FACULTAD DE AGRONOMA
POSTGRADO DE ESTADSTICA
SEMINARIO
Participante:
Rosanna Montero Castillo.
C.I: 9.694.881
INTRODUCCIN
La complejidad presente en las diversas actividades humanas suele traducirse
en la necesidad de manejar altos volmenes de informacin sobre individuos,
procesos y sus caractersticas. Lgicamente, el anlisis prctico de esta realidad
amerita la observacin y recoleccin de una gran cantidad de datos que requieren de
un procesamiento e interpretacin adecuada, con la finalidad de buscar valores
ptimos de funcionamiento que permitan economizar: tiempo, recursos tecnolgicos,
humanos, entre otros.
En este sentido, el investigador cuando requiere optimizar la solucin a un
problema especfico, debe decidir qu mtodo o mtodos va a emplear para
afrontarlo. Esta eleccin suele estar basada en su formacin, experiencia en la
resolucin de problemas similares y en los mtodos utilizados para la optimizacin.
La decisin por un determinado mtodo implica la aceptacin de los inconvenientes
que ste tenga, y siempre existir una especie de "riesgo calculado" de no obtener
resultados tan satisfactorios como se requieren.
Igualmente, al escoger uno o varios mtodos, tambin se est renunciando a
las caractersticas favorables que el resto de procedimientos podran aportar para la
resolucin del problema tratado. Comnmente, esta eleccin, as como la de los
parmetros necesarios para la optimizacin, es el punto de partida obligatorio a la
hora de resolver un problema, y los intentos de aumentar la probabilidad de xito
normalmente estn limitados a los mtodos particulares a los que son aplicados.
Con base a lo anterior, Gutirrez y Colaboradores (2004), expresan que la
optimizacin es una tcnica matemtica que sirve para extraer la informacin sobre el
punto ptimo que tiene un modelo ajustado. En la actualidad, las tcnicas de
optimizacin proporcionan una batera de algoritmos matemticos exactos y de tipo
heursticos, que permiten encontrar, entre los diferentes escenarios factibles, la
configuracin de sistema que optimice una determinada medida del mismo.
JUSTIFICACIN
Por lo tanto, como la mayora de los problemas del mundo real no pueden
resolverse usando algoritmos en tiempo polinomial, en muchas aplicaciones
prcticas, no es posible ni siquiera determinar la existencia de una solucin eficiente
y existen muchos problemas para los cuales el mejor algoritmo que se conoce
requiere tiempo exponencial en esta investigacin se presenta una opcin utilizando
las MSR y MAE puesto que se pretende usar las ventajas potenciales de ambas
tcnicas, para la solucin de un problema de optimizacin, al conjugar la practicidad
de la primera con la potencia y cobertura de la segunda, se brindar al investigador
una nueva herramienta para resolver de forma eficiente la situacin de optimizacin
que se le presente.
OBJETIVOS DE LA INVESTIGACIN
Objetivo General
Evaluar la optimizacin de procesos a travs de la aplicacin de algoritmos
evolutivos en la metodologa de superficies de respuesta.
Objetivos Especficos
Describir la metodologa de superficies de respuesta como estrategia de
optimizacin de procesos.
Caracterizar los algoritmos evolutivos en la optimizacin de procesos
Aplicar los algoritmos evolutivos en la optimizacin de procesos a travs de
la metodologa de superficies de respuesta.
.
REVISIN BIBLIOGRFICA
El objetivo de este apartado es presentar una base documental actualizada que
permita ubicar en el tiempo y en el espacio la optimizacin de procesos aplicando las
metodologas de superficies de respuesta y algoritmos evolutivos, porque segn
Morales (1995) el conocimiento de lo que se ha hecho con respecto a un tema, ayuda
a estructurar la investigacin. A tal efecto se desarrollan los siguientes aspectos:
antecedentes y bases tericas.
ANTECEDENTES
En el presente estudio, la Metodologa de Superficie de Respuesta (MSR) es
una tcnica de optimizacin basada en planeamientos factoriales que fue introducida
por Box en los aos cincuenta, y que desde entonces ha sido usada con gran xito en
el modelado de diversos procesos industriales. Por su parte, los algoritmos evolutivos
tuvieron su origen en los aos sesenta y fueron introducidos por John Holland quien
incorporo los mtodos de seleccin natural y supervivencia a la resolucin de
problemas de Inteligencia Artificial, surgieron por la simulacin de procesos de la
evolucin natural.
