UT 7.

ALGORITMOS GENÉTICOS Y VIDA

ARTIFICIAL
UT 7: ALGORITMOS GENÉTICOS

¿QUÉ ES UN ALGORITMO GENÉTICO?

LOS COMPONENTES

El CICLO DE LA EVOLUCIÓN

ESTRUCTURA DE UN ALGORITMO GENÉTICO

Aplicaciones de Soft computing
Aplicaciones
de
algoritmos
genéticos
 Aplicaciones de algoritmos genéticos

Problema: Se tiene una represa que con capacidad de venta de energía

eléctrica a los países vecinos. El objetivo del problema es maximizar las
ganancias producto de dichas ventas realizando una adecuada gestión
de los recursos. A continuación se mencionan los supuestos empleados
en el planteamiento del problema:
• Los modelos empleados se basan en simplificaciones con el fin de
entender la aplicabilidad de los algoritmos genéticos
• El ejemplo es aplicable a la gestión de cualquier otro recurso
energético que se pueda almacenar
Aplicaciones de
algoritmos
genéticos
• No existe limite superior
para la cantidad de energía
almacenada disponible
para la venta (GWh)
• Todo los meses la energía
almacenada disponible
para la venta aumenta una
cantidad conocida (Por
ejemplo: saldo entre las
lluvias y el consumo
interno) ejemplo. Dicha
energía no tiene un costo
asociado. Se considera solo
la venta como variable del
problema
Aplicaciones de algoritmos genéticos

Inicialmente se
No existe limite superior para La energía almacenada tiene una
la cantidad de energía disponible para la venta cantidad de
almacenada disponible para tiene un mínimo de cero energía almacenada
la venta (GWh) GWh (200 GWh por
ejemplo)

La solución buscada se basa

Se conoce el precio de venta en un modelo
Existe un limite para la venta
en función de la cantidad de determinístico, es decir no se
de energía por mes (400
energía para cada mes del tienen en cuenta las
GWh por ejemplo)
año variables aleatorias
involucradas
Aplicaciones de algoritmos
genéticos
 Aplicaciones de
algoritmos genéticos
• Objetivo: determinar cuanta energía vender mensualmente por un
período de una año de manera tal que se maximice la ganancia
 Aplicaciones de
algoritmos genéticos

• Codificación: cada solución se codifica con un vector binario de 12*8

elementos
• Es decir, se emplean 8 bits para especificar la energía vendida
mensualmente

• Para obtener la energía vendida 𝐸 = 𝐸𝑚𝑎𝑥 ∗ 𝑁𝑏𝑏𝑏𝑛/255

178
• 1011 0010 = 178 𝐸= 400 ∗ = 279,2 𝐺𝐺𝐺ℎ
255
 • Aplicaciones de algoritmos genéticos

• La función aptitud es la ganancia anual obtenida

por la venta de energía
• La selección se realiza por el método de la ruleta
• Se aplica el operador cruce en 2 puntos y la mutación bit-flip
 • Algunos datos extra sobre el algoritmo
desarrollado
• Tamaño de la población: 60-300 individuos
• Tasa de cruce: 65 %- 85 %
Aplicaciones • Tasa de mutación: 1-2 %
• Criterio de finalización: número de
de generaciones
• Número de generaciones: 100-5.000
algoritmos • La mejor solución de una generación pasa a la

genéticos siguiente en caso que no se mejore la solución

• En el caso que la venta codificada
supere la energía
almacenada la venta se
modifica para que la energía almacenada
quede en cero
Aplicaciones de
algoritmos • Ejemplo1: Energía inicial 200 GWh

genéticos
Aplicaciones de algoritmos genéticos
 Aplicaciones de
algoritmos genéticos

Generación Generación
Función aptitud: 108.990.000 USD
 Aplicaciones de
algoritmos genéticos

Ejemplo 2: Energía inicial 200 GWh

Aplicaciones de algoritmos
genéticos
 Aplicaciones de
algoritmos genéticos

Función aptitud: 77.827.000 USD

 Aplicaciones de
algoritmos genéticos
Efecto de la mutación en la convergencia
Baja tasa de mutación Elevada tasa de mutación
 Aplicaciones de
algoritmos genéticos
Efecto de la tasa de cruce en la convergencia
Baja tasa de cruce Elevada tasa de cruce
Funcion aptitud vs generación
57

