AMAE Int. J. sobre producción e ingeniería industrial, vol. 02, No.

01, junio de 2011

Optimización de problemas de diseño mecánico

Algoritmo de Evolución Diferencial Mejorado
Millie Pant, Radha Thangaraj y VP Singh
Departamento de Tecnología del Papel,
Instituto Indio de Tecnología Roorkee, India.
millifpt@iitr.ernet.in , t.radha@ieee.org , singhfpt@iitr.ernet.in

Resumen- La evolución diferencial (DE) es un enfoque evolutivo novedoso
capaz de manejar funciones objetivas no diferenciables, no lineales y
multimodales. DE ha sido clasificado constantemente como uno de los
mejores algoritmos de búsqueda para resolver problemas de optimización
global en varios estudios de casos. Este artículo presenta un algoritmo de
Evolución Diferencial de Restricciones Mejoradas (ICDE) para resolver
problemas de optimización restringida. El algoritmo ICDE propuesto difiere del
algoritmo DE no restringido solo en el lugar de inicialización, selección de
partículas para la siguiente generación y clasificación de los resultados
tipo de problema (por ejemplo, problemas de programación cuadrática, problemas
de programación geométrica, etc.). Teniendo en cuenta las limitaciones de las
técnicas tradicionales, los investigadores han propuesto el uso de métodos de
optimización estocástica y algoritmos inteligentes para resolver la PNL que puede
estar restringida o no. Algunos ejemplos son: Algoritmos genéticos [1] - [3],
Optimización de colonias de hormigas [4], Algoritmo de optimización del caos [5],
Optimización del calentamiento de partículas [6], Evolución diferencial [7], etcétera.
Con base en los esfuerzos de investigación en la literatura, los métodos de manejo

finales. También implementamos la nueva idea en cinco versiones del de restricciones se han categorizado en varias clases [8] - [10]:
algoritmo DE. El rendimiento del algoritmo ICDE se valida en cuatro problemas
de ingeniería mecánica.
• Rechazar soluciones inviables
• Métodos de función de penalización

• Convertir el problema restringido en un problema no restringido

• Conservación de métodos de viabilidad

Términos del Índice —Evolución diferencial, optimización, problemas de diseño
mecánico, optimización de restricciones. • Métodos de clasificación de Pareto

• Métodos de reparación

Yo NTRODUCCIÓN En el presente artículo de investigación hemos concentrado nuestro trabajo

en DE, que es comparativamente una adición más reciente a la clase de técnicas
Muchos problemas de optimización del mundo real se resuelven sujetos a un
de búsqueda basadas en la población. DE es una estrategia de búsqueda
conjunto de restricciones. El espacio de búsqueda en las COP consta de dos tipos
estocástica basada en la población desarrollada por Storn y Price [7] en 1995. Es
de soluciones: factibles e inviables. Los puntos factibles satisfacen todas las
un nuevo enfoque evolutivo capaz de manejar funciones objetivas no
restricciones, mientras que los puntos no factibles violan al menos una de ellas.
diferenciables, no lineales y multimodales. DE ha sido diseñado como un método
Por lo tanto, la solución final de un problema de optimización debe satisfacer todas
estocástico de búsqueda directa paralela, que utiliza conceptos tomados de la
las restricciones. Un problema de optimización restringida puede distinguirse como
amplia clase de EA. El método normalmente requiere pocos parámetros de control
un problema de programación lineal (LPP) y un problema de programación no
fáciles de elegir. Este artículo presenta un algoritmo de Evolución Diferencial de
lineal (NLP). En este artículo hemos considerado problemas de PNL donde la
Restricciones Mejoradas (ICDE) para resolver problemas de optimización
función objetivo o las restricciones, o ambas, son de naturaleza no lineal. La PNL
restringida. La estructura del artículo es la siguiente: en la sección
general viene dada por la función objetivo no lineal f, que debe minimizarse /
maximizarse con respecto a las variables de diseño.

