METODOLOGÍA BASADA EN ALGORITMOS GENÉTICOS Y OPTIMIZACIÓN POR ENJAMBRE DE PARTÍCULAS PARA DEFINIR LAS MATRICES DE PESO DEL REGULADOR LINEAL CUADRÁTICO
PDF
HTML

Palabras clave

Regulador lineal cuadrático
Matrices de peso Q y R
Algoritmos genéticos
Optimización por enjambre de partículas.

Cómo citar

Lorbes, M. (2019). METODOLOGÍA BASADA EN ALGORITMOS GENÉTICOS Y OPTIMIZACIÓN POR ENJAMBRE DE PARTÍCULAS PARA DEFINIR LAS MATRICES DE PESO DEL REGULADOR LINEAL CUADRÁTICO. Universidad Ciencia Y Tecnología, 23(95), 95-102. Recuperado a partir de https://www.uctunexpo.autanabooks.com/index.php/uct/article/view/252

Resumen

El llamado problema de regulación lineal cuadrático es una estrategia de control moderna que por medio de la configuración de las matrices de peso Q y R, se encarga de la tediosa labor realizada por el especialista en la optimización del controlador; encontrando los parámetros de control que reduzcan al mínimo las desviaciones no deseadas. Sin embargo, no existen métodos analíticos simples que ayuden al diseñador a definir los valores de dichas matrices, las cuales están en función del sistema, del control que se desee realizar y de los esfuerzos de las variables de control; siendo fundamental el conocimiento profundo del proceso por parte del ingeniero. Los enfoques clásicos como el ensayo y error, el método de Bryson, y la asignación de polos consumen mucho tiempo y no garantizan el rendimiento esperado. Esta investigación planteó una metodología basada en algoritmos genéticos y optimización por enjambre de partículas para definir las matrices de peso Q y R. Logrando diseñar controladores óptimos de forma sencilla, rápida y a partir de un conocimiento básico del sistema a controlar

Palabras Clave: Regulador lineal cuadrático, matrices de peso Q y R, algoritmos genéticos, optimización por enjambre de partículas.

Referencias

[1]W. J., Arcos, A., Tovar. “Control óptimo LQR de un exoesqueleto de marcha”. Intekhnia, vol. 7, no. 2, pp. 119-132, Julio 2012.

[2]S. A. Ghoreishi y M.-A. Nekoui. “Optimal weighting matrices design for LQR controller based on genetic algorithm and PSO”. AMR, vol. 443, no. 440, pp. 7546
– 7553, Enero 2012.

[3]S. Mobayen, A. Rabiei, M. Moradi y B. Mohammady. “Linear quadratic optimal control system design using particle swarm optimization algorithm”. Int. J.
Phys. Sci., vol. 6, no. 30, pp. 6958 – 6966, Noviembre ,2011.

[4]H. González. “Modelado, simulación y control de un sistema de generación eólico”. M.S. Tesis, UDES, Bucaramanga, SAN, Colombia, 2008.

[5]A. I. Abdulla, J. M. Ahmed y S. M. Attya. “Genetic algorithm (GA) based optimal feedback control weighting matrices computation.” Al-Rafidain Engineering,
vol. 21, no. 5, pp. 25- 33, Octubre 2013.

[6]D. E. Kirk (2004). Optimal control theory. An introduction. New York: Dover Publicaction, Inc, 2004.

[7]K. Ogata. Ingeniería de Control Moderna. 4ta ed., Minnesota: Pearson Prentice Hall, 2007.

[8]B. Kuo. Sistemas de Control Automático. 7ma ed. México: Prentice Hall Hispanoamericana, 1996.

[9] H. Bory P., F. Chang M., y J. E. Santos T. “Diseño y evaluación de un controlador de posición óptimo para electro mecanismo multivariable”. Ciencias Holguín, vol. 22, no. 1, pp. 1-14, Enero 2016.

[10]G. R Lanza S. (2013, Agosto) Control Multivariable para un evaporador de circulación forzada mediante realimentación del vector de estado. [Online]. Available: http://mriuc.bc.uc.edu.ve/handlet/123456789/1843  [Último acceso: 15 de agosto de 2019]

PDF
HTML

Descargas

La descarga de datos todavía no está disponible.