Estado del arte de la computacin evolutiva

La optimizacin es fundamental en muchas aplicaciones, incluyendo

aplicaciones de ingeniera. Obviamente, el problema de optimizacin puede
consistir en cualquier cosa, como minimizar el consumo de energa, el costo
computacional o bien maximiza el desempeo o la eficiencia. Ya que la
mayora de las aplicaciones en el mundo real son a menudo altamente no
lineales, se requiere de sofisticadas herramientas de optimizacin para
abordarlas.
Matemticamente hablando, es posible establecer la mayora de los problemas
de optimizacin en forma general como la minimizacin de f (x) que es una
funcin del vector de diseo

x 1 , , x d T
. Donde
x=

de decisin o de diseo. La funcin

f ( x)

xi

son llamadas variables

es llamada funcin objetivo o

simplemente funcin costo.

Una vez que el problema de optimizacin es formulado correctamente, la
principal tarea es encontrar la solucin ptima usando la tcnica matemtica
correcta, para lo cual existen varios eficientes algoritmos de bsqueda.
La clasificacin de los algoritmos de optimizacin puede ser llevada a cabo en
varias maneras. Una forma simple de hacerlo, es analizando la naturaleza del
algoritmo, lo cual divide los algoritmos en dos categoras: algoritmos
determinsticos y algoritmos estocsticos. Los algoritmos determinsticos
siguen un procedimiento riguroso, y el resultado es repetible, es decir que si el
algoritmo es aplicado en mltiples ocasiones bajo las mismas condiciones
siempre se llega al mismo resultado. Por otra parte los algoritmos
estocsticos siempre tienen cierta aleatoriedad, por lo que el resultado final
puede variar aunque no en gran medida siendo no exactamente repetible.
La mayora de los algoritmos convencionales o clsicos son determinsticos.
Algunos algoritmos determinsticos de optimizacin utilizan informacin del
gradiente, por lo que son llamados algoritmos basados en el gradiente, ya que
usan los valores de la funcin costo y sus derivadas. En el caso en que existe

discontinuidad en la funcin objetivo comnmente los algoritmos basados en

el gradiente no funcionan bien y es preferible emplear algoritmos no basados
en el gradiente, los cuales no utilizan derivada alguna, solamente el valor de la
funcin objetivo.
Para algoritmos estocsticos se tiene en general dos tipos: heursticos y
metaheursticos, aunque su diferencia es pequea. Los primeros ofrecen
soluciones de calidad a problemas difciles de optimizacin en una cantidad
razonable de tiempo, pero no hay garantas que de la solucin ptima ser
alcazada. Un mayor desarrollo de los algoritmos heursticos son los llamados
algoritmos metaheursticos que generalmente se desempean mejor que los
heursticos, y que se caracterizan por incorporar compensaciones aleatorias y
bsqueda global. Estas compensaciones aleatorias son una forma de pasar de
la bsqueda local a la bsqueda global, por lo cual casi todos los algoritmos
metaheursticos tienden a ser adecuados para la optimizacin global.
Los algoritmos metaheursticos son a menudo inspirados en la naturaleza, y se
encuentran dentro de los ms ampliamente utilizados para problemas de
optimizacin.
La computacin evolutiva es una amplia disciplina de la inteligencia
computacional que envuelve un conjunto de tcnicas basadas en los principios
de la evolucin biolgica, para la solucin de problemas. A su vez los
algoritmos evolutivos son un subconjunto de la computacin evolutiva, una
clase genrica de algoritmos metaheursticos de optimizacin basados en
poblacin. Su operacin emula los mecanismos de la evolucin natural,
identificados por Charles Darwin en su clebre obra El Origen de las Especies
por medio de la Seleccin Natural: La seleccin natural, la reproduccin y la
diversidad gentica de individuos (Darwin, C, 1859) y utilizan mecanismos
como, reproduccin, mutacin, recombinacin y seleccin. Otra clase de
algoritmos de optimizacin biolgicamente inspirados que pueden ser vistos
como parte de la computacin evolutiva son los basados en la inteligencia de
enjambre, los cuales se basan en el desarrollo de una poblacin de agentes
simples que interactan entre s y con el entorno.
Los aos 1960s y 1970s fueron dos importantes dcadas para el desarrollo de
algoritmos evolutivos. Primero, el cientfico e igeniero John Holland y sus
colaboradores en la Universidad de Michigan desarrollaron los llamados

