Ajuste paramétrico c1 y c2 en el desempeño del algoritmo de optimización de partículas – PSO
DOI:
https://doi.org/10.47189/rcct.v19i22.248Palabras clave:
Coeficientes de Aceleración, Metaheurística poblacional, Método Estocástico, Particle Swarm Optimization, PSOResumen
La estimación de costos es un proceso vital en la planificación de la producción industrial, garantizando una mayor exactitud. Un producto en su ciclo de vida parte de la estimación de costos, logrando con ello establecer los elementos de diseño, viabilidad y márgenes de utilidad. El algoritmo metaheurístico poblacional Optimización de Enjambre de Partículas (PSO) desde su aparición ha demostrado ser eficiente en la solución de problemas de optimización, la variación de sus parámetros ha permitido mejorar su eficiencia. Entre los parámetros de configuración se encuentran los coeficientes de aceleración c1 y c2. El presente trabajo está centrado en realizar un estudio del ajuste paramétrico de c1 y c2 en el desempeño de PSO para resolver un problema de estimación de costos en la fabricación de tuberías. Dado que los diseñadores son propensos a cometer errores y en la búsqueda de modelos que representen al fenómeno estudiado, se ha demostrado que la modelación de problemas no lineales, basada en Redes Neuronales Artificiales (ANNs) provee aproximaciones con bajo margen de error. En consecuencia, en este artículo es mostrada la implementación de una Red Neuronal Artificial (ANN) tipo feedforward sigmoidal con aprendizaje PSO para lograr mejorar la exactitud en la estimación de costos. El estudio de caso utilizado para evaluar el modelo, corresponde a datos provenientes de la producción de tubería para la transferencia de fluidos en la industria minera con información relacionada al peso, tipo de soldadura, diámetro y el correspondiente costo. Los valores evaluados como coeficientes de aceleración estuvieron en el rango 0 a 10, los demás parámetros, en este caso factor inercial y el tamaño de enjambre se trabajaron con valores fijos. La función objetivo utilizada es el Error Cuadrático Medio (MSE), calculado entre los valores observados y los valores estimados por la ANN. A partir de los resultados se puede observar que valores muy pequeños de c1 y c2 obtienen baja exactitud en la estimación de costos de fabricación de tubería, en tanto que la mejor exactitud es lograda por medio de una ANN con aprendizaje PSO, cuyos coeficientes de aceleración son mayores o iguales a 0.5.
Descargas
Citas
Barba, L., Rodríguez, N. (2015). Traffic Accidents Forecasting using Singular Value Decomposition and an Autoregressive Neural Network Based on PSO. Cielo, 33–38.
Barba, L., Bodero, E. (2017). Redes Neuronales Artificiales para Estimación de Costos de Construcción Industrial. V Congreso Internacional de Investigación y Actualización en Ingenierías, Galápagos (Ecuador), 269-278.
Bodero, E., Leguizamón G. (2018). Efecto de los coeficientes de aceleración de PSO en el desempeño de una Red Neuronal Artificial aplicada a la Estimación de Costos, Revista Facultad de Ingeniería Universidad Nacional de Chimborazo, NovaSinergia, Vol. 1, 33-40.
Carlisle, A., Dozier, G. (2001). “An off-the-self PSO”, Proceedings of the Workshop on Particle Swarm Optimization, Indianapolis (USA), pp. 1-6.
Chang, R., Lu, C.N. (2002). “Feeder reconfiguration for load factor improvement”, Proceedings of the IEEE Power Engineering Society Winter Meeting, New York (USA), Vol. 2, pp. 980-984.
Dokić A.,& Jović S. (2017). Evaluation of agriculture and industry effect on economic health by ANFIS approach, Physica A: Statistical Mechanics and its Applications, Volume 479, 2017, Pages 396-399.
Duarte, C., Quiroga, J. (2010). "Algoritmo PSO para identificación de parámetros en un motor DC." Revista Facultad de Ingeniería Universidad de Antioquia 55.
Eberhart, R., Hu, X. (1999). “Human tremor analysis using particle swarm optimization”, Proceedings of the 1999 Congress on Evolutionary Computation-CEC99, Washington (USA), Vol. 3, pp. 1927-1930.
Eberhart, R., Shi, Y. (2001). “Particle swarm optimization: developments, applications and resources”, Proceedings of the 2001 Congress on Evolutionary Computation, Seoul (South Korea), Vol. 1, pp. 81-86.
Franken, N., Engelbrecht, A.P. (2004). “PSO approaches to co-evolve IPD strategies”, Proceedings of the 2004 IEEE Congress on Evolutionary Computation, Oregon (USA), pp. 356-363.
Gaing, Z-L. (2003). “Discrete particle swarm optimization algorithm for unit commitment”, Proceedings of the 2003 IEEE Power Engineering Society General Meeting, Toronto (Canada), Vol. 1, pp. 418-424.
Hu, X., Eberhart, R. (2002). “Adaptive particle swarm optimization: detection and response to dynamic systems”, Proceedings of the 2002 Congress on Evolutionary Computation-CEC02, Honolulu (USA), Vol. 2, pp.1666-1670.
Hu, X., Eberhart, R., Shi, Y. (2003). “Engineering optimization with particle swarm”, Proceedings of the 2003 IEEE Swarm Intelligence Symposium, Indianapolis (USA), pp. 53-57.
