UNIVERSIDAD DE PAMPLONA

FACULTAD DE INGENIERIAS Y ARQUITECTURA

DEPARTAMENTO DE INGENIERIA ELECTRONICA, ELECTRICA,
TELECOMUNICACIONES Y SISTEMAS
PROGRAMA DE INGENIERA ELECTRNICA
TITULO:
SINTONIZACION DE CONTROLADORES PID UTILIZANDO ALGORITMOS
EVOLUTIVOS
AUTOR:
MARA CLAUDIA PINTO FIGUEROA
PAMPLONA COLOMBIA
MAYO 2006
UNIVERSIDAD DE PAMPLONA
FACULTAD DE INGENIERIAS Y ARQUITECTURA
DEPARTAMENTO DE INGENIERIA ELECTRONICA, ELECTRICA,
TELECOMUNICACIONES Y SISTEMAS
PROGRAMA DE INGENIERA ELECTRNICA
TRABAJO DE GRADO PARA OPTAR POR EL TITULO DE INGENIERO
ELECTRNICO
TTULO:
SINTONIZACION DE CONTROLADORES PID UTILIZANDO ALGORITMOS
EVOLUTIVOS
AUTOR:
MARA CLAUDIA PINTO FIGUEROA
DIRECTOR:
Ph.D. ELIEZER COLINA MORLES
PAMPLONA COLOMBIA
MAYO 2006
RESUMEN
En el desarrollo de este trabajo se dise una herramienta computacional
basada en algoritmos evolutivos para la sintonizacin de controladores PID.
Inicialmente la herramienta fue empleada con tcnicas fuera de lnea, para
varios sistemas estables e inestables a lazo abierto, con sistemas con distintos
tiempos de respuesta y con sistemas no lineales; usando diferentes funciones
objetivo.
Luego se trabaj con sistemas en lnea, manipulando pocos individuos con una
funcin de aptitud que tiene en cuenta el sobreimpulso y el tiempo de
asentamiento, con el fin de comparar su desempeo con otras tcnicas de
sintonizacin ya existentes.
Por ltimo se aplicaron algoritmos evolutivos en el diseo del controlador de un
proceso de evaporacin, tomando en cuenta la variable tasa de flujo de vapor,
que depende de la tasa de transferencia de calor.
ABSTRACT
This work includes an evolutionary algorithm based computational tool design
intended for PID tuning in a variety of control system configurations. The
computational tool was tested on open loop stable and unstable control
systems, control systems with different time response as well as with some
clases of non linear control system. Different objective functions were
considered in order to check the performance of the evolutionary algorithm.
The work also includes computational simulations of the evolutionary algorithm
for on line tuning of PID controllers and a performance trade off with respect to
other tuning techniques is presented.
Finally, the work contemplates the controller design problem for an evaporator
system using the proposed evolutionary computational tool.
CONTENIDO
INTRODUCCION
OBJETIVOS
JUSTIFICACION
PLANTEAMIENTO DEL PROBLEMA
METODOLOGIA
CAPTULO 1. COMPUTACION EVOLUTIVA
1.1. INTRODUCCIN
1.2. ORIGENES
1.3. ANTECEDENTES
1.4. BASES BIOLGICAS DE LA COMPUTACIN EVOLUTIVA.
1.5. COMPONENTES DE UN ALGORITMO EVOLUTIVO
1.6. MODELOS SOBRE EL ESQUEMA GENERAL
1.7. ALGORITMOS GENTICOS (AG)
1.7.1. CODIFICACIN DE LAS VARIABLES
1.7.2. OPERADORES
1.7.2.1. CRUCE
1.7.2.1.1. Cruces para permutacin
1.7.2.1.1.1. Cruce por emparejamiento parcial (PMX)
1.7.2.1.1.2. Cruces por orden (OX)
1.7.2.1.1.2.1. Variantes al Cruce por orden
1.7.2.1.1.3. Cruce por ciclos (CX)
1.7.2.1.1.4. Cruce por recombinacin de rutas (ERX)
1.7.2.2. MUTACIN
1.7.2.2.1. Mutaciones sobre genes
1.7.2.2.2. Mutaciones no estacionaras
1.7.2.2.3. Mutaciones no uniformes
1.7.2.3. VARIANTES EN OPERADORES BSICOS PARA NMEROS
REALES
1.7.2.4. OTROS OPERADORES
1.7.2.4.1. Cromosomas de longitud variable
1.7.2.4.2. Operadores de nicho (ecolgico)
1.7.2.4.3. Operadores especializados
1.7.3. FUNCIN DE ADAPTACIN
1.7.4. EL TEOREMA DEL ESQUEMA
1.7.5. EVALUACIN
1.7.6. MTODOS DE SELECCIN
1.7.7. MECANISMOS DE REEMPLAZO
1.7.8. CARACTERSTICAS DE LOS AGS
1.7.9. COMO FUNCIONAN?
1.7.10. POR QU UTILIZAR ALGORITMOS GENTICOS EN LA
OPTIMIZACIN
1.7.11. CONVERGENCIA DEL ALGORITMO
1.7.12. CMO SABER SI ES POSIBLE USAR EL ALGORITMO
GENTICO?
1.7.13. DECISIONES PARA IMPLEMENTAR UN ALGORITMO GENTICO
1.7.14. VENTAJAS DE LOS AGS
1.7.15. DESVENTAJAS O LIMITACIONES QUE TIENEN LOS AG CON
RESPECTO A OTRAS TCNICAS DE BSQUEDA
1.7.16. CONSIDERACIONES AL USAR ALGORITMOS GENTICOS
1.7.17. DIFERENCIAS ENTRE LOS MTODOS TRADICIONALES Y LOS
A.G.
1.8. PROGRAMAS EVOLUTIVOS (PES)
1.8.1. PES EN OPTIMIZACIN PARAMTRICA
1.8.2. PES EN OPTIMIZACIN COMBINATORIA
1.8.3. PROGRAMAS EVOLUTIVOS Y ALGORITMOS GENTICOS
1.9. ESTRATEGIAS EVOLUTIVAS (EES)
1.9.1. EES SIMPLES
1.9.2. EES MLTIPLES
1.9.3. ESTRATEGIAS EVOLUTIVAS Y ALGORITMOS GENTICOS
1.10. PROGRAMACIN EVOLUTIVA (EP)
1.10.1. ALGORITMO GENERAL
1.10.2. PROGRAMACIN EVOLUTIVA Y ALGORITMOS GENTICOS
1.10.3. PROGRAMACIN EVOLUTIVA Y LAS ESTRATEGIAS
EVOLUTIVAS
1.11. PROGRAMACIN GENTICA (PG)
1.11.1. FUNCIONAMIENTO DE LOS OPERADORES GENTICOS
1.11.2. MUTACIN EN PG
1.11.3. ALGORITMO GENERAL
1.12. AMBIENTES DE PROGRAMACIN
1.13. PROGRAMAS AUTOCONFIGURABLES
1.14. ROBUSTEZ DE LOS MTODOS DE OPTIMIZACIN Y BSQUEDA
TRADICIONALES
CAPTULO 2. CONTROLADORES PID
2.1. INTRODUCCIN
2.2. ACCIONES BASICAS DE CONTROL
2.2.1. CLASIFICACIN DE LOS CONTROLADORES INDUSTRIALES
2.2.2. CONTROLADOR AUTOMTICO, ACTUADOR Y SENSOR
(ELEMENTO DE MEDICIN)
2.2.3. CONTROLADORES AUTO-OPERADOS
2.2.4. ACCIN DE CONTROL DE DOS POSICIONES O ENCENDIDO Y
APAGADO (ON/OFF)
2.2.5. ACCIN DE CONTROL PROPORCIONAL
2.2.6. ACCIN DE CONTROL INTEGRAL
2.2.7. ACCIN DE CONTROL PROPORCIONAL- INTEGRAL
2.2.8. ACCIN DE CONTROL PROPORCIONAL DERIVATIVA
2.2.9. ACCIN DE CONTROL PROPORCIONAL- INTEGRAL- DERIVATIVA
2.3. EFECTOS DE LAS ACCIONES DE CONTROL INTEGRAL Y
DERIVATIVO SOBRE EL DESEMPEO DE UN SISTEMA.
2.3.1. ACCIN DE CONTROL INTEGRAL
2.3.2. ACCIN DE CONTROL DERIVATIVA
2.4. SINTONIZACIN DE CONTROLADORES PID
2.4.1. CONTROL PID DE PLANTAS
2.4.2. REGLAS DE ZIEGLER NICHOLS PARA SINTONIZAR
CONTROLADORES PID
2.4.2.1. PRIMER MTODO. MTODO BASADO EN LA CURVA DE
REACCIN
2.4.2.2. SEGUNDO MTODO. MTODO DE OSCILACIN
2.4.3. MTODO DE ASIGNACIN DE POLOS
2.4.3.1. TEOREMA 1 (TEOREMA DE SYLVESTER).
2.4.3.2. LEMA 1 (ASIGNACIN DE POLOS SISO).
2.4.3.3. LEMA 2.
2.5. MODIFICACIONES DE LOS ESQUEMAS DE CONTROL PID
2.5.1. CONTROL PI-D
2.5.2. CONTROL I-PD
2.6. INTEGRAL WINDUP
CAPTULO 3. DISCRETIZACIN DE SISTEMAS Y LINEALIZACIN DE
SISTEMAS NO LINEALES
3.1. LINEALIZACIN DE SISTEMAS NO LINEALES
3.2. DISCRETIZACIN DE SISTEMAS EN TIEMPO CONTINUO.
3.2.1. IMPLEMENTACIN DIGITAL DE CONTROLADORES ANALGICOS
3.2.1.1. IMPLEMENTACIN DIGITAL DEL CONTROLADOR PID
3.2.1.1.1. Integracin trapezoidal
3.2.1.1.2. Integracin rectangular hacia delante
3.2.1.1.3. Integracin rectangular hacia atrs
3.2.2. NDICES DE DESEMPEO
3.2.2.1. FORMULACIN DE LOS PROBLEMAS DE OPTIMIZACIN
3.2.2.2. PUNTOS CONCERNIENTES A LA EXISTENCIA DE LAS
SOLUCIONES A LOS PROBLEMAS DE CONTROL PTIMO.
3.2.2.3. NOTAS ACERCA DE LOS SISTEMAS DE CONTROL PTIMO.
CAPTULO 4. ESTADO DEL ARTE DE LOS ALGORITMOS EVOLUTIVOS Y
SU USO PARA CONTROLADORES PID
4.1. APLICACIONES DE LA PROGRAMACIN GENTICA.
4.2. COMPUTACIN EVOLUTIVA Y CONTROLADORES PID
4.3. APLICACIN EN PROCESOS DE CONTROL
4.3.1. SINTONIZACIN DE CONTROLADORES
4.3.2. DISEO DE ESTRUCTURA DE CONTROL
4.3.3. APLICACIONES EN LNEA
4.4. CMO PUEDEN LOS AG SER DE BENEFICIO PARA EL CONTROL?
4.4.1. ESTABILIDAD
CAPTULO 5. SINTONIZACIN DE CONTROLADORES PID UTILIZANDO
ALGORITMOS EVOLUTIVOS
5.1. SISTEMA MECNICO: MASA RESORTE
5.1.1. CONTROLABILIDAD DEL SISTEMA
5.1.2. OBSERVABILIDAD
5.1.3. DISCRETIZACIN DEL SISTEMA
5.1.4. CALCULO DEL CONTROLADOR
5.1.5. DISCRETIZACIN DEL CONTROLADOR
5.1.6. SINTONIZACIN DE CONTROLADORES PID UTILIZANDO
ALGORITMOS EVOLUTIVOS EN LNEA
5.1.6.1. VALIDACIN DEL ALGORITMO EN LNEA
5.2. CIRCUITO LRC
5.3. SISTEMA DE LEVITACIN MAGNTICA
5.3.1. FUNCIN DE TRANSFERENCIA
5.3.2. CALCULO DEL CONTROLADOR
5.4. MODELO DEL EVAPORADOR
5.4.1. MODELO NO LINEAL
5.4.2. PROCESO DE BALANCE DE MASA LIQUIDA
5.4.3. PROCESO DE BALANCE DE MASA LIQUIDA DEL SOLUTO
5.4.4. PROCESO DE BALANCE DE MASA DE VAPOR
5.4.5. PROCESO DE BALANCE DE ENERGA LIQUIDA
5.4.6. ENVOLTURA DEL VAPOR CALIENTE
5.4.7. CONDENSADOR
5.4.8. MODELO MATEMTICO DEL EVAPORADOR
5.5. SINTONIZACIN DE CONTROLADORES PID UTILIZANDO
ALGORITMOS EVOLUTIVOS FUERA DE LNEA
5.5.1. SISTEMA MECNICO: MASA RESORTE
5.5.2. CIRCUITO LRC
5.5.3. SISTEMA DE LEVITACIN MAGNTICA
5.5.4. MODELO DEL EVAPORADOR
6. ANALISIS ECONOMICO Y ADMINISTRATIVO
7. ANALISIS DE LEGALIDA
8. INFLUENCIA AMBIENTAL
CONCLUSIONES
RECOMENDACIONES
BIBLIOGRAFIA
ANEXOS
GLOSARIO DE TRMINOS TCNICOS
INTRODUCCIN
A pesar de que la tecnologa ha ido avanzando a pasos gigantescos en el rea
industrial desde la invencin del controlador PID, stos continan teniendo una
gran acogida hasta nuestros das, siendo utilizados para el control de la
mayora de los procesos a lazo cerrado. En general, los procesos donde estos
controladores son empleados tienden a desestabilizarse debido a
perturbaciones no lineales, desgaste de equipos, y varios otros factores, lo cual
hace que tengan que ser resintonizados o reajustados para las nuevas
condiciones de operacin o funcionamiento de los sistemas.
Con este trabajo se busca realizar la entonacin de controladores PID, ante
cambios de los parmetros de los sistemas, de forma autnoma, sin la ayuda
del operador.
Para esto se propone utilizar algoritmos evolutivos, que constituyen una rama
de la llamada Computacin Blanda, con los cuales se emula la evolucin
natural de los seres vivos, utilizando la seleccin y reproduccin, para
encontrar la solucin ptima a un problema especfico, sin tener ningn
conocimiento previo de este.
Inicialmente se propone un conjunto de posibles soluciones, que luego son
sometidas a procesos de transformacin y despus a una seleccin que
escoge las mejores y descarta las peores, de acuerdo a una calificacin o
medida de aptitud dada por una funcin de aptitud, que se establece de
acuerdo al objetivo del problema.
Dentro de los algoritmos evolutivos se pueden destacar diferentes directrices,
como la de los algoritmos genticos, las cuales se aplican de acuerdo a la
codificacin que se hace de los individuos (posibles soluciones al problema).
El desarrollo de este trabajo esta organizado como sigue:
- En el primer captulo se trata todo lo referente a los algoritmos evolutivos
desde sus inicios, pasando por todas las tcnicas que han sido
desarrolladas a travs del tiempo. Tambin se orienta un poco sobre las
consideraciones que se deben tener en cuenta a la hora de la
implementacin y se mencionan sus ventajas y sus desventajas.
- En el segundo captulo se hace referencia a toda la teora relacionada
con los controladores PID. Diferentes acciones de control y
configuraciones de los controladores y sus efectos sobre los sistemas.
- El tercer captulo es un enfoque reducido sobre las diferentes tcnicas
de discretizacin de sistemas y adems la linealizacin de sistemas no
lineales.
- El cuarto captulo es una perspectiva sobre el estado del arte de los
algoritmos evolutivos y sus usos para solucionar problemas relacionados
con controladores PID
- En el quinto captulo se llevan a cabo varios experimentos para la
sintonizacin de controladores con algoritmos evolutivos; primero en
lnea y luego fuera de lnea, para luego ser aplicados a un proceso de
evaporacin.
- El sexto captulo se dan conclusiones especficas y recomendaciones
sobre el uso de este mtodo de acuerdo a las conclusiones obtenidas en
los experimentos.
OBJETIVOS
OBJETIVO GENERAL:
Desarrollar un nuevo algoritmo de sintonizacin de controladores PID
utilizando algoritmos evolutivos.
OBJETIVOS ESPECFICOS
Disear experimentos para respaldar el desarrollo de algoritmos
evolutivos para la sintonizacin de controladores.
Disear un algoritmo evolutivo para la sintonizacin adaptativa de
controladores PID e implementar el diseo utilizando herramientas de
computacin en Matlab.
Validar los desarrollos, a travs de simulaciones computacionales, con
un modelo matemtico de un sistema de evaporacin, mediante la
verificacin de condiciones de estabilidad del sistema en estudio.
Definir otras potenciales aplicaciones de implementacin en el mbito
industrial.
JUSTIFICACIN
De acuerdo con las diversas asignaturas cursadas en el transcurso del
programa propuesto para Ingeniera Electrnica, el control automtico es una
de las reas de estudio de la carrera. El control como tal, dentro de su
diversidad de temas, mtodos y tcnicas, incluye el diseo de controladores
PID, los cuales son ampliamente utilizados a nivel industrial.
Los controladores han generado muchos beneficios para la apropiada
operacin de procesos o sistemas; por lo cual son de gran inters, tanto en
sus funcionalidades, como en el mejoramiento continuo del desempeo de
procesos industriales. Para lograr estas mejoras se han usado diferentes
mtodos basados en una diversidad de tcnicas para la entonacin automtica
de los controladores.
Teniendo en cuenta los objetivos del proyecto, sus logros aportaran soluciones
a la industria, ya que permitiran mejorar la operacin de plantas al tiempo que
robusteceran las condiciones de seguridad operacional en procesos de alto
riesgo donde el control resulta esencial.
PLANTEAMIENTO DEL PROBLEMA
En las instalaciones industriales ms del 95% de los procesos son regulados
por controladores PID, pero debido a la vida til de los equipos, a cambios de
dinmica de los procesos, a la presencia de comportamientos no lineales y a
perturbaciones de naturaleza aleatoria, entre otros factores, con frecuencia se
pierde la entonacin de los controladores. Todo eso ocasiona una degradacin
en las condiciones de operacin de los sistemas, ya que estos estn diseados
para operar en un punto especfico de equilibrio, trayendo como consecuencia
prdidas econmicas o detrimento de las condiciones de seguridad en la
operacin del proceso. Por esto, se hace necesaria la asistencia de ingenieros
de control para reestablecer el buen desempeo del sistema, entonando los
controladores. Lo ideal sera que el controlador se acoplara automticamente a
los cambios de parmetros del sistema de forma eficiente, rpida y efectiva sin
necesidad de recurrir a un operador para realizarlo, lo cual resultara ms
costoso.
METODOLOGA
Recoleccin de informacin:
En este primer paso se llev a cabo una consulta e investigacin
documental sobre el estado del arte de los controladores PID y los
algoritmos evolutivos. Para esto fue necesario usar la INTERNET, fuentes
bibliogrficas (artculos, libros, folletos y revistas) y colaboracin de
profesores conocedores del rea. La informacin recopilada permiti la
escogencia de la estructura del controlador y de los parmetros de diseo
del algoritmo evolutivo: codificacin, poblacin inicial, fusin objetivo,
condicin de terminacin, operadores, entre otros elementos.
Diseo de experimentos:
Se comenz con el desarrollo de la tcnica en lnea, utilizando varios
sistemas estables a lazo cerrado, a los cuales se les realiz cambios de
las condiciones iniciales, usando como funcin de aptitud la diferencia
del error cuadrtico y empleando como operador gentico el de
mutacin basada en descenso por gradiente. Tambin se trabaj con
sistemas inestables a lazo abierto y un tipo de sistemas no lineales,
haciendo cambios en la funcin objetivo del algoritmo evolutivo y con
mutacin basada en ascenso por gradiente. Luego fue desarrollada la
tcnica fuera de lnea. Para todas estas pruebas se utiliz la ayuda del
sistema programado Simulink y las herramientas de programacin de
Matlab. Por ltimo se aplic este algoritmo a la variable de tasa de flujo,
de un proceso de evaporacin, para controlar las diferentes salidas de
este sistema. Aqu se hizo necesaria la utilizacin de diferentes tcnicas
de discretizacin de sistemas lineales para la implementacin del
algoritmo.
Obtencin de resultados:
Una vez obtenidos los comportamientos de los diferentes sistemas
considerados despus de haber utilizado el algoritmo evolutivo
diseado, fueron establecidas conclusiones y recomendaciones relativas
a los resultados y en correspondencia con los objetivos originalmente
planteados para el trabajo. As mismo se realizaron consideraciones
sobre la plataforma tecnolgica necesaria a nivel industrial para poder
hacer la implantacin fsica del mtodo de entonacin PID desarrollado.
Captulo 1
Computacin Evolutiva
1.1. INTRODUCCIN
En la naturaleza todos los seres vivos se enfrentan a problemas que deben
resolver con xito, como conseguir ms luz del sol, o cazar una mosca. La
Computacin Evolutiva interpreta la naturaleza como una inmensa mquina de
resolver problemas y trata de encontrar el origen de dicha potencialidad para
utilizarla en programas [1, 5,13].
La computacin evolutiva busca relacionar algunos conceptos expresados en la
teora de la evolucin con un conjunto de tcnicas usadas para resolver
computacionalmente algunos problemas. La computacin evolutiva CE abarca
los modelos computacionales que usan como elemento clave algn mecanismo
de la teora de la evolucin para su diseo e implementacin [4].
El principal aporte de la CE a la metodologa de la resolucin de problemas ha
sido el uso de mecanismos de seleccin de soluciones potenciales y de
construccin de nuevas candidatas por recombinacin de caracterstica de
otras ya existentes [4].
La Computacin Evolutiva surge a finales de los aos 60 cuando John Holland
plante la posibilidad de incorporar los mecanismos naturales de seleccin y
supervivencia a la resolucin de problemas de Inteligencia Artificial. [22]
En la actualidad se tienen varias aplicaciones industriales exitosas inspiradas
en enfoques evolutivos para diversas reas [22]:
o Diseo de circuitos
o Planificacin de tareas
o Clculo de Estrategias de Mercado
o Cortado de patrones, etc.
Las implementaciones concretas en el rea de la CE han sido denominadas
algoritmos evolutivos [4].
Los Algoritmos Evolutivos recogen un conjunto de modelos basados en la
evolucin de los seres vivos inspirados en la naturaleza, constituyendo as una
tcnica de resolucin de problemas [22,5].
En un Algoritmo Evolutivo se define una estructura de datos que admite todas
las posibles soluciones a un problema. Cada uno de los posibles conjuntos de
datos admitidos por esa estructura ser una solucin al problema. Unas
soluciones sern mejores, otras peores. Estas soluciones sern sometidas a
ciertas transformaciones y luego a un proceso de seleccin que favorece a los
mejores. Se espera que despus de cierto nmero de generaciones el mejor
individuo de la poblacin est cerca de la solucin buscada. Solucionar el
problema consistir en encontrar la solucin ptima, y por tanto, los Algoritmos
Evolutivos son en realidad un mtodo de bsqueda muy especial, en el que las
soluciones al problema son capaces de reproducirse entre s, combinando sus
caractersticas y generando nuevas soluciones [5, 8,22].
En cada ciclo se seleccionan las soluciones que ms se acercan al objetivo
buscado, eliminando el resto de soluciones. Las soluciones seleccionadas se
reproducirn entre s, permitiendo de vez en cuando alguna mutacin o
modificacin al azar durante la reproduccin [5].
No siempre el espacio de bsqueda completo contiene soluciones vlidas; en
algunos casos, los valores de las variables se sitan dentro de un rango, ms
all del cual la solucin es invlida. Se trata entonces de un problema de
optimizacin con restricciones. En este caso, el problema consiste en
maximizar F(xi) dentro del subespacio.
1.2. ORIGENES
A principios del siglo XIX, las cuestiones relacionadas con las variaciones
evolutivas se centraban en tres aspectos: cul era la naturaleza del material
gentico transmitido a la descendencia, cmo pasaban fielmente las
caractersticas de una generacin a la siguiente, y cmo se producan
variaciones en ellas que despus se transmitan. El zologo francs Jean
Baptiste de Lamarck pensaba que la vida animal y vegetal sufra nuevas
influencia de acuerdo a los cambios climticos y reas geogrficas que
experimentaban, desencadenando nuevas necesidades y por tanto nuevas
estrucuturas. A estas nuevas estructuras Lamarck las llam caractersticas
adquiridas que pueden ser heredadas a nuevas generaciones [19].
A finales del siglo XIX, cientficos como Charles Darwin, el bilogo alemn
Ernst Haeckel, el botnico holands Hugo De Vries y el bilogo alemn
August Weismann desarrollaron teoras sobre la herencia. La razn principal
que suscit este inters fue que la teora de la seleccin natural de Darwin,
publicada por primera vez en 1859. La seleccin natural fomenta la adaptacin
de los organismos cuando ello es necesario para la supervivencia, el xito
debi alcanzar a aquellas que conseguan desarrollar una habilidad o
mecanismo especial para su autoconservacin y replicacin rpida [19].
Charles Darwin elabor su teora de la seleccin natural, que se convertira en
el fundamento de la teora de la evolucin, influenciado por las ideas del
gelogo Adam Sedgwick y el naturalista John Henslow.
La mayor parte de la seleccin natural se denomina seleccin estabilizadora,
por cuanto elimina genes del conjunto gentico que tienden a producir
desviaciones de una forma que ya es ptima [20].
La seleccin natural elige los ms aptos, los organismos ms capacitados.
Para Darwin aptitud significaba cualquier cualidad que ayudaba a un organismo
a sobrevivir y reproducirse [18].
Gregor Johann Mendel (1822-1884) fue un monje austriaco, cuyos
experimentos se convirtieron en el fundamento de la actual teora de la
herencia (transmisin a los descendientes de los caracteres de los
ascendientes). Sus exhaustivos experimentos con plantas tuvieron como
resultado el enunciado de dos principios que ms tarde seran conocidos como
leyes de la herencia. Sus observaciones le llevaron tambin a acuar dos
trminos que siguen emplendose en la gentica de nuestros das: dominante
y recesivo [18, 21].
El redescubrimiento en 1900 de los escritos de Mendel del ao 1866 sobre los
patrones de la herencia en la planta del guisante, supuso una fuente importante
de conceptos nuevos sobre la herencia. De su estudio sobre el cruzamiento de
este tipo de plantas, Mendel lleg a tres generalizaciones. La primera fue la ley
de la uniformidad en la primera generacin filial: cuando se cruzan dos razas
puras (homocigotas), diferentes en un carcter concreto, la descendencia
presenta siempre el mismo fenotipo. La segunda fue la ley de la segregacin:
en la formacin de clulas germinales, los dos factores (alelos) para cualquier
caracterstica estn siempre separados entre s y van a diferentes vulos o
espermatozoides. La tercera generalizacin, que con posterioridad se
denomin la ley de la herencia independiente, afirmaba que los factores
maternos y paternos para cualquier grupo de caractersticas se separaban de
forma independiente de aquellos que pertenecan a otro grupo de
caractersticas [20,21].
Los estudios de Mendel, retomados a finales del siglo, demostraron lo que
Darwin insinu vagamente en cierta poca, que la herencia es particular, no
combinada. Sean o no los descendientes formas intermedias entre sus dos
padres, heredan y transmiten partculas hereditarias separadas, que hoy en da
se denominan genes.
Hugo Marie de Vries (1848-1935) fue un botnico holands, quien redescubri
de modo independiente las leyes de la herencia desarrolladas por el monje
austriaco Gregor Mendel, e incorpor el concepto de mutacin a la teora
evolutiva (variaciones a gran escala que pueden producir nuevas especies en
una sola generacin), la mutacin es el origen ltimo de la variacin gentica.
De Vries concedi a Mendel todo el mrito por el trabajo [18].
En 1903, Walter Sutton, en Estados Unidos, y Theodore Boveri, en Alemania,
formularon por separado la teora cromosmica de la herencia, en la que
proponan que los cromosomas eran el soporte fsico de los genes. Despus de
varios aos de experimentacin el cientfico estadounidense Thomas Hunt
Morgan, junto con sus colaboradores, Alfred Henry Sturtevant, Calvin
Blackman Bridges y Hermann Joseph Muller, demostraron la teora
formulada por Sutton y Boveri. Los cromosomas contienen la informacin
gentica del organismo. La mitad de los cromosomas proceden del padre, y la
otra mitad de la madre. Las diferencias entre individuos reflejan la
recombinacin gentica de estos juegos de cromosomas al pasar de una
generacin a otra [19].
Harriet B. Creighton y Barbara McClintock demostraron experimentalmente,
en 1931, la correlacin existente entre la recombinacin gentica y el
intercambio de fragmentos cromosmicos (entrecruzamiento) que acontece
durante la meiosis [19].
1.3. ANTECEDENTES
Los primeros ejemplos de lo que hoy se podra llamar algoritmos genticos
aparecieron a finales de los 50 y principios de los 60, programados en
computadoras por bilogos evolutivos que buscaban explcitamente realizar
modelos de aspectos de la evolucin natural [28].
John Holland En los aos 50 entr en contacto con los primeros ordenadores,
donde pudo llevar a cabo algunas de sus ideas, aunque no se encontr con un
ambiente intelectual frtil para propagarlas. Fue a principios de los 60, en la
Universidad de Michigan en Ann Arbor, donde, dentro del grupo Logic of
Computers, sus ideas comenzaron a desarrollarse y a dar frutos. Y fue,
adems, leyendo un libro escrito por un bilogo evolucionista, R. A. Fisher,
titulado La teora gentica de la seleccin natural, como comenz a descubrir
los medios de llevar a cabo sus propsitos de comprensin de la naturaleza [2].
En esa universidad, Holland imparta un curso titulado Teora de sistemas
adaptativos. Dentro de este curso, y con una participacin activa por parte de
sus estudiantes, fue donde se crearon las ideas que ms tarde se convertiran
en los algoritmos genticos [2].
Por tanto, cuando Holland se enfrent a los algoritmos genticos, los objetivos
de su investigacin fueron dos [2]:
Imitar los procesos adaptativos de los sistemas naturales, y
Disear sistemas artificiales (normalmente programas) que retengan los
mecanismos importantes de los sistemas naturales.
Ese mismo ao, la importante tesis de Kenneth De Jong estableci el
potencial de los AGs demostrando que podan desenvolverse bien en una gran
variedad de funciones de prueba, incluyendo paisajes de bsqueda ruidosos,
