Intelligent control system design 1

10.4 Algoritmos genéticos y su aplicación para controlar

el diseño del sistema.
10.4.1 Técnicas de diseño evolutivo.

En cualquier problema de diseño hay un espacio multidimensional de posibles

soluciones. Algunas de estas soluciones pueden ser aceptables, pero no las mejores
(optima local) y puede existir una mejor solución única (óptimo global).
Se ha demostrado en el Capítulo 9 que es posible obtener una solución matemática
óptima para un sistema de control con dinámica lineal de plantas. Un enfoque
alternativo es utilizar 'heurísticas', o el conocimiento adquirido a través de la
experiencia, para buscar soluciones óptimas. Una de estas técnicas es emplear un
algoritmo genético (AG). Este es un algoritmo de búsqueda basado en el proceso
evolutivo de la selección natural de los miembros más aptos de una población
determinada para criar a la siguiente generación.

10.4.2 El algoritmo genético (AG)

A principios de la década de 1960, Rechenburg (1965) realizó estudios en la
Universidad Técnica de Berlín en el uso de una estrategia evolutiva para minimizar
el arrastre en una placa de acero. Los algoritmos genéticos fueron utilizados por
Holland (1975) y sus estudiantes en la Universidad de Michigan a fines de los años
70 y principios de los 80 para analizar una serie de problemas de ingeniería. En
particular. Goldberg (1983) utilizó AG para optimizar el diseño de los sistemas de
gasoductos.
El elemento básico de una AG es el cromosoma. Esto contiene la información
genética para una solución dada y normalmente se codifica como una cadena binaria.
Por ejemplo, un número binario de ocho dígitos como 11001001 representa un
cromosoma que contiene ocho genes. Inicialmente, una población de cromosomas,
creados al azar, representan una serie de soluciones a un problema dado.
Una 'función de condición física', que es en efecto un índice de rendimiento, se utiliza
para seleccionar las mejores soluciones en la población para que sean padres de los
descendientes que formarán la próxima generación. Cuanto más en forma esté el
padre, mayor será la probabilidad de selección. Esto emula el proceso evolutivo de
'supervivencia del más apto'. Los padres se seleccionan utilizando el método de la
ruleta como se muestra en la Figura 10.33. Aquí hay cuatro padres candidatos Pl, P2,
P3 y P4, que tienen probabilidades de selección (de la función de aptitud) de 0.5, 0.3,
0.15 y 0.05 respectivamente. Para el ejemplo de la Figura 10.33, si la rueda de la
ruleta se gira cuatro veces, se puede seleccionar Pl dos veces, P2 y P3 una vez, y P4
no en absoluto.
Los descendientes se producen seleccionando cromosomas parentales para la
reproducción y cruzando parte del material genético. La cantidad de material genético
que pasa del padre a la descendencia viene determinada por la selección aleatoria de
un punto de cruce como se indica en la Figura 10.34, donde Pl y P2 son los padres, y
01 y 02 las descendientes.
Se permite que ocurra una mutación en algunas de las crías, la cantidad controlada
por la tasa de mutación, generalmente un número muy pequeño. Esto da como
resultado el cambio aleatorio en un gen en una descendencia, es decir, de 0 a 1.
La cría de generaciones sucesivas continúa hasta que todas las crías están en
2 Advanced Control Engineering
condiciones aceptables. En algunos casos, todas las crías eventualmente tendrán la
misma estructura genética,

representando un óptimo global, o en otros casos, varias soluciones, llamadas

agrupamiento pueden evolucionar. En este último caso, el diseñador del sistema toma la
decisión de cuál es la mejor solución.

Ejemplo 10.5
Un sistema tiene una función
de fitness.

J = 1 + sin ax (10.97)
Como se muestra en la figura 10.35. Supongamos que el espacio de la solución tiene 31
valores y que cada solución puede representarse mediante una cadena binaria de cinco
dígitos que va desde 00000 hasta 11111. El valor de a en la ecuación (10.97) es, por lo
tanto, 11.6 ° (0.203 rad). Si la población tiene cuatro miembros, girar una moneda (caras
= 1, colas = 0) produjo la siguiente población inicial
00101 11110 00001 00011
Determine los descendientes de la generación inicial y la generación posterior.
 Intelligent control system design 3
Solucion
En la Figura 10.35 se puede ver que la solución óptima ocurre cuando x 10 = 8, o X2
= 01000.
La tabla 10.1 muestra la selección de padres para el apareamiento de la población inicial.
Si se usa un generador de números aleatorios para generar números entre 0.0 y 1.0, entonces
los valores de probabilidad acumulada en la Tabla 10.1 se usan de la siguiente manera:

