Facultad de Ciencias Fı́sicas y Matemáticas

Departamento de Ingenierı́a Eléctrica

EL7012 Control inteligente de sistemas

Ejercicio 1
EL7012 Control inteligente de sistemas
Autores: Vı́ctor Dı́az Osorio
Sebastián Seria
Profesora: Doris Sáez
22 de octubre de 2014
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Índice
1. Introducción 1

2. Objetivos 2

3. Resolución Problema 1 3
3.1. a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2. b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3. c) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.4. d) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.5. e) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

4. Resolución Problema 2 17
4.1. a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2. b) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

5. Conclusiones 21
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Índice de tablas
1. Parámetros iniciales del PSO . . . . . . . . . . . . . . . . . . . 10
2. Bandas de tiempos para número de particulas . . . . . . . . . 11
3. Bandas de tiempo para número de iteraciones . . . . . . . . . 11
4. Parametros iniciales del algoritmo genético . . . . . . . . . . . 12
5. Máximo encontrado según número de generaciones . . . . . . . 14
6. Mayores y menores tiempos para distintas tasas . . . . . . . . 15
7. Tiempo de ejecución para tipose de selección . . . . . . . . . . 16
8. Tiempo de ejecución para tipos de cross-over . . . . . . . . . . 16
9. Tiempo de ejecución para tipos de mutación . . . . . . . . . . 16
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Índice de figuras
1. Gráfica de la función . . . . . . . . . . . . . . . . . . . . . . . 3
2. Gráfico de f (x, y) desde arriba . . . . . . . . . . . . . . . . . . 4
3. Gradiente de la función f (x, y) . . . . . . . . . . . . . . . . . . 5
4. Ubicaciones de los máximos encontrados localmente . . . . . . 9
5. Tiempo de ejecución vs tamaño del enjambre . . . . . . . . . . 10
6. Tiempo de ejecución vs número de iteraciones . . . . . . . . . 11
7. Punto óptimo encontrado por el GA . . . . . . . . . . . . . . . 13
8. Tiempo de ejecución vs tamaño de población . . . . . . . . . . 13
9. Tiempo de ejecución vs número de generaciones . . . . . . . . 14
10. Tiempo de ejecución vs cross-over y mutación . . . . . . . . . 15
11. Diagrama de bloques del sistema . . . . . . . . . . . . . . . . 17
12. Diagrama de bloques del sistema discretizado . . . . . . . . . 18
13. Comparación para tres pasos de discretización . . . . . . . . . 19
14. Salida de la planta bajo acción de control . . . . . . . . . . . . 20
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

1. Introducción
En este informe se presentan los resultados obtenidos en la realización
del primer ejercicio del ramo Control inteligente de sistemas, que consta del
planteamiento de dos problemas que abordan de manera práctica los conte-
nidos del curso.

En el primer problema se busca la implementación vı́a el software matlab,

de algoritmos de optimización no lineal clásicos y evolutivos, de forma de
comparar sus desempeños en términos de sus costos computacionales y tiem-
pos de convergencia. Como método evolutivos de optimización no lineal se
utiliza Genetic Algorithm (GA), que se basan en el comportamiento evolu-
tivo de la naturaleza, generando mutaciones y cruzas de las caracterı́sticas
de los distintos individuos de manera aleatoria y también se utiliza Particle
Swarm Optimization (PSO), que se basa en el comportamiento de las ban-
dadas de aves, donde el movimiento de cada individuo depende de un vector
de conocimiento común y un vector de conocimiento propio.

El segundo problema consiste en la modelación de un reactor de tanque

continuamente agitado (CSTR), donde se busca controlar la temperatura
dentro del reactor, utilizando como variable manipulada, la temperatura de
entrada de un fluido de refrigeración. Para lo anterior, se plantea una estruc-
tura de control predictivo, basado en un modelo de la planta que surge de
la discretización del modelo continuo en variables de estado. Luego se busca
comparar el desempeño al optimizar un funcional con métodos de optimiza-
ción convencional, contra métodos evolutivos de optimización (PSO y GA).

A continuación se detallan los planteamientos y las soluciones de los pro-

blemas anteriormente mencionados.

1
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

2. Objetivos
Los objetivos en torno a los análisis y apredizajes se enumeran a conti-
nuación:

1. Comprender e implementar métodos de optimización no lineal clásicos.

2. Comprender e implementar métodos de optimización no lineal evoluti-

vos (PSO y GA).

3. Desarrollar controladores predictivos a partir de optimización con PSO

y GA.

