Selección determinística y cruce anular en algoritmos genéticos: Aplicación a la planificación de unidades térmicas de generación

Deterministic selection and annular crossover in genetic algorithms: an application to the planning of thermal generating units

Uno de los problemas fundamentales de los algoritmos genéticos (AG) es la convergencia prematura a un óptimo local,debido principalmente a que los mejores individuos tienden a adueñarse de las características genéticas de la población,disminuyéndose la diversidad. Además, cuando la representación cromosómica es lineal, el cruzamiento es sensible a lacodificación, ya que los extremos en este tipo de cromosoma pueden cambiar, con una probabilidad muy baja, sólo si sonmutados. En este trabajo se aplica al problema de planificación de unidades térmicas de generación. Un AG que utiliza unoperador determinista en la selección de individuos, donde se permite a individuos menos aptos perdurar de una generacióna otra y un operador de cruce, llamado Cruce Anular, para generar nuevos individuos. Con ambos mecanismos se permiteuna mayor diversidad de la población y que el algoritmo sea menos dependiente de la codificación del cromosoma. Estosoperadores garantizan la convergencia a una solución óptima, pero no garantizan rapidez de la convergencia. Sin embargo,los resultados obtenidos muestran que estos operadores alcanzan una convergencia más rápida y de mejor calidad quecuando se usan operadores estándares.

INTRODUCCIÓN

La correcta asignación de unidades generadoras de energía eléctrica tiene un importante rol en la operación económica de cualquier tipo de mercado eléctrico en funcionamiento. Los ahorros económicos junto con el uso eficiente de los recursos energéticos hacen que nuevas propuestas metodológicas sigan investigándose [1,2].

La solución al problema de asignación de unidades ha sido abordada por técnicas de optimización determinísticas, como Relajación Lagrangeana [3-5] la cual resulta muy eficiente en sistemas de gran tamaño. Por su compatibilidad con este tipo de problemas, técnicas metaheurísticas [6-8] como los Algoritmos Genéticos (AG) han sido propuestas en [9-13]. También, técnicas híbridas [14,16] que toman lo mejor de las técnicas determinísticas y de las técnicas metaheurísticas han sido utilizadas para mejorar la búsqueda de la solución y los tiempos de ejecución.

Los AG se caracterizan por ser una técnica de optimización global que trabaja bien y eficientemente con funciones objetivo complejas. Sin embargo, una de las desventajas de los AG es la convergencia prematura, porque cuando la selección de individuos se basa en la aptitud, la información genética de los mejores individuos tiende a dominar las características genéticas de la población. Otra desventaja está dada por la representación cromosómica en forma de cadena lo que origina que durante el cruce los extremos del cromosoma tiendan a mantener inalterada su información genética solo siendo posible lograr una modificación mediante el operador de mutación.