Algoritmos Geneticos Borrosos

UNIVERSIDAD POLITCNICA DE MADRID Escuela Tcnica Superior de Ingenieros Industriales
Control de Procesos basado en eventos mediante Bases de Conocimiento Borrosas y Algoritmos Genticos
TESIS DOCTORAL
Autor Juan de Dios Sanz Bobi Ingeniero Industrial
Directores Ramn Galn Lpez Doctor en Informtica
Juan Ramn Velasco Prez Doctor Ingeniero de Telecomunicaciones
Madrid-2.001
Tribunal nombrado por el Mgfco. y Excmo. Sr, Rector de la Universidad Politcnica de Madrid, el da de de 2.002.
Presidente
D.
Vocal
D.
Vocal Secretario Suplente Suplente
D. D. D. D. de de 2.002 en la Escuela
Realizado el acto de defensa y lectura de la Tesis el da Tcnica Superior de Ingenieros Industriales de Madrid.
Calificacin:
EL PRESIDENTE
LOS VOCALES
EL SECRETARIO
A mi madre y hermanos. A mi padre, el ferroviario. A ti, M. Sierra.
Agradecimientos
Mientras el ro corra, los montes hagan sombra y en el cielo haya estrellas, perdurar la memoria del beneficio recibido en la mente del hombre agradecido. (Virgilio)
Desarrollar el trabajo que conlleva una tesis no es tarea de una sola persona; por el contrario, es de las personas del entorno de las que extrae el apoyo, no slo tcnico o propio de la labor de investigacin, sino el que infunde el nimo y espritu necesario para poder abordar un trabajo de envergadura que requiere la dedicacin de algunos aos de mi vida.
Agradecer el empeo de mi madre, la disposicin de mi hermana y, directamente, M. Sierra que ha sufrido de cerca las bajadas y subidas de moral; porque nunca fueron las cosas fciles an cuando desde el principio cont con dos grandes pilares: Miguel ngel, mi hermano, quien me ha ido indicando sugerencias y me ha servido de ayuda indiscutible en la bsqueda de documentacin, y Juan de Dios, mi padre, quien me ha transferido el conocimiento ferroviario que ha ido recogiendo a lo largo de toda una vida dedicada al ferrocarril.
Llega ahora el reconocimiento a la labor que han desempeado mis directores de tesis: Ramn, de quien encontr siempre la disponibilidad que nunca se podr agradecer, y de Juan Ramn, quien me facilit un pilar bsico para poder iniciar el trabajo: el algoritmo gentico bsico a partir del cual evolucionaron las aplicaciones que se expondrn a lo largo de esta tesis.
Tampoco puedo olvidar a Femando Mata, de la Divisin de Ingeniera de Sistemas y Automtica (DISAM) de la E.T.S. de Ingenieros Industriales de la U.P.M., quien me facilit el otro gran pilar: un ncleo que recoga su gran experiencia en las aplicaciones de lgica borrosa y del que se gener la herramienta bsica de tratamiento de los demostradores de esta tesis.
Gracias a Francisco Ortega, Miguel ngel Reyes y Raimundo Angosto, de R.E.N.F.E. quienes me ensearon cuantos aspectos hacen referencia a las consideraciones de seguridad y explotacin en el ferrocarril. Tambin agradezco a Alberto Arana, de EUSKOTRENBIDEAK, sus enormes aportaciones para poder incorporar la funcionalidad de la explotacin de un ferrocarril regional.
Fueron fundamentales para esta tesis los trabajos de Juan Jos Snchez, Jos Antonio Reyes, Rubn Iglesias, Mara Teresa Martnez y Gonzalo Isabel, a quienes quiero agradecer de manera muy particular su empeo.
No poda pasar por alto a aquellos que durante el desarrollo de esta tesis fueron mis compaeros de trabajo en la Divisin de Automatizacin del Transporte de ALCATEL ESPAA, S.A., donde se desarrollaron los demostradores que se incluyen en esta tesis. En fin, "el perro ladra, pero la caravana permanece", gracias a Mercedes, por su secreto e incansable trabajo, a Antonio Garca, Ignacio Molina, Jos Marfil, Javier Rodero, Juan Rodrguez y Cristbal Guardiola por todos aquellos buenos y gratos momentos, que tambin lo fueron de apuro en el desarrollo y de agobio en las largas noches de puestas en servicio. Como no, gracias a mis maestros en los sistemas de sealizacin: Jos Luis Medina, Adolfo Martnez, Miguel ngel Antoana. Agradecer a Antonio Lora y a Manuel lvarez su dedicacin a la hora de "sacar" tiempo para ayudarme en los prototipos elctricos y electrnicos. Tambin agradezco la paciencia de Julio Espinosa y de Jos Rodrguez, con aquellos bloqueos; la de David y ngel con sus pruebas. Gracias por sus aportaciones a Francisco Vega, ngel Snchez, ngel Mora, Gema Hernando, Leo Snchez y Juan Jos Lpez de Larrinzar, mi inseparable sufridor. Quedan muchos nombres en el tintero de muchas personas que han pasado y que han dejado su huella tambin en este trabajo. A todos ellos gracias.
Tampoco quiero olvidar al Centro de Investigacin en Tecnologas Ferroviarias, las personas de Carlos Vera y, especialmente, Antonio Arribas, quienes me instaron a divulgar los resultados de este trabajo. Tambin a Francisco Javier, Javier, Alberto, Jos Carlos y Julio que, de manera directa, han sufrido los ltimos meses de trabajo.
Nunca podra haber estado ms agradecido a todas las personas que han estado a mi alrededor y de las que el autor de esta tesis guardar siempre un rncn muy especial de los aos siete aos de trabajo que han concluido en la redaccin de la tesis que ante ustedes se presenta.
Espero que el esfuerzo hecho sea satisfactorio a todos ellos, de la misma manera que lo es para m. Juan de Dios Sanz Bobi Madrid, diciembre de 2.001
ndice
Pgina 1
ndice
CAPITULO 1 . INTRODUCCIN
1 2 PLANTEAMIENTO DE LA TESIS ESTRUCTURA DE LA TESIS
1 1
12 14
CAPTULO 2 . FUNDAMENTOS DE LA LGICA BORROSA 1 7

1 2 3 4 5 6 7 8 9 INTRODUCCIN IMPRECISIN E INCERTIDUMBRE CONJUNTO BORROSO Y DISTRIBUCIN DE POSIBILIDAD CONCEPTOS DE UN CONJUNTO BORROSO OPERACIONES CON CONJUNTOS BORROSOS OPERADORES DE IMPLICACIN BORROSOS. LAS VARIABLES LINGSTICAS MEDIDAS DE PROXIMIDAD ENTRE CONJUNTOS BORROSOS EL CONTROLADOR BORROSO.......... 18 18 21 23 24 29 31 35 40
CAPTULO 3. INTRODUCCIN A LOS ALGORITMOS GENTICOS 48

1 2 2.1 INTRODUCCIN...... EL ALGORITMO GENTICO SIMPLE Desarrollo del Algoritmo Gentico Simple 49 50 ..50
Pgina 2
ndice
2.2 2.3 3 3.1 3.2 3.3 3.4 3.4.1 3.4.2 3.4.3 3.4.4 3.4.5 3.5 3.6 3.7 3.8 4 5 5.1 5.2 5.3 5.4
Robustez del algoritmo gentico Funcionamiento del algoritmo gentico VARIACIONES DE LOS ALGORITMOS GENTICOS Estructuras objeto de la adaptacin La estructura inicial Valor de la salud de un individuo Operadores Genticos El operador reproduccin El operador combinacin El operador cruce El operador mutacin Operadores avanzados Arquitectura de un Algoritmo Gentico Control de parmetros del Algoritmo Gentico Terminacin del algoritmo gentico Resultados del algoritmo gentico ALGORITMOS GENTICOS HBRIDOS TCNICAS PARAMTRICAS Codificacin de los parmetros en los cromosomas Optimizacin manual Bsqueda forzada. A.G. metanivel
56 57 61 64 67 68 74 74 77 78 82 83 87 90 92 93 93 95 95 95 98 99
Pgina 3
ndice
5.5 5.6 6 7
Salud adaptativa de los operadores Control dinmico con una base de reglas borrosas EL SISTEMA CLASIFICADOR DE HOLLAND ALGORITMOS GENTICOS BORROSOS
101 103 105 108
CAPTULO 4. APLICACIN AL CONTROL PTIMO DE PROCESOS

114 1 2 2.1 2.1.1 2.1.2 2.1.3 2.1.4 2.1.5 2.1.6 2.2 2.2.1 INTRODUCCIN. OPTIMIZACIN SUJETA A RESTRICCIONES... Optimizacin sin restricciones Codificacin y decodifcacin de la poblacin Evaluacin,, Cruce Mutacin , , 115 118 118 119 121 121 121 122 122 123 124 124 ....125 ...126 126 128 ..130 131 132
Reemplazamiento generacional Ejemplo Programacin no lineal: optimizacin sujeta a restricciones Tratamiento de las restricciones 2.2.1.1 2.2.1.2 2.2.1.3 2.2.1.4 Estrategia de rechazo Estrategia de reparacin Modificacin dlos operadores genticos Estrategia de penalizacin....
2.2.2
Planteamiento para resolver el problema 2.2.2.1 2.2.2.2 2.2.2.3 Mtodo de Homaifar, Qi y Lai Mtodo de Joines y Houck Mtodo de Michalewicz y Attia
Pgina 4
ndice
2.2.2.4 2.2.2.5 2.2.2.6 2.2.3
Mtodo de Smith, Tate y Coit Mtodo de Yokota, Gen, Ida y Taguchi Mtodo de Gen y Cheng
134 135 136 137 137 139 142
Definicin de los operadores genticos 2.2.3.1 2.2.3.2 Operadores convencionales Operadores aritmticos Operadores direccionales
2.2.3.3
3
3.1
SISTEMAS BASADOS EN REGLAS: OPTIMIZACIN

Algoritmo gentico bsico Representacin de la poblacin Eleccin de la funcin de salud Descripcin del ciclo gentico Descripcin del algoritmo gentico 3.1.4.1 3.1.4.2 3.1.4.3 3.1.4.4 3.1.4.5 Poblacin inicial Seleccin Cruce Mutacin Insercin
144
144 145 146 148 149 149 149 152 153 153 154 155 155 158 158 159 160 160 161
3.1.1 3.1.2 3.1.3 3.1.4
3.2
Algoritmos genticos sobre bases de conocimiento borrosas Mtodos de aplicacin Eleccin de la poblacin Descripcin de los operadores 3.2.3.1 3.2.3.2 3.2.3.3 3.2.3.4 Seleccin Cruce Mutacin Insercin en la poblacin
3.2.1 3.2.2 3.2.3
3.2.4
Consideraciones sobre la ejecucin del algoritmo gentico
Pgina 5
ndice
CAPTULO 5. DESCRIPCIN DE ALGORITMOS GENTICOS SOBRE BASES DE REGLAS BORROSAS 1 2 6

1 2 3 3.1 3.2 3.3 3.3.1 3.3.2 3.3.3 3.3.4 3.3.5 INTRODUCCIN MODIFICACIN DEL ALGORITMO GENTICO BSICO ALGORITMO GENTICO CON INSERCIN DESDE EL LIMBO Concepto de limbo Ciclo gentico Desarrollo del algoritmo gentico Representacin de los individuos. Seleccin Cruce Mutacin Insercin 3.3.5.1 3.3.5.2 4 4.1 4.2 4.3 4.4 4.4.2 Insercin de reglas en la poblacin Insercin de reglas en el limbo , , 163 165 167 167 167 168 169 171 171 173 174 175 175 176 177 181 , 182 183 183 183
ALGORITMOS GENTICOS DE ESTRUCTURA JERRQUICA Definicin de la estructura de cada individuo El ciclo gentico.., Poblacin Operaciones genticas CRUCE MUTACIN
4.4.1
Pgina 6
ndice
4.5 4.6 5 5.1 5.2 5.3 5.4 6 6.1 6.2 6.3 6.4 7
Funcin de evaluacin Estrategia de insercin ALGORITMO GENTICO DE PACKARD Representacin de los datos Representacin de Modelos Bsqueda de buenos modelos de decisin El Algoritmo Gentico A.G. SOBRE VARIAS BASES DE CONOCIMIENTO Seleccin Cruce Mutacin Evaluacin e insercin RESUMEN DE LAS TCNICAS APLICADAS
185 186 189 189 190 191 192 196 196 197 198 199 200
CAPTULO 6. METODOLOGA DE
APLICACIN
1 2 3 4 4.1 INTRODUCCIN OBJETIVOS DE DISEO DEL CONTROLADOR ESTRUCTURA DEL PROCESO A CONTROLAR MECANISMO DE BSQUEDA Definicin de la poblacin
202
203 204 206 207 208
Pgina 7
ndice
4.2 4.3 4.4 5 6 6.1
Funcin objetivo Evaluacin Validacin y aceptacin de la solucin ARQUITECTURA DE CONTROL FUNCIONAMIENTO Bsqueda de la ley de control Componentes del sistema..... Descripcin del proceso de bsqueda 6.1.2.1 6.1.2.2 6.1.2.3 Etapa de inicio Etapa de ejecucin Etapa final
208 209 209 210 212 213 216 216 217 222 224 226 226 228 229 231 234 235
6.1.1 6.1.2
6.2
Variaciones de las condiciones de funcionamiento Requisitos Esquema de control ante cambio de funcionalidad Operativa de funcionamiento Activacin de los algoritmos genticos Esquema del controlador RESUMEN
6.2.1 6.2.2 6.2.3 6.2.4 6.2.5 7
CAPTULO 7. GESTIN DEL TRFICO FERROVIARIO 239

1 2 3 INTRODUCCIN INSTALACIONES FERROVIARIAS GESTIN DE LAS INSTALACIONES 240 241 244
Pgina 8
ndice
3.1 3.2 3.3 3.4 4 5
Horario de los trenes Cumplimiento de horarios: explotacin y regulacin de la lnea Operaciones de control El puesto central de circulacin OPERACIONES CON LOS TRENES INTEGRACIN DE LA HERRAMIENTA EN EL SISTEMA DE CONTROL FERROVIARIO DESCRIPCIN GENERAL DE LA HERRAMIENTA DE PLANIFICACIN Y CONTROL DEL TRFICO Simulacin Planifcacn Explotacin de tren regional o de lnea cerrada Explotacin mixta Construccin de las rutas en las estaciones Representacin del conocimiento sobre la explotacin ferroviaria Objetivos Herramientas para la representacin del conocimiento Interpretacin de los resultados Funcionamiento Algoritmo gentico Resultados EJEMPLO SOBRE UNA LNEA PROTOTIPO
244 246 247 249 250
255
6 6.1 6.2
262 266 267 278 285 293 298 299 301 302 302 304 305 310
6.2.1 6.2.2 6.3 6.4
6.4.1 6.4.2 6.4.3 6.4.4 6.4.5 6.4.6 7
Pgina 9
ndice
CAPTULO 8. REGULACIN DE UN CIRCUITO DE V A 318

1 2 3 4 5 6 INTRODUCCIN CONCEPTO DE CIRCUITO DE VA FUNCIONALIDAD DEL CIRCUITO DE VA CONSIDERACIONES SOBRE EL FUNCIONAMIENTO SIMULACIN ELCTRICA DESCRIPCIN DEL MODELO DE CONTROL 319 319 321 321 323 324
CAPTULO 9. CONCLUSIONES Y FUTUROS DESARROLLOS

1 2 3 4 CONCLUSIONES ANLISIS DE LA METODOLOGA. APORTACIONES DE ESTE TRABAJO FUTURAS INVESTIGACIONES
329
....330 332 334 335
REFERENCIAS BIBLIOGRFICAS
333
Pgina 10
Alicia pregunt al rey: 'por dnde empezar?". A lo que el rey contest: "empieza por el principio", y aadi: ' luego contina hasta el final Entonces para" Lewis Carol. Alicia en el Pas de las Maravillas
Captulo 1 Introduccin
Pgina 11
Introduccin
1 Planteamiento de la tesis.
El presente trabajo de tesis doctoral se encuadra dentro de la investigacin de Control Inteligente de Procesos que desarrolla el Departamento de Automtica, Ingeniera Electrnica e Informtica Industrial de la Universidad Politcnica de Madrid.
As, la Divisin de Ingeniera de Sistemas y Automtica de la Escuela Tcnica Superior de Ingenieros Industriales ha desarrollado mltiples proyectos de investigacin con el objetivo inmediato de la aplicacin de las tcnicas de Inteligencia Artificial al Control de Procesos Industriales como respuesta al inters creciente de la industria por las tcnicas avanzadas de optimizacin y control de fuerte desarrollo tecnolgico.
Como referencias en este sentido, sirvan los proyectos CONEX para ASLAND S.A., EXEX para VEKA IBRICA S.A. y HINT para REPSOL YPF.
En este marco se desarrollan los trabajos que se exponen en la presente tesis doctoral; de manera que se tiene como objetivo la definicin de un sistema de regulacin que permita llevar a cabo un control ptimo del mismo y, para lo cual, se utilizan algoritmos genticos como mecanismos de bsqueda de bases de reglas borrosas con las que se pueda lograr el objetivo marcado; empleando la simulacin del proceso para las fase de aprendizaje, incluyendo la ancin de evaluacin necesaria para la validacin de la solucin aportada por los algoritmos genticos, y para la posterior fase de regulacin o control del proceso a lo largo de la vida del mismo.
En cuanto al conocimiento del proceso, el alcance de este trabajo se define sobre aquellas representaciones que lo expresan mediante reglas borrosas. Varias causas obedecen a esta eleccin:
Pgina 12
Introduccin
Los sistemas borrosos son suficientemente potentes como para representar xma amplia variedad de estrategias.
Facilitan la captura y la representacin del conocimiento experto para poder hacer uso de reglas lingsticas.
Diseo rpido, pues no necesitan modelos matemticos exactos.
Las bases de conocimiento pueden ser diseadas y ajustadas.
No se necesita gran precisin en los sensores, con lo que no se carga el coste del sistema.
Sin embargo, presentan algunos problemas derivados de la obtencin, por mtodos de ensayo y error, de las finciones de pertenencia, as como del antecedente y de la consecuencia de las reglas [Geyer-Schulz, 1996].
Por otra parte, los algoritmos genticos han ido cobrando relevancia en los trabajos en los que se requiere una tcnica de optimizacin. Las principales ventajas que se obtienen por aplicarlos a problemas de optimizacin son las siguientes:
No requieren muchos requisitos matemticos sobre el problema a optimizar, pues, debido a su naturaleza evolutiva, los algoritmos genticos buscarn soluciones sin entrar en el mecanismo inherente al problema a optimizar. Esto hace que los algoritmos genticos manipulen cualquier tipo de funcin objetivo sujeta a cualquier familia de restricciones, tanto lineales como no lineales, y que de definan en espacios de bsqueda continuos, discontinuos o mixtos (Gen, 1997).
Desde el punto de vista probabilstico, la naturaleza de los operadores evolutivos permite una bsqueda global muy efectiva, pues la capacidad exploratoria del algoritmo gentico permite encontrar una solucin del espacio de bsqueda
Pgina 13
Introduccin
adecuada al criterio que se define como objetivo. Las tcnicas tradicionales ejecutan una bsqueda local por algn tipo de bsqueda por pasos, comparando los valores del entorno de vecindad y movindolos hacia puntos ptimos relativos. El ptimo global slo se encuentra cuando el problema tiene ciertas propiedades de convexidad que, en esencia, garanticen que el ptimo local es el ptimo global.
Los algoritmos genticos facilitan una gran flexibilidad hacia la hibridacin, con heursticas dependientes del dominio del problema que permiten una representacin eficiente del problema.
De las ventajas que proporciona la representacin del conocimiento de las reglas borrosas y de las tcnicas de bsqueda que proporcionan los algoritmos genticos, resulta que para poder obtener una base de conocimiento ptima que pueda ser aplicada en todo momento de la vida de funcionamiento del sistema, se ha elegido el uso de los algoritmos genticos como mecanismo para resolver el problema de optimizar la secuencia de acciones de control que se ofirecen a partir del conocimiento experto, expresado en reglas borrosas, para obtener una planificacin de las acciones a realizar, de manera que cada operacin se realiza en virtud de la ocurrencia de algn evento que suscita la ejecucin de una de estas acciones, as como el control ante variaciones no deseadas del punto de funcionamiento del sistema, bien sea por una degradacin del mismo o por un cambio de las condiciones de funcionamiento.
2 ESTRUCTURA DE LA TESIS.
El presente trabajo se organiza en diferentes captulos, siendo este de introduccin el primero de ellos y en el que se va a dar, aparte de una presentacin, una introduccin a los conceptos empleados en esta tesis y que servirn para dar un marco general al conjunto del trabajo.
Pgina 14
Introduccin
El captulo 2 se requiere para dar los findamentos de la lgica borrosa, puesto que la representacin del conocimiento para el sistema de control ser el de bases de conocimiento constituida por reglas borrosas. As, se har hincapi en los conceptos de precisin e incertidumbre como base sobre la que se aposenta la lgica borrosa. En estas condiciones se procede a describir el concepto de conjunto borroso, las operaciones entre los mismos y los operadores de implicacin, para entonces describir las etiquetas lingsticas. Por ltimo, este captulo desarrolla un modelo de controlador borroso.
El captulo 3 sirve de introduccin a los algoritmos genticos, entendidos como tcnicas de optimizacin y bsqueda estocstica potentes y ampliamente difundidos que estn basados en los principios de la teora evolutiva. En el captulo se parte del anlisis del Algoritmo Gentico Simple de Holland, padre de los algoritmos genticos, para pasar, a continuacin, a la presentacin de las variaciones hechas por la comunidad investigadora que ha volcado sus trabajos en poner su atencin en los problemas de optimizacin de la ingenieria industrial; situacin, fundamentalmente debida a que el diseo de sistemas de produccin industriales lleva inherente un problema de optimizacin de difcil solucin y en los que la aplicacin de los algoritmos genticos facilita la bsqueda a desarrollar para encontrar la solucin.
El captulo 4 pone su nfasis en el uso de los algoritmos genticos aplicados al control de procesos; en primer lugar, para la bsqueda de solucin a un problema de optimizacin sujeta a restricciones y, en segundo lugar, para la bsqueda de una base de reglas para el sistema de control. As, resolver un problema de optimizacin sujeto a un conjunto de restricciones es una tarea propia del control ptimo y la aplicacin del algoritmo gentico permite utilizar su naturaleza exploratoria como herramienta potente de bsqueda de la solucin. Ser objeto de este trabajo el recoger diversas metodologas de planteamiento del algoritmo gentico y de cmo se han de representar los operadores genticos. Para los sistemas basados en reglas, los algoritmos genticos se utilizan para buscar la base de reglas ptima al proceso de control. Ser objeto de este captulo describir el ciclo y los operadores del algoritmo gentico y la manera en la que se
Pgina 15
Introduccin
aplican los mismos cuando lo que se desea encontrar es una base de conocimiento formulada con reglas borrosas.
El captulo 5 es una descripcin de diferentes algoritmos genticos sobre los que se ha trabajado en los trabajos de investigacin programados en esta tesis doctoral. El objetivo de este trabajo es dar unas lneas maestra de diseo del algoritmo gentico conforme a la representacin particular del proceso a controlar.
El captulo 6 expone una metodologa de aplicacin para el diseo de un sistema de control en el que se utilizan los algoritmos genticos para bsqueda de la base de conocimiento ptima. Este captulo debe entenderse, entonces, como una especificacin de requisitos del sistema de control que deber proyectarse en un trabajo de descripcin funcional cuando se particularice a cada proceso particular. Se define un control del proceso hecho en dos etapas: una primera de planificacin, resultante de la cual se tiene una estrategia de control con una consigna fimcional, y una segunda de regulacin, que es el desarrollo tctico de la planificacin y con lo que se supervisar la desviacin en respuesta del control para modificar la consigna de control mediante una nueva bsqueda adecuada a las condiciones del proceso.
Los captulos 7 y 8 son dos ejemplos de aplicacin bien diferentes. En el captulo 7 se describe como aplicar la metodologa a la gestin del trfico ferroviario; donde el objetivo es buscar unas reglas de trfico que sean capaces de controlar el trfico conforme a unos horarios y a unas consignas de cada una de las estaciones. El captulo 8 se dedica a la aplicacin sobre un circuito de va, que es un sistema de deteccin de tren en una seccin de va y que presenta unas particularidades de diseo importante al tratarse de un sistema de seguridad para el trfico ferroviario.
El captulo 9 corresponde a la presentacin de las conclusiones generales y a plantear las futuras lneas de investigacin.
Pgina 16
Hablo, pero no puedo afirmar nada buscar siempre, dudar con frecuencia y desconfiar de m mismo (Cicern)
Captulo 2. Fundamentos de la Lgica Borrosa
Pgina 17
Fundamentos de la Lgica Borrosa
1 INTRODUCCIN.
La lgica borrosa tiene sus inicios en la publicacin que hizo Zadeh en 1965 sobre la teora de conjuntos borrosos y la relacin entre los mismos. Desde entonces, la lgica borrosa se ha introducido en todas las ramas de la matemtica pura y aplicada referente a la teora de conjuntos, resultando un amplio abanico de aplicaciones reales.
La lgica borrosa pretende ejecutar una cuantifcacin y un razonamiento en trminos difusos, tal y como se realizan en la realidad. Por ejemplo, a la hora de hablar se llevan a cabo clasificaciones en trminos lingsticos: caliente, templado o fro; pequeo, mediano o grande; mucho, poco o nada y, as, un sin fin de etiquetas que permiten dar im valor a una determinada incgnita (temperatura, tamao, cantidad, etc). La expresin de un razonamiento en estos trminos no puede hacerse de la manera "tradicional" o "clsica", donde el razonamiento y la cuantifcacin se hacen de una manera determinista sin dejar la incertidumbre que, de manera natural, se utiliza a la hora de realizar esta misma asociacin; as, estos sistemas tratan la informacin en trminos de "todo" o "nada", "verdadero" o "falso". Por contra, la expresin de la informacin en trminos borrosos es ampliamente utilizada para abordar problemas cuyo objetivo sea la toma de decisiones o el control de un proceso, pues llevan inherentes una representacin y una manipulacin de trminos borrosos: "la temperatura de un fluido es alta", "un incremento de presin", "la operacin de menor coste", etc.
2 IMPRECISIN E INCERTIDUMBRE
Durante la ltima dcada, la teora de sistemas junto a los avances en la tcnicas computacionales han ido dirigidas al modelado de la imprecisin y de la incertidumbre. Como muestra de este esfuerzo, son relevantes los trabajos de [Gaines,1985] y [Zadeh, 1994].
Pgina 18
Puesto que la incertidumbre y la imprecisin forman parte de la realidad de un sistema y deben ser modeladas como una parte del mismo, pues inducen un conocimiento parcial o una informacin incompleta. En trminos proposicionales, el grado de certeza y el contenido de una proposicin se ven afectados por esta falta de completitud en la informacin. [Kerre,1993] define estos trminos de la siguiente manera:
Una proposicin se considera incierta cuando su certeza no puede venir dado slo por los trminos "verdadero" o "falso".
Una proposicin se considera imprecisa cuando su contenido o, en otros trminos, predicado no puede ser definido de manera precisa.
Por ejemplo, si no estamos seguros de que la proposicin "la temperatura de un fluido es 22 C" sea cierta, entonces estamos ante una situacin de incertidumbre. Por otro lado, si no podemos determinar que la temperatura sea de 22 C, aunque s se puede determinar que la temperatura es "alta", entonces encontramos un caso de imprecisin. Ms an, estos dos aspectos mantienen una relacin ntima; as, la proposicin "no se est seguro de que la temperatura del fluido sea alta" define el predicado de forma precisa, pero en s misma la proposicin es incierta.
De manera ms general, si una proposicin P se define por un determinado nmero de predicados de la forma Xi es Bj, los cuales se conectan mediante operadores
proposicionales lgicos (por ejemplo A, V, - I , ->), y B, es el valor del atributo Xi, entonces
P (Xi es Bi, X2 es B2,..., Xn es Bn)
expresa una informacin que relaciona ciertas propiedades de inters en el planteamiento del conocimiento.
Pgina 19
Del enunciado expuesto, la incertidumbre corresponde a la verdad parcial de P; esto es, a los valores de certeza intermedios que se puedan definir entre "verdadero" y "falso". La imprecisin se expresa como la inclusin Aj c: Bj, donde Ai es el valor actual de X,. En el caso particular de ser Xi un atributo nico, por ejemplo la temperatura, entonces Ai es un elemento del dominio de Xj tal que y | Bi | > 1. En tal caso, |Bi | es el nmero de elementos bsicos que constituyen Bi. Un ejemplo de Bi sera el subconjunto definido en el dominio de X, por ejemplo {22 C, 23 C}, o bien una distribucin de posibilidad o unas categoras lingsticas, quedando descritas stas en apartados siguientes.
Pueden existir varias ientes para la incertidumbre y la imprecisin; incluso una fiente puede quedar implcitamente definida a partir de otra [Smets,1995]. Una iente que ha sido objeto de mltiples estudios es la aleatoriedad y puede tratarse empleando los conceptos de probabilidad. Otra fiente, que es el objeto particular de este estudio, hace referencia a conceptos que se expresan en trminos difisos y que se tratan con la lgica borrosa.
El concepto de expresar un trmino de manera difusa resulta de resolver el problema de determinacin de los lmites de validez del dominio del que es representativo. Tal y como expuso [Kerre,1993], un ejemplo de este problema seria el determinar los nmeros "grandes" que existen en el conjunto (N*) de los nmeros naturales. De esta
17
forma, si se considera que un nmero grande es 17 , entonces debera reflexionar sobre cmo considerar 17'^-1 y, consecuentemente, 17^^-2, 17^^-3, etc. De otra forma, se podra formular un interrogante sobre la posibilidad de delimitar, de manera conceptual, la fi-ontera que delimita a los nmeros grandes. Ejemplos similares se pueden encontrar si se piensa en trminos como "edad joven", "incremento ligero de temperatura", etc. La solucin que da el modelo clsico implica realizar una delimitacin forzosa para poder responder la pregunta, pues las expresiones se realizan en trminos todo - nada, edad menor o igual a 35 aos, 2 grados, etc; por tanto, es obvio que el modelo clsico presenta carencias para tratar este tipo de datos.
Pgina 20
En cambio, cuando Zadeh expone su trabajo en 1965, se propone una solucin a los problemas anteriores si se introduce una transicin gradual que defina qu elementos no satisfacen una propiedad y cules s lo hacen o, en otros trminos, definir el grado de pertenencia de xm elemento al subconjunto que define dicha propiedad.
3 CONJUNTO BORROSO Y DISTRIBUCIN DE POSIBILIDAD.

Un conjunto borroso es la generalizacin de un conjunto ordinario. Sea as U el universo de discurso, entonces un conjunto borroso F en U se caracteriza por una fincin de pertenencia J-F- U -> [0,1] que asocia a cada elemento M de U un valor HF) representativo del grado de pertenencia de w a F.
De esta forma, el valor fif{u) = O indica que u no pertenece al conjunto F y el valor

12F{U)
- 1 indica que u tiene una pertenencia absoluta al conjunto F. Una pertenencia
parcial de M a F viene definida por O < pipiu) < 1.
F = \jUp{u)/u
F = {jUf{u)/u \ ueU}
Si consideramos de nuevo el problema de los grandes nmeros, definamos un conjunto borroso L caracterstico de estos nmeros y en el que definimos la funcin de pertenencia //r N -> [0,1], VneN como
;"i() = -
-iCtV 1000 1+ V y
Pgina 21
Siendo la representacin grfica de esta fimcin la siguiente:
, /^(n)
0,5
10
100
10^
10^ 10^
Las distribuciones de posibilidad se introducen a partir del conjunto borroso, para lo cual se asume que una variable, que toma valores en el universo de discurso, tiene una naturaleza posibilstica.
Entonces, sea U el universo de discurso y X una variable en U. F es un conjunto borroso en U donde la funcin de pertenencia al conjunto viene dada por fip. Entonces, la posibilidad de X = u, que se denota covc07tx(u), se asigna a I^F(U), donde se asume que F impone la restriccin borrosa para X. Entonces, la distribucin de posibilidad de X en U, respecto a F, se denota como
Ilxiu) = {7tx{u)lu \u G UyTtîu) = ij.p{) e [0,l]}
Una distribucin de posibilidad FIx se entiende que est normalizada si y slo si Bw'eU tal que 7tx(u')= 1 [Zadeh,1978].
Pgina 22
4 CONCEPTOS DE UN CONJUNTO BORROSO.

Sea U un cierto conjunto y A un conjunto borroso en U, definindose una funcin de pertenencia//^: U->[0,1]. Entonces:
Los elementos de U que pertenecen a F son aquellos para los que la fincin de pertenencia tiene un valor no nulo y se denomina "soporte" de F:
soporte {F)= {u\uÛy
idF(u)>Q}
El ncleo de F lo constituyen los elementos tales que el valor de la funcin de pertenencia es igual a 1.
ncleo {F)= {u\ u&Uy HF{U) = 1}
El conjunto de elementos para los que el valor de la funcin de pertenencia es mayor o igual que a, donde O < a <1, se denomina corte:
Fa+ = {u\uÛ
^F{U)>
a]
Fa.= {u\u&U
HF{u)>a}
La altura del conjunto borroso se define como sigue:
altura{F) = su^ fip{)

UEU
Pgina 23
La base del conjunto borroso es:
base{F) = inf/^^ (w)

le/
5 OPERACIONES CON CONJUNTOS BORROSOS.

Para los conjuntos borrosos, la unin, interseccin y complemento de conjuntos se basan en las leyes de De Morgan [Kerre,1993].
Sean A y B dos conjuntos borrosos del mismo universo de discurso U, siendo Â y I^B las fianciones de pertenencia definidas para cada uno de estos conjuntos.
Entonces, siguiendo el trabajo "Fuzzy Sets" desarrollado en [Zadeh,1965], podemos definir los siguientes operadores:
La interseccin de los conjuntos A y B, AnB, es un conjunto borroso en U cuya funcin de pertenencia jÂnB : U -^ [0,1] se define como sigue:
VM e U,
n^^s (") ^ min{fi^ (u), i^ (u))
La unin de los conjuntos A y B, AuB, es un conjunto borroso en U cuya fincin de pertenencia //^^s : U -> [0,1] se define como sigue:
Vw e U,
MA<JB (W)
= max(ju^ (u), ju^ (u))
Pgina 24
El conjunto complementario de A, CoA, es otro conjunto borroso en U cuya fimcin de pertenencia JICOA- U -> [0,1] se define como sigue:
VMG7,
^COA^) =
'^-MA(^)
El par de la -norma min y la -conorma max presentan cualidades algebraicas como el cumplimiento de las leyes distributivas
//A n (fB u juc) = (//A n
JUB) U (//A
n juc)
Las leyes de De Morgan
Co (ju A ^ JUB) = CO(//A) n CO(//B) Co (//A n //B) = CO(/A) ^ CO(//B) =
no slo son satisfechas por la unin e interseccin de conjuntos, sino por todos los pares de/-norma y -conorma.
As
(JF(X),
n , u ) constituye un grupo distributivo con el elemento neutro i7b y el
elemento unitario 77x.
Sin embargo, no tenemos un grupo booleano porque no es cierto en todo caso que se satisfaga que: /iAnCo(//A) = ô
JLIA^CO(JUA) = IJX
El trabajar con el par (min,max) resulta "cmodo" desde un punto de vista aritmtico y grfico. Adems, es el nico par de -norma y -conorma que satisface las leyes
Pgina 25
distributivas, de absorcin e idempotentencia; de manera que, incluso, para mantener con conjuntos borrosos las identidades
se hace necesario emplear este par de operadores.
Sin embargo, dado que muchas aplicaciones de conjuntos borrosos se ven afectados por la unin y la interseccin, tambin son utilizados con frecuencia otros operadores paramtricos en lugar del par (min,max) y, como referencia de ello, se pueden ilustrar ejemplos y expresiones de los mismos en [Kruse,Gebhardt y Klawonn, 1994].
Considrese ahora que F(U) es la clase de todos los conjuntos borrosos en U, por ejemplo F(U) = {A | A es un conjunto borroso en U}. La interseccin unin y complemento de los conjuntos borrosos est siendo obtenida a partir del mximo, mnimo y diferencia a uno de la fincin de pertenencia de los conjuntos que intervienen y, adems, la clase de los conjuntos borrosos se define a partir de la correspondencia del intervalo [0,1] para cada conjunto A de la clase.
Entonces, para cualesquiera dos conjuntos A y B de F(U), se dice que A e B si y slo si
\/ueU,
fi^{u) < i^g{u)
De la misma manera que se ha hecho con las operaciones entre conjuntos anteriores, la extensin del producto cartesiano a los conjuntos borrosos es tambin posible. Sean as un conjunto borroso A, definido en el universo de discurso U, y otro B, definido en el universo de discurso V, siendo /JU y ^B las funciones de pertenencia de A y de B, respectivamente.
Pgina 26
Entonces, el producto cartesiano de A y B, AxB, es un conjunto borroso en UxV tal que la funcin de pertenencia del conjunto, HAXB ' UxV -> [0,1], se define de forma que
V(w,v) e UxV,
ju^^s(u,v) = min(p^
(U),MB("))
La definicin dada es extensible a ms de dos conjuntos borrosos.
Con las definiciones anteriores, se definen, a continuacin, los conceptos de altura y base de los conjuntos borrosos resultantes de la unin e interseccin de conjuntos:
altura{Kj) = supaltura(A )
base( u ) > sup base(A.)
altura(r\) < inf altura{A)
base( n ) = inf base(A)

JeJ JsJ
'
Se listan, a continuacin, las propiedades que satisfacen los conjuntos borrosos. VA,B,C,D e F(U):
Leyes de De Morgan. Co (AuB) = Co(A) n Co(B) Co (AnB) = Co(A) u Co(B)
Leyes de idempotencia. AuA =A y AnA =A
Pgina 27
Propiedad conmutativa.
A uB = B uA A nB = B nA
Propiedad asociativa.
(A u B) u C = A u (B u C) (A n B) n C = A n (B n C)
Propiedad de absorcin.
A u(AnB) =A A n(AuB) =A
Propiedad distributiva.
A u (B n C) = (A u B) n (A u C) A n (B u C) = (A n B) u (A n C)
Adems, se verifica que:
AcAuB CoX = 0 , C o 0 = X Au0 =A A c B, C c D AcB =>AuB =B AnB=0 AcB,BcC
y y y => y =>
=>
B c A u B; Co(CoA) = A; A n X = A;
AnBcA AcB AuX =X
y => y => =>
AnBcB CoB c CoA An0 = 0 AnCcBnD CoAcB
AuCcBuD ; AcB,CsD A n B = A; BcCoA A u B c C; C e A, C c B AcB =X
=>
C c
AnB
Pgina 28
Un principio generalizado, extrado de las teoras bsicas de la teora de los conjuntos borrosos [Dubois y Prade, 1980] y [Kerre, 1988], proporciona un mtodo genrico para inducir un conjunto borroso dados un cierto nmero de conjuntos borrosos.
As, sean Xi, X2,..., Xn e Y unos conjuntos ordinarios (no borrosos) y / e l mapa que extrae Y como Xix X2 x.. .x Xn de forma que, Vx] eXi, Vx2X2,..., VxneXn, y VyeY,
y=/(Xi,X2,...,Xn).
Adems, sea F(Xi)la clase de todos los conjuntos borrosos en Xi, i = 1 ... n, y F(Y) la clase de todos los conjuntos borrosos en Y. Por ejemplo, F(Xi) = {A | A es un conjunto borroso en X, } y F (Y) = (B | B es un conjunto borroso en Y}. Entonces,/induce un mapa en F(Y) a partir de F(Xi)x F(X2)x...x F(Xn) tal que VAieF(Xi) se verifica q u e / (Al, A2,..., An) es un conjunto borroso en Y y, adems.
/(AlA2,.,A4(y) =
f(x^....x)=y
sup miM^,{x,\^^{x^),...^^{xJ) / ' ' ( M ) ' ' 0 O r'(M)=0
xe;.j=1.2,..n
6 OPERADORES DE IMPLICACIN BORROSOS.
Una de las caractersticas ms atrayentes de la lgica borrosa es su capacidad para trabajar con formas aproximadas a la representacin de razonamientos y, dentro de este aspecto, los operadores de implicacin juegan un papel primordial, os operadores de implicacin borrosos son una extensin del operador lgico clsico para relacionar dos conceptos (->).
Pgina 29
La tabla de verdad para el operador implicacin clsico, desde {0,1}^ a {0,1}, es la siguiente: a O O b O 1 a-^b 1 1
1
1
o
1
o
1
As pues, los operadores borrosos de implicacin, a los que se denotan como (I), resultan de la extensin de {0,1} al intervalo [0,1] y representan una expresin borrosa de la forma a->b, pero desde [0,1]^ a [0,1]. En la lgica clsica, por ejemplo a-b es equivalente a -lavb, mientras que, de manera general, para el operador borroso se puede interpretar el operador lgico -i (operador clsico no) como 1- y el operador v (operador o clsico) como max, con lo que el operador implicacin se expresa en los trminos I(a,b) = max(l-a,b). Entonces:
1. 1(1,0) = 0; 1(0,1) = 1(1,1) = 1(0,0) = 1
2. I(l,b) = b Vbe[0,l]
3. I(0,b) = l Vbe[0,l]
4. I(a,l) = l Vae[0,l]
5. I(a,)es decreciente, respecto a a, e I(,b) es creciente, respecto a b.
6. I(a,I(b,c)) = I(b,I(a,c)) 7. I(a,b) > min (a,b).
Pgina 30
En cuanto a la manera de definir estos operadores, los investigadores han llevado a cabo distintas representaciones. Un estudio detallado de estos operadores puede seguirse en el trabajo de [Kerre,1993], resumindose, a continuacin, los ms extendidos.
Nombre Estndar
Smbolo Definicin S*
. \ a<l 0 b = 0 S'(a,b) = \ [0 en otro caso

fl [0 1 \bl a a<b a>b a<b a>b
Estndar estricto
s
G
Operador de Gaines
Gaines modificado
G*
1 a = 0 0 b=\ G\a,b) = \ . ,, b \-a ^ ' ' \min\\.,, ) en otro caso
Operador de Lukasiewicz Operador de Kleene-Dienes Lukasiewicz Operador de Kleene-Dienes Early Zadeh Operador de Willmott Operador de Mamdani -
1
L KDL
\-b
L{a,b) = min{[,\ -a + b) KDL{a,b) = \-a + ab
KD HA W M
KD{a,b) = max{l-a,b) EA(a,b) = maxil - a,min(a,b)) W{a, b) = max{min( - a, b), min{a,\ - a), min{b,\ - b)) M{a,b) = min{a,b)
7 LAS VARIABLES LINGISTICAS.

Con las variables lingsticas se permite una asignacin de valores imprecisos de una manera natural y sencilla, pues estos valores son palabras de expresiones del lenguaje natural; por tanto, proveen un mecanismo para caracterizar de forma aproximada un fenmeno que es complejo o que queda mal definido con una representacin numrica clsica.
Pgina 31
Los ejemplos de variables lingsticas se encuentran en la realidad cuando se emplean trminos como alto, ms o menos alto, etc. La representacin de estas expresiones mediante conjuntos borrosos se denomina etiqueta lingstica de la variable.
En estos trminos, sea X una variable definida mediante la tupia (T,U,G,M), donde T es el conjunto de trminos lingsticos que X asume como sus valores; U es el universo de discurso; G es el conjunto de reglas sintcticas que generan los elementos de T y M es el conjunto de reglas semnticas que realizan, a partir de T, el mapa de los conjuntos de U.
Por ejemplo, sea la variable X la edad de un individuo. Entonces, T es generado (via G) como (joven, de mediana edad, mayor}, estando cada trmino de T expresado de una forma particular (via M) como un conjunto borroso. De manera esquemtica, esta representacin corresponde a la figura 2.1.
EDAD
mediana edad
joven
/ôvenv^j
mayor
/^mayorv/
/^mediana edadl^J
O
Figura 2.1.
30
35
40
45
50
55
60
65
REPRESENTACIN DE LA EDAD DE UN EVDIVroUO MEDIANTE VARIABLES LINGSTICAS.
En el lenguaje natural, una palabra, a la que se denomina trmino primario, puede modificarse por prefijos lingsticos (por ejemplo, ms o menos, casi, etc.). Estos prefijos, modificadores del trmino primario, no son borrosos en s mismos, aunque s
Pgina 32
pueden ser entendidos como operadores que actan sobre el conjunto borroso que representa al trmino primario.
De una manera ms formal, sea F(U) la clase de todos los conjuntos borrosos definidos en el universo de discurso U y definamos un operador modificador H;^ con
XG [0,OO[
que puede emplearse para varios prefijos lingsticos; por lo que Hx ejecuta un mapa de F(U) sobre F(U) de manera que VAeU
H;^ (A) = A^ e F{U) O, de Otra manera, Va e U, IUH^(A) i^) = \MA ()]'^ ^ [0>l]
Cuando A.>1, el operador H;^ reduce el grado de pertenencia de los elementos del conjunto borroso sobre el que acta el modificador. Por el contrario, cuando ^<1, Hx incrementa el grado de pertenencia de los elementos del conjunto borroso afectado por el modificador.
Para el caso particular de A,=2, el operador H2 se denomina operador concentracin (CON) y se utiliza de manera habitual para el modificador lingstico MUY; es decir, CON(A) = H2(A)es equivalente a los trminos lingsticos "muy A" y, de la misma manera, H4(A) es equivalente a "muy muy A". La funcin de pertenencia al conjunto A, VaeU, viene dada por son las siguientes: CON (A) e A
IJ.H^(A)'^)
= ^/i()]^ Y l^s propiedades del operador concentracin
CON (CoA) c Co(CON(A))
CON (AuB) = CON(A) u CON(B)
CON (AnB) = CON(A) n CON(B)
A c B ^ CON(A) => CON(B)
Pgina 33
Cuando A,=l/2, el operador H1/2 se denomina operador dilatacin (DIL) y se utiliza para el modificador lingstico MS O MENOS; por tanto, DIL(A) = Hi/2(A) equivale a decir "ms o menos A". La funcin de pertenencia al conjunto A, VaeU, viene dada por i^HuiU) ^^ = \Â ()]"^ y l^s propiedades del operador dilatacin son:
A c DIL(A)
Co(DIL(A)) c DIL(CoA)
DIL (AuB) = DIL(A) u DIL(B)
DIL (AnB) = DIL(A) n DIL(B)
CON(DIL(A)) = DIL(CON(A)) = A
A c B ^ DIL(A) c DIL(B)
Una combinacin de los operadores de dilatacin y de concentracin es el operador de intensificacin de contraste (INT) y corresponde a la modificacin lingstica LEVEMENTE. La expresin dada por [Regade y Gupta,1977] para este operador de intensificacin, denotado por INTg, corresponde a un mapa de F(U) sobre F(U) tal que
VAGF(U)
y VaeU, la expresin de la funcin de pertenencia es definida como
<
MlNTAA)(a)='
{'
Pgina 34
Otra expresin para este operador de intensificacin fue dada por [Zadeh, 1975] define, VAeF(U) y VaU, la expresin de la fincin de pertenencia como
MlNT.(A)(^) = 1 - McoN(CoA} ( a ) = 1 - 2[l - MA i^^)!'^ ^ e
4]
Las propiedades de este operador son las siguientes:
INT (AuB) = INT(A) u INT(B)
INT (AnB) = INT(A) n INT(B)
A e B i^ INT(A) e INT(B)
Diversas investigaciones concluyen en estudios ms detallados de los modificadores a las etiquetas lingsticas. As, algunas de stas corresponden a las desarrolladas por [Clements,1977], [Lakoff,1973], [Zadeh ,1972] y [Zadeh,1975], [Kerre,1989] y [Kerre,1991].
8 MEDIDAS DE PROXIMIDAD ENTRE CONJUNTOS BORROSOS.

Para los conjuntos borrosos, el concepto de igualdad (=) ha de ser cambiado por el de proximidad (). La obtencin de una medida de la proximidad entre dos conjuntos borrosos, A y B, juega un papel muy importante a la hora de tratar determinados problemas en los que es necesario llevar a cabo una evaluacin en la pertenencia de im elemento del universo de discurso a cada uno de estos conjuntos.
Pgina 35
En estos trminos, sea F(U) la clase de todos los conjuntos borrosos definidos en el universo de discurso U. Entonces, VA,BeF(U) se define una medida de proximidad entre A y B, a la cual denotamos como , a un mapa de F(U) x F(U) sobre el intervalo [0,1] de la siguiente forma: VA,BF(U), (A,B)e[0,l].
Una primera medida de proximidad sera la extensin del concepto de inclusin de conjuntos (c). As, dos conjuntos A y B son iguales; esto es A = B, si y slo si AcB y BeA, donde AeB se define en los trminos siguientes: si xeA, entonces XGB.
Sean dos conjuntos borrosos A y B. Entonces, el grado en el que A es igual a B, entendido como extensin de la inclusin de conjuntos, se denota como i(A,B), donde la expresin "si xeA, entonces xeB", que corresponde a AcB, se obtiene con el operador borroso implicacin (I) y, con ello,
GRADO(A
QB)
= inf l{ju^ (x), ^^

X
(x))
La eleccin de una determinada expresin del operador implicacin, por ejemplo la expresin de Lukasiewicz L (a,b) - min (1,1-a+b), permite expresar A = B en los trminos siguientes:
i(A,B)
min (GRADO (AcB), GRADO (BcA))

m i n (inf(L(//^ (X), UB (X))), inf(L(/^ (X), MS (^)))) ""
X X
inf min (min( 1,1 -//^(x) + JUB(X)), min( 1,1- //(x) +

X
Â(X)))=
inf min (1,1 -IJ.A{X) + /UB(X), 1 - JUB{X) + ÂX))

X
inf min (1 -JUA(X) + JUB(X), 1 - //(x) + //^(x))

X
inf (\-IJUAX) - JLIB{X)\)
Pgina 36
De manera grfica, si JUA y fiB son las fimciones de pertenencia de los conjuntos borrosos A y B :
La proximidad entre ambos en e XQ se calcula como sigue:
i(A,B)
=l-\nA{Xo)-m{Xo)\
que, aplicado sobre la figura anterior, resulta que i(A,B) = l - b = a + c
Otra medida de la proximidad entre dos conjuntos borrosos se basa, en vez de en la inclusin de conjuntos, en la interseccin de los conjuntos A y B . Esto es, la proximidad de los conjuntos borrosos se define con el concepto de elemento comn de uno y otro conjunto. Definamos as esta proximidad como
H(A,B)= sup min {JUA{X) , I^B {X))
Pgina 37
Aplicado sobre la figura anterior, el valor de proximidad obtenido es H(A,B) - c. Consideremos ahora la siguiente figura:
De la misma se pueden extraer dos valores de la proximidad entre A y B:
En el punto Xi el valor de proximidad dado por i(A,B) = d. En el punto X2 el valor de proximidad dado por WH(A,B) = e.
Se define tambin un concepto de proximidad basado en la idea de retcula o de ventana comn a los conjuntos borrosos [Wang, 1983]. De este modo, sea F(U) la clase de todos los conjuntos borrosos definidos en U. Entonces, V A , B E F ( U ) se define una medida de proximidad entre A y B, a la cual denotamos como L, a un mapa de F(U) x F(U) sobre el intervalo [0,1] tal que VA,BeF(U)
<L(A,B) = ( A . B ) [ 1 - ( A 0 B ) ] ,
donde
{AB)= {AQB)= W
ueU
(/uîu)^jus(u))
A {//^(M)V//S())
IIG/
y los smbolos A y v son, respectivamente, supremo (o mximo) e nfimo (o mnimo).
Pgina 38
Tambin existen medidas de proximidad basadas en el concepto de distancia [Wang,1983], [ZX He, 1983] y [XG He,1994]. Por ejemplo, basndose en la distancia de Minkowski, se define la familia de medidas de distancia siguientes:
-ii/
dM^B)-
-y]\MA(x)-MB(xt
donde s es un parmetro que, cuando toma el valor 1, 2 e 5, da lugar a las tres expresiones ms utilizadas como distancia entre dos conjuntos. Estas tres expresiones son las siguientes:
df,{A,B) = -Y}l^^{x)-^Bi4 dE{A,B)~p^\fiAx)-HB{4

de [A, B) = max\MA M - MB (^)l
De manera ms general, sea d(A,B) la medida de la distancia. Entonces, en la clase de conjuntos borrosos F(U) del universo de discurso U, la medida de proximidad basada en la distancia, denotada por D, es un mapa de F(U) x F(U) sobre el intervalo [0,1] tal que VA,BF(U) se define
D(A,B)=l-d(A,B)
Si consideramos que (AB) = O, entonces, se concluye que cuando s = co, i(A,B) = a

D(A,B).
L(A,B)
H(A,B)
y,
Pgina 39
Existen muchas otras definiciones para las medidas de proximidad, pudiendo servir de referencia la publicacin de [XG He, 1994].
9 EL CONTROLADOR BORROSO.
El diagrama de bloques que define a un sistema de control borroso puede definirse tal y como se da en la figura 2-2.
Entrada de las funciones de pertenencia Expresin en trminos borrosos Motor de Inferencia Borroso SISTEMA BORROSO
Salida de las funciones de pertenencia Eliminar trminos borrosos
+M
-z-'
Proceso Controlado
l-x2>
Ae
Figura 2-2. ESQUEMA DE UN CONTROLADOR BORROSO
El procedimiento operativo del controlador borroso comienza examinando las variables de entrada (e, Ae) en trminos borrosos, de modo al sistema que se ha de controlar se le entregue una seal de actuacin (u) propia del objetivo de control a conseguir.
La caracterstica principal de este sistema es que se permite ejecuta acciones de control sin conocer de una manera exacta el comportamiento dinmico del sistema.
El xito del mtodo se basa en el juicio que se haga de las seales de entrada e e Ae, donde e es el error, definido como e = y - r, mientras que Ae es la tasa de cambio de e.
La estructura bsica del controlador borroso se puede esquematizar en los trminos de la figura 2-3.
Pgina 40
Entrada real
Expresin en trminos BORROSOS
MOTOR DE INFERENCIA BORROSO
Eliminar los trminos BORROSOS
"
Salida real
Entrada de las funciones de pertenencia
Base de Reglas Borrosas
Salida de las funciones de pertenencia
Figura 2-3. SISTEMA BORROSO
La extraccin de la seal de control u, a partir del anlisis de las seales de entrada (e, Ae) conlleva la ejecucin de una transformacin desde
x = {e,Ae)eXc:R^
a la salida
AUGUCZR
Este proceso es conocido como "BORROSIFICACIN" o, en ingls, ^"FUZZYFiCATiOhf y en l, cada variable de entrada es clasificada en subconjuntos borrosos.
A modo de ejemplo, se puede considerar el conjunto borroso de error "E" dividido en siete subconjuntos {pi^\ tambin borrosos, que se definen con las etiquetas lingsticas siguientes: Negativo Grande (NG, ^/^\ Negativo Mediano (NM, JL-^^^^. Negativo
Pequeo (NP, Hi^^\ Cero (Z, /i/^-^), Positivo Pequeo iPP, pis^^^). Positivo Mediano (PM, jU6^^^) y Positivo Grande (PG, juj^^^). De manera general, cada subconjunto borroso puede construirse con fianciones de pertenencia que se puedan considerar trapezoidales,
Pgina 41
como se indica en la figura 2-4 en el rango dinmico [etnin,emax] que as define el mximo y el mnimo de la magnitud que representa a la seal e.
Figura 2-4. FUNCIONES DE PERTENENCIA DEL CONJUNTO BORROSO E Las funciones de pertenencia se definen, entonces, como sigue (definicin 2.1):
e<a.
/^
()
_
Ic-e
lc-l
li < e < a
e^lc
primer conjunto de pertenencia
e-a..
(^)/'^^y>rie)
,c-/6
a, <e<a. ab <e< a. e<a,-e>a. donde i - 2,..,6
M'\e)=i
6-<,
donde n = 7 1 e>a
nb
Pgina 42
En el ejemplo del error que se est considerando, el valor de n es igual a 7. A continuacin, se ha de definir el valor de certeza de la entrada a cada fincin de perteneca, aplicndose el mismo mtodo para la entrada que corresponde al conjunto borroso que corresponde a la tasa del error (AE) y al conjunto borroso de la seal de control (AU). La salida del sistema borroso (Au), que es la seal de control del proceso, puede extraerse a partir de las finciones de perteneca del conjunto borroso AU. Para este proceso se formulan reglas de control que contienen los conceptos de la implicacin borrosa, de manera que el formato general de estas reglas es el siguiente:
"IF ...and...THEN..."
En el ejemplo que se est siguiendo, una de estas reglas sera la siguiente:

IF (e es NP) and (Ae es PP) THEN (Au es Z)
En esta expresin, NP y PP son los respectivos subconjuntos borrosos de e, Ae; mientras que Z es el subconjunto borroso de Au. Aunque muchos trabajos se estn llevando a cabo, la definicin de las funciones de perteneca suelen ajustarse de manera experimental. En el ejemplo, de acuerdo a la ecuacin 2.1, las reglas borrosas se desarrollan con la siguiente tabla (figura 2.5).
NG 9.1.1.1.1.1 NG NG NG NM NM NP Z
NM NG NM NM NM NP Z PP
NP NG
z
NM ^ Z
PP NP NP Z PP PM PM PG
PM NP Z PP PM PM PM PG
PG Z PP PP PM PG PG PG
NM NP Z PP PM PG
p i ^ W/^
'wmm.
NP Z PP PP
'M
^W/
PP PM PM
Figura 2-5. REGLAS ''IF...THEN''
Pgina 43
En la tabla anterior se definen Ry reglas, i = 1.. .7, j = 1.. .7, de la manera siguiente:
Rii: R12: R,3:
IF IF IF
(eesNG) (eesNG) (eesNG)
and and and
(AeesNG) (Ae es NM) (Ae es Z)
THEN THEN THEN
(AuesNG) (AuesNG) (AuesNG)
R77:
IF
(eesPG)
and
(Ae es PG)
THEN
(AuesPG)
Expresndose este conjunto de reglas como

R = Rii U R 1 2 U R 1 3 U ... UR77
De esta manera se han obtenido 49 reglas individuales, cada una de las cuales es capaz de gobernar una salida borrosa de Au y, con ello, se permite una amplia variacin de cualquiera de estas reglas en el mismo instante de tiempo. Consideremos el siguiente ejemplo rMan,Tang,Kwong]. Supongamos que el valor del error (e) es certero cuando se toma el valor 0'7 en e conjunto NM y 0'3 en el conjunto NP, mientras que la tasa de error (Ae) al mismo tiempo lo es para el valor 0'5 del conjunto NP y 0'9 en Z. En estas condiciones, las reglas que se activan son las que aparecen sombreadas en la tabla correspondiente a la figura 2.5:
R23R24: R33: R34:
IF IF IF IF
(e es NM) (e es NM) (eesNP) (e es NP)
and and and and
(Ae es NP) (AeesZ) (AeesNP) (AeesZ)
THEN THEN THEN THEN
(AuesNM) (AuesNP) (AuesNM) (AuesNP)
Pgina 44
Esto puede ser obtenido directamente de los conjuntos de pertenencia (NM y NP), tal y como se define en la figura 2-6.
Figura 2-6. FUNCIONES DE PERTENENCIA DE LA SALIDA Para determinar el grado de certeza de los subconjuntos de salida para cada regla (R23, R24, R33, R34) se define un operador unin (inferencia mnima) como
/^ AKJB~"^^^\'*A"^B' 'Â'^R}
donde A y B son los subconjuntos borrosos. As, el operador de mnima inferencia aplicado a la regla R23 queda ilustrado en la figura 2-7.
//^^
0'7
NM
^m
^p
//^^
NM
Figura 2-7. MNIMA INFERENCIA EN LA REGLA R23.
Pgina 45
Siguiendo de la misma manera, puede obtenerse el grado de certeza de los subconjuntos borrosos de salida para cada una de las reglas R23, R24, R33, R34 tal y como se expresa en la tabla incluida en la figura 2-8.
Subconjuntos borrosos para el error
Subconjuntos borrosos de la variacin del error
MNIMA INFERENCIA
Subconjuntos borrosos de la salida
R23
NM NM NP NP
(0'7) (0'7) (0'3) (0'3)
NP Z NP Z
(0'5) (0,9) (0'5) (0,9)
min {0'7,0'5} min {0'7,0'9} min {0'3,0'5} min {0'3,0'9}
NM NP NM NP
(0.5) (0.7) (0.5) (0.3)
R24
R33
R34
Figura 2-8. EJEMPLO DEL OPERADOR PARA EXPRESAR LA MNIMA INFERENCIA Con lo expuesto queda claro que existe ms de un grado de certeza asignado a un subconjunto borroso de salida. En la tabla anterior (figura 2-8) se refleja en los subconjuntos NM (0'3,0'5) o NP (0'3,0'7). Para asegurar una decisin correcta, un proceso de iteracin (mxima composicin) puede aplicarse para la combinacin de NM y NP, quedando expresado para el ejemplo en la tabla de la figura 2-9.
R23
R24
R33
R34
MXIMA COMPOSICIN
Grado de Certeza 0'5 0'7
NM NP
0'5 0'7
0'3 0'3
max {0'5, 0'3} max{0'7,0'3}
Figura 2-9. MXIMA COMPOSICIN.
Pgina 46
Por ltimo se tiene que el grado de certeza de los subconjuntos de salida, NM y NP son O'5 y O'7 respectivamente. Entonces, el valor de la variable de salida AUQ puede ser calculando procediendo a la eliminacin de la caracterstica borrosa de los datos. Para ello, existen diferentes mtodos y la bibliografa es extensa (una buena recopilacin y desarrollo puede encontrarse en [Kruse,Gebhardt,Klawonn,1994]). En este trabajo de tesis se va a calcular el valor de la variable de salida Auo tal y como se ilustra en la figura 2-10. N M
/
,jim
'Au)
NP
CDG mmm
JiiiliilK
U(
Au
Ae Figura 2-10. ELIMINACIN DE LA CARACTERSTICA BORROSA APLICANDO EL CONCEPTO DE CENTRO DE GRAVEDAD
El valor de la variable de salida Auo corresponde al centroide, calculado como
AMf,
donde fj/^^ es la fincin de pertenencia del conjunto borroso de AU. El valor final de Auo ser usado para conducir a la entrada del sistema () segn la actuacin de control.
Pgina 47
Sin trabajo no hay descanso. Aquellos que slo quieren descansar cunto trabajan para conseguirlo! (Constancio Vigil)
Captulo 3. Introduccin a los Algoritmos Genticos
Pgina 48
Introduccin a los Algoritmos Genticos
1 INTRODUCCIN.
Este captulo de introduccin a los algoritmos genticos parte de la definicin del algoritmo gentico simple, expuesto por Holland, para definir la manera en la que funciona para encontrar una solucin a un problema de bsqueda. En este sentido, se justificar la robustez del algoritmo como paso previo al anlisis en el que se basa el algoritmo para llevar a cabo la bsqueda.
La segunda parte de este captulo se centra en la presentacin de las variaciones hechas sobre el algoritmo anterior, resultantes de los trabajos de investigacin desarrollados desde la aparicin del mismo hasta nuestros das. En este sentido, se plantea la diversidad de estructuras para representar a los individuos, los mecanismos de seleccin para definir la poblacin de trabajo, las variaciones sobre los operadores genticos, los distintos parmetros de finalizacin del algoritmo y cuales son sus resultados.
El tercer paso es presentar una nueva variacin: el algoritmo gentico hbrido; queriendo con este nombre dar paso a las aplicaciones que permiten implementar algoritmos genticos para resolver problemas de bsqueda donde existen experiencias previas que utilizan con xito alguna otra tcnica.
El captulo continua presentando los mecanismos existentes para controlar los parmetros que definen los operadores genticos; es decir, definir la presin selectiva, la cantidad de individuos implicados con el cruce y la intensidad del mismo, as como el alcance de la mutacin en la poblacin.
Por ltimo, se presentan dos metodologas de trabajo basadas, respectivamente, en la definicin de algoritmos genticos borrosos y en el sistema clasificador de Holland.
Pgina 49
2 ELALGORITMO GENTICO SIMPLE.