2
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

3. Resolución Problema 1
La función a minimizar es la siguiente:

√
x2 +y 2 −0,08 2
−2log(2)( )
p
f (x, y) = e 0,854 sin6 (5π(( x2 + y 2 )0,75 − 0,05))

x, y ∈ [0, 1]

3.1. a)
En primer lugar se grafica la función f (x, y) en la Figura 1

Función a optimizar

0.9

0.8
1

0.8 0.7
Valor de la función

0.6 0.6

0.4
0.5
0.2
0.4
0
0
0.3
0.2

0.4 1 0.2
0.8
0.6 0.6 0.1
0.8 0.4
0.2 0
1 0
Variable x Variable y

Figura 1: Gráfica de la función

Se debe notar que el máximo de la función no se alcanza en un punto

singular, sino que es un lugar geométrico

3
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Función a optimizar
1

0.9 0.9

0.8 0.8

0.7 0.7

0.6 0.6
Variable y

0.5 0.5

0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1

0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Variable x

Figura 2: Gráfico de f (x, y) desde arriba

3.2. b)
Para encontrar el máximo de la función dentro del respectivo dominio, se
utiliza el método del gradiente, es decir, se resuelve el siguiente problema:

mı́n f (X)
X ∈ [0, 1] × [0, 1]
donde se tiene que el argumento evoluciona iterativamente del siguiente
modo

Xk+1 = Xk + λdk
y dk es el gradiente de la función.

A continuación se explica el método utilizado para calcular los puntos

óptimos del dominio al cual la función está definida:

4
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Dado que la función posee muchos máximos locales, definir un solo punto
para que evolucione mediante el gradiente probablemente hará que caiga en
un máximo local, por lo que se inicializan muchos puntos, y cada uno de
ellos evoluciona mediante el gradiente. Finalmente, de todas las soluciones,
se escoge el máximo (evaluado en la función objetivo);
En la figura 3 se muestran las direcciones que toma cada punto inicializado
con el algoritmo para alcanzar un máximo.

Gradiente

0.3

0.25

0.2
Variable y

0.15

0.1

0.05

0
0 0.05 0.1 0.15 0.2 0.25 0.3
Variable x

Figura 3: Gradiente de la función f (x, y)

%% s e c a l c u l a l a f u n c i o n g r a d i e n t e

%para c a l c u l a r e l maximo s e c a l c u l a e l min de −f

%( y s e l e cambia e l s i g n o )

tic

5
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

n i t e r =5000; %max . i t e r a c i o n e s
a=[ rand rand ] ; %i n i c i a r puntos
b=[a ( 1 ) a ( 2 ) ] ;
a l f a =.01; %f a c t o r lambda
s=a−a l f a ∗ grad ( a ) ’ ;
b o o l =1;

i f (0<=s (1)<=1 && 0<=s (2) <=1)

tic
w h i l e i<=n i t e r && b o o l==1 && 0<=a(1)<=1 && 0<=a(2)<=1

i f norm ( grad ( a )) >=7.5

a l f a =.001;
end
a=a−a l f a ∗ grad ( a ) ’ ;
s=a−a l f a ∗ grad ( a ) ’ ;
b=[b ; a ] ;
i f ( f v a l ( [ b ( end , 1 ) b ( end , 2 ) ] ) − f v a l ( [ b ( end −1 ,1)
b ( end −1,2)]<=1 e −15))
b o o l =0;
end

i=i +1;
end
toc
end

xopt =[b ( end , 1 ) b ( end , 2 ) ] ;

f o p t=f v a l ( xopt ) ;

bs=xopt ;

figure
contour (x , y , f )
colorbar ()
h o l d on
p l o t ( xopt ( 1 ) , xopt ( 2 ) , ’ . ’ )
t i t l e ( ’ Ubicaciones f i n a l e s del algoritmo gradiente ’ )
xlabel ( ’ Variable x ’ )
ylabel ( ’ Variable y ’ )