algoritmos genticos. Durante el mismo periodo Ingo Rechenberg y HansPaul Schwefel desarrollaron una tcnica de bsqueda para resolver problemas
de optimizacin en ingeniera aeroespacial, llamada estrategia evolutiva. En
1966 Lawrence Fogel, A. J. Owen y M. J. Walsh desarrollaron la tcnica de
programacin evolutiva.
Las dcadas de los 1990s y los 2000 fueron tiempos emocionantes para los
algoritmos metaheursticos. La expresin inteligencia de enjambre fue
introducido por Gerardo Beni y Jing Wang en 1989, en el contexto de sistemas
celulares robticos y en 1992 Marco Dorigo termin su trabajo en
optimizacin por colonia de hormigas, tcnica inspirada en el comportamiento
social de las hormigas. Posteriormente en 1995, otro significante progreso
vino con el desarrollo de la optimizacin por enjambre de partculas por
James Kennedy y Russell C. Eberhart. Entre 2007 y 2008 el algoritmo de
lucirnagas fue desarrollado por Xin-She Yang.
La literatura se expande rpidamente, y el nmero de algoritmos inspirados en
la naturaleza ha crecido dramticamente. Un estudio reciente muestra que
existen ms de 40 algoritmos de optimizacin inspirados en la naturaleza.
Las caractersticas bsicas de los algoritmos evolutivos que ms han sido
usados exitosamente, se enlistan a continuacin.
Algoritmos Genticos [AG] (Genetic Algorithms [GA])
Desarrollados por John Holland y colaboradores entre los aos 60s y
70s.
Es un modelo o abstraccin de la evolucin biolgica basada en la
teora de la seleccin natural de Darwin.
Emplea tres operadores genticos clave: cruza, mutacin y seleccin.
A menudo convergen bien y en muchos casos la optimizacin global
puede lograrse fcilmente, aunque puede llegar a ser una convergencia
lenta.
Optimizacin de
Optimization)

Enjambres

de

Partculas

[PSO]

Desarrollado por Kennedy and Eberhart en 1995.

(Particle

Swarm

 Est basado en el comportamiento de enjambres en la naturaleza.

Consiste principalmente en mutacin y seleccin. No hay cruza.
Puede ser fuertemente selectivo, llevando a una rpida convergencia,
aunque puede no ser la solucin ptima.
Algoritmos de Hormigas [ACO] (Ant Algorithms)
Desarrollado por M. Dorigo en los 90s.
Imita el comportamiento social de las hormigas.
Consiste principalmente en mutacin y seleccin. No hay una cruza
explcita.
Puede desempearse razonablemente bien para optimizaciones difciles
debido a su buena capacidad de exploracin.
Puede tener una convergencia lenta.
Algoritmos de Lucirnagas [FA] (Firefly Algorithms)
Desarrollados por Xin-She Yang en 2008.
Basado en patrones de parpadeo y en el comportamiento de lucirnagas
tropicales.
Es simple, flexible y fcil de implementar.
Emplea mutacin y atraccin. No hay seleccin explcita.
Pueden ser verstiles, eficientes y pueden llegar a desempearse mejor
que otros algoritmos como GA y PSO.
Algoritmos Inspirados en Abejas (Bee-inspired Algorithms)
Desarrollado en 2005 por investigadores de la universidad de Cardiff,
Reino Unido.
Imita el comportamiento social de las abejas.
Consiste principalmente en mutacin y seleccin. No hay una cruza
explcita.
Puede desempearse razonablemente bien para optimizaciones difciles
debido a su buena capacidad de exploracin.
Puede tener una convergencia lenta.
Hasta ahora las dos tcnicas ms existosas son algoritmos genticos y
optimizacin por enjambre de partculas. Algunos trabajos relevantes sobre

