlido. Los mecanismos cognados se
diferencian bsicamente en las dimensiones de sus barras, por lo que el criterio estar basado
en estas dimensiones. Un criterio posible que es adoptado en los sucesivo consiste en
seleccionar como cognado primario aquel de los tres que tenga la manivela ms corta. Su
adopcin tiene que ver con el hecho de que estos mecanismos son los que tienen mayor
probabilidad de que la manivela accionadora realice giros completos es decir, que no se
bloqueen a lo largo del ciclo cinemtico, lo cual es importante porque la no realizacin de
giros completos por parte de la manivela constituir un filtro de eliminacin posterior (vase
5.2.2).
Si se aplica este criterio de eliminacin al EDA mostrado en la tabla 5.2, se obtiene que
de los 60500 puntos, 48825 corresponden a mecanismos que son cognados primarios (se han
eliminado, por tanto, 11675 mecanismos). Se observa que el nmero de puntos eliminados no
corresponde a la tercera parte de los 60500 puntos iniciales. Esto es debido a que el criterio de
eliminacin de cognados no distribuye el cognado primario (considerado) y los otros dos
(descartados) de forma uniforme en todo el EDA, sino que es realizado de otra forma tal que
solamente 11675 puntos que no son cognados primarios han quedado incluidos dentro del
EDA considerado en este ejemplo. Otra conclusin que se puede obtener de este resultado es
que, dado que el EDA considerado no se ha reducido a un tercio en la eliminacin de cognados
tras la reduccin, en realidad se estn considerando las posibilidades de diseo
correspondientes a un EDA de mayor tamao que el mostrado en la tabla 5.2. Ya que existen
puntos considerados cuyos cognados no estn en el EDA de la tabla 5.2 y que, por tanto,
235
pertenecen a un EDA mayor que aquel (el obtenido al considerar todos los puntos del EDA de
la tabla 5.2 ms todos los cognados de todos esos puntos).
La reduccin del EDA en base a la eliminacin de mecanismos cognados no es
aplicable nicamente al mecanismo de 4 barras. Otros mecanismos (como por ejemplo el
mecanismo biela-manivela) tambin poseen cognados y se puede asimismo aplicar esta
reduccin.
En esta primera etapa se ha reducido el EDA a un 0.002018% de su tamao original

eliminando exclusivamente puntos repetidos en el mismo. Esto significa que de cada milln de
puntos de la discretizacin del EDA inicial, 999980 son repeticiones incluyendo variacin de
orientacin, posicin, escala, simetra y mecanismos cognados de los otros 20 puntos.
5.2.2. Segunda reduccin del espacio de diseo.

La primera reduccin del EDA se ha realizado con el criterio de eliminacin de los
puntos redundantes o repetidos. Tras su realizacin, las posibilidades de sntesis son
exactamente iguales a las originales. Sin embargo, es posible reducir an ms el EDA
eliminando los puntos del mismo en los que, a priori, se puede conocer que no suponen
posibilidades ptimas de sntesis. As, el objeto de esta segunda reduccin es estudiar la curva
requerida en la sntesis y descartar puntos del EDA que no tienen posibilidad de reproducir las
caractersticas de la trayectoria requerida.
Para realizar esta reduccin del EDA se ha estudiado el mecanismo de 4 barras y se
han determinado relaciones entre las dimensiones del mecanismo y las propiedades de las
curvas generadas. Con cualquier otro mecanismo se puede realizar un estudio similar que
permita este tipo de reduccin, sin embargo, es claro que las conclusiones a las que se llegue
dependen del tipo de mecanismo.
Los mecanismos de 4 barras fueron clasificados por Grashof en funcin de sus

dimensiones segn stos tengan alguna barra que realice giros completos o no dispongan de
tal barra. En los mecanismos de 4 barras de Grashof se asegura que existe una rotacin
relativa continua entre dos eslabones del mecanismo. Sin embargo, de las cuatro inversiones
de la cadena de Grashof, en una de ellas, la barra que realiza giros completos es el acoplador
(mecanismo de doble oscilador), siendo en las otras tres una o las dos manivelas las que
realizan tales movimientos. El problema de doble oscilador de Grashof es que si el
accionamiento no est en el acoplador, difcilmente se consigue que ste realice giros
completos, mientras que si se decide accionar el acoplador, se encuentra cierta dificultad
debido a que ste no tiene un movimiento de rotacin pura alrededor de un punto fijo.
236
Captulo 5
Para la generacin de trayectorias cerradas se requiere que el punto trazador recorra la

curva generada en un sentido y realizando giros completos dentro de ella. Consecuentemente
el mecanismo que mueve el punto trazador debe ser un mecanismo en el que su eslabn de
accionamiento realice giros completos y, por ello, en el caso del mecanismo de 4 barras se
descartan los mecanismos que no son de Grashof. Adems, para la generacin de trayectorias
cerradas, dentro de los mecanismos de Grashof se consideran nicamente aquellos
98
mecanismos en los que al menos una manivela realiza giros completos .
Llamando s a la longitud de la barra ms corta, l a la ms larga y p, q a las longitudes
de las otras dos barras del mecanismo de 4 barras, para que el mecanismo tenga una barra
que realice giros completos debe cumplirse la ley de Grashof:
s+l p+q
(5.1)
pero, como se ha comentado, se excluye el caso en el que la barra ms corta (s) es el

acoplador, ya que entonces es sta la que realiza giros completos.
La sntesis de trayectoria puede dividirse en dos casos que han sido estudiados
separadamente en los captulos 3 y 4: sntesis de trayectorias cerradas y sntesis de
trayectorias abiertas. Las trayectorias cerradas solamente pueden ser generadas por
mecanismos en los que la barra de accionamiento realiza giros completos, por lo que para este
tipo de sntesis pueden excluirse directamente todos los puntos del EDA que no cumplen la ley
99
de Grashof y tambin aquellos que, aun cumplindola, la barra ms corta es el acoplador. De
esta forma se consigue una reduccin considerable del EDA.
Por otro lado, una trayectoria abierta puede ser parte de una trayectoria cerrada o de
otra abierta. As, tanto los mecanismos de Grashof como los mecanismos no de Grashof son
candidatos para generar trayectorias abiertas y no puede descartarse a priori ninguno de estos
dos grupos. En conclusin, el ED del problema de sntesis de trayectorias abiertas no puede
ser reducido tanto como en el caso de trayectorias cerradas.
El caso lmite de Grashof en el que

s+l = p+q
(5.2)
corresponde a mecanismos que se pliegan (es decir, existe un instante en el cual todas las
barras estn alineadas). Estos mecanismos presentan una complicacin adicional ya que a
98
Esto tiene que ver con el hecho de que los mecanismos de trazado de trayectorias cerradas en aplicaciones industriales suelen
ser movidos por accionamientos aplicados a una de las manivelas.
99
Fox y Willmert (Fox y Willmert, 1967) ya introdujeron el requisito de rotabilidad completa de la barra accionadora en el
problema de sntesis dimensional aproximada de mecanismos planos.
237
partir de la posicin plegada pueden cambiar de configuracin. Por ello, la trayectoria generada
no est cinemticamente determinada, sino que durante el movimiento y tras la alineacin el
mecanismo puede seguir con cualquiera de las dos configuraciones, dependiendo de la
100
dinmica del mismo . Consecuentemente, para casos habituales no especiales de
sntesis pueden excluirse estos mecanismos identificados por la ecuacin (5.2).
Siguiendo con el ejemplo de la primera reduccin, tras la revisin de los 48825 puntos
de la rejilla reducida a la que se lleg al final de 5.2.1, se obtiene que 18148 son mecanismos
vlidos para generar curvas cerradas (es decir, son mecanismos de Grashof que no se pliegan
y en los que la barra que realiza giros completos no es el acoplador). El resto (30677) son
mecanismos no vlidos para generar curvas cerradas. Con este criterio, en la sntesis de
trayectorias cerradas, se ha conseguido una reduccin del conjunto de puntos del EDA a un
0.000750% de su tamao original. Pero esta reduccin no es aplicable al problema de sntesis
de trayectorias abiertas.
Otro criterio de sencilla aplicacin es la diferenciacin entre trayectorias con puntos

mltiples y trayectorias sin puntos mltiples. Las primeras son aquellas que se cortan a s
mismas teniendo el punto interseccin dos o ms tangentes a la curva (de ah su nombre). Las
segundas son trayectorias que no se cortan a s mismas en ningn punto. En el mecanismo de
4 barras, la aparicin de puntos mltiples en las trayectorias ha sido estudiada desde hace
tiempo (Hartenberg y Denavit, 1964) (Torfason y Ahmed, 1978) (Hernndez et al., 1997) en
base a la ecuacin de la curva del acoplador. Esta ecuacin puede ser expresada en la forma
de Roberts como sigue:
F ( x, y ) = U 2 + V 2 W 2 = 0
(5.3)
donde U, V y W son funciones que dependen de las dimensiones del mecanismo y de las
coordenadas x, y de los puntos de la curva del acoplador. Para que un punto (x,y) de la curva
del acoplador sea un punto mltiple, debe existir ms de una tangente a la curva en dicho
punto. La pendiente de la tangente viene dada por la expresin:
dy
dx
y
F ( x , y )
F ( x , y )
x
F ( x , y )
=
F ( x, y )
(5.4)
100 En la prctica, estos mecanismos se utilizan casi exclusivamente para la reproduccin de situaciones especiales entre las que
se incluyen requisitos de plegamiento del mecanismo o la existencia de puntos mltiples (puntos con varias tangentes diferentes)
en la trayectoria.
238
Captulo 5
y para que existan varias soluciones, este trmino debe quedar indeterminado. Para ello el
numerador y el denominador deben ser ambos cero. Entonces, los puntos de la curva del
acoplador, adems de cumplir la ecuacin (5.3), para ser puntos mltiples deben cumplir las
ecuaciones siguientes:
F ( x , y )
= 0
x
x
x
x
F ( x , y )
U
V
W
= 2 U
+ 2 V
2 W
= 0
y
y
y
y
= 2 U
+ 2 V
2 W
(5.5)
De estas dos ecuaciones se pueden obtener las expresiones de U y V en funcin de W

y de las derivadas parciales:
V xW y V y W x
W = W
U y V x U xV y
U y W x U xW y
W = W
V=
U y V x U xV y
U=
(5.6)
donde el subndice x (resp. y) indica derivada parcial con respecto a x (resp. y). Sustituyendo
estas expresiones de U y V en la ecuacin (5.3), se obtiene:
W 2 2 + 2 1 = 0
(5.7)
As, existen dos posibilidades de solucin:

W =0
(5.8)
2 + 2 1 = 0
(5.9)
La segunda ha sido ampliamente estudiada por Hernndez et al. (Hernndez et al.,

1997) llegando a la conclusin de que los puntos mltiples representados por esa ecuacin
corresponden nicamente a mecanismos de 4 barras plegables en las diferentes posibilidades
de plegamiento.
La primera solucin, correspondiente a la ecuacin (5.8), es la solucin clsica del
problema de obtencin de puntos mltiples y, representada en el plano, corresponde a una
circunferencia llamada circunferencia de focos que pasa por las dos articulaciones de las
manivelas con la barra fija y abarca un tringulo semejante al tringulo del acoplador con el
punto trazador. En la figura 5.6 se observa la representacin de la circunferencia de focos
correspondiente a un mecanismo de 4 barras. Como se ha comentado, esta circunferencia
239
pasa por los puntos O2, O4 y P, donde O2 y O4 son las articulaciones de las manivelas con la
barra fija y el punto P es tal que el tringulo O2-O4-P es semejante al tringulo A-B-P.
Figura 5.6. Circunferencia de focos de un mecanismo de 4 barras.
Se observa que la circunferencia de focos depende del punto trazador (P) del
acoplador. Por ello, para cada punto trazador diferente existir una circunferencia de focos
diferente.
La conclusin a la que se llega con la ecuacin (5.8) es que para que una trayectoria
generada por un mecanismo de 4 barras tenga puntos mltiples, las coordenadas (x,y) de esos
puntos han de cumplir dicha ecuacin, o lo que es lo mismo, han de pertenecer a la
101
circunferencia de focos
(que es la representacin grfica de la ecuacin (5.8)). As, la
trayectoria tendr puntos mltiples solamente si corta a la circunferencia de focos (de forma
que exista al menos un punto comn a ambas).
Por otro lado, todos los puntos de la circunferencia de focos cumplen la ecuacin (5.8).
Por tanto, lo recproco de lo anterior tambin es cierto: si la trayectoria corta a la circunferencia
de focos, el punto de corte es obligatoriamente un punto mltiple. Consecuentemente, la nica
posibilidad de que una trayectoria no tenga puntos mltiples es que no corte a la circunferencia
de focos.
Esto puede ser utilizado para diferenciar entre las curvas que se cortan a s mismas
(curvas con puntos dobles) y las que no lo hacen. Una vez que es posible realizar tal
diferenciacin, cuando la trayectoria requerida en sntesis sea una curva cerrada sin puntos
101 Se han excluido intencionadamente los puntos mltiples externos a la circunferencia de focos (es decir, aquellos que cumplen
la ecuacin (5.9) en lugar de la ecuacin (5.8)) debido a que son siempre pertenecientes a mecanismos que se pliegan.
240
Captulo 5
dobles (resp. con puntos dobles) se pueden descartar todos los puntos del EDA
correspondientes a curvas que contengan puntos dobles (resp. que no contengan puntos
dobles).
Sin embargo, pueden encontrarse ciertas excepciones. Por ejemplo, en la figura 5.7a
se muestra una trayectoria generada por un mecanismo que, pese a que corta a la
circunferencia de focos en los puntos C y D, a priori no se corta a s misma. Esto es debido a
que la ecuacin (5.3) de la curva del acoplador incluye los dos circuitos correspondientes a las
posibles configuraciones del mecanismo por lo que si se representan estas dos posibilidades
(figura 5.7b) se observa que, efectivamente, los dos circuitos de la trayectoria se cortan en la
circunferencia de focos. En definitiva, existen casos (aunque puede comprobarse que son
pocos) en los que un circuito de la trayectoria generada por un mecanismo (en una
configuracin determinada) corta a la circunferencia de focos sin cortarse a si misma (sino
cortando al otro circuito de trayectoria).
Figura 5.7. Ejemplo de circuito de trayectoria con puntos mltiples que no se corta a si mismo.
Como se ha visto, para determinar si una curva generada por un mecanismo (que no
es plegable) tiene puntos mltiples basta con estudiar si la curva corta a la circunferencia de
focos. Sin embargo, dado que las curvas tienen una formulacin no lineal, el algoritmo para
determinar esta posibilidad de corte no es trivial. Una estrategia simple consiste en comprobar
numerosos puntos de la curva y observar si todos estn fuera o todos estn dentro de la
circunferencia de focos. En tal caso, la curva no cortar a dicha circunferencia. Por el contrario,
241
si hay puntos de la curva dentro y fuera de la circunferencia de focos, existir la interseccin de

102
la primera con la segunda .
Sin embargo, si se comprueba un nmero elevado de puntos, el coste computacional
de la comprobacin puede incrementarse hasta aproximarse (o superar) al coste
computacional de la comparacin de esa trayectoria con la curva requerida es decir, al coste
computacin de la evaluacin de ese punto del EDA por parte de la funcin objetivo. En tal
caso, no se obtiene ningn beneficio en la deteccin de curvas con/sin puntos mltiples. As, es
necesario proponer un mtodo de comprobacin que sea computacionalmente mucho ms
econmico que la funcin objetivo.
Para ello se propone comprobar si un nmero moderado de puntos est dentro o fuera
de la circunferencia de focos. Tras varios ensayos se ha comprobado que con 10 puntos se
puede obtener una estimacin suficientemente aproximada con un coste computacional muy
inferior al de la funcin objetivo. Sin embargo, tambin se ha detectado la posibilidad de
exclusin de opciones reales de sntesis. As, por ejemplo, en la figura 5.8 se observa una
trayectoria generada por un mecanismo de 4 barras. Esta trayectoria corta a la circunferencia
de focos y tiene un punto mltiple. Sin embargo, uno de los dos lazos es tan pequeo que al
comprobar 10 puntos de la curva (marcados en la figura) se observa que todos ellos estn
fuera de la circunferencia de focos, por lo que este algoritmo indicara que la curva no tiene
puntos mltiples.
Figura 5.8. Ejemplo de fallo al considerar 10 puntos en la comprobacin de puntos mltiples.
102
Considerando que las trayectorias son cerradas y continuas.
242
Captulo 5
Es conveniente evitar la eliminacin de posibilidades reales de sntesis y as conservar

todos los puntos del EDA que son buenas soluciones potenciales al problema de sntesis. En
este sentido, dado que la comprobacin de si un punto est dentro o fuera de la circunferencia
de focos se realiza comparando la distancia del primero al centro de la circunferencia con el
radio de esta ltima, es posible aplicar una cierta tolerancia al radio en la comparacin para no
excluir ninguna posibilidad real de sntesis asumiendo el coste de incluir algunas otras curvas
que no lo son. Esta estrategia se considera conveniente y, a pesar de ser conservadora,
permitir reducir notablemente el EDA.
A la hora de aplicar la tolerancia, es necesario distinguir entre dos casos: cuando se
desea eliminar del EDA las curvas con puntos mltiples y cuando se desea eliminar las curvas
sin puntos mltiples. Para ello se consideran dos circunferencias equidistantes de la
circunferencia de focos (de radio R): la circunferencia exterior de radio R(1+t) y la
circunferencia interior de radio R(1-t). Siendo t la tolerancia radial que puede expresarse en
tanto por ciento.
Figura 5.9. Regiones consideradas en la eliminacin de curvas con puntos mltiples.
El primer caso corresponde a la sntesis de curvas sin puntos mltiples, interesando

conservar todas las curvas que no tengan puntos mltiples (an cuando para conseguir esto se
243
incluyan algunas con puntos mltiples). En este caso, si los 10 puntos de la curva estn dentro
de la circunferencia exterior (figura 5.9) o si los 10 puntos estn fuera de la circunferencia
interior entonces se considera que la curva no corta a la circunferencia de focos y,
consecuentemente, no tiene puntos mltiples.
Como ejemplo, se observa la trayectoria mostrada en la figura 5.9 tiene los 10 puntos
comprobados en el rea exterior, por lo que (an cuando tiene un punto doble) es considerada
en este caso tras eliminar del EDA las curvas con puntos mltiples. Esto es una prueba de que,
al incluir la tolerancia, la eliminacin es ms conservadora y se incluyen algunas curvas que no
pertenecen al grupo buscado. Pero tambin puede pensarse que de esta forma se incluyen
algunas curvas con puntos dobles pero con uno de los lazos muy pequeo. Esto no es una
deficiencia porque es posible que esta curva sea muy parecida a la curva sin puntos dobles
requerida, siendo una posible solucin al problema. Teniendo esto en cuenta, la inclusin de
ciertas curvas no pertenecientes al grupo buscado puede favorecer el proceso general de
sntesis.
Figura 5.10. Regiones consideradas en la eliminacin de curvas sin puntos mltiples.
El segundo caso corresponde a la sntesis de curvas con puntos mltiples y, por tanto,
se persigue eliminar las curvas sin puntos mltiples. En este caso los criterios de eliminacin
244
Captulo 5
cambian. Tal como se muestra en la figura 5.10, al aplicar la tolerancia, solamente si todos los
puntos de la trayectoria estn en el exterior de la circunferencia exterior o si estn en el interior
de la circunferencia interior se considerar que la trayectoria no tiene puntos mltiples. As, en
este caso, la trayectoria mostrada en dicha figura sera considerada como perteneciente al
grupo de puntos mltiples. Esta trayectoria (como todas aquellas que contengan alguno de los
10 puntos entre las circunferencias exterior e interior) sera considerada en los dos casos
expuestos es decir, pertenecer a los dos grupos de puntos.
Si la tolerancia t se hace 0, se est en la situacin inicial y no existen puntos del EDA

comunes a los dos grupos anteriores. En la figura 5.11 se muestra una rejilla de puntos del
acoplador. De acuerdo con este criterio (t=0), se han evaluado cuales generan curvas con
puntos mltiples (marcados con un aspa) es decir, cortan a sus respectivas circunferencias
de focos y cuales no (marcados con un crculo).
Figura 5.11. Diferenciacin de puntos que trazan trayectorias con puntos dobles (x) y sin
puntos dobles (o) considerando una tolerancia t = 0.
Cuando se estudian las trayectorias generadas por los puntos, se observa que existen
errores en la determinacin de puntos mltiples (tal como se haba expuesto anteriormente) y
por eso se hace necesario utilizar una tolerancia en la comprobacin de la posicin de los 10
puntos de la curva relativa a la circunferencia de focos.
245
103
Con el fin de estimar el valor adecuado de la tolerancia

se han ensayado varios
valores. Considerando una tolerancia t=7.5%, ya se observa (figura 5.12) que existen puntos del
acoplador que pertenecen a ambos conjuntos (marcados en la figura con aspa y crculo: ). Sin
embargo, es conveniente que la mayor parte de la frontera entre regiones de puntos de una
determinada clase y las regiones adyacentes de otra clase de puntos est compuesta por
puntos pertenecientes a las dos regiones ya que de esta forma se asegura la inclusin de todas
las posibilidades reales en cada conjunto. Para ello se necesita incrementar el valor de la
tolerancia.
puntos dobles (o) considerando una tolerancia t = 7.5%.
103 Ntese que este valor adecuado depende del nmero de puntos de la trayectoria utilizado en la comprobacin de puntos
mltiples (en este caso 10). Por tanto, si se cambia este nmero de puntos, ser necesario volver a estimar el valor de la
tolerancia t.
246
Captulo 5
puntos dobles (o) considerando una tolerancia t = 15%.
En la figura 5.13 se muestra el mismo ejemplo considerando una tolerancia t=15%. Se

observa cmo la mayor parte de las fronteras estn definidas por puntos que pertenecen a los
dos grupos. Se ha comprobado que con este valor se estn incluyendo en cada grupo todas las
posibilidades reales de sntesis, a la vez que un mayor valor de t supondra la una inclusin de
nuevas posibilidades no reales de sntesis (con lo que la eliminacin sera menos efectiva). As,
a partir de las pruebas realizadas, se considera que este valor de la tolerancia (15%) resulta
adecuado.
Dado que la mayor parte de los puntos del acoplador (y, por tanto, del EDA) generan
trayectorias que no se cortan a si mismas, al aplicar este criterio se gana mucho ms en coste
computacional en la sntesis de curvas con puntos dobles que en la sntesis de curvas sin
puntos dobles. As, en el ejemplo propuesto en la primera reduccin del ED (tabla 5.1), tras
aplicar este criterio se encuentra que de los 18148 que quedaban en el EDA (tras las
reducciones anteriores del mismo), 17512 generan trayectorias que no se cortan a si mismas
mientras que 5870 generan trayectorias que se cortan a si mismas, existiendo 5234 puntos
comunes a ambos grupos. As, para la sntesis de trayectorias cerradas que no se cortan a si
mismas se ha conseguido reducir el EDA a un 0.000724% de su tamao inicial, mientras que
para la sntesis de trayectorias que se cortan a si mismas la reduccin es al 0.000243% del
tamao original.
Descripcin
EDA inicial
Reduccin por independencia de
posicin y orientacin
tamao
simetras
Reduccin por eliminacin de
cognados
mecanismos que se bloquean
mecanismos que se pliegan
Reduccin por eliminacin de puntos
que no concuerdan con la trayectoria
requerida en cuanto a ptos. mltiples
247
Sntesis de trayectorias
SIN puntos dobles
N ptos. en Tamao del EDA
el EDA
respecto al inicial
2.42109
Sntesis de trayectorias
CON puntos dobles
N ptos. en Tamao del EDA
el EDA
respecto al inicial
2.42109
2.42106
0.100000%
2.42106
0.100000%
242000
0.010000%
242000
0.010000%
60500
0.002500%
60500
0.002500%
48825
0.002018%
48825
0.002018%
25120
0.001038%
25120
0.001038%
18148
0.000750%
18148
0.000750%
17512
0.000724%
5870
0.000243%
Tabla 5.3. Evolucin del tamao del EDA con la aplicacin secuencial de eliminacin de puntos.
En resumen, la tabla 5.3 muestra la evolucin del EDA para los dos casos posibles
(sntesis de trayectorias sin y con puntos dobles) a medida que se han ido aplicando las
diferentes reducciones.
El resultado final obtenido puede interpretarse como que de cada milln de puntos del
EDA inicial, solo 7.24 son puntos no repetidos que generan trayectorias que no se cortan a si
mismas, y solo 2.43 son puntos no repetidos que generan trayectorias que se cortan a si
mismas. Como se observa, la reduccin de puntos ha sido muy significativa y,
consecuentemente, la economa de computacin en la bsqueda del ptimo se ha mejorado
notablemente.
5.3. Anlisis de la funcin objetivo en el espacio de diseo.