56

55

54
M illo n es d e U S D

53

Mejor solución
Promedio
52

51

50

49
0 500 1000 1500 2000 2500

Mes
 Aplicaciones de algoritmos genéticos
Algunas consideraciones extras:
• Debido a su sencillez el tiempo de ejecución del algoritmo no es una
variable a tener en cuenta
• Si bien se realizó un análisis determinístico no es complicado hacer un
análisis de sensibilidad con el fin de tener en cuenta la variabilidad de
las variables involucradas
• Es posible “relajar” las restricciones con el fin de alcanzar mejores
óptimos (siempre y cuando no sea una restricción técnica)
• En un problema mas complicado se podrían agregar operadores
especiales para “reparar” las soluciones que no cumplan con
determinada restricción. Otra opción es penalizarlas en la función
aptitud.
 Soft computing y sus
aplicaciones en la eficiencia
energética
 Definición de soft computing

Enfoque tradicional (hard computing)

• Requiere un modelo analítico preciso
• Las entradas y las salidas deben ser precisas
• Basado en lógica binaria
• Determinística
• Ideal para sistemas críticos
• Los programas deben ser escritos
 Definición de soft computing

Soft computing
• No requiere un modelo analítico preciso. Ideales para encontrar
soluciones a problemas de la vida real para los que no se dispone de
un modelo o este es sumamente complicado
• Tolerante a la imprecisión, incertidumbre y verdades parciales.
• Estocástica
• Los programas pueden evolucionar
• Se busca emular el razonamiento humano
 Definición de soft
computing
Principales técnicas que abarca la soft computing
• Lógica difusa
• Algoritmos metaheurísticos
➢ Algoritmos genéticos
➢ Optimización por enjambre de partículas
➢ Algoritmos recosido simulado
• Redes neuronales
• Razonamiento probabilístico
 Definición de soft computing

Aplicaciones de la soft computing

• Reconocimiento de imágenes, clasificación
• Automatización y control (trenes, aire acondicionado, lavarropas, etc )
• Control de calidad de procesos, mantenimiento
• Optimización: energía, redes eléctricas, logística, diseño, problemas
multiobjetivo
• Diagnostico medico
• Toma de decisiones, valoración de riesgo
 • Algoritmos genéticos

• Aplicaciones
• Los principios básicos de los algoritmos
genéticos fueron establecidos por
Holland en los años 70
• Son métodos adaptativos que pueden
usarse para resolver problemas de
búsqueda y optimización. Están
basados en el proceso genético de los
organismos vivos
• ¿Cuando usar algoritmos genéticos?
• Funciones no derivables, espacios de
búsqueda de gran tamaño, variables
discretas y continuas
• Existen muchos máximos/mínimos
locales
 Algoritmos genéticos
Problema del vendedor viajante
• Objetivo: determinar la ruta mas corta posible
visitando todas la ciudades una única vez y
volviendo al origen al final del recorrido
• Existen en total (N-1)!/2 soluciones posibles
➢ Para 10 ciudades hay 181440 opciones
➢Para 30 ciudades hay 4 ∗ 1030 opciones. Si se
evaluaran un millón de soluciones por segundo se
tardaría 1018 años para resolver el problema
 Algoritmos
genéticos
• Codificación
• Población inicial
• Evaluación
• Selección
• Cruce
• Mutación
• Otros operadores
 Algoritmos genéticos
Codificación
• La codificación consiste en representar una solución al problema
planteado mediante un vector o una matriz. Se suele emplear código
binario, números naturales o reales. Se denominan cromosomas a cada
posible solución
 Algoritmos genéticos
Inicialización
• La población inicial consta de un conjunto de
individuos generados al azar o bien siguiendo ciertos
parámetros con el fin de generar un mejor conjunto
de soluciones
• Trabajar con una población inicial pequeña limita el
espacio de búsqueda mientras que trabajar con una
población muy grande implica un excesivo costo
computacional
• Si las soluciones están compuestas por N elementos
una población de entre N y 2N individuos debería ser
suficiente
 Algoritmos
Evaluación genéticos
• A cada individuo se le asigna un valor que indica que tan buena es la
solución. Para esto se emplea una función objetivo.
• La función objetivo debe representar de forma real la calidad de una
solución.
• Una función objetivo que “castigue” demasiado a las soluciones malas
podría hacer que el algoritmo converja prematuramente a un óptimo
local
• Una función objetivo que “premie” a las malas soluciones hará que el
algoritmo tenga dificultad en converger
 Algoritmos genéticos
Evaluación: ejemplos de funciones objetivo

