OPTIMIZACIÓN DE LA ENERGÍA DE HELMHOLTZ MEDIANTE INTELIGENCIA ARTIFICIAL
DOI:
https://doi.org/10.69823/avacient.v3n1a5Palabras clave:
Algoritmos, genéticos, inteligencia, artificial, busquedasResumen
Para las Ciencias de la Ingeniería es importante contar con programas de cómputo dinámico que proporcionen respuesta a problemas informáticos con soluciones complejas, robustas y capacidad de adaptarse a diversos usuarios, por lo que deben ser diseñados y construidos acorde a las necesidades particulares. La investigación presenta una función para obtener una solución que consiste en minimizar la Energía de Helmholtz para el modelo Hard Gaussian Overlap, por medio del método de Inteligencia Artificial. Se propone una ecuación de estado para la fase Isotrópica y otra para la Nemática. Particularmente se calcularán las variables V y W, que son los parámetros anisotrópicos repulsivos mediante el método de Algoritmos Genéticos, los cuales durante varias generaciones (iteraciones) se calcula la solución óptima de dicha transición. Se concluye que el modelo estudiado superó lo
encontrado en la literatura y puede ser utilizado como método de Inteligencia Artificial para resolver otro tipo de problemas en la producción de empresas o para mejorar el ahorro de energía. Implementar algoritmos para la toma de decisiones y en aplicaciones tecnológicas.
Descargas
Citas
Antequera, L. A. (2020). Incorporación de un Algoritmo Genético en la Selección de Personal Docente en la carrera de Ingeniería Financiera de la Universidad Central (UNICEN). Tesis de maestría Universidad Mayor de San Andrés. Ciudad de La Paz - Estado Plurinacional de Bolivia. https://repositorio.umsa.bo/handle/123456789/24702
Berres, S., Coronel, A. y Lagos, R. (2018). Solución numérica de un problema inverso aplicando un algoritmo genético continuo. Revista integración, 36 (2), 1-15. https://dx.doi.org/10.18273/revint.v36n2-2018001
Berzal, F. (2022). Algoritmos Genéticos. Departamento de Ciencias de la Computación e IA. https://elvex.ugr.es/decsai/computational-intelligence/slides/G2%20Genetic%20Algorithms.pdf
Borges, D., Puch, P. y Frías G. (2017). Control de demanda eléctrica aplicando algoritmos genéticos. Inegiare. Revista Chilena de Ingeniería. 25 (3), 389-398. https://dx.doi.org/10.4067/S0718-33052017000300389
Benhamou, S. (2022). La transformación del trabajo y el empleo en la era de la inteligencia artificial. CEPAL. Organización de las Naciones Unidas. https://www.cepal.org/es/publicaciones/47985-la-transformacion-trabajo- empleo-la-era-la-inteligencia-artificial-analisis
Castrillón, O. (2015). Ritmos cognitivos y algoritmos evolutivos en la programación de horarios universitarios. Revista de Matemática: Teoría y Aplicaciones, 22(1), 135-152. https://www.scielo.sa.cr/pdf/rmta/v22n1/a08v22n1.pdf
Castro García, Y., Cabanillas López, R. E. y García Sánchez, J. (2017). Algoritmos Genéticos en el estudio de Líquidos Iónicos para enfriamiento. Solar. Biotecnia, 19, 38-41. https://www.redalyc.org/pdf/6729/672971095005.pdf
Chavaje-Ávila, L., Ortiz-Tena F. y Pérez-Rodríguez, R. (2021). Optimización de corte de rollos mediante un algoritmo genético. Conciencia Tecnológica, (62), 1-16. https://www.redalyc.org/journal/944/94469878002/html/
Chung, H. y Shin, K. (2018). Genetic Algorithm-Optimized Long Short-Term Memory Network for Stock. Market Prediction. Sustainability, 10 (10), 3765. https://doi.org/10.3390/su10103765