Holland present los Algoritmos Genticos como unos programas de ordenador que actuaban como procesos evolutivos en la naturaleza [Holland, 1975]. Estos programas manipulan una poblacin de soluciones potenciales a un problema de optimizacin; operando con una representacin codificada de cada una de ellas, de manera que resultan equivalentes al material gentico de cada individuo en la naturaleza.
Para representar los individuos se realiza una codificacin binaria. Al igual que en la naturaleza, el proceso de seleccin hace que las mejores soluciones persistan. A cada solucin se le asocia una medida de ierza o salud relativa al conjunto de la poblacin, que pretende decidir si una solucin es mejor o peor que las otras.
Cuanto mayor sea la unidad de fiaerza de un individuo, ms oportunidades tendr para sobrevivir y reproducirse; por tanto, dejar una impronta profinda en la generacin siguiente. Las cadenas seleccionadas se cruzan, lo que equivale a realizar una combinacin del material gentico de la poblacin predecesora. La mutacin causa alteraciones espordicas de las cadenas que permiten recuperar la informacin perdida en los procesos anteriores.
2.1
Desarrollo del Algoritmo Gentico Simple.
Se denomina Algoritmo Gentico Simple, en adelante AGS, al programa propuesto por Holland y se caracteriza porque el ciclo generacional se repite hasta que se alcanza el objetivo para su fin y la manera en la que se expresa puede representarse en los trminos siguientes de la figura 3-1.
Pgina 50
I N i a A R y EVALUAR LA POBLAaON
Se encontr una 1
^ ^ ^ ^ poblacin aceptable? ^^^^
FIN
REPLICAR INDIVIDUOS SELECCIONADOS
T OPERAaONES DE CRUCE Y MUTACIN
1r
EVALUAR NUEVOS DESCENDIENTES
^r
OBTENCIN DE LA NUEVA POBLACIN
Figura 3-1. DESARROLLO DE UN ALGORITMO GENTICO
El primer paso es obtener la poblacin inicial que represente al espacio de bsqueda y, para ello, se puede proceder a una generacin de manera aleatoria de la misma o, tambin, a una obtencin de esta poblacin inicial a partir del conocimiento disponible para resolver el problema. Cada miembro de la poblacin se evala, asignndole vma medida de su uerza en la solucin del problema. Una vez se han evaluado todos los miembros de la poblacin, se genera una nueva etapa. A continuacin se van a describir de manera ms detallada cada uno de estas etapas en las que se desglosa el algoritmo.
Pgina 51
Mecanismo de codificacin
La manera de codificacin depende de la naturaleza del problema. Por ejemplo, al resolver flujos ptimos en un problema de transporte, las variables (flujos en canales diferentes) asumen valores continuos, mientras que las variables del problema del viajante son cantidades binarias que representan un borde del circuito Hamiltoniano.
El mtodo clsico de la representacin de los individuos ha sido la codificacin binaria [Holland,1971, mdamentalmente debido a la simplicidad del tratamiento de las cadenas resultantes de esta representacin. [Hollstein,1971] desarrolla variaciones utilizando el cdigo Gray para llevar a cabo representaciones binarias para resolver problemas de optimizacin de una funcin con dos variables.
Una variacin al mtodo es la transformacin de nmeros reales a nmeros enteros [Srinivas y Patnaik, 1994]. De este modo, el intervalo de definicin de la variable se hace lineal, se define un entero asociado a cada punto y se hace el nmero binario respectivo.
Ejemplo:
el intervalo [1 '28, 1 '28] si se multiplica por 100 cada nmero, se convierte en el intervalo [-128, 128]. El cdigo binario se genera fcilmente.
Las tcnicas ms actuales emplean representacin real como mecanismo de manipulacin directa de los cromosomas[Michalewicz,1991].
Funcin de ierza.
La fincin objetivo provee el mecanismo para evaluar cada cadena. No obstante, el rango de valores depende de cada problema. Para mantener la uniformidad sobre varios dominios de problemas se utiliza la funcin de salud o fuerza, as se normaliza la funcin objetivo en el rango de valores [0,1]. El valor normalizado de la funcin
Pgina 52
objetivo es la medida de la salud de la cadena. Esta medida se utiliza en el proceso de seleccin para evaluar los individuos de la poblacin.
Seleccin.
Con las dos fases anteriores, la poblacin actual sufre un proceso de seleccin a fin de producir una rplica de los individuos ms fuertes en la poblacin hija y que depender de la medida de la fuerza de cada individuo.
El proceso de seleccin natural, se basa en que los individuos ms fuertes sobreviven. En el AGS una cadena, individuo, con una salud alta consigue un alto nmero de descendientes y, por tanto, tiene mayor probabilidad de supervivir en la siguiente generacin. El mtodo clsico emplea un esquema de seleccin
proporcional, ms bien conocido como mtodo de la ruleta, que puede encontrarse bien descrito en [Goldberg,1989] y [Fogel,1996].
En el esquema de seleccin proporcional, un individuo con una saluda, consigue estadsticamente un total def I f descendientes, siendo / la medida de salud de toda la poblacin. Cuando un individuo tiene una fuerza mayor que la media consigue ms de un descendiente. Cuando la medida de salud es menor de la media, no se consiguen descendientes.
Adems, el esquema de seleccin proporcional permite asignar fracciones de descendientes de un individuo. El mtodo de reparto incluye un proceso aleatorio para quitar repartos metdicos partidarios de un conjunto de individuos particulares. La tcnica de reparto, controla la extensin para la cual el aporte actual de descendientes se corresponda con el valor deseado/ / / . El AGS utiliza el esquema de seleccin del mtodo de la ruleta para ejecutar la seleccin proporcional. Cada individuo se corresponde con un sector de la ruleta, con lo que el ngulo correspondiente al sector definido para un individuo &s2nf / / . Un individuo
Pgina 53
consigue un descendiente cuando al sacar un nmero aleatorio entre O y 2%, corresponde con el sector angular definido para el individuo. El proceso se repite hasta que se haya generado la poblacin completa de la siguiente generacin.
El mtodo de la ruleta se est usando para hacer un muestreo en la poblacin, pudiendo generar errores de parentesco que hagan que el nmero de descendientes de un individuo pueda ser diferente del valor esperado. Este error es tanto menor cuanto mayor sea el tamao de la poblacin [Goldberg,1989].
Aunque el mtodo de la ruleta es que aparece en la definicin del algoritmos gentico simple, existen mtodos con mejores resultados, como el mtodo de seleccin por torneo, que sern detallados a lo largo de este captulo.
En estas condiciones, las estructuras elegidas sern alteradas al aplicarles los operadores genticos: cruzamiento y mutacin.
Cruzamiento (figura 3-2).
Es el operador primario que se ejecuta finalizada la seleccin para combinar las caractersticas de dos estructuras paternas para formar un descendiente:
ai a2 a3 34 as
cruzamiento bi bi bs b4 bs
ai a2 bs b4 bs
bi b2 as 34 as
Figura 3-2. ESQUEMA DEL CRUCE ENTRE ENDIVroUOS
El AGS utiliza el cruce por un punto de la cadena. Si /, es la longitud de la cadena que representa a un individuo, se elige un nmero aleatorio para hacer el cruce entre
Pgina 54
/ y / - 1 . Las partes de las dos cadenas a intercambiar se parten por este punto para generar dos nuevas cadenas.
No todas las cadenas se cruzan, para ello se define la probabilidad de cruce Pe.
Mutacin.
La generacin de la poblacin nueva, llevada a cabo por el operador de cruzamiento, tiene slo la informacin presente durante el proceso de seleccin. De este modo, si se hubiera perdido alguna informacin durante este proceso, no se recuperara con el cruzamiento.
Para corregir esta situacin, se define este operador mutacin que altera la informacin de algn componente de la estructura seleccionada para introducir nueva informacin en la poblacin. Este operador se justifica en la medida en que se concibe para asegurar estadsticamente que todos los puntos del espacio de bsqueda puedan alcanzarse.
En este algoritmo, las alteraciones de las que estamos hablando sobre el individuo consisten en el cambio de ceros por unos (o viceversa) en la cadena que lo representa. Entonces, de la misma manera que la tasa de cruce. Pe, controla la
probabilidad de cruce, se define un valor de tasa de mutacin, Pm, para definir la probabilidad de alterar un bit. Cuando un bit se altera no se ve afectada la probabilidad de mutar otro bit.
El AGS trata la mutacin como un operador secundario que trata de restaurar material gentico en procesos anteriores.
Pgina 55
Insercin.
La poblacin de descendientes se evala y se inserta en el proceso, reemplazando los miembros anteriores. Es decir, se produce un reemplazamiento generacional completo; si bien se evala a cada individuo antes de incorporarlo con el objetivo de medir si el objetivo ha sido cumplido.
2.2
Robustez del algoritmo gentico.
La potencia del A.G. no est en relacin con las pruebas de estructuras individuales, si no en la capacidad de explorar, de una manera eficiente, con la informacin de un gran nmero de esquemas o patrones de estructuras distribuidas en el espacio de bsqueda; con lo que se garantiza que el proceso de bsqueda no se estanca en un ptimo local.
Si comparamos el algoritmo gentico con las tcnicas tradicionales de bsqueda, podemos encontrar las caractersticas que justifican la universalidad y la robustez de los algoritmos genticos. Estas diferencias fixndamentales son las siguientes: uso de informacin codificada, bsqueda a partir de una poblacin, blindaje de la informacin auxiliar y uso de reglas de transicin probabilsticas.
Los algoritmos genticos manipulan una codificacin de los parmetros, pero no stos en s mismos. Los parmetros de la fincin de optimizacin se codifican, usualmente, mediante cadenas de bits de longitud finita.
Los algoritmos genticos buscan a partir de una poblacin de puntos del espacio de bsqueda y no a partir de un nico punto, que es lo ms normal en otros mtodos de optimizacin. Esto contribuye a la robustez del algoritmo gentico y a una fcil concepcin de algoritmos genticos paralelos.
Pgina 56
Los algoritmos genticos son blindados. La nica informacin que toman del entorno es el valor de la incin objetivo del conjunto de parmetros (salud de la cadena). No se utilizan derivaciones ni se emplea informacin especfica del problema. Esta propiedad es la que hace del algoritmo gentico que sea genrico y robusto.
Los algoritmos genticos utilizan operadores genticos como reglas de transicin probabilstica y no como reglas de transicin determinista. Utilizan mecanismos de eleccin aleatoria como herramienta de bsqueda de mejores regiones del espacio.
2.3
Funcionamiento del algoritmo gentico.
Estudiado el mecanismo de actuacin del AGS, los resultados del funcionamiento del mismo quedan justificados, siguiendo el trabajo de [Goldberg,1989], en los siguientes trminos.
a) Similitud: definicin de esquemas o patrones.
Un esquema o patrn permite definir caracteristicas comunes referentes a ciertas posiciones.
En una representacin de cinco bits, el patrn A (**100), representa a todas las cadenas de bits que tengan un O en las tres posiciones ltimas. Est claro que el patrn B (****o) incluye al esquema patrn A. Sin embargo, el patrn A es mucho ms representativo de las caractersticas particulares de los individuos de la poblacin que el patrn B, mucho ms genrico. Con objeto de cuantificar esta caracterizacin de la poblacin mediante patrones, se definen dos magnitudes: orden y longitud de definicin del patrn.
Pgina 57
El nmero de posiciones fijas de un esquema es el orden del mismo. As, por ejemplo, el orden del esquema 1*11*1*0 es 5, mientras que el orden del patrn ***1*0 es2.
La longitud de definicin de un esquema es la distancia entre la primera posicin fija y la ltima en el mismo. Por ejemplo, la longitud de definicin del patrn **000 es 2, pues la ltima posicin fijas es la 5 y la primera es la 3 (5-3 = 2); de igual modo, la longitud de definicin del patrn 011*1** es 4, pues la ltima posicin fija es la 5 y la primera la 1 (5-1=4).
De esta forma, una cadena permite ser representada por 2'patrones, siendo /, la longitud de la cadena. Dado que un patrn representa a un subconjunto de cadenas, se le puede asociar una medida de fierza al mismo, as, se entiende la medida de fiaerza o salud media del esquema. En una poblacin determinada, este valor lo define el nmero de ejemplares que puedan ser identificados con dicho patrn. Con este concepto, la salud media de un esquema variar de una generacin a la siguiente.
b) Combate entre Esquemas.
Consideremos un esquema con k posiciones fijas; entonces habr otros 2^-1 patrones con las mismas posiciones fijas, que corresponden a todas las perturbaciones de ceros y unos de las posiciones fijas. De esta manera, para k posiciones fijas se pueden definir 2 patrones distintos. Cada uno de estos conjuntos de k posiciones fijas generan un torneo entre patrones, una supervivencia entre los 2 patrones. Dado que hay 2' posibles combinaciones de posiciones fijas, hay 2 esquemas que pueden competir. El AG, de manera simultnea aunque no independiente, trata de resolver el torneo entre los 2' patrones y localiza el mejor esquema que representa cada conjunto de posiciones fijas.
Se puede ver la bsqueda de la cadena ptima del AG como un torneo simultneo entre patrones para incrementar el nmero de individuos en la poblacin. Si
Pgina 58
describimos la cadena ptima como la yuxtaposicin de patrones con longitud de definicin corta y valores de salud media alta, entonces los ganadores de torneo de patrones individuales pueden formar, potencialmente, la cadena ptima. Estos patrones, que tienen una alta salud y una longitud pequea, se denominan bloques constructivos. La hiptesis de los bloques constructivos conduce a que cadenas con un gran valor de salud se pueden localizar a base de utilizar bloques constructivos.
c) Bloques constructivos.
Los operadores genticos, cruce y mutacin, generan, promueven y yuxtaponen bloques constructivos para formar cadenas ptimas. El cruce tiende a conservar la informacin gentica que existe en las cadenas que van a ser cruzadas. Cuando las cadenas a cruzar son similares, se disminuye la capacidad de generar nuevos bloques constructivos.
La mutacin es un operador no conservador y puede generar, de manera radical, nuevos bloques constructivos.
El proceso de seleccin favorece a los bloques constructivos con mayores valores de fierza y asegura que incrementan su representacin de generacin en generacin.
La hiptesis de los bloques constructivos, asume que la joixtaposicin de buenos bloques consigue buenos individuos. Esto, no siempre es cierto. Dependiendo de la naturaleza de la funcin objetivo, se pueden generar individuos peores al combinar buenos bloques constructivos. Estas son las funciones engaosas ("GA deceptive functions").
d) Teorema de los patrones o teorema del esquema.
Cuando se consideran los efectos de la seleccin, el cruce y la mutacin en un grado tal que los individuos que corresponden a un esquema se incrementan de generacin
Pgina 59
en generacin, se observa que la seleccin proporcional incrementa o decrementa este nmero en relacin a la salud media de este patrn. Un esquema con un alto nivel de salud crece exponencialmente para ganar su relevancia en el torneo entre esquemas.
Sin embargo, un elevado valor de la salud no es suficiente para un alto grado de crecimiento. Adems, el esquema debe tener una longitud de definicin pequea. Dado que el cruce es un proceso de destruccin, cuando la longitud de definicin es grande se tiene mayor probabilidad de cruzar por un punto entre posiciones fijas y destruir, de este modo, la instancia de este esquema (se pierde la capacidad de procreacin del esquema).
No se va a dar un desarrollo matemtico de este teorema; aunque la bibliografa es extensa en este sentido y pueden seguirse en [Goldberg,1989], [Geyer-Schluz,1997] y[Radcliffe,1994].
La base del teorema del esquema, es que los patrones con longitud de definicin pequea y un valor de salud elevado crecen exponencialmente con el tiempo.
La ecuacin propuesta por Holland es:
N(A +l) > N(;z, O
f{t)
' ^-Pc-~
-PmO(h)
donde: f(h^ t), es el valor de salud media del esquema h en la generacin t. f (), el valor medio de la salud de la poblacin en la generacin t. Pe, Pmj probabilidades de cruce y de mutacin, respectivamente. S(h), longitud de definicin de un esquema h. o (h), orden del esquema h. N (A, f), nmero de individuos representados con el esquema h en la generacin t.
Pgina 60
/, nmero de posiciones de la cadena; es decir, longitud de la cadena.
5 (h) El factor Pe da la probabilidad de romper un individuo del esquema h por causa del cruce.
El factor Pm o(h) de la probabilidad de romper un individuo por culpa de la mutacin.
El AG muestra bloques constructivos a gran velocidad. En los trminos descritos en [Goldberg,1989], para una poblacin de P individuos, codificados en cadenas de longitud /, el nmero de esquemas a considerar est entre 2' y P-2'. No todos estos esquemas son procesados con una alta probabilidad porque la operacin de cruce es destructiva para aquellos esquemas que tienen una longitud de definicin alta. Holland define el concepto de paralelismo implcito de los algoritmos genticos como la estimacin del nmero de esquemas que son efectivos en el procesamiento; de manera que en un ciclo generacional se procesan slo P individuos, siendo P el tamao de la poblacin, si bien se hacen P^ operaciones implcitas.
3 VARIACIONES DE LOS ALGORITMOS GENTICOS.
El objetivo de este apartado es dar una visin general de las tendencias adaptativas que podramos definir como el conocimiento actual de los algoritmos genticos, aunque existen publicaciones que entran mucho ms en detalle de lo que se va a describir; por ejemplo, existen conferencias bienales que recogen los resultados en documentos.
Algunas de estas publicaciones de referencia son:
Pgina 61
Para tener un buen punto de comienzo: [Grefensttete,1985], [Grefensttete,1987], [Goldberg,1989], [Schaffer,1989], [Belew y Booker, 1991], [Forrest, 1993] y [Eshelman,1995].
Conferencias sobre la resolucin de problemas paralelos a partir de la naturaleza: [Schwefel y Mnner,1991], [Manner y Manderick,1992], [Davidor y
Schwefel,1994].
Formalismos sobre los fixndamentos de los algoritmos genticos: [Rawlins,1991], [Whitley,1993], [Whitley y Vose,1995].
Aplicaciones de los A.G. y combinaciones de A.G. con redes neuronales: [Albrecht,1993], [Pearson,1995].
Introduccin a los problemas de optimizacin sujetos a restricciones y problemas de optimizacin combinatorios: [Michalewicz,1992], [Gen y Cheng,1997], [Man, Tang yKwong, 1999].
Estado del arte de la programacin evolutiva: [Michalewicz,1994] y [Fogel,1995].
Aplicaciones de algoritmos genticos como herramientas de diseo de sistemas borrosos: [Cordn, Herreram Magdalena y Hofftnan, 2001]
En cuanto a dominios pblicos de informacin y dada la popularidad de INTERNET, la direccin http://www.aic.nrl.naw.mil/galist es la ms representativa en cuanto a algoritmos genticos se refiere; encontrndose en ella convocatorias, cdigo fuente, informacin general y enlace a los grupos de investigacin en computacin evolutiva, o ms conocidos como grupos EC.
No se van a describir aquellos tratamientos que intentan mejorar la velocidad de proceso de los algoritmos genticos. Esto es as porque estas variaciones sobre los algoritmos
Pgina 62
genticos pertenecen a los problemas de paralelismo de datos para los cuales es aplicable la ley de Gustafon-Barsis. La ley de Gustafon-Barsis para la velocidad, S, de los problemas de paralelismo de datos se define como
S=p-P(p-1)
donde 3 es la raccin de programa que es serie "de forma inherente" y p define el nmero de procesadores. Cuando fi es muy pequea, la velocidad es casi proporcional al nmero de procesadores. Esto implica que, para las variantes de los A.G. que desean un consumo pequeo de clculo, puede utilizarse procesamiento paralelo o distribuido.
En [Davis, 1991] se puede encontrar una cita en la cual se dice que los algoritmos genticos no son sistemas sencillos; por contra, son complicados y no lineales, y su comportamiento es difcil de formalizar y predecir. Por tanto, podra no ser fcil construir nuevos algoritmos genticos y, ms an, comparar la ejecucin de variantes slo a partir de fijnciones de prueba o de ejecuciones simuladas.
Las principales variantes de los algoritmos genticos han surgido a partir de los trabajos de [Holland,1975]. As, se tienen los que habilitan un contexto para caracterizar planes para la adaptacin como los sugeridos por [Koza,1992]. Es importante sealar que los cambios en partes de los algoritmos genticos podrian requerir cambios en otras partes; por ejemplo, la eleccin de una cierta representacin de estructuras sujetas a la adaptacin (sean as los vectores de nmeros reales) necesitan un cierto conjunto de operadores genticos (demasiados operadores de mutacin).
As pues, comencemos la descripcin de las variantes de los algoritmos genticos, empezando por las estructuras a adaptar.
Pgina 63
3.1
Estructuras objeto de la adaptacin.
Los A.G. manipulan representaciones codificadas de las soluciones de un problema. La bsqueda de esquemas aceptables para la codificacin de ciertos problemas es la clave en la investigacin sobre los A.G. La importancia del problema de la representacin queda patente, porque la eleccin de un cierto esquema de representacin puede limitar lo que el sistema es capaz de observar en su entorno y, adems, tal eleccin influye en las decisiones de diseo para el resto de los componentes del sistema. Ms an, la interdependencia de la representacin y la ejecucin es un territorio inexplorado. Por ejemplo, al utilizar representaciones de cadenas de longitud fija, empleando un alfabeto binario, podemos utilizar una traslacin genrica (como la del ejemplo) o emplear el cdigo Gray; sin embargo, no se sabe si los resultados de esta codificacin son mejores o peores que los de cualquier otra codificacin.
> Representaciones de longitud fija. Con representaciones de longitud fija se han aplicado algoritmos genticos que han resuelto muchos problemas. Adems, el desarrollo de un ncleo terico se ha obtenido merced a la traza matemtica que se consigue con este esquema de representacin.
La principal objecin a este tipo de representacin es la escasez de variaciones dinmicas. En los estudios de [Koza,1992], se indica que la seleccin inicial de la longitud de una cadena es una limitacin para el nmero de estados internos al sistema y, como consecuencia, se limita la capacidad de aprendizaje del mismo.
Aparte de esta consideracin, se han llevado a cabo varias representaciones de cadenas de longitud fija. Resumamos las principales:
Pgina 64
La representacin binaria es la ms universal.
[Davis,1991] y [Mhlenbein,1991] utilizaron alfabetos de alta cardinalidad para codificaciones de nmeros reales.
Se han desarrollado esquemas ms complejos de representacin para reas de aplicacin de un dominio especfico. As, se tienen problemas de optimizacin combinatorios como el problema del viajante en [Mhlenbein,1989] y [Wliitley,1991], planificacin de tareas en [Syswerda,1991] y [Whitley,1989], coloracin grfica en [Davis,1991], problemas para definir circuitos VLSI en [Fourman,1985], robtica en [Davidor, 1991].
Las representaciones basadas en el orden consisten en representar un cromosoma como una permutacin de elementos (nodos, ciudades, tareas) y se requiere un conjunto de operadores genticos orientados a esta tarea.
[Goldberg,1989] y [Davis,1991] han hecho sus investigaciones en este tipo de representaciones. En todos estos casos, el operador de cruce se modifica para que las soluciones que produzcan sean factibles o, si no lo son, puedan ser reparadas o compensadas por la aplicacin.
El lenguaje de difisin de [Holland,1975] y los sistemas de clasificacin, tanto los originales de [Holland y Reitman,1978] o los mejorados por [Holland,1987], codifican las reglas de produccin con cadenas binarias de longitud fija; incluyendo un mecanismo de valoracin en las aplicaciones de estas reglas sobre un determinado proceso [Koza,1992].
La arquitectura de estos sistemas mezclan la potencia de las reglas condicin conclusin de los sistemas expertos con una asignacin de pago de estilo conexionista y la bsqueda eficiente de los algoritmos genticos.
Pgina 65
> Representaciones de longitud variable.
Este tipo de representaciones se basan en la idea de codificar palabras de lenguajes formales arbitrarios en los cromosomas a fin de ampliar la maquinaria gentica.
Los ejemplos ms importantes son los algoritmos genticos "desordenados" de [Goldberg,1989] que procesan cadenas de caracteres de longitud variable. El uso de una codificacin independiente de la posicin permite manejar apreciaciones cuantitativas de la especificacin de cada cadena.
As, se puede tener una sobre especificacin cuando se manipula la precedencia por posicin en la cadena a consecuencia de tener ms de una versin de un gen en la misma.
El caso contrario a la sobre especificacin consiste en perder genes de la cadena. Este problema es difcil de tratar. As, [Goldberg,1989] sugiere el uso de competiciones o torneos guiados a fin de rellenar la informacin perdida. Esta gua concluir en una cadena que es un ptimo local y que puede buscarse por mtodos tradicionales como el de la escalada.
> ADN sin informacin.
En las molculas de ADN se ha descubierto la existencia de largas cadenas nucletidas sin funcionalidad y que no codifican ninguna protena. Estas zonas del cromosoma que no gozan de fimcionalidad en el cromosoma se denominan intrones, mientras que las zonas que pueden entenderse como protenas se denominan exones. Se ignora la causa de la existencia de aquellas zonas en el proceso evolutivo. Adems, durante el proceso de obtencin de las protenas, los intrones se eliminan y, sin embargo, no han desaparecido en la naturaleza.
Pgina 66
[Levenik,1991] realiz un experimento computacional encaminado a dar luz al papel que desempean los intrones en la evolucin natural. As, su existencia permite hacer ms efectivo el cruce, pues incrementan el nmero de puntos de cruce para preservar a los genes. El desarrollo experimental de Levenik sobre el uso de los intrones se llev a cabo una codificacin binaria e increment el rendimiento del algoritmo gentico en un factor de 10.
De manera general, aunque el papel de los intrones no quede claro en la evolucin natural, es conveniente que, sea cual sea el algoritmo de codificacin empleado, se dejen algunas zonas no fiancionales (intrones) entre aquellos bloques constructivos que deban ser protegidos. No obstante, el campo de investigacin no ha aportado ms ejemplos sobre la mejora del rendimiento de los A.G.
3.2
La estructura inicial.
Los mecanismos ms comunes a la hora de obtener la primera estructura de la poblacin sobre la que va a operar el algoritmo gentico son los siguientes:
> Muestreo aleatorio y uniforme, donde los individuos de la primera poblacin, en la mayora de los algoritmos genticos, se generan de manera aleatoria, con la aplicacin de un muestreo uniforme de la poblacin.
> Muestreo aleatorio y no uniforme, que es de aplicacin para algunos tipos de codificacin, por ejemplo lenguajes de libre contexto; siendo laboriosa la definicin de individuos con este mecanismo.
> Muestreo aleatorio con conocimiento, pues, en determinadas aplicaciones "prcticas" se puede obtener la poblacin inicial a partir de soluciones conocidas.
Esta opcin, combinada con el elitismo, garantiza que el A.G. no funcionar peor que otro mtodo usado en la resolucin del problema. As, el modelo elitista
Pgina 67
establece mecanismos para preservar a los mejores individuos encontrados en cada generacin; sirviendo de referencia [De Jong,1975].
Este proceso, sin embargo, ha de hacerse con ciertas limitaciones porque, si partimos de una poblacin con una valor de salud de algunos individuos muy superior a la media, se puede caer en una convergencia prematura, tal y como se deriva del teorema del esquema. Frente a este problema, lo que se puede hacer es esperar unas cuantas generaciones hasta que se tenga un cierto valor umbral. Entonces lo que tenemos es un proceso de seleccin estratificado o por rangos.
> Inicio por enumeracin parcial.
[Goldberg,1989] sugiere este mtodo como alternativa al muestreo aleatorio. La aplicacin de este mtodo permite tener, para todo esquema posible de una determinada longitud, al menos un representante que se incluya en la poblacin inicial, de forma que durante una primera etapa de ejecucin se consigue reducir, de manera considerable, el tamao de la poblacin inicial. As pues, la idea fundamental de este mtodo es asegurar que en la poblacin inicial estn todos los esquemas necesarios para obtener la solucin.
3.3
Valor de la salud de un individuo.
El valor de la salud de un individuo suele entenderse como una medida explcita de la funcin objetivo, de manera que, para cada individuo, se asigna un valor de salud escalar conforme a un procedimiento de evaluacin explcito y que, dems, est bien definido.
La obtencin de un valor de salud como una medida implcita suele darse para algunas aplicaciones de dominio especfico. Por ejemplo, [Axelrod,1987] determin la salud de una estrategia de juego dependiendo de las estrategias adoptadas por el resto de los
Pgina 68
jugadores. Este tipo de funciones se denominan funciones de salud dependientes del estado y son tpicas de las economas de mercado. o En los estudios de [Koza,1992] se realiza la siguiente conclusin: es implcito a la investigacin de la vida artificial el encontrar alguna nocin evolutiva (un individuo existe, sobrevive y se reproduce) de la salud.
Los problemas que plantean objetivos mltiples se solucionan utilizando funciones de salud en las que los objetivos se sopesan adecuadamente. Los experimentos de [Grefensttete y Fitzpatrick,1985] sobre funciones de ruido, en los que se puede elegir entre una evaluacin aproximada (pero rpida) y una evolucin lenta (pero precisa), indican que se deberan hacer tantas funciones de aproximacin para la evaluacin como sean posibles y que los cromosomas de cada individuo no requieren una evaluacin exacta. Esta conclusin es muy til para las tcnicas de Montecarlo.
A continuacin se describen algunos mtodos de medida de la salud.
> Valor de la salud universal, que es igual al valor de la funcin objetivo aplicada a un individuo de la poblacin. Dependiendo de la naturaleza del problema, puede ocurrir que un valor "mejor" de la salud de un individuo sea un valor ms pequeo de la funcin objetivo, en cuyo caso tendremos un problema de minimizacin. Por contra, si un valor "mejor" es un valor ms grande de la funcin objetivo, el problema ser maximizar.
Para los apartados siguientes, se utiliza la notacin/para hacer referencia al valor universal de la salud. > Valor de la salud tpico o estndar.
El valor de la salud tpico [Koza,1992] de un individuo h, que se denota c o m o / , asegura que un valor ms pequeo de la funcin objetivo es siempre el mejor valor.
Pgina 69
Se debe tratar este valor para aquellos problemas en los que se deba maximizar:
'
f(b, t) \r^- f{b,t)
para minimizar para maximizar
En esta expresin rj es el lmite superior de la fimcin objetivo y, por conveniencia, el mejor valor de la salud de una poblacin B en la generacin t es 0.
> Valor ajustado de la salud.
[Koza,1992] define el valor ajustado de la salud,/,, como la medida de la salud que se define para un rango de valores entre O y 1, dando valores ms altos a los mejores individuos. Tiene la propiedad de diferenciar entre individuos buenos y muy buenos.
La expresin de esta incin de salud viene dada por
fa(b,,t) =
i + /,(,,0
> Valor normalizado de la salud.
En [Koza,1992] se define que el valor normalizado de la salud,/,, toma valores en el rango O ... 1, asignando a los mejores individuos los mejores valores de salud. Adems, la suma de los valores normalizados de la salud en una poblacin es 1.
fnib,t)
Se pueden encontrar varias transformaciones de escala [Davis,1991]: lineal, segn un exponente, logartmica, etc.
Pgina 70
> Escala lineal.
Tal y como propone [Goldberg,1989], realizar una escala de valores de la fuerza hace que se reajuste el valor asociado a cada individuo. Cuando se hace un reajuste lineal, el valor de la fuerza es:
fib,,t) = a-Ub,,t) + p
donde: / e s el valor de salud;/ es el valor escalado; a, p, constantes elegidas que se calculan en cada generacin para asegurar que el valor mximo de la salud es un nmero pequeo (entre l'S y 2 veces el valor de la salud media de la poblacin).
De este modo, el nmero de descendientes correspondientes a cada individuo ser r s 2. A veces ocurre, que el valor escalado de la fuerza es negativo cuando el valor de la fuerza de un individuo es menor que el valor medio de la poblacin. En estos casos hay que volver a calcular los valores de a y p.
> Escala dinmica.
El A.G. encuentra rpidamente un conjunto de individuos para los que el valor de la funcin objetivo caen dentro de un rango reducido. Si se aplica una funcin de escala, pero independiente del tiempo, los valores de la salud tambin entrarn dentro de un rango reducido y, como consecuencia, decrece la presin del proceso de seleccin. Existen muchas variantes de esta tcnica, de las cuales citamos las siguientes:
[Grefensttete,1986] aplic la siguiente familia de funciones:
fbnt)-f:ib>,t)-minf'bt)
w
Pgina 71
siendo el valor de escala W el conjunto de individuos que estn dentro de las ltimas 1, 2, 3, 4, 5, 6 generaciones.
[Goldberg,1989] present un algoritmo gentico para un procedimiento dinmico de escala lineal en el que los coeficientes se seleccionaban de manera que el valor de salud medio con escala y el universal eran iguales y el mximo valor de la salud con escala es un mltiplo de la salud media.
Una variacin del mtodo anterior, tambin formulado por [Goldberg,1989], es la salud truncada sigma. Con este mtodo, un mltiplo razonable de desviaciones tpicas de la salud de la poblacin se deduce de los valores de salud de cada individuo. Adems, todos los valores de salud negativos se igualan a cero antes de aplicar el mecanismo de escala lineal. Es decir, se eliminan estas posibles fuentes del problema. El proceso de buscar por la desviacin tpica hace esta labor, pues considera el valor medio de la poblacin y la desviacin tpica.
Entonces, el valor de la fuerza es:
f,(b^,t)=fXb,,t)-
fXB,t)-ca
donde: / es el valor medio de la salud de la poblacin; a es la desviacin tpica de los valores de salud de la poblacin y c es una constante que, tpicamente, toma valores entre 1 y 3.
As, los individuos cuya salud sea menor de c desviaciones tpicas, respecto a la media, se descartan. Esta aproximacin asegura que la mayor parte de los individuos se considerarn en el proceso de seleccin y slo unos pocos se desprecian.
Pgina 72
> Escala no lineal.
[Michalewicz,1992] desarrolla una expresin en funcin de un exponente que se aconseja prximo a uno (1 '005 por ejemplo):
fp,sib,,t)=f:(b,,tY
Con la variacin dinmica de k, de un valor pequeo a uno grande a medida que la poblacin envejezca, se construye un mecanismo de escala que depende de la var(/5 ) relacin de la varianza de la poblacin, Sp = r - ^ , y de la edad de la poblacin
A
(nmero de generaciones), t. A fin de reducir el nmero de clculos, se calcula Spt slo para la poblacin inicial {spo ) .
r... *A p\
sp
^\"
Sn J
tan"']
\ Sn J
r+1 2
En esta expresin el autor determina, de manera experimental, los siguientes parmetros: sp* - O'l; jt?; - 0'05 determina la influencia de spa en A;; _p = O'l y = a=0' 1 determinan la velocidad del cambio en k. Tes el nmero de generaciones.
La conclusin que se extrae del trabajo de [Miclialewicz,1992] es la mejora del rendimiento del A.G. si se compara con el A.G. Simple.
>
Sobreseleccin.
Los problemas complejos necesitan tener poblaciones muy grandes; pero, entonces, los recursos de los ordenadores pueden llegar a quedar cortos. [Koza,1992] sugiere
Pgina 73
que, en estos casos, se emplee alguna heurstica que cambie la probabilidad de seleccin conforme a las, entre 20 u 80, reglas de los mejores individuos en la poblacin.
3.4
Operadores Genticos.
Este apartado est dedicado a describir las modificaciones que se han ido introduciendo en los operadores genticos a fin de mejorar el rendimiento del A.G.S.
3.4.1
El operador reproduccin.
La fase de reproduccin puede modelarse con dos algoritmos diferentes: un algoritmo de seleccin y un algoritmo de muestreo.
El algoritmo de seleccin asigna a cada individuo un nmero esperado de descendientes, conforme a una tasa de muestreo TS. El algoritmo de muestreo produce, conforme a la tasa de seleccin, las copias de los individuos que formarn la siguiente generacin.
> Seleccin proporcional.
La seleccin proporcional es el mecanismo ms universal, descrito ampliamente por [Goldberg,1989], de manera que se define la tasa de seleccin como la salud del individuo respecto a la salud media de la poblacin:
TS, . X M
/,
Pgina 74
En las generaciones de un individuo del AG la poblacin, tpicamente, presenta un valor de salud media baja. La presencia de individuos con un alto valor de salud relativo grande causa que el mecanismo de seleccin proporcional d un gran nmero de descendientes a estos "superindividuos" y se esparzan por la poblacin, causando una convergencia prematura. Un problema diferente se plantea en etapas posteriores, cuando la poblacin ha convergido y las variaciones en la fuerza de los individuos es casi invariable. En este caso, el mtodo de seleccin proporcional reparte, aproximadamente igual, el nmero de descendientes a todos los individuos, de ese modo se reduce la fuerza motora que proporciona mejores cadenas. Si adems de una seleccin proporcional se emplea una medida de salud constante, se pierde por completo la capacidad de seleccin.
> Seleccin lineal por categoras.
La seleccin lineal por categoras es una alternativa presentada por [Grefensttete y Baker, 1989]. Este proceso de seleccin utiliza una categora basada en valores de salud para distribuir a los descendientes. Los valores de salud corregidos varan de manera lineal con la categora del individuo. El valor de la salud absoluta del individuo no controla el nmero de sus descendientes. Para asociar cada individuo a una sola categora, se clasifica a los individuos de acuerdo al valor de su fuerza, introduciendo el retroceso del clculo adicional del AG.
La expresin matemtica de este mecanismo de seleccin es la siguiente:
N categoria\b,t) \
donde la categora (biJ) es el ndice del individuo bi cuando la poblacin Bt se clasifica en orden creciente de salud/- Omax y ctmin son las tasas de muestreo para el individuo mejor y el peor.
Pgina 75
Dado que la tasa de seleccin de un individuo es siempre mayor o igual a cero (75, > 0), y n = E TSb,h el valor de la tasa del mejor individuo estar restringido por 1 < or^^ :^ 2 y, adems, el valor de la tasa del peor individuo
> Seleccin por torneo.
Este mecanismo de seleccin es muy utilizado en las aplicaciones de los algoritmos genticos.
En la seleccin por torneo se produce un combate entre determinados individuos de la poblacin que se han elegido por muestreo. El combatiente con mejor salud es el que se elige para la reproduccin. Resultados pueden verse en [Koza,1992] y [Goldberg,1989].
Cuando el algoritmo gentico es de una arquitectura en paralelo, la topologa de conexin de los procesadores define, de forma natural, un vecino para cada individuo. Para reducir el nmero de comunicaciones, se han desarrollado mecanismos de seleccin por torneo. As, [Spiessens y Manderick, 1991], [DeJong y Sarma,1995] investigaron algoritmos de seleccin descentralizados. La conclusin es que la seleccin por torneo, combinada con un criterio de elitismo, mejora el rendimiento y el coste, en bits, de las comunicaciones.
> Algoritmos de muestreo.
El proceso de memoria estocstica, asigna de un modo determinista los descendientes de un individuo basndose en la parte entera del nmero de descendientes esperado. En este sentido, el trabajo de [Baker, 1987] desarrolla un algoritmo generalizado.
As, al hacer el reparto proporcional de descendientes de acuerdo a la tasa de seleccin elegida, resulta un nmero entero de "individuos esperados" como
Pgina 76
consecuencia de la seleccin y una parte fraccionaria de individuos; siendo, precisamente este "resto" de descendientes distribuido en un proceso de seleccin por el mtodo de la ruleta (seleccin estocstica). Con ello, la aleatoriedad se reduce slo a la parte fraccionaria del nmero esperado de individuos.
Cada interaccin del AG genera una poblacin nueva a partir de la poblacin existente. Los AG que reemplazan la poblacin se denominan AG de estado estable. Tpicamente, los nuevos individuos se crean a travs de recombinaciones que eliminan a los peores individuos. Funcionalmente, los AG de estado estable difieren de los AG generacionales al utilizar un elitismo poblacional (guardando a los mejores), grandes tamaos de poblacin y altas probabilidades de mutacin y cruce, la estrategia de seleccin con elitismo, equilibra los efectos negativos de un grado de mutacin y cruzamiento elevados.
3.4.2
El operador combinacin.
Una vez hecho el proceso de seleccin, el operador combinacin decide cuales son los progenitores de los individuos que se obtendrn al aplicar el operador cruce. La clasificacin dada por Hollstein [Goldberg,1989] a los esquemas para emparejar los progenitores permite establecer los siguientes grupos:
Emparejamiento aleatorio: las parejas se eligen con igualdad de probabilidad. Endogamia, cuando las parejas se forman por alguna relacin de parentesco. Reproduccin en cadena: un individuo de alto rendimiento se reproduce con los individuos de la poblacin y los descendientes son seleccionados como progenitores. Diversidad: cuando los progenitores son individuos con fenotipos diferentes. Autofertilidad: cuando el individuo se empareja consigo mismo. Emparejamiento por afinidad positiva, cuando se emparejan individuos similares.
Pgina 77
Emparejamiento por afinidad negativa, cuando se emparejaa individuos distintos. Un estudio, llevado a cabo por [Eshelman y Schaffer,1991], viene a decir que la convergencia prematura puede prevenirse as.
De todos estos esquemas, el esquema de emparejamiento aleatorio es el ms universal. 3.4.3 El operador cruce.
Todos los investigadores estn de acuerdo al decir que el operador cruce es el caballo de batalla de los algoritmos genticos, realizndose grandes esfuerzos para aumentar la potencia de este operador.
En este apartado se va a describir la familia de operadores cruce para el caso en el que los cromosomas tienen una longitud fija. Esta familia se caracteriza porque provocan el intercambio de partes de los cromosomas que pueden especificarse a travs de una mscara booleana. Las diferencias entre cada tipo de operador vienen dadas por la forma en la que se generan dicha mscaras. Por ejemplo, la mscara del cruce por un punto se genera con una cadena en la que una y slo una posicin vale O, mientras el valor del resto de las posiciones es 1.
Se puede realizar una clasificacin de los operadores de esta familia atendiendo al concepto de posicin y distribucin. Un operador de cruce se define bajo el concepto de posicin cuando la probabilidad de intercambiar un bit depende de su posicin en la cadena. El operador de cruce se define distributivo cuando el intercambio es relativo al nmero de bits intercambiados por el operador de cruce. Cuando la distribucin no es uniforme, el operador de cruce es distributivo. En otros trminos, los operadores cruce de posicin rompen los bloques constructivos dependiendo de la posicin de los bits en la cadena. Los operadores de cruce distributivos rompen los bloques constructivos dependiendo de la cantidad de material intercambiado entre las cadenas, estando distribuido de una manera no uniforme entre 1 y /-I, siendo / la longitud de la cadena.
Pgina 78
> Cruce por un punto.
Es el operador de cruce ms representativo y mejor conocido. El anlisis formal de este operador es expuesto en los trabajos de [Bridges y Goldberg,1987], dando una expresin exacta del nmero de representantes esperados de un esquema.
Un estudio posterior, hecho por [Eshelman, 1989] concluye diciendo que este operador no tiene un rendimiento bueno.
> Cruce por dos puntos.
El cruce por dos puntos trata la estructura del cromosoma como si fuera en anillo, definindose, de manera aleatoria, los dos puntos de cruce; entonces se procede a intercambiar los segmentos del anillo de ambos cromosomas.
El estudio de [Syswerda, 1989] concluye que si comparamos el cruce por dos puntos con el de un nico punto, se observa como al cruzar por dos puntos se elimina el favoritismo del proceso de cruce simple cuando los bits del cruce simple quedaban al final de la cadena.
> Cruce por N puntos.
El cruce por N puntos, o cruce multipunto es una extensin del proceso de doble punto. Al igual que en el caso anterior, se trata cada cadena como un anillo de bits dividido en k puntos de cruce. Los subconjuntos de informacin, resultantes de la divisin, se cruzan de manera alternante entre una y otra cadena. > Cruce por segmentos.
Es una variacin del cruce multipunto, ya que los puntos de cruce van variando de acuerdo a un automatismo probabilstico, que va generando estados de transicin
Pgina 79
primero de O a 1 y luego de 1 a 0.
> Cruce uniforme.
El cruce uniforme intercambia bits de una cadena en vez de segmentos. Cada posicin de la cadena es equiprobable para cruce o para preservar la informacin; es decir, la mscara que se forma con ceros y unos tiene una distribucin uniforme en el cromosoma, siendo 0'5 la probabilidad de tener un 1 en una posicin de la mscara.
[Syswerda,1989] analiza el cruce uniforme en trminos del teorema del esquema y lo compara con el cruce simple, por un punto. Concluye que el cruce uniforme realiza una ejecucin mucho mejor que el cruce simple. Sin embargo, la investigacin llevada a cabo por [Schaffer y Eshelman,1991] conducen a una mejor ejecucin del cruce por dos puntos si, adems, se tiene el operador mutacin.
Ambos resultados son correctos y, en principio no tiene por qu ser contradictorios. El cruce uniforme es ms intenso, pues, dado que no permite una poblacin homognea, realiza una exploracin ms amplia sobre el universo de discurso. El cruce simple o por dos puntos tienen menos degradacin, permitiendo preservar los esquemas, sin embargo pierden capacidad de exploracin cuando la poblacin es homognea.
El entrecruzamiento uniforme paramtrico controla la probabilidad de obtener un 1 en la mscara con la que se va a ejecutar el cruce. Esto permite al usuario del algoritmo controlar la cantidad de material que se intercambiar entre los cromosomas. El anlisis formal se presenta en los estudios de [Spears y DeJong,1991].
Pgina 80
> Cruce por lotes.
Es una variacin del cruce multipunto con el objetivo de eliminar la dependencia posicional definida por los n puntos de cruce. En trminos de juegos de cartas, este mecanismo de cruce lo que hace es barajar las dos cadenas y cortar n veces para formar las dos cadenas resultantes.
> Cruce adaptativo.
La eleccin de los puntos de cruce se especifica en tina lista que queda codificada en el cromosoma. Esta lista de puntos de cruce se modifica, pues, al aplicar los operadores cruce y mutacin. Los trabajos de [Schaffer y Morisliima,1987] contienen estudios formales de esta versin del operador cruce.
> Cruce basado en el orden.
El cruce basado en el orden se ha aplicado en numerosos problemas de optimizacin que se definen en un contexto combinacional. El mecanismo de ejecucin de este operador de cruce tiene en cuenta el orden en el que se dispone la informacin del cromosoma, dando lugar a tres grupos funcionales, segn se desee conservar la posicin, el orden o la adyacencia.
Estos operadores se han utilizado en los siguientes campos: problemas que resuelven planificacin de trayectorias de robots [Davidor,1989], el problema del viajante [Jog,1989], gestin y planificacin de tareas [Bagchi,1991], problemas de particin de grficos [Laszewski,1991].
Se han desarrollado tcnicas en las que se combina este operador cruce con tcnicas de bsqueda ms tradicionales, especialmente el mtodo de escalada, obteniendo resultados muy buenos para este tipo de problemas combinatorios.
Pgina 81
3.4.4
El operador mutacin.
El algoritmo gentico simple utiliza un operador mutacin, que se aplica slo a un bit de la cadena que constituye el cromosoma, y su aplicacin se justifica en dos sentidos. Por un lado, en la restauracin del material gentico que se perdi a causa de la disgregacin ejecutada con el operador cruce y, de otro lado, por mantener la variabilidad de todas las posiciones en la cadena que representa a los individuos de la poblacin.
[Davis,1991] estudia la codificacin con nmeros reales de los cromosomas, proponiendo una familia de operadores para la mutacin que cambian los nmeros reales sumando o restando un nmero aleatorio. [Bramlette,1991] propone que el operador de mutacin acte con una variacin aleatoria distribuida exponencialmente. A estos dos tipos de operadores de mutacin se les ha dado el nombre de operadores de arrastre aleatorio.
[Fogarty,1989] presenta dos tipos de operadores de mutacin. El primero consigue decrementar la tasa de mutacin de una forma exponencial. El segundo hace variar la tasa de mutacin dependiendo de la posicin del bit en una cadena codificada con enteros.
Surge una cuestin muy interesante al referimos al funcionamiento del AG, este punto plantea si el cruce es una operacin esencial o, por el contrario, la mutacin en s misma es eficiente para el proceso de bsqueda. La experiencia que se puede extraer de las distintas publicaciones es que depende de la propia funcin objetivo el que la mutacin sea o no suficiente. En general, para funciones objetivo que presenten altas interacciones no lineales entre los bits de las cadenas, el cruce ejecuta una bsqueda ms rpida que el que presenta la mutacin. Por otro lado, el cruce es universalmente aceptado cuando las soluciones ptimas pueden formularse con bloques constructivos, indicando que se requieren interacciones lineales entre los bits de las cadenas.
Pgina 82
3.4.5
Operadores avanzados.
En este apartado se van a enumerar distintos operadores que, intentando siempre mejorar el rendimiento del algoritmo, se basan en procesos formales o en semejanzas naturales.
> El operador inversin.
El operador inversin se supone que es el mecanismo natural elemental para recodificar un problema de la mejor manera posible. Entonces, el objetivo es reemplazar los esquemas de salud superior a la media mediante permutaciones de los mismos, pero con longitudes de definicin ms cortas. Tradicionalmente se ha definido este operador como un operador unario, donde una subcadena de un cromosoma se reemplaza por su inversa. La aplicacin repetida de este operador es suficiente para generar todas las permutaciones del grupo. Para que sea as, los cromosomas se han de codificar sin tener en cuenta la posicin, debiendo el operador cruce concebirse de forma que slo se generen cromosomas que tengan un conjunto completo de genes; es decir, que respeten cruzar s, pero slo entre caractersticas comunes y manteniendo la integridad del cromosoma. [Holland,1975] present el operador inversin, incluyendo un anlisis formal del mismo y un anlisis de estudios de simulacin con variantes diferentes, presentndose variaciones del mismo en [Goldberg,1989]. No se tienen resultados concluyentes del operador inversin en combinacin con el cruce basado en el orden.
> Dominancia y diploidad.
El AGS se basa en genotipos de cromosomas haploides. En la naturaleza esta organizacin queda reservada, casi exclusivamente, a las formas de vida ms simples. La mayora de las plantas y de los animales tienen genotipos de cromosomas diploides (o dobles) o poliploides (n-ramas). Para el caso de formas de vida con cromosomas diploides, cada cromosoma se forma con un par homlogo de
Pgina 83
manera que la informacin del individuo en cada uno de ellos es completa. A la vista de esto hay dos preguntas: en primer lugar, la manera en la que se crea el individuo a partir de este conjunto de cromosomas homlogos y, en segundo lugar, la ventaja obtenida al tener cdigo redundante.
Si tenemos en cuenta que cada conjunto de genes describe una caracterstica del individuo, como el color de los ojos, slo el valor correspondiente a un elemento del conjunto puede formar parte del fenotipo del individuo. Esto ser as siempre que admitamos que, en el ejemplo del color de los ojos, no puedan existir ojos de ms de un color u ojos distintos. El mecanismo de resolucin de conflictos se llama dominancia. De manera formal, la dominancia se puede interpretar como el mapa a partir del cual se expresa un gen en trminos del conjunto de genes homlogos. En una posicin, una alel es dominante y su homlogo es recesivo. En la naturaleza el mapa gentico no es fijo, pues evoluciona. El operador de cambio de dominancia permite tener mecanismos que consigan una conmutacin rpida del fenotipo, para lo cual genes que eran recesivos sean ahora dominantes y genes que fueron dominantes sean ahora recesivos.
La dominancia y la diploidad dan lugar a una memoria a largo plazo para las combinaciones de aleles que condujeron a xitos. La dominancia permite que los aleles recesivos sean protegidos en un proceso selectivo de un entorno adverso. Entonces, los efectos de la dominancia y la diploidad son palpables cuando el entorno no es estacionario; pues los cambios rpidos pueden acomodarse por los cambios de dominancia que fueron ensayados previamente y que se guardaron en los genes recesivos. Los organismos vivos ms eficientes son los que se adaptan ms rpido a los cambios del entorno.
Se han hecho ensayos de dominancia y diploidad en la "vida" artificial [Goldberg,1989], destacando como a partir de la disertacin de Bagley se presenta un algoritmo que asigna el valor de dominancia; de manera que la informacin en cada posicin de la cadena tiene la propia expresin del gen ms un parmetro que
Pgina 84
indica la dominancia. El proceso de decisin cuando hay un valor igual para la dominancia es complicado. Del par de cromosomas homlogos, uno de ellos es elegido arbitrariamente como el cromosoma clave y se examinan cada una de sus posiciones para descubrir las que son claramente dominantes. Para las posiciones no dominantes, se realiza la comparacin con el otro cromosoma y se elige el de mayor valor y debe permanecer la incgnita si son iguales.
El trabajo de [Hollstein,1971] expona el alfabeto {0,1,2} para incluir la dominancia aplicada sobre una representacin binaria {0,1}. As, el valor "2" indica que se trata de un " 1 " dominante, mientras que el valor " 1 " seria un " 1 " recesivo. De esta manera, el resultado sera una codificacin basada en la siguiente tabla:
0 0 1 2 0 0 1
1 0 1 1
2 1 1 1
El problema de esta representacin es que se requiere una mayor capacidad de memoria para poder trabajar con los individuos. A fin de mejorar esta estructura [Holland,1975], transform la representacin de HoUstein {0,1,2} por una ms clara dada por {0,lo,l}y a la que se denomina esquema trilico de Hollstein-Holland [Goldberg,1989] y en l se combina tanto el mapa de dominancia como la informacin de cada alel en un nico lugar. Con este esquema, el alel ms efectivo es dominante, haciendo de escudo para el recesivo. Se requiere un mnimo aumento de capacidad de almacenamiento y, adems, la dominancia puede cambiarse rpidamente al ser manipulada a semejanza del operador mutacin.
El anlisis formal del efecto de la dominancia y la diploidad es expuesto por [Goldberg,1989], como conclusin de los experimentos que llev a cabo con Smith [Smith,1987] y [Smith, 1988].
Pgina 85
> Operadores de orden menor.
En este apartado se van a presentar otros operadores que se han sugerido para formar parte de la lista de operadores de los algoritmos genticos. Estos operadores son menores porque lo que buscan es una cierta especializacin.
Segregacin y transposicin [HoUand, 1975].
En la naturaleza, el genotipo de la mayora de los individuos se constituye con cromosomas mltiples. Por ejemplo, el ser humano dispone de 23 pares de cromosomas diploides. Si consideramos dos individuos, con un genotipo constituido por un conjunto de pares de cromosomas homlogos, y restringimos el cruce a los cromosomas homlogos, tras ejecutar este operador, de cada par resultante se elige aleatoriamente uno de ellos para incluirlo en el conjunto de cromosomas descendientes. Este proceso de seleccin se denomina segregacin.
El efecto de la segregacin es romper el enlace entre los genes de los diferentes cromosomas. La transposicin cruza de forma aleatoria pares de cromosomas no homlogos para generar un cambio en los genes al cambiar de un contexto a otro.
Duplicacin intracromosomal y eliminacin [HoUand, 1975].
La duplicacin intracromosomal permite un control adaptativo de la tasa de mutacin, pues permite la copia de un gen k veces en el cromosoma. Por tanto, en el caso de conflictos se puede tener un esquema arbitrario. La eliminacin quita un gen duplicado.
Determinacin sexual [Goldberg,1989].
La determinacin sexual se aplica en problemas que requieran para su resolucin estrategias similares a la humana, donde un par de cromosomas determina el sexo:
Pgina 86
XX es para la mujer y XY para el hombre. Al combinar genes de dos seres, hay una probabilidad de 0'5 para que el nuevo ser sea hombre o mujer.
La diferenciacin sexual resulta til en aquellos problemas que requieran una combinacin entre la especializacin y la cooperacin.
Exploracin y especializacin [Holland,1975] y [Goldberg,1989].
En la naturaleza se ha desarrollado un mecanismo de generacin de especies resultantes de la exploracin de los entornos para buscar la adaptacin a los mismos.
En los procesos artificiales una especie se considera como un subpoblacin estable de cadenas que tienen caractersticas comunes que permiten explorar un cierto subdominio de una funcin.
Escala a nivel local [Mhlenbein,1991].
Se han llevado a cabo algoritmos de escala local como operadores genticos auxiliares para mejorar la ejecucin en problemas combinatorios y problema de optimizacin. As, en vez de aplicar un operador gentico, se utiliza este operador cuando cierto criterio se ha conseguido. Estos algoritmos determinan un ptimo local utilizando como valor de inicio la solucin codificada en el individuo.
3.5
Arquitectura de un Algoritmo Gentico.
Un algoritmo gentico consiste en una poblacin de individuos. No se requiere ninguna memoria adicional o clculo centralizado. Sin embargo, en cierto tipo de programas de ordenador suele ser necesario gestionar el control de parmetros del algoritmo gentico.
Pgina 87
En este apartado se van a clasificar los distintos conceptos que se pueden aplicar para definir la arquitectura del sistema.
Los algoritmos genticos se pueden concebir como centralizados, paralelos o distribuidos. Estos dos tipos ltimos permiten descentralizar el procesamiento de las cadenas. Los AG distribuidos, llevan a cabo bsquedas independientes entre subconjuntos de poblaciones interactivas. Los AG paralelos, ejecutan una operacin secuencial en varias mquinas.
Los AG distribuidos descomponen poblaciones grandes en subpoblaciones ms pequeas que evolucionan independientemente. Se ha de hacer una mayor exploracin, pero la convergencia de cada subpoblacin es mayor. Para asegurar la convergencia global se intercambian las mejores cadenas de cada subpoblacin.
Los AG paralelos aseguran una comunicacin local y total, sincronizacin y eficacia de clculo paralelo que provoca la modificacin de la estructura del AG. Tcnicas de seleccin de vecindad se han de aadir para aumentar la capacidad de clculo. Algunas configuraciones tpicas de estos A.G. son las siguientes:
A.G. en estrella (figura 3-3):
POBLAaN ESCLAVA V \ POBLACIN AMESTRA J
POBLAaN ESCLMA )
1
\ r POBUCIN ESCLAVA
V
)
/ POBUaN ESCLAVA
Figura 3-3. ARQUITECTURA DE UN A.G. EN ESTRELLA
Pgina 88
La subpoblacin con mayor promedio objetivo es seleccionada como maestra y las dems como esclavos. Todas las poblaciones esclavas mandan su mejor individuo a la maestra y sta a sus esclavas.
A.G. en red (figura 3-4), donde todas las subpoblaciones mandan su mejor individuo a todas las dems.
Figura 3-4. ARQUITECTURA DE UN A.G. EN RED
A.G. en anillo (figura 3-5), cuando cada subpoblacin enva el mejor individuo a la vecina en un nico sentido de flujo.
Figura 3-5. ARQUITECTURA DE UN A.G. EN ANILLO
Pgina 89
Algunas experiencias con este tipo de configuraciones apuntan a que cuanto mayor sea el nmero de subpoblaciones se conseguir, de manera ms rpida, la convergencia hacia un promedio objetivo alto.
3.6
Control de parmetros del Algoritmo Gentico.
El AG se puede ver como un equilibrio existente entre la explotacin de las regiones del espacio de bsqueda, ya muestreadas, y la exploracin de nuevas regiones de este espacio. Este equilibrio queda determinado por la correcta eleccin de los parmetros de control: probabilidad de cruce, mutacin y tamao de la poblacin. Los puntos de eleccin [Goldberg,1989] son:
1. Al incrementar la probabilidad de cruce, se incrementa la capacidad de combinar bloques constructivos, pero se incrementa la rotura de buenas cadenas.
2. Al incrementar P^ se tiende a transformar el espacio de bsqueda gentico en una bsqueda aleatoria, pero tambin se ayuda a recuperar material gentico perdido.
3. Al aumentar el tamao de la poblacin se aumenta la diversidad de la misma, pero tambin se reduce la posibilidad de alcanzar una convergencia hacia un ptimo local, adems se incrementa el tiempo que se requiere para que la poblacin converja a las regiones ptimas del espacio de bsqueda. Los valores tpicos son:
1. Cuando el tamao de la poblacin es grande (>100) Pe = 0'6 yPm= O'OOl 2. Cuando el tamao de la poblacin es pequeo (= 30) Pe = 0'9 y P^ = O'Ol
Pgina 90
A continuacin se van a estudiar distintos criterios de control:
> Tamao de la poblacin y nmero de generaciones.
Cuando se desea controlar el tamao de la poblacin y el nmero de generaciones de algoritmos que trabajan con representaciones binarias de longitud fija, tanto de forma secuencial como paralela, se define [Goldberg,1989] el nmero de generaciones para la convergencia como una fimcin logartmica del tamao de la poblacin.
> Poblaciones de tamao fijo o variable.
Existen tcnicas para trabajar con poblaciones de tamao fijo o variable. El algoritmo gentico trabaja con una poblacin de tamao constante. Sin embargo, [Goldberg,1989] trabaj con algoritmos genticos que empiezan con una poblacin muy grande, reducindose a la mitad en intervalos regulares durante la fase "principal" de este algoritmo. La idea subyacente es la del enriquecimiento de la poblacin con bloques constructivos durante esta fase.
Para reducir la convergencia prematura, [Baker, 1985] propuso un algoritmo gentico. En su propuesta, se define el tanto por ciento de implicacin como el porcentaje de la poblacin que ha contribuido con descendientes en la siguiente generacin. As, el el tamao de la poblacin se define por el lmite inferior de la medida del tanto por ciento de implicacin y los descendientes generados hasta que se alcanza el lmite fijado para esta medida porcentual.
> Sustitucin generacional.
Se van a estudiar tres tipos de soluciones: sustitucin completa, eleccin del mejor y elitismo.
Pgina 91
La sustitucin completa de la generacin supone que todos los miembros de la generacin predecesora se sustituyen por la generacin descendiente. Con este mecanismo puede ocurrir un inconveniente, que es el fallo para reproducirse de una generacin buena y quiz ptima.
La eleccin del individuo mejor requiere utilizar una variable para conocer el individuo mejor, de manera que se van guardando estos individuos fuertes a lo largo de todo el proceso.
La estrategia elitista copia los mejores miembros de la poblacin de generacin en generacin. Si bien puede incrementarse la convergencia prematura, parece que se mejora el rendimiento del A.G. en la mayora de los casos.
> Reproduccin continua.
Conocido el nmero de individuos que se han de insertar en la nueva poblacin, es necesario quitar algunos miembros de la poblacin para insertar los nuevos. La idea es empezar con los de peor salud. Este mecanismo se conoce como reproduccin continua. Existe una variacin del mtodo, que se denomina reproduccin continua sin duplicaciones, que supone descartar los descendientes que son duplicaciones de los cromosomas existentes. Sin embargo, esta variante debe ser descartada cuando se tienen finciones de evaluacin no deterministas, estocsticas o ruidosas y puede ser utilizada en funciones de evaluacin determinista cuando merece la pena el compromiso de coste para evaluar las duplicaciones y la frecuencia de repeticin de un cromosoma.
3.7
Terminacin del algoritmo gentico.
La evolucin natural es un proceso sin fin. Sin embargo, en los algoritmos genticos es conveniente tener un criterio para terminar.
Pgina 92
El criterio ms utilizado es ejecutar el Algoritmo Gentico un nmero especificado de generaciones.
Sin embargo, existen otros criterios adems de lo anterior: predecir el xito si se es capaz de reconocer soluciones ptimas, establecer un porcentaje de individuos idnticos, definir un criterio hasta alcanzar la convergencia del algoritmo. 3.8 Resultados del algoritmo gentico.
El resultado del A.G. puede expresarse, conforme a la clasificacin dada por [GeyerSchuz,1997], en los siguientes trminos:
El mejor individuo de la poblacin final.
La subpoblacin de los mejores individuos de la poblacin final o la poblacin final completa, por ejemplo al aplicar estrategias como en los juegos.
El mejor individuo encontrado durante la ejecucin del A.G., lo que requiere un proceso elitista o de eleccin del mejor.
4 ALGORITMOS GENTICOS HBRIDOS.
A los algoritmos genticos se les reconoce su robustez en una gran variedad de dominios y su capacidad para alcanzar rpidamente soluciones. Sin embargo casi nunca son los mejores algoritmos a utilizar en un problema, porque son optimizadores blindados: carecen de optimizacin heurstica, no consideran el conocimiento del problema y no tienen en cuenta los algoritmos existentes. En la naturaleza las especies son capaces de vivir en los ambientes propios, pero no se sabe si al cambiar el entorno
Pgina 93
van a evolucionar con xito o va a ocurrir un fallo. As pues, el problema es saber si los algoritmos genticos funcionan mejor que las tcnicas tradicionales o no. En la naturaleza, la respuesta se da con la adaptacin y el mimetismo. En los algoritmos genticos la respuesta es la hibridacin, que incorpora las mejores partes de otra tcnica (competidor) dentro del algoritmo gentico.
El diseo de un algoritmo gentico hbrido requiere grandes dosis de creatividad, pero [Davis, 1991 ] propone la siguiente gua de actuaciones:
1. El A.G. hbrido debe basarse en la tcnica de codificacin del algoritmo competidor; as se conserva la experiencia en el dominio y la aceptacin del usuario que conoce o dise el codificador competidor.
2. El A.G. debe incorporar todas las tcnicas de optimizacin que se usan en el algoritmo competidor. As, si el algoritmo competidor es rpido, debemos aadir su solucin como inicial en el algoritmo gentico y, adems, se debe tener una estrategia elitista. Una consecuencia inmediata es que se garantiza la ejecucin del A.G. hbrido: no puede ser peor y, casi seguro, dar una solucin mejor. Si el algoritmo competidor define un conjunto de transformaciones que se aplican reiteradamente a la codificacin, el A.G. hbrido debe mantenerlas (por ejemplo la retropropagacin de las redes neuronales). Si algoritmo de codificacin del competidor es "listo", tomarlo al menos "prestado" para la parte de decodificacin.
3. El A.G. hbrido ha de modificar los operadores genticos de acuerdo a la nueva tcnica de codificacin.
Ejemplos de algoritmos genticos hbridos son A.G. que utilizan tcnicas basadas en el gradiente, A.G. con algoritmos de segmentacin, uso de A:G para creacin iterativa de polinomios que modelen el comportamiento de sistemas caticos o sistemas no lineales.
Pgina 94
5 TCNICAS PARAMETRICAS.
La tarea de encontrar buenos parmetros para el A.G. es muy importante para garantizar el xito del mismo. Los resultados de las investigaciones en este campo proponen las siguientes tcnicas: codificacin de los parmetros del A.G. en los cromosomas, optimizacin manual, bsqueda forzada, algoritmos genticos con metanivel, salud adaptativa de los operadores y control dinmico con una base de reglas borrosas.
5.1
Codificacin de los parmetros en los cromosomas.
Esta idea es objeto de publicaciones de los primeros tiempos en los que se presentaban aplicaciones de los AG. En [Golberg,1989] se recojen los trabajos llevados a cabo en 1967 por Bagley, quien fue el primero en realizar un A.G. para un programa de jugadas, sugiriendo que las probabilidades de cruce y mutacin estuvieran contenidas en el propio cromosoma.
5.2
Optimizacin manual.
En el ao 1975 Holland public el libro " La Adaptacin en la Naturaleza y en los Sistemas Artificiales" [Holland, 1975] y De Jong hizo pblico ion estudio titulado "Anlisis del Comportamiento de una Clase de Sistemas Adaptativos Genticos" [De Jong, 1975]. A continuacin., se plantea el resumen del estudio de [Goldberg,1989] en el que se combina la teora de los esquemas de Holland con los clculos experimentales que obtuvo De Jong.
El trabajo de De Jong, aunque no dej de lado el concepto de optimizacin de los algoritmos genticos, consisti en abrir otros dominios a los algoritmos genticos. As, se desarrollaron aplicaciones para el diseo de estructuras de datos, diseos algoritmicos
Pgina 95
y control adaptativo de sistemas computacionales. Debido a la necesidad de experimentar detalladamente en el dominio de definicin del problema, se desprende que hay que obtener medidas del rendimiento del algoritmo gentico que permite la adaptacin al ambiente de la poblacin objeto del problema.
Con los fines mencionados, De Jong construye un entorno para realizar pruebas con cinco problemas basados en la minimizacin de una fincin. Las caractersticas de estas finciones se basan en la naturaleza experimental del proceso; por tanto la eleccin de las mismas se hace siguiendo los siguientes criterios: continuidad/discontinuidad, convexidad/no convexidad, unimodal/multimodal, cuadrtica/nocuadrtica, baja/alta dimensin, determinista/estocstica. Las finciones propuestas son las siguientes:
Nmero
Funcin
Dominio
/,U) = Z^'
1
-5,12 < x , < 5,12
/2(jc,.) = 1 0 0 ( x f - X 2 ) ' + ( 1 - x , ) '
-2,048 < X ; < 2,048
/s^/) = Eint(^;)
1
-5,12 < x, < 5,12
30
/4(x,) = Jîx^ + GaussiO,!)
-1,28 < x,. < 1,28
25
f(x.) = 0,002 + X
2
<=i
-65,536 < x, < 65,5536
'"-'j+Hix^-a.r
Para cuantifcar la eficiencia de los algoritmos genticos. De Jong propone dos medidas: una para medir la convergencia y otra para medir el rendimiento. l denomin a estas
Pgina 96
mediciones off-line, para la convergencia, y on-line, para el rendimiento. Estos nombres ponen de manifiesto la realizacin de las medidas sobre una aplicacin concluida (offline) o en proceso (on-line). La realizacin de las medidas off-line se hacen mediante procesos de simulacin de lafimcinde evaluacin, de manera que la mejor medida se puede guardar para usarla despus de conseguir un criterio objetivo. En las aplicaciones on-line las medidas se hacen durante el tiempo de ejecucin a modo de "experimentos", de manera que se van obteniendo medidas que permiten obtener im criterio de aceptacin del rendimiento. De Jong define el rendimiento on-line Xe(s) de una cierta estrategia s en un ambiente e como:
xM=\Lfeit)
T\ Dondey^ftjes el valor de la funcin objetivo para el ambiente e en el ciclo generacional /. En otras palabras, el rendimiento on-line es la media de todas las evaluaciones de la funcin hechas hasta la generacin actual. Aunque el estudio de De Jong presentaba xina ponderacin no uniforme para los ciclos generacionales, l adopt a lo largo de su estudio una medida de ponderacin uniforme en el desarrollo de su trabajo. Por otro lado, la medida del rendimiento off-line x e(s) de una cierta estrategia 5 en un ambiente e como:
T
xM=jY.f:it)
Donde fe(t) es la mejor del conjunto { fe(l), fe(2),..., fe(t)}. En otros trminos, el rendimiento off-line es el valor medio del mejor rendimiento en un determinado instante. Al igual que con el criterio on-line, se presenta una ponderacin no uniforme aunque se desarrolla el estudio con una ponderacin uniforme.
Pgina 97
El estudio de De Jong se desaxroUa sobre modificaciones del AGS con fines de calcular el tamao de la poblacin, la tasa de cruce y la tasa de mutacin. La conclusin del estudio es que los resultados son buenos cuando el tamao de la poblacin permite tener entre 50 y 100 individuos, con una tasa de cruce de 0,06 y una tasa de mutacin de 0,001 5.3 Bsqueda forzada.
[Schaffer,1989] recogi los resultados de un experimento a gran escala para ver la influencia de los parmetros de control, en los que consumieron V5 aos CPU de mquinas Sun3 y VAX. Slo se dan resultados para rendimientos on-line. El conjunto de fimciones de prueba contena las funciones de De Jong y las siguientes (se numeran como continuacin de las otras):
Nmero
Funcin
Dominio
/,(x,,X2) = 0'5 +
sen
0'5 envolente del seno, onda del seno 100<x. <100
l + 0'001-(x'+X2')
ff25
JlK-^li^j)
~ \-^\ 'T'-^2 )
sen 50-(xf +xl )"') + 1
100<x,<100
filtro FIR problema del viajante con 30 ciudades 10 particin de grficos
El algoritmo gentico aplicaba los siguientes conceptos: ventana temporal de Grefensttete, cdigo Gray para los parmetros numricos, umbral ( 2 generaciones sin
Pgina 98
evaluacin), no se volvan a evaluar individuos ya existentes (excepto para la funcin 4 por ser estocstica) y aplicaba una estrategia de seleccin elitista bajo el concepto de memoria estocstica.
Se desarroll un diseo factorial de 10 repeticiones por clula, generndose la poblacin de manera aleatoria (8400 bsquedas genticas) con los siguientes parmetros: 6 tamaos de poblacin (10, 20, 30, 50, 100 y 200), 10 tasas de cruce (0'05 a 0'95 con un incremento de O'l), 7 tasas de mutacin (O'OOl, 0'002, 0'005, O'Ol, 0'02, 0'05 y O'l) y dos cruces por pareja (cruce simple y cruce por dos puntos).
El resultado del estudio es que la media de ejecucin on-line es sensible al tamao de la poblacin, a la tasa de cruce, a la tasa de mutacin y al tipo de cruce. Cuando el cruce es por dos puntos se observa ms sensibilidad por la tasa de mutacin que por la de cruce. Los parmetros recomendados son:
Tamao de la poblacin: 20- 30. Tasa de cruce: Tasa de mutacin: 0'75 - 0'95. O'005-O'Ol.
5.4
A.G. metanivel.
El ajuste de los parmetros de un algoritmo gentico puede verse como un problema de optimizacin a otro nivel (metanivel), esquematizando la figura 3-7 este proceso. As concibi [Grefensttete,1986] el estudio de ajuste de parmetros, empleando como A.G. metanivel para analizar los resultados mediante las funciones de De Jong. Consider una subclase de A.G. que se caracterizaban por seis parmetros: tamao de la poblacin (de 10 a 160, con un incremento de 10), tasa de cruce ( de 0'25 a 1 con incrementos de 0'05), tasa de mutacin ( ocho valores que van de O a 1 con crecimiento exponencial), laguna generacional (O'3 a 1 con incrementos de O'l), ventana de escala (con el valor
Pgina 99
mnimo para la primera generacin y con el mnimo factor 1...7 de las ltimas W generaciones) y una estrategia de seleccin pura (proporcional) o elitista.
PROCESO
Entorno Control Realimentacin Medida del rendimiento
Algoritmo Gentico
Realimentacin Parmetros
Algoritmo Gentico Metanivel
Figura 3-7. ARQUITECTURA DE UN A.G. METANIVEL.
El A.G. metanivel utilizaba las recomendaciones de De Jong (tamao de la poblacin igual a 50, tasa de cruce 0'6 y tasa de mutacin O'OOl), sustitucin completa de la generacin (laguna generacional = 1), sin escala y un modelo elitista. Para medir la robustez de la ejecucin, Grefensttete utiliz las siguientes medidaspara el conjunto E de entornos:
Ejecucin on-line.
u^{s,T) = \m- card(E) E u^(rand,T) ^ f^
Ejecucin off-line
UUs,r) = lOO
-Y
Pgina 100
En el experimento, el A.G. metanivel era ejecutado previamente para 1000 funciones de evaluacin, donde cada funcin de evaluacin consista en la ejecucin de un A.G. contra cada una de las 5 funciones de prueba de De Jong (lo que supone 5000 funciones de evaluacin) y, entonces, se calculaban Ue y Ug*. De los 20 mejores A.G. encontrados, se tiene 5 ejecuciones contra los puntos de test y asi se seleccionaba el ganador.
Resultados para la ejecucin on-line:
1. Tamao de la poblacin: 2. Tasa de cruce: 3. Tasa de mutacin: 4. Laguna generacional: 5. Ventana de escala: 6. Estrategia de seleccin:
30 0'95 O'Ol 1 1 generacin elitista
Resultados para la ejecucin off-line.
1. Tamao de la poblacin: 2. Tasa de cruce: 3. Tasa de mutacin: 4. Laguna generacional: 5. Ventana de escala: 6. Estrategia de seleccin:
80 0'45 O'Ol 0'9 1 generacin pura
5.5
Salud adaptativa de los operadores.
El mecanismo de adaptacin es intuitivo, en la medida en que la probabilidad de aplicar un operador va a depender del rendimiento que se observe en los individuos que se estn generando. Esto supone que los operadores que se estn comportando mejor deben
Pgina 101
usarse con ms frecuencia. Pero el mecanismo de adaptacin debe fijar una recompensa para todos los operadores que se hayan usado en el proceso; es decir, en todos los operadores que se han utilizado para generar antecesores.
[Davis,1991] present un mecanismo de adaptacin y un procedimiento de inicio para encontrar las probabilidades de los operadores al inicio, as como algunas comparaciones con los algoritmos metanivel.
El mecanismo de adaptacin consiste en una regla de actualizacin para las probabilidades de los operadores y un procedimiento de asignacin de recompensa (que llamamos crdito). La regla de actualizacin se invoca de forma peridica cada / evaluaciones; entonces, / es el intervalo de adaptacin. La nueva probabilidad del operador, Pnueva, es sopesada con la probabilidad anterior, Pmteror, y con la probabilidad del operador que mide la salud del mismo, Psaiud, de manera que
Pnue.a = ( 1 " ^ ) " Pantenor + ^ ' Psal.ul
SêndO
O< 5 < 1
El vector de probabilidades de salud es proporcional al vector de mejoras conseguidas por los operadores durante el intervalo de adaptacin.
Si un individuo nuevo es mejor que el actual, recibe una mejora en forma de recompensa y apunta a sus padres, as como al operador que lo gest. El mecanismo de asignacin de crditos trabaja de forma que cada uno de los individuos en la ventana de adaptacin ^ gratifican a sus padres con una parte proporcional P de su propio crdito. La recompensa se propaga en el rbol de ancestros un mximo de G escalones o hasta que desaparece de la ventana de adaptacin. Por tanto, G da el nmero de generaciones a recompensar. El crdito de un operador es la media de los crditos de los individuos creados por l en el intervalo de adaptacin /.
Pgina 102
Al principio, todos los operadores tienen una misma probabilidad. Tras sucesivas ejecuciones se va obteniendo la media entre la probabilidad inicial y la que resulta de la regla de actualizacin. El proceso se repite hasta que se estabiliza.
La principal ventaja de este mtodo es que no parece ser peor que los otros, pero reduce considerablemente el coste en tiempo de CPU. Sin embargo, como expone [GeyerSchulz, 1997], hay que hacer las siguientes consideraciones al proceso:
El mecanismo de adaptacin depende de cinco parmetros, cambiando el problema de ajuste para ajustar tamaos de ventana y tasas de adaptacin en vez de probabilidades de los operadores.
El A.G. de Davis es diferente al A.G. simple utilizado por De Jong y Grefensttete; por tanto, no es posible hacer comparaciones.
La integracin del mecanismo de adaptacin de Davis en el A.G. simple requiere mucho esfuerzo.
5.6
Control dinmico con una base de reglas borrosas.
Se va a estudiar el A.G. de [Lee y Takagi,1994] que utiliza una base de conocimiento borrosa para controlar sus parmetros de manera dinmica (figura 3-8).
Un motor borroso controla los parmetros de un A.G., tales como el tamao de la poblacin y la tasa de mutacin. Las entradas al sistema borroso son medidas del rendimiento del proceso de bsqueda del A.G., que se asume puede estar derivado de la calidad de las soluciones generales por el A.G.
Pgina 103
El sistema evaluador es responsable de la asignacin del valor de la medida de la salud a las soluciones generadas por el A.G.
Tarea de aplicacin
ALGORITMO SENTICO Motor de Interaccin Borroso Base de Conocimiento Borrosa Parmetros variables del A.e.
Figura 3-8. ARQUITECTURA DEL A.G. DE CONTROL PARAMETRICO DINMICO
La decisin que toman Lee y Takagi para representar estrategias que emplean una base de conocimiento borroso se explica en tres puntos principales y que se resumen como sigue:
1. Los sistemas borrosos son suficientemente potentes como para representar una amplia variedad de estrategias.
2. Facilitan la captura y representacin de conocimiento experto para el uso de reglas lingsticas.
Pgina 104
3. Las bases de conocimiento pueden ser automticamente sintonizadas y diseadas usando alguno de los numerosos mtodos encontrados en la literatura.
Empleando la gran riqueza de los sistemas borrosos se tiene la capacidad de representar estrategias de control existentes con un nico contexto. Debido a esta generalidad, las combinaciones complejas de estrategias heursticas pueden ser planteadas y comparadas. Con los autoajustes y tcnicas de diseo disponibles para los sistemas borrosos, el conocimiento experto contenido en el sistema puede ser tanto aumentado como refinado.
Por ejemplo, las estrategias heursticas pueden ser representadas dentro de un mismo entorno de la manera siguiente:
If generaciones = BAJO If generaciones = MEDIO If generaciones = ALTO If generaciones = BAJO
then then then then
Pjn = ALTO Pm = MEDIO Pm = BAJO Pm = BAJO incrementar el tamao de la poblacin
If poblacin media no crecientethen
Otras soluciones pueden ser controlar la seleccin de operadores y sus parmetros o incluso sus representaciones parametrizadas. El punto es que el entorno propuesto es capaz de autoadaptarse para conseguir una conducta de bsqueda deseable.
6 EL SISTEMA CLASIFICADOR DE HOLLAND.

