CAPTULO 3

Algoritmos Genticos
3.1

Introduccin

Existen diversas tcnicas de optimizacin que han sido desarrolladas para buscar la
optimalidad de una funcin. Sin embargo, se conoce una gran variedad de problemas que
no se pueden solucionar de manera exacta debido a su complejidad. El tiempo de ejecucin
de cualquier algoritmo preciso para la solucin de estos problemas depende del tipo de
problema, llegando a tener un tiempo de solucin exponencial en algunos casos. Los
mtodos convencionales que ut ilizan el conocimiento del problema reducen la complejidad
del mismo para algunos casos particulares utilizando herramientas heursticas. El
conocimiento del problema mejora en parte el proceso de su ejecucin, pero la complejidad
del problema mismo es fija por lo que los esfuerzos son an insuficientes y la solucin que
se logra no es precisa. Por consiguiente, se requieren de otras tcnicas que brinden mejores
resultados para solucionar problemas de gran complejidad. Los mtodos evolutivos
constituyen uno de estos mtodos usados para la bsqueda de las soluciones ptimas
mediante algn proceso de bsqueda aleatoria. Una caracterstica relevante de los mtodos
evolutivos es que buscan soluciones sin tener conocimiento previo del problema. Los
mtodos evolutivos tambin son conocidos como mtodos heursticos y tienen como
ventaja el reducir los inconvenientes que se presentan al usar las tcnicas convencionales de
optimizacin debido a que utilizan un espacio de bsqueda generado aleatoriamente.
En este trabajo se analiza y se aplica el algoritmo gentico como un mtodo evolutivo
para resolver el problema de la coordinacin de estabilizadores y el mejoramiento de la
seguridad en los sistemas de potencia.

3.1.1 Resumen de las tcnicas evolutivas.

En 1957, el experto en estadstica ingls George E. P. Box propuso un enfoque
evolutivo para la optimizacin de la produccin industrial denominado EVOP
(Evolutionary Operation por sus siglas en ingls) [1]. Este enfoque consiste en realizar
pequeas modificaciones a los parmetros de un proceso de produccin censando datos en
forma aleatoria para dirigir la bsqueda. Box mostr que el mtodo propuesto por l era
similar al proceso de seleccin natural a pesar de que sus ideas no se formularon en la
forma de programas de computadoras.

54

En 1959, R. M. Friedberg public los primeros trabajos sobre tcnicas evolutivas

aplicados mediante programas en computadora. No obstante que Friedberg no usa el
trmino evolutivo, es evidente que se fue el verdadero enfoque que adopt en su artculo
original. Su trabajo consisti en generar un conjunto de instrucciones en lenguaje de
mquina y en programacin automtica usando las computadoras [2].
George J. Friedman fue uno de los primeros en proponer la aplicacin de las tcnicas
evolutivas al rea de la robtica; en su trabajo de maestra, l propuso evolucionar circuitos
de control nombrando a esta tcnica como retroalimentacin selectiva siendo similar a lo
que actualmente se le conoce como redes neuronales. El trabajo de Friedman ha sido
considerado como el principio de la robtica evolutiva, rea donde se intenta aplicar
tcnicas evolutivas para planeacin de movimientos, control, transporte, produccin, etc.
[3].
En 1961, Hans Joachim Bremermann aplic la evolucin como un proceso de
optimizacin numrica; asimismo, realiz las primeras simulaciones de la evolucin
mediante el uso de cadenas binarias teniendo como fundamento la reproduccin, seleccin
y mutacin, siendo as, un pionero de los algoritmos genticos [4].
Posterior a esos trabajos, se formaron las tres corrientes ms importantes en el rea de
los mtodos evolutivos:

En 1965, en Alemania se desarrollaron las estrategias evolutivas para solucionar

problemas hidroneumticos de gran complejidad, presentados por I. Rochenberg y
Schwefel. Las estrategias evolutivas no utilizan la recombinacin; tienen su origen en
el rea de la optimizacin numrica [5].

En 1966, Lawrence J. Fogel present la programacin evolutiva modelando la

inteligencia como un comportamiento adaptativo. La programacin evolutiva tiene
aplicaciones en diversas reas como la inteligencia artificial, la programacin
automtica y la optimizacin numrica. Este mtodo enfatiza la relacin de
comportamiento entre padres y descendientes y no utiliza operadores genticos [6].

En 1967, John H. Holland implement el algoritmo gentico que ha servido de

referencia para muchos investigadores. El algoritmo gentico usa seleccin
probabilstica al igual que la programacin evolutiva, mientras que las estrategias
evolutivas usan seleccin determinstica.

El algoritmo gentico comenz usando la representacin binaria para codificar las

soluciones a un problema, evolucionando el genotipo y no el fenotipo como en la
programacin evolutiva o las estrategias evolutivas. El operador principal en el algoritmo
gentico es el cruzamiento, mientras que en la programacin evolutiva ste no existe y en
las estrategias evolutivas se emplea como un operador secundario.

55

En este captulo se describe un algoritmo gentico cons iderando dos etapas: en la

primera no se consideran restricciones de ningn tipo, y en la segunda se incluyen algunas
restricciones. El captulo est organizado de la forma siguiente: en la seccin 3.1 se
describen los avances de los mtodos evolutivos para optimizacin. La seccin 3.2 describe
la metodologa del algoritmo gentico sin restricciones y sus ventajas comparadas con las
tcnicas convencionales; se presentan ejemplos de aplicacin. En la seccin 3.3 se describe
el algoritmo gentico considerando la solucin de problemas con restricciones, y sus
diferentes enfoques de solucin. La seccin 3.4 se presenta la metodologa propuesta para
la coordinacin eficiente y robusta e estabilizadotes, as como el diagrama de flujo
correspondiente. En la seccin 3.5 se ilustra un ejemplo de aplicacin a una red elctrica
con caractersticas reales. En la seccin 3.6 se propone la inclusin de restricciones de
seguridad dinmica en el algoritmo del trabajo. Finalmente, la seccin 3.7 brinda un breve
resumen acerca de este captulo.

3.2

Descripcin de los Algoritmos Genticos

Los algoritmos genticos se fundamentan en una analoga con el proceso de la

evolucin natural investigada por G. Johann Mendel a principios del siglo XIX, su trabajo
se bas en el estudio de la herencia gentica, esto es, la transmisin de caractersticas
especficas de padres a sus descendientes; sin embargo, estos resultados se obtuvieron
mediante el anlisis de una sola especie. Posterior a Mendel, Charles Darwin present en
1859 sus ideas sobre la evolucin en su trabajo titulado The Origin of Species. Darwin
afirmaba que la supervivencia de una especie depende del grado de adaptacin en el
ambiente en que habita; de no adaptarse, las especies se extinguirn a largo plazo. Con las
ideas de Darwin, se concluy que la evolucin de una especie se realiza mediante unos
procesos, que son: reproduccin (es la habilidad de transmitir ciertas caractersticas por
herencia a los descendientes), recombinacin de caractersticas de los padres a los
descendientes, mutacin (se considera como una pequea modificacin del patrn
hereditario), y la seleccin de los individuos ms fuertes. Consecuentemente, Darwin
concluy que solamente sobreviven los individuos que estn mejor adaptados a su
ambiente. El grado de adaptacin al ambiente se le denomina aptitud; mientras ms alta sea
la aptitud de un individuo, tendr ms probabilidad de sobrevivir.
Basado de manera estricta en las leyes de la naturaleza y tomando como base las
aportaciones hechas por Darwin, John Holland de la Universidad de Michigan present
formalmente los algoritmos genticos en 1966, para estudiar procesos lgicos involucrados
en la adaptacin [3]. Denominados originalmente como planes reproductivos genticos se
les conoci posteriormente como algoritmos genticos. Los algoritmos genticos fueron
inicialmente concebidos en el contexto del aprendizaje de mquina, pero en la actualidad se
ha convertido en una tcnica muy popular para la solucin de problemas de optimizacin
[8].
Los AG son tcnicas de bsqueda globales, aleatorias y estn basados en la mecnica
de la seleccin natural y en la gentica natural [9]. Fueron desarrollados para permitir
identificar mltiples soluciones ptimas a problemas difciles tales como funciones de
56

optimizacin e inteligencia artificial. En un AG, las soluciones representadas por

estructuras de datos llamadas individuos son evolucionadas y una nueva poblacin de
individuos es creada. A cada individuo se le asigna un valor o aptitud mediante el cual se
compara con otros individuos de la misma poblacin. Los algoritmos genticos han sido
desarrollados para resolver problemas lineales y no lineales, explorando todas las regiones
del espacio de bsqueda a travs de la mutacin, cruzamiento y la seleccin, operaciones
aplicadas a los individuos de una poblacin [10, 11].
El algoritmo bsico es el siguiente.
a)

Generar aleatoriamente una poblacin inicial.

b)

Calcular la aptitud de cada individuo.

c)
d)

Seleccionar (probabilsticamente) basndose en la aptitud.

Aplicar operadores genticos (cruza y mutacin) para generar la siguiente
poblacin.

e)

Repetir el proceso hasta que cierta condicin se cumpla.

El algoritmo gentico utiliza la seleccin probabilstica y no determinstica. Requiere

de la determinacin de cinco puntos fundamentales:

3.2.1

1)

La representacin del individuo.

2)

Una forma de crear una poblacin inicial de posibles soluciones (generalmente,

un proceso aleatorio).

3)

Una funcin de evaluacin que juegue el papel del ambiente, clasificando las
soluciones en trminos de su aptitud.

4)

Operadores genticos que alteren la composicin de los descendientes que se

producirn para las siguientes generaciones.

5)

Valores para los diferentes parmetros que utiliza el algoritmo gentico (tamao
de la poblacin, probabilidad de cruza, probabilidad de mutacin, nmero
mximo de generaciones, etc.).

Representacin del individuo

Cualquier algoritmo gentico requiere la representacin de un cromosoma para

describir a cada individuo en la poblacin de inters. Esta representacin es el primer
problema que se presenta al disear e implementar un algoritmo gentico; la representacin
determina cmo se estructura el problema en el algoritmo; asimismo, determina qu
operadores genticos pueden ser usados.

