Diseño Óptimo de un Reductor de Velocidad Mediante Enjambre de Partículas
Resumen
El presente artículo describe la estrategia numérica utilizada para la optimización del conocido reductor de velocidad de Golinski mediante una modificación del tradicional método de enjambre de partículas (PSO), con una función de penalización que involucra las restricciones propias de su aplicación. Este trabajo se motivó por la necesidad de utilizar componentes mecánicos óptimos en áreas como la robótica. Se encontró una notable precisión de sus resultados con relación a los reportados tanto por métodos clásicos de optimización, como por herramientas computacionales comerciales. No obstante, su tiempo de cálculo fue una desventaja notoria, aunque no crítica, dada su aplicación fuera de línea. Confirman también estos resultados que el PSO, y la variante utilizada en particular, es una herramienta matemática sencilla y robusta para optimización de problemas en ingeniería.
Descargas
Citas
Agrawal,S. Parashar,K. W. English, and C. L. Bloebaum. “Web-based Visualization Framework for Decision making in Multidisciplinary Design Optimization”. The State University of New York Buffalo, 2004, pp. 21.
Budynas, N., (2006). “Mechanical Engineering: Shigley’s Mechanical Engineering Design”. Eighth Edition, McGraw-Hill, pp.348-383.
Cagnina, L. C., Esquivel, S. C. & Coello, C. A., (2008). “Solving Engineering Optimization Problems with the Simple Constrained Particle Swarm Optimizer”. Informática, Vol. XXXII, pp. 323–324.
Gao F, Yibo Qi, Qiang Yin, Jiaqing Xiao, “A- Novel Particle Swarm Optimization With Special Boundaries Restriction Strategy”. University of Technology, Wuhan, 430070, China, 2010, pp. 1-4.
Golinski, J. (1970). “Optimal Synthesis Problems Solved by Means of Nonlinear Programming and Random Methods”. Journal of Mechanisms, Vol V, pp. 287-309.
Grote, K-H. & Antonsson, E. K., (2008). “Springer Handbook of Mechanical Engineering”. Springer, pp. 334-398.
Jinn-Moon Yang, Ying-Ping Chen, Jorng-Tzong Horng, and ChengYan Kao, “Applying Family Competition to Evolution Strategies for Constrained Optimization”. National Taiwan University, Taipei, Taiwan, 2002, pp 207-208.
Konstantinos, E., Parsopoulos, K. E. & Vrahatis, M. N., (2010). “Particle swarm optimization and intelligence; advances and applications”. Information science reference, Hershey, New York, IGI global, pp.142-258.
Parsopoulos, K. E., Vrahatis, M. N., (2005). “Unified Particle Swarm Optimization in Dynamic Environments”. Lecture Notes in Computer Science (LNCS), Vol. MMMCDXLIX, Springer, pp. 590-599.
Parsopoulos, K. E., Vrahatis, M. N., (2007). “Parameter Selection and Adaptation in Unified Particle Swarm Optimization”. Mathematical and Computer Modelling, 46 (1-2), Elsevier, pp. 198-213.
Rao, S., (2009). “Classical Optimization Techniques”, in Engineering Optimization: Theory and Practice, J. Wiley, Ed. 4a. New Jersey: J. Wiley & Sons, pp. 446-483.
Ruben E. Perez and Kamran Behdinan, “Particle Swarm Optimization in Structural Design”. University of Toronto, Institute for Aerospace Studies, Ryerson University, Department of Aerospace Engineering Canada, 2007, pp. 376-377.
Sanchez, Francisco T., Pérez, Antonio, Sancho, Joaquin L., Rodríguez, Pablo J. (2006). “Mantenimiento Mecánico de Máquinas”. Publicationt de la Universitat Jaume I. pp. 54