Se ha razonado anteriormente que la funcin objetivo constituye una hipersuperficie
dentro del EDA, siendo el objetivo de la sntesis la consecucin de la posicin del EDA
asociada al mnimo global de dicha funcin objetivo. Con el fin de poder plantear estrategias
adecuadas para buscar el ptimo es conveniente realizar un estudio exhaustivo de la funcin
objetivo ya que ste permitir obtener una idea de la forma de la hipersuperficie y,
248
Captulo 5
consecuentemente, de la probabilidad de encontrar el ptimo con cada una de las estrategias

planteadas.
Una posibilidad que ser sometida a estudio es la bsqueda del ptimo global de forma
exhaustiva. En esta estrategia se discretiza el EDA (obteniendo un conjunto de puntos
uniformemente distribuidos) y se evalan todos los puntos mediante la funcin objetivo, para
luego optimizar partiendo de los mejores valores de la discretizacin hasta conseguir el ptimo
en el EDA. El principal problema que plantea esta estrategia es el coste computacional, el cual
est estrechamente vinculado al paso de discretizacin (cuanto ms pequeo sea el paso ms
puntos habr en la malla y mayor ser el coste computacional correspondiente a la evaluacin
de todos esos puntos). As pues, es conveniente utilizar un paso de discretizacin lo ms
amplio posible para que el coste computacional sea menor. Pero, por otro lado, para que la
hipersuperficie discretizada sea suficientemente representativa de la hipersuperficie real
(continua), el paso de discretizacin no podr ser mayor que un cierto valor que depender
nicamente de la forma de la hipersuperficie real.
Figura 5.14. Refinamiento sucesivo en la discretizacin de una funcin de una variable.
Como ejemplo, en la figura 5.14 se muestran diferentes discretizaciones del dominio en

el que est definida una funcin unidimensional. La primera discretizacin (en 3 intervalos)
104
demuestra ser demasiado basta para ser sensible a todos los mnimos reales de la funcin .
As, se observa que esta discretizacin solamente representa un mnimo local de los dos que
104 La deteccin de los puntos mnimos de la discretizacin se realiza comparando su valor con el valor de sus puntos contiguos.
Si el primero es menor que los restantes, se trata de un mnimo local en la discretizacin.
249
tiene la funcin en el dominio considerado. La discretizacin en 5 intervalos es ya

representativa de los mnimos existentes en la funcin real ya que en ella aparecen los dos
mnimos locales existentes en la funcin continua. Aunque estos mnimos locales discretos no
estn ubicados en la misma situacin que en la funcin continua, es claro que utilizando un
mtodo de optimizacin basado en el gradiente y partiendo de los mnimos locales discretos se
alcanzar fcilmente la ubicacin de los mnimos locales reales. Finalmente, la discretizacin
en 11 intervalos es mas fina y, por tanto, ms fiel a la forma real de la curva.
As, se observa que discretizar el dominio en 3 intervalos no es suficiente de acuerdo
con el espaciado () de aparicin de los mnimos locales. Por el contrario, cuando se discretiza
el domino en 11 intervalos no se obtiene ninguna ventaja respecto a la discretizacin en 5
intervalos (en lo que al nmero de mnimos se refiere) pero si que se incrementa el coste
computacional al tener que calcular el valor de los 12 puntos de la discretizacin. En
consecuencia, para el planteamiento exhaustivo resulta necesario estimar el nivel de
discretizacin mnimo necesario para que la discretizacin represente todos los mnimos de la
funcin objetivo en el EDA.
Por otro lado, para la estrategia exhaustiva o para cualquier otra es interesante conocer
el orden de magnitud de los mnimos existentes y si estos estn concentrados o distribuidos en
el EDA. En tanto que, dado un tipo de mecanismo, existen varios conjuntos de dimensiones de
sus barras (puntos del EDA) que trazan trayectorias similares, es de suponer que existirn
varios mnimos locales con valores similares de la funcin objetivo y que estos estn
distribuidos de alguna forma en el EDA.
Como se ha visto en los captulos 3 y 4, los casos de sntesis de trayectoria cerrada y

de trayectoria abierta tienen planteamientos diferentes con funciones objetivo diferentes. Sin
embargo, las pruebas realizadas demuestran que el primero es mucho ms crtico que el
segundo cuando la curva requerida es mnimamente reproducible por el tipo de mecanismo
105
considerado . En efecto, puede considerarse que al realizar una sntesis de un tramo abierto
de curva, la probabilidad de que ste sea similar a algn tramo de curva generada por los
mecanismos del EDA es mucho mayor que en el caso de una curva cerrada. Y esto es as por
dos motivos fundamentales: primero, por que existen ms posibilidades de obtener una
solucin ptima al variar la posicin, orientacin y escala de la curva abierta requerida sobre
106
cada curva del EDA y segundo porque existen ms puntos en el EDA . As, con el fin de
105 Lo que quiere decir que su geometra es similar (aunque no sea necesariamente igual) a la de alguno de los diferentes tipos
de curvas que el mecanismo genera.
106
Ya que al realizar la sntesis de curvas cerradas se eliminan del EDA todos los mecanismos que se bloquean (porque stos
generan trayectorias abiertas); no siendo as en la sntesis de curvas abiertas debido a que una curva abierta puede ser
reproducida fielmente por un mecanismo que se bloquee.
250
Captulo 5
estudiar el caso ms crtico se plantea el estudio de la funcin PDCP1 (vase Captulo 3)

correspondiente a la sntesis de curvas cerradas.
5.3.1. Anlisis preliminar bidimensional de la funcin objetivo.

Con el fin de obtener una idea aproximada de la forma de la funcin objetivo, se realiza
una representacin de la misma considerando solamente dos variables de diseo (EDA
bidimensional). Para ello se selecciona un mecanismo de 4 barras, quedando como variables
de diseo las coordenadas (X3, Y3) del punto trazador dentro del sistema de ejes locales del
acoplador. Para evitar grandes desproporciones dimensionales, se puede acotar el ED de
forma que X3 vare dentro del intervalo [-5,15] e Y3 dentro del intervalo [-10, 10]. En la figura 5.15
se observa una representacin del mecanismo y el cuadrado asociado al acoplador que acota
el ED. Se analizar la funcin objetivo dentro de dicho cuadrado.
Figura 5.15. Mecanismo de 4 barras utilizado en el anlisis bidimensional.
La curva requerida utilizada para este ejemplo es una B-Spline cbica (fig. 5.16) cuya
forma es catalogable dentro de las generadas por mecanismos de 4 barras. As, los puntos del
251
EDA son evaluados por la funcin objetivo comparando su curva asociada con la requerida
utilizando la funcin PDCP1 (con 12 puntos de comparacin) definida en el captulo 3.
Figura 5.16. Curva requerida (B-Spline cbica y su polgono de control).
El EDA bidimensional inicial (representado como un cuadrado en la figura 5.15) es

reducido al eliminar los puntos que no son el cognado primario y al eliminar los puntos que no
107
concuerdan con la curva requerida en cuanto a puntos mltiples es decir, al eliminar los
puntos que representan trayectorias que se cortan a si mismas, ya que la trayectoria requerida
no se corta a si misma. Su forma es la de un cuadrado del que se le elimina un rea tal como
se muestra sombreada en la figura 5.17. Toda este rea corresponde a la eliminacin de
puntos discordantes con la curva requerida en cuanto a la existencia de puntos mltiples en
las curvas, no habindose producido reduccin por eliminacin de cognados. El motivo es
que todos los puntos de este EDA tienen sus cognados fuera del mismo, con lo que no es
posible eliminacin alguna.
107 Las dems reducciones del EDA planteadas en 5.2 ataen al resto de dimensiones del mecanismo y no son aplicables a
este caso bidimensional.
252
Captulo 5
10
8
6
4
Y3
2
0
-2
-4
-6
-8
-10
-5
-3
-1
11
13
15
X3
Figura 5.17. EDA bidimensional al eliminar cognados y discordantes en existencia de
puntos mltiples.
Utilizando como funcin objetivo la funcin PDCP1 (vase Captulo 3), el error de
comparacin asociado a cada uno de los puntos de este EDA bidimensional constituye una
superficie que puede ser representada mediante sus curvas de nivel (figura 5.18). En ella se
observa que la mayor parte del EDA presenta un error de comparacin cercano al mnimo
(color blanco). Adems se observan ciertas irregularidades en la diagonal del EDA que
representan rugosidad de la hipersuperficie (lo que puede venir asociado con un nmero
elevado de mximos y mnimos en esa zona).
253
10
2
1.9
1.8
1.7
1.6
8
6
1.5
1.4
1.3
1.2
1.1
Y3
2
0
1
0.9
0.8
0.7
0.6
0.5
-2
-4
-6
0.4
0.3
0.2
-8
0.1
-10
-5
-3
-1
11
13
15
X3
Figura 5.18. Error de comparacin en el EDA bidimensional.
10
0.18
0.165
0.15
0.135
0.12
Y3
0.105
0.09
0.075
-2
1
0.06
-4
0.045
-6
0.03
-8
0.015
-10
-5
-3
-1
11
13
15
X3
Figura 5.19. Error de comparacin en el EDA bidimensional (ampliacin).
Cambiando la escala de la representacin (figura 5.19) se observa la forma de la

superficie en los entornos cercanos a los mnimos. En esta figura se han marcado los mnimos
254
Captulo 5
locales existentes dentro del intervalo de superficie representado. Se observa que existen 5
mnimos locales (numerados de menor a mayor valor de la funcin objetivo), existiendo otros
mnimos (no marcados en la figura) provocados por la reduccin del EDA al excluir el rea
sombreada en la figura 5.17 (los cuales son llamados mnimos fronterizos). Estos mnimos son
debidos a la pendiente hacia fuera de la funcin objetivo en la frontera que acota el EDA.
En el estudio realizado para este caso bidimensional se observa que la variacin de la
funcin objetivo dentro del espacio de diseo es mayoritariamente suave, lo cual se
corresponde con el hecho de que la variacin en la forma de las curvas al desplazarse dentro
de este EDA bidimensional es suave. En particular cabe destacar la suavidad de variacin de la
curva en el entorno de los mnimos locales (que corresponden a las curvas del EDA que ms
se parecen a la curva requerida).
Existe, no obstante, rugosidad superficial en ciertas zonas del EDA. Pero esta
rugosidad se da en valores elevados de la funcin objetivo considerablemente mayores que
los valores mnimos y, consecuentemente, corresponde a puntos que generan curvas muy
poco parecidas a la curva requerida. En concreto, en este ejemplo, la rugosidad superficial
aparece en la diagonal inferior-izquierda a superior-derecha como se aprecia en la figura
5.18, generando esos puntos trayectorias alargadas y muy alargadas, algunas de las cuales
se cortan a si mismas (es decir, tienen puntos mltiples y han sido incluidas debido a la
tolerancia de exclusin de este tipo de curvas). El hecho de que aparezcan estos mnimos
locales no representa ningn perjuicio en el funcionamiento de la estrategia planteada y este
ejemplo corrobora el hecho de que la funcin objetivo tiene buena sensibilidad cuando las
curvas comparadas se parecen, tal como se estudi en el captulo 3.
Por otra parte, la suavidad de la curva requerida mostrada en la figura 5.19 es tal que
partiendo de prcticamente cualquier punto del EDA (excepto los cercanos a las zonas
rugosas) y utilizando un mtodo de optimizacin basado en el gradiente, es posible alcanzar
fcilmente alguno de los 3 mnimos locales fundamentales (1, 2 y 3). Para localizar el mejor de
ellos es decir, el ptimo global dentro de este EDA bidimensional, bastar con realizar una
discretizacin (no necesariamente muy fina, a raz de la suavidad de la superficie) del EDA y
optimizar a partir de los mejores puntos de la misma.
5.3.2. Anlisis de la funcin objetivo en el caso n-dimensional.

El anlisis de la funcin objetivo en el caso n-dimensional es ms complejo que en el
caso bidimensional debido a la dificultad para representar la hipersuperficie. Sin embargo, si
existe rugosidad superficial en el caso bidimensional (aunque sta exista en puntos alejados de
los valores ptimos), tambin existir rugosidad en el caso n-dimensional que es una
extensin del bidimensional.
Para este anlisis se ha realizado un ensayo de refinamiento progresivo de la
discretizacin del EDA. En cada caso de discretizacin se estudian los mnimos locales
255
discretos en dos aspectos fundamentales: la cantidad de estos mnimos y su evolucin con el

108
refinamiento de la discretizacin y, por otro lado, la evolucin del ptimo discreto . Como se
ha comentado anteriormente, el principal inters del anlisis de la funcin objetivo para la
bsqueda exhaustiva se centra en la determinacin del paso de discretizacin necesario para
que sta sea sensible a todos los mnimos locales de la hipersuperficie (o, al menos, a los
mnimos principales), proporcionando este ensayo informacin concreta relativa a este aspecto.
Es necesario hacer notar que, dado que el mecanismo ha sido normalizado con arreglo
a la longitud de la manivela accionadora (a la que se le otorga una longitud unitaria), todas las
dimensiones obtenidas son relativas a la longitud de esa barra. Sin embargo, esto no supone
ninguna falta de generalizacin ya que conocido el paso de discretizacin necesario para el
mecanismo normalizado, este paso puede aumentarse proporcionalmente a la longitud de sus
manivelas accionadoras para cualquier otro conjunto de mecanismos no normalizados.
Para realizar cada ensayo es necesario concretar una curva requerida y un EDA (tabla
5.4). El procedimiento impone que el EDA sea discretizado repetidamente partiendo de un paso
basto mediante refinamientos sucesivos. En cada nuevo caso de discretizacin se determina el
valor de la funcin objetivo comparando la curva generada con la curva requerida para
todos los puntos de la malla. La obtencin de mnimos se realiza comparando el valor de la
funcin objetivo en cada punto de la discretizacin con los valores de sus puntos vecinos (el
punto ser un mnimo local discreto en caso de que este valor sea menor en el punto
considerado que en sus vecinos).
Posteriormente a esto, resulta necesario realizar un filtrado debido a que existen puntos
de la discretizacin que, pese a ser menores que sus vecinos, no son mnimos reales. Esto se
demuestra observando que es posible trazar un camino sobre la hipersuperficie desde uno de
estos mnimos ficticios hasta otro mnimo (este ltimo con menor valor de la funcin objetivo)
sin realizar ninguna ascensin en el trayecto. Un filtrado sencillo y computacionalmente
econmico consiste en trazar una recta entre un mnimo discreto y otro y evaluar la evolucin
de la funcin objetivo en ese segmento recto. Si en dicha evolucin no se produce ningn
ascenso, entonces el primer mnimo puede ser descartado ya que no constituye un mnimo
real.
Otra posibilidad es eliminar esta etapa de filtrado y optimizar todos los mnimos
discretos an sabiendo que es posible que varios conduzcan a un mismo mnimo real. Sin
embargo, se ha comprobado que esta opcin resulta ms costosa que aplicar un filtrado simple
y, adems, ocasiona que en la lista de mnimos reales existan puntos repetidos (ya que de
cada mnimo discreto conduce a un punto) que han de ser posteriormente filtrados.
108
Definido como el punto de la discretizacin del EDA que presenta un menor valor al ser evaluado por la funcin objetivo.
256
Captulo 5
Variable de diseo
Long. barra fija
Long. manivela accionadora
Long. biela
Long. manivela conducida
Coordenada Xbiela
Coordenada Ybiela
Configuracin
Identificador
L1
L2
L3
L4
X3
Y3
Config.
Valor mnimo Valor mximo

1
11
1
1
1
11
1
11
-5
15
-10
10
1
1
Observaciones
Invariable
Invariable
Tabla 5.4. Definicin del EDA para el ensayo de refinamiento progresivo de la discretizacin.
El EDA propuesto para los ensayos (definido en la tabla 5.4) consta de siete variables
de diseo, habiendo eliminado aquellas correspondientes a la posicin y orientacin del
mecanismo. Adems, el mecanismo ya se ha normalizado haciendo L2 invariablemente igual a
la unidad. Tambin se han eliminado puntos redundantes limitando la configuracin a un nico
valor (1) de los dos posibles (0 y 1). As queda un EDA reducido a un nivel intermedio y
posteriormente se reducir ms aplicando los filtros expuestos en 5.2.
Por otro lado, en este EDA todas las barras del mecanismo tienen una longitud igual o
mayor que la manivela acciondora (L2), por lo que en l no se han considerado los mecanismos
de doble manivela, en los que la barra ms corta es la barra fija (L1). Esta exclusin no
supondr en ningn caso una falta de generalizacin de las conclusiones a las que se llegue.
La discretizacin del EDA se realiza de forma sucesiva disminuyendo el paso de
discretizacin de cada dimensin. En cada nuevo refinamiento, la discretizacin cuenta con
ms puntos del EDA y, por tanto, constituye una mejor aproximacin de la hipersuperficie real.
Los ensayos se han realizado con un paso de discretizacin decreciente de acuerdo con los
valores mostrados en la tabla 5.5.
N
1
2
3
4
5
6
7
Paso de discretizacin
2.500
2.000
1.600
1.250
1.000
0.800
0.625
Nmero de puntos del EDA*

10 125
26 136
57 967
210 681
586 971
1 485 172
5 350 257
* EDA mostrado en la tabla 5.4 antes de reducciones posteriores.

Tabla 5.5. Discretizacin sucesiva del EDA y nmero de puntos considerados.
257
Como primera curva requerida se utiliza la curva definida en 5.3.1 (figura 5.16). Esta
curva tiene una geometra tpica de las generadas por los mecanismos de 4 barras, por lo que
se prev que la solucin ptima dentro del EDA ser una curva muy parecida a la requerida.
Una vez realizado el ensayo se observa (figura 5.20) una variacin irregular entre 11 y
16 en el nmero de mnimos locales discretos que aparecen segn se refina la discretizacin.
Este comportamiento oscilatorio indica que no se ha alcanzado el nivel de refinamiento
necesario para que la discretizacin sea sensible a todos los mnimos reales. Sin embargo, la
variacin acotada del nmero de mnimos ya hace prever que ste est acotado y su valor real
ser de un orden de magnitud igual al obtenido con estas discretizaciones.
18
16
N de mnimos locales discretos
14
12
10
8
6
4
2
0
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00
2.25
2.50
Figura 5.20. Evolucin del nmero de mnimos locales discretos con el refinamiento de la discretizacin del EDA.
En cada discretizacin se obtiene una lista de mnimos locales discretos que puede ser
ordenada de menor a mayor valor de la funcin objetivo, siendo el primero el ptimo discreto.
Este punto evoluciona dentro del EDA a medida que se refina la discretizacin. As, el valor de
la funcin objetivo en el ptimo discreto asociado a cada discretizacin puede ser
representado a media que se refina la discretizacin, obteniendo la grfica mostrada en la
figura 5.21. Es lgico pensar que, a medida que se refina la discretizacin, el ptimo discreto
258
Captulo 5
109
disminuir su valor acercndose cada vez ms al ptimo global real . As, se puede medir la
fidelidad de la hipersuperficie discreta con respecto a la real observando la estabilidad de la
curva representada en la figura 5.21 a medida que se disminuye el paso de discretizacin. En
este caso, se observa una gran estabilidad en el ltimo tramo (mayor finura en la discretizacin
corresponde a valores ms bajos del paso de discretizacin), que es prcticamente horizontal.
Sin embargo, en esta figura, el nivel de refinamiento al que se ha llegado no permite decidir si
la curva ha alcanzado la estabilidad final o si, por el contrario, una nueva discretizacin har
que la curva salga de esa estabilidad local con una nueva tendencia hacia abajo.
0.0050
7
0.0040
0.0035
0.0030
4
0.0025
0.0020
0.0015
Tiempo consumido (horas)
Error de cmparacin ptimo (discreto)
0.0045
0.0010
1
0.0005
0.0000
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00
2.25
0
2.50
Figura 5.21. Evolucin del error de comparacin ptimo discreto y el tiempo total
consumido, con el refinamiento de la discretizacin del EDA.
En cuanto al coste computacional, en la figura 5.21 se observa un crecimiento rpido a

medida que se refina la malla. Siendo este tiempo aproximadamente proporcional al nmero de
110
puntos considerado en cada discretizacin .
109
Conforme la discretizacin se va haciendo ms fina, la distancia entre el punto de la misma ms cercano al ptimo global real
(el cual ser, en general, el ptimo discreto) y dicho ptimo global real disminuir y, consecuentemente, el valor de la funcin
objetivo en el ptimo discreto tender al valor de la funcin objetivo en el ptimo global real.
110 No es exactamente proporcional debido a que cada nuevo refinamiento de la discretizacin incluye nuevos puntos en la
misma, pero la cantidad de esos puntos que son eliminados por los diferentes filtros de reduccin del EDA puede variar de forma
no proporcional.
259
A partir de los resultados obtenidos puede afirmarse que el nivel de discretizacin

alcanzado (el paso de discretizacin ms pequeo ensayado es igual a 0.625) no permite
observar estabilidad en las curvas estudiadas, siendo necesarios nuevos refinamientos. Como
el coste computacional de los nuevos refinamientos en el EDA considerado hasta el momento
(tabla 5.4) resulta excesivamente costoso, se propone el estudio de un segundo EDA ms
pequeo que el anterior (EDA2). Este nuevo EDA queda definido tal como se describe en la
tabla 5.6.
Variable de diseo
Long. barra fija
Long. manivela accionadora
Long. biela
Long. manivela conducida
Coordenada Xbiela
Coordenada Ybiela
Configuracin
Identificador
L1
L2
L3
L4
X3
Y3
Config.
Valor mnimo Valor mximo

1.625
4.125
1
1
2.375
9.125
2.375
9.625
-0.625
8.125
-7.625
-3.375
1
1
Observaciones
Invariable
Invariable
Tabla 5.6. Definicin del EDA2 para el ensayo de refinamiento progresivo de la discretizacin.
El tamao del EDA2 es suficientemente pequeo para permitir, con un coste

computacional no excesivo, discretizaciones mucho ms finas (pudiendo llegar fcilmente a un
paso de discretizacin igual a 0.240). El EDA2 ha sido definido de forma que incluya algunos de
los ptimos discretos de previas discretizaciones del EDA anterior. Por tanto, este anlisis
supone el estudio de una porcin del EDA inicial que es significativa en cuanto a posibilidades
ptimas de sntesis.
Repitiendo el proceso, se discretiza sucesivamente el EDA2 y se estudia el nmero de
mnimos locales que aparecen en la discretizacin (el procedimiento de deteccin y posterior
filtrado de mnimos es idntico al caso anterior). Los diferentes pasos utilizados en las
discretizaciones sucesivas y el nmero de puntos considerados pueden observarse en la tabla
5.7.
260
Captulo 5
N
1
2
3
4
5
6
7
8
9
10
11
2.500
2.000
1.600
1.250
1.000
0.800
0.625
0.480
0.400
0.320
0.240
Nmero de puntos del EDA2*

480
1 800
3 024
5 880
17 280
46 200
93 600
246 240
547 162
1 586 816
6 586 074
* EDA2 mostrado en la tabla 5.6 antes de reducciones posteriores.

