Lorbes et al S. ,a Ml o emt oódno leot g aí al . ,b Pa sr ao dd ua cJ eut ni av nai dl gSa oed gr iudt mre al o1p s,r oFg cer ean s néo ty imec lo i tsn Sey ru ooàp, r tmei zma2 si, z aJaul claái ón dn Ce pal oas ri pe er nro ajda2um c. cb iróe n
I.INTRODUCCIÓN
B. Algoritmos genéticos y algoritmos de optimiza-
La definición de las matrices Q y R para resolver el ción por enjambre de partículas.
problema de regulación lineal cuadrático (LQR), repre-
Los algoritmos genéticos (GA, por sus siglas en in-
sentan un gran inconveniente en tiempo como en dise- glés) se basan en la teoría de Darwin sobre la evolución
ño del controlador [1]. Investigaciones desarrolladas de las especies mientras los algoritmos de optimización
a mediados de los 90 en adelante han estudiado los al- por enjambre de partículas (PSO, por sus siglas en in-
goritmos genéticos y la optimización por enjambre de glés), desarrollado por Kennedy y Eberhart en 1995, se
partículas como estrategia para resolver problemas de basan en la capacidad de adaptación de los individuos
control óptimo, obteniendo buenos resultados [2], [3].
dentro del cúmulo y del cúmulo como tal [2] - [4].
GA se esfuerza por determinar la solución óptima de
Basándose en el algoritmo genético y el algoritmo
de optimización por enjambre de partículas; el objetivo un problema mediante la utilización de tres operadores
central de este trabajo es desarrollar una metodología (que lo hacen un algoritmo genético): Selección / Cruce
que permitirá definir las matrices de peso Q y R del / Mutación; este paso es cíclico, se repite hasta que se
regulador lineal cuadrático (LQR) con acción integral, cumpla un criterio de parada. No necesitan conocimien-
empleado en sistemas multivariable lineales e invarian- tos específicos sobre el problema que intentan resolver
tes en el tiempo, permitiendo ejecutar de forma más pero usan heurística para la resolución de problemas, lo
sencilla y rápida dicho control garantizando el rendi- cual limita drásticamente el número de datos a utilizar
miento esperado. El diseño del controlador se hará en [2] - [4].
tiempo continuo usando Simulink de Matlab©.
PSO analiza las interrelaciones de los individuos con
Inicialmente se define la configuración de las ma- los integrantes de los grupos; como se afectó con los
trices de peso Q y R, seguidamente se presentan varios otros y con él mismo, por lo tanto presenta dinámica de
modelos de sistemas multivariable (MIMO) lineales grupo o conducta social; basado en la población igual
e invariantes en el tiempo (LTI) tomados de estudios que GA y comportamiento individual, a diferencia del
previos para ser usados en la prueba de la metodolo- GA [3], [4]. Cada individuo puede modificar su com-
gía desarrollada. Posteriormente se exponen los pasos portamiento basado en tres (3) factores: Conocimiento
a seguir para el desarrollo de la metodología propuesta. sobre el entorno, conocimiento histórico y experiencia
Finalmente se presentan los resultados; que para efectos de los individuos cercanos. Después de varias iteracio-
de validación de la metodología desarrollada (algoritmo nes (avances) el cúmulo de partículas tiende a ir a la
desarrollado (Alg. Des., será la abreviación empleada posición del individuo mejor ubicado [3]. En PSO se
en esta investigación)), se compararán con los obteni- busca que todos los pobladores del sistema alcancen un
dos para el algoritmo genético, el algoritmo de optimi- óptimo global.
zación por enjambre de partículas y el método tradicio-
C. Modelos MIMOS de sistemas LTI empleados en
nal más empleado para determinar las matrices de peso la investigación.
Q y R del LQR; el ensayo y error (EE), programados
Los sistemas MIMO LTI empleados fueron: Siste-
cada uno de modo independiente. El análisis se hará en ma 1: Electro mecanismo multivariable [9]. Sistema 2:
base a: La convergencia de la función de adaptación [3]. Evaporador de circulación forzada [10]. Sistema 3: He-
Índice de desempeño del LQR [2], [4], [5]. Respuesta licóptero militar CH-47B [11].
dinámica de los sistemas a lazo cerrado [7] - [8]
B.METODOLOGÍA
II.DESARROLLO
A. Diseño de la metodología.
A.Definición de las matrices Q y R del LQR.
El código inicia con el algoritmo genético, al ob-
Las matrices de peso Q de (n*n) que penaliza los tener la primera generación esta se mejoró empleando
estados y R de (m*m) que penaliza las señales de con- optimización por enjambre de partículas. La Figura 1
trol (con n el número de estados (orden del sistema) y muestra el diagrama de flujo de la metodología diseña-
m el número de entradas (señales de control)) definen da para la obtención de las matrices de peso Q y R del
el LQR. Se configuran en diagonal y ambas deben se LQR.
simétricas; con Q semidefinida positiva (Q≥0), y R de-
finida positiva (R>0) [1] - [4].
35
ISSN 2542-3401/ 1316-4821
UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 24, Nº 97 Febrero 2020 (pp. 34-41)