57

Cada individuo o cromosoma se forma por una secuencia de genes. Existen muchas
formas de estructurar un cromosoma dependiendo del problema a resolver, entre las que se
encuentran: los dgitos binarios (0, 1); nmeros de punto flotante; enteros; smbolos (A, B,
C, D); matrices; etc. El alfabeto original desarrollado y usado por Holland fue el alfabeto de
dgitos binarios [10]. Posteriormente, al evolucionar el algoritmo gentico se encontr que
una representacin til de un individuo o cromosoma para funciones de optimizacin
involucra genes o variables de un alfabeto de nmeros de punto flotante con valores de
variables acotados superior e inferiormente.
Michalewicz [10] ha concluido de sus numerosos experimentos comparando
algoritmos genticos con representacin en valores reales y binarios, que los algoritmos con
valores reales son ms eficientes en trminos de tiempo de simulacin en una computadora;
adems, que el uso de este tipo de representaciones ofrece resultados ms precisos y ms
consistentes [12]. En este trabajo se usa la representacin en valores reales.

3.2.2

Funcin de Inicio, Evaluacin y Terminacin.

El algoritmo gentico debe iniciar a partir de un conjunto de individuos o soluciones

potenciales agrupados dentro de una poblacin. Esta poblacin inicial se genera
normalmente de forma aleatoria. La poblacin inicial puede ser creada mediante la
seleccin directa de soluciones potencialmente buenas y el resto de la poblacin generada
de manera aleatoria. El algoritmo gentico se mueve de generacin en generacin, creando
y seleccionando descendientes hasta que el criterio de terminacin es satisfecho.
La evaluacin puede ser usada en el AG de muchas maneras; la funcin se considera
como un estado y es independiente del AG. La evaluacin se lleva a cabo calculando la
aptitud de un individuo a partir del genotipo (el cromosoma del individuo).
El criterio de terminacin del algoritmo gentico se puede realizar de diferentes
maneras, normalmente el ms comn es un lmite de iteraciones o generaciones. El
algoritmo puede terminar debido a una falla o a un mejoramiento en la mejor solucin
sobre un nmero determinado de generaciones. Otro de los criterios utilizados se basa en el
progreso del algoritmo. Si no se calcula un individuo mejor en las ltimas x generaciones el
proceso termina y se concluye que el algoritmo convergi.

3.2.3

Funcin de Seleccin

La seleccin de individuos para producir generaciones sucesivas es una parte

fundamental e importante de un algoritmo gentico. En el algoritmo se desarrolla una
seleccin probabilstica con base en la aptitud de cada individuo; en consecuencia, el
individuo que tiene la ms alta aptitud tiene mayor probabilidad de ser seleccionado para
ser transmitido a la siguiente generacin. De esta forma, un individuo en la poblacin tiene
la posibilidad de ser seleccionado ms de una ocasin as como el de reproducirse en la
siguiente generacin.
58

Existen diferentes tcnicas para el proceso de seleccin, de las cuales se pueden

mencionar:
a)

La seleccin por rango. En este proceso son eliminados todos los cromosomas
que tienen una aptitud menor a un valor deseado.

b)

La seleccin de estado estable. La mayora de los cromosomas con aptitud

superior permanecen en la poblacin y los descendientes de estos sustituyen a
los menos aptos.

c)

Seleccin por torneo. Mediante esta tcnica, se organizan torneos entre los
individuos donde gana el cromosoma con la aptitud ms alta entre todos los
participantes y ste se transmite directamente a la siguiente generacin.

d)

Seleccin por elitismo. Los mejores cromosomas son incluidos directamente en

la nueva poblacin.

e)

La ruleta de seleccin. A los mejores cromosomas se les asigna una

oportunidad proporcional a su aptitud de ser seleccionados.

Este ltimo mtodo de seleccin es el ms usado en los algoritmos genticos y se

emplea tambin en el desarrollo de ste trabajo. En la ruleta se encuentran ubicados todos
los cromosomas de la poblacin y se les asigna una superficie mayor o menor dependiendo
de su valor o grado de adaptacin, este esquema se muestra en la Fig. 3.1.

Figura 3.1. Seleccin mediante la ruleta

El proceso de seleccin mediante el uso de la ruleta es como sigue. El tamao de los

sectores corresponde a los valores esperados e(ci ) de los individuos. Se considera un
indicador para conocer el sector de donde se obtienen los individuos que son seleccionados
para transmitirse a la siguiente generacin. Naturalmente, el indicador se detiene con mayor
probabilidad en los sectores ms grandes.
El algoritmo de muestreo de la rueda de la ruleta se realiza como se describe a
continuacin:

59

a)

Para cada individuo ci se calcula la suma acumulada de los valores esperados

e(ck) para obtener los lmites entre los distintos sectores,
qi =

3.2.4

e (c k )

(3.1)

k =0

b)

Se gene ra un nmero aleatorio r [0, N], (N es la suma de todos los valores

esperados).

c)

Si el valor calculado qi r el individuo ci es seleccionado. De lo contrario, se

transmite el individuo ci con qi-1 < r qi, i 2. En otras palabras, el algoritmo
se repite a travs de los individuos de la poblacin sumando los valores
esperados hasta que la suma sea mayor o igual al valor de r.

d)

El individuo que haga que esta suma exceda el lmite, es el que se selecciona
para retransmitirse a la siguiente generacin.

Operadores genticos

Los operadores genticos proporcionan el mecanismo bsico de bsqueda de los

algoritmos genticos. Los operadores son utilizados para crear nuevas soluciones basndose
en las soluciones existentes en la poblacin. Existen bsicamente dos tipos de operadores:
recombinacin y mutacin.
En el proceso de recombinacin a partir de dos individuos conocidos de la poblacin se
producen nuevos individuos sustituyendo a los anteriores. Cada individuo participa en la
recombinacin con una probabilidad Pxover. Esta es una diferencia del algoritmo gentico
con la naturaleza ya que en el ambiente natural, la probabilidad de recombinacin de un
individuo depende de su aptitud. Entre las formas de recombinacin de dos individuos se
encuentran: cruzamiento de un punto, cruzamiento de dos puntos, cruzamiento multipuntos
y cruzamiento uniforme. En este trabajo se utiliza el cruzamiento de un solo punto; este
tipo de cruzamiento se lleva a cabo seleccionando un punto en cada individuo y uniendo las
partes separadas con el otro individuo para formar dos nuevos descendientes.
La mutacin es el proceso de modificar la estructura de un individuo para producir
uno nuevo, que reemplaza al individuo original si el nuevo individuo resulta mejor. Las
formas de realizar la mutacin de un individuo se clasifican como: a) mutacin estndar; b)
inversin de cada bit entre las posiciones determinadas al azar; c) inversin total de los
cromosomas. La mutacin se aplica a cada bit del genoma con una determinada
probabilidad designada como Pmut. Generalmente se tiene Pmut < 1.
3.2.5

Seleccin de valores de los parmetros del AG.

A pesar de las ventajas que ofrecen la aplicacin de los operadores del algoritmo
gentico, como la representacin o los operadores de seleccin y muestreo, hay otros

60

factores que afectan el desempeo del algoritmo gentico de manera significativa; entre
estos factores se encuentran:
i)

El tamao de la poblacin seleccionada.

ii)

La probabilidad de recombinacin.

iii)

La probabilidad de mutacin.

Sin embargo, no existe una teora general que se aplique para la seleccin ptima de
los valores de estos parmetros. El conocimiento desarrollado en esta rea es totalmente
heurstico; los valores se proponen basndose en la experiencia desarrollada en el manejo
del algoritmo gentico y del conocimiento del problema especfico. En [10], Michalewicz
comenta en referencia a esta problemtica que: parece que la bsqueda de buenos valores
para los parmetros del algoritmo gentico es ms arte que ciencia. Los parmetros
influyen en el proceso del algoritmo gentico como se describe a continuacin.
i)

El tamao de la poblacin

El tamao de la poblacin indica la cantidad de cromosomas que existen en la

poblacin (en cada generacin). Si hay pocos cromosomas, el algoritmo tiene poca
probabilidad de realizar el cruzamiento exitoso y slo una pequea parte del espacio de
bsqueda ser explorado. Por el contrario, si en la poblacin hay muchos cromosomas, el
tiempo que emplea el algoritmo es mayor y ms lenta es la convergencia. Por lo tanto, el
tamao N de la poblacin influye de manera particular en la velocidad y en el tiempo de
ejecucin del algoritmo gentico. En este proceso se debe seleccionar un tamao de la
poblacin adecuado para evitar una convergencia inadecuada.
ii)

La probabilidad del cruzamiento Pover

La probabilidad del cruzamiento en el algoritmo gentico es un parmetro que

establece la frecuencia en que se realiza la cruza entre los cromosomas. Si no se aplica el
cruzamiento entre los cromosomas, los descendientes que se obtengan sern copias exactas
de los padres; con el cruzamiento, los nuevos individuos contendrn informacin gentica
de sus respectivos padres.
As como el tamao de la poblacin influye en el tiempo de convergencia del
programa, tambin influye la probabilidad de la recombinacin. Si Pover es muy pequeo,
resultan pocos individuos nuevos como producto de la recombinacin y el programa
requerir de mayor tiempo de ejecucin para encontrar las mejores soluciones.
Posteriormente, si la probabilidad Pover es muy grande casi todos los individuos se
seleccionan por recombinacin, lo que implica que por lo regular no se queden en la
poblacin los nuevos individuos, y sus descendientes tendran un valor demasiado cercano
a los individuos de la poblacin inicial. Por lo tanto, la seleccin no tendra mucho efecto
prctico. El rango de valores tpicos utilizados para la recombinacin se encuentra entre 0.2
y 0.8.