II, hemos explicado brevemente el Algoritmo de Evolución Diferencial, en la

sección III; hemos definido y explicado el algoritmo ICDE propuesto. La Sección
X • ( X 1, X 2, ....., X n) y las restricciones de desigualdad e igualdad no lineales. IV se ocupa de los escenarios experimentales y los problemas de prueba, la

Esto puede ser formulado por: Sección V da los resultados numéricos y la discusión y finalmente el artículo
concluye con la Sección VI.
Minimizar / Maximizar f (x)

Sujeto a: g j ( X) • 0, j • 1, ......, pag (1)

h k ( X) • 0, k • 1, ......, q (2)
X yo min • X yo • X yo max ( yo • 1, ......, n).
donde pyq son el número de restricciones de desigualdad e igualdad respectivamente.
Existen muchos métodos tradicionales en la literatura para resolver la PNL. Sin
embargo, la mayoría de los métodos tradicionales requieren ciertas propiedades
auxiliares (como convexidad, continuidad, etc.) del problema y también la mayoría de
las técnicas tradicionales son adecuadas solo para un problema en particular.
II. re IFFERENCIAL mi VOLUCIÓN UNA LGORITMO
DE comparte una terminología común de operadores de selección, cruce y
mutación con GA; sin embargo, es la aplicación de estos operadores lo que hace
que DE sea diferente de GA. Mientras que en el cruce de GA juega un papel
importante, es el operador de mutación el que afecta el funcionamiento de DE [11].
El funcionamiento de DE puede describirse de la siguiente manera:
Mutación: Para un espacio de búsqueda de dimensión D, para cada objetivo

vector X yo G en la generación g, su asociado

dieciséis
© 2011 AMAE
DOI: 01.IJPIE.02.01.205
 AMAE Int. J. sobre producción e ingeniería industrial, vol. 02, No. 01, junio de 2011

El vector mutante se genera mediante cierta estrategia de mutación. Las estrategias de El algoritmo ICDE propuesto usa la desviación estándar cero media una
mutación más utilizadas implementadas en los códigos DE se enumeran a continuación. distribución normal para inicializar la población y usa los siguientes tres criterios
de selección: Después de calcular el vector de prueba (i) Si el vector de prueba

• F * (X r 2, gramo • X r 3, g) y el vector objetivo son factibles, seleccione el la mejor (ii) Si ambas partículas
DE / rand / 1 (S1): V yo G • X r 1, gramo (3)
son inviables, seleccione la que tenga una menor violación de la restricción (iii)
DE / rand / 2 (S2):
Si una es factible y la otra no es factible, seleccione la factible. También al final
V yo G • X r, g • F * (X r, g • X r, g) • F * (X r, g • X r 5, g) de cada iteración, las partículas se clasifican utilizando los tres criterios: (a)
1 2 3 4
Clasificar soluciones factibles frente a soluciones no factibles (b) Clasificar
(4) soluciones factibles de acuerdo con sus valores de función de aptitud (c)
DE / bes t / 1 (S3): V yo G • X mejor, g • F * (X r, g • X r 2, g)1 ( 5) DE / mejor / 2 (S4): Clasificar soluciones no factibles de acuerdo con a sus violaciones de las
restricciones. Los pasos computacionales del algoritmo ICDE se dan a
continuación:
V yo G • X mejor, g • F * (X r 1, gramo • ) • F * (X r 3, gramo
X r 2, gramo • )
X r 4, gramo

(6)
DE / rand-to-best / 1 (S5):
Paso 1 Inicialice la población utilizando una distribución normal con
V yo G • X r, g • F * (X mejor, g • X r, g) • F * (X r, g • X r, g) media cero y desviación estándar uno.
1 2 3 4