Un sistema clasificador, cuyo primer enunciado fue dado por [Holland,1986], es un sistema de aprendizaje de propsito general que est diseado para operar con perturbaciones en el entorno y que tiene realimentaciones incompletas o no existentes.
Pgina 105
Los sistemas de clasificacin son, sencillamente dicho, reglas if - then. El nombre lo toman de la capacidad de las reglas para clasificar los mensajes a partir de conjuntos arbitrarios de stos. En este sentido y tal como se desarrolla en [Goldberg,1989], en estos sistemas las reglas tienen el mismo papel que las sentencias de un programa y, desde el punto de vista computacional, estos sistemas de produccin son completos.
El sistema clasificador es un sistema de aprendizaje que aprende reglas a fin de poder ser ejecutado en cualquier entorno. Los principales componentes son el sistema de produccin y el algoritmo gentico. La arquitectura de MICHIGAN, tambin denominada SISTEMA CLASIFICADOR DE HOLLAND, se ilustra en la figura 3-10.
Pago Informacin
ENTORNO Accin
DETECTORES
LISTA DE ->ACCIONADORES MENSAJES
I
APORTACIN DEL SISTEMA DE CRDITO
BASE DE REGUS
SISTEMA DE PRODUCCIN DESCUBRIMIENTO DE NUEVAS RESLAS: ALGORITMO GENTICO
SISTEMA CLASIFICADOR
Figura 3-10. ARQUITECTURA DEL SISTEMA CLASIFICADOR DE HOLLAND.
Pgina 106
Este sistema clasificador se caracteriza porque el lenguaje de los patrones es sencillo, las reglas se disparan en paralelo y hay una comunicacin interna de mensajes.
En el nivel superior el sistema debe interactuar con el entorno. El sistema clasificador ejerce las acciones de control y detecta informaciones que permitan definir el estado del entorno. Adems, cada una de las acciones de una secuencia recibe un pago en el sistema clasificador. Estos sistemas se han utilizado como agentes para simulacin de sistemas complejos de adaptar y con el objetivo de estudiar la conducta de los mismos.
El sistema de clasificacin se compone del sistema de produccin y de dos componentes de aprendizaje. Estos componentes son el sistema de asignacin de crditos y el sistema para el descubrimiento de nuevas reglas.
El sistema de asignacin de crditos utiliza un algoritmo de compensacin que modifica el peso de las reglas de la base a partir del pago recibido del entorno, de manera que se paga a los mensajes que consumen reglas con el pago de los mensajes que producen reglas. Para que el algoritmo fincione es necesario que todas las reglas tiles estn en la base de reglas.
El sistema para descubrir nuevas reglas se lleva a cabo con un algoritmo gentico. El A.G. ve la base de reglas como una poblacin de clasificadores, siendo la ierza de la regla la que se determin con el algoritmo del sistema de asignacin de crdito. El sistema de produccin ejecuta de forma peridica el A.G. para que genere una nueva poblacin de reglas, conforme a la salud de las mismas. Para que funcione el A.G. es necesario que el algoritmo de compensacin refleje la verdadera salud de las reglas.
En la literatura se describen varios mecanismos de medida del rendimiento del sistema clasificador. As, por ejemplo, el trabajo de [Roberston y Rilo, 1988] permite hacer una medida a partir de las reglas que no se asocian a im mensaje de deteccin o que no activan ningn mensaje de actuacin.
Pgina 107
7 ALGORITMOS GENTICOS BORROSOS.

Existen muchas publicaciones en las que son descritas diversas aplicaciones en mltiples campos, pudiendo encontrar un resumen amplio en [Cordn, Herrera y Lozano 1995]. Se emplean estos algoritmos en procesos de aprendizaje debido a la robustez que ofrecen en sistemas de clasificacin, en sistemas orientados a la toma de decisiones o que permitan evaluar una estrategia. Es necesario comprender la
complejidad del problema a tratar para poder aplicar el algoritmo.
As, los sistemas borrosos tienen algunos problemas, si bien se han extendido a la mayora de las aplicaciones. En la mayora de estos sistemas, la forma de las funciones de pertenencia del antecedente, la consecuencia y las reglas borrosas son determinadas y sintonizadas por medio de prueba y error de los operadores humanos. Adems, se requieren muchas iteraciones para determinarlos y ajustarlos, siendo muy difcil disear el sistema ptimo borroso. Este problema es muy serio en caso de sistemas complejos.
Para poder llegar a su resolucin se han propuesto mtodos para obtener controladores de aprendizaje borrosos aplicando las finciones de base radial, empleando A.G. para decidir las formas de las funciones de pertenencia y las reglas borrosas, etc; pudiendo encontrase referencias en [Whitley,1990], [Lee y Takagi,1993] y [Shimojima,
Hasegawa y Fukuda, 1994], encontrando en sta ltima publicacin una aplicacin de algoritmos genticos para llevar a cabo un aprendizaje de un sistema borroso en el que los conjuntos de pertenencia tienen una representacin de base radial (RBF).
El operador debe determinar el nmero y forma de las funciones de pertenencia como paso previo al aprendizaje, y la capacidad de aprendizaje y precisin de la aproximacin se relacionan con el nmero o formas de estas finciones de pertenencia. La inferencia borrosa con muchas funciones de pertenencia y muchas reglas tiene una gran capacidad
Pgina 108
de aprender; sin embargo, las reglas redundantes o reglas sin aprender pueden estar presentes.
En los conjuntos completos de reglas, donde el nmero de reglas es el producto del nmero de funciones de pertenencia de cada entrada, y el nmero de reglas se incrementa de forma exponencial con la dimensin de las entradas. Adems, los operadores deciden la estructura de las funciones de pertenencia. Para este problema, la inferencia borrosa jerrquica se propone para reducir el nmero de reglas borrosas. Sin embargo, este mtodo tiene an un problema mayor. El operador debe disear una estructura jerrquica del razonamiento borroso considerando las relaciones entre las variables de entrada y de salida, clasificando en grupos las variables de entrada a fin de determinar las salidas locales a partir de la estructura jerrquica.
A la hora de emplear el algoritmo gentico hay que proceder a estudiar los siguientes pasos: codificacin de la cadena gentica, proceso de seleccin, mecanismo de cruce, operacin de mutacin y criterio de terminacin del algoritmo.
Como punto de partida se dispone de una base de conocimiento, modelo, que debe tener estar dotada de un mecanismo que permita al algoritmo medir la bondad o "salud" de la misma. Esto significa que se debe encontrar un nivel de correlacin entre los estados de las variables que intervienen en la misma. Adems, se puede disponer de un operador de devaluacin que permita reducir los efectos de la inferencias fortuitas.
La obtencin de la poblacin puede entenderse de dos maneras: considerar que cada regla de la base de conocimiento es un individuo diferente o decidir que los individuos son las bases de conocimiento. La primera perspectiva supone que el intercambio de conocimiento, derivado de las operaciones genticas, se produce entre las propias reglas de la base de conocimiento. La segunda consideracin evala cada base de conocimiento, de manera que no se concluye que existan reglas buenas y malas; por contra, la aplicacin de los operadores genticos van a ser los que intercambien el conocimiento entre las distintas bases.
Pgina 109
Para la seleccin de los individuos se ofrecen tendencias diferentes, segn se desee tener en cuenta una seleccin elitista; un proceso de seleccin porcentual, de acuerdo a una tasa de seleccin prefijada o simplemente proporcional, o cualquier otro mecanismo que sea capaz de decidir la fertilidad de cada uno de los individuos de la poblacin. Un ejemplo tradicional y que suele ser aplicado es el mecanismo de la seleccin por la ruleta, si bien existen diferentes sugerencias que integran a las reglas, al error cuadrtico y al mximo error cuadrtico entre los valores de salida y los valores esperados. El mecanismo de entrecruzamiento depender del proceso de generacin de los individuos. Por ejemplo, si se ha considerado cada regla como un individuo el cruce implica cambiar conocimiento de los antecedentes para obtener nuevos consecuentes.
Partiendo de dos reglas de una base de conocimiento de estrategia de una compaa de seguros
Rl: R2:
IF max_yelocidad IS alta AND edadjooche IS nuevo THENriesgo IS alto IF max_velocidad IS baja AND edad coche IS viejo THEN riesgo IS bajo
el cruce dara las siguientes reglas:
Rl: R2:
IF maxvelocidad IS baja AND edad_coche IS nuevo THEN riesgo IS bajo IF max_velocidad IS alta AND edad_coche IS viejo THEN riesgo IS alto
Si se eligi un modelo donde cada individuo es de una base de conocimiento, entonces el cruce se puede hacer de dos maneras:
Entre bases de conocimiento, definiendo una tasa de cruce de bases y considerando un reparto homogneo de los grupos de reglas que acten sobre la misma variable.
Un cruzamiento de grupos, eligiendo al azar dos grupos de dos bases progenitoras obtenidas durante el proceso de seleccin.
Pgina 110
El proceso de mutacin lo fija el usuario al definir la tasa de mutacin. Sobre vma base de conocimiento se puede proceder a mutar las reglas de manera que la mutacin puede hacer referencia a la eleccin de una nueva premisa, a borrar una premisa o a cambiar el valor de una premisa o de una consecuencia.
Adems, si la base de conocimiento es borrosa se puede hacer que muten las finciones de pertenencia variando el conjunto borroso (figura 3-9).
Figura 3-9. ACTUACIN DEL ALGORITMO GENTICO SOBRE LA DEFINICIN DE CONJUNTOS DE PERTENENCIA
Una vez que se han obtenido los nuevos individuos hay que proceder a la sustitucin de la poblacin que se excluye por culpa de los nuevos individuos. Dado que el nmero de individuos de la poblacin es una caracterstica de la misma, se han de eliminar tantos individuos como nuevos se introduzcan. Un criterio de eliminacin puede ser la aplicacin de la ruleta inversa; esto es, un individuo elegido es eliminado con una probabilidad inversamente proporcional a su salud. Otro criterio es conservar la mejor regla, de manera que si la mejor regla de una generacin no lo es de la siguiente se procede a sustituir la peor regla de la nueva generacin por la mejor de la generacin anterior.
Con todo esto, la combinacin de un algoritmo gentico con un lenguaje basado en reglas borrosas la denominamos algoritmo gentico borroso o sistema clasificador
Pgina 111
borroso y proporciona un conjunto de herramientas de aprendizaje para poder resolver los siguientes tipos de problemas: 1. Dada la sintaxis del lenguaje de reglas borrosas, as como su semntica, se desea buscar la base de reglas que tenga el mejor rendimiento ante una determinada fincin objetivos. Este problema, as definido, es similar al de estimacin de parmetros.
2. Conocida la base de reglas, la sintaxis del lenguaje y definidos los operadores lgicos, se desea buscar los conjuntos de pertenencia para mejorar el sistema. Este problema recibe el nombre de ajuste de las funciones de pertenencia.
3. Cuando la base de reglas borrosas, la sintaxis y las inciones de pertenencia son conocidas, el problema consiste en buscar los operadores lgicos para el mejor rendimiento del sistema. Entonces lo que se busca es la mejor fincin de decisin emprica.
Un primer ejemplo podemos seguirlo en los trabajos de [Karr,1991] en el que se combina un algoritmo gentico simple con un controlador borroso; proponiendo finciones de pertenencia triangulares para las variables que intervienen en reglas borrosas; codificando stas ltimas como individuos de longitud fija. Este trabajo buscaba la aplicacin del algoritmo gentico para ajustar las inciones de pertenencia.
La bsqueda de la base de reglas es la estrategia que se propone en [Thrift, 1991]; asumiendo una base de reglas como una tabla de decisin codificada como una cadena de longitud fija, siendo el valor de cada posicin el representativo de la correspondiente etiqueta lingstica.
La aplicacin de algoritmos genticos para resolver problemas de optimizacin puede seguirse con las propuestas de [Buckley y Hayasi,1994]; empleando un cruce sencillo y un operador de mutacin de una nica posicin.
Pgina 112
La combinacin de algoritmos genticos y redes neuronales para diseo de sistemas borrosos se plantea en varios trabajos; extrayendo los de [Takagi y Lee, 1993] y [Hanebeck y Smidt,1996].
Pgina 113
La vida del hombre es como un Juego de dados: si no puedes hacerte con aquel que ms fe conviene, debes con astucia procurar sacar ventaja de acaso el que te toc (Terencio)
Captulo 4. Aplicacin al Control ptimo de Procesos
Pgina 114
Aplicacin al control ptimo de procesos
1 INTRODUCCIN.
El objetivo de este captulo es definir las posibles aplicaciones de los algoritmos genticos para optimizar bases de conocimiento borrosas representativas de un determinado problema de control.
El trmino de control experto se utiliza cuando se requiere el empleo de un sistema experto basado en reglas como elemento que forma parte del sistema de control y siempre y cuando los reguladores habituales no sean suficientes. Las tcnicas de representacin del conocimiento, merced a la abstraccin, junto a los sistemas de decisin facilitan la aplicacin de una lgica programada que permita manejar las actuaciones ms adecuadas a cada solucin de manera individual a cada problema. [Velasco,1993].
La definicin de las restricciones que da [Shirley,1987] para establecer la necesidad de un sistema experto de control son las siguientes:
Los resultados son necesarios con urgencia y no hay tiempo para ser asistidos por un experto.
No hay un modelo matemtico fiable ni una especificacin detallada del proceso.
La experiencia en la resolucin del problema es conocida, pero muy compleja y se extrae mediante interrogacin directa al experto.
Los costes incurridos para obtener el sistema son compensados por la resolucin del problema.
Pgina 115
Tambin queda justificada la utilizacin de un sistema de control basado en el conocimiento cuando la instalacin de uno basado en modelos clsicos no es ejecutable. Entonces, puede ocurrir que el proceso, aunque conocido, se explote bajo unas condiciones tan imprevisibles que la experiencia del experto sea el nico camino para habilitar su control. Tambin, cuando el proceso es poco conocido, el conocimiento de los operadores que actan sobre el sistema es la nica herramienta para permitir la automatizacin del proceso. Por ltimo, cuando se tiene una gran cantidad de variables de entrada y de salida, puede suceder que el espacio de soluciones ptimas sea inabordable y, por tanto, la bsqueda heurstica permita obtener un ahorro grande de tiempo.
Una vez definido el tipo de sistema de control con el que se puede trabajar, implcitamente se descubre una necesidad subyacente de realizar un aprendizaje. En primer lugar, la complejidad del control del proceso hace que el espacio de bsqueda sea inmenso, de manera que el conocimiento permite obtener una solucin aceptable a cada una de las condiciones de fincionamiento admisibles. Adems, existen serios lmites que han de tenerse en cuenta cuando el sistema de control haya de funcionar en condiciones extremas, de manera que una accin errnea conlleve a una degeneracin del proceso y, con ello, a una situacin de desastre. Para tratar estos inconvenientes, los sistemas de control con aprendizaje permiten suavizar las limitaciones anteriores a base de generar nuevas reglas introducidas por este proceso; pero, al mismo tiempo, esta ventaja se convierte en un inconveniente derivado del hecho de no existir un contraste del experto sobre estas reglas. Este hecho impone unos condicionantes a la hora de disponer este conocimiento aprendido en el sistema real, requiriendo la existencia de algn mecanismo de filtrado que permita validar las reglas generadas a fin evitar acciones que desestabilicen el sistema.
Como mecanismo de generacin de las reglas se utilizan en este trabajo los algoritmos genticos, debido a su naturaleza exploratoria sobre el espacio de bsqueda de las soluciones al problema.
Pgina 116
Las primeras referencias de la aplicacin de los algoritmos genticos se encuentran en los trabajos que publica [Goldberg,1989], donde propone su uso para obtener un conocimiento aprendido de un sistema de control para las conducciones de gas, incluyendo los procesos transitorios. La idea fundamental de su trabajo era dividir el problema en dos:
1. Aplicacin de los algoritmos genticos para el proceso de optimizacin, que consiste en minimizar el consumo restringido por el valor de la presin, de manera que el enfoque dado pertenece a los algoritmos genticos clsicos en el sentido de [Holland,1986].
2. Aprendizaje mediante un sistema clasificador, enfoque de la escuela de Michigan, en los trminos expuestos en el captulo anterior.
En esta lnea de aplicacin de los sistemas clasificadores, se desarrollan trabajos sucesivos para mejorarlos. De ellos, en la arquitectura presentada por [Grefenstette, 1989], la representacin del conocimiento se lleva a cabo con la lgica clsica, dejando el algoritmo gentico para la introduccin de nuevas reglas y, aunque los trabajos sobre modelos de laboratorio son aceptables, igual que ocurre con los trabajos de Goldberg, la tasa de errores es los suficientemente grande como para no poder ser aplicada en un proceso industrial. Los problemas derivan de los siguientes aspectos [Velasco,1993]:
La generacin de las reglas al inicio se hace de manera aleatoria, por lo que los fallos de partida son importantes.
Las reglas que se van generando se incorporan al sistema sin llevar a cabo un proceso de filtrado o de validacin, con lo que no se puede evitar la generacin de, un cada vez, ms conocimiento errneo.
Pgina 117
Dado que las reglas se seleccionan de manera aleatoria, aunque se ejecute un mecanismo de ponderacin, no garantiza que las mejores soluciones hasta el momento sean las que se estn aplicando.
Dado que las fuerzas de las reglas no se modifican hasta ejecutar varias inferencias, el valor de evaluacin que se da es comn a todas las reglas que han intervenido.
El trabajo recopilatorio de [Geyer-Schulz, 1997] para los sistemas clasificadores define los fundamentos del sistema clasificador, expresando una metodologa para generar cada uno de los componentes que en l aparecen.
2 OPTIMIZACION SUJETA A RESTRICCIONES.
Este punto desarrolla una formulacin que conduce a una metodologa que aplica algoritmos genticos para su resolucin.
2.1
Optimizacin sin restricciones.
La optimizacin sin restricciones es resolver el problema de maximizar o minimizar una funcin en ausencia de restricciones [Bazaraa, Sherali y Shetty,1993]. La formulacin matemtica del problema es la siguiente:
minf(x)
donde / es una funcin real y f2, el universo de discurso, es un subconjunto de ". El caso de una formulacin ausente de toda restriccin corresponde Q.Q.-E".
Pgina 118
Un punto x*e Q. es un mnimo local de/en Q. si existe un valor >0 tal que (x) > f(x*) para todo valor xe Qa una distancia s de x*. Un punto x*e Q. es el mnimo global d e / en Q. si f(x) > f(x*) para cualquier valor de xe Q.. las condiciones necesarias de ser mnimo local se basan en el gradiente def, definido por
V/(x) =
dx^ ' 9x2 ^^n
y el hessiano de/en x, dado por V/(x), denotado como F(x) definido como
F{x) =
d'fjx) dxfixj
Aunque los problemas reales, incluso los ms fciles, siempre tienen, al menos, restricciones laterales, este problema se ha de estudiar por servir de base para el desarrollo de este trabajo.
Dentro de los objetivos de este trabajo, el desarrollo de este punto contribuye a manifestar una metodologa que trate este tipo de problemas aplicando Algoritmos Genticos. En s mismo, el desarrollo del algoritmo gentico debe satisfacer los problemas de codificacin, descripcin de los operadores cruce y mutacin y, como no, el mecanismo de seleccin.
2.1.1
Codifcacin y decodifcacin de la poblacin.
La caracterstica bsica de los algoritmos genticos deriva del hecho de trabajar tanto en el espacio de soluciones como en el espacio de codificacin y, adems, este trabajo se define de una manera alternativa (figura 4.1). As, el espacio de codificacin, que rene a los individuos con los que trabaja el algoritmo, es tratado con los operadores
Pgina 119
genticos cruce y mutacin; por el contrario, la evaluacin y la seleccin tratan al espacio de soluciones, hasta tal punto que la seleccin se podra entender como el vnculo entre los cromosomas y el rendimiento de los mismos en el espacio de soluciones. La codificacin y la decodificacin se requieren para poder trabajar en cada uno de estos dos mbitos.
Decodificacin
Operaciones Genticas: cruce y mutacin

Codificacin Espacio de codificacin ALSORTTMO SENTTCO Espacio de soluciones
Figura 4.1. RELACIN ENTRE LAS SOLUCIONES Y LA CODIFICACIN DE SOLUCIONES EN UN ALGORITMO GENTICO
Resolver el problema de la codificacin es clave para el buen fijncionamiento de los algoritmos genticos. Los trabajos de Holland se desarrollaron empleando una codificacin binaria que contena la informacin de cada individuo a modo de una cadena definida por estas unidades binarias. El empeo en buscar una codificacin que no fiaera entendida como una cadena se ha desarrollado durante los ltimos 10 aos con diferentes trabajos que aconsejan utilizar una representacin de los individuos a travs de una codificacin real cuando se pretende resolver un problema de optimizacin bajo unas ciertas restricciones. La utilidad de la codificacin que maneja nmeros reales saca a la luz diversos problemas que afectan a la codificacin y a la descodificacin de los individuos. Estos problemas se pueden reducir a los siguientes:
Una descodificacin del cromosoma define a un individuo que pertenece a la regin viable del espacio de soluciones.
Una descodificacin del cromosoma define a ima solucin al problema.
Pgina 120
Una descodificacin ideal debera pennitir una unicidad entre el cromosoma y el resultado de su descodicacin.
2.1.2
Evaluacin.
En cuanto al mecanismo de evaluacin, cuando se define im problema de optimizacin sin restricciones, el valor de la incin a optimizar es el que se emplea para evaluar cada uno de los individuos de la poblacin.
2.1.3
Cruce.
Entre los diferentes trabajos relativos a estos problemas, el operador cruce ms experimentado es el cruzamiento aritmtico [Gen, Cheng,1997] [Michalewicz,1994], cuya definicin es la siguiente:
Sean dos cromosomas vi y V de una poblacin; entonces, el cruce aritmtico 2 de los cromosomas se define como una combinacin de ellos; de manera que, para un cierto valor Ae(0,l), se originan dos nuevos cromosomas v'i y v 2 de manera que
v =v,+(1-A)V2 v'2 = V + (1 - A)v, 2 2.1.4 Mutacin.
Tambin en estos trabajos, el operador mutacin no uniforme es el ms extendido [Gen Cheng,l 997] [Michalewicz, 1994], cuya definicin es la siguiente: Sea un cierto individuo v, al que llamaremos predecesor, que se define por n elementos, de manera que v = [x 1, ...,Xk,...,x]. Entonces, si el elemento Xk es
Pgina 121
seleccionado para mutar, el individuo resultante v', que denominamos sucesor, queda definido por v' = [xi, ..., x'k,..., x'], donde jc'k se elige de manera aleatoria a partir de una de las dos siguientes opciones:
4 = % +^(t,Xk -X,)
xl=x,
-A(t,x,
-x^)
donde x^ y x son los lmites superior e inferior de x. La fincin A(t,y) devuelve un valor en el intervalo [0,1] tal que el valor de A(t,y) se aproxima a O cuando t aumenta, siendo t el nmero de generaciones, de manera que
^{t,y) = y-r^
Tj
siendo r un nmero aleatorio entre O y 1, T el mximo nmero de generaciones al ejecutar el algoritmo gentico y 6 un parmetro que determina el grado de no uniformidad.
2.1.5
Reemplazamiento generacional.
La seleccin sobre la poblacin predecesora produce una generacin descendiente de igual tamao, quedando constituida por los mejores descendientes y los mejores predecesores. Cuando se trata de optimizar una funcin, se utilizan los valores sobre la funcin objetivo como valores de salud de cada individuo, clasificando a los individuos de acuerdo a estos valores.
2.1.6
Ejemplo.
La publicacin de [Gen Cheng,1997] ilustra este proceso optimizando el valor de la funcin de Ackley [Acley,1987], que es un a fincin de prueba continua que se obtiene
Pgina 122
por modulacin de una funcin exponencial mediante una onda cosenoidal de amplitud moderada y que queda definida como
min f{Xi,X2) = -Ci-e
" '"'
-e '"
+c,+e
definida en - 5 < x^ < 5 y siendoy = 1,2
donde cj = 20, C2 = 0'2 y C3 = 2n y conociendo que la solucin ptima es(x*,x) = (0,0) y f(x,xl) = 0. Entonces, aplicando un algoritmo gentico con un
tamao de la poblacin de 10 individuos, un mximo de 1000 generaciones, una tasa de mutacin igual a O'l y una tasa de cruce igual a O'3 el resultado de la fincin tiene el valor -0'005456 parax^x*) = (-0'000002,0'00000) .
2.2
Programacin no lineal: optimizacin sujeta a restricciones.
La programacin no lineal resuelve el problema de optimizar una funcin objetiva bajo un conjunto de restricciones expresadas mediante ecuaciones o inecuaciones [Gen Cheng,1997][Michalewicz,1999][Myung,1996][Yokota, Gen, Li, 1996]. En trminos generales, el problema puede expresarse en los trminos siguientes:
max J{x) tal que gi(x) < O, hi{x) = 0, Xe X i=l,2, ...,m\
i = mi + 1,..., m (=mi+m2)
donde/,gi,g2v,g;,,^;,+i,/2,+2'-^m son funciones reales definidas en ", X es un subconjunto de ^ y x es un vector real de dimensin n y cuyas componentes son xi,X2,.. .yXn y que satisface las restricciones. La funcin/se denomina funcin objetivo.
Pgina 123
Cada una de las restricciones gi(x) < O se denomina inecuacin restrictiva, mientras que las restricciones hi{x) = O se denominan ecuaciones restrictivas. El conjunto X puede incluir lmites superiores e inferiores para las variables, denominando a estos lmites como restricciones del dominio. Un vectora e Xque satisfaga todas las restricciones es una solucin viable del problema. El conjunto de todas las soluciones viables constituye la regin de soluciones del dominio. Entonces, en los trminos expuestos, la programacin no lineal consiste en encontrar un punto x de la regin de soluciones tal que f(x) < f{x) para cada punto viable x. Este punto representa la solucin ptima.
El problema se plantea porque los mtodos convencionales son muy complejos y poco eficientes en ocasiones [Gen Cheng,1997]. La aplicacin de algoritmos genticos en este campo es estudiado por numerosos investigadores [Schaffer,1989].
2.2.1
Tratamiento de las restricciones.
El problema findamental que surge al aplicar algoritmos genticos est en la manera en la que se van a manejar las restricciones, pues los individuos generados con los operadores genticos no son vlidos en muchos casos al no caer en la regin de soluciones viables. En este sentido se han desarrollado numerosos trabajos [Orvosh y Davis,1994], siendo muy relevante el dado por [Michalewicz,1996] donde se da una perspectiva global del problema.
En los siguientes apartados se describe una clasificacin para las distintas tcnicas de manipulacin de las restricciones.
2.2.1.1 Estrategia de rechazo.
Consiste en descartar a todos los individuos no vlidos que se hayan generado durante todo el proceso de ejecucin del algoritmo gentico.
Pgina 124
Este mtodo funciona muy bien cuando la regin admisible del espacio de bsqueda constituye, en s misma, una parte importante del espacio completo. Esta afirmacin trae consigo consideraciones muy importantes, pues podra ocurrir que la poblacin inicial tenga slo individuos inadmisibles que habra que mejorar y, por otro lado, tambin podra ser una buena tctica para llegar al ptimo el atravesar una regin no admisible para el problema.
2.2.1.2 Estrategia de reparacin.
Esta estrategia consiste en convertir un individuo inadmisible a vm individuo razonable a base de ejecutar un procedimiento de reparacin.
Este procedimiento puede obtenerse con cierta facilidad cuando se trata de optimizar un problema combinacional. Los trabajos de [Liepins, 1990 y 1991] demuestran, mediante pruebas empricas, el rendimiento de los algoritmos genticos en este tipo de problemas y como la estrategia de reparacin permite no slo un incremento de rendimiento, sino tambin de velocidad. La estrategia de reparacin debe ser diseada adecuada a cada tipo de problema.
El siguiente punto de discusin es qu hacer con los individuos que han resultado de la reparacin de otros; es decir, si los individuos "reparados" se utilizarn slo para la evaluacin o tambin para incorporarse a la poblacin. En este sentido hay varias tendencias. Lipeins y colaboradores slo utilizan estos individuos para la evaluacin, [Nakano y Yamada, 1991] siempre incorporan estos individuos a la poblacin, [Orvosh y Davis, 1994] definen una regla heuristica que denominan del 5% y que dice que los resultados extrados de muchos problemas combinacionales fueron mejores al incorporar un 5% de los individuos resultantes de la reparacin; por ltimo, [Michalewicz, 1996] indica que un remplazamiento del 15 % con estos individuos resulta muy til ante problemas de optimizacin numrica con restricciones no lineales.
Pgina 125
2.2.1.3 Modificacin de los operadores genticos.
Esta tcnica est orientada a la definicin de los operadores genticos en funcin del problema a resolver, de manera que los individuos siempre estn en la regin admisible del espacio de bsqueda. El trabajo de [Michalewicz,1996] indica que en muchos problemas esta tcnica da mejores resultados que la de incluir algn mecanismo de penalizacin y hace la siguiente afirmacin: muchos trabajos utilizan operadores especializados y representaciones dependientes del problema para construir algoritmos genticos muy potentes en muchas reas; sin embargo, la bsqueda gentica de esta aproximacin est confinada a la regin admisible del espacio de bsqueda.
2.2.1.4 Estrategia de penalizacin.
Mientras las tres tcnicas anteriores tienen la ventaja de no generar nunca individuos que caen fiera de la regin admisible del espacio de bsqueda, tienen la desventaja de no considerar puntos fiera de esta regin. Cuando el problema tiene fuertes restricciones, ocurre que las soluciones inviables tienen una representacin relativamente importante en la poblacin; con lo que las soluciones admisibles sern difciles de encontrar si confinamos al algoritmo gentico a las regiones admisibles del espacio de bsqueda. En este sentido, [Glover y Greenberg, 1989] afirman que se obtienen mejores soluciones y un proceso de optimizacin ms rpido cuando se permite un movimiento hacia las regiones de soluciones no vlidas. [Gen y Cheng, 1997] proponen, a la vista de los distintos trabajos sobre los que profundizaron, esta tcnica para aplicacin en los algoritmos genticos.
La tcnica de penalizacin es la ms extendida porque, al permitir considerar las soluciones no vlidas, se transforma un problema de optimizacin sujeto a ciertas restricciones a un problema sin restricciones; bastando aadir un trmino de penalizacin a la funcin objetivo para considerar la violacin de las restricciones. Sin prdida de generalidad, el espacio de bsqueda se puede considerar constituido por dos
Pgina 126
reas: la parte done las soluciones son vlidas y la zona de soluciones no vlidas; representando esta situacin en la figura 4.2. Sin embargo, la identificacin de los individuos no vlidos no es una tarea trivial. Por ejemplo, en la figura la solucin no vlida "b" est mucho ms cerca del ptimo "a" que la solucin vlida "c" y que la solucin "d", tambin no vlida.
Figura 4.2. ESPACIO DE SOLUCIONES: REAS DE VALIDEZ E INVALIDEZ.
La situacin a la que se llega es tal, que se podra pensar que "b" tiene una informacin sobre el ptimo "a" mucho ms completa que "c".
El problema es que no se puede conocer "a priori" el ptimo "a", motivo por el cual es tan difcil discriminar las soluciones vlidas de las que no lo son. [Gen Cheng,1997] define los trminos en los que se puede utilizar una funcin de penalizacin p(x) que gue la bsqueda gentica hacia el rea ms prometedora, de manera que esta funcin mide la invalidez de un individuo para ser una solucin Vlida.
Con los trminos expuestos, podemos concluir que la funcin de penaUzacin tiene un diseo dependiente del problema.
Pgina 127
2.2.2
Planteamiento para resolver el problema.
En trminos generales, con el objetivo de transformar un problema con restricciones en uno sin restricciones, hay dos maneras de definir la fincin de evaluacin con un trmino de penalizacin:
1. Definir la fincin de evaluacin como la suma de la fincin objetivo del problema y un trmino de penalizacin. Entonces: eval (x) =fiy-)+ p{x)
siendo x un individuo de la poblacin, _/(x) es la fincin objetivo y p{x) el trmino de penalizacin.
Si el problema es el de maximizar, se requiere que el trmino de penalizacin satisfaga que
p{x) = 0 p{x) < O
si X es vlido en cualquier otro caso
Si admitimos que entre la poblacin actual de soluciones no vlidas, los trminos bWlmax corresponde al mximo de | p{x)\ y el trmino | y(x)|min es el mnimo de | f(x)\, entonces tambin se requiere que para evitar valores negativos de la salud de cada individuo se satisfaga que
Cuando el problema es el de minimizar, se requiere que
p{x) = 0 p{x) > O
Pgina 128
Aplicacin al control ptmo de procesos
2. El segundo mtodo es definir la funcin de evaluacin como el producto de la funcin objetivo por el trmino de evaluacin. Entonces:
eval (jc) =y(x) p{x)
Para problemas en los que se desea maximizar, se requiere que el trmino de penalizacin satisfaga que
p{x) = 1 O <p(x)< 1
Mientras que para problemas en los que hay que minimizar, los requisitos del trmino de penalizacin son
p{x) = 1 p{x)> 1
Se debe considerar que en estos problemas, donde se ha de minimizar, el individuo ms fuerte tiene el valor de salud ms bajo y el individuo con mayor valor de salud es el que tiene una componente de penalizacin ms grande. Por este motivo, habr que considerar el mecanismo de seleccin que se haga, pues en muchos de ellos el individuo con mayor valor de salud es el ms apropiado para ser considerado como la solucin.
Se exponen, a continuacin, los mtodos ms empleados en la bibliografa sobre algoritmos genticos aplicados a resolver problemas de programacin no lineal.
Pgina 129
2.2.2.1 Mtodo de Homaifar, Qi y Lai.
El trabajo de [Homaifar, Qi y Lai, 1994] se desarrolla considerando el siguiente problema de calcular
minj[x)
bajo el conjunto de restricciones
g(x) > O
con i = 1,2, ..., m.
y eligiendo la funcin de evaluacin como
eval (x) =J{x) +pix)
La construccin del trmino de penalizacin p{x) tiene dos componentes; as, en primer lugar, un factor de penalizacin variable y, en segundo lugar, una penalizacin como medida de la violacin de las restricciones.
six es admisible en otro caso
pix) = '^T-gf (x)
En esta expresin, el factor r, es el coeficiente de penalizacin para la restriccin i. As, para cada restriccin se definen distintos grados de severidad que permitan medir su infi"accin. Entonces, el factor r, varia segn el grado de severidad. La definicin de esta graduacin no es una tarea sencilla y, adems, depende del problema a solucionar.
Los trabajos de [Michalewicz, 1995], hechos en este sentido, indican que la calidad de la solucin va a depender de la eleccin de estos coeficientes. Adems, cuando estos coeficientes ejercen una presin moderada, se puede ir con facilidad hacia una regin no
Pgina 130
vlida. Por el contrario, una presin excesiva de estos coeficientes conduce a una estrategia de rechazo.
2.2.2.2 Mtodo de Joines y Houck.
El mtodo seguido en los trabajos de [Joines y Houck, 1994] se desarrolla sobre el siguiente tipo de problemas
min f{x) tal que g\{x) > O, hi{x) = 0, i = 1,2,..., mi i = mi + 1,..., m (=mi+m2)
Sobre el que se elige unafiancinde evaluacin definida por
eval (x) =f{pc) +p{t,x)
La construccin del trmino de penalizacin p{x) se compone de un factor de penalizacin variable y de una penalizacin como medida de la violacin de las restricciones.
p{t,x) = p:'Zdf(x) 1=1
En esta expresin de la penalizacin, t es la iteracin del algoritmo gentico y los parmetros a y fi se utilizan para ajustar la escala del valor de la penalizacin. El
Pgina 131
trmino de penalizacin para cada restriccin di (x) y el factor de penalizacin variable Pt vienen dados por las expresiones siguientes:
O si X es vlido d (x) = < \g (x)| de otro modo siempre que 1 < x < w, \h (x)| de otro modo siempre que m, +1 < x < w
=Cy.t
donde C es una constante. La penalizacin sobre los individuos no vlidos va creciendo a lo largo del proceso evolutivo por el factor p;. El factor de penalizacin variable va variando en cada iteracin del algoritmo gentico; mientras que en el mtodo anterior esta variacin vena dada por el nivel de severidad dado a la infraccin del individuo.
Los resultados experimentales determinan que la calidad de la solucin es muy sensible a los tres parmetros. El factor de penalizacin variable hay que disearlo dependiente del problema y de manera que tenga una capacidad dinmica adecuada para que esta componente se incremente con las sucesivas generaciones y que en la ltima d una pena capital a los individuos no vlidos. Este hecho es el motivo de la prematura convergencia resultante de la aplicacin de este mtodo, tal y como se extrae del estudio de [Michalewicz, 1995].
2.2.2,3 Mtodo de Michalewicz y Attia.
El mtodo seguido, [Michalewicz, 1995], se desarrolla sobre el siguiente tipo de problemas min j{x) tal que gi(x) > O, Ai(x)= O, i = 1, 2, ..., mi i = wi + 1,..., m (=mi+m2)
Pgina 132
Sobre el que se elige una funcin de evaluacin definida por
eval (x) =J{x)
+P{T,X)
La construccin del trmino de penalizacin p{x) se compone de un factor de penalizacin variable y de una penalizacin como medida de la violacin de las restricciones.
Donde A es el conjunto de las restricciones activas, que queda constituido por todas las ecuaciones no lineales y por las inecuaciones no lineales incumplidas. Se define una restriccin gi{x) como violada o incumplida en un punto x si y slo si g{{x) > ^(i= 1,..., m), donde des un parmetro que permite decidir si una restriccin est activa. Adems, en aquella expresin, la componente de penalizacin variable z se denomina temperatura. Por ltimo, di{x) es el trmino de penalizacin para una restriccin y se define en los trminos que se expresan a continuacin.
, .
max{0,g(x)} para\<i<m^ [ \h{x\ para m, +1 < / < m
El sistema GENOCOP II, desarrollado por [Michalewicz y Atta,1994], se basa en la programacin de la temperatura desde un valor inicial hasta un valor mnimo. El problema es cmo adaptar los resultados de este sistema a otros tipos de problemas.
Pgina 133
2.2.2.4 Mtodo de Smith, Tate y Coit.
Los primeros que definieron una fincin de penalizacin adaptativa fueron [Smith y Tate, 1993], en la que se alteraba la penalizacin de manera dinmica para obtener un factor de escala que se define de acuerdo a la salud del mejor individuo encontrado durante todo el proceso. A este trabajo, [Coit y Smith, 1996] aadieron un concepto que permita definir un umbral de cercana a la regin vlida. Las funciones extemas se definen de forma no decreciente con la distancia de una solucin a la regin de validez. Entonces, el umbral se define como la distancia entre la regin de validez y aquella que es considerada por el usuario como "caliente".
En esta lnea, los autores trabajan sobre un problema de la forma
max f{x) tal que g{{x) <bi, i = 1, 2, ..., m
La funcin de evaluacin viene definida de la forma
eval (x) =J{x) +p(x)
La construccin del trmino de penalizacin/?(x) se compone de un coeficiente para una penalizacin relativa al grado de violacin de la restriccin y un trmino de penalizacin adaptativa.
>
AJ
A lumbral
V tola!
J viable J
En esta expresin, el parmetro a se concibe para ajustar la severidad de la funcin de penalizacin. Por otro lado, el trmino Ab(x) define el valor de infraccin de la restriccin i y el trmino AZ)""'*' da el umbral de cercana a la regin vlida para la
Pgina 134
restriccin i, que es dependiente del problema. Por ltimo, f*abie^^ ^^ valor de la funcin objetivo para la mejor solucin encontrada y fl,^ es el valor de la funcin objetivo sin penalizar para la mejor solucin encontrada.
La expresin del trmino adaptativo (/,*,^, - /J*^,^) presenta dos claros inconvenientes. El primero de ellos se da porque la penalizacin es nula cuando flabie~ ftotai ? porque es incapaz de penalizar a las soluciones no vlidas. El segundo inconveniente es la excesiva penalizacin cuando el valor /,*,^/ es muy grande en los primeros ciclos generacionales, de manera que las soluciones no vlidas sufren una penalizacin muy fuerte.
2.2.2.5 Mtodo de Yokota, Gen, Ida y Taguchi.
El trabajo de [Yokota, Gen, Ida y Taguchi,1995] se desarrolla sobre el mismo problema anterior, es decir max j{x) tal que gi(x) <bi, i = 1, 2, ..., m
La funcin de evaluacin se expresa en los trminos siguientes:
eval (x) =J{x) p(x)
Y la funcin de penalizacin/)(x) se define por
Â>..(x)V
m ,=1
Ab (x) = max{0, g (x) - b}
Pgina 135
El trmino A, (x) define el valor de infi-accin de la restriccin i. Adems, la funcin de penalizacin se hace equivalente a la de Smith, Tate y Coit si se considera en sta ultima que AZ)""*' = bi. La diferencia ms importante es que la expresin del mtodo, ahora en estudio, es independiente del problema al no definirse trminos paramtricos.
2.2.2.6 Mtodo de Gen y Cheng.
El trabajo de [Gen y Cheng, 1996] se desarrolla con el fin de penalizar, respecto al mtodo anterior, de una manera ms severa a todas las soluciones no vlidas. En este sentido, la fiancin de penalizacin se define, para cada individuo x de la poblacin P(t) de la generacin t, como
^ r Abx) .1. (..\\