Tabla 5.7. Discretizacin sucesiva del EDA2 y nmero de puntos considerados.
Como resultado de este ensayo sobre el nuevo EDA, se obtiene una curva de
evolucin del nmero de mnimos discretos frente a la disminucin del paso de discretizacin
(representado con trazo gris en la figura 5.22). Se observa una variacin irregular (aunque
suave) desde un paso igual a 2.5 hasta 0.625. A partir de ah, disminuciones posteriores del
paso ocasionan un crecimiento notable del nmero de mnimos locales discretos. Sin embargo,
si se examinan los nuevos mnimos en cada nueva discretizacin, se observa que stos
aparecen en zonas donde la funcin objetivo presenta un valor elevado, es decir, aparecen en
zonas del EDA en las que los puntos representan mecanismos que generan curvas que no son
parecidas a la curva requerida. Por ejemplo, en las tablas 5.8 y 5.9 se muestran los mnimos
locales discretos obtenidos al discretizar el EDA2 con pasos igual a 0.32 y 0.24,
respectivamente. En la primera discretizacin se han obtenido 8 mnimos, mientras que en la
segundo el nmero se ha elevado a 13. Para la discretizacin con paso 0.32 se observa que los
mnimos locales discretos estn divididos en dos grupos atendiendo al valor de la funcin
objetivo en cada uno de ellos. Existe un primer grupo grupo I, formado por 5 mnimos, en
el que la funcin objetivo vara dentro del intervalo [0.001680, 0.021765] (representado en negrita
en la tabla 5.8). El resto de mnimos forman un segundo grupo grupo II en el que la funcin
objetivo vara dentro del intervalo [0.827224, 0.950575]. Se observa que no existe ningn mnimo
local discreto entre los valores de la funcin objetivo contenidos en el intervalo
]0.021765,0.950575[. Esto significa que existen mnimos locales en la parte alta de la funcin
objetivo grupo II (en zonas donde las curvas del EDA2 no se parecen a la curva
111
requerida ) y tambin en la parte ms baja de la funcin objetivo grupo I (donde las
curvas del EDA2 son las ms parecidas a la curva requerida) pero no existen mnimos en
niveles intermedios de la funcin objetivo. Los mnimos del grupo II se deben a la dificultad de
111 Tal como se puede observar en los ensayos de progresividad realizados en el captulo 3, un valor de la funcin objetivo
PDCP1 en torno a 0.1 es propio de curvas que presentan una gran diferencia en sus trazados.
261
la funcin objetivo para cuantificar el parecido entre dos curvas cuando stas son muy
diferentes y estos mnimos no son interesantes en la resolucin del problema de sntesis. Los
mnimos del grupo I son los ms interesantes pues corresponden a los puntos del EDA2 que
ms se parecen a la curva requerida. La ausencia de mnimos locales en la zona intermedia de
valores de la funcin objetivo demuestra una variacin suave y una pendiente sin
irregularidades desde valores altos de la funcin objetivo hasta los valores ms bajos en los
que se encuentran los mnimos.
20
18
N mnimos
N mn. grupo I
N de mnimos locales discretos
16
14
12
10
8
6
4
2
0
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00
2.25
2.50
Figura 5.22. Evolucin del nmero de mnimos locales discretos con el refinamiento de la discretizacin del EDA2.
Al pasar de la discretizacin con paso 0.32 (tabla 5.8) a la discretizacin con paso 0.24
(tabla 5.9), se observa cmo aparecen 5 nuevos mnimos. Pero todos ellos aparecen en el
grupo II, permaneciendo invariable el nmero de mnimos del grupo I. As, si para todas las
discretizaciones del EDA2 se hace una diferenciacin entre los mnimos correspondientes a
cada grupo I y II, y luego se representa la evolucin del nmero de mnimos del grupo I, que
son los ms interesantes en el problema de sntesis dimensional, se obtiene una curva como la
representada en la figura 5.22 con trazo negro. En ella se observa una estabilizacin final,
siendo invariable el nmero de mnimos en este grupo a partir de una discretizacin con un
paso igual a 0.48. Esta tendencia estable demuestra que se ha alcanzado un nivel de
discretizacin suficiente para que sta sea sensible a todos los mnimos que pudieran
pertenecer al grupo I, por lo que, en principio no sera necesario un refinamiento posterior.
262
Captulo 5
Grupo
II
L1
2.40
2.40
4.00
4.00
4.00
4.00
4.00
4.00
L2
1
1
1
1
1
1
1
1
L3
5.27
6.23
8.79
9.11
3.67
9.11
5.59
5.27
L4
5.68
6.00
8.88
8.88
2.48
7.28
5.04
2.48
X3
1.67
3.27
1.35
3.27
-0.57
0.07
-0.57
0.39
Y3
-5.98
-3.74
-6.94
-5.34
-3.42
-3.42
-4.70
-5.66
Config.
1
1
1
1
1
1
1
1
Err. Comp.
0.001680
0.001705
0.011433
0.011443
0.021765
0.827224
0.885596
0.950575
Tabla 5.8. Mnimos locales discretos obtenidos en el EDA2 (discretizacin con paso igual a 0.32).
Grupo
II
L1
2.40
2.16
4.08
4.08
4.08
4.08
4.08
4.08
4.08
4.08
4.08
4.08
4.08
L2
1
1
1
1
1
1
1
1
1
1
1
1
1
L3
4.07
8.87
9.11
8.87
3.83
5.03
4.31
3.59
2.87
2.39
5.51
2.87
2.63
L4
4.08
8.88
8.88
9.12
2.40
2.40
2.40
4.32
3.84
3.60
2.64
3.36
5.52
X3
2.79
2.55
3.27
1.35
-0.57
1.11
0.39
-0.57
-0.57
-0.33
0.87
-0.09
-0.09
Y3
-5.86
-3.94
-5.38
-7.06
-3.46
-3.46
-6.58
-5.14
-6.10
-6.58
-5.38
-7.30
-4.66
Config.
1
1
1
1
1
1
1
1
1
1
1
1
1
Err. Comp.
0.001674
0.001686
0.011133
0.011133
0.019962
0.739072
0.867828
0.887397
0.903140
0.909942
0.930141
0.940098
0.985192
Tabla 5.9. Mnimos locales discretos obtenidos en el EDA2 (discretizacin con paso igual a 0.24).
En cuanto al ptimo discreto, la evolucin obtenida es acorde con la evolucin del

nmero de mnimos. En la figura 5.23 se observa cmo, a medida que se refina la
discretizacin, el valor de la funcin objetivo en el ptimo discreto disminuye hasta estabilizarse
a partir de un paso de discretizacin igual a 0.48. Esto corrobora la afirmacin anterior relativa a
que con ese paso de discretizacin, la hipersuperficie discreta obtenida es sensible a todos los
mnimos de la hipersuperficie real.
263
0.0050
14
0.0040
12
0.0035
10
0.0030
8
0.0025
0.0020
0.0015
Tiempo consumido (horas)
Error de cmparacin ptimo (discreto)
0.0045
0.0010
2
0.0005
0.0000
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00
2.25
0
2.50
Figura 5.23. Evolucin del error de comparacin ptimo discreto y el tiempo total
consumido, con el refinamiento de la discretizacin del EDA2.
L1
10.00
8.00
6.00
4.00
2.00
0.00
-2.00
-4.00
-6.00
-8.00
Y3
X3
L3
Mn5
Mn4
Mn3
Mn2
Mn1
L4
Figura 5.24. Evolucin del error de comparacin ptimo discreto con el refinamiento de la discretizacin del EDA2.
264
Captulo 5
En la misma figura se observa tambin la evolucin de los tiempos de clculo, siendo

sta creciente con la disminucin del paso de discretizacin. Si se compara esta evolucin con
la de la figura 5.21 (correspondiente a la discretizacin del EDA inicial) se observa que es
diferente pese a que la evolucin del nmero de puntos de ambos EDAs es similar (tablas 5.5 y
5.7). El motivo es que el EDA2 abarca una zona del EDA inicial en la que todos los puntos son
buenos candidatos de sntesis. As, el nmero de puntos que se consigue eliminar del EDA2 es
menor que en el EDA inicial. Consecuentemente, mientras que en el EDA inicial tena que
evaluarse una proporcin pequea del nmero total de puntos iniciales, en el EDA2 se han
tenido que evaluar prcticamente todos los puntos.
En cuanto a la ubicacin de los mnimos discretos, en la figura 5.24 se representan las
5 dimensiones variables del EDA2 y los mnimos locales (cada uno de ellos constituye un
pentgono irregular) obtenidos en la discretizacin ms fina (paso igual a 0.24), siendo Min1 el
ptimo discreto. Se observa que existen dimensiones por ejemplo L3 en las que los valores
de los 5 mnimos se agrupan en torno a diferentes posiciones. En otras por ejemplo Y3 los
valores se distribuyen en un determinado intervalo. Se observa que algunos mnimos estn
cerca entre si, mientras que otros permanecen ms alejados.
La conclusin que se obtiene de este ensayo es que, para este caso, se requiere una
discretizacin con un paso menor o igual a 0.48 para que la hipersuperficie discreta sea
representativa de todos los mnimos locales de la hipersuperficie real (pertenecientes al grupo
I). As, refinamientos posteriores no modifican el nmero de mnimos locales obtenidos. Otros
ensayos con otros casos han proporcionado valores similares del paso de discretizacin
necesario, sin embargo, este puede variar un poco dependiendo de la forma de la curva
requerida.
Una vez que se ha logrado estimar el paso de discretizacin necesario para que todos
los mnimos reales estn contemplados en la discretizacin, utilizando un mtodo de
optimizacin basado en el gradiente y partiendo de cada uno de los mnimos locales discretos
se alcanzarn los respectivos mnimos reales. El menor de todos ellos ser el ptimo global de
la hipersuperficie. En definitiva, la probabilidad de lograr el ptimo global es del 100%.
105
Este y otros ensayos realizados indican que, para una curva requerida reproducible
por un mecanismo de 4 barras, el valor del paso de discretizacin mximo para una
probabilidad del 100% de obtencin del ptimo global est en torno a 0.5. Pero, considerando el
EDA definido en la tabla 5.4 (el cual est asociado a una relacin de desproporcin mxima
igual a 10), si se utiliza ese paso de discretizacin se obtienen (antes de la aplicacin de filtros
de eliminacin de duplicados y puntos de escaso parecido con la curva requerida) ms de 15
millones de puntos. El filtrado y posterior evaluacin de todos esos puntos supone un coste
computacional que puede ser de varias horas dependiendo de la potencia de clculo del
ordenador utilizado. Si se desea obtener una solucin con un coste computacional menor, es
265
posible utilizar un paso de discretizacin ms basto (por ejemplo, igual a 0.75) sabiendo que la
probabilidad de obtencin del ptimo global ser menor que el 100%, aunque elevada. En los
diferentes ensayos realizados, se puede observar cmo la mayora de los mnimos locales
discretos obtenidos con la discretizacin ms fina estn representados en los mnimos locales
discretos obtenidos con discretizaciones ms bastas. As, si se toma como ejemplo la
discretizacin con paso 1.0, en sus mnimos locales existen puntos que son cercanos a la
mayora de los mnimos locales obtenidos con la discretizacin ms fina. Considerando la
suavidad de la funcin objetivo, puede afirmarse que utilizando discretizaciones ms bastas
que 0.5 existe una probabilidad elevada de consecucin del ptimo global real.
5.4. Estrategias de optimizacin.

Tras el anlisis de la funcin objetivo en el EDA se procede a la evaluacin de las
estrategias de optimizacin. Definidos ya el espacio de diseo (el cual ha sido reducido al
mximo en el epgrafe anterior) y la funcin de optimizacin, pueden plantearse diferentes
estrategias para encontrar el mecanismo que minimiza la funcin objetivo dentro del espacio de
diseo.
La optimizacin constituye un problema matemtico que ha sido exhaustivamente
estudiado desde tiempo atrs por numerosos investigadores (Levenverg, 1944) (Fiacco y
McCormick, 1963) (Fletcher y Powell, 1963) (Powell, 1964) (Nelder y Mead, 1965). Se han
elaborado multitud de algoritmos de optimizacin con funcionamientos basados en
fundamentos muy distintos. De forma aproximada y muy generalista, los algoritmos
112
existentes pueden clasificarse dentro de dos categoras: mtodos basados en el gradiente y
mtodos no basados en el gradiente.
Mtodos basados en el gradiente. La mayor parte de los mtodos deterministas estn
113
basados de una forma u otra en el gradiente de la funcin objetivo. Todos ellos buscan
el descenso pendiente abajo hacia puntos con menores valores de la funcin objetivo.
Pero algunos realizan este descenso en base al gradiente matemtico mientras que
otros en base a la diferencia de valores en puntos del EDA entre los que existen
distancias finitas (y no infinitesimales). Su convergencia suele ser muy rpida
(comparada con la de mtodos basados en otros fundamentos), sin embargo
generalmente necesitan uno o varios puntos de partida. La gran desventaja de estos
mtodos es que el mnimo al que llegan suele depender de el/los punto/s inicial/es,
112
Solamente se incluye una clasificacin de los mtodos para optimizacin en espacios no discretos, aunque existen otras
categoras indicadas para espacios discretos, tales como los mtodos combinatorios de optimizacin.
113
Gradiente indica aqu pendiente, al margen de la definicin matemtica del gradiente de una funcin en un espacio
n-dimensional.
266
Captulo 5
terminando en general, en un mnimo local cercano pendiente abajo. Dentro de esta

categora existen numerosos mtodos pudiendo ser clasificados en dos subcategoras:
S
Mtodos con evaluacin de derivadas de la funcin. Estos mtodos estn

basados en el gradiente matemtico de la funcin objetivo, el cual es
determinado evaluando las derivadas parciales de la funcin objetivo respecto a
las diferentes coordenadas correspondientes a las diferentes dimensiones del
espacio. Conocido el gradiente es posible conocer la direccin de mxima
pendiente hacia abajo y seguir esta direccin por ser la forma ms rpida de
alcanzar el mnimo. La ventaja de estos mtodos sobre los que no evalan
derivadas es que suelen tener una convergencia ms rpida (si no se evalan
las derivadas no es posible conocer de forma exacta la direccin que ms
rpidamente lleva al mnimo) lo que implica un coste computacional menor. Sin
embargo la necesidad de evaluacin de las derivadas aumenta el coste
computacional del mtodo, por lo que la primera gran ventaja es amortiguada por
esta ltima desventaja.
Mtodos sin evaluacin de derivadas de la funcin. Estos mtodos eliminan la

necesidad de evaluacin de las primeras derivadas parciales de la funcin
objetivo. Estn especialmente indicados cuando no se dispone de las
expresiones derivadas de la funcin objetivo o cuando la evaluacin de stas
resulta excesivamente costosa. Estn basados en la evaluacin de la funcin
objetivo en una serie de puntos (cuyo nmero vara de unos mtodos a otros)
constituyendo una informacin que permite establecer reglas de evolucin de la
posicin de dichos puntos pendiente abajo, hasta lograr el mnimo.
Mtodos no basados en el gradiente. Estos mtodos realizan una bsqueda del ptimo
probando puntos del espacio de diseo pero sin tener en cuenta la pendiente de la
funcin objetivo en dichos puntos. El planteamiento es diferente de los mtodos
anteriores. En aquellos se parte de un punto o conjunto de puntos y los mtodos se
dirigen pendiente abajo hasta encontrar un mnimo (que, en general, ser un mnimo
local de la funcin objetivo). Por el contrario, estos mtodos no realizan una optimizacin
de forma local, sino que evalan un gran nmero de puntos dispersos en el ED (en
ocasiones evolucionando la posicin del conjunto de puntos) con el fin de obtener
informacin sobre la posicin del ptimo global de la funcin. Se pueden diferenciar los
siguientes subtipos principales:
S
Mtodos evolutivos o genticos. Son algoritmos de bsqueda basados en la

seleccin natural. Combinan la supervivencia de los mejores individuos (puntos)
de entre una poblacin con un intercambio aleatorio de informacin entre
individuos de diferentes generaciones durante la evolucin. Al contrario que los
mtodos aleatorios, los algoritmos evolutivos no tienen una evolucin
267
exclusivamente fortuita, sino que explotan eficientemente la informacin histrica

de la poblacin para especular sobre posibles nuevos individuos
(correspondientes a generaciones posteriores de la poblacin) con valores de la
funcin objetivo potencialmente mejores.
S
Mtodos aleatorios. Son mtodos que realizan una extraccin aleatoria de

puntos del espacio de diseo y los clasifican de menor a mayor valor de la
funcin objetivo. No obtienen de forma exacta la posicin del ptimo, sino que
solamente obtienen una posicin probablemente prxima al mismo.
Mtodo exhaustivo. Consiste en la discretizacin del espacio de diseo y la

evaluacin de los puntos de la malla. Los puntos pueden ser ordenados de
menor a mayor valor de la funcin objetivo. En funcin de la finura de la malla, el
ptimo discreto obtenido estar ms o menos cerca del ptimo real. La ventaja
de este mtodo sobre los otros mtodos no basados en el gradiente es que
permite fcilmente obtener informacin sobre si un punto de la malla es un
mnimo potencial de la funcin o no. Dicha informacin ser tanto ms fiel a la
realidad cuanto ms fina sea la discretizacin.
Como se observa, las dos categoras fundamentales en las que se han clasificado los
mtodos de optimizacin presentan una diferencia fundamental: optimizacin local (u
optimizacin fina) frente a optimizacin global (o bsqueda gruesa). En efecto, los mtodos
basados en el gradiente pueden ser descritos como mtodos de optimizacin local, ya que
desde una posicin (o posiciones) cercanas en el espacio de diseo evolucionan localmente
hacia el ptimo que se encuentra en una posicin pendiente abajo relativa a los puntos
iniciales. Por otro lado, los mtodos no basados en el gradiente son mtodos que realizan una
optimizacin global sin llegar, en la mayora de los casos, a la localizacin del ptimo con la
precisin de los mtodos basados en el gradiente. As, lejos de ser estrategias opuestas,
pueden ser consideradas alternativas que se complementan. Si el coste computacional lo
permite, es posible realizar una combinacin de mtodos consistente en la utilizacin de un
mtodo no basado en el gradiente para la obtencin de buenos puntos de partida para,
posteriormente, utilizar un mtodo basado en el gradiente que permita obtener con precisin y
114
bajo coste la posicin del mnimo local .
De esta forma se generan tres posibles combinaciones: mtodo exhaustivo-gradiente,
mtodo aleatorio-gradiente y mtodo evolutivo-gradiente.
La primera opcin (mtodo exhaustivo-gradiente), ya comentada anteriormente en este
captulo, consiste en la discretizacin del espacio de diseo y la evaluacin de la funcin
objetivo en todos los puntos del mismo. Posteriormente se identifican los mnimos discretos
114 Otros autores ya propusieron anteriormente (Watanabe, 1992)(Krishnamurty, 1992)(Ullay y Kota, 1996) la utilizacin de
mtodos de optimizacin combinados de bsqueda gruesa y refinamiento para la sntesis dimensional de mecanismos planos.
268
Captulo 5
comparando el valor de cada punto con el valor de sus vecinos en la discretizacin. A

continuacin se realiza una optimizacin local (o fina), basada en el gradiente, que localiza el
mnimo real asociado a ese mnimo discreto. La ventaja fundamental de este mtodo es que
permite conocer no solo el valor de cada punto de la discretizacin sino tambin la relacin de
este valor con el de los puntos vecinos. Es decir, la evaluacin de los puntos de la
discretizacin proporciona ms informacin que sencillamente el valor de la funcin en cada
punto.
La segunda opcin (mtodo aleatorio-gradiente) consiste en la obtencin de una nube
de puntos del espacio de diseo cuyas coordenadas son elegidas al azar, pudiendo considerar
diferentes tipos de distribucin probabilstica: uniforme, normal, etc. Los puntos son evaluados
por la funcin objetivo segn se van extrayendo. A continuacin se pueden optimizar
localmente con un mtodo basado en el gradiente partiendo de los mejores puntos
logrados llegando a mnimos reales.
Los mtodos evolutivos estn en una ubicacin intermedia entre los mtodos de
optimizacin global y los mtodos de optimizacin local. Parten de una poblacin de puntos
similar a otros casos de optimizacin global, pero con el suficiente nmero de iteraciones llegan
hasta una posicin relativamente cercana al ptimo (aunque no tanto como los mtodos
basados en el gradiente). Su comportamiento depende en cierta medida del azar, por lo que no
son mtodos deterministas y su principal desventaja es que exigen un elevado nmero de
evaluaciones de la funcin objetivo. Adems, como en el caso de los mtodos aleatorios, no
permiten la obtencin sencilla de informacin relativa entre los puntos obtenidos tal que permita
la identificacin aproximada de mnimos locales. Debido a que su estudio es complejo y no
entra dentro de los objetivos de esta tesis, estos mtodos no son considerados en este trabajo.
Comparando los dos mtodos combinados considerados (mtodo exhaustivo-gradiente

y mtodo aleatorio-gradiente) puede demostrarse que el segundo no presenta ventajas
respecto al primero. El motivo es que el primero no solamente proporciona informacin puntual
sobre la hipersuperficie, sino (de una forma sencilla y sin costosos procesos) tambin
proporciona informacin sobre las zonas de la misma en las que hay mnimos locales.
Se han realizado ensayos con el fin de determinar las diferencias de comportamiento
de los mtodos a igualdad de coste computacional. Para ello, se ha decidido un paso de
discretizacin del EDA y se ha ejecutado el mtodo exhaustivo evaluando todos los puntos de
la discretizacin e identificando los mnimos discretos, midiendo el tiempo que ha durado el
proceso. Posteriormente se ha ensayado el mtodo aleatorio fijando el tiempo para que sea
igual al del mtodo anterior, obteniendo un conjunto de puntos ms o menos uniformemente
distribuidos en el EDA. De esta forma se ha obtenido un conjunto de puntos con cada mtodo
de cuya comparacin se pueden extraer conclusiones. Sin embargo, debe tenerse en cuenta
que mientras que el mtodo exhaustivo es determinista, el mtodo aleatorio no lo es y dado
269
que el resultado de este ltimo depende del azar, dos ejecuciones sucesivas aportarn
resultados muy diferentes.
Las conclusiones que se han obtenido de esta primera etapa (optimizacin global o
bsqueda gruesa) se basan en tres aspectos fundamentales. En primer lugar, las pruebas
realizadas demuestran que el nmero de puntos obtenidos con ambos mtodos es muy similar
en todos los casos probados (a igualdad de tiempo de computacin invertido). En segundo
lugar, los mejores puntos obtenidos al utilizar la extraccin aleatoria son prcticamente siempre
peores es decir, representan trayectorias menos parecidas a la requerida que los mejores
puntos obtenidos de la discretizacin del EDA. En tercer lugar, del conjunto obtenido
aleatoriamente puede difcilmente obtenerse informacin relativa entre puntos y esto impide la
localizacin aproximada de los mnimos locales de la funcin objetivo.
La segunda etapa de cada mtodo (optimizacin fina) consiste en extraer puntos de
los conjuntos obtenidos en la primera etapa y utilizarlos como puntos de partida para llegar al
mnimo real ms cercano pendiente abajo. La seleccin de puntos de partida del conjunto
obtenido por el mtodo exhaustivo (ya comentada anteriormente en este captulo) es sencilla a
la vez que muy eficiente: consiste en comparar el valor de la funcin objetivo en cada punto
con sus vecinos y extraer los puntos con menor valor que los vecinos. De esta forma se obtiene
un conjunto de mnimos discretos que pueden ser utilizados como partida para obtener
mnimos reales. Sin embargo, dicha extraccin es mucho ms compleja a la vez que ineficiente
al considerar el conjunto de puntos obtenido por el mtodo aleatorio. En efecto puede pensarse
en ordenar los puntos del conjunto de menor a mayor valor de la funcin objetivo y luego
utilizar los primeros (de menor valor) como puntos de partida. Sin embargo, al extraer un gran
nmero de puntos aleatoriamente ocurre que los mejores puntos son, en realidad,
agrupaciones alrededor de los mejores mnimos reales, por lo que todos los puntos de cada
agrupacin conducen, siguiendo el gradiente, al mismo mnimo real. Por esto, la optimizacin
de los mejores puntos resulta ineficiente ya que al optimizar partiendo de los mejores puntos se
obtienen solamente unos pocos mnimos (repetidos) un nmero muy inferior al de puntos de
partida utilizados.
Podra pensarse en una forma de relacionar la posicin de un punto del conjunto
aleatorio con la posicin de otros puntos cercanos, en un esfuerzo de deteccin de la posicin
de los mnimos discretos. Sin embargo, cualquier intento termina en que la realizacin de ese
procedimiento supone un coste computacional considerable que desfavorece el mtodo
aleatorio a favor del mtodo exhaustivo.
Por otro lado, una desventaja menor del mtodo combinado exhaustivo-gradiente frente
al mtodo aleatorio-gradiente estriba en que, una vez decidida la finura de la discretizacin
(determinada mediante el paso de discretizacin), el coste computacional es fijo y no se puede
detener el proceso hasta que se han evaluado todos los puntos de la discretizacin si se
270
Captulo 5
detuviera, no se habran obtenido puntos de todo el EDA, sino solamente de una parte del
mismo. Por el contrario, los mtodos evolutivo-gradiente y aleatorio-gradiente permiten
detener el proceso cuando se desee (por ejemplo, cuando se obtenga un valor de la funcin
objetivo inferior a un valor admisible especificado), siendo conscientes de que un mayor tiempo
significa una mayor probabilidad de obtencin de mejores puntos. Sin embargo, si que puede
variarse en el primero el paso de discretizacin utilizado en algo similar a lo que sera el
establecimiento de un lmite en los puntos extrados en el mtodo aleatorio. De esta forma es
posible regular la precisin requerida (y el coste computacional asociado) en la bsqueda del
mecanismo ptimo.
A tenor de lo expuesto anteriormente, el mtodo combinado exhaustivo-gradiente