GA aplicados a la optimizacin de controladores difusos se plantean en [2],

[3], [6] y [16].
En [2] se utilizan algoritmos genticos para la adaptacin de los parmetros de
un controlador difuso aplicado a un robot manipulador SCARA de 2 gdl. El
error y la derivada del error son utilizados como factores de decisin. Los
parmetros de adaptacin son usados como cromosomas y son actualizados
peridicamente mediante los procesos de reproduccin, cruce y mutacin
hasta encontrar los mejores cromosomas (parmetros que proporcionan el
mejor ajuste). Los resultados obtenidos son reportados como sobresalientes.
En [3], AG son usados para manejar simultneamente la evolucin de las
funciones de membresa y la base de reglas de un controlador difuso de
seguimiento de trayectorias para un robot autnomo. Los parmetros del
controlador difuso son utilizados como cromosomas. Se reportan mejoras de
funcionamiento sobre controladores existentes.
En [6], el sistema robtico es linearizado a travs de mltiples sistemas
lineales difusos Takagi-Sugeno (TS), y un PID difuso es dedicado a cada
subsistema lineal. Las ganancias de cada PID son sintonizadas ptimamente
utilizando AGs para diferentes condiciones de linearizacin.
En [16] se describe la aplicacin de algoritmos genticos para la sintonizacin
de las funciones de membresa de entrada de un controlador difuso aplicado a
un carro pndulo y un algoritmo gentico que aprende el conjunto de reglas de
un controlador difuso para el comportamiento de evitacin de obstculos de
un robot mvil.
Algunos trabajos relevantes sobre PSO aplicados a controladores difusos son
reportados en [4 a 5] y [7 a 12] .
En [9], un controlador difuso tipo Mamdani que controla un manipulador de 2
gdl. es sintonizado usando PSO. Los centros y la anchura de las funciones de
membresa Gaussianas, tanto de entrada como de salida, son optimizadas va
PSO.

En [10] un controlador PID es sintonizado por tres tcnicas: GA, PSO y

finalmente un hbrido compuesto por GA-PSO. La planta es un manipulador
de 1 gdl. para levantamiento de carga.
En [4], se presenta el desarrollo de un algoritmo PSO como una funcin S de
Matlab de uso general. La funcin S es aplicada para mejorar el
funcionamiento de un controlador difuso utilizado para estabilizar una red
fotovoltica. Potencialmente podra ser aplicada a robtica.
En [5], la tcnica PSO es utilizada para optimizar los parmetros de un
controlador difuso. Los parmetros seleccionados para ser optimizados son: la
anchura de las funciones de membresa, el nmero de particiones difusas, y el
mtodo de defusificacin. La ley de control es un controlador difuso
utilizado para seguir e interceptar un vehculo areo.
[7, 8 y 11] utilizan PSO para diversos problemas de robots mviles. En todos
los casos, esta tcnica es utilizada para optimizar sus controladores difusos (en
[8] se reporta adems el uso de ACO Ant Colony Optimization).
En [12] las funciones de membresa de entrada y de salida de los
controladores difusos de swing-up y de balanceo de un carro pndulo, son
optimizadas en lnea va la aplicacin del algoritmo PSO en tiempo real.
Por otro lado, trabajos relevantes de la aplicacin en lnea de algoritmos PSO
en control se incluyen en [13], [14] y [15]. En dichos artculos la planta es un
sistema de transportacin magntico, y el algoritmo PSO es implementado en
lnea en cada uno de ellos para el ajuste de los diferentes parmetros de los
controladores utilizados. Por ejemplo en [15] la tcnica PSO es utilizada en
lnea para la seleccin de las ganancias de un controlador PID en tiempo real.
Finalmente trabajos recientes sobre optimizacin por algoritmo de lucirnagas
(FA) aplicados a control de sistemas son reportados en [17] y [18]. En ambos
casos se presenta un mtodo de sintonizacin basado en el algoritmo de
lucirnagas para obtener las ganancias de un controlador PID utilizado para el
control de plantas lineales y los resultados son comparados contra otras
metodologas de sintonizacin.

[1] Xin-She Yang, Nature-Inspired Optimization Algorithms, Elsevier, 2014.