m ,=1
Âbr,
Ab (x) = max{0, g (x) - b} Ab^ = max{e

,A>;(JC)|JC e
P(t)}
El trmino A (x) define el valor de infi-accin de la restriccin i por el individuo x; A""" es el valor mximo de infi-accin en la restriccin i para todo miembro de la poblacin actual y s es un valor suficientemente pequeo y positivo necesario para evitar la divisin por cero.
En problemas con una gran cantidad de restricciones, las soluciones no vlidas van siendo cada vez ms numerosas en cada generacin. Frente a este hecho, la incin de penalizacin propuesta ajusta el grado de penalizacin de manera adaptativa y, con ello, se permite un equilibrio entre la conservacin de la informacin y la presin del operador seleccin sobre las soluciones no vlidas, evitando, adems, el problema de asignar una penalizacin nula.
Pgina 136
2.2.3
Definicin de los operadores genticos.
Una vez descritos los mtodos para definir la uncin de penalizacin, el siguiente punto a describir es la manera en la que han de definirse los operadores genticos a aplicar a este tipo de problemas. Antes de entrar en la definicin de los operadores, el primer paso es definir la representacin a adoptar para los individuos de la poblacin, de manera que una representacin real es la elegida; donde cada individuo es un vector de nmeros reales de la longitud del vector solucin (representacin en coma flotante [Michalewicz,1994], representacin de nmeros reales [Davis,1991], representacin continua [Mhlenbein,1991]); de esta forma, para el problema de optimizacin bajo un cierto conjunto de restricciones y que se expresa como
max f{x) tal que gi{x)<0, hi(x) = 0, xsX i = l , 2 , ...,mi i = mi + l,...,m (=mi+m2)
El vectorjc = [x[,X2,...,x] constituye un individuo que se utiliza para representar la solucin. En este sentido, los operadores genticos se han diversificado en tres grupos: convencionales, aritmticos y direccionales. Los operadores convencionales resultan de la extensin natural de la representacin binaria a la representacin que emplea valores reales. Los operadores aritmticos resultan de aplicar la teora de los conjuntos convexos, de manera que se hace una combinacin lineal de vectores sobre el rea definida por dichos conjuntos. Los operadores direccionales introducen la direccin del gradiente en los operadores genticos.
2.2.3.1 Operadores convencionales.
El primer operador es el operador de cruce simple, que es expuesto por [Davis, 1991] de manera anloga al operador de cruce por un punto utilizado en la representacin
Pgina 137
binaria. De esta manera, sean dos individuos x = [xi,X2,:.,x^] e y = [y^jtâv> J]> que son los individuos predecesores de los dos individuos descendientes, x' e y', que resultan del intercambio de la informacin de x e y en la posicin k:
cruce posicin A
,_ r
X[,X2,...,Xjj,x^],...,x^ J
X \x^,X2,..,x^,y^^^,...,y^j
Las extensiones del cruce por dos puntos, el cruce por mltiples puntos y el cruzamiento uniforme se definen de la misma manera que se dieron en el captulo 2, y que recogen los resultados de los trabajos de [Spears, De Jong, 1991] y [Syswerda,1989].
Otro operador es el cruce aleatorio, que consiste en crear de manera aleatoria los descendientes a partir de un hiperrectngulo definido por los padres. En este sentido, el operador propuesto por [Radcliffe,1990] consiste en construir el descendiente de forma uniforme, de manera que cada gen toma valores en el intervalo definido por los valores de los genes de los predecesores.
En cuanto a la mutacin, s que resulta diferente de la representacin binaria. En primer lugar, la idea bsica es ejecutar una mutacin uniforme y en la que un gen cambia dentro de un rango de valores especfico, obtenindose el nuevo valor de forma aleatoria. Entonces, sea x = [xj,X2,...,x,...,x] el individuo sobre el que se va a aplicar el operador mutacin. As pues, se elige un valor aleatorioA:e[l,n], que define la posicin afectada por la mutacin, de manera que el resultado de la mutacin esx'= [xi,X2,...,x,x^+,,...,xJ, dondexês un valor aleatorio sobre una distribucin de probabilidad uniforme en el intervalo[xf-^,xf'^J; siendoxf-^ yxf'^ los lmites superior e inferior de la variable x, definidos a partir de las restricciones sobre el dominio de definicin del problema. El trabajo de [Michalewicz,1994] da una metodologa de la manera en la que se puede llevar a cabo un clculo dinmico de este intervalo a partir del conjunto de restricciones del problema.
Pgina 138
Las variaciones de esta mutacin uniforme son dos. La primera de ellas, defendida por [Michalewicz, Logan y Swaminathan,1994], reemplaza, con una probabilidad equivalente, el valorx por xf^yxf*'. La segunda, [Janilow y Michalewicz, 1991], reemplaza el valor dex no por los valores superior e inferior de su dominio de definicin, sino por un valor del intervalo [x_i, x^^, ].
2.2.3.2 Operadores aritmticos.
Se van a definir un operador cruce y un operador de mutacin dinmica.
Para el operador cruce se toma prestada la teoria de conjuntos convexos, que se puede encontrar en [Bazaraa, Sherali y Shetty, 1993]. De manera general, la media ponderada de dos vectores x, y Xj se calcula como
A] X] + 2 X2
Adems, si los parmetros ?^y X^ quedan restringidos por
^^,+^2=1,
\>^
;2>0
la ponderacin se denomina combinacin convexa. Si se anula la condicin de que los parmetros sean no negativos, entonces la ponderacin se denomina combinacin afn. Por ltimo, si slo se requiere que los parmetros tomen valores reales en el espacio E , se tiene una combinacin lineal.
Pgina 139
En estos trminos, el operador cruce produce dos nuevos individuos, x, yxj , a partir de sus dos individuos predecesores, Xj yxj, de forma que
Dependiendo de las restricciones sobre \ y /Ij, el cruce se denominar convexo, afn o lineal. El cruce convexo es el ms extendido [Michalewicz,1994] y las variantes de [Davis, 1991] y [Schwefel,1981] restringen los parmetros de forma que Aj = Aj = 0'5.
El cruzamiento afn fue empleado por primera vez por [Wright,1991], definiendo los parmetros por los valores X^ = l'S y /Ij = - 0'5. La generalizacin del mtodo, [Mhlenbein, Schlierkamp-Voosen,1993], es que los parmetros tomen un valor aleatorio en el intervalo [-d, 1+d].
En cuanto al cruce lineal, la aplicacin es definida en los trminos de los trabajos de [Cheng y Gen, 1997]. Entonces, los parmetros \ y ^2 quedan restringidos por
A,+A2<2,
>î>0
A2>0
La explicacin geomtrica dada por los autores se describe a continuacin. Para dos padres Xj yx2, el conjunto de todas las combinaciones convexas definen lo que denominan una envoltura convexa. De la misma manera, se puede definir una envoltura afn, a partir de todas las combinaciones afines, y una envoltura lineal, a partir de todas las combinaciones lineales.
La figura 4.3 es un ejemplo sobre el espacio bidimensional. Los descendientes generados con el cruce convexo caen sobre la lnea continua, los descendientes obtenidos por cruce afn caen sobre la lnea de puntos y los descendientes obtenidos mediante el cruce lineal caen sobre cualquier punto del espacio.
Pgina 140
lx.
Fnvnltiira linMl = R^ _ ...
y/^PAClO DE SOLUCIONES ^ C
r
^
' 1
{
1
/^"'' (
^
^--^
\Envoltura afn
i
^ W
x
Figura 3.3. ENVOLTURAS CONVEXA, ATIN Y LINEAL
El primer problema que se podra presentar es el derivado de la creacin de individuos, inadmisibles como soluciones al problema, a partir de estos operadores. A este respecto, el uso de funciones de penalizacin, eficientes sobre el problema, se encarga de anular todo individuo inadmisible. La clave est en la eleccin de los parmetros que intervienen en el cruce; de manera que, generalmente, se reconoce que el valor absoluto de los mismos debe pertenecer al intervalo definido por los lmites superior e inferior del dominio de las restricciones para, con ello, forzar la bsqueda gentica dentro de un rea razonable para el problema.
En cuanto a la mutacin, se define un operador denominado mutacin dinmica o mutacin no uniforme, propuesto por [Janilow y Michalewicz,1991], definido en los trminos siguientes. Sea un cierto individuos = [xi,...,x,...,x], de manera que la mutacin afecta a la posicin k, resultando un nuevo individuos |xj,...,x^,...,x^J donde x se elige de manera aleatoria entre dos posibles opciones:
^ = ^* + A(, xf'" - x) o
x; = X, - A(, X, - x f )
Pgina 141
En las expresiones anteriores, la funcin A{t,y) devuelve un valor en el intervalo [O, y], de manera que A{t,y) se aproxima a O cuando el nmero de generaciones, t, aumenta. De esta manera, se fuerza que la bsqueda sea uniforme en las primeras generaciones y fuertemente local en las ltimas generaciones. La expresin de la funcin A{t,y) es la siguiente:
Ait,y) = y-r- ^ - 1
.V
En ella, r es un nmero aleatorio entre [0,1], Tes el nmero mximo de generaciones y b es un parmetro que determina el grado de no uniformidad. Si el resultado de aplicar el operador conduce a la generacin de individuos no admisibles, entonces se debe reducir el valor de r.
2.2.3.3 Operadores direccionales.
Los operadores anteriores, tanto convencionales como aritmticos, no garantizan que los descendientes sean mejores que los predecesores. Los operadores direccionales cruce y mutacin incluyen conocimiento del problema a fin de conseguir mejores individuos.
El cruce direccional, definido por [Michalewicz, 1994] utiliza valores de la funcin objetivo para determinar la direccin de la bsqueda gentica. De esta manera, a partir de dos individuo s Xj yxj se genera un individuo x' de forma que
C K ' I^2
X | I *rX
donde r es un nmero aleatorio entre [0,1]. Adems, se asume quexj no es peor quex,, lo que implica que/{x2) > / ( x , ) para maximizar y/(x]) > / ( x j ) para minimizar.
Pgina 142
La mutacin direccional es definida por [Gen, Liu y otros, 1996]. La expresin del teorema de Taylor para una funcin/diferenciable y continua viene dada por
f{x + Ax)^f(x)
+ (Vf(x + eAx)YAx,
xeR"
donde O < 6< 1, V/(x) es el gradiente de la fincin/en el punto x y Ax es una pequea perturbacin en R". Para el problema cuyo objetivo es maximizar, la direccin de la mutacin viene dada por la direccin del gradiente; por el contrario, cuando se trata de minimizar, la direccin de la mutacin viene dada por la direccin del gradiente negativo.
Dado que al problema no se le exige una formulacin matemtica muy precisa, se puede simplificar el clculo de la componente / del gradiente como
/(xi,...,x.+Ax,.,...,xJ-/(x,,...,x.,...,x)
Ax
siendo Ax,.un nmero real pequeo.
Si denominamos como d la direccin determinada por este mtodo, la expresin del descendiente despus de la mutacin viene dada por
X = x + r-d
siendo r un nmero real no negativo y aleatorio que se elige de forma que el descendiente sea una solucin vlida.
La bibliografa es extensa en ejemplos de este tipo, quedando como una referencia interesante por su riqueza la publicacin de los trabajos de [Homaifar, Qi y Lai, 1994],
Pgina 143
donde se resuelven problemas aplicando algoritmos genticos basados en el mtodo del gradiente generalizado y contrastndolos con resultados ya encontrados.
3 SISTEMAS BASADOS EN REGLAS: OPTIMIZACION.
Los sistemas basados en reglas son de uso frecuente en diferentes reas y la aplicacin de los algoritmos genticos se justifica por la naturaleza exploratoria de los mismos, aprovechando esta naturaleza para la obtencin de bases de conocimiento ptimas para cada problema particular.
La aplicacin de los algoritmos genticos requiere, en primer lugar, una identificacin de la poblacin para, hecho esto, poder llevar a cabo una representacin de los individuos que constituyen a la misma. Seguidamente, el estudio del entorno sobre el que va a actuar la poblacin es crucial a fin de lograr una fincin de evaluacin de los mismos y que va a ser la medida que se tendr para "medir" la evolucin del proceso. Con todo lo anterior ya s que se puede proceder a aplicar los mecanismos de generacin de nuevos individuos y en los que se va a proceder a seleccin, as como a la ejecucin de las operaciones del cruce y de mutacin. Una vez obtenidos los nuevos individuos, se deber tener una estrategia de insercin de los individuos en la poblacin.
3.1
Algoritmo gentico bsico.
Este apartado describe la formulacin de un algoritmo gentico para la bsqueda de una base de reglas, estando orientado a la formulacin de decisiones y su formulacin se hace a partir del trabajo de [Zhang y Roberts, 1992], donde el objetivo es encontrar una base de reglas que permita identificar errores a partir de una serie de sntomas. Los sntomas corresponden a la parte de condiciones de la regla, siendo el consecuente de la misma el fallo diagnosticado.
Pgina 144
As pues, sobre un determinado sistema se pretende encontrar ima base de reglas en las que las condiciones son las variables medidas en l y cuyo consecuente es la variable que determina la actuacin sobre dicho sistema, la definicin del algoritmo gentico a emplear se va a hacer en trminos de la representacin, la eleccin de la fimcin de salud y la descripcin del ciclo gentico.
3.1.1 Representacin de la poblacin. La aplicacin del algoritmo gentico trabaja sobre grupos de estructuras que representan a las reglas mediante cadenas de datos binarios. Cada una de estas estructuras, individuo de la poblacin, es una regla que relaciona un conjunto de condiciones, C donde z\...n, con un consecuente (resultado), Rj siendoy = 1.. .m, de la siguiente manera: IF C1&C2& C3 &.. .& C THEN i?x Cada condicin Q corresponde a la informacin real de la variable /-sima del sistema, de manera que el valor de la misma puede ser uno en particular o un valor comodn para indicar que el valor que tome esta variable no es relevante para el resultado que se va a proponer. Ejemplo:
Supongamos que, de un sistema, la variable "presin "forma parte de las condiciones de la regla y que los valores de la misma, obtenidos mediante medida directa, se dan en forma de categoras con los trminos "incremento", "decremento" y "sin cambio". Entonces, para la aplicacin del algoritmo gentico se define el trmino "no importa el valor"y al que denotaremos con el carcter '#'. Una vez que se han identificado el conjunto de definicin de cada variable, se procede a una codificacin binaria de los mismos que, en el caso propuesto, asigna dos hits a cada posible valor.
valor decremento Sin cambio incremento
cdigo binario 00 01 10
Pgina 145
Sin relevancia (#)
11
Entonces, cuando una condicin de ima regla corresponde al valor comodn, significa que el valor que tome es irrelevante para la conclusin y que, llegado el caso, puede sustituirse por cualquiera de los valores admisibles. Sin embargo, al introducir el valor '#' se consigue que los condicionantes de cualquier regla sean de la misma longitud. De este modo, si una regla tiene n condiciones y cada condicin requiere p bits para la expresin los valores admisibles, aqulla se codificar con una cadena depxn bits.
Para realizar la inferencia de las reglas se requiere un conjimto de datos de entrenamiento y que se pueden extraer de un proceso de simulacin o de una experiencia previa del incionamiento del sistema. Cada grupo de datos de un entrenamiento representa a los estados del proceso a fin de poder identificar cada resultado, consecuente de la regla, que representa la accin a tomar sobre el sistema. Adems, se requiere un grupo de datos de entrenamiento que represente a las condiciones normales de explotacin.
3.L2
Eleccin de la funcin de salud.
La incin de salud permite identificar la "importancia" de cada uno de los individuos de la poblacin. Dado que cada individuo representa a una determinada regla y que el objetivo es identificar una accin sobre el sistema, la fierza de cada regla deber valorar los siguientes aspectos:
El nmero de aplicaciones con xito de una regla medido con los datos de entrenamiento generados para la misma (NEA).
El nmero de firacasos al aplicar el resto de los datos de entrenamiento a esta regla (NFA).
El nmero de caracteres '#' en las condiciones de la regla (NOS).
Pgina 146
De esta manera, la salud de ima regla se puede expresar como una de estas dos funciones:
a.-
F = aNEA - PNFA + xNOS + M a NEA + TNOS F =p NFA + 1
b.
a, p, T son coeficientes positivos y M es tal que hace que F nunca sea negativa.
La diferencia entre las dos expresiones es que la primera (a) es lineal y, adems, depende del parmetro M, pudiendo tomar valores excesivos; por otro lado, la segunda funcin (b) mide la relacin de xitos frente a firacasos, con lo que presenta mayor sensibilidad que la primera (a); con lo que, en general, se prefiere la expresin (b) a la (a).
En uno u otro caso, los valores de los parmetros a, p y x pueden afectar al aprendizaje, pues la eleccin de los mismos se hace a partir de la cantidad de datos de entrenamiento y de los objetivos del usuario. As, si p es grande se penalizan mucho las aplicaciones incorrectas. Por otro lado, un valor de p pequeo puede llevar a diagnsticos errneos.
As, consideremos el siguiente ejemplo:

Supongamos que se tienen dos reglas tales que los valores de xitos y fracasos en su aplicacin, as como el nmero de caracteres comodn son los siguientes
Regla 1 2
NEA 15 12
NFA 2 1
NOS 0 0
Si los valores de los parmetros son a = 5, P = 0'5 y T = O, resulta que la fuerza de cada regla, segn la expresin (b) es, para la primera regla, Fj = 37'5 y, para la regla 2, F2 = 40; de manera que la regla 2 es preferible a la regla 1.
Pgina 147
Si los valores de los parmetros son a = 5, P = O' 1 y x = 2, resulta que la fuerza de cada regla, segn la expresin (b) es, para la primera regla, Fi = 62'5 y, para la regla 2, F2 = 55'6; de manera que la regla I es preferible a la regla 2.
3.1.3
Descripcin del ciclo gentico.
El algoritmo gentico funciona en los trminos descritos por [Goldberg, 1989] con ligeras modificaciones que afectan a la insercin de individuos en la poblacin. El motivo es que si se aplica el mtodo tal cual, el reemplazamiento de la poblacin al final de cada generacin es completo. En su lugar, un criterio adecuado es el de sustituir la peor regla generada con la mejor regla de la poblacin predecesora.
As pues, la descripcin del ciclo gentico se ilustra en la figura 4.4.
SELECCIN
1-^
CRUCE
]-^
MUTACIN
EVALUACIN!
INSERaON
Figura 4.4. CICLO GENERACIONAL.
En cuanto a la aplicacin del algoritmo, es necesario puntualizar antes de continuar, que la poblacin de reglas a considerar va orientada a ima misma accin; esto es, si el sistema se disea para distinguir un nmero de actuaciones, p, entonces habr p poblaciones sobre las que se ejecutar el algoritmo gentico entre las reglas que constituyen a cada poblacin.
Pgina 148
3.1.4
Descripcin del algoritmo gentico.
Este apartado describe en detalle cada una de las etapas del ciclo gentico descrito: poblacin inicial, seleccin de individuos, cruce, mutacin e insercin o
reemplazamiento de individuos predecesores por los descendenties resultantes de las operaciones genticas.
3.1.4.1 Poblacin inicial
La forma tradicional de iniciar la poblacin es aleatoria. De esta manera se requiere gran diversidad de individuos y un mnimo conocimiento. Otra manera de hacer este proceso inicial, es sembrar la poblacin inicial con el conocimiento existente.
Para construir las reglas iniciales relativas a una determinada accin, se inspeccionan los datos de entrenamiento correspondientes y se encuentran los diferentes patrones de estos datos. Las reglas iniciales se desarrollan copiando estos patrones y luego desviando los sntomas en las direcciones posibles (por ejemplo, no se desvan de incremento a decremento), aunque esta direccin de desvo puede decidirse, en ocasiones, a partir del conocimiento disponible. Al inicio, stos quedan, de esta manera, inalterables y la nica desviacin posible es 'E'; mientras que, por otro lado, los valores de otras condiciones se dirigen a todas las direcciones posibles para poder conseguir una gran diversidad en la poblacin.
3.1.4.2 Seleccin.
El objetivo de este apartado es definir el procedimiento que marca la fase de seleccin, as como el clculo de la salud de cada regla (individuo de la poblacin).
En primer lugar, se debe considerar que la nueva generacin de reglas ser de igual tamao que la generacin tomada como predecesora.
Pgina 149
La manera en la que se elige una cierta regla i de las n que integran la poblacin, se hace de forma aleatoria a partir del valor de salud de cada regla ( / . ) y la salud total de la
n
poblacin C^fj
)', de manera que la probabilidad, p., de eleccin de dicha regla viene
dada por la siguiente expresin:

Pi=
As, las reglas ms "fuertes" dan lugar a mayor nmero de descendientes.
La manera en la que se expresa el procedimiento de seleccin es el siguiente:
1. Codificacin de cada regla como una cadena binaria a fin de obtener los n individuos que componen la base la reglas de una determinada accin.
2. Evaluacin cada individuo i de la poblacin, de manera que la salud de la regla se obtiene a partir de la funcin de salud ya descrita antes y cuyo valor es f.
3. Clculo de la probabilidad de seleccin, p, de cada individuo /.
4. Clculo de la probabilidad acumulada de cada individuo / y que se define como

i
5. Generar un nmero aleatorio, al que denotaremos como r, en el intervalo [0,1].
6. Si se satisface que r <q^, entonces se selecciona el primer individuo.
Pgina 150
De otro modo, se selecciona el individuo k, 2 < A < , tal que ^^_i <r<q. :
Ejemplo:
Supongamos que tenemos 10 reglas y que los valores de salud, de probabilidad de seleccin y de probabilidad acumulada son los de la tabla que sigue, a continuacin.
Individuo
Salud
probabilidad de seleccin P
probabilidad acumulada 9/ O'llllSO 0'208695 0'262534 0'427611 0'515668 0'582475 0'683290 0'794234 0'942446 1'000000
1 2 3 4 5 6 7 8 9 10
10
19'805119 17'370896 9'590546 29'406122 15'686091 11'900541 17'958717 19'763190 26'401669 10'252480 =178'135372
CHUSO 0'097515 0'053839 0'165077 0'088057 0'066806 0'100815 0'110945 0'148210 0'057554
^fj
Supongamos, asimismo, que la ejecucin de la actuacin con el mtodo de la ruleta 10 veces da los siguientes 10 nmeros aleatorios en el intervalo [0,1]. ri = 0'301431 r5 = 0'350871 r9 = 0'032685 r2 = 0'322062 r6 = 0'583392 rio = 0'197577 r3 = 0'766503 r7 = 0'177818 r4=0'881893 r8=0'343242
El nmero r^- 0'301431 es mayor que qi y menor que q^, con lo que se selecciona el individuo 4. De igual manera, r-= 0'322062 es mayor que q-, y menor que q^, con lo que se selecciona el individuo 4 otra vez. De esta manera, los nuevos 10 individuos sern: 4,4,8,9,4,7,2,4,1,2.
Pgina 151
3.1.4.3 Cruce.
Tras el proceso de seleccin, se procede a aplicar el operador "cruce por un punto" y, como resultado del mismo, las reglas pueden empeorar.
Para aplicar el operador de cruce, se van a elegir pares de reglas de acuerdo a una probabilidad de cruce, j!?c, definida a priori y cuyo valor es usualmente grande (0'95). La cantidad de informacin que intercambian dos reglas viene dada por el punto de cruce, eligindose ste de manera aleatoria entre todas las posibles. Esta operacin queda ilustrada con el siguiente ejemplo
Sean dos reglas, cuyas condiciones permiten hacer una misma conclusin sobre la accin R, y que vienen dadas por las expresiones
Reglal: Regla 2:
IF Cn &C12 &C13 feCnTHENi? IF C21 & C22 & C23 & C24 THEN R
Existen tres posibles puntos de cruce, uno para cada "Y" lgico entre las condiciones de la regla. Supongamos que elegimos el primer punto de cruce, entonces, las dos reglas generadas se expresarn como
Regla 1': IF Ci 1 & C22 & C23 & C24 THEN R Regla T: IF C21 & C12 & C13 & C14 THEN R
As pues, el procedimiento de cruce se describe en los trminos siguientes: 1. Contador de individuos, numi, se inicia al primer individuo.
2. Repetir mientras nunii < n, siendo n el tamao de la poblacin, el siguiente proceso:
I. II. III.
Generacin de un nmero aleatorio, r^ e [0,l]. Si /;,, < p^, entonces el individuo nww,- es elegido para el cruce. Incrementar el contador numi de individuos de la poblacin.
Pgina 152
3. Definir el punto de cruce mediante un nmero aleatorio acorde al nmero de condiciones de la regla.
4. Proceder al cruce de pares de individuos.

Continuando con el ejemplo numrico iniciado en la etapa de seleccin, supongamos que la secuencia de los diez nmeros aleatorios es la siguiente:
^., =0-625721 ^,,=0'163274 ^,. =0770714
r_^ = 0*266823 r r_^ = 0'567461 r , r_, = 0'548656
=0'288644 r =0'085940 r^
=0'295114 =0392865
Adems, supongamos que la probabilidad de cruce, Pc, la estableciramos a Q'25. Entonces, como resultado de la lista de nmeros aleatorios anterior, resulta que slo los individuos 5 y 7 sern elegidos para el cruce. Ahora, falta elegir el punto de cruce y que ser uno correspondiente a las condiciones de las reglas; de manera que, si una regla tiene cuatro condiciones habr tres posibles puntos de cruce. Dicho esto, la eleccin se realiza eligiendo un nmero aleatorio en el intervalo [1^-1], siendo K el nmero de condiciones de la regla. Por ltimo se procede al cruce de los pares de individuos de acuerdo a la forma descrita antes.
3.1.4.4 Mutacin.
La operacin de mutacin ejecuta el cambio de un bit con una probabilidad pm que, tpicamente, tiene un valor pequeo. El operador de mutacin puede ocasionar nuevas estructuras de conocimiento.
Sigamos con el ejemplo. Supongamos que el valor de la probabilidad de mutacin, p^ se fija a O'01. Adems, asumamos que la poblacin se compone de diez reglas y que cada regla, individuo de la poblacin, tiene cuatro condiciones y que cada una de ellas se codifica con tres bits; por tanto, el nmero de bits que integran la poblacin es de 120. Entonces, se espera que en cada generacin se altere un 1% de los bits; 1*2 bits en total. Al igual que en las otras operaciones, la definicin de bits a mutar se va a resolver mediante la generacin de nmeros aleatorios, 120 en nuestro caso, de manera que aquellos nmeros con valor menor a Pm sern los que indiquen cada uno de los bits a mutar
3.1.4.5 Insercin.
Puede ocurrir que la mejor regla de una generacin no lo sea en la siguiente, situacin que es achacable a la ejecucin del operador de cruce. En caso de ocurrir esta situacin, la peor regla de la actual generacin se reemplaza por la mejor de la siguiente
Pgina 153
generacin anterior. De este modo la mejor regla nunca se pierde.
3.2
Algoritmos genticos sobre bases de conocimiento borrosas.
El algoritmo gentico anterior se ha definido sobre un sistema de reglas no borrosas, aunque la expresin de las condiciones de cada una de ellas se han hecho de manera que el valor de cada variable es agrupado en intervalos de definicin dentro del rango de valores admisible para dichas variables.
La aplicacin de los sistemas basados en la expresin del conocimiento mediante reglas borrosas se ha generalizado. Una explicacin de esta motivacin es introducida por [Sanz, Velasco, Galn, 2000] en los trminos siguientes:
Los sistemas borrosos son suficientemente potentes como para representar una amplia variedad de estrategias.
Facilitan la captura y la representacin del conocimiento experto para poder hacer uso de reglas lingsticas.
Diseo rpido, pues no se necesitan modelos matemticos exactos.
Las bases de conocimiento pueden ser diseadas y ajustadas.
No se necesita gran precisin en los sensores, con lo que no se carga el coste del sistema.
El uso de los algoritmos genticos para resolver el problema de optimizar la secuencia de acciones de control que se oêcen a partir del conocimiento experto, expresado en reglas borrosas, es apropiado cuando se trata de obtener una planificacin de las acciones a realizar en un sistema, de manera que cada operacin se realiza en virtud de
Pgina 154
la ocurrencia de algn evento que suscita la ejecucin de una de estas acciones, as como el control ante variaciones no deseadas del punto de funcionamiento del sistema, bien sea por una degradacin del mismo o por un cambio de las condiciones de funcionamiento. De esta manera, la capacidad exploratoria del algoritmo gentico permite encontrar una solucin del espacio de bsqueda adecuada al criterio que se define como objetivo.
3.2.1
Mtodos de aplicacin.
Una descripcin [Velasco y Magdalena, 1995] de los mtodos para la aplicacin de los algoritmos genticos, en funcin de la representacin de la base de reglas, se resume en los trminos siguientes:
Aplicacin sobre un conjunto de reglas, codificando cada regla con nmeros enteros que representan al antecedente y al consecuente de las reglas en trminos de las variables de entrada y de salida que expresan cada una de ellas.
Aplicacin sobre una tabla de decisin borrosa, de manera que los conjuntos de salida se codifican mediante nmeros enteros que representan a la funcin de pertenencia de la variable de salida.
Si se define como m al nmero de conjuntos borrosos asociados a las variables de entrada y, de la misma manera, n es el nmero de conjuntos borrosos para las variables de salida, la aplicacin del algoritmo gentico se hace sobre una matriz de dimensin mxn en la que se relacionan dichos conjuntos.
3.2.2
Eleccin de la poblacin.
Definido el entorno de aplicacin, el siguiente punto a tratar es la manera en la que se puede tratar la aparicin de nuevos individuos en la poblacin sobre la que opera el algoritmo gentico. En este sentido, una referencia es descrita por [Grefensette,1987] en
Pgina 155
la que define dos lneas de investigacin que se desarrollan, respectivamente, por las universidades de Michigan y de Pittsburg. As pues, en trminos generales, las caractersticas de cada una de ellas son las siguientes:
La lnea de actuacin de la Universidad de Michigan reside en considerar cada regla como un individuo de la poblacin y, en consecuencia, los operadores genticos actuarn sobre el conjunto de reglas que integren la poblacin. Entonces, la exploracin del algoritmo gentico, que no es si no el mecanismo que define el intercambio de conocimiento, se har sobre cada base de conocimiento, pero no entre bases de conocimiento diferentes.
En estos trminos, el ciclo gentico debe entenderse en los trminos descritos en la figura 4.5.
SELECCIN
regla; regla
i k
CRUCE
^ regli \Q W reglj regla' reglj'
MUTACIN
^ w regla _ reglc^"^
yr
EVALUACIN
POBLACIN :
REGLAS DE LA BASE DE CONOCIMIENTO ^ ^
^r
INSERCIN
Figura 4.5. CICLO GENTICO CONFORME AL CRITERIO DE LA UNIVERSIDAD DE MICHIGAN.
Pgina 156
Frente a la postura anterior, el punto de vista dado por la Universidad de Pittsburg se basa en considerar como individuo a la base de conocimiento y, por tanto, la importancia de una regla particular no puede definirse; esto es, ser la base de conocimiento la que, como conjunto de reglas, defina una actuacin sobre el sistema susceptible de entenderse como "mejor" o "peor". Entonces, la actuacin de los operadores genticos sobre las diferentes bases ser la que permita el transpaso de conocimiento entre ellas. En estos trminos, el ciclo gentico debe entenderse en los trminos descritos en la figura 4.6.
SELECCIN
BC BC
CRUCE
BCi BCj ^ BC'
MUTACIN
BC -^ BCf"^
EVALUACIN
POBLACIN :
BASES DE CONOCIMIENTO
INSERCIN
Figura 4.6. CICLO GENTICO CONFORME AL CRITERIO DE LA UNIVERSIDAD DE PITTSBURG.
Pgina 157
3.2.3
Descripcin de los operadores.
Sea cual sea el enfoque deseado para aplicar el algoritmo gentico, el paso siguiente es el definir los operadores que intervienen en el mismo. Es decir, se debe definir la manera en la que la seleccin, el cruce, la mutacin y la insercin pueden ser definidos en el proceso. El objetivo es, pues, dar unas lneas maestras sobre las que apoyar el desarrollo.
3.2.3.1 Seleccin.
La seleccin permite elegir a los individuos que van a servir de "progenitores" para la siguiente generacin. La eleccin se hace en funcin de alguna medida de "fuerza" o de "salud" de cada individuo de la poblacin y cuyo valor puede ser el actual, por tanto el que corresponde al ciclo gentico en proceso, o el acumulado, por ejemplo expresado como valor medio, a lo largo de los ciclos generacionales anteriores.
Algunos ejemplos de criterios al hablar de reglas serian los siguientes:
Seleccionar las reglas que son activadas a consecuencia del proceso de inferencia.
Seleccionar aquellas reglas que satisfagan una cierta medida de xitos al ejecutar la inferencia sobre un determinado escenario de pruebas.
Sobre el anterior, llevar a cabo una medida de compensacin que sea capaz de devaluar aquellas reglas cuyo xito de aplicacin en el proceso de inferencia se derive de alguna "chiripa" condicional.
Al hablar de bases de conocimiento, la seleccin se hace en funcin de la adecuacin de la respuesta ante un determinado escenario de pruebas definido por los datos de
Pgina 158
entrenamiento y la capacidad de adaptacin a entornos inesperados, escenarios a aprender.
3.2.3.2 Cruce.
El objetivo es generar nuevos individuos mediante el intercambio de datos entre los individuos seleccionados.
La aplicacin de los operadores de cruce "por un punto", "uniforme" aplicados a individuos definidos como reglas o como bases de conocimiento se ha de entender en los trminos siguientes:
Aplicados sobre reglas, la informacin elemental del individuo queda definida por cada condicin de la regla, pudiendo participar tambin cada conclusin de la misma.
Aplicados sobre bases de conocimiento, la unidad elemental queda definida por cada una de las reglas. Esto es, el intercambio entre bases de conocimiento se hace al nivel de regla.
La restriccin ms importante en el cruce es tener en cuenta la aplicacin de un mismo criterio; es decir, cruzar s, pero sobre individuos afines. Con ello, lo que se trata de evidenciar es que, dado que los individuos han resultado de inferir sobre un cierto escenario, no se debe cruzar material que no afecte a este escenario.
Para ejecutar el proceso de cruce es necesario definir una tasa de cruce; esto es, hay que definir la cantidad de individuos que van a verse afectado, en cada ciclo, por este operador. Esta tasa suele ser alta en la mayoria de los casos, tpicamente 0'6 0'8, pudiendo, tal y como se defini en el captulo 2, acomodarse a cada ciclo gentico a fin
Pgina 159
de evitar una homogeneidad de la poblacin provocada por una convergencia prematura.
3.2.3.3 Mutacin.
La mutacin permite reponer material gentico destrozado por la operacin de cruce y que permite abrir nuevos caminos de bsqueda. Al igual que en el cruce, es necesario definir la tasa de mutacin, que no es ms que el nmero de unidades de informacin que se espera se vean afectadas por este operador. Por lo general, al contrario que la tasa de cruce, la tasa de mutacin suele ser baja, tpicamente O'Ol e incluso O'OOl, a fin de evitar variaciones excesivas que provocaran una desviacin en el camino de bsqueda; aunque tambin es cierto que la tasa de mutacin puede acomodarse a medida que el algoritmo gentico se va ejecutando, siendo el objetivo de esta variacin, tal y como se analiz en el captulo de "introduccin a los algoritmos genticos", la inclusin de diversidad.
Un ejemplo de aplicacin en la mutacin, tanto en reglas como en bases de conocimiento, sera alterar una condicin de una regla. Esta alteracin se basa en sustituir el valor actual, que es el conjunto de pertenencia para el que es vlida la variable, por otro cualquiera de los que permita representar a la variable.
3.2.3.4 Insercin en la poblacin.
Esta operacin define el nmero de individuos de la poblacin "predecesora" que deben ser sustituidos por los individuos obtenidos al ejecutar el ciclo gentico a fin de constituir una nueva poblacin.
Aunque se puede instaurar un reemplazamiento completo, esta prctica no es aconsejable porque se podrian perder individuos con un alto rendimiento por otros de
Pgina 160
peores caractersticas. Frente a esta postura, iin criterio de aplicacin es llevar a cabo la sustitucin de los individuos "predecesores" ms dbiles por los de mayor fuerza entre los generados. Otro criterio es el establecer algn tipo de medida entre reglas y sustituir en la poblacin "predecesora" aquellas que presenten un valor de distancia "mayor" con los individuos de la poblacin generada, hacindose esta operacin tantas veces como individuos contenga la poblacin.
3.2.4
Consideraciones sobre la ejecucin del algoritmo gentico.
Por ltimo, no se debe olvidar que el objetivo de aplicacin del algoritmo gentico es el de encontrar un conocimiento que, aplicado sobre un sistema, que permita aplicar una ley de control sobre ste. Entonces, la ejecucin del algoritmo gentico debe orientarse al estado del sistema; esto es, no se requiere nuevo conocimiento cuando se tiene un sistema estable en un punto de funcionamiento. El problema es que ste no es siempre conocido, bien porque existan varios puntos de funcionamiento admisibles o bien porque se desconozca su ubicacin. En este caso, es evidente que encontrar la ley de control adecuada es equivalente a ejecutar un proceso de bsqueda que permita encontrar el conocimiento adecuado; por tanto, la ejecucin del algoritmo gentico se hace necesaria.
Otro aspecto diferente es que el sistema se desve del punto de funcionamiento, pero siempre que esta causa no sea provocada por una inestabilidad en el sistema; en otras palabras, por un fallo. Esto es, que el sistema se vea influenciado por situaciones extemas que impidan el funcionamiento previsto, pero que permitan al sistema de control seguir siendo explotado. Entonces, la ejecucin del algoritmo gentico permite encontrar una ley de control adecuada a la nueva situacin y que, es evidente, est alejada de la situacin para la que fue diseado el sistema. Conviene hacer hincapi en que sta bsqueda slo puede hacerse cuando el sistema lo permita y siempre y cuando la actuacin no conlleve a enmascarar defectos o averas en sistema en su conjunto.
Pgina 161
slo hay dos cosas infinitas: el universo y la estupidez humana. Y no estoy tan seguro de la primera
(Albert
Einstein)
Captulo 5. Descripcin de Algoritmos Genticos sobre Bases de Reglas Borrosas
Pgina 162
Descripcin de Algoritmos Genticos sobre Bases de Reglas Borrosas
1 INTRODUCCIN.
En este captulo se van a describir distintos algoritmos genticos que se han experimentado en esta tesis para su aplicacin en problemas de control borroso. Se describirn, para cada uno de los mtodos, la manera en la que se lleva a cabo la codificacin; as como la manera en la que se manipulan los operadores genticos y la forma en la que se produce la descodifcacin para encontrar la solucin.
Antes de iniciar la descripcin de cada mtodo particular, se debe hacer hincapi en que llevar a cabo una representacin de un sistema completo no es una tarea fcil y, adems, debe quedar justificada por las ventajas que ofirecen este tipo de soluciones firente a los mtodos tradicionales de control.
En cuanto a la aplicacin de bases de conocimiento borrosas como mecanismo para ejecutar la inferencia que habilite el control del proceso, el principal problema del diseo proviene de la variacin dinmica de las fimciones de pertenencia y de la interpretacin de las reglas que gobiernan la salida borrosa. Adems, a esta situacin hay que aadir que la aplicacin de procedimientos de ajuste manual de estas variables podrian concluir en un rendimiento no ptimo del sistema; situacin que unida a una sobrestimacin de los conjuntos borrosos podra ocasionar situaciones de peligro desde el punto de vista del control.
Es en este sentido donde la aplicacin de los algoritmos genticos queda justificada. De esta manera, la aplicacin del algoritmo gentico tendria como objetivo el optimizar la base de conocimiento, la definicin de los conjuntos de pertenencia e, incluso, la definicin ptima de los operadores borrosos.
El orden que se va a seguir en el desarrollo de los diferentes algoritmos genticos empleados en este trabajo parte del planteamiento expuesto en la definicin del que se
Pgina 163
ha querido denominar como "algoritmo gentico bsico", descrito en el captulo anterior.
El primer algoritmo que se describe en este captulo resulta de modificar aqul, introduciendo ima base de reglas borrosas; con ello, la codificacin que permite obtener a los individuos de la poblacin se basa en un mecanismo que trabaje sobre las etiquetas lingsticas representativas de los conjuntos de pertenencia de cada variable.
En segundo lugar se presenta un nuevo algoritmo gentico que introduce un mecanismo de validacin de los individuos obtenidos en cada generacin mediante su seguimiento a lo largo del ciclo generacional; apareciendo as el concepto de "limbo" como el legar donde se conservan los individuos generados antes de ser insertados en la poblacin.
A continuacin, se presentan dos nuevos algoritmos genticos: estructura jerrquica, donde se plantea una arquitectura de capas mcionales que permiten obtener dos resultados sobre la definicin de conjuntos de pertenencia y sobre la bsqueda de las reglas de la base de conocimiento, y el algoritmo gentico de Pacakard, utilizado para la bsqueda de modelos aplicables a un sistema.
Hechas las distintas exposiciones sobre los diferentes algoritmos genticos anteriores, donde se considera que el algoritmo trabaja sobre una nica base de reglas, el captulo concluye con una generalizacin de aplicacin de los algoritmos genticos para trabajar con diferentes bases de conocimiento, que es el propsito de trabajo de la investigacin llevada a cabo en esta tesis. As, este apartado resume las lneas maestra de diseo que se han seguido en el desarrollo de los algoritmos genticos propios a este trabajo.
Pgina 164
2 MODIFICACIN DEL ALGORITMO GENTICO BSICO.

El algoritmo gentico bsico est pensado para manejar una poblacin de reglas, donde la representacin del individuo es binaria.
Este algoritmo gentico, entonces, para trabajar con reglas borrosas slo requiere que se haga una conversin binaria de la etiqueta lingstica. As, si tanto para el error (E), el incremento del error (AE) como la salida de control (AU) se definen siete conjuntos de pertenencia definidos por las etiquetas lingsticas negativo grande, negativo mediano, negativo pequeo, cero, positivo pequeo, positivo mediano y positivo grande, entonces se puede representar cada una mediante tres bits de la manera siguiente:
valor de la etiqueta negativo grande negativo mediano negativo pequeo cero positivo pequeo positivo mediano positivo grande sin relevancia ('#')
cdigo binario 000 001 010 011 100 101
lio
111
De esta manera, la regla
IF (e is NM) AND (Ae is NP) THEN (Au is NM)
se codifica en el individuo siguiente
001
010
001
Pgina 165
Con ello, el algoritmo gentico, ya descrito en el apartado 3.1 del captulo titulado "Aplicacin al Control ptimo de Procesos", se desarrolla con el ciclo gentico de la figura 5-1.
Seleccin
iL
Cruce
Mutacin
V
Evaluacin Poblacin de Recjlas
V
^ ^
Insercin
Figura 5-1. CICLO GENERACIONAL.
El mecanismo de insercin de individuos en la nueva poblacin corresponde a reemplazar la generacin predecesora por la generada, pero quitando de sta ltima aquellos individuos que presenten una salud peor que los mejores de la generacin predecesora; es decir, se sigue un criterio conservador para que las mejores reglas encontradas en cada generacin no se pierdan a lo largo del desarrollo del algoritmo gentico.
Pgina 166
3 ALGORITMO GENTICO CON INSERCIN DESDE EL LIMBO.
Este algoritmo gentico se basa en el desarrollo de [Velasco,1991] en el que la estrategia de insercin de los individuos no es inmediata; esto es, el reemplazo
generacional de los individuos generados respecto a los individuos predecesores no se hace con los recin extrados en el proceso. Esto tiene iina justificacin, los individuos recin creados proceden de buenos individuos; sin embargo, el cruce y la mutacin hacen impredecibles su comportamiento al aadirlos a la base de conocimiento.
3.1
Concepto de limbo.
Se define el limbo como el lugar en el que se guardan los individuos generados hasta que se destruyan o hasta que se incorporen a la base de conocimiento. La salud de un individuo al incorporarse al limbo puede ser igual a la de sus predecesores o un valor intermedio en el rango del dominio.
Como mecanismo de destruccin de los individuos del limbo se puede instaurar un tiempo mximo de permanencia o, tambin, un umbral de salud mnimo por debajo del cual los individuos son eliminados.
3.2
Ciclo gentico.
La figura 5-2 resume el ciclo generacional de un algoritmo gentico con limbo, que incluye una memoria donde quedan insertados los individuos obtenidos en cada ciclo gentico antes de ser insertados en la poblacin. De esta manera, los procesos de evaluacin e insercin se hacen sobre los individuos del limbo y no directamente de los resultados de la mutacin.
Pgina 167
Seleccin
k
Cruce
Mutacin
iCf^-'^^Ê
Poblacin de Reglas Reglas del LIMBO
Insercin -^ Evaluacin
Figura 5-2. CICLO GENTICO.
El incluir el limbo a un algoritmo gentico se justifica cuando la evaluacin de las reglas se hace de manera continua, o al menos de manera peridica.
3.3
Desarrollo del algoritmo gentico
En este apartado se estudia la manera en la que se ha de hacer el algoritmo gentico; definiendo el mecanismo de representacin de los individuos, el proceso de seleccin, los operadores de cruce y mutacin, as como la insercin de los individuos en la poblacin.
Pgina 168
3.3.1
Representacin de los individuos.
Cada individuo de la poblacin; es decir, cada regla, se constituye como \ma cadena donde cada posicin corresponde a un nmero entero que identifica a la etiqueta lingstica del conjxinto borroso con el que se expresa la variable en la regla. De este modo, para este caso particular en el que se tienen siete etiquetas lingsticas para definir cada una de las variables de entrada (definidas por E e AE) y de salida (igualmente dada por AU), los nmeros 1 al 7 representan a cada conjunto de pertenencia; a saber, correspondientes a las etiquetas que cubren desde negativo grande a positivo grande, tal y como aparece en la siguiente tabla:
valor de la etiqueta negativo grande negativo mediano negativo pequeo cero positivo pequeo positivo mediano positivo grande sin relevancia ('#')
Codifcacin 1 2 3 4 5 6 7 0
Es decir, supongamos la regla siguiente
El individuo correspondiente quedara codificado como
2 3 2
Para que todas las cadenas que corresponden a la codificacin de las reglas tengan ima longitud idntica, el valor correspondiente a una determinada posicin en la cadena es nulo cuando la variable correspondiente no aparece en las condiciones.
Pgina 169
Hecha la rqjresentacin, el siguiente punto es evaluar las reglas a fin de asignar un determinado valor de salud. As, las reglas ven modificado su valor de fierza cuando son utilizadas en el proceso de inferencia. El valor con el que se modifica la fixerza es proporcional al valor de pertenencia al conjunto borroso que representa a la condicin.
Ejemplo:
Supongamos que los conjuntos borrosos para cada variable se definen como se describe en la figura 5-3 y que en el proceso de inferencia se dispara la regla siguiente:
Entonces, para el valor de e y de Ae, los valores de la evaluacin son los marcados tambin en la figura 5-3.
NG
NM
NP
PP
PM
PG
eval {Ae) eval (e)
V a r niin
Ae
var.
Figura 5-3. Evaluacin de las condiciones de la regla.
Este proceso se ha de hacer tanto con las reglas de la base de conocimiento como con las reglas del limbo.
Pgina 170
3.3.2
Seleccin.
El proceso de seleccin consiste en elegir una cantidad de reglas de la base de conocimiento. Esta cantidad de reglas va a depender de la tasa de seleccin, valor que define el porcentaje de reglas que se espera vayan a ser objeto de la seleccin y que va a definir el tamao de la poblacin sobre la que se va a aplicar cada ciclo generacional.
A modo de ejemplo se van a describir dos mecanismos tpicos de seleccin: el mtodo de la ruleta y el mtodo de torneo entre individuos.
La seleccin con el mtodo de la ruleta consiste en elegir los individuos de manera proporcional a su valor de salud.
El mtodo del torneo consiste en elegir un cierto nmero de individuos al azar, de manera que, de todos ellos, se selecciona el individuo que ms fuerza tenga asociada.
Sea cual sea el proceso elegido, al final se tendr una poblacin del tamao esperado, definido por la tasa de seleccin, y que deber ser par para poder proceder con el operador de cruce. 3.3.3 Cruce.
Como operador de cruce se elige el "cruce uniforme". Las reglas elegidas se eligen por pares, siendo afectados por el cruce tantos individuos como defina la tasa de cruce; es decir, la probabilidad de cruce. Por ejemplo, si el nmero de reglas de la poblacin es de 10 y la probabilidad de cruce, ;?c, es O'8, se espera que se modifiquen 8 individuos.
Resumiendo, el algoritmo de cruce se repite para cada individuo / de la poblacin de la manera siguiente:
1. Eleccin de un nmero aleatorio.
Pgina 171
2. Entonces, si el nmero aleatorio es inferior/>c se procede a cruzar los individuos

/ e +l.
3. Generacin de la mscara de cruce entre los individuos / e /+1. Esta mscara de cruce no es ms que una secuencia de valores " 1 " y "O" que se genera de manera aleatoria. De esta manera, los valores a cruzar de cada individuo son los que corresponden a las posiciones de valor " 1 " de la mscara.
Ejemplo:
A modo de ejemplo sean los individuos siguientes:
individuo i i+1
Regla IF (e is NM) AND (Ae is NP) THEN (An is NM) IF (e is NM) AND (Ae is Z) THEN (Au is NP)
codifcacin 232 243
De manera que la mscara de cruce, aleatoriamente elegida, es la siguiente:
010 Entonces, la aplicacin del operador cruce uniforme afecta slo a la posicin 2; es decir, a la condicin que define el valor del incremento del error, resultando los siguientes dos nuevos individuos:
individuo i i+1
Regla IF (e is NM) AND (Ae is Z) THEN (Au is NM)
codifcacin 242 233
IF (e is NM) AND (Ae is NP) THEN (Au is NP)
Pgina 172
3.3.4
Mutacin.
La mutacin elegida afecta a tantas posiciones como se definan por la tasa de mutacin, que no es sino la probabilidad de mutacin j ^ ^ Cuando una posicin se ve afectada por la mutacin, el valor que resulte de la mutacin es igual al que representa a cualquiera de los conjuntos de pertenencia que definen el rango de valores de la variable.
Ejemplo:
Sea el individuo siguiente: individuo i Regla IF (e is NM) AND (Ae is Z) codificacin THEN (Au is NM) 242
De manera que resulta afectada por la mutacin la condicin que hace referencia a la variacin del error; esto es, Ae. Entonces, los valores posibles para la mutacin irn de 1 ... 7, segn mute el valor NP por cualquiera de los posibles para esta variable. Entonces, podra resultar el siguiente individuo:
individuo i
Regla
codificacin
IF (e is NM) AND (Ae is PP) THEN (Au is NP) 253
Es posible que al ejecutar la mutacin se obtenga el valor nulo; esto es, en vez de resultar el valor representativo de un conjunto de pertenencia, el valor sea nulo. Esto es posible cuando se ha superado la tasa de antecedentes que es posible que aparezcan en la regla. En el caso particular del controlador borroso esto no es posible porque no se puede prescindir de ningn antecedente. Sin embargo, en problemas con una cantidad grande de variables de entrada, que aparecen como antecedentes de la regla, es posible
Pgina 173
definir el mximo nmero de antecedentes; por tanto, con la mutacin se consigue generar reglas que eliminen alguna condicin de la misma.
Ejemplo:
Sea el individuo siguiente, constituido por un conjunto de condiciones, denotadas por C, y de una conclusin, dada por Ri.-
IF C, & C2 & C3&.. .& C THEN R,
Supongamos que la codificacin es la siguiente:
Posicin 1 Posicin 2 Posicin 2 NM(2) NP(3) NP(3)
... ...
posicin m PG(7)
conclusin Z(4)
Con la mutacin, supuesto que sea la condicin 2 la que va a cambiar de valor, el nuevo valor puede ser el correspondiente a cualquier conjunto de perteneca ( 1.. .7) O, slo cuando la tasa de antecedentes de la regla se ha satisfecho. Con ello, el nuevo individuo ser:
Posicin I Posicin 2 Posicin 2 NM(2) 2(0) NP(3)
... ...
posicin m PG(7)
conclusin Z(4)
y, con ello, la regla correspondiente ser
IF Ci & C3 &.. .& C THEN Ri
3.3.5
Insercin.
El proceso de insercin se divide en dos partes. El primero es la insercin de reglas del limbo en la nueva poblacin y el segundo es la insercin de las reglas generadas en el limbo.
Pgina 174
3.3.5.1 Insercin de reglas en la poblacin.
La insercin de reglas se har extrayendo del limbo aquellas reglas que, teniendo un valor de salud mejor que las actuales de la base de conocimiento, introduzcan nuevo conocimiento; esto es, se sustituirn las reglas en funcin de la salud, pero tambin de acuerdo a alguna medida de distancia entre las reglas.
Como medida se ha elegido la distancia entre los centroides de los conjuntos borrosos que representan a la regla de la base de conocimiento de los que representan a la regla del limbo.
Dado que el limbo se define para estudiar el comportamiento de los individuos generados, slo se analizan aquellas reglas del limbo cuyo valor de salud est por encima de im umbral que caracterice a un individuo como aceptable. Este valor, por ejemplo puede ser el valor medio de la medida de salud; es decir, supuesto que la salud de una regla est en el intervalo [0,1], el valor umbral puede definirse igual a 0'5.
Adems de reemplazar la regla de la base de conocimiento por la correspondiente del limbo, sta se incorpora a la base de conocimiento con un valor de salud igual al que tuviera en el limbo.
3.3.5.2 Insercin de reglas en el limbo.
Una vez que se han incorporado las reglas del limbo a la poblacin, se procede al reemplazamiento de las reglas del limbo.
Se ha elegido un reemplazamiento completo de las reglas del limbo; es decir, todas las reglas generadas se incorporan al limbo y se les asocia un valor de fierza igual a un determinado valor umbral.
Pgina 175
No se descartan otros mecanismos de reemplazamiento, como podra ser el de incorporar slo aquellas nuevas reglas que tengan un valor de salud mejor que las que ya existen en el limbo.
4 ALGORITMOS GENTICOS DE ESTRUCTURA JERRQUICA.

La formulacin del algoritmo gentico jerrquico es hecha por [Man,Tang,Kwong, 1999] y su principal ventaja es la capacidad de solucionar la topologa de la estructura de sistemas de los que se tiene un gran desconocimiento.
La aplicacin de estos algoritmos para la optimizacin de bases de conocimiento borrosas pasa por determinar las funciones de pertenencia borrosas y las reglas que componen la base de conocimiento. Los autores justifican la ventaja de este mtodo en los trminos siguientes:
Se obtiene un mnimo nmero de reglas y funciones de pertenencia que viene a ser ptimo.
No se requiere ninguna estructura borrosa predefinida.
Los procedimientos a ejecutar implican una solucin orientada a la obtencin de un coste bajo.
La idea que subyace detrs de esto es la de tener un esquema automtico inteligente capaz de ajusfar tanto las funciones de pertenencia como de las reglas, pero de manera que la estrategia borrosa de control en bucle cerrado quede inalterada (figura 5-4).
Pgina 176
Los puntos a desarrollar van a permitir definir la estructura de cada individuo de la poblacin, el ciclo generacional, la poblacin, los operadores genticos, lafincinde evaluacin y la estrategia de insercin en la nueva poblacin.
Algoritmo 6entico de Estructura Jerrquica
Entrada de las funciones de pertenencia
Salida de las funciones de pertenencia Motor de Inferencia Borroso SISTEMA BORROSO Eliminar trminos borrosos
Au Proceso Controlado
Expresin en trminos borrosos
re
Figura 5-4. ALGORITMO GENTICO JERRQUICO APLICADO A UN CONTROLADOR BORROSO.
4.1
Defnicn de la estructura de cada individuo.
La estructura de cada individuo debe formularse adecuada al problema; esto es, de acuerdo con las necesidades que existen en la aplicacin del algoritmo sobre el sistema borroso. Con ello, la estructura del individuo se corresponde a la representacin de la figura 5-5; de manera que cada individuo se compone de dos tipos de informaciones: informacin de control e informacin paramtrica. La informacin de control se codifica con un alfabeto binario y determina la activacin de las fanciones de pertenencia. La informacin relativa a los parmetros se da en nmeros reales para representar a las funciones de pertenencia de una forma similar a como se formul la definicin 2.1 del captulo titulado "Fundamentos de la Lgica Borrosa".
Pgina 177
Cadena formada con las informaciones de control Estructura del individuo
Cadena formada con la informacin paramtrica
C t l a , C t i b , CXic
Ct2a , CC2b, CC2c
Ctna . CCnb, Cinc
aia
Ib
Cl2;
Onb
Otnc
Figura 5-5. ESTRUCTURA JERRQUICA DE CADA INDIVIDUO DE LA POBLACIN.
As pues, con lo expuesto, la definicin de un individuo incluir la informacin de las dos entradas borrosas correspondientes a las seales de error (e) y a la tasa de error (Ae), as como a la salida borrosa correspondiente a la seal de control (Au). Esta situacin es la que aparece descrita en la figura 5-6.
1 01
Vs_
a^^^ a<^' a'^^
a<^^ a'^' a<^'
n(A) (3(AE)
o{A)
(A)
I pa
(A)
^ I pb
(Au)
^ I pe
Pa
'Pli
'Pie
informacin de control
(Zc)
~Y~
informacin paramtrica
fe)
individuo (z)
Figura 5-6. ESTRUCTURA DE UN INDIVIDUO.
Pgina 178
De la estructura del individuo, la parte correspondiente a la informacin de los parmetros que definen los conjuntos de pertenencia, Zp, se define como
z = a<^' a^^^ a^^^

^p
yna
'l^nb
a^^^ a^^' a^^^ 6^^^ B^^^ B^^^

' K l i ' Klc '"' (AU) (Ai/) ^ ( A i / ) ^
I pa ' I pb ' I pe )
' Ma
(."la ' " - l ' " ' l e ' " - j ^ m ! ' " m i ' " m e ' H l a OAE) n(AE) o(A) (AU) (AU) (AU)
'Pnc
' I \b
'/le
'"'
donde m, n yp son, respectivamente, el mximo nmero de subconjuntos borrosos de E, AEy AU; ^\a^^^\P^ÎP definen al conjunto de pertenencia /-simo de la variable de entrada borrosa E; de igual forma, P'^\P^^',P^^^ definen al conjunto de pertenencia j-simo de la variable de entrada borrosa AE; por ltimo, y^^"\y]^"\y^^^^ conjunto de pertenencia k-simo de la variable de salida borrosa AU. definen al
Para obtener un diseo completo de control borroso, hace falta el conjunto de reglas borrosas que garantizan el rendimiento durante la ejecucin del sistema. De este modo se ha puesto un especial nfasis en dejar una cadena de informacin de control, Zc, en la definicin del individuo acorde con el nmero de subconjuntos borrosos de E, AE y A7. El resultado es que se hace imposible definir, para cada individuo, una tabla de reglas universal para el control borroso de la manera clsica. La razn de este hecho procede de la posibilidad de variacin de uno a otro cromosoma, de forma que cada cromosoma tiene tambin un nmero diferente de subconjuntos borroso.
As pues, se han de clasificar las reglas borrosas que intervienen en el cromosoma. Entonces, para cada cromosoma, habr w, x e y subconjuntos borrosos activos, respectivamente, de E, AE y AU; circunstancia que puede ser representada por una tabla de dimensin wxx, expresada de manera similar a la tabla de la figura 5-7, tal y como se indica a continuacin.
Pgina 179
AEi
Ex Ez
AE2 U2 U,
... ... ...
AE ... ...
... ... ...
AEx /j U;
U, U2
Ex
4
I
...
...
...
...
Uy
Figura 5-7. TABLA REPRESENTATIVA DE LA BASE DE REGLAS BORROSAS
Cada una de las celdillas de la tabla define una regla borrosa que, de manera general, para el elemento ij se expresara como
Reglaij: IF (e es î) AND (Ae es AEj) THEN {û es At/k)
donde E{, Afij e A/k corresponden, respectivamente, a las etiquetas lingsticas de los subconjuntos borrosos correspondientes al "error", a la "tasa de error" y a la "salida de control".
El individuo de la poblacin correspondiente a la regla borrosa, H(w^^), se define como una matriz de enteros como
H^^_,,^)={h,j:h,e[\,y]
Vi<w,yj<x\
Ilustremos esta descripcin con un ejemplo.