Chávez Gutiérrez, Y. T. y Franco Ortiz, M. (2021). Inversión de la banda de reflexión de cristales líquidos colestéricos en presencia de campos eléctricos y colorantes láseres añadidos. Tesis de Licenciatura de la Universidad de Sonora. División de Ciencias Exactas y Naturales, Departamento de Física. https://hdl.handle.net/20.500.12984/6999
Correa García, L.A. y González Acolt, R. (2027). Efecto de los factores de innovación en el desempeño económico de los talleres artesanales de la zona metropolitana de Zacatecas. Investigación y Ciencia, (70), 63-68. https://doi.org/10.33064/iycuaa201701829
Correa García L. A. (2020). Relación entre la tecnología y la comercialización en la PyME ubicada en Zacatecas. Mercados y negocios, (41), 107-124. https://doi.org/10.32870/myn.v0i41.7408
De la Cruz-Figueroa L. F., Fernández-Rodríguez, R. y González-Rangel M. A. (2018). Hacia herramientas de inteligencia artificial en la enseñanza médica. Enfoque preliminar. Revista Cubana de Informática Médica, 10 (1), 1-13. http://scielo.sld.cu/pdf/rcim/v10n1/rcim08118.pdf
De Miguel, E. y Martín del Río, E. (2001). The isotropic-nematic transition in hard Gaussian overlap fluids. Journal of Chemical Physics, 115 (19) 9072–9083. https://doi.org/10.1063/1.1412604
Demera, A., Sánchez, A., Franco, M., Espinoza, M., y Santana, A.. (2023). Fundamentación teórica de la inteligencia artificial en el desarrollo de aplicaciones móviles en el Instituto de Admisión y Nivelación de la Universidad Técnica de Manabí. Revista científica. TESLA, 3(2), 1-11. https://doi.org/10.55204/trc.v3i2.e223
Espitia-Mendez, J. A. y Mendoza-Rojas, G. L. (2021). Metodología basada en un algoritmo genético para programar la producción de una empresa del sector textil. Ingeniería. Investigación y Tecnología, 24 (4), 1-16. https://doi.org/10.14482/INDES.30.1.303.661
Fonseca Reyna, Y. C., Martínez Jiménez, Y., Figueredo León, Á. E., y Pernía Nieves, L. A. (2014). Influencia de los parámetros principales de un Algoritmo Genético para el Flow Shop Scheduling. Revista Cubana de Ciencias Informáticas, 8(1), 99-111. http://scielo.sld.cu/pdf/rcci/v8n1/rcci06114.pdf
García Sánchez, E. (2001). Estudio teórico de diagramas de fase de modelos aplicados a Cristales Líquidos. Tesis de maestría de la Universidad de Guanajuato: Posgrado Institucional en Química de la Universidad de Guanajuato.
Goldberg, D. (1989). Genetic Algorithms in Search, Optimization and Machine Learning. Boston:Addison-Wesley Longman Publishing
Gómez Vilchis, J., Hernández Álvarez, F. y Román de la Sancha, L. (2021). Autómata Evolutivo (AE) para el mercado accionario usando Martingalas y un Algoritmo Genético. Revista Mexicana de Economía y Finanzas Nueva Época REMEF, 16(4). https://doi.org/10.21919/remef.v16i4.505
Guerra, A., Zaoral, K. y Rivas, J. (2014). Meta-evolución paralela para la asignación de parámetros y operadores en algoritmos evolutivos. Télématique, 13(1), 68-92. https://www.redalyc.org/pdf/784/78429590005.pdf
Gutiérrez Gutiérrez, J. L. (2021). Algoritmo genético aplicado al recojo de residuos sólidos en el contexto de una smart city. Revista Cubana de Ciencias Informáticas, 15(4), 1-14. http://scielo.sld.cu/pdf/rcci/v15n4/2227-1899-rcci-15- 03-1.pdf
Iglesias-Solano, A. M. e Iglesias-Carbonell A. B. (2011). La Computación Evolutiva y sus Paradigmas. Investigación y Desarrollo en TIC, 2 (1), 29-38. https://revistas.unisimon.edu.co/index.php/identic/issue/view/171
Jiménez, J. A., Arango, R. E. y Jiménez, L. D. (2016). Métodos de búsqueda usando los algoritmos de enjambre y genético. Lámpsakos, (16), 52-60. https://doi.org/10.21501/21454086.1901
