UPV



Resultados de la búsqueda By Etiquetas: optimizacion


Diseño automático de forjados mixtos con chapa nervada, basado en criterios de eficiencia energética y económicos

ALCALÁ, J.; YEPES, V.; MARTÍ, J.V.; BÁRCENA, A. (2014). Diseño automático de forjados mixtos con chapa nervada, basado en criterios de eficiencia energética y económicos. VI Congreso de ACHE, 3-5 de junio, Madrid.

RESUMEN

Los forjados mixtos con chapa colaborante son una tipología de estructuras horizontales que está experimentando un crecimiento continuo en las últimas décadas. El objetivo de este trabajo consiste en aplicar técnicas heurísticas para optimizar este tipo de forjados. Estos métodos permiten abordar el problema a partir de la definición completa del forjado mixto, al tiempo que se satisfacen las restricciones estructurales exigidas por la normativa. Se han utilizado dos funciones objetivo en la optimización, una económica y otra que cuantifica el consumo energético asociado a cada diseño particular. Se han empleado algoritmos basados en tres metaheurísticas: búsqueda local de descenso (DLS), cristalización simulada (SA) y aceptación por umbrales (TA). Los mejores resultados se han obtenido con el SA. Finalmente, se ha estudiado la sensibilidad del modelo y un estudio paramétrico con diferentes tramos horizontales.

PALABRAS CLAVE:

Optimización, heurística, forjado mixto, solución constructiva, sostenibilidad.

4 Junio, 2014
 
|   Etiquetas: ,  ,  ,  ,  |  

Lecciones aprendidas en la optimización de estructuras de hormigón y la sostenibilidad

Hoy empieza el VI Congreso Internacional de Estructuras ACHE en Madrid. Es un buen momento para reflexionar sobre las lecciones aprendidas en optimización de estructuras de hormigón y su sostenibilidad. Son reflexiones fruto del trabajo de los últimos 8 años de investigación que permiten establecer algunas conclusiones que creo son de interés para los que nos dedicamos a la ingeniería civil, y en particular, a la investigación sobre el hormigón estructural y las infraestructuras en general.

Toda esta aventura empezó con la lectura de mi tesis doctoral, en el año 2002, sobre optimización de redes de transporte. Elegí este tema al ser profesor de la asignatura de Procedimientos de Construcción y estar interesado en profundizar en aspectos como el movimiento de tierras y la modelización del transporte. La realización de esta tesis me permitió adentrarme en un mundo desconocido para mí que era la optimización heurística y la inteligencia artificial. A pesar de las novedades que presentó la tesis y las publicaciones posteriores, me di cuenta que traspasar la frontera entre el mundo de las ideas a la realidad cotidiana del transporte suponía un reto de un alcance superior: la toma de decisiones en tiempo real en las rutas de distribución requería una actualización constante de gran cantidad de datos: tráfico, congestión, demanda de clientes, stocks, costes variables, etc. El problema no era la optimización, sino la gestión de cantidades masivas de datos que se actualizaban permanentemente. (más…)

3 Junio, 2014
 
|   Etiquetas: ,  ,  ,  |  

Introducción a la optimización heurística en ingeniería

Este pasado mes de octubre, estando como profesor visitante en la Universidad Católica de Chile, tuve la oportunidad de impartir un seminario introductorio a la optimización heurística en ingeniería. A continuación os paso la presentación. Espero que os guste.

Descargar (PDF, 3.02MB)

Comunicaciones presentadas en el 2º Congreso EIME

En plena celebración del 2º Congreso Nacional sobre Enseñanza de las Matemáticas en Ingeniería de Edificación, desarrollado los días 18 y 19 de julio de 2013 en la Universitat Politècnica de València, aprovecho para presentar los resúmenes de los trabajos que hemos presentado. Espero que sean de vuestro interés.

Los autores agradecen el aporte financiero realizado para este trabajo por el Ministerio de Ciencia e Innovación (Proyecto de Investigación BIA2011-23602) y por la Universitat Politècnica de València (Proyecto de Investigación PAID-06-12). (más…)

19 Julio, 2013
 
|   Etiquetas: ,  ,  ,  ,  ,  |  

Los algoritmos genéticos

Charles Darwin en una fotografía tomada por J.M. Cameron en 1869.