(7)
Paso 2 Para todas las partículas
dónde r 1, r 2, r 3, r 4, r 5 • { 1,2, ...., NOTARIO PÚBLICO} son números enteros elegidos al
Evaluar la función objetivo Calcular la violación de
azar, deben ser diferentes entre sí y también diferentes del índice de ejecución i. F (>
restricción End para
0) es un factor de escala que

controla la amplificación del vector de diferencia. X mejor, g es Paso 3 Mientras no se cumple el criterio de parada

el mejor vector individual con el mejor valor de aptitud en la población en la

Hacer
generación g.
Paso 3.1 Mutación
Transversal: Para aumentar la diversidad de los vectores de parámetros
Para todas las partículas
perturbados, se introduce el cruce [12]. El vector padre se mezcla con el
Generar una mutado vector V
vector mutado para producir una prueba
correspondiente al vector objetivo X yo G yo G
vector tu ji, g • 1 mediante una de las ecuaciones (3) a (7) Fin para

v ji, g • 1 si (rand j • CR) o (j • j rand) Paso 3.2 Crossover // Generar prueba

tu ji, g • 1 • • • •
X ji, g si (rand • CR)
j y (j • j rand ) (8) vector U yo G

Para todas las partículas

donde j = 1, 2, ……, D; rand j • [ 0,1]; CR es la constante de cruce Seleccione j rand • { 1,…, D}
que toma valores en el rango [0, 1] Para j = 1 a D
Si (rand (0,1) d ”CR o j = j Entonces U )
y j rand • ( 1,2, ....., RE) es el índice elegido al azar. rand

=V
Selección: La selección es el paso para elegir el vector entre el vector objetivo y Else U yo, g = X yo G yo G
el vector de prueba con el objetivo de crear un individuo para la próxima Terminara si yo G
generación. El flujo simple del algoritmo DE se muestra en la Figura 1. Fin para
Fin para
Paso 3.3 Selección
Para todas las partículas
Establecer X yo, g + 1 según los tres criterios de selección

Fin para
Paso 3.4 Clasifique las partículas usando el
tres reglas de clasificación
Paso 3.5 Ir a la próxima generación
Paso 4 Terminar mientras
Fig 1 Flujo del algoritmo DE

IV. mi XPERIMENTAL S ETTINGS Y T est PAG ROBLEMAS

III. PAG ROPOSED ICDEA LGORITMO
Para hacer una comparación justa de todas las versiones de los algoritmos DE,
El algoritmo propuesto ICDE es un algoritmo simple para resolver problemas
fijamos la misma semilla para la generación de números aleatorios de modo que la
de optimización de restricciones, es fácil de implementar. Se diferencia del
población inicial sea la misma para ambos algoritmos. El tamaño de la población se toma
algoritmo de optimización sin restricciones solo en el lugar de inicialización,
como 50. La constante de cruce CR se establece como 0,95 y el factor de escala F se
selección de partículas para la siguiente generación y clasificación de los
establece como
resultados finales.
17
© 2011 AMAE
DOI: 01.IJPIE.02.01.205
 AMAE Int. J. sobre producción e ingeniería industrial, vol. 02, No. 01, junio de 2011

0,7. Para cada algoritmo, el criterio de detención es terminar el proceso de

búsqueda cuando se cumple una de las siguientes condiciones: (1) se alcanza
el número máximo de generaciones
(asumido 10000 generaciones), (2) | F max - F min | < 10- 4 dónde F es el valor de la
función objetivo. Un total de 30 carreras para cada
Se realizaron escenarios experimentales. Si la ejecución satisface la segunda
condición de detención, entonces esa ejecución se denomina ejecución exitosa.
También implementamos la nueva idea en cinco versiones del algoritmo DE. Para
comprobar la eficiencia del algoritmo ICDE propuesto, lo hemos probado en cuatro
problemas de optimización que surgen comúnmente en el campo de la ingeniería Fig 2 Problema de diseño de la red del intercambiador de calor

mecánica. Todos los problemas considerados aquí son de naturaleza altamente no

C. Diseño de compresores de transmisión de gas (GTCD) [15]
lineal y están sujetos a varias restricciones. Los modelos matemáticos de estos
El modelo matemático es,
problemas se pueden dar como:
4
f (x) • 8,61 • 10 5 X 1/2 1xx • 2/32X3 • 1/2 • 3,69
4 • 10 X 3