• 𝑓= 𝐸𝑛𝑒𝑟𝑔𝐸𝑎 𝑎ℎ𝑜𝑟𝑟𝑎𝑑𝑎
• 𝑓= 𝐸𝑛𝑒𝑟𝑔𝐸𝑎 𝑎ℎ𝑜𝑟𝑟𝑎𝑑𝑎2 + 𝐾
• 𝑓𝑓= 1⁄ 𝐾 + 𝐸𝑛𝑒𝑟𝑔𝐸𝑎 𝑐𝑜𝑛𝑠𝑢𝑚𝑐𝑐𝑑𝑎
• 𝑓𝑓= 1⁄ 𝐾 + 𝑃𝑃𝑟𝑑𝑐𝑐𝑑𝑎𝑠 𝑒𝑙𝑃𝑐𝑡𝑟𝑐𝑐𝑐𝑎𝑠/𝑡𝑃𝑟𝑚𝑐𝑐𝑐𝑎𝑠
• 𝑓= 1⁄𝐸𝑚𝑐𝑐𝑠𝑐𝑐𝑜𝑛𝑒𝑠2
• 𝑓𝑓= 𝐴⁄ 𝐶 + 𝐵 ∗ 𝐶𝑜𝑠𝑡𝑜 − 𝑝𝑒𝑛𝑎𝑙𝑐𝑐𝑧𝑎𝑐𝑐𝑐𝑝𝑛
 Algoritmos
Selección genéticos
• En el proceso de selección se escogen
los individuos que van a dar lugar a una
nueva generación
• Los individuos mas aptos deben de
tener mayor probabilidad de ser
seleccionados
• Existen diversos métodos de selección,
uno de los mas comunes es el método
de la ruleta
 Algoritmos
Cruce genéticos
• La probabilidad que un individuo
sea seleccionado para un cruce
suele ser del orden del 70 %.
• Existen varios tipos de operadores
cruce
➢ Un punto
➢ Dos puntos
➢ Varios puntos
 Algoritmos
Mutación genéticos
• La mutación consiste en cambiar un “bit” a un pequeño porcentaje de
los individuos (0,5-2%) de una población con el fin de generar
diversidad en las soluciones y evitar quedarse estancado en óptimos
locales.
 Algoritmos genéticos
Operadores especiales
• En muchos problemas tras aplicar el operador cruce o mutación se
generan soluciones que no satisfacen alguna de las restricciones del
problema. Una alternativa es emplear operadores especiales para reparar
las soluciones transformándolas en validas.
Criterios de finalización
• Como criterio de finalización se puede emplear un numero determinado
de generación o un valor de la función aptitud
Otras consideraciones
• Se requieren varias pruebas para ajustar los parámetros del algoritmo
 Algoritmos
Convergencia genéticos
 Algoritmos
genéticos
Algunas aplicaciones en la optimización de la energía
• Problema de asignación de unidades: consiste en determinar el calendario
de generación óptimo desde el punto de vista económico, debiendo de
satisfacerse al mismo tiempo una serie de restricciones.
➢ Función a optimizar: costo de operación
➢Restricciones: cumplimiento de la demanda, reserva rodante, limites técnicos
asociados a cada unidad, etc.
➢ Codificación:
• Problemas de organización de la
producción
 Algoritmos
genéticos
Algunas aplicaciones en la optimización de la energía
Diseño en general:
➢Layout design of wave energy parks by a genetic algorithm: Se busca optimizar el
diseño de los generadores y la disposición de los mismos par maximizar la
generación y minimizar los costos
Algoritmos
genéticos
Algunas aplicaciones en la optimización de la energía
➢An efficient multi-objective model and algorithm for sizing a standalone hybrid
renewable energy system: Se busca minimizar de forma simultánea el costo de
operación, las emisiones y la pérdida de suministro. Con este fin se determina el
tipo y el número de paneles solares, baterias, molinos de viento, generador diesel,
ángulo de los paneles solares y altura de los molinos.
 Algoritmos
genéticos
Algunas aplicaciones en la optimización de la energía
➢Sizing analysis of louvered fin flat tube compact heat exchanger by genetic
algorithm: Se desea maximizar la transferencia de calor en un intercambiador. Para
este fin de definen un total de 12 parámetros geométricos. Se efectua un análisis de
sensibilidad.
 Algoritmos genéticos
Otros metaheurísticos
• Búsqueda tabú: no es un algoritmo
poblacional. Se busca la mejor solución en la
vecindad y se avanza. El algoritmo tiene
memoria a corto plazo evitando buscar
lugares ya explorados (tabú)
• Recocido simulado: emula el recocido del
acero. Al comienzo de la búsqueda la
probabilidad de permitir una solución peor
es elevada pero va disminuyendo a medida
que pasa el tiempo (disminuye la
temperatura)
 Algoritmos
genéticos
Otros metaheurísticos
• Algoritmos de enjambre:
➢ Optimización de colonia de hormigas
➢ Optimización por enjambre de partículas

