métodos cuasi-analíticos
métodos cuasi-analíticos
métodos cuasi-analíticos
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
{ }<br />
2<br />
' ' ' ' '<br />
( i) ≤ ( i) ; ∀ i∈<br />
( min, − ) ∪(<br />
max,<br />
+ )<br />
F u Masc u u u HBW u HBW<br />
i = 1,2... G<br />
( )<br />
MÉTODOS ESTOCÁSTICOS<br />
(1.3.12)<br />
Im⎡⎣F 0 ⎤⎦<br />
= 0<br />
(1.3.13)<br />
0 < z < L ; ∀ n= 2,3,... N<br />
(1.3.14)<br />
n<br />
Como se demuestra en [11], para cualquier conjunto fijo de posiciones, el problema de<br />
calcular las excitaciones (ec. 1.3.7) sometido a unas restricciones (ec. 1.3.12-14) da<br />
lugar a un problema de programación convexo (PPC). Además, este problema presenta<br />
un único mínimo; el mínimo global, si se fija la posición de las excitaciones. Nótese que<br />
este valor óptimo se alcanza en un único punto o en un subconjunto convexo del<br />
conjunto de excitaciones.<br />
Por otro lado, la ecuación 1.3.7 y las restricciones 1.3.8-9 no son convexas con respecto<br />
a la posición de los elementos, así que todo problema de optimización puede admitir<br />
varios óptimos locales y las técnicas de optimización global tienen que usarse para<br />
escoger la mejor solución. Haciendo esto, la eficiencia se puede incrementar debido a la<br />
propia convexidad del problema con respecto a las variables de excitación.<br />
Consideremos un conjunto genérico de posiciones ( z z z )<br />
Ω = = 0, ... , que satisfacen<br />
z 1 2 N<br />
la restricción 1.3.14, de una agrupación de N elementos. Para cada conjunto arbitrario<br />
Ω z de posiciones y en virtud de los resultados encontrados en [11], las restricciones que<br />
aparecen en las ecuaciones 1.3.12-13 definen un conjunto convexo que definimos como<br />
A = A Ω que definimos como:<br />
C. Introduzcamos una función auxiliar ( )<br />
( )<br />
u u z<br />
{ ( ) }<br />
Au Ω z = MIN Re⎡ ' ' ' ⎣F 0 ⎤⎦<br />
(1.3.15)<br />
( Ω I '= ( I1, I2,... IN ) ) ∈C<br />
Donde la función Au = Au(<br />
Ω z)<br />
nos da el valor óptimo de Re F ( 0)<br />
su valor mínimo para el conjunto dado de posiciones, Ω z.<br />
Aunque u( z)<br />
una expresión cerrada en términos de ( z 0, z ... z ) ,<br />
z 1 2 N<br />
⎡⎣ ⎤⎦<br />
que coincide con<br />
A Ω no tiene<br />
Ω = = ésta se puede computar de<br />
una forma conceptual resolviendo el problema de programación convexa, PPC, en el<br />
lado derecho de ec. 1.3.15. La solución se consigue después de utilizar las librerías<br />
A Ω y el conjunto de excitaciones<br />
numéricas de Matlab [17] que dan un valor de ( )<br />
u z<br />
óptimas ' . Ω I Como consecuencia, todo el problema se reduce ahora a aplicar una<br />
optimización global de la función A = A ( Ω ).<br />
u u z<br />
Ahora hay que decidir qué técnica de optimización global adoptar. La evaluación de la<br />
A Ω implica la solución de un PPC; los algoritmos genéticos<br />
función auxiliar ( )<br />
u z<br />
requieren la computación de la función objetivo para cada elemento de la población (en<br />
cada iteración) lo que podría dar lugar a una excesiva carga computacional. El<br />
“simulated annealing”, SA, [18-19] parece más adecuado para resolver este tipo de<br />
problemas por lo que se ha sido elegido.<br />
41