Abstract-This work applies changes in the differential evolution algorithm via fuzzy logic, in order to reduce the computational effort in the identification process of a multivariable system. This work is carried out in two stages. In the first stage, the differential evolution algorithm is simulated several times to obtain the best values: cross rate, mutation rate and population size. This step is also determined the best model of representation of multivariable system that is used in the second stage. In the second stage, the modifications based on fuzzy logic are applied. These modifications adjust the values of cross rate and mutation rate, in real time. The results show that the modifications implemented improve the efficiency of the conventional differential evolution algorithm.Keywords-differencial evoluntion; multivariable system; fuzzy logic; turning parameters online
I. INTRODUCÃOTodos dos sistemas físicos reais do mundo são multivariáveis, onde o comportamento desses sistemas depende da interação simultânea de várias variáveis. Muitas vezes, os sistemas multivariáveis são modelados e representados por um modelo SISO (simple input and simple output), sendo que o modelo tem uma variável de entrada e outra de saída. A influência de outras variáveis na dinâmica do sistema SISO é fraca, sendo considerada como perturbações. Enquanto em outros casos, essa influência não é fraca e o comportamento de um sistema depende da interação simultânea de várias variáveis. Nesse caso a representação do modelo depende de múltiplas entradas e múltiplas saídas, denominado de sistema MIMO (multiple inputs and multiple output) [1]. Além da multivariabilidade que pode estar presente na forma de interação ou acoplamento entre sinais de entrada e saída, um sistema real depende também da ordem da linearidade ou não linearidades presentes na dinâmica do sistema [2].A identificação de um sistema físico pode ser desafiador, pois consiste em representar seu comportamento por um modelo matemático. Um sistema físico pode ser modelado de forma simplificada por um modelo linear para uma determinada faixa de operação. Quando o modelo linear não é o suficiente para representar um comportamento é necessário utilizar modelos não lineares [2].Dentre as várias abordagens para a modelagem matemática sistemas, existem os algoritmos de otimização determinísticos e os estocásticos. Os algoritmos determinísticos diferem dos estocásticos por usar a informação do gradiente da função objetivo, porém quando a função objetivo apresenta descontinuidades, esses algoritmos podem não convergir para os valores esperados, isto é, os ótimos globais. Nesse caso é preferível utilizar algoritmos que não usam a informação do gradiente, mas somente valores de funções como no caso dos algoritmos estocásticos [3]. Dentre os algoritmos estocásticos destacam-se os meta-heurísticos que têm seu processo de otimização inspirado no comportamento de um processo natural, por exemplo: colônia de abelhas, formigas, grupos de morcegos, algoritmos genéticos redes neurais arti...