parece ser, de los considerados, el que presenta mejores caractersticas de funcionamiento
con el objetivo de lograr el ptimo global en el EDA con una probabilidad elevada y con un
coste computacional moderado. Este mtodo solamente es viable en problemas como el de
sntesis de mecanismos en los que se puede aplicar una gran reduccin al espacio de diseo.
De esta forma, utilizando tcnicas de diseo de la funcin objetivo como las expuestas en los
captulos 3 y 4 se consigue una significativa reduccin del espacio de diseo tal como se ha
mostrado en 5.2 lo cual posibilita realizar una discretizacin del EDA suficientemente fina
para encontrar el ptimo global o, al menos, otro mnimo que est muy prximo.
La segunda parte del mtodo exhaustivo-gradiente es la optimizacin de las
dimensiones del mecanismo partiendo de cada uno de los mnimos discretos y utilizando un
algoritmo basado en el gradiente hasta llegar al mnimo real asociado a cada mnimo discreto.
Dado que la funcin objetivo (que compara las dos curvas, la requerida y la propuesta, esta
ltima extrada del EDA) es una funcin considerablemente compleja (que incluso comprende
subprocesos de optimizacin), no existe posibilidad de obtener analticamente las expresiones
de las derivadas parciales de esta funcin respecto a las variables de diseo del mecanismo.
Consecuentemente, ser necesario utilizar un algoritmo de optimizacin basado en el gradiente
sin evaluacin de las derivadas de la funcin a minimizar. Existe una amplia gama de mtodos
que pueden ser seleccionados, aunque todos se basan en recorrer de una forma u otra la
pendiente hacia abajo en busca del mnimo de la funcin. Uno de ellos es el algoritmo downhill
simplex propuesto por Nelder y Mead en 1965 (Nelder y Mead, 1965), el cual utiliza un simplex
de n+1 puntos (siendo n el nmero de variables a optimizar) cuyas posiciones van
evolucionando pendiente abajo (expandiendo y contrayendo el simplex en funcin de la
pendiente) hasta llegar al mnimo. Este mtodo es criticado por no ser muy eficiente en cuanto
al nmero de evaluaciones de la funcin objetivo que requiere, sin embargo, resulta un mtodo
sencillo y muy robusto. Otro mtodo calificado como ms eficiente que el anterior es el
algoritmo de Powell (Powell, 1964). Este mtodo persigue encontrar el mnimo partiendo de un
punto y realizando una optimizacin a lo largo de una recta en el hiperespacio. Conseguido el
ptimo cambia la direccin y realiza de nuevo una optimizacin. Tras varias iteraciones se logra
271
estar muy cerca del ptimo. Dado que la minimizacin a lo largo de una direccin determinada
est muy optimizada, este mtodo suele tener una rapidez de convergencia superior a la del
mtodo de Nelder y Mead. Existen otros mtodos para la optimizacin de variables continuas,
aunque la mayora no presenta ninguna ventaja adicional sobre los anteriores.
En realidad, en lo referente al coste computacional, de las tres etapas involucradas en
el mtodo exhaustivo-gradiente evaluacin de los puntos de la malla, identificacin de
mnimos discretos y optimizacin fina partiendo de los mnimos discretos, la ltima etapa es
115
la menos crtica , dado que se parte de una posicin relativamente prxima al mnimo real y a
que existe un nmero moderado de mnimos que deben ser optimizados. Por ello, el tiempo
consumido durante esta optimizacin final es muy reducido (presenta valores habituales
menores que el 1.5%) frente al tiempo consumido por todo el proceso. As, se han probado
ambos mtodos y se han obtenido resultados muy parecidos con costes computacionales
prcticamente iguales, lo que indica que la eleccin de uno u otro mtodo de optimizacin final
no es importante y, consecuentemente, puede ser utilizado cualquiera de ellos sin ventajas ni
desventajas relativas.
Como se ha comentado, en el mtodo exhaustivo-gradiente, la proporcin del tiempo
total invertido en cada etapa es diferente. Este tiempo es invertido mayoritariamente en la
etapa de evaluacin de los puntos de la discretizacin, aunque depende de la finura de la
discretizacin y del tipo de curva requerida (ya que si la curva tiene puntos dobles permitir una
reduccin mayor del espacio de diseo, lo que supondr un menor tiempo de evaluacin de los
puntos). Por ejemplo, para una discretizacin como la mostrada en la tabla 5.2 y una curva
requerida sin puntos dobles, el tiempo consumido por la primera etapa es el 92% del tiempo
total.
En cuanto a la segunda etapa (identificacin de mnimos discretos), suele ser la
segunda en cuanto al consumo de tiempo. Dicho consumo tambin depende de la finura de la
discretizacin o, ms concretamente, del nmero de mnimos discretos existentes. El valor
medio para esta etapa en discretizaciones similares a la mostrada en la tabla 5.2 es del 5%.
Finalmente, el resto del tiempo es consumido por la tercera etapa (optimizacin fina), siendo
menor que las anteriores.
Con el fin de estudiar el comportamiento del mtodo combinado, se han planteado

diferentes casos de sntesis, realizando la discretizacin con diferentes grados de refinamiento
para, posteriormente, identificar los mnimos locales discretos. A continuacin se ha realizado
una optimizacin basada en el gradiente partiendo de los mnimos discretos hasta llegar a los
mnimos reales de la funcin objetivo, obtenindose varias conclusiones de este ensayo.
115 En el sentido de que las primeras (sobre todo la primera) deben estudiarse con ms profundidad ya que cualquier pequea
mejora en el coste computacional supone una mejora sensible en el tiempo global utilizado por el mtodo.
272
Captulo 5
En primer lugar, se aprecia el hecho de que algunos mnimos discretos conducen a

mnimos reales que no estn cerca de sus respectivos puntos de partida y que, adems, estn
fuera del EDA. El motivo es que en el EDA aparecen mnimos discretos ficticios debidos a la
acotacin del ED. En efecto, si la pendiente de la hipersuperficie en las cercanas de la frontera
del EDA tiene un descenso hacia fuera, la identificacin de mnimos discretos indicar la
existencia de, al menos, un mnimo en la frontera debido a que la discretizacin no cuenta con
puntos ms all de sta con los que comparar los puntos de la frontera para decidir si son
mnimos o no. Dado que la optimizacin final basada en el gradiente es no restringida y, por
lo tanto, no se atiene a la acotacin del ED, el algoritmo seguir la pendiente hacia abajo
conduciendo a un punto que estar fuera del EDA. Este comportamiento aporta la ventaja de
poder obtener alternativas de diseo en la periferia del EDA (que pueden ser comparadas con
las incluidas en el EDA) y, dado que el coste computacional consumido es pequeo, no
conlleva ninguna desventaja.
De los ensayos tambin se observa que no aparece un mnimo real por cada mnimo
discreto, sino que es posible que, partiendo de dos mnimos discretos diferentes, un algoritmo
basado en el gradiente llegue siguiendo la pendiente a un mismo mnimo real. El motivo de
esto es que si el paso de discretizacin no es suficientemente fino, la hipersuperficie discreta
es solamente una aproximacin de la hipersuperficie real. Esto, unido al hecho de que la
identificacin de mnimos discretos se basa solamente en los puntos de la malla esto es, en
un conjunto discreto de valores hace probable que se llegue a una situacin de este tipo.
Para ilustrarlo, en la figura 5.25 se representan las curvas de nivel de una superficie
correspondiente a una funcin de dos variables ED bidimensional. Si de discretiza el ED
como se muestra, la identificacin de mnimos locales es realizada comparando el valor de la
funcin en cada punto de la discretizacin con el de sus vecinos. Tras el proceso se obtienen
dos mnimos discretos (M1 y M2), cuyo valor es apreciablemente menor que el de sus vecinos
(marcados con crculo). Sin embargo, se observa que en la superficie real existe un nico
mnimo (M) en este EDA bidimensional. Partiendo de cualquiera de los dos mnimos discretos y
siguiendo la pendiente hacia abajo (trazos marcados en discontinuo) se observa cmo se llega
al punto M.
273
Figura 5.25. Ejemplo de superficie con dos mnimos discretos asociados a un nico mnimo real.
El ejemplo muestra cmo es posible en dos dimensiones, dependiendo de la forma de

la hipersuperficie y de la discretizacin, que dos mnimos discretos puedan llevar a un mismo
mnimo real. El caso n-dimensional es una generalizacin de el caso bidimensional y es
igualmente probable que ocurra este fenmeno.
Si la discretizacin del EDA fuese suficientemente fina es de esperar que la
optimizacin del mnimo discreto al mnimo real recorra una distancia menor que la diagonal del
hipercubo elemental de la discretizacin, ya que en tal caso, el mnimo discreto ser el punto
de la discretizacin ms cercano al mnimo real. As, en el ejemplo mostrado en la figura 5.25,
la distancia recorrida desde el punto M1 hasta el punto M es menor que la diagonal del
cuadrado elemental de la discretizacin.
Sin embargo, cuando la discretizacin no es suficientemente fina, es posible que,
partiendo de un mnimo discreto, se llegue a un mnimo real que est ms lejos del primero que
la longitud de la diagonal del hipercubo elemental. Un ejemplo de esto puede observarse en la
figura 5.25, en la que la optimizacin desde el mnimo discreto M2 hasta el mnimo real M
recorre una distancia superior a la longitud de la diagonal. Este comportamiento puede ser
comprobado en las discretizaciones ms bastas de los ensayos realizados y es un sntoma de
que la discretizacin no es suficientemente fina y puede no ser sensible a todos los mnimos
locales.
274
Captulo 5
Finalmente, otra caracterstica observable es la existencia de una cierta dispersin en

los mnimos reales obtenidos en un mismo problema de sntesis al realizar discretizaciones con
diferente grado de refinamiento. En efecto, a pesar de que los mnimos reales tiene una
posicin concreta, las optimizaciones partiendo de los mnimos discretos no alcanzan la
posicin real de los mnimos en los diferentes grados de refinamiento. Se ha estudiado el
motivo de este comportamiento del mtodo de optimizacin y se ha observado que la razn es
el bajo gradiente que existe en las cercanas del ptimo.
Partiendo de un mnimo (local o global) de la hipersuperficie que es un punto en el
que el gradiente de la funcin objetivo es nulo, cualquier pequeo desplazamiento
corresponde a una curva generada que es muy parecida a la anterior. Esta variacin suave en
la forma de las curvas provoca una variacin suave en la funcin objetivo. El resultado es que
la hipersuperficie tiene una pendiente muy baja en una zona del ED alrededor del mnimo
considerado y de tamao no despreciable. Esto puede ser apreciado en el caso bidimensional
mostrado en la figura 5.18. En ella se observa cmo el valor de la funcin en el EDA
bidimensional representado vara dentro del intervalo [0, 2]. Tambin se aprecia cmo el rea
en la que la funcin objetivo presenta valores por debajo de 0.1 es considerablemente grande.
Una ampliacin de esta zona puede verse en la figura 5.19. En ella se observa la evolucin
progresiva hacia el ptimo, pero con una suavidad considerable que equivale a un gradiente
bajo. Este aspecto tiene realismo considerando la evolucin paulatina, suave y progresiva de la
forma de las curvas al desplazarse dentro del EDA.
El bajo gradiente en las cercanas del mnimo real provoca que los mtodos de
optimizacin necesiten muchas iteraciones para llegar a encontrar el mnimo (convergencia
lenta). Tantas que es posible que superen el nmero mximo de iteraciones impuesto y
terminan en una solucin prxima al mnimo real. Esto provoca una cierta dispersin en los
resultados. Sin embargo, este problema puede solucionarse incrementando el mximo de
iteraciones permitidas ya que el coste computacional es bajo en comparacin con otras etapas
del problema.
Para ilustrar todo lo expuesto anteriormente, en la tabla 5.10 se muestran los cinco
mejores mnimos reales obtenidos al optimizar los mnimos discretos del EDA2 definido en la
tabla 5.6 en la discretizacin ms fina lograda (paso igual a 0.24). En la ltima columna se
observa cmo algunos mnimos discretos han conducido hacia mnimos reales que estn fuera
de la acotacin de este segundo ED.
Mnimo
Min1
Min2
Min3
Min4
Min5
L1
13.737
8.786
5.922
2.280
2.231
L2
1
1
1
1
1
275
L3
14.346
9.264
6.228
5.959
8.988
L4
1.637
1.505
1.331
6.000
9.019
X3
-3.108
-2.814
-2.844
3.002
2.610
Y3
Config.
-7.652
1
-4.967
1
-3.285
1
-3.469
1
-4.005
1
Err. Comp.
0.000647
0.000709
0.000916
0.001624
0.001628
Posic. EDA
Fuera
Fuera
Fuera
Dentro
Dentro
Tabla 5.10. Relacin de los cinco mejores mnimos reales obtenidos al optimizar los mnimos obtenidos de la
discretizacin del EDA2 con un paso igual a 0.24.
Mucho ms interesante es la informacin expuesta en la tabla 5.11. En ella se observa

cuales de los cinco mejores mnimos obtenidos con una discretizacin 0.24 han sido tambin
obtenidos con discretizaciones ms bastas. La tabla demuestra que, en este caso, una
discretizacin con un paso igual a 0.48 ya es suficientemente fina para ser sensible a los
mejores mnimos. Adems, se observa que el ptimo global dentro del EDA2 (Min4) es
obtenido por casi todas las discretizaciones, mientras que el segundo mejor interior al EDA2
(Min5) es tambin obtenido con seguridad por discretizaciones con paso inferior a 1.25.
Mnimo
Min1
Min2
Min3
Min4
Min5
0.240 0.320 0.400 0.480 0.625 0.800 1.000 1.250 1.600 2.000 2.500
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Tabla 5.11. Presencia de los cinco mejores mnimos (tabla 5.10) en las diferentes discretizaciones del EDA2.
Una vez obtenida cada solucin (correspondiente a un mnimo real), el mecanismo

puede ser fcilmente orientado y reescalado para que la curva generada coincida con la
requerida en posicin, tamao y orientacin. As se obtienen los mecanismos mostrados en las
figura 5.26 a 5.30.
276
Captulo 5
Figura 5.26. Mnimo 1: mecanismo y trayectoria que genera.
En estas figuras se puede apreciar cmo el parecido entre las curvas generadas y la
requerida va disminuyendo lenta pero progresivamente a medida que el error de comparacin
va aumentando. Tambin se observa cmo los mnimos reales obtenidos fuera del EDA son
277
mecanismos muy desproporcionados y cuyo tamao en relacin con el tamao de la curva que
generan tambin tiene una gran desproporcin.
Sin embargo, las soluciones al problema obtenidas no son exclusivamente los

mecanismos que se han representado, sino que son stos ms todos los mecanismos que se
pueden obtener mediante las operaciones inversas a las realizadas en la reduccin del espacio
de diseo. As, para cada mecanismo representado es posible obtener 2 cognados es decir,
2 nuevos mecanismos y, para cada uno de ellos se puede cambiar la configuracin con lo
que se multiplica el nmero por 2 logrando una serie de mecanismos ptimos. Estos
mecanismos constituyen un conjunto de soluciones ptimas posibles que el diseador puede
utilizar para seleccionar la opcin ms adecuada de acuerdo con otros requisitos de diseo.
As, se deber decidir entre la consecucin de ciertas caractersticas de diseo a costa de
disminuir el parecido entre las curvas generada y requerida.
278
Captulo 5
En definitiva, una vez que se ha conseguido obtener el conjunto de mecanismos

ptimos, se pueden aplicar otros criterios para seleccionar la opcin ms adecuada a los
requisitos externos del diseo buscado.
279
El dearrollo anterior realizado en este epgrafe trata sobre las diferentes estrategias de
optimizacin no restringida. Sin embargo, el mtodo propuesto no queda limitado por esta
consideracin.
Cuando se requiere la obtencin del mecanismo ptimo para la generacin de una
trayectoria y, adems, se imponen algn tipo de restriccin de funcionamento (por ejemplo, que
el ngulo de transmisin no sea nunca inferior a 30), es posible filtrar los puntos de la
discretizacin del EDA de una forma sencilla y rpida, considerando exclusivamente los que
cumplen dicha restriccin. A partir de ah se puede proceder de la misma forma, estimando los
mejores candidatos (que cumplen la restriccin) y posteriormente realizar una optimizacin fina,
esta vez con un algoritmo de optimizacin restringida para llegar al ptimo real.
Este proceso puede ser realizado desde el principio de la ejecucin (cuando el
diseador imponen las restricciones de partida) o posteriormente, tras obtener los mecanismos
ptimos sin restricciones, al darse cuenta de que las soluciones obtenidas no tienen
280
Captulo 5
caractersticas desfavorables segn otras consideraciones ajenas al trazado de la trayectoria

requerida.
5.5. Conclusiones.
En este captulo se ha demostrado cmo la bsqueda exhaustiva del ptimo global en
sntesis de mecanismos para generacin de trayectoria puede ser computacionalmente viable
aplicando tcnicas especficas de reduccin del espacio de diseo.
Se han estudiado dos tipos de reducciones en el mecanismos de 4 barras. Por un lado
116
se han eliminado los puntos repetidos del espacio de diseo sin disminuir las posibilidades
reales de sntesis. En este sentido, se ha reducido el espacio de diseo eliminando las
dimensiones que determinan la posicin y orientacin del mecanismo. Se han normalizado los
mecanismos del espacio de diseo eliminando el factor tamao y se han utilizado las
relaciones dimensionales que permiten predecir cuando dos mecanismos trazan trayectorias
simtricas. Finalmente, se ha desarrollado una estrategia para eliminar mecanismos cognados,
los cuales trazan tambin una misma trayectoria.
Por otro lado, se han aplicado y desarrollado una serie de reglas que permiten
descartar puntos del espacio de diseo para los cuales se conoce de antemano que no
suponen buenas posibilidades de sntesis. Entre estas, se ha aplicado la ley de Grashof para
predecir cuando el mecanismo de 4 barras es un mecanismo que se alinea o se bloquea (el
cual puede ser eliminado de antemano cuando la trayectoria requerida es cerrada), as como
para la deteccin de la existencia de puntos dobles en las trayectoria generada.
Con las tcnicas anteriormente descritas se han conseguido reducciones drsticas del
espacio de diseo inicial (utilizado por muchos de los mtodos propuestos por otros autores),
quedando patente que la gran mayora (hasta el 99.999767%) de los puntos son repeticiones del
resto o no suponen buenas posibilidades reales de sntesis. Esta reduccin es fundamental
para la economa de computacin y debe constituir la base de definicin del espacio de diseo
en cualquier problema de optimizacin en sntesis de mecanismos.
Se ha estudiado la forma de la funcin objetivo dentro del espacio de diseo. Se ha

comprobado que la hipersuperficie que describe dicha funcin tiene una variacin suave en la
mayor parte del espacio de diseo, lo que concuerda con la variacin suave observable en la
116
Puntos del espacio de diseo que, dimensionalmente, representan mecanismos que generan curvas que producen los
mismos resultados cuando son comparadas con la curva requerida por la funcin objetivo esto es, curvas que tras ciertas
transformaciones geomtricas (desplazamiento, rotacin, homotecia y simetra) pueden llegar a coincidir exactamente en sus
trazados.
281
forma de las curvas a medida que se modifican las dimensiones del mecanismo. Esta suavidad
demuestra la estabilidad o la buena progresividad de la curva en entornos cercanos a los
ptimos y facilita la bsqueda de mnimos mediante algoritmos basados en el gradiente.
Con el objetivo de estimar el paso de discretizacin necesario para conseguir el ptimo

global, se han realizado ensayos con diferentes grados de finura en la discretizacin. Se ha
comprobado que un paso de discretizacin del orden de 0.5 (en relacin con la longitud de la
manivela accionadora, a la que se le da el valor unitario y que sirve como dimensin para
normalizar el mecanismo) asegura en muchos casos la obtencin de todos los mnimos reales
y con ello la obtencin del ptimo global. Tambin se ha comprobado que pasos de
discretizacin mayores (hasta la unidad), si bien no aseguran en todos los casos la obtencin
de todos los mnimos de la funcin objetivo en el espacio de diseo, s que permiten la
obtencin de la mayor parte de los mnimos (incluyendo los de valor ms bajo) con una elevada
probabilidad.
Se han analizado los diferentes algoritmos de optimizacin y los mtodos combinados
para una optimizacin gruesa seguida de una optimizacin fina como estrategia para la
obtencin del ptimo global. De esta forma se han conseguido mtodos combinados, dos de
los cuales (mtodo aleatorio-gradiente y mtodo exhaustivo-gradiente) han sido estudiados
detalladamente. Se ha puesto de manifiesto que el mtodo exhaustivo-gradiente presenta
ventajas adicionales sobre el mtodo aleatorio-gradiente, como la obtencin de una mayor
informacin a igualdad de coste computacional debido a la posibilidad de comparar cada punto
de la discretizacin con sus vecinos, lo que permite detectar la existencia de mnimos locales.
Posteriormente resulta sencillo y computacionalmente econmico partir de los mnimos
discretos detectados y seguir el gradiente hasta llegar al mnimo real.
En definitiva, se ha logrado una estrategia robusta que, dependiendo de la finura de la

discretizacin (o lo que es lo mismo, del tiempo invertido), presenta elevadas probabilidades de
lograr el ptimo global dentro del espacio de diseo.
&DStWXOR
$SOLFDFLyQSUiFWLFD
6.1. Introduccin.
Para demostrar la viabilidad del mtodo, y como evaluacin global del mismo, se han
resuelto diferentes casos de sntesis. Los ejemplos resueltos han sido seleccionados valorando
diferentes aspectos, entre los que se encuentran la utilidad prctica y la posibilidad de
contrastacin con otras soluciones (existentes o propuestas tericamente). An as, puede
decirse que no resulta fcil encontrar casos reales estndar de sntesis de trayectoria, debido a
117
que la mayor parte de ellos responden a necesidades especficas y muy concretas . Existen,
sin embargo, algunos pocos casos de sntesis general, como el caso de sntesis de
mecanismos generadores de tramos de trayectoria rectilneos o circulares.
De los diferentes casos resueltos se han seleccionado tres ejemplos que son
estudiados en profundidad. Estos casos pretenden ser representativos de los ensayados y son
una muestra descriptiva del comportamiento del mtodo. Su resolucin y resultados son
similares a los de otros casos ensayados que, si no se han incluido, ha sido por razones de
brevedad. En primer lugar se muestra la sntesis de un mecanismo clsico para una mquina
amasadora. En segundo lugar se resuelve la sntesis de un mecanismo con pausa basado en
un mecanismo generador de una trayectoria con un tramo circular y, finalmente, se resuelve la
sntesis de una trayectoria con un punto doble que es comparada con los resultados de otros
autores.
117
Puede decirse que la mayor parte de las necesidades industriales de sntesis de trayectoria son particulares y no generalistas.
De tal forma que cuando se requiere que un mecanismo trace una trayectoria, el problema planteado solo sirve para esa
necesidad industrial concreta y no es generalizable para otros casos. Este carcter particular de los problemas planteados
provoca la necesidad de mtodos verstiles capaces de adaptarse a un gran nmero de situaciones.
284
Captulo 6
6.2. Aplicacin a la sustitucin del mecanismo de una amasadora.

