Optimización de Parámetros Utilizando los Métodos de Monte Carlo y Algoritmos Evolutivos. Aplicación a un Controlador de Seguimiento de Trayectoria en Sistemas no Lineales

Abstract

<p>En este trabajo se propone una estrategia de control en lazo cerrado para el seguimiento de perfiles óptimos previamente definidos para un bioproceso fed-batch. La mayor ventaja de este enfoque es que las acciones de control se calculan resolviendo un sistema de ecuaciones lineales, sin tener que linealizar el modelo matemático, lo que permite trabajar en cualquier rango. Además, se plantean tres técnicas para la sintonización de los parámetros del controlador diseñado. Primero se propone un método de Monte Carlo, el cual es un método probabilístico. En segundo lugar, se presenta una metodología basada en Algoritmos Genéticos, una técnica evolutiva de optimización. La tercera alternativa es el desarrollo de un Algoritmo Híbrido, diseñado a partir de la combinación de los dos métodos anteriores. En todos los casos, el objetivo es encontrar los parámetros del controlador que minimicen el error total de seguimiento de trayectorias. El desempeño del controlador se evalúa a través de simulaciones en condiciones normales de operación y frente a incertidumbre paramétrica, empleando los parámetros del controlador obtenidos.</p>

Determination of Variable Humidity Profile for Lactic Acid Maximization in Fungal Solid-State Fermentation

“…In equations 1 to 3 of Figure 1, the kinetic parameters highlighted in yellow are those that need to be optimized to obtain the best value of the coefficient of determination R 2 for each model: Xmax, μmax, tp, t0, Yp/x, and td. To achieve this objective, a hybrid algorithm [26] was applied, which combines a probabilistic method, Monte Carlo Method, that generates an initial population of parameters randomly through a random algorithm and selects the best ones. Then, this group of parameters is refined using an evolutionary optimization technique, Genetic Algorithm Method, which solves search and optimization problems based on the genetic process of living organisms.…”

Optimización dinámica basada en Fourier. Aplicación al proceso de biodiesel

“…Luego, calcular la función objetivo J. 5) Mediante algún algoritmo estocástico, como por ejemplo, algoritmos genéticos (Fernández et al, 2019a) o algoritmo de colonia de hormigas, optimizar los parámetros de Fourier.…”

“…La metodología de optimización de parámetros que se emplea en este trabajo fue originalmente diseñada por el grupo de trabajo (Fernández et al, 2019a). Se trata de un algoritmo híbrido que combina el método de Montecarlo con algoritmos genéticos, en el cual, con el primero se genera una población inicial de individuos, luego se seleccionan los mejores y finalmente se refina ese grupo de individuos seleccionados a través de algoritmos genéticos.…”

“…5-En este paso se aplica un algoritmo genético (que fue desarrollado previamente por el grupo de trabajo (Fernández et al, 2019a)) para optimizar los parámetros de Fourier, el cual se programa completamente en código Matlab ® . Para llevar a cabo el algoritmo, mediante la evaluación de la función objetivo se seleccionan los 50 mejores individuos, los cuales se toman como el conjunto de individuos a optimizar con el algoritmo genético.…”

Bioethanol production optimization by direct numerical methods and evolutionary algorithms

“…Por lo tanto, inicialmente se plantea un procedimiento de parametrización fundado en el uso de bases ortonormales y serie de Fourier, que no requiere de la partición del intervalo de tiempo de reacción. Adicionalmente, se propone una mejora a una metodología híbrida para la búsqueda de parámetros, que fue planteada con anterioridad [20], la misma, combina algoritmos aleatorizados con algoritmos evolutivos y método de gradiente. Se utiliza Matlab® y Simulink® para la programación completa de los algoritmos mencionados, sin hacer uso de paquetes preestablecidos.…”