Documentos de Académico
Documentos de Profesional
Documentos de Cultura
enjambre de partículas
1
𝑣𝑖𝑗 (𝑡 + 1) = 𝑣𝑖𝑗 (𝑡) + 𝑐1𝑟1 (𝑝𝑖𝑗 − 𝑥𝑖𝑗 (𝑡)) + 𝑐2𝑟2(𝑔𝑗 − 𝑥𝑖𝑗 (𝑡)) (1) éxito el algoritmo PSO para la identificación del sistema, es
𝑥𝑖𝑗 (𝑡 + 1) = 𝑥𝑖𝑗 (𝑡) + 𝑣𝑖𝑗 (𝑡 + 1) (2) crucial realizar la codificación de partículas y establecer una
función de aptitud adecuada. El propósito de identificar los
sistemas es ofrecer un modelo que pueda ajustarse muy bien a
Pero en la práctica, este algoritmo BASO es propenso a los datos de muestra, lo que significa hacer que la salida
producir problemas tales como convergencia prematura y poca calculada del sistema se acerque a la salida real lo más que se
capacidad de optimización local, por lo tanto, se han realizado pueda. Entre más cercanos ambos valores, mejor será el efecto
una serie de mejoras para este algoritmo. Se incluye el peso de de ajuste. La siguiente función de criterio puede tomarse como
inercia W para el término de velocidad en la fórmula (1). función de aptitud:
𝑣𝑖𝑗 (𝑡 + 1) = 𝑾𝑣𝑖𝑗 (𝑡) + 𝑐1𝑟1 (𝑝𝑖𝑗 − 𝑥𝑖𝑗 (𝑡)) + 𝑐2𝑟2(𝑔𝑗 − 𝑥𝑖𝑗 (𝑡)) (3) 𝑛
Luego, se presentó el concepto de “tasa de cambio de la
distancia de enfoque”, donde se expresa el peso de inercia W 𝑓 = √∑(𝑦𝑚𝑘 − 𝑦𝑘 )2 (8)
𝑘=1
en (3) como la función de la tasa de cambio de la distancia de
enfoque, lo que permite que el algoritmo sea de Donde 𝑦𝑚𝑘 es la salida calculada del sistema y 𝑦𝑘 es la salida
autoadaptibilidad dinámica. Dicha tasa de cambio se define real del sistema
como:
𝑀𝑎𝑥𝐷𝑖𝑠𝑡 − 𝑀𝑒𝑎𝑛𝐷𝑖𝑠𝑡
𝑘= (4) C. Ejemplo de solución con el método
𝑀𝑎𝑥𝐷𝑖𝑠𝑡
Donde: Se realizó un experimento en simulación para verificar el
(5) rendimiento y la eficiencia del algoritmo propuesto. Todos los
(∑𝑁 𝑁
𝑖=1 √∑𝑗=𝑖(𝑔𝑗 − 𝑝𝑖𝑗 ) )
2
códigos se realizan mediante programación en Matlab, donde
𝑀𝑒𝑎𝑛𝐷𝑖𝑠𝑡 = se ingresar los siguientes datos: Número de partículas N=15,
𝑁
(6) los parámetros 𝑐1 = 𝑐2 = 2 Y las máximas generaciones
𝐷
truncadas son 1000.
𝑀𝑎𝑥𝐷𝑖𝑠𝑡 = 𝑚𝑎𝑥𝑖=1,2,…,𝑁 (√∑(𝑔𝑗 − 𝑝𝑖𝑗 )2 ) Para facilitar la comparación se utiliza el siguiente modelo:
𝑗=1 1
𝑦 = 25 +
0.02 + 10𝑒 −0.25𝑥
+ 5 sin(3 + 0.5𝑥) + 2 sin(1.5 + 𝑥) (9)
Donde N es el número de partículas y D es la dimensión de se generan 30 grupos de datos de muestra de acuerdo con la
cada partícula. Se proporciona una función auto adaptativa en fórmula (9). Supongamos que se desconoce la estructura del
la que el peso de inercia no lineal está disminuyendo, modelo entonces, podemos seleccionar todos los metamodelos
utilizando la tasa de cambio de la distancia de enfoque. proporcionados anteriormente para realizar la identificación
|𝑟| del sistema. Después de utilizar los algoritmos BPSO e IPSO
(𝛼1 + ) |ln 𝑘|, |𝑘| > 1 para realizar múltiples tiempos de simulación, se seleccionan
2
|𝑟| los mejores resultados, como se muestra a continuación.
𝑤 = 𝛼1 𝛼2 + , 0.05 ≤ |𝑘| ≤ 1 (7) Tabla 1. Error cuadrático medio de varios métodos
2
|𝑟| 1
(𝛼2 + ) , |𝑘| < 0.05
{ 2 |ln 𝑘|
Donde, 𝛼1 = 0.3, 𝛼2 = 0.2 y r es un número aleatorio dentro
del intervalo [0,1]. Cómo es autor activo, el valor de W se
selecciona aleatoriamente para hacer W autoadactativamente
ajustado de acuerdo con la tasa de cambio de la distancia de Tomado de [1].
enfoque. Utilizando las fórmulas (2), (3), (4) y (7) se obtendrá
un nuevo algoritmo mejorado de optimización del enjambre de
partículas (IPSO). En este caso, el algoritmo IPSO se utilizará
para resolver el problema de identificación del sistema.
