Algoritmos Genéticos Aplicados a la Insdustria
Cristian Sivisaca
Universidad Politécnica Salesiana
Carrera de Ingeniería Electrónica
Quito, Ecuador
csivisaca@est.ups.edu.ec
Jefferson Zapata
Universidad Politécnica Salesiana
Carrera de Ingeniería Electrónica
Quito, Ecuador
jzapatap@est.ups.edu.ec
Abstract—This electronic document is a “live” template and
already defines the components of your paper [title, text, heads,
etc.] in its style sheet. *CRITICAL: Do Not Use Symbols, Special
Characters, Footnotes, or Math in Paper Title or Abstract.
(Abstract)
Keywords—component, formatting, style, styling, insert (key
words)
I. INTRODUCCION
Los Algoritmos Genéticos (AG) son procedimientos
probabilísticos o de reconocimiento aleatorio de búsqueda que
proviene de la regla de la evolución de la biosfera
(supervivencia del más apto).[1] El algoritmo genético toma
todos los individuos de una población, como un objeto, y
utiliza la tecnología de aleatorización para realizar búsquedas
altamente efectivas en el espacio de parámetros codificado las
operaciones comunes del algoritmo genético están inspiradas
en la evolución natural, como la herencia, mutación, selección
y cruce.[2] John Holland fue el pionero en aplicar este tipo de
algoritmos por primera vez en los años 70 en la Universidad
de Michigan. Fueron ampliamente estudiados,
experimentados y aplicados en muchos campos de la
ingeniería.
No solo proporciona métodos alternativos para resolver
problemas, sino que también superan a otros métodos
tradicionales en la mayoría de los enlaces de problemas.
Muchos de los problemas del mundo real implican encontrar
parámetros óptimos, lo que podría resultar difícil para los
métodos tradicionales pero ideal para los mismos.[3]
En el campo de la informática de la inteligencia artificial
y el Aprendizaje Automático se basan en las bondades de la
naturaleza, tanto en la inspiración como en los mecanismos.
Por lo tanto tienen mayor éxito en encontrar la solución
mínima global independientemente del conjunto de valores
iniciales frente al método de cuadrados mínimos no lineal
usado habitualmente para ajustar parámetros.[4]
En la industria los Algoritmos Genéticos son cada ves mas
utilizados ya que se utilizan como los métodos de adaptación
heurísticos más óptimos en la resolución de problemas al
generar una variable óptima a partir de los datos al asociar las
soluciones en la frecuencia y el tiempo de inactividad de las
máquinas de una industria para ser aplicadas en industrias
similares con las ausencias de datos.[5]
Por ejemplo, en la nueva industria competitiva de
suministro eléctrico, hay un interés renovado en los algoritmos
que pueden proporcionar ahorros en los costos de operación.
Alex Ñacata
Universidad Politécnica Salesiana
Carrera de Ingeniería Electrónica
Quito, Ecuador
anacata@est.ups.edu.ec
Marco Ortiz
Universidad Politécnica Salesiana
Carrera de Ingeniería Electrónica
Quito, Ecuador
mortizba@est.ups.edu.ec
Una programación óptima de los generadores puede
proporcionar ahorros anuales sustanciales en los costos de
combustible.
Además, los algoritmos genéticos en la industria son
aplicados a controladores PID que pueden trabajar en un
proceso de optimización, desconociendo la dinámica de la
planta del sistema, ya que sólo busca converger mediante
operadores genéticos a una óptima solución basándose sólo en
una función de error.[6]
En este documento se ha investigado el funcionamiento,
modo de utilización y aplicación de los algoritmos genéticos
en la industria.
La sección 2 revisa la metodología de selección de papers,
sección 3 revisa los papers en que están basados la
investigación. Refiriendo a la sección 4 revisa los conceptos
básicos de los algoritmos genéticos. Por su parte la sección 5
revisa los estudios previos de los algoritmos genéticos.
Posteriormente en la sección 6 se realizan las conclusiones de
la investigación.
II METODOLOGÍA
En esta investigación se planteó tres objetivos específicos,
sobre cada objetivo especifico se desarrolla una interrogante.
Cada interrogante representa un micro problema de
investigación, cada uno de estos objetivos responde a los
resultados de la investigación [7]
Conocer los conceptos básicos y de funcionamiento de los
algoritmos genéticos.
Indagar el modo de utilización de estos algoritmos.
Investigar las aplicaciones industriales de los AG en la
actualidad.
Se eligieron estos documentos científicos en base a la
búsqueda de información referente a qué es, cómo funciona y
la descripción básica en función de modificaciones en los
diferentes campos que se aplica los algoritmos genéticos
III CONCEPTOS PREVIOS
¿Que es un algoritmo genético?