Supongamos que el nmero de etiquetas lingisticas es de 7, definidas como "negativo grande ", NG codificada con el valor entero 1, "negativo mediano ", NM codificada como 2, "negativo pequeo ", NP con valor 3, "cero ", Z con valor 4, "positivo pequeo ", con valor 5, "positivo mediano ", PM con valor 6, y "positivo grande ", PG cuyo valor entero asignado es 7. De esta manera se puede definir la tabla de reglas siguientes:
Pgina 180
NG NG NM NP Z PP PM PG NG NG NG NM NM NP Z
NM NG NM NM NM NP Z PP
NP NG NM NM NP Z PP PP
z
NM NP NP Z PP PM PM
PP NP NP Z PP PM PM PG
PM NP Z PP PM PM PM PG
PG Z PP PP PM PG PG PG
Para esta tabla, el individuo de reglas borrosas H^^jj) es el siguiente:
H (7,7,7)
1 1 1 2 2
3 3 4 5 3 4 5 6 3 4 5 6 6 4 5 5 6 7
1 1 2 2 2 3 2 2 3 2 3 4
3 4 4 5 5 5 6 6 6 7 6 7 7 7
Se definen en l las 49 reglas, dimensin 7x7, de las cuales algunos ejemplos son los siguientes:
Regla Expresin Rn
R43 R44 R77
Codifcacin hn=l
h43 = 3
IF (e es EO AND (Ae es Ê^) THEN (Aw es A7i) IF (e es 4) AND (Ae es Afj) THEN (Aw es At/3) IF (e es 4) AND (Ae es A4) THEN (AM es A/^) IF (e es 7) AND (Ae es AE,) THEN (AM es A77)
1144 = 4
h77 = 7
4.2
El ciclo gentico.
Si en el punto anterior se ha descrito la manera en la que se construyen los individuos de la poblacin, que afectan a los conjuntos de pertenencia y a las reglas borrosas, el trabajo ahora reside en describir el funcionamiento de cada ciclo generacional y que queda explcito en la figura 5-8.
Pgina 181
Inicio
Seleccin de individuos de la poblacin A
Operaciones Genticas de Cruce y Mutacin
Nuevo individuo
Determinar el nmero de conjuntos borrosos (w,xj>) activos de E,&E,AU
Poblacin de las funciones de pertenencia^
Poblacin de reglas borrosas, Cl
En el conjunto Cl, seleccionar la regla H(.^^) apropiada
Formulacin de las funciones de pertenenci
Mutacin
H,(iV^J!)
Funcin de Evaluacin
Verificar la insercin de r en A y de H(j^) en C
Figura 5-8. CICLO DEL ALGORITMO GENTICO
4.3
Poblacin.
Existen dos poblaciones, Ay Q, cuyos individuos, respectivamente, describen las funciones de pertenencia y las reglas borrosas. Los individuos correspondientes a la poblacin A, denotados por z y que estn compuestos por una cadena relativa al control (zc) y de otra referente a los parmetros de los conjuntos de pertenencia (zp), son los que intervienen en el algoritmo gentico jerrquico. Por otro lado, mientras que los individuos de la poblacin Cl constituyen el conjunto de reglas borrosas.
Dentro de . hay un total de (OT - l)x (n - l)x (/? -1) reglas borrosas; aunque slo una de estas reglas corresponde al individuo H(,^^), que es el que satisface que hay w, x e y subconjuntos borrosos activos de, respectivamente, E, AE y AU.
Pgina 182
4.4
Operaciones genticas.
Es ahora el tumo de describir las operaciones genticas que se han de desarrollar en el proceso; teniendo en cuenta que, dado que hay dos poblaciones distintas, A y Ci, tambin habr que considerar las operaciones de cruce y mutacin a hacer en cada una de ellas.
4.4.1
CRUCE
En cuanto a la poblacin de individuos A, que definen los valores de control y de los parmetros de definicin de los conjuntos de pertenencia, la operacin se lleva a cabo mediante el operador "cruce por un punto" aplicado por separado a los datos relativos al control (zc) y a los datos relativos a los parmetros de definicin de los conjuntos de pertenencia (zp) de los individuos z implicados en la operacin. La tasa de cruce est dentro de los parmetros tpicos de aplicacin y que ronda el 80% de la poblacin.
En cuanto a la poblacin de reglas D, no se lleva a cabo la operacin de cruce al haber seleccionada slo una regla activa, H(,^^), para los subconjuntos borrosos definidos por el individuo z de la poblacin A.
4.4.2
MUTACIN
La mutacin se aplica tanto sobre la parte de datos de control del individuo, componente Zc, como a la parte de datos sobre los parmetros de los conjuntos de pertenencia, componente Zp, del individuo z de la poblacin A.
Para los datos de control, Zc, el operador a aplicar es la "mutacin de un bit", consistente en variar un valor " 1 " por un "O" si una determinada probabilidad es satisfecha y para lo cual basta con generar un nmero aleatorio que sea menor que el predefinido como tasa de mutacin (tpicamente O'01).
Pgina 183
Para los datos referentes a los parmetros de las fimciones de pertenencia, Zp, y dado se ha elegido una representacin de nmeros reales sobre ellos, se aplica el operador "mutacin aleatoria".
En cuanto a la poblacin de reglas, Q, la mutacin s presenta algunas particularidades. La representacin elegida para la poblacin es tal que cada dato corresponde a un elemento, hip de la matriz H(,^^) representativa del individuo. La mutacin de dicho dato va a ser la de cambiarlo por el de la fila y/o la columna anterior, de manera que
hy
^(/+A,)(y+A,-)
y considerando que, con una probabilidad de O'Ol, los valores de A/ e A/ tienen la misma oportunidad de valer 1 - 1 .
Ejemplo:
Supongamos que se puede definir una regla cuyo individuo representativo viene dado como
H,(3,3,3)
1 1 2 1 2 3 2 3 4
Asimismo, resulta que h22 es el elemento de la matriz objeto de la mutacin y que, adems, son satisfechos los valores A = 1 e A/' = 1. Entonces h22 ser reemplazado por ha, y, con ello, el nuevo individuo mutado queda representado por
H,(3.3,3)
'1 1 2' 1 4 3 2 3 4
Tal y como se manifiesta en el ejemplo, podra ocurrir que el incremento en filas (i) y columnas (j) de la matriz cayera fiera del rango de valores de definicin de la matriz;
Pgina 184
esto es, sobre el ejemplo seran inadmisibles valores como i= 4 j= 0. Entonces, para evitarlo, un criterio aceptable es sustituir por el elemento admisible de la matriz; esto es, si suponemos A^j ha de mutar y que el incremento de ndices da como resultado i = 3 y j = 4, entonces h23 tomar el valor de hss.
4.5
Funcin de evaluacin.
Antes de evaluar el valor de la salud del par de individuos {z, H) hay que obtener la solucin que se obtiene de ellos. Si se procede a una decodificacin directa, lo que puede ocurrir es que se d un resultado invlido como solucin del problema.
Ejemplo:
La figura 5-9 se representa un individuo z del que slo se ha elegido, tanto en Ze como en Zp, la representacin de la seal error e. El resultado de la decodificacin es que quedan sin clasificar valores pertenecientes a los intervalos {a\c,Oi^^ y (a5c,a7a),co lo que se requiere una estrategia de reparacin que permita una representacin vlida como solucin al problema.
Se define una estrategia de reparacin para resolver la aparicin de individuos inadmisible; as pues, las zonas de definicin absorben a los intervalos que quedan sin clasificar, tal y como aparece representado en la figura 5-6. En este sentido, la informacin gentica queda inalterada, cambindose slo la manera en la que sta se interpreta. De este modo, la complejidad del ajuste de las reglas y de las funciones de pertenencia puede quedar optimizado y, adems, la estructura general queda bastante reducida.
Adems, con las reglas borrosas generadas a partir de los individuos de la poblacin de reglas, se puede disear un conjunto de controladores borrosos. En este caso, se debe determinar una funcin de evaluacin f[z,H) controlador. que permita dar un valor de salud del
Pgina 185
individuo (z)
informacin de control
(2.)
informacin paramtrica
r
1 0 0
J^
1 1 0 1 aiaaibUic a2aa2ba2c asaajbasc 043046040 ajaOsbOsc O^â^yÔ^^ ayaOTbOTc
til
Ola
Oib
Oja Ole 02b
03a 02c 03b
043 Osc
a4b
0.iz O4C
Osb
Oâ Ojc O^b
07a O^c
Oyb
<3.^^
ESTRATEGIA DE REPARACIN \
Ola
Oib 02a
O3C
04b
Oja a4c
Osb Oâ
O^c
07b Ovc
Figura 5-9. DECODIFICACION Y ESTRATEGIA DE REPARACIN
4.6
Estrategia de insercin.
Para encontrar el ptimo, tanto de las funciones de pertenencia de E, tsE e bdJ como de la base de reglas, se lleva a cabo un procedimiento de agrupamiento basado en la semejanza topolgica de los individuos de cada una de las dos poblaciones a considerar y que son A, para las funciones de pertenencia, y Q, para las reglas borrosas.
Pgina 186
En trminos generales, el fin del agrupamiento es el de asegurar que los individuos entran en competencia slo con aquellos de la poblacin a sustituir que tienen una topologa idntica a la que los primeros presentan.
Adems, ni la constitucin topolgica se pierde, aunque se empobreciera algn otro objetivo del problema, ni la presin selectiva pierde relevancia sobre los valores de salud objetivo.
Entonces, la poblacin A se divide en varios grupos, definidos como S(jjc), de manera que
A = '^(2.2,2) ^ ^^(2,2,3) ^ ^ *^(2,.;,) ^ -^(3,2.2) ^ ""' ^
S^.un,p)
cumplindose, adems, que
Cada grupo S(j^k) representa a los individuos que tienen /, j , k subconjuntos borrosos activos de, respectivamente, E, AE e At/.
De este modo, el mximo nmero de grupos que se puede formar en la poblacin A es {m-\)x{n-)x(p-). Se define un factor de concurrencia , cuyo valor tpico se
asigna entre 3 y 5, que da el nmero de elementos que quedan en el grupo de pertenencia; de manera que
tamao[S^^jj.-^\< A ,
V(2 <i<m, 2< j <n, 2<k < p)
y donde tamao[S(^jj^^\ es el nmero de elementos de S^j^ky
Pgina 187
Una vez hechas las definiciones previas, que han servido para definir los grupos de la poblacin de individuos representativos de las anciones de pertenencia, incluyendo la manera en la que se decide la cantidad de elementos que contiene cada uno de ellos, lo que resta es entrar en la descripcin de la estrategia de insercin de un individuo z, en el que hay w, x, y subconjuntos borrosos activos de E, AE e AU, junto con la regla borrosa definida por el individuo H(x,wj;) en cada iteracin, o paso generacional.
As pues, el algoritmo de sustitucin de la generacin k por la generacin k+1 requiere la secuencia definida en los trminos siguientes:
^'
{S(....y) ^ 0
Vt2fl/J0[5(,,,^,< X] )
entonces:
^{^.x.y) = î^'.x.y) ^ F I
^ = {H(.J.,) H(uj.k) ^^
i^w,j^x,k^y}u
{^(...,^)}
en caso contraro
Si {f{2,H(.,x.y)) < fa. = rnax[f{z,H^^.^^)\ Vz,. eS*,,,^)})
entonces:
S(..x.y) = k- : F{z.,) < / _ , z, e S^^^J^ {z]
" = K-.;.*): -^(/.y.*) ^^ en caso contraro:
i^w,j^x,k^y}^
{^(..x.,)}
NO HAY INSEfCIN: FIN DEL PROCESO En el desarrollo del algoritmo, f{z,H) y F{z) es el valor dado por la solucin z. es el valor de salud de los individuos a insertar
El ciclo gentico contina mientras no se cumpla el criterio de terminacin del algoritmo como, por ejemplo, alcanzar un cierto nmero de generaciones o satisfacer un cierto valor objetivo.
Pgina 188
5 ALGORITMO GENTICO DE PACKARD.

El A.G. de Packard [Packard, 1990] se define como un mecanismo de bsqueda entre un gran espacio de modelos posibles para encontrar un buen conjunto de modelos que puedan capturar regularidades del sistema.
A la hora de elaborar un sistema Packard hay que describir tres componentes principales:
1. Un cdigo o esquema de representacin para los modelos. 2. Un mecanismo para evaluar la bondad de los modelos. 3. Un mecanismo para generar nuevos modelos.
Para tratar de satisfacer estos requisitos, a continuacin se da una descripcin que permita elaborar un sistema de este tipo.
5.1
Representacin de los datos.
Los datos se representan mediante pares (x,>'j, siendo el vector xde dimensin n, de manera que cada componente es una variables independiente, e j es la variable dependiente. Es decir, cada componente xi define una caracterstica del sistema, una condicin de una regla si es que el sistema se modela con reglas, mientras que la variable j ; es la variable de clasificacin correspondiente, consecuente de la regla.
Tanto las variables independientes como las dependientes han de tener estados discretos; de manera que si la iente de datos es continua, los valores han de resultar de la ejecucin de un muestreo.
El propsito del algoritmo es buscar los estados de las variables independientes, x, que en media tengan una alta correlacin con los datos deseados para y, la variable
Pgina 189
dependiente. Los patrones responden a un conjunto de hiptesis o modelos que se caracterizan porque cuando algn subconjunto de variables independientes satisfaga ciertas condiciones particulares, entonces, se espera un cierto comportamiento de la variable dependiente.
En el caso del controlador, la variable dependiente equivale a la accin de control, que definimos como Ai/; por el contrario, las variables independientes son el error y la variacin del error, definidas, respectivamente por E e LE.
En resumen, la aplicacin del algoritmo de Packard es ejecutar una bsqueda predictiva. Aunque, de hecho, se asume que la mayor parte del espacio de bsqueda no es predecible, el algoritmo intenta fijar modelos que permitan medir "tendencias"; esto es, que posibiliten la prediccin de la evolucin del sistema. La imposibilidad de predecir viene dada por la existencia de una perturbacin extema extemo, de algn ruido dinmico (conducta catica) o por falta de datos suficientes.
5.2
Representacin de Modelos.
La representacin de los modelos ha de entenderse como correspondiente a la definicin de conjuntos de condiciones, de manera que stas se enuncian de la manera habitual; esto es, especificando relaciones entre los antecedentes en trminos AND, OR.
En este sentido, un modelo, que no es sino un conjunto relacional, contiene tantas condiciones como coordenadas independientes, n. Cada "posicin", entendiendo como tal el lugar fijo que ocupa cada condicin representado por cada una de las variables independientes del vector de condiciones x, habr de tomar un valor que se define en los trminos siguientes:
La componente no forma parte de la relacin; esto es, la posicin es de "no condicin" y este valor se representa por S.
Pgina 190
Una secuencia de nmeros (c\, . . ., Ck) que indica los valores implicados en las relaciones condicionales tipo OR establecidas para cada una de las variables.
En estos trminos, por ejemplo, la cadena (E, (4,6),S,S, 7,Z,S) ~x,
indica que el conjunto condicional de condiciones establece que XcSer verdadero si la segunda coordenada tiene el valor 4 6, y la quinta vale 7. Se ignoran el resto de las coordenadas.
5.3
Bsqueda de buenos modelos de decisin.
Dado que el objetivo perseguido es encontrar buenos modelos; es decir, buenos conjuntos de condiciones, entonces debe haber un mecanismo para evaluar la bondad o "salud" de un determinado modelo. Decir esto es tanto como encontrar el nivel de correlacin entre los estados de las variables independientes y el objetivo se persigue sobre la variable dependiente. De este modo, sea Nc, el nmero total de elementos en el conjunto condicional Xc, definido ste como el conjunto que satisface todos los condicionantes especificados. En estas condiciones, se define una estimacin emprica de la distribucin de probabilidad condicional de valores de y, dando los valores de x Xc, donde Nc es el nmero de elementos en Xc. Entonces
O en caso contrario y, con ello.
Pc(y) = ^
^'^ (x,y)eXc
Tîy-y)
Pgina 191
Adems se introduce un operador de devaluacin para guardarse contra la construccin de conjuntos condicionales que tienen pocos elementos de datos y, con ello, reducir los efectos de "cA/r/pas" estadsticas. As pues, se aade un trmino proporcional 1/ Nc para conseguir esta devaluacin.
Con todo ello, se define la salud Fe de un modelo o conjunto condicional como
F.(y) =
P.(y)-~
donde a es un parmetro que ajusta la dependencia de Nc.
5.4
El Algoritmo Gentico.
El mecanismo para generar nuevos modelos o conjuntos condicionales en el sistema de Packard, se consigue con un algoritmo gentico caracterizado por el siguiente ciclo gentico, siendo la figura 5-10 un esquema del mismo:
1. Se dispone de una poblacin de conjuntos condicionales y que al inicio se engendr aleatoriamente.
2. Clculo
de la salud de cada conjunto condicional mediante el procedimiento
descrito antes.
3. Descartar la firaccin de poblacin con el valor de salud ms bajo, y reemplazar los miembros borrados con alteraciones de la poblacin restante, para lo cual se emplean operadores genticos cruce y mutacin.
4. Repetir los puntos 2 y 3 hasta encontrar las condiciones deseadas.
Pgina 192
Evaluacin
Seleccin
z
Mconjuntos desechados
iV conjuntos aceptables
Cruce y
Poblacin de T conjuntos condicionales
Mutacin
Mconjuntos renovados
Insercin
+ M
Figura 5-10. CICLO DEL ALGORITMO GENTICO DE PACKARD.
Los operadores de cruce deben considerar la posicin en los conjuntos condicionales, debiendo conservarse en todo momento del proceso. Ejemplo:
Sean dos conjuntos condicionales C\ y Cj que van a producir los nuevos conjuntos C\ y C'2 siguientes:
C.
(S,(4,6),5:,S,3,S,S)
C'i
(E,(1,3),S,E,3,S,S)
C2
(S, (1,3), S, 1,5,2:, 6)
C'2
(E,(4,6),Z,S,5,S,6)
Pgina 193
Los operadores de mutacin del sistema de Packard son los siguientes:
1. Sustitucin de una coordenada sin efecto por una nueva coordenada:
->
(ai, 2)
Por ejemplo,
(2:,(4,6),E,S,3,2:,S)
(S, (4,6), 2, S, 3, S, 1)
2. Eliminacin de una coordenada:
( a i , 02)
->
Por ejemplo,
(S,(4,6),Z,2,3,Z,Z)
(E,(4,6),I,Z,Z,I,S)
3. Cambio de coordenada:
(ai, a2) ->
(a'i,a'2)
Por ejemplo,
(E,(4,6),S,S,3,E,E)
(E, (4,6), S, 2, 5, Z,Z)
Pgina 194
Una vez descrito el sistema de Packard, se est en condiciones de describir su aplicacin cuando de lo que se dispone es de una base de conocimiento integrada por un conjunto de reglas borrosas. Estas reglas borrosas quedan definidas por un conjunto de condiciones que, aplicadas sobre el controlador borroso, seran las referentes al error (definida como E) y a la variacin del mismo (definida como LE) y que corresponderan a las variables independientes del modelo a buscar. Adems, la consecuencia de la regla, igualmente sera la accin de control definida como MJ, representara a la variable dependiente del modelo.
Un ejemplo de representacin de una regla en el sistema de Packard seria el siguiente:
IF (E[NM])
AND
(AE [NP]) THEN
(AU [NM])
de manera que el valor de las coordenadas de cada variable vendrian dadas dentro del conjunto definido por {NP,NM,NG,Z,PP,PM,PM,[] } y en el cual cada elemento representa una etiqueta lingstica segn la correspondencia dada a continuacin
valor de la etiqueta negativo grande negativo mediano negativo pequeo cero positivo pequeo positivo mediano positivo grande sin relevancia
ELEMENTO NG NM NP Z PP PM PG []
La ejecucin del ciclo gentico se hace conforme a los procesos generales ya descritos; si bien, para servir de aclaracin, se van a describir las operaciones a realizar con las reglas durante la mutacin, puesto que el cruce no es, en trminos generales, diferente de los ya descritos y basados en cruzar dos cadenas en alguno de los puntos que existen en la parte de las condiciones.
Pgina 195
As pues, las operaciones a realizar con las reglas borrosas durante la ejecucin del operador mutacin son las siguientes:
Ejemplo de sustitucin de una coordenada sin efecto por una nueva coordenada:
A^[] ->A[Z]
Ejemplo de la eliminacin de una coordenada:
A[NG] ^ A E [ ]
Ejemplo de un cambio de coordenada:
AE[NP] ^ A E [ Z ]
6 A.G SOBRE VARIAS BASES DE CONOCIMIENTO.

Hasta este punto se han descrito diferentes algoritmos genticos aplicados sobre una base de conocimiento. Este apartado describe la manera en la que los anteriores algoritmos genticos se han de aplicar cuando lo que se tienen son diferentes bases de conocimiento.
As pues, se dispone de un nmero de bases de conocimiento que van a ser objeto de la aplicacin del algoritmo gentico. Cada una de estas bases de conocimiento dispone de un valor de fuerza, que corresponder a una medida de la calidad de actuacin de cada una de las bases firente a un estmulo procedente del sistema.
En los siguientes apartados se describe la aplicacin del ciclo gentico, compuesto por la seleccin, cruce, mutacin, evaluacin e insercin.
Pgina 196
6.1
Seleccin.
El proceso de seleccin requiere elegir una cantidad de individuos (bases de conocimiento) definidos de acuerdo a una tasa de seleccin. Para ello, el mecanismo de la ruleta puede ser aplicado al considerar la salud de cada una de las bases de conocimiento.
6.2
Cruce.
El cruce se va a hacer entre las bases de conocimiento, bien entre reglas o bien entre grupos de dos bases de conocimiento.
Cruzar reglas entre bases supone definir una tasa de cruce, de manera que se formarn dos nuevas bases de conocimiento en las que aparecern cambiadas la cantidad de reglas a las que alcance el valor de dicha tasa. En s, el cruce es hecho intercambiando, por ejemplo con un cruce por un punto, las reglas de las dos bases de conocimiento.
Si denotamos como Rij la regla j de la base de conocimiento i y, por ejemplo, disponemos de las dos siguientes reglas correspondientes a dos bases
R13: R24:
IF JF
(eesNP)
(e es JSM)
and
and
(eesNP)
(e es Z)
THEN (AuesNM)
THEN (AnesNP)
el resultado del cruce por dos puntos dara las dos nuevas reglas siguiente
R'13: R':4:
IF JF
(eesNP) (eesNM)
and and
(AeesNP) (Ae esZ)
THEN (AuesNM) THEN (Ai es NP)
Pgina 197
En este punto debern considerarse las restricciones propias del sistema y que se definen sobre la actuacin de determinadas reglas o grupos de ellas sobre una cierta variable de actuacin. De esta manera, el cruce deber hacerse slo sobre reglas que sean homogneas en el sentido descrito; es decir, si la regla hace referencia a la actuacin sobre un cierto dispositivo slo se debern considerar reglas que acten sobre este mismo dispositivo. Esto quiere decir que deber incluirse un elemento de "observacin" del cruce en el algoritmo gentico a fin de garantizar el proceso.
Cruzar grupos de reglas supone elegir, de manera aleatoria, reglas procedentes de dos bases de conocimiento que actan sobre una misma variable de control para constituir sendos grupos de cada una de estas bases. Entonces, el cruce supone transferir ntegramente un cierto conjunto de reglas de un grupo a otro.
El mecanismo es el siguiente. Sean dos grupos compuestos, el primero de ellos, por n reglas y, el segundo, por m reglas. Denotemos a cada uno de estos grupos Gl, para el grupo 1, y G2, para el segundo. Las reglas de Gl se denotar como Ri^-, de manera que k= l...n; mientras que las reglas de G2 se denotar como R2,/, donde el valor de / = l...m. Gl: G2: Ri,i....Ri,n R2.1.... R2,m
Se eligen al azar dos nmeros i, j que aplicados, respectivamente, al primer y al segundo grupo ejemplo, constituirn dos nuevos grupos G l ' y G2' de la siguiente manera:
GF: G2': 6.3 Mutacin.
Ru
R2,!
.. ..
Ri,i R20
R2J+1 Ri,i+i
. . .
R2n Rlm
La mutacin se aplica sobre las reglas de las bases de conocimiento conforme a un valor de tasa de mutacin que define la cantidad de informacin que va a verse afectada por este operador.
Pgina 198
La manera que puede definirse la mutacin afecta a la informacin desde la siguiente perspectiva ya descrita en los algoritmos genticos precedentes:
> Mutacin sobre la definicin de los conjuntos de pertenencia de las variables.
> Mutacin del conjunto borroso de una variable en una regla.
> Mutacin de una variable, por otra de las existentes, en todas las reglas de la base de conocimiento.
> Mutacin de una variable de una regla.
6.4
Evaluacin e insercin.
Este punto consiste en reemplazar determinados individuos de la poblacin anterior por los nuevos individuos generados con la aplicacin de los operadores anteriores. Dado que lo que se tienen son reglas a insertar en la nueva poblacin, la sustitucin se har segn lo marque el proceso descrito en el algoritmo gentico de los apartados anteriores y cuya extensin sobre poblaciones de bases de conocimiento est siendo aplicado. Por ejemplo, se puede aplicar un mecanismo de ruleta inversa de manera que se eliminan reglas de manera inversamente proporcional a su fuerza.
Pgina 199
7 RESUMEN DE LAS TCNICAS APLICADAS.
En el punto anterior se han ido describiendo distintas formulaciones de algoritmos genticos que tienen por objetivo la ejecucin de acciones de control sobre un determinado sistema.
De esta manera, sobre el sistema de control se define una base de conocimiento borroso, en la cual existen reglas en las que las variables de entrada son relacionadas a fin de extraer conclusiones sobre la variable de control. En el caso que nos ha ido ocupando, las variables de entrada representan al error y a la variacin del mismo; mientras que la variable de salida representa a la accin sobre el sistema.
Dado que las reglas son borrosas, en primer lugar es necesario ejecutar un proceso que, a partir del valor real de la variable de entrada, identifique la categoria lingstica a la que corresponde. Es decir, antes de proceder a determinar las reglas que son aplicadas; "disparadas" en otros trminos, es necesario proceder a asignar el conjunto de pertenencia de la variable borrosa que interviene en la regla.
La conclusin de la regla afecta a la variable de actuacin de salida; pero, dada la formulacin borrosa de aquella, ser necesario proceder a una eliminacin de la componente borrosa y, con ello, expresar la variable de salida en trminos reales.
Para satisfacer la optimizacin de la base de conocimiento se utiliza una algoritmo gentico sobre la base o bases de reglas, siendo la aplicacin de ste independiente de los procedimientos para la expresin borrosa de las variables de entrada y para eliminacin de dicha componente en la variable de salida; aunque, sin embargo, el algoritmo gentico ha de considerar la estructura de las reglas y tanto si se considera un algoritmo gentico aplicado a una poblacin de reglas como si se considera xina poblacin constituida por varias bases de conocimiento de reglas borrosas; debiendo
Pgina 200
adems, en este caso, considerar la oportunidad de emplear slo aquellas reglas que se vean afectadas por la inferencia.
En los apartados anteriores se han ido describiendo diferentes algoritmos genticos que permiten obtener una base de conocimiento ptima y, en algunos casos, optimizar tambin la definicin de los conjuntos borrosos de cada variable.
En este sentido, la aplicacin del algoritmo gentico queda justificada. Adems,firentea un uso generalizado de los algoritmos genticos trabajando sobre vma poblacin que constituye una base de reglas, se plantea una ampliacin que permite trabajar con varias bases de reglas para generar una nueva poblacin que, dependiendo de la manera de funcionamiento del algoritmo gentico, bien pudiera ser entendida como reglas individuales o como conjunto de ellas. Estas ltimas condiciones de trabajo constituyen el andamento de la aplicacin sobre la que se constituye este trabajo de investigacin.
Sin embargo, todava no ha quedado suficientemente claro la manera en la que estos algoritmos se integran en el sistema completo de control. Ms an, no se han dado premisas sobre la manera en la que se debe solicitar la ejecucin del algoritmo; as como la identificacin de sucesos que justifiquen tal actuacin, hitencionadamente, la descripcin de estas tareas se describe en el captulo siguiente con el objetivo de obtener una metodologa de aplicacin.
Pgina 201
La adquisicin de cualquier conocimiento es siempre til al intelecto, porque puede echar fuera de si a las cosas intiles y conservar las buenas. Ninguna cosa se puede amar ni odiar si primero no se tiene onocimiento de ella. El amor nace del conocimiento.
(La sonrisa de la Gioconda. Luis Racionero)
Captulo 6. Metodologa de Aplicacin
Pgina 202
Metodologa de aplicacin
1 INTRODUCCIN.
El objetivo de este captulo es describir una metodologa aplicada sobre un sistema de control con el objetivo de obtener la adaptacin de una determinada ley de control a lo largo de la vida del mismo.
Para alcanzar este propsito, en primer lugar, se expone el objetivo que se desea al disear un sistema de control basado en reglas, que resultan de la bsqueda desarrollada con un algoritmo gentico, y cuales son las restricciones a la hora de llevar a cabo dicha bsqueda.
Descritos los objetivos de diseo, se debe establecer la estructura del proceso a controlar y que, de manera general, parte de un proceso central que distribuye u organiza a procesos locales o especialistas dentro del sistema completo.
En el siguiente apartado se describe el procedimiento de bsqueda para encontrar la solucin ptima al proceso. As, con el uso de algoritmos genticos como herramienta de bsqueda, trabajando sobre representaciones de conocimiento basadas en reglas borrosas, se permite la obtencin de una solucin ptima de una determinada funcin objetivo. El uso de un simulador del proceso se hace fundamental a la hora de establecer no slo escenarios de bsqueda, sino como ayuda a la medida de aceptacin de soluciones.
En estas condiciones se describe la arquitectura del sistema de control: distribuida, con un control del proceso central y un control de cada subproceso sobre el que se acta desde las acciones de control central, y elegida conforme corresponde a la estructura del proceso.
Pgina 203
El captulo concluye con la descripcin funcional del sistema de control, desarrollando el proceso de bsqueda de la base de conocimiento y los mecanismos de modificacin, en definitiva de adaptacin, del sistema de control a la evolucin continua del proceso.
2 OBJETIVOS DE DISEO DEL CONTROLADOR.
El objetivo de todo sistema de control es alcanzar la ley de control aplicable sobre un proceso para conseguir un determinado punto de funcionamiento. El diseo del controlador que nos ocupa, con va a requerir la optimizacin de una base de conocimiento, que expresada en trminos borrosos, regir el control del sistema.
El incluir una bsqueda mediante algoritmos genticos permite una adaptacin del sistema de control a las condiciones del proceso. Esta situacin es, en definitiva, el resultado de organizar el diseo en dos etapas: una primera etapa de planteamiento estratgico y una segunda etapa de desarrollo tctico.
Esta doble situacin se puede resumir como sigue:
En primer lugar, se realiza la bsqueda de una base de reglas que desarrolle las acciones de control vlidas en la primera fase de vida. Es decir, conocido el proceso se trata de establecer una estrategia de control que conduzca toda desviacin al punto de ancionamiento del sistema. Esta estrategia es hecha sobre un simulador del proceso; suponiendo que todos los dispositivos y componentes del mismo estn en condiciones plenas de fiancionamiento.
En segundo lugar, todo sistema puede sufiir desviaciones del punto de funcionamiento; entonces, lo que se busca es un planteamiento tctico que desarrolle la estrategia planificada, resultado de la etapa anterior. Estas desviaciones pueden proceder de varios puntos, propios y ajenos al proceso; de manera que el objetivo es
Pgina 204
encontrar una modificacin de la ley de control que sea aplicable a las nuevas condiciones.
Acabamos de exponer un planteamiento que se basa en llevar a cabo una bsqueda de una ley de control que permita la adaptacin del sistema de control a cada "nueva" condicin de funcionamiento. An cuando esta situacin sea deseable, debemos paramos un momento a discutir la bondad de esta adaptacin.
As, por un lado, la robustez del sistema de control se ve mejorada porque cada nueva situacin conlleva ejecutar una bsqueda que mejore la respuesta del mismo; ejecutando el algoritmo gentico para modificar la base de conocimiento para introducir las acciones de control ms adecuadas a las condiciones del proceso.
Sin embargo, la ventaja que supone esta capacidad de adaptacin del control al proceso, puede no ser aceptable si el resultado de la bsqueda y, por tanto, de la modificacin de la base de conocimiento, conlleva el ocultar fallos fimcionales o de explotacin del proceso.
En otras palabras, la bsqueda que permita una modificacin de la base de conocimiento para mejora del control deber llevarse a cabo si las acciones de control actuales no son vlidas debido a una merma funcional correspondiente a una avera; pero, aunque sujeto a las restricciones derivadas de tal prdida, el sistema de control debe seguir funcionando.
Veamos un ejemplo: supongamos que se desea actuar sobre un sistema de gestin del trfico ferroviario. En este sentido, los conceptos expuestos anteriormente se pueden entender sobre esta aplicacin si consideramos que un sistema de este tipo se idea para soportar un cierto trfico sujeto a un horario:
Planteamiento estratgico: desarrolla una planificacin de cruces y movimientos de los trenes resultado de una bsqueda del horario que mejor se ajuste a las
Pgina 205
condiciones de explotacin es el objetivo del problema. En este sentido, la ley de control inicial corresponder a aquel horario que pueda ser seguido en la lnea en las condiciones para las que fue concebida sta.
Desarrollo tctico: una lnea puede perder funcionalidad por avera, por obras o, simplemente, porque un determinado trayecto quede sujeto a alguna restriccin de velocidad. Entonces, es probable que los trenes deban sufrir modificaciones en sus horarios, pues la aplicacin de lo planificado deja de ser vlida y, sin embargo, la lnea debe seguir siendo habilitada al trfico. No ser posible ejercer acciones de control sobre la totalidad de la lnea si, por ejemplo, un trayecto queda fiera se servicio; por ejemplo por un corte de va. Es en este caso cuando debe estudiarse una alternativa de actuacin o, simplemente, no ejecutar ninguna accin.
3 ESTRUCTURA DEL PROCESO A CONTROLAR.
Antes de comenzar la descripcin de componentes debemos centramos en definir los procesos que pueden sistematizarse con una estrategia de control como la que acabamos de definir y que se caracterizan por los siguientes puntos:
El esquema de control del proceso completo se define sobre una arquitectura jerrquica de componentes en el que hay un proceso central y un conjunto de procesos unitarios. En este sentido, la figura 6-1 sirve para clarificar esta definicin.
El proceso central ejecuta una ley de control cuyo objetivo es encontrar un punto de funcionamiento ptimo a partir del estado de unas variables genricas del sistema en su conjunto.
Cada uno de los procesos unitarios se caracteriza porque han de elaborar una ley de control que defina un punto de funcionamiento ptimo para las variables propias al
Pgina 206
mismo, pero condicionado por las actuaciones que, sobre las variables genricas, son dadas desde el proceso central
PROCESO 1 >
PROCESO 2 -4 ^
iV
PROCESO N
( PROCESO CENTRAL V
y"
Figura 6-1. ESQUEMA DEL PROCESO A CONTROLAR, COMPUESTO POR UN PROCESO CENTRAL Y VARIOS PROCESOS UNITARIOS
Por ejemplo, en el caso de un sistema de control del trfico ferroviario, el proceso central corresponde a la gestin de horarios de los trenes existentes en la lnea; mientras que los procesos unitarios corresponden a la bsqueda de movimientos para cada uno de los trenes que se encuentran en cada estacin y restringido por la prioridad de acciones que, desde el centro de control, se dan para el avance de los mismos.
4 MECANISMO DE BSQUEDA.
En esta metodologa se aplican los algoritmos genticos como herramientas de bsqueda de una solucin ptima; siendo fundamental establecer los siguientes aspectos: Definicin de la poblacin. Funcin objetivo. Evaluacin. Validacin o aceptacin de la solucin.
Pgina 207
El diseo, tanto de los operadores genticos como del propio ciclo gentico, del algoritmo no es objetivo de esta metodologa; aunque son vlidos cualquiera de los ejemplos de aplicacin del captulo anterior de ''''descripcin de algoritmos genticos sobre bases de reglas borrosas".
Los tres aspectos destacados en este punto son totalmente dependientes del problema y representan los aspectos ms delicados para garantizar el xito de la bsqueda gentica.
4.1
Definicin de la poblacin.
Depender del proceso la representacin de la base de reglas que definen el conocimiento del sistema, existiendo una base de reglas cada uno de los procesos unitarios, as como para el proceso central.
Estas reglas borrosas que constituyen la base de conocimiento, podrn agruparse cuando sean especialistas de unas determinadas acciones de control. Por ejemplo, en el control de trfico ferroviario es conveniente tener grupos de reglas para cada posible conflicto entre trenes: cruce, alcance, etc.
Dependiendo del diseo del algoritmo gentico, la poblacin puede ser definida por reglas, grupos de reglas o bases de conocimiento.
4.2
Funcin objetivo.
Sin prdida de generalidad a la hora de hablar de proceso central o de proceso unitario, hay que dar un objetivo que sea el que defina el criterio de optimizacin. As, por ejemplo, para el ejemplo ferroviario que nos ocupa, el objetivo es minimizar el retraso de los trenes en el conjunto de la lnea.
Pgina 208
4.3
Evaluacin.
Una vez definido el objetivo, se requiere utilizar alguna medida de la bondad de las acciones de control que se estn ejecutando. Esta evaluacin es, en definitiva, la medida de salud de cada individuo de la poblacin y sobre cuyo valor recae la presin del proceso de seleccin del algoritmo gentico.
Por ejemplo, en la gestin y control ferroviaria se considera que la medida de evaluacin es el cumplimiento de horarios de los trenes; bien a travs del retraso individual a cada tren como el inducido o acumulado sobre el resto de trenes de la lnea.
4.4
Validacin y aceptacin de la solucin.
Se requiere un sistema sobre el que validar el conocimiento disponible y que adems permita representar diferentes escenarios de prueba para poder adquirir nuevo conocimiento del proceso.
Dado que el sistema real no est disponible, la justificacin de un simulador del proceso queda manifiesta. Este simulador debe ser concebido para permitir la doble funcionalidad del sistema de control que se est definiendo; es decir, debe ser til, tanto la hora de encontrar un punto de funcionamiento, como a la hora de ejecutar el control ante desviaciones del mismo y, si fuera el caso, encontrar la nueva ley de control ante variaciones de las condiciones iniciales.
Si seguimos con el ejemplo ferroviario, el simulador permitiria validar un horario terico sobre una lnea en la que todas las instalaciones se ajustan al funcionamiento para el que fueron concebidas; mientras que, por otro lado, ante variaciones de la funcionalidad, por ejemplo vas de apartado inaccesibles por obras o incremento del nmero de trenes, o existencia de conflictos entre trenes planificados, por ejemplo un retraso inesperado en uno de ellos, permitira validar nuevos horarios en la lnea.
Pgina 209
5 ARQUITECTURA DE CONTROL.
A partir de la estructura del proceso de la figura 6-1 y desde el punto de vista de los componentes del sistema, el diagrama de la figura 6-2 expone los bloques fincionales a considerar.
As, el proceso central ejecuta acciones de control sobre cada proceso unitario; stos, a su vez, ejecutan las acciones de control sobre la planta simulada. Las consecuencias de la simulacin son recibidas en el proceso central y en el proceso unitario.
CONTROL DEL PROCESO 1
CONTROL DEL PROCESO N
CONTROL DEL PROCESO CENTRAL
Figura 6-2. ESQUEMA DE COMPONENTES DEL SISTEMA DE CONTROL.
Llegados a este punto, se debe justificar el por qu de esta arquitectura de control. As, en primer lugar, no se debe olvidar cual era el objetivo que se persigue y que no es otro que el de concebir un sistema de control capaz de adaptarse a las condiciones del
Pgina 210
proceso; es decir, un controlador robusto en la medida e que su rango de validez se aplique a cualesquiera que sean las condiciones durante la vida del proceso al que controla.
A partir de este objetivo, se define un control que infiere sobre una base de reglas borrosas que han resultado de la bsqueda de un algoritmo gentico que satisfaca una determinada incin objetivo. Adems, esta exploracin sobre el espacio de bsqueda se ha ejecutado una primera vez para realizar una estrategia de control genrica que permite extraer una base de reglas y que, en sucesivas aplicaciones del algoritmo gentico, se ha efectuado una modificacin de la base de conocimiento original cuando las acciones de control tienen desviaciones considerables sobre el estado esperado del sistema.
Ahora, entremos en la descripcin del control del proceso. Disponemos de un conjunto de subsistemas especializados en la ejecucin de una determinada tarea y de un proceso central que organiza a cada uno de dichos subsistemas; por tanto, el flujo de ejecuciones es ordenado conforme a la planificacin del proceso central y ejecutado conforme a la capacidad de cada subproceso elemental.
Por ejemplo, el centro de regulacin y control de trfico ferroviario ejecuta un seguimiento de horarios, que incluye una estrategia de movimientos de trenes, y se encarga de ordenar el trfico disponiendo los puntos de parada de los distintos trenes; mientras, cada uno de los operadores que controlan una estacin se encarga de ordenar el mejor movimiento admisible a cada uno de los trenes que debe despachar, siguiendo las rdenes del centro de control.
Situaciones similares se definen en cadenas de produccin que han de llevar a cabo la fabricacin de productos que se elabora, modifican y distribuyen en diferentes puntos de la cadena conforme a una determinada estrategia de planificacin.
Pgina 211
En estas condiciones, queda justificada la arquitectura de control; descentralizando el sistema en tantos componentes como integren el proceso a controlar. Adems, el uso del simulador es crucial para dos actuaciones indamentales: conocer el resultado de las acciones del control central sobre cada subproceso y medir desviaciones del resultado respecto al estado esperado.
6 FUNCIONAMIENTO.
Una vez definido el proceso, sus unidades, el objetivo y la arquitectura del sistema de control, slo queda definir las caractersticas propias al funcionamiento para llevar a cabo la doble perspectiva de control que motiva esta metodologa:
Bsqueda de una planificacin o estrategia de control de la que resulte una base de conocimiento, ley de control, ptima cuya validez se admite mientras el resultado de lo planificado respecto al resultado real del control sea admisible, dejando este criterio de validez a las caractersticas particulares del proceso.
Bsqueda de un desarrollo tctico de la planificacin, que son modificaciones de la base de conocimiento implicada en el sistema de control, para resolver conflictos que resulten de desviaciones no admisibles de la ley de control original.
Es imprescindible considerar que para realizar la bsqueda se van a aplicar algoritmos genticos; siendo, en este sentido, un objetivo principal el definir cundo y cmo se va a ejecutar dicha bsqueda.
En este sentido, es caracterstica a todo sistema la existencia de determinados sucesos a partir de los cuales es necesaria una actuacin de control. Denominaremos evento a cada uno de estos sucesos, de manera que es crucial la identificacin de los mismos a fin de
Pgina 212
hacer reaccionar al sistema de control para garantizar su respuesta y, por tanto, la estabilidad del mismo. En el ejemplo ferroviario seguido en este punto, algunos eventos que es necesario reconocer son los siguientes: el incremento del retraso, la operacin de cruce entre trenes, el apartar a un tren lento para dejar paso a otro. Todos estos eventos requieren acciones de control, que no son ms que modificaciones del horario cuando ste se ve intil para la situacin actual de los trenes y una vez considerada la funcionalidad de las instalaciones ferroviarias.
En estas condiciones, en los apartados siguientes se va a describir la manera en la que se ejecuta la bsqueda al inicio, de la que resultar una ley de control inicial, y cada vez que sea necesario actuar por prdida de funcionalidad, de la que resultar una ley de control modificada.
6.1
Bsqueda d la ley de control.
El objetivo que se persigue es encontrar una base de conocimiento adecuada a la consigna de funcionamiento esperada para el proceso. Esta consigna de funcionamiento se entiende que es una planificacin o estrategia de control para cada uno de los posibles eventos que se han definido para el sistema.
La base de conocimiento quedar constituida por la formulacin de todas las reglas que consideran al sistema de control disponible en cada uno de sus elementos. Por tanto, lo que se desea obtener es la definicin ptima de la base de conocimiento que permita la explotacin del sistema
En este sentido, cuando se disea un sistema de control, se ejecuta una fase de aprendizaje en la que se descubren las reglas que permiten resolver conflictos entre las variables correspondientes a cada uno de los elementos que intervienen en el proceso a controlar. En este sentido y a modo de ejemplo, sera el considerar la temperatura y la presin de un fluido a fin de regular el caudal del mismo mediante una vlvula.
Pgina 213
El resultado es una ley de control aplicable al proceso siempre y cuando todos los elementos que se integran en el proceso sean capaces de actuar. Sin embargo, esta ley de control podra dejar de tener validez cuando se va perdiendo funcionalidad. En el ejemplo de control de una lnea ferroviaria, el objetivo de esta fase es encontrar el horario terico ms adecuado a la capacidad de la lnea, de acuerdo a una necesidad de expedir un cierto nmero de trenes que hay que gestionar restringido por un cierto criterio. Entonces, para encontrar este horario se supone que las instalaciones ferroviarias, es decir, las estaciones y, con ellas, las seales y aparatos de va, estn disponibles. Sin embargo, a lo largo de la vida de la lnea, es necesario, en ocasiones, ejecutar cambios en la explotacin; por ejemplo, cambiar los horarios de invierno a verano o, en un sentido menos previsible, ejecutar obras de conservacin de la va. Es entonces cuando el sistema requiere una nueva ley de control, un nuevo horario de trenes.
Con lo dicho, se ha querido dar un marco de referencia donde se identifica la actuacin del sistema de control en este apartado y que es el encontrar la programacin de acciones que son capaces de regular al sistema a partir de unas condiciones iniciales y supuesta una funcionalidad completa de cada uno de los elementos que se integran en el proceso.
As pues, el sistema de control queda integrado por una arquitectura jerrquica, conforme a la figura 6-3, resultado de integrar las figuras 6-1 y 6-2 , y que se explica en los trminos siguientes:
Un controlador central, que supervisa las variables generales del proceso y, por tanto, la evolucin global del mismo.
Un conjunto de mdulos que ejecutan el control de partes individuales correspondientes a procesos puntuales que pueden individualizarse en el proceso completo.
Pgina 214
Cada uno de los mdulos ejecuta el control como resultado de la inferencia sobre una base de conocimiento, expresada como reglas borrosas, encontrada mediante la exploracin desarrollada por un algoritmo gentico.

^
CONTROL DEL PROCESO 1 PROCESO 2
CONTROL
DEL: '
PROCESO 1
k _
PROCESO N
PROCESO 1
PROCESO CENTRAL T
BC
Figura 6-3. ARQUITECTURA DE CONTROL.
Sobre el ejemplo ferroviario, el mdulo central corresponde al centro de gestin, donde se lleva a cabo el seguimiento de los trenes y el cumplimiento de horarios; mientras que cada mdulo individual corresponde a cada una de las estaciones, donde se hace necesario regular el trfico en fiancin de una ptima asignacin de los recursos (movimientos y vas) definidos en cada una de ellas.
Pgina 215
En cuanto al modelo de control, la bsqueda de la base de conocimiento se va a hacer utilizando algoritmos genticos, que sern utilizados para encontrar aquella poblacin capaz de resolver, de forma ptica y conforme a la funcin objetivo diseada segn los requisitos de regulacin del proceso, cada uno de los eventos que se definen en el sistema.
6.1.1
Componentes del sistema.
Los componentes del sistema sern los siguientes:
Un conjunto de bases de conocimiento aplicables al proceso central.
Un conjunto de bases de conocimiento aplicables a cada proceso unitario.
Un simulador con el que se podr conocer la respuesta del proceso a controlar y, con ello, obtener medidas que permitan conocer la evolucin del mecanismo de bsqueda.
Una base de datos donde reside la informacin disponible del proceso y en la que proceder a guardar, tanto las bases de conocimiento, como los resultados obtenidos.
Aunque, para llevar cabo este desarrollo de planificacin, no se requiera una demanda de tiempo de ejecucin, s que es importante partir de un mecanismo gil de intercambio de datos entre procesos y entre ellos y la base de datos. Por este motivo, para la aplicacin ferroviaria se eligi seguir las recomendaciones de CORJBA.
6.1.2
Descripcin del proceso de bsqueda.
El proceso de bsqueda de la base de conocimiento ptima en esta parte pasa por varias etapas: inicio, ejecucin y conclusin.
Pgina 216
La etapa de inicio corresponde a las acciones bsicas de diseo del sistema de control, as como su implementacin. De este modo, al final de esta fase se dispondr de un simulador calibrado, unos eventos identificados y unos algoritmos genticos que trabajan con una poblacin adecuada y capaces de explorar una solucin ptima segn el criterio objetivo.
La etapa de ejecucin corresponde, propiamente dicho, a la fase de aprendizaje necesaria para abordar la exploracin de la solucin; siendo imprescindible la generacin de escenarios de prueba simulados para cada imo de los eventos del sistema. Esta fase de exploracin permite encontrar las reglas ptimas para cada uno de los componentes central e individuales (especializados) del sistema de control.
La etapa final consiste en disponer las reglas ptimas, resultantes de la bsqueda en el entorno simulado, en el proceso real. A partir de este instante queda en servicio el sistema de control, vigilando la validez de las acciones de control sobre el simulador.
A continuacin se describen detalladamente cada una de las mencionadas etapas.
6.1.2.1 Etapa de inicio.
El desarrollo de las acciones a definir durante el inicio es el siguiente: a) Descripcin de la funcin que servir para medir la bondad del proceso de bsqueda; es decir, definicin de la ancin objetivo.
b) Definicin de un conjunto de bases de reglas borrosas, lo cual implica definir previamente la manera en la que se va a obtener el valor borroso de cada variable real de entrada y, as mismo, el mecanismo por el que se va a obtener el valor real de la variable de salida a partir de un resultado borroso.
Pgina 217
c) Identificacin de los eventos que ocurren en el proceso. d) Calibracin del simulador; es decir, verificacin de la respuesta del mismo ante una base de hechos histricos comprobados sobre el proceso real.
e) Definicin del ciclo del algoritmo gentico, que a su vez requiere los siguientes datos:
Generacin de la poblacin y definicin del valor de salud de cada individuo.
Definicin de los mecanismos de ejecucin de los operadores genticos de seleccin cruce y mutacin. Con ello, se incluir la definicin de los parmetros correspondientes a las tasas de seleccin, cruce y mutacin
Definicin de los procedimientos de validacin de la poblacin resultante, as como de reemplazamiento de los nuevos individuos en la poblacin.
Definicin del criterio de finalizacin del
algoritmo, incluyendo un valor
objetivo (ptimo) y un nmero mximo de generaciones para impedir que se incurra en un nmero ilimitado de ciclos de ejecucin.
f) El sistema utilizar dos tipos de algoritmos genticos, uno para proceder al ajuste de cada mdulo de control y otro para el ajuste final sobre el sistema de control en su conjunto:
I. Un primer algoritmo, con la estructura de la figura 6-4, que permite un ajuste individual para el proceso central y cada uno de los subprocesos individuales (especialistas); supuesta una respuesta ideal del resto cuando se requiera el uso de alguna interconexin entre mdulos.
Pgina 218
El ciclo gentico considera una poblacin de reglas a la hora de definir los operadores genticos correspondientes.
r
PROCESO 1
PROCESO CENTRAL
simulacin
PROCESO N
Escenario de Prueba Acciones de control
Controlador de proceso
PROCESO ELEMENTAL
Base de reglas borrosos
Operadores Genticos
^^J}Algoritmo Gentico
Figura 6-4. BSQUEDA DE LA BASE DE REGLAS
El resultado de la ejecucin deber ser una poblacin de reglas capaz de resolver correctamente cada escenario de prueba correspondiente a un evento en el proceso.
Sin embargo, debemos recordar en este punto una situacin bastante significativa en el diseo y es que es bastante difcil medir la bondad de unas acciones de control correspondiente a una determinada estrategiafi-entea otras.
Pgina 219
Por un momento, reflexionemos en el sistema de control ferroviario operado por diversos expertos. Cada uno de ellos es capaz de ordenar el trfico de una manera distinta, aunque obtiene la informacin de las nicas variables del proceso: los trenes que circulan y las instalaciones disponibles, junto al reglamento de circulacin y de explotacin.
La situacin descrita tambin ocurre en la exploracin gentica; de manera que, a partir de las mismas variables, el resultado de la exploracin puede presentar "buenas" alternativas de control y que pueden haber resultado del propio diseo de los operadores genticos y ms concretamente de los procesos de seleccin e insercin.
De esta manera, no consideraremos como resultado una nica poblacin; por el contrario, consideraremos varias poblaciones correspondientes a diversas exploraciones y que, por tanto, permiten dar como resultados a cada una de estas poblaciones que correspondern a diferentes bases de conocimiento apropiadas a cada componente de control.
II. El segundo de los algoritmos genticos desarrollar su ciclo sobre una poblacin constituida por el conjunto de bases de conocimiento resultantes de la ejecucin anterior (figura 6-5).
El objetivo de esta ejecucin es conseguir la mejor base de conocimiento para traspasarla al proceso real.
En definitiva, este segundo algoritmo gentico permite hacer \ma ajuste adecuado a diferentes fases funcionales del proceso real; ajuste hecho a partir de la "prediccin" sobre el proceso simulado de las acciones de control de cada base de conocimiento sobre el proceso real.
Pgina 220
As, de las diferentes bases de conocimiento a cada mdulo del sistema de control obtendremos un nico resultado que ser el que acte en el proceso central.
PROCESO CENTRAL
simulocn
PROCESO 1
PROCESO N
V
Escenario de Prueba Acciones de control
Control del
PROCESO ^
ELEMENTAL
NUEVA Base de reglas borrosas
ALGORITMO GENTICO
^1
Operadores Genticos
Figura 6-5. AJUSTE DE LA BASE DE REGLAS
Pensemos, una vez ms, en el proceso de control y regulacin ferroviario y en el control hecho por diversos operadores. As, los operadores expertos pueden
Pgina 221
desarrollar su estrategia de control en cualquier lnea de la red; sin embargo, las particularidades de cada lnea individual puede hacer necesario encontrar las "mejores" operaciones de cada uno de ellos para poder ejecutar un control ptimo de la lnea. En nuestro caso, cada uno de esos operadores serian las diferentes bases de conocimiento y esas particularidades serian los diferentes eventos a resolver en el proceso real; de manera que se requiere tener una medida de la mejora de unas acciones sobre otras y que se encuentra ejecutando el algoritmo gentico operando sobre las propias bases de conocimiento y enfrentando resultados al simulador.
6.1.2.2 Etapa de ejecucin.
En la etapa anterior hemos establecido los requisitos del sistema de control y la especificacin uncional del mismo; describiendo cada uno de los componentes y efectuando el diseo de los mismos. Los resultados fueron la identificacin de eventos, la calibracin del simulador y el diseo de los algoritmos genticos.
La fase de ejecucin requiere el desarrollo de una secuencia de actuaciones que se debe seguir para cada uno de los escenarios de pruebas caracteristicos de cada evento y que se describe en los trminos siguientes:
a) Descubrir la respuesta de cada uno de los mdulos de control de manera individual, utilizando el simulador con los hechos disponibles del proceso real. Este descubrimiento permite formular las bases de conocimiento de partida que definen las "reglas de funcionamiento" de la instalacin.
De esta manera, se proceder a simular los hechos suponiendo que cada respuesta de cada mdulo de control est disponible. Sobre el ejemplo ferroviario, hay que distinguir entre el comportamiento de las estaciones y el del puesto central.
Pgina 222
As, el puesto central tiene por objetivo gestionar el trfico en la lnea; por tanto, en este punto se supone que, en cada estacin implicada en la marcha de cada tren, siempre habr disponibilidad para asignar una ruta de entrada y otra de salida.
De la misma manera, en una estacin se regula el trfico de entrada y salida de los trenes descubriendo el nmero de movimientos y el tiempo empleado en recorrerlos; de manera que la deteccin de un tren en la proximidad de la estacin requiere la asignacin de un movimiento de entrada e, igualmente, transcurrido el tiempo necesario para las operaciones en la estacin, el tren encontrar su correspondiente ruta de salida de acuerdo a las condiciones del trfico expedido y esperado en la estacin.
b) El primer resultado es, entonces, la obtencin de un primer ajuste de las bases de conocimiento, para lo cual se habr ido utilizando el algoritmo gentico disponible para encontrar bases de conocimiento adecuadas a cada mdulo (central o individual) y que se aplicar sobre la poblacin de reglas que define cada una de las bases de conocimiento disponibles, pero de manera individual a cada una de ellas.
As, se repetir el proceso tantas veces como bases de conocimiento existan para cada mdulo de control y, asimismo, tantas veces como conjuntos de datos existan disponibles.
c) Conocido el funcionamiento de cada mdulo de control, se procede a la integracin de los mismos y, con ello, a conocer la respuesta del conjunto.
En un primer punto, la integracin pasa por resolver las situaciones conocidas a partir de los hechos disponibles del proceso real. En este sentido y sobre el ejemplo ferroviario, de una lnea se conoce el horario terico de los trenes y el cuadro de movimientos de la consigna de cada estacin. Adems, es fcil incorporar sobre el simulador datos que permitan conocer la respuesta ante
Pgina 223
retrasos en los trenes que sean debidos a averas, por ejemplo de seales o de los trenes, o a retrasos achacables a condiciones atmosfricas no sujetas a acciones de control.
d) El resultado es un ajuste fino de las bases de conocimiento disponibles, tanto para el proceso central como para los correspondientes a cada mdulo unitario. En este sentido, se utilizar el algoritmo gentico que constituye la obtencin de la base de conocimiento final y que se desarrollar considerando la poblacin, no como conjuntos de reglas, sino constituida por las propias bases de conocimiento disponibles del proceso anterior.
6.L23
Etapa final.
En la etapa anterior se ha hecho la exploracin intensiva cuyo resultado permite disponer de unas bases de conocimiento correspondiente a cada uno de los mdulos del sistema de control. Entonces, el ltimo paso del proceso es incorporar dichas bases sobre el sistema de control propio al proceso.
Como resumen de las actividades de este proceso, con la figura 6-6 se describe la arquitectura de obtencin e incorporacin en el proceso real; separndose la parte de control de la parte de adquisicin de conocimiento a partir de la bsqueda desarrollada por el algoritmo gentico.
Pgina 224
i.'*^"^".-ifO"^'
*.W-.v<-'"V-'J
BC CONTROL DEL PROCESO!