Por lo anterior, a continuacin se presentan antecedentes relacionados con la
investigacin en los cuales se analizan las tcnicas que estn dirigidas a la
optimizacin de procesos, con la finalidad de mejorar la toma de decisiones Ejemplo
de ello, puede ser encontrado en los trabajos de Bolvar (2005), en la que se
desarroll una herramienta basada en la Superficie de Respuesta para la optimizacin
de modelos de simulacin, y Avendao (2007), que utiliz la Superficie de Respuesta
para la optimizacin de modelos de simulacin.
Por su parte, Carmona (2010), con el fin de optimizar una lnea de produccin
utiliz las metodologas Superficie de Respuesta y Algoritmo Evolutivo, encontrando
diferencias significativas entre ellas, generando la Metodologa Superficie de
7
requisitos legales,
relacin entre las respuestas (el tiempo de viaje promedio y la tasa de llenado de
carro) y los factores de entrada. En funcin a ello, el procedimiento de optimizacin
se utiliza para determinar los valores ptimos de los factores de entrada que producen
el valor mnimo del tiempo medio de viaje proporcionando una tasa adecuada de
plenitud del vehculo. Esta metodologa se aplic a una lnea de metro real, y se
obtuvieron soluciones de calidad, con un nmero reducido de experimentos que se
necesitan
para
proporcionar
suficiente
informacin
obtener
resultados
estadsticamente aceptables.
Esta investigacin muestra una aplicacin real de la metodologa de superficie
de respuesta que permite identificar claramente las fases que conlleva y el anlisis
requerido para obtener la solucin al problema planteado, por tanto es un referencial
que sirve de gua en esta investigacin.
Por su parte,
de extraccin as como para averiguar los efectos de interaccin entre las variables
estudiadas.
Los aportes de este estudio son relevante en esta investigacin, porque
muestran la combinacin de dos metodologas para hallar valores ptimos de
respuestas en un problema especfico en el que intervienen varias variables, a la vez
que permite identificar los elementos de comparacin que permiten generar las
conclusiones necesarias para la toma de decisiones.
En el mismo orden de ideas, Caamao (2013) realiz una investigacin sobre
la Caracterizacin de algoritmos evolutivos en los problemas reales de optimizacin,
en el cual se aborda el problema de establecer un algoritmo evolutivo utilizable y
confiable (EA), est dirigida a los usuarios finales como ingenieros, matemticos o
fsicos para que puedan tener informacin ms especfica al momento de elegir el EA
ms adecuado para un problema dado.
El objetivo prctico detrs esta obra es proporcionar conocimientos sobre las
caractersticas relevantes de la funcin de adecuacin (fitness) y su relacin con el
rendimiento de los diferentes algoritmos, con la finalidad de ayudar a los usuarios a
minimizar la etapa inicial tpica en que se aplican un EA bien conocido, o una versin
modificada del mismo, con las funciones que desee para optimizar sin realmente
tomar en cuenta su adecuacin a las caractersticas particulares del problema,
proporcionando algunas ideas sobre el proceso de caracterizacin de los algoritmos
evolutivos identificando evidencias experimentales a los desarrolladores de EA sobre
la utilidad de realizar un anlisis formal y detallado de los algoritmos antes de
presentarlos a los usuarios y la comunidad cientfica. Por lo tanto, es de gran inters
para este estudio porque presenta las principales caractersticas de los algoritmos
evolutivos y las condiciones de aplicacin.
Asimismo, Lpez y Colaboradores (2013), en su trabajo titulado: Eficiencia y
diferencias de algoritmos evolutivos en la solucin ptima de problemas multimodal,
presentan el comportamiento de un algoritmo evolutivo (AE) para la solucin de un
problema de optimizacin, dado que usualmente est dirigido por sus operadores
10
(cruce, mutacin, seleccin, etc.) y por los valores seleccionados para los parmetros
iniciales del algoritmo. Calibrar los parmetros de este tipo de enfoques es un
problema difcil debido a que pueden tomar diferentes valores y por lo tanto, el
nmero de posibles combinaciones podra ser muy elevado. Por lo tanto, se puede decir
que cuando se usa un AE, existe un problema adicional de optimizacin que necesita ser
resuelto: la calibracin de parmetros. Recientemente dicha calibracin se haba hecho
con base en la experiencia del usuario, por referencias bibliogrficas o bien aplicando
el mtodo experimental de prueba y error.