discontinuos y multimodales [28].
Unos 15 aos ms adelante, David Goldberg, actual delfn de los algoritmos
genticos, conoci a Holland, y se convirti en su estudiante. Golberg era un
ingeniero industrial que trabaj en diseo de pipelines, y fue uno de los
primeros que trat de aplicar los algoritmos genticos a problemas industriales
[2].
En 1932, Cannon visualiz la evolucin natural como un proceso de
aprendizaje. Alan Turing reconoci, en 1950, que debe haber una conexin
obvia entre el aprendizaje de mquina y la evolucin y seal que se podran
desarrollar programas para jugar ajedrez usando esta tcnica. Campbell
conjetur en 1960 que en todos los procesos que llevan a la expansin del
conocimiento, se involucra un proceso ciego de variacin y supervivencia
selectiva. Los primeros intentos de aplicar de manera formal la teora de la
evolucin, a problemas prcticos de ingeniera, apareci en las reas de control
de procesos estadsticos, aprendizaje de mquina y optimizacin de funciones.
Tal vez el primer intento serio de este tipo se dio en el trabajo que realizaron
G.E.P. Box y sus colegas G.J. Friedman, W.W. Bledsoe y H.J. Bremermann
en 1957, en el desarrollo de una tcnica que denominaron Operacin Evolutiva,
la cual se aplic a una planta de manufactura para manejarla, y que se
implanto sobre la base de los votos de un comit de jefes tcnicos. Bajo este
esquema, la planta se vea como a una especie en evolucin. La calidad del
producto avanzaba a travs de mutaciones aleatorias y la seleccin era
determinada por el comit [3,8].
Por su parte, Friedberg intent, en 1958, hacer que un programa en lenguaje
de mquina se mejorara a s mismo, seleccionando instrucciones que se
asociaran ms frecuentemente con un resultado exitoso. La comunidad de
Inteligencia Artificial de la poca prest poca atencin a su trabajo, y en
algunas ocasiones lo atac despiadadamente. Por ejemplo, Minsky lo critic
duramente, argumentando que una bsqueda puramente aleatoria era mucho
mejor que el algoritmo de Friedberg (este argumento an es esgrimido
infundadamente por algunos miembros de la comunidad cientfica en contra de
los algoritmos genticos) [3].
El trabajo de Bremermann, en 1958, se enfoc ms a la optimizacin,
introduciendo el importante manejo de un valor de aptitud, y definiendo a un
individuo como una cadena de smbolos binarios (unos y ceros). Bremermann
advirti, acertadamente, que la mutacin jugaba un papel importante en la
evolucin, pues impeda el estancamiento en mnimos locales [3].
Barricelli ofreci, en 1954, una de las primeras simulaciones que usaba
principios evolutivos, utilizando los mismos procedimientos generales que se
usan hoy en da en la disciplina conocida como vida artificial. Sin embargo, en
este trabajo, as como el que Reed realiz posteriormente en 1967, se
concluy que el cruce no pareca mejorar la velocidad de la adaptacin
selectiva, y el operador primordial era la mutacin [3].
El siguiente desarrollo importante en el campo vino en 1966, cuando L.J.
Fogel, A.J. Owens y M.J. Walsh introdujeron en Amrica una tcnica que
llamaron programacin evolutiva. En este mtodo, las soluciones candidatas
para los problemas se representaban como mquinas de estado finito sencillas;
su algoritmo funcionaba mutando aleatoriamente una de estas mquinas
simuladas y conservando la mejor de las dos. Fue Fogel el que introdujo la
primera tcnica evolutiva que realmente funcion ms o menos dentro de los
lineamientos actuales de la computacin evolutiva. Su programacin evolutiva
consista en hacer evolucionar autmatas de estados finitos por medio de
mutaciones. Fogel introdujo los importantes conceptos de poblacin y
seleccin, y aunque las revisiones iniciales de su trabajo fueron favorables,
algunos investigadores, como Solomonoff, enfatizaron que el mtodo de Fogel
no deba verse en su estado actual (en 1966) como algo particularmente til
para resolver problemas, a excepcin de los ms simples posibles [3, 28].
Otra tcnica evolutiva dirigida particularmente a la optimizacin de funciones
continuas de alta complejidad se desarroll en Alemania, en 1965, por Ingo
Rechenberg y Schwefel. Esta tcnica, llamada estrategia evolutiva, se utiliz
inicialmente para resolver problemas ingenieriles que desafiaban a los mtodos
de optimizacin tradicionales, como el gradiente conjugado, y se basa en la
modificacin sistemtica de un vector de nmeros reales (representando las
variables de decisin del problema) mediante operadores probabilsticos,
usando ciertos criterios para decidir en qu direccin dirigir la bsqueda. La
estrategia evolutiva utiliza como operador principal a la mutacin, y en su
versin ms reciente usa el cruce como operador secundario [3].
Aunque el australiano Fraser propuso, desde fines de los 50, un procedimiento
muy similar al que John Holland llam planes evolutivos a fines de los 60, es al
segundo al que se le suele atribuir la creacin de la tcnica que se conoce
como algoritmo gentico, a raz de que Holland publicara el libro Adaptation in
Natural and Artificial Systems en 1975. La principal diferencia del algoritmo
gentico con las tcnicas antes mencionadas, es que utiliza el cruce como
operador principal y a la mutacin como operador secundario (e incluso
opcional). El algoritmo gentico, al igual que las redes neuronales, funciona
como una caja negra que recibe ciertas entradas y produce (tras una cantidad
de tiempo indeterminada) las salidas deseadas [3].
En 1994, Karl Sims public Evolving Virtual Creatures en la conferencia
SIGGRAPH, en la que despert el inters de expertos y del pblico en general.
Sims reprodujo en su computadora un entorno natural en el que se simulaban
diversos medios como el acutico y el terrestre, con consideracin de
parmetros fsicos como gravedad, rozamiento y viscosidad. Asimismo, dot a
la computadora de un conjunto de bloques con los que construy criaturas
virtuales [11].
1.4. BASES BIOLGICAS DE LA COMPUTACIN EVOLUTIVA.
Desde el punto de vista biolgico, la CE se basa en tres teoras:
Evolucin de Darwin, la de seleccionismo de Weismann y la de gentica de
Mendel [4].
Postulados de la seleccin natural que conforman las bases biolgicas de la
CE [4]:
1. No todos los individuos de una misma especie son iguales. Pueden ser
heredadas pequeas variaciones a sus descendientes.
2. Dichas variaciones podran facilitar la supervivencia a sus portadores en
determinados ambientes.
3. En las poblaciones en cada generacin el nmero permanece
aproximadamente constante, por el hecho de que no todos sobreviven.
4. Los individuos portadores de la mejor adaptacin irn incrementando en
relacin de parte de la poblacin al transmitir sus caractersticas a sus
descendientes.
5. Al irse agregando caractersticas favorables, luego de cierto numero de
generaciones se forma una nueva especie que difiere mucho del grupo original.
La NeoDarwinista combina la teora de Darwin con los aportes de la Gentica,
conocida tambin con el nombre de Teora Sinttica de la Evolucin. Esta
teora postula un principio que es altamente relevante para la CE: La unidad
sobre la que acta la evolucin no es el individuo, sino otra de orden superior,
La poblacin [4].
De entre las teoras formuladas para explicar cmo se heredan las
caractersticas, una merece especial mencin. Esta es la de Mendel, que
proporcion el fundamento sobre el cual se ha basado toda la investigacin
gentica posterior [4].
Para explicar los resultados obtenidos en sus experimentos, Mendel formul
una serie de hiptesis para explicar resultados obtenidos. Las hiptesis
formuladas por Mendel fueron las siguientes [4]:
1. En cada organismo existe un par de factores que regulan la aparicin de una
determinada caracterstica (Hoy en da, a estos factores son denominamos
genes).
2. El organismo obtiene tales factores de sus padres, un factor por cada padre.
3. Cada uno de estos factores se transmite como una unidad discreta
inmodificable.
4. Primera ley de Mendel, o ley de la segregacin.
5. Si un organismo posee dos factores diferentes para una caracterstica dada,
uno de ellos debe expresarse y excluir totalmente al otro. Hoy en da, los
bilogos usan el trmino alelo para describir las formas alternativas de un gen
que controla la aparicin de una caracterstica dada.
Por su parte, la teora de Weismann ha tenido implicaciones cruciales para la
evolucin: Demostr que los cambios en el cuerpo, debido al uso o el desuso
de partes del mismo, no se reflejan en el plasma del germen, y por
consiguiente, no pueden ser heredados. Con experimentos prob que el
cuerpo del padre transmite meramente su germen plasmtico, invalidando as
la teora Lamarkista [4].
1.5. COMPONENTES DE UN ALGORITMO EVOLUTIVO
Los componentes de un algoritmo evolutivo se `pueden observar en la figura
1.1 [5]:
1. Una representacin gentica de soluciones del problema.
2. una manera de crear una poblacin inicial con estas estructuras.
3. una funcin de aptitud que juegue el papel de ambiente y que jerarquice las
soluciones en trminos de su efectividad en la resolucin del problema.
4. un mecanismo de seleccin y un conjunto de operadores que motoricen la
bsqueda modificando parcialmente las estructuras de solucin.
5. valores para los parmetros que determinan la dinmica evolutiva.
Figura 1.1. Estructura De Los Algoritmos Evolutivos
Los Algoritmos Evolutivos han emergido como una clase de bsqueda aleatoria
de varios puntos, concurrentemente, sobre un espacio de soluciones factibles;
los AEs requieren de mucho poder de cmputo y espacio de memoria lo cual
los hace interesantes para paralelizarlos. La paralelizacin del AE mejora
considerablemente tanto el desempeo del algoritmo como la calidad de las
soluciones reportadas debido a que se pueden manipular grandes espacios de
bsqueda y adems abarata los costes del hardware [7].
Los Algoritmos Evolutivos requieren que se les especifique la codificacin de
los individuos y una funcin de evaluacin que mida la aptitud de cada
individuo. La funcin de Aptitud es la gua que emplean estos algoritmos para
explorar de forma eficiente su amplio espacio de bsqueda de posibles
soluciones [7].
Los algoritmos evolutivos han sido amplia y exitosamente usados para diseos
de aplicaciones fuera de lnea. En el campo de la ingeniera de control de
sistemas, estas aplicaciones incluyen diseo de controladores, identificacin
de modelos, anlisis de estabilidad robusta, fiabilidad a de sistemas y
diagnostico de fallas [9].
Los Algoritmos Evolutivos pueden considerarse una tcnica de aprendizaje no
supervisado, es decir, aprendizaje inductivo por observacin y descubrimiento
[22]:
Estos algoritmos generan ejemplos por si mismos.
La creacin de nuevos ejemplos (puntos de bsqueda) por el algoritmo
es una apuesta inductiva sobre la base del conocimiento existente.
Los algoritmos evolutivos se distinguen tambin por no quedar atrapados
fcilmente en mnimos locales, como la mayor parte de las tcnicas de
bsqueda clsicas, adems de usar operadores probabilsticos ms robustos
que los operadores determinsticos, que las otras tcnicas suelen usar. No
obstante, siendo una heurstica, tampoco pueden garantizar encontrar siempre
la solucin ptima, si bien la experiencia acumulada hasta la fecha parece
demostrar que, cuando se utilizan apropiadamente, pueden proporcionar
soluciones muy aceptables y, en la mayora de los casos, superiores a las
encontradas con otras tcnicas de bsqueda y optimizacin [3].
La clara ventaja de los Algoritmos Evolutivos es su aplicabilidad universal a
cualquier tipo de espacio de estructuras [22].
1.6. MODELOS SOBRE EL ESQUEMA GENERAL
Hasta hace poco era comn hablar de Algoritmos Genticos (AG) en general,
en vez de identificar diferentes tipos de CE, ya que el resto de los algoritmos se
pueden interpretar como variaciones o mejoras de los AG, ms conocidos
[25,14].
- Algoritmos Genticos: trabajan con una poblacin de cadenas binarias
con el fin obtener la mxima generalidad y el mximo grado de
paralelismo implcito [22].
- Programas Evolutivos: los individuos pueden ser cualquier estructura de
datos [22].
- Programas Genticos: los individuos son programas o autmatas
(longitud variable), generalmente representados en forma de rbol [22].
- Estrategias Evolutivas: trabajan con nmeros reales que codifican las
posibles soluciones de problemas numricos [22].
La agregacin simulada (Simulated Annealing) se puede considerar una
simplificacin de los AG cuyo origen est en los procedimientos fsicos de
solidificacin controlada [25].
1.7. ALGORITMOS GENTICOS (AG)
Los primeros hechos relacionados con los Algoritmos Genticos (en adelante
AGs) surgieron en 1932 cuando Cannon interpreta la evolucin natural como
un proceso de aprendizaje muy similar al proceso mediante el cual una persona
aprende por ensayo y error. Tambin en 1950 Turing reconoce una conexin
entre la evolucin y el aprendizaje de una mquina [24].
Los investigadores en computacin observaron que esta clase de algoritmos
poda utilizarse tambin para optimizar funciones. De hecho, aunque las
primeras descripciones tcnicas y definiciones de adaptacin provienen de la
biologa, ya en este contexto, adaptacin designa cualquier proceso por el cual
una estructura va modificndose de forma progresiva para lograr el
comportamiento ptimo en su entorno. Es decir, los procesos adaptativos son
bsicamente procesos de optimizacin, pero es difcil aglutinarlos y unificar su
estudio porque las estructuras modificables son complejas y su
comportamiento es incierto [24, 25].
Los algoritmos genticos son mtodos sistemticos para la resolucin de
problemas de bsqueda y optimizacin que aplican a estos los mismos
mtodos de la evolucin biolgica: seleccin basada en la poblacin,
reproduccin sexual y mutacin. Los AG utilizan el cruce como operacin
principal y a la mutacin como operador secundario e incluso opcional [2,3, 27].
Los mecanismos de seleccin del ms apto y de reproduccin sexual del
algoritmo gentico, son los encargados de preservar las caractersticas ms
adecuadas de cada individuo a fin de hacer converger a la poblacin en
soluciones ptimas [3].
Mediante la seleccin se determina que miembros de una poblacin sobreviven
para reproducirse, y mediante la reproduccin se asegura la mezcla y
recombinacin de los genes de la descendencia [24].
Esta mezcla del material gentico permite que las especies evolucionen mucho
mas rpidamente de lo que lo haran si tuvieran slo la copia de los genes de
uno de sus progenitores [24].
En un algoritmo gentico, tras parametrizar el problema en una serie de
variables, (x
i
,...,x
n
) se codifican en un cromosoma. Todos los operadores
utilizados por un algoritmo gentico se aplicarn sobre estos cromosomas, o
sobre poblaciones de ellos [2].
Aunque no se sabe an de manera completa la informacin especfica
codificada en los cromosomas de un individuo, las siguientes propiedades
generales son aceptadas por todos los especialistas en el tema [15]:
a) La evolucin es un proceso que opera fundamentalmente sobre los
cromosomas.
b) El proceso de seleccin natural es el responsable de que aquellos individuos
que tienen mejor adaptacin al entorno se reproduzcan ms que los poco
adaptados.
c) En la reproduccin es donde tiene lugar la evolucin.
d) La evolucin biolgica carece de memoria.
En el algoritmo gentico va implcito el mtodo para resolver el problema; son
solo parmetros de tal mtodo los que estn codificados, a diferencia de otros
algoritmos evolutivos como la programacin gentica. Hay que tener en cuenta
que un algoritmo gentico es independiente del problema, lo cual lo hace un
algoritmo robusto, por ser til para cualquier problema, pero a la vez dbil, pues
no est especializado en ninguno [2].
Las soluciones codificadas en un cromosoma compiten para ver cul constituye
la mejor solucin (aunque no necesariamente la mejor de todas las soluciones
posibles). El ambiente, constituido por las otras camaradas soluciones, ejercer
una presin selectiva sobre la poblacin, de forma que slo los mejor
adaptados sobrevivan o leguen su material gentico a las siguientes
generaciones, igual que en la evolucin de las especies [2].
Los algoritmos genticos han demostrado ser un mtodo til de bsqueda de
soluciones satisfactorias (calidad/tiempo), en problemas cuyo espacio de
solucin es difcil de tratar por otros mtodos por su amplio rango. Estas
posibilidades brindan la oportunidad de ajustar los parmetros de tal manera
que la convergencia a la solucin sea mucho ms eficiente en cuanto a la
relacin calidad/tiempo que los mtodos exactos pueden ofrecer [6].
Para encontrar ptimos globales, los algoritmos de optimizacin hacen uso de
dos tcnicas: explorar reas desconocidas en el espacio de bsqueda y
explotar el conocimiento obtenidos de puntos previamente evaluados. Los
algoritmos combinan ambas tcnicas de una forma eficiente [17].
Los resultados de los AGs mejoran significativamente si se usa una
representacin y unos operadores genticos naturales.
1.7.1. Codificacin de las variables
Los algoritmos genticos requieren que el conjunto se codifique en un
cromosoma. Cada cromosoma tiene varios genes, que corresponden a sendos
parmetros del problema. Para poder trabajar con estos genes en el ordenador,
es necesario codificarlos en una cadena, es decir, una ristra de smbolos
(nmeros o letras) que generalmente va a estar compuesta de 0s y 1s aunque
hay otras codificaciones posibles usando alfabetos de diferente cardinalidad [2,
28].
La mayora de las veces, una codificacin correcta es la clave de una buena
resolucin del problema. Esto puede llevar a usar cromosomas
bidimensionales, o tridimensionales, o con relaciones entre genes que no sean
puramente lineales de vecindad. En algunos casos, cuando no se conoce de
antemano el nmero de variables del problema, caben dos opciones: codificar
tambin el nmero de variables, fijando un nmero mximo, o bien, lo cual es
mucho ms natural, crear un cromosoma que pueda variar de longitud. Para
ello, claro est, se necesitan operadores genticos que alteren la longitud.
Normalmente, la codificacin es esttica, pero en casos de optimizacin
numrica, el nmero de bits dedicados a codificar un parmetro puede variar, o
incluso lo que representen los bits dedicados a codificar cada parmetro [2].
1.7.2. Operadores
Una vez que la seleccin ha elegido a los individuos aptos, stos deben ser
alterados aleatoriamente con la esperanza de mejorar su aptitud para la
siguiente generacin. Existen dos estrategias bsicas para llevar esto a cabo.
1.7.2.1. Cruce
Consiste en el intercambio de material gentico entre dos cromosomas (a
veces ms, como el operador orga propuesto por Eiben). El teorema de los
esquemas confa en l para hallar la mejor solucin a un problema,
combinando soluciones parciales [2].
Implica elegir a dos individuos para que intercambien segmentos de su cdigo,
produciendo una descendencia'' artificial cuyos individuos son combinaciones
de sus padres como se muestra en la figura 1.2. Este proceso pretende
simular el proceso anlogo de la recombinacin que se da en los cromosomas
durante la reproduccin sexual. Como norma general se aplica despus de un
proceso de seleccin de dos individuos [15, 28].
Figura1.2. Aplicacin del operador de cruce.
Las 2 formas ms comunes de reproduccin sexual son: uso de un punto nico
de cruce y uso de 2 puntos de cruce [6,26, 28].
Cuando se usa un solo punto de cruce, ste se escoge de forma aleatoria
sobre la longitud de la cadena que representa el cromosoma, y a partir de l se
realiza el intercambio de material de los 2 individuos [2,6, 26].
Cuando se usan 2 puntos de cruce, se procede de manera similar, pero en este
caso Se eligen dos puntos de ruptura al azar para intercambiar [6,26].
cruce uniforme: se genera un patrn aleatorio de 1s y 0s, y se
intercambian los bits de los dos cromosomas que coincidan donde hay
un 1 en el patrn. O bien se genera un nmero aleatorio para cada bit, y
si supera una determinada probabilidad se intercambia ese bit entre los
dos cromosomas [2,6].
cruce especializado: en algunos problemas, aplicar aleatoriamente el
cruce da lugar a cromosomas que codifican soluciones invlidas; en este
caso hay que aplicar el cruce de forma que genere siempre soluciones
vlidas [2].
1 1
1 1
1 1 1
1
1 1
1
1
0 0
0 0
Padres (criadores)
Hijos (vstagos)
1 1
0 0
0 0
0 0
0
0
0
0 0
0 0 0
Cruce segmentado: existe una probabilidad de que un cromosoma sea
punto de un cruce. Conforme se va formando la nueva cadena del
descendiente, para cada gen, se verifica si ah se va producir un cruce.
Normalmente el cruce se maneja dentro de la implementacin del algoritmo
gentico como un porcentaje que indica con qu frecuencia se efectuar. Esto
significa que no todas las parejas de cromosomas se cruzarn, sino que habr
algunas que pasarn intactas a la siguiente generacin. De hecho existe una
tcnica desarrollada hace algunos aos en la que el individuo ms apto a lo
largo de las distintas generaciones no se cruza con nadie, y se mantiene
intacto hasta que surge otro individuo mejor que l, que lo desplazar. Dicha
tcnica es llamada elitismo, y no debe sorprender el hecho de que haya sido
desarrollada en Alemania [26].
1.7.2.1.1. Cruces para permutacin
1.7.2.1.1.1. Cruce por emparejamiento parcial (PMX)
Toma una subsecuencia del cromosoma del padre y procura preservar el orden
absoluto de los genes, es decir, orden y posicin en el cromosoma, del resto
del cromosoma lo ms parecido posible de la madre. Aparece tambin en la
bibliografa como PMX [23].
1.7.2.1.1.2. Cruces por orden (OX)
Cruce de mapeamiento parcial o Cruce por orden: toma una subsecuencia del
cromosoma del padre y procura preservar el orden relativo de los genes del
resto del cromosoma lo ms parecido posible de la madre. Se puede encontrar
en la bibliografa como OX [23].
Este cruce slo considera el orden relativo de las soluciones, no su posicin.
Existen dos variantes de este cruce que toman en cuenta las posiciones (muy
usados en planificacin de tareas).
1.7.2.1.1.2.1. Variantes al Cruce por orden
- Cruce por orden con posiciones prioritarias
No se elige un tramo para intercambiarlo entre los progenitores, sino un
conjunto de posiciones al azar. (El resto no cambia).
- Cruce por orden con orden prioritario: Los individuos no intercambian
genes, sino el orden relativo existente entre ellas.
1.7.2.1.1.3. Cruce por ciclos (CX)
Se toma el primer gen del cromosoma del padre, ponindolo en la primera
posicin del hijo, y el primer gen del cromosoma de la madre, ponindolo
dentro del cromosoma del hijo en la posicin que ocupe en el cromosoma del
padre. El gen que est en la posicin que ocupa el gen del cromosoma del
padre igual al primer gen del cromosoma de la madre se va a colocar en la
posicin que ocupe en el cromosoma del padre, y as hasta rellenar el
cromosoma del hijo. Este mtodo tambin es conocido en la bibliografa como
CX.
1.7.2.1.1.4. Cruce por recombinacin de rutas (ERX)
La descendencia se construye combinando los cromosomas que interconectan
los genes de los progenitores.
1.7.2.2. Mutacin
En la Evolucin, una mutacin es un suceso bastante poco comn (sucede
aproximadamente una de cada mil replicaciones), como ya se ha visto
anteriormente. En la mayora de los casos las mutaciones son letales, pero en
promedio, contribuyen a la diversidad gentica de la especie. En un algoritmo
gentico tendrn el mismo papel, y la misma frecuencia (es decir, muy baja) [2].
Realiza un cambio a uno de los genes de un cromosoma elegido
aleatoriamente. Cuando se usa una representacin binaria, el gen seleccionado
se sustituye por su complemento (un cero cambia en uno y viceversa) como se
puede observar en la figura 1.3. Este operador permite la introduccin de nuevo
material cromosmico en la poblacin, tal y como sucede con sus equivalentes
biolgicos [26].
Figura 1.3. Aplicacin del operador de mutacin.
Al igual que la cruce, la mutacin se maneja como un porcentaje que indica con
qu frecuencia se efectuar, aunque se distingue de la primera por ocurrir
mucho ms espordicamente (el porcentaje de cruce normalmente es de ms
del 60%, mientras que el de mutacin normalmente nunca supera el 5%) [26].
El operador de mutacin que se acaba de describir representa la denominada
mutacin clsica. Este operador tambin puede tener algunas variantes al
operador clsico [4].
1.7.2.2.1. Mutaciones sobre genes: Cuando un gen puede tomar ms de dos
valores (llamados tambin alelos), la mutacin se realiza cambiando el valor
actual por otro ms o menos parecido [4].
1.7.2.2.2. Mutaciones no estacionaras: en algunas ocasiones es conveniente
reducir la tasa de mutacin (probabilidad de mutacin) segn el programa
progresa. La forma de implementar tal reduccin depende en gran medida del
1 1 1 1 1 1 1
1 1 1 1 1 0
0
0 0
Individuo original
Individuo despus de la mutacin
problema; una manera sencilla es multiplicando la probabilidad de mutacin por
un factor de reduccin cada cierto nmero de generaciones [4].
1.7.2.2.3. Mutaciones no uniformes: Se dan distintas probabilidades de
mutacin a cada gen (o a cada bit dentro de un gen), dependiendo de su
significado.
1.7.2.3. Variantes en operadores bsicos para nmeros reales
Aunque t5ambien se puede utilizar los mecanismos mencionados para codificar
binarios, existen variantes relevantes si se trabaja con representacin basada
en nmeros reales.
Por ejemplo
Cruce
1
C escalar o vector de nmeros reales
2
C escalar o vector de nmeros reales
| )
2 1 1 1
C C C H + (1-1)
| )
1 2 2 2
C C C H + (1-2)
2
2 1
C C
Hu
+
(1-3)
Tambin se pueden producir ms de dos hijos asignando una terna operacin
posible a cada caso.
Mutacin
1
C Cromosoma a ser mutado
f C H +
1 1
Gradiente ascendente
f C H
1 1
Gradiente descendente
Depende de si se quiere minimizar o maximizar la funcin objetivo.
El gradiente pudiera ser analtico explicito
C
f

