Desempeño de un Algoritmo Genético aplicado a diseño robusto en sistemas multiobjetivo bajo diferentes niveles de fraccionamiento

Autores/as

DOI:

https://doi.org/10.17533/udea.redin.n75a09

Palabras clave:

diseño de parámetros, algoritmos genéticos, análisis de rendimiento, métodos de Taguchi

Resumen

Este trabajo estudia el rendimiento de un Algoritmo Genético (AG) para encontrar soluciones a problemas de diseño robusto en sistemas multiobjetivo, con muchos factores de control y ruido, representando el vector de salida en una sola función de agregación. Los resultados muestran que el AG es capaz de encontrar soluciones que entregan un buen ajuste de la media de las respuestas a sus respectivos valores objetivo y con baja variabilidad, incluso con diseños experimentales altamente fraccionados, los cuales proveen de un número limitado de datos que se ingresan al AG. Esta conclusión es importante para la aplicación práctica del AG a estudios de diseño robusto. Generalmente, dichos estudios son llevados a cabo usando recursos escasos y lidiando con otras limitaciones, lo que obliga al ingeniero a usar pocos tratamientos y recoger una cantidad limitada de datos. Por eso, saber que el AG se comporta bien bajo esas situaciones, expande su aplicabilidad.

|Resumen
= 230 veces | PDF (ENGLISH)
= 220 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Enrique Canessa-Terrazas, Universidad Adolfo Ibáñez

Facultad de Ingeniería y Ciencias.

Héctor Allende-Olivares, Universidad Técnica Federico Santa María

Departamento de Informática.

Citas

G. Taguchi. Systems of experimental design. 4th ed. Ed. American Supplier Institute. Dearborn, USA. 1991. pp. 16-511.

A. Hajiloo, N. Nariman, A. Moeini. “Pareto optimal robust design of fractional-order PID controllers for systems with probabilistic uncertainties”. Mechatronics. Vol. 22. 2012. pp. 788-801.

K. Ballantyne, R. Oorschot, R. Mitchell. “Reduce optimisation time and effort: Taguchi experimental design methods”. Forensic Science International: Genetics Supplement Series. Vol. 1. 2008. pp. 7-8.

S. Maghsoodloo, G. Ozdemir, V. Jordan, C. Huang. “Strengths and limitations of Taguchi’s contributions to quality, manufacturing, and process engineering”. Journal of Manufacturing Systems. Vol. 23. 2004. pp. 73-126.

R. Roy. Design of Experiments Using the Taguchi Approach. 1st ed. Ed. J. Wiley & Sons. New York, USA. 2001. pp. 8-513.

H. Allende, E. Canessa, J. Galbiati. Diseño de Experimentos Industriales. 1st ed. Ed. Universidad Técnica Federico Santa María. Valparaíso, Chile. 2005. pp. 27-200.

H. Allende, D. Bravo, E. Canessa. “Robust design in multivariate systems using genetic algorithms”. Quality & Quantity Journal. Vol. 44. 2010. pp. 315- 332.

E. Canessa, C. Droop, H. Allende. “An improved genetic algorithm for robust design in multivariate systems”. Quality & Quantity Journal. Vol. 42. 2011. pp. 665-678.

A. Jamali, A. Hajiloo, N. Nariman. “Reliabilitybased robust Pareto design of linear state feedback controllers using a multi-objective uniform-diversity genetic algorithm (MUGA)”. Expert Systems with Applications. Vol. 37. 2010. pp. 401-413.

O. Köksoy, T. Yalcinoz. “Robust design using Pareto type optimization: a genetic algorithm with arithmetic crossover”. Computers & Industrial Engineering. Vol. 55. 2008. pp. 208-218.

K. Sörensen. “Metaheuristics—the metaphor exposed”. International Transactions in Operational Research. Vol. 22. 2015. pp. 3-18.

Z. Michalewicz. Quo vadis, evolutionary computation? Proceedings of the 2012 World Congress Conference on Advances in Computational Intelligence. Berlin, Germany. 2012. pp. 98-121.

E. Castillo, D. Montgomery, D. McCarville. “Modified desirability functions for multiple response optimization”. Journal of Quality Technology. Vol. 28. 1996. pp. 337-345.

F. Ortiz, J. Simpson, J. Pigniatiello, A. Heredia. “A Genetic Algorithm Approach to Multiple – Response Optimization”. Journal of Quality Technology. Vol. 36. 2004. pp. 432-449.

K. Farhad, D. Hassani. “The effects of parameter settings on the performance of genetic algorithm through experimental design and statistical analysis”. Advanced Materials Research. Vol. 433-440. 2012. pp. 5994-5999.

H. Marziyeh, B. Hossein, K. Farhad. “Evaluating the effects of parameters setting on the performance of genetic algorithm using regression modeling and statistical analysis”. Journal of Industrial Engineering. Vol. 45. 2011. pp. 61-68.

O. Abdul, M. Munetomo, K. Akama. “An adaptive parameter binary-real coded genetic algorithm for constraint optimization problems: Performance analysis and estimation of optimal control parameters”. Information Sciences. Vol. 233. 2013. pp. 54-86.

A. Eiben, S. Smit. “Parameter tuning for configuring and analyzing evolutionary algorithms”. Swarm and Evolutionary Computation. Vol. 1. 2011. pp. 19-31.

M. Kaya. “The effects of two new crossover operators on genetic algorithm performance”. Applied Soft Computing. Vol. 11. 2011. pp. 881-890.

S. Smit, A. Eiben. Parameter tuning of evolutionary algorithms: generalist vs. specialist. Proceedings of the International Conference on Applications of Evolutionary Computation. Berlin, Germany. 2010. pp. 542-551.

I. Falco, A. Della, E. Tarantino. “Mutation-based genetic algorithm: performance evaluation”. Applied Soft Computing. Vol. 1. 2002. pp. 285-299.

P. Pongcharoen, D. Stewardson, C. Hicks, P. Braiden. “Applying designed experiments to optimize the performance of genetic algorithms used for scheduling complex products in the capital goods industry”. Applied Statistics. Vol. 28. 2001. pp. 441-455.

K. Hinkelmann, O. Kempthorne. Design and analysis of experiments. 1st ed. Ed. John Wiley & Sons. New York, USA. 1994. p. 177-181.

Descargas

Publicado

2015-05-17

Cómo citar

Canessa-Terrazas, E., & Allende-Olivares, H. (2015). Desempeño de un Algoritmo Genético aplicado a diseño robusto en sistemas multiobjetivo bajo diferentes niveles de fraccionamiento. Revista Facultad De Ingeniería Universidad De Antioquia, (75), 80–94. https://doi.org/10.17533/udea.redin.n75a09

Artículos similares

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 > >> 

También puede {advancedSearchLink} para este artículo.