Jiménez, C. M. (2018). Algoritmo Genético Simple para Resolver el Problema de Programación de la Tienda de Trabajo (Job Shop Scheduling). Información Tecnológica. 29(5), 299-314. http://dx.doi.org/10.4067/S0718- 07642018000500299
Kuri, M. A. (2022). Algoritmos Genéticos: Herramientas de Inteligencia Artificial con su Propia Evolución. CIC- IPN. Recuperado el 20 de diciembre de 2023. Disponible en Algoritmos Genéticos: Herramientas de Inteligencia Artificial. http://cursos.itam.mx/akuri/PUBLICA.CNS/1999/Entrevista%20a%20Kuri.PDF
Lin, Y., Huang, C., y Tseng V. (2017). A novel methodology for stock investment using high utility episode mining and genetic algorithms. Applied Soft Computing, 59, 303-315. https://doi.org/10.1016/j.asoc.2017-05-032
National Geographic. (2023). 5 usos cotidianos de la inteligencia artificial que la gente no se da cuenta. https://www.nationalgeographicla.com/ciencia/2023/02/5-usos-cotidianos-de-la-inteligencia-artificial-que-la- gente-no-se-da-cuenta
Negrin, I., A., Negrin, L. I. y Chagoyén, E. (2020). Ajuste de parámetros de algoritmos genéticos: propuesta de método. Revista Cubana de Ciencias Informáticas, 14 (3), 59-82. https://www.redalyc.org/journal/3783/378365834004/html/
Obando. E. D. (2017). Algoritmos genéticos y PSO aplicados a un problema de generación distribuida. Scientia et technica, 22 (1), 15-23. https://www.redalyc.org/pdf/849/84953102003.pdf
Ortiz, M. M (1994). Adaptación de una pantalla de cristales líquidos en un procesador óptico. Tesis de maestría en ciencias (óptica). Del centro de investigación de óptica. Universidad de Guanajuato. https://cio.repositorioinstitucional.mx/jspui/handle/1002/496
Quintana, J. (2000). La transición nemático-isotrópico bajo confinamiento. Revista de la Sociedad Química de México, 44(1) 82-86. https://www.scielo.org.mx/pdf/rsqm/v44n1/v44n1a18.pdf
Ruiz, E. (2014). Optimización multi-objeto al problema de distribución de planta usando algoritmos genéticos: cuestiones previas para una propuesta de solución. Revista Industrial Data, 17(2). 120-137. https://www.redalyc.org/pdf/816/81640856015.pdf
Sancho, F. C. (2019). Algoritmos Genéticos. http://www.cs.us.es/~fsancho/?e=65
Sydney, T. B. (1950). The Phase Rule and Phase Reaction theoretical and Practical. London: McMillan and Co.
Tejada, G. (2019). Controlador PID con algoritmos genéticos de números reales. Industrial Data, 22(2), 213-223. https://doi.org/10.15381/idata.v22i2.16489
Tovar, J. J., Almanza, O. y Montes-Vidales, L. (2016). Inversión Sísmica por Algoritmos Genéticos con migración de Poblaciones para estimar Anisotropía HTI. Boletín de Geología, 38(4), 107-117. https://www.redalyc.org/pdf/3496/349647947006.pdf
Verdecia-Somoano, J. C. y García-Miranda, J. A. (2020). Optimización estructural de una torre. Revista de Arquitectura e Ingeniería, 14(2), 1-14. https://www.redalyc.org/journal/1939/193963490003/193963490003.pdf
Wang, L., An H., Liu X., y Huang, X. (2016). Selecting dynamic moving average trading rules in the crude oil futures market using a genetic approach. Applied Energy, 162, 1608-1618. https://doi.org/10.1016/j.apenergy.2015.08.132
Yang, S. y Collings, P. J. (2020). El algoritmo genético: uso de la biología para calcular las configuraciones de los directores de cristal líquido. Crystals, 10 (11), 1-13. https://10.3390/cryst10111041
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 AvaCient
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