A. Minimización de peso de un reductor de velocidad (WMSR) [13] 6•1

• 7.72 • 10 8 X • 11X0,219
2
• 765,43 10 X 1 •
El modelo matemático de este problema es, Min
Sujeto a
• 2• 1
xx4 •2 2 • X 2
f (x) • 0,7854 xx 2 12( X2
3.3333 3 • 14.9334 X 3 • 43.0934)
3
20 • X 1 • 50, 1 • X 2 • 10, 20 • X 3 • 50, 0,1 • X 4 • 60
• 1,508 x (xdieciséis
2 • X 2) 7,477
7 •( X 3 6 • X 7) • 0,7854 ( xx 2 • xx426 5 7)

Sujeto a D. Diseño óptimo del sistema de refrigeración industrial (ODIRS) [16]

22• 397,5, xx 4 xx • 3 • 1,93,

X 1 X22 X 3 • 27, X 1 X 2 X 3 2634
El modelo matemático es,
AB 1.664 X 6
1 1• •1 1100 f (x) • 63098.88 xxx • 25441,5
4 12 X 2 X 12 • 115055.5
2 X2

3
Dónde UNA • [( 745 xx • 1 X • 1) 2 • 16.9611 6] 0,5, segundo • 0,1 2
1 42 3 1X 6 • 6172.27 X 2 2 X 6 • 63098.88 X 1 X 3 X 11 • 5441,5 X 1 X 11

2
• •850
UNA 2 segundo 1
• 115055.5 X 1.664
1
X 5 • 6172.27 X 2 1X5• 140,53 X 1 X 11
• 1X• 12
Dónde UNA • [( 745 xx 2 52 3 ) • 15. 10
75 6] 0,5,
• 281,29 xx 3• 11
70,26 X 1 2 • 281,29 xx • 281,29
13
X2 3

segundo
2 • 0,1 X 73
• 14437 X 1.8812
8
X 0.3424
12
xx • 1 X 10
2 xx • 1
14 1 79

X 2 X 3 • 40, xx •112 • 5, xx • 1 • 12 1 2 , 1,5 X 6 • X 4 • • 1,9, 0.316 2

• 20470.2 X 2.893
7
X 11
X1
1,5 X 7 • X 5 • • 1.9. Sujeto a

2.6 • X 1 • 3,6, 0,7 • X 2 • 0,8, 17 • X 3 • 28, 1.524 X •71 • 1, 1.524 X • 1 8• 1, 0,07789 X 2 • 1 1• X 7 X 9 • 1,

7.3 • X 4 • 8,3, 7,3 • X 5 • 8,3, 2,9 • X 6 • 3.9, 5 • X 7 • 5.5 7.05305 X • 91 X 2 1xx • 1 X • 1 X • 1 • 1, 0,0833 X • 1
10 8 2 14 13 X 14 • 1,

B. Diseño de la red de intercambiadores de calor (HEND) [14]

47.136 X 0.333
2 X • 1 10 X12• 1.333 xx 2.1195
8 13
El modelo matemático es,
• 1
• 62.08 X 2.1195 X • 1 X 12
0,2
8 X 10 • 1,
Minimizar f (x) • X 1 • X 2 • X 3 13

Sujeto a 1.8812 X 12 0.3424 • 1,

0.04771 X 10 X 8
• 1 • 0,0025 ( X 4 • X 6) • 0, • 1 • 0,0025 ( X 5 • X 7 • X 4) • 0,
0.316 • 1,
0.0488 X 9 X 1.893
7 X 11 0,0099 xx 1• 31 • 1,
• 1 • 0,01 ( X 8 • X 5) • 0 ,
1 • 1• 1,
0.0193 xx 2• 14 • 1, 0,0298 X 1 X • • 1, 0,056
5 X2X6
• X 1 X 6 • 833.33252 X 4 • 100 X 1 • 83333.333 • 0,
• 1• 1,
• X 2 X 7 • 1250 X 5 • X 2 X 4 • 1250 X 4 • 0, 2 X9• 1 • 1, 2 X • 1 10 • 1, X 12 X 11