Sin embargo, actualmente los investigadores de la comunidad de computacin
evolutiva han comenzado a utilizar mtodos clsicos y estadsticos del diseo de
experimentos como una alternativa viable para calibrar adecuadamente los
parmetros de sus enfoques. Esta nueva tendencia, busca obtener conclusiones
cientficas a travs de una experimentacin sistemtica.
Como se observ en los estudios presentados que sustentan la evaluacin de la
optimizacin de procesos a travs de la combinacin de las metodologas de
superficies de respuesta y algoritmos evolutivos, revelan su importancia y aplicacin
en diversas reas del conocimiento cientfico, razn por la cual interesa conocer hasta
qu punto la aplicacin conjunta de estas metodologas permite al investigador
mejorar los procesos de optimizacin. En ese sentido, es pertinente revisar los
aspectos tericos que lo respaldan.
OBSERVACIN: Pienso que debe redactarse de otra forma, donde se
visualice de forma clara la aplicabilidad de los AE, recuerda que para el trabajo es lo
nuevo en el postgrado.
BASES TERICAS
Las bases tericas, segn Hernndez, Fernndez y Batista (2003) tienen el
propsito de dar a la investigacin un sistema coordinado y coherente de conceptos y
proposiciones que permitan abordar el problema. De ste depender el resultado del
11
(2000),
13
14
15
Deteccin de curvatura,
metodologa seis sigma, propone el uso del despliegue de la funcin de calidad (QFD
por sus siglas en ingles), el mapeo del proceso, el diagrama de pareto y el diagrama
de ishikawua. El paso incluye:
a. Determinar los niveles de las variables naturales (j). El establecimiento de
los niveles, depende de la naturaleza de la experimentacin, de la regin de
17
2.
18
respuesta en la regin actual de inters presenta interaccin y/o curvatura que refleje
falta de ajuste del modelo.
a. Si el modelo no muestra falta de ajuste, pero los coeficientes estimados son
cercanos a cero, es una indicacin de que no hay direccin de mejoramiento en ese
punto y el proceso de optimizacin deber de iniciarse una vez ms en el paso 1.
b. Si la falta de ajuste es debida solo a la interaccin entre los factores y no a
curvatura pura, la varianza entre los niveles de los factores deber de ser reducida y
otro diseo experimental deber de llevarse a cabo. No debe realizarse el ajuste bajo
esta situacin a un polinomio completo de segundo orden ya que esto incrementa el
error tipo II (Ganzach, 1998).
c. Si la inadecuacin del modelo es dada porque los trminos de interaccin y
cuadrticos puros son significantes.
4.
5.
19
20
21
8.
22
estacionario x, es aceptado, este deber de tomarse como centro del diseo y deber
de realizarse la caracterizacin del sistema que ese punto representa, de modo tal que:
a. Si el sistema de loma encontrado es un sistema estacionario para alguno de
los factores (algunos de los eigenvalores son cero, esto verificado de sus intervalos de
confianza) un polinomio cannico es ajustado sin los eigenvalores que son cero y el
mejor nivel de los dems factores que optimizan la respuesta en ese punto, deber de
ser determinado. Para esta situacin existen ptimos alternativos, de manera que es
posible optimizar alguna otra caracterstica secundaria del proceso que se desee. (Box
y Draper, ob. cit).
b. Si el sistema de loma encontrado es un sistema ascendente (o descendente),
la bsqueda del ptimo, deber de realizarse llevando a cabo nuevos experimentos en
la direccin ascendente (o descendente) del sistema, hasta el lmite de la regin de
experimentacin o hasta que otra caracterstica (como costo) de la experimentacin
no sea factible. El ptimo para este sistema est en el lmite de la regin de
23
despus de haber ajustado solo un modelo polinomial de segundo orden (Fu, 1994).
En este sentido, se siguen las pautas deNeddermeijer, Oortmarssen, Piersma y Dekker
(2000) en detener la bsqueda del ptimo cuando:
a. El valor de la respuesta estimada en la iteracin n+1 no mejore
sustancialmente la respuesta.
b. La regin de inters sea demasiado pequea.
c. Cuando existan restricciones de capital o de proceso.
12.
Determinar el nivel ptimo de los factores. Tome como nivel ptimo de los
24
PASOS
PROCEDIMIENTOS
1. Inicio
25
26
nico operador
evolutivo.
