Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
El problema de decisión de múltiples etapas es, de hecho, decidir sobre las unidades en las que estar cada
etapa, de modo que se minimice el costo general de generación durante el período de 24 horas. Notamos
que si no se impusiera ninguna otra restricción, deberíamos optimizar nuestro problema en cada etapa y
resumir lo largo de todas las etapas. En otras palabras, la optimización de una sola etapa tiene problemas
que debe ser resuelto para encontrar la solución final.
Supongamos que la solución final se parece a la Fig. 2.5 en la que se muestran las combinaciones de
unidades en cada etapa.
Como se muestra, la unidad 1 está encendida en las horas 1 y 2, apagada en la hora 3 y encendida
nuevamente en la hora 4. Ahora, ¿qué sucede si se impone una restricción que expresa el hecho de que si
la unidad 1 es apagado, no se puede activar a menos que haya transcurrido un período de 5 h. La solución
no es práctica. Ahora, ¿cómo podemos encontrar la solución?
Se puede verificar en cada etapa, para el caso de las cuatro unidades anteriores, el número de
combinaciones es 24 - 1 = 15. Para el período de 24 h, el número de combinaciones sería (15) 24. ¿Qué
sucede si el número de unidades es, por ejemplo, 100 y el El número de etapas es, digamos, 168 (una
semana). El número de las combinaciones generales sería (2100 - 1) 168 !
En la técnica de DP, un problema de decisión de varias etapas se descompone en una secuencia de
problemas de una sola etapa, resueltos sucesivamente. La descomposición debe hacerse de tal manera que
la solución óptima del problema original de la solución óptima de problemas de una sola etapa.
En los algoritmos analizados hasta ahora, cada una de las variables de decisión puede tomar cualquier
valor. ¿Qué sucede si una variable de decisión se limita a tomar solo un valor entero? por ejemplo, si la
variable de decisión es el número de unidades de generación, tomar una el valor real no tiene sentido los
algoritmos de optimización desarrollados para esta clase de los problemas se clasifican como métodos de
propiedad intelectual. Si todas las variables de decisión son de tipo entero, el problema se aborda como
problema de IP. Si algunas variables de decisión son de entero escriba mientras que otros no son de tipo
entero, el problema se conoce como mixto problema de programación de enteros.
Por otra parte, en función de la naturaleza del problema original, ambos enteros lineales se han
desarrollado métodos de programación no lineal y de programación entera. Como resultado, en la
literatura sobre sistemas de poder, han aparecido algunos términos como MILP.
• Selección. Sobre la base de la estructura cromosómica definida, se genera inicialmente una población de
cromosomas, de forma aleatoria o inteligente. Pueden considerarse 30 a 100 cromosomas. Entonces,
podemos seleccionar dos cromosomas como padres para proceso adicional. El valor de la condición física
se utiliza como criterio para la selección de los padres.
• Crossover. Una vez que los padres son seleccionados, debemos generar nuevas cadenas; Las crías, a
través de dos tipos de operadores. El llamado crossover trabaja en el principio de intercambio de valores
después de una posición específica. Por ejemplo si un y B son los dos primeros cromosomas
seleccionados
A: 0 1 1 0 1 0 1 1 1 0
B: 1 0 1 0 1 1 1 0 0 1
B0: 1 0 1 0 1 1 1 1 1 0
Este tipo de regeneración se realiza aleatoriamente en varias posiciones. Como resultado, un se genera
nueva población de cromosomas en la que, nuevamente, la selección. El proceso puede ser reiniciado.
• Mutación. Un inconveniente inherente del operador de cruce es el hecho de que en alguna posición
particular, el valor del gen puede no cambiar en absoluto. Para evitar este problema, el operador de
mutación intenta alterar el valor de un gen, al azar de 1 a 0 y viceversa. Debemos mencionar, sin
embargo, que esto se hace bastante con poca frecuencia.
Debemos mencionar que los operadores definidos anteriormente son los tipos más simples. En la práctica,
se desarrollan operadores más sofisticados para mejorar el rendimiento de GA. Actualmente, GA ha
recibido una gran atención en la literatura sobre sistemas de alimentación.