61

iii)

La probabilidad de mutacin Pmut

Este parmetro del algoritmo gentico es un parmetro que muestra la frecuencia de

mutacin de los cromosomas. Si no existe mutacin entre los cromosomas, stos son
considerados sin cambio alguno despus del cruzamiento, pero si la mutacin es aplicada,
parte del cromosoma es modificado. La mutacin se consider inicialmente como un
operador apoyado en la recombinacin como sucede en la naturaleza y por ello en el pasado
no se le dio la importancia que ahora tiene. En la actualidad, los algoritmos genticos no se
pueden construir sin la mutacin si se desea un rendimiento alto. Existen programas
basados solamente en los dos operadores, cruzamiento y mutacin, y los resultados son
eficientes como lo muestran las estrategias evolutivas [7]. El valor de la probabilidad
influye tambin en el tiempo de desarrollo del programa, por lo que se precisa una
probabilidad adecuada para evitar resultados errneos en el algoritmo gentico. En [11] se
propone una regla para determinar el valor adecuado de la probabilidad Pmut. Este valor se
obtiene aplicando la siguiente frmula:
Pmut = 1/n
(3.2)
donde n es la longitud de la representacin. Un diagrama de flujo general del procedimiento
del algoritmo gentico se muestra en la Fig. 3.2.
Genera una poblacin inicial
Evala cada individuo de
acuerdo a su funcin de
aptitud
Selecciona individuos. La probabilidad de
seleccin de cada individuo es
proporcional a su aptitud
Considera en forma aleatoria un par de
individuos como padres, aplica cruzamiento
en el par para generar dos descendientes

Podrn mutar un nmero pequeo de

individuos en la poblacin de descendientes

Reemplaza a todos los individuos de la

generacin anterior con los descendientes
obtenidos a travs de la seleccin,
cruzamiento y mutacin

No

el criterio de seleccin
es encontrado?
Si
Salida de resultados

Figura 3.2. Diagrama de flujo del algoritmo gentico

62

3.2.6

Aplicaciones del algoritmo gentico.

Entre las aplicaciones de los algoritmos genticos se pueden mencionar:

Optimizacin (estructural, de topologa, numrica, combinatoria, etc.).

Aprendizaje de mquina (sistemas clasificadores).

Bases de datos (optimizacin de consultas).

Reconocimiento de patrones (por ejemplo, imgenes).

Planeacin de movimientos de robots.

Economa.

Ecologa.

Prediccin.

Recientemente, el autor lo ha aplicado en la coordinacin de estabilizadores en

sistemas de potencia.

Esta lista no es completa pero da una idea de las clases de problemas en que son
aplicados los algoritmos genticos tanto para solucionar un problema como para ser
aplicado en un contexto cientfico. Motivados por el xito del algoritmo gentico en stas y
en otras reas, este mtodo ha tenido un crecimiento importante en los ltimos aos en
diversas disciplinas.

3.2.7

Diferencias importantes del algoritmo gentico con tcnicas tradicionales.

Los algoritmos tradicionales para resolver funciones de optimizacin generalmente

presentan resultados excelentes cuando se utilizan con funciones regulares convexas. Sin
embargo, muchas funciones son multimodales, discontinuas y no-diferenciables. El mtodo
de muestreo estocstico ha sido usado para optimizar estas funciones, mientras que las
tcnicas de bsqueda tradicionales usan caractersticas del problema para determinar el
siguiente punto de muestreo (ej. Gradientes, Hessianas, linealidad y continuidad); la tcnica
de bsqueda estocstica no hace tales consideraciones. Por lo tanto, los puntos de muestreo
estn determinados por reglas de decisin estocstica en lugar de un conjunto de reglas
determinsticas.
Los algoritmos genticos han sido usados para resolver problemas de difcil solucin
con funciones objetivo que no poseen propiedades agradables, tales como funciones
continuas, diferenciables, satisfaccin de la condicin de Lipschitz, etc. [8]. Algunas de las
diferencias entre el algoritmo evolutivo y las tcnicas tradicionales de bsqueda y
optimizacin se mencionan a continuacin.

63

3.2.8

1)

El algoritmo evolutivo usa una poblacin de soluciones potenciales en vez de

una sola; esto es, pueden identificar mltiples soluciones ptimas, hacindolo
menos sensible a quedar atrapado en mnimos/mximos locales.

2)

Los AG pueden ser usados en situaciones de optimizacin dinmica.

3)

La tcnica evolutiva usa operadores probabilsticos, mientras que las tcnicas

tradicionales utilizan operadores determinsticos.

4)

Son robustos en el sentido de que son aplicables a una gran variedad de

problemas, con una pequea o sin modificacin de la tcnica.

5)

Los AG pueden manejar todos los espacios de bsqueda, incluyendo espacios

no-suaves, multimodales y discontinuos.

Ejemplos de optimizacin [8].

En esta seccin se ejemplifica la solucin de dos funciones objetivo, mostrando los

resultados obtenidos.
a)

Ejemplo 3.1. Maximizar la funcin objetivo f ( x ) = x * sin( 10 * x ) + 1 .

Para la solucin del problema se aplica el AG; como se mencion en la seccin

anterior, se aplican las siguientes funciones:
1)

Una representacin binaria,

2)

Un inicio, la funcin de evaluacin y el criterio de terminacin,

3)

Seleccin y muestreo

4)

Operadores genticos

Representacin de los individuos. Los individuos se representan por cadenas de bits y

cada una es un gen del cromosoma. En este ejemplo se considera un intervalo de [-1, 2].
Este intervalo se representa por un conjunto de valores finitos que se obtienen aplicando la
expresin:
log 2 r
(3.3)
siendo r el espacio de bsqueda definido para el conjunto de valores. En este ejemplo se
considera una representacin del intervalo en 3,000,000 puntos. Por lo tanto, se tiene
[log2 3*106 ] = [21.516531] 22 bits

64

El nmero de bits obtenidos indica la longitud del gen. La solucin del problema se
encuentra analizando todo el espacio de bsqueda, enfocndose en una regin con
resultados satisfactorios.
Inicializacin, evaluacin y criterio de terminacin. En este paso, se crea una
poblacin inicial, distribuyendo uniformemente a los individuos sobre el espacio de
bsqueda. (Si se tiene conocimiento de la estructura del espacio de la bsqueda, resulta
muy til inicializar la primera poblacin dentro de una regin con valores satisfactorios).
Para la evaluacin, considerando que la aptitud siempre se calcula mediante el fenotipo, se
requiere la transformacin del genotipo. La funcin utilizada es,
f (i (c1 )) f (i ( c 2 ))

(3.4)

donde i representa al individuo, c al genotipo y f(i(c)) es la transformacin a la aptitud. La

funcin evaluacin se propone como,
eval(c) = f(i(c))

(3.5)

Por ejemplo, evaluando un valor de genotipo de (0.637197) en la funcin evaluacin

se obtiene f(0.637197) = 1.586345. Los resultados de este ejemplo se muestran en la Tabla
3.1.
Tabla 3.1 Aptitud obtenida del ejemplo 3.1
Generacin

Genotipo

Fenotipo

0.8678

1.7356

0.8543

1.846426

12

1.8768

2.250367

18 33

1.8544

2.836877

34

1.851505

2.849436

35 39

1.851503

2.849438

El mejor
valor

1.8496

2.8494

Como se puede observar en la Tabla 3.1, un valor aceptable de la aptitud se obtiene a

partir de la generacin 34, por lo que el criterio de terminacin para reducir el tiempo de
solucin depende de los requerimientos del problema y del operador del algoritmo.
El criterio de evaluacin se considera normalmente como el lmite de generaciones o
del tiempo de ejecucin del algoritmo. Esto es, el proceso del AG se termina si no se
produce un individuo mejor en las ltimas x generaciones. En este ejemplo, se
consideran 50 generaciones como el criterio de terminacin con 50 individuos por

65

generacin. En la primera generacin se obtiene un genotipo de 0.8678 y un fenotipo de

1.7356 que es la mejor solucin encontrada.
Seleccin y muestreo. Seleccin es la determinacin de la probabilidad con la cual un
individuo es seleccionado considerando el valor de su aptitud. Esta seleccin se realiza
usando la seleccin proporcional de Holland dada por,
Pi =

eval( ci )

(3.6)

eval( c k )
k =1

El muestreo se realiza aplicando la rueda de la ruleta para seleccionar los individuos

que se van a transmitir en la siguiente generacin.
Operadores genticos. Se aplican los operadores de mutacin y recombinacin para
obtener un nivel de aptitud de los individuos aceptables. Se emplea un valor de
recombinacin de Pover = 0.25 y de mutacin Pmut = 0.01.
Las Figs. 3.3-3.4 muestran grficamente la mejor solucin que se obtiene en este
ejemplo as como la comparacin entre la aptitud calculada y el nmero de generaciones.

f(x) = x * sin(10 pi *x) + 1

3
El mejor valor encontrado
2.5

F E N O T I P O

1.5

0.5

-0.5

-1
-1

-0.5

0.5
G

1
I

1.5

Figura 3.3. Grfica de la mejor solucin del ejemplo 3.1

66

A p t i t u d

vs.