B. Clase de problemas a resolver por el método y formas
actuales de solución
Los métodos para la identificación de sistemas expuestos en
este documento se pueden dividir en los problemas de la
selección del submodelo (Estructura del sistema) y la
identificación de los parámetros del modelo. No existe un
método convencional para la identificación de parámetros para
la estructura de un grupo seleccionado de modelos
matemáticos desconocidos. Este problema de identificar
parámetros pertenece al problema de la optimización, es decir,
la selección de varios submodelos que puedan ajustarse a los
datos de la muestra de manera óptima pertenece a un tipo de
problema de optimización combinatoria. Para utilizar con Figura 1. Resultado de la identificación de sistemas
2
Tomado de [1]. D. Problemas potenciales en Colombia
El error cuadrático medio y las desviaciones máximas de En el desarrollo tecnológico de Colombia se posee un atraso
varios métodos se muestran en la Tabla 1, y los resultados de en la investigación de nuevas tecnologías para optimizar el
ajuste de los algoritmos se muestran en la Figura 1. Los trabajo de los ingenieros. En muchas áreas se utiliza la
resultados de la simulación han demostrado que el algoritmo identificación de sistemas a base de muestra de datos y se
PSO puede identificar la estructura del sistema y adquirir los recurre a la utilización de herramientas convencionales para su
parámetros ideales del modelo, por otro lado, los resultados análisis, no hay una aplicación directa de la optimización de
obtenidos por el algoritmo IPSO son mejores que los procesos aplicados a grandes empresas.
obtenidos por el algoritmo BPSO. Un ejemplo de esto es la identificación de sistemas de
Sobre la base de 30 grupos de datos de muestra generados, se regulación de velocidad, temperatura, presión y flujo, lo cuales
generará una cantidad de perturbaciones aleatorias con una utilizan un sistema de control PID (Proporcional Integral
probabilidad de ±10%, que se superpondrá a los datos de Derivativo). Por consiguiente y en la aplicación de la
muestra. Los mejores resultados de identificación son: optimización de este sistema en específico se realizó un
estudio por parte de Jhon Ramírez y Norha Posada [2], donde
Tabla 2. Error cuadrático medio de varios métodos con se muestra una nueva herramienta llamada Digitrol, el cual
perturbaciones random
modela toda la dinámica del sistema gracias a la aplicación de
diferentes entradas.
Este proceso es muy parecido a las herramientas que se tienen
a la mano para la identificación de sistemas. Esta herramienta
que parece ser de gran utilidad ya que su interfaz dice ser
sencillo de manejar puede resultar costoso su funcionamiento,
Tomado de [1]. ya que necesita muchas entradas para el modelado.
Para mejorar este proceso, se podría utilizar el método
mencionado en este artículo debido a que su eficacia es mayor,
su costo menor y se obtendría una mejor optimización de un
sistema de esta índole en Colombia. Todo esto es gracias al
uso de algoritmos IPSO, entonces debería ser usado en la
mayoría de los procesos como herramienta central.
E. Relación del método con otras áreas de la ingeniería de
control
Los ingenieros de control poseen muchos retos en el mercado
laborar, donde la demanda que se tiene es la optimización de
los procesos y esto es una pieza clave para el desarrollo
industrial en Colombia. Conociendo esto, el método de
algoritmo de optimización por enjambre de partículas es
aplicable a muchas áreas de control debido a su simplicidad y
eficacia.
Las áreas de control de sistemas mecánicos pueden ser aptos
para este modelo, debido a que puede identificar sistemas de
Figura 2. Resultados de la identificación de sistemas con
temperatura, flujos, velocidad de producción, entre otras
perturbaciones random.
variables de un proceso general.
Tomado de [1]. Con el fin de expandir la aplicabilidad del método, se puede
El error cuadrático medio y las desviaciones máximas de usar en control de costos, operaciones, desperdicios y
varios métodos se muestran en la Tabla 2, y los resultados de conservación; debido a que para realizar el método sólo se
ajuste de los algoritmos se muestran en la Figura 2. Se puede necesita la muestra del funcionamiento del proceso donde
ver en la Figura 2 que las perturbaciones influyen sobre la estén las entradas y correspondientes salidas.
capacidad de resolución del algoritmo y los resultados del Como lo confirma Santiago Garrido [3], los métodos de
modelo para la identificación. Sin embargo, el algoritmo IPSO identificación de sistemas podrán integrarse a la robótica
propuesto puede identificar idealmente la estructura del debido a que su eficiencia puede ser usada en sistemas de
sistema y los parámetros del modelo. Comparando la Figura 1 localización para la navegación de robots móviles en entornos
y la Figura 2, no hay una gran diferencia entre el modelo sin interiores semiestructurados.
perturbaciones y con perturbación. Se puede concluir con esto, que los métodos de identificación
Por lo tanto, se puede observar que se logra una mejora de sistemas resultan inherentes a la hora de estudiar y evaluar
significativa entre el algoritmo BPSO y el IPSO, el cual era el funcionamiento de un sistema.
uno de los objetivos del trabajo.
3
IV. MAPA CONCEPTUAL IMPLEMENTACIÓN DE CONTROLADORES PID-
DIGITROL,” 2016.
[3] S. Garrido Directores and L. Moreno Carlos Balaguer,
“Identificación, Estimación y Control de Sistemas No-
lineales mediante RGO,” 1999.
V. CONCLUSIONES
VI. REFERENCIAS