El primer problema planteado consiste en la sustitucin del mecanismo de colisa de
una amasadora (Kozhevnikov, 1981) (figura 6.1) por un mecanismo de 4 barras de forma que
la trayectoria descrita sea lo ms parecida posible a la inicial. Tal como se observa, el actuador
P del mecanismo de colisa describe una trayectoria uno de cuyos tramos es un arco de
circunferencia casi perfecto. Este mecanismo consta de 4 eslabones, uno de los cuales es fijo
(1). El eslabn 2 tiene un movimiento de rotacin pura alrededor de O y es accionado por el
motor de la mquina (o por una transmisin que lo conecta a ste). El eslabn 4, por su parte,
est articulado a la barra fija en B mediante un par de revolucin y presenta un movimiento de
rotacin. El eslabn 3, que ejerce de biela, est ligado al eslabn 2 mediante un par revolucin
en A y al eslabn 4 mediante un par de deslizamiento en B. De esta forma se consigue que el
actuador P describa una trayectoria como la representada en la figura.
Es posible sustituir el mecanismo de colisa por un mecanismo de 4 barras. As se logra
la sustitucin del par cinemtico de deslizamiento por un par de revolucin y se obtiene una
ventaja debido a que los pares articulacin son ms fiables, sufren menos desgaste y necesitan
menos mantenimiento que los pares de deslizamiento.
Figura 6.1. Mecanismo de una mquina amasadora.
El problema puede ser enunciado con diferentes restricciones, entre las que cabe
contar restricciones de espacio, de ngulo de transmisin, etc. Sin embargo, en primer lugar se
plantea la realizacin de una bsqueda exhaustiva del ptimo en el espacio de diseo acotado
(EDA), obteniendo una lista de mnimos entre los cuales puede ser encontrada la solucin. De
Aplicacin prctica
285
esta forma, se est dando prioridad a la coincidencia en la forma de las curvas frente al
cumplimiento de las otras consideraciones de sntesis.
Si de la lista de mnimos no se logra ningn mecanismo aceptable de acuerdo con las
las restricciones del problema, se puede proceder a una sntesis restringida que, pese a tener
la desventaja de un mayor coste computacional y posible discontinuidad en la solucin (ya
comentado en el captulo 2), permitir obtener la mejor solucin que se adapte a las dichas
restricciones.
Var. Dis.
L1
L2
L3
L4
X3
Y3
Config.
Val. Mn.
1.0
1.0
1.0
1.0
-5.0
-10.0
1.0
Val. Mx.
11.0
1.0
11.0
11.0
15.0
10.0
1.0
Incremento
0.625
Invariable
0.625
0.625
0.625
0.625
Invariable
Optimizar
S
No
S
S
S
S
No
Tabla 6.1. Definicin del EDA.
El mecanismo de 4 barras presenta 9 variables de diseo mostradas en la figura 5.2,

las cuales pueden ser reducidas utilizando las tcnicas expuestas en el captulo 5. De esta
forma se obtiene un EDA cuya definicin puede observarse en la tabla 6.1. Se utiliza la
estrategia de bsqueda exhaustiva y para ello se discretiza el EDA con un paso igual a 0.625,
obteniendo un total de 5350257 puntos. Como funcin objetivo se utiliza la funcin PDCP1
definida en el captulo 3, la cual basar la comparacin de las curvas en un polgono de 12
puntos.
A continuacin se procede a la evaluacin de los puntos del EDA (aplicando las

reducciones expuestas en el captulo 5) y la posterior identificacin de mnimos locales
discretos. Esta evaluacin supone la etapa ms costosa de todo el proceso, utilizando el 96.4%
118
del tiempo total invertido (tabla 6.3). Posteriormente se utiliza el algoritmo de Powell (Powell,
1964) para la optimizacin de los mnimos discretos hasta llegar a mnimos reales. El nmero
de puntos involucrados en cada etapa se muestra en la tabla 6.2 y los tiempos consumidos se
pueden observar en la tabla 6.3.
118
Problema resuelto en un ordenador compatible IBM PC con procesador Intel Pentium III a 450MHz.
286
Captulo 6
N de puntos en el EDA inicial

N de puntos en el EDA reducido
N de mnimos discretos
N de mnimos reales
5 350 257
2 169 026
18
18
Tabla 6.2. N de puntos en cada etapa de resolucin del problema.
Etapa
Evaluacin de los puntos de la discretizacin
Identificacin de mnimos discretos
Optimizacin partiendo de mnimos discretos
Total
Tiempo118
6h 27 34
96.4%
0h 12 11
3.0%
0h 02 26
0.6%
6h 42 11
100.0%
Tabla 6.3. Coste computacional en tiempo de las diferentes etapas de resolucin del problema.
Una vez realizado el proceso, se ha obtenido una lista de 18 puntos del EDA que son
mnimos reales de la funcin objetivo y pueden ser ordenados de peor a mejor mecanismo para
la generacin de la trayectoria requerida (tabla 6.4). El mejor mecanismo obtenido es, a raz de
los resultados obtenidos en los ensayos (y siempre pendiente de un estudio estadstico ms
riguroso), el ptimo global dentro del EDA con una elevada probabilidad. El error de
comparacin obtenido con este mecanismo (0.000451) es considerablemente bajo, lo que indica
que se ha conseguido un mecanismo de 4 barras para reproducir la trayectoria requerida con
un elevado nivel de precisin.
En la tabla 6.4 se observa que, como ya fue expuesto en el captulo 5, los mnimos se
pueden agrupar en dos conjuntos atendiendo al orden de magnitud del error de comparacin
logrado. En este caso, los 15 primeros presentan un error de comparacin del orden de 10
veces inferior al del segundo grupo, formado por los 3 mnimos del final de la lista. Esto indica
que, como ocurriera en otros casos, existen mnimos locales en zonas del EDA en las que las
curvas se parecen escasamente a la requerida.
Otra observacin interesante es que algunos de los mnimos locales estn fuera del
EDA definido en la tabla 6.1 (la columna Posicin en la tabla 6.4 indica si el mnimo est
dentro o fuera del EDA inicial). Esto es debido a la existencia de mnimos frontera cuya
existencia es ficticia y se debe a la falta de puntos ms all del lmite del EDA con los que
comparar el valor de la funcin objetivo. No obstante, y como se expuso en el captulo 2, los
mnimos situados fuera del EDA estn, en su mayora (podra decirse que todos salvo el
mnimo 18) cerca de la frontera que delimita el EDA, por lo que la optimizacin basada en el
gradiente no ha llevado a una zona alejada del mismo.
Aplicacin prctica
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
L1
1.922
1.626
2.827
2.919
2.816
2.866
3.055
3.845
4.164
2.659
8.546
9.227
12.220
10.724
4.161
11.496
11.017
190.816
287
L2
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
L3
3.820
2.258
11.179
7.832
9.705
5.330
8.794
2.835
5.881
4.257
9.076
9.660
2.216
1.196
4.321
6.242
4.781
2.896
L4
4.482
2.252
9.886
6.456
10.990
6.615
7.238
5.007
3.265
3.405
2.305
2.267
12.569
10.753
1.272
6.506
7.513
188.927
X3
1.604
0.627
3.362
3.719
-1.319
-0.040
3.771
3.768
5.702
3.657
11.904
12.870
7.032
-1.710
2.596
4.419
3.765
1.038
Y3
1.699
2.501
-3.984
-3.583
-5.718
-6.174
-3.856
-5.927
-3.003
-2.187
-2.474
-2.311
-2.629
0.571
1.207
5.800
4.494
0.600
Config.
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
Err. Comp.
0.000451
0.001008
0.001425
0.001426
0.001426
0.001431
0.001432
0.001497
0.001507
0.001552
0.001660
0.001673
0.001706
0.001852
0.001885
0.022189
0.023301
0.027652
Posicin
Dentro
Dentro
Fuera
Dentro
Dentro
Dentro
Dentro
Dentro
Dentro
Dentro
Dentro
Dentro
Fuera
Dentro
Dentro
Fuera
Fuera
Fuera
Tabla 6.4. Mnimos reales obtenidos.
El bajo nmero de mnimos en el EDA (18 mnimos discretos frente a ms de cinco

millones de puntos evaluados en la discretizacin) demuestra que la funcin objetivo presenta
una evolucin suave dentro del mismo, lo que es una prueba de su estabilidad en la
comparacin de curvas. Esto se corresponde con la idea de una variacin suave de la forma de
las curvas dentro del EDA, existiendo un gradiente suave y continuo.
Aparte de las soluciones mostradas en la tabla 6.4, habra que incluir todos los
mecanismos posibles que generan las mismas trayectorias que los incluidos (mecanismos
cognados y mecanismos en configuraciones diferentes). Sin embargo, en este ejemplo no se
han considerado dichos mecanismos porque no suponen ninguna mejora respecto de los
mnimos obtenidos.
Una vez obtenido el mecanismo ptimo para la reproduccin de la trayectoria

requerida, ste necesita ser transformado geomtricamente para que la trayectoria generada
se ajuste a la requerida en posicin, orientacin, tamao y posible simetra. De esta forma,
para cada solucin aportada por el mtodo, se obtiene otro mecanismo cuyas dimensiones son
diferentes de las del mecanismo inicial, aunque guardan la misma relacin entre ellas
(mecanismos homotticos) y est colocado adecuadamente para que ambas trayectorias
coincidan. As, se logra el mecanismo solucin 1 (correspondiente al mnimo 1) mostrado en la
figura 6.2-izquierda. En ella se observa tanto la posicin relativa del mecanismo en la
288
Captulo 6
amasadora como la trayectoria realizada por el mismo (en lnea continua) y su parecido con la
trayectoria requerida (en lnea de puntos). En dicho mecanismo, la barra 1 es el eslabn fijo
(bancada) y la barra 2 es la manivela accionadora que mueve el mecanismo. La barra 3 es el
acoplador y P es el punto trazador. Aunque este mecanismo ser viable en la prctica, el
tamao del mismo en relacin al de la mquina inicial obligara a realizar un rediseo
importante de la misma para dar cabida a los nuevos elementos mviles del mismo. La
interferencia del punto B (cuyo arco de movimiento puede verse en la figura) con la cuba de la
amasadora puede evitarse colocando los eslabones del mecanismo en planos paralelos a
diferentes profundidades. La carcasa de la mquina, necesaria para el funcionamiento seguro
de la misma, tendra que ser sensiblemente mayor para albergar a todos los elementos mviles
del mecanismo excepto el actuador.
Figura 6.2. Soluciones 1 y 2 del problema de sntesis de trayectoria.
La solucin 2 obtenida (correspondiente al mnimo 2) puede verse en la figura

6.2-derecha en la posicin, orientacin y escala adecuadas para una mxima coincidencia
entre la curva trazada por este mecanismo y la requerida. Este mecanismo, si bien genera la
curva requerida con menor precisin que el anterior, resulta ser ms compacto que aquel y
requiere una adaptacin menor de la mquina. Aparte de que las longitudes de las barras del
mecanismo son menores, el arco que describe el punto B es ms pequeo y el rea ocupada
por el mecanismo durante el movimiento tambin lo es. As, es posible sacrificar parte de la
precisin en la reproduccin de la trayectoria a favor de otras consideraciones como el tamao.
Otras soluciones (hasta las 5 primeras) tambin pueden ser observadas en las figuras 6.3 a
6.5.
Aplicacin prctica
289
Figura 6.3. Solucin 3 del problema de sntesis de trayectoria.
Se observa, sin embargo, que aparte de que la precisin va decreciendo, estos

mecanismos son dimensionalmente mucho ms desproporcionados que los dos primeros y que
el ajuste de posicin, orientacin y tamao les hace demasiado grandes en relacin al tamao
inicial de la mquina, por lo que resultan impracticables. No obstante, se puede hacer notar que
290
Captulo 6
pese a la imposibilidad prctica debida al tamao, estos mecanismos continan reproduciendo

con bastante fidelidad la trayectoria requerida.
Aplicacin prctica
291
Otra caracterstica de los mecanismos solucin que puede ayudar a la seleccin es la

evolucin del ngulo de transmisin en el ciclo cinemtico de los mismos. En la figura 6.6 se
representa esta evolucin para las 5 primeras soluciones en funcin del ngulo de entrada de
la manivela accionadora (medido respecto a la lnea que une los pares revolucin en la barra
292
Captulo 6
fija). En dicha figura se observa que la solucin 2 es la que presenta mejores valores del
ngulo de transmisin, el cual se recomienda que no sea inferior a 30. Si bien incluso en la
solucin 2 el ngulo de transmisin llega a estar por debajo de este valor mnimo recomendado
en algn tramo del ciclo cinemtico, se observa que para valores del ngulo de entrada entre
90 y 270 el ngulo de transmisin presenta valores por encima de 50. Este tramo de
funcionamiento corresponde al arco inferior de la trayectoria requerida (figura 6.2 derecha),
donde el esfuerzo que ha de realizar el mecanismo para mover la masa es mayor.
Consecuentemente el mecanismo correspondiente a la solucin 2 presenta un buen ngulo de
transmisin en la parte del ciclo en al que el esfuerzo es mayor y puede decirse que posee
unas buenas caractersticas de transmisin o, en cualquier caso, considerablemente mejores
que el resto de soluciones evaluadas.
80
Sol. 1
70
Sol. 2
Angulo de transmisin (grados)
Sol. 3
60
Sol. 4
Sol. 5
50
40
30
20
10
0
0
30
60
90
120
150
180
210
Angulo de entrada (grados)
240
270
300
330
360
Figura 6.6. Evolucin del ngulo de transmisin en los mecanismos solucin.
En este ejemplo se ha conseguido obtener un mecanismo capaz de reproducir la

trayectoria requerida con elevada precisin contando a la vez con unas caractersticas muy
favorables de acuerdo con las restricciones del problema (en este caso basadas en el tamao
del mecanismo y en las caractersticas de transmisin de fuerzas del mismo). Sin embargo,
podra no haber sido posible encontrar una solucin viable ignorando en la optimizacin las
consideraciones de diseo ajenas a la fiel reproduccin de las curvas (optimizacin no
Aplicacin prctica
293
restringida). Para obtener una solucin en tales casos es aconsejable realizar una optimizacin
restringida en la que las restricciones pueden limitar el valor mnimo del ngulo de transmisin
y, por otro lado, el tamao del mecanismo en relacin al tamao de la mquina. Sin embargo,
la inclusin de restricciones complica el proceso de optimizacin, hacindolo ms costoso
computacionalmente hablando. Por ello, la posibilidad de obtencin de buenas soluciones sin
restricciones supone una ventaja que puede atribuirse al mtodo propuesto.
Atendiendo a las consideraciones de tamao y al ngulo de transmisin se selecciona,

finalmente, el mecanismo representado en la figura 6.7.
Figura 6.7. Solucin definitiva al problema de rediseo del mecanismo de una amasadora.
6.3. Aplicacin al diseo de un mecanismo con pausa.

Los mecanismos con pausa han tenido desde siempre una importancia considerable
debido a sus numerosas aplicaciones industriales, especialmente en el campo de la
automatizacin. En estos mecanismos, el movimiento continuo y uniforme del eslabn de
entrada es convertido en un movimiento peridico e intermitente del eslabn conducido. Los
mecanismos de movimiento con pausa (tambin conocidos como mecanismos dwell) son
diseados tomando como base diferentes tipos de mecanismos, pudiendo ser clasificados en
dos categoras fundamentales: mecanismos con pares superiores y mecanismos
294
Captulo 6
exclusivamente con pares inferiores (o mecanismos de barras). Pese a que los segundos
tienen ventajas sobre los primeros debido a que son ms baratos de fabricar y mantener y
presentan un mejor comportamiento a altas velocidades, los primeros han tenido un mayor
auge. Las razones son varias (Iyer, 1996): los mecanismos de barras no consiguen, en general,
una pausa perfecta mientras que los mecanismos con pares superiores si; el diseo de
mecanismos de barras con pausa es mucho ms complejo que el de mecanismos con pausa
empleando pares superiores; existe escasez de mtodos para el diseo de mecanismos de
barras con pausa; etc. Por esto, con las herramientas de diseo adecuadas, la utilizacin de
mecanismos de barras para generacin de movimiento intermitente supone el logro de diseos
ms eficientes y robustos.
En la prctica, el diseo de mecanismos de barras con pausa se ha reducido a la
sntesis de trayectoria con tramo circular o con tramo rectilneo. Si el punto que traza una de
estas trayectorias se utiliza para conducir otro eslabn dispuesto de la forma adecuada, se
logra una pausa en el eslabn conducido. En la figura 6.8 se hace uso del mecanismo de
Evans (el cual genera una trayectoria con un tramo rectilneo) para la conduccin de un
eslabn con movimiento intermitente. Cuando el punto P recorre el tramo rectilneo que est
alineado con el centro de rotacin del eslabn 6 el eslabn conducido 6 permanece
aproximadamente inmvil.
Figura 6.8. Mecanismo con pausa a partir de un mecanismo que genera un tramo de trayectoria rectilneo.
Otra posibilidad para conseguir un movimiento intermitente es la utilizacin de un

mecanismo de barras generador de un tramo de trayectoria circular. Como ejemplo, en la figura
6.9 se muestra un mecanismo de 4 barras formado por las barras 1 (bancada), 2 (manivela
accionadora), 3 (acoplador) y 4 (manivela conducida) en el que un punto P del acoplador
traza una trayectoria con un tramo cuasi-circular. Se puede aprovechar esta trayectoria
haciendo que este punto conduzca otro eslabn (6) mediante una barra (5) de longitud igual al
radio del arco de circunferencia trazado. Si adems, la trayectoria de deslizamiento de 6 pasa
Aplicacin prctica
295
por el centro de la circunferencia, entonces se tiene que cuando P se encuentra sobre la parte
circunferencial de su trayectoria, el eslabn 6 permanecer inmvil en el centro de dicha
circunferencia (punto B). Una vez construido este mecanismo (que ahora es de 6 barras) puede
obtenerse fcilmente la carrera del mbolo 6 (mostrada en la figura desde A hasta B).
Figura 6.9. Mecanismo con pausa a partir de un mecanismo que genera un tramo de trayectoria circular.
Figura 6.10. Cilindro-bomba para el suministro de volmenes discretos de gas.
Este tipo de mecanismo puede tener aplicacin en el suministro de gases por

cantidades discretas de volumen. Cuando se desea suministrar cantidades fijas de un gas (a
unas condiciones de presin y temperatura determinadas) puede utilizarse un conjunto cilindrombolo como el mostrado en la figura 6.10. Cuando la vlvula de admisin est abierta, el
mbolo (6) se mueve hacia la derecha y el gas entra en el cilindro por la depresin que se
genera. Una vez que el cilindro est lleno, se abre la vlvula de escape (la cual tambin puede
ser una vlvula accionada por presin) y el mbolo se mueve hacia la izquierda, suministrando
todo el gas que hay en su interior. Sin embargo, al ser el gas un fluido compresible, si el
296
Captulo 6
movimiento del mbolo se realiza con rapidez, el cilindro no llega a llenarse completamente de
gas (en las condiciones de presin y temperatura que existan en el depsito de admisin)
debido a que el mbolo comienza su movimiento de descarga (hacia la izquierda) cuando an
existe depresin en el cilindro. Una posibilidad de reducir este defecto es obligar al mbolo a
detenerse un instante en el punto muerto derecho, permitiendo que la presin en el interior del
cilindro se iguale a la del depsito antes de iniciar la descarga. Por su parte, en el punto muerto
izquierdo (final de la descarga) no ser necesaria ninguna pausa pues, si el sistema de
vlvulas est bien diseado, no existir espacio fsico para alojar ninguna (o prcticamente
ninguna) cantidad de gas. Pues bien, este tipo de movimiento alternativo con pausa puede ser
obtenido, de forma aproximada, mediante un mecanismo como el mostrado en la figura 6.9.
As, el diseo de mecanismos con pausa puede ser realizado por medio de la sntesis
de una trayectoria con un tramo circular. Sin embargo, aparte de este requisito, existen otras
restricciones geomtricas para el funcionamiento del mecanismo completo. Por ejemplo, una
vez seleccionada la direccin de deslizamiento del mbolo (eslabn 6 en la figura 6.9), ningn
punto de la trayectoria de P puede estar ms lejos de dicha recta de deslizamiento que la
longitud del acoplador 5 (igual al radio del arco de circunferencia descrito); ya que de lo
contrario no existira compatibilidad de movimiento producindose el bloqueo del mecanismo.
Tambin es posible modificar el ngulo abarcado por el arco circular de la trayectoria
para conseguir una pausa ms larga o ms corta. Si se desea que la pausa sea larga, el
ngulo abarcado debe ser grande, a la vez que la velocidad de paso del punto trazador sobre
dicho arco debe ser pequea o moderada. Sin embargo, si el ngulo abarcado (ngulo en la
figura 6.11) se aproxima a 180, el ngulo de transmisin obtenido cuando P sale del tramo
circular es excesivamente pequeo provocando la aparicin de grandes esfuerzos en los
eslabones. En la figura 6.11 se observa que cuando P est en la posicin P2, como el ngulo
de transmisin es tan pequeo, para conseguir una fuerza unitaria en la direccin de
deslizamiento de 6 es necesario realizar una fuerza considerablemente ms grande en la
direccin de la barra 5. Por el contrario, cuando P est en la posicin P1 el ngulo de
transmisin es mayor y la desproporcin entre las fuerzas es mucho menor.
Aplicacin prctica
297
Figura 6.11. Ejemplo de ngulo de transmisin pequeo cuando el ngulo abarcado se aproxima a 180.
Consecuentemente, el ngulo deber ser obtenido por compromiso entre la longitud de

pausa requerida y el buen comportamiento dinmico del mecanismo.
Como se ha visto, es posible plantear el problema como la sntesis de un tramo abierto

de trayectoria circular. Sin embargo, si el problema se plantea de esta forma (requiriendo
exclusivamente un tramo circular de trayectoria), la optimizacin tender a aportar como
solucin los puntos singulares del acoplador que producen trayectorias perfectamente
circulares: los pares de unin del acoplador con cada una de las manivelas del mecanismo de
4 barras. Esto puede ser evitado modificando la curva abierta requerida para que adems de
119
poseer un tramo circular contenga dos tramos adyacentes a ste con forma no circular .
Adems, la trayectoria, al separarse del trazado circular, debe hacerlo por dentro de la
misma es decir, disminuyendo el radio en al menos uno de los dos lados ya que, de lo
contrario, se producira el bloqueo del mecanismo como se ha comentado con anterioridad.
Para el planteamiento de este problema se ha dado prioridad a la longitud de la pausa
frente a la calidad del ngulo de transmisin es decir, se ha supuesto que el mecanismo no
ha de realizar grandes esfuerzos y, por ello, se ha requerido un tramo circular abarcando un
gran ngulo. Para ello y para reflejar el resto de condicionantes se ha optado por establecer la
trayectoria requerida mediante un arco circular de 120 y dos arcos no circulares tangentes al
primero y con disminucin parablica del radio con una abertura de 45 cada uno de ellos. As,
la ecuacin que define esta curva a tramos es la siguiente:
119 Esto tambin tiene que ver con el hecho de que si bien se requiere que la trayectoria tenga un tramo circular, tambin se
requiere que el resto de la trayectoria no lo sea pues, de lo contrario, no se conseguira movimiento alguno en el mbolo.
298
Captulo 6
10 0.75
R ( ) = 10

10 0.75
si
si
si

,
12 6
5
,
6 6
5 13
,
6 12
(6.1)
y su representacin puede observarse en la figura 6.12. En ella, el tramo entre 30 y 150 es

perfectamente circular y antes y despus de este se han impuesto dos tramos con reduccin
parablica del radio.
Figura 6.12. Trayectoria abierta requerida.
Con el fin de obtener un mecanismo compacto, al definir el espacio de diseo del

problema de sntesis se ha limitado la relacin mxima de desproporcin a 5. Esto permite una
discretizacin ms fina del EDA y, consecuentemente, una mayor probabilidad de obtencin del
ptimo global dentro del mismo. En la tabla 6.5 se muestra la definicin del EDA utilizado en la
resolucin de este problema de sntesis del mecanismo de 4 barras, cuya discretizacin consta
Aplicacin prctica
299
de 474579 puntos iniciales. Aunque se est realizando la sntesis de una trayectoria abierta, el
resto de condicionantes de funcionamiento imponen que la manivela de entrada realice giros
completos. Por ello se descartarn aquellos mecanismos del EDA que no cumplen esta
condicin como si se tratara de la sntesis de una trayectoria cerrada.
Var. Dis.
L1
L2
L3
L4
X3
Y3
Config.
Val. Mn.
1.0
1.0
1.0
1.0
-5.0
-5.0
1.0
Val. Mx.
5.0
1.0
5.0
5.0
10.0
5.0
1.0
Incremento
0.5
Invariable
0.5
0.5
0.5
0.5
Invariable
Optimizar
Si
No
Si
Si
Si
Si
No
Tabla 6.5. Definicin del EDA.
Para la comparacin de la trayectoria abierta requerida y la trayectoria cerrada se ha

utilizado la funcin PDCP1 (captulo 3) y para la adaptacin de los polgonos se ha empleado el
mtodo BetaRa (captulo 4) por ser el que mejores resultados ha demostrado. Asimismo, la
comparacin de las curvas se ha realizado utilizando polgonos caractersticos de 6 puntos.
La ejecucin del mtodo exhaustivo se ha realizado con los siguientes consumos de
tiempo:
Etapa
Total
Tiempo118
3h 32 03
83.5%
0h 38 04
15.0%
0h 03 43
1.5%
4h 13 50
100.0%
En comparacin con el tiempo utilizado en el ejemplo anterior (6.2), en este caso se

ha utilizado un EDA con una discretizacin cuyo nmero de puntos es menor que el 10% del
primero. Sin embargo, el tiempo invertido es mayor que el 50%. Esta desproporcin tiene que
ver con el hecho (ya puesto de manifiesto anteriormente en el captulo 5) de que la
comparacin de curvas abiertas es, al involucrar un procedimiento de optimizacin en la
adaptacin, necesariamente ms costosa que la comparacin de curvas cerradas.
300
Captulo 6
Tras la resolucin del problema se obtiene un total de 22 mnimos locales reales en los
que el error de comparacin con la curva requerida vara desde 0.000014 hasta 0.038082. Las
120
primeras 12 soluciones son mostradas en la figura 6.13 . La primera caracterstica observable
es que se han obtenido soluciones muy variadas (mecanismos muy diferentes). Sin embargo,
estas soluciones parecen estar agrupadas en conjuntos muy similares entre si. Por ejemplo, las
soluciones 1, 2, 4 y 5 son parecidas (aunque no iguales) en forma de la curva generada y
tambin en dimensiones del mecanismo. Lo mismo ocurre con las soluciones 8, 9 y 10 y con
las soluciones 11 y 12, que forman un tercer grupo. Esto puede ser debido a que varios
mnimos discretos conducen a mnimos reales similares. Sin embargo, la optimizacin basada
en el gradiente que se ha realizado no ha evolucionado, por ejemplo, de la solucin 2 a la
solucin 1, lo que indica que en el EDA no existe un camino que conduzca de un mecanismo al
otro y en el que solamente haya descenso en la funcin objetivo. Lo cual es una prueba de que
ambos son mnimos reales de la funcin objetivo.
120
Para cada mecanismo solucin podran incluirse, adems, sus cognados y los nuevos mecanismos debidos a cambios de
configuracin. Estos mecanismos no se han incluido por brevedad, pero de haberlo hecho, el anlisis posterior sera igual al
realizado.
Aplicacin prctica
Figura 6.13. Soluciones al problema de sntesis de mecanismos con pausa (continua...).
301
302
Captulo 6
Figura 6.13 (continuacin). Soluciones al problema de sntesis de mecanismos con pausa.
Aplicacin prctica
303
Por otro lado, cabe destacar la calidad del ptimo (solucin 1), en el que el error de
comparacin es excepcionalmente pequeo. Consecuentemente se ha logrado un mecanismo
que reproduce la trayectoria requerida casi con total precisin.
Se observa tambin que, pese a haber primado la longitud de la pausa frente a la
obtencin de ngulos de transmisin elevados, el mtodo ha proporcionado mnimos
(soluciones 8, 9, 10, 11 y 12) en los que el ngulo abarcado por el tramo de arco circular est
claramente por debajo de 180. Por lo que es posible seleccionar un mecanismos con mejores
caractersticas dinmicas que las inicialmente previstas.
Una vez seleccionada una solucin de las obtenidas (mostradas en la figura 6.13), es
necesario completar el diseo del mecanismo decidiendo la direccin de deslizamiento del
mbolo. Seleccionando por ejemplo la solucin 1, la direccin de deslizamiento viene
determinada por el ngulo (figura 6.14). Dado que toda la trayectoria generada por este
mecanismo solucin est dentro de la circunferencia de radio igual al arco generado, ser
posible fijar cualquier valor de sin que se produzca ningn bloqueo del mecanismo. En la
figura 6.14 se muestra el mecanismo con un ngulo de deslizamiento tal que la lnea de
deslizamiento divide a la trayectoria del punto P en dos mitades aproximadamente simtricas.
As, si la velocidad de P sobre su trayectoria fuera tambin simtrica, esto provocara
movimientos simtricos de ida y venida del mbolo.
Figura 6.14. Solucin 1 con un ngulo de deslizamiento igual a 30.
Para un ngulo de deslizamiento determinado, es posible representar la curva de

