Descripción física : 1 recurso en línea (1 partitura)

Descripción física : 1 recurso en línea (1 partitura)

Los mecanismos conformes basados en la flexión son cada vez más prometedores en ingeniería de precisión, robótica y otras aplicaciones, gracias a sus excelentes ventajas de ausencia de fricción, holgura, desgaste y ensamblaje mínimo. Sin embargo, su diseño y análisis siguen siendo un reto debido al acoplamiento de comportamientos cinemático-mecánicos con grandes deflexiones no lineales en comparación con sus homólogos de cuerpo rígido. El diseño óptimo es un aspecto importante en el campo de los mecanismos conformes y ha atraído mucha atención durante las últimas décadas. Especialmente, cuando se considera un diseño de optimización multiobjetivo para mecanismos conformes, el problema es cada vez más complicado. Así, este artículo presenta un nuevo método computacional híbrido eficiente para resolver el diseño de optimización multiobjetivo de mecanismos conformes. Se emplea como ejemplo de diseño un mecanismo flexible de Scott Russell para mostrar las ventajas del método de optimización propuesto. El método propuesto se desarrolla hibridando el enfoque de la función de deseabilidad, el sistema de lógica difusa, el sistema de inferencia neuro-fuzzy adaptativo (ANFIS), y la optimización del procedimiento de fijación del rayo (LAPO). En primer lugar, se crea un modelo de elementos finitos 3D y se emplea el diseño compuesto central para construir una matriz numérica. En primer lugar, se refinan las variables de diseño utilizando el análisis de la varianza y el enfoque Taguchi en términos de eliminar considerablemente el espacio de las variables de diseño. Posteriormente, se determinan los valores de deseabilidad de dos funciones objetivo y se transfieren al sistema de lógica difusa. La salida del sistema de lógica difusa se considera una única función objetivo combinada. A continuación, la modelización de la salida difusa se establece mediante el desarrollo del modelo ANFIS. Por último, se adopta el algoritmo LAPO para resolver el problema de optimización multiobjetivo del mecanismo. Se investigan tres ejemplos numéricos para validar la viabilidad y la eficacia del rendimiento de la metodología propuesta. Los resultados muestran que la metodología propuesta es más eficiente que la lógica difusa tradicional basada en Taguchi. Además, la eficiencia de rendimiento del enfoque propuesto supera al algoritmo Jaya y al algoritmo TLBO mediante la prueba de rangos con signo de Wilcoxon y la prueba de Friedman. Los resultados de este artículo proporcionan un enfoque útil para problemas de optimización complejos.

Descripción física : 1 recurso en línea (1 partitura)

El problema de despacho económico/ambiental de microredes (MG) es un tema complejo de optimización multiobjetivo. Dado que los generadores son diversos y el modo de operación cambia con frecuencia, el problema de despacho MGEEED siempre tiene diferentes tipos de restricciones, como las restricciones de equilibrio de carga y las restricciones de tasas de rampa, lo que lo convierte en un problema de optimización no lineal y no convexo. En este artículo, se establece el modelo matemático de un sistema MG típico aplicado en el noroeste de China. Luego, se propone una estrategia de manejo de restricciones híbrida (HCHS) basada en el algoritmo genético de clasificación no dominada II (NSGAII) para tratar las restricciones típicas, mediante la cual las violaciones de las restricciones pueden eliminarse en varios pasos durante el proceso evolutivo. Se introduce un método de reducción de dimensionalidad para simplificar el modelo de optimización. Y se diseña un enfoque de reparación individual para las violaciones de

El interés situacional (IS) es uno de los estados prometedores que pueden mejorar el aprendizaje de los estudiantes y aumentar los conocimientos adquiridos. La detección del IS basada en el electroencefalograma (EEG) podría ayudar a entender las causas neurocientíficas del IS que, como resultado, podrían explicar el papel del IS en el aprendizaje de los estudiantes. En este estudio, se seleccionaron 26 participantes sobre la base de cuestionarios para participar en el experimento del aula de matemáticas. Se realizaron cuestionarios de IS e interés personal (IP) junto con pruebas de conocimiento para medir los niveles de interés y conocimiento de los estudiantes. Se desarrolló un método híbrido que combinaba la descomposición empírica de modos (EMD) y la transformada wavelet y se empleó para la extracción de características. El método propuesto mostró una diferencia significativa mediante la prueba de análisis multivariante de la varianza (MANOVA) y superó sistemáticamente a otros métodos en el rendimiento de la clasificación mediante el uso de vecinos k más cercanos ponderados (wkNN). La elevada precisión de la clasificación, del 85,7%, con una sensibilidad del 81,8y una especificidad del 90% revelan que los patrones de oscilación cerebral de los estudiantes con alta IS son algo diferentes a los de los estudiantes con baja o nula IS. Además, el resultado sugiere que el ritmo delta podría tener un efecto significativo en el procesamiento cognitivo.

En particular, en los últimos años se han utilizado técnicas de optimización de inteligencia artificial para hacer más sistemáticos los enfoques de series temporales difusas y mejorar el rendimiento de las previsiones. Además, algunos métodos de agrupación difusa y redes neuronales artificiales con diferentes estructuras se utilizan en la fuzzificación de observaciones y la determinación de relaciones difusas, respectivamente. En los enfoques que consideran los valores de pertenencia, los valores de pertenencia se determinan subjetivamente o las salidas difusas del sistema se obtienen considerando que existe una relación entre los valores de pertenencia en la identificación de la relación. Esto requiere un paso de defuzzificación y aumenta el error del modelo. En este estudio, los valores de pertenencia se obtuvieron de forma más sistemática utilizando la técnica de agrupación difusa de Gustafson-Kessel. El uso de redes neuronales artificiales con un modelo de neurona multiplicativa simple en la identificación de la relación difusa eliminó el problema de selección de la arquitectura, así como la necesidad del paso de defuzzificación, al constituir valores objetivo a partir de observaciones reales de series temporales. El entrenamiento de la red neuronal artificial con el modelo de neurona multiplicativa simple que se utiliza para la identificación de la relación difusa se lleva a cabo con la optimización de enjambre de partículas. El método propuesto se implementa utilizando varias series temporales y los resultados se comparan con los de estudios anteriores para demostrar el rendimiento del método propuesto.

Descripción física : 1 recurso en línea (1 partitura y 5 partes)

En esta investigacin se estudia un problema de programacin de camiones para un sistema de cross-docking con mltiples muelles de recepcin y expedicin. Hasta hace poco, se estudiaban sobre todo los problemas de cross-docking en un nico muelle. Esta investigacin se centra en los problemas de mltiples muelles. El objetivo del problema es determinar las mejores secuencias de acoplamiento de camiones de entrada y salida a los muelles de recepcin y expedicin, respectivamente, que minimicen el tiempo mximo de finalizacin. Proponemos un nuevo algoritmo gentico hbrido para resolver este problema. Este algoritmo gentico mejora la calidad de la solucin mediante el esquema de poblacin de la estructura anidada y la nueva heurstica de enrutamiento de productos. Para evitar soluciones inviables innecesarias, se utiliza una representacin de cromosomas enlazados para enlazar las secuencias de camiones entrantes y salientes, y se proponen cruces y mutaciones de emparejamiento de locus para esta representacin. Como resultado de la evaluacin de los problemas de referencia, se demuestra que el AG hbrido propuesto proporciona una solucin superior en comparacin con las heursticas existentes.

Estudiamos un problema de múltiples crossdocks con ventanas de tiempo de proveedor y cliente, donde cualquier violación de las ventanas de tiempo incurrirá en un coste de penalización y los flujos a través del crossdock están limitados por horarios de transporte fijos y capacidades de crossdock. Demostramos que este problema es ??-difícil en sentido estricto y, por tanto, nos centramos en desarrollar heurísticas eficientes. Basándonos en la estructura del problema, proponemos un algoritmo genético híbrido (HGA) que integra la técnica greedy y el método de búsqueda de vecindad variable para resolver el problema. Se han llevado a cabo experimentos exhaustivos en diferentes escenarios y los resultados muestran que el HGA supera al solucionador CPLEX, proporcionando soluciones en escalas de tiempo realistas.