• X 3 X 8 • 1250000 • X 3 X 5 • 2500 X 5 • 0, 0,001 • X yo • 5, yo • 1, ..., 14

• 100 • X 1 • 10000, 1000 • X yo • 10000 ( yo • 2,3), V. E XPERIMENTAL R ESULTADOS Y re ISCUSIÓN

Las tablas I a IV dan los resultados numéricos dados cuatro problemas de

optimización restringidos de la vida real. Estos problemas ocurren con frecuencia en el

campo de los diseños mecánicos. Los criterios de comparación para los algoritmos se

realizan en términos de valores de función de aptitud mejores, promedio y peores, NFE,

std, SR y tiempo. por
18
© 2011 AMAE
DOI: 01.IJPIE.02.01.205
 AMAE Int. J. sobre producción e ingeniería industrial, vol. 02, No. 01, junio de 2011

Todos los algoritmos, NFE representa el número de evaluaciones de funciones, lo
que ayuda a determinar la convergencia del algoritmo. Un valor menor de la ENF
implica una convergencia más rápida. std representa la desviación estándar que
indica la estabilidad de los algoritmos. Un std más pequeño implica que el
algoritmo es más estable. SR representa la tasa de éxito, lo que significa la
eficiencia de un algoritmo. Nos dice cuántas veces el algoritmo pudo converger
con éxito dentro del 1% de los verdaderos óptimos globales. Para todos los
problemas, comparamos nuestros resultados con los disponibles en la literatura.
FormTables I a IV, el
Se dan los resultados obtenidos por las diferentes versiones de DE y las disponibles en
la literatura. De los resultados numéricos es bastante visible que las versiones de DE
dieron mejores resultados que las disponibles en la literatura. En términos de los valores
de función de aptitud mejor, promedio y peor, todos los algoritmos dieron resultados
más o menos similares. Sin embargo, en términos de NFE, SR y tiempo empleado, los
algoritmos mostraron un comportamiento diferente.