si f f es derivable. Si f no e
derivable, se selecciona el individuo a mutar y otro que difiera
significativamente del
1
C puede ser en cuanto a funcin de ajuste o de
estructura.

1 1
1 1
1
C C
fC fC
C
f
(1-4)
Si
1
C es un escalar, es directo el gradiente. Si
1
C es un vector habr un
gradiente distinto para cada elemento del cromosoma, ya que para cada
elemento varia el valor del denominador.
1.7.2.4. Otros operadores
No se usan en todos los problemas, sino slo en algunos, y en principio su
variedad es infinita. Generalmente son operadores que exploran el espacio de
soluciones de una forma ms ordenada, y que actan ms en las ltimas fases
de la bsqueda, en la cual se pasa de soluciones "casi buenas" a "buenas"
soluciones [2].
1.7.2.4.1. Cromosomas de longitud variable
Hay problemas en los que no se conoce de antemano el nmero de parmetros
del mismo. En estos casos, se necesitan dos operadores ms: aadir y
eliminar. Estos operadores se utilizan para aadir un gen, o eliminar un gen del
cromosoma. La forma ms habitual de aadir un locus es duplicar uno ya
existente, el cual sufre mutacin y se aade al lado del anterior. En este caso,
los operadores del algoritmo gentico simple (seleccin, mutacin, cruce)
funcionarn de la forma habitual, salvo, claro est, que slo se har cruce en la
zona del cromosoma de menor longitud [2].
Estos operadores permiten, adems, crear un algoritmo gentico de dos
niveles: a nivel de cromosoma y a nivel de gen [2].
1.7.2.4.2. Operadores de nicho (ecolgico)
Otros operadores importantes son los operadores de nicho. Estos operadores
estn encaminados a mantener la diversidad gentica de la poblacin, de
forma que cromosomas similares sustituyan slo a cromosomas similares, y
son especialmente tiles en problemas con muchas soluciones; un algoritmo
gentico con estos operadores es capaz de hallar todos los mximos,
dedicndose cada especie a un mximo. Ms que operadores genticos, son
formas de enfocar la seleccin y la evaluacin de la poblacin [2].
1.7.2.4.3. Operadores especializados
En una serie de problemas hay que restringir las nuevas soluciones generadas
por los operadores genticos, pues no todas las soluciones generadas van a
ser vlidas, sobre todo en los problemas con restricciones. Por ello, se aplican
operadores que mantengan la estructura del problema. Otros operadores son
simplemente generadores de diversidad, pero la generan de una forma
determinada [2]:
Zap: en vez de cambiar un solo bit de un cromosoma, cambia un gen
completo de un cromosoma [2].
Creep: este operador aumenta o disminuye en 1 el valor de un gen;
sirve para cambiar suavemente y de forma controlada los valores de los
genes [2].
Transposicin: similar al cruce y a la recombinacin gentica, pero
dentro de un solo cromosoma; dos genes intercambian sus valores, sin
afectar al resto del cromosoma. Similar a este es el operador de
eliminacin-reinsercin: en el que un gen cambia de posicin con
respecto a los dems [2].
Agrega Alternativa: generaliza una restriccin sobre un atributo,
cambiando un 0 por un 1 en la sub cadena que corresponde al atributo
[17].
Elimina Condicin: lleva a cabo una generalizacin ms drstica,
remplazando todos los bits de una sub cadena por 1s, esto es, elimina
por completo la restriccin en un atributo dado [17].
Duplicacin: Copia exactamente la informacin de un individuo a otro
[4].
Translocacin: Se intercambian trozos del cdigo gentico de un
individuo [4].
Inversin: Este operador modifica la informacin gentica de un
individuo tomando dos componentes (genes) del mismo e
intercambiando los valores de stos; es decir, al primero se le asigna la
informacin del segundo y al segundo la informacin del primero [4].
Dominacin: Determina algunos componentes (genes) que son
preponderantes en el individuo para su valor de aptitud y da preferencia
a esos componentes en otros operadores genticos [4].
Segregacin: Es lo contrario a la dominacin. En este caso, los
componentes segregados no influyen de manera determinante en el
grado de adaptabilidad del individuo [4].
1.7.3. Funcin de adaptacin
La funcin de adaptacin (fitness) define el criterio para ordenar las hiptesis
potenciales y para seleccionarlas probabilsticamente, para su inclusin en la
siguiente generacin de la poblacin. Si la tarea consiste en aprender reglas de
clasificacin, entonces la funcin de adaptacin contiene un componente para
evaluar la precisin de las hiptesis sobre un conjunto de entrenamiento dado
[17].
Es la base para determinar qu soluciones tienen mayor o menor probabilidad
de sobrevivir.
Se tiene que tener un balance entre una funcin que haga diferencias muy
grandes (y por lo tanto una convergencia prematura) y diferencias muy
pequeas (y por lo tanto un estancamiento).
La funcin de aptitud no es ms que la funcin objetivo de nuestro problema de
optimizacin. El algoritmo gentico nicamente maximiza, pero la minimizacin
puede realizarse fcilmente utilizando el recproco de la funcin maximizante
(debe cuidarse, por supuesto, que el recproco de la funcin no genere una
divisin por cero). Una caracterstica que debe tener esta funcin es que debe
ser capaz de "castigar" a las malas soluciones, y de "premiar" a las buenas, de
forma que sean estas ltimas las que se propaguen con mayor rapidez [26].
1.7.4. El teorema del esquema
Proporciona el fundamento terico de porqu los AG pueden resolver diversos
problemas. En su anlisis se considera el proceso de seleccin y los
operadores de cruce y mutacin.
Un esquema se construye utilizando un nuevo smbolo (*) para representar un
comodn (no importa) que puede aparear ambos valores (0 o 1). El esquema
11*00* representa las cadenas: 111001, 111000, 110001, 110000.
El orden de un esquema es el nmero de elementos que no son `*'' dentro del
esquema.
La longitud que define a un esquema es la distancia entre la primera posicin
fija y la ltima posicin fija.
El teorema dice que: Los esquemas pequeos de bajo orden arriba del
promedio reciben un incremento exponencial de representantes en las
siguientes generaciones de un algoritmo gentico [Holland 92]
El teorema del esquema caracteriza la evolucin de una poblacin en un
algoritmo gentico en trminos del nmero de elementos representando cada
esquema. Sea m(s, t) el numero de elementos del esquema s al tiempo t. El
teorema del esquema describe el valor esperado de m(s, t + 1) en trminos de
m(s, t) y otras propiedades del esquema, la poblacin, y los parmetros del
algoritmo gentico [17].
Un algoritmo gentico tiene tambin una serie de parmetros que se tienen que
fijar para cada ejecucin, como los siguientes [2]:
Tamao de la poblacin: debe de ser suficiente para garantizar la
diversidad de las soluciones, y, adems, tiene que crecer ms o menos
con el nmero de bits del cromosoma. Por supuesto, depende tambin
del ordenador en el que se est ejecutando. El nmero de soluciones en
una poblacin es altamente relevante para la velocidad de optimizacin.
Condicin de terminacin: lo ms habitual es que la condicin de
terminacin sea la convergencia del algoritmo gentico o un nmero
prefijado de generaciones.
1.7.5. Evaluacin
Durante la evaluacin, se decodifica el gen, convirtindose en una serie de
parmetros de un problema, se halla la solucin del problema a partir de esos
parmetros, y se le da una puntuacin a esa solucin en funcin de lo cerca
que est de la mejor solucin. A esta puntuacin se le llama fitness [2].
El fitness determina siempre los cromosomas que se van a reproducir, y
aquellos que se van a eliminar, pero hay varias formas de considerarlo para
seleccionar la poblacin de la siguiente generacin [2].
Una vez evaluado el fitness, se tiene que crear la nueva poblacin teniendo en
cuenta que los buenos rasgos de los mejores se transmitan a esta. Para ello,
hay que seleccionar a una serie de individuos encargados de tan ardua tarea.
1.7.6. Mtodos de seleccin
El mecanismo de seleccin permite orientar la bsqueda a aquellos puntos ms
promisorios con la mayor adaptacin observada hasta el momento. La
seleccin no produce puntos nuevos en el espacio de bsqueda, sino que
determina que individuos dejaran descendencia y en que cantidad en la
prxima generacin [12].
Un algoritmo gentico puede utilizar muchas tcnicas diferentes para
seleccionar a los individuos que deben copiarse hacia la siguiente generacin,
pero abajo se listan algunos de los ms comunes. Algunos de estos mtodos
son mutuamente exclusivos, pero otros pueden utilizarse en combinacin, algo
que se hace a menudo [28]:
Seleccin elitista: se garantiza la seleccin de los miembros ms aptos
de cada generacin [28].
Seleccin proporcional a la aptitud: los individuos ms aptos tienen
ms probabilidad de ser seleccionados, pero no la certeza [28].
Seleccin por rueda de ruleta o universal (R): Conceptualmente, esto
puede representarse como un juego de ruleta, cada individuo obtiene
una seccin de la ruleta, pero los ms aptos obtienen secciones
mayores que las de los menos aptos. Luego la ruleta se hace girar, y en
cada vez se elige al individuo que `posea'' la seccin en la que se pare
la ruleta [2, 15, 26,28].
Seleccin escalada: al incrementarse la aptitud media de la poblacin,
la fuerza de la presin selectiva tambin aumenta y la funcin de aptitud
se hace ms discriminadora. Este mtodo puede ser til para
seleccionar ms tarde, cuando todos los individuos tengan una aptitud
relativamente alta y slo les distingan pequeas diferencias en la aptitud
[28].
Seleccin por torneo (T): se eligen subgrupos de individuos de la
poblacin, y los miembros de cada subgrupo compiten entre ellos. Slo
se elige a un individuo de cada subgrupo para la reproduccin [2, 26,28].
Seleccin por rango: a cada individuo de la poblacin se le asigna un
rango numrico basado en su aptitud, y la seleccin se basa en este
ranking, en lugar de las diferencias absolutas en aptitud. La ventaja de
este mtodo es que puede evitar que individuos muy aptos ganen
dominancia al principio a expensas de los menos aptos, lo que reducira
la diversidad gentica de la poblacin y podra obstaculizar la bsqueda
de una solucin aceptable [2,28].
Seleccin generacional: la descendencia de los individuos
seleccionados en cada generacin se convierte en toda la siguiente
generacin. No se conservan individuos entre las generaciones [28].
Seleccin por estado estacionario: la descendencia de los individuos
seleccionados en cada generacin vuelven al acervo gentico
preexistente, reemplazando a algunos de los miembros menos aptos de
la siguiente generacin. Se conservan algunos individuos entre
generaciones [28].
Seleccin jerrquica: los individuos atraviesan mltiples rondas de
seleccin en cada generacin. Las evaluaciones de los primeros niveles
son ms rpidas y menos discriminatorias, mientras que los que
sobreviven hasta niveles ms altos son evaluados ms rigurosamente.
La ventaja de este mtodo es que reduce el tiempo total de clculo al
utilizar una evaluacin ms rpida y menos selectiva para eliminar a la
mayora de los individuos que se muestran poco o nada prometedores, y
sometiendo a una evaluacin de aptitud ms rigurosa y
computacionalmente ms costosa slo a los que sobreviven a esta
prueba inicial [28].
Seleccin por escaos: se divide el rango del nmero aleatorio en un
nmero predeterminado de escaos. Los escaos se reparten de
acuerdo con la ley d'Hont, tomando como puntuacin para repartir los
escaos el grado de adaptacin. Se observa que es ms probable
escoger un elemento de baja probabilidad por este mtodo que en el de
seleccin por sorteo.
Seleccin por restos estocsticos: igual que el mtodo de seleccin
de escaos, slo que los escaos no asignados directamente, es decir,
aquellos en que se aplica directamente la ley d'Hont, se asignan de
forma aleatoria. La probabilidad de escoger un elemento de muy baja
probabilidad es ms alta que en el de seleccin por escaos.
Seleccin estocstica universal SUS: es anlogo a la ruleta con M
puntos igualmente espaciados entre si, de modo que con un solo
lanzamiento se obtienen M ganadores. El mtodo SUS no tiene sesgo y
su dispersin es la mnima posible [12].
Seleccin por sorteo :Se asume que cada individuo de la poblacin
tiene una cierta puntuacin, normalmente relacionada a su valor de
aptitud, con la cual se calcula la probabilidad p
i
que tiene cada individuo
i para formar parte de la muestra [4]:

n
j
j
i
f
f
i
p
0
(1-5)
Donde:
n : tamao de la poblacin
f: funcin de aptitud
1.7.7. Mecanismos de Reemplazo
Los mecanismos de reemplazo permiten mantener la poblacin constante.
Entre los mecanismos de reemplazo, los de mayor uso y aceptacin son [4]:
Reemplazo directo
Los progenitores son reemplazados directamente por sus descendientes.
Obviamente, este criterio solo puede usarse si s < n [4].
Reemplazo por similitud
Cada descendiente reemplaza aquel miembro de la poblacin que ms se le
asemeja. Al igual que en el caso directo, debe cumplirse que s < n [4].
Reemplazo por insercin (,)
Este criterio puede usarse con variacin segn la relacin entre s y n [4]:
Si s n; Se escogen s individuos de la poblacin, los cuales sern sustituidos
por los s descendientes. Esta escogencia se hace a travs de algn criterio de
muestreo, normalmente se toman los peores.
Si S > n: Se toma una muestra (con algn criterio) de tamao n de los s
descendientes. Bajo este esquema, cada individuo vive slo por una
generacin.
Reemplazo por inclusin (+}
Se unen los n miembros de la poblacin con los s descendientes, conformando
una poblacin auxiliar de tamao s + n. Luego, de esta poblacin auxiliar, se
toma una muestra de tamao n segn algn criterio de seleccin [4].
1.7.8. Caractersticas de los AGs
Los AGs poseen caractersticas que determinan su funcionamiento y su
aplicabilidad en determinados problemas. Estas son [4]:
Bsqueda Ciega. No disponen de ningn conocimiento especfico del
problema.
Codificacin de Parmetros. Se trabaja con la codificacin de un conjunto de
parmetros (o un subconjunto de ellos) y no con los parmetros en s.
Bsqueda Basada en Poblacin. Se busca desde una poblacin de puntos y
no desde uno solo.
Funcin Objetivo como Elemento a Optimizar. Se usa una funcin objetivo o
funcin de evaluacin para definir lo que se desea optimizar, sin requerir ms
informacin derivada o auxiliar.
Operadores Aleatorios. Se hace uso de operadores estocsticos para las
transformaciones, en vez de reglas de transicin determinsticas
1.7.9. Como funcionan?
El funcionamiento de un algoritmo gentico clsico comienza generando una
poblacin inicial aleatoria de candidatos a ser el ptimo y usa la informacin
contenida en ella con el fin de producir iterativamente nuevas y mejores
poblaciones. Esa calidad se entiende en trminos de la medida que de su
idoneidad proporciona la funcin de ajuste [24].
Para ello, en primer lugar (y una vez codificados los miembros de la poblacin
Inicial), se evala su idoneidad y se seleccionan los mejores cromosomas.
Algunos de estos individuos seleccionados sufren ciertas alteraciones por la
accin de diferentes operadores genticos encargados de introducir nuevos
elementos en la poblacin. En los algoritmos genticos clsicos, dos son los
operadores genticos a destacar: el cruce y la mutacin [24].
Los descendientes obtenidos a travs de la seleccin y la recombinacin,
constituyen lo que se conoce como una generacin. El proceso se repite
durante generaciones hasta que se alcanza una cierta condicin de parada. Es
decir, el algoritmo finaliza cuando se ha ejecutado un nmero determinado de
iteraciones prefijado de antemano, cuando se ha encontrado el ptimo [24].
1.7.10. Por qu utilizar algoritmos genticos en la optimizacin?
La razn del creciente inters por los algoritmos genticos es que estos son un
mtodo global y robusto de bsqueda de las soluciones de problemas. La
principal ventaja de estas caractersticas es el equilibrio alcanzado entre la
eficiencia y eficacia para resolver diferentes y muy complejos problemas de
grandes dimensiones [24].
1.7.11. Convergencia del Algoritmo
Dado que el algoritmo gentico opera con una poblacin en cada iteracin, se
espera que el mtodo converja de modo que al final del proceso la poblacin
sea muy similar, y en el infinito se reduzca a un slo individuo [6].
Se ha desarrollado toda una teora para estudiar la convergencia de estos
algoritmos en el caso de cadenas binarios. Esta teora se basa principalmente
en considerar que una cadena es un representante de una clase de
equivalencia o esquema, reinterpretando la bsqueda en lugar de entre
cadenas, entre esquemas [6].
1.7.12. Cmo saber si es posible usar el Algoritmo Gentico?
No todos los problemas pudieran ser apropiados para la tcnica, y se
recomienda en general tomar en cuenta las siguientes caractersticas del
mismo antes de intentar usarla [26]:
Su espacio de bsqueda (sus posibles soluciones) debe estar delimitado
dentro de un cierto rango.
Debe poderse definir una funcin de aptitud que indique qu tan buena o mala
es una cierta respuesta.
Las soluciones deben codificarse de una forma que resulte relativamente fcil
de implementar en el computador.
1.7.13. Decisiones para implementar un algoritmo gentico
Las decisiones que hay que tomar para implementar un algoritmo gentico son:
Criterio de codificacin. Como se va a almacenar la informacin en el
cromosoma.
Criterio de tratamiento de individuos no factibles. Como se van a
tratar a los individuos que no cumplan las restricciones
Criterio de inicializacin. Cmo se va a construir la poblacin inicial del
algoritmo gentico.
Criterio de parada. Determina cundo el algoritmo ha llegado a una
solucin aceptable.
Funcin de adaptacin.
Operadores genticos.
Criterios de reemplazo.
Parmetros de funcionamiento. Determinados parmetros que, sin
poder ser englobados en ninguno de los anteriores, son fundamentales
para el funcionamiento de un algoritmo gentico. Es el caso, por
ejemplo, del tamao de la poblacin, la probabilidad de la aplicacin de
los operadores genticos.
1.7.14. Ventajas de los AGs
los algoritmos genticos son intrnsecamente paralelos, pueden explorar
el espacio de soluciones en mltiples direcciones a la vez [28,29].
funcionan particularmente bien resolviendo problemas cuyo espacio de
soluciones potenciales es realmente grande (demasiado vasto para
hacer una bsqueda exhaustiva en un tiempo razonable) [28].
se desenvuelven bien en problemas con un paisaje adaptativo complejo,
aqullos en los que la funcin de aptitud es discontinua, ruidosa, cambia
con el tiempo, o tiene muchos ptimos locales [28].
Otra rea en el que destacan los algoritmos genticos es su habilidad
para manipular muchos parmetros simultneamente [28,29].
Usan operadores probabilsticos, en vez de los tpicos operadores
determinsticos de las otras tcnicas [26].
los AGs no saben nada de los problemas que deben resolver [28].
1.7.15. Desventajas o limitaciones que tienen los AG con respecto a otras
tcnicas de bsqueda
Aunque los algoritmos genticos han demostrado su eficiencia y potencia como
estrategia de resolucin de problemas, no son la panacea. Los AGs tienen
ciertas limitaciones; sin embargo, se ha demostrado que todas ellas pueden
superarse y que ninguna de ellas afecta a la validez de la evolucin biolgica
[28].
Pueden tardar mucho en converger, o no converger en absoluto,
dependiendo en cierta medida de los parmetros que se utilicen (tamao
de la poblacin, nmero de generaciones, etc.) [26].
Pueden converger prematuramente debido a una serie de problemas de
diversa ndole [26].
El lenguaje utilizado para especificar soluciones candidatas debe ser
robusto; es decir, debe ser capaz de tolerar cambios aleatorios que no
produzcan constantemente errores fatales o resultados sin sentido [28].
Si se elige mal una funcin de aptitud o se define de manera inexacta,
puede que el algoritmo gentico sea incapaz de encontrar una solucin
al problema, o puede acabar resolviendo el problema equivocado [28].
Si el tamao de la poblacin es demasiado pequeo, puede que el
algoritmo gentico no explore suficientemente el espacio de soluciones
para encontrar buenas soluciones consistentemente. Si el ritmo de
cambio gentico es demasiado alto o el sistema de seleccin se escoge
inadecuadamente, puede alterarse el desarrollo de esquemas
beneficiosos y la poblacin puede entrar en catstrofe de errores, al
cambiar demasiado rpido para que la seleccin llegue a producir
convergencia [28].
Una dificultad prctica al usar algoritmos genticos es conocida como
crowding. En este fenmeno, un individuo que es mas apto que otros
miembros de la poblacin, comienza a reproducirse rpidamente de tal
forma que copias de este individuo, o bien de individuos muy parecidos,
ocupan una fraccin importante de la poblacin reduciendo la diversidad
de la poblacin, haciendo la bsqueda ms lenta. Eso se puede
solucionar escogiendo un apropiado mtodo de seleccin [17].
Se aconseja no utilizar algoritmos genticos en problemas resolubles de
manera analtica. Ya que los mtodos analticos tradicionales consumen
mucho menos tiempo y potencia computacional que los [28].
1.7.16. Consideraciones al usar algoritmos genticos
Tomar cualquier mtodo de optimizacin para trabajar de una manera ptima
requiere alguna experimentacin con sus parmetros de configuracin y
selecciones inadecuadas de stos conducirn a un bajo rendimiento en la
bsqueda. Cuando no se conoce mucho acerca de la superficie de respuesta y
calcular el gradiente es computacionalmente intensivo o numricamente
inestable muchas personas prefieren usar mtodos de optimizacin como AG,
SA y Simplex los cuales no requieren informacin del gradiente [16].
Para las aplicaciones donde el clculo del vector gradiente es numricamente
preciso y rpido, no se recomienda usar los AG, ya que stos alcanzarn la
regin ptima mucho ms lento que los mtodos hill-climbing. Otro tipo de
aplicaciones no recomendadas para los AG son aquellas que requieren
encontrar el ptimo global exacto, dada la caracterstica de los AG de ser
buenos encontrando la regin ptima global pero enfrentando problemas
algunas veces para localizar el ptimo exacto [16].
1.7.17. Diferencias entre los Mtodos Tradicionales y los A.G.
Se puede decir que los Algoritmos Genticos difieren de los principales
mtodos tradicionales de optimizacin en cuatro puntos fundamentales de los
cuales no han sido mencionados [15]:
1. Los A.G. no utilizan derivadas ni otras propiedades de la funcin objetivo,
sino nicamente la propia funcin objetivo.
2. Los A.G. se rigen mediante reglas de transicin probabilsticas, no
determinsticas.
1.8. PROGRAMAS EVOLUTIVOS (PEs)
Los programas evolutivos fueron presentados en 1994 por Michalewicz. los
PEs son mtodos que incorporan directamente conocimiento especfico a los
AGs, puesto que permiten la utilizacin de estructuras de datos naturales.
Adems, de perder un poco de generalizacin, con la incorporacin de
conocimiento especfico, tambin se pierde el paralelismo implcito (basado en
alfabetos de smbolos mnimos). Sin embargo, esta prdida se compensa con
el procesamiento de informacin ms til [14].
Los PEs no son restrictivos en cuanto a la representacin del problema.
Mientras en los AGs se hace necesaria una codificacin de las soluciones del
problema; en los PEs, tal representacin se hace de forma directa.
Si se disean adecuadamente, los PEs pueden competir en eficiencia y calidad
de las soluciones con mtodos especficos (ms costosos de implementar) [23].
Los PEs surgieron al resolver problemas de optimizacin paramtrica en los
que se requera alta precisin [23].
Se distinguen dos grandes grupos de PEs segn la naturaleza de los objetos
tratados [23]:
PEs, especializados en optimizacin paramtrica
PEs, especializados en optimizacin combinatoria
1.8.1. PEs en optimizacin paramtrica
Por precisin y eficiencia no es conveniente utilizar AGs en problemas de
optimizacin paramtrica. De esta manera, se requera un esquema que
permitiese representar a los individuos como arreglos de nmeros reales donde
cada uno de esos nmeros seria un gen [4].
1.8.2. PEs en optimizacin combinatoria
Existen algunos problemas que se caracterizan por la existencia de soluciones
que se componen secuencialmente, es decir, dando un conjunto de elementos
se pueden obtener diferentes arreglos ordenados de estos , permitiendo una
basta cantidad de posibilidades; los cuales se denominan problemas de
optimizacin combinatoria [4].
1.8.3. Programas Evolutivos y Algoritmos Genticos
Desde el punto de vista prctico, se tratarn a los PEs como una variacin de
los AGs, compartiendo exactamente su estructura bsica, con las siguientes
distinciones [14]:
a. La representacin es ms natural. Por lo cual, est ms cercana al
dominio del problema.
b. Los operadores genticos son especficos al contexto del problema.
1.9. ESTRATEGIAS EVOLUTIVAS (EEs)
Las Estrategias Evolutivas, desarrolladas en 1964 por Rechenberg, surgieron
inicialmente para resolver problemas de optimizacin paramtrica; con el paso
del tiempo fueron incorporando procedimientos propios de la computacin
evolutiva, con lo que han llegado a convertirse en una disciplina ms. Su
principal caracterstica es que utilizan una representacin de vectores reales,
una seleccin determinstica y operadores genticos especficos de cruce y
mutacin. [8, 14,25].
Las EEs pueden dividirse en dos tipos: Estrategias Evolutivas Simples y
Estrategias Evolutivas Mltiples.
1.9.1. EEs Simples
En este caso, se hace evolucionar un solo individuo usando nicamente a la
mutacin como operador gentico. Son relativamente sencillas, y se
denominan tambin EEs de dos miembros. Debido a que evoluciona un solo
individuo a la vez, no son consideradas estrictamente como mtodos evolutivos
[14].
1.9.2. EEs Mltiples
Surgen como respuesta a las debilidades de las EEs simples, las cuales
tienden a converger hacia subptimos. En las EEs mltiples existen mltiples
individuos (poblacin), y se producen en cada generacin varios nuevos
individuos, usando tanto mutacin como cruce (tambin puede usarse cualquier
otro operador [14].
1.9.3. Estrategias Evolutivas y Algoritmos Genticos
Los puntos de inicio de los AGs y de las EEs son diferentes, puesto que parten
de enfoques distintos. Se puede decir que las EEs son un tipo especial de AGs
o viceversa. A continuacin se presentan las diferencias ms significativas
entre ambos mtodos [14]:
a. Las EEs son ms fuertes por lo que los AGs son mucho ms generales
b. El operador fundamental en las EEs es la mutacin, mientras que en los
AGs es el cruce.
c. Los AGs realizan bsqueda global, mientras que en las EEs se presenta
exactamente lo contrario.
1.10. Programacin evolutiva (EP)
La Programacin Evolutiva originalmente fue concebida por Lawrence J. Fogel
en 1960, es una estrategia de optimizacin estocstica similar a los Algoritmos
Genticos. El libro "Artificial Intelligence Through Simulated Evolution"
publicado en 1966 por Fogel, Owens y Walsh es la publicacin clave para las
aplicaciones de la EP [14].
Una maquina de estados finitos es un transductor que puede ser estimulado
por un alfabeto finito de smbolos de entrada que puede responder a un
alfabeto finitos de smbolo de salida, y que posee algn numero finito de
estados internos diferentes. La figura 1.4 muestra una maquina de estados
finitos, donde os nmeros representan los smbolos de entrada, las letras
griegas smbolos de salida, y los caracteres en mayscula representan los
estados [4].
Figura 1.4. Maquina de estados finitos de tres estados (A,B,C), dos Smbolos de entrada
(0,1) y tres smbolos de salida
En la programacin evolutiva, un conjunto de maquinas de estado finitos (son
los individuos) se expone a un ambiente; esto es, a una secuencia de smbolos
observados en un momento dado. Para cada mquina de Estados Finitos, por
cada smbolo de entrada que se le presenta se determina el smbolo de salida
que da y se compara con el del ambiente (tambin puede compararse su
prximo estado con el que corresponde en el ambiente). As, la prediccin de
cada mquina de Estados Finitos es media respecto al ambiente, como una
funcin error (error absoluto, error cuadrtico, etc.). Despus que se hace la
ltima prediccin, un error promedio para cada mquina es calculado para
indicar la aptitud de ella. Las mquinas que presenten el mejor resultado
(mnimo error) se retienen para ser padres en la prxima generacin [4].
A
0/
C
1/
B
0/
1/
0/
1/
Funciones de optimizacin combinatoria y de valores reales en las cuales, la
superficie de optimizacin es abrupta, presentando muchas soluciones ptimas
locales, son bien tratadas a travs de la EP [14].
Para la EP, existe una suposicin muy importante que consiste en que la
funcin de fitness puede caracterizarse en trmino de las variables, y adems
existe una solucin ptima (o mltiples ptimos) en funcin de dichas variables
[14].
El mtodo de EP bsico involucra tres pasos (repetidos hasta que se excede el
umbral de iteraciones o hasta que se encuentre una solucin adecuada) [14]:
1. Seleccin de forma aleatoria de una poblacin inicial de posibles
soluciones.
2. Cada solucin se replica en una nueva poblacin.
3. A cada solucin hija se le calcula y asigna un valor de adaptacin.
Debe resaltarse que la EP tpicamente no utiliza el cruzamiento como operador
gentico.
1.10.1. Algoritmo General
1. Definir la secuencia de smbolos y funcin objetivo como una matriz de
pago.
2. Inicializar la poblacin de Mquinas de Estado Finito (MEF).
3. Introducir smbolo de entrada a la poblacin de MEF y observar su
salida.
4. Evaluar comparando su salida con la prxima entrada para ver si predijo
bien.
5. Crear nuevos hijos usando mutacin
5.1. Cambiar smbolos
5.2 Cambiar estado de transicin
5.3 Aadir o eliminar estado
5.4 Cambiar estado inicial
6. Seleccionar los mejores padres
1.10.2. Programacin Evolutiva y Algoritmos Genticos
Existen dos aspectos importantes en los cuales la EP difiere de los AG.
Primero, no existe restriccin en la representacin. En la EP, la representacin
depende del problema [14].
Segundo, la operacin mutacin simplemente cambia aspectos de la solucin
de acuerdo a una distribucin estadstica, la cual reconoce que menores
variaciones en el comportamiento de los descendientes son altamente
probables, y que variaciones sustanciales son altamente improbables [14].
1.10.3. Programacin Evolutiva y las Estrategias Evolutivas
A pesar de haber sido desarrolladas de forma independiente a lo largo de 30
aos, estas dos tcnicas presentan bastantes similitudes. Ambas tcnicas
tpicamente operan sobre los valores reales. Se aplican mutaciones gaussianas
multivariadas de media cero a cada padre de una poblacin [14].
Las principales diferencias entre EEs y EP son [14]:
1. Seleccin: la EP tpicamente utiliza una seleccin estocstica a travs de un
torneo. En contraste, las EEs utiliza una abstraccin de la evolucin a nivel del
comportamiento del individuo.
2. Recombinacin: La EP es una abstraccin de la evolucin al nivel de
poblaciones reproductivas (es decir, especies), por ende no se usan
mecanismos de recombinacin debido a que esta no ocurre entre especies. En
contraste, las EEs es una abstraccin de la evolucin a nivel del
comportamiento individual.
1.11. PROGRAMACIN GENTICA (PG)
La PG es un mtodo independiente del dominio que generalmente reproduce
poblaciones de programas de computacin, con el fin de resolver problemas.
La PG es una extensin de los AGs, en la cual la poblacin gentica est
contenida por programas de computacin [14].
La PG combina la expresiva representacin simblica de alto nivel usada en los
programas de computacin, con la eficiencia de la bsqueda alrededor del
ptimo que realizan los AGs. Un programa de computacin que resuelve (o
aproximadamente resuelve) un problema dado, frecuentemente emerge de
este proceso. Esto significa, que no se est en la bsqueda de soluciones a los
problemas planteados, sino en encontrar el mejor procedimiento para
resolverlos. [14].
Los elementos bsicos de la PG fueron introducidos por Koza a partir de 1987
en diferentes trabajos de investigacin realizados por l y un grupo de
colaboradores. La primera corrida usando PG se hizo en ese mismo ao y sus
bases tericas fueron descritas en detalle en 1988 [14].
La PG establece los siguientes aspectos que son muy importantes [14]:
Una amplia variedad de problemas aparentemente diferentes
provenientes de distintos campos pueden ser combinados, con el fin de
descubrir un programa de computacin que produzca algunas salidas
deseadas cuando se presentan ciertos valores particulares en las
entradas.
La PG provee una forma de hacer programacin inductiva.
La PG determina automticamente el tamao del programa (es decir, el
nmero total de pasos) y de la misma manera determina la secuencia exacta
de funciones primitivas y terminales que son ejecutadas por el programa.
Especficamente, la PG demuestra que es posible [14]:
Crear de forma automtica programas que poseen una nica rama
principal,
Crear de forma automtica programas con mltiples ramas,
Crear de forma automtica programas cuyas ramas se construyen de
acuerdo a la estructura sintctica restrictiva,
Crear de forma automtica programas formados de un programa
principal y una o ms subrutinas que pueden referenciarse
jerrquicamente unos con otros.
En la PG, la representacin de los individuos se hace a travs de unas
estructuras de datos jerrquicamente enlazadas que reciben el nombre de
rboles de anlisis como se muestra en la figura 2.6 [4].
Las funciones pueden ser operaciones aritmticas, funciones matemticas,
funciones lgicas, o funciones especficas del dominio [4].
En la prctica, tanto las funciones como los smbolos pueden
implementarse de manera sencilla usando expresiones-S de LISP. Por
ejemplo, la siguiente expresin [4]:
(+ 1 2 (IF (> TIME 10) 3 4))
Contiene los tomos: 1, 2, 10, 3, 4, TIME; y las funciones:+, IF, >. El
respectivo arrebol se observa en la figura 1.5.
Figura 1.5. Ejemplo de un rbol de anlisis
1.11.1. Funcionamiento de los operadores genticos
Tomando como los rboles padres de la figura 1.6. Si se toma la raz del rbol
como punto de cruce, el hijo 1 contendr las ramas izquierdas de los padres;
mientras que el hijo 2 las derechas como se observa en la figura 1.7.
(a): (+ (+ 0.234 Z) (- X 0.789)
(b): (*(* Z Y) (+Y 0.314 Z)))
Figura 1.6. rboles padres para el operador de cruce
0.23
-
+
Z
0.78
X
+
Z
+
*
Y
0.31
4
Y
*
*
Z
(a) (b)
1
I
F
+
10
2
TIME
3
4
>
Figura 1.7. rboles hijos obtenidos por el cruce
(a): (*(* Z Y) (+ 0.234 Z))
(b): (+ (+ Y (* 0.314 Z)) (- X 0.789))
1.11.2.1. Mutacin en PG
El operador de mutacin tiene una implementacin mas intuitiva, ya que
permite cambiar smbolos terminales por funciones (crear nuevas ramas), o
modificar funciones (cambiar ramas ya existentes, ya sea por otras ramas o por
smbolos terminales). En el rbol de la figura 1.8 se le cambia el smbolo
Terminal 1 por una nueva rama [4].
Figura 1.8. rbol obtenido por mutacin de un rbol padre
Los problemas resueltos en la PG involucran regresin simblica (sistemas de
identificacin, descubrimiento emprico, modelado, minera de datos (data
0.78
Y
-
+
*
0.31
X
+
Z
-
*
Y
0.23
Z
*
Z
(a)
+
I
F
+
10
2
TIME
3
4
>
1 4
(b)
mining), proyecciones), clasificacin, control, optimizacin, resolucin de
ecuaciones, juegos, induccin, problemas que exhiben comportamiento
emergente, problemas que involucran coevolucin, programacin de autmatas
celulares, construccin aleatoria, compresin de imgenes, integracin
simblica y diferenciacin, problemas inversos, rboles de decisin de
induccin y muchas otras. Los problemas en PG incluyen muchos problemas
actuales presentes en rea como inteligencia artificial, redes neuronales y
mquinas de aprendizaje [14].
Con todo esto se puede concluir que esta tcnica posee un atributo muy
importante como la aplicabilidad, ya que produce soluciones satisfactorias a
una amplia variedad de problemas provenientes de diferentes campos [14].
1.11.3. Algoritmo General
Los pasos de este algoritmo consisten en crear una poblacin inicial y entonces
de forma iterativa ejecutar el ciclo generacional principal. La adaptacin
(fitness) de cada individuo en la poblacin se determina y las operaciones
genticas se llevan a cabo en dicho ciclo principal. A diferencia de los otros
mtodos de CE en este se debe escoger una operacin de alteracin de
arquitectura del repertorio de este tipo de funciones disponibles y crear un
nuevo programa hijo para la nueva poblacin.
En este mtodo, los cambios aleatorios pueden generarse cambiado el
operador o alterando el valor de un cierto nodo del rbol, o sustituyendo un
subrbol por otro [25].
1.12. Ambientes de Programacin
En la actualidad existe un gran nmero de ambientes de programacin
disponibles en el mercado para experimentar con los algoritmos, pueden
distinguirse 3 clases de ambientes de programacin [26]:
1) Sistemas Orientados a las aplicaciones: Son esencialmente "cajas negras"
para el usuario, pues ocultan todos los detalles de implementacin. Ejemplos
de este tipo de sistemas son: Evolver (Axcelis, Inc.) y XpertRule GenAsys (Attar
Software).
2) Sistemas Orientados a los algoritmos: Soportan algoritmos genticos
especficos, y suelen subdividirse en:
Sistemas de uso especfico
Bibliotecas
En estos sistemas se proporciona el cdigo fuente para que el usuario
(normalmente un programador) pueda incluir el algoritmo gentico en sus
propias aplicaciones.
3) Cajas de Herramientas: Proporcionan muchas herramientas de
programacin, algoritmos y operadores genticos que pueden aplicarse en una
enorme gama de problemas. Normalmente se subdividen en:
Sistemas Educativos.
Sistemas de Propsito General.
1.13. Programas autoconfigurables
Es interesante agrupar todos los aspectos y opciones en cuatro categoras,
segn la siguiente.
Tipo gen
Los aspectos de tipo gen sern aquellos que, como los genes, son
diferentes dentro de un mismo individuo.
Tipo individuo
Los aspectos de tipo individuo son aquellos que se mantienen iguales en un
mismo individuo, pero difieren de unos agentes a otros.
Tipo isla
Los aspectos de tipo isla son aquellos que son iguales para un subconjunto
de individuos; de ms de uno, pero sin llegar al total.
Tipo poblacin
Los aspectos de tipo poblacin son los que deben ser iguales para toda la
poblacin.
1.14. Robustez de los Mtodos de Optimizacin y Bsqueda Tradicionales
Existen en la literatura tres tipos principales de mtodos de bsqueda a saber:
basados en el clculo, enumerativos y aleatorios [15].
Los mtodos basados en el clculo se subdividen a su vez en directos e
indirectos. Los mtodos indirectos realizan la bsqueda de extremos locales
mediante la resolucin de sistemas de ecuaciones no lineales resultantes de
igualar a cero el gradiente de la funcin a optimizar. Por otro lado, los mtodos
directos buscan ptimos locales movindose sobre la funcin en direccin del
gradiente local. Pero estos mtodos basados en el clculo tienen cierta
carencia de robustez, debida principalmente a dos causas. En primer lugar la
bsqueda se realiza localmente, es decir se busca mejorar dentro de un
entorno del estado actual, lo que en muchos casos deriva en un ptimo local.
En segundo lugar, es necesario que las funciones a optimizar sean derivables
[15].
Los mtodos enumerativos, como su propio nombre indica, realizan una
bsqueda punto a punto. Es evidente que cuando el espacio de bsqueda es
de un tamao importante estos mtodos carecen de eficiencia [15].
Finalmente, los algoritmos de bsqueda aleatorios poseen igualmente una falta
de eficiencia. De todas formas no se debe confundir los mtodos puramente
aleatorios con aquellos que utilizan la aleatoriedad como una tcnica en una
bsqueda guiada mediante la explotacin de buenas caractersticas de algn
punto ya encontrado. De alguna manera, este tipo de tcnica es utilizada por
los algoritmos genticos [15].
Captulo 2
Controladores PID
2.1. Introduccin
Hoy en da, a pesar de la abundancia de sofisticadas herramientas y mtodos
avanzados de control, el controlador PID es an el ms ampliamente utilizado
en la industria moderna, controlando ms del 95% de los procesos industriales
en lazo cerrado.
Histricamente, ya las primeras estructuras de control usaban las ideas del
control PID. Sin embargo, no fue hasta el trabajo de Minorsky de 1922, sobre
conduccin de barcos, que el control PID cobr verdadera importancia terica.
Los controladores automticos comparan el valor real de la salida de una
planta con la entrada de referencia (el valor deseado), determina la desviacin
y produce una seal de control que reducir la desviacin a cero o a un valor
pequeo. La manera en la cual el controlador produce una seal de control se
denomina accin de control.
2.2. ACCIONES BASICAS DE CONTROL
Para analizar las acciones bsicas de control que utilizan los controladores
analgicos industriales primero se har una clasificacin de los controladores
analgicos industriales [32].
2.2.1. Clasificacin de los controladores industriales: los controladores
industriales se clasifican, de acuerdo con sus acciones de control como [32]:
1. de dos posiciones o encendido y apagado (on/off)
2. proporcionales
3. integrales
4. proporcionales- integrales
5. proporcionales- derivativos
6. proporcionales- integrales-derivativos
Casi todos los controladores industriales emplean como fuente de energa la
electricidad o fluido despresurizado, tal como el aceite o el aire. Los
controladores tambin pueden clasificarse, de acuerdo con el tipo de energa
que utilizan en su operacin, como neumticos, hidrulicos o electrnicos. El
tipo de controlador que se use debe decidirse con base en la naturaleza de la
planta y las condiciones operacionales, incluyendo consideraciones tales como
seguridad, costo, disponibilidad, precisin, peso y tamao [32].
2.2.2. Controlador automtico, actuador y sensor (elemento de medicin):
el diagrama en bloques de la figura 2.1 es un sistema de control industrial que
consiste en un controlador automtico, un actuador, una planta y sensor
(elemento de medicin). El controlador detecta la seal de error y la amplifica a
un nivel lo suficientemente alto. La salida de un controlador automtico se
alimenta a un actuador, tal como un motor o una vlvula neumtica, un motor
hidrulico, o un motor elctrico. El actuador es un dispositivo de potencia que
produce la entrada para la planta de acuerdo con la seal de control, a fin de
que la seal de salida se aproxime a la seal de entrada de referencia.
El sensor, o elemento de medicin, es un dispositivo que convierte la variable
de salida en otra variable manejable, tal como un desplazamiento, una presin,
o un voltaje que pueda usarse para comparar la salida con la seal de entrada
de referencia [32].
Figura 2.1. Diagrama en bloques de un sistema de control industrial, formado por un
controlador automtico, un actuador, una planta y un sensor. (Elemento de medicin)
2.2.3. Controladores auto-operados: en la mayor parte de los controladores
automticos industriales, se usan unidades separadas para el elemento de
medicin y el actuador. Sin embargo, en algunos muy sencillos, como los
controladores auto-operados, estos elementos se integran en una unidad. Los
controladores auto-operados utilizan la potencia desarrollada por el elemento
de medicin, son muy sencillos y poco costosos [32].
2.2.4. Accin de control de dos posiciones o encendido y apagado
(on/off): en un sistema de control de dos posiciones, el elemento de actuacin
slo tiene dos posiciones fijas que, en muchos casos, son simplemente
encendido y apagado. El control de dos posiciones o de encendido y apagado
es relativamente simple y barato, razn por la cual su uso se ha extendido en
sistemas de control tanto industriales como domestico [32].
Si se supone que la seal de salida del controlador es u(t) y que la seal se
error es e(t). En el control de dos posiciones, la seal u(t) permanece en un
valor ya sea mximo o mnimo, dependiendo de si la seal de error es positiva
o negativa. De este modo,
u(t)= U1 para e(t)>0 (2-1)
u(t)= U2 para e(t)<0 (2-2)
Entrada
De referencia
Punto
De ajuste
amplifi-
cador
Sensor
Actuador Planta
Detector de errores
Salida
Seal
De error
Controlador automtico
-
+
En donde U1 y U2 son constantes. Por lo general, el valor mnimo de U2 es
cero o U1.
Las figuras 2.2(a) y 2.2(b) muestran los diagramas de bloques para dos
controladores de dos posiciones. El rango en que debe moverse la seal de
error antes de que ocurra la conmutacin se denomina brecha diferencial. En la
figura 2.2(b) puede observar una brecha diferencial. Tal brecha provoca que la
salida del controlador u(t) conserve su valor presente hasta que la seal de
error se halla desplazado ligeramente mas all de cero. En algunos casos, la
brecha diferencial es el resultado de una friccin no intencionada y de un
movimiento perdido; sin embargo, con frecuencia se provoca de manera
intencional para evitar una operacin demasiado frecuente del mecanismo de
encendido y apagado [32].
Figura 2.2(a). Diagrama de bloques de un controlador
de encendido y apagado
Figura 2.2 (b). Diagrama de bloques de un controlador de
Encendido y apagado con una brecha diferencial
e
-
+
u
U1
U2
Brecha
-
+
e u
U1
U2
2.2.5. Accin de control proporcional: El control proporcional se conoce
como control continuo, ya que proporciona una respuesta instantnea del
controlador a los cambios que existan en el error.
Para un controlador con accin proporcional, la relacin entre la salida del
controlador u(t) y la seal de error e(t) es :
U(t)= K
p
e(t) (2-3)
O bien, en cantidades transformadas por el mtodo de laplace
p
K
s E
s U