Resulta fascinante comprobar cómo aplicando los mecanismos básicos de la evolución ya descrita por Darwin en su obra fundamental, El origen de las especies por medio de la selección natural, o la preservación de las razas preferidas en la lucha por la vida, publicada en 1859, se pueden generar algoritmos capaces de optimizar problemas complejos. Este tipo de metaheurísticas inspiradas en la Naturaleza ya se comentaron en posts anteriores cuando hablamos de la optimización por colonias de hormigas o de la cristalización simulada. Aunque es un algoritmo ampliamente conocido por la comunidad científica, voy a intentar dar un par de pinceladas con el único afan de divulgar esta técnica. La verdad es que las implicaciones filosóficas que subyacen tras la teoría de Darwin son de una profundidad difícil de entender cuando se lleva a sus últimos extremos. Pero el caso es que estos algoritmos funcionan perfectamente en la optimización de estructuras de hormigón, problemas de transporte y otros problemas difíciles de optimización combinatoria.

Para aquellos interesados, os paso en las referencias un par de artículos donde hemos aplicado los algoritmos genéticos para optimizar rutas de transporte aéreo o pilas de puente huecas de hormigón armado. (más…)

Optimización heurística mediante aceptación por umbrales

A continuación os presentamos un Polimedia donde se explica brevemente cómo podemos optimizar siguiendo la técnica de optimización heurística mediante aceptación por umbrales. Podréis comprobar cómo se trata de un caso similar a la famosa técnica de la cristalización simulada. Espero que os sea útil.

Podéis consultar, a modo de ejemplo, algunos artículos científicos que hemos escrito a ese respecto en las siguientes publicaciones:

  • CARBONELL, A.; GONZÁLEZ-VIDOSA, F.; YEPES, V. (2011). Heuristic optimization of reinforced concrete road vault underpasses. Advances in Engineering Software, 42(4): 151-159. ISSN: 0965-9978.  (link)
  • MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2010). Heuristic Optimization of RC Bridge Piers with Rectangular Hollow Sections. Computers & Structures, 88: 375-386. ISSN: 0045-7949.  (link)
  • YEPES, V.; MEDINA, J.R. (2006). Economic Heuristic Optimization for Heterogeneous Fleet VRPHESTW. Journal of Transportation Engineering, ASCE, 132(4): 303-311. (link)

¿Qué es la optimización por cristalización simulada?

La cristalización simulada (también llamado recocido simulado)  “Simulated Annealing, SA” constituye una de las estrategias a las que se recurre en la resolución de los problemas de optimización combinatoria. Kirkpatrick, Gelatt y Vecchi la propusieron por primera vez en 1983 y Cerny en 1985 de forma independiente. Estos autores se inspiraron en los trabajos sobre Mecánica Estadística de Metrópolis et al. (1953). La metaheurística despliega una estructura que se inserta cómodamente en la programación, mostrando además una considerable habilidad para escapar de los óptimos locales. Fue una técnica que experimentó un auge considerable en la década de los 80 para resolver los modelos matemáticos de optimización.