/ V ^
;; . . .- -.- . . \ . . . . . .' - j - ^
BC CONTROL DEL PROCESO 1

'\^-'-:':':':'
.' -.'" '.** ."* *. '. -* . ' . * 1 * . .' -.* '* *.'
:: : - : - : - : - : - - - : - y
.* . - . T - i 1.
BC
CONTROL DEL. PROCESO 1

:':'.
PROCESO 1
V. /....... .-. - v
PROCESO 2
::;:'. ::'..
)iI:/A/îf^ P R O C E S O N
y.-. .-. . . -.. -.. .-. .. - v / .-. . . . -. . .
: : :. :. . .:
:y*<;.
A " . . ' . . ' . . ' . V V V . " V V . j i ' T f V V V V ' : ' : : ' V - . . V V . .-' . ' . ".-N
PROCESO CENTRAL
V - ' .'. -. '.' -V. / -*. '.' -- -.*. '. .'
:/:<fW
......
.-.... .-....
^ ^ - . . .
BC
CONTROL DEL PROCESO N
B C x
B C M
Obtencin de las bases de conocimiento, donde la que aparece sombreada es transferida al proceso real.
CONTROL DEL PROCESO
ncM
Figura 6-6. OBTENCIN DE LA LEY DE CONTROL PTIMA INICIAL
Pgina 225
As, sobre el esquema de control del proceso, definido anteriormente en la figura 6-3, resulta que cada base de conocimiento ha sido obtenida mediante la exploracin gentica, diseada en la fase inicial y desarrollada en la fase de ejecucin, que considera la bondad de la base de conocimiento final como resultado de las acciones planificadas sobre el simulador.
En estas condiciones quedara mcionando el controlador y, si los componentes permanecieran estables a lo largo de la vida del proceso, no sera necesaria ninguna accin adicional.
Sin embargo, la realidad es distinta. Los componentes envejecen o las caracteristicas fincionales varan. Recurriendo al control ferroviario, la lnea requiere operaciones de renovacin de vas, de reemplazamiento de instalaciones, etc que hacen que la planificacin extrada no sea vlida. Por esta razn, la ley de control requiere modificaciones y disponemos de una arquitectura dinmica de control capaz de hacer evolucionar al sistema empleando los algoritmos genticos descritos. 6.2 Variaciones de las condiciones de funcionamiento.
El objetivo de este apartado es describir el sistema de control del proceso cuando las actuaciones obtenidas, segn el procedimiento descrito anteriormente, dejan de ser vlidas. 6.2.1 Requisitos.
La respuesta en tiempo de un sistema de control deja de ser adecuada al planteamiento inicial de diseo por diversos motivos, como serian cambios en la ancionalidad; con lo que la estabilidad del sistema de control quedara mermada.
La primera pregunta que deberiamos hacer es el motivo que requerira una actuacin de este tipo; es decir, es realmente adecuado el plantear que el sistema de control siguiera actuando an cuando la funcionalidad del proceso no sea la que sirvi para su
Pgina 226
definicin? Planteada as la pregunta, es evidente que, dado que el sistema no es el que se concibi, tampoco lo ser el sistema de control y, por tanto, lo que se est presentando es un proceso de adaptacin del sistema original a cada nueva situacin y siempre y cuando la situacin sea realmente controlable y no objeto de un fallo del proceso.
Recurramos, de nuevo, al ejemplo ferroviario. Una lnea queda definida por un conjunto de estaciones, cuya topologa definen una capacidad de la misma. Sobre la lnea, se define un horario para despachar aquellos trenes que quedan planificados; es decir, aquellos trenes que de manera diaria o peridica se sabe que van a circular por la lnea. Sin embargo, supongamos que, por obras, una va de una estacin queda intil. Entonces, podria ocurrir que esta situacin provocara retrasos sobre los trenes que hubieran de cruzar en la misma; por lo tanto, la existencia de una nueva planificacin de horarios quedara justificada. Sin embargo, no podra alterar el horaro previsto el incluir un nuevo tren o locomotora no planificada, pues esta accin sera puntual y causara retrasos slo en los trenes afectados por conflictos de circulacin de la misma y, en este caso, el sistema de control debera ordenar los movimientos de este tren "especial" restrngido a los movimientos de los planificados y, con ello, el retraso se minimizara en el margen de actuacin previsto por el sistema de control.
Una avera del sistema; por ejemplo, un tren intil en la lnea no justificara horaros. Por el contraro, se tratara de ejecutar las alarmas oportunas para lanzar un tren de socorro, que sera prortaro y, por tanto, tambin fie previsto por el sistema de control. En este caso, el retraso de los trenes se incrementara, pero localmente a la zona horara de la avera.
En estas situaciones, tal y como se ha concebido el sistema de control en el punto anteror, no podra aplicarse. El sistema de control diseado es capaz de generar nuevos horarios, pero no de adoptar soluciones inmediatas. De la misma manera, se podra generar sobre cualquier sistema.
Pgina 227
6.2.2
Esquema de control ante cambio de funcionalidad.
Con los requisitos anteriores, resulta deseable un sistema de control en tiempo de ejecucin capaz de reaccionar ante variaciones funcionales
Tal y como hemos diseado la arquitectura del sistema de control, se dispone de una arquitectura distribuida actuando sobre cada uno de los mdulos del proceso a partir de las acciones inferidas de la base de conocimiento disponible. Pero, adems, se dispone de un simulador y de los resultados de la bsqueda exploratoria, a partir de algoritmos genticos, de la solucin a los requisitos de control.
Sin embargo, hace falta un vnculo importante entre el sistema real y el sistema de extraccin del conocimiento nuevo. Este vnculo reside en conocer la respuesta del sistema de control para prever la evolucin en el tiempo y marcar la necesidad de una accin correctiva. Es decir, es necesario incorporar una identificacin de eventos para poder comparar respuesta del sistema de control (figura 6-7).
CONTROL DEL PROCESO

SISTEMA DE CONTROL: identificacin y resolucin de conflictos
BASE DE REGLAS BORROSAS
Acciones de control
conocimiento aprendido conocimiento NUEVO
La bsqueda desarrollada por et ALfiORITMO CENEncO genera nievo conocimiento
Figura 6-7. CONCEPTO DEL SISTEMA DE CONTROL MODIFICADO
Pgina 228
Este mdulo de identificacin de eventos es posible si los datos reales del proceso estn disponibles para su simulacin. Entonces, dado que el sistema de obtencin de
conocimiento, que fue utilizado en la fase inicial descrita anteriormente, dispone de las bases de conocimiento implantadas en el sistema de control del proceso real, ser posible predecir la respuesta y reaccionar ante este evento con vma nueva base de conocimiento que podr ser exportada al sistema de control del proceso real.
Recurriendo una vez al ejemplo ferroviario, el objetivo es, una vez detectado el conflicto, evitar la propagacin del retraso acumulado en los trenes afectados por el mismo a todos los trenes que queden por circular o estn en circulacin por la lnea fuera del alcance del conflicto. 6.2.3 Operativa de funcionamiento.
La operativa o sucesin de etapas que se siguen en la modificacin de la base de conocimiento, empleando los algoritmos genticos es el siguiente:
1. En todo momento, el estado de las variables del proceso son conocidas y transferidas al mdulo de simulacin.
2. El sistema de control ejecuta acciones para regulacin del proceso a partir de la inferencia que se tiene de las reglas que componen la base de conocimiento.
3. En paralelo y con el uso del simulador, cada vez que se ejecuta una accin de control se analiza la respuesta de la misma y se miden desviaciones respecto a la ley de control, consigna de funcionamiento.
4. La desviacin no tolerable "despierta" al algoritmo gentico:
Pgina 229
En primer lugar, las bases de conocimiento disponible son contrastadas con la actual para reajustar el valor de salud de las mismas; lo que se consigue procediendo a una simulacin completa en las condiciones actuales del proceso.
En segundo lugar, se ejecutan los operadores genticos de cruce y mutacin, desarrollando las nuevas bases de conocimiento sobre el simulador para poder evaluar la mejora respecto a la poblacin predecesora.
El ciclo gentico se repite las veces que se definan como mximas, si antes no se observ una "mejora" en el resultado sobre el sistema.
A modo de ejemplo, en el control ferroviario se ejecut una bsqueda correspondiente a un ciclo gentico sobre cada 100 inferencias de la base de conocimiento. Fue as para reajustar el resto de las bases de reglas que no estaban en el control real de la instalacin.
Sin embargo, cuando se detectaba un problema de control, una desviacin en el retraso debida a los planes de cruce y causada por averas en las instalaciones, se dejaba ejecutar el ciclo gentico hasta 50 veces; pues el tiempo de respuesta esperado no era crtico en la medida en que los trenes disponan de un horario y era asumido que el tren afectado por la avera no poda recuperar el tiempo para llegar a un retraso 0.
En otras palabras, se asume que muchas de las averas en las instalaciones no se detectan hasta que se quiere operar en las mismas; pero, entonces, los trenes que se encuentren en la confluencia de ellas ya se ven directamente afectados y, por lo tanto, la malla de los horarios se deforma y comienzan a surgir demoras en los trenes que se propagan, primeramente, sobre los trenes en conflicto y, como consecuencia de las operaciones de stos, repercuten sobre los sucesivos trenes.
Pgina 230
Ante esta situacin, lo que se pretende es minimizar la acumulacin del retraso de los primeros trenes afectados; pues, tal y como se observa en los operadores reales, el conseguir este objetivo suaviza las repercusiones en la malla horaria del resto de trenes.
Translademos a tiempos el proceso. Un cruce de trenes en va nica puede llevar un mnimo de 2 minutos; incrementndose el tiempo si hubiera que reordenar la entrada de trenes. Como vemos, una herramienta potente de clculo no debe plantear problemas en ejecutar estas 50 bsquedas y evaluaciones.
Una consideracin importante del algoritmo es la conservacin de la base de conocimiento que sirvi de partida; es decir, la base de reglas que se extrajo para hacer que el sistema trabaje en el punto deseado cuando todas las instalaciones funcionan conforme a lo esperado.
Analizado el proceso de ejecucin, lo que resta es ejecutar una simulacin especfica de la base de conocimiento seleccionada para aseguramos su validez para todos los trenes que se desea regular.
5. Por ltimo, se procede a insertar la nueva base de conocimiento en el sistema de control del proceso real y a eliminar la actual; puesto que ya forma parte de aquellas con las que trabaja el algoritmo gentico.
6.2.4
Activacin de los algoritmos genticos.
Tal y como hemos explicado en la operativa, mientras la respuesta del sistema de control no provoque desviaciones respecto a la consigna, ley de control, definida para la incionalidad especificada del proceso, el sistema de control se comportar de manera adecuada y no se requerir ninguna accin.
Pgina 231
Sin embargo, la modificacin de las condiciones de uncionamiento hace que las reglas encontradas para regir las acciones de control no se adecen al rendimiento esperado en el sistema; siendo, entonces, cuando se debe recurrir a la bsqueda de nuevas reglas. Las situaciones que pueden ser la causa principal de la prdida de validez de la base de reglas pueden ser, entre otras, cualquiera de las siguientes:
Utilizando los mismos elementos, se desea un cambio de explotacin.
Esta situacin obedecera a cambios en los planes de produccin, tales como un cambio de horarios (invierno/verano) de la lnea de ferrocarril, etc.
Manteniendo el criterio de explotacin del proceso, se desea una modificacin temporal y que no afecta a la totalidad del tiempo de control.
Esta situacin implica una leve modificacin prevista, por lo que modificara el rendimiento del proceso pero sin repercusin en ciclos sucesivos de ejecucin del mismo. As, sera obtener, sobre un horario definido, tramos horarios donde poder incluir trenes especiales en determinados das sin que el retraso sobre los trenes ordinarios fuera importante.
Operaciones de mantenimiento o de conservacin requieren modificaciones en algn componente.
Ejemplos seran el que una estacin de tres vas fuera objeto de depsito de un tren de trabajos, con lo que la merma de capacidad podra hacer que se modificara el plan de cruces previsto en la estacin.
Todas estas situaciones, conducen a la identificacin de eventos que corresponden a conflictos dentro de las acciones del sistema de control que son ejecutadas a partir del conocimiento disponible en la base de conocimiento.
Pgina 232
Entonces, la deteccin del conflicto provocar la ejecucin del algoritmo gentico descrito como de ajuste y en el que intervienen las bases de conocimiento como individuos de la poblacin. El resultado ser una nueva base de conocimiento que se incorporar al sistema de control una vez sea validada en el simulador.
La pregunta que, inmediatamente surge, puede formularse como qu ocvirre con la base de conocimiento original y que se extrajo para las condiciones de funcionamiento completas del sistema? Si la base de conocimiento original es sustituida por la que acabamos de generar, es posible que cuando el sistema se reponga se tenga xm "mal" sistema de control.
La situacin descrita no debe alcanzarse si se considera que el sistema "patrn" es el sistema concebido y no el mermado en funcionalidad.
En otros trminos, dado que los datos reales llegan al simulador y que se dispone de los datos tericos planificados para el sistema de funcionalidad completa, ser precisamente por comparar uno y otro resultado el que se invalide la situacin provisional, bien porque se vuelva a la situacin de origen, bien porque se llegue a una nueva funcionalidad que requiera un nuevo proceso de bsqueda.
En resumen, los resultados obtenidos en el proceso inicial van a ser el objetivo a seguir durante el tiempo de vida del sistema y, slo se recurrir a actuaciones de control puntuales que quedarn anuladas cuando vuelvan a ser vlidas las acciones originales. Sin embargo, a nivel de bases de conocimiento, se dispondr de una riqueza tal que el sistema ir aprendiendo y se podra incorporar una marca que identificara grupos de reglas propios a cada vez un mayor nmero de eventos. Con ello, incluso la base de conocimiento original podra ajustarse si se procediera, por separado, a repetir todo el proceso descrito en el apartado anterior.
Pgina 233
6.2.5
Esquema del controlador.
Es importante realizar una arquitectura que sirva de referencia para proceder a un diseo de un sistema de control basado en reglas borrosas que, merced al uso de algoritmos genticos, presenta capacidad de adaptar la base de reglas a variaciones en el proceso a controlar. En este sentido, se propone una diagrama de bloques genrico que se resume en la figura 6-8.
srsTE/VA C co'-""arL aOhSosc E
o g
Esrodc
PROCESO CONTROUDO
LEY DE CONTROL: CONSIGNA TERICA
CemUtonts <U slmdodn cfififarmt al tstodo r*ol d* las instalaeanu
COMPONENTES D a CONTftOUDOR IDNTICOS A LOS DEL SISTEMA EN SERViaO
PROCESO SIMULADO
Hfflaiiiiiiiiii
i! EVALUAaN
SBvTKO , ,;'. >\\^M<ln'A,,l ^"'lU ;'(V'

>'!>!!!.'.f'.?'.' uj
^ PREVI* Ai
.' n
t'f
/^ -:" ' ^ r ' l i l
I',' \i''l
*f,t * i
llfllipjlif iHlflJllllIfi
Figura 6-8. ESQUEMA DE ARQUITECTURA DE CONTROL.
Pgina 234
En la figura se observa la divisin entre el sistema en servicio y el sistema de ajuste, en definitiva de aprendizaje, de manera que el primero acta sobre el proceso real y el segundo sobre una simulacin del mismo con el estado del propio proceso. El sistema de control se compone de los elementos necesarios para ejecutar, a partir de una expresin borrosa de la entrada, un motor que desarrolla su inferencia sobre una base de conocimiento, compuesta por reglas borrosas obtenidas por la exploracin de vm algoritmo gentico conforme a una determinada fincin objetivo que define el criterio de optimizacin a conseguir en la bsqueda. Las acciones de salida del controlador atacan al proceso real, midindose la desviacin del estado alcanzado respecto a la consigna obtenida en el ajuste inicial de puesta en marcha de la instalacin. Desviaciones inadmisibles desarrollan la ejecucin del algoritmo gentico que, trabajando con diferentes bases de conocimiento aparte de la actual y de la propia a la consigna de puesta en servicio, consigue encontrar una nueva base de conocimiento que deber transferirse al sistema en servicio previa validacin de la misma sobre el proceso simulado.
7 RESUMEN.
El objetivo de este captulo lo marcamos en la introduccin en trminos equivalentes a definir una metodologa de un sistema de control caracterizados por las siguientes dos situaciones: Bsqueda ptima de la ley de control idnea a las condiciones de explotacin conforme al diseo de sistema.
Pgina 235
Ajuste de la ley de control cuando las desviaciones del punto de funcionamiento, respecto a la ley inicial, requieren una modificacin de la ley de control.
El sistema de control es borroso, de manera que la base de conocimiento se constituye con reglas borrosas obtenidas de la bsqueda desarrollada por algoritmos genticos.
A partir de estos requisitos se describe una metodologa de diseo que describe los siguientes aspectos:
1. El sistema de control debe descomponerse en elementos individuales que permiten una descentralizacin de actuaciones adecuada a cada uno de los componentes que integran el proceso completo.
2. El ltimo objetivo es definir un componente central que organiza las actuaciones de cada uno de los componentes especializados. El proceso central se encarga de desarrollar una "coordinacin" del flujo del proceso y que tcticamente se desenvuelve en cada mdulo especialista.
3. Se procede a la bsqueda de una estrategia de control, para lo que se ejecuta una bsqueda de reglas que constituirn la base de conocimiento sobre la que se realizar la inferencia de cada elemento de control individual. El resultado ser la planificacin de acciones propia a una consigna de explotacin fiancional de la instalacin que actuar como ley de control de cada componente.
4. De manera continua se supervisa el resultado de las acciones de control y se mide la desviacin respecto a la ley de control planificada; es decir, se procede a ejecutar una determinada tctica de puesta en marcha de las acciones planificadas. Las desviaciones no deseadas desarrollan una modificacin de la planificacin, que ser la nueva consigna.
Pgina 236
5. Cada bsqueda se desarrolla gracias a la ejecucin de un algoritmo gentico que proporciona las correspondientes bases de conocimiento sobre las que desarrollarn su inferencia los motores borrosos.
Se debe considerar la dependencia del problema que tiene el diseo del sistema de control y particularmente de los operadores genticos, incluso hasta el punto de supeditar la modificacin de la base de conocimiento durante la vida del sistema de control a la permisividad del proceso a la tolerancia a fallos o averas.
En este sentido, en los siguientes captulos se van a exponer dos problemas bien diferentes en los que se ha aplicado esta metodologa de diseo:
Control y regulacin del trfico ferroviario.
Puesta en marcha de un circuito de va, que es un dispositivo que detecta la presencia de tren en una determinada longitud de va.
El problema de regulacin y control de trfico es especialmente complejo porque se debe encontrar un horario ptimo de la lnea y un orden ptimo de movimientos en cada estacin; en definitiva un plan de movimientos y operaciones de los trenes en la lnea. Adems, la instalacin es dinmica a lo largo de su ciclo de vida y se debe reajustar el plan anterior a las condiciones de las instalaciones y los trenes que circulen.
El problema de puesta en marcha del circuito de va es complejo, pues se trata de encontrar el nivel de tensin ptimo para detectar un tren en la va de manera segura. Adems, dado que este sistema es de seguridad intrnseca para las instalaciones ferroviarias, es intolerante a fallos y, por tanto, una vez que perder la validez de las reglas de ajuste el circuito de va es imposible modificar las mismas sin retirar de servicio a la instalacin. La validez de las variables se supervisa en el sistema de control porque establece un estado de seguridad que responde a cualquier prdida de definicin
Pgina 237
de las condiciones de ftmcionamiento que conlleva a una desconexin segura de las salidas del sistema hacia el resto de las instalaciones ferroviarias.
Pgina 238
No son las locomotoras, sino las ideas, las que llevan y arrastran al mundo (Vctor Hugo)
No hay grandeza donde faltan la sencillez, a bondad y la verdad ('Guerra y Paz". Len Tolstoi)
Captulo 7. Gestin del Trfico Ferroviario
Pgina 239
Gestin del Trfico Ferroviario
1 INTRODUCCIN.
El objetivo de este trabajo de desarrollo de un sistema de control para la gestin del trfico ferroviario es permitir la explotacin del conjunto de instalaciones que permiten la circulacin de trenes desde un extremo, al que denominaremos cabecera, a otro, que denominaremos final, de una lnea frrea.
y
Estacin A CABECERA
v_y
Estacin B
v^
Estacin C LINEA FRREA
w
Estacin D
V
Estacin E FIN DE LNEA
Figura 7-1. ESQUEMA DE COMPONENTES DE UNA LINEA FERROVIARIA
Para describir el sistema de control ferroviario de una lnea ferroviaria como podria ser la de la figura 7-1, es necesario describir las instalaciones, su gestin y las operaciones de trenes. Con ello, podemos ver el alcance de un sistema de control de trfico centralizado.
Por otro lado, siguiendo la metodologa propuesta en el correspondiente captulo de esta tesis, se propone emplear un sistema de control para la planificacin de horarios, rutas en estaciones y toma de decisiones durante el tiempo de explotacin de la lnea; siendo el mismo un sistema de control borrosos que desarrolla su inferencia sobre una base de conocimiento, constituida por reglas borrosas, que ha sido encontrada, utilizando
Pgina 240
algoritmos genticos, como solucin a un problema de optimizacin expresado como minimizacin del retraso en las circulaciones.
Desde esta perspectiva, el sistema de control del trfico ferroviario se desarrolla en dos etapas: una de planificacin, que permitir obtener el horario ptimo de la lnea en funcin del nmero y tipo de circulaciones y de la topologa de las instalaciones en la lnea, y otra de regulacin, que definir las rdenes a cada tren conforme al estado de las instalaciones y de la evolucin de las circulaciones.
En cuanto a los elementos implicados en el control, se define un proceso central, que corresponde al puesto de mando de la lnea y cuyo fin es el de ordenar el trfico, y tantos procesos elementales como apartaderos o estaciones existan en la lnea; siendo stos los que ejecutarn los movimientos de los trenes conforme a la estrategia de trfico que se decide por las acciones del proceso central.
Las decisiones de control se toman en fincin de determinados eventos que se detectan en los trenes, por ejemplo el retraso, como en la planificacin, sern cruces y alcances, como operaciones de los trenes, como seran paradas, maniobras, acoples, etc.
2 INSTALACIONES FERROVIARIAS.
En cuanto a las instalaciones existentes, se definen xma serie de equipamientos, tanto en estaciones como en los trayectos que unen las estaciones colaterales, y que tienen como objetivo la autorizacin de la marcha de un tren sobre la lnea.
De este modo, en primer lugar, ha de proceder a la deteccin del tren y, para ello, se disponen equipos de deteccin que delimitan secciones sobre la va. Adems, se disponen seales en los trayectos, las cuales autorizan al maquinista el avance sobre la seccin a la cual protege.
Pgina 241
Seal que protege a la seccin de va n cuando un tren viaja de la seccin n+1 a la seccin n
CH hO
Y
OH h^
/ V
#H hO
Y
C H VA
K)
J
SECCIN DE VA n-l/sECCIN DE VA n SECCIN DE VA n+1
Seal que protege a la seccin de va n cuando un tren viaja de la seccin n-1 a la seccin n
Figura 7-2. LAS SEALES COMO DISPOSITIVOS DE PROTECCIN DEL TREN.
Sobre la lnea existen puntos singulares destinados a ejecutar operaciones con los trenes. Estos puntos singulares se denominan estaciones y, en ellas, existe un haz de vas al que se accede mediante unos dispositivos de encaminamiento de trenes denominados agujas.
aguja OH
VCH
hO
,\
hO
CH
Figura 7-3. LA FORMACIN DE RUTAS SUPONE LA ACTUACIN SOBRE LOS DISPOSITIVOS DE AGUJAS.
Pgina 242
El sistema que se encarga del control y supervisin de los aparatos de va (agujas, seales) de una estacin, as como del establecimiento y aseguramiento de las rutas, se denomina enclavamiento. Entonces, una ruta se puede entender como el camino que puede seguir un tren en una estacin y se caracteriza por tener un punto de inicio y un punto de final del movimiento. Cada ruta es autorizada por una nica seal y permitir el avance del tren hasta la siguiente seal. As, se pueden definir movimientos de entrada, que irn del trayecto a una va de estacionamiento, movimientos de salida, que irn de un estacionamiento al trayecto, o movimientos de maniobra, en los que no se puede invadir el trayecto.
Si el enclavamiento da seguridad al avance por las rutas de una estacin, el bloqueo es el sistema que asegura la circulacin de un tren desde una estacin hasta su estacin colateral.
OH
\-m /
c -
El bloqueo permite la expedicin de un tren desde la salida de A a la entrada de B
" TRAYECTO A -B
. ^
1 W
/ \
\0H
\-
Enclavamiento de la ESTACIN A
^ ^
LnciavaniienTo ae \a ESTACIN B
BLOQUEO A-B
Figura 7-4. CONCEPTO DE BLOQUEO ENTRE ESTACIONES.
De esta manera, el enclavamiento prepara la ruta de salida. El bloqueo comprueba que es posible expedir un tren hasta la entrada de la estacin B y, entonces, se permite en A la autorizacin de marcha al tren.
Pgina 243
3 GESTIN DE LAS INSTALACIONES.
Cada una de las estaciones queda, tal y como se ha descrito antes, gobernada por un enclavamiento y es, sobre esta instalacin, donde se ordena la ejecucin y supervisin de los itinerarios de los trenes. Entonces, xin primer nivel de gestin es la obtencin de la lista de rutas que es posible hacer en una estacin y, una vez conseguida dicha lista, definir las incompatibilidades entre los posibles movimientos.
Por otro lado, sobre la lnea van a circular un cierto nmero de trenes en ambos sentidos de la misma. Llegados a este punto, se han de definir dos conceptos: nmero de tren y paridad. El nmero del tren identifica a cada uno de los trenes que van a recorrer la lnea, indicando este nmero las caractersticas asociadas a cada tren. La paridad de un tren se ha de definir como la identificacin del recorrido de un tren sobre la lnea. As, todos nmeros de tren sern impares cuando el tren salga de la cabecera de la lnea y, por tanto, sern pares los nmeros de tren que la recorran en sentido contrario.
Desde el puesto de mando, es decir desde el centro de gestin de la lnea, se controla el trfico ferroviario y, para ello, se realiza un seguimiento de los horarios de cada uno de los trenes, decidiendo las estaciones de cruce entre trenes y cuantas otras operaciones ferroviarias se ejecuten en la lnea.
3.1
Horario de los trenes.
El horario de los trenes se recoge en una grfica denominada espacio-tiempo, donde en abscisas aparece el tiempo y en ordenadas la distancia entre estaciones contada desde el origen o cabecera de la lnea (por ejemplo puede verse la figura 7-5). La familia de curvas de esta grfica representa al conjunto de trenes a regular a lo largo del da;
Pgina 244
definiendo cada curva para un tren que queda identificado por un nmero; con lo que, en resumen, se recoge en dicha curva la marcha de cada tren:
Estaciones de origen y destino con el tiempo de salida y llegada. Tiempos de paso por las estaciones. Movimientos previstos, por ejemplo parada, cruce o alcance, con otros trenes; definiendo los tiempos requeridos en los mismos.
Estacin C
Estacin B Estacin A 12 15 18 21 2 4 horas
Figura 7-5. EJEMPLO DE GRFICA DE ESPACIO-TIEMPO
As pues y sobre la figura 7-5, disponemos de catorce trenes numerados de TI a TI4 que representan el trfico en la lnea a regular cada da. Los trenes impares recorren la lnea en el sentido marcado entre las estaciones A y E, mientras que los trenes pares recorren la lnea en sentido contrario; esto es, desde la estacin E a la A.
La lnea es de va nica, como corresponde a la figura 7-1, de manera que se deben resolver los conflictos correspondientes al cruce de un tren par con otro impar. Por ejemplo, el tren TI cruza en la estacin B con el tren T2; mientras que el tren T7 cruza la estacin D con el T6 y en C con el T8. Esta situacin tambin afecta a los inicios de
Pgina 245
recorrido desde A o desde E si antes no ha llegado el tren que se encuentra en el trayecto; por ejemplo el tren T9 no puede salir de E hasta llegar, primero, T6 y, luego, T8.
3.2
Cumplimiento de horarios: explotacin y regulacin de la lnea.
La dificultas para cumplir los horarios, consecuencia de la explotacin y regulacin del trfico en la lnea, es la asignacin de los recursos disponibles.
As, en una estacin se localizan puntos de entrada y de salida para que los trenes entren a la estacin y la dejen. Estos recursos no se pueden cambiar; definen el origen y destino de los trenes, as como la va de circulacin. Por contra, cuando un tren entra a la estacin, el operador decide emplear una ruta de la lista disponible y compatible con las que existan. El horario, que regula perfectamente el trfico, contiene la hora de llegada y de salida del tren as como los puntos intermedios de parada. De este modo, el operador debe administrar los recursos de la estacin, a fin de ordenar los recorridos de trenes, y siguiendo los siguientes principios:
Asegurar la circulacin en servicio. Minimizar el retraso de los trenes. Respetar, dentro de lo posible, la informacin de los horarios.
El primer punto se consigue con las instalaciones de seguridad existentes en las estaciones. Aunque la dimensin del enclavamiento se fija conforme a la topologa de la estacin y con un automatismo que se define en la consigna dictada por la administracin ferroviaria, existen situaciones de emergencia que deben considerar la accin de u experto humano que puede autorizar movimientos bajo su responsabilidad. Hay varios motivos por los que se retrasa un tren. Por ejemplo, no hay vas disponibles para entrar a la estacin; un tren puede estar esperando a salir por un cruce, por un
Pgina 246
alcance o por sucesin con otro en la misma direccin. Por tanto, se requiere detectar conflictos que permitan la ejecucin de rdenes de una manera adecuada.
El motivo por el que es importante respetar la informacin de los horarios es evitar trasiegos innecesarios a los pasajeros. As, es mejor retrasar la entrada de un tren a la va "normal de estacionamiento" que buscar una ruta de entrada alternativa.
3.3
Operaciones de control.
Las instalaciones actuales entienden el control y regulacin del trfico como una tarea desarrollada por el operador; disponiendo de herramientas orientadas a la gestin y que se basan en un seguimiento de los trenes a partir de los datos recibidos de las instalaciones fijas de la lnea. Por tanto, el operador se enfi-enta a dos tipos de
problemas. El primero concierne al establecimiento de itinerarios y el segundo a la localizacin de los trenes.
La orden de un itinerario debe permitir administrar recursos que estn disponibles y que no sean incompatibles con el resto de movimientos autorizados en la estacin. El enclavamiento se encarga de informar al operador del estado actual de la estacin.
Un tren debe estar localizado a fin de anunciar su entrada a una estacin. El operador conoce el nmero de tren, el retraso que "trae", toda la informacin de la tabla de horarios (grficas de espacio-tiempo) y la composicin del mismo. El operador asigna los recursos adecuados (ruta de entrada, va de estacionamiento y ruta de salida) para gestionar el tren en un perodo de tiempo definido.
La seleccin del operador se hace conforme a los siguientes principios:
Evitar colisiones e incompatibilidades: las colisiones las evita la instalacin de seguridad, excepto en situaciones de emergencia. La seguridad afecta a los conatos
Pgina 247
de accidente que podra afrontar el tren o los pasajeros. La interferencia afecta a la asignacin y formacin de las composiciones que suponer una propagacin hacia adelante, pues tal asignacin podra afectar a trenes posterores. Por tanto, una mala asignacin causa retrasos posteriores.
Minimizar los retrasos: si se ha alcanzado ya una situacin que ha provocado el retraso de una circulacin, por ejemplo no hay posibilidad de hacer la ruta de entrada a un tren, el experto humano debe tomar acciones que permitan una asignacin terica nueva.
Respetar la prioridad de los trenes. Los trenes se distinguen por su naturaleza, mercancas o pasajeros, y dentro de stos unos de otros por varias caractersticas: distancia que recorren (regional, cercanas, largo recorrido), la calidad del servicio que prestan (literas, cafetera, vdeo, etc) y el precio del billete. El experto humano tiende a dar prioridad a los trenes ms importantes (pasajeros frente a mercancas) a fin de evitar retrasos y mantener los compromisos de horarios. Las prioridades de los trenes cambian de manera dinmica y atendiendo al retraso que acumulen.
El horario regula perfectamente el trfico ferroviario. El horario contiene la informacin referente al nmero de tren, llegada y salida de la estacin, va de estacionamiento, etc. Sin embargo, hay eventos que pueden provocar alteraciones sobre el horario previsto, siendo obligacin del operado la gestin y resolucin de esta nueva situacin. Se ha de respetar la va y tambin los tiempos de espera para enlazar con otros trenes. As, dependiendo del retraso del segundo tren, se decide respetar o no la conexin.
Ordenar la salida de los trenes. Se ha de permitir la sucesin de trenes, bien en los trayectos seccionados por cantonamiento o entre estaciones, teniendo en cuenta la velocidad del tren en el trayecto para fijar su prioridad de salida. As, es muy importante ordenar la salida de los trenes de forma que los ms rpidos salgan antes que los ms lentos. Normalmente esta situacin es controlada con el horario. Por
Pgina 248
contra, un tren puede ser alcanzado por otro ms rpido y deber esperarlo si y slo si viene sin retraso. Este punto es muy importante para definir los enlaces de los trenes en las estaciones.
Esta gestin de la lnea se centraliza en el Puesto Central de Circulacin y que es el lugar desde el que se ordena la formacin de rutas a los trenes en las estaciones, ejecutadas sobre los correspondientes enclavamientos, realizando, al mismo tiempo, un seguimiento de los trenes y, por tanto, de los horarios.
3.4
El puesto central de circulacin.
El centro de control es el lugar desde el que se rigen las operaciones de explotacin ferroviaria.
Esta tarea slo puede ser abarcada mediante la integracin de mdulos funcionalmente especializados en:
el seguimiento y regulacin de las circulaciones, la formacin de trenes, la distribucin y regulacin del sistema de energa, la adquisicin de datos de sistemas complementarios para la comprobacin del estado de las circulaciones y de la infi-aestructura,
la informacin a los viajeros, la actuacin ante situaciones de emergencia,
Actualmente, el problema fundamental del puesto central es que cada una de estas tareas se organiza desde mdulos diferentes que carecen de interfaces de conexin o que son de difcil manejo.
Pgina 249
En lo que respecta al desarrollo del control y regulacin de trfico y desde el punto de vista de arquitectura de conjunto de las instalaciones de una lnea, la figura 7-6, para tres estaciones, define el modelo de gestin sobre el que se va a instalar un sistema de control cuyo objetivo es satisfacer los horarios de la lnea.
PCC
1 1
Enclavamiento Estacin A
Trayecto A-B
Enclavamiento Estacin B OH
Trayecto B-C
Enclavamiento Estacin C OH
\ CH OH HO
CH HO
/OH h-O H-O
\ h-O
OH OH
OH i-0
K ) HO
Figura 7-6. ARQUITECTURA DE INSTALACIONES PARA CONTROL DE TRAFICO CENTRALIZADO (CTC)
Expuesto el problema de la gestin, el siguiente punto es exponer los eventos que hay que detectar en la lnea del tren y que corresponden a las operaciones ferroviarias que sufiirn los trenes en circulacin y, que en trminos generales, se denomina deteccin y resolucin de conflictos.
4 OPERACIONES CON LOS TRENES.

La tarea que debe resolver un sistema de control debe ser la de identificar los puntos conflictivos en la marcha de un tren, bien sea porque se est sufiiendo xma desviacin en de marcha prevista o porque el avance de un tren entra en conflicto con otros trenes que
Pgina 250
circulan o est previsto que circulen. Una hecha la identificacin, el siguiente paso es proceder a su resolucin, actualmente basada en la experiencia de los operadores. As pues, definiremos conflicto a aquella situacin que hace que la marcha del tren no prosiga segn lo esperado. En la grfica de espacio-tiempo supone una desviacin respecto a la definicin dada para ese tren.
Este apartado trata de identificar los diferentes tipos de operaciones de los trenes que forman parte de la identificacin y resolucin de conflictos.
Retraso: se define como retraso todo incremento temporal que demore la circulacin del tren.
Estacin E
// / / /
/ //
Estacin D
Estacin C
Estacin B
k.
^r Oi-t
tiempo
Figura 7-7. ANLISIS DEL RETRASO SOBRE LA GRFICA ESPACIO-TIEMPO
Como ejemplo, en este tren existe una diferencia entre la curva esperada y la curva real del movimiento del tren. El tren sufi-e una demora en el recorrido B-C que, adems contina en el recorrido C-D.
En las grficas ya se absorben retrasos, pues slo se representan avances o, mejor an, slo puntos de inicio de la marcha del tren. Entonces, los tiempos de estacionamiento de los trenes se asumen como tiempos de marcha para completar un recorrido.
Pgina 251
Cruce: es el evento que se produce al tener que compartir dos trenes, circulando en sentidos contrarios, una estacin.
em \LEm
fren TI tren T2
Figura 7-8. MOVIMIENTOS IMPLICADOS EN EL CRUCE DE TRENES EN UNA ESTACIN
Sobre la grfica de espacio-tiempo se representa como un punto de corte entre las grficas correspondientes a sendos trenes.
Estacin E Estacin D
Estacin C Estacin B
Estacin A
v^
tiempo
Figura 7-9. Representacin de un cruce sobre la grfica espacio-tiempo
Pgina 252
Alcance: este es el evento que se produce cuando un tren ms lento debe ser apartado en una estacin para dar paso a otro ms rpido.
Estacin E Estacin D Tren rpido
Tren lento
Estacin C Estacin B Estacin A
tiempo
Figura 7-10. Representacin de un alcance sobre la grfca espacio-tiempo
Enlace: se produce cuando una circulacin ha de esperar en una estacin hasta que otra, procedente de otro punto de la red, llegue a la misma estacin.
Estacin E Estacin D
Estacin C
Estacin B Estacin A
tiempo
Figura 7-11. Representacin de un enlace EN la grfica Espacio-tiempo. El tren T3 sale de la estacin B slo si ha llegado el tren TI. Entonces, la demora de TI hace que T3 salga retrasado.
Pgina 253
Ejemplos de enlace hay muchos. As, el motivo de un enlace puede ser que dos trenes, procedentes de distintos ramales de la lnea, se unan en una estacin para formar un nuevo tren. Tambin puede ser que una determinada composicin llega a una estacin y all se disgrega para formar nuevas composiciones, siguiendo una de ellas la marcha.
Va cerrada: es una va que no se puede utilizar. La causa puede ser la realizacin de obras en la misma. Este evento cuando ocurre sobre trayectos inutiliza la lnea entre esos puntos. Si ocurre en una estacin se disminuye el nmero de trenes que pueden estacionarse en la misma, bien sea por que la va afectada corresponda a una zona de agujas o porque sea un estacionamiento.
Movimientos incompatibles: se reconoce cuando dos trenes quieren ocupar una misma va en la estacin (2) o un mismo trayecto (1).
Tren TI
\
/
(1)^
^J,
TrenT2
7(2)
>^
Figura 7-12. Representacin de situaciones de incompatibildad de movimientos a la hora de autorizar la salida del tren 1 o del tren 2.
Asignacin de composiciones: se produce cuando un tren ha de llegar a un destino para poder asignar la composicin a un nuevo tren. Este caso es el que se da en una circulacin que marcha de la estacin cabecera a la final como tren TI y vuelve como tren T2. Entonces, la demora de llegada del tren TI imposibilita la salida del tren T2.
Pgina 254
Estacin E Estacin D
/*
La grfica / " \ \
\ \
terica, en trazo
continuo, se ve alterada por
/
Estacin C
^ ^^
la marcha real del tren T2, en discontinua; demorando la
Estacin B Estacin A
12/
V
\
salida del tren T3.
\
tiempo
Figura 7-13. Representacin de la asignacin de composiciones sobre la grfica de espacio-tiempo, aprecindose como el retraso de un tren (2) repercute sobre la salida del tren (3) debido a que ste emplea el mismo material que el primero.
De este modo, las grficas espacio-tiempo planificadas definen los puntos para cruces entre circulaciones, alcance, enlace y destino de un tren. Dependiendo del retraso, slo podrn alterarse los puntos de cruce y alcance. Los puntos de enlace deben garantizarse, flotando un nuevo tren o por ruta alternativa. La asignacin de composiciones depender del material existente en las estaciones de origen.
5 INTEGRACIN DE LA HERRAMIENTA EN EL SISTEMA DE CONTROL FERROVIARIO.
De una manera sencilla, para la explotacin de una lnea frrea es imprescindible conocer su topologa, as como la naturaleza y cantidad de los trenes que van a circular por ella.
Pgina 255
Por tanto, desde el punto de vista de una estrategia de control hay que concebir dos partes bien diferenciadas: encontrar el punto de funcionamiento y definir un plan de acciones ante desviaciones del primero.
Encontrar el punto de funcionamiento en un sistema de gestin ferroviario es generar los programas de explotacin (listas de movimientos) de cada estacin y, una vez definidos los trenes que circularn en la lnea, encontrar el horario ptimo de ellos. Estamos pues ante un trabajo previo que va a permitir extraer toda la informacin necesaria para poder proceder a la regulacin y control del trfico.
La segunda fase comienza cuando los trenes empiezan a circular con la tabla de horarios calculada. Entonces, el sistema debe ser capaz de identificar los conflictos entre trenes (cruces, alcances, etc.) y generar acciones, basadas en un conjunto de reglas extradas del conocimiento de los operadores, para su resolucin. En otras palabras, cuando hay desviaciones del horario terico (retrasos de los trenes) es necesario una adaptacin a la nueva situacin cuyo objetivo es minimizar el retraso en la lnea.
El funcionamiento del sistema debe entenderse incluido en las funciones del centro de control del trfico ferroviario y como ayuda a la gestin del trfico en el mismo. Este requisito impone restricciones de tiempo de reaccin del sistema y, adems, una necesidad de generar interfaces hacia el equipamiento que actualmente fundamenta el puesto de control; es decir, la integracin de este nuevo mdulo debe quedar incorporada en las instalaciones habituales.
Se pretende, con un sistema de regulacin (control y gestin) del trfico ferroviario de esta naturaleza, un sistema capaz de adaptarse a las condiciones de explotacin de la lnea que, dado que nunca existe la misma demanda de trenes y que se procede a renovaciones de las instalaciones, se puede entender como dinmica a lo largo de la vida de la misma.
Pgina 256
Entonces, se deben hacer, tal y como se ha indicado anteriormente, una planificacin de horarios ptima para la lnea y, despus, mientras se est regulando el trfico, una modificacin de estos horarios a las condiciones de explotacin.
La tarea de bsqueda ptima del horario se va a hacer descubriendo la base de conocimiento ptima, formulada en reglas borrosas, y para lo cual se va a desarrollar una bsqueda ejecutada por algoritmos genticos. Esta base de conocimiento va a contener los grupos de reglas necesarias para resolver cada uno de los conflictos planteados en apartados anteriores (retraso, cruce, alcance, etc.).
En definitiva, junto a la definicin de mdulos funcionales, es necesario definir ima arquitectura de este sistema en los trminos de la figura siguiente:
Centro de Gestin del TrficoÂ
r-
Base de conocimiento
pora la gestin del

trfico (identificacin y resolucin de conflictos)
' J M
SISTEMA ACTUAL DE OPERACIN Y

SESTIN DE LA LNEA
' r i . 1 1 \ ^
-r-
'
./
- 'sV.V-^',
Figura 7-14.
INSERCIN DE LA HERRAMIENTA DE CONTROL SOBRE LOS SISTEMAS DE GESTIN DE TRFICO,
Pgina 257
As pues, el Centro de Control de Trfico dispone de unos equipos orientados a la operacin y gestin de la lnea y que deben incorporar xm motor de inferencia que, a partir de una deteccin de conflictos, encuentre la secuencia de acciones a desarrollar mediante la base de conocimiento que ha sido transferida desde el mdulo al que hemos denominado "sistema inteligente de planificacin y contror; basado ste en la utilizacin de algoritmos genticos como herramienta de bsqueda de la base de conocimiento, extrayendo y validando los resultados a partir de un simulador que trabaja con los datos actuales de la lnea.
As pues, a partir de la figura anterior, se establecen una serie de enlaces entre los componentes del sistema que aparecen marcados en la misma y cuya explicacin es la siguiente:
(1)
Para la gestin del trfico se dispone de un conocimiento o conjunto de reglas que permiten ejecutar acciones a semejanza de las hechas por el operador.
(2)
La adquisicin de nuevas reglas se hace sobre el sistema inteligente. Para ello, a partir del conocimiento acumulado (experiencia del sistema) y contando con las reglas actuales que existen en el centro de gestin, se procede a una simulacin que permite descubrir la solucin ptima ante las nuevas condiciones de la explotacin.
(3)
Las reglas aprendidas, que representan al nuevo conocimiento del sistema, son llevadas al centro de gestin y sustituyen a las actuales.
Es importante detenerse un poco en la operativa de la puesta en servicio de esta instalacin:
a) Se parte del sistema de Control de Trfico Centralizado (C.T.C.), que se construye como un conjunto de equipos sobre una red de rea local; existiendo equipos
Pgina 258
centrales duales que son servidores al resto de los que integran la red: puestos de operadores, enlaces con los sistemas de formacin y seguimiento de trenes, enlace de comunicaciones con las instalaciones de va (puestos satlites del CTC que existen en los enclavamientos) e impresoras.
b) Se debe hacer un esfuerzo de integracin del mdulo de identificacin y resolucin de conflictos, compuesto por el controlador borroso y al que se le debe transferir la base de conocimiento ptima para las condiciones de la explotacin. Este mdulo, a su vez, deber servir de interfaz para entregar al simulador los datos actuales de la instalacin y de los trenes.
c) En cuanto a los componentes, el sistema de control se compone de un mdulo de control central, que organiza el trfico de acuerdo al horario y a la posicin actual de los trenes, y de tantos mdulos de control de enclavamientos como de estas instalaciones existan en la lnea; siendo estos ltimo mdulos los que ejecuten los movimientos ptimos de los trenes que se encuentren en su zona de influencia a fin de ejecutar el plan de movimientos transferido desde el mdulo de control central. Todos los mdulos de control, tanto el central como los de los enclavamientos, dispondrn de su correspondiente base de conocimiento y de su motor de inferencia borroso; as como de los programas de explotacin (cuadros de movimientos) de los enclavamientos y caractersticas y horarios de los trenes.
d) Adems del mdulo de identificacin y resolucin de conflictos, se deber aadir a la arquitectura del CTC el mdulo que en la figura 7-14 se denomina sistema inteligente de planificacin y control.
Este mdulo se requiere que disponga de un enlace a la LAN del CTC porque deber transferir las bases de reglas y las consignas al mdulo de control del CTC; aunque fisicamente podr estar ubicado en dependencias separadas de las propias del CTC.
Pgina 259
e) El sistema inteligente de planificacin y control se compone, desde el punto de vista incional de tres componentes:
Simulador, que deber funcionar con los datos correspondientes a la mxima funcionalidad de las instalaciones cuando se desea buscar horarios y listas de movimientos; aunque requerir los datos reales cuando deban modificar las consignas anteriores para satisfacer los cambios en las condiciones de explotacin de la lnea.
Mdulo de planificacin, que sirve para buscar los horarios ptimos tericos de la lnea y las tablas de movimientos de los enclavamientos, asignndose en estas ltimas un factor de peso en fiancin de la alteracin de la capacidad de la instalacin que produzca la asignacin de cada uno de los movimientos de la lista.
Mdulo de regulacin del trfico, que busca los grupos de reglas para la resolucin de conflictos que regirn el mdulo de control real y el orden ptimo de movimientos en cada enclavamiento conforme a las condiciones del trfico ordenado desde el control central.
f) Las tareas de planificacin, necesarias al inicio y cada vez que se alteren las circulaciones o las instalaciones, se desarrollan en condiciones ideales y sin relacin con la explotacin; procediendo a la instalacin de los resultados cuando se haya encontrado, mediante la herramienta de bsqueda basada en los algoritmos genticos, la solucin ptima a los requisitos de explotacin.
g) Las tareas de modificacin de las bases de reglas, a fin de adaptar los grupos de reglas de los mdulos de control a las condiciones de las instalaciones y del trfico, se hacen en el tiempo de explotacin utilizando la exploracin de los algoritmos genticos sobre los resultados del simulador; sirviendo como componentes de evaluacin los horarios tericos, los reales desarrollados por las circulaciones de los
Pgina 260
trenes y los previstos conforme a las condiciones reales de las instalaciones (enclavamientos). Una vez encontradas las nuevas reglas, se realizar una simulacin completa de todas las circulaciones correspondientes a un da y, hecho esto, se transferirn al mdulo de resolucin de conflictos del CTC. En este proceso se asume que, debido a la funcionalidad de los enclavamientos, las averas en los elementos no se descubren (normalmente) hasta que se efecta un mando sobre los mismos para obedecer la formacin de una ruta y, de la misma manera, los retrasos sobre los trenes no se pueden predecir cuando no son causados por las avera de los elementos de los enclavamientos. En estas condiciones, el objetivo de optimizacin es minimizar la repercusin de una prdida de funcionalidad sobre la malla horaria. h) Para facilitar la interconexin y transferencia de datos entre los distintos mdulos de control y del propio CTC, se define una base de datos, si es que no estuviera ya en el CTC, en la que se almacenarn los datos referentes a consignas y bases de reglas. Estos datos deben ser los siguientes: Datos de topologa de la lnea (distancias, perfiles, velocidades, etc.), de las instalaciones (longitud de vas, tipos de seales y, en general de los elementos), de los trenes (curvas defi-enado,dinmica vehicular, etc.) Las bases de reglas resultantes de la bsqueda hecha por los algoritmos genticos y las propias de las poblaciones de trabajo de stos. Los resultados de planificacin y control; es decir, horarios tericos y consignas o listas de movimientos de los enclavamientos.
Pgina 261
Hecha esta descripcin de instalacin y puesta en marcha, entraremos en la descripcin de los componentes que integran el sistema inteligente de planificacin y control.
6 DESCRIPCIN GENERAL DE LA HERRAMIENTA DE PLANIFICACIN Y CONTROL DEL TRFICO.
Funcionalmente, la arquitectura se compone de diferentes mdulos funcionales que permiten resolver el problema de planificacin de la lnea, tanto de horarios como de posibles movimientos en cada estacin, as como el problema de identificacin y resolucin de conflictos (figura 7-14).
El problema de planificacin se ataca a partir de los datos de topologa de la lnea y de la cantidad de trenes que se asignan para circular en la lnea. El resultado es doble; la grfica de horarios terica y la lista de movimientos de cada estacin. La resolucin del problema se hace considerando un comportamiento ideal de las instalaciones y de las circulaciones.
El problema de identificacin y resolucin de conflictos es posterior al de planificacin y resulta de resolver las desviaciones que ocurren en las circulaciones respecto de la situacin planificada. De esta manera, se procede a identificar cada situacin conflictiva correspondientes a la identificacin de retrasos, cruces, alcances, movimientos de enlace y segregacin, maniobras, cierres de vas por obras.
Una vez identificado el conflicto, se debe proceder a la resolucin del mismo mediante la asignacin de la ruta correspondiente a los trenes implicados en el mismo. Con ello, se determina el plan de movimientos que deben establecerse a los distintos trenes sobre los que repercuta el conflicto detectado.
Pgina 262
PLANIFICACIN
REGULACIN
flesuftado de h bsqueda
tesutado de la, bsqueda
Reglas
DETECaNV RESOLUaN DE CONFLICTOS
CENTRAL
borrosas
CENTRAL
Resultado de la , bsqtJeda^ PLANIFICAaN DE KJTAS
ASrSNWaN BE RUT/SEN ESTAaONES
ENCLA VAMIENTOS
ENCLA VAMIENTOS
Resultados colaterales de la bsqueda
Asignacin de rutas en Cuadros de rutas en las estaciones Horarios tericos de la lnea tiempo de explotacin Horarios previstos en la lnea Horarios reales en la lnea
Resultados colaterales de la bsqueda
Topologa Datos de los trenes Velocidades de consigna
Figura 7-15. DIAGRAMA DE BLOQUES FUNCIONALES DE LA HERRAMIENTA.
Con el diagrama de bloques de la figura anterior, se observa como la arquitectura propuesta define cuatro bloques principales:
Simulador, donde se ejecutar el paso de trenes y se definirn escenarios de prueba para validar las reglas que, de manera automtica, se extraigan en la parte de planificacin y en la parte de control.
Pgina 263
Base de datos, donde se dispondrn los resultados de la gestin y las reglas que representan el conocimiento del sistema de control. Esta base de datos es accesible desde cualquier otra aplicacin ferroviaria del Centro de Control de Trfico Ferroviario.
Planificacin, tanto de horarios como de rutas y que permite definir el comportamiento terico de la lnea; es decir, supuesto que las instalaciones de la lnea estn ausentes de averias.
Control del trfico, concebido para la resolucin de conflictos y la asignacin de rutas ptimas a fin de minimizar el retraso de los trenes en la lnea.
La manera en la que trabajan cada uno de estos mdulos se resume en los trminos siguientes:
a) Con los datos de la lnea y de los trenes se ejecutan labores de planificacin:
Extraccin del cuadro de movimientos de cada estacin.
Con los datos de los trenes y la definicin de paradas "comerciales" del tren, extraccin de los horarios tericos.
b) Con los datos de la lnea y de los trenes, adems de los datos de planificacin, se ejecutan labores de gestin del trfico:
Asignar la ruta de los trenes en fiancin del estado de la estacin y del trfico esperado en la misma.
Deteccin y resolucin de conflictos para minimizar el retraso de la lnea.
Pgina 264
c) Para llevar a cabo esta tarea se requiere aplicar una resolucin mediante las tcnicas propias del control inteligente de procesos:
Definicin de un conjunto de reglas, BASE DE CONOCIMIENTO, para expresar el conocimiento del problema.
El uso de un simulador para el aprendizaje: obtencin de conocimiento ante situaciones no previstas y explotacin del conocimiento disponible.
Un mecanismo de bsqueda de nuevas reglas que permite el ajuste de la base de conocimiento a la situacin de la lnea en cada momento.
Este mecanismo se basa en la aplicacin de algoritmos genticos con objeto de resolver el problema de optimizacin de la funcin objetivo correspondiente al horario de los trenes restringido a los retrasos de los trenes y a las condiciones actuales de la lnea.
El proceso de la aplicacin debe identificar los conflictos que se deducen a partir de la grfica de espacio-tiempo terica, horarios de la lnea, y real, seguimiento de los trenes.
De esta manera, identificado el conflicto se debe proceder a elegir una estrategia de resolucin y, con ello, asignar movimientos a los trenes que conduzcan a un funcionamiento conforme a la situacin actual de la instalacin.
As pues, el proceso general conlleva a ir asignando un plan de acciones a cada uno de los trenes que circulan o han de circular a lo largo del da; que, en trminos generales, requieren de la asignacin de una ruta adecuada al movimiento que est planificado.
Pgina 265
De manera resumida, la figura 7-16 sirve para describir este proceso de asignacin de movimientos.
Entra el primer tren Identificar operacin
I
Tren sale Parada o Cruce
Alcance
T
^r
Maniobra
Entrada o
Asignar ruta de salida 1
paso
fin de marcha ^r Asignar ruta de entrada

1
Paso directo: entrada * salida

1
^r Asignar rea de maniobra 1 Asignar ruta de entrada
Asignar ruta de entrada
AS TRENES?
Final del Proceso
Figura 7-16. MECANISMO DE ASIGNACIN DE RUTAS.
A continuacin se va a describir la parte de aplicacin de los algoritmos genticos a cada una de las fases del proceso: planificacin y control sobre una linea de va nica. Para ello se va a definir la expresin de la fincin objetivo y de los mecanismos de representacin y de ejecucin de los algoritmos genticos.
6.1
Simulacin.
La herramienta de simulacin debe permitir evaluar los resultados de la explotacin ferroviaria. Con este criterio se debe ser riguroso a la hora de interpretar las repercusiones de esta afirmacin. As pues, se busca una herramienta que, en primer lugar, permita reproducir el funcionamiento de las instalaciones fijas (enclavamientos y bloqueos) en cuanto a las necesidades de explotacin se requiere, por lo que se exige que acte de acuerdo a la respuesta que se exige en las normas de seguridad de las instalaciones y del reglamento de circulacin. Adems, la caracterstica andamental de esta herramienta es la de
Pgina 266
proveer de una interfaz sencilla para incluir la existencia de averas en las instalaciones. Por ltimo, dado que se desea medir lo acertado de las decisiones de explotacin, deber trabajar con las grficas tericas correspondientes al horario; as como con una grfica estimada de la marcha de cada circulacin y del resultado de la actuacin.
Con todo ello, el objetivo es generar diferentes escenarios de prueba donde poder comprobar la consecuencia de las distintas acciones que se pueden efectuar sobre la lnea frrea y que, en trminos generales, pueden quedar resumidas en los siguientes puntos:
Seguimiento de horarios y resolucin de conflictos entre trenes, incluyndose estas funciones en el puesto central de circulacin.
Modificacin de horarios.
Modificaciones del trazado: replanteos de estaciones y trayectos. Siendo un caso tpico el ejecutar un desdoblamiento de va, pues con l se vern afectados los horarios de los trenes.
Una descripcin completa del simulador empleado en este trabajo puede seguirse en la memoria del proyecto fin de carrera titulado "Simulador de Trfico Ferroviario" [Snhez,2001].
6.2
Planificacin.
Sean un conjunto de estaciones representativas de una cierta lnea caracterizada por su topologa. Sobre esta lnea se tienen un conjunto de instalaciones fijas para la deteccin y proteccin al tren calculadas para una explotacin segura de un conjunto de trenes que han de circular en la lnea.
Pgina 267
Desde el punto de vista del planteamiento del problema, una lnea de va nica es una sucesin de trayectos que sirven para conectar nodos correspondientes a las estaciones; siendo posible realizar operaciones con los trenes slo en las estaciones.
La longitud de las estaciones es mucho menor que la de los trayectos que permiten el paso de una estacin a la siguiente. Adems, tal como se ha ido explicando en este captulo, es nicamente en las estaciones donde se puede autorizar un movimiento de entrada o de salida de un determinado tren.
La restriccin que impone la explotacin sobre una lnea de va nica es que un trayecto slo puede ser ocupado por trenes de la misma direccin, tantos como secciones de va existan en el trayecto.
CH
h-o\ Oi
i-O
:^
f. '
-o
Trayecto A-B w
h
Estacin B
Estacin A
Figura 7-17.
SOLO UN TREN PUEDE CIRCULAR ENTRE M " Y " 5 "
CH H D \ CH^ hO
j ^
(-# Trayecto A-B w
-O
1^
Estacin B
,- . .' estacin A
Figura 7-18.
DESDE A PUEDE EXPEDIRSE UN SEGUNDO TREN HASTA " 5 " UNA VEZ QUE EL PRIMERO HAYA REBASADO LA SEAL INTERMEDIA, POR EL CONTRARIO, DESDE "fi" SLO PUEDE CIRCULAR UN NICO TREN HASTA LLEGAR A " ^ " .
Pgina 268
Con los conceptos de sealizacin ferroviaria descritos anteriormente se est en condiciones de definir el concepto de capacidad de la lnea, cantidad de trenes que se pueden gestionar en la lnea, en trminos de la capacidad de las estaciones y de la capacidad de los trayectos entre estaciones.
La capacidad de una estacin se define como el nmero de trenes que pueden estacionarse en ella. De este modo
Ce
= v + E
= l
iâ\, )i
siendo
nv
es el nmero de vas de estacionamiento sealizadas en la estacin. Sobre estas vas se podrn hacer movimientos desde el enclavamiento
ra|t
rebase autorizado para el tren t desde la seal de entrada hasta ima determinada va de estacionamiento o va de apartado de material.
El rebase autorizado se puede conceder a trenes {i) cuya longitud permita estacionarlos siempre que liberen la zona de agujas, a fin de poder permitir otros movimientos en la estacin.
La capacidad de un trayecto entre estaciones colaterales se define como el nmero de trenes que, estando su avance protegido por las seales y circulando en la misma direccin, pueden existir en el trayecto. As,
^*=ci+v
Pgina 269
siendo
ncb
el nmero de cantones de bloqueo (va protegida por una seal) en que se divide el trayecto entre estaciones colaterales. Se definir este
cantonamiento desde la seal de salida hasta la seal de avanzada de la colateral, si sta tiene foco rojo, o hasta la seal de entrada, si la avanzada no tiene foco rojo.
nav
seccin de va comprendida entre la seal de avanzada y la seal de entrada.
Con estos dos parmetros queda definido el nmero de trenes que pueden existir en la lnea. As, la capacidad de la lnea es la suma de la capacidad de cada estacin ms la suma de la capacidad de cada trayecto.
En cuanto a la circulacin de cada tren, se debe conocer el "tiempo de marcha" de cada circulacin y que corresponde al requerido para completar cada trayecto entre dos estaciones. Este tiempo puede calcularse sobre una simulacin en condiciones ideales de la lnea o a partir de los datos conocidos de la explotacin actual de la lnea. Por otro lado, se hace necesario conocer el "tiempo de parada" de la circulacin en cada estacin y que es el necesario para realizar las operaciones propias de parada y arraque, subida y bajada de viajeros, maniobras; por lo tanto, este tiempo es propio de cada circulacin en cada estacin.
El horario, por lo tanto, es el conjunto que representa a la sucesin temporal de salida y llegada de trenes en las estaciones. Por lo tanto, el planificador de horarios es un conjunto de elementos que se identifican con los tiempos de llegada y de salida de determinadas estaciones. Es en estas estaciones donde se puede formar xin tren, hacer paradas, cruzar con otros trenes o adelantar un tren all estacionado.
Se define la fimcin retraso de la lnea R como la suma de los retrasos acumulados por cada tren. El retraso de cada tren se define como la diferencia entre el tiempo estimado
Pgina 270
y el tiempo real para que un tren recorra el trayecto entre la estacin de origen y la estacin de destino.
De esta manera, la expresin del retraso en la lnea viene dada como la acumulacin de demoras de cada uno de los trenes en la lnea; entendindose el termino de demora como la desviacin, respecto al instante de salida del tren, del tiempo real en el recorrido del trayecto al tiempo estimado para ello (definicin 7-1).
Adems se deben tener en cuenta las siguientes restricciones:
1.-
El nmero de trenes en un trayecto entre estaciones colaterales es el mismo para cualquier sentido elegido para recorrerlo y, adems, el mximo nmero de trenes en un trayecto de va nica debe ser menor o igual que la capacidad del trayecto (restriccin 7-1).
2.-
El mximo nmero de trenes que pueden existir en una estacin es igual a la capacidad de la misma (restriccin 7-2).
3.-
El tiempo para la llegada de un tren a un estacionamiento de la estacin es igual al tiempo en el que efectu la marcha desde la estacin de origen ms la duracin del viaje entre las estaciones (restriccin 7-3).
4.-
El tiempo real de la salida de un tren desde una va de estacionamiento es siempre mayor o igual que el que se tarda en llegar a la estacin ms el que se emplea en recorrer el itinerario hecho para el tren (restriccin 7-4).
5.-
El tiempo empleado en una estacin es la suma de los tiempos necesarios para recorrer el itinerario de entrada, el que permanece estacionado y el empleado en recorrer el itinerario de salida (restriccin 7-5).
Pgina 271
De esta manera, la formulacin del problema, a partir de la fincin objetivo expresada en la definicin 7-1 es la siguiente:
(definicin7-1)
R = ^R,=^max(0,ef'
-e*)
con las restricciones siguientes:
(restriccin 7-1)
N.j
= Nj.;
N.j
G {x
G N\x
<
C,j}
(restriccin 7-2)
A^^, < C
(restriccin 7-3)
e/ = s'^ + b'/
(restriccin 7-4)
S^ > e + / /
(restriccin 7-5)
/ / = Sj
+ E/
+ V/
La definicin de los parmetros hay que hacerla distinguiendo entre los parmetros que vienen dados por la lnea y aquellos que los definen los trenes.
Parmetros de la lnea: E = {i, i = 1 ... n} Ei Tijk I k = 1 ... cij ci

