tica: Teor Revista de Matema a y Aplicaciones 2006 13(2) : 139150 cimpa ucr ccss issn: 1409-2433

n de algoritmos evolutivos en la solucio n de para metros problemas de estimacio

Aym ee de los Angeles Marrero Severo Liuva M. Pedroso Rodr guez Jorge Barrios Ginart

Recibido/Received: 25/09/06 Aceptado/Accepted: 23/10/06

Resumen El problema general de determinar los valores de los par ametros de un modelo din amico a partir de resultados experimentales, se conoce com unmente como problema de estimaci on de par ametros y est a presente en muchas de las facetas del desarrollo actual de la matem atica, la computaci on y muchas otras ramas y aplicaciones. La estimaci on de par ametros de un modelo matem atico, sin embargo, se puede enfocar por v as muy diversas. Este trabajo tiene como principal objetivo, proponer un enfoque para la obtenci on de soluciones num ericas aproximadas del problema de estimaci on de par ametros en modelos din amicos no lineales descritos por sistemas de ecuaciones diferenciales ordinarias, con el uso de algoritmos evolutivos como estrategias de optimizaci on, proponiendo algunos resultados obtenidos en ejemplos ilustrativos, con el prop osito de mostrar la factibilidad de su uso para la resoluci on de dicho problema.

Palabras clave: Estimaci on de par ametros, modelos din amicos, algoritmos evolutivos.
Abstract The global problem to determine the values of some parameters in dynamical models knowing experimental results is frequently known as Parameters Estimation Problem and it appears in many areas of sciences. So is clear that there are many ways to obtain a famuly of parametersvalues that satisfy the satated conditions. This work shows some experiences in the treatment of this kind of models when the constraints are ordinary dierential equations using evolutive algorithms. Our aim is to show that another ways can be usefull too to solve this problem with similar facilities and eciency.
Facultad de Matem atica y Computaci on, Universidad de La Habana, aymee@matcom.uh.cu Igual que A. Marrero. Igual que A. Marrero. E-Mail: jbarrios@matcom.uh.cu

Cuba.

E-Mail:

139

140

A. Marrero L.M. Pedroso J. Barrios

Rev.Mate.Teor.Aplic. (2006) 13(2)

Keywords: Estimation of parameters problem, dynamical systems, genetic or evolutive algorithm. Mathematics Subject Classication: 65K05, 65K10, 37N40, 47A10.

El problema de estimaci on de par ametros

El problema de estimaci on de par ametros para sistemas denidos por ecuaciones diferenciales ordinarias o problema inverso descrito por sistemas de ecuaciones diferenciales ordinarias, es ya un problema cl asico y ha sido considerado por varios autores sobre todo en los u ltimos tiempos. Diferentes m etodos y puntos de vista han sido propuestos, incluso considerando problemas con estructuras especiales y estrategias y conceptos estad sticos ([1]), ([11]) y ([15]). Tambi en han sido dise nados nuevos esquemas de integraci on num erica con el objetivo de estudiar y resolver los llamados problemas r gidos descritos por sistemas de ecuaciones diferenciales ordinarias ([5]), ([8]) y ([4]), los que aparecen con mucha frecuencia en modelos que describen reacciones qu micas y otras areas de las ciencias aplicadas. Teniendo en cuenta, que el inter es esencial de este trabajo es la soluci on num erica del problema de estimaci on de par ametros en modelos din amicos denidos por sistemas de ecuaciones diferenciales ordinarias, abordado como un problema de optimizaci on, el mismo tiene como objetivo, adem as de mostrar el problema y su discretizaci on, tratar la adecuaci on y validaci on de los algoritmos evolutivos para la resoluci on del mismo.

1.1

Planteamiento del problema

Sea el siguiente problema continuo de optimizaci on:

s

min J () =
i=1

Gi (x(i ), xi )

(1)

s.a. x (t) = F (x(t), , t), t [0, T ] x(0) = x0 0 i < i+1 T, i = 1, . . . , s 1 donde: x n , x0 dado, p , Gi : n n , F : [0, T ] n p lo que signica que se est a modelando un proceso din amico denido por un sistema n -dimensional de ecuaciones diferenciales ordinarias, las cuales dependen de un vector p -dimensional de par ametros desconocidos . Tambi en se considera un conjunto de datos o mediciones x1 , x2 , . . . , xs del vector variable observado y de dimensi on n, en diferentes instantes de tiempo {1 , 2 , . . . , s } y se desea minimizar J, una suma de funciones residuales. En trabajos anteriores, en los que se usaron t ecnicas deterministas ([6]) se present o la idea de usar esquemas de integraci on num erica como restricciones, en lugar de las ecuaciones diferenciales, transformando el problema continuo en un problema discreto que puede resolverse de una manera m as sencilla y exigiendo diferenciabilidad para cada una