6
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

f o r i =1:400

n i t e r =5000; %m x i m o n de i t e r a c i o n e s
a=[ rand rand ] ; %i n i c i a l i z a c i n a l e a t o r i a ( d e n t r o d e l dominio )
b=[a ( 1 ) a ( 2 ) ] ;
a l f a =.01; %f a c t o r lambda
s=a−a l f a ∗ grad ( a ) ’ ;
b o o l =1;
i f (0<=s (1)<=1 && 0<=s (2) <=1)

w h i l e i<=n i t e r && b o o l==1 && 0<=a(1)<=1 && 0<=a(2)<=1

i f norm ( grad ( a )) >=7.5
a l f a =.0001;
end
a=a−a l f a ∗ grad ( a ) ’ ;
s=a−a l f a ∗ grad ( a ) ’ ;
b=[b ; a ] ;

i f ( f v a l ( [ b ( end , 1 ) b ( end , 2 ) ] ) − f v a l ( [ b ( end −1 ,1)

b ( end −1 ,2)]) <=1 e −15)
b o o l =0;
end
i=i +1;
end

end

bs =[ bs ; b ( end , 1 ) b ( end , 2 ) ] ;

xopt =[b ( end , 1 ) b ( end , 2 ) ] ;

f o p t =[ f o p t f v a l ( xopt ) ] ;

h o l d on
p l o t ( xopt ( 1 ) , xopt ( 2 ) , ’ . ’ )
end

toc

7
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

figure
plot ( fopt )
i n d e x=f i n d ( f o p t>=max( f o p t ) ) ;
xoptimo =[ bs ( index , 1 ) bs ( index , 2 ) ]
f o p t i m o=f v a l ( xoptimo )
figure
p l o t ( bs ( : , 1 ) , bs ( : , 2 ) , ’ ∗ ’ )
Recordando que, como la función posee muchos máximos locales, el algo-
ritmo muchas veces converge a un óptimo local (ver figura 2), por lo tanto se
modifica el método tal que éste tome una matiz más heurı́stica; se inicializan
muchos puntos y luego se van actualizando mediante el método del gradiente.

El algoritmo entrega los siguientes resultados:

Xóptimo = [0,069 0,040]T

fóptimo = 1,0000

El tiempo aproximado de computo es de 8.1310 segundos.

La figura 4 muestra los puntos finales de cada inicialización del algoritmo

8
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Ubicaciones finales del algoritmo gradiente

1 0.9

0.9
0.8
0.8
0.7
0.7
0.6
0.6
Variable y

0.5 0.5

0.4
0.4
0.3
0.3
0.2
0.2
0.1

0 0.1
0 0.2 0.4 0.6 0.8 1
Variable x

Figura 4: Ubicaciones de los máximos encontrados localmente

Nótese que muchos puntos se ubican en máximos locales

3.3. c)
En esta sección se busca optimizar la función anterior a través del meto-
do ’Particle Swarm Optimization’. Además se busca optimizar la estructura
del algoritmo, variando los parámetros como la cantidad de partı́culas y el
número de iteraciones.

El set inicial de parámetros, desde el cual se ejecutarán cambios para

optimizar la estructura se plantea en la tabla siguiente.

9
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Tabla 1: Parámetros iniciales del PSO

Parámetro Valor
Número de particulas 100
Número de iteraciones 250
Constante cognitiva 1
Constante social 3
Factor de constricción 1

A continuación se presenta una gráfica que muestra el tiempo de ejecución,

al variar el número de partı́culas utilizadas en el enjambre.

Figura 5: Tiempo de ejecución vs tamaño del enjambre

Cabe notar que para todos los casos simulados se obtuvo el máximo global
como resultado del algoritmo. Además de la gráfica anterior, se observa que
existen bandas de partı́culas que poseen un rango de tiempo de ejecución,
por ejemplo de 10 a 50 partı́culas, se tendrán tiempo de ejecución de entre
0.062 y 0.124 segundos, la tabla a continuación resume estos resultados.

10
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Tabla 2: Bandas de tiempos para número de particulas

Número de particulas Banda de tiempo

10 a 50 0.062 a 0.124
50 a 95 0.0936 a 0.124
95 a 170 0.124 a 0.156
175 a 200 0.14 a 0.183

La gráfica siguiente muestra el tiempo de ejecución, esta vez como función

del número de iteraciones en que se ejecutará el algoritmo.

Figura 6: Tiempo de ejecución vs número de iteraciones

Nuevamente se pueden notar bandas de número de iteraciones que man-

tienen el tiempo de ejecución en un rango determinado. Estas bandas se
presentan aproximadas en la siguiente tabla.