• Existen una gran cantidad de variantes de metaheurísticos muchos de

ellos adaptados para problemas específicos. Es un campo muy activo y
con un gran numero de aplicaciones
• Suelen hibridarse con otras técnicas de optimización
 Lógica difusa (Fuzzy logic)
• Es conceptualmente fácil de comprender
• Busca emular los procedimientos de razonamiento humano
• En lugar de emplear la lógica binaria (0/1) maneja conceptos propios del
lenguaje humano como “muy caliente” “poco húmedo” “bastante rápido”
• Proporciona un marco en el que se puede incluir fácilmente el
conocimiento humano
• Es tolerante a la imprecisión
• Ideal para cuando no existe un modelo matemático. Se puede usar lógica
difusa para modelar funciones no lineales de gran complejidad
• Se puede combinar con otros algoritmos o técnicas de control
 Lógica difusa (Fuzzy logic)
• Si el problema requiere una solución exacta o es posible elaborar un
modelo matemático es mejor no usar lógica difusa
• Fue formulada en 1965 por el ingeniero y matemático Lofti A. Zadeh
• Duramente criticada en sus inicios
• 1978 primera aplicación industrial para controlar un horno de cemento
• Durante la década de los ochenta los avances teóricos y las aplicaciones
practicas crecieron exponencialmente en Japón. Actualmente la lógica
difusa está totalmente extendida abarcando un gran número de
aplicaciones
Lógica difusa
(Fuzzy logic)
Aplicaciones
• Cámaras fotográficas, lavarropas, aire acondicionados
• Gestión de energía
• Control de sistemas industriales de todo tipo: industria
química, transporte aeroespacial, robótica, etc.
• Diagnostico médico
• Finanzas
• Reconocimiento de imágenes
• Toma de decisiones
• 50.000 patentes en la actualidad de productos basados
en lógica difusa
Lógica difusa
(Fuzzy logic)
Conjuntos difusos
 Lógica difusa
(Fuzzy logic)
Funciones de pertenencia y etiquetas lingüística
Lógica difusa
(Fuzzy logic)
Lógica Booleana vs lógica tradicional
 Lógica difusa (Fuzzy logic)
Se desea encontrar una función que fije en porcentaje de propina en función
de la calidad del servicio y la comida. Ambas variables valoradas entre 1 y 10.
Se establecen las siguientes reglas para:

1) Si el servicio es “malo” y la comida “fea” entonces la propina es “baja”

2) Si el servicio es “bueno” entonces la propina es “media”
3) Si el servicio es “excelente” o la comida “deliciosa” entonces la propina es
“alta”
Se pueden usar métodos complementarios para generar o ajustar las reglas
 Lógica difusa (Fuzzy logic)
Paso 1: Fusificación
La fusificación consiste en evaluar las entradas de acuerdo a las funciones de
pertenencia que aparecen en las reglas. Se obtienen así variables difusas.

Si el servicio es “excelente” o la comida “deliciosa” entonces la propina es

“alta”
 Lógica difusa (Fuzzy logic)
Paso 2: Aplicar el operador lógico
Si el servicio es “excelente” o la comida “deliciosa” entonces la propina es
“alta”
 Lógica difusa (Fuzzy logic)
Paso 3: Aplicar método de implicación
Si el servicio es “excelente” o la comida “deliciosa” entonces la propina es
“alta”
 Lógica difusa
(Fuzzy logic)
Pasos 4 y 5: Agregación y defusificación
 Lógica difusa
(Fuzzy logic)
Salida del sistema de control
 Lógica difusa
(Fuzzy logic)
Herramienta de Matlab
 Lógica difusa
(Fuzzy logic)
Algunas aplicaciones en la optimización
de la energía
➢A novel fuzzy control algorithm for
reducing the peak demands using energy
storage system. Se tiene un edificio que
posee baterías con el fin de reducir el
consumo de energía durante las horas
pico. Se implementa un control basado en
lógica difusa para determinar la potencia
optima que debe inyectar la batería en
función de su estado de carga y la hora del
día.
 Lógica difusa
(Fuzzy logic)

Algunas aplicaciones en la optimización

de la energía
 Lógica difusa
(Fuzzy logic)
Algunas aplicaciones en la optimización de la energía
➢Energy saving in wastewater treatment plants: A plant-generic cooperative decision
support system.