Valores entre 0 y 0.342, Padre 1 seleccionado

Valores entre 0.343 y 0.488, padre 2 seleccionado

Tabla 10.1 Selección de los padres para el apareamiento de la población inicial

Padres X2 X10 J = f(x) p=J/∑J Probabilidad Acumulada Ruleta
1 00101 5 1,8480481 0,34147685 0,341476851 2
2 11110 30 0,79208831 0,14635973 0,487836582 1
3 00001 1 1,20107792 0,22193162 0,709768201 0
4 00011 3 1,57071357 0,2902318 1 1
Total 5,41192789 1 4
Media 1,35298197 0,25 1
Maximo 1,8480481 0,34147685 2

Valores entre 0.489 y 0.710, Padre 3 seleccionado

Valores entre 0.711 y 1.000, Padre 4 seleccionado.
 4 Advanced Control Engineering

El generador de números aleatorios produjo los siguientes valores: 0.326, 0.412,

0.862 y 0.067. Por lo tanto, se seleccionó dos veces al Padre 1, a los Padres 2 y 4 una
vez y al Padre 3 no. Los padres seleccionados se aparearon al azar con la elección
aleatoria de puntos de cruce. La aptitud de la primera generación de descendientes se
muestra en la Tabla 10.2.
De las Tablas 10.1 y 10.2 el estado físico total de la población inicial fue de 5.412,
mientras que el estado físico total de sus descendientes fue de 5.956, un aumento del
10%. Tenga en cuenta que, si cada descendencia fuera perfecta, tendrían un valor de
810 o 010002, dando así
La aptitud máxima que cualquier población podría tener de 2 x 4 = 8.0.
El siguiente giro del generador de números aleatorios produjo valores: 0.814, 0.236,
0.481 y 0.712, que dan los golpes de la ruleta que se muestran en la Tabla 10.2.
La segunda generación de descendientes se muestra en la Tabla 10.3. De la Tabla
10.3, la aptitud total de la segunda generación de crías es 7.204, o un aumento del
33% sobre la población inicial. Tal como están las cosas, dado que los dos dígitos
binarios más significativos en la segunda generación de descendientes son 00, la
reproducción subsiguiente no será

Tabla
10.2
Probabilidad
Padres Cria Descendencia x2 x10 J = f(x) p=J/∑J Acumulada Ruleta
1 00101 1 00110 6 1,937281989 0,32528229 0,325282291 1
2 11110 2 11101 29 0,599650967 0,10068531 0,425967602 0
1 00011 3 00011 3 1,570713568 0,26373306 0,689700662 1
4 00100 4 00101 5 1,848048096 0,31029934 1 2
Total 5,955694621 1
Media 1,488923655 0,25
Maximo 1,937281989 0,32528229

Tabla 10.3
Padres Cria Descendencia x2 x10 J = f(x)
1 00110 1 00101 5 1,848048096
4 00101 2 00110 6 1,937281989
3 00011 3 00101 5 1,848048096
4 00101 4 00011 3 1,570713568
Total 7,204091749
Media 1,801022937
Maximo 1,937281989

Produce cadenas mayores que 00111, o 710. Si las cuatro crías tuvieran este valor,
entonces la condición física total para la población sería 7.953, que es cercana, pero
no la condición física ideal de 8.0 como se explicó anteriormente. Sin embargo, si la
mutación en una descendencia en particular cambia uno de los dos dígitos más
 Intelligent control system design 5
significativos de 0 a 1, aún se podría lograr un valor óptimo perfecto. También hay
que tener en cuenta el tamaño muy limitado de la población utilizada en este ejemplo.

Ejemplo 10.6
El diagrama de bloques para un sistema de control de posición angular se muestra en la Figura 10.36.
Los parámetros del sistema son:

Ganancia del amplificador K2 = 3.5

Constante del servomotor K3 = 15Nm / A Resistencia de campo Rr = 20 n
Relación de engranajes n = 5
Momento de inercia equivalente de motor y carga le = 1.3kgm2
Tiempo de muestreo T = 0.05 segundos.
Usando una AG con una población de 10 miembros, encuentre los valores de la ganancia del
controlador
K1 y la constante de tacogenerador K4 que maximiza la función de aptitud

cuando el sistema está sujeto a un paso unitario en el momento kT = 0. Realice la

suma en un período de tiempo de 2 segundos (N = 40). Permitir un espacio de
búsqueda de 0-15 para K1 y
6 Advanced Control Engineering

para K4. Suponga que el espacio de la solución tiene 255 valores y que cada solución puede
representarse mediante una cadena binaria de ocho dígitos, los primeros cuatro dígitos representan
K1 y los otros cuatro representan K4.