Cij Ni
conjunto de las estaciones de la lnea estacin i trayectos entre las estaciones i j (cantones de bloqueo) capacidad de la estacin i
capacidad del trayecto entre las estaciones i j nmero de trenes en la estacin i
Pgina 272
Nij
nmero de trenes en el trayecto entre las estaciones i j (trenes en todo el trayecto ^/i ^ Tj^^ )
Parmetros del tren:
T = {t, t = 1 ... m} Tt b'l
conjunto de trenes en la lnea en un da tren t tiempo mnimo para que el tren t recorra el trayecto entre las estaciones i j
Ot Dt ej
estacin de origen del tren t estacin de destino del tren t tiempo mnimo estimado para la llegada del tren t a la estacin de destino Dt.
s^ I\ e\ s[
tiempo mnimo estimado para la salida del tren t de la estacin Ot. tiempo que emplea el tren t en la estacin i tiempo real para que el tren t se estacione en la estacin i tiempo real para la salida del tren t de la estacin i
La aplicacin del algoritmo gentico deber permitir buscar la distribucin de trenes, entendida como la sucesin de puntos que representan la salida y entrada en las estaciones, que minimizan la funcin de retraso en la lnea.
Pgina 273
El cuerpo del programa del algoritmo gentico sera el siguiente:
WHILE
(nmero de generaciones FOR
< lmite) AND (no haya un individuo DO anterior
perfecto)
DO
cada hijo de la nueva poblacin elegir dos padres aleatorios crear un hijo vacio
de la generacin
elegir un punto para el cruzamiento
de genes, creando dos regiones
del padre realizar
copiar la regin I del padre 1 la regin 2 del padre 2 en el nuevo hijo y la mutacin medida del resultado: IFprecisin < mnimo precisin THEN ELSE poblacin vieja = poblacin nueva el hijo no vive el hijo vive
El horario se representa por un cromosoma que se compone de genes individuales. El nmero de genes debe ser igual al nmero de trenes y su combinacin forma la cadena gentica.
De este modo, cada gen denota el prximo tren que se va a mover de una estacin a la siguiente en el perodo de tiempo a estudiar. La cadena no contiene los tiempos de llegada y de salida; por contra, stos deben descodifcarse a partir del ordenamiento inherente de los trenes y de los tiempos iniciales de salida de las estaciones de origen de los mismos.
Esta operacin de descodifcacin es secuencial, comenzando con el primer tren, y requiere los tiempos que necesita un tren como clculo previo al movimiento del prximo tren. Su ejecucin debe hacerse de manera individual en cada generacin y la mayor parte del tiempo se pierde en realizar estos clculos.
Entonces, el problema de encontrar un horario para un determinado conjimto de trenes podemos hacerlo equivalente al de determinar el mejor lugar donde resolver conflictos
Pgina 274
en la lnea; en otras palabras, definir la estacin en que se va a resolver el cruce o el alcance de los trenes. As, supongamos dos trenes que circulan en sentido contrario y que en un cierto instante de tiempo se encontraran en un trayecto entre dos estaciones; entonces, dado que la va es nica, se debe decidir si el cruce se hace en la estacin inmediatamente siguiente al punto de conicto o en la estacin anterior (figura 7-19).
Estacin N
Estacin N+1
<|P|Tren TI Instante de Cruce TrenT2
Lugar donde se llegara a un colapso en la lnea por la situacin de cruce
TI Estacin N
\ V
V......
.
,*
Estacin N+1
** v
T2
El tren TI llegar a estacionarse en la estacin N y el tren T2 a la estacin N+1.
Estacin N
Estacin N
Estacin N+1
Estacin N+1
SOLUCIN A: T2 espera en N+1 a TI
SOLUCIN B: TI espera en N a T2
Figura 7-19. SITUACIN DE CONFLICTO POR CRUCE ENTRE EL TREN TI Y EL TREN T2
Pgina 275
La situacin de alcance se origina cuando dos trenes circulan en el mismo sentido y por necesidades de la explotacin, el primer tren debe dar paso al segundo tren; decidiendo, al igual que en el caso del cruce, si el tren a apartar lo ser sobre la estacin anterior al punto de conflicto o sobre la estacin siguiente al mismo (figura 7-20).
Estacin N
Estacin N+1
TrcnT2
Tren TI Instante de Conflicto
El tren T2 sucede al tren TI a la distancia de seguridad que define la lnea en el trayecto previo a la estacin N
Estacin N+1
y
Estacin N
V r
*
TI ^
>
'n
Los trenes seguirn en sucesin, T2 tras TI,
Estacin N+1
Estacin N+1
Estacin N
Estacin N
TI
/ T2
SOLUCIN B: TI espera en N a que T2 lo adelante, saliendo de N cuando T2 est en N+1
SOLUCIN A: T2 espera en N a que TI llegue a N+1
Figura 7-20. SITUACIN DE CONFLICTO POR ALCANCE ENTRE EL TREN TI Y EL TREN T2
Pgina 276
Como resumen a lo expuesto hasta este punto, comprendemos que establecer un horario consiste en encontrar una distribucin de trenes que rija la marcha individual de cada uno de ellos en la lnea; es decir, conocida la velocidad a la que puede circular un tren por un trayecto y las caractersticas propias del mismo, adems de tener algunas estaciones donde realizar operaciones (subida y bajada de viajeros, carga y descarga de mercancas, segregacin o acople de material, etc), la tabla de recorrido del tren debe corresponder a un tiempo mnimo.
Adems de estos conceptos propios del recorrido del tren, un horario tiene unas restricciones propias a la explotacin de cada lnea. As, por ejemplo, la mejor distribucin de 24 trenes al da en cada sentido, con toda probabilidad, no es la de tener un tren en cada sentido por hora; pues, la distribucin de los trenes viene en funcin de la demanda de servicios que debe satisfacer la explotacin ferroviaria. De esta manera, siguiendo son el sencillo ejemplo propuesto, es ms que probable que los 24 trenes se concentren en las horas de ms densidad de movimientos; coincidiendo con las horas punta de entrada y salida al trabajo o al comercio, dejando una regularidad de circulacin en el resto de horas.
Expuesto el problema en estos trminos, se comprende que encontrar un horario supone el hacer una distribucin de trenes con algn criterio de explotacin que fije el horario estimado de salida de los trenes y fijando el de llegada en funcin de las condiciones de circulacin de la lnea. Es decir, el problema consiste en minimizar la desviacin de tiempo de un tren respecto al deseo del explotador.
Definamos as un individuo compuesto por unidades individuales de informacin que definen el movimiento de los trenes, de manera que el valor de esta informacin corresponde a ordenar, firente a un conflicto con otro tren, el movimiento de un tren de para el avance hacia la estacin siguiente o detener la marcha en la estacin anterior al punto de conflicto.
Pgina 277
6.2.2
Explotacin de tren regional o de lnea cerrada.
Entendemos una explotacin regional, en general la denominaremos de lnea cerrada, a aquella que se caracteriza porque existe un cierto nmero de trenes disponibles para su explotacin entre dos estaciones fijas, cabecera y final de lnea, caracterizados porque no existe ninguna prioridad entre los mismos a la hora de establecer su orden de marcha.
Este es el problema ms sencillo, pues puede ser tratado con una simplificacin de la metodologa propuesta.
As, la simulacin se llevaria a cabo para determinar la marcha tipo de un tren en la lnea:
Todos los trenes paran en todas las estaciones.
Los tiempos de parada estn bien definidos al corresponder a los necesarios para la subida y bajada de viajeros.
La sealizacin es sencilla, permitiendo la circulacin de un nico tren entre estaciones que son colaterales.
De esta simulacin obtendremos los datos de tiempo empleados por el tren desde el estacionamiento de una estacin hasta el de la siguiente, as como el tiempo de permanencia en la misma.
El horario ser tanto ms "flexible" cuanto mayor sea el nmero de trenes disponibles; es decir, dependiendo de la densidad de trfico en la lnea (figura 7-21). Por ejemplo, el caso ms rgido es el de slo contar con dos trenes que se cruzan en una estacin intermedia, pues bastar con resolver el punto de cruce ptimo que quedar fijado en una de las dos estaciones adyacentes al punto de conflicto. Por el contrario, cuando existe gran densidad de trfico, la situacin sencilla de resolver el problema se
Pgina 278
desmorona porque la resolucin del cruce va a depender no slo de los dos trenes en conflicto, sino del resto de circulaciones y de la capacidad para estacionar trenes de las estaciones adyacentes al punto de cruce.
CONFLICTO: SALIDA T3 ESTACIN E ESTACIN E
s w
TI \x
\Ar i \ y // II
11 * * "^
ESTACIN D
y y // //
\ N W M i w W i i i i \ 1 \ II II \ll II
i T3 w ^ * * ^
^-l
\\ II
J\Jf
ESTACIN D
(vjh
Conflicto 73-^4 ESTACIN C

:
ESTACIN C ESTACIN B
II "^
11
lU.
l\.
ESTACIN B
v i N ESTACIONA _
i /i|'*
V _ ^
CONFLICTO: SALIDA T2
* 1 *i
ESTACIN A
TIEMPO
La situacin de generacin de horarios debe considerar los tiempos ptimos de marcha, regulados por la consigna de explotacin de la lnea, para los trenes en ambos sentidos de marcha; resultando los tiempos en los trenes TI y T2. Adems, la salida de origen de los trenes va a depender de la llegada del tren de sentido contrario (puntos de conflicto correspondiente a la salida de los trenes T2y T3 en la grfica). Por otro lado, el cruce entre trenes (T3 y T4 en la figura) requiere su resolucin demorando la entrada de uno de los dos trenes en la estacin B; efectuando primero la salida de B el primero de los trenes que efectu su entrada Figura 7-21. CRITERIOS DE EXPLOTACIN EN LA LINEA.
De cara a aplicar el algoritmo gentico, con ello ejecutar la bsqueda del horario de trenes que minimiza la expresin del retraso respecto a las condiciones ideales de marcha de los trenes y dada por la definicin 7-1, encontramos que el principal problema es definir la poblacin; de hecho, la expresin de los operadores cruce y mutacin van a depender de la manera en la que queden representados los individuos de la poblacin.
Pgina 279
En este tipo de explotacin correspondiente al modelo de lnea cerrada, la caracterstica findamental es que slo hemos de encontrar solucin al conflicto de cruce de trenes al no existir diferencias en la naturaleza de los trenes. Adems, el explotador de la lnea conoce la cantidad de trenes que han de circular en cada momento en la lnea, pues conoce las unidades de las que dispone y de la frecuencia deseada en las mismas.
Para conocer y validar el horario disponemos de un simulador que facilita los datos fundamentales sobre la marcha de los trenes y las consecuencias que acarrea la resolucin de un conflicto en una estacin o en la siguiente.
Adems, la naturaleza de esta explotacin simplifica en gran medida la bsqueda del horario; pues se trata de encontrar las estaciones de cruce de un tren con los correspondientes de sentido contrario (figura 7-22). As, supongamos que hay dos trenes por sentido en la lnea; con lo que por cada tren debern resolverse un mximo de dos cruces
ESTACIN A
ESTACIN B
ESTACIN C
ESTACIN b
ESTACIN E
T4
T2
TI
T3
Figura 7-22. CmCULACION DE TRENES EN LA LINEA
En la figura 7-22 se puede ver la situacin a la que se llega en la lnea. As, queda establecido que el avance de los trenes T2 y TI conlleva al cruce de los mismos en la estacin C. Resuelto este conflicto, se debe decidir entre situaciones diferentes para el tren TI:
1. El tren T4 sali de la estacin A y cruza en B con el tren TI.
Pgina 280
2. El tren T4 sali de A y el tren TI lo espera en C para cruzar. 3. El tren T4 no sale de A hasta que llegue el tren TI.
Cada una de estas situaciones correspondera a las grficas horarias que marcan la salida del tren T4 (figura 7-23)
ESTACIN A
ESTACIN B
ESTACIN C
ESTACIN D
ESTACIN E
T4
^d^
1
^17
JZ
T3
ESTACIN E
ESTACIN D
ESTACIN C ESTACIN B
\T1 \
\ /
'
TI
\ i /
TIEMPO TIEMPO
ESTACIONA
/^ \ i
TIEMPO
NH I
SITUACIN 2 SITUACIN 3
SITUACIN 1
El tren TI tendra su punto de El tren TI tendra su punto de El tren TI "cruza" en A con cruce terico entre A y B, cruce terico entre B y C, T4, bien porque resulta de la resolvindose en B resolvindose en C situacin 1 resuelta en A o bien porque TI vuelve como tren nmero T4
Figura 7-23. RESOLUCIN DE LA CIRCULACIN DE TRENES.
La formulacin
de los conceptos anteriores permiten plantear una primera
representacin de los individuos que constituyen la poblacin sobre la que se aplica el algoritmo gentico. As, dado que se conoce el nmero de cruces de cada tren con las
Pgina 281
circulaciones de sentido contrario, podemos formular cada individuo de la poblacin como representativo del plan de cruces de cada uno de los trenes que circularn a lo largo del da; es decir, cada unidad fundamental de informacin correspondiente a la cadena que representa al individuo de la poblacin indica si el cruce entre dos trenes se ejecutar en la estacin siguiente al punto de conflicto o a la estacin a dicho punto.
Asumamos, pues, que cada individuo queda definido en los trminos siguientes:
^v^
IMPARES
-"PAEE5
^ \ ^ ^
T2 6.2.2.1.1.2 6.2.2.1.1.3 6.2.2.1.1.4 6.2.2.1.1.5 6.2.2.1.1.6 ... 6.2.2.1.1.7 ... 6.2.2.1.1.8 6.2.2.1.1.9 X X X X X X X X
T4 X X X X X ... X ... X X
T6 X X X X X ... X ... X X
Tg X X X X X ... X ... X X
TO
""*
Ty X X X X X ... X ... X X
Tm-1 X X X X X ... X ... X X
Tn, X X X X X ... X ... X X
Ti T3 T5 T7 T9 ... Tx ... Tn-l
X X X X X ... X ... X X
Es decir, cada individuo es una cadena de n x m elementos, donde n es el nmero de trenes impares y m es el nmero de trenes pares, que representa el cruce de cada tren impar con cada uno de los trenes pares mediante el valor X; de manera que
cruce
fc'^.) = -
* no plantea punto de conflicto 0 cruce en estacin previa al punto de conflicto 1 cruce en estacin siguiente al punto de conflicto - no participa del plan de cruces
Pgina 282
Para el ejemplo que estamos siguiendo en las figuras 7-22 y 7-23, en el que consideramos que cada tren puede cruzar slo con otros dos trenes de sentido contrario, y supuestos 10 trenes en cada sentido, un individuo genrico sera expresado en los trminos siguientes
T2
IMPARES^.
T4
Ts
TO
Ti2
Tl4
Tl6
Ti8
T20
Ti
I I
-
I I I
-
Ts Ts
T7 T9
I I I
-
I I I
-
I I I
-
I I I
-
Tu
Ti3 Tl5 Ti7 Ti9
I I I
-
I I I
I I I
I I
Como se puede apreciar en el individuo genrico propuesto, slo el primer y ltimo tren impar se restringen al cruce con dos trenes; mientras que el resto de trenes permiten tener ms posibilidades al permitirse el cruce, bien con los mismos trenes que el anterior o bien con el ltimo que cruz el anterior y el siguiente de direccin contraria. As, el tren TI cruzar con el tren T2 y T4 nicamente, mientras el tren T3 puede cruzar con T2 y T4 o con T4 y T6.
Una vez definido el individuo, representativo del plan de cruces, el primer paso ser definir la salud del individuo. Para ello, se proceder a ejecutar la simulacin de las circulaciones y se medir, aplicando la definicin 7-1, el retraso que conlleva la
Pgina 283
ejecucin del plan de explotacin resultado de la evolucin de operaciones que ordena la informacin del individuo.
A continuacin, se procede a generar la poblacin de manera coherente a la explotacin; es decir, no se pueden admitir individuos que crucen con dos trenes de sentido contrario que no sean consecutivos. Por ejemplo, se admite que el tren TI cruce slo con un tren, pero entonces slo podr ser T2, de igual manera que si T3 cruza con T2 podr o no hacerlo con T4, pero, de cruzar con un segundo tren, ste ser el nico tren adicional con el que podr cruzar. Esta restriccin es bastante significativa, pues implica un mecanismo de descalificacin de individuos.
Establecida la poblacin, la seleccin se har de manera que se escogern los mejores horarios de entre los que forman la poblacin.
Se establece un mecanismo de cruce uniforme con una tasa de O'8 y una mutacin de O'Ol para modificar el valor de informacin de la posicin afectada por la mutacin por un valor que puede ser 0,1 *.
A continuacin, se establece un mecanismo de reparacin de individuos congruente con la explotacin de la lnea, tal y como se explic para el proceso de generacin de la poblacin.
El resultado de aplicar esta representacin de individuo para aplicar el algoritmo gentico es bueno, por tanto til para explotacin, cuando la lnea es de dbil trfico y es una lnea cerrada; esto es, todos los trenes son de idntica prioridad y no existe posibilidad de que circulen por ella trenes que procedan de ramales o que se dirijan hacia troncales principales de la red ferroviaria.
En cambio, cuando la densidad de trfico aumenta, la situacin de cruce se complica porque el punto de cruce debe venir determinado por las capacidades de las estaciones; de manera que la mejor estacin de cruce puede no ser la anterior o posterior a la del
Pgina 284
punto terico de corte en las grficas representativas de la marcha de cada tren. As, puede ser que un tren impar se enfi'ente a una densidad de trfico par considerable; por tanto, el punto de cruce vendr establecido por la estacin de mayor capacidad. Por tanto, cualquier estacin de la lnea puede ser objeto de la resolucin del cruce de un tren; eso s, un tren nunca retrocede en su marcha para proceder a resolver un cruce.
Entonces, el individuo anterior queda modificado en que el valor a tomar para cada unidad de informacin sigue siendo el cruce de cada tren impar con cada tren par, pero ya no sobre la estacin anterior o siguiente al cruce terico (O 1), sino el valor de una estacin cualquiera en la lnea (A, B, C, D,...,N).
* no hay conflicto por cruce cruceyT^, 7^) = < {A, B,..., N } estacin donde se desaroUar el cruce imposible el conflicto
Adems, sobre esta codificacin se debe hacer un mecanismo de correccin que incluya la situacin de cruce con un segundo tren en una estacin que resulte de proseguir siempre la marcha del tren. Es decir, si el tren TI cruza en B con T2, de cruzar con T4 lo har en cualquier estacin que no sea A; esto es, desde la estacin de cruce con T2 hasta la del final de lnea.
En lneas generales, este mecanismo de codificacin para aplicacin del algoritmo gentico obtiene buenos resultados en este tipo de explotacin regional; si bien, a medida que aumenta la densidad de trfico, existe una tendencia a resolver los cruces en estaciones lejanas a la de origen de la marcha de cada tren, provocando, de este modo, una saturacin de la malla horaria que condiciona las salidas de los trenes.
6.2.3
Explotacin mixta.
Denominaremos a este tipo de explotacin a aquella que permite diversos tipos de trenes y de recorridos dentro de una lnea; es decir, todos los trenes no van a ser de la
Pgina 285
misma naturaleza ni van a seguir el mismo tipo de marcha con paradas en todas las estaciones. Desde el punto de vista de representacin de conflictos, adems del cruce de trenes aparece el alcance de un tren de prioridad superior a otro (figura 7-24).
ESTACIN A ESTACIN B ESTACIN C ESTACIN D ESTACIN E
T4
^17 wrv_y
T2 TI
z:
ESTACIN E
VI//
ESTACIN D
i
i
ESTACIN C ESTACIN B
i / / Vi /
> ^
TIEMPO
/ T 2
ESTACIN A
Figura 7-24. RESOLUCIN DE CRUCE (T1-T2 Y T1-T4) Y ALCANCE (T4-T2)
El ejemplo de la figura 7-24 pone de manifiesto la dificultad que presenta este problema, tanto a la hora de representar a los individuos de la poblacin como a la hora de definir la bondad de una solucin. De esta manera, si aplicamos las soluciones expuestas en el apartado de explotacin regional, se obtienen resultados poco satisfactorios a la hora de entender como correcta una solucin. El motivo es que el alcance no queda bien representado en los individuos, aunque a primera hora se pudiera intuir que un alcance no es ms que un cruce de trenes
Pgina 286
de igual paridad. Sin embargo, se requieren tiempos entre trenes grandes para que los algoritmos anteriores funcionen; hechofimdamentalmentedebido a que la resolucin de los cruces tiende a hacerse en las estaciones extremas, con lo que un factor determinante como es la densidad de trfico y la capacidad de las estaciones no se est considerando. La extensin natural de los mecanismos de trabajo de los algoritmos genticos anteriores resulta de simplificar el problema a una forma de explotacin ferroviaria sencilla: un tren avanza porque un operador autoriza su marcha. Este enunciado permite hacer una representacin de la poblacin de "secciones de va" en los que cada seccin contiene el nmero de tren que la ocupa. Con ello, la lnea queda representada en forma de grafo en el que los nodos representan a las estaciones, mientras que las ramas que unen a los nodos representan a las secciones (figura 7-25).
X
T4
v_y
T2
" V
TI
La situacin real de la lnea queda representada por un grafo cuyas ramas son recorridas por los trenes, siendo ordenado el avance de cada tren de r manera secuencial desde un nodo hasta el siguiente.
ESTACIONA
ESTACIN B T4 ^
ESTACIN C
ESTACIN D
ESTACIN E
T2
A " A P V
A V
Figura 7-25. Mecanismo de representacin de individuos
Esta forma de representacin corresponde a la manera en la que un operador de trfico, situado en el puesto central de circulacin, iria ordenando verbalmente el avance de los trenes desde la salida de una estacin hasta la entrada de la siguiente.
Pgina 287
La representacin de individuos de la forma descrita, donde cada individuo representa el estado de cada una de las secciones de la lnea, implica utilizar un alfabeto de nmeros enteros en el que cada seccin toma el valor correspondiente al nmero de tren que circula por la misma. La longitud de la cadena ser igual al nmero de secciones que cada tren recorrer en su marcha.
De esta manera, si consideramos n trenes que circulan por m trayectos, el nmero de cadenas que representan a individuos solucin sera ( mj.
w
En trminos ferroviarios, lo que tratamos de ejecutar es un plan de cruces entre distintas circulaciones, una vez que observamos que dos trenes deben compartir una seccin en cierto instante de tiempo.
Entonces, cada individuo de la poblacin tiene la longitud correspondiente al nmero de secciones de la lnea y cada seccin tiene el nmero de tren de cada una de las circulaciones que estn esperando avanzar hacia la siguiente seccin (figura 7-26). El nmero de veces que un tren puede aparecer en la cadena vendr limitado por el nmero de secciones que quedan autorizadas para ser recorridas cada vez que se ordena el avance al tren.
Con todo ello, la poblacin resultante no es sino la representacin del estado de los trenes en cada punto singular del horario, entendiendo como tal el que marca la salida del tren de cada estacin implicada en su recorrido. Por tanto, el problema se est resolviendo de manera secuencial, encontrando la poblacin ptima en cada instante en el que existe necesidad de ordenar el avance de cualquier tren (entrada o salida de estacin).
Pgina 288
SITUACIN REAL
ESTACIONA ESTACIONE ESTACIN C ESTACIN D ESTACIN E
\
T4
v_y
^
T2
V__/1P
r
E
REPRESENTACIN GENRICA a.- de la lnea

A B C D
^ ^
gj^
g^
w^ b.- del individuo

A A-B
w
B
w
B-C
w
C-D
D
g^
w
D-E
E
EJEMPLO: INDIVIDUOS ADMISIBLES DE LA SITUACIN REAL a) avarice de TI de D a entrada de C; de T2 de B hasta estacin C; T4 desde A a entrada de B
b) avarice de TI de D liasta C; de T2 de B hasta entrada de C; T4 desde A a entradi d e B
Figura 7-26. Representacin de la poblacin
De esta manera, a la hora de plantear los operadores de cruce y mutacin del algoritmo gentico se debe incluir un mecanismo que excluya descendientes que no se admitan; sto es, toda manipulacin en la cadena deber mantener inalterable la informacin correspondiente al recorrido correspondiente al tren representado por la misma.
Por ello, el cruce entre dos individuos se hace eligiendo dos puntos aleatorios en las cadenas progenitoras para obtener una cadena hija. La cadena resultante se compone de la informacin ntegra de uno de los progenitores entre los dos puntos de cruce y el resto se obtiene de la otra cadena paterna, corrigiendo desde el origen de la lnea para
Pgina 289
mantener la informacin absoluta del resto de circulaciones (figura 7-27). El resultado es un individuo que representa una nueva situacin de rdenes para avance de los trenes hacia las secciones sucesivas. De igual manera se ha de proceder con la mutacin, en el que se proceder a reemplazar una posicin por otra con significado en la misma cadena (figura 7-28), aunque se deben considerar las repercusiones de una mutacin en el individuo de origen.
SITUACIN REAL
T-l
\ A-B 1 4
i
T.
/' D 1 2
TI '
\
E 1 2
__/
A 1 4
B 1 2
B-C 1 2
c
1
C-D 1
D-E 1 2
REPRESENTACIN GENRICA Individuo 1: avance del tren TI Individuo 2 : avance del tren T2 y salida del tren T4
2 1 2
\
2 2 2
t
1 1 1 1
PUNTOS DE CRUCE
1
V
Individuo
HIJO
informacin
ntegra del individuo 2 entre los puntos de cruce y del 1 en el resto Posiciones inao Imisibles porque no mantienen la marcha del trer par Estrategia de CORRECCIN :
revisin de la marcha de trenes pares e impares con la informacin de los padres
Figura 7-27. EJECUCIN DE LA OPERACIN CRUCE ENTRE INDIVIDUOS.
Pgina 290
SITUACIN REAL
TA
/
B-C
C
^
C-D
1
\
D 1
/
D-E
1 E 1
REPRESENTACIN GENRICA Individuo que representa el avance de los trenes 1,2 y 4 en la lnea
A-B
B 2
4 , 4
2 12
i
4 4 2
4 1 2 11
Ejemplo de mutacin: T4 alcanza a T2
Estrategia1 de correccin
4 14 11
Figura 7-28 Ejecucin de la operacin mutacin En la mutacin, sirviendo como ejemplo la figura 7-28, hay que tener en cuenta que puede resultar cambiada no slo una posicin, sino tantas como resulten de la orden de avance al tren. As, el ejemplo anterior resulta de una mutacin en la posicin B-C de la cadena, posible porque el tren 2 qued en la estacin B para ser rebasado por el tren 4; pero entonces, la posicin C no puede quedar con el tren 2, sino con el tren 4.
La mayor dificultad de la ejecucin de este algoritmo deriva de la complejidad de cada una de las estructuras que representan a la poblacin a la hora de decodificarlas, pues se requieren varias rdenes de establecimiento de rutas para medir las desviaciones alcanzadas respecto a la marcha terica, tal y como se describi en la definicin 7-1 para el retraso en la lnea. De hecho, la poblacin resultante de individuos puede plantear diversos planes de cruce que hay que evaluar para conceder el valor de salud que permita decidir la mejor accin en la lnea.
As, la informacin gentica de cada individuo indica si un tren se va a mover desde la seccin actual hacia la siguiente, sea sta un trayecto o xma va de estacionamiento. Sin
Pgina 291
embargo, para que se autoriza la marcha de un tren se deben atender las restricciones propias de la explotacin, de manera que el instante de salida de un tren de la estacin vendr determinado, adems del instante de tiempo en el que se haga la entrada, de la espera a que quede libre el trayecto (seccin entre estaciones); determinando adems el tiempo requerido para llegar a la estacin por la marcha tipo de la circulacin en la lnea.
De esta manera, para reconocer el instante de salida de un tren hacia la siguiente estacin, se pueden plantear diversas estrategias:
Considerar la estructura del individuo como un autntico plan de cruce, lo cual es vlido excepto cuando dos trenes salen, simultneamente, de dos estaciones hacia otra intermedia. Se consigue resolver el problema del horario, pero se inducen retrasos innecesarios por no considerar la densidad de trfico y averiguar el instante de salida se determina a partir del tren anterior; por ejemplo, se tienen tiempos de estacionamiento largos en las estaciones intermedias que resultan de no considerar que un tren no puede salir de la estacin hasta que el anterior llegue a la colateral o el que se espere para cruzar llegue a la propia y libere las condiciones del enclavamiento.
Considerar el instante de salida no slo por el instante de llegada a la estacin, sino porque se comprueba el estado de la seccin de trayecto para verificar la conveniencia de la salida. Con ello, se consiguen horarios razonables con tiempos de espera admisibles en las estaciones intermedias. Sin embargo, no se puede incluir ningn concepto de aprendizaje puesto que los descendientes poco tienen que ver con los progenitores.
Para mejorar los procesos descritos podemos mezclar la idea de los mtodos propuestos para representar a los individuos. Para ello, mantenemos la estructura de representacin compuesta por tantos elementos como secciones de va existen en la lnea; sin embargo, cada seccin puede contener varios trenes, por ejemplo si se trata de trenes estacionados
Pgina 292
en un cierto punto de la lnea o bien, si incluimos el concepto de prioridad para ordenar el avance de los trenes, se pueden considerar tren en sucesin o trenes de sentido contrario. La ventaja fundamental es que estamos utilizando bloques constructivos, correspondientes a las secciones de la lnea, en el que el concepto de prioridad ordena el trfico en la seccin. El inconveniente fundamental es que se hace difcil la evaluacin y el tratamiento de las informaciones.
6.3
Construccin de las rutas en las estaciones.
En el apartado anterior se ha tratado el problema de resolver el horario que mejor se adapta a las condiciones de explotacin ferroviaria, pero se ha asumido que la lnea se puede entender sinpticamente por un grafo en el que las estaciones son representadas por nodos conectados por ramas, que representan a los trayectos entre estaciones colaterales. Por otro lado, slo en las estaciones se pueden ejecutar operaciones con los trenes; bsicamente, cruces y alcances .
Sin embargo, un problema fundamental a tener en cuenta en la explotacin es el uso racional de las estaciones. Es decir, se debe conocer cual es la lista de movimientos admisible en una estacin para conocer los recursos que se consumen al asignar \mo de estos movimientos a un determinado tren.
Entonces, tenemos un doble problema en las estaciones. Por un lado, se trata de identificar los recursos consumidos en cada movimiento para determinar la compatibilidad con otras posibles rutas. De otro lado, se debe considerar un uso ptimo de la estacin que permita una mayor fluidez del trfico en la misma.
Para resolver el problema de determinacin de las rutas y las incompatibilidades de las mismas, se utiliza un algoritmo que busca recorridos admisibles en una estacin; representando a sta como un grafo (figura 7-29) en el que los nodos representan a los posibles puntos de origen y destino de los trenes (seccin de entrada o vas de
Pgina 293
estacionamiento o de apartado) a los que se puede acceder imponiendo una determinada posicin de las agujas disponibles en la estacin.
ESQUEMA DE VAS DE LA ESTACIN
OH
\-o
OH hO OH hO
REPRESENTACIN DEL GRAFO EQUIVALENTE
OH
^\0^/
Origen de movimientos a los estacionamientos (ENTRADAS) destino de movimientos desde los estacionamientos (SALIDAS) y Figura 7-29. ESQUEMA DE VL\S PARA GENERACIN DE LA LISTA DE MOVIMIENTOS.
As pues, en una estacin se localizan puntos de entrada y de salida para que los trenes entren a la estacin y la dejen. Estos recursos no se pueden cambiar; definen el origen y destino de los trenes, as como la va de circulacin. Por contra, cuando un tren entra a la estacin, el operador decide emplear una ruta entre el conjunto posible de las mismas.
Pgina 294
El horario, que regula perfectamente el trfico, contiene la hora de llegada y de salida del tren as como los puntos intermedios de parada.
Hay varios eventos que pueden alterar la informacin del horario. De este modo, el operador debe administrar los recursos de la estacin, a fin de ordenar los recorridos de trenes, y siguiendo los siguientes principios:
Asegurar la circulacin en servicio. Minimizar el retraso de los trenes. Respetar, dentro de lo posible, la informacin de los horarios.
El primer punto se consigue con las instalaciones de seguridad existentes en las estaciones (circuitos de va, enclavamientos y bloqueos). Aunque la dimensin del enclavamiento se fija conforme a la topologa de la estacin y con un automatismo que se define en la consigna dictada por la administracin ferroviaria, existen situaciones de emergencia que deben considerar la accin de un experto humano que puede autorizar movimientos bajo su responsabilidad.
Hay varios motivos por los que se retrasa un tren. Por ejemplo, no hay vas disponibles para entrar a la estacin; un tren puede estar esperando a salir por un cruce, por un alcance o por sucesin con otro en la misma direccin. Por tanto, se requiere detectar conflictos que permitan la ejecucin de rdenes de una manera adecuada.
El motivo por el que es importante respetar la informacin de los horarios es evitar trasiegos innecesarios a los pasajeros. As, es mejor retrasar la entrada de un tren a la va "normal de estacionamiento" que buscar una ruta de entrada alternativa.
Para el control de estos puntos el operador se enfrenta a dos tipos de problemas. El primero concierne al establecimiento de itinerarios y el segundo a la localizacin de los trenes.
Pgina 295
La orden de un itinerario debe permitir administrar recursos que estn disponibles y que no sean incompatibles con el resto de movimientos autorizados en la estacin. El enclavamiento se encarga de informar al operador del estado actual de la estacin.
Un tren debe estar localizado a fin de anunciar su entrada a una estacin. El operador conoce el nmero de tren, el retraso que "trae", toda la informacin de la tabla de horarios (grficas de espacio-tiempo) y la composicin del mismo. El operador asigna los recursos adecuados (ruta de entrada, va de estacionamiento y ruta de salida) para gestionar el tren en un perodo de tiempo definido.
La seleccin del operador, puesto que la seguridad recae en las instalaciones en va, de acuerdo a una minimizacin de retraso en fiancin del horario previsto, el respeto de la prioridad entre trenes y el orden a seguir en la expedicin de los trenes. Por tanto, la asignacin de rutas en una estacin es asimilable a un problema de optimizacin de los recursos disponibles bajo un conjunto de restricciones impuestas por la ordenacin del trfico.
De esta manera, el problema es trivial en estaciones de tamao pequeo y mediano, no siendo necesario nada ms que un plan de formacin automtica de itinerarios en incin de criterios sencillos como son los de ordenar los movimientos de acuerdo a la compatibilidad de su establecimiento con el resto de los existentes en la estacin.
Por el contrario, el problema es dificil para grandes estaciones donde el movimiento de trenes corresponde a lneas de alta densidad de trfico con necesidades de establecer un gran flujo de movimientos internos o maniobras en la estacin.
En este caso, se requiere establecer un mecanismo de bsqueda que establezca ima ruta ptima para cada tren que se aproxime o haya de dejar la estacin; siendo este movimiento prioritario al de ejecutar una maniobra. Desde este punto de vista, las rutas se ordenan estableciendo un factor de penalizacin en incin de los recursos que consumen y el tiempo que un tren requiera para recorrerla. Adems, se considera la
Pgina 296
densidad de trfico entrante a la estacin y la capacidad de la estacin para absorber este trfico.
Si consideramos una estacin de gran capacidad como la de Villaverde Bajo, en la que hay gran densidad de trfico al ser estacin de paso de cercanas y de grandes lneas, adems de servir de paso a las cabeceras de mercancas colaterales, estamos considerando un cuadro de movimientos con cerca de 200 rutas, que supone vigilar el estado de 200 x 200 incompatibilidades.
A la vista del ejemplo, est claro que el problema requiere utilizar una tcnica de bsqueda en la que, merced a la rpida evaluacin que podemos obtener con la aplicacin de la herramienta de simulacin, se justifica el uso de algoritmos genticos.
De esta manera, el criterio de bsqueda es el de minimizar retrasos en el conjimto de los trenes objeto del trfico. De esta manera, se ejecutar la bsqueda de una ruta para el primer tren a despachar, evaluando por simulacin el resultado sobre el resto de trenes. El resultado es la mejor combinacin de rutas que consume recursos en tiempo mnimo.
El algoritmo se ha comprobado para la estacin mencionada y finciona correctamente cuando el trfico de trenes es inferior a 10 trenes en 10 minutos. A partir de ese momento, o si la cantidad de movimientos de maniobra es importante, el algoritmo tarda en encontrar una solucin.
La solucin a este problema pasaria por definir los individuos no por compensacin de rutas, sino por actuar con criterios evaluables por los operadores ferroviarios. Sin embargo, la escasez de trabajos en este aspecto, quedando los existentes limitados a aplicaciones en estaciones muy concretas, y la poca posibilidad de extraer criterios de reglamentacin de la administracin ferroviaria, hace que este trabajo sea, por l mismo, motivo de investigaciones posteriores a esta tesis.
Pgina 297
La evolucin del trabajo hasta la fecha puede documentarse en las memorias correspondientes a los proyectos fin de carrera "Planificacin, Control y Gestin del Trnsito de Trenes por una estacin" [Martnez,2000] y "Gestin del Trfico Ferroviario en Estaciones de Alta Densidad de Trfico" [Mira,2001].
6.4
Representacin del conocimiento sobre la explotacin ferroviaria.
En trminos generales, estamos viendo como el problema principal de la bsqueda no viene dado por el funcionamiento del algoritmo gentico, sino por la manera en la que se representa la funcin objetivo y la forma en la que se evalan las soluciones potenciales del problema.
Si el objetivo del problema hubiera sido el de generacin de un horario terico, las conclusiones de los mtodos expuestos hubieran sido suficientes. De hecho, los horarios de los trenes se extraen de manera independiente a las condiciones de explotacin; es decir, se extraen a priori para que luego se echen a andar los trenes en la lnea de acuerdo a una regulacin marcada por ste horario; incluso, como hecho de partida, los horarios estn calculados para el caso de pleno funcionamiento de las instalaciones y sin incluir retrasos que pudieran resultar de una averia en algn elemento de las mismas o de los propios trenes; por lo tanto, cualquier cambio requiere ejecutar completamente el proceso.
Sin embargo, se pretende utilizar un mecanismo que permita actualizar y dar un horario modificado que sea til cuando las condiciones de explotacin se degradan. Esta situacin no es admisible con los mtodos anteriores, sencillamente porque no permiten adaptar el horario a las condiciones de las instalacin.
No sin ser importantes las consideraciones anteriores, la cuestin fundamental es que los mtodos anteriores trabajan de manera numrica; es decir, se intenta ajustar un horario mediante el clculo de intervalos temporales que debe cubrir cada tren. Sin embargo, la explotacin ferroviaria prev las consignas de explotacin como
Pgina 298
herramientas para autorizar la velocidad del tren, disponiendo de \mas operativas especficas de las lneas que se basan en la prioridad relativa de unos sucesos fcente a otros. En otras palabras, el operador ferroviario no construye horarios ni regula el trfico con un criterio numrico; en su lugar, utiliza el conocimiento adquirido para saber si la estrategia que est utilizando para construir horarios o para resolver conflictos conlleva a un xito o a un fracaso en la explotacin.
En estas condiciones, explorando diversas publicaciones de la Red Nacional de los Ferrocarriles Espaoles, en adelante RENFE, como el Reglamento General de Circulacin (RGC), las normas para las instalaciones de seguridad y para la explotacin del trfico (C.T.C.), as como la revista Seguridad en la Circulacin; adems de los reglamentos de otros ferrocarriles nacionales como los Ferrocarriles de Va Estrecha (FEVE), Euskotrenbideak / Ferrocarriles Vascos (ET/FV) y de los Ferrocarriles de la Generalidad Valenciana (FGV), se procedi a construir una base de conocimiento capaz de construir los horarios, al mismo tiempo que permita su uso para abordar las tareas propias de la regulacin del trfico.
6.4.1
Objetivos.
El resumen de las expectativas perseguidas es el siguiente:
Generar una base de conocimiento expresada mediante reglas, con lo que el conocimiento de los operadores puede ser representado de una manera sencilla.
Se elige una expresin borrosa en las variables, motivado este hecho porque, al igual que en otros procesos de control, la identificacin de los hechos se hace a partir de las definiciones lingsticas que hacen los operadores, en este caso del ferrocarril, obteniendo una ventaja adicional a la hora de representar los valores de las variables por conjuntos de pertenencia caractersticos de cada etiqueta lingstica.
Pgina 299
Esta base de reglas se construye mediante grupos de las mismas especializados en dar una solucin ante una determinada solucin. As, bsicamente se consideran los siguientes grupos de reglas:
Reglas que identifican el retraso relativo de un tren en funcin del retraso absoluto, contado como desviacin respecto a la marcha terica del tren, y de la naturaleza del tren, que marca el tipo de servicio del tren (regional, mercancas, cercanas, largo recorrido, etc.). Desde el punto de vista operacional, el retraso modificado es el producto cartesiano del conjunto "tipo de tren" por el conjunto "retraso acumulado"
Por ejemplo, un retraso en un tren de cercanas se considera retrasado cuando el retraso absoluto en las horas de mximo servicio es de 2 minutos; incrementando este valor hasta 5 minutos en el resto del da. De igual manera, un tren regional puede considerarse retrasado cuando acumula 12 minutos respecto al horario previsto, etc.
Reglas que identifican la densidad de trfico tanto en trayectos como en estaciones.
Reglas que permiten resolver conflictos: asignacin de composicin, cruce entre trenes, alcance de un tren rpido a otro ms lento, etc; de manera que identificado el evento de explotacin, slo se trabaja con el conocimiento que se tiene para resolver un determinado conflicto.
Por ejemplo, en un cruce el factor ms importante es determinar la estacin en la que se va a cruzar; siendo crucial identificar la capacidad de las estaciones y de los flujos de circulaciones en ambos sentidos a fin de no colapsar una estacin. Por el contrario, en un alcance lo ms importante es definir la conveniencia del mismo, no importando tanto la estacin como la posibilidad de expedir trenes en secuencia para no aumentar retrasos en trenes de direccin contraria.
Pgina 300
6.4.2
Herramientas para la representacin del conocimiento.
Para formular la base de conocimiento borrosa se trabaja a partir de las herramientas desarrolladas por la Divisin de Ingeniera de Sistemas y Automtica (DISAM) del Departamento de Automtica, Ingeniera Electrnica e Informtica Industrial de la Universidad Politcnica de Madrid; eligiendo las mismas por la facilidad que permiten para expresar no slo las reglas, sino los operadores borrosos y los conjuntos de pertenencia representativos de las variables del problema, as como por incorporar mecanismos de definicin de grupos de reglas que hacen idnea su aplicacin para el problema de explotacin ferroviaria.
La formulacin de la base de conocimiento se hace utilizando dos componentes, uno de ellos contiene la declaracin de las variables y operadores borrosos, as como las reglas que gobiernan la toma de decisiones; el segundo de ellos contiene la "fuerza" de estas reglas, considerando como fuerza un valor que establecemos en un principio y que se ver incrementado, si el resultado de aplicar esa regla es positivo, o decrementado, en caso contrario.
Se utilizan cinco bases de conocimiento distintas. Cada una de estas bases de conocimiento contienen reglas que han sido utilizadas a lo largo del proceso de aprendizaje, con lo que se evita que reglas que pudieran ser vlidas para algunos casos, se hayan eliminado por ser malos sus resultados en otros. El objetivo es establecer vina casustica en la que cada problema tenga su base de conocimiento ptima. Los archivos que contienen las reglas estn escritos en modo texto y con un formato fcilmente interpretable.
Estas bases de conocimiento son perfectamente ampliables, pudindose fcilmente aadir nuevas reglas y grupos.
Pgina 301
6.4.3
Interpretacin de ios resultados.
La inferencia de la base de conocimiento permite generar horarios y efectuar el control correspondiente a la regulacin real del trfico de los trenes:
El horario de los trenes se obtiene minimizando el retraso respecto a la marcha ideal de cada tren, para lo cual se enfirentan las estrategias inferidas de la base de conocimiento al simulador.
El horario as obtenido es la consigna que se seguir durante la explotacin con trenes reales, teniendo en cuenta que este horario se consigue reproducir a partir de las acciones que se infieren de la base de conocimiento disponible.
6.4.4
Funcionamiento.
El sistema debe efectuar una inferencia siempre que se detecte una peticin por un tren que representa ima necesidad de autorizar su avance: aparece un nuevo tren, eliminar del control un tren que ya lleg, autorizar entrada o salida de un tren a la estacin, etc.
Entonces, cuando un tren haga una peticin, tomaremos su sentido y situacin y se analizar, uno por uno, el resto de los trenes por si alguno de ellos pudiera entrar en conflicto con l; es decir, que compita con l en un futuro por alguno de los recursos de la lnea, ya sea en un trayecto o en una estacin.
En un principio, todo esta orientado a resolver los conflictos entre dos trenes, aunque es fcilmente ampliable a un nmero n, teniendo en cuenta que se complica el proceso por incrementarse las reglas necesarias para cubrir todos los casos al ir aadiendo nuevas variables.
Una vez obtenidos los datos de los trenes que entran en conflicto, pasamos a evaluar las reglas. Para ello se explora la base de conocimiento, dando un grado de cumplimiento
Pgina 302
de las premisas para cada una de las reglas, y marcando si se han activado estas o no (su grado de cumplimiento es mayor que cero). Las variables que utilizamos en un principio para definir las bases de conocimiento son:
Para cada tren: retraso, prioridad, sentido de marcha y situacin.
Para cada estacin: capacidad, grado de ocupacin y el tiempo disponible hasta la llegada de los siguientes trenes par e impar.
Para cada trayecto: capacidad (n de circuitos de va) y longitud.
Una vez evaluadas todas las reglas, obtenemos nuestra variable de salida como una media geomtrica de las reglas activadas, ponderadas por su grado de cumplimiento. Este valor obtenido es la solucin que damos al conicto.
Hay que hacer notar, que si las condiciones son las iniciales y nada ha cambiado, el algoritmo de resolucin debera ofrecer siempre un "s" a la pregunta que implcitamente se le hace: puede mi tren avanzar?.
Una vez decididas y ejecutadas las acciones de control, para unas condiciones de simulacin concretas, vamos comparando los trastornos (retrasos) ocasionados en la lnea por estas decisiones, con los trastornos que induciran otras decisiones, evaluando as los resultados que nos ofrece nuestra accin de control.
Dependiendo del grado positivo o negativo de esta evaluacin, se procede a reforzar o penalizar las reglas que han influido sobre esta decisin, incrementando o decrementando la fuerza asociada a cada fuerza.
Pgina 303
6.4.5
Algoritmo gentico.
El algoritmo gentico es una componente fundamental del sistema, pues sobre el mismo recae la "responsabilidad" de ejecutar una bsqueda ptima de una solucin apropiada a las condiciones de explotacin de la instalacin.
El algoritmo gentico se formula en los trminos descritos en los captulos de aplicacin al control de procesos para varias bases de conocimiento; basndose en las experiencias del Departamento de Ingeniera de Sistemas Telemticos de la Universidad Politcnica de Madrid.
Durante el control y regulacin del trfico se aplica el algoritmo gentico una de cada cien veces que se halla activado nuestra base de conocimiento, para que el refuerzo que hallamos asignado a cada una de nuestras reglas sea lo suficientemente significativo para afectar en su seleccin. Asimismo, al ejecutarlo un numero determinado de veces, nos aseguramos el tener una "media" fiable de los resultados de aplicacin de cada estrategia de control. De esta manera conseguiremos una adaptacin de las condiciones de explotacin con continuidad en el tiempo. No obstante, esta aplicacin no es suficiente porque en ocasiones la explotacin se degrada y el problema es que la consigna de partida, que es el horario terico, no puede satisfacerse. Entonces, el sistema reacciona buscando un nuevo horario para aplicar las reglas de explotacin aprendidas.
El algoritmo gentico empleado es muy flexible, pudiendo ajusfar la mayora de los parmetros que intervienen en l, de manera que funcione de la manera ms apetecible para nuestros intereses.
Comienza con un mecanismo de seleccin de reglas (a elegir entre torneo o por el mtodo de la ruleta), despus ejecutamos el cruce (a elegir entre uniforme, por un punto, o por varios), a continuacin muamos los resultados obtenidos para poder aadir de esta manera nuevos individuos aleatorios a nuestra poblacin y por ltimo ejecutamos
Pgina 304
un mecanismo de insercin en el que decidimos que reglas aadimos a nuestra base y cuales eliminamos de esta, descartndose inserciones que sean similares a las que ya tenemos e insertando las diferentes; de manera que esta diferencia se mide a partir de la distancia entre los centros de gravedad de la salida.
Una vez determinadas nuestras nuevas reglas confeccionamos nuestras nuevas bases de conocimiento con ellas y repetimos el ciclo.
6.4.6
Resultados.
El funcionamiento y las conclusiones de lo expuesto podemos resumirlo en estos puntos:
Resolver el problema de una regulacin ptima del trfico ferroviario requiere dos etapas bien diferenciadas: establecer la ley de control, que corresponde al horario terico de los trenes, y ejecutar xina resolucin de conflictos como mecanismo de herramienta de control para minimizar el retraso de los trenes ante condiciones diferentes de funcionamiento de las instalaciones.
Aunque estas dos etapas corresponden a situaciones diferentes, el conocimiento empleado en generar el horario resuelve conflictos en condiciones de plena fincionalidad de las instalaciones; por lo que estas reglas que componen la base de conocimiento servirn de partida para descubrir reglas nuevas ante escenarios diferentes de las circulaciones ante las instalaciones. Por tanto, cada escenario resuelto aadir conocimiento al sistema sin perder la funcionalidad obtenida por la etapa de planificacin; justificndose este hecho por el mecanismo de insercin de reglas que permite variar una poblacin inicial si y slo si ima regla induce a una situacin diferente de las ya existentes.
Pgina 305
Se requieren bases de conocimiento distintas como herramientas para resolver el problema del control ptimo del trfico, de manera que con ellas se permite disponer de estrategias diferentes de actuacin. Este hecho es particularmente importante por la dificultad de establecer un criterio de evaluacin absoluto en este tipo de problemas. De hecho, el control actual en el que las acciones de control se ejecutan por operadores el nico criterio medible es que los trenes lleguen a su destino. Adems, el hecho de no adiestrar a los operadores para conocer la bondad de las acciones de unos firente a las de los otros, no permite plantear fimciones de evaluacin concretas.
En un principio, se mantuvo la idea de expresar la funcin objetivo como la medida absoluta del retraso en la lnea; lo que supona una ejecucin continua del algoritmo gentico para resolver situaciones generadas por cualquier retraso que desviara el horario del estimado como "sin retraso" para cada tren. ste hecho, adems de intil desde el punto de vista del control del trfico, era contradictorio con el objetivo perseguido de ejecutar el algoritmo slo cuando realmente se requiriera una nueva ley de control.
Por otro lado, se observ que, si slo se meda el retraso absoluto, daba exactamente igual ejecutar un algoritmo gentico secuencial en cada una de las cinco bases de conocimiento que cruzar las poblaciones entre ellas.
Volviendo a la comparacin con la regulacin hecha por los operadores y a la vista de los resultados, qued claro que no fallaba la exploracin del algoritmo, sino la funcin de evaluacin e, incluso, la funcin objetivo.
Por lo tanto, se plantea la siguiente situacin: qu es mejor, medir el cumplimiento del horario o ver cmo "finciona" la estrategia de control de cada operador? Parece intuitivo que si no sabemos nada del problema, deberamos dejar a los operadores que desarrollaran sus acciones y juzgarlas a raz de los resultados.
Pgina 306
El problema fundamental, sin embargo, no es el ajuste de las reglas para generar el horario, ni tampoco el mecanismo de descubrimiento de "eventos" o conflictos propios de la explotacin ferroviaria. Los algoritmos genticos funcionan para descubrir reglas; sin embargo, la pregunta sigue siendo cundo hay que ejecutar el algoritmo gentico durante la fase de control?
La respuesta a esta pregunta no es trivial, pues depende de manera fundamental del proceso a controlar. En el caso que nos ocupa de la explotacin ferroviaria, se ha diferenciado el caso de un control ante situaciones esperadas del correspondiente a situaciones no previstas; fijando como criterio de separacin el hecho de una merma en la funcionalidad en las instalaciones y no el retraso particular de un tren.
De esta manera, mientras las instalaciones funcionan, se dej ejecutar el algoritmo gentico una de cada cien tomas de decisin. El objetivo era efectuar un ajuste preciso en la base de conocimientos y el resultado era que las reglas menos utilizadas, por tanto con menos peso, se vean afectadas; en particular cuando se resolvan situaciones de congestin de trfico que, por otro lado, rara vez venan a darse.
Por otro lado, cuando se tena una merma de funcionalidad importante (va de estacionamiento intil, prdida de comprobacin de una aguja), una prdida de la capacidad en la estacin produce colapsos de trfico porque los puntos de conflicto se ven desplazados respecto a la planificacin. El resultado era resolver los conflictos con la base en vigor; enfrentndola despus a los resultados del resto de bases de conocimiento para ejecutar el algoritmo. Se observa, entonces, que s se hace fundamental la ejecucin porque se descubren nuevos escenarios en los que valores diferentes de las variables conllevan a variar el orden de entrada en las estaciones para los trenes que se encuentran en conflicto e, incluso, dentro de la estacin, las prioridades en la asignacin de las rutas varan de manera considerable.
Pgina 307
A vista de este ltimo punto, la pregunta es la siguiente: qu se hace cuando se recuperan las condiciones ideales de funcionamiento?
En este sentido hay que recalcar dos aspectos: el mecanismo de insercin de las reglas de las bases de conocimiento y restricciones de la explotacin ferroviaria.
Comenzaremos explicando las restricciones ferroviarias antes de analizar el mecanismo de insercin. As, el primer resultado del algoritmo gentico, que condujo a obtener un horario, fue el de una base de conocimiento capaz de resolver conflictos siempre que las instalaciones mantuvieran su funcionalidad, incluso aunque algunos elementos impidieran avanzar al tren con la mxima velocidad de la lnea (fusin de seales). El segundo resultado del algoritmo gentico, que resulta de una merma funcional, se ejecuta para verificar si el orden de trenes planificado es el mejor ante la nueva situacin; incluso para analizar la supresin de trenes. En estas condiciones, la recuperacin de las condiciones hara trabajar a las primeras reglas; es decir, a las correspondientes a las de planificacin.
Entonces, el mecanismo de insercin se complica porque la ejecucin del algoritmo gentico demanda la insercin de sucesores para sustituir a los correspondientes miembros de la generacin predecesora. Entonces, la evolucin de las reglas, necesaria para resolver las situaciones de prdida funcional, provoca la eliminacin de las reglas que ya se han validado para la situacin de funcionamiento. Se podra resolver el problema si consideramos el limbo como el lugar destinado a aquellas reglas que resultan de restricciones en el funcionamiento; pero, entonces, necesitaramos algn otro lugar para guardar las reglas exploradas por el algoritmo antes de insertarlas en el limbo. Esta situacin resuelve bien el problema, al menos as se ha experimentado en este particular problema de control, pero surge entonces el interrogante de cuntos lugares intermedios se requieren.
Como alternativa, volviendo a los trminos ferroviarios, se observ que las reglas resultan de la planificacin resultan vlidas cuando el sistema se repone; llegando a
Pgina 308
inducir retrasos menores que las reglas aprendidas a consecuencia de una falta de funcionalidad plena de las instalaciones. De hecho, aunque las reglas aprendidas permiten gestionar el trfico, los cruces y los alcances tienden a deformar la malla horaria.
Conclusin, debemos mantener las reglas de planificacin y las reglas aprendidas para inferir segn las condiciones de explotacin. Para ello, se aprovech la posibilidad de las herramientas de representacin del conocimiento para trabajar con grupos de reglas.
As, determinamos un nuevo conflicto, que no tiene su origen en los conceptos ferroviarios, para determinar el modo de funcionamiento normal o alterado de las instalaciones. Con este nuevo grupo, las reglas extradas de la bsqueda ante situaciones defectuosas de la instalacin se vern implicadas en mayor grado ante nuevas bsquedas.
Pgina 309
7 EJEMPLO SOBRE UNA LINEA PROTOTIPO

A continuacin se presentan resultados de control y simulacin en una herramienta prototipo que resuelve conflictos sobre una lnea de va nica sujeta a una explotacin simplificada conforme al reglamento de circulacin de EuskotrenBideak / Ferrocarriles Vascos.
Las siguientes figuras corresponden a capturas de pantalla. En general, aparecen siempre dos ventanas tituladas "simulador", donde se procede a simular la marcha del tren, y "controlador", donde se presentan las decisiones de control sobre los trenes. El inicio de la aplicacin est destinado a la obtencin de los horarios tericos y de las listas de movimientos de cada estacin. Adems, verifica que la base de reglas disponible permite la explotacin de la lnea conforme al horario obtenido. El resultado de la fase de inicio es obtener, con los datos de la lnea y la cantidad de trenes que se desea y a partir de los criterios de horario de los trenes, tanto las listas de movimientos de las estaciones como el plan de cruces que permite generar el horario. Para ello, se dispone de una reglas que han sido resultantes de la ejecucin del algoritmo gentico.
Para encontrar los horarios, como resultado colateral de la bsqueda de la base de reglas, lo que se hace es, en primer lugar, calcular la "marcha tipo" de cada tren en cada trayecto; de manera que cada tren no tendr conflictos con otros trenes y no sufrir retrasos porque las condiciones de simulacin son ideales. Para ello, como se ve en la figura 7-30, un tren sale de la estacin A sin demora y con las instalaciones fincionando y, tan pronto como se detecta la necesidad de una entrada, se hace llegar el tren a la estacin B (figura 7-31).
Pgina 310
fdrim
g u n ' CcaifiE(adn Base de Dalos
<M_
-<H
:'Mf*'-r rtTC'*?"!
f^"
SL Controlador
"fS?!S'ti
rifi':?:5^r2:.^...
Memo Base de Conocimiento... Leyendo base de conocimiento Base variable TREN 1 leda variable TREN 2 leda variable ESTADON leda grupo Ret_modi ledo giupo Compos ledo grupo Cruce ledo grupo Alcance ledo Base de conocimiento 1 leda Memo Simulador >Tien 1 quiere aparecer Avanzar es Aparecer El tren numero 1 solcita salida No hay conflictos que inpidan la marcha del tren Avanzar en el tren 1 es SI
-E'
:*
Elacin E-F==^^^^ . EsbKlonD
!-.
g_EstaeiofiCl! CargarBsse EstaCKJnB-Estaclon
I VSfau)ar|
[Tren 1 sotata salida
n e i H f i u y) i154cic!os
Resolucin del controlador: El tren 110 entra en regulacin, equivalente a la etiqueta "aparecer" El controlador siempre responde con la etiqueta "avanzar", con lo que entrar en regulacin es el valor "avanzar = (es) aparecer" El tren 110 debe salir de "A", lo que resulta de identificar la operacin "slita salida" para el tren 1 (equivalente al 110) Dado que no hay conflictos, la inferencia concluye en que "avanzar = (es) S I " y, como resultado el tren 110 sale al trayecto en las condiciones de marcha de diseio de la lnea
Figura 7-30. SALffiA DEL TREN 110 DE LA ESTACIN A.
Pgina 311
tchvo B w jônâsn
BaseikOJoi
M^^,T.^
Memo Base de Conocimiento. tejiendo base dt. conocimiento Base vanabteTRENJ loda venable TREN_2 teda vanable ESTAQON leda griJO Ret_mocfi ledo grupo Compos ICKO grupo Duce ledo grupo Alcance ledo Base de conocmento 1 teida
T r' ^ _ x j Avanzar es Aparecer El tten numero 1 solcita saBda No hay conflictos que npidan la marcha de! Irti Avanzar en el lien 1 es S Tren 1 soficita entrada a estacin 2 Asignada luta de entrada 6
CsgarBssel
J
|Tren1 solcita entrada
- 1 ^ Sffiular i ''
f.&ria
rtC-
Ift , , ,
12 .
1 1 -:.
Tiempo (h)
493te*
Al igual que para la salida, una vez que el tren 110 (nmero 1 de la lnea) qued en el trayecto, se detecta una nueva operacin: "entrada" a la estacin 2 (corresponde a la estacin B en la lnea). Entonces, al no haber conflictos, se solicita al proceso del enclavan\iento 2 que asigne ruta ptima y resulta ser la 6, que se ilustra a continuacin:
C'4'.ics.iST SstadonE - ~-a- -i' - - . SEsttwooC "EstoconB-p '
'^-iv
I:J
.,i
.Y1
22
24
Tftmpo {h|
Figura 7-31. ENTRADA DEL TREN 110 EN LA ESTACIN "B"
Pgina 312
Los resultados obtenidos se guardan en la base de datos, que pueden consultarse para analizar datos y validar los horarios y listas de movimientos obtenidas. Por ejemplo, la figura 7-32 representa la tabla de espacio-tiempo de los dos trenes de los ejemplos anteriores.
tg^SgS^pBiip!^^
rchvo
fun
QxsfMaan
BatadsOalos
t*-P
>^1
7^;
r ^ OrcuitodoVa Tren
C Trayecto (^ Espaao-Tiemi) BitsdonE' r stw6n
XOJ:
3 g Satactoii C" * n ^
M- '7
12 5730ad 14 , | * f.^^^^^
EsfeKiOOA-fL
3>1
EiSE
' E B B [ ^ M < H ; @ ^ , B C | gbsal
EMHI
EspncioTwmuo laaj E.t;lont H. Mirm ODO.l02.l
rT-pSTSiS
Figura 7-32. CONSULTA DE LA BASE DE DATOS
Pgina 313
Como se expres en apartados anteriores, el simulador debe ser capaz de trabajar con datos reales y simulados; aunque en esta aplicacin se permita un histrico que posibilita repetir el mismo escenario sobre varias bases de conocimiento para favorecer la bsqueda de los algoritmos genticos durante el aprendizaje (figura 7-33).
CpiP^SJs^:^
rcHvo gun onfiguia&i Base tte Datos
p ^ :^^^^S^^1^'î^1H p.^'.'''~
-I
CI
Hl
h* H ^ ^ i ^ ^ f c C a n i g u r a c i o n de la lnea
' Escala 1 esipcral [i /gu ^' - i-^ r M o d o de Snulan ' C Ttempo Rea! 1 {! Sirauedor X Cancelar
^^-'I^lxl
O 1 K
Base de datos: Estacin E _ Estacin 0gÊstacnHi Ctu Estacin B- . j -
|D UrenesSTablas'xSimulaLD gcb
Seleccionar.. 1
23 22 a
i.
0
:-i...
2
i
4
: .
8
;
8 10 12 14 :6 18
Tiempo (h)
31ccb'
Figura 7-33. MODOS DE FUNCIONAMIENTO DEL SIMULADOR.
El uso del simulador facilita la generacin de escenarios de prueba y, con ello, favorecer la adquisicin de conocimiento sobre el proceso que, en definitiva, permitir obtener buenas bases de reglas en las que los grupos que constituyen cada conflicto han sido obtenidos no slo con condiciones ideales, sino tambin con situaciones degradadas de las instalaciones o de los trenes.
Una vez alcanzado el proceso de bsqueda de la marcha tipo, se construye, a partir de las reglas aprendidas, el horario de la lnea (grfica de espacio-tiempo) y se puede
Pgina 314
iniciar la regulacin que implica la resolucin de conflictos (figura 7-34) con los datos reales de las instalaciones.
'-\c-frj.:^.,.xc::i
" HrJU^ -^ Ô *;. *"-{-, ' T ' ^ -
iiwipmFffllB
Memo Base de Conocmwnto Leyendo base (je conocxnento Base v a i a U e T R E N 1 toda venable TREN 2 leda veiiaUeESTAaON leda grupo Rel_modi ledo gtupoCorros ledo grupo Cruce ledo gtupo Alcance ledo 8ase de conooniento 1 ieida
'9:''m2L
l-lolM
*1 ^ ^ * *' *^, -^ - , MefflQSrwjladof >T[eti 1 quieto aparecer Avartzai es Aparecet El ben rumeio 1 sonata sîds No hey conficlos que nptdan ta marcha del tren Avanzar en el tren 1 es SI
m
zM^2'
^
4
Cargar Base i
fla^-Srwjaj
EsacionE _ EslacJooD gÊstaoort VI
JTrenlJofcasada
c:l
I-e-:
- - - -
. - * ! - '
lil
10 1t 12 13 Ti*mpo (ht -15 18 1718 ta 20 21 22 .23 24 -
B-1----0 . o . - Estacin A-
El horario previsto, en traza discontinua, es el que se va a regular. El primer tren es el 111 que sale de la estacin E y su marcha prevista se va completando en trazo continuo. En la ventana del controlador se aprecia el permiso de salida ("avanzar es s") al tren
Figura 7-34. REGULACIN. SALffiA DEL PRIMER TREN En el horario de la figura se aprecia como se planific un cruce en la estacin C, entre el primer y segundo tren a regular, y un alcance en la estacin B del ltimo sobre el penltimo tren. En este sentido, la figura 7-35 recoge la secuencia de acciones de control requeridas para cruzar los trenes en C.
Pgina 315
[_is[2s^n
> bpo 2 con d tren 1 .~j^.f. l a ^ j ^ a I v ; ^ TREN~'2 teda lva(iableESTAaONIed4 'grupo Re_ff( leido IgfupoConpos teido {grupo Duce ledo igcupo Alcance leidc Base de conoomiento 1
>
Onl
Wfa
La etiqueta en la que esta el letiaso modicedo d d segi^xio es Sin_ietra Avanzoi en d lien 2 es SI Tien 2 soSciCa entrada a estecion 3 Asignada tuta de entrada 16 El lien rvjnero 2 solcita saida No hay ccrftctos que npidan la marcha d d tren A v e n a en d tten 2 es SI Tien 2 soicita entrada a estacin 4 Asignada aila de entrada 24 El tren nuroeio 1 socia saSda No ha^ conActos que irpidan la marcha d d tten Avanzar en d tien 1 es SI ~>Tten 3 quiere aparecer Avanzar es Aparecer
Resolucin del cruce
CargarBace |
- -
'_-,-h^SnHis^
" jlieiSsoiotaenliada
j'-^m
,10 " '. - Tiempo h) 14 > 1i 2' -J ?4
El tren 2 solicita salida, pero se detecta conflicto "tipo 2 = retraso" con el tren 1. Se analiza el retraso relativo de ambos trenes y se ordena la secuencia de la entrada de trenes a \a estacin. Como se aprecia en la figura, el tren 1 debi esperar al tren 2.
Figura 7-35. RESOLUCIN DEL CRUCE DE TRENES
En estas figuras se puede apreciar la marcha ideal (trazo discontinuo) de cada tren y la real (trazo continuo) debida a las instalaciones. El tratamiento del retraso da lugar a la variable "retraso modificado" que define si el retraso real del tren debe considerarse causa para modificar los horarios. Esto es, un retraso de hasta 12 minutos se admite en los trenes de esta lnea y ms se considera retraso real a efectos de explotacin. La figura 7-36 resume los efectos de la regulacin del trfico en la lnea.
Pgina 316
ichva Bun otifiguKin BaadsOaln
amv3'^^
.<H' h* Ji-Conlroladoi
Memo Base de Conocimtô Lej'endo bAse de cooocmwnto Base vaoable TREN 1 lexia venable TREN 2lBKa vaiablB ESTACIN leda g(upoRet_mod ledo grupo Cotipot teido grupo Duce ledo grupo Alcance ledo Base de ccnoomiento 1 leda
''-'i-il
H-rl?^^
peero es Sn_tetra ~^ La ebqueta en b que esta d retraso irKxtTcado dd ^, segundo es Sn_telra ^''^ Avanzar en el tren 4 es SI , *^; Tren S sofcita entrada a estacin 3 > Asignada ruta de entrada 16 < El tren numero 6 sofcia saida '*'^ No hay confScios que mpidan la matcba dd tren ^J] Avanzar en el tren 6 es SI ^J'-. Tren 4 sotcita entrada a estacin 3 *^*'. Asignada ruta de entrada 16 ~ ; Tren S soSca entrada a estacin 4 ^ ' AsigrwJa ruta de entrada 24 - * El tren numero4 soicita sada ,^ No hay confcos que mpidan la marcha de) tien ^'_, Avanzar en el tren 4 es SI Tren 4 soiata entrada a estacin 4 Asigrtada luta de entiade 24
i..';'wi, -
^'_'^\4/
CagarBass | [[^Siwtoif
{Tren 4 socila errada
fl" I
OrAlics Espado - rionpo
22 oSBadoi
23
24
Figura 7-36. RESULTADO DE LA REGULACIN.
Los resultados expuestos en estas figuras han sido extrados demuestran como el sistema es capaz de regular el trfico y de acomodar su respuesta a las condiciones de explotacin.
En este captulo no se ha entrado en la tecnologa de los equipos de CTC y de enclavamientos o bloqueos, aunque los resultados que se presentan se han obtenido en los equipamientos propios de la Divisin de Automatizacin de Transporte de ALCATEL, S.A.
El sistema no ha sido puesto en servicio, sino en paralelo en laboratorio, debido a que el mdulo de resolucin de conflictos est siendo definido por la administracin ferroviaria.
Pgina 317
o sabes algo o lo ignoras. Si lo ignoras, no puedes afirmarlo. Si lo sabes, algo sabes. (Cicern)
Captulo 8. Regulacin de un Circuito de Va
Pgina 318
Regulacin de un circuito de va
1 INTRODUCCIN.
Un circuito de va es el equipo necesario para poder detectar la presencia de un tren en la seccin de va sobre la que se aplica. La informacin "seccin libre" es vital para el fincionamiento de las instalaciones de seguridad ferroviarias, de las que el circuito de va es una de ellas, y, por tanto, se le exige que el sistema sea de seguridad intrnseca o "fail-safe". En este captulo no entraremos en la tecnologa del circuito de va a aplicar, aunque los resultados que se presentan se han obtenido en los equipamientos propios de la Divisin de Automatizacin de Transporte de ALCATEL, S.A.
2 CONCEPTO DE CIRCUITO DE VA.
El principio defincionamientodel circuito de va se puede entender a partir de dos caractersticas: a) La transmisin de una seal a lo largo de una seccin de va utilizando los carriles como conductores. b) Los ejes de los vehculos producen un cortocircuito entre los carriles, que son los conductores de la seal elctrica. La alimentacin se produce por un nico punto de la seccin de va, recibindose la misma por uno o varios puntos de esta seccin. Cada uno de estos receptores recibe la mxima amplitud de la seal generada cuando no se encuentra ningn vehculo en la zona. La accin del cortocircuito provocado por el eje en trnsito del tren provoca que
Pgina 319
se minimice la seal recibida y, a consecuencia de este hecho, el receptor cambia de estado. Una situacin similar ocurre cuando se produzca algn fallo.
Es necesario un aislamiento elctrico de la va afinde delimitar la longitud de la zona y a controlar la interaccin con las secciones de va adyacentes. Para este fin existen varias alternativas segn se utilicen juntas aislantes o circuitos de va sin juntas, los cuales se basan en la existencia de una alta impedancia en los carriles cuando se utilizan fi-ecuencias altas de fiancionamiento.
La figura 8-1 es una configuracin caracterstica del equipo de circuito de va. La filosofa del mismo es el de inyectar una tensin de una determinada fi-ecuencia en la va y tratar la recepcin de la seal en el extremo del circuito. El mdulo de evaluacin y control es que se encarga de excitar al emisor y de procesar la seal del receptor para asegurar la informacin correspondiente al circuito de va.
Longitud del Circuito de Va
carriles
balasto
traviesas
EMISOR
Equipo de Circuito de Va
' RECEPTOR
MODULO DE EVALUACIN y CONTROL
ESTAOO 'SEUiO- DB. CXHOJITO t>E VXA
Figura 8-1. CONCEPTO DE CIRCUITO DE VIA
Pgina 320
3 FUNCIONALIDAD DEL CIRCUITO DE VIA.