Ismail, A., Engelbrecht, A. (2000). “Global optimization algorithms for training product unit neural networks”, Proceedings of IEEE-INNS-ENNS International Joint Conference on Neural Networks, Como (Italy), Vol. 1, pp. 132-137.
Kennedy, J. (1997). “The particle swarm: social adaptation of knowledge”, Proceedings of the 1997 IEEE International Conference on Evolutionary Computation-ICEC97, Indianapolis (USA), pp. 303-308.
Kennedy, J., Eberhart, R. (1995). “Particle swarm optimization”, Proceedings of the IEEE International Conference on Neural Networks-ICNN’95, Perth (Australia), Vol.4, pp. 1942-1948.
Kennedy, J., Eberhart, R. (2001). “Swarm intelligence”, Morgan Kaufmann Publishers, San Francisco.
Koay, C.A., Srinivasan, D. (2003). “Particle swarm optimization-based approach for generator maintenance scheduling”, Proceedings of the 2003 IEEE Swarm Intelligence Symposium, Indianapolis (USA), pp. 167-173.
Laskari, E., Parsopoulos, K., Vrahatis, M. (2002). “Particle swarm optimization for minimax problems”, Proceedings of the 2002 Congress on Evolutionary Computation-CEC02, Honolulu (USA), Vol. 2, pp. 1576-1581.
Lu, Z-S., Yan, S. (2004). “Multiuser detector based on particle swarm algorithm”, Proceedings of the IEEE 6th CAS Symposium on Emerging Technologies: Frontiers of Mobile and Wireless Communication, Shanghai (China), pp. 783-786.
Millonas, M.M. (1994). “Swarms, phase transitions, and collective intelligence”, Proceedings of Artificial life III, Vol. XVII, SFI Studies in the Sciences of Complexity, Addison-Wesley.
Miranda, V., Fonseca, N. (2002). “EPSO – Evolutionary particle swarm optimization, a new algorithm with applications in power systems”, IEEE/PES Transmission and Distribution Conference and Exhibition, Porto Alegre (Brazil), Vol. 2, pp. 745-750.
Naka, S., Genji, T., Yura, T., Fukuyama, Y. (2001). “Practical distribution state estimation using hybrid particle swarm optimization”, Proceedings of 2001 Winter Meeting of the IEEE Power Engineering Society, Columbus (USA), Vol. 2, pp. 815- 820.
Naka, S., Genji, T., Yura, T., Fukuyama, Y. (2003). “A hybrid particle swarm optimization for distribution state estimation”, IEEE Transactions on Power Systems, Vol. 18, No. 1, pp. 60-68.
Parmee, I. C. (2003). Computational intelligence and civil engineer- ing-perceived problems and possible solutions, in Towards a Vision for Information Technology in Civil Engineering, I. Flood, Ed., ASCE, Nashville, Tenn, USA.
Rodriguez, N., Duran, O. (2013). Reduced Multivariate Polynomial Model for Manufacturing Costs Estimation of Piping Elements, Hindawi Publishing Corporation Mathematical Problems in Engineering, Vol. 2013.
Sholahuddin, A. Ramadhan. A. Supriatna, A. (2015). The Application of ANN-Linear Perceptron in the Development of DSS for a Fishery Industry, Procedia Computer Science, Volume 72, 2015, Pages 67-77.
Srinivasan, D., Loo, W., Cheu, E. (2003). “Traffic incident detection using particle swarm optimization”, Proceedings of the 2003 IEEE Swarm Intelligence Symposium, Indianapolis (USA), pp. 144-151.
Svozil, D. Kvasnicka, V., & Pospichal. J. (1997). Introduction to multi-layer feed-forward neural networks, Chemometrics and Intelligent Laboratory Systems, Volume 39, Issue 1, 1997, Pages 43-62.
Tasgetiren, M.F., Liang, Y-C. (2003). “A binary particle swarm optimization algorithm for lot sizing problem”, Journal of Economic and Social Research, Vol. 5, No. 2, pp. 1-20.
Veeramachaneni, K., Osadciw, L.A. (2004)1. “Optimal scheduling in sensor networks using swarm intelligence”, Proceedings of the Conference on Information Sciences and System, Princeton University, New Jersey (USA).
Veeramachaneni, K., Osadciw, L.A. (2004)2. “Dynamic sensor management using multi objective particle swam optimizer”, Proceedings of the SPIE, Vol. 5434, Multisensor, Multisource Information Fusion: Architecture, Algorithms, and Applications 2004, pp. 205-216.
Vesterstrom, J., Riget, J. (2002). “Particle swarms: Extensions for improved local, multi- modal, and dynamic search in numerical optimization”, Master’s Thesis, University of Aarhus.
Wang, Z., Durst, G., Eberhart, R., Boyd, D., Miled, Z. (2004). “Particle swarm optimization and neural network application for QSAR”, Proceedings of the 18th International Parallel and Distributed Processing Symposium (IPDPS’04), New Mexico, (USA).
Yangyang, Z., Chunlin, J.I., Ping, Y., Manlin, L.I., Chaojin, W., Guangxing, W. (2004). “Particle swarm optimization for base station placement in mobile communication”, Proceedings of the 2004 IEEE International Conference on Networking, Sensing & Control, Taipei (Taiwan), pp. 428-432.
Zhao, Y., Zheng, J. (2004). “Particle swarm optimization algorithm in signal detection and blind extraction”, Proceedings of the 7th International Symposium on Parallel Architectures, Hong Kong (China), pp. 37-41.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2019 Revista Científica Ciencia y tecnología
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