Con base a lo anterior, la diferencia bsica entre los algoritmos genticos y las
estrategias evolutivas, est en sus dominios de aplicacin. Las estrategias evolutivas
surgieron como un mtodo de optimizacin numrica, mientras que los algoritmos
genticos fueron formulados como un mtodo de bsqueda de propsito general.
La mayor similitud entre ambos mtodos consiste en que los dos mantienen
poblaciones de soluciones potenciales y hacen uso del principio de la supervivencia
del ms apto, presente en la teora de la evolucin natural. Sin embargo, existen
diferencias entre estas aproximaciones:
1. La forma de representar los individuos es diferente, los algoritmos
genticos clsicos utilizan vectores de nmeros binarios, mientras que en las
estrategias evolutivas se emplean vectores de nmeros reales.
2. Tambin hay diferencias en los procedimientos de seleccin. Por un lado el
orden en que ocurren el proceso de seleccin y la aplicacin de los distintos
operadores: en los algoritmos genticos el proceso de seleccin es previo a la
aplicacin de los operadores genticos, mientras que en las estrategias evolutivas
ambos procesos ocurren, se selecciona el operador gentico y se prueba la solucionen
el orden inverso. Por otro lado, el proceso de seleccin es aleatorio en los algoritmos
genticos, dependiendo las probabilidades de seleccin de cada individuo de su
aptitud, o de su posicin en el ranking, mientras que es determinstico en las
estrategias evolutivas.
3. Los parmetros de la reproduccin (probabilidades de cruce y de mutacin)
permanecen constantes en los algoritmos genticos durante el proceso evolutivo,
mientras que cambian con el tiempo en las estrategias evolutivas.
En el caso particular de los algoritmos evolutivos, aparecen a finales de los
aos 50y fueron llevados a cabo por investigadores como Friedberg, Box y
Bremermann
entre
otros.
El
campo
permaneci
prcticamente
en
ms
bits,
pero
costa
de
ralentizar
considerablemente
el
Manejo de restricciones.
Segn Coello (XXXX), un aspecto importante dentro de un algoritmo
29
individuos no factibles, que son los que no las satisfacen. Por tanto, existen varias
formas de tratar el problema, entre las que destaca:
a.No permitir la presencia de cromosomas no factibles, eliminando de la
poblacin a aquellos cromosomas que no satisfagan las restricciones. Tiene el
inconveniente de eliminar posibles caminos para la convergencia, no permitiendo la
presencia en la poblacin de individuos que, si bien no cumplen las restricciones,
pueden contener genes con caractersticas beneficiosas que sern trasmitidas a la
descendencia durante la fase de reproduccin.
Adems, en algunos casos puede ocurrir que elalgoritmo no sea capaz de
obtener soluciones validas al problema, pues si estaspresentan una probabilidad de
ocurrencia baja, no se dispondr de una forma dehacer converger las soluciones hacia
regiones favorables del espacio de bsqueda.
b. Permitir la presencia en la poblacin de los cromosomas que infrinjan las
restricciones,pero asignndoles una penalizacin en la funcin de evaluacin.
Estemtodo soluciona los problemas mencionados en el punto anterior, presentandoa
cambio un incremento del coste computacional, ya que se puede perder muchotiempo
en evaluar soluciones no validas al problema. La forma habitual de aplicarla
penalizacin ser mediante la inclusin de un trmino aditivo en la funcin de
evaluacin. As la funcin de evaluacin f(x) original, se transformar en otrafuncin
de la formaF(x) = f(x) + Q(x)donde el termino Q(x) representa la penalizacin.
c. Disear esquemas de representacin y operadores especficos, de forma que
todaslas posibles soluciones al problema que se generen sean factibles. El problema
deeste mtodo es que no es de aplicacin general. El tipo de representacin y
losoperadores dependern del problema a resolver. Se deber comenzar generandouna
poblacin inicial de soluciones factibles.
d. Convertir la solucin no vlida en otra que lo sea, por medio de un
algoritmoreparador. Este mtodo tambin puede requerir un alto coste computacional
y ser fuertemente dependiente del problema particular a resolver. El buen
funcionamientode este mtodo depende de encontrar un procedimiento de
30
2.
La seleccin de padres.
La seleccin de padres es fundamental dentro del proceso evolutivo,
3.
padresdeseados.
31
3.
3.
Operadores genticos.