 metros n de para algoritmos evolutivos en problemas de estimacio

141

de las funciones que intervienen en el modelo. Dicha transformaci on depende directamente del m etodo o sistema de integraci on que se utilice. En este trabajo se formul o el siguiente problema discreto en el cual, el sistema de ecuaciones diferenciales es sustituido por un esquema de paso simple:
s

min J () =
i=1

Gi (xi , xi )
v

(2)

xm+1 = xm +
i=1

bi Ki , m = 0, 1, . . . , k 1

x0 = x0 Donde las funciones Ki representan las f ormulas expl citas de Runge-Kutta y las f ormulas de integraci on de Rosenbrock y bi , los coecientes correspondientes al esquema utilizado. De manera general, las funciones Ki pueden ser tomadas de diferentes formas seg un los esquemas de integraci on num erica que se utilicen. Considerando que la partici on de integraci on debe contener al conjunto de tiempos de medici on {1 , 2 , . . . , s }, de modo que a cada ndice de medici on i {1, 2, . . . , s} corresponde un ndice de integraci on , se dene cierta correspondencia entre los ndices construyendo un conjunto que contiene los ndices de integraci on correspondientes a las mediciones, lo que permite expresar la funci on objetivo Gi dependiendo de la funci on caracter stica de dicho conjunto de ndices. En este trabajo, con el objetivo de abordar el problema que se ha descrito, se procedi o haciendo un tipo de enfoque de m etodo directo para la soluci on del problema inverso, tal y como se desarroll o en ([7]) para resolver el citado problema aproximado, pero se utiliz o una estrategia no determin stica, que se describe a continuaci on.

Uso de los algoritmos evolutivos

Durante los u ltimos a nos ha existido un creciente inter es en las estrategias de resoluci on de problemas basados en los principios de la evoluci on y la herencia. Tales algoritmos mantienen una poblaci on de soluciones factibles, tienen un proceso de selecci on basado en la bondad o adaptabilidad (tness ) de los individuos y algunos operadores de recombinaci on. A este tipo de losof a de soluci on pertenece la clase de las Estrategias Evolutivas, o sea, algoritmos que imitan los principios de la evoluci on natural. Para un problema dado pueden ser formulados muchos programas evolutivos. Estos programas pueden ser diferentes en muchos aspectos: Estructuras de datos para la representaci on de los individuos, Operadores gen eticos para la transformaci on de los individuos, M etodos para crear la poblaci on inicial,

142

A. Marrero L.M. Pedroso J. Barrios

Rev.Mate.Teor.Aplic. (2006) 13(2)

Par ametros (tama no de la poblaci on, probabilidad de aplicaci on de los operadores, etc.). El propio concepto de programa evolutivo ha evolucionado a lo largo de estos a nos, pasando de los originalmente llamados Algoritmos Gen eticos ([9]), a los actuales Algoritmos Evolutivos. Todav a hoy d a es frecuente encontrar referencias en las que se diferencia entre Algoritmo Gen etico y Algoritmo Evolutivo, en funci on de la estructura de datos utilizada para la representaci on de individuos y los operadores de evoluci on utilizados, aunque esta diferenciaci on tiene un alto porcentaje de subjetividad y carece de criterios estrictos. Muchos autores plantean que una representaci on natural de las soluciones factibles de un problema dado, junto a una familia de operadores gen eticos aplicables puede ser verdaderamente u til en la aproximaci on de soluciones de muchos problemas, y que este enfoque de modelado natural es una direcci on prometedora para la soluci on de problemas en general. Dada la complejidad que puede tener el problema de estimaci on de par ametros que en este trabajo se aborda, decidimos tratar su soluci on utilizando un Algoritmo Evolutivo como m etodo de optimizaci on.