Se propone una sistema experto basado en lógica difusa para evaluar la eficiencia
energética en plantas de tratamiento de agua residuales. Si bien dichas plantas recaban
mucha información de distintos tipos de sensores el procesamiento de la misma no es
sencillo. El sistema experto permite tomar decisiones con el fin de mejorar la eficiencia
energética: limpieza, mantenimientos específicos, cambio en las consignas de distintos
parámetros, re-diseño de elementos específicos, instalación de nuevos equipos, etc.
Lógica difusa
(Fuzzy logic)

Algunas aplicaciones en la optimización de la energía

➢Experimental investigation on the online fuzzy energy management of hybrid
fuel cell/battery power system for UAVs. Se propone un sistema de gestión de
energía basado en lógica difusa para controlar la potencia entregada por una pila de
combustible en un avión no tripulado. Las entradas del sistema de control son el
estado de carga de la batería y la demanda.
 Lógica difusa
(Fuzzy logic)
Algunas aplicaciones en la optimización de la energía
Redes neuronales
artificiales
• Las redes neuronales artificiales son un modelo computacional que busca emular el
comportamiento de las neuronas en el sistema nervios.
• El primer modelo de red neuronal fue propuesto en 1943 por McCulloch y Pitts
• A partir de 1985 hay un resurgimiento de las redes neuronales tanto en el ámbito teórico
como practico
• Algunas ventajas:
➢ Son capaces de aprender de la experiencia mediante ejemplos
➢ Tienen la capacidad de generalizar desechando la información el ruido y la información irrelevante
➢ Son tolerantes a fallos. Si dentro de la red neuronal existiera un pequeño fallo el funcionamiento de la
misma no se vería significativamente afectado
➢ Pueden operar en tiempo real
➢ Se adaptan fácilmente a la tecnología existente
 Redes neuronales
artificiales
Aplicaciones
• Predicciones: meteorológicas, finanzas
• Reconocimiento de patrones e imágenes: reconocimiento facial,
reconocimiento de caracteres
• Diagnóstico médico
• Gestión de energía
• Detección de fraudes financieros, evaluación de riesgos
• Modelados de sistemas complejos, ajuste de funciones
• Optimización
• Control industrial
• Mantenimiento predictivo, detección de fallas, control de calidad
• Toma de decisiones
Redes neuronales
artificiales
Modelo de neurona simple Funciones de transferencia
Redes neuronales
artificiales

• Capa de entrada
• Capas ocultas
• Capa de salida
Redes neuronales artificiales

Topologías
 Redes neuronales
Entrenamiento: artificiales
• El entrenamiento o aprendizaje es el proceso por el cual una red neuronal modifica sus
pesos en base a la respuesta generada por la entrada. El aprendizaje puede ser:
➢ Supervisado: La salida de la red neuronal se contrasta con la salida deseada que es conocida. Los pesos
de las conexiones se modifican con el fin de que la salida obtenida se aproxime lo mas posible a la
salida real.
➢No supervisado: La red no recibe ninguna información que le indique si la salida generada es correcta
o no. Es la propia red que determina las características comunes.
• Uno de los métodos mas populares de entrenamiento es el algoritmo de propagación
hacia atrás de errores mejor conocido como “backpropagation”. Se busca minimizar el
error cuadrático medio generado entre la salida obtenida. Se basa en el método del
gradiente.
 Redes neuronales
Entrenamiento: artificiales
• Set de entrenamiento: Son los datos empleados para ajustar los pesos de las
interconexiones de las redes neuronales. 70%-90% de los datos.
• Datos de validación: Es empleado para detener el entrenamiento y evitar el sobreajuste.
Llegado un punto la red se ajusta a los datos y no al modelo.
• Datos de prueba: Es empleado para evaluar el desempeño de la red neuronal
 Redes neuronales
artificiales
• Algunos pasos a la hora de diseñar un red
Evolución de entradas, arquitectura,
neuronal entrenamiento y pesos
Nivel 1:

➢ Definir datos de entrada y salida. Codificación de los

Fijar variables de entrada

mismos. Arquitectura, entrenamiento

y pesos óptimos
➢ Definir topología de la red
➢ Número de capas Evoluciónde arquitectura,
entrenamiento y pesos