) (
) (
(2-4)
En donde K
p
se considera la ganancia proporcional.
El Controlador proporcional es, en esencia, un amplificador con una ganancia
ajustable. El la figura 2.3 se presenta un diagrama en bloques de este
controlador.
Figura 2.3. Diagrama en bloques de un controlador
Proporcional.
2.2.6. Accin de control integral: en un controlador con accin de control
integral, el valor de las salida del controlador u(t) se cambia a una razn
proporcional a la seal de error e(t):
) (
) (
t e K
dt
t du
i
(2-5)
-
+
E(s)
))
U(s)
))
K
p
O bien
dt t e k t u
t
i

0
) ( ) ( (2-6)
En donde K
i
es una constante ajustable. La funcin de transferencia del
controlador integral es:
s
k
s E
s U
i

) (
) (
(2-7)
Si se duplica el valor de e(t), el valor de u(t) varia dos veces mas rpido. Para
un error de cero, el valor de u(t) permanece estacionario. En ocasiones, la
accin de control integral se denomina control de reajuste (reset). En la figura
2.4 se muestra un diagrama en bloques de este controlador [32].
Figura 2.4. Diagrama en bloques de un controlador integral
La funcin principal de la accin integral es asegurar que la salida de los
procesos acceda con el punto de trabajo en estado estable.
El propsito de la accin integral de control es eliminar el error en estado
estacionario u Offset. Lo hace por medio de la integracin o acumulacin del
error en el tiempo [32].
2.2.7. Accin de control proporcional- integral: la accin de un controlador
proporcional- integral (PI) se define mediante
-
+
E(s)
))
U(s)
)
s
K
i
dt t e
T
k
t e k t u
t
i
p
p

+
0
) ( ) ( ) ( (2-8)
O la funcin de transferencia del controlador es

,
`

.
|
+
s T
k
s E
s U
i
p
1
1
) (
) (
(2-9)
En donde K
p
es la ganancia proporcional y T
i
se denomina tiempo integral.
Tanto como K
p
como T
i
son ajustables. El tiempo integral ajusta la accin
integral, mientras que un cambio en el valor de K
p
afecta las partes integral y
proporcional de la accin de control. El inverso del tiempo integral T
i
se
denomina velocidad de reajuste. La velocidad de reajuste es la cantidad de
veces por minuto que se duplica la parte proporcional de la accin de control.
La velocidad de reajuste se mide en trminos de las repeticiones por minuto. La
figura 2.5 muestra un diagrama en bloques de un controlador proporcional ms
integral [32].
Figura 2.5. Diagrama en bloques de un controlador proporcional-
Integral
Si la seal de error e(t) es una funcin escaln unitario, como se aprecia en la
figura 2.6 , la salida del controlador u(t) se convierte en lo que se muestra en la
figura 2.7.
-
+
E(s)
))
U(s)
)
| )
s T
s T K
i
i p
+ 1
Figura 2.6. Entrada escaln unitario
Figura 2.7. Salida del controlador a un escaln unitario
Muchos controladores industriales tienen solo accin PI. Se puede demostrar
que un control PI es adecuado para todos los procesos donde la dinmica es
esencialmente de primer orden [32].
2.2.8. Accin de control proporcional derivativa: la accin de un
controlador proporcional- derivativa (PD) se define mediante
dt
t de
T k t e k t u
d p p
) (
) ( ) ( + (2-10)
Y la funcin de transferencia es
| ) s T k
s E
s U
d p
+ 1
) (
) (
(2-11)
1
t 0
E(t)
))))
Escaln
K
(Solo proporcional)
Accin de
Control PD
0
u(t)
)
t
Donde k
p
es la ganancia proporcional y T
d
es una constante denominada tiempo
derivativo. Tanto como K
p
como T
d
son ajustables. La accin de control
derivativa, es en ocasiones denominada control de velocidad, ocurre donde la
magnitud de la salida del controlador es proporcional a la velocidad de cambio
de la seal de error. El tiempo derivativo T
d
es el intervalo de tiempo durante el
cual la accin de la velocidad hace avanzar el efecto de la accin de control
proporcional. La figura 2.8 muestra un diagrama de bloques de un controlador
proporcional- derivativo. Si la seal de error e(t) es una funcin rampa unitaria
como se aprecia en la figura 2.9, la salida del controlador u(t) se convierte en la
que se muestra la figura 2.10 [32].
Figura 2.8. Diagrama en bloques de un controlador proporcional-
Derivativo.
Figura 2.9. Entrada rampa unitaria
t
0
E(t)
)
Rampa
-
+
E(s)
))
U(s)
)))
| ) s T K
d p
+ 1
Figura 2.10. Salida del controlador a una entrada rampa.
La accin de control derivativa tiene un carcter de previsin. Sin embargo, es
obvio que una accin de control derivativa nunca prev una accin que nunca
ha ocurrido [32].
Auque la accin de control derivativa tiene la ventaja de ser de previsin, tiene
las desventajas de que amplifica las seales de ruido y puede provocar un
efecto de saturacin en el actuador. La accin de control derivativa no se usa
nunca sola, debido a que solo es eficaz durante periodos transitorios. El
propsito de la accin derivativa es mejorar la estabilidad a lazo cerrado [32].
Cuando una accin de control derivativa se agrega a un controlador
proporcional, permite obtener un controlador de alta sensibilidad, es decir, que
responde a la velocidad del cambio del error y produce una correccin
significativa antes de que la magnitud del error se vuelva demasiado grande.
Aunque el control derivativo no afecta en forma directa al error de estado
estacionario, aade amortiguamiento al sistema y, por tanto, permite un valor
mas grande que la ganancia K, lo cual provoca una mejora en la precisin en
estado estable [32].
2.2.9. Accin de control proporcional- integral- derivativa: es la
combinacin de la accin proporcional, integral y derivativa (PID). Esta accin
combinada tiene las ventajas de cada una de las tres acciones de control
individuales. La ecuacin del controlador con esta accin combinada se obtiene
mediante [32]:
0
u(t)
(Solo proporcional)
Accin de
Control PD
t
dt
t de
T k dt t e
T
k
t e k t u
d p
t
i
p
p
) (
) ( ) ( ) (
0
+ +

(2-12)
O la funcin de transferencia es

,
`

.
|
+ + s T
s T
k
s E
s U
d
d
p
1
1
) (
) (
(2-13)
En donde K
p
es la ganancia proporcional, T
i
es el tiempo integral y T
d
es el
tiempo derivativo. El diagrama en bloques de un controlador proporcional-
integral- derivativo se muestra en la figura 2.11.
Figura 2.11. Diagrama de bloques de un controlador proporcional- integral
Derivativo.
La estructura de un controlador PID es simple, aunque su simpleza es tambin
su debilidad, dado que limita el rango de plantas donde pueden controlar en
forma satisfactoria (existe un grupo de plantas inestables que no pueden
estabilizadas con ningn miembro de la familia PID.
Con un control proporcional, es necesario que exista error para tener una
accin de control distinta de cero. Con accin integral, un error pequeo
positivo siempre dar una accin de control creciente, y si fuera negativo la
seal de control ser decreciente. Este razonamiento sencillo muestra que el
error en rgimen permanente ser siempre cero.
-
+
E(s)
))
U(s)
))
| )
s T
s T T s T K
i
d i i p
2
1 + +
Los controladores tienen varias funciones importantes: ellos proveen
realimentacin, ellos tiene la habilidad para eliminar el estado estable de
compensacin por la accin integral, ellos pueden anticipar el futuro a travs de
la accin derivativa y ellos pueden contrastar con un actuador de saturacin.
Los controladores PID son tambin suficientes para muchos problemas de
control, particularmente donde hay dinmicas de procesos favorables y
modestos requerimientos de desempeo.
El controlador PID es el algoritmo de control ms comn. Este es
implementado de muchas formas diferentes. El algoritmo PID puede ser
aproximado de muchos ngulos diferentes. Este tambin puede ser
considerado como un dispositivo que puede operar con pocas reglas de
manejo, pero este tambin puede aproximarse analticamente.
2.3. Efectos de las acciones de control integral y derivativo sobre el
desempeo de un sistema.
2.3.1. Accin de control integral: en el control proporcional de una planta,
cuya funcin de transferencia no posee un integrador 1/s, hay un error en
estado estable, o desplazamiento (offset), en la respuesta para una entrada
escaln. Tal offset se elimina si se incluye la accin de control integral en el
controlador [32].
En el control integral de una planta, la seal de control, que es la seal de
salida a partir del controlador, es, en todo momento el rea bajo la curva de la
seal de error hasta tal momento. La seal de control u(t) tiene un valor
diferente de cero cuando la seal de error e(t) es cero, como se aprecia en la
figura 2.12. Esto es posible en el caso del controlador proporcional, dado que
una seal de control diferente de cero requiere de una seal de error diferente
de cero. (Una seal de error diferente de cero en estado estable significa que
hay una equivalencia). La figura 2.13 muestra la curva e(t) contra t y la curva
u(t) correspondiente contra t cuando el controlador es de tipo proporcional [32].
Figura 2.12. Graficas de las curvas e(t) y u(t) que muestran una seal de control
Diferente de cero cuando la seal de error es cero (control integral)
Figura 2.13. Graficas de las curvas e(t) y u(t) que muestran una seal de control
De cero cuando la seal de error es cero (control proporcional).
La accin de control integral, aunque elimina el offset o el error en estado
estable, puede conducir a una respuesta oscilatoria de amplitud decreciente
lenta o incluso, de amplitud creciente, y ambos casos, por lo general, se
consideran inconvenientes [32].
2.3.2. Accin de control derivativa: cuando una accin de control derivativa
se agrega a un controlador proporcional, aporta un medio de obtener un
controlador con alta sensibilidad. Una ventaja de usar una accin de control
derivativa es que responde a la velocidad del cambio del error y produce una
correccin significativa antes de que la magnitud del error se vuelva demasiado
grande. El control derivativo prev el error, inicia una accin correctiva
oportuna y tiende a aumentar la estabilidad del sistema [32].
u(t)
0
t
E(t)
))
t
0
U(t)
0
t
E(t)
t
0
Aunque el control derivativo no afecta en forma directa el error en estado
estable, aade amortiguamiento al sistema y, por tanto, permite el uso de un
valor ms grande que la ganancia, lo cual provoca una mejora en la precisin
de estado estable [32].
Debido a que el control derivativo opera sobre la velocidad de cambio de error,
y no sobre el mismo, este modo nunca se usa solo. Siempre se emplea junta
con una accin de control proporcional o proporcional- integral.
2.4. Sintonizacin de controladores PID
Debido a que casi todos los controladores PID se ajustan en el sitio, en la
literatura se han propuesto muchos tipos diferentes de sintonizacin delicada y
fina de los controladores PID en el sitio. Asimismo, se han desarrollado
mtodos automticos de sintonizacin y algunos de los controladores PID
poseen capacidad de sintonizacin en lnea.
2.4.1. Control PID de plantas: la figura 2.14 muestra el control PID de una
planta. Si se puede obtener un modelo matemtico de la planta, es posible
aplicar diversas tcnicas de diseo con el fin de determinar los parmetros del
controlador que cumpla las especificaciones en estado transitorio y en estado
estable del sistema en lazo cerrado. Sin embargo, si la planta es tan
complicada que no es fcil obtener su modelo matemtico, tampoco es posible
un enfoque analtico para el diseo de un controlador PID. En este caso se
debe recurrir a los enfoques experimentales para la sintonizacin de los
controladores PID [32].
Figura 2.14. Control PID de una planta.
El proceso de seleccionar los parmetros del controlador que cumplan con las
especificaciones de desempeo se conoce como sintonizacin del controlador.
Ziegler y Nichols sugirieron mas reglas para sintonizar los controladores PID.
(Lo cual significa establecer valores K
p
, T
i
Y T
d
) con base en las respuestas
escaln experimentales o basadas en el valor de K
p
que se produce en la
estabilidad marginal cuando solo se usa la accin de control proporcional [32].
2.4.2. Reglas de Ziegler Nichols para sintonizar controladores PID:
Ziegler y Nichols propusieron unas reglas para determinar los valores de la
ganancia proporcional K
p
, del tiempo integral y T
i
del tiempo derivativo T
d
, con
base en las caractersticas de respuesta transitoria de una planta especfica.
Tal determinacin de los parmetros de los controladores PID o de la
sintonizacin de los controladores PID la realizan los ingenieros en el sitio
mediante experimentos sobre la planta [32].
Existen dos mtodos denominados reglas de sintonizacin de Ziegler- Nichols.
En ambos se pretende obtener un 25% de sobrepaso mximo en la respuesta
escaln.
2.4.2.1. Primer mtodo. Mtodo basado en la curva de reaccin: en el
primer mtodo, la respuesta de la planta a una entrada escaln unitario se
obtiene de manera experimental, como se observa en la figura 2.15. Si la
planta no contiene integradores ni polos dominantes complejos conjugados, la
curva de respuesta escaln unitario puede tener forma de S, como se observa
en la figura 2.16. (Si la respuesta no exhibe una curva con forma de S, este
-
+
Planta

