Modelado Automático de Sistemas Mediante Algoritmos Computacionales de Optimización
Barra lateral del artículo
Contenido principal del artículo
Resumen
En este trabajo se implementan algoritmos de optimización para el modelado de sistemas a partir de señales reales de entrada y salida, en este caso, dichas señales son la respuesta al escalón de un motor de corriente continua. Se evaluaron tres algoritmos que se implementan en el lenguaje de programación Python: Mínimos Cuadrados Medios (LMS), Algoritmos Genéticos (AG), y Búsqueda Tabú (TS). Los resultados mostraron que el algoritmo LMS no fue efectivo, ya que replicó la señal de salida sin considerar la señal de entrada. Aunque el algoritmo TS fue más rápido que el algoritmo AG, sus resultados fueron menos precisos y careció de robustez ante la variación de la cantidad de coeficientes que se le permitió utilizar. En contraste, los Algoritmos Genéticos destacaron por su robustez, ofreciendo un rendimiento superior a costa de un mayor tiempo de ejecución. Este estudio concluye que los Algoritmos Genéticos son la opción más adecuada para el modelado del sistema analizado y se implementará dicho algoritmo en el diseño de la herramienta de modelación para convertidores electrónicos de potencia.
Detalles del artículo
Usted es libre de:
Compartir— copiar y redistribuir el material en cualquier medio o formato para cualquier propósito, incluso comercialmente.
Adaptar— remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
Atribución— Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios . Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
Referencias
A. N. Reviriego, C. P. Cámara y J. M. M. Sánchez, Conceptos Básicos de Filtrado, Estimación e Identificación., Primera ed., Madrid: Universidad Nacional de Educación a Distancia, 2014.
D. G. Reina, T. A. Córdoba y Á. Rodríguez del Nozal, Algoritmos Genéticos con PYTHON, Primera ed., Akoma: Marcombo, 2020.
J. H. Holland, Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence, 1992.
D. E. GOLDBERG, Genetic algorithms in search, optimization, and machine learning, Boston, 1989.
C. Darwin, The origin of species, New York, 1909.
Z. A. Babak, COMPUTATIONAL INTELLIGENCE-BASED OPTIMIZATION ALGORITHMS, Primera ed., Boca Raton, Florida: CRC Press, 2024.
P. S. Foundation, «Python Language Reference, version 3.12.4,» [En línea]. Available: https://www.python.org/. [Último acceso: 20 07 2024].
J. J. Berger, «Comparación de algoritmos de optimización. GoogleColab,» [En línea]. Available: https://colab.research.google.com/drive/1rDU_cGxGpd6JwKMzF639PiBl__eRllPG?usp=sharing. [Último acceso: 25 07 2024].