➢ Número de neuronas por capa Nivel 2:

Fijar arquitectura

➢ Funciones de transferencia
➢ Método de entrenamiento Entrenamiento y
pesos óptimos

• Existen métodos empíricos para fijar algunos Evolución de

entrenamiento y pesos
de los parámetros de las redes neuronales Nivel 3:
Fijar entrenamiento y pesos de
las interconecciones

• Es importante que la red neuronal tenga la

capacidad de generalizar
 Redes neuronales
artificiales
Algunas aplicaciones en la optimización de la energía
➢Energy management control design for fuel cell hybrid electric vehicles using neural
networks: Se diseñaron diversas redes neuronales con el fin de optimizar la gestión de
energía en vehículos eléctricos híbridos (baterías y pilas de combustible). Para distintos
ciclos de manejo y en base a modelos del vehículo eléctrico se optimiza la gestión de la
energía mediante el método del gradiente. Luego el modelo optimizado es empleado
para entrenar una red neuronal.
 Redes neuronales
artificiales
Algunas aplicaciones en la optimización de la energía
➢Predicting solar energy generation through artificial neural networks using weather
forecasts for microgrid control. Se diseña una red neuronal para predecir la irradiación
solar en los próximos 10 minutos. El pronostico es empleado para gestionar la energía
en una microrred. Se emplean 146 entradas: la estación del año, la hora del día, y los
últimos 144 valores de la irradiación tomados en intervalos de 10 minutos.
Redes neuronales
artificiales

• Algunas aplicaciones en la optimización de la energía

➢A zone-Level, building energy optimization combining an
artificial neural network, a genetic algorithm, and a model
predictive control. Primeramente se crea un modelo de un
edificio de oficinas mediante un software de simulación
energética. Dicho software se emplea con el fin de entrenar
una red neuronal con las siguientes entradas y salidas:

Entradas: Salidas:
• Temperatura externa en el tiempo t • Consumo de energía en el tiempo t
• Irradiación en el tiempo t • Temperatura interior en el tiempo t
• Hora t
• Ocupación en el tiempo t
• Setpoint en el tiempo t
• Temperatura interna en el tiempo t-1
 Redes neuronales
artificiales
Algunas aplicaciones en la optimización de la energía

Se emplea un algoritmo genético con el fin de fijar el setpoint de temperatura para las 24
hs del día.
 Redes neuronales
artificiales
Algunas aplicaciones en la optimización de la energía

Se llegan a ahorros del 25 %

• Ha aplicado alguna técnica de
optimización para abordar un problema
relacionado con la eficiencia energética
(Software específico, metaheurística,
programación lineal, programación no
lineal, programación dinámica, etc.)
• Proponer un problema práctico
relacionado con la eficiencia energética
el cual pueda abordarse desde el punto
de vista de los algoritmos
metaheurísticos.
Problema lógica difusa
Se desea controlar la potencia con que se carga/descarga una batería (20
kW) que se emplea como sistema de almacenamiento en una microrred. La
microrred tiene fuentes de energía renovables (25 kW) y una microturbina
de gas (30 kW). A su vez, en el caso que la potencia generada por los
elementos que componen la microrred no sea suficiente es posible comprar
energía eléctrica a la red principal a un precio que varía según la hora entre
0.10 y 0.26 USD/kWh.
Funciones de pertenencia y etiquetas lingüísticas asociadas a la carga/descarga
• Determinar que variables se podrían emplear para controlar la potencia de
carga descarga de la batería
• Proponer reglas para el control de la carga/descarga

Si “SOC” es “bajo” y “potencia renovables” es “muy atla” ENTOCES “potencia

de la batería” es “potencia de carga muy alta”
 Referencias bibliográficas
• Fuzzy logic Toolbox User's Guide-Matlab
• Neural Network Toolbox User's Guide-Matlab
• [Link]
• D.E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989
• Neural Network Fundamentals with Graphs, Algorithms, and Applications (McGraw-Hill Series in
Electrical Computer Engineering)
• Neural network design HB Demuth, MH Beale, O De Jess, MT Hagan - 2014 - [Link]
• Handbook of neural computing applicationsAJ Maren, CT Harston, RM Pap – 2014
• Solar PV and wind energy conversion systems: an introduction to theory, modeling with
MATLAB/SIMULINK, and the role of soft computing techniques
•Fuzzy logic with engineering applications
TJ Ross