,
`

.
|
+ + s T
s T
k
d
i
p
1
1
mtodo no es pertinente). Tales curvas de respuesta escaln se generan
experimentalmente o a partir de una simulacin dinmica de la planta [32, 33].
Figura 2.15. Respuesta escaln unitario de una planta.
Figura 2.16. Curva de respuesta con forma de S
La curva con forma de S se caracteriza por dos parmetros: el tiempo de
retardo L y la constante de tiempo T. el tiempo de retardo y la constante de
tiempo se determinan dibujando una recta tangente en el punto de inflexin de
la curva con forma de S y determinando las intersecciones de esta tangente
con el eje del tiempo y la lnea c(t)= K, como se aprecia en la figura 2.16.
Ziegler y Nichols sugirieron establecer los valores de K
p
, T
i
y T
d
de acuerdo con
la formula que aparece en la tabla 1.
Tipo de
controlador
K
p
T
i
T
d
planta
aA u(t) e(t)
1
t
K
Lnea tangente el
Punto de inflexin
0
C(t)
T L
P
L
T 0
PI
L
T
9 . 0
3 . 0
L 0
PID
L
T
2 . 1
L 2 L 5 . 0
Tabla 1. Regla de sintonizacin Ziegler- Nichols basada en la respuesta escaln de la planta
(primer mtodo)
2.4.2.2. Segundo mtodo. Mtodo de oscilacin: en el segundo mtodo,
primero se establece T
i
= y T
d
= 0. Usando solo accin de control
proporcional como se muestra en la figura 2.17, se incrementa K
p
de cero a un
valor crtico K
cr
en donde la salida exhiba primero oscilaciones sostenidas. Si la
salida no presenta oscilaciones sostenidas para cualquier valor que pueda
tomar K
p
, no se aplica este mtodo. Por tanto, la ganancia crtica K
cr
y el
periodo P
cr
correspondiente se determinan experimentalmente como se
observa en la figura 2.18. Ziegler y Nichols sugirieron que se establecieran los
valores de los parmetros K
p
, T
i
y T
d
de acuerdo con la formula que aparece
en la tabla 2.
Figura 2.17. Sistema en lazo cerrado con controlador Proporcional.
Figura 2.18. Oscilacin sostenida con un
Periodo P
cr
Tipo de K
p
T
i
T
d
-
+
R(t)
K
Planta
C(t) U(t)
P
c
t 0
c(t)
controlador
P
cr
K 5 . 0 0
PI
cr
K 45 . 0
cr
P
2 . 1
1 0
PIDS
cr
K 6 . 0
cr
P 5 . 0
cr
P 125 . 0
Tabla 2. Regla de sintonizacin Ziegler- Nichols basada en la ganancia critica K
cr
y en el
periodo critico P
cr
(segundo mtodo)
Sin embargo, si la planta tiene un integrador, en algunos casos estas reglas no
son pertinentes.
2.4.3. Mtodo de asignacin de polos
La asignacin de polos es un mtodo de diseo de controladores cuando se
quiere que el desempeo del sistema a lazo cerrado cumpla con determinadas
especificaciones de diseo [31].
Considere el lazo nominal de la Figura 2.19 con las siguientes funciones
transferencias:
) (
) (
) (
s L
s p
s c
) (
) (
) (
0
0
0
s A
s B
s G (2-14)
Figura 2.19. Diagrama en bloques estructura de controlador PID
Con P(s), L(s), B0(s) y A0(s) polinomios de grados np, nl , n - 1 y n
respectivamente (se asume que el modelo nominal de la planta es
estrictamente propio).Considere que el polinomio a lazo cerrado deseado est
dado por Alc [31].
PID G(s)
Y(s)
U(s)
)
R(s)
)
Ejemplo:
Sea el modelo nominal de una planta dada y un controlador de la forma:
2 3
1
) (
2 0
+ +

s s
s G (2-15)
) (
) (
) (
s L
s P
s c
Se puede ver que Alc = A0(s)L(s) + B0(s)P(s) = (s2 + 3s + 2)(l1s + l0) + (p1s +
p0). Si se igualan los coeficientes se obtiene el siguiente sistema de
ecuaciones:
]
]
]
]
]
]

1 0 2 0
0 2 3 2
0 0 1 3
0 0 0 1
]
]
]
]
]
]

1
0
1
0
p
p
l
l
=
]
]
]
]
]
]

1
3
3
1
(2-16)
Se puede verificar que la matriz anterior es no-singular, por lo que el sistema
tendr solucin nica: l1 = 1, l0 = 0, p1 = 1 y p0 = 1. As el polinomio
caracterstico es alcanzado para un controlador dado por la siguiente funcin
transferencia [31]:
s
s
s C
1
) (
+
(2-17)
En el ejemplo anterior se vio como la asignacin de polos a lazo cerrado
depende de la no-singularidad de una matriz particular. Como la idea es
generalizar el resultado anterior, primero se necesitan algunos resultados
matemticos [31].
2.4.3.1. Teorema 1 (Teorema de Sylvester). Considere los polinomios
A(s) = ansn+ = an-1sn-1 + . . . + = a1s + a0, (2-18)
B(s) = bnsn + bn-1sn-1 + . . . + = b1s + b0, (2-19)
Junto con la matriz
(2-20)
Se dice que A(s) y B(s) son coprimos, es decir que no tienen factores en
comn o races, si y solo si det(Me) 0 [31].
Con este resultado se puede ahora generalizar lo visto en el Ejemplo, para
mostrar que la asignacin de polos es generalmente posible, cuando se
cumplen algunos requerimientos mnimos [31].
2.4.3.2. Lema 1 (Asignacin de Polos SISO). Considere un lazo de
realimentacin de un grado de libertad con un controlador C(s) y un modelo
nominal G0(s) dado por (2-14). Suponiendo que A0(s) y B0(s) son coprimos y
que sus grados son n y n -1, respectivamente. Sea Alc un polinomio arbitrario
de grado nc = 2n -1. Entonces existen polinomios P(s) y L(s), con grados np = nl
= n -1 tal que [31]:
A0(s)L(s) + B0(s)P(s) = Alc(s) (2-21)
Nota 1. El lema anterior establece bajo qu condiciones existe solucin para el
problema de asignacin de polos, asumiendo un controlador bipropio, Cuando
se requiere un controlador estrictamente propio, el grado de P(s) y L(s) debera
ser np = n -1 y nl = n, respectivamente. De esta forma, para poder estar en
condiciones de elegir un polinomio a lazo cerrado Alc(s) arbitrario, su grado
debera ser igual a 2n [31].
Nota 2. No estn permitidas las cancelaciones del estilo polo-cero inestables.
Cualquier cancelacin entre el controlador y la planta aparecer como factor en
A0(s) L(s) y tambin en B0(s) P(s). Para que la condicin del lema 1 pueda ser
satisfecha, el mismo factor deber aparecer en Alc(s), pero el polinomio
caracterstico a lazo cerrado se debe elegir estable, por lo que ese factor
comn deber ser estable. Slo de esta forma, el lazo cerrado nominal es
garanta de ser internamente estable, es decir, las cuatro funciones de
sensibilidad sern estables [31].
Considerando un lazo de control de un grado de libertad con controladores PI
de la siguiente forma [31]:
s
k
k s C
i
p PI
+ ) ( (2-22)
Y la forma del controlador PID
1
) (
+
+ +
s
s k
s
k
k s C
D
d i
p PID

(2-23)
Para referencias futuras se nota la siguiente representacin alternativa de un
controlador PID:
2.4.3.3. Lema 2. Cualquier controlador de la forma: es idntico al controlador
PID de (3-23) con los siguientes valores de los parmetros [31]:
s d s d
n s n s n
s C
1
2
2
0 1
2
2
) (
+
+ +
(2-24)
2
1
2 0 1 1
d
d n d n
k
p
+
(2-25)
1
0
d
n
k
i
(2-26)
3
1
2
2 0 2 1 1
2
1 2
d
d n d d n d n
k
d
+
(2-27)
1
2
d
d
D
(2-28)
Demostracin. Desarrollando en fracciones simples (2-23) y comparndola
con (2-24) se obtienen dichos coeficientes.
Si se asume que la planta puede ser (por lo menos, aproximadamente)
modelada por un modelo de segundo orden, entonces se puede utilizar
asignacin de polos para sintonizar un controlador PID [31].
2.5. Modificaciones de los esquemas de control PID
Considerando el sistema de control PID bsico de la figura 2.20, en el cual el
sistema esta sujeto a perturbaciones y ruido. La figura 2.21 es un diagrama de
bloques modificado del mismo sistema. En un sistema de control PID bsico,
como el de la figura 2.21, si la entrada de referencia es una funcin escaln,
debido a la presencia del trmino derivativo en la accin de control, la variable
manipulada u(t) contendr una funcin impulso. En un controlador PID real, en
lugar del trmino derivativo puro T
d
s se emplea
s T
T
d
d
+ 1
(2-29)
donde el valor de est en algn punto alrededor de 0.1. Por tanto, cuando la
entrada de referencia es una funcin escaln, la variable manipulada u(t) no
contendr una funcin impulso, sino que implicar una funcin de pulso aguda.
Tal fenmeno se denomina reaccin del punto de ajuste.
Figura 2.20. Sistema de un controlador PID
Entrada de
Referencia R(s)
-
+ +
+
+
+
Controlador
PID
Planta
Gp(s)
Perturbacin
D(s)
Salida
(s)
Ruido
N(s)
Seal observada B(s)
Figura23.21. Diagrama en bloques equivalente.
2.5.1. Control PI-D para evitar el fenmeno de reaccin del punto de ajuste,
se pretende operar la accin derivativa solo en la trayectoria de realimentacin,
a fin de que la diferenciacin ocurra nicamente la seal de realimentacin y no
en la seal de referencia. El esquema de control ordenado de esta forma se
denomina PI-D. La figura 2.22 muestra un sistema con un control PI-D.
Figura 2.22. Sistema de un controlador PI-D.
2.5.2. Control I-PD: se considera nuevamente el caso en que la entrada de
referencia es una funcin escaln. Tanto el control PID como el control PI-D
implican una funcin escaln en la seal manipulada. En muchas ocasiones, tal
cambio escaln en la seal manipulada no es conveniente. Por tanto, puede
convenir mover la accin proporcional y la accin derivativa a la trayectoria de
-
+
+
+
+
R(s)
E(s)
T
d
1
s T
i
1
B(s)
+
+
K
p
D(s)
U(s)
+
+
G
p
(s)
Y(s)
+
+
-
+
R(s)
E(s)
T
d
1
s T
i
1
B(s)
+
+
K
p
D(s)
U(s)
G
p
(s)
Y(s)
N(s)
-
+
+
B(s)
realimentacin a fin de que estas acciones solo afecten la seal de
realimentacin. La figura 2.23 muestra el esquema de control, que se denomina
control I-PD.
Figura 2.23. Sistema con un controlador I-PD.
2.6. Integral windup
Ocurre cuando un regulador con accin integral es conectado a un proceso con
un actuador de saturacin.
Aunque muchos aspectos de un sistema de control pueden ser comprendidos
basados en la teora lineal, se deben considerar algunos efectos no lineales.
Todos los actuadores tienen limitaciones: un motor tiene limitacin de
velocidad, una vlvula no puede estar mas que completamente abierta o
completamente cerrada, etc. Cuando un sistema de control opera por encima
del rango de las condiciones de operacin, esto puede ocurrir que la variable
de control alcance los lmites del actuador. Cuando esto sucede el lazo de
realimentacin es efectivamente abierto porque el actuador quedar como esta
limitacin independientemente de la salida del proceso. Si es usada la accin
integral, el error continuar para ser integrado. Esto significa que el trmino
integral puede volverse muy grande o, coloquialmente, (el error winds up, en
idioma ingles). Entonces esto requiere que cambie la seal de error por un
-
+
R(s)
T
d
s
1
s T
i
1
B(s)
+
+
K
p
D(s)
U(s)
+
+
G
p
(s)
Y(s)
N(s) B(s)
-
+
largo perodo antes de que se normalice. Las consecuencias es que cualquier
controlador con accin integral puede dar una gran transicin cuando se satura
el actuador.
El fenmeno windup es ilustrado en la figura 2.24. La cual muestra el control de
un proceso con un controlador PI. La transicin del punto inicial de trabajo es
tan grande que el actuador se satura en el lmite alto. El integrador aumenta
inicialmente porque el error es positivo, y alcanza su valor ms grande al
timepo de t=10 cuando el error pasa por el cero. La salida queda saturada en
este punto debido al grande valor de la integral, y esto no permite el lmite de
saturacin hasta que el error haya sido negativo para un largo tiempo para
permitir que la parte integral descienda a un pequeo nivel. El efecto neto es un
gran exceso, el cual es claramente notable en la figura 2.24. La integral windup
puede ocurrir en conexin con un gran cambio del punto de trabajo o puede ser
causado por grandes perturbaciones o malfuncionamiento de equipos.
Figura 2.24. Ilustracin de integral windup.
0
4 0
1
0
4
0
0.1
-0.1
0
4
0
0.
1
Captulo 3
Discretizacin de sistemas y linealizacin de
sistemas no lineales
3.1. Linealizacin de sistemas no lineales
El proceso de linealizar sistemas no lineales es importante, porque linealizar
ecuaciones no lineales permite aplicar numerosos mtodos de anlisis lineal
que proporcionen informacin acerca del comportamiento de los sistemas no
lineales [32].
La mayora de los componentes y actuadotes que se encuentran en sistemas
fsicos tienen caractersticas no lineales. En la prctica estas no linealidades
pueden ser moderadas o pueden aparecer en ciertas regiones de operacin. Al
modelar estos dispositivos como sistemas lineales se pueden obtener
resultados analticos muy exactos sobre un intervalo amplio de condiciones de
operacin. Sin embargo, existe un sinnmero de dispositivos fsicos que
poseen caractersticas fuertemente no lineales. Para estos dispositivos, un
modelo no linealizado solo es valido en un intervalo de condiciones muy
limitado, y a menudo slo en el punto de operacin en el que se realiz la
linealizacin. Cuando un sistema no lineal es linealizado en un punto de
operacin, el modelo no lineal puede contener elementos variantes con el
tiempo [33].
Como los sistemas no lineales son normalmente difciles de analizar y disear,
es deseable realizar una linealizacin cuando la situacin lo justifique [33].
La capacidad de representar un sistema no lineal y/o variante con el tiempo
mediante ecuaciones de estado es una ventaja que distingue al enfoque de
variables de estado sobre el mtodo de la funcin de transferencia, ya que este
ultimo solo esta definido estrictamente para sistemas lineales invariantes con
el tiempo. Como ejemplo, considere las siguientes ecuaciones no lineales [33]:
) ( ) (
) (
2
2 1
1
t x t x
dt
t dx
+ (3-1)
) ( ) (
) (
1
2
t r t x
dt
t dx
+ (3-2)
Con la expansin en series de Taylor de las ecuaciones de estado no lineales
alrededor de un punto o trayectoria de operacin nominal se puede llegar a un
proceso de linealizacin. Todos los trminos de la serie de Taylor de orden
superior a uno se descartan, y resulta la aproximacin lineal de las ecuaciones
de estado no lineales en el punto nominal [33].
Un sistema no lineal se representa mediante las ecuaciones de estado de
forma matricial:
| } ) ( ), (
) (
t r t x f
dt
t dx
(3-3)
Donde ) (t x representa el vector de estado de 1 n , ) (t r es el vector de entrada
de 1 p y | } ) ( ), ( t r t x f denota un vector funcin de 1 n . En general, f es una
funcin del vector de estado y del vector de entrada [33].
La trayectoria de operacin nominal se denota pro x
0
(t), la cual corresponde a
la entrada nominal r
0
(t) y algunos estados iniciales fijos. Al expandir la ecuacin
de estado no lineal de la ecuacin 3-3 en una serie de Taylor alrededor de x(t)
= x
0
(t) y descartando los trminos de orden superior se obtiene [33]:
) (
) , (
) (
) , (
) , ( ) (
0
,
1 1
0
,
0 0
0 0
0 0
j j
r x
n
j
p
j j
i
j j
r x
j
i
i i
r r
r
r x f
x x
x
r x f
r x f t x

+


& (3-4)
En donde i = 1,2,, n
Sea:
oi i i
x x x (3-5)
y
j j j
r r r
0
(3-6)
Entonces
i i i
x x x
0
& & & (3-7)
Ya que
) , (
0 0 0
r x f x
i i
& (3-8)
La ecuacin (3-2) se escribe como:
j
r x
n
j
p
j j
i
j
r x
j
i
i
r
r
r x f
x
x
r x f
x

0 0
0 0 ,
1 1
,
) , ( ) , (
& & (3-9)
La ecuacin (3-7) se pude escribir en la forma matricial:
r B x A x + * * & (3-10)
En donde:
]
]
]
]
]
]
]
]
]
]

n
n n n
n
n
x
f
x
f
x
f
x
f
x
f
x
f
x
f
x
f
x
f
A
...
. ... . .
...
...
*
2 1
2
2
2
1
2
1
2
1
1
1
(3-11)
]
]
]
]
]
]
]
]
]
]

n
n n n
n
n
r
f
r
f
r
f
r
f
r
f
r
f
r
f
r
f
r
f
B
...
. ... . .
...
...
*
2 1
2
2
2
1
2
1
2
1
1
1
(3-12)
3.2. Discretizacin de sistemas en tiempo continuo.
En este capitulo se estudian algunos de los procedimientos para obtener
sistemas en tiempo discreto que se comporten aproximadamente igual que un
sistema en tiempo continuo. Esta operacin suele denominarse discretizacin
[34].
Existen tres tcnicas fundamentales, cada una de ellas con distintos mtodos o
variantes.
(I) transformaciones ) (Z f s
Consiste en sustituir en ) (s G la variable s por una funcin racional en Z . Son
sencillas y flexibles de aplicar, en casi cualquier situacin. Pueden justificarse
de distintas maneras [34]:
a) como una aproximacin a ala derivacin
b) como una aproximacin a la integracin
c) como una aproximacin racional de
s T
s
e Z
I.1 puede verse como una derivacin adelantada, no causal (forward rule) o
como una integracin rectangular retrasada
i.2 puede verse como una derivacin (back rule) o como una integracin
rectangular
I.3 puede verse como una integracin trapezoidal. Es la transformacin bilineal
con
s
T c / 2 . Se conoce tambin como la regla de Tustin.
I.4 es la transformacin bilineal con prewarping
Propiedades y comentarios
todas conservan la ganancia esttica, ya que 0 ) 1 ( f
los polos y ceros en s se transforman mediante aproximaciones
racionales de
s T
s
e Z . Si ) (s G est en forma ceros-polos resulta cmodo
transformarlos individualmente; pero debe ajustarse adems una
ganancia.
Estudiando la transformacin de los polos se demuestra que todas,
salvo I.1 conserva la estabilidad: si ) (s G es estable, tambin lo ser
) (Z G
3.2.1. Implementacin digital de controladores analgicos
Existen situaciones bajo las cuales el controlador analgico ya est diseado,
pero la disponibilidad y las ventajas del control digital sugieren que el
controlador sea implementado por elementos digitales [33].
3.2.1.1. Implementacin digital del controlador PID
El controlador digital en el dominio del tiempo continuo se describe como:
s
K
s K K s G
i
D p c
+ + ) ( (3-13)
El componente proporcional
p
K se implementa en forma digital mediante una
ganancia constante
p
K . La constante
p
K no puede realizarse con resolucin
infinita [33].
La derivada con respecto al tiempo de una funcin ) (t f en kT t se puede
aproximar mediante la regla de la diferencia hacia atrs, empleando los
valores de ) (t f medidos en kT t y T k ) 1 ( ; esto es:
]) ) 1 [( ) ( (
1 ) (
T k f kT f
T dt
t df
kT t

(3-14)
Para encontrar la funcin de transferencia Z de la operacin derivada descrita
anteriormente, se toma la transformada Z en ambos lados de la ecuacin 3-14.
Se tiene:
| ) ) (
1
) ( 1
1 ) (
1
Z F
TZ
Z
Z F Z
T dt
t df
kT t

,
`

.
|

(3-15)
Por lo que la funcin de transferencia Z del diferenciador digital es:
TZ
Z
K z G
D c
1
) (

(3-16)
Donde
D
K es la constante proporcional de la derivada del controlador. Al
sustituir Z por e
Ts
en la ecuacin 3-16, se puede mostrar que el periodo de
muestreo T se aproxima a cero, ) (z G
D
se aproxima a s K
D
, que es la funcin de
transferencia de la derivada del controlador analgico. La seleccin del periodo
de muestreo es muy importante, el valor de T debe ser lo suficientemente
pequeo, para la aproximacin digital sea exacta [33].
Hay un nmero de reglas de integracin numrica que pueden emplearse para
aproximar de forma digital al controlador integral s K
I
/ . Los tres mtodos
bsicos de integracin numrica del rea de una funcin son: integracin
trapezoidal, integracin rectangular hacia delante e integracin rectangular
hacia atrs [33].
3.2.1.1.1. Integracin trapezoidal
La regla de integracin trapezoidal aproxima el rea bajo la funcin ) (t f
mediante una serie de trapezoides, como se muestra en la figura 3.1. Sea el
integral de ) (t f evaluado en kT t designado como ) (kT u . Entonces:
| ) | ) | } | ) | ) | } { } T k f kT f
T
T k u kT u 1
2
1 + + (3-17)
Figura 3.1. Regla de integracin trapezoidal
Donde el rea bajo ) (t f para kT t T k < ) 1 ( se aproxima mediante el rea del
trapezoide en el intervalo. Tomando la transformada Z en ambos miembros de
la ecuacin 3-17, se tiene la funcin de transferencia del integrador digital como
[33]:
) 1 ( 2
) 1 (
) (
) (
) (

+

Z
Z T K
z f
z U
K z G
i
i i
(3-18)
Donde
i
K es la constante proporcional.
| ) | )
) 1 (
/ / 2 2 / / 2 /
) (
2

+ + + +

Z Z
T K Z T K K TK Z T K TK K
z Gc
D D p I D i p
(3-19)
3.2.1.1.2. Integracin rectangular hacia delante
Para la integracin rectngula hacia delante, se aproxima el rea bajo
) (t f mediante rectngulos como se muestra en la figura 3.2. La integral de
) (t f en kT t se aproxima por:
| ) | ) | } ) ( 1 kT Tf T k u kT u + (3-20)
Figura 3.2. Regla de integracin rectangular hacia delante.
Al tomar la transformada Z en ambos miembros de la ecuacin 3-20, la funcin
de transferencia del integrador digital empleando la regla rectangular hacia
delante es [33]:
) 1 ( ) (
) (
) (

Z
TZ K
z f
z U
K z G
i
i i
(3-21)
| ) | )
) 1 (
/ / 2 /
) (
2

+ + + +

Z Z
T K Z T K K Z TK T K K
z Gc
D D p I D P
(3-22)
3.2.1.1.3. Integracin rectangular hacia atrs
Para integracin rectangular hacia atrs, la regla de aproximacin digital se
ilustra en la figura 3.3. La integral de ) (t f en kT t se aproxima mediante [33]:
| ) | ) | } ] ) 1 [( 1 T k Tf T k u kT u + (3-23)
Figura 3.3. Regla de integracin rectangular hacia atrs
La funcin de transferencia z del integrador digital empleando la regla de
integracin rectangular hacia atrs es:
) 1 ( ) (
) (
) (

