Vol. 21 Núm. 2 (2022): Revista UIS Ingenierías
Artículos

Optimización de ecuaciones con restricciones no lineales: comparativo entre técnicas heurística y convexa

Fernando Mesa
Universidad Tecnológica de Pereira
German Correa-Vélez
Universidad Tecnológica de Pereira
Jose Jose Barba-Ortega
Universidad Nacional de Colombia

Publicado 2022-03-23

Palabras clave

  • técnicas metaheurísticas,
  • espacios convexos,
  • extracción convexa,
  • factorización de Cholezky,
  • factorización de Echelon,
  • factorización de Schur,
  • matrices de momentos
  • ...Más
    Menos

Cómo citar

Mesa, F., Correa-Vélez , G., & Barba-Ortega, J. J. (2022). Optimización de ecuaciones con restricciones no lineales: comparativo entre técnicas heurística y convexa. Revista UIS Ingenierías, 21(2), 53–60. https://doi.org/10.18273/revuin.v21n2-2022005

Resumen

En el presente artículo se exploran diversas técnicas de optimización a través de metodologías diferentes; es importante resaltar que los problemas de optimización se encuentran en una gran multitud de disciplinas académicas, y los caminos propuestos para resolverlos se encuentran, el primero, en las técnicas matemáticas denominadas fuertes (óptimo global) a través de teoremas de existencia y unicidad, y el segundo camino, en las denominadas técnicas heurísticas o metaheurísticas inspiradas en su mayoría en procesos biológicos, sociales, culturales, las cuales permiten ampliar los espacios de búsqueda de las soluciones o relajar las funciones por optimizar de continuas a no continuas, al igual que las restricciones. La técnica metaheurística estudiada es el enjambre de partículas, (PSO) basada en el modelo completo (componentes cognitiva y social), el cual es una técnica metaheurística inspirada en la biología, comparativamente con la técnica matemática convexa utilizando el comportamiento de las matrices semidefinidas positivas, para el planteamiento y modelado de problemas con funciones objetivo y regiones factibles convexas. El problema resuelto por estos dos métodos consiste en conocer los valores de los recursos de dos variables dentro de una función objetivo. Por último, se evalúan las respuestas obtenidas bajo la suposición de que los mínimos locales son mínimos globales dentro de la vecindad.

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

  1. M. Li, H. Chen, X. Shi, S. Liu, M. Zhang, S. Lu, “A multi-information fusion ‘triple variables with iteration’ inertia weight PSO algorithm and its application,” Appl. Soft Comput., vol. 84, p. 105677, 2019, doi: https://doi.org/10.1016/j.asoc.2019.105677
  2. S. Khatir, M. Abdel Wahab, “A computational approach for crack identification in plate structures using XFEM, XIGA, PSO and Jaya algorithm,” Theoretical And Applied Fracture Mechanics, vol. 103, 2019.
  3. S. Devi and M. Geethanjali, “Optimal location and sizing determination of Distributed Generation and DSTATCOM using Particle Swarm Optimization algorithm,” Int. J. Electr. Power Energy Syst., vol. 62, pp. 562–570, 2014, doi: https://doi.org/10.1016/j.ijepes.2014.05.015.
  4. H. E. Espitia Cüchango, J. I. Sofrony Esmeral, “Algoritmo de optimización basado en enjambres de partículas con comportamiento de vorticidad y búsqueda individual y grupal”, Tecnura, vol. 18, n.º 42, pp. 24–37, 2014.
  5. J. Tao, G. Sun, X. Wang, L. Guo, “Robust optimization for a wing at drag divergence Mach number based on an improved PSO algorithm,” Aerosp. Sci. Technol., vol. 92, pp. 653–667, 2019, doi: https://doi.org/10.1016/j.ast.2019.06.041.
  6. Yan Yin, Hui Jiang, “A compact semidefinite programming (SDP) formulation for large margin estimation of HMMS in speech recognition,” in 2007 IEEE Workshop on Automatic Speech Recognition & Understanding (ASRU), 2007, pp. 312–317, doi: https://doi.org/10.1109/ASRU.2007.4430130.
  7. H. Wang, B. Pei, Z. Wang, S. Tao, “Robust waveform optimization for MIMO radar to improve the worst-case detection performance,” 2014 IEEE Radar Conference, 2014, pp. 1098-1101, doi: https://doi.org/10.1109/RADAR.2014.6875759.
  8. W. Xiang, X. Yang, L. Fan, T. Shuai, W. Ai, “An algorithm based on SDP to solve distance calculation problem in OVFDM communication system,” 2010 2nd IEEE InternationalConference on Network Infrastructure and Digital Content, 2010, pp. 589-594, doi: https://doi.org/10.1109/ICNIDC.2010.5657849.
  9. L. Qi, L.-Z. Liao, W. Zang, G. Zhou, “Continuous optimization and combinatorial optimization,” Front. Math. China, vol. 5, no. 1, pp. 1–2, 2010, doi: https://doi.org/10.1007/s11464-009-0044-2.
  10. S. J. Li, X. Q. Yang, K. L. Teo, “On the Conversion of Optimization Problems with Max–Min Constraints to Standard Optimization Problems,” J. Optim. Theory Appl., vol. 109, no. 3, pp. 691–698, 2001, doi: https://doi.org/10.1023/A:1017580108556.
  11. Y. Ding, W. Zhang, L. Yu, K. Lu, “The accuracy and efficiency of GA and PSO optimization schemes on estimating reaction kinetic parameters of biomass pyrolysis,” Energy, vol. 176, pp. 582–588, 2019, doi: https://doi.org/10.1016/j.energy.2019.04.030.
  12. Y. Matsuura, A. Hayano, K. Itakura, and Y. Suzuki, “Estimation of planes of a rock mass in a gallery wall from point cloud data based on MD PSO,” Appl. Soft Comput., vol. 84, p. 105737, 2019, doi: https://doi.org/10.1016/j.asoc.2019.105737.
  13. V. Jeyakumar, G. Li, J. Vicente-Pérez, “Robust SOS-convex polynomial optimization problems: exact SDP relaxations,” Optim. Lett., vol. 9, no. 1, pp. 1–18, 2015, doi: https://doi.org/10.1007/s11590-014-0732-z.
  14. F. Xiong, G. Sun, Y. Xiong, S. Yang, “A moment-matching robust collaborative optimization method,” J. Mech. Sci. Technol., vol. 28, no. 4, pp. 1365–1372, 2014, doi: https://doi.org/10.1007/s12206-014-0122-6.