desplazamiento (variable d en la figura 6.14) del mbolo desde su posicin de parada (igual al
centro de la circunferencia descrita). Para el caso en que este ngulo es igual a 30 se
obtiene la grfica mostrada en la figura 6.15, en la que se observa un movimiento con una
304
Captulo 6
detencin casi perfecta del mbolo ocupando un tramo angular de la manivela de entrada
aproximadamente igual a 120 (desde 90 hasta 210).
2.25
2.00
Distancia recorrida por el mbolo (d)
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00
0
30
60
90
120
150
180
210
240
270
300
330
360
-0.25
Angulo de la manivela accionadora ()
Figura 6.15. Curva de desplazamiento del mbolo correspondiente a la solucin 1 y un ngulo de deslizamiento de
30.
Los tramos de descenso y elevacin del mbolo pueden modificarse variando el valor
del ngulo de deslizamiento . As se obtiene que la posicin (d) del mbolo es funcin de dos
variables: el ngulo de deslizamiento y el ngulo de la manivela accionadora . Con el fin de
seleccionar un valor adecuado de la variable de diseo puede estudiarse la posicin del
mbolo en funcin de ambas variables, obteniendo una superficie en un espacio tridimensional
que puede representarse por medio de sus curvas de nivel (figura 6.16). En dicha superficie, un
corte horizontal a un determinado valor de equivale a la obtencin de la curva de
desplazamiento correspondiente a es ngulo . As, puede verse cmo para diferentes valores
de se obtienen tramos de pausa (reas blancas en la figura) del mbolo con diferente
duracin. Tambin se puede modificar el descenso de la curva de desplazamiento, aunque se
observa que el gradiente de ascenso es prcticamente invariable con . Incluso se puede
obtener un mecanismo con dos pausas y un pequeo desplazamiento entre ambas utilizando
un valor de cercano a 150. Tambin se observa que para igual a 30 (330),
aproximadamente, se obtiene la pausa de mayor duracin.
Aplicacin prctica
305
360
2.25
330
Angulo de deslizamiento ()
300
1.75
270
240
1.5
210
1.25
180
1
150
120
0.75
90
0.5
60
0.25
30
0
30
60
90 120 150 180 210 240 270 300 330 360

Figura 6.16. Desplazamiento del mbolo en funcin del ngulo de
desplazamiento y de la posicin de la manivela accionadora para la solucin 1.
A continuacin, se puede estudiar el ngulo de transmisin () del eslabn conducido al

mbolo (figura 6.11), correspondiente a la solucin 1 y su variacin con el ngulo de
deslizamiento (). Como ya se ha comentado, dado que el arco de circunferencia trazado por
esta solucin abarca un ngulo que se aproxima a 180, es de suponer que en la salida y la
entrada de este tramo circular (correspondiente al inicio y al final de la detencin del mbolo)
los ngulos de transmisin sean muy bajos y la transmisin de fuerzas se realice interviniendo
121
grandes esfuerzos. Al calcular este ngulo de transmisin para un ngulo de deslizamiento
igual a 30 se obtiene la grfica de la figura 6.17. En ella se observa que, efectivamente,
existe una correspondencia de posicin entre los valores ms bajos de y los instantes en los
que el punto trazador entre y sale del tramo circular (figura 6.15). Adems, se observa que tal
como se haba predicho los valores menores de son bajos (considerando valores poco
apropiados todos aquellos por debajo de 30).
Dado que la forma de la trayectoria en relacin con la circunferencia descrita es
independiente de la direccin de deslizamiento, se deduce que una variacin del ngulo de
121 El cual es definido como el menor ngulo entre la barra conductora y la perpendicular a la direccin de deslizamiento del
eslabn conducido (Soni, 1974) y presentar valores entre 0 y 90.
306
Captulo 6
deslizamiento () no incrementar de forma sensible los valores mnimos del ngulo de

transmisin. Por lo tanto, esta solucin presenta este problema de forma inevitable.
90
Angulo de transmisin al mbolo ()
75
60
45
30
15
0
0.0
30.0
60.0
90.0
120.0 150.0 180.0 210.0 240.0

270.0
300.0
330.0
360.0
Figura 6.17. Angulo de transmisin al mbolo correspondiente a la solucin 1 y un ngulo de deslizamiento de 30.
La evolucin del ngulo de transmisin en funcin del ngulo de entrada del

mecanismo () y del ngulo de deslizamiento () es una funcin de dos variables y puede
representarse mediante sus curvas de nivel (figura 6.18). Se observa que, para prcticamente
cualquier ngulo de deslizamiento, se obtiene en algn momento del ciclo cinemtico un valor
bajo (por debajo de 11) del ngulo de transmisin. Existen, no obstante, dos pequeos rangos
angulares de (alrededor de 330 y alrededor de 150)
122
en los que el ngulo de transmisin no
desciende tanto. Sin embargo, incluso para esos valores de no se consiguen ngulos de
transmisin mnimos superiores a 15.
122
Ntese que ambos ngulos representan en realidad la misma direccin ya que su diferencia es 180.
Aplicacin prctica
307
360
88
330
77
300
270
66
240
55
210
180
44
150
33
120
90
22
60
11
30
0
30
60
90 120 150 180 210 240 270 300 330 360

Figura 6.18. Angulo de transmisin () barra-mbolo en funcin del ngulo de
Es posible adoptar otra solucin sacrificando parte de la longitud de la pausa en favor

de un ngulo de transmisin mejor. Si, por ejemplo, se selecciona la solucin 10 (figura 6.13),
se obtiene un mecanismo que traza una trayectoria con un tramo circular ms pequeo y que
sale del mismo considerablemente antes de alcanzar los 180 (figura 6.19). De nuevo se
pueden seleccionar diferentes ngulos de deslizamiento (), aunque si se elige un ngulo de
220 se obtiene una curva de desplazamiento del mismo aproximadamente simtrica (figura
6.19).
308
Captulo 6
Figura 6.19. Solucin 10 con un ngulo de deslizamiento igual a 220.
Para este mecanismo se observa que la trayectoria descrita por el punto trazador del
mecanismo de 4 barras accionador no queda incluida dentro del crculo descrito, por lo que
existirn ciertos ngulos de deslizamiento () o ciertos rangos angulares en los que no
existir compatibilidad de movimiento y el mecanismo se bloquear.
Para el mecanismo mostrado en la figura 6.19 (=220) se obtiene la curva de
desplazamiento de la figura 6.20. Se observa cmo la pausa es menor que para la solucin 1,
abarcando menos de 60 del ngulo de la manivela accionadora. Para ese mismo mecanismo
se obtiene un ngulo de transmisin mostrado en la figura 6.21. Se observa cmo los valores
mnimos son muy superiores a los conseguidos con la solucin 1.
Finalmente, en las figuras 6.22 y 6.23 se representa respectivamente la grfica de
desplazamiento del mbolo y el ngulo de transmisin en funcin de la posicin de la manivela
accionada () y del ngulo de deslizamiento () elegido. En ellas se observa la existencia de
reas (sombreadas) en las que el mecanismo no tiene solucin, habindose bloqueado antes
de llegar a esa posicin.
Aplicacin prctica
309
2.25
2.00
Distancia recorrida por el mbolo (d)
1.75
1.50
1.25
1.00
0.75
0.50
0.25
0.00
0
30
60
90
120
150
180
210
240
270
300
330
360
300.0
330.0
360.0
-0.25
Figura 6.20. Curva de desplazamiento del mbolo correspondiente a la
solucin 10 y un ngulo de deslizamiento de 220.
90
Angulo de transmisin al mbolo ()
75
60
45
30
15
0
0.0
30.0
60.0
90.0
120.0 150.0 180.0 210.0 240.0

270.0
Figura 6.21. Angulo de transmisin al mbolo correspondiente a la solucin 10 y un ngulo de deslizamiento de 220.
310
Captulo 6
360
2.5
330
2.25
300
270
1.75
240
210
1.5
180
1.25
150
120
0.75
90
0.5
60
0.25
30
0
30
60
90 120 150 180 210 240 270 300 330 360

Figura 6.22. Desplazamiento del mbolo en funcin del ngulo de
360
90
330
80
300
70
270
240
60
210
50
180
40
150
120
30
90
20
60
10
30
0
30
60
90 120 150 180 210 240 270 300 330 360

Figura 6.23. Angulo de transmisin () barra-mbolo en funcin del ngulo de
Aplicacin prctica
311
Como se ha visto en esta aplicacin prctica, el mtodo propuesto muestra un buen

comportamiento en la sntesis de trayectorias abiertas. Demuestra su capacidad para encontrar
soluciones con buena aproximacin a la requerida y demuestra versatilidad al aportar una
familia de soluciones dentro de las cuales se puede seleccionar la ms adecuada de acuerdo
con otros criterios de diseo. Sin embargo, un diseo adecuado de la curva requerida es
aconsejable para obtener el mayor rendimiento del mtodo. En este caso ha sido necesario
aadir dos tramos no circulares adyacentes al tramo circular en la curva requerida. Con ello se
ha evitado que el mtodo conduzca a una solucin intil conocida a priori.
Tras analizar las diferentes soluciones, se ha comprobado la existencia de stas con
diferentes caractersticas dinmicas y se ha visto cmo es posible su seleccin posterior
atendiendo a criterios diferentes de la reproduccin fiel de la trayectoria requerida. Como
alternativa, tambin es posible imponer otra trayectoria requerida con un menor ngulo de
trayectoria circular y rpida salida de dicha trayectoria. Tras la bsqueda del mecanismo
dimensionalmente ptimo, este tendr unas mejores caractersticas dinmicas de transmisin
de movimiento.
6.4. Aplicacin a la generacin de una trayectoria con puntos

dobles.
Con el fin de demostrar el funcionamiento del mtodo en la sntesis de trayectorias con
un punto doble a la vez que contrastar los resultados con otros proporcionados por los mtodos
ideados por otros autores se plantea, a continuacin, la sntesis de la trayectoria mostrada en
la figura 6.24. Esta trayectoria ha sido la elegida por Unruh y Krishnaswami (Unruh y
Krishnaswami, 1995) para probar el funcionamiento del mtodo que propusieron en 1995
denominado Tcnica semi-automtica para la sntesis con infinitos puntos de curvas del
acoplador de mecanismos de 4 barras. La curva es definida como una B-Spline cbica y
cerrada y contiene un punto doble por lo que en el mtodo exhaustivo se podr reducir
considerablemente el nmero de puntos de la malla, dado que la mayora de las curvas
generadas por mecanismos de 4 barras (con rotacin total en una de las manivelas) son curvas
sin puntos dobles.
312
Captulo 6
Figura 6.24. Curva requerida.
El espacio de diseo planteado es el mismo que en el primer caso prctico (tabla 6.1).
Siguiendo el procedimiento exhaustivo, primero se evalan los puntos de la discretizacin para,
a continuacin, seleccionar los mnimos discretos que conducirn a mnimos reales tras una
optimizacin basada en el gradiente. El nmero de puntos involucrado en cada etapa es
expuesto en la tabla 6.7.
N de puntos en el EDA inicial

N de puntos en el EDA reducido
N de mnimos discretos
N de mnimos reales
5 350 257
651 136
11
11
Tabla 6.7. N de puntos en cada etapa de resolucin del problema.
Etapa
Total
Tiempo118
1h 53 28
96.4%
0h 13 37
3.0%
0h 02 07
0.6%
2h 09 12
100.0%
En cuanto al coste computacional, se observa una clara disminucin respecto al primer

caso resuelto (6.2). En efecto, pese a que el EDA utilizado (y su discretizacin) es el mismo,
en este caso el tiempo es menos de un 30% del primero. Esto es debido a que el nmero de
puntos del EDA que generan trayectorias con puntos dobles es mucho menor que el nmero de
ellos que genera trayectorias sin puntos dobles.
La distribucin de tiempos ha sido similar a los casos anteriores y se observa un
consumo una consumicin mayoritaria del tiempo en la fase de evaluacin de los puntos de la
discretizacin. Esta evaluacin constituye la extraccin de informacin fundamental para la
deteccin de la posicin de los ptimos.
Aplicacin prctica
313
Figura 6.25. Mecanismos solucin.
Tras la ejecucin se obtiene un total de 11 mnimos para cada uno de los cuales
podran considerarse 2 cognados y 2 configuraciones. Estos pueden ser escalados,
posicionados y orientados adecuadamente para que el trazado de la curva generada presente
314
Captulo 6
una coincidencia mxima con la curva requerida. As se obtiene la adaptacin de los 11

mecanismos iniciales, estando representados los 6 primeros en la figura 6.25. Se observa que
la solucin 1 presenta un error de comparacin con la curva requerida igual a 0.006070. Este
valor, aun siendo bajo, es tpico de curvas parecidas pero con diferencias notables en su
trazado. Asumiendo que se ha logrado el mecanismo ptimo global (o un mecanismo con un
valor de la funcin objetivo cercano al mismo), esto indica que la curva requerida no es
reproducible sino de forma aproximada por un mecanismo de 4 barras.
Adems, se observa de nuevo que el mtodo aporta una diversidad de soluciones
diferentes, lo que posibilita la eleccin adecuada segn diferentes criterios. Algunas soluciones
(por ejemplo la solucin 2 y la 3) demuestran ser dimensionalmente muy similares. Esto refleja
le hecho de que dos mnimos discretos han conducido a un mismo mnimo real; posibilidad que
ya haba sido predicha en el captulo 5. Lo mismo ocurre con las soluciones 4 y 6, aunque sus
dimensiones no son tan parecidas como en el caso anterior.
Figura 6.26. Comparacin con los resultados obtenidos por Unruh y Krishnaswami.
Aplicacin prctica
315
Aparte del parecido entre la curva requerida y la mejor solucin obtenida, es posible
contrastar este resultado con el obtenido por Unruh y Krishnaswami. En la parte superior de la
figura 6.26 se muestra el mejor mecanismo solucin obtenido por ellos y el parecido entre las
trayectorias requerida y generada. Se observa que entre las soluciones obtenidas con el
mtodo exhaustivo (figura 6.25) existen algunas dimensionalmente parecidas aunque no
excesivamente cercanas, lo que significa que, de acuerdo con la funcin objetivo utilizada en el
123
mtodo exhaustivo , la solucin de Unruh y Krishnaswami no es un mnimo local.
En la parte inferior de la figura 6.26 se observa una ampliacin de las dos soluciones
ptimas: la obtenida con el mtodo exhaustivo (solucin 1) y la obtenida por Unruh y
Krishnaswami. Para realizar una comparacin cuantitativa en cuanto a cual de las dos es ms
parecida a la curva requerida, varios autores han propuesto determinar el rea existente entre
las curvas (Thompson, 1975). Sin embargo, el valor obtenido depende de forma no lineal
sino parablica del tamao de las curvas, por lo que no es un indicador independiente. Para
conseguir que lo sea, este valor puede ser dividido por el cuadrado de una longitud comn a
los dos casos comparados. Si el rea entre las curvas se divide entre la longitud de la curva
requerida (que es comn a ambos casos), se obtiene la distancia promedio entre cada pareja
de curvas superpuestas. Si de nuevo se divide por la longitud de la curva requerida, se obtiene
un valor escalar adimensional que representa la distancia promedio entre las curvas
superpuestas por unidad de longitud de curva requerida. Este valor, multiplicado por 100
expresa este promedio en porcentaje de longitud de curva requerida y es independiente del
tamao de las curvas.
En la tabla 6.9 se muestra el rea encerrada cuando las curvas son escaladas de forma
que la longitud de la curva requerida sea 100 unidades. Dividiendo el rea entre el cuadrado de
la longitud se obtiene el ratio (expresado en porcentaje). Se observa cmo la solucin ptima
aportada por el mtodo exhaustivo es sensiblemente inferior a la mejor solucin aportada por
Unruh y Krishnaswami.
Mtodo
Unruh y Krishnaswami
Exhaustivo
Longitud
100
100
Area
60.213
45.169
Ratio
0.60%
0.45%
Tabla 6.9. Comparacin de soluciones.
En este ejemplo se ha demostrado la viabilidad del mtodo exhaustivo para la

bsqueda de trayectorias con puntos dobles. Se ha observado el menor coste computacional
123
Funcin PDCP1 (vase captulo 3).
316
Captulo 6
necesario para encontrar soluciones ptimas con este tipo de trayectorias. Como en los
ejemplos anteriores se han obtenido diversas soluciones dentro de las cuales se puede
seleccionar la ms idnea para cada caso. Finalmente, se ha contrastado el resultado con el
obtenido por otros autores, demostrando la mejora en la solucin obtenida respecto a este
ltimo.
6.5. Conclusiones.
En este captulo se han presentado ejemplos que corroboran el buen funcionamiento
del mtodo propuesto en la obtencin de mecanismos ptimos para la generacin de una
trayectoria requerida con independencia del tiempo. Los mecanismos obtenidos pasan por ser,
a raiz de los resultados obtenidos en los estudios expuestos en captulos anteriores (y siempre
pendiente de un estudio estadstico ms exhaustivo), ptimos globales dentro del espacio de
diseo o, como mnimo, puntos de valor muy cercanos a dicho ptimo. Sin embargo, es posible
que el ptimo obtenido no sea un mecanismo vlido atendiendo a otras consideraciones tales
como el tamao del mecanismo, la ventaja mecnica o el ngulo de transmisin. En tal caso,
es posible realizar una seleccin del mecanismo ideal de entre la lista de mnimos que el
mtodo exhaustivo proporciona. De esta forma, el mtodo ha demostrado su versatilidad en la
obtencin de diferentes mecanismos con un objetivo comn.
Tambin se ha contrastado el mtodo propuesto con un mtodo vanguardista basado
en la conversin a B-Splines e ideado por Unruh y Krishnaswami (Unruh y Krishnaswami,
1995), demostrndose la obtencin de mejores resultados con el primero.
En cuanto al coste computacional, se observa que el mtodo exhaustivo presenta
tiempos de computacin elevados en comparacin con otros mtodos. Sin embargo, este coste
est asociado a la persecucin del ptimo global y ha sido minimizado mediante la propuesta
de funciones objetivo que permitan la reduccin del espacio de diseo. Aunque este coste
puede ser considerado elevado, el rpido incremento de potencia en los ordenadores
124
personales har que pronto sea poco significativo .
Tambin cabe destacar que aunque en los ejemplos expuestos se ha realizado la
sntesis sobre el mecanismo de 4 barras (mecanismo mayoritariamente utilizado en la
generacin de trayectorias), la formulacin del mtodo no ha sido restringida en cuanto al tipo
de mecanismo y, consecuentemente, puede ser utilizado con otros tipos como el mecanismo
biela-manivela, el mecanismo de 5 barras con engranajes o los diferentes tipos de mecanismos
de 6 barras. Sin embargo, hay que considerar que un mayor nmero de eslabones supone un
124 Como nota ilustrativa de esto puede indicarse que desde el ltimo ao la potencia de los ordenadores personales se ha
duplicado, por lo que de realizar los ensayos con un ordenador personal actualizado, los tiempos se veran reducidos a la mitad.
Aplicacin prctica
317
mayor nmero de dimensiones y, por tanto, un mayor tamao del espacio de diseo. As pues,
la utilizacin de mecanismos con un mayor nmero de barras incrementar el coste
computacional de forma significativa. Por el contrario, la sntesis dimensional del mecanismo
biela-manivela supondr una coste menor.
&DStWXOR
&RQFOXVLRQHV
7.1. Introduccin.
Este trabajo se ha centrado en el anlisis y mejora de los recursos metodolgicos
existentes destinados a la resolucin de problemas de sntesis dimensional para generacin de
trayectoria por la va numrica.
El estudio de las estrategias planteadas hasta el momento ha permitido observar
insuficiencias en algunos aspectos. Por un lado, se ha observado una tendencia clsica o
poco vanguardista en el planteamiento de los mtodos de resolucin, ignorando en cierta
medida las herramientas informticas que permiten, con la formulacin adecuada, una
resolucin mucho ms eficiente.
Por otro lado, se ha observado que con frecuencia ha sido olvidado el objetivo ltimo
de la sntesis dimensional aproximada: la obtencin del mejor mecanismo (mecanismo ptimo
global) para el cumplimiento de los requisitos de diseo. En efecto, en muchos de los mtodos
propuestos se sugieren alternativas con la finalidad de buscar mecanismos de una calidad
intermedia, sin hacer alusin al objetivo principal.
En general, se ha detectado la falta de una estructuracin adecuada en la evolucin de
las soluciones propuestas para este problema y un desarrollo desigual de las partes que
componen el problema de optimizacin. Se ha tenido escasamente en cuenta el coste
computacional en las alternativas propuestas y tampoco se han desarrollado estudios en
profundidad sobre tcnicas que permitan reducir este coste.
En este trabajo se ha contribuido a mejorar los medios para la resolucin de la sntesis
dimensional aproximada de mecanismos planos mediante el estudio detallado de los diferentes
aspectos que el problema incluye. Se ha creado un marco de directrices dentro del cual se
detallan las consideraciones que mejoran la probabilidad de lograr el mecanismo ptimo.
Simultneamente se ha demostrado que la estrategia exhaustiva puede ser un mtodo
ventajoso para la bsqueda del ptimo global dentro del espacio de diseo. Los tiempos
320
Captulo 7
consumidos por la misma son, todava, elevados. Sin embargo, se puede intuir que la creciente
potencia de los ordenadores har que muy pronto este coste computacional quede reducido a
una cuestin de minutos.
7.2. Conclusiones.
En el presente trabajo se ha estudiado el problema de sntesis dimensional aproximada
con un doble objetivo: la consecucin del ptimo global y la disminucin del coste
computacional asociado a dicha tarea. Para ello, se han estudiado por separado cada una de
las partes que integran este problema de optimizacin, llegando a conclusiones concretas para
cada una de ellas.
7.2.1. Funcin objetivo.