Desde el punto de vista funcional, un circuito de va facilita una deteccin de ocupacin de va. La mayor parte de los fallos hacen que el circuito de va d indicacin de ocupado, lo que normalmente no ocasiona un fallo peligroso.
Con un circuito de va que empieza en un cierto punto se puede obtener una deteccin de presencia. La mayor parte de los fallos dan lugar a la indicacin de "tren presente", que no es un fallo peligroso.
Utilizando un circuito de va, o una combinacin de ellos, se puede ejecutar la funcin de despeje. Los fallos provocan que permanezca la indicacin de "tren no ha pasado", que no se trata de la situacin de fallo peligroso.
En cuanto a la deteccin de la velocidad, si bien se puede estimar la velocidad media a partir del tiempo necesario para desplazarse de un circuito de va a otro, no se facilita un mtodo de medicin.
La deteccin del sentido de marcha del tren no se obtiene de forma directa; sin embargo, es posible su deduccin a partir del anlisis de la secuencia de ocupacin y liberacin de los circuitos de va.
4 CONSIDERACIONES SOBRE EL FUNCIONAMIENTO.
En este apartado se recogen las caractersticas fundamentales de la explotacin de la instalacin con circuitos de va:
Pgina 321
El xido u otros elementos que ensucian el contacto del carril con la rueda pueden impedir que se ejecute el cortocircuito esperado del eje con el carril, lo que ocasiona un fallo peligroso. Este problema es tanto ms apreciable en las lneas de dbil trfico o en las vas de apartado. El riesgo se puede reducir comprobando la secuencia de fiincionamiento de los circuitos de va que sean consecutivos, aunque ello pudiera conducir a la disminucin de la fabilidad del conjunto.
El funcionamiento terico de un circuito de va depende de la seguridad de deteccin de la resistencia de cortocircuito susceptible de ser presentada por un vehculo en las condiciones ms desfavorables (poco peso, carril sucio, etc). Las administraciones ferroviarias comprueban el funcionamiento de los circuitos de va mediante un ensayo en el que se aplica una resistencia de cortocircuito nominal, cuyo valor genrico va de 0'25 fl a l'O Q.
Para la deteccin de ocupacin la longitud de la seccin debe ser superior a la mxima distancia entre dos ejes consecutivos del tren.
Para la deteccin de presencia, la longitud de la seccin no debe ser superior a la distancia mxima entre dos ejes sucesivos de un tren. Eso es as siempre y cuando se acepte que el paso de un tren genere mltiples datos correspondientes a la indicacin de "presente".
Para la deteccin de despeje es esencial que la longitud de definicin del circuito de va o de la combinacin de varios sea continua en una distancia adecuada, que normalmente ser mayor que la longitud del tren. Adems se debe tener en cuenta la posibilidad de escisin del tren.
Los circuitos de va "bicarriles" tambin son capaces de detectar discontinuidades elctricas, por ejemplo carril roto. La deteccin de carril roto se da slo si la rotura del carril es completa y, si la lnea est electrificada, no se encuentre bajo la accin de la corriente de retomo de la traccin o de la conexin a tierra.
Pgina 322
5 SIMULACIN ELCTRICA.
Tal y como se desprende del concepto del circuito de va, se aprovecha el medio conductor que representan los carriles para conducir una seal elctrica entre el extremo emisor y receptor del circuito de va. El paso de un tren provoca un cortocircuito entre los carriles porque los ejes del tren son tambin de acero y, por lo tanto, conductores.
Adems, los carriles son conductores paralelos que se apoyan sobre las traviesas, que reposan en un lecho de balasto. En definitiva, esta plataforma de la va la podemos entender como una resistencia en paralelo con un condensador.
En estas condiciones, la figura 8-2 representa el cuadripolo equivalente para un circuito de va de trayecto como el que se describi en la figura 8-1.
L/4
R/4
L/4
Uemisor
Ureceptor
L/4
R/4
R/4
L/4
Figura 8-2. CUADRIPOLO EQUIVALENTE DEL CIRCUITO DE VIA
La figura 8.2 representa el cuadripolo medido sobre la va, de manera que el generador incorpora la impedancia correspondiente a la tecnologa propia de las cajas de va del circuito de va; de la misma manera se representa en el receptor.
Pgina 323
6 DESCRIPCIN DEL MODELO DE CONTROL.

El objetivo de este diseo debe permitir obtener un sistema de control para la puesta en marcha de un circuito de va y el posterior ajuste de los parmetros de control del mismo y actuar sobre el mdulo de control y evaluacin del circuito de va.
El mdulo de evaluacin y control ejecuta los siguientes mandos sobre el emisor:
Define la amplitud de la seal a generar, aunque la firecuencia es fija para el circuito de va.
Define la escala de lectura de las seales del receptor.
Provoca el corte de la seal de emisin, poniendo una resistencia equivalente a la de cortocircuito de un eje, para verificar que la seal generada permite detectar la ocupacin del circuito de va.
El mdulo de evaluacin realiza las siguientes lecturas de la seal de recepcin:
Lectura de la amplitud de la seal recibida.
Medida de la fase y de lafiêcuenciade la seal recibida para su comparacin con la generada en el emisor. Este es un mecanismo de autentificacin de la seal en el receptor.
En estas condiciones, se desea encontrar el ajuste de parmetros ptimo para el funcionamiento del circuito de va de manera segura. Cada circuito de va dispone de unos parmetros que le son propios, como la distancia entre emisor y receptor, la distancia de los equipos de va al mdulo de evaluacin y control, as como los parmetros elctricos propios a la va y a los conductores del acoplamiento a la va.
Pgina 324
Las funciones del sistema de control son dos: una primera de ajuste del circuito de va, previo a la puesta en marcha del mismo, y uno de regulacin de los parmetros cuando se detecte alguna degradacin en las condiciones del entorno debidas,
fundamentalmente a la climatologa.
Se emplean algoritmos genticos para encontrar la base de reglas borrosas con las que se realizar la inferencia de un control borroso. Las condiciones de las reglas sern los parmetros de topologa y de la recepcin; mientras que las conclusiones de las reglas sern el incremento o decremento de la amplitud y el ajuste de precisin de la lectura de los datos recibidos. Se emplea un algoritmo gentico con insercin desde el limbo; evaluando las soluciones con el simulador y reforzando a los individuos conforme a los resultados de la simulacin de va.
La base de reglas se genera aparte del funcionamiento del circuito de va, pues no se puede modificar la lgica de control con el equipo funcionando por atentar contra la seguridad de la instalacin.
Para obtener la base de reglas se utiliza un simulador elctrico del circuito de va; en el que, adems de la representacin de la figura 8-2 para el modelo de la va, se incorporan las adaptaciones de impedancias propias a los equipos de va (emisores y receptores) y cables de conexin hacia la va y hacia el mdulo de evaluacin y control. Adems, el simulador permite definir variaciones de las impedancias del carril y de la plataforma para generar escenarios de prueba con los que poder obtener reglas para la fase de regulacin.
En cuanto a la funcionalidad, no se dispone de sensores climatolgicos para obtener el estado de la va; aunque, como veremos, el estado del circuito de va slo se puede definir con seguridad a partir de la informacin leda en el receptor.
As pues, cuando se aplica una tensin en la va, en el receptor se detecta una cada drstica e inmediata de la misma o un deterioro progresivo del nivel de dicha seal. En
Pgina 325
el primer caso tendremos una ocupacin del circuito de va; en el segundo se requerir un ajuste para elevar la tensin del emisor. Con las siguientes figuras vamos a explicar el proceso de ajuste y de regulacin.
En primer lugar, la figura 8-3 nos permite ver las seales que estamos procesando. De manera que el emisor pone una seal de gran amplitud de la que esperamos recibir un mximo de 2V 3 V en el receptor. î^T^sw^tz^W'im^^^^j^'^^T'Wsmm^s^^^^
Figura 8-3. SEALES DE EMISIN Y RECEPCIN
En las siguientes figuras se va a describir el funcionamiento del mdulo de evaluacin y control, el primer paso es la puesta en marcha del circuito de va (figura 8-4). Para ello se hacen dos pasos:
Ajuste de los parmetros de lectura, en definitiva de la escala de conversin analgica a digital. Para ello, se provoca una amplitud mxima, haciendo que vuelva a O y, de esta manera, se garantiza que el convertidor no se sature en la vida del circuito de va.
Definir el umbral de ocupacin o, en otras palabras, el nivel a partir del cual se detecta que el circuito de va est ocupado con seguridad. Sin embargo, existe un umbral a partir del cual la tensin del emisor no garantiza la deteccin de liberacin. Es objetivo descubrir los dos umbrales.
Pgina 326
MMil***l*HMM
f i 1 -i; f r r
I ! [ f t i f
impMsa Bjsj3ued_a*4eparme-jis_, -Ajustedelmnvertidoranalgico/digihl testa- -enmar-chadelcircuito: bsqueda del. nivel de emisin

.T,f IP a iT' J E W i m '
JrftToâbk filt: - - I 50.0-./ -_ Z
_.F.^28.2lOfiS:.'__stpp .4:;;a:Ss
Detalle del proceso de bsqueda del nivel de emisin
mmmii^fmimk
^k'^S; .F-i'i ~ ^ " J " i", i-7 Paso A: j
i
^ I .->
!
rfik jtf
bsqueda del nivel por encima del cual se puede leer el receptor con un nivel apropiado bsqueda del nivel por encima del cual se sobrepasa el umbral de ocupacin. bsqueda del nivel por encima del cual se sobrepasa el umbral de incertidumbre
Paso B:
Paso C:
Figura 8-4. PUESTA EN MARCHA DEL CIRCUITO DE VA
Pgina 327
En la etapa de regulacin (figura 8-5), lo que se debe es de garantizar el funcionamiento del circuito de va, detectando ocupaciones o ajustando el nivel del emisor para cubrir modificaciones de la va debidas, sobre todo, a las variaciones causadas por los efectos climatolgicos.
Figura 8-5. OCUPACIN DEL CIRCUITO DE VIA
Se aprecia una secuencia fincional para comparar la puesta en marcha y la regulacin (ocupacin y perturbacin) para apreciar la evolucin del nivel de la emisin. Es interesante el comportamiento de ajuste de parmetros en el que podemos comprobar, con la lnea de perturbaciones, como se ejecuta una bsqueda en el nivel del emisor incrementando el nivel y recuperando luego el original
Pgina 328
Todo principio es fcil y los ltimos peldaos son los ms difciles de subir. (Johan Wofgram von Goethe)
Captulo 9. Conclusiones y Futuros Desarrollos
Pgina 329
Conclusiones
1 CONCLUSIONES.
El control ptimo de procesos, bien sean para fabricacin, programacin de tareas, gestin de recursos, planificacin de movimientos, etc, plantea una naturaleza muy compleja y las tcnicas de optimizacin convencionales se ven reforzadas con
mecanismos de bsqueda basados en una adaptacin evolutiva para encontrar la solucin.
El marco de referencia que sirve para definir el alcance del trabajo expuesto tiene una doble naturaleza. De un lado, la cada vez ms habitual aplicacin de la lgica borrosa al control de procesos y, por otro lado, el resultado obtenido con los algoritmos evolutivos que se basan en "emular" tcnicas adaptativas como mecanismos para abordar los problemas de optimizacin; eligiendo, dentro de estas tcnicas, los algoritmos genticos por su difisin actual.
El desarrollo de este trabajo ha servido para establecer una metodologa de trabajo propia para llevar a cabo el desarrollo de un controlador capacitado para adaptarse a cambios de fincionalidad; basndose en la bsqueda de nuevo conocimiento a partir de las tcnicas evolutivas y, en particular, en los algoritmos genticos.
Planteado el problema en estos trminos, parece que hayamos encontrado la panacea universal del control de procesos. Pero es obvio que no es as. Por un lado, el rendimiento del sistema de control depende de la naturaleza exploratoria de los algoritmos genticos. Por otro lado, no debern encubrir situaciones de fallo en las instalaciones que conlleven a riesgos en la explotacin del proceso. Sin embargo, una ventaja s que ofirece la metodologa de trabajo propuesta: desviaciones del punto de funcionamiento reconocidas permiten adaptar la ley de control a la nueva situacin.
Pgina 330
Conclusiones
El problema de control ferroviario ha puesto de manifiesto las dificultades encontradas y los resultados obtenidos de cara a distinguir las diferencias al ejecutar un control para planificacin y regulacin ante situaciones de plena fimcionalidad de las instalaciones, del que resultara para explotar la lnea ante una situacin de prdida de fimcionalidad en las instalaciones. De los resultados expuestos en este particular proceso, se aprecia como el desarrollo se ha considerado haciendo especial hincapi en la expresin de la mcin objetivo y de la representacin de los individuos sobre los que se realizara la bsqueda; llegando incluso a discutir como el rendimiento de la aplicacin no va a depender del rendimiento del algoritmo gentico, aunque s de los mecanismos de insercin, en definitiva de validacin, de la nueva poblacin.
En concreto, la aplicacin se puede resumir en las siguientes etapas:
La regulacin del trfico se hace a partir de una consigna que viene marcada por un horario. Este horario es la ley de control del sistema.
Para conseguir este horario se ha llevado a cabo una planificacin, planteada como una estrategia de asignacin ptima de recursos y cuyo objetivo es el de establecer un plan para la deteccin y resolucin de conflictos.
El control de trfico supone ejecucin y seguimiento continuo de la explotacin ferroviaria; por lo tanto, es un desarrollo tctico de los resultados de la planificacin. Las acciones de control consideran: o o o o o la posicin real de los trenes en cada instante la velocidad y el retraso acumulado de cada uno de ellos el estado de las instalaciones (enclavamientos, bloqueos, circuitos de va) la marcha ptima de cada tren formacin automtica de cada ruta.
Pgina 331
Conclusiones
El resultado un sistema de control y seguimiento automtico de cada tren, que incluye una formacin automtica de ruta restringida por el cumplimiento de un horario.
A continuacin, se proceder a hacer un anlisis de la metodologa aplicada y un estudio de las posibles lneas futuras de investigacin.
2 ANLISIS DE LA METODOLOGA.
S analizamos los puntos que acabamos de exponer y los comparamos con el problema de control de trfico ferroviario hoy en da por los operadores, podemos obtener conclusiones importantes sobre el alcance de las mejoras propuestas con la metodologa de aplicacin desarrollada en captulos anteriores.
De este modo, el problema del trfico tiene dos etapas bien diferenciadas: la bsqueda del horario y la resolucin de conflictos sobre este horario. Transladado a la teoria de control, se debe encontrar una consigna o ley de control que permita un controlador robusto, desarrollando un seguimiento para ejecutar modificaciones de la misma cuando las condiciones de explotacin varan; por ejemplo, estrategias ante desviaciones debidas al envejecimiento de las instalaciones a controlar o planteamiento de un sistema de control orientado al mantenimiento preventivo.
Siguiendo en esta lnea de comparaciones, la metodologa desarrollada en esta tesis puede resumirse en los siguientes puntos fundamentales:
Determinar una funcin objetivo que permita establecer una medida del rendimiento de la herramienta de control.
Pgina 332
Conclusiones
Establecer en trminos borrosos el conocimiento requerido para ejecutar el control del proceso.
Ejecutar un algoritmo gentico como herramienta de bsqueda de nuevo conocimiento.
Definir un mecanismo de insercin del conocimiento obtenido por el algoritmo gentico.
Diferenciar el funcionamiento del sistema, considerando especialmente la diferencias en cuanto a rendimiento del controlador ante prdidas de funcionalidad de las instalaciones.
Es el ltimo punto el que hace particularmente novedoso este trabajo: poder disponer de un controlador cuyo conocimiento se adapte a las condiciones de funcionamiento del sistema sobre el que acta.
El esfuerzo principal para disear un controlador de este tipo no est ni en las herramientas de expresin borrosa del conocimiento ni en la definicin de los operadores del algoritmo gentico. Por el contrario, es la definicin de la funcin objetivo y la evaluacin de los individuos el aspecto ms delicado; siendo totalmente dependiente del problema el establecimiento de estos aspectos.
En este sentido, el anlisis sobre el problema de control y regulacin del trfico ferroviario ha puesto de manifiesto como la solucin al mismo depende en gran medida de la estrategia definida para establecer el mecanismo de evaluacin y de aceptacin de los nuevos individuos representativos de la solucin.
Pgina 333
Conclusiones
3 APORTACIONES DE ESTE TRABAJO.

Resumimos, a continuacin, los aspectos mdamentales que representas las aportaciones de este trabajo de tesis doctoral:
Los algoritmos genticos se presentan como una herramienta que posibilita descubrir soluciones ante un problema de optimizacin.
Que los individuos de la poblacin sobre la que trabaja el algoritmo gentico objeto de este trabajo son reglas borrosas que constituyen la base de conocimiento necesaria para ejecutar el control del proceso.
Se establece una estrategia de control basada en dos etapas bien diferenciadas:
1. Bsqueda de una ley de control, que supone encontrar una estrategia para conseguir una planificacin ptima de recursos.
2. Desarrollo tctico de la planificacin para poder regular el proceso durante la vida del controlador, lo que implica ejecutar un mecanismo bsqueda que permita "adquirir" nuevo conocimiento que permitan una adaptacin de la ley de control conforme al estado actual de las variables que marcan la "vida" del proceso.
Definir criterios para la duracin de la ley de control encontrada, de manera que se elaboren mecanismos que disparen el proceso de bsqueda cuando la desviacin entre el resultado esperado del control y el estado actual del mismo resulten de una prdida de validez de los valores de las variables de estado.
Pgina 334
Conclusiones
Este proceso de bsqueda se har sobre una simulacin del comportamiento del sistema y con el estado real de las variables que intervienen en el proceso; enfrentando el conocimiento disponible para el control del mismo a nuevas reglas obtenidas mediante la ejecucin de un algoritmo gentico.
En tanto y cuanto no se encuentre una mejora en la ley de control que regule al sistema, ser sta la que rija el proceso. El reemplazamiento de la misma, por una nueva, requiere la definicin de un mecanismo de insercin; el cual, en este trabajo, se ha hecho manteniendo la simulacin del sistema con los datos reales para su contraste con la regulacin existente en el proceso real. Este tiempo, para el caso del control de trfico, es el necesario para medir el retraso de los trenes en conflicto.
4 FUTURAS INVESTIGACIONES.
Abordar un control ptimo de un proceso no es, en absoluto, un problema sencillo debido, fiandamentalmente, a la dificultad de plantear una fiancin que permita evaluar los resultados.
En este sentido, el encontrar una solucin entorno a un punto de fimcionamiento que se considera ptimo ha sido una fiaente continua de investigaciones y de resultados de las mismas. El problema fundamental es que las instalaciones sobre las que se desarrolla el proceso a controlar sufren desviaciones funcionales respecto al criterio de diseo; siendo necesario reemplazar la estrategia de control por otra. He aqu el verdadero problema: saber cundo hay que actuar y qu mecanismo de hay que usar; siendo particularmente importante el hecho de que esta toma de decisiones es totalmente dependiente del problema.
Pgina 335
Conclusiones
El objetivo de este trabajo ha sido el de poner de manifiesto la utilidad de los algoritmos genticos como herramienta de bsqueda y, con ello, obtener un sistema de control que tenga como valor aadido la capacidad de modificar la ley de control ante situaciones diversas del proceso a controlar. Sin embargo, hemos diseado un modelo de sistema de control que basa su capacidad de adaptacin en la exploracin gentica a partir de varias bases de conocimiento. Esta es la cuestin findamental que deja la puerta abierta a nuevos desarrollos: establecer estrategias de bsqueda.
De esta manera y siguiendo la lnea del modelo de control expuesto, se proponen los siguientes trabajos de investigacin puntos:
Procedimientos de evaluacin de estrategias de control.
Estos procedimientos tendrn su aplicacin a la hora de planificar; es decir, establecer la ley que permite regular el proceso conforme a las condiciones de diseo.
Sobre el ejemplo de regulacin de trfico y, en particular, para la planificacin de horarios, se pueden seguir diversos criterios para resolver una estrategia de cruce de trenes, pero la efectividad de los mismos depender del concepto de explotacin que se desee.
Mecanismos de medida de la validez de las bases de reglas para disparara la bsqueda de nuevas reglas con los algoritmos genticos.
Estos mecanismos permitirn establecer la criticidad del sistema de control; es decir, definir el rango de validez de las reglas que componen la base de conocimiento que se est utilizando para inferir en la regulacin del proceso.
Pgina 336
Conclusiones
En relacin al estudio del control de trfico, se efectu una nueva bsqueda cuando variaban las condiciones de explotacin de la lnea; con lo que se haca necesaria una nueva estrategia para generar un nuevo horario o plan de rutas.
Mecanismo de validacin de las reglas que componen la base de conocimiento a actualizar.
En el sistema de regulacin del trfico, se admitieron las reglas que realizaban una inferencia con resultado de disminucin del retraso sobre una simulacin.
A la vista de estos resultados, parece que una tnica general de flituras investigaciones se oriente hacia la bsqueda de mecanismos que detecten una necesidad del sistema de obedecer a unas nuevas acciones de control, as como a una determinacin de recuperacin de conocimiento correspondiente a situaciones ya aprendidas.
Pgina 337
Donde truena un hecho, ten la certeza de que ha relampagueado una idea. (Hiplito Nievo)
Referencias Bibliogrficas
Pgina 338
Referencias
[Ackley,1987]
D.A. Ackley. Connectionist Machine for Genetic Hillclimbing. Kluwer Academic Publishers, 1987. Rudolf F. Albrecht, Nigel C. Steele y Colin R. Reevers, editors. Artificial Neuronal Nets and Genetic Algorithms. Springer Verlag, 1993.
[Albrecht,1993]
[AxeIrod,1987]
Robert Axelrod. The Evolution of Strategies in the Iterated Prisoner's Dilemma. [Davis,1987]. Ver "Genetic Algorithms and Simulated Annealing" en
[Bagchi,1991]
Sugato Bagchi, Serdar Uckum, Yukata Miyabe y Kazuhiko Kawamura. Exploring Problem-Specific Recombination Operators fi)r Job Scheduling. Ver "Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker,1991].
[Baker, 1985]
James E. Baker. Adaptative Selection Methods for Genetic Algorithms. Ver "Proceedings of the First International Conference on Genetic Algorithms and their Applications" en [Grefenstette,1985].
[Baker, 1987]
James E. Baker. Reducing Bias and Inefficiency in the Selection Algorithm. Ver " Genetic Algorithms and their Applications" en [Grefenstette, 1987].
[Bazaraa, ,Sherali y Shetty 1993]
M. Bazaraa, H. Sherali y C. Shetty. Nonlinear Programming: Theory and Algorithm. John Wiley & Sons, 1993.
[Belew y Booker, 1991]
Richard K. Belew y Lashon B. Booker, International
ditors. Proceedings of the Fourth Morgan Kauftnann
Conference on Genetic Algorithms.
Publishers, 1991.
[Bramlette,1991]
Mark Bramlette. Initialization, Mutation and Selection Methods in Genetic Algorithms for Function Optimization. Ver "Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker, 1991].
[Bridges y Goldberg, 1987]
Clayton L. Bridges y David E. Goldberg. An Anafysis of Reproduction and Crossover in a Binary^Coded Genetic Algorithm. Ver "Genetic Algorithms and their Applications" en [Grefenstette, 1987]
[Brown,1990]
Brown, editor. OR/AI: The Integration of Problem Solving Strategies, 1990.
Pgina 339
Referencias
[BuckleyyHayasi,1994]
J.J. Buckley e Y. Hayasi. Fuzzy Genetic Algorthms for
Optimization.
Proceedings of International Joint Conference on Neuronal Network (IJCNN'93).Nagoya,1993. [Clements,1977] D.P. Clements. Fuzzy Ratings for Computer Security Evaluation. Tesis
doctoral, Universidad Berkley (California), 1977.
[CoitySmith,1996]
D. Coit y A. Smith. Penalty Guided Genetic Search for Reliability Design Optimization. International Journal of Computers and Industrial Engineering, 1996.
[Cordn, Herrera y Lozano 1995]
O. Cordn, F. Herrera y M. Lx)zano. A Classified Review on the Combination Fuzzy Logic-Genetic Algorthms Bibliography. Memoria DECSAI-95129 del Departamento de Ciencias e Inteligencia Artificial de la Universidad de Granada. Octubre de 1995.
[Davidor,1991]
Yuval Davidor. A Genetic Algorithm Applied to Robot Trajectory Generation. Ver " Handbook of Genetic Algorithms" en [Davis, 1991 ].
[Davidor, 1989]
Yuval Davidor. Analogous Crossover. Ver "Proceedings of the Third International Conference on Genetic Algorithms" en [Schaffer,1989].
[Davidor y Schwefel, 1994]
Yuval Davidor y Hans-Paul Schwefel, Nature PPSN-III. ditors 866 de la
ditors. Parallel Poblem Solvingfrom ditors d Lecture Notes in Computer
Science. Springer-Verlag, 1994.
[Davis, 1987]
Lawrence Davis, editor. Genetic Algorithms and Simulated Research Notes in Artificial Intelligence. Pitman Publishing, 1987.
Annealing.
[Davis, 1991]
Lawrence Davis, editor. Handbook of Genetic Algorithms. Van Nostrand Reinhold, 1991. K.A. de Jong. An Anlisis ofthe Behaviour of a Class of Genetic Adaptative Sêm. Tesis Doctoral, ditors dad de Michigan, 1975.
[DeJong,I975]
[DeJong y Sarma,1995]
Kenneth DeJong y Jayshree Sarma. On Decentralizing Selection Algorthm. Ver "Proceedings of the Sixth International Conference on Genetic Algorithms" en [Eshelman,1995].
[DuboisyPrade,1980]
D. Dubois y H. Prade. Fuzzy Sets and Systems: theory and applications. Academic Press, 1980.
Pgina 340
Referencias
[Eshelman,1989]
Lany J. Eshelman, Ricard A. Caruana y J. David Schaffer. Biases in the Crossover Landscape. Ver "Proceedings of the Third International Conference on Genetic Algorithms" en [SchaFer,1989].
[Eshelman y Schaffer, 1991]
Larry L. Eshelman y David J. Schaffer. Preventing Premature Convergence in Genetic Algorithm by Preventing Incest. Ver "Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker,1991].
[Eshelman y Schaffer, 1993]
Larry L. Eshelman y David J. Schaffer. Real-coded Genetic Algorithms and Interval Schematta. Ver "Foundations on Genetic Algorithms" en
[Whitley,1993]. [Eshelman, 1995] Larry J. Eshelman,editor. Proceedings ofthe Sixth International Conference on Genetic Algorithms. Morgan Kaufmann Publishers, 1995.
[Farmer,1986]
Doyne Farmer, Alan Lapedes, Norman Packard y Burton Wendorf,
ditors.
Evolutions, Gomes and Learning: Models for Adaptation in Machine and Nature. Physica D, volumen 22D, 1986.
[Fogarty,1989]
Therence C. Fogarty. Varying the Probability of Mutation in the Genetic Algorithm. Ver "Proceedings ofthe Third International Conference on Genetic Algorithms" en [Schaffer,1989].
[Fogarty, 1994]
Therence C. Fogarty. Evolutionary Computing. Springer-Verlag, 1994.
[Foge],1994]
David B. Fogel, editor. Proceedings of the First IEEE Conference on Evolutionary Computation. IEEE Press, 1994.
[Fogel, 1995]
David B. Fogel. Evolutionary Computation. IEEE press, 1995.
[Fogel, 1996]
D. Fogel, editor . Procceedings
of the Third IEEE Conference on
Evolutionary Computation. IEEE Press, Nagoya (Japn), 1996.
[Forrest, 1993]
Stephanie Forrest, editor. Proceedings of the Fifth International Conference on Genetic Algorithms. Morgan Kaufmann Publishers, 1993.
[Fourman, 1985]
Michael P. Fourman. Compaction of Symbolic Layout using Genetic Algorithms. Ver "Proceedings ofthe First International Conference on Genetic Algorithms and their Applications" en [Grefenstette,1985].
Pgina 341
Referencias
[Furuhashi,1994]
Takeshi Furuhashi, editor. Advances in Fuzzy Logic, Neurona! Networks and Genetic Algorihms. Lecture Notes in Artificial Intelligence, volumen 1011. Springer,1994.
[Gaines,1985]
B.R. Gainess y M.L.G. Shaw. From Fuzzy Logic to expert Information Sciences, 1985.
systems.\9i5.
[Gen, Cheng, 1996]
Mitsuo Gen y Runwei Cheng. Interval Programming using Genetic Algorithms. Proceeding of the First International Symposium on Soft Computing for Industry,1996.
[Gen, Liu y otros, 1996]
M. Gen, B. Liu, K. Ida y D. Zheng. Evolution Program forDerterministic and Stochastic Optimizations. European Journal of Operational Research, volumen correspondiente al ao 1996.
[Gen, Cheng, 1997]
Mitsuo Gen y Runwei Cheng. Genetic Algorithms and Engineering Design. Wiley Interscience,1997.
[Geyer-Schulz,1996]
Geyer-Schulz.Fazzy Rule-Based Expert System and Genetic Machine Learning. Springer-Verlag Company,1996.
[GloveryGrenberg,1989]
F. Glover y H. Greenberg. New Approaches for Heuristic Search: a Bilateral Linkage with Artificial Intelligence. European Journal of Operational Research, volumen 39, 1989.
[Grefensttete,1985]
John J. Grefensttete. Proceedings of the First International Conference on Genetic Algorithms and their Applications. Hillslade (New Jersey), 1985. Lawrence Erlbaum Associates;
[Goldberg,1989]
David E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley, 1989.
[Grefensttete y Fitzpatrick,1985]
John J. Grefenstette y J. Michael Fitzpatrick. Genetic Search with Approximate Function Evaluation. Ver "Proceedings of the First International Conference on Genetic Algorithms and their Applications" en
[Grefenstette,1985].
[Grefensttete, 1986]
John J. Grefenstette. Optimization of Control Parameters for
Genetic
Algorithms. IEEE Transactions on Systems, Man and Cybemetics, 1986.
Pgina 342
Referencias
[Grefensttete,1987]
John J. Grefensttete. Genetic Algorithms and their Applications. Lawrence Erlbaum Associates; Hillslade (New Jersey), 1987.
[Grefensttete, 1989]
John J. Grefenstette. A System for Learning Control Strategies with Genetic Algorithms. Ver "Proceedings of the Third International Conference on Genetic Algorithms" en [Schafrer,1989].
[Grefenstette y Baker, 1989]
John J. Grefenstette y James E. Baker. How Genetic Algorithms Work: A critical Look at Implicit Parallelism. Ver "Proceedings of the Third International Conference on Genetic Algorithms" en [Schaffer,1989].
[HanebeckySmidt,1996]
U.D. Hanebeck y G.K. Smidt. Genetic Optimization of Neuronal Networks. Fuzzy Sets and Systems, 1996.
[He, 1983]
ZhongXiong He. Fuzzy Mathematics and Applications. Tianjin Science and Technology Publishing,1983.
[He, 1994]
Xin-Gui He. Fuzzy Datbase Systems. Tshingua University Publishing House, 1994. J.H. Holland. Processing and Processors for Schemata. Recogido en la edicin de E.L. Jacks titulada Associative Information Processing. American Elsevier, 1971.
[Holland,1971]
[Holland, 1975]
J.H. Holland. Adaptation in Natural and Artificial System.Ths University of Michigan Press, 1975.
[Holland y Reitman,1978]
J.H. Holland y J.S. Reitman. Cognitive Systems Based on Adaptative Algorithms. Editado por Waterman y Hayes-Roths en Pattern Directed Inference Systrems. New York, Academic Press, 1978.
[Holland, 1986]
J.H.Holland. A Mathematical Framework for Studying Learning in a Classifier System. Ver "Evolutions, Games and Learning: Models for Adaptation in Machine and Nature" en [Farmer,1986].
[Holland, 1987]
J.H. Holland. Genetic Algorithms and Classifier Systems: Foundations and Future Direcions. Ver "Genetic Algorithms and their Applications" en [Grefenstette, 1987].
[Hollstein,1971]
R.B. HoUstein. Artificial
Genetic Adaptation
in Computer
Control
Syêms-Disertacin Doctoral de la Universidad de Michigan, 1971.
Pgina 343
Referencias
[Homaifar, QiyLai,1994]
A. Homaifar, C. Qi y S. Lai. Constarined Optimization via Genetic Algorithms. Simulation, volumen 62. 1994.
[Janilow y Michalewicz,1994]
C. Janilow y Z. Michalewicz. An Experimental Comparison of Binary and Floating Point Representations in Genetic Algorithms. Ver "Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker,1991].
[Jimnez, Galn, Sanz y Velasco,1993]
Agustn Jimnez Avello, Ramn Galn Lpez, Ricardo Sanz Bravo, Juan Ramn Velasco Prez. Curso de Control Inteligente de Procesos. Universidad Politcnica de Madrid. Escuela Tcnica Superior de Ingenieros Industriales. Seccin de Publicaciones, 1.993.
[Jog,1989]
Prasanna Jog, Jung Y. Suh y Dirk van Gucht. The Effect on Population Size, Heuristic Crossover and Local Improvement on a Genetic Algorithm for the Traveling Salesman Problem. Ver "Proceedings of the Third International Conference on Genetic Algorithms" en [SchafFer,I989].
[ Joines y Houck, 1994]
J. Joines y C. Houck. On the Use of Non-Stationary Penalty Functions to Solve Nonlinear Constrained Optimization Problems with GAs. Ver
"Proceedings of the First IEEE Conference on Evolutionary Computation" en [Fogel,1994].
[Karr,1991]
C.L. Karr. Design of an Adaptative Fuzzy Logic Controller Using a Genetic Algorithm. Ver "Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker,1991].
[Kerre,1988]
E. Etiene Kerre. Fuzzy Sets and Approximate Reasoning. Lectures notes from special topics in computer sciences, University of Lincoln (Nebraska),1988.
[Kerre, 1989]
E. Etienne Kerre. Outlines of anExpert System for EGC-diagnosis Using Fuzzy Sets. Artificial Intelligence in Medicine, 1989.
[Kerre, 1993]
E. Etienne Kerre. Introduction to Basuc Principies of Fuzzy Set theory and Some ofits Applications. Edicin 2. Communication and Cognition, 1993.
[KlementySlany,1993]
Erich Peter Klement y Wolfgang Slany, editors. Fuzzy Logic in Artificial Intelligence. Lecture Notes in Artificial Intelligence, volumen 695. SpringerVerlag,1993.
Pgina 344
Referencias
[Koza, 1992]
John R. Koza. Cenetic Programming: On the Programming Computer by Means of Natural Selection. MIT Press, 1992.
[Lakoff,1973]
G.Hedges Lakoff. A study in meaning criteria and the logia fuzzy concept. Journal of Philosophical Logic, 1973.
[Laszewski,1991]
Gregor ven Laszewski. Intelligent Structural Operators for the k-way Graph partitioning Problem . Ver " Proceedings of the Fourth International Conference on Genetic Algorithms" en [Belew and Booker, 1991].
[LeeyTakagi,1993]
Michael Lee y Hideyuki Takagi. Integrating Designs Stages of Fuzzy Systems Using Genetic Algorithms. Proceedings of Second IEEE International Conference on Fuzzy System, 1993.
[Lee y Takagi, 1994]
Michael Lee y Hideyuki Takagi. A Framework for Studying the Effects of Dynamic Crossover, Mutation and Population Sizing in Genetic Algorithms. Ver "Advances in in Fuzzy Neuronal Networks and Genetic Algorithms" en [Furuhashi,1994].
[Levenik,1991]
James R. Levenik. Inserting Introns Improves Genetic Algorithm Success Rate: Taking a Cue from Biology. Ver "Proceedings of the Fourth International Conference on Genetic Algorithms" en [Belew y Booker, 1991].
[Liepins,1990]
G. Liepins, M. Hilliard, J. Richardson y M. Pallmer. Genetic Algorithm Application to Set Covering and Traveling Salesman Problems. Ver "OR/AI. The integration of Problem Solving Strategies" en [Brown,1990]
[Liepins, 1991]
G. Liepins y W. Potter. A Genetic Algorithm Approach to Mltiple Fault Diagnosis. Ver "Handbook of Genetic Algorithms" en [Davis,1991].
[Man, Tang y Kwong, 1999]
K.K. Man, K.S.Tang y S. Kwong. Genetic Algorithms. Springer, 1999
[Mnner y Manderick, 1992]
R. Mnner y B. Manderick, Elsevier Science, 1992.
nivers. Parallel Poblem Solvingfrom Nature 2.
[Martnez,2000]
Mara Teresa Martnez. Planificacin,
Control y Gestin del Trnsito de niversidad Pontificia
Trenes por una estacin. Proyecto Fin de Carrera, de Comillas, 2000.
Pgina 345
Referencias
[M ichalewicz, 1991]
Z. Michalewicz, G.A. Vignaux y M. Hobbs. A non-Standard Genetic Algorithm for the Non Linear Transportation Problem. ORSA Joumal on Computing, volumen 3, 1991. Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. Springer, 1992.
[Michalewicz, 1992]
[Michalewicz, 1994]
Z. Michalewicz, J. Davis Schaffer, H. P. Schwefel, David B. Fogel y Hiroaki Kitano, editores. First IEEE Conference on Evolutionay Computation, volmenes I y II. IEEE press, 1994.
[Michalewicz, 1995]
Z.
Michalewicz.
Genetic
Algorithms,
Numerical
Optimization
and
Constraints. Ver "Proceedings of the Sixth International Conference on Genetic Algorithms" en [Eshelman,1995].
[Michalewicz, 1996]
Z. Michalewicz, D. Dasgupta, R.G. Le Riche y Schoenauer. Evolutionary Algorithms for Industrial Engineering Problems. International Joumal of Computers and Industrial Engineering, volumen 30, 1996.
[Michalewicz, 1999]
Z. Michalewicz y M. Shoenauer. Evolutionary Algorithms for Constrained Parameter Optimization Problems. Evolutionary Computation, 1999.
[Michalewicz y Attia,1994]
Z. Michalewicz y N. Attia. Evolutionary Optimisation of Constrained Problems. Ver "Proceedings of the Third Annual Conference on Evolutionary Programming"en [Sebald y Fogel, 1994].
[MichaIewicz,Logan y S waminathan, 1994]
Z. Michalewicz, T. Logan y S. Swaminathan. Evolutionary Operations for Continuous Convex Parameter Spaces. Ver "Proceedings of the Third Annual Conference on Evolutionary Programming"en [Sebald y Fogel, 1994].
[Mira,2001]
Gonzalo Isabel Mira. Gestin del Trfico Ferroviario en Estaciones de Alta Densidad de Trfico. Proyecto Fin de Carrera. Universidad Pontificia de Comillas, 2001.
[Mhlenbein,1989]
H. Mhlenbein. Parallel Genetic Algorithm, Population Genetics and Combinatorial Optimization. Ver "Proceedings of the Third International Conference on Genetic Algorithms" en [Schaffer, 1989].
[Mhlenbein, 1991]
H. Mhlenbein, M. Schomisch y J. Bom, editores. The Parallel Genetic Algorithm as Function Optimizer. Ver "Proceedings of the Fourth
International Conference on Genetic Algorithms" en [Belew y Booker,! 991 ].
Pgina 346
Referencias
[Mhlenbein,SchlierkainpVoosen,1993]
H. Mhlenbein y D. Schlierkamp-Voosen. Predictive Modelsfor the Breeder Genetic Algorithm I (continuous parameter optimization). Evolutionary Computation, volumen 1, 1993.
[Myung,1996]
H. Myung y J.Kim. Constrained Optimization Using two-phase Evolutionary Programming. Ver "Proceedings of the Third IEEE Conference on Evolutionary Computation" en [Fogel,1996].
[Nakano y Yamada, 1991 ]
R. Nakano y T. Yamada. Conventional Genetic Algorithms for Job-Shop Problems. Ver "Proceedings of the Fourth International Conference on Genetic Algorithms" en [Belew y Booker, 1991 ]..
[OrvoshyDavis,1994]
D. Orvosh y L. Davis. Using a Genetic Algorithm o Optimize Problems with Feasibility Constraints. Ver "Proceedings of the First IEEE Conference on Evolutionary Computation" en [Fogel, 1994].
[Packard,1990]
N.H. Packard. A Genetic Learning Algorithm for the Analysis of Complex Data. Complex Systems, volumen 4, 1990.
[Pearson,1995]
D.W. Pearson, N.C. Steel y R.F. Albrecht, editores. Artificial Neuronal Nets and Genetic Algorithms. Springer Verlag, 1995.
[Radcliffe,1990]
N. Radcliffe. Genetic Neuronal
Networks on MIMD Computers. Tesis
Doctoral de la Universidad de Edimburgo, 1990. Referencias en Preventing Premature Convergence in Genetic Algorithm by Preventing Incest de [Eshelman y Schaffer,1993].
[Radcliffe, 1994]
N. Radcliffe y P. Surry. Formal Memetic Algorithms. Ver "Evolutionary Computing"en [Fogartty,1994].
[Rawlins,1991]
Gregory J. E. Rawlins, editor. Foundations of Genetic Algorithms. Morgan Kaufinann Publishers, Inc. 1991. R.K. Regade, M.M. Gupta, y R,B. Gaines. Fuzzy Autmata and Decisin Processes. North-Holland, New York, 1977.
[RegadeyGupta,1977]
[Roberston y Rilo, 1988]
G.G. Roberston y R.L. Rilo. A Tale of Two Classifier Systems. Machine Leaming,3. 1988. Juan Jos Snchez. Simulador de Trfico Ferroviario. Proyecto Fin de Carrera. E.T.S. de Ingenieros Industriales. Universidad Politcnica de Madrid.
[Snchez,2001]
Pgina 347
Referencias
[Sanz, Velasco y Galn,2000]
Juan de Dios Sanz Bobi, Juan Ramn Velasco Prez y Ramn Galn Lpez. Control y Optimizacin de Bases de Reglas Borrosas Mediante Algoritmos Genticos. Actas del X Congreso Espaol sobre Tecnologas y Lgica Fuzzy, 2000.
[Schafer y Morishima,1987]
J. Davis Schaffer y Amy Morishima. An Adaptative Crossover Distribution Mechanism for Genetic Algorithm. Ver "Genetic Algorithms and their Applications" en [Grefenstette,1987].
[Schafer, 1989]
J. Davis Schaffer, editor. Proceedings ofthe Third International Conference on Genetic Algorithms. Morgan Kaufmann Publishers, Inc. 1989.
[Schaffer y Eshelman,1991]
J. Davis Schaffer y Larry L. Eshelman. On Crossover as an Evolutionary Viable Strategy. Ver "Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker,1991].
[Schwefel,1981]
H. Schwefe!. Numerical Optimization of Computer Models. John & Wiley Sons, 1981.
[Schwefel y Mnner, 1991]
H.P. Schwefel y R. Mnner, editores. Parallel Problem Solvingfrom Nature. Volumen 496 de la coleccin Lecture Notes in Computer Science. Springer, 1991.
[SebaldyFogel,1994]
A. Sebald y L. Fogel, editores. Proceedings ofthe Thrid Annual Conference on Evolutionary Programming. World Scientifc Publishing, 1994.
[Shimojima,Hasegawa,Fukuda,1994] Koji
Shimojima,
Yasuhisa
Hasegawa
Tosi
Fukuda.
Unsupervised/Supervised Learningfor RBF-Fuzzy System - adaptative rules, membership functions and hierarchical structure by genetic algorithm. Ver "Advances in in Fuzzy Neuronal Networks and Genetic Algorithms" en [Furuhashi,1994].
[Shirley,1987]
R.S. Shirley. Some Lessons Learned Using Expert Systems for Process Control. IEEE Control System Magazine, diciembre de 1987.
[Smets,1996]
Philippe Smets. Probability, possibility, belief: which for what?. Fundations and Applications of Possibility Theory (FAPT'95). G de Cooman y otros. Ed Eorld Scientifc, 1995.
Pgina 348
Referencias
[SmithyTate, 1993]
A. Smith y D. Tate. Genetic Optimization Using a Penalty Function. Ver "Proceedings of the Fifth International Conference on Genetic Algorithms" en [Forrest,1993].
[Smith,1987]
R.E. Smith. Diploid Genetic Algorithms for Search in Time Varying Environments. Proceedings of the 25* Annual Conference of the ACM. Southeast Regional
[Smith, 1988]
R.E. Smith. An Investigation of Diploid Genetic Algorithms for Adaptaive Search of Nonstationary Functions. Tesis doctoral de la Universidad de Alabama.
[Spears and DeJong,1991]
William M. Spears y Kenneth A. DeJong. On the Virtues of Parametrized Uniform Crossover. Ver "Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker,1991].
[Spiessens y Manderick, 1991]
Piet Spiessens y Bemard manderick. A Massivevely Parallel Genetic Algorithm: Implementation and First Analysis. Ver "Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker,1991].
[Srinivas y Patnaik,1994]
M. Srinivas y L.M. Patnaik. Genetic Algorithms: A Survay. COMPUTER lEEEpress, 1994.
[Syswerda,1989]
Gilbert
Syswerda.
Uniform Crossover
in
Genetic Agorithmsl.
Ver
"Proceedings of the Third International Conference on Genetic Algorithms" en[Schaffer,1989]. [Syswerda, 1991] Gilbert Syswerda. Schedule Optimisation Using Genetic Algorithms. Ver "Handbook of Genetic Algorithms" en [Davis,1991].
[TakagiyLee,1993]
Hideyuki Takagi y Michael Lee. Neuronal Networks and Genetic Algorithm Approaches to Auoto-Design ofFuzzy Systems. Ver " Fuzzy Logic in Artificial Intelligence" en [Klement y Slany,1993].
[Thrift,1991]
Philip Thri. Fuzzy Logic Synthesis with Genetic Algorithms.
Ver
"Proceedings on the Fourth International Conference on Genetic Algorithms" en [Belew y Booker,1991]. [Velasco,1991] Juan Ramn Velasco. Arquitectura para Sistemas de Control Inteligentes. Tesis Doctoral. Universidad Politcnica de Madrid. 1991.
Pgina 349
Referencias
[Velasco,1993]
Juan Ramn Velasco. Aprendizaje Mediante Algoritmos Genticos y Control de Procesos. Ver [Jimnez, Galn, Sanz, Velasco, 1993].
[Velasco y Magdalena, 1995]
Juan Ramn Velasco y Luis Magdalena. Genetic Algorthm in Fuzzy Control System. Ver " Genetic Algorithms in Engineering and Computer Science" en [Winter y otros, 1995].
[Wang, 1983]
Pei-Zhuang Wang. Fuzzy set theory and applications. Shanghai Science & Technology Publishing Co.,983.
[Whitley,1989]
L. Darrel Whitley, Timothy Starkweather
y D'Ann
Fuquay. Scheduling Recombination
Problem and Travelling Salesmen: The Genetic Edge
Operator. Ver " Proceedings of the Third International Conference on Genetic Algorithms" en [Schaffer, 1989].
[Whitley, 1990]
L. Darrel Whitley, Timothy Starkweather y C. Bogart. Genetic Algorithms and Neuronal Networks: Optimizing Connection and Connectivity. Parallel Computing, 14. 1990
[Whitley, 1991]
L. Darrel Whitley, Timothy Starkweather y Daniel Shaner. The Travelling Salesman and Sequence Scheduling: Quality Solutions Using Genetic Edge Recombination. Ver "Handbook of Genetic Algorithms" en [Davis,1991].
[Whitley, 1993]
L. Darrel Whitley, editor. Foundations of Genetic Algorithms. Morgan Kaufmann Publishers, Inc. 1993.
[Whitley y Vose, 1995]
L. Darrel Whitley y Michael D. Vose, editores. Foundations of Genetic Algorithms 3. Morgan Kaufmann Publishers, Inc. 1995.
[Winter y otros, 1995]
G. Winter, J. Priaux, M. Galn y P.Cuesta. Genetic Algorithms in Engineering and Computer Science. John Whiley & Sons, 1995.
[Wright,1991]
A.Wright. Genetic Algorithms for
Real Parameter Optimization. Ver
"Foundations of Genetic Algorithms" en [Rawlings,1991].
[Yager y otros, 1987]
R.R. Yager, S. Ovchinnikov, R.M. Tong y H.T. Nguyen, editores. Fuzzy Sets and Applications: Selectedpapers by LA. Zadeh. John Whiley & Sons, 1987.
[ Yokota,Gen,Ida,Taguchi, 1995]
T. Yokota, M. Gen, K. Ida y T. Taguchi. Optimal Design of System Reliability by an Approved Genetic Algorithm. Transactions of Instititute of Electronics, Information and Communication Engineers, volumen J78A, 1995.
Pgina 350
Referencias
[Yokota,Gen,Li, 1996]
T. Yokota, M. Gen e Y.X. Li. Genetic Algorithms for Nonlinear Mixed Integer Programming Problems and its Applications. Computers and Industrial Engineering, volumen 30. 1996.
[Zadeh,1965]
L.A. Zadeh.Fuzzy 5e. Information and Control, 8. 1965.
[Zadeh,1972]
L.A. Zadeh. A fuzzy-set-theoretic interpretation oflinguistic hedges. Journal of Cybemetics, 1972. Del libro "Fuzzy Sets and Applications: Selected
Pepers by L.A. Zadeh" en [Yager y otros, 1987].
[Zadeh, 1975]
L.A. Zadeh. Fuzzy Sets and Their Application to Cognitive and Decisin Processes. Academic Press, 1975.
[Zadeh, 1978]
L.A. Zadeh. Fuzzy sets as a basisfor a theory ofpossibility. Fuzzy Sets and Systems, 1(1). 1978.
[Zadeh, 1994]
L.A. Zadeh. Fuzzy logic, neurona Communication of The ACM, 1994.
networks
and soft
computing.
[Zhang y Roberts, 1992]
J. Zhang y P.D. Roberts. Use of Genetic Algorithms in Training Diagnostic Rules for Process Fault Diagnosis. Volumen 5, nmero 4. ButterworthHeinemann Ltd, 1992.
Pgina 351

Algoritmos Geneticos Borrosos

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Algoritmos Geneticos Borrosos

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD POLITCNICA DE MADRID Escuela Tcnica Superior de Ingenieros Industriales

Autor Juan de Dios Sanz Bobi Ingeniero Industrial

Directores Ramn Galn Lpez Doctor en Informtica

Juan Ramn Velasco Prez Doctor Ingeniero de Telecomunicaciones

Vocal Secretario Suplente Suplente

A mi madre y hermanos. A mi padre, el ferroviario. A ti, M. Sierra.

CAPTULO 2 . FUNDAMENTOS DE LA LGICA BORROSA 1 7

CAPTULO 3. INTRODUCCIN A LOS ALGORITMOS GENTICOS 48

101 103 105 108

CAPTULO 4. APLICACIN AL CONTROL PTIMO DE PROCESOS

2.2.2.4 2.2.2.5 2.2.2.6 2.2.3

134 135 136 137 137 139 142

SISTEMAS BASADOS EN REGLAS: OPTIMIZACIN

3.1.1 3.1.2 3.1.3 3.1.4

3.2.1 3.2.2 3.2.3

Consideraciones sobre la ejecucin del algoritmo gentico

CAPTULO 5. DESCRIPCIN DE ALGORITMOS GENTICOS SOBRE BASES DE REGLAS BORROSAS 1 2 6

4.2 4.3 4.4 5 6 6.1

6.2.1 6.2.2 6.2.3 6.2.4 6.2.5 7

CAPTULO 7. GESTIN DEL TRFICO FERROVIARIO 239

3.1 3.2 3.3 3.4 4 5

244 246 247 249 250

6.2.1 6.2.2 6.3 6.4

6.4.1 6.4.2 6.4.3 6.4.4 6.4.5 6.4.6 7

CAPTULO 8. REGULACIN DE UN CIRCUITO DE V A 318

CAPTULO 9. CONCLUSIONES Y FUTUROS DESARROLLOS

Diseo rpido, pues no necesitan modelos matemticos exactos.

Las bases de conocimiento pueden ser diseadas y ajustadas.

Captulo 2. Fundamentos de la Lgica Borrosa

Fundamentos de la Lgica Borrosa

Fundamentos de la Lgica Borrosa

P (Xi es Bi, X2 es B2,..., Xn es Bn)

Fundamentos de la Lgica Borrosa

Fundamentos de la Lgica Borrosa

3 CONJUNTO BORROSO Y DISTRIBUCIN DE POSIBILIDAD.

De esta forma, el valor fif{u) = O indica que u no pertenece al conjunto F y el valor

- 1 indica que u tiene una pertenencia absoluta al conjunto F. Una pertenencia

parcial de M a F viene definida por O < pipiu) < 1.

Fundamentos de la Lgica Borrosa

Siendo la representacin grfica de esta fimcin la siguiente:

Ilxiu) = {7tx{u)lu \u G UyTt^iu) = ij.p{) e [0,l]}

Fundamentos de la Lgica Borrosa

4 CONCEPTOS DE UN CONJUNTO BORROSO.

soporte {F)= {u\u^Uy

ncleo {F)= {u\ u&Uy HF{U) = 1}

La altura del conjunto borroso se define como sigue:

altura{F) = su^ fip{)

Fundamentos de la Lgica Borrosa

La base del conjunto borroso es:

base{F) = inf/^^ (w)

5 OPERACIONES CON CONJUNTOS BORROSOS.

n^^s (") ^ min{fi^ (u), i^ (u))

= max(ju^ (u), ju^ (u))

Fundamentos de la Lgica Borrosa

//A n (fB u juc) = (//A n

Las leyes de De Morgan

Co (ju A ^ JUB) = CO(//A) n CO(//B) Co (//A n //B) = CO(/A) ^ CO(//B) =

n , u ) constituye un grupo distributivo con el elemento neutro i7b y el

elemento unitario 77x.

Fundamentos de la Lgica Borrosa

se hace necesario emplear este par de operadores.

Entonces, para cualesquiera dos conjuntos A y B de F(U), se dice que A e B si y slo si

fi^{u) < i^g{u)