A multi dynamics algorithm for global optimization

Tuning Multivariable Optimal PID Controller for a Continuous Stirred Tank Reactor Using an Evolutionary Algorithm

“…La exploración se lleva a cabo a través de la creación de nuevos individuos a partir de tres subgrupos. Los individuos de cada dinámica y la cardinalidad de estos subgrupos se establecen por medio de la distribución estadística de cada generación y cambian en cada generación [3].…”

“…Cada uno de los nuevos individuos se compara con su padre y el que tiene el mejor rendimiento se mantiene en la nueva población. Este subgrupo tiene el papel de hacer una convergencia más rápida y explotar al máximo lo bueno conocido [3].…”

“…Este subgrupo busca soluciones potenciales en el vecindario de la media de la población y representa la memoria de la evolución. En un principio, el vecindario es amplio, pero con las sucesivas generaciones la dispersión se desvanece y la media de la población se acerca al óptimo general, de tal manera que el tamaño de la vecindad es reducido para explorar con mayor intensidad la región del espacio de búsqueda con más potencial [3].…”

“…El problema entonces consta en minimizar una función objetivo. Para este caso específico se utilizará la función objetivo dada por la ecuación 11, donde el mínimo será el resultado de obtener una combinación adecuada entre los parámetros del controlador PID [3]. Los valores de cambio de referencia y perturbaciones aplicados al sistema son los siguientes: (i) El cambio de referencia de la temperatura (T) se produce a los 50 segundos con un valor de Tref+5.…”

“…A partir de un modelo estándar del CSTR, se realizó un controlador PID múltivariable y se sintonizó por medio de un algoritmo evolutivo, en este caso se utilizó el Algoritmo MAGO [3]. Este algoritmo evolutivo se caracteriza por basarse en operadores estadísticos, por su auto organización y pocos parámetros dependientes del analista.…”