19
© 2011 AMAE
DOI: 01.IJPIE.02.01.205
 AMAE Int. J. sobre producción e ingeniería industrial, vol. 02, No. 01, junio de 2011
El primer problema tiene que ver con el diseño de un reductor de velocidad para motores
de aviones pequeños. Tiene una función objetivo no lineal y consta de once restricciones
de desigualdad y siete variables desconocidas. Para este problema, las versiones DE
dieron los mismos resultados en términos de mejores, peores y promedios valores de
función de aptitud. Si comparamos la NFC y el tiempo de convergencia, DE / rand-to-best
/ 1 es mejor que todas las demás versiones. El segundo problema aborda el diseño de
una red de intercambiadores de calor como se muestra en la Fig. 2. Tiene tres
restricciones de igualdad, tres restricciones de desigualdad y ocho variables de decisión.
Para este problema también todos los algoritmos dieron el mismo resultado en
comparación con el mejor valor de función de aptitud. En comparación con el valor medio
de aptitud física, DE / best / 1 dio un valor ligeramente peor que otros algoritmos. Pero en
términos de tiempo de convergencia, es mejor que todas las demás versiones. El tercer
problema es un problema de diseño del compresor de transmisión de gas. Para este
problema, DE / best / 1 dio un mejor resultado en términos de desviación estándar, NFE
y tiempo de convergencia. DE / rand / 1 dio mejores resultados que otros algoritmos en
términos del mejor valor de función de aptitud.
VI C ONCLUSIÓN
En este artículo, propusimos un algoritmo DE mejorado llamado ICDE para
resolver problemas de optimización restringida. ICDE se diferencia del basicDE en
las fases de inicialización, selección y clasificación. Estas modificaciones están
integradas en varias versiones de DE y su eficiencia se valida en un conjunto de
cuatro problemas de diseño de ingeniería de la vida real, que ocurren con frecuencia
en el campo de la ingeniería mecánica. Quisiéramos agregar que en el presente
artículo, aunque solo hemos considerado cuatro problemas, los resultados
numéricos preliminares obtenidos muestran que las modificaciones propuestas son
beneficiosas para resolver problemas de optimización restringida de manera
efectiva, además, esta es una técnica / modificación general y puede ser aplicada a
cualquier técnica de búsqueda basada en poblaciones como algoritmos genéticos,
optimización de enjambres de partículas, etc.
R EFERENCIAS
[1] Y. Li, M.Gen, "Problemas de programación de enteros mixtos no lineales utilizando
algoritmo genético y función de penalización", In Proc. de IEEE Int. Conf. sobre SMC, págs.
2677-2682, 1996.
[2] Y. Takao, M. Gen, T. Takeaki, Y. Li, “Un método para problemas de programación no
lineal de números de intervalo 0-1 utilizando algoritmos genéticos”, Computadoras e
Ingeniería Industrial, vol. 29, págs.531 - 535,
1995.
20
© 2011 AMAE
DOI: 01.IJPIE.02.01.205
[3] JF Tang, D. Wang, et al., “Un algoritmo genético híbrido para un tipo de problema
de programación no lineal”, Computer Math. Applic, vol. 36 (5), págs. 11-21, 1998.
[4] M. Dorigo, V. Maniezzo, A. Colori, “Optimización del sistema de hormigas por una colonia de
agentes cooperantes”, IEEE Trans. sobre el sistema, el hombre y la cibernética, vol. 26 (1),
págs. 28 - 41, 1996.
[5] ZL Wang, L. Qiu, L. Función, C. Liang, “Aplicación del algoritmo de optimización
del caos a la programación restringida no lineal”, Revista del Instituto de
Conservación del Agua y Energía Hidroeléctrica del Norte de China, vol. 23 (2),
págs. 1-3, 2002. [6] J. Kennedy y R. Eberhart, "Particle Swarm Optimization", IEEE
International Conference on Neural Networks (Perth, Australia), IEEE Service
Center, Piscataway, NJ, IV, págs. 1942-
1948, 1995.
[7] R. Storn y K. Price, “Evolución diferencial - un esquema adaptativo simple y eficiente
para la optimización global en espacios continuos”, Informe técnico, Instituto
Internacional de Ciencias de la Computación, Berkley, 1995.
[8] G. Coath, SK Halgamuge, “Una comparación de métodos de manejo de
restricciones para la aplicación de la optimización del enjambre de partículas a
problemas de optimización no lineal restringida”, In Proc. del Congreso IEEE sobre
Computación Evolutiva, Vol.
4, págs. 2419 - 2425, 2003.
[9] S. Koziel, Z. Michalewicz, "Algoritmos evolutivos, asignaciones de homomorfos y
optimización restringida", Computación evolutiva, vol. 7 (1), págs.19 - 44, 1999.
[10] Z. Michalewicz, “Aurvey of Constraint Handling Techniques in Evolutionary
Computation Methods”, en Proc. de la Cuarta Conf. Anual. sobre Programación
Evolutiva, págs. 135 - 155, 1995. [11] D. Karaboga y S. Okdem, “Un algoritmo de
optimización simple y global para problemas de ingeniería: algoritmo de evolución
diferencial”, Turk J. Elec. Engin. 12 (1), 2004, págs.53 -
60.
[12] R. Storn y K. Price, “Evolución diferencial: una heurística simple y eficiente para
la optimización global en espacios continuos”, Revista Global Optimization. 11,
1997, págs. 341 - 359.
[13] Floudas, CA, Pardalos, PM, “Una colección de problemas de prueba para algoritmos
de optimización global restringidos”, LNCS. Springer, Alemania, 1990.
[14] BV Babu y R.Angira, “Optimización de procesos industriales usando evolución
diferencial mejorada y modificada”, Estudios en Fuzziness y Soft Computing, vol.
226, 2008, págs. 1 - 22.
[15] Beightler C. S y Phillips D. T, “Programación geométrica aplicada”, Jhon Wiley &
Sons, Nueva York, 1976.
[16] Paul H y Tay, "Diseño óptimo de un sistema de refrigeración industrial", In Proc.
de Int. Conf. sobre técnicas y aplicaciones de optimización, 1987, págs. 427 - 435.