G e n e r a c i n

2.8

A P T I T U D

2.6

2.4

2.2

1.8

1.6
0

10

15
G

20
E

25
R

30

35
N

40

45

50

Figura 3.4. Grfica comparativa de la aptitud obtenida

La parte sombreada de la fig.3.4 muestra que a partir de la generacin nmero 34 la

aptitud calculada se puede considerar como aceptable para terminar con el algoritmo y
reducir el tiempo de clculo del algoritmo.
b) Ejemplo 3.2. En este ejemplo se considera la maximizacin de la siguiente funcin
f ( x ) = x + 10 * sin (5 x ) + 7 * cos( 4 x ) , dentro del intervalo [0, 9]. Se realiza el
mismo procedimiento que en el ejemplo 3.1. El nmero de generaciones
consideradas fueron 25. Los resultados obtenidos se muestran en la Tabla 3.2 y en
las Figs. 3.5 y 3.6.
Tabla 3.2 Aptitud obtenida del ejemplo 3.2
Generacin

Genotipo

Fenotipo

8.0217

20.1903

2- 3

8.0148

20.55138

4- 6

7.8002

24.27073

7.8077

24.42119

8- 9

7.832

24.74463

10 11

7.849

24.84576

12 - 15

7.85697

24.85531

16 - 24

7.85698

24.85536

El mejor valor

7.8570

24.8554

67

f(x) = 5 +

10 sen (5x) + 7 cos (4x)

25
El mejor valor
20

f(x) = F E N O T I P O

15

10

-5

-10

-15

-20
0

x = G E N O T I P O

Figura 3.5. Grfica de la mejor solucin del ejemplo 3.2

Aptitud vs Generacin
25

24.5

24

APTITUD

23.5

23

22.5

22

21.5

21

20.5

20
0

10

15

20

25

G E N E R A C I O N E S

Figura 3.6. Grfica del comportamiento de la aptitud

De los resultados mostrados en la Tabla 3.2 y como se puede observar en la Fig. 3.6,
un valor aceptable de la aptitud se obtiene a partir de la generacin 12. Sin embargo, aqu

68

se considera que un mejor valor puede tenerse a partir de la generacin 16. Como se
mencion anteriormente, el criterio para terminacin del proceso depende entonces del
usuario y de la precisin que se desee obtener.

3.3

Manejo de restricciones.

Hasta ahora se ha descrito la metodologa del algoritmo gentico aplicado a

problemas sin restricciones. Sin embargo, en la prctica generalmente se tienen problemas
con restricciones de diferentes tipos (igualdad, desigualdad, lineales y no lineales) de la
forma:
min f(z)
(3.7)
sujeto a :
hi (z) c

i = 1, 2, . . ., n

El algoritmo gentico es una herramienta de optimizacin que inicialmente se

desarroll sin la inclusin de restricciones; por consiguiente, se requiere disear un
mecanismo que permita la inclusin de la informacin adecuada sobre las violaciones de
las restriccio nes en la funcin de aptitud.
Existen diferentes tcnicas para tratar problemas con restricciones [13-16]. En la
prctica se pueden encontrar problemas muy complejos de optimizacin con restricciones;
por ejemplo, el problema del agente viajero es de esta clase de problemas, la restriccin
para este problema es que el viaje tiene que ser en un solo ciclo visitando todas las
ciudades. Otro ejemplo es el de empacar la mochila, con una restriccin solamente con
todas las combinaciones posibles de objetos que se pueden meter en la mochila; sin
embargo, a causa de la cantidad de objetos no se puede calcular la aptitud para todas las
posibles soluciones viables. Estos problemas se tratarn en detalle ms adelante.

3.3.1

Antecedentes [13, 17].

Una breve revisin de la evolucin de las tcnicas desarrolladas para resolver la

optimizacin de problemas con restricciones es presentada en [13, 17, 18, 19, 20]. En los
ltimos aos han sido desarrolladas diversas tcnicas para el manejo de restricciones
mediante los algoritmos evolutivos, principalmente en el rea de los algoritmos genticos.
Las tcnicas desarrolladas se pueden clasificar en cuatro tipos:
1)

Tcnicas que rechazan a los individuos no factibles.

2)

Tcnicas que mantienen una poblacin factible mediante el uso de

operadores genticos especiales.

3)

Tcnicas que separan los objetivos y las restricciones.

4)

Tcnicas que penalizan a los individuos infactibles.

69

Quiz la forma ms fcil de tratar con las restricciones es la primera tcnica,

rechazando a los individuos que no estn considerados como factibles. Cuando alguna
solucin viola una restriccin, la aptitud asignada es de cero, y no se requieren clculos
posteriores para estimar el grado de infactibilidad de dicha solucin. Esta tcnica se puede
usar cuando los espacios de bsqueda son convexos.
Diversas representaciones para problemas de optimizacin fueron desarrolladas por
Davis, las cuales preservan la factibilidad del individuo. Otro de los ejemplos del uso de
este tipo de tcnicas es el algoritmo desarrollado por Michalewicz, el GENOCOP ( Genetic
Algorithm for Numerical Optimization for Constrained Problems por sus siglas en ingls)
[10]. Este algoritmo maneja restricciones lineales suprimiendo las desigualdades y
diseando operadores genticos especiales con la finalidad de mantener a todos los
individuos dentro de la regin de soluciones restringidas. El algoritmo GENOCOP
funciona mediante una poblacin inicial factible; debido a que se basa en la suposicin de
manejar restricciones lineales, su espacio de bsqueda es convexo.
Entre las tcnicas que separan los objetivos y las restricciones se puede mencionar la
desarrollada por Paredis que se basa en un modelo co-evolutivo [18]; este modelo trabaja
con ms de una poblacin y la aptitud de un individuo (en una poblacin) depende
directamente de la forma de evolucin de otra poblacin. El fundamento de esta tcnica es
que una poblacin de soluciones co-evoluciona con una poblacin de restricciones.
Otra de las tcnicas para tratar problemas con restricciones es la propuesta por
Schoenauer y Xanthakis llamada behavioural memory en donde las restricciones tienen un
orden de manejo en particular [13]. Esta herramienta se fundamenta en que las restricciones
deben de tratarse de una manera lineal con lo cual se busca modificar los resultados
obtenidos mediante este algoritmo.
Otra herramienta de inters es aquella en que los objetivos y las restricciones se
manejan por separado. La forma ms comn es redefinir el problema de optimizar la
funcin f (una funcin con un solo objetivo) en uno con mltiples objetivos (incluyendo las
restricciones). De esta manera se tendrn m + 1 objetivos, siendo m el nmero de
restricciones y el problema es resuelto usando una tcnica para funciones con mltiples
objetivos.
Con el desarrollo de la tcnica llamada COMOGA, Surry y colegas [21] propusieron
la jerarquizacin de la poblacin considerando el grado de violacin de las restricciones;
esto es, la cantidad de individuos en cada solucin. De esta manera, una parte de la
poblacin es seleccionada tomando esta jerarqua y los dems individuos se seleccionan
considerando su aptitud. Los resultados obtenidos con esta tcnica fueron satisfactorios
comparados con un enfoque hecho con penalizaciones, aunque si bien fueron resultados
buenos, no se puede decir que fueron mejores que los encontrados mediante una funcin de
penalizacin. Este algoritmo requiere de parmetros adicionales, tales como una funcin de
costo la cual sirve para regular la proporcin entre los individuos factibles y los no factibles
quienes estarn siempre presentes en la poblacin.

70

Otra tcnica no tan comn es la propuesta por Hajela y Lee [22]. Esta tcnica debe su
funcionamiento de manejo de restricciones a la manera natural de operar del sistema
inmunolgico. El enfoque utilizado es la separacin de todos los individuos factibles de los
no factibles en la poblacin. A los individuos factibles clasificados en un grupo se les llama
antgenos y a los no factibles se les conoce como anticuerpos. La manera de realizar lo
anterior es mediante el uso de una funcin sencilla de verificacin de patrones con lo cual
se calcula adems la similitud entre dos cromosomas (si se trabaja una codificacin binaria,
se realiza bit por bit o de manera general, gen por gen). De esta manera se co-evoluciona la
poblacin de anticuerpos hasta volverlos muy similares a la poblacin de antgenos. Una
vez que se llega a esa solucin, se combinan ambos grupos y se les evoluciona aplicando un
algoritmo gentico estndar sin considerar una funcin de penalizacin debido a que todos
los individuos ya se consideran factibles. A pesar de que con esta tcnica se tienen buenos
resultados, se tiene el inconveniente de que no se conoce an cual es el efecto, en trminos
de desempeo, de combinar diferentes proporciones de cada grupo de individuos; otro
inconveniente es que tampoco se sabe qu hacer cuando no se tienen individuos factibles en
la poblacin inicial.
La tcnica ms comn para el manejo de restricciones es la funcin de penalizacin; a
pesar de que se han propuesto varios enfoques para esta tcnica, la mayora conserva la idea
original: incrementar el valor de la funcin objetivo cuando una o ms restricciones son
violadas. A continuacin se describen algunas aportaciones presentadas en diversos
trabajos de investigacin basadas en la solucin de problemas con restricciones mediante la
tcnica de la penalizacin [8, 10, 13, 17, 19, 20].
Homaifar y colegas [23] presentaron una metodologa en donde se definen diferentes
niveles de violacin de las restricciones y se especifica un coeficiente de penalizacin para
cada nivel, de manera que la penalizacin se incrementa si el nivel de penalizacin es
mayor. La desventaja principal de este mtodo es que se requiere un nmero considerable
de parmetros de acuerdo a las restricciones; por ejemplo, para p restricciones se requieren
un total de p(2n + 1) parmetros, donde n es el nmero de niveles especificados en el
problema. Esto es, si se analiza un problema pequeo con 6 restricciones y 3 niveles de
penalizacin se requeriran 42 parmetros, lo que complica el problema.
Joines y Houck [24] propusieron una tcnica fundamentada en el uso de factores de
penalizaciones dinmicas, esto es, que cambian con el tiempo. La desventaja en esta tcnica
es que en la prctica, es difcil obtener una funcin de variacin de la penalizacin.
Michalewicz y Attia [25] basaron su mtodo en el algoritmo del templado simulado,
en este mtodo se modifican los coeficientes de penalizacin cada cierto nmero de
generaciones una vez que el algoritmo ha convergido a un ptimo local. Bsicamente, el
proceso funciona de la siguiente manera. En cada iteracin, el algoritmo considera
nicamente las restricciones violadas y la presin sobre las soluciones infactibles es
incrementada debido a los valores decrecientes de la temperatura del proceso. En esta
metodologa, la poblacin inicial es creada con las copias de un mismo individuo que
satisface todas las restricciones lineales. La temperatura es disminuida en cada iteracin del
proceso para crear una nueva poblacin basada en la mejor solucin encontrada en el paso
71

anterior; el proceso termina cuando se llega a una temperatura preestablecida. La principal

desventaja de esta tcnica es que generalmente no es posible seleccionar en forma adecuada
y precisa un esquema de enfriamiento cuando se resuelve cualquier problema utilizando el
algoritmo del templado simulado.
Adeli y Cheng [26] usaron un algoritmo gentico hbrido de una funcin de
penalizacin con un mtodo de programacin matemtica que utilizaron en un trabajo de
optimizacin anterior. Esta tcnica est basada en el uso de los multiplicadores de
Lagrange; tiene como inconveniente que los multiplicadores de Lagrange no se pueden
definir de manera sencilla para cualquier tipo problema.
Le Riche y colegas [27] propusieron un algoritmo gentico que utiliza dos parmetros
de penalizacin para cada restriccin. La idea de esta metodologa es lograr un balance
entre los factores de penalizacin mediante dos subpoblaciones de individuos; la poblacin
inicial se subdivide en dos grupos con la finalidad de combinarlos para mezclar a los
individuos factibles y no factibles. La clase de seleccin que es utilizada en este proceso es
de jerarquizacin lineal para reducir la posibilidad de una convergencia prematura. El
inconveniente que tiene esta tcnica es que no se tiene una manera precisa para elegir los
factores de penalizacin adecuados para cada una de las subpoblaciones.