La energía de un sistema termodinámico se compara con la función de coste evaluada para una solución admisible de un problema de optimización combinatoria. En ambos casos se trata de evolucionar de un estado a otro de menor energía o coste. El acceso de un estado metaestable a otro se alcanza introduciendo “ruido” con un parámetro de control al que se denomina temperatura. Su reducción adecuada permite, con una elevada probabilidad, que un sistema termodinámico adquiera un mínimo global de energía. Conceptualmente es un algoritmo de búsqueda por entornos, que selecciona candidatos de forma aleatoria. La alternativa se aprueba si perfecciona la solución actual (D menor o igual que cero); en caso contrario, será aceptada con una probabilidad  (e(-D/T) si D>0, donde T es el parámetro temperatura) decreciente con el aumento de la diferencia entre los costes de la solución candidata y la actual. El proceso se repite cuando la propuesta no es admitida. La selección aleatoria de soluciones degradadas permite eludir los mínimos locales. La cristalización simulada se codifica fácilmente, incluso en problemas complejos y con funciones objetivo arbitrarias. Además, con independencia de la solución inicial, el algoritmo converge estadísticamente a la solución óptima (Lundy y Mees, 1986). En cualquier caso, SA proporciona generalmente soluciones valiosas, aunque no informa si ha llegado al óptimo absoluto. Por contra, al ser un procedimiento general, en ocasiones no resulta competitivo, aunque sí comparable, ante otros específicos que aprovechan información adicional del problema. El algoritmo es lento, especialmente si la función objetivo es costosa en su tiempo de computación. Además, la cristalización simulada pierde terreno frente a otros métodos más simples y rápidos como el descenso local cuando el espacio de las soluciones es poco abrupto o escasean los mínimos locales.

Referencias

CERNY, V. (1985). Thermodynamical approach to the traveling salesman problem: an efficient simulated algorithm. Journal of Optimization Theory and Applications, 45: 41-51.

KIRKPATRICHK, S.; GELATT, C.D.; VECCHI, M.P. (1983). Optimization by simulated annealing. Science, 220(4598): 671-680.

LUNDY, M.; MEES, A. (1986). Convergence of an Annealing Algorithm. Mathematical programming, 34:111-124.

METROPOLIS, N.; ROSENBLUTH, A.W.; ROSENBLUTH, M.N.; TELLER, A.H.; TELER, E. (1953). Equation of State Calculation by Fast Computing Machines. Journal of Chemical Physics, 21:1087-1092.

19 Abril, 2012
 
|   Etiquetas: ,  ,  ,  ,  ,  ,  |  

¿Qué es un modelo matemático de optimización?

La optimización significa hallar el valor máximo o mínimo de una cierta función, definida en un dominio. En los problemas de decisión que generalmente se presentan en la vida empresarial existen una serie de recursos escasos (personal, presupuesto, tiempo), o de requisitos mínimos a cumplir (producción, horas de descanso), que condicionan la elección de la solución adecuada, ya sea a nivel estratégico, táctico e incluso operativo. Por lo general, el propósito perseguido al tomar una decisión consiste en llevar a cabo el plan propuesto de una manera óptima: mínimos costos o máximo beneficio.

Desgraciadamente, la complejidad de las situaciones reales es de tal magnitud que en numerosas ocasiones son inviables los métodos matemáticos de resolución exactos, de modo que los problemas de optimización planteados frecuentemente se resuelven con métodos aproximados que proporcionan soluciones factibles que sean satisfactorias.

Os dejamos aquí un pequeño vídeo para divulgar lo que significa un modelo matemático de optimización. Espero que os guste.

 

17 Marzo, 2012
 
|   Etiquetas: ,  ,  ,  ,  |  

Optimización y programación matemática

George Bernard Dantzig (1914-2005), “padre de la programación lineal”

Optimizar significa buscar la mejor manera de realizar una actividad, y en términos matemáticos, hallar el máximo o mínimo de una cierta función, definida en algún dominio. La optimización constituye un proceso para encontrar la mejor solución de un problema donde “lo mejor” se concilia con criterios establecidos previamente.

La programación matemática constituye un campo amplio de estudio que se ocupa de la teoría, aplicaciones y métodos computacionales para resolver los problemas de optimización condicionada. En estos modelos se busca el extremo de una función objetivo sometida a un conjunto de restricciones que deben cumplirse necesariamente. Las situaciones que pueden afrontarse con la programación matemática se suelen presentar en ingeniería, empresas comerciales y en ciencias sociales y físicas.

Con carácter general, un programa matemático (ver Minoux, 1986) consiste en un problema de optimización sujeto a restricciones en  de la forma:

 

(más…)

7 Enero, 2012
 
|   Etiquetas: ,  ,  ,  ,  ,  ,  |  

Entrada siguiente

Universidad Politécnica de Valencia