Los operadores genticos son los encargados de obtener los descendientes a
los que ya se haaplicado el de cruce. Por otro lado y como ventaja fundamental, es
ms fcil ampliar lalista de operadores genticos, sobre todo cuando no se emplea la
codificacin binaria delos cromosomas, pudindose aadir sin dificultad nuevos
operadores dependientes delproblema.
Como ya se ha mencionado anteriormente, los operadores habituales son las
mutacionesy los cruces, existiendo mltiples variantes de ambos en el caso de los
algoritmosevolutivos. Para muchos investigadores, la mutacin ha sido una forma
deintroducir diversidad en la poblacin, mientras que el cruce era el autntico
caballode batalla, una tcnica que acta rpidamente para combinar lo que es bueno
en laPoblacin inicial, y que contina funcionando mientras el algoritmo se ejecuta,
comomenciona Davis (AO). A continuacin se describen un amplio conjunto de
operadores.
Cruce en un punto: El operador de cruce en un punto es aplicable tanto a
cromosomas con codificacinbinaria, como a aquellos codificados en forma de
vectores de nmeros reales. Trabajade la siguiente forma:
1.
2.
2.
delcromosoma.
33
3.
aritmtico:
Es
tpico
en
los
programas
que
utilizan
H = r _ (C2 C1) + C2
Siendo C2 al menos igual de apto que C1.
Mutacin aleatoria: La mutacin es una de las formas de aportar diversidad a
la poblacin, permitiendo laexploracin de nuevas regiones del espacio de
bsqueda.Este operador es aplicable tanto a cadenas de bits como a vectores de
nmeros reales.
En el caso de la codificacin binaria el proceso consiste en reemplazar
algunos de losgenes de forma aleatoria hacindolos igual a 1 si su valor original era 0
y viceversa. Porotro lado, en el caso de la codificacin en forma de nmeros reales, el
procedimientoconsiste en seleccionar de forma aleatoria los genes a cambiar y
asignarles un nuevovalor tambin aleatoriamente.La probabilidad de que se produzca
mutacin suele establecerse como bastantemenor que la probabilidad de que se
produzca cruce.
Mutacin no uniforme: El operador de mutacin no uniforme es slo
aplicable a los algoritmos con cromosomascodificados en forma de vectores de
nmeros reales. Mediante este operador se persigue el ajuste no de las soluciones al
problema. Se trata de una mutacin aditiva,mediante la cual al valor de algn gen del
cromosoma padre se le suma o restaun valor previamente determinado. Dicho valor
determinado depender del nmero degeneraciones producidas hasta ese momento.
Sean C1 = fx1; _ _ _ ;xmg un cromosoma y t el nmero de generaciones
producidas.Se selecciona xk para esta mutacin; el resultado de aplicar el presente
operador ser:
H = fx1; _ _ _ ; x0k; _ _ _ ; xmg, donde x0 k = (xk + _(t;UB xk) si un
digito obtenido aleatoriamente es 0 xk _(t; xk LB) si un dgito obtenido
aleatoriamente es 1y LB y UB son los lmites inferior y superior del dominio de la
variable ak. La funcin(t; y) devuelve un valor en el rango [0; y], tal que la
probabilidad de que _(t; y) seaproxime a cero aumenta cuando t aumenta. Esta
35
La nueva generacin.
Una de las caractersticas interesantes de los algoritmos evolutivos en la
formarpartede la nueva poblacin. Esta tcnica presenta una gran presin selectiva,
36
por lo que en general, noser adecuada en problemas con gran nmero de ptimos
locales. Se dice que es elitista,por haber cromosomas que permanecen en la poblacin
generacin tras generacin.
Otra forma de seleccin es la conocida como generacional o (_; _), en ella los
descendientes, una vezproducidos, sustituyen completamente a los padres. Esta
tcnica presenta una menorpresin selectiva y muestra un comportamiento mejor en
el caso de mltiples ptimoslocales. Se puede hacer elitista si se mantiene al mejor de
los cromosomas de generacinen generacin, evitando la prdida de buenas
soluciones al problema que, de otro modo,podrn no volver a obtenerse. Una solucin
intermedia ser guardar estas buenassoluciones, pero fuera de la poblacin, de forma
que no afecten al comportamiento delalgoritmo.
Tambin ser importante evitar la creacin de mltiples copias de un
cromosomaen la poblacin. Las mltiples copias de supercromosomas en la
poblacin, dan lugar aun incremento no deseado de la presin selectiva.