Los Algoritmos Genéticos son métodos adaptativos que
pueden usarse para resolver problemas de búsqueda y
optimización. La evolución de dichas soluciones hacia valores
óptimos del problema depende en buena medida de una
adecuada codificación de las mismas. [1]
La finalidad de un algoritmo genético es resolver
problemas de forma automática, toma a todos los individuos
de una población como un objeto a predecir el
comportamiento de un fenómeno que puede ocasionar
problemas, para lo cual tiene presente los parámetros o
criterios que estos tienen implícitos, con la intención de
adelantarse a su solución, por lo cual este identifica todas las
posibles situaciones que se pueden presentar para aplicar la
solución que sea más optima.[8] Para el campo de la
investigación representa una gran oportunidad porque esta
metodología ofrece grandes beneficios que contribuyen al
desarrollo de la industria.
El paso importante es codificar el modelo, que es la
garantía de si el algoritmo podría tener alta eficiencia. [9]
III CASO DE ESTUDIO
La utilización de algoritmos genéticos para la industria ha
sido ya estudiada previamente en los documentos científicos.
[6] y [10]
G. Garino, C. Catania, and C. Garc exploran la utilización
de algoritmos genéticos para la generación de reglas para lo
cual se buscan los patrones más comunes. Con este fin se
necesita un conjunto de instancias que hayan sido analizadas
por expertos en seguridad de redes industriales, en el cual se
ha resaltado las instancias conteniendo anomalías. Una vez
finalizado el entrenamiento, el algoritmo es capaz de generar
alertas cuando observe alguno de los patrones prendidos.[10]
Todos estos métodos sólo proporcionan algunas óptimas
soluciones y la calidad de cada solución es afectada por la
limitación del tiempo de solución, la viabilidad de la solución
final. Por ejemplo, una computadora tiene requisitos de
almacenamiento y suele ser otro factor limitante importante,
pero esto se está convirtiendo rápidamente una cosa del
pasado como el costo de la computadora la memoria sigue
cayendo. [6]
En el documento científico se utiliza los algoritmos
genéticos, como un método ideal para resolver problemas que
se producen en la generación de energía térmica ya que
muchas veces se busca reducir la cantidad de combustible que
se gasta.
REFERENCIAS
[1] G. Wei and X. Xie, “Research of using genetic algorithm of
improvement to compute the most short path,” 2009 3rd Int. Conf.
Anti-counterfeiting, Secur. Identif. Commun. ASID 2009, pp. 516–
519, 2009.
[2] A. Manilla Garcia, I. Rivas Cambero, and J. A. Monroy Anieva,
“Modelado y Análisis de Sintonización de Velocidad de un MSIP
con Presencia de Fisura Mediante Algoritmos Genéticos,” Rev.
Iberoam. Automática e Informática Ind., vol. 16, no. 2, p. 190,
2019.
[3] I. Amro and W. Ghanem, “GSM automatic frequency planning
with the aid of genetic algorithms,” Proc. - 2011 5th Int. Conf.
Genet. Evol. Comput. ICGEC 2011, no. 2, pp. 73–76, 2011.
[4] S. Boggi, A. C. Razzitte, and W. G. Fano, “Simulación numérica
de la permeabilidad magnética aplicada a ferritas utilizando
algoritmos genéticos,” 2014 IEEE Bienn. Congr. Argentina,
ARGENCON 2014, pp. 202–206, 2014.
[5] Z. Tahir, A. Ahmad, I. M. Nur, Anugrahyani, B. M. Aboobaider,
and S. Kobayashi, “Using genetic algorithm to bridge decision
making grid data gaps in small and medium industries,”
Proceeding - 2014 Makassar Int. Conf. Electr. Eng. Informatics,
MICEEI 2014, no. November, pp. 114–117, 2014.
[6] S. O. Orero and M. R. Irving, “With a,” Neural Networks, no. 414,
pp. 200–206, 1995.
[7] F. Yiqiu, X. Xia, and G. Junwei, “Cloud Computing Task
Scheduling Algorithm Based On Improved Genetic Algorithm,”
2019 IEEE 3rd Inf. Technol. Networking, Electron. Autom.
Control Conf., no. Itnec, pp. 852–856, 2019.
[8] M. Montazeri, R. Kiani, and S. S. Rastkhadiv, “A new approach to
the Restart Genetic Algorithm to solve zero-one knapsack
problem,” 2017 IEEE 4th Int. Conf. Knowledge-Based Eng. Innov.
KBEI 2017, vol. 2018-January, pp. 50–53, 2018.
[9] L. Zhu, J. Wu, H. Zhang, and S. He, “A hybrid genetic algorithm
for flexible task collaborative scheduling,” Proc. - 2nd Int. Conf.
Genet. Evol. Comput. WGEC 2008, pp. 28–31, 2008.
[10] G. Garino, C. Catania, and C. Garc, “Disponible en:
http://www.redalyc.org/articulo.oa?id=92503708,” 2008.
IEEE conference templates contain guidance text for
composing and formatting conference papers. Please
ensure that all template text is removed from your
conference paper prior to submission to the
conference. Failure to remove template text from
your paper may result in your paper not being
published.