Z
T K
z f
z U
K z G
i
i i
(3-24)
| ) | )
) 1 (
/ / 2 /
) (
2

+ + +

Z Z
T K Z T K K TK Z T K K
z Gc
D D p I D p
(3-25)
Cuando 0
I
K , la funcin de transferencia del controlador PID digital es:
| )
Z
T K Z T K K
z Gc
D D p
/ /
) (
+
(3-26)
3.2.2. ndices de desempeo
Un sistema de control optimo, cuyo diseo optima (minimiza o maximiza), el
valor de la funcin seleccionada como el ndice de desempeo, que difiere del
ideal pero es mas alcanzable en presencia de restricciones fsicas [35].
Al disear un sistema de control optimo se necesita encontrar una regla para
determinar la decisin de control presente, sujeta aciertas restricciones, para
minimizar alguna medida de desviacin de un comportamiento ideal. Dicha
medida es provista, generalmente, por el ndice de desempeo seleccionado
que es una funcin cuyo valor se considera una indicacin de qu tanto se
parece el desempeo del sistema real al desempeo deseado. En la mayora
de los casos, el comportamiento del sistema se hace ptimo al escoger el
vector de control ) (K U de tal forma que el ndice de desempeo se minimice (o
maximice, dependiendo de la naturaleza del ndice de desempeo
seleccionado). La seleccin de un ndice de desempeo apropiado es
importante porque, en alto grado, determina la naturaleza del sistema de
control ptimo resultante. Esto es, que el sistema resultante sea lineal, no
lineal, estacionario, o variante en el tiempo, depender de la forma del ndice
de desempeo. Los requisitos de diseo por lo regular no slo incluyen
especificaciones de desempeo, sino tambin, para asegurar que sea
fsicamente realizable, restringen la forma del control a utilizar [35].
El proceso de optimizacin no solo debe proveer leyes de control ptimo y
configuraciones de los parmetros, sino tambin debe predecir la degradacin
en el desempeo debido a cualquier desvo del valor mnimo (o mximo) de la
funcin del ndice de desempeo que resulta cuando se aplican leyes de
control no optimas [35].
El escoger el ndice de desempeo mas apropiado para un problema dado es
muy difcil, especialmente en sistemas complejos. El uso de la teora de
optimacin en el diseo de sistemas ha sido problemtico debido al conflicto
entre factibilidad analtica y la utilidad prctica al seleccionar el ndice de
desempeo. Es preferible que el criterio para un control ptimo se origine
desde un punto de vista prctico y no matemtico. En general, sin embargo, la
seleccin de un ndice de desempeo implica un compromiso entre una
evaluacin til del desempeo del sistema y un problema matemtico [35].
3.2.2.1. Formulacin de los problemas de optimizacin
El problema de optimizacin de un sistema de control se puede formular si se
tiene la siguiente informacin [35]:
1. ecuaciones del sistema
2. clase de vectores de control permitidos
3. restricciones en el problema
4. ndice de desempeo
5. parmetros del sistema
La solucin de un problema de control ptimo consiste en determinar el vector
de control ptimo ) (K U dentro de la clase de vectores de control permitidos.
Este vector ) (K U depende de [35]:
1. la naturaleza del ndice de desempeo
2. la naturaleza de las restricciones
3. el estado inicial o salida inicial
4. el estado deseado o salida deseada
Excepto en algunos casos, el problema de control ptimo puede ser muy
complicado para obtener una solucin analtica por lo que se tiene que obtener
una solucin por computador [35].
3.2.2.2. Puntos concernientes a la existencia de las soluciones a los
problemas de control ptimo.
Se ha establecido que el problema de control ptimo, dada una condicin
inicial ) 0 ( X , consiste en encontrar un vector de control permitido ) (K U que
transfiera al estado a la regin deseada del espacio de estados y para el cual el
ndice de desempeo se minimiza [35].
Es importante sealar que a veces una combinacin particular de planta,
estado deseado, ndice de desempeo y restricciones, hacen que un control
ptimo sea imposible. Esto es cuestin de requerir un desempeo ms all de
las capacidades fsicas del sistema [35].
Las cuestiones que tienen que ver con la existencia de un vector de control
ptimo son importantes, ya que sirven para informar al diseador si un control
ptimo es posible o no para un sistema determinado y dado un conjunto de
restricciones. Dos de las ecuaciones ms importantes son aquellas acerca de
la controlabilidad y observabilidad.
3.2.2.3. Notas acerca de los sistemas de control ptimo.
El sistema cuyo desempeo minimiza (o maximiza) el ndice de desempeo
seleccionado es, por definicin, ptimo. Es evidente que le ndice de
desempeo, en realidad, determina la configuracin del sistema. Es muy
importante apuntar que un sistema de control que es ptimo bajo un ndice de
desempeo es, en general, no ptimo bajo otro ndice de desempeo [35].
Adems que la realizacin en hardware de una ley de control ptimo en
particular puede ser algo difcil y costosa. As, puede ser intil demasiados
recursos para implantar un controlador ptimo que es el mejor en solamente
algn sentido individual limitado. A menudo, un sistema de control se disea
para realizar una sola tarea especfica completamente de antemano. En vez de
esto, se disea para realizar una tarea seleccionada en forma aleatoria a partir
de un repertorio de tareas posibles. Entonces, en los sistemas prcticos, puede
ser mejor buscar una ley de control ptimo aproximada que no este atada
rgidamente a un solo ndice de desempeo [35].
Captulo 4
Estado del arte de los algoritmos evolutivos y su
uso para controladores PID
4.1. Aplicaciones de la programacin gentica.
1. Las Aplicaciones de la ciencia de los algoritmos en el descubrimiento de
conocimiento son una promesa y rea pertinente de investigacin. Est
ofreciendo nuevas posibilidades y beneficios en las aplicaciones del mundo
real, ayudando a entender mecanismos buenos de nuestros propios mtodos
de adquisicin de conocimiento. La programacin gentica como algoritmo de
aprendizaje posee ciertas ventajas que lo hacen provechoso para prever y
profundizar los datos financieros. Especialmente la serie de tiempo de soporte
tiene un nmero grande de propiedades especficas que juntos hacen un albor
de prediccin excepcional. Una aplicacin en especial es los resultados de usar
la programacin gentica para prever el retorno de Mercado de Calcetn
egipcio. Los resultados de los experimentos demuestran la capacidad de
programacin gentica para predecir los resultados exactos, comparable a los
algoritmos de aprendizaje de mquina tradicionales es decir, las redes
neuronales. [30]
El prever datos financieros es una de las actividades fundamentales en el uso
de programacin gentica (GP) ya que esta rea es muy poco explorada. Es un
acercamiento prometedor debido a su efectividad investigando los espacios
muy grandes y la habilidad de realizar la bsqueda global para el mejor modelo
de la previsin. La programacin gentica puede aplicarse a prever la Bolsa de
Valores egipcia (ESE) que es uno de los ms viejos en el mundo y comprende
de dos intercambios, respectivamente la Alejandra y El Cairo bolsa de valores.
Se evala la conducta del ESE accin retorno usando el CASE30 ndice diario
que mide el retorno en la inversin del cambio en el valor de las acciones. El
ndice rastrea la actuacin de las 30 acciones ms activas y medidas el retorno
en la inversin del cambio en el valor de las acciones. ESE provee la serie de
retorno de tiempo que tiene un gran nmero de propiedades especficas que
juntos hacen una tarea de prediccin inusual. El proceso se comporta como un
proceso inesperado y cambia el sistema en el sentido que el proceso
fundamental es tiempo variable y volatilidad en el cambio de serie de tiempo
como el proveer movimientos en el mercado. Estas razones causan los
grandes problemas para los ms tradicionales y populares algoritmos
estadsticos para las predicciones de serie de tiempo como el ARCO y GARCH
y los cuales requieren una serie de tiempo estacionaria con entradas normales
e independientes del residuo. Los predictores de la programacin gentica
como un mtodo adaptable alternativo para prever el ESE proveen el retorno
desde el funcionamiento una bsqueda en que los operadores genticos
pueden modificar muchas combinaciones diferentes de variables - usando las
varias funciones diferentes disponibles en la serie de la funcin. Si las
variables originales no tienen mucha fuerza predictiva por si mismas, el sistema
puede crear eficientemente la derivada de las variables con gran potencia de
prediccin, por establecimiento de la serie de la funcin de las variables
originales. Finalmente, ofrece una gama amplia de posibilidades de variaciones
y modificaciones del algoritmo que puede llevar a mejorar la actuacin global
de la aplicacin. La tcnica de GP se usa para el descubrimiento automtico y
la evaluacin de prever la actuacin del modelo y su previsibilidad para el
mercado accionario egipcio dada la enorme cantidad de ruido en mercados
financieros representados. Sobre todo, los datos de retorno de mercado
accionarios egipcios tienen un nmero grande de propiedades especficas que
juntos hacen al modelo de la previsin generalizado inusual [30].
Koza presenta el primer estudio usando la GP para la prediccin de los
siguientes valores de la ecuacin logstica. Los resultados de esta prediccin a
corto plazo eran los posibleblemente buenos. Oakley y Mulloy et al., estudiaron
el uso de la GP en la prediccin de serie de tiempo catica. Mahfoud y Mani
presentaron un nuevo algoritmo gentico basado en el sistema y la aplicacin
a la tarea de predecir la actuacin futura de acciones individuales; Neely et al.
Aplico el GP a intercambio exterior pronosticando y reportando algunos
cambios. Li y Tsang presentaron un GP basado en un sistema que toma unas
reglas tcnicas muy conocidas y las adapta para proveer los problemas de la
prediccin. Rafat presento el uso de GP en la induccin de regla tcnica de
comercio para el mercado accionario egipcio [30].
2. Los algoritmos evolutivos han tenido gran utilidad en diferentes reas de la
ciencia en proyectos como la clasificacin del olor de la mezcla usando una red
neuronal fuzzy y su optimizacin a travs del algoritmo gentico. Se usan las
redes neuronal fuzzy ampliamente ya que estas se pueden adaptar
directamente a la medida del error, este modelo neuronal crea un dilema del
hecho de que ambas las redes largas y pequeas tienen un nmero de
desventajas. Si el tamao de la red es demasiado pequeo, la rata del error
tiende a aumentar debido a que la red no podra aproximarse lo suficiente a la
relacin funcional entre la entrada y el rendimiento designado. Mientras, si el
tamao es demasiado grande, la red no podra generalizar los datos de la
entrada antes de que sean ilustrados. El ptimo desarrollo de una red neuronal
fuzzy es entonces aplicado como el clasificador del modelo en el sistema de
reconocimiento de olor artificial. La actuacin de su habilidad del
reconocimiento se explora y compara con la propagacin inversa del sistema
neuronal convencional y la neurona fuzzy imperfecta. Se muestra claramente
que el promedio de la rata de reconocimiento del sistema neuronal fuzzy GA-
perfeccionado tiene la capacidad de reconocimiento ms alta comparada con el
de otro sistema neuronal [30].
El sistema de discriminacin de olor Artificial ha sido desarrollado usando una
partcula de resonadores de cuarzo como sensor, y analizando los datos de la
medida a travs de varias redes neuronales como un modelo de
reconocimiento [30].
Los resultados experimentales muestran que la proporcin del reconocimiento
del sistema altamente desarrollado si se usa para discriminar solo el basado en
olor, sin embargo, su reconocimiento disminuy considerablemente cuando un
olor de la mezcla tiene que ser determinado. Investigadores han propuesto un
acceso para incorporar un elemento de la lgica fuzzy en la red neuronal para
mejorar su desempeo, sobre todo para acelerar la velocidad de convergencia
y la proporcin del reconocimiento ms alta. La ventaja de usar el sistema
fuzzy-neuronal es que puede adaptarse distribuidamente con la fuzzy causado
directamente por la medida de error, y las topologas de la red resultantes
tambin pueden realizar el principio de la inferencia fuzzy a travs del anlisis
los valores de los pesos de conexin. Las redes neuronales fuzzy son muy
conocidas y ampliamente usadas y se han hecho algunos trabajos para obtener
la estructura de la red apropiada y los pesos iniciales para reducir su tiempo de
entrenamiento. Sin embargo, este tipo de sistema neuronal tiene un
inconveniente debido a sus conexiones neuronales grandes. La optimizacin
de la arquitectura de la red es entonces hecho usando el mtodo de
optimizacin discreto. En este acercamiento, cada estructura de la red se le
asigna un valor de la evaluacin (por ejemplo, una estimacin del error de la
generalizacin), formulando as una tarea de optimizacin discreta. Una
variedad de mtodos puede aplicarse a esta clase de los problemas, sin
embargo, los algoritmos genticos, han ganado una metodologa fuerte como la
aproximacin evolutiva por ambos, quitando las conexiones dbiles entre las
neuronas o quitando las neuronas que realizan las activaciones dbiles [30].
3. Las mejoras En el Algoritmo Gentico Hbrido para la convergencia rpida
En el proceso de aclarar la solucin multi-objetivo de Pareto, la bsqueda de la
habilidad en el rea total y las caractersticas de la convergencia puede
reforzarse por auto-sintonizacin de probabilidad del error en la evolucin de
las descendencias. Comparando con el algoritmo gentico hbrido tpico, la
convergencia de optimizacin ms eficaz puede obtenerse usando el algoritmo
gentico hbrido mejorado en la solucin para el problema de optimizacin.
Simulacin numrica basada en algunos ejemplos tpicos demuestra la
efectividad del mtodo propuesto [30].
En la aplicacin de la ingeniera prctica, las preguntas de optimizacin de
multi-objetivo aparecen a menudo. Las funciones objetivas diferentes no
pueden compararse e incluso el conflicto mutuo. En el proceso de optimizacin,
necesita considerar la optimizacin de simultaneidad con muchas funciones
objetivas. El algoritmo gentico es un tipo de aritmtica de optimizacin total
que se desarroll en los aos recientes. Se usa ampliamente en todos los tipos
de preguntas de optimizacin complicadas debido a su paralelo oculto,
aleatoriamente y altamente robusto. En la actualidad, los mtodos de algoritmo
gentico con la optimizacin de multi-objetivo de aplicacin estn divididos en
tres principales tipos: el multi-objetivo converge solo objetivo, el no mtodo de
Pareto y el mtodo de Pareto. El mtodo tradicional que convierte solo el
objetivo del multi-objetivo es un simple diseo del mtodo aritmtico, con una
alta eficiencia computacional, pero slo puede resolver una solucin de
disponibilidad. El no mtodo de Pareto puede resolver muchas soluciones de
disponibilidad, pero estas soluciones normalmente enfocan en el puerto de la
interfase de disponibilidad. El mtodo de optimizacin basado en el mtodo de
Pareto es que muchos valores objetivos tomados directamente para funcin
adaptable. Comparando la relacin de dominio de valor objetivo, la lista efectiva
se fundamentar. El tipo de mtodo se puede resolver computado, pero el
mtodo es complicado en la aritmtica, baja eficiencia en las dimensiones de
las descendencias ms grandes [30].
4. extraccin de las reglas fuzzy IF-THEN el Extracto de las Reglas para
diagnostico medico usando algoritmos genticos
El procedimiento sugerido mira a la cara la solucin ptima que crece de la
primera parte de las reglas IF-THEN variantes que usan el cruce gentico,
mutacin y funcionamientos de la seleccin. La eficiencia del algoritmo
gentico es ilustrada por un ejemplo de diagnstico de enfermedad del corazn
de disemia.
En muchas reas de medicina hay grandes colecciones de los datos
experimentales y es necesario que se transfieran estos datos en la forma
conveniente para la toma de la decisin. Varios mtodos muy conocidos
normalmente se usan para el proceso de los datos usan las estadsticas
matemticas, la regresin analtica, etc. Pero la toma de decisin en la
medicina no es tpicamente estadstica o matemtica. As que es importante
presentar los resultados de datos que se procesan de la forma ms fcilmente
entendible para la toma de decisiones sin fundamento matemtico especial.
La regla fuzzy IF-THEN permite hacer fcilmente entendible y bien el resultado
del anlisis de los datos interpretados. Durante el desarrollo de los sistemas
especializados fuzzy se supone que la base de conocimiento inicial se genera
por un experto del rea de medicina. Esto por qu la calidad de stos los
sistemas dependen de la habilidad de un medico experto [30].
5. Un Algoritmo Evolutivo multicapas
Para Disear las Redes Neuronales Artificiales
Una representacin genrica basada en la memoria neuronal multicapas en el
aprendizaje gentico fue descrita para desarrollar una poblacin de redes
neuronales. El plan cuenta con la informacin incluida en las neuronas en ms
de un asociado. El objetivo es aprender ambos la topologa de la red neuronal
ptima y los pesos ptimos segn las mltiples capas del algoritmo gentico.
Adems usa un algoritmo de macroaprendizaje para entrenar el lenguaje, la
idea tambin es incluir un algoritmo de microaprendizaje sin supervisin. La
meta es adaptar parmetros de la estrategia potenciales del macroalgoritmo
gentico para aumentar la actuacin de la generalizacin considerablemente
[30].
Una red neuronal es una adaptacin y un sistema no lineal inspirado para el
estudio del cerebro para resolver problemas matemticamente o
computationalmente. La red neuronal, como el algoritmo Gentico, representa
otro modelo de aprendizaje con un toque diferente. De hecho, una red neuronal
multicapas (MLP) es un grfico orientado de clulas. Cada clula computa una
actividad de las actividades de los vecinos conectadas a sus entradas. Cada
clula propaga su actividad a los vecinos conectados a su rendimiento. El
hecho computational por una clula es aplicado a la funcin de transferencia f
i
de la forma

,
`

.
|

i j ij i i
x w f y . Donde, y
i
es el rendimiento del nodo i, x
j
los
jth entradas al nodo, w
ij
es el peso de conexin entre i et j de los nodos es el
umbral del nodo. Normalmente, f
i
es no lineal, sigmoideo, o funcin gaussiana.
Los pesos representan informacin contenida en la red neuronal [30].
Como mecanismo de entrenamiento, un algoritmo reiterativo de pendiente en
descenso se diseo para minimizar la diferencia paso a paso entre el vector del
rendimiento real de la red y el vector del rendimiento deseado, como
repropagacin (BP) en sus versiones, como QuickProp y RPROP, se usa
ampliamente como mecanismo entrenador. Aunque este mtodo se usa el
exitosamente en muchos campos, sobre todo para el reconocimiento del
modelo, debido a su habilidad de aprendizaje, encuentra ciertas dificultades en
la prctica, como: la convergencia tiende a ser sumamente lenta, la
convergencia al mnimo global no es ninguna garanta, mientras se esta
aprendiendo las constantes deben suponerse el heursticamente.
Los algoritmos incrementales: como la Correlacin de la Cascada,
Ornamentando y el Perceptron de la Cascada, y otros, son basados en la
agregacin de capas ocultas a la red neuronal de tamao mnimo hasta que
alcance la precisin requerida.
Los algoritmos de decrementales: el mtodo de recorte es basado en tomar
una red grande y capas ocultas de las neuronas y entonces eliminar una a una
las capas ocultas de la neurona, para obtener la red ms pequea. Otros
acercamientos pusieron algunos de los pesos para poner a cero.
Disear la arquitectura y los parmetros correctos para el algoritmo de
aprendizaje es una tarea tediosa por modelar una Red Neuronal Artificial
ptima (ANN) con la actuacin de la mejor generalizacin. A menudo, va
surgiendo la necesidad de los sistemas inteligentes hbridos dominantes ANNs
que limitan y se vuelve un camino ptimo para conseguir el sistema neuronal
[30].
En recientes investigaciones, la evolucin se ha introducido en ANNs en
trminos generales en niveles: los pesos de conexin, las arquitecturas, y el
principio de aprendizaje. Entonces, el privilegio de hacer un algoritmo gentico
hibrido y la red neuronal parecida incrementa la actuacin del funcionamiento
de la red. La complejidad del acercamiento es construir un algoritmo Neuro-
gentico que involucra principios de la evolucin y activaciones del cerebro.
Actualmente, esto es un producto de una causa adaptable basada en el
aprendizaje gentico sin supervisin para perfeccionar la topologa y pesos de
la red neuronal multicapas.
Por consiguiente, el modelo del razonamiento adjunta dos innovaciones de la
evolucin bsica: la auto-organizacin y la auto-adaptacin de parmetros de la
estrategia. La auto-organizacin apunta la arquitectura de memoria ptima
trazada por el aprendizaje gentico, y la auto-adaptacin apunta los parmetros
de estrategia de aprendizaje ptimos necesitados para proporcionar la
interconexin mnima y sus pesos ptimos.
La memoria del modelo representa una poblacin de redes neuronales
abstractas. Esta memoria se estructura tericamente como una topologa de
red y 2 cortes.
4.2. Computacin evolutiva y controladores PID
1. Experimento de programacin evolutiva basado en le control de alta
precisin
Los esquemas convencionales de control lineal a menudo no proporcionan
posicionamiento preciso del control de un objeto bajo la influencia de friccin,
zona muerta, saturacin, etc. Se propone un esquema de control de alta
precisin para posicionar un sistema punto a punto, llamada la tabla X-Y,
incluso bajo las influencias por encima de las conocidas. El esquema propuesto
est compuesto de un precompensador fuzzy y un controlador PD. El
precompensador fuzzy es empleado para mejorar la actuacin del controlador
PD. Sus mtodos fuzzy se obtienen de la programacin evolutiva experimental
(EEP), no de un experto. La efectividad del esquema es demostrada por los
experimentos en la tabla X-Y, con un error del posicionamiento de menos de 1
m y estableciendo tiempo de menos de 0.15 s dnde la velocidad mxima y la
aceleracin es 0,25 m/s y 1.7 m/s ', respectivamente [30].
La tabla X-Y se usa ampliamente en el mecanizando de procesos que
involucran tornos, fresado de las mquinas, y SMD (montaje de la superficie del
dispositivo) montadores en el campo industrial. Desde entonces la tabla X-Y
puede considerarse como un sistema lineal en un sentido global, la tabla X-Y
puede controlarse bastante bien por los esquemas de control lineal
convencional como el controlador PID (Proporcional-integro - Derivativo). Sin
embargo, considerando situaciones dnde se necesita el control de alta
presin, los esquemas del control convencionales no pueden son convenientes
debido a la no linealidad no uniforme, incluso la friccin, la repercusin
negativa, la histresis, la saturacin del actuador. etc., en el sistema mecnico.
La saturacin del actuador afecta la actuacin transitoria principalmente, y las
secciones pueden causar un error del sostenimiento del estado o un ciclo del
lmite cerca de la posicin del objeto en el control lineal convencional del
sistema del posicionamiento. Hoy, cuando se usan las mquinas para los
funcionamientos precisos en el campo industrial, firmemente y es requerido el
control preciso de la tabla X-Y. Es ms, el control de precisin y las
especificaciones de dominio de la tabla X-Y varan dependiendo de su
aplicacin [30].
En general, hay dos enfoques para lograr el control de alta precisin de la tabla
X-Y. Primero, nosotros podemos disear y podemos hacer una tabla X-Y ms
precisa que no tiene la no linealidad anteriormente expresada. Por ejemplo,
nosotros podemos reemplazar los rumbos de la pelota usados en la tabla X-Y
con los rumbos areos quitar las condiciones de friccin. Este acercamiento,
sin embargo, puede llevar a un costo alto para el Sistema global. El otro
acercamiento es disear una ley de control ms compleja que puede lograr los
objetivos de control de alta precisin. Recientemente, las mejoras rpidas en el
microprocesador le han hecho posible para comprenderla ley del control
complejo. As si se puede desarrollar un algoritmo de control apropiado, el
segundo mtodo ser una aproximacin ms conveniente para el control de
posicin de alta precisin sin aumentar el costo [30].
Se han propuesto recientemente varias tcnicas de control de posicin para el
control de alta precisin. Yang y Tomizuka proponen el uso de un controlador
de anchura de pulso adaptable para el posicionamiento preciso, basado en el
mtodo de control de la anchura del pulso, en el cual se aplica un pulso segn
el error actual. En este esquema, el controlador aplica un pulso y espera hasta
que pare el sistema, y entonces calcula la anchura del pulso para la prxima
entrada de control. As, podra necesitarse demasiado tiempo hasta que el
sistema llegue al punto de la meta. Tung propuso un esquema de
compensacin de friccin basado en un control repetitivo que de los sistemas
tpicamente aplicados sujetado a las referencias peridicas y/o entradas de
perturbacin. Kim propuso un mtodo de diseo a un compensador de friccin
basado en un algoritmo evolutivo. Los dos esquemas de control anteriores, sin
embargo, se tratan de slo control de baja velocidad. El esquema adaptable fue
tambin por algunos investigadores que tenan el periodo de transito
relativamente largo. As estos esquemas no podran ser convenientes para
sistemas que deben establecerse rpidamente [30].
Por otro lado, los mtodos de control basados en fuzzy son tiles cuando las
formulaciones matemticas precisas no son factibles. Sin embargo, los
controladores lgicos fuzzy a menudo dan un resultado de rendimiento superior
a los mtodos del control convencionales. Kim] propuso una estructura de
control de dos capas que consiste en un precompensador fuzzy y un
controlador PD para los sistemas con zona muerta.
2. control robusto por Algoritmos Genticos y el criterio integro de Minimizacin
Los controladores PID han encontrado las aplicaciones industriales extensas
durante varias dcadas. Recientemente H2/H mixto los problemas de control
ptimos han recibido mucha atencin desde punto de vista de plan terico.
H2/H mixto los acercamientos de plan de control son tiles para la actuacin
robusta para los sistemas bajo la perturbacin del parmetro y la perturbacin
incierta. Un procedimiento del plan propone poner a punto los parmetros de
controladores PID para lograr H2/H mixto de una forma ptima. Desde el
criterio que debe perfeccionarse de tipo ntegro, y las caractersticas se
imponen por el control robusto, el problema a ser resuelto es un favorable
problema de minimizacin de no linealidad que pueden existir. Los algoritmos
genticos son tcnicas de bsqueda paralelas, globales que emulan a los
operadores genticos naturales. Porque un algoritmo gentico evala muchos
puntos simultneamente en el parmetro especie, ms probablemente es
converger a la solucin global [30]
La complejidad creciente de los sistemas del control moderno ha dado nfasis
a la idea de aplicar nuevos acercamientos para resolver los problemas de
ingeniera de control diferentes. El control PID es el tipo de control mas
ampliamente usado en la industria y el ingeniero del plan debe poner a punto
los parmetros del PID permitidos a las necesidades especficas. Deben
conocerse tres factores de la sintonizacin del controlador PID: la planta, el tipo
de control y el criterio de la actuacin de la realimentacin de control. Dentro
del armazn del la teora clsica, uno de los factores muy importante de
sintonizacin de los controladores PID, el criterio de la actuacin, puede ser
dividido en dos grupos principales: el tiempo crtico de dominio y criterio de
dominio de frecuencia. Respecto a esto, el diseador rene simultneamente
de la forma mas breve menos difcil satisfacer el limite de diseo. Empezando
desde stos, en el control PID los siguientes mtodos de sintonizacin se usan
tpicamente: Ziegler y Nichols (1942), Chien, Hrones y Reswick (1952), Clarke
(1984), Kaya y Scheib (1988), Astrm y Hgglund (1984, 1988), [1], [3], [4], [5],
[6], [7]. Lo anterior arriba expresado se caracteriza por una desventaja obvia: el
diseador debe intentar satisfacer ms o menos los lmites del diseo. La
habilidad de obtener un cierto rgimen estacionario y transente para el
sistema retroalimentado impone una opcin particular de la estructura y
parmetros del control, en concordancia con el logro de la actuacin. Los
ndices de la actuacin se especifican por el diseo. Porque en la mayora de
los casos el logro de une ejecucin de buena calidad lleva a un ndice a las
soluciones contradictorias y el ensayo en acoplamiento la respuesta del
sistema dentro de los lmites de los tipos como: un: cero error del mantener el
estado, bueno y tiempo propasado, tiempo del levantamiento, respuesta de
tiempo de sistema, ganancia y margen de la fase etc. la nica manera parece
estar por fuera del ensayo y mtodos de sntesis de error. El error del sistema
es el signo que probablemente mas influye en las actuaciones mencionadas.
Como la duracin de error tambin debe jugar un papel, se encuentra que el
ms significante de stos es el criterio de la actuacin que tiene la forma
ntegra. H2/H mixto. Los acercamientos de diseo de control son tiles para la
actuacin robusta para los sistemas bajo la perturbacin del parmetro y la
perturbacin incierta. Sin embargo, la entrada de retroalimentacin
convencional de control optimo de H2/H mixto. Son muy complicados y difciles
de implementar para las aplicaciones de prcticas industriales. Los algoritmos
genticos son la optimizacin y algoritmos de aprendizaje de mquina
inicialmente inspirados en los procesos de seleccin natural y las genticas
evolutivas. El algoritmo propuesto pontear el hueco entre el control terico
mixto ptimo H2/H ptimo y el control clsico industrial PID. El diseo de
control H2/H propuesto consiste en encontrar un controlador PID internamente
estabilizado que minimiza un H2 el ndice de la actuacin ntegra sujeto a una
desigualdad reprimida en la norma de H. de la funcin de traslado de
retroalimentacin. Eso significa que resolviendo los dos problemas: la exigencia
de robustez de estabilidad y la exigencia de atenuacin de perturbacin
externa. El problema puede interpretarse como un problema de actuacin
ptima sujeto a una exigencia de estabilidad robusta (o la exigencia de
atenuacin de perturbacin externa). El procedimiento de diseo se propuso
para fuera de la lnea PID que sintoniza para lograr el H2/H mixto. La actuacin
ptima sigue los pasos [30]:
1. el primer paso bas en el criterio de Routh-Hurwitz, el dominio de estabilidad
de tres parmetros de PID, espacio que garantiza la estabilidad de la
retroalimentacin especifica.
2. el segundo paso, el subconjunto del dominio de estabilidad en los
parmetros de espacio PID que corresponde para estar en 1 se especifica para
que la exigencia de H. anteriormente expresado.
3. en el tercer paso los problemas de diseo se vuelven, en el dominio del
subconjunto de H. la exigencia de dominio mencionado en paso 2, cmo
obtener un punto que minimiza el H2 que rastrea la actuacin. Esto es
generalmente considerado favorable en el problema de minimizacin de la no
linealidad que puede existir.
Los algoritmos genticos son tcnicas de la bsqueda paralelas, globales que
emulan a los operadores genticos naturales. Porque un GA evala muchos
puntos simultneamente en el parmetro espacie, ms probablemente es
converger a la solucin global. No necesita asumir que el espacio de la
bsqueda es diferenciable o continuo, y tambin conserva la iteracin de varios
tiempos en cada dato recibido. La optimizacin global puede lograrse por
varios operadores genticos, ej., reproduccin, mutacin, y cruce. El AGs es
ms conveniente la iteracin del diseo de control PID H2/H por las razones
siguientes: el espacio de la bsqueda es grande; la superficie de la actuacin
no requiere una asuncin del diferenciador con respecto a los cambios en los
parmetros de PID (por consiguiente, los algoritmos escrutadores que
dependen de la existencia de los derivado son ineficaces); las condiciones de
las destrucciones probables probablemente sern destruidas bajo un operador
gentico, por eso la ventaja a menudo la convergencia es ms rpida [30].
4.3. Aplicacin en procesos de control
4.3.1. Sintonizacin de controladores
Anteriormente los AEs eran utilizados como una alternativa para sintonizar
controladores proporciona-integral derivativo (PID). Oliveira uso un AG
estndar para determinar las estimaciones iniciales para los valores de los
parmetros de los PID. Ellos aplicaron su metodologa para una variedad de
clases de sistemas lineales invariantes en el tiempo (LTI), abarcando fase
mnima, fase no mnima y sistemas inestables. En una investigacin
independiente, Porter y Jones propusieron un AE base como una simple
tcnica, genrica, mtodo digital de sintonizacin de controladores PID. Wang y
Kwok cubrieron un AE usando inversin y preseleccin micro-operadores
para sintonizacin de controladores PID. Ms recientemente, Vlachos aplico
un AE para la sintonizacin de controladores descentralizados proporcional
integral (PI) para procesos multivariables. Onnen aplico un AEs para la
determinacin de una secuencia optima de control basado en el modelo de
control predictivo (MBPC). Particular atencin fue prestada a MBPC para
sistemas no lineales con entradas forzadas. Cdigo gentico especializado y
operadores fueron desarrollados con el objetivo de prevenir soluciones
absurdas de generacin. El esquema resultante se aplico a un fermentador
retroalimentado simulado, con reporte de resultados favorables (comparado
con el tradicional mtodo arma limite) para grandes horizontes de control.
El principal problema de la optimizacin basada en sintonizacin de
controladores es la seleccin de la funcin objetivo apropiada.
4.3.2. Diseo de estructura de control
Muchas aplicaciones de EA simplemente optimizaron los parmetros de las
estructuras existentes. En orden para recoleccin el pleno potencial de los AE,
algunos investigadores han experimentado con la manipulacin de estructuras
del control. Los PG se han utilizado para la sntesis automtica de los valores
de parmetros y la topologa de controladores. El sistema ha reproducido las
patentes existentes segn informes recibidos (para controladores PI y PID) y
redescubri el viejo (un controlador que hace uso de la segunda derivada del
error entre la seal de referencia y la seal de salida).
4.3.3. Aplicaciones en lnea
Las aplicaciones en lnea presentan un particular desafo para los AE. Las
aplicaciones exitosas en este campo han sido algo limitadas para la fecha. Es
importante que una seal de control apropiada se provea a cada instante de
muestreo. Las acciones del mejor individuo actual del AE pueden infligir
consecuencias severas en el proceso. Esto en inaceptable en la mayora de las
aplicaciones, sobre todo en el caso de una seguridad o misin critica del
sistema.
Dado que esto no sea posible para aplicar los valores representados por
cualquier individuo en una poblacin para el sistema, est claro que la
evaluacin de la completa, evolucin, la poblacin no puede desempearse en
el proceso real. La poblacin puede ser evaluada usando un modelo del
proceso, asumiendo que existe un modelo semejante, o el desempeo puede
ser inferido de la respuesta del sistema para una seal de entrada actual. La
inferencia tambin puede usarse como un mecanismo para reducir los
requisitos del proceso haciendo un nmero grande de evaluaciones y entonces
computando las estimaciones para el resto de la poblacin basada en estos
resultados. En aplicaciones en tiempo real hay un lmite importante de tiempo
para el cual una optimizacin puede ser ejecutada entre puntos de decisin.
Dado el poder de la informtica actual, es improbable que un EA ejecutara a la
convergencia dentro del lmite de tiempo de muestreo de una aplicacin del
control tpica. Ahora, solo un cierto nmero de generaciones puede ser
evolucionado. Para sistemas con grandes tiempos de muestreo, un aceptable
nivel de convergencia puede ser bien realizado. En el caso de un controlador,
una aceptable seal de control debe proporcionarse a cada punto de control. Si
el AE es evolucionado para solo unas pocas generaciones entonces el
desempeo de la poblacin puede aun ser pobre. Una complicacin adicional
es que el sistema, visto de la perspectiva de la optimizacin, est cambiando
con el tiempo. As, la seal de control evolucionada en un instante puede
volverse totalmente inapropiado en la siguiente.
Los AEs pueden oponerse con vistas de tiempo variable, pero una reciente
tendencia de los AEs puede ser requerida. En esta instancia, la poblacin
inicial puede ser difundida con previas soluciones buenas. Note que esto no
garantiza la convergencia rpida e incluso puede llevar a la convergencia
prematura.
Hay tres amplias aproximaciones para el uso de AEs para control en lnea:
Utilizar un modelo del proceso
Utilizar el proceso directamente
Permitir sintonizacin restringida de un controlador existente.
4.4. Cmo pueden los AG ser de beneficio para el control?
4.4.1. Estabilidad
Muchos exponentes de algoritmos evolutivos citan a la naturaleza genrica del
gnero como la ventaja del control. Los AG pueden aplicarse a un ancho rango
de problemas sin modificacin significante. Sin embargo, el AG a veces se
percibe como una herramienta que proporcionar los resultados mediocres en
un problema de dominio cuando se compara con los mtodos de dominio
especfico. Tambin debe notarse que los parmetros del AG (el tamao de la
poblacin, la probabilidad de la mutacin, y etc.) requieran sintonizacin para
los beneficios extendidos de los algoritmos a ser realizado.
Las aproximaciones evolutivas han demostrado particularmente exitoso en
problemas que son difciles formalizar matemticamente, y qu por
consiguiente no conduce al anlisis. Esto incluye sistemas que son altamente
no lineales, que son estocsticos, y son comprendidos pobremente (el control
del cual representa una magia negra). Problemas que involucran las clases
mencionadas de proceso tienden a ser difciles de resolver satisfactoriamente
usando los mtodos convencionales. La falta de confianza AG en el dominio
heurstico especfico lo hace un contendedor fuerte para la aplicacin en esta
rea. Muy pequeo informacin a priori se requiere, pero esto puede
incorporarse si as se desea.
Un singular problema de ingeniera de control puede contener una mezcla de
formato d variables de decisin. Esto puede proveer un problema significativo
para tcnicas de optimizacin convencionales que requieren variables de un
solo tipo matemtico o unidad cientfica. Desde que los AGs operan sobre .una
codificacin del conjunto de parmetro, diversos tipos de variables pueden
representarse (y manipulaos subsecuentemente) dentro de una sola solucin.
El AG es una bsqueda robusta y un mtodo de optimizacin. Es capaz de
hacer frente a paisajes con funciones de costo perjudiciales, exhibiendo as
propiedades como multimodalidad, discontinuidad, tiempo de variacin,
aleatoriedad, y ruido. Cada uno de estas propiedades puede causar
dificultades severas al tradicional mtodo de bsqueda tradicional, adems de
la falta de amenidad a una solucin analtica. Adems, una bsqueda de AG
se dirige y, luego, representa la mas grande eficacia potencialmente que una
bsqueda totalmente al azar o bsqueda enumerativa
Un camino particularmente prometedor de aplicacin de los AG es el problema
multiobjetivo. Muchas aplicaciones del mundo real encajaron en esta
categora, incluso ms problemas de diseo de ingeniera.
El potencial del AG slo est empezando a ser efectuado en esta arena. Los
AGs tambin son capaces de soportar mltiplos, contrastando, soluciones a un
problema simultneamente. Esto le proporciona un grado mayor de opcin y
flexibilidad al diseador.
Para problemas que son bien comprendidos, que son aproximadamente
lineales, y para los cuales se confa que existen soluciones, el AG es
improbable para producir resultados competitivos. Si un problema puede
resolverse analticamente con un nivel aceptable de asunciones entonces esa
aproximacin es probablemente mejor. Si as una solucin no puede ser
encontrada, y otras tcnicas de problemas especficas estn en fase de inicio,
entonces el uso de AG podra demostrar ser muy aprovechable y que vale la
pena.
Las aplicaciones misin-crticas y seguridad-crticas no aparecen, inicialmente,
ser favorable para el uso de AG. Hay un elemento de cambio en un algoritmo
gentico. No garantiza proporcionar que los resultados sern de suficiente
calidad para el uso en lnea. Cuando se evalan AG en los problemas de
referencia, ellos normalmente se prueban mucho (tpicamente veinte a treinta)
tiempo debido a la naturaleza estocstica del algoritmo. Hay tambin la
pregunta cmo se evaluarn los individuos si ningn modelo del proceso est
disponible (como puede ser bien el caso). Alguna teora de apoyo existe para
los algoritmos genticos, pero es improbable demostrar suficiente para ganar la
aprobacin de agencias de las normas. Mucho cuidado habra, claramente, se
necesite para el sistema crtico.
Los AG son muy intensivos computacionalmente, a menudo requieren
implementaciones masivamente paralelas para producir los resultados dentro
de un marco de tiempo aceptable. Por lo tanto, la aplicacin en lnea para
control en tiempo real es grandemente imposible en la actualidad
Captulo 5
Sintonizacin de controladores PID utilizando
algoritmos evolutivos
5.1. Sistema mecnico: masa resorte
El sistema que aparece en la figura 5.1es lineal. La fuerza externa ) (t u es la
entrada para el sistema, mientras que el desplazamiento ) (t y de la masa es la
salida. El desplazamiento ) (t y se mide a partir de la posicin de equilibrio en
ausencia de una fuerza externa. A partir del diagrama, la ecuacin 5-1 describe
el sistema
Figura 5.1. Sistema masa
resorte
Bu Ax x
u ky y b y m
+
+ +
&
& & &
(5-1)
El sistema es de segundo orden por lo que tiene dos integradores. Definiendo
las variables de estado como ) (
1
t x y ) (
2
t x
1 2
1
x y x
y x
& &