3.3.2

Funciones de penalizacin [3, 8-10, 13, 17, 19-20].

En un mtodo de penalizacin, un problema con restricciones se transforma en un

problema sin restricciones asocindole una funcin de costo o bien, una funcin penalizada
que incluya todas las restricciones violadas. Este costo es incluido en la evaluacin de la
funcin objetivo. En esta seccin se describe la clasificacin de los mtodos de
penalizacin mencionando algunas de sus ventajas y sus principales inconvenientes.
Considrese un sistema con restricciones de la forma natural (ec.3.7):
min f(z)
sujeto a:
hi(z) c

i = 1, 2, . . ., n

Se transforma a la forma sin restricciones:

n

min f(z) + k [hi ( z )]

(3.8)

i =1

donde es la funcin de penalizacin y k es el factor de penalizacin definido por el

usuario. Existen diferentes formas de penalizar a un individuo de acuerdo a la violacin de
las restricciones; algunas de ellas son:

72

se le penaliza si no es factible, sin considerar si se encuentra cercano a la regin

factible.

se puede tomar el valor de la infactibilidad del individuo para considerar el factor de

penalizacin.

se puede utilizar una funcin de costo para volver factible al individuo.

Algunas de las tcnicas propuestas que usan una func in de penalizacin para la
solucin de problemas con restricciones se dividen en:
1)
2)
3)
4)
5)
6)

Penalizacin esttica.
Penalizacin dinmica.
Penalizacin usando el recocido simulado.
Penalizacin adaptiva.
Algoritmo gentico segregado.
Pena de muerte.

3.3.2.1 Penalizacin esttica.

En esta tcnica propuesta por A. Homaifar, Y. Lai y X. Qi [23], el usuario define
diferentes niveles de violacin de restricciones y selecciona un coeficiente de penalizacin
para cada nivel de violacin; de esta manera, el nivel de violacin se ir incrementando
conforme la violacin de las restricciones sea mayor. El individuo es evaluado mediante su
aptitud (ec. 3.8):
n

Aptitud = f i(z) +

k m , j hi (z )

(3.9)

j =1

donde k se ha definido como los coeficientes de penalizacin y m = 1, 2, . . . , l, siendo l los

niveles de violacin definidos por el usuario, n el nmero total de restricciones y f i(z) la
funcin objetivo sin penalizaciones.
La desventaja de utilizar este mtodo es que se requieren n(2l + 1) parmetros siendo
n el nmero de restricciones, y l el nmero de niveles de violacin. Por consiguiente, an
para un problema con pocas restricciones y niveles, la cantidad de parmetros que resulta se
incrementa, complicando la solucin del problema.

3.3.2.2 Penalizacin dinmica.

Dentro de esta categora de penalizar una funcin que viole ciertas restricciones, se
puede encontrar el trabajo desarrollado por J. Joines y C. Houck [24]. En la penalizacin
dinmica, los factores de penalizacin estn cambia ndo conforme evoluciona el algoritmo,

73

esto es, la funcin de penalizacin se incrementa conforme se incrementan las

generaciones.
Los individuos son evaluados de acuerdo a su aptitud ms el factor de penalizacin
cambiante en el tiempo. El inconveniente que presenta esta herramienta es que se corre el
riesgo de una convergencia prematura si los valores de los parmetros no son seleccionados
adecuadamente.

3.3.2.3 Penalizacin usando el algoritmo del templado simulado.

Esta tcnica propuesta por Michalewicz y colegas [25] utiliza como fundamento el
algoritmo del templado simulado. La idea bsica es la modificacin de los coeficientes de
penalizacin cada cierto nmero de generaciones para evitar que el algoritmo quede
atrapado en un ptimo local. Los individuos son evaluados usando su valor de aptitud, ms
una funcin que integra el esquema de enfriamiento definido por el usuario. El problema
principal que se tiene con esta tcnica es la seleccin adecuada del esquema de
enfriamiento.

3.3.2.4 Penalizacin adaptiva [28].

En esta tcnica las penalizaciones se modifican considerando una retroalimentacin
del ambiente durante el proceso del algoritmo gentico. Cuando un individuo es
consistentemente factible, la penalizacin disminuye; por el contrario, si resulta infactible
el valor de la penalizacin se incrementa. Si los cambios son alternados, esto es, unas veces
el individuo es factible y otras infactible la penalizacin permanece sin cambio. La
desventaja de esta tcnica es que no se tiene una regla para definir el factor inicial de
penalizacin y el intervalo de monitoreo de factibilidad para obtener resultados
satisfactorios.

3.3.2.5 Penalizacin usando el algoritmo gentico segregado.

Esta tcnica fue propuesta por Le Riche y colaboradores [27] y se fundamenta en el
uso de dos funciones de penalizacin en vez de una como las anteriores, separando la
poblacin en dos poblaciones; esta funcin tiene la finalidad de ponderar las restricciones
ms fuertes con las de menor valor. Cada una de las poblaciones se dividen a su vez en dos
grupos de individuos siendo evaluados mediante un factor de penalizacin distinto;
posteriormente, se seleccionan los mejores individuos en cada grupo de donde se obtienen
los nuevos descendientes para formar la nueva generacin. De esta manera, se combinan
los individuos factibles con los infactibles suponiendo el uso de un factor de penalizacin
grande y otro pequeo con la finalidad de mantener la diversidad y as, evitar quedar
atrapado en ptimos locales.
En esta metodologa la definicin de los factores de penalizacin de las dos
poblaciones resulta en un inconveniente cuando no se tiene mucha informacin sobre el
problema a resolver.
74

3.3.2.6 Pena de muerte.

La pena de muerte consiste en el rechazo de un individuo que no es factible y
representa quiz la manera ms sencilla de resolver problemas con restricciones. El uso de
esta tcnica se considera eficiente y prctica porque cuando una solucin viola alguna
restriccin se le asigna un valor de aptitud cero; en consecuencia, ya no se requiere realizar
ms clculo al respecto para estimar el grado de infactibilidad de dicha solucin.
nicamente los valores de los individuos que son factibles son considerados para la
solucin del problema [3, 13]. Como se mencion, esta tcnica de penalizar tiene como
principal ventaja la disminucin en tiempo de cmputo al no tener que recalcular la funcin
objetivo ni reparar a los individuos infactibles. Pero por el contrario, su desventaja radica
en el hecho de que si en la poblacin inicial no se tiene algn individuo factible, entonces
todos los individuos no tendrn un valor aceptable de aptitud ocasionando que el algoritmo
de bsqueda no progrese.
En este trabajo, la inclusin de restricciones se hizo mediante la tcnica de
penalizacin esttica por ser la tcnica ms simple de implementar en el algoritmo. An as,
los resultados de las aplicaciones presentadas en el captulo cuatro justifican tal inclusin.

3.4

Metodologa propuesta para sintonizar controles estabilizadores.

En esta seccin se describe la metodologa propuesta en este trabajo para solucionar

el problema de coordinar la operacin de estabilizadores. Las ecuaciones dinmicas del
sistema de potencia son ecuaciones complejas no lineales. Sin embargo, se pueden
encontrar soluciones tiles cuando se tienen desviaciones pequeas alrededor de un punto
de equilibrio en estado estable previamente seleccionado. Por lo tanto, en la solucin
propuesta se inicia evaluando una versin linealizada del modelo del sistema de potencia
alrededor de un punto de equilibrio. Esta linealizacin es generalmente descrita por las
matrices {A, B, C}. Se asume que el modelo del sistema est compuesto de generadores,
cargas y sistemas de excitacin. En forma adicional, se considera que se ha llevado a cabo
un
anlisis lineal completo del sistema (factores de participacin, ndices de
controlabilidad y observabilidad). Por consiguiente, se pueden conocer los puntos donde los
dispositivos PSS y FDS deben ser instalados, as como las seales ms adecuadas para la
retroalimentacin [31-33]. Los controles suplementarios se disean y coordinan mediante el
procedimiento propuesto enseguida.
3.4.1

Sensitividad de valores propios.

Como una herramienta importante, el anlisis de sensitividad de valores propios ha

sido usado para estudios din micos en sistemas de potencia y en el diseo de controles. Se
ha encontrado que las trayectorias de los valores propios dominantes para los cambios de
parmetros del sistema son no- lineales, y las estimaciones de primer orden no son precisas
por lo que es necesario considerar estimaciones de un orden mayor.