Se ha estudiado la formulacin propuesta por otros investigadores para la funcin
objetivo en el problema de sntesis dimensional y se han propuesto mejoras en este aspecto,
obtenindose las siguientes conclusiones:
La mayor parte de las formulaciones realizadas hasta la fecha no son independientes de
factores como la posicin, orientacin, escala o simetra de las trayectorias comparadas.
Estos parmetros no son representativos de la forma intrnseca de las curvas. Es posible
la formulacin de funciones objetivo independientes de ellos, sin prdida de sensibilidad
en la comparacin y posibilitando una importante reduccin del espacio de diseo. En
este trabajo se propone un conjunto de requisitos de la funcin objetivo que garantizan la
reduccin del espacio de diseo a la vez que un comportamiento adecuado para la
optimizacin.
El estudio realizado sobre los problemas de sntesis de trayectoria abierta y de
trayectoria cerrada demuestra las diferencias que existen entre ambos. Se ha
comprobado que la funcin objetivo en generacin de trayectorias abiertas presenta una
complicacin adicional: la superposicin ptima de la trayectoria abierta requerida sobre
la trayectoria generada. Esta superposicin, lejos de ser trivial, constituye un nuevo
problema de optimizacin que aade nuevas variables al espacio de diseo (posicin,
orientacin y escala de la trayectoria abierta). Por este motivo, se ha argumentado a
favor de la necesidad de constituir funciones objetivo diferentes para los casos de
sntesis de trayectorias abiertas y de trayectorias cerradas.
Se ha comprobado que los mtodos propuestos por otros investigadores para la
comparacin de curvas cerradas presentan comportamientos inadecuados en
determinadas situaciones. Ha sido posible corregir los planteamientos eliminando estas
deficiencias. Al mismo tiempo tambin se han realizado correcciones para conseguir el
Conclusiones
321
cumplimiento de los requisitos que permiten una reduccin mxima del espacio de
diseo.
Con el objetivo de minimizar el coste computacional se ha estudiado la posibilidad de
comparar curvas planas en base a unas pocas magnitudes discretas. Para ello se han
estudiado los parmetros puntuales que caracterizan una curva plana. Se ha
comprobado mediante ensayos que la inclusin de la curvatura o el radio de curvatura
provoca una estimacin errnea en el parecido de las curvas comparadas debido a los
valores extremos infinitos que estas variables toman en cspides o puntos de inflexin.
Los resultados obtenidos demuestran que es posible la comparacin discreta de curvas
con suficiente precisin y un enorme ahorro en coste computacional.
El ensayo de progresividad de las funciones objetivo ha puesto de manifiesto que no
todos los mtodos ensayados tienen un comportamiento progresivo igualmente
favorable. El estudio ha demostrado la importancia del ensayo de progresividad en la
propuesta de nuevos mtodos ya que ste permite observar la evolucin de la
comparacin de curvas al aumentar progresivamente su parecido. Como patrn de
referencia se ha utilizado un mtodo de comparacin continua basado en el rea entre
las curvas. De esta forma se ha demostrado que algunas de las funciones, propuestas
en este trabajo, tienen un mejor comportamiento progresivo que otras funciones clsicas
como la comparacin basada la suma de distancias entre puntos al cuadrado.
En la comparacin de curvas abiertas se ha probado que es posible simplificar el
problema de superposicin (con un enorme ahorro en coste computacional) mediante la
utilizacin de tcnicas de adaptacin poligonal. Se han propuesto y ensayado diferentes
mtodos de adaptacin y se ha obtenido el tipo de adaptacin que presenta un mejor
comportamiento. Esta formulacin ha permitido simplificar el problema de superposicin
hasta la optimizacin de una nica variable. As ha sido posible estimar el parecido entre
una curva abierta y otra curva con suficiente precisin y gran economa de computacin.
En definitiva, se ha estudiado el problema de comparacin de curvas diferenciando el

caso de curvas abiertas del caso de curvas cerradas. Se han establecido requisitos que
regulan el funcionamiento de las funciones objetivo permitiendo una reduccin mxima del
espacio de diseo. Se han estudiado y complementado algunos mtodos propuestos por otros
autores. Se han propuesto nuevos mtodos de comparacin basados en caractersticas
geomtricas puntuales de las curvas, comprobndose que algunos de estos parmetros no son
buenos estimadores del parecido entre las curvas. En el caso de curvas abiertas, se ha
simplificado enormemente el problema de superposicin ptima, utilizando una tcnica de
adaptacin poligonal, cuyo funcionamiento se ha optimizado.
322
Captulo 7
As se han logrado funciones de comparacin de curvas con buena progresividad y

gran economa de computacin.
7.2.2. Espacio de diseo.

En lo relativo al espacio de diseo, la estrategia para la consecucin del ptimo global
se ha planteado en base a dos aspectos: la reduccin mxima del espacio de diseo y el
estudio de la evolucin de la funcin objetivo dentro del mismo.
En lo relativo a la reduccin del espacio de diseo, se han llegado a las siguientes
conclusiones:
El espacio de diseo inicial puede ser reducido drsticamente sin prdida de
posibilidades reales de sntesis si la funcin objetivo es transparente a cambios de
posicin, orientacin, escala y simetra de las curvas. Adems, la existencia de
mecanismos cognados prueba que cada punto figura en el espacio de diseo por
triplicado, por lo que es posible conseguir una reduccin adicional. Con estas
consideraciones se ha conseguido la reduccin del espacio de diseo del mecanismo de
4 barras al 0.002% de su tamao inicial, lo que da idea de las mejora que esta tcnica
aporta.
Es posible conseguir importante reduccin posterior eliminando aquellos mecanismos
para los que se puede determinar que no poseen buenas opciones de reproducir la
trayectoria requerida. As, por ejemplo, se han eliminado mecanismos que se bloquean
en la generacin de trayectorias cerradas. Tambin se ha elaborado un mtodo rpido
para la deteccin de mecanismos que generan trayectorias con puntos dobles,
permitiendo descartar los puntos del espacio de diseo que no concuerdan con la
trayectoria requerida en nmero de puntos dobles. Con estas tcnicas se ha logrado
reducir el espacio de diseo del mecanismo de 4 barras hasta el 0.00024% de su tamao
original.
La extraordinaria reduccin lograda respecto del espacio de diseo utilizado por otros
autores refleja la importancia de utilizacin de esta tcnica y su significacin en la bsqueda del
ptimo global.
Por otra parte, se ha estudiado la variacin de la funcin objetivo dentro del espacio de
diseo llegando a los siguientes resultados:
El anlisis bidimensional de la funcin objetivo ptima obtenida del estudio anterior indica
una gran suavidad y una buena progresividad, acorde con la variacin suave de la forma
de la trayectoria generada al variar progresivamente las dimensiones del mecanismo.
Conclusiones
323
El anlisis n-dimensional de dicha funcin objetivo ha permitido estimar la distancia

mnima entre mnimos de la funcin objetivo, necesaria para la bsqueda determinista
del ptimo global. Los ensayos realizados indican que si se realiza una discretizacin del
espacio de diseo acotado con un paso del orden de la mitad de la longitud de la barra
que normaliza el mecanismo, se consigue una discretizacin que es sensible a todos los
mnimos de la funcin objetivo, posibilitando la bsqueda del ptimo.
Los estudios realizados del espacio de diseo y la suave variacin de la funcin objetivo
dentro del mismo indican que una discretizacin ms basta que la mencionada, si bien
no es seguro que sea sensible a todos los mnimos de la funcin objetivo, si que ser
sensible a la mayor parte de ellos. Esto indica que es posible obtener soluciones de gran
calidad (cercanas al ptimo global, si no el ptimo mismo) con discretizaciones menos
finas y costes computacionales mucho menores que los necesarios para llegar a dicho
ptimo global.
En resumen, el estudio del espacio de diseo utilizando tcnicas de reduccin, unido a

la informacin obtenida del anlisis de la funcin objetivo dentro del espacio de diseo, ha
proporcionado una situacin que hace abordable la localizacin determinista del ptimo global
para la generacin de una trayectoria.
7.2.3. Estrategia de optimizacin.

De forma complementaria a lo anterior, se han analizado las estrategias ms comunes
planteadas en sntesis de trayectoria. Se ha detectado una falta de propuestas destinados a la
bsqueda del ptimo global siendo el principal motivo el enorme coste computacional asociado
a dicha bsqueda.
A partir de la estructura y modo de operacin de los algoritmos de optimizacin
actuales, se ha argumentado a favor de la necesidad de plantear la estrategia en dos etapas:
bsqueda gruesa y optimizacin fina; constituyendo un mtodo de optimizacin combinado.
Partiendo de las principales tcnicas de optimizacin utilizadas actualmente, se han
considerado tres mtodos de optimizacin combinados: mtodo exhaustivo-gradiente, mtodo
aleatorio-gradiente y mtodo evolutivo-gradiente. De stas han sido comparadas las dos
ltimas y se ha constatado la mejor calidad del primero respecto del segundo en base a tres
aspectos fundamentales: la similitud del coste computacional, el hecho de que la obtencin
aleatoria proporciona casi siempre peores puntos de partida que la extraccin uniforme
(mtodo exhaustivo) y el hecho de que la extraccin uniforme de puntos permite relacionar
cada punto con sus vecinos con el fin de detectar la existencia de mnimos en la funcin
objetivo, mientras que el mtodo aleatorio no lo permite. Aparte de lo anterior, otra desventaja
del mtodo aleatorio es que, al ser un mtodo no determinista, por ms tiempo que se invierta
324
Captulo 7
en la extraccin aleatoria de puntos, siempre existir una cierta probabilidad de no encontrar el

ptimo global; mientras que en el caso del mtodo exhaustivo, la probabilidad de encontrar el
ptimo global es funcin directa de la finura de la discretizacin, que tiene una relacin directa
con el tiempo que se desee emplear en la bsqueda.
As, se ha puesto de manifiesto que el mtodo exhaustivo proporciona ms informacin
que el simple valor de la funcin objetivo en cada punto extrado del espacio de diseo. Y esta
informacin resulta ser extremadamente valiosa en la deteccin de posibles mnimos.
La eficacia del mtodo exhaustivo en la bsqueda del ptimo global se ha puesto de
manifiesto mediante la resolucin de varios ejemplos. Y aunque se ha observado que los
tiempos de ejecucin pueden ser considerados todava elevados, tambin se aprecia que, dada
la rapidez de evolucin de la potencia de clculo de los ordenadores actuales, este tiempo
pronto ser poco significativo.
En conclusin, en este trabajo se ha propuesto un marco de funcionamiento para la

resolucin de problemas de sntesis dimensional aproximada de mecanismos planos para la
generacin de trayectoria con el objetivo de lograr las dimensiones ptimas (globales) mediante
una formulacin muy orientada hacia el mximo aprovechamiento de los ordenadores de
clculo empleados en su resolucin. La eficacia del mtodo ha sido comprobada en la prctica
mediante la resolucin de ejemplos.
7.3. Desarrollos futuros.

El trabajo realizado presenta grandes posibilidades de continuacin. Desde un punto
de vista cercano al mismo, es posible expandir las posibilidades del mtodo propuesto
siguiendo varias vas:
Sntesis de trayectoria con prescripcin de tiempo. En el presente trabajo se ha realizado
un esfuerzo importante para conseguir que la comparacin de curvas sea independiente
de la parametrizacin de las mismas. Aplicado a sntesis dimensional, esto consigue que
la comparacin sea independiente del factor tiempo. Se puede partir de las funciones
objetivo propuestas para, eliminando esta independencia, conseguir otras que comparen
las curvas teniendo en cuenta la parametrizacin. Conservando el resto de
planteamiento se estara contemplando el factor tiempo en la comparacin y el ptimo
obtenido lo sera incluyendo el factor tiempo.
Anlisis estadstico del paso de discretizacin asociado al ptimo global. Como trabajo
de continuacin se propone la realizacin de un estudio estadstico riguroso para la
determinacin del paso de discretizacin necesario para la consecucin del ptimo
Conclusiones
325
global, en funcin del tipo de curva requerida. Esto permitir realizar una discretizacin lo
ms basta posible y mejorar el coste computacional global de la estrategia propuesta.
Anlisis de sensibilidad dimensional. A raz del trabajo realizado, se intuye que las
diferentes dimensiones de los mecanismos (y su variacin) influyen de forma desigual en
la forma de las curvas generadas. Consecuentemente, es posible aumentar la eficiencia
del mtodo realizando un anlisis de sensibilidades con el objetivo de determinar la
influencia relativa de cada una de ellas. El resultado puede ser utilizado para la
realizacin de una discretizacin no uniforme (es decir, con un paso diferente en cada
dimensin) con el fin de minimizar el coste computacional asociado a la obtencin del
ptimo global.
Inclusin de otros requisitos de diseo de mecanismos. Tal como se ha puesto de
manifiesto, es posible complementar el mtodo propuesto con nuevas funciones objetivo
que, de una forma combinada, no solamente consideren el parecido de las curvas, sino
que tambin valoren otras cualidades de los mecanismos del espacio de diseo en el
cumplimiento de otros requisitos de diseo habituales, tales como el tamao, la posicin
relativa del mecanismo trazador frente a la curva requerida, la ventaja mecnica o el
ngulo de transmisin, etc.
Desde otro punto de vista con una relacin menos cercana al planteamiento realizado,
es posible utilizar el mtodo propuesto como referencia para idear otros similares que sirvan
para la resolucin de problemas de sntesis dimensional aproximada para generacin de
funcin y para guiado de slido rgido.
Dentro de las tres categoras de problemas de sntesis dimensional (trayectoria, funcin
y guiado de slido rgido), el problema de sntesis de trayectoria puede considerarse de una
complejidad intermedia a la de los otros dos. En efecto, el objetivo de este problema es la
coordinacin de la evolucin de dos variables (dos coordenadas del punto trazador) con una
tercera variable (ngulo de la barra de entrada). En el caso de generacin de funcin, el
problema consiste en la coordinacin de una nica variable (ngulo de la barra de salida) con
la de la barra de entrada. Y en guiado de slido rgido se han de coordinar tres variables (dos
de posicin del slido rgido y una de orientacin) con una nica variable de entrada. De esta
forma, es posible idear mtodos paralelos al obtenido para conseguir otros con diferente grado
de complejidad.
%LEOLRJUDItD
(Akali y Dittrich, 1989a)
Akali, I. D.; Dittrich, G. "Function Generation by Galerkin's

Method. Mechanism and Machine Theory, Vol. 24, No. 1, pp. 3943, 1989.
(Akali y Dittrich, 1989b)
Akali, I. D.; Dittrich, G. "Path generation by subdomain method".

Mechanism And Machine Theory. Vol. 24, No. 1, pp. 45-52.
1989.
(Allievi, 1895)
Allievi, L. "Cinematica della biella piana". R. Tipografia Francesco

Giannini et Figli Napole. 1895.
(Angels et al., 1988)
Angels, J.; Alivizatos, A.; Akhras, R. "An unconstrained nonlinear

least-square method of optimization of RRRR planar path
generators. Mechanism and Machine Theory. Vol. 23, No. 5, pp.
343-353. 1988.
(Avils et al., 1985)
Avils, R.; Ajuria, M. B.; Garca de Jaln, J. "A fairly general

method for optimum synthesis of planar mechanisms".
Mechanism and Machine Theory. Vol. 20, pp. 321-328. 1985.
(Bagci y Lee, 1975)
Bagci, C.; Lee, I. P. J. "Optimum synthesis of plane mechanisms

for the generation of paths and rigid-body positions via the linear
superposition technique. Journal of Engineering for Industry. Vol.
97, No. 1, pp. 340-346. 1975.
(Bakthavachalam y Kimbrell, 1975) Bakthavachalam, N.; Kimbrell, J. T. "Optimum synthesis of

path-generating four-bar mechanisms. Journal of Engineering for
Industry. Vol. 97, No. 1, pp. 314-321, 1975.
(Barker y Tso, 1989)
Barker, C. R.; Tso, P. L. "Charasteristic surfaces for three

position function generation with planar four bar mechanisms".
Journal of Mechanism, Transmissions, and Automation in
Design. Vol. 111, pp. 104. 1989.
328
Bibliografa.
(Bawab et al., 1996)
Bawab, S.; Kinzel, G. L.; Waldron, K. J. "Rectified synthesis of

six-bar mechanisms with well-defined transmission angles for
four position motion generation". Journal of Mechanical Design.
Vol. 118, pp. 377. 1996.
(Brady y Peterson, 1995)
Brady, M.; Peterson, S. "A derivation of the pole curve ecuations

in the projective plane". Journal of Mechanical Design. Vol. 117,
pp. 123. 1995.
(Burmester, 1888)
Burmester, L. "Lehrbuch der Kinematik". Leipzig, A. Felix. 1888.
(Ceccarelli, 1995)
Ceccarelli, M. "A synthesis algorithm for three revolute

manipulators by using an algebraic formulation of workspace
boundary". Journal of Mechanical Design. Vol. 117, pp. 298.
1995
(Cossalter et al., 1992)
Cossalter, V.; Doria, A.; Pasini, M.; Scattolo, C. "A simple

numerical approach for optimum synthesis of a class of planar
mechanisms". Mechanism And Machine Theory. Vol. 27, No. 3,
pp. 357-366. 1992.
(Crandall, 1956)
Crandall, H. S. "Engineering Analysis. McGraw-Hill. New York.

1956.
(Chiang et al., 1994)
Chiang, C. H.; Yang, Yu-Neng; Chieng, Wei H.; Hoeltzel, David

A. "Four-position synthesis for spatial mechanisms with two
independent loops". Mechanism And Machine Theory. Vol. 29,
No. 2, pp. 265-279. 1994.
(Chirikjian, 1995)
Chirikjian, G. S. "Kinematic synthesis of mechanisms and robotic

manipulators with binary actuators". Journal of Mechanical
Design. Vol. 117, pp. 573. 1995.
(Chung y Chiang, 1990)
Chung, W. Y.; Chiang, C. H. "Fourth-order synthesis of Watt-II

six-bar function generators". Mechanism And Machine Theory.
Vol. 25, No. 4, pp. 417-426. 1990.
(Da Lio, 1997)
Da Lio, Mauro "Robust Design of Linkages - Synthesis by Solving

Non-linear Optimization Problems. Mechanism and Machine
Theroy. Vol. 32, No. 8, pp. 921-932, 1997.
Bibliografa
329
(Dijksman y Timmermans, 1994)

Dijksman, E. A.; Timmermans, E. A. "Look-out for
prime-chains with a prescribed number of mobility-degrees of
freedom". Mechanism And Machine Theory. Vol. 29, No. 5, pp.
653-672. 1994.
(Dijksman y Smals, 1996)
Dijksman, E. A.; Smals, Anton T. J. M. "Lambda-formed 4-bar

linkages set in a translation-position to design mechanisms
approximating a straight line". Mechanism And Machine Theory.
Vol. 31, No. 8, pp. 1033-1042. 1996.
(Erdman, 1993)
Erdman, A. G. "Modern kinematics. Development in the last forty

years. John Wiley & Sons, Inc. New York, 1993.
(Fanghella y Galletti, 1995)
Fanghella, P.; Galletti, C. "Metric relations and displacement

groups in mechanism and robot kinematics". Journal of
Mechanical Design. Vol. 117, pp. 470. 1995
(Fiacco y McCormick, 1963)
Fiacco, A. V.; McCormick, G. P. "Programming Under Nonlinear

Constraints by Unconstrained Minimization, A Primal-Dual
Method. The Research Analysis Corp., RAC Tp-96, Bethesda,
Md., Septiembre, 1963.
(Fletcher y Powell, 1963)
Fletcher, R.; Powell, M. J. D. "A Rapidly Convergent Descent

Method for Minimization. The Computer Journal. Vol. 6, pp. 163168. 1963.
(Fox y Willmert, 1967)
Fox, R. L.; Willmert, K. D. "Optimum design of curve-generating

linkages with inequality constraints". Journal of Engineering for
Industry, vol. 89, pp. 144-152. 1967.
(Fox y Gupta, 1973)
Fox, R. L.; Gupta, K. C. "Optimization technology as applied to

mechanism design. Journal of Engineering for Industry. Vol. 95,
No. 2, pp. 657-663. 1973.
(Freudenstein y Sandor, 1959) Freudenstein, F.; Sandor, G. N. "Synthesis of path-generating

mechanisms by means of a programmed digital computer".
Journal of Engineering for Industry. Vol. 81 B, No. 2, pp. 159-168.
1959.
(Freudenstein y Primrose, 1963) Freudenstein, F.; Primrose, E. J. F. "Geared five-bar motion. IGear ratio minus one". Journal of Applied Mechanics, vol. 30, pp.
161-169. 1963.
330
Bibliografa.
(Freudenstein, 1973)
Freudenstein, F. "Kinematics: Past, present and future.

Mechanism and Machine Theory. Vol. 8, No. 2, pp. 151-160.
(Garret y Hall, 1968)
Garret, R. E.; Hall, A. S. Jr. "Optimal synthesis of randomly

generated linkages". Journal of Engineering for Industry, vol 90,
pp. 475-480. 1968.
(Gibson et al., 1996)
Gibson, C. G.; Marsh, D.; Xiang, Y. "An algorithm to generate the

transition curve of the planar four-bar mechanism". Mechanism
And Machine Theory. Vol. 31, No. 4, pp. 381-395. 1996.
(Hain, 1964)
Hain, K. "Geared five-bar motion, parts 1 and 2". Journal of

Mechanical Design, vol. 31, pp. 360-362. 1964.
(Hall, 1992)
Hall, A. S. Jr "A note on the history of kinematic coefficients.

Mechanism and Machine Theory. Vol. 27, No. 1, p. 367. 1992.
(Hartenberg y Denavit, 1964) Hartenberg, R. S.; Denavit, J. "Kinematic synthesis of linkages".

McGraw-Hill. New York, 1964.
(Hernndez et al., 1997)
Hernndez, A.; Amezua, E.; Ajuria, M. B. G.; Vallejo, J. "Sntesis

de puntos triples en curvas del acoplador del cuadriltero
articulado". Revista Iberoamericana de Ingeniera Mecnica. Vol.
1, No. 1, pp. 5-21. 1997.
(Hrones y Nelson, 1951)
Hrones, J. A.; Nelson, G. L. "Analysis of the Four-bar Linkage".

John Wiley. Nueva York. 1951.
(Iyer, 1996)
Iyer, Venkatesh A. "Recdwell-computer aided design of six-link

planar dwell mechanisms". Mechanism And Machine Theory. Vol.
31, No. 8, pp. 1185-1194. 1996.
(Jimnez et al., 1997)
Jimnez, J. M.; lvarez, G.; Cardenal, J.; Cuadrado, J. "A simple

and general method for kinematic synthesis of spatial
mechanisms". Mechanism and Machine Theory. Vol. 32, No. 3,
pp. 323-341. 1997.
(Kozhevnikov, 1981)
Kozhevnikov, S. N. "Mecanismos". Ed. Gustavo Gili. Barcelona,

1981.
Bibliografa
(Kramer y Sandor, 1975)
331
Kramer, S. N.; Sandor, G. N. "Selective precision synthesis - A

general method of optimization for planar mechanisms. Journal
of Engineering for Industry. Vol. 97 B, No. 2, pp. 689-701. 1975.
(Krishnamurty y Turcic, 1992) Krishnamurty, S; Turcic, David A. "Optimal synthesis of

mechanisms using nonlinear goal programming techniques".
1992.
(Kunjur y Krishnamurty, 1997) Kunjur, Arun; Krishnamurty, Sundar "Genetic algorithms in
mechanism synthesis". Journal of Applied Mechanisms &
Robotics. Vol. 4, No. 2, pp. 18-24. 1997
(Levenberg, 1944)
Levenberg, K. "A Method for the Solution of Certain Non-Linear

Problemas in Least Squares". Quarterly of Applied MathematicsNotes. Vol. II, No. 2, 1944.
(Lewis y Gyory, 1967)
Lewis, D. W.; Gyory, C. K. "Kinematic synthesis of plane curves".

