Ajuste paramétrico c1 y c2 en el desempeño del algoritmo de optimización de partículas – pso

Elba María Bodero Poveda, Edison Patricio Villacrés Cevallos, Paúl Stalin Ricaurte Ortiz, Marco Marcel Paredes Herrera, Patricia Alexandra Chiriboga Zamora

Resumen


La estimación de costos 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 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  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.

Texto completo:

PDF HTML

Referencias


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.


Enlaces refback

  • No hay ningún enlace refback.


SÍGUENOS:


Dirección: Urdesa Central, Guayacanes 520 y la 5ta. Guayaquil - Ecuador | PBX ADMISIONES: (593) 4 6052450 PBX: (593) 4 6020400

Copyright © 2017 Universidad Tecnológica Empresarial de Guayaquil. Todos los Derechos Reservados.