El Recocido simulado es un algoritmo flexible para tratar problemas de optimización combinatoria. Puede
aplicarse a problemas complejos, que incluyen funciones no diferenciables, discontinuas y no convexas.
El recocido es el proceso natural de enfriar un material fundido; desde lo alto temperatura. Si el proceso
de enfriamiento se realiza en condiciones de equilibrio térmico, el recocido da como resultado la
formación de cristales. La formación de un perfecto. El cristal es equivalente a un estado de energía
mínima.
Fue en la década de 1980 que los principios antes citados aparecieron por primera vez como algoritmo en
la resolución de problemas de optimización. Se señaló que una correspondencia se puede definir entre los
estados físicos de una materia y el espacio de solución de un problema de optimización. La energía libre
de la materia puede corresponder a la función objetiva del problema de optimización.
Antes de continuar, primero deberíamos discutir el algoritmo de Metropolis como la base del algoritmo
SA.
• Algoritmo de metrópolis. Las partículas que forman un material tienen diferentes niveles de energía,
según una distribución de probabilidad y en función de su temperatura (T). El algoritmo de Metropolis
trabaja sobre el principio de generar un nuevo estado. S; de un estado inicial dado Si; con energía Ei. Este
nuevo estado es generado por un mecanismo, que consiste en una pequeña perturbación en el estado
original. La perturbación se obtiene, de hecho, moviendo una de las partículas elegidas por el método de
Monte Carlo.
Para la energía del nuevo estado, Ej (encontrado probabilísticamente), la diferencia Ej – Ei se verifica que
sea menor o igual a cero para aceptar el nuevo estado Sj. Si esta diferencia es positiva, todavía se acepta
Sj; pero con una probabilidad dada por
Algunas criaturas naturales como los peces y las aves se comportan como un enjambre. Cada individuo
coordina su movimiento con los demás de tal manera que no lo hace. Chocan con los demás, se mueven
hacia el destino y se mueven hacia el centro del grupo (enjambre).
Fue a mediados de la década de 1990 cuando se formuló la idea básica de PS como una optimización
algoritmo.
Las características de cada individuo (el llamado agente) se muestran en un espacio bidimensional por su
posición (xey) y su vector de velocidad (vx y vy). Cada el agente optimiza su movimiento hacia el
destino. Al hacerlo, rastrea
• El mejor valor de la función objetivo que ha logrado hasta ahora (el llamado pbest),
• El mejor valor de la función objetivo que los otros agentes han logrado para lejos (el llamado gbest).
Así, el agente modifica su posición, observando • Su posición actual,
• Su velocidad actual,
• Las distancias entre la posición actual con pbest y gbest.
Tabu significa prohibido buscar o considerar. A diferencia de otros combinatorios enfoques, la TS no está
relacionada con los fenómenos físicos. Se propuso inicialmente en principios de los ochenta. Es un
procedimiento iterativo que comienza a partir de una solución inicial y tiende a moverse hacia el nuevo
espacio de soluciones de una manera más agresiva o codiciosa que GA o SA. El barrio, desde el cual se
seleccionará la próxima solución / movimiento, es modificado al clasificar algunos movimientos como
tabu, otros 9 como deseables.
En cada iteración del algoritmo, se define una estructura de vecindad; un movimiento luego se hace a la
mejor configuración. Para escapar de los puntos óptimos locales, algunos también se permiten
transiciones a las configuraciones con mayores costos. Similar a El algoritmo PS, que utiliza la
intensificación y la diversificación, da como resultado una exploración más completa de regiones
atractivas y, al mismo tiempo, el desplazamiento a regiones previamente no visitadas. Estos ayudan a
evitar la captura en puntos óptimos locales.
Los pasos involucrados en un algoritmo de optimización de TS pueden resumirse como
(a) Generar una solución inicial,
(b) Seleccione mover,
(c) Actualizar la solución. La siguiente solución se elige de la lista de vecinosque se considera como
deseado (aspirante) o no tabu y para el cual el la función objetiva es óptima.
El proceso se repite basado en cualquier regla de detención propuesta. A diferencia de otros algoritmos
heurísticos, no hay suficientes antecedentes teóricos para adaptar TS a un problema práctico a la mano y
los usuarios tienen que recurrir a su práctica experiencias.