75

Un nuevo mtodo para el anlisis de sensitividad de valores propios de segundo

orden ha sido propuesto en [34]. En esta formulacin, el anlisis de sensitividad de un
modo en particular puede ser desarrollado solamente con sus valores propios izquierdos y
derechos, y no se requiere la informacin de otros valores propios. El modelo linealizado
para el anlisis de estabilidad de un sistema de potencia puede ser representado por la
siguiente expresin:
x& AG
0 = C
G

o en forma compacta

BG x U
+
u
Y v 0

~
~
~
x& = A ~x + U u~

(3.10)

(3.11)

donde x es el vector de estados, v es el vector de los voltajes de nodos de la red, u es el

~
vector de las variables de entradas de control, indica los valores perturbados, A es la
matriz de estado del sistema aumentado.
El valor propio i , el vector propio derecho v i y el vector propio izquierdo wi de la
matriz aumentada, se definen como
~
~
Avi = i Bv i , AT w i = i Bwi

(3.12)

La matriz B tiene valores de 1 en las primeras n entradas de la diagonal y 0 en las

otras posiciones, siendo n el nmero de variables de estado. Si se tienen cambios en los
parmetros del sistema, stos se pueden representar por la matriz A~ P y la perturbacin se
puede definir como E = A~ P ~A . Las perturbaciones de los valores propios de primer y
segundo orden se obtienen mediante [34].
(i1) = wiT Ev i

(3.13)

(i 2 ) = wTi Evi

(3.14)

El vector vi se calcula resolviendo en forma simultnea las ecuaciones

(A~ i B )vi = ((i1) B E )vi

(3.15)
wiT Bvi

3.4.2

=0

Funcin objetivo

En esta seccin se propone una funcin objetivo que se resuelve mediante un

algoritmo gentico, con la finalidad de amortiguar las oscilaciones electromecnicas que
aparecen en un sistema de potencia ante la presencia de perturbaciones. La funcin objetivo
propuesta se define por la siguiente expresin:

76

 Re { j _ k }
K

min

(3.16)

k =1 jZ

La perturbacin de los valores propios puede ser representada como una perturbacin
de segundo orden, esto es, j _ k = (j1_)k + (j2_)k , y Z = { j _ k de inters en la k-sima
condicin de operacin}. Esto es, el objetivo es minimizar la parte real de la sensitividad de
los modos de inters a travs de los mejores parmetros de los estabilizadores,
considerando diferentes condiciones de operacin. Por lo tanto, resolviendo la ecuacin
(3.16) se pueden obtener los parmetros de los estabilizadores capaces de incrementar el
amortiguamiento de los modos de inters.
En este trabajo, la matriz de perturbacin E de las ecs. (3.13)-(3.14) se calcula
cambiando los parmetros de los estabilizadores a partir de un conjunto de parmetros
tpicos. Los estabilizadores incluyen PSS actuando en los generadores sncronos y los FDS
actuando a travs de dispositivos FACTS. Los estabilizadores que se consideran aqu tienen
la relacin convencional de entrada/salida:
y ( s)
skT 1 + sT1 1 + sT3
=
u (s ) 1 + sT 1 + sT2 1 + sT4

(3.17)

que consiste de filtros lineales conectados en cascada. El primer trmino representa un filtro
washout que sirve para eliminar seales a la salida del estabilizador del sistema de potencia
el cual modificar el voltaje en terminales del generador. Esencialmente el washout acta
como un filtro pasa-alta y debe dejar pasar todas las frecuencias que son de inters. El
segundo trmino es un compensador dinmico con el filtro washout y es usado para
mejorar el atraso de fase a travs del sistema.
Sin prdida de generalidad, se consideran en las simulaciones que T1 = T3 y T2 = T4
para simplificar el anlisis. Para cada estabilizador, se estimarn nicamente T1 y K, debido
a que T y T2 se seleccionan previamente. T toma valores entre 7.5 - 15 s, y se elige para
asegurar un cambio de fase despreciable para las frecuencias de oscilacin de inters. T2
toma valores entre 0.020-0.10 s, y se elige considerando una realizacin fsica [41]. Por lo
tanto, para N estabilizadores, se estimarn 2N parmetros (N constantes de tiempo T1 , y N
ganancias K).
Es importante enfatizar que con ste procedimiento se obtienen los parmetros con
los que se construyen estabilizadores robustos, capaces de operar satisfactoriamente sobre
un amplio rango de condiciones de operacin del sistema. Para el problema abordado,
robustez implica que los controles tengan un buen desempeo, en presencia de pequeas
perturbaciones como variaciones en las cargas, y ante grandes perturbaciones como salidas
de lneas de transmisin o corto circuito. La Fig. 3.7 describe el algoritmo desarrollado
aplicando la metodologa propuesta.

77

F=0

Condicin de operacin
Construir la matriz de estado aumentada
usando los parmetros tpicos de los PSSs
y del FDSs, ec (4.21)
Seleccionar Z = (Modos de inters)
Conjunto de parmetros T2 i & T i
Genera una poblacin de parmetros
[K1 T1_1; K 2 T1_2 ; . . .; KN T1_N ]
N = Nmero de estabilizadores, se
considera como lmites:
K j_min Kj Kj_max
T1j_min T1 j T1j_max

Evaluar para cada una de:

(i1) Sensitividad de primer orden i Z

(i2 ) Sensitividad de segundo orden i Z

Ecs (4.24) (4.25)
F = F + Re ( i)
iZ

Otros
puntos de
operacin

si

no
F min
no

si
Fin

Mutacin
Cruzamiento
........
Figura3.7. Diagrama de flujo del mtodo propuesto

78

3.5

Ejemplo de aplicacin del algoritmo gentico incluyendo un dispositivo FACTS.

En esta seccin se presenta la aplicacin del AG sin restricciones a un sistema de

potencia con caractersticas reales ( equivale nte de la red mexicana). La Fig. 3.8 muestra el
sistema analizado de potencia de 46-generadores; representa un equivalente de la red
elctrica Mexicana la cual consiste de 46 generadores y 190 nodos. Un TCSC es instalado a
la mitad de la lnea 174-181 y un UPFC es insertado entre la lnea 75-84.

Fig. 3.8. Sistema de potencia de 46 generadores

3.5.1 Modelo del generador

Se considera un el modelo transitorio del generador de cuarto orden el cual incluye un
sistema de excitacin esttico dado por:
d
= 0
dt
d
1
[Pm Pe D ]
=
dt M
dEq
1
=
[ Eq + Efd (xd xd )id ]
dt
T d 0
dEd
1
=
[ Ed + (xq xq )iq]
dt
Tq0
dEfd
1
=
[ Efd + K A (Vref + Vs Vt)]
dt
TA

79

(3.18)

Este sistema presenta dos modos electromecnicos de inters para las condiciones
nominales de operacin (caso base) {-0.358 j6.147, -0.924 j6.101}, cuyo
amortiguamiento se desea incrementar a travs de la accin coordinada de los 13
estabilizadores instalados en los generadores {1, 2, 3, 6, 15, 19, 24, 32, 33, 35, 36, 38 y
39}, un estabilizador TCSC y un UPFC. Estos modos incluyen interacciones entre los
generadores en las regiones sur y este del sistema. Las seales de retroalimentacin
empleadas son las siguientes: la velocidad para los estabilizadores de sistemas de potencia,
el flujo de potencia activa de la lnea para los estabilizadores FACTS.
3.5.2

Caso base

Para los dispositivos FACTS y los generadores, se consideran los siguientes

parmetros y condiciones en estado estable. El TCSC tiene una inductancia L = 92 mH y
una capacitancia C = 44 F, resultando en una reactancia capacitiva equivalente XTCSC =
0.1500 pu, cuando se tiene un ngulo de disparo = 50.5. Las reactancias del
transformador del UPFC son Xserie = Xparalelo = 0.010 pu, y regula el flujo de potencia en S7584 = 0.5 + j0.5 con los siguientes valores: Vparelelo = 1.0385 p 0.5078 rad y Vserie = 0.0458 p
0.1788 rad.
Todos los sistemas de excitacin estticos tienen parmetros KA = 75 y TA = 0.015 s. La
seal de salida del estabilizador Vs es alimentada al sistema de excitacin de los
generadores {1, 2, 3, 6, 15, 19, 24, 33, 35, 36, 38, 39}.

3.5.3

Bsqueda de robustez

Para el diseo de estabilizadores robustos se consideran diferentes condiciones de

operacin considerando: a) El caso base mencionado anteriormente, b) La potencia real es
incrementada 15%, Caso II, c) Se desconectan las lneas de transmisin 158-141 y 185-183,
caso III y d) Se desconectan las lneas de transmisin 172-174 y 75-89, caso IV. Para los
estabilizadores, las seales de retroalimentacin son las velocidades angulares i (rad/s).
Los lmites en los parmetros de las variables de los estabilizadores usados en ambos
algoritmos son:
K pss [0 .02 , 0 .2 ], Kupfc [0 .01, 0 .14 ],
K TCSC [1e 3, 1e 4], T2
T2

3.5.4

upfc

pss

[0.02, 0.075],

(3.19)

[0.02, 0. 075] , T2 TCSC [0.02, 0.075]

Simulaciones

La estabilizacin robusta se obtiene de la accin coordinada de los estabilizadores,

cuyos parmetros son estimados resolviendo la ec. (3.16) mediante el AG resultando las
que se muestran en la Tabla 3.3.

80

Tabla 3.3
Parmetros de los estabilizadores (PSS y FACTS).
Estabilizador
k
T T1 = T3 T2 = T4
PSS1
0.077405 7.5 0.021781 0.015
PSS2
0.047769 7.5 0.021298 0.015
PSS3
0.027402 7.5 0.020000 0.015
PSS6
0.127127 7.5 0.027765 0.015
PSS15
0.080810 7.5 0.028804 0.015
PSS19
0.030692 7.5 0.020250 0.015
PSS24
0.171992 7.5 0.071712 0.015
PSS32
0.034948 7.5 0.052270 0.015
PSS33
0.054614 7.5 0.034987 0.015
PSS35
0.159305 7.5 0.021847 0.015
PSS36
0.129505 7.5 0.062312 0.015
PSS38
0.089906 7.5 0.074670 0.015
PSS39
0.100982 7.5 0.020981 0.015
FDSupfc
0.077266 7.5 0.039642 0.040
FDStcsc
0.000594 7.5 0.064887 0.040

Las Figuras 3.9-3.13 describen el comportamiento no- lineal de algunas velocidades

angulares i, de las potencias elctricas reales Pei y de las posiciones de los rotores i y
posterior a una falla trifsica repentina aplicada a los nodos 53, 59, 78 y/o 185,
considerando las cuatro condiciones de operacin mencionadas anteriormente. El generador
nmero 1 es tomado como referencia.