2.1

Descripci on de las estrategias evolutivas desarrolladas

Los Algoritmos Evolutivos constituyen algoritmos estoc asticos cuyos m etodos de b usqueda simulan el proceso evolutivo de una poblaci on dada, durante un per odo de tiempo prejado, modelando fen omenos naturales tales como la herencia gen etica y la competencia Darwiniana por la supervivencia dentro de un h abitat determinado. La idea detr as de estos algoritmos es imitar lo que la naturaleza hace, incluyendo los cambios que a nade mediante las mutaciones. (ver entre otros [14]). El Algoritmo Evolutivo que se presenta en este trabajo siguen paso por paso el cl asico descrito por los principales autores del tema, denominando poblaci on al conjunto de soluciones factibles del problema a resolver que procesa el algoritmo, cromosoma o individuo a una soluci on factible en la poblaci on y gen a cada elemento en la sucesi on lineal que constituye el cromosoma. Para distinguir entre los mejores y los peores individuos de la poblaci on usamos una funci on objetivo o de evaluaci on, que desempe na el rol de un medio ambiente, incorporando los requerimientos del problema a resolver y llamamos tness o adaptabilidad del cromosoma al valor que retorna la funci on objetivo al ser evaluada en la soluci on factible representada por tal cromosoma. Un proceso evolutivo sobre la poblaci on corresponde a una b usqueda multi-direccional sobre el espacio de soluciones factibles y una iteraci on del algoritmo es la generaci on obtenida durante el proceso evolutivo. En cada iteraci on las soluciones relativamente buenas se reproducen, mientras que las soluciones relativamente malas desaparecen. En vistas de que nuestro objetivo es minimizar una suma de funciones residuales adoptamos el criterio siguiente: La mejor soluci on es aquella que tiene asociado el menor valor de tness, y la peor, la que corresponde al mayor. t t El algoritmo mantiene una poblaci on P (t) = {xt 1 , x2 , . . . , xm } de m cromosomas en cada iteraci on t y xt on i , i = 1, 2, . . . , m, es cada individuo en ella. Una nueva poblaci

 metros n de para algoritmos evolutivos en problemas de estimacio

143

(iteracio n t + 1) se forma por la selecci on de los cromosomas con mejor tness. Los individuos seleccionados experimentan transformaciones por la aplicaci on de los operadores gen eticos, los cuales denominaremos mutaci on y cruzamiento, formando as individuos (soluciones factibles) nuevos. Este Algoritmo Evolutivo, como cualquier evolutivo cl asico, precisa para cada problema particular los siguientes componentes: Una representaci on gen etica para las soluciones factibles del problema. Una forma de crear una poblaci on inicial de soluciones factibles. Una funci on para evaluar el tness de cada soluci on. Los operadores gen eticos que alteren la composici on de los individuos durante la reproducci on. Los valores de los par ametros que usa el Algoritmo Gen etico (tama no de la poblaci on, n umero de genes en un cromosoma, probabilidades de aplicaci on de los operadores gen eticos, etc.). Un criterio de parada del algoritmo. Hay muchos ejemplos de aplicaciones en los que se asegura que este algoritmo no converge si no se le incluye una estrategia elitista. Esta estrategia consiste en lo siguiente: Para cualquier iteraci on del algoritmo, se denota por xt* al individuo mejor adaptado de P(t), denido tal que f (xt ) = min f (xt on de i ) : i = 1, . . . , m . Se consida la poblaci tama no m + 1, de manera que un individuo particular, por ejemplo el primero, siempre sea xt1 de la iteraci on anterior, y a este no se le har an mutaciones ni cruzamientos, aunque en la iteraci on t + 1 podr a ser sustituido por otro mejor adaptado. Finalmente se propone la siguiente estructura para el algoritmo: T 0 Generar P (0) (Poblaci on inicial), Generar x0 y ubicarlo de primero en P (0),

Para t = 1, 2, . . . , Last Gener 1 1. Hacer cruces entre individuos de P (t), excepto el primero 2. Hacer mutaciones en P (t), excepto el primero, 3. Evaluar f en P (t), 4. Calcular xt , 5. Ubicar xt como primer individuo de P (t + 1), 6. Seleccionar de P (t) los m individuos restantes para completar la poblaci on P (t + 1). N otese que x0 pudiera no ser el individuo con mejor desempe no en P (0).

144

A. Marrero L.M. Pedroso J. Barrios

Rev.Mate.Teor.Aplic. (2006) 13(2)

