multiobjetivo

Mecánica Computacional Vol. XXII
M. B. Rosales, V. H. Cortínez y D. V. Bambill (Editores)
Bahía Blanca, Argentina, Noviembre 2003.

UN ALGORITMO GENETICO MULTI-OBJETIVO PARA DISEÑO
INICIAL DE REDES DE SENSORES
Jessica A. Carballido, Ignacio Ponzoni, Nélida B. Brignole
Grupo de Investigación y Desarrollo en Computación Científica
Departamento de Ingeniería y Ciencias de la ComputaciónUniversidad Nacional del Sur
Av. Alem 1253 – 8000 - Bahía Blanca
ARGENTINA
Grupo de Ingeniería de Sistemas de Procesos
Planta Piloto de Ingeniería Química (PLAPIQUI)
Universidad Nacional del Sur - CONICET
Complejo CRIBABB – Camino La Carrindanga km 7 – CC 717 - Bahía Blanca
ARGENTINA
jcarballido@plapiqui.edu.ar ; ip@cs.uns.edu.ar ; dybrigno@criba.edu.ar

Palabras clave: Diseño de Redes deSensores, Algoritmos Genéticos, Optimización MultiObjetivo, Criterio de Convergencia.
Resumen. En este trabajo se presenta un nuevo criterio de convergencia genotípico para un
Algoritmo Genético Multi-Objetivo (AGMO), el cual encuentra una configuración inicial de
sensores para diseño de instrumentación de plantas de procesos. Esta inicialización tiene un
fuerte impacto en la eficiencia delAnálisis de Observabilidad, etapa clave en el diseño de
instrumentación. El nuevo criterio de convergencia es fundamental para la aplicación del
AGMO a problemas industriales, típicamente de gran escala. Los resultados obtenidos
fueron muy satisfactorios, por lo cual se recomienda la aplicación del AGMO en casos
reales.

1295

ENIEF 2003 - XIII Congreso sobre Métodos Numéricos y susAplicaciones

1 INTRODUCCION
Una de las disciplinas dentro de las ciencias de la computación con más fuerte expansión
en las últimas décadas ha sido la Computación Evolutiva (CE)1,2,3. Esta comprende distintos
enfoques de simulación de la evolución, entre otros los Algoritmos Genéticos (AGs), las
estrategias evolutivas y la programación evolutiva. Todos ellos tienen en común la
reproducción(cruzamiento), modificaciones aleatorias (mutación), competencia y selección
de individuos que rivalizan en una población.
En particular, los AGs son métodos de búsqueda que utilizan operadores inspirados en la
genética natural. En términos generales, los AGs resultan robustos, eficientes y eficaces en
problemas de optimización complejos, aunque también poseen otras áreas de aplicación tales
comotareas de planificación (routing, scheduling, packing, etc), diseño, simulación e
identificación, control y clasificación1.
Los AGs procesan una población de individuos que representan a las potenciales
soluciones del problema. Esta población evoluciona con cada nueva generación hasta que en
la última se alcanza la solución. El proceso emplea tres operadores básicos: selección,
cruzamiento ymutación. El operador de selección favorece la supervivencia de aquellos
individuos con mejores características. Por otro lado, los operadores de mutación y
cruzamiento crean nuevos individuos conformados con parte del código genético de sus
padres, a fin de recorrer regiones aún no exploradas.
Por su eficiencia y eficacia en problemas de optimización complejos, se decidió utilizar un
AGMulti-Objetivo (AGMO) para encontrar la configuración inicial de sensores. En la
sección 2 de este artículo se explica el Análisis de Observabilidad (AO), mientras que la
vinculación entre los AGMOs y el Diseño de Redes de Sensores (DRS) se introduce en la
sección 3. Luego, en la sección 4, se presenta en detalle nuestro AGMO para DRS. Los casos
de estudio, junto con los resultados obtenidos, sereportan en la sección 5. Finalmente, en la
sección 6 se resumen las conclusiones.
2 ANALISIS DE OBSERVABILIDAD
El objetivo del DRS es determinar qué instrumentos de medición deben ubicarse dentro de
la planta, a fin de obtener un buen conocimiento del funcionamiento de la misma. Esta tarea
implica determinar no sólo los equipos y corrientes sobre los cuales deben colocarse sensores,
sino...