Figura 3.9. 2 posterior a una falla en el nodo 53

81

Figura 3.10. Pe5 posterior a una falla en el nodo 59

Figura 3.11. 19 posterior a una falla en el nodo 59

82

Figura 3.12. 21 posterior a una falla en el nodo 78

Figura 3.13. 5 posterior a una falla en el nodo 185

83

3.5.5

Discusin de resultados

La metodologa propuesta y aplicada en este ejemplo para mejorar el comportamiento

de los sistemas de potencia multi- mquinas a travs de la coordinacin de los
estabilizadores brinda un desempeo robusto y adecuado despus de pequeas y grandes
perturbaciones donde se consideran diferentes condiciones de operacin. El ejemplo
muestra la aplicabilidad de la coordinacin de estabilizadores analizando el
comportamiento transitorio de algunas mquinas sncronas como se ilustra en las figuras
presentadas.
3.6

Inclusin de restricciones de segurida d transitoria.

La rpida expansin de las dimensiones de los sistemas de potencia, aunado a los

problemas asociados con tener una fuente confiable de energa, ha hecho de la seguridad
del sistema un factor primario e importante en la operacin de los sistemas. La estabilidad
transitoria trata con la respuesta de los mismos ante la presencia de disturbios. El periodo
de inters es despus de la liberacin de la falla y se le conoce como el periodo de postfalla.
En este intervalo, las oscilaciones electromecnicas tienen que ser amortiguadas tan pronto
como sea posible, como un factor importante de la seguridad en los sistemas de potencia.
Despus de liberar una perturbacin en un sistema de potencia, los modos que pueden
aparecer pueden ser clasificados en dos principales grupos: modos local y modos interrea. Las oscilaciones pueden ocurrir debido a fluctuaciones de las cargas, salidas de
generadores o de lneas de transmisin; pudiendo ocurrir en forma espontnea. Estas
oscilaciones pueden decrecer lentamente y desaparecer o crecer causando la inestabilidad
del sistema. Para un mejor desempeo del sistema, las oscilaciones deben ser removidas del
sistema rpidamente. Con el crecimiento en la demanda de energa y la interconexin de
grandes redes elctricas, las oscilaciones de baja frecuencia han llegado a ser uno de los
principales problemas en su operacin, afectando la confiabilidad y la seguridad de las
mismas. Un objetivo importante de la planeacin, diseo y operacin de un sistema
elctrico de potencia es proporcionar la suficiente seguridad en el suministro de la potencia
elctrica a los consumidores. Por lo tanto, la seguridad es uno de los criterios
fundamentales en el diseo y el principal objetivo durante su operacin, bajo condiciones
normales y perturbadas (cualquier condicin de operacin). En los sistemas de potencia, la
estabilidad se refiere solamente a los estudios dinmicos de los sistemas, mientras que la
seguridad incluye aspectos tanto estticos como dinmicos [35].
La estabilidad transitoria en un sistema se refiere a la habilidad de los generadores de
mantenerse en sincronismo a pesar de estar sujetos a grandes disturbios tales como fallas
trifsicas o la desconexin de lneas. Por lo tanto, la linealizacin de los sistemas no puede
ser aplicable y las ecuaciones no- lineales de los sistemas tienen que ser resueltas. Lo
anterior complica el anlisis en forma considerable. El periodo de tiempo para el anlisis de
estabilidad transitoria es unos cuantos segundos solamente debido a que la prdida de
sincronismo puede ocurrir rpidamente en ese corto tiempo y originar que las posiciones
angulares de los rotores puedan incrementarse bajo la influencia de la potencia

84

acelerante, y el sistema de potencia llegue a ser inestable si experimenta una excursin

grande [36-37].
La seguridad en un sistema se mide por su capacidad de mantener un suministro de
potencia en forma continua, an cuando detecte variaciones en la operacin. Estas
variaciones pueden ser originadas por perturbaciones en el sistema. Para garantizar una
seguridad y por consiguiente, una confiabilidad en la generacin, suministro y consumo de
energa, los sistemas pueden involucrar arreglos complejos de dispositivos de control; estos
controles pueden operar de manera directa en elementos individuales tales como
generadores.
Conceptualmente, para el anlisis de la seguridad y un adecuado diseo de controles,
la operacin del sistema se puede clasificar en [38]: Condicin normal de operacin es
cuando el sistema se encuentra operando dentro de un rango normal y seguro, capaz de
eliminar cualquier contingencia pequea sin violar alguna restriccin de operacin.
Posteriormente, el sistema entra al estado de alerta si el nivel de seguridad llega a una
regin donde la posibilidad de una perturbacin se incrementa por las condiciones en que
opera el sistema. En este estado, todas las variables del sistema se encuentran an dentro de
un rango estable de operacin y se puede volver al estado normal disminuyendo la
generacin, haciendo un re-despacho de cargas, entre otras acciones correctivas y/o
preventivas; sin embargo, el sistema opera con seguridad dbil porque una contingencia
puede causar un problema mayor y mover al sistema a un tercer estado llamado de
emergencia si una perturbacin severa ocurre cuando el sistema se encuentra en estado de
alerta, ocasionando que los voltajes de algunos nodos se vuelvan crticos o las cargas de
equipos violen el rango de seguridad. En esta etapa, los controles pueden actuar, liberando
la falla, operando el control de excitacin, liberando cargas o generadores, regresando al
sistema al estado anterior. Si estas medidas correctivas no son aplicadas o los dispositivos
fallan en su accin de control o son insuficientes, el sistema entra a la condicin de
emergencia extrema. Esta condicin es ms crtica porque puede originar la salida de lneas
de transmisin en cascada, y la posibilidad de prdidas importantes de reas de suministro
en un sistema de potencia. Por lo tanto, un adecuado y eficiente diseo, sintonizacin,
colocacin y coordinacin de los dispositivos de control son muy importantes para evitar la
prdida de estabilidad del sistema. Una vez que los controles han operado, el sistema puede
restaurar los elementos que han sido aislados del resto, las cargas pueden ser reconectadas
y el sistema tiende a volver a una condicin estable de operacin. La Fig. 3.14 muestra de
manera esquemtica las condiciones de operacin descritas.

85

Figura 3.14. Estados de operacin del sistema de potencia

Como se ha mencionado, la seguridad es de gran inters en la planeacin y diseo de

los sistemas de potencia para mantenerlos siempre en condiciones seguras y estables de
operacin. En consecuencia, los controles suplementarios y su adecuada coordinacin
juegan un papel muy importante en trminos de seguridad y estabilidad del sistema.
En este trabajo, la inclusin de las consideraciones de seguridad para resolver el
problema de la coordinacin de estabilizadores se realiza mediante restricciones de
desigualdad. Una de las restricciones que se imponen a los sistemas de potencia es:

Restricciones de desplazamiento angular entre generadores. Estas acotan las

posiciones angulares de los rotores del sistema. Matemticamente, las restricciones se
representan mediante:
i (t ) j (t ) ij _ max
(3.18)
1 i, j n, i j

donde i(t) es la i-sima posicin angular en el tiempo t; ij_max es la separacin mxima

deseada entre el i-simo, el j-simo generador despus de una contingencia y n el nmero
de generadores considerados para restringir su desplazamiento angular.
La inclusin de restricciones para la coordinacin de controles tiene el propsito de
considerar algunas condiciones de operacin que garanticen un comportamiento dinmico
estable del sistema completo en la condicin de operacin de postfalla; en el algoritmo
propuesto, la robustez es un factor de gran inters para su desarrollo. Es importante notar
que mediante esta metodologa es posible seleccionar y estudiar diferentes localizaciones
de fallas; la rutina de optimizacin se refiere al algoritmo aplicado para optimizar una
funcin no- lineal sujeta a restricciones de tipo no- lineal [39-40].
La Fig. 3.15 muestra el diagrama de flujo del algoritmo propuesto donde se incluyen
las restricciones de desigualdad.

86

Datos
x inicial

xnueva
Nuevas
condiciones de
operacin?

no

xant

Rutina de
Minimizacin

si
Evala la
representacin
dinmica
linealizada

Satisface el criterio?

x& = Ax + Bu

no

si
fin

Calcula
de
x& =laASensitividad
x + B u
segundo
orden de los
valores propios de inters
= (1j) + (2j )
jZ

f(x) = f(x) + Re ()

Rutina de estabilidad transitoria

i - j ij _mx

si

i, j de inters
penalizacin (x ) = 0

no
penalizacin (x ) > 0

f (x ) si (x) es factible

eval (x) =
f (x ) + penalizacin (x) de otra manera

Figura 3.15. Diagrama de flujo del mtodo propuesto incluyendo restricciones angulares.

87

3.7

Resumen

En este captulo se describe el algoritmo gentico, su estructura y su aplicabilidad

como una herramienta interesante, eficiente y til para resolver problemas de optimizacin.
En el algoritmo gentico se aplican la seleccin, la mutacin y el cruzamiento como
operadores principales a una serie de generaciones para crear nuevas generaciones de
descendientes con la finalidad de mejorar la aptitud de los individuos.
Los algoritmos genticos trabajan a partir de una poblacin inicial de soluciones
posibles en contraste con otras tcnicas convencionales que trabajan con soluciones
sencillas; de esta manera, el mtodo reduce la posibilidad de quedar atrapado en un punto
ptimo local. Los algoritmos genticos (AGs) han surgido como una herramienta
prometedora para la solucin de problemas de optimizacin; son robustos en el sentido de
que son aplicables a una gran variedad de problemas con una pequea o ninguna
modificacin de la tcnica. Asimismo, pueden manejar todos los espacios de bsqueda,
incluyendo espacios discontinuos y funciones no-suaves, pueden identificar mltiples
soluciones ptimas y ser usados adems, en situaciones de optimizacin dinmica. En
artculos recientes, los AGs han sido aplicados al problema de la coordinacin de los
Estabilizadores de Sistemas de Potencia (PSS) y los dispositivos estabilizadores FACTS
(FDS). Los resultados han sido exitosos y confirman el potencial de los AGs para buscar
los ajustes ptimos de los parmetros del PSS y FDS convencionales en sistemas de
potencia [29-30]. Los algoritmos genticos son algoritmos atractivos y prometedores para
la solucin de problemas de optimizacin. Se presenta el desarrollo de la metodologa
propuesta para resolver el problema de la coordinacin de controles en un sistema
multimquinas de potencia. Los controles utilizados en este trabajo son los estabilizadores
de sistemas de potencia (PSS), y dispositivos estabilizadores FACTS por su versatilidad
para ayudar a amortiguar oscilaciones de origen electromecnico.
Como parte importante de la metodologa, se propone la inclusin de restricciones de
seguridad que se realiza de manera particular en forma de restricciones de desigualdad, con
la finalidad de acotar las excursiones angulares de los rotores de los generadores, el flujo
transitorio de postfalla de lneas y la apertura angular ent re nodos, contribuyendo con esto a
incrementar las probabilidades de conservar el sincronismo despus de disturbios severos.

Referencias
[1]

Box, G. E. P., Evolutionary Operation: A method for increasing industrial productivity.

Journal of the Royal Statistical Society, Vol. 6, No. 2, Pp.81-101, 1957.

[2]

Friedberg, R., A learning machine I. IBM Journal of Research and Development, Vol.
2, No. 1, 1958.

[3]

Carlos A. Coello Coello, Introduccin a la computacin evolutiva. Notas de curso,

Cinvestav-IPN, 2001.

88

[4]

Bremermann, H. J., Optimization through evolution and recombination. In Selforganizing systems, M. C. Yovits, G. T. Jacobi, and G. D. Goldstein, Eds. Spartan Books,
Washington, D. C., Pp. 93-106, 1962.

[5]

Thomas Back., Evolutionary Algorithms in Theory and Practice. Oxford University

Press, New York, 1996.

[6]

Lawrence J. Fogel., Artificial Intelligence through Simulated Evolution. Forty Years of

Evolutionary programming. John Wiley & Sons, Inc., New York, 1995.

[7]

Melanie Mitchel, An Introduction to Genetic Algorithms. A Bradford Book, The MIT

Press, Cambridge, Massachusetts, London, England, Fifth Printing, 1999.

[8]

M. Gen and R. Cheng, Genetic Algorithms & Engineering Design. John Wiley & Sons,
Inc. 1997.

[9]

D. E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning.

Addison-Wesley, 1989.

[10]

Michalewicz, Z., Genetic Algorithms + Data Structures = Genetic Programs. Third

Edition, Springer Verlag, 1996.

[11]

Back, T, Evolutionary Algorithms in Theory and Practice. Oxford University Press,

1995.

[12]

Christopher R. Houck, Jeffery, A. Joines and Michael G. Kay A Genetic Algorithm for
Function Optimization: A Matlab Implementation Report. North Carolina State
University, Pp. 1-14.

[13]

Zbigniew Michalewicz, A Survey of Constraint Handling Techniques in Evolutionary

Computation Methods. Proceedings of the Fourth Annual Conference on Evolutionary
Programming, Pp. 135-155, 1995.

[14]

Zbigniew Michalewicz, and Schoenauer, M., Boundary Operators for Constrained

Parameter Optimization problems. Proceedings of the Seventh International Conference
on Genetic Algorithms, Pp. 320-329, 1997.

[15]

Richard Y. K. Fung, Jiafa Tang and Dingwei Wang, Extension of a Hybrid Genetic
Algorithm for nonlinear programming problems with equality and inequality constraints.
Computers & Operations Research, Vol. 29, Pp. 261-274, 2002.

[16]

Chen Zhong and Fei Pusheng, A Parallel Algorithm for Constrained Optimization
Problems. Journal of Computational and Applied Mathematics, Vol. 61, Pp. 225-230,
1995.

[17]

Carlos A., Coello Coello, Theoretical and Numerical Constraint-Handling Techniques

used with Evolutionary Algorithms: A Survey of the State of the Art. Computer Methods
in Applied Mechanics and Engineering, Vol. 191, No. 11-12, Pp.1245-1287, January2002.

89

[18]

J. Paredis, Co-evolutionary Constraint Satisfaction. Proceedings of the Third

Conference on Parallel Problem Solving from Nature, Springer-Verlag, New York, Pp.
46-55, 1994.

[19]

Carlos A., Coello Coello, Use of Self-Adaptive Penalty Approach for Engineering
Optimization Problems. Computer in Industry, Vol. 41, No. 2, Pp.113-117, Jan., 2000.

[20]

Carlos A., Coello Coello, Treating Constraints as Objective for Single -Objective
Evolutionary Optimization. Engineering Optimization, Vol. 32, No. 3, Pp.275-308, Feb.
2000.

[21]

Patrick D. Surry, Nicholas J. Radcliffe, and Ian D. Boyd., A Multi-Objective Approach

to Constrained Optimization of Gas Supply Networks: The COMOGA Method.
Evolutionary Computing, AISB Workshop, Lecture Notes in Computer Science, Springer
Verlag, 1995.

[22]

P. Hajela and J. Lee., Constrained Genetic Search via Schema Adaptation. An Immune
Network Solution. Proceedings of the First World Congress of Structural asnd
Multidisciplinary Optimization, Germany, Pp. 915-920, 1995.

[23]

A. Homaifar, S. H. Y. Lai and X. Qi, Constrained Optimization via Genetic Algorithms.

Simulation, Vol. 62, No. 4, Pp. 242-254, 1994.

[24]

J. Joines and C. Houck, On the Use of Non-Stationary Penalty Functions to Solve

Nonlinear Constrained Optimization Problems with Gas. Proceedings of the First IEEE
Conference on Evolutionary Computation, IEEE Press, Orlando Florida, Pp. 579-584,
1994.

[25]

Zbigniew Michalewicz, and N. Attia., Evolutionary Optimization of Constrained

Problems. Proceedings of the Third Annual Conference on Evolutionary Programming,
Pp. 98-108, 1994.

[26]

Hojjat Adeli and Nai-Tsang Cheng, Augmented Lagrangian Genetic Algorithm for
Structural Optimization. Journal of Aerospace Engineering, Vol. 7, No. 1, Pp. 104-118,
January, 1994.

[27]

R. Le Riche, C. Knopf-Leonoir and R. T. Haftka, A Segregated Genetic Algorithm for

Constrained Structural Optimization. Proceedings of the Sixth International Conference
on Genetic Algorithms, San Mateo California, Pp. 558-565, 1995.

[28]

James C. Bean, Genetic and Random Keys for Sequencing and Optimization. ORSA
Journal on Computing, Vol. 6, No. 2, Pp.154-160, 1994.

[29]

A. L. B. Do Bomfim, G. N. Taranto and D. M. Falcao Simultaneous Tunning of Power

System Damping Controllers Using Genetic Algorithm, IEEE Transaction on Power
Systems, Vol. 15, No. 1, Pp. 163-169, February 2000.

[30]

G. N. Taranto and D. M. Falcao. Robust decentralized control design using genetic

algorithm in power system damping control. IEE Proc.- Gener. Transm. Distrib., Vol.
145, No. 1, Pp. 1-6, Jan. 1998.

90

[31]

Ixtlhuatl Coronado, Ubicacin de Dispositivos FACTS desde una Perspectiva

Dinmica. Tesis de Maestra, Cinvestav-IPN Unidad Guadalajara, Septiembre, 2001.

[32]

H. F. Wang, F. J. Swift and M. Li, Selection of Installing Locations and Feedback

Signals of FACTS-Based Stabilizers in Multimachine Power Systems by Reduced-Order
modal Analysis. Proc. IEEE, 144, (3), pp.263-269, 1997.

[33]

W. I. Fang, and H. W. Ngan, Optimizing Location of Unified Power Flow Controllers

Using the Method of Augmented Lagrange Multipliers. IEEE Proc.-Gener. Transm.
Distrib., Vol. 146, No. 5, Sept. 1999.

[34]

H. K. Nam, Y. K. Kim, K. S. Shim, and K. Y. Lee, A New Eigen-Sensitivity Theory of

Augmented Matrix and its Application to Power System Stability Analysis. IEEE
Transaction on Power Systems, Vol. 15, No. 1, Pp. 363-369, Feb. 2000.

[35]

M. Pavella, D. Ernst, and D. Ruiz-Vega, Transient Stability of Power Systems: A Unified

Approach to Assessment and Control. Kluver Academic Publishers. 2000.

[36]

K. R. Padiyar, Power System Dynamics. Indian Institute of Science, Bangalore, John

Wiley and Sons (Asia) Pte Ltd, 1996.

[37]

Syed A. Nassar and F. C. Trutt, Electric Power Systems. CRC Press LLC, 1998.

[38]

S. Kundur, Prabha, Power System Stability And Control. Mc Graw-Hill, Inc, 1994.

[39]

Coleman, T. F. and Y. Li, An Interior, Trust Region Approach for Nonlinear

Minimization Subject to Bounds. SIAM Journal on Optimization, Vol. 6, Pp. 418-445,
1996.

[40]

Coleman, T. F. and Y. Li, On the Convergence of Reflective Newton Methods for LargeScale Nonlinear Minimization Subject to Bounds. Mathematical Programming, Vol. 67,
No. 2, Pp. 189-224, 1994.

[41]

P. Kundur, M. Klein, G. J. Rogers and M. S. Zywno, Application of Power System

Stabilizers for Enhancement of Overall System Stability. IEEE Transactions on Power
Systems, Vol. 4, May 1989, Pp. 614 626.

91