Solucion
La función de transferencia de la planta es

(10.99)

Si las variables de estado son x1 = 00 (t) y x2 = 00 (t) = x1, entonces las ecuaciones de estado
se convierten en

y las ecuaciones de salida

Insertando valores en las ecuaciones de estado.

(10.100)

Para un tiempo de muestreo de 0.05 segundos, la forma discreta de la ecuación (10.100) es

De la figura 10.36 la ley de control es

 Intelligent control system design 371

Por lo tanto, los valores de K1 y K4 generados por el GA se insertan en la ecuación (10.102) y el

control u (kT) se usa para controlar la ecuación de planta discreta (10.101). La función de aptitud
J se actualiza en cada instante de muestreo para dar un valor general al final de cada simulación.
Para una población de 10 miembros, se requieren 10 simulaciones por generación.
Dado que el espacio de búsqueda requerido es K1 0-15, K4 0-1, los siguientes son ejemplos de
membresía de la población

La Tabla 10.4 muestra la selección de los padres para el apareamiento de una población inicial
sembrada al azar. Los números aleatorios (0-1) de los giros de la ruleta fueron: 0.145, 0.422, 0.977,
0.339, 0.607, 0.419, 0.075, 0.027, 0.846, 0.047.
La aptitud de la primera generación de descendientes se da en la Tabla 10.5. La reproducción
adicional produjo la sexta generación de crías que se presenta en la Tabla 10.6. La inspección de
la Tabla 10.6 revela que los valores de K1 = 15, K4 = 0.333 producen un máximo global de J =
1065. La Figura 10.37 muestra la respuesta en pasos unitarios del sistema en el Ejemplo 10.6 para

(a) el máximo de la primera generación de descendientes (J = 841)

(b) el máximo global de la sexta generación de descendientes (J = 1065)

Uso de esquemas (plantillas de similitud): A medida que se produce la progresión a través de

generaciones de soluciones, se desarrollan ciertas similitudes entre los genes dentro de los
cromosomas. Estas similitudes se pueden explotar utilizando una plantilla o esquema de similitud,
que se encuentra dentro de un marco de esquemas.
Un esquema emplea un símbolo de "*", por lo que, por ejemplo, la sexta generación de
descendientes en la Tabla 10.6 podría haber empleado la plantilla
111**1**

El uso de esquemas ayudará a la velocidad de convergencia.

Tabla 10.4 Parent de población inicial para el Ejemplo 10.6

370 Advanced Control Engineering
Tabla 10.5 Gimnasio de primera generación de descendientes para el Ejemplo 10.6

Tabla 10.6 Gimnasio de sexta generación de descendientes para el Ejemplo 10.6

 Intelligent control system design 371

Otras aplicaciones de los algoritmos genéticos.

a) Control óptimo: los problemas de control óptimo, como el regulador cuadrático lineal
descrito en la sección 9.2, también se pueden resolver utilizando GA. El índice de
rendimiento cuadrático discreto dado en la ecuación (9.28) se puede emplear como una
función de aptitud (mínima) directamente. Alternativamente, como se muestra en el
Ejemplo 10.6, el recíproco de la ecuación (9.28) proporciona una función de aptitud
(máxima).
b) Control lógico difuso autoorganizado: se pueden usar algoritmos genéticos para adaptar
tanto las funciones de membresía como las estructuras de base de reglas en un sistema
SOFLC.

La figura 10.38 muestra una ventana de entrada con tres conjuntos borrosos triangulares NB, Z y
PB. Cada conjunto está posicionado en su régimen de operación por el parámetro central c, de
modo que, por ejemplo, NB solo puede operar en el lado negativo del universo del discurso. El
ancho de cada conjunto está controlado por el parámetro w.
La cadena de cromosomas podría tomar la forma.

(10.103)

1.0

Fig. 10.38 Adaption of membership function features using genetic algorithms.

Si cada parámetro es una cadena de 4 bits, la configuración en la Figura 10.38 estaría

representada por

[100011111000111110001111] (10.104)