Journal of Engineering for Industry, vol. 89, pp. 173-176. 1967.
(Lewis y Falkenhagen, 1968) Lewis, D. W.; Falkenhagen, G. L. "Displacement and velocity

kinematic synthesis". Journal of Engineering for Industry, vol. 90,
pp. 527-530. 1968.
(Liang, 1995)
Liang, Z. "Computer-aided graphical design of spatial

pp. 299-312. 1995.
(Lin y Chiang, 1992)
Lin, Ching-Kuo; Chiang, C. H. "Synthesis of planar and spherical

geared five bar function generators by the pole method".
1992.
(Ling y Chase, 1996)
Ling, Zhi-Kui; Chase, Thomas R. "A priori geometric design of an

interference free complex planar mechanism". Mechanism And
Machine Theory. Vol. 31, No. 4, pp. 513-524. 1996.
(Liu y Yu, 1995)
Liu, Tyng; Yu, Chung-Huang "Identification and classification of

multi-degree-of-freedom and multi-loop mechanisms". Journal of
Mechanical Design. Vol. 117, pp. 104. 1995.
332
Bibliografa.
(Lu y Hwang, 1996)
Lu, Deng-Maw; Hwang, Wen-Miin "Synthesis of planar five-bar

pantograph configurations by a geometric method". Mechanism
(Luck y Modler, 1994)
Luck, Kurt; Modler, Karl-Heinz "Synthesis of guidance

pp. 525-533. 1994.
(Mahyuddin et al., 1989)
Mahyuddin, A. I.; Nahvi, H.; Farhang, K.; Midha, A. "Approximate

circular and straight-line path generation with high-performance
function-generating
linkages".
Journal
of
Mechanism,
Transmissions, and Automation in Design. Vol. 111, pp. 188.
1989.
(McCarthy, 1995)
McCarthy, J. M. "The synthesis of planar RR and spatial CC

chains and the equation of a triangle". Journal of Mechanical
Design. Vol. 117, pp. 101. 1995.
(Meng et al., 1996)
Meng, Cai-Fang; Lu, Xi-Nian; Yang, Yu-Hu; Zhang, Ce "The highorder optimum synthesis of a driving mechanism with flexible
connector". Mechanism And Machine Theory. Vol. 31, No. 7, pp.
851-858. 1996.
(Mirth y Chase, 1995)
Mirth, J. A.; Chase, T. R. "Circuit rectification for four precision

positions synthesis of Stephenson six-bar linkages". Journal of
(Mller, 1892)
Mller, R. "Ueber die Bewegung eines 1 starren ebenen Systems

durich funf unendlich benachbarte Lagen. Zeitschrift fut
Mathematick and Physik. Vol. 37, pp. 129-150. 1892.
(Murray y McCarthy, 1996)
Murray, A. P.; McCarthy, J. M. "Passing a central axis

congruence through six arbitrary lines in space". Journal of
(Murray y McCarthy, 1997)
Murray, A. P.; McCarthy, J. Michael "Center-point curves through

six arbitrary points". Journal of Mechanical Design. Vol. 119, pp.
36. 1996.
Bibliografa
333
(Nageswara y Rao, 1996)
Nageswara Rao, C.; Rao, A. C. "Selection of best frame, input

and output links for function generators modelled as probabilistic
systems". Mechanism And Machine Theory. Vol. 31, No. 7, pp.
973-983. 1996.
(Naik y Amarnath, 1989)
Naik, D. P.; Amarnath, C. "Synthesis of adjustable four bar

function generators through five bar loop closure equations".
1989.
(Nechi, 1971)
Nechi, A. J. "A relaxation and gradient combination applied to the

computer simulation of a plane four-bar chain. Journal of
Engineering for Industry. Vol. 93, pp. 113-119. 1971.
(Nelder y Mead, 1965)
Nelder, J. A.; Mead, R. "A Simplex Method for Function

Minimization". Computer Journal. Vol. 7, pp. 308-313, 1965.
(Nieto, 1978)
Nieto Nieto, J. "Sntesis de Mecanismos". Editorial AC. Madrid,

1978.
(Nolle y Hunt, 1971)
Nolle, H.; Hunt, K. "Optimum synthesis of planar linkages to

generate coupler curves. Journal of Mechanisms. Vol. 6, No. 3,
pp. 267-287. 1971.
(Parikian, 1997)
Parikian, T. F. "Multi-generation of coupler curves of spatial

linkages". Mechanism and Machine Theory. Vol. 32, No. 1, pp.
103-110. 1997.
(Park, 1995)
Park, F. C. "Distance metrics on the rigid-body motions with

applications to mechanism design". Journal of Mechanical
Design. Vol. 117, pp. 48. 1995.
(Pennestr, 1998)
Pennestr, E. "The transition curve of the planar four-bar: an

analytical approach. Mechanism and Machine Theory. Vol 33,
pp. 1293-1299. 1998.
(Powell, 1964)
Powell, M. J. D. "An Efficient Method for Finding the Minimum of

a Function of Several Variables without Using Derivatives". The
Computer Journal. Vol. 7, pp. 155-162. 1964.
334
Bibliografa.
(Prentis, 1991a)
Prentis, J. M "The Pole Triangle, Burmester Theory and Order

and Branching Problems. I-The Order Problem. Mechanism and
Machine Theory, Vol. 26, No. 1, pp. 19-30. 1991.
(Prentis, 1991b)
Prentis, J. M "The Pole Triangle, Burmester Theory and Order

and Branching Problems. II-The Branching Problem. Mechanism
and Machine Theory, Vol. 26, No. 1, pp. 31-39. 1991.
(Press et al., 1991)
Press, William H.; Flannery, Brian P.; Teukolsky, Saul A.;

Vetterling, William T. "Numerical recipes in C. Cambridge
University Press. New York, 1991.
(Raghavan y Roth, 1995)
Raghavan, M.; Roth, B. "Solving polynomial systems for the

kinematic analisys and synthesis of mechanisms and robot
manipulators". Journal of Mechanical Design. Vol. 117, pp. 71.
1995.
(Rao, 1997a)
Rao, A. C. "Hamming number technique I". Mechanism And

(Rao, 1997b)
Rao, A. C. "Hamming number technique II". Mechanism And

(Romeijn y Smith, 1992)
Romeijn, H. E.; Smith, R. L. "Simulated Annealing for

Constrained Global Optimization. Internal Report Department of
Industrial and Operations Engineering. The University of
Michigan, Ann Arbor, Michigan, USA. 1992.
(Roth y Freudenstein, 1963)
Roth, B.; Freudenstein, F. "Synthesis of path-generating

mechanisms by numerical methods". Journal of Engineering for
Industry, vol. 85, pp. 298-306. 1963.
(Shi, 1997)
Shi, Z. "Synthesis of mechanical error in spatial linkages based

on reliability concept". Mechanism and Machine Theory. Vol. 32,
No. 2, pp. 255-259. 1997.
(Siddall, 1972)
Siddall, J. N. "Analytical Decision-Making in Engineering Design.

Prentice-Hall, Englewood Cliffs. N. J. 1972.
Bibliografa
335
(Somov, 1899)
Somov, P. O. "On some applications of the kinematics of variable

systems on link mechanisms". Warsaw Universitet Obshchestva
estestvoispytatelei, Otdieleniya. Fiz. Khim. 10/11, pp. 1-46. 18991900.
(Soni, 1974)
Soni, A. H. "Mechanism Synthesis and Analysis". McGraw-Hill.

New York, 1974.
(Stewart, 1965)
Stewart, D. "A Platform with Six Degrees of Freedom.

Proceedings of the Institution of Mechanical Engineers, 180 (1),
pp. 371-386. 1965.
(Stoilov, 1997)
Stoilov Todorov, T. "Synthesis of Watt's six-link mechanism for

manipulation action in relative space". Mechanism And Machine
Theory. Vol. 32, No. 5, pp. 559-568. 1997.
(Thompson, 1975)
Thompson, B. S. "A survey of analytical path-synthesis

techniques for plane mechanisms. Mechanism and Machine
Theory. Vol. 10, No. 2/3, pp. 197-205. 1975.
(Toms, 1968)
Toms, J. "The synthesis of mechanisms as a nonlinear

programming problem". Journal of Mechanisms. Vol. 3, No. 3, pp.
119-130. 1968.
(Torfason y Ahmed, 1978)
Torfason, L. E.; Ahmed, A. "Double points of a 4-bar linkage.

Mechanism and Machine Theory. Vol. 13, No. 6, pp. 593-601.
1978.
(Tuttle, 1996)
Tuttle, E. R. "Generation of planar kinematic chains". Mechanism

(Ullah y Kota, 1996)
Ullah, I.; Kota, S. "Globally-optimal synthesis of mechanisms for

path generation using simulated annealing and powell's method".
Proceedings of the 1996 ASME Desing Engineering Technical
Conferences. 96-DETC/MECH-1225. Irvine, California, USA.
1996.
336
Bibliografa.
(Unruh y Krishnaswami, 1995) Unruh, V.; Krishnaswami, P. "A computer-aided design

technique for semi-automated infinite point coupler curve
synthesis of four-bar linkages". Journal of Mechanical Design.
Vol. 117, pp. 143. 1995.
(Vallejo et al., 1995)
Vallejo Matilla, J.; Avils, Rafael; Hernndez, Alfonso; Amezua,

Enrique "Nonlinear optimization of planar linkages for kinematic
synthesis". Mechanism And Machine Theory. Vol. 30, No. 45, pp.
501-518. 1995.
(Vucina y Freudenstein, 1991) Vucina, Damir; Freudenstein, F. "An application of graph theory
and nonlinear programming to the kinematic synthesis of
pp. 553-563. 1991.
(Waldron y Sreenivasan, 1996) Waldron, K. J.; Sreenivasan, S. V. "A study of the solvability of
the position problem for multi-circuit mechanisms by way of
example of the double butterfly linkage". Journal of Mechanical
Design. Vol. 118, pp. 390. 1996.
(Wang y Sodhi, 1996)
Wang, Shao Jie; Sodhi, Raj S. "Kinematic synthesis of adjustable

moving pivot four-bar mechanism for multi-phase motion
generation". Mechanism And Machine Theory. Vol. 31, No. 4, pp.
459-474. 1996.
(Watanabe, 1992)
Watanabe, K. "Application of natural equations to the synthesis of

curve generating mechanisms". Mechanism And Machine
Theory. Vol. 27, No. 3, pp. 261-273. 1992.
(Wilde y Beightler, 1967)
Wilde, D. J.; Beightler, C. S. "Fundations of Optimizations.

Prentice-Hall, Englewood Cliffs. N. J. 1967.
(Wu y Wu, 1998)
Wu, L.; Wu, S. "A note on Freudenstein's theorem. Mechanism

and Machine Theory. Vol. 33, No. 1, pp. 139-149. 1998.
(Yadav et al., 1995)
Yadav, J. N.; Pratap, C. R.; Agrawal, V. P. "Detection of

isomorphism among kinematic chains using the distance
concept". Journal of Mechanical Design. Vol. 117, pp. 607. 1995.
(Yan, 1992)
Yan, Hong-Sen "A metodology for creative mechanism design".

1992.
Bibliografa
337
(Yu, 1995)
Yu, Yue-Qing "Active design of a flexible space mechanism with

optimal characteristics". Mechanism And Machine Theory. Vol.
30, No. 3, pp. 451-459. 1995.
(Zhang et al., 1984)
Zhang, C.; Norton, R. L.; Hammond, T. "Optimization of

parameters for specified path generation using an atlas of
coupler curves of geared five-bar linkages". Mechanism and
Machine Theory, vol. 19, no. 6, pp. 459-466. 1984.
$SpQGLFH
'HILQLFLRQHVUHODFLRQDGDVFRQODVtQWHVLVGHPHFDQLVPRV
Cadena cinemtica
Conjunto de eslabones unidos entre si mediante pares cinemticos.
Cadenas cinemticas isomrficas

Dcese de las cadenas cinemticas con el mismo nmero de pares y barras y la misma
conectividad.
Defecto de circuito
En un mecanismo existe defecto de circuito cuando una o varias barras del mismo no
pueden alcanzar todas las posiciones requeridas (para las cuales el mecanismo fue diseado)
sin ser ste desensamblado y ensamblado de nuevo en una configuracin diferente. El defecto
de circuito aparece solo si el mecanismo tiene solo una rotabilidad parcial (es decir, la barra
accionadora no puede dar una vuelta completa) y la barra accionadora puede moverse en dos
rangos de posicin disjuntos. Adems se ha de dar el caso de que las posiciones de diseo se
encuentran repartidas en ambos rangos de movilidad.
Diada
Dos eslabones (o barras) binarios conectados por un par articulacin o por un par
deslizadera y provistas de pares en los extremos para ser conectadas a otras barras. Existen 5
tipos diferentes: D111, D101, D011, D001, D010; donde 0 indica un par deslizadera y 1 indica
un par articulacin. Las diadas son partes elementales de un mecanismo y sus problemas de
posicin, velocidad y aceleracion tienen una solucin explcitamente conocida, lo que significa
que si se conoce la posicin de los dos pares extremos, se puede calcular directamente (sin
necesidad de iteracin) la posicin del par intermedio.
340
Apndice A
Grado de libertad
Cada una de las magnitudes necesarias que determinan la posicin de un mecanismo.
Es igual al nmero de accionamientos necesarios para que el mecanismo se mueva de forma
inequvoca y su cantidad tiene que ver con la capacidad de movimiento del mismo.
Interferencia
Problema de funcionamiento en mecanismos que se da cuando un mecanismo que en
teora pude moverse dentro de un rango determinado, en la prctica no puede ser fsicamente
concebido para moverse segn ese rango debido a que unas partes del mismo chocan con
otras impidiendo la continuacin del movimiento.
Mecanismos cognados
Dcese de aquellos mecanismos del mismo tipo y dimensionalmente diferentes que
generan una misma trayectoria (de forma matemticamente exacta).
Mecanismo didico
Es aquel mecanismo puede ser construido a partir de diadas independientes. Vase
diada.
Mecanismo espacial
En oposicin al concepto de mecanismo plano, dcese de cualquier mecanismo en el
que, durante el movimiento, al menos un punto de un eslabn describe una trayectoria que no
est contenida en un plano o que si lo est, el plano no es paralelo al plano que incluye la
trayectoria de otro punto. Vase mecanismo plano.
Mecanismo plano
Mecanismo en el que todos los puntos de todos los eslabones describen trayectorias
que estn contenidas en un mismo plano o en planos paralelos.
Par cinemtico
Forma geomtrica mediante la cual se unen dos slidos rgidos de forma que ele
movmiento relativo entre ambos sea consistente. Existen diferentes tipos de pares cinemticos
y son habitualmente clasificados por los grados de libertad que permiten en el movimiento entre
los slidos rgidos que conectan.
Conceptos relacionados con la sntesis de mecanismos
341
Par inferior
Tradicionalmente es definido como un tipo de par cinemtico en el que el contacto
entre los dos cuerpos que conecta es superficial, aunque existen excepciones a esta definicin.
En el caso de mecanismos planos, se consideran pares inferiores aquellos que conectan dos
slidos rgidos de forma que el movimiento relativo cuente nicamente con un grado de
libertad.
Par superior
Tradicionalmente es definido como un tipo de par cinemtico en el que el contacto
entre los dos cuerpos que conecta es lineal o puntual, aunque existen excepciones a esta
definicin. En mecanismos planos, se consideran pares superiores aquellos que conectan dos
slidos rgidos de forma que el movimiento relativo entre ellos cuente con dos grados de
libertad.
Puntos de aproximacin
En sntesis dimensional, conjunto de posicones discretas que describen los requisitos
de sntesis. Sin embargo, al contrario que en sntesis exacta, no se exige el cumplimiento
exacto de estas posiciones (en la mayora de los casos porque esto no es exigible dada la
naturaleza del problema), sino que se busca el mecanismo que ms se acerca a estas
posiciones. En general, cuando los requisitos de diseo son especificados mediante posiciones
discretas que, en nmero, sobrepasan el lmite de puntos de precisin no es posible cumplir
estas posiciones de forma exacta y entonces son llamadas puntos de aproximacin. Vase
sntesis aproximada.
Puntos de precisin
En sntesis dimensional de mecanismos, conjunto de posiciones discretas mediante las
cuales se especifican los requisitos de la sntesis cuando se exige el cumplimiento exacto de
los requisitos. El nmero de puntos de precisin que un mecanismo puede reproducir con total
exactitud terica est limitado y es funcin del tipo de mecanismo utilizado. As, siempre se
pueden obtener las dimensiones de un mecanismo de 4 barras que genere una trayectoria que
pase por hasta 9 puntos cualesquiera. Vase sntesis exacta.
Sntesis aproximada
Dcese del tipo de sntesis de mecanismos en la que no se exige el cumplimiento
exacto de los requisitos, bien porque no es exigible o bien porque an sindolo no se obtiene
beneficio alguno. Este concepto est asociado a mtodos de optimizacin ya que se persigue
encontrar el mnimo o el mximo de una funcin que se encarga de evaluar la bondad de
342
Apndice A
los mecanismos candidatos en relacin con los requisitos de sntesis. Tambin es llamada
sntesis con puntos de aproximacin. Vase puntos de aproximacin.
Sntesis con prescripcin de tiempo

Dcese de la sntesis exacta o aproximada en la que los requisitos no vienen
especificados exclusivamente mediante posiciones discretas, sino que adems se especifica el
tiempo que debe llevar al mecanismo pasar de cada posicin a la siguiente.
Los mecanismos de barras habitualmente estn accionados de forma que la velocidad
de la barra de entrada es constante. Por lo tanto existe una relacin de proporcionalidad
constante entre el tiempo que transcurre desde que el mecanismo pasa de una a otra posicin
y el ngulo que la barra de entrada debe moverse para provocar ese cambio de posicin.
Teniendo esto en consideracin, la prescripcin de tiempo puede llevarse a cabo especificando
el tiempo transcurrido entre cada dos posiciones requeridas o, igualmente, especificando la
variacin angular de la barra de entrada entre dos posiciones consecutivas. Por esto, si en la
sntesis con puntos de precisin o con puntos de aproximacin se involucra el ngulo de la
barra de entrada para cada posicin requerida, se estar llevando a cabo una sntesis con
prescripcin de tiempo.
Sntesis con puntos de aproximacin

Vase sntesis aproximada.
Sntesis con puntos de precisin

Vase sntesis exacta.
Sntesis exacta
Dcese del tipo de sntesis en la que se exige que los requisitos sean cumplidos de
forma exacta (en oposicin a aproximada), posibilitando la naturaleza del problema dicho
cumplimiento exacto. Tambin es llamada sntesis con puntos de precisin. Vase puntos de
precisin.
$SpQGLFH
)RUPXODFLyQGHGHILQLFLyQGHFXUYDV%6SOLQHV
B.1. Definicin de una B-Spline abierta.

Una B-Spline es una curva paramtrica obtenida por interpolacin basada en un
polgono de control (figura B.1).
Figura B.1. Curva B-Spline y su polgono de control.
Los puntos de la B-Spline se pueden obtener a partir de la posicin de los puntos del
polgono de control mediante su ecuacin de definicin escrita en la forma recursiva de CoxdeBoor [Libro-1997-01] siguiente:

xB (t , xQ )
=
PB (t , PC ) =
y B (t , yQ )
n 1
i =0
xQi
N ik (t ) ; t [0, n k + 1]
yQi
(B.1)
344
Apndice B
) (
donde PB t , PQ = x B (t , xQ ), y B (t , yQ )
es el punto (y sus coordenadas) de la B-Spline
correspondiente al valor del parmetro t, PQ es la matriz de coordenadas de los puntos del

polgono de control, n es el nmero de puntos de dicho polgono, k es el orden de la B-Spline,

{ } es un vector con las coordenadas X de los n puntos del polgono de control,

= {y } es un vector similar al anterior conteniendo las coordenadas Y y N (t) es la funcin
xQ = xQi

yQ
k
i
Qi
de forma de la B-Spline, la cual viene dada por la siguiente expresin recursiva:
= 1 si vi t < vi +1
si k = 1
= 0 si (vi > t t vi +1 )
k
N i (t ) =
k 1
k 1
= (t vi ) N i (t ) + (vi + k t ) N i +1 (t ) si k > 1
vi + k 1 vi
vi + k vi +1
(B.2)
donde vi es el vector knot que determina qu vertices del polgono de control contribuyen en el
clculo de la posicin de un punto de la B-Spline. Existen varias formas de definir este vector
knot, siendo una de las ms extendidas la siguiente:
v j = j k +1 ;
j = 0, 1,..., n+k-1
(B.3)
es decir, los elementos del vector vj varan desde -k+1 hasta n incrementandose en una unidad.
B.2. Definicin de una B-Spline cerrada.

Para que la B-Spline se cierre constituyendo una curva cerrada plana siendo el punto
de cierre continuo y derivable hasta derivada segunda es necesario considerar de forma
peridica ms puntos que los del polgono inicial. En efecto, la B-Spline puede ser formulada
como una funcin peridica haciendo que los puntos del polgono de control sean peridicos
es decir, haciendo que cuando in el punto de control de orden i sea el mismo que el punto de
orden (i-n) e incrementando el nmero de puntos considerado.
En concreto, partiendo de un polgono inicial de n puntos, se ha de considerar en la
formulacin n puntos para que la B-Spline generada llegue a cerrarse, siendo:
n = n + k 1
(B.4)
La formulacin de la B-Spline cerrada es idntica a la expuesta anteriormente para la

B-Spline abierta, con la salvedad de que se ha de considerar n all donde se hubiera
considerado n y teniendo en cuenta que los puntos del polgono de control se repiten desde el
primero al sobrepasar la numeracin el ltimo (ya que el nmero de puntos de control n
Formulacin de definicin de curvas B-Splines
345
considerado es mayor que el nmero de puntos de control real n). El rango del parmetro de la
B-Spline tambin se ve afectado por n y, sustituyendo n por n en el rango del parmetro de la
ecuacin (B.1) queda:
t [0, n k + 1) = [0, (n + k 1) k + 1) = [0, n)
(B.5)
Asi pues, finalmente, la ecuacin (B.1) para una B-Spline cerrada de orden k generada a
partir de un polgono de n puntos es:

x B (t , xQ )
=
PB (t , PQ ) =
y B (t , yQ )
n1
N
i =0
xQi
k
i (t )
yQi
t [ 0, n )
(B.6)
donde n viene definido por (B.4), la funcin de forma Nik(t) viene definida por la ecuacin (B.2) y
el vector knot vj viene definido por la expresin:
v j = j k +1 ;
j = 0, 1,..., n+k1 = 0, 1, ..., n+2k2
(B.7)
B.3. Derivadas de la ecuacin paramtrica de la B-Spline.

En ocasiones puede ser til disponer de las derivadas de la ecuacin de la B-Spline
expresada en (B.6) con respecto a las diferentes variables que en ella intervienen para, por
ejemplo, utilizarlas en algoritmos de optimizacin que se sirvan del gradiente para converger
hacia el ptimo. Estas expresiones se desarrollan a continuacin:

x B (t , xQ )
t
y (t , y ) =
Q
B
n1
i =0
N ik (t ) xQi

t
yQi
(B.8)
siendo
si k = 1
= 0
N ik 1 (t )
N ik+1 (t )
N ik (t )
k 1
1
(t vi ) N ik+1 (t ) +
(vi + k t )
= N i (t ) +
(B.9)
1
t
t
t
si k > 1
+
=
vi + k 1 vi
vi + k vi +1
y, por otro lado,
346
Apndice B
x B (t , xQ )
xQi
y B (t , y Q )
y Qi
= N ik (t )
(B.10)

Sanchez

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Sanchez

Загружено:

Авторское право:

Доступные форматы

Memoria de Tesis Doctoral

Francisco T. Snchez Marn

Castelln, Julio de 2000

A mis padres y a Lola

Me parece realmente difcil expresar brevemente mi agradecimiento a todas estas

En primer lugar quisiera hacer pblico mi ms sincero agradecimiento a mi director de

En el plano ms personal, quisiera manifestar mi agradecimiento a mis Padres por su

Captulo 2. Antecedentes ...................................................................................................... 17

Captulo 3. Comparacin de curvas planas cerradas ........................................................... 57

3.5.1. Mtodo de las diferencias poligonales o mtodo PD (Polygon Differences) ........ 87

Captulo 4. Comparacin de curvas planas abiertas............................................................. 169

4.4.1. Ensayo 1 ................................................................................................................ 191

Captulo 5. El espacio de diseo y la optimizacin............................................................... 225

Captulo 6. Aplicacin prctica .............................................................................................. 283

Captulo 7. Conclusiones....................................................................................................... 319

Apndice A. Definiciones relacionadas con la sntesis de mecanismos............................... 339

Apndice B. Formulacin de definicin de curvas B-Splines................................................ 343

Area Between Curves (mtodo del rea entre las curvas).

B-Spline Conversion (mtodo de la conversin en B-Spline).

Curvature of Curves (mtodo de la curvatura de las curvas).

Curva de Evolucin de la Tangente.

Espacio de Diseo Acotado.

Least Squares Optimizing Position (mtodo de mnimos cuadrados optimizando la

Mtodo(s) de Comparacin de Curvas.

Polygon Differences (mtodo de las diferencias poligonales)

Polygon Differences with Curve Properties (mtodo de las diferencias poligonales

Tangent Evolution (mtodo de evolucin de la tangente).

Teora de Mquinas y Mecanismos

1.1. El diseo de mecanismos.

La SM constituye una parte bsica de la Teora de Mquinas y Mecanismos. Sin

dispositivos mecnicos y componentes produce un sinnmero de combinaciones y funciones.

Todas estas lecturas que son comunes en la literatura referente a la SM reflejan la

Por otro lado, el escaso desarrollo de la SM representa un grave perjuicio para el

El estudio de la SM revela la procedencia de su complejidad. Se ha puesto de

Vase definicin en el apndice A.

determinada solucin o aplicacin, lo que implica falta de homogeneidad en el mtodo de

La enorme heterogeneidad del problema de SM ha impedido que, hasta la fecha es

1.2. Subdivisin del problema de sntesis de mecanismos.

Sntesis de m ecanism os planos

con m ltiples grados de libertad

Sntesis de m ecanism os espaciales

M ecanism os paralelos (plataform as).

con un nico grado de libertad

con pares superiores e inferiores:

nicam ente con pares inferiores:

Sntesis num rica o estructural.

exacta (puntos de precisin).

Figura 1.1. Clasificacin de los tipos de sntesis de mecanismos.

Vase definicin en el apndice A.

El problema de sntesis de mecanismos espaciales puede subdividirse en dos grupos

Figura 1.2. Plataforma de Stewart.

Entendida aqu como capacidad de movimiento.

Vase definicin en el apndice A.

Figura 1.3. Mecanismo de 4 barras esfrico.

Por otro lado, dentro de la categora de sntesis de mecanismos espaciales con un

Vase definicin en el apndice A.

Muchos mecanismos planos de pares inferiores tienen su mecanismo esfrico equivalente en

En el subgrupo de sntesis de mecanismos planos se encuentran todos los problemas

El segundo subgrupo mecanismos que cuentan nicamente con pares inferiores,

Vase definicin en el apndice A.

Los mecanismos de barras constituyeron el objeto de trabajo de la SM clsica. En

Figura 1.6. Relacin entre el ngulo de entrada y el de salida en un mecanismo de 4 barras.

El segundo subgrupo de la sntesis de mecanismos de berras es el constituido por los

Figura 1.7. Mecanismo de 4 barras para guiado de slido rgido.