Tabla 3: Bandas de tiempo para número de iteraciones

Número de iteraciones Bandas de tiempo

0 a 55 0 a 0.031
55 a 120 0.031 a 0.0624
120 a 190 0.0624 a 0.0936
190 a 240 0.0936 a 0.1248

11
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Cabe mencionar también que desde 28 iteraciones en adelante, el algorit-

mo fue capaz de encontrar el máximo global, pese a que con menos iteraciones
se alcanzaron resultados bastante próximos, como 0.9893 que fue el más le-
jano al máximo con 14 iteraciones.
De esta forma si consideramos parámetros óptimos y sobredimensionando
respecto a los resultados anteriores, configuramos nuestro algoritmo PSO con
40 particulas y 40 iteraciones, obteniendo de esa manera un resultado nunca
inferior a 0.999.

3.4. d)
Se desea encontrar el óptimo de la función anterior, utilizando para ello al-
goritmos genéticos. Se realizarán comparaciones del método ante variaciones
en el tamaño de la población inicial, métodos de selección, tasas de cross-over
y mutación, etc.

La tabla a continuación presenta la configuración inicial de parámetros,

desde la cual se realizarán modificaciones para comparar desempeño.

Tabla 4: Parametros iniciales del algoritmo genético

Parámetro Valor
Tamaño de la problación 100
Número de generaciones 250
Función de mutación Mutación gaussiana
Tasa de mutación 50 %
Función de cross-over Crossover aritmético
Tasa de cross-over 90 %
Función de selección Selección de ruleta

Los parámetros iniciales de configuración para el algoritmo genético, en-

tregan un máximo de la función de 1 y el punto que optimiza la función es
(x, y) = (0,0687, 0,0404), con un tiempo de ejecución del algoritmo de 7.019
segundos. Los gráficos a continuación muestran u aproximadamente el punto
óptimo encontrado por el algoritmo.

12
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Figura 7: Punto óptimo encontrado por el GA

La gráfica a continuación muestra el tiempo que demora el algoritmo

genético, para distintos tamaños de población, manteniendo el resto de los
parámetros iguales. Se obtuvo en esta prueba que para poblaciones de 10 y 15
individuos, los máximos encontrados fueron 0.9957 y 0.9414 respectivamente,
pero desde 20 individuos en adelante se alcanzó el máximo global.

Figura 8: Tiempo de ejecución vs tamaño de población

A continuación se compara el efecto del número máximo de generaciones

13
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

sobre el tiempo de ejecución del algoritmo genético, mantenido el resto de

los parámetros como los indicados en la tabla de parámetros.

Figura 9: Tiempo de ejecución vs número de generaciones

Para esta prueba se obtuvo que a partir de 55 generaciones en el algoritmo

genético, se llega al máximo global de la función, com se observa en la tabla
a continuación.

Tabla 5: Máximo encontrado según número de generaciones

Número de generaciones Máximo

10 0.9813
15 0.9534
20 0.999
25 0.9487
30 1
35 1
40 0.9999
45 1
50 0.9487
55 1

A continuación, se observa el efecto de variar la tasa de mutación y la tasa

de cross-over, manteniendo el resto de los parámetros constantes. La gráfica

14
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

a continuación, presenta el tiempo de ejecución, al variar estas tasas entre

0.1 y 0.9.

Figura 10: Tiempo de ejecución vs cross-over y mutación

El resultado obtenido se resume en la siguiente tabla, donde se presentan

los tiempos mayores y menores.

Tabla 6: Mayores y menores tiempos para distintas tasas

Tiempo de ejecución Tasa de cross-over Tasa de mutación

0.7488 0.5 0.5
0.7332 0.8 0.3
0.7332 0.1 0.3
0.6084 0.8 0.4
0.624 0.7 0.5

Resta decir que para todas las configuraciones anteriores, se llegó al máxi-
mo global de la función objetivo.

Las tres tablas siguientes muestran como afecta sobre el tiempo de ejecu-
ción, al variar respectivamente el método de selección, cross-over y mutación.

15
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Tabla 7: Tiempo de ejecución para tipose de selección

Método de selección
Selección de residuo 1.93
Selección uniforme 1.7238
Selección de ruleta 1.7237
Selección de torneo 11.1602
Selección estocastica uniforme 1.7272

Tabla 8: Tiempo de ejecución para tipos de cross-over

Método de cross-over Tiempo de ejecución

Cross-over aritmético 1.7832
Cross-over heurı́stico 1.8449
Cross-over intermedio 1.9258
Cross-over de punto único 2.0184
Cross-over de dos puntos 2.1205
Cross-over disperso 1.7688

Tabla 9: Tiempo de ejecución para tipos de mutación

Método de mutación Tiempo de ejecución

Mutación uniforme 1.6855
Mutación adaptiva factible 1.9377
Mutación gausiana 1.603

Finalmente si combinamos todos los métodos antes expuestos, que pro-

ducen una menor carga computacional y trabajamos sobredimensionando el
tamaño de la población y generaciones a 40 y 70 respectivamente, obtene-
mos un resultado en un tiempo de 0.567 segundos, llegando efectivamente al
óptimo global.