[2] M. Taner Eskil, M. Onder Efe and Okyay Kaynak, T-norm Adaptation in Fuzzy Logic
Systems Using Genetic Algorithms, ISIE'99 - Bled, Slovenia, 1999.
[3] M.Yousefi Azar Khanian, A. Fakharian, M.Godarzvand Chegini, B.jozi, An Intelligent
Fuzzy Controller Based On Genetic Algorithms, IEEE International Symposium on
Computational Intelligence in Robotics and Automation (CIRA), 2009.
[4] Liu Wei, Shi ling, Improvement of Fuzzy Controller with Maximum Power Point
Tracking Technology, 2nd International Conference on Measurement, Information and
Control, 2013.
[5] Fang Ting, Luo Delin, Yang Zhong, Fan Qiongjian, Fuzzy Logical Guidance Based on
Particle Swarm Optimized Parameters, Proceedings of the 27th Chinese Control
Conference July 16-18, 2008, Kunming, Yunnan, China.
[6] Ya Lei Sun and Meng Joo Er, Hybrid Fuzzy Control of Robotics Systems, IEEE
Transactions on Fuzzy Systems, vol. 12, No. 6, December 2004.
[7] Grupta, M., Behera, L., Venkatesh, K. S., PSO based modeling of Takagi-Sugeno
fuzzy motion controller for dynamic object tracking with mobile platform, Computer
Science and Information Technology (IMCSIT), Proceedings of 2010 International
Multiconference on Publication Year: 2010, Page(s): 37-43.
[8] Oscar Castillo, Patricia Melin, Fevrier Valdez, Ricardo Martnez-Marroqun,
Optimization of Fuzzy Logic Controllers for Robotic Autonomous Systems with PSO and
ACO, Handbook of Swarm Intelligence, Adaptation, Learning, and Optimization Volume 8,
2011, pp 389-417.
[9] Zafer Bingl, Ouzhan Karahan, A Fuzzy Logic Controller tuned with PSO for 2 DOF
robot trajectory control, Expert Systems with Applications, Volume 38, Issue 1, January
2011, Pages 10171031.
[10] S.Sai Saran Yagnamurthy, M.Sudheer Chandra, J.Ravi Kumar, Modeling and control
of motorized robotic arm using hybrid GA-PSO algorithm, Nirma University International
Conference on Engineering, 06-08 december, 2012.
[11] Shamsudin H. M. Amin, Andi Adriansyah, Particle Swarm Fuzzy Controller for
Behavior-based Mobile Robot, Control, Automation, Robotics and Vision, 2006. 9th
International Conference on ICARCV '06.

[12] Yeong-Hwa Chang, C. W. Chang, W. S. Chan, J. S. Taur, C. W. Tao, Robust and

Stable Hybrid Fuzzy Control of a Pendulum-Cart System with Particle Swarm
Optimization, International Journal of Fuzzy Systems, Vol. 12, No. 1, March 2010 pp. 4858.
[13] Rong-Jong W., Kun-Lun Chuang, Design of backstepping particle-swarmoptimisation
control for maglev transportation system IET Control Theory Appl., 2010, Vol. 4, Iss. 4, pp.
625645.
[14] Rong-Jong Wai, Kun-Lun Chuang Jeng-Dao Lee, On-Line Supervisory Control
Design for Maglev Transportation System via Total Sliding-Mode Approach and Particle
Swarm Optimization, IEEE Transactions on Automatic Control, Vol. 55, No. 7,
July 2010, pp. 1544-1559.
[15] Rong-Jong Wai, Jeng-Dao Lee, Kun-Lun Chuang, Real-Time PID Control Strategy
for Maglev Transportation System via Particle Swarm Optimization, IEEE Transactions
on Industrial Electronics, Vol. 58, No. 2, February 2011 pp. 629-646.
[16] Frank Hoffman, Evolutionary Algorithms for Fuzzy Control, Proceedings of the IEEE,
Vol. 89, No. 9, September 2001 pp. 1318-1333.
[17] Omar Bendjeghaba, Continuous Firefly Algorithm for Optimal Tuning of PID
Controller in AVR System, Journal of Electrical Engineering, Vol. 65, No. 1, 2014, pp. 44
49.
[18] Bendjeghaba O., Ishak Boushaki S., Zemmour N., Firefly Algorithm for optimal tuning of
PID controller parameters, 4th International Conference on Power Engineering, Energy and
Electrical Drives Istanbul, Turkey, 13-17 May 2013.