2.2

Aplicaci on al problema de estimaci on de par ametros

Para la representaci on cromos omica de una soluci on factible de un problema se usa un arreglo de n umeros reales. Luego, un cromosoma ser a un vector de p , donde p es la dimensi on del vector de par ametros . Se denota por [ai , bi ] el intervalo donde i toma valores. Sin p erdida de generalidad se ha asumido que los par ametros est an acotados porque en la mayor a de las aplicaciones se conoce un rango donde dichos par ametros toman valores. Se considera una poblaci on de tama no m. Sean pc (0, 1) y pm (0, 1) las probabilidades de cruzamiento y mutaci on de la poblaci on respectivamente. Se ha supuesto adem as, que la poblaci on evoluciona en el tiempo hasta obtener un n umero sucientemente grande de generaciones (Last Gener ). Entonces, el mejor cromosoma en la u ltima generaci on representa una soluci on optima. La poblaci on inicial se crea aleatoriamente con una distribuci on uniforme en el conjunto [a1 , b1 ] [a2 , b2 ] . . . [ap , bp ] donde los par ametros est an denidos. En caso que se conozca alguna informaci on adicional sobre los par ametros, esta se tomar a en cuenta para crear la poblaci on. Para medir el tness de un cromosoma se precisa: 1) Resolver la ecuaci on en diferencias del problema. 2) Evaluar la funci on objetivo en la soluci on num erica obtenida. Este valor se toma como tness del cromosoma. Para el proceso de selecci on se han utilizado diferentes estrategias cl asicas como Ruleta, donde a cada cromosoma xi , i = 1, 2, . . . , m se asocia una porci on ci de c rculo proporcional a su tness, de forma que la suma de todas las partes sea 1. Cada parte ci del c rculo puede identicarse con la probabilidad de que el individuo xi , i = 1, 2, . . . , m sea seleccionado. Es evidente que los individuos con mayor tness tienen mayor probabilidad de selecci on. Sin embargo, esta estrategia solo es v alida para maximizaci on de funciones. Este trabajo ofrece una modicaci on de la estrategia anterior, adaptada a nuestro objetivo, minimizaci on de una suma de funciones residuales. Se construye una ruleta con ranuras de tama no inversamente proporcional a los tness usados de la siguiente manera: Calcular el valor del tness para cada cromosoma xi , i = 1, 2, . . . , m, denotado por f (xi ).
m

Encontrar el tness total de la poblaci on: F =

i=1

f (xi )

Calcular la probabilidad de selecci on pi para cada cromosoma xi , i = 1, 2, . . . , m: pi =

1 m1 (1

f (xi ) F )

Calcular una probabilidad acumulativa qi para cada cromosoma xi , i = 1, 2, . . . , m:

i

qi =
j =1

pj

 metros n de para algoritmos evolutivos en problemas de estimacio

145

Durante el proceso de selecci on la ruleta se hace girar m veces. Cada vez se selecciona solo un cromosoma para la nueva poblaci on de la siguiente forma: Generar un n umero aleatorio r con distribuci on uniforme en el intervalo [0, 1]. Si r < q1 , seleccionar el cromosoma x1 ; en caso contrario, seleccionar el cromosoma xi , i = 2, . . . , m de modo que qi1 < r qi . Otro operador utilizado fue el Torneo, poniendo a competir (en la evaluaci on de su tness ) dos individuos de la poblaci on aleatoriamente y seleccionando el mejor. Este operador garantiza dos copias del mejor individuo y la desaparici on del peor. Una vez realizada la selecci on, se aplican los operadores de mutaci on y cruzamiento a los individuos de la nueva poblaci on. Otros par ametros del algoritmo son la probabilidad de cruzamiento pc , que representa el n umero esperado de cromosomas a cruzarse, mpc y la probabilidad de mutaci on pm , que establece el gen que ser a mutado en cada cromosoma. La herramienta computacional que se propone permite el uso de diferentes operadores de cruzamiento como Cruce por un punto, Cruce promedio y Cruce lineal y da la posibilidad de realizar Mutaci on Aleatoria, en la que para la posici on del gen que va a mutar en cada cromosoma, se genera un n umero aleatorio u con distribuci on uniforme en el intervalo de denici on del gen y se reemplaza el valor del gen j por u.

El toolbox GAPEST

El algoritmo que este trabajo propone para la resoluci on num erica del problema fue implementado sobre Matlab, Versi on 6.0.0.88 Release 12. La resoluci on num erica de los sistemas de ecuaciones diferenciales ordinarias, fue hecha con la ayuda de los c odigos ode45, Mark W. Reichelt and Lawrence F. Shampine, 6-14-94, Copyright 1984-2000 The MathWorks, Inc. Revision: 5.68, Date: 2000/08/01 20:57:29; y ode23s, Mark W. Reichelt and Lawrence F. Shampine, 3-22-94, Copyright 1984-2000 The MathWorks, Inc. Revision: 1.69, Date: 2000/06/02 00:11:24. El c odigo ode45 es una implementaci on de las f ormulas de Dormand-Prince de ordenes 5-4, y el c odigo ode23s, una implementaci on de las Nuevas F ormulas Modicadas de Rosenbrock de ordenes 2-3. En todos los experimentos: La poblaci on inicial se cre o aleatoriamente con una distribuci on uniforme en el conjunto de denici on de los par ametros. Se utilizaron los operadores gen eticos descritos, combinados de todas las formas posibles. El criterio de parada utilizado fue el n umero m aximo de generaciones deseado por el usuario. Se utiliz o funci on objetivo m nimo-cuadrado con pesos, para penalizar las variables deseadas, cuando se requiera.

146

A. Marrero L.M. