Parameters optimization applying Monte Carlo methods and Evolutionary Algorithms. Enforcement to a trajectory tracking controller in non-linear systems.

[EN] In this work, a closed-loop control strategy is proposed. It allows tracking optimal profiles for a fed-batch bioprocess. The main advantage of this approach is that the control actions are computed from a linear equations system without linearizing the mathematical model, which allows working in any range. In addition, three techniques are developed to tune the controller. First, a completely probabilistic method, Monte Carlo. Second, a methodology based on Genetic Algorithms, an evolutionary optimization technique. Third, a Hybrid Algorithm, combining above algorithms advantages. Here, the objective function is to find the controller parameters that minimize the trajectory tracking total error. The controller performance is evaluated through simulations under normal operations conditions and parametric uncertainty, using the obtained controller parameters.[ES] En este trabajo se propone una estrategia de control en lazo cerrado para el seguimiento de perfiles óptimos previamente definidos para un bioproceso fed-batch. La mayor ventaja de este enfoque es que las acciones de control se calculan resolviendo un sistema de ecuaciones lineales, sin tener que linealizar el modelo matemático, lo que permite trabajar en cualquier rango. Además, se plantean tres técnicas para la sintonización de los parámetros del controlador diseñado. Primero se propone un método de Monte Carlo, el cual es un método probabilístico. En segundo lugar, se presenta una metodología basada en Algoritmos Genéticos, una técnica evolutiva de optimización. La tercera alternativa es el desarrollo de un Algoritmo Híbrido, diseñado a partir de la combinación de los dos métodos anteriores. En todos los casos, el objetivo es encontrar los parámetros del controlador que minimicen el error total de seguimiento de trayectorias. El desempeño del controlador se evalúa a través de simulaciones en condiciones normales de operación y frente a incertidumbre paramétrica, empleando los parámetros del controlador obtenidos.Este trabajo ha sido realizado con el apoyo del Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) y del Instituto de Ingeniería Química (IIQ) de la Universidad Nacional de San Juan. Se agradece la colaboración del Dr. Ing. Francisco Rossomando en la implementación del controlador PID neuronal.Fernández, C.; Pantano, N.; Godoy, S.; Serrano, E.; Scaglia, G. (2018). Optimización de Parámetros Utilizando los Métodos de Monte Carlo y Algoritmos Evolutivos. Aplicación a un Controlador de Seguimiento de Trayectoria en Sistemas no Lineales. Revista Iberoamericana de Automática e Informática. 16(1):89-99. doi:10.4995/riai.2018.8796SWORD899916