Pasos de la Metodologa Algoritmos Evolutivos
1.
que no parecen existir valores de aplicacin general, sino que estos son dependientes
del problema a resolver. Aun as, coincidenen utilizar tamaos de poblacin en torno
a los 100 cromosomas, valores altos de lasprobabilidades de cruce y valores bajos de
las probabilidades de mutacin.
5.
PASOS
1. Inicio
2. Evaluar adecuacin.
3. Condicin de parada
4. Generar siguiente
poblacin
5. Reemplazar:
PROCEDIMIENTOS
Generar una poblacin inicial P0 aleatoria de n
individuos
Evaluar adecuacin de cada uno de los individuos de
la poblacin actual Pi.
Verificar si se cumplen las condiciones para detenerla
ejecucin del algoritmo. En caso de cumplirse, parar
la ejecucin y devolver la mejor solucin encontrada.
En caso contrario, ir al punto 4.
Seleccionar: Seleccionar dos individuos, x e y, de la
poblacin actual Pi en funcin del valor de la
adecuacin y de una funcin de probabilidad.
Cruce: Aplicar el operador de cruce a x e y, con
probabilidad preestablecida, para generar los nuevos
individuos x0 e y0.
Mutacin: Aplicar el operador de mutacin a x0 e y0
con probabilidad preestablecida.
Aadir: Aadir los nuevos individuos x0 e y0
(representando las mutaciones x0 e y0respectivamente)
a la poblacin Pi+1.
Iterar: Volver al paso (a) hasta completar la poblacin
Pi+1 con n individuos.
Reemplazar la poblacin Pi por Pi+1 y volver al paso
2.
39
METODOLOGA
40
POSIBLES RESULTADOS
Al aplicar las metodologas Superficie de Respuesta y Algoritmos Evolutivos
para optimizar los datos de la Biomasa(detalles de los datos )se pretende obtener una
superficie optimizada de forma ms eficiente, porque en los procesos de seleccin de
variables existir menor intervencin humana, lo que permitir estandarizar los
procedimientos a cualquier tipo de problema y brindar al investigador una alternativa
de solucin eficiente en la optimizacin de procesos al poder extraer lo mejor de cada
metodologa en estudio.
41
REFERENCIAS
Back y Col.(2000). Hand-book of Evolutionary Computation, Oxford University
Press.
Caanao, P. y Otros (2013). Caracterizacin algoritmo evolutivo en los problemas
reales de los parmetros de optimizacin. Applied Soft Computing 13 (2013)
19021921. Contents lists available at SciVerseScienceDirect. Applied Soft
Computing Journa l ho me p age: www.elsevier.com/l ocate/asoc.
Chacn (1994). Diseo y Anlisis de Experimentos para generar Superficies de
Respuesta. Trabajo de Ascenso. Maracay, Venezuela. Facultad de Agronoma.
Universidad Central de Venezuela. 348 p.
Fogel, G. B.; Weekes, D. G.; Sampath, R., and Ecker, D. J.: Parameter optimization of
an evolutionary algorithm for RNA structure discovery. Congress on
Evolutionary Computation, 2004. CEC2004, Vol. 1, pp607- 613, June 2004.
Gutirrez y Col. (2004).Anlisis y Diseos de Experimentos. Ediorial McGraw Hill.
Interamericana. Mxico
Hernndez, R., Fernndez, C., y Baptista, P. (2007). Metodologa de la Investigacin.
(4 ed.). Mxico: McGraw-Hill.
Holland, J.H. (1992), Genetic Algorithms, Scientific American, 267, 66.
Kendall, M. y Buckland, W.1980. Diccionario de Estadstica. Ed. Pirmide.
Marchitana (2010). Modeling and optimization of tartaric acid reactive extraction
from aqueous solutions: A comparison between response surface methodology and
artificial neural network. Contents lists available at ScienceDirect. Separation and
Purification Technology journal homepage: www.elsevier.com/locate/seppur
Mart (2000), MultiStart Methods, in State of the Art Handbook on MetaHeuristics,
F. Glover and G. Kochenberger (Eds.), Kluwer, forthcoming.
Montgomery (1991), Diseo y Anlisis de Experimentos, Grupo Editorial
Iberoamrica, Mxico.
Montgomery (2002). Response Surface Methodology: process and product
optimization using designed experiments. John Wiley and Sons
42
43