Resumen

Los procesos de fermentación son, por naturaleza, complejos, variables en el tiempo y muy poco lineales. Como sistemas dinámicos, su modelización y posterior control de alta calidad constituyen un serio desafío. Los métodos de optimización convencionales no pueden superar las peculiaridades de los procesos de fermentación y no conducen a una solución satisfactoria. Como alternativa, pueden aplicarse algoritmos genéticos como método de optimización global estocástica. Con el fin de identificar los parámetros de un cultivo por lotes alimentado de S. cerevisiae, se han considerado cuatro tipos de algoritmos genéticos simples y cuatro tipos de algoritmos genéticos multipoblación. Cada uno de ellos se caracteriza por una secuencia diferente de implementación de los principales operadores genéticos, a saber, selección, cruce y mutación. También se ha investigado la influencia de los parámetros más importantes de los algoritmos genéticos: la brecha generacional y las tasas de cruce y mutación. Entre los parámetros del algoritmo genético considerados, el intervalo generacional es el que más influye en el tiempo de convergencia del algoritmo, ahorrando hasta un 40% de tiempo sin afectar a la precisión del modelo.

• Materias:Cinética química Procesos químicos Gases de combustión Nanopartículas
• Subjects:Chemical kinetics Chemical processes Flue gases Nanoparticles
• Palabras claves:parámetros importantes del algoritmo genético, método estocástico de optimización global, tiempo de convergencia del algoritmo, métodos convencionales de optimización, influencias de la brecha generacional, parámetros del algoritmo genético, principales operadores genéticos, algoritmos genéticos multipoblacionales, cruce, tipos
• Keywords:important genetic algorithm parameters, stochastic global optimization method, algorithm convergence time, conventional optimization methods, generation gap influences, genetic algorithm parameters, main genetic operators, multipopulation genetic algorithms, crossover, kinds