3.5. e)

16
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

4. Resolución Problema 2
4.1. a)
Se busca implementar en Matlab Simulink el siguiente modelo.

dx1 (t)
= −x1 (t) + K1 (t)(1 − x1 (t)) − K2 (t)x1 (t) (1)
dt
dx2 (t)
= u(t) − x2 (t) + 5[K1 (t)(1 − x1 (t)) − K2 (t)x1 (t)] (2)
dt
Con:

 
5 5000
K1 (t) = 3 · 10 exp − (3)
x (t)
 2 
7500
K2 (t) = 6 · 107 exp − (4)
x2 (t)

El siguiente diagrama de bloques muestra las ecuaciones antes planteadas,

donde u(t) es la entrada al sistema y x1 (t) es la salida.

Figura 11: Diagrama de bloques del sistema

Ahora bien, utilizando la aproximación de Euler, para la derivada.

dx(t) z(k + 1) − x(k)

= (5)
dt h

17
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Podemos discretizar el sistema continuo antes expuesto, de forma de ge-

nerar ası́ un modelo de predicción discreto.

dx(t)
x(k + 1) = h · + x(k) (6)
 dt 
dx1 (k)
x1 (k + 1) = h + x1 (k) (7)
dt
 
dx2 (k)
x2 (k + 1) = h + x2 (k) (8)
dt

A continuación se presenta un diagrama de bloques del sistema anterior

discretizado.

Figura 12: Diagrama de bloques del sistema discretizado

A continuación se comparan las salidas x(t) y x(k) para tres valores dis-
tintos de pasos de discretización (h).

18
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

Figura 13: Comparación para tres pasos de discretización

Se observa que para valores de h 1 y 0.1, en los tiempos finales de la

simulación, el sistema discreto diverge, mientras que para h 0.01, en los 190
segundos de simulación, el valor calculado se aproxima bastante bien a la
salida del modelo.

De las gráficas anteriores, se observa que en 134.24 segundos, la conversión

alcanza su máximo valor, de 0.5088.

4.2. b)
Se busca encontrar la acción de control u(k) que minimice el siguiente
funcional.

J = 1010 (r − ŷ(k + 1))2 + u2 (k) (9)

De esta forma desarrollamos el termino de predicción ŷ(k + 1) para in-

cluirlo en el funcional.

ŷ(k + 1) = x̂1 (k + 1) (10)

(11)

Y se tiene que la predicción a un paso de x1 depende solamente de x1 (k)

y x2 (k) que son valores conocidos, luego constantes, por lo tanto el mı́nimo

19
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

de el funcional descrito antes es u(k) = 0.

La siguinte gráfica muestra el comportamiento de la planta ante la entrada

del esquema de control anterior.

Figura 14: Salida de la planta bajo acción de control

Se observan dos cosas importantes, por una parte no se está realizando

una acción de control como función del error de control y además la planta
no está alcanzando su referencia.Lo anterior se debe a que la planta no lineal
es no controlable, por lo que no es posible aplicar un esquema de control
predictivo a un paso con ese funcional.

20
 Facultad de Ciencias Fı́sicas y Matemáticas
Departamento de Ingenierı́a Eléctrica
EL7012 Control inteligente de sistemas

5. Conclusiones
En este trabajo se analizó los dos principales tipos de optimización de
funcionales de manera evolutiva, que son el Genetic Algorithm y Particle
Swarm Optimization. Junto a estos dos tipos de algoritmos, se planteó un
método convencional de maximización el cual corresponde al método del gra-
diente, que, por estar aplicado a un problema que consta de muchos máximos
locales, se adaptó para poder sintonizar un óptimo global dentro del dominio
estudiado, generando muchos puntos que llegaban a distintos máximos para
luego escoger aquél que conseguı́a la mejor solución. Sin embargo, al utili-
zar los métodos evolutivos, el tiempo de ejecución para encontrar la solución
disminuyó considerablemente, luego el esfuerzo computacional disminuye ob-
teniéndose una diferencia en tiempo de aproximadamente 6 segundos a favor
de PSO o GA. Por esta razón, aplicar en tiempo real un modelo de optimi-
zación serı́a bastante provechoso utilizar algún método evolutivo.

21