(5-2)
De la ecuacin 5-1
) 1 (
1
u
m
y
m
k
y
m
b
y
u ky y b y m
+
+
& & &
& & &
(5-3)
La ecuacin de salida es
| )

,
`

.
|

2
1
0 1
x
x
y (5-4)
Despejando las derivadas de mayor orden
2 1
x x & (5-5)
u
m
x
m
k
x
m
b
x
1
1 2 2
+ & (5-6)
Las ecuaciones 5-5 y 5-6 en forma matricial quedan:
u
m
x
x
m
b
m
k
x
x

,
`

.
|
+

,
`

.
|

,
`

.
|

,
`

.
|
1
0 1 0
2
1
2
1
&
&
(5-7)
Para obtener la funcin de transferencia se utilizo la siguiente ecuacin
D B A SI C s G +
1
) ( ) ( (5-8)
De la ecuacin (5-7) se obtiene:

,
`

.
|

m
b
m
k
A
1 0
(5-9)
]
]
]
]

m
B
1
0
(5-10)
| } 0 1 C (5-11)
0 D (5-12)
Para calcular la matriz A SI

,
`

.
|
+

,
`

.
|

,
`

.
|

m
b
s
m
k
s
m
b
m
k
s
s
A SI
1 1 0
0
0
(5-13)
Calculando la inversa de la matriz
| )
m
k
s
m
b
s
s
m
k
m
b
s
A
adjA
A SI
+ +

,
`

.
|
+


2
1
1
(5-14)
Sustituyendo en 5-8
| )

,
`

.
|

,
`

.
|
+
+ +

m s
m
k
m
b
s
m
k
s
m
b
s
s G
1
0 1
1
0 1 ) (
2
(5-15)
Al realizar las operaciones

,
`

.
|

,
`

.
|
+
+ +

m
m
b
s
m
k
s
m
b
s
s G
1
0
1
1
) (
2
(5-16)
m
k
s
m
b
s
m
s G
+ +

2
1 1
) ( (5-17)
Se obtiene la funcin de transferencia
k bs ms
s G
+ +

2
1
) ( (5-18)
5.1.1. Controlabilidad del sistema
La controlabilidad juega un papel muy importante en el diseo de sistemas de
control en el espacio de estados, ya que sus condiciones determinan la
existencia de una solucin completa.
Si el rango de la matriz | } AB B s es igual a 2, entonces el sistema ser
controlable. (5-19)

,
`

.
|

,
`

.
|

m m
b
m
k
AB
1
0 1 0
(5-20)
Det
2
2
1
1
1
0
m
m
b
m
m
s

,
`

.
|

(5-21)
Los vectores de la matriz son linealmente independientes entonces, el
determinante es diferente de cero por la tanto el sistema es controlable
5.1.2. Observabilidad
El sistema es observable si todas las transiciones del estado afectan
eventualmente a todos los elementos del vector de salida.
Si rango de la matriz
]
]
]

CA
C
v es igual a 2, entonces el sistema ser
observable.
| ) 0 1 C (5-23)
| ) | ) 1 0
1 0
0 1

,
`

.
|

m
b
m
k
CA (5-24)
Det 1
1 0
0 1

,
`

.
|
v (5-25)
El sistema es observable
5.1.3. Discretizacin del sistema
Asignndole valores numricos a las variables de la funcin de transferencia
del sistema
Tomando m=2 b =4 k =5
Reemplazando en la ecuacin (5-18)
) (
) (
5 . 2 2
5 . 0
) (
2
s U
s Y
s s
s G
+ +
(5-26)
Tomando condiciones iniciales cero
Despejando con respecto a la entrada y la salida del sistema
) ( 5 . 2 ) ( 2 ) ( ) ( 5 . 0
2
s Y s sY s Y s s U + + (5-27)
Aplicando transformada de laplace
) ( 5 . 2 ) ( 2 ) ( ) ( 5 . 0 s Y s Y s Y s U + +
& & &
(5-28)
Aplicando el mtodo de discretizacin aproximada
) ( 5 . 2
) ) 1 (( ) (
2
) ) 2 (( ) ) 1 (( 2 ) (
) ( 5 . 0
2
kT y
T
T k y kT y
T
T k y T k y kT y
kT U +
]
]
]

+
]
]
]

(5-29)
Realizando las operaciones
| } ) ( 5 . 2 ) ) 1 (( ) ( 2 ) ) 2 (( ) ) 1 (( 2 ) ( ) ( 5 . 0
2 2
kT y T T k y kT y T T k y T k y kT y kT U T + + + (5-30)
| } | } ) ) 2 (( 2 2 ) ) 1 (( 5 . 2 2 1 ) ( ) ( 5 . 0
2 2
T k y T T k y T T kT y kT U T + + + + (5-31)
Tomando 1 . 0 T y reemplazando en (5-31)
| ) | ) | ) | } | ) | } ) 2 ( 1 . 0 2 2 ) 1 ( 1 . 0 5 . 2 1 . 0 2 1 ) ( 1 . 0 5 . 0
2 2
+ + + + k y k y k y (5-32)
) 2 ( ) 1 ( 2 . 2 ) ( 225 . 1 ) ( 005 . 0 + k y k Y k y k U (5-33)
Despejando ) (k y
) 2 ( ) 1 ( 2 . 2 ) ( 005 . 0 ) ( 225 . 1 + k y k y k U k y (5-34)
) 2 ( 816 . 0 ) 1 ( 796 . 1 ) ( 00408 . 0 ) ( + k y k y k U k y (5-35)
Al expresar en funcin de Z
) ( 816 . 0 ) ( 796 . 1 ) ( 00408 . 0 ) (
2 1
Z Y Z Z Y yZ Z U Z y

+ (5-36)
| ) ) ( 00408 . 0 816 . 0 79 . 1 1 ) (
2 1
Z U Z Z Z Y +

(5-37)
2 1
816 . 0 79 . 1 1
00408 . 0
) (
) (

+

Z Z Z U
Z Y
(5-38)
816 . 0 79 . 1
00408 . 0
) (
) (
2
2
+

Z Z
Z
Z U
Z Y
(5-39)
5.1.4. Calculo del controlador
Hallando la funcin de transferencia del diagrama en bloques
Figura 5.2. Diagrama en bloque del sistema (controlador planta)
CP
CP
Gs
+

1
(5-40)
El controlador se describe matemticamente por
| ) | )

,
`

.
|
+
+ +
1
) ( ) (
s
s e T
s T
s e K
s e K s U
D
I
I
P

(5-41)
s K
s
K
K s C
d
I
P
+ + ) ( (5-42)
s
K s K s K
s C
I P D
+ +

2
) ( (5-43)
Sustituyendo la ecuacin 5-26 y 5-43 en la ecuacin 5-40

,
`

.
|
+ +

,
`

.
| + +
+

,
`

.
|
+ +

,
`

.
| + +

5 . 2 2
5 . 0
1
5 . 2 2
5 . 0
2
2
2
2
s s s
K s K s K
s s s
K s K s K
Gs
I P D
I D P
(5-44)
| )
| )
| ) 5 . 2 2
5 . 0 5 . 0 5 . 0 5 . 2 2
5 . 2 2
5 . 0
2
2 2 3
2
2
+ +
+ + + + +

,
`

.
|
+ +
+ +

s s s
K s K s K s s s
s s s
K s K s K
Gs
I P D
I P D
(5-45)
| ) | )
I P D
I P D
K s K s K s
K s K s K
Gs
5 . 0 5 . 0 5 . 2 2
5 . 0 5 . 0 5 . 0
2 3
2
+ + + + +
+ +
(5-46)
Usando el mtodo de asignacin de polos
Se quiere que el desempeo del sistema cumpla con ciertas especificaciones
entonces se usa el mtodo de asignacin de polos y se quiere que los polos
del sistema estn en el semiplano izquierdo del plano s para que el sistema sea
estable.
2 2
2
n n
w s w s + + (5-47)
Donde es el amortiguamiento
n
w Frecuencia natural no amortiguada.
Para esto
n
w 1 (5-48)
5 . 0 (5-49)
Despejando
n
w
2
5 . 0
1

n
w (5-50)
| ) 866 . 0 1
2

n d
w w (5-51)
| )| ) 4 2 4 2 1 4 2
2 2 3 2
+ + + + + + + + s s s s s s s s (5-52)
4 6 3
2 3
+ + + s s s (5-53)
Igualando las ecuaciones
3 2 +
D
K (5-54)
despejando
1
D
K
6 5 . 0 5 . 2 +
P
K (5-55)
7
P
K
4 5 . 0
I
K (5-56)
8
I
K
5.1.5. Discretizacin del controlador
Para la discretizacin del controlador se usa el mtodo de integracin
trapezoidal por obtener una mejor muestra de la seal en tiempo continuo.
| ) | )
) 1 (
/ / 2 2 / / 2 /
) (
2

+ + + +

Z Z
T K Z T K K TK Z T K TK K
z Gc
D D p I D i p
(5-57)
Sustituyendo los valores
| )| ) | ) | ) | )| ) | ) | )| ) | ) | )
) 1 (
1 . 0 / 1 1 . 0 / 1 2 7 2 / 8 1 . 0 1 . 0 / 1 2 / 8 . 0 1 . 0 7
) (
2

+ + + +

Z Z
Z Z
z Gc (5-58)
Al realizar lo clculos
) (
) (
) 1 (
10 6 . 26 4 . 17
) (
2
Z e
Z U
Z Z
Z Z
z Gc

+
(5-59)
| ) | ) ) ( 10 6 . 26 4 . 17 ) (
2 2
Z e Z Z Z U Z Z + (5-60)
Despejando ) (Z U
| ) | ) | ) Z e Z Z Z U Z
2 1 1
10 6 . 26 4 . 17 ) ( 1

+ (5-61)
) ( 10 6 . 26 ) ( 4 . 17 ) ( ) (
2 1 1
Z e Z Z Z e Z U Z Z U

+ (5-62)
Expresando en funcin de K
) 2 ( 10 ) 1 ( 6 . 26 ) ( 4 . 17 ) 1 ( ) ( + K e K e K e K U K U (5-63)
) 1 ( ) 2 ( 10 ) 1 ( 6 . 26 ) ( 4 . 17 ) ( + + K U K e K e K e K U (5-64)
5.1.6. Sintonizacin de controladores PID utilizando algoritmos evolutivos
en lnea
La sintonizacin del controlador PID consiste en darle los valores adecuado a
los parmetros del controlador
D
K ,
I
K y
P
K de forma que puedan estabilizar el
sistema de una forma rpida sin alterar el comportamiento del mismo.
Los datos de la planta y el controlador ya fueron discretizados anteriormente
para poder ser evaluados por el algoritmo. Como los parmetros que se tiene
del sistema son nmeros reales, lo mas apropiado para el diseo del fue el uso
de estrategias evolutivas.
En este caso se mira el comportamiento en lnea del sistema donde se van
cambiando en cada generacin los nuevos individuos (constantes) para el
mejor funcionamiento del sistema. El algoritmo se desarrollo en Matlab por la
accesibilidad que de este se tiene en la universidad y por cumplir con todos los
requisitos necesario para su ejecucin. El programa principal inicia con los
valores tericos de las constantes que luego son evaluadas por el controlador y
la planta. Ya teniendo el error pasan al algoritmo donde las constantes son
recalculadas por el gradiente de este.
Para una mejor comprensin se presenta el diagrama de flujo de la figura 5.3
Figura 5.3. Diagrama de flujo del algoritmo en lnea
k b a sp tol alfa t u ek ek ek y y , , , , , , , 1 , 2 , 1 , , 2 , 1 Son los valores de entrada del algoritmo
1 , 1 , 1 ki kp kd Son las constantes del controlador para el sistema masa- resorte
m Es un vector para crear las segundas constantes del sistema
h Es la variable que contabiliza el tiempo
5.1.6.1. Validacin del algoritmo en lnea
Para validar el algoritmo se incluir las cuantificaciones del sistema masa-
resorte ya descrito. Primero se simulara con todos los valores iguales a cero
por lo que el sistema se estabiliza en cero como se puede ver en la figura 5.4.
5.4. Salida del sistema con condiciones iniciales cero
Ahora las condiciones iniciales permanecen excepto el set point que se cambia
a 1, por lo que se espera que el sistema estabilice en este valor como se
observa en la figura 5.5.
Figura 5.5. Sistema con condiciones iniciales cero y set point 1
Ya dndole valores a todas las condiciones iniciales del sistema. La salida se
puede observar en la figura 5.6.
Figura 5.6. Sistema con valores diferentes de cero y set point 1
Figura 5.7. Sistema con set point negativo
Ya teniendo el sistema estabilizando, se procede a incluir algunas variaciones
en la planta para observar como se comporta el sistema.
Figura 5.8. Sistema con variaciones en la planta, set point 3
Figura 5.9. Sistema con variaciones en la planta, set point 6
Cambiado el set point del sistema con el algoritmo en ejecucin.
Figura 5.10. Sistema con cambio de set point
Cambiando el gradiente de descendente a ascendente.
Figura 5.11. Sistema con gradiente ascendente
5.2. Circuito LRC
Figura 5.12. Circuito LRC
El circuito de la figura 5.12 esta formado por una inductancia L (henry), una
resistencia R (ohm), y una capacitancia C (farad). Aplicando la ley de voltaje
de Kirchhoff al sistema, se obtiene las ecuaciones:

+ +
i
e idt
C
Ri
dt
di
L
1
(5-65)

0
1
e idt
C
(5-66)
Las ecuaciones 5-65 y 5-66 dan un modelo matemtico del circuito
Hallando la funcin de transferencia
1
1
) (
) (
2
0
+ +

RCs LCs s e
s e
i
(5-67)
Dndole valores numricos a la funcin de transferencia
R = 4 C =2 L =1
1 8 2
1
) (
2
+ +

s s
s G (5-68)
Discretizando la funcin de transferencia 5-68 se obtiene
2 8 . 4 81 . 2
01 . 0
) (
) (
2
2
+

Z Z
Z
Z U
Z y
(5-69)
Y la ecuacin de la planta discretizada para el algoritmo es
) 2 ( 7117 . 0 ) 1 ( 7081 . 1 ) ( 00355 . 0 ) ( + k y k y k UU k y (5-70)
Al aplicar el mtodo de asignacin de polos las constantes obtenidas son:
11
P
K
9
I
K
4
D
K
Entonces el controlador en forma discreta resulta
Z Z
Z Z
Z G

2
2
40 45 . 69 55 . 28
) ( (5-71)
Y el controlador en forma discreta para el algoritmo es
) 1 ( ) 2 ( 40 ) 1 ( 45 . 69 ) ( 55 . 28 ) ( + + k U k e k e k e k U (5-72)
La salida del algoritmo para el circuito se puede observar en la figura 5.13
Figura 5.13. Salida del circuito LRC para el algoritmo
5.3. Sistema de levitacin magntica
El sistema de suspensin magntica que permite mantener levitada una
pequea esfera metlica de masa m. El objetivo del controlador ser regular el
valor de la corriente del circuito del electroimn de tal forma que la esfera se
mantenga suspendida a una distancia constante X x del electro magneto. La
tensin o voltaje aplicado al circuito ) (t v y acta como una variable de control.
Figura 5.14. Sistema de levitacin magntica
Las ecuaciones que describen el sistema son:
) (t v Ri i L + (5-73)
x
Ci
mg fm mg x m
2
& & (5-74)
Despejando las ecuaciones del sistema en forma matricial y despejando
]
]
]
]
]
]
]
]

]
]
]
]
]

L
R
mX
C
mXg
C
X
g
x
x
x
0 0
2
0
0 1 0
3
2
1
&
&
&
]
]
]
]
]
]

+
]
]
]
]
]

L
x
x
x
1
0
0
3
2
1
(5-75)
| }
]
]
]
]
]

3
2
0 1 0
x
x
x
c (5-76)
Al analizar la controlabilidad el determinante de S es
3
4
mXL
Cg
S

(5-77)
Lo que define que el sistema es controlable
Para la observabilidad el determinante de V es
L mX
C
mgX
CRg
V
2
2
(5-78)
Por consiguiente el sistema tambin es observable
5.3.1. Funcin de transferencia
Partiendo de la ecuacin 5-8
D B A SI C s G +
1
) ( ) (
Entonces
mXL
C
mgX
Cs
LX
Rg
s
X
g
s
L
R
s
s G
2
1
) (
2 3

+
(5-79)
Dndole valores numricos a la funcin de transferencia anterior
90 g 40 C 30 m 5 X 25 L 50 R
Y sustituyendo en 5-79 se obtiene
81 . 81 18 2
691918 . 0
) (
2 3
+

s s s
s
s G (5-80)
Discretizando la planta
| )
1 2 . 3 22 . 3 93819 . 0
003919 . 0
) (
2 3
2 3
+

Z Z Z
Z Z
Z G (5-81)
) 3 ( 0658 . 1 ) 2 ( 4108 . 3 ) 1 ( 4321 . 3 ) 1 ( 004177 . 0 ) ( 004177 . 0 ) ( + + + k y k y k y k U k U k y (5-82)
5.3.2. Calculo del controlador
Las constantes obtenidas por el mtodo de asignacin de polos
2062 . 10
D
K
598 . 300
I
K
7167 . 109
P
K
Usando el mtodo de rectangular atrasada el controlador en forma discreta
seria
Z Z
Z Z
Z G

2
2
06 . 102 78 . 283 77 . 211
) ( (5-83)
) 1 ( ) 2 ( 062 . 102 ) 1 ( 786 . 283 ) ( 778 . 211 ) ( + + k U k e k e k e k U (5-84)
Por tanto la salida del sistema de levitacin ante la simulacin en el algoritmo
se puede observar en la figura 5.15.
Figura 5.15. Salida del algoritmo para el sistema de levitacin
5.4. MODELO DEL EVAPORADOR
El tanque esta sellado hermticamente para que no se pierda ninguna
sustancia ya que puede ser corrosiva o txica y lo ideal del sistema es purificar
la sustancia sin perder nada.
Figura 5.16. Sistema del evaporador
El sistema tiene dos tubos de entrada. El primero es por donde llega la
sustancia a purificar y el segundo es el vapor (agua pura destilada caliente, no
tiene ningn compuesto adicional). Ambas entradas se mezcla en el tanque y
salen por la parte de arriba del tanque donde la presin que se mide es critica.
Luego van a un separador donde la sustancia ms densa (a purificar) se
acumula en la parte de abajo el vapor con algunas molculas de la sustancia
con que mezclo anteriormente. El vapor pasa a un condensador donde es
refrigerado ya que no se puede dejar que salga as al ambiente porque puede
oxidar los elementos que estn por ah. En el separador ah un sensor de
calidad que indica si la sustancia (producto) ya es optimo o tendra que
repetirse el proceso. Si el proceso es ptimo sale por la vlvula.
Hay dos partes importantes para la descripcin del modelo matemtico:
La primera parte deriva un modelo mecnico no lineal con asunciones
mayores expresadas, las variables definidas y parmetros dados.
la segunda parte deriva una descripcin del espacio de estado lineal en
la forma normalizada evaluando los apropiados elementos jacobianos.
5.4.1. Modelo no lineal
Los nombres de las variables, descripciones, los valores del estado estable
estndar, y las unidades manejadas se muestran en la tabla 5-1. El solvente es
el agua y el soluto es el no voltil.
Variable Descripcin Valor Unidad
F1 Flujo de alimentacin 10.0 Kg/min
F2 Flujo del producto 2.0 Kg/min
F3 Flujo de recirculacin 510.0 Kg/min
F4 Flujo de vapor 8.0 Kg/min
F5 Flujo de condensacin 8.0 Kg/min
X1 Composicin de alimentacin 5.0 Porcentaje
X2 Composicin del producto 25.0 Porcentaje
T1 Temperatura de alimentacin 40.0 Grados C
T2 Temperatura del producto 84.6 Grados C
T3 Temperatura de vapor 80.6 Kg/min
L2 Nivel del separador 1. Metros
P2 Presin de operacin 50.5 kPa
F100 Flujo de vapor 5.3 Kg/min
T100 Temperatura de vapor 119.9 Kg/min
P100 Presin de vapor 194.7 kPa
Q100 Ciclo de calentamiento 539.0 kW
F200 Flujo de agua de enfriamiento 208.0 Kg/min
T200 Temperatura de agua de
enfriamiento
25.0 Grados C
T201 Temperatura de la salida del agua
de enfriamiento
46.1 Grados C
Q200 Ciclo de condensacin 307.9 kW
Tabla 5-1. Variables del evaporador
5.4.2. Proceso de balance de masa lquida
Un balance de masa sobre el lquido total del proceso (solvente y soluto) in el
sistema produce:
2 4 1 / 2 F F F dt AdL (5-85)
Donde: es la densidad del lquido
A es el rea de cruce seccional del separador
El producto A es asumido paras ser constante como 20 Kg/m
5.4.3. Proceso de balance de masa lquida del soluto
Un balance de masa sobre el soluto en el proceso de la fase lquida produce:
2 2 1 1 / 2 X F X F dt MdX (5-86)
Donde M es la cantidad de lquido en el evaporador y es asumido para ser
constante como 20 Kg
5.4.4. Proceso de balance de masa de vapor
Un balance de masa sobre el vapor del proceso en el evaporador expresara la
masa total del vapor de agua en trminos de la presin que existe en el
sistema:
5 4 / 2 F F dt CdP (5-87)
Donde C es una constante que convierte la masa de vapor en una presin
equivalente y se asume que tiene un valor de 4 Kg/ kPa. Esta constante puede
ser derivada de la ley de gas ideal.
5.4.5. Proceso de balance de energa lquida
El lquido del proceso se asume para existir en este punto de ebullicin y ser
mezclado perfectamente (asistido por la tasa alta de circulacin).
La temperatura del lquido es:
43 . 48 2 3126 . 0 2 5616 . 0 2 + + X P T (5-88)
La cual es un linealizacin de la lnea lquida saturada para el agua sobre el
valor estndar del estado estable e incluye un trmino para aproximar la
elevacin del punto de ebullicin debido a la presencia del soluto.
La temperatura del vapor es:
0 . 55 2 507 . 0 3 + P T (5-89)
La cual es un linealizacin de la lnea lquida saturada para el agua sobre el
valor estndar del estado estable.
La dinmica del balance de energa es asumida para ser muy rpida as que:
/ )) 1 2 ( 1 100 ( 4 T T C F Q F
p
(5-90)
Donde
p
C es la capacidad de calor del licor y la constante se asume como un
valor de 0.07kW/K (Kg/min) y es el calor latente de vaporizacin del licor y es
asumida para tener un valor constante de 38.5kW / (Kg/min).
El sensible cambio de calor entre 2 T y 3 T para 4 F es considerado pequeo
comparado con el calor latente. Esto asume que no hay ninguna prdida de
calor al ambiente o ganancias de calor de la entrada de energa de la bomba.
5.4.6. Envoltura del vapor caliente
La presin de vapor 100 P es una variable manipulada qu determina la
temperatura de vapor bajo la suposicin de condiciones saturadas. Una
ecuacin que relaciona la temperatura de vapor para la presin del vapor
puede ser obtenida aproximando la relacin temperatura de vapor saturada -
presin por linealizacin loca sobre el valor en estado estable:
0 . 90 100 1538 . 0 100 + P T (5-91)
La tasa de transferencia de calor para el proceso de ebullicin del lquido es
dado por:
) 2 100 ( 1 100 T T UA Q (5-92)
Donde 1 UA es el coeficiente de tiempo de transferencia de calor completo el
rea de transferencia de calor y es una funcin del flujo total a travs de los
tubos en el evaporador:
) 3 1 ( 16 . 0 1 F F UA + (5-93)
La rata de vapor es calculado de:
s
Q F / 100 100 (5-94)
Donde
s
es el calor latente de vapor en la condicin de saturacin, asumido
como un valor constante de 36.6 kW/(Kg/min).
La dinmica dentro de la envoltura del vapor ha sido asumida para ser muy
rpida.
5.4.7. Condensador
El flujo de agua de enfriamiento 200 F es una variable manipulada y la entrada
de temperatura 200 T es una variable de perturbacin.
Un balance de energa de agua de enfriamiento produce:
) 200 201 ( 200 200 T T C F Q
p
(5-95)
Donde
p
C es la capacidad de calor del agua de enfriamiento asumida como una
constante de 0.07kW/(Kg/min)
La ecuacin de la tasa de transferencia de calor es aproximada por:
)) 201 200 ( 5 . 0 3 ( 2 200 T T T UA Q + (5-96)
Donde 2 UA es un coeficiente de tiempo de transferencia de calor completo el
rea de transferencia de calor, la cual es asumida con un valor constante de
6.84kW/K.
Estas dos ecuaciones pueden ser combinadas para eliminar 201 T para dar
explcitamente:
) 200 2 /( 2 1
) 200 3 ( 2
200
F C UA
T T UA
Q
p
+

(5-97)
Sigue que:
) 200 /( 200 200 201
p
C F Q T T + (5-98)
El flujo de condensacin es:
/ 200 5 Q F (5-99)
Donde es el calor latente de vaporizacin de agua asumido como una
constante de 38.5kW/K(K/min)
La dinmica dentro del condensador ha sido asumida para ser muy rpida.
5.4.8. Modelo matemtico del evaporador
La ecuacin en espacio de estados es
Dd By Ax X + +
&
(5-100)
Y la salida esta dada por
cx y (5-101)
Calculando la ecuacin en espacio de estados del sistemas
Dd Bu x A SI + ) ( (5-102)
Despejando x
| ) | } Dd Bu A SI x +
1
(5-103)
Despejando y
| ) | } Dd Bu A SI C y +
1
(5-104)
| ) | ) Dd A SI C Bu A SI C y
1 1
+ (5-105)
Al linealizar el sistema se obtiene las matrices
]
]
]
]
]

1 1
10 54738 . 0 10 10340 . 0 0
0 1 . 0 0
37935 . 0 10445 . 0 0
A (5-106)
]
]
]
]
]

2 1
10 75272 . 0 10 36914 . 0 0
0 0 01 .
0 37266 . 0 1 . 0
B (5-107)
]
]
]
]
]

1 0 0
0 1 0
0 0 1
C (5-108)
]
]
]
]
]

1 2 2
1
10 17785 . 0 10 35972 . 0 0 10 32268 . 0 36302 . 0
0 0 1 . 0 1 . 0 0
0 10 3636 . 0 0 38605 . 0 36676 . 0
D (5-109)
Iniciando los calculo de las ecuaciones por la matriz A SI

,
`

.
|

,
`

.
|

1 1
10 54738 . 0 10 10340 . 0 0
0 1 . 0 0
37935 . 0 10445 . 0 0
0 0
0 0
0 0
s
s
s
A SI (5-110)
Realizando la operacin, reemplazando la matriz 5-86

,
`

.
|
+
+

1 1
10 54738 . 0 10 10340 . 0 0
0 1 . 0 0
37935 . 0 10445 . 0
s
s
s
A SI (5-111)
Calculando la inversa de la matriz
| )
A SI
A SAI Adj
A SI

) (
1
(5-112)
Se inicia calculando el determinante de la matriz
| )| )
1
1 1
10 54738 . 0 1 . 0
10 54738 . 0 10 10340 . 0
0 1 . 0


+ +
]
]
]

+
+
s s s
s
s
s A SI
(5-13)
| )| ) s s s s s s A SI 0054738 . 0 154738 . 0 10 54738 . 0 1 . 0
2 3 1 2
+ + + +

(5-114)
Para calcular la adjunta se procede a conseguir los cofactores
| )| )
1
1 1
10 54738 . 0 1 . 0
10 54738 . 0 10 10340 . 0
0 1 . 0
11


+ +
+
+
s s
s
s
A (5-115)
0054738 . 0 154738 . 0 11
2
+ + s s A (5-116)
0
10 54738 . 0 0
0 0
12
1

+

s
A (5-117)
0
10 10340 . 0 0
1 . 0 0
13
1

+
+

s
s
A (5-118)
| )| )
| )| ) ]
]
]
]

+

+

1
1
1 1
10 10340 . 0 37935 . 0
10 54738 . 0 10445 . 0
10 54738 . 0 10 10340 . 0
37935 . 0 10445 . 0
21
s
s
A
(5-119)
| ) | } 0017949051 . 0 10445 . 0 003922749 . 0 0057173841 . 0 10445 . 0 21 + s s A (5-120)
s s
s
s
A
1 2
1
10 54738 . 0
10 054738 . 0 0
37935 . 0
22

+
+

(5-121)
s
s
A
1
14
10 10340 . 0
10 10340 . 0 0
10445 . 0
23

(5-122)
| )| ) | } 037935 . 0 37935 . 0 37935 . 0 1 . 0
0 1 . 0
37935 . 0 10445 . 0
31 + +
+

s s
s
A (5-123)
0
0 0
37935 . 0
32

s
A (5-124)
| ) s s s s
s
s
A 1 . 0 1 . 0
1 . 0 0
10445 . 0
33
2
+ +
+

(5-125)
Reemplazando los cofactores de 5-96 a 5-104
Matriz de cofactores
]
]
]
]
]

+
+ +
+ +

s s s
s s s s
s s
Mc
1 . 0 0 037935 . 0 37935 . 0
10 10340 . 0 10 54738 . 0 0017949051 . 0 10445 . 0
0 0 0054738 . 0 154738 . 0
2
1 1 2
2
(5-126)
Transponiendo la matriz
]
]
]
]
]

+
+
+ + +

s s s
s s
s s s s
A SI Adj
1 . 0 10 10340 . 0 0
0 10 54738 . 0 0
037935 . 0 37935 . 0 0017949051 . 0 10445 . 0 0054738 . 0 154738 . 0
) (
2 1
1 2
2
(5-127)
Ya teniendo la inversa de A SI se multiplica por la matriz C
s s s
s s s
s s
s s s s
A SI C
0054738 . 0 154738 . 0
1 . 0 10 10340 . 0 0
0 10 54738 . 0 0
037935 . 0 37935 . 0 0017949051 . 0 10445 . 0 0054738 . 0 154738 . 0
) (
2 3
2 1
1 2
2
1
+ +
]
]
]
]
]

+
+
+ + +

(5-128)
Luego se multiplica por B
s s s
s s s s
s s
s s s s
B A SI C
0054738 . 0 154738 . 0
00075 . 0 10 752 . 0 0036 . 0 10 36914 . 0 001034 . 0
0 0 0054 . 0 1 . 0
00028 . 0 0028 . 0 0034 . 0 0716 . 0 3726 . 0 0072 . 0 0259 . 0 1 . 0
) (
2 3
2 2 2 1
2
2 2
1
+ +
]
]
]
]
]

+

+ +


(5-129)
Inicialmente sin tener en cuenta las perturbaciones del sistema
s s s
s s
s p
s p
0054738 . 0 154738 . 0
0036914 . 0 10 36914 . 0
) (
) (
2 3
2 1
100
2
+ +
+

(5-130)
Simplificando
) 0054738 . 0 154738 . 0 (
) 0036914 . 0 10 36914 . 0 (
) (
) (
2
1
100
2
+ +
+

s s s
s s
s p
s p
(5-131)
Y en forma discreta es
1 01547 . 2 015528 . 1
006914 . 0 00365 . 0
) (
) (
2
2

Z Z
Z Z
Z U
Z y
(5-132)
) 2 ( 984 . 0 ) 1 ( 984 . 1 ) 1 ( 0068 . 0 ) ( 0035 . 0 ) ( + k y k y k U k U k y (5-133)
Al calcular los polos del sistema
0054738 . 0 154738 . 0
2
+ + s s (5-134)
1 . 0
1
s
0054738 . 0
2
s
El sistema es sobre amortiguado. Tiene un polo en y otro en -0.054738, por
tanto los tiempos de respuesta son 10 seg. Y 18.25 seg. respectivamente,
entonces se toma 18.25seg por corresponder al polo mas cercano al origen
(dominante). Por lo tanto
I
T no puede ser menor que 18.25seg.
Teniendo las condiciones de funcionamiento del sistema se pueden obtener las
constantes del mismo
4828 . 1
P
K
008125 . 0
I
K
674 . 0
D
K
El controlador en forma discreta seria
Z Z
Z Z
Z G

2
2
74 . 6 962 . 14 2268 . 8
) ( (5-135)
) 1 ( ) 2 ( 74 . 6 ) 1 ( 962 . 14 ) ( 2268 . 8 ) ( + + k U k e k e k e K U (5-136)
Llevando las constantes del sistema al algoritmo en lnea.
Figura 5.17. Evaporador con algoritmo en lnea
Ahora teniendo en cuenta las perturbaciones
s s s
s s s s s s s s s
s s s s
s s s s s s s s
D A SI C
0054738 . 0 154738 . 0
0017 . 0 10 17 . 0 000359 . 0 10 359 . 0 00103 . 0 00071 . 0 10 322 . 0 03630 . 0 36302 . 0
0 0 0054 . 0 1 . 0 0054 . 0 1 . 0 0
00013 . 0 0011 . 0 00019 . 0 0056 . 0 10 36 . 0 00017 . 0 0104 . 0 002 . 0 0714 . 0 386 . 0 002 . 0 056 . 0 366 . 0
) (
2 3
2 1 2 2 2 2 2
2 2
2 1 2 2
1
+ +
]
]
]
]
]

+ + +
+ +
+ + + +

Tomando la perturbacin
s s s
s s
s F
s p
0054378 . 0 154738 . 0
036302 . 0 36302 . 0
) ( 3
) (
2 3
2
2
+ +
+
(5-137)
Discretizando la funcin
1 0154 . 2 01552 . 1
0036302 . 0 03593 . 0
) ( 3
) (
2
2
2
+

Z Z
Z Z
Z F
Z p
(5-138)
) 2 ( 9847 . 0 ) 1 ( 9846 . 1 ) 1 ( 03574 . 0 ) ( 3 0353 . 0 ) (
2
+ k p k p k F k F Z p (5-139)
La perturbacin tomada es el flujo de recirculacin 3 F .
Esta es sumada a la seal de entrada y al igual que el modelo anterior
evaluado en el algoritmo. Como se puede ver en la figura 5.18 el sistema inicial
mente tiene un sobre impulso que luego de un tiempo se va estabilizando.
Figura 5.18. Salida del sistema con perturbacin
5.5. Sintonizacin de controladores PID utilizando algoritmos evolutivos
fuera de lnea
Para el trabajo del algoritmo fuera de lnea se hace con pocos individuos y se
comienza con una poblacin aleatoria, donde la funcin objetivo tambin es
minimizar el error y el criterio de para es el tiempo. Ahora el mejor individuo no
es cambiado en cada generacin, sino que los datos van siendo almacenados
y luego de terminadas las iteraciones a los dos mejores individuos se le aplican
los operadores de mutacin y cruce para obtener el nuevo para ser
reemplazado por el peor. En este caso tambin se prueba con los sistemas ya
descritos.
5.5.1. Sistema mecnico: masa resorte
Las constantes tericas del sistema son
1
D
K
8
I
K
7
P
K
Inmediatamente de ser evaluada por el algoritmo los mejores individuos
seleccionados y reemplazados son
0889 . 1
1

D
K
1584 . 8
1

I
K
1231 . 7
1

P
K
5.5.2. Circuito LRC
Los parmetros iniciales del controlador son
11
P
K
9
I
K
4
D
K
Y cambian a la salida del algoritmo por
0406 . 11
1

P
K
0397 . 9
1

I
K
9722 . 3
1

D
K
5.5.3. Sistema de levitacin magntica
Inicialmente las constantes estn dadas por
2062 . 10
D
K
598 . 300
I
K
7167 . 109
P
K
A la evaluacin del algoritmo pasan a ser
2031 . 10
1

D
K
5090 . 300
1

I
K
4673 . 109
1

P
K
5.5.4. MODELO DEL EVAPORADOR
Tericamente las constantes del evaporador son
4828 . 1
P
K
008125 . 0
I
K
674 . 0
D
K
Y a la salida del algoritmo son
5878 . 1
1

P
K
0487 . 0
1

I
K
8084 . 0
1

D
K
6. ANLISIS ECONMICO Y ADMINISTRATIVO
En el desarrollo de este trabajo no se realizo implementacin, por lo cual los
gasto son netamente de la investigacin realizada.
Documentacin en Internet $ 100.000
Fotocopias $ 100.000
Impresiones $ 100.000
Honorarios profesionales (Director) $ 200.000
TOTAL $ 500.000
Los recursos utilizados para cubrir los gastos de la elaboracin de este trabajo
fueron de recursos propios.
El impacto Econmico: este desarrollo construye un soporte para el posterior
desarrollo de una herramienta computacional de aplicacin industrial que
pueda ser registrada, por lo que se pudiera tener ingresos econmicos por la
comercializacin de la misma. A la hora de ser implementada en plantas
industriales generara menos perdidas en la elaboracin de los productos, ya
que los equipos seguiran funcionando normalmente al ser resintonizandos los
puntos de operacin cuando ocurra algn comportamiento no debido ocurra.
7. ANLISIS DE LEGALIDAD
Para la implementacin de la herramienta computacional para la sintonizacin
de controladores PID se utiliz el software de Matlab. La Universidad de
Pamplona posee las licencias requeridas para ser usado por estudiantes,
investigadores y profesores vinculados a esta.
En el caso de implantacin no se hace indispensable este software, cualquier
lenguaje de programacin que posea las herramientas necesarias puede ser
utilizado.
8. INFLUENCIA AMBIENTAL
El funcionamiento inadecuado de las plantas industriales debido al desgaste,
vencimiento del tiempo til de uso, factores externos de algunos equipos, etc.,
podra generar gases y sustancias nocivas para la salud del personal a cargo y
adems contaminantes para el ambiente.
Este algoritmo traera beneficios no solo en la operacin apropiada de procesos
o sistemas, sino que tambin reduce la emisin de residuos txicos a la
atmsfera, y el consumo de energa en la planta.
CONCLUSIONES
El uso de algoritmos evolutivos para la sintonizacin de controladores
PID constituye un novedoso enfoque de resolucin de problemas, con
excelentes potencialidades en el campo de las aplicaciones industriales.
El desarrollo de este trabajo permiti el diseo de un algoritmo evolutivo
que logra la reentonacin de controladores del tipo PID cuando ocurre
falla de algn componente del sistema.
Los resultados alcanzados en el trabajo pueden ser visualizados como el
punto de partida para el desarrollo de investigaciones de punta en el
rea de la sintonizacin de controladores industriales.
El enfoque de desarrollo y el algoritmo propuesto no representa riesgos
para la operacin segura de la planta ni para sus operarios.
La implantacin fsica del algoritmo de sintonizacin propuesto no
conlleva a gastos elevados en comparacin con otros esquemas de
sintonizacin corrientemente utilizados en la prctica.
Vale la pena recalcar, que una de las ventajas novedosas del enfoque
de sintonizacin propuesto est en permitir la continuacin de la
operacin de la planta, an ante la presencia de perturbaciones o fallas
en la misma.
Es notable la reduccin del tiempo para acometer la sintonizacin de un
controlador PID, en comparacin con el tiempo utilizado empleando
otros enfoques.
El algoritmo puede ser utilizado exitosamente para sistemas dinmicos
de segundo y tercer orden, de los cuales se dispone de modelos
matemticos representativos de sus comportamientos.
El algoritmo de sintonizacin propuesto fue validado utilizando seales
de perturbacin sobre los procesos considerados.
Para propsitos ilustrativos, el algoritmo propuesto fue implantado en la
sintonizacin de controladores PID en una planta de evaporacin,
utilizando un modelo matemtico representativo de la misma.
El trabajo ejecutado puede servir de base para el desarrollo de otros
proyectos de grado, tanto a nivel de pregrado como de postgrado.
Todos los objetivos propuestos al inicio de este proyecto fueron
satisfactoriamente acometidos.
RECOMENDACIONES
Para el caso del algoritmo en lnea, se puede utilizar para cualquier
proceso. Es mas optimo y robusto (al variar la incertidumbre el
controlador no pierda su correcto funcionamiento) pero mas bajo un
punto de operacin (no aleatorio sobre mtodos convencionales).
En el caso en lnea se recomienda utilizar un computador con
procesador ms rpido que el tiempo de respuesta del sistema.
Con una posible implementacin para sistemas d otra naturaleza tener
en cuenta la poblacin, funcin de aptitud, tipo de operadores, y los
parmetros de poblacin, generacin probabilidad de cruce y
probabilidad de mutacin
En lo posible para realizar estudios sobre el concepto de robustez para
incluirlo dentro del algoritmo.
Estudiar la posibilidad de ser implantado en algn proceso industrial
para ir obteniendo mejoras de este.
BIBLIOGRAFIA
[1] www.habitat.aq.upm.es .boletin/n21/amher1.html . Abril de 2004
[2] www.Informticaevolutiva.com Algoritmosgenticos.html, Juan Julin Merelo
Guervs, jmerelogeneura.ugr.es. Agosto de 2003
[3] www.inteligenciaartificialc.com .La Computacin Evolutiva en el Contexto de
la Inteligencia Artificial.htm, Carlos A. Coello Coello, Copyright 1997 LANIA,
A.C.
[4] Computacin Evolutiva. Francisco Hidrovo Torres- Jos L. Aguilar Castro.
Universidad de Los Andes. Merida, Venezuela
[5] \GAIA Computacin Evolutiva.htm. Marzo 2005
[6] yo@alfredorahn.com, yelitzayoleth@mipunto.com .AG_Bivariado.pdf
Septiembre de 2003
[7] Gonzlez Heli, Larrazbal Germn, Loyo Jacqueline, helijesusg@cantv.net.
Algoritmo Evolutivo Paralelo para Problemas de Asignacin Cuadrtica - QAP -
ilustrados_com.htm. Publicado sbado 31 de enero de 2004
[8] computacin evolutiva.pdf, Andrs Romero Rodrguez, Mario Linares
Vsquez, XIV CNEIS, Marzo 16 - 2005
[9] EVOLUTIONARY ALGORITHMS.J. Madar and J. Abonyi (2005). EAfull.pdf
[10] IFAC PROFESSIONAL BRIEF. Genetic algorithms in control systems
engineering. P. J. Fleming http://www.shef.ac.uk/~acse/people/p.j.fleming/,
R. C. Purshouse www.shef.ac.uk/~acse/research/students/r.c.purshouse/.
Department of Automatic Control and Systems Engineering. University of
Sheffield, UK. PB_Fleming_Purshouse.pdf. 2005
[11] estructuras-FIN.pdf, ING. PHD. GUILLERMO FRANCO, Noticreto N 72.
Algoritmos evolutivos en ingeniera. Agosto- Septiembre- Octubre de 2004
[12] Pablo Estvez valencia. Chile, agosto 1997.
pestevez@tamarugo.cec.uchile.cl. optimizacion.pdf
[13] Computacin Evolutiva eXactas_org La Universidad Evolutiva_
Comunidad Estudiantil de formacin interdisciplinaria.htm abril de 2002 por los
estudiantes de la F.C.E.I.A. (U.N.R.).
[14] Computacin Evolutiva3.htmhttp://www.aic.nrl.navy.mil/galist/, 2001
[15] [Alba/Cotta] Alba, E. Cotta, C. Tutorial de Algoritmos Evolutivos.
http://polaris.lcc.uma.es/~ccottap/semEC/. algoritmosGeneticos.pdf. 2001
[16] yelitzayoleth@mipunto.com, yo@alfredorahn.com, GMSP_paper.pdf. Junio
de 2002
[17] Dr. Alejandro Guerra Hernndez. aguerra@uv.mx, www.uv.mx/aguerra.
Mxico Abril 1, 2004
[18] ttp://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_Evoluci%C3%B3n1. 6:43
25 ago, 2005. El contenido est disponible bajo los trminos de la GNU Free
Documentation License
[19] Universidad Nacional del Nordeste .Fac. De Agroindustrias, Senz Pea,
Chaco. Fac. Ciencias Agrarias, Corrientes Repblica Argentina. 1998-
2004.http://www.biologia.edu.ar.
http://fai.unne.edu.ar/biologia/evolucion/evo1.htm
[20] Publicacin enviada por Aberto Garca. Cdigo ISPN de la Publicacin:
EpyyupVuyulSAOLqUy. Publicado Friday 17 de October de 2003
http://www.ilustrados.com/publicaciones/EpyyupVuyulSAOLqUy.php
[21] 1997 Lucas Morea / Sinexi S.A
http://www.monografias.com/trabajos/reproduccion/reproduccion.shtml
[22] introduccin a la computacin evolutiva cap1.pdf
[23] algoritmos evolutivos cap7.pdf
[24] Mara Teresa Iglesias Otero. Universidad de la Corua. totero@udc.es
pg02-03-iglesias .pdf. 2002,2003
[25] REDcientifica - Computacin Evolutiva - Manuel de la Herrn Gascn.htm.
18 de Enero de 2002
[26] computacin evolutiva Carlos a Coello, abril de 2005
[27] Algoritmos Genticos. eXactas_org. La Universidad Evolutiva_ Comunidad
Estudiantil de formacin interdisciplinaria.htm abril de 2002 por los estudiantes
de la F.C.E.I.A. (U.N.R.).
[28] Algoritmos genticos y computacin evolutiva.htm, Adam Marczyk,
traduccin Gabriel Rodrguez Alberich., octubre de 2004
[29] Caractersticas de los algoritmos genticos.htm. David Santo Orcero
Palabras claves. Octubre de 2003
[30] BENYAMIN KUSUMOPUTRO. Computational Intelligence Research
Laboratory Faculty of Computer Science, University of Indonesia Depok
Campus, INDONESIA. kusumo@cs.ui.ac.id. 19 de Noviembre de 2003
[31] Control Automatico 1. http://iaci.unq.edu.ar/caut1. Automatizacin y Control
Industrial. Universidad Nacional de Quilmas. Virginia Mazon. Marzo 2002
[32] Ingeniera De Control Moderna. Katsuhiko Ogata. Tercera edicin Pearson
educacin.
[33] Sistemas de control automtico sptima edicin benjamn kuo Prentice
Hall 1996 Enrique Jacob Mxico
[34] Universidad Simn Bolvar. Departamento de Procesos y Sistemas.
Seccin de sistemas de control. Introduccin al control de procesos. Prof.
Jenny Montbrun Di Filippo. Prof. Yamilet Snchez Montero
[35] Sistemas De Control En Tiempo Discreto. Katsuhiko Ogata. Segunda
edicin Pearson educacin. Mxico 1996
ANEXO
Los anexos de este trabajo se presentan en formato electrnico al respaldo del
informe o en una carpeta llamada ANEXOS en el C.D de entrega final.
GLOSARIO DE TRMINOS TCNICOS
Alelo: Un alelo es un valor para un gen. Utilizando la definicin de gen que
hace referencia a una porcin de cadena gentica determinada, los alelos de
ese gen seran todos los posibles valores que puede tomar ese segmento de
cadena gentica. [5]
Azar, Aleatorio: sin causa, y por tanto, tericamente impredecible, excepto en
forma de probabilidad [5]
Caos: es la situacin de desorden en que, segn ciertas teoras o creencias, se
encontraba el universo antes de adquirir su ordenacin actual.[5]
Cromosoma: Un cromosoma est formado por un conjunto de genes. En
computacin evolutiva es raro dividir la informacin gentica en cromosomas y
stos, a su vez, en genes. Lo habitual es que cada individuo est formado por
un nico cromosoma. Al existir ambos trminos (cromosoma e individuo)
disponibles, la comunidad cientfica que aplica computacin evolutiva los ha
utilizado para distinguir distintos matices de un mismo concepto. As, cuando se
habla de cromosoma, se suele hacer referencia a la cadena de bits o de
smbolos que forman la entidad (genotipo). En cambio, cuando se usa el
trmino individuo, se hace referencia a la interpretacin de estos smbolos, a su
significado como solucin al problema. [5]
Diagrama en bloques: permite mostrar las conexiones y cada bloque que
representa.
Epstasis: El fenmeno de la epstasis consiste en la existencia de fuertes
vinculaciones (tambin llamadas "interacciones") entre los genes, de forma que
el efecto de unos genes inhibe o potencia otros, o incluso el resultado es tan
complejo que no tiene sentido considerar los efectos de los genes de forma
individual sino conjuntamente.
"El problema de la epstasis" o "el problema de la ausencia de bloques
constructores" consiste en la existencia de estas interacciones entre los genes.
Los problemas con poca epstasis son triviales, y se pueden solucionar con un
simple mtodo de escalada. Los problemas con mucha epstasis son difciles
de resolver, incluso para los Algoritmos Genticos. Un problema donde todos
los genes tuvieran fuerte vinculacin entre s, es decir, cuyos efectos dependan
del valor de todos los dems genes, no sera un problema irresoluble, pero s el
peor que nos podramos encontrar, no slo para las tcnicas evolutivas, sino
para cualquier otro mtodo. Sera algo as como buscar un objeto con los ojos
cerrados, y la mejor forma de tratarlo sera, lgicamente, una bsqueda
secuencial.
Error: es la diferencia entre la seal de referencia y la seal de salida real.
Estado: cantidad mnima necesaria que permite conocer la evolucin de una
variable de estado.
Funcin fitness: Se trata de una funcin evaluadora de la calidad de un
individuo como solucin a nuestro problema. Permite la ordenacin de los
individuos de la poblacin en cuanto a bondad de los mismos. [15]
Individuo o cromosoma: Un individuo determina una potencial solucin del
problema que se pretende resolver mediante el algoritmo gentico.[15]
Paradigma: Ejemplo, mtodo, tcnica, estrategia. [5]
Perturbacin: es una seal que tiende a afectar la salida del sistema,
desvindola del valor deseado.
Planta: es el elemento fsico que se desea controlar. Planta puede ser: un
motor, un horno, un sistema de disparo, un sistema de navegacin, un tanque
de combustible, etc.
Poblacin: Conjunto de individuos con los que se trabaja en el algoritmo
gentico. En un algoritmo gentico los individuos que constituyen la poblacin
van cambiando pero generalmente el tamao de la misma permanece
constante. [15]
Proceso: operacin que conduce a un resultado determinado.
Sensor: es un dispositivo que convierte el valor de una magnitud fsica
(presin, flujo, temperatura, etc.) en una seal elctrica codificada ya sea en
forma analgica o digital. Tambin es llamado transductor. Los sensores, o
transductores, analgicos envan, por lo regular, seales normalizadas de 0 a 5
voltios, 0 a 10 voltios o 4 a 20 mA.
Seal de salida: es la variable que se desea controlar (posicin, velocidad,
presin, temperatura, etc.). Tambin se denomina variable controlada.
Seal de referencia: es el valor que se desea que alcance la seal de salida.
Seal de control: es la seal que produce el controlador para modificar la
variable controlada de tal forma que se disminuya, o elimine, el error.
Seal analgica: es una seal continua en el tiempo.
Seal digital: es una seal que solo toma valores de 1 y 0.
Sistema: consiste en un conjunto de elementos que actan coordinadamente
para realizar un objetivo determinado.
Sistema de control en lazo cerrado: es aquel en el cual continuamente se
est monitoreando la seal de salida para compararla con la seal de
referencia y calcular la seal de error, la cual a su vez es aplicada al
controlador para generar la seal de control y tratar de llevar la seal de salida
al valor deseado. Tambin es llamado control realimentado.
Sistema de control en lazo abierto: en estos sistemas de control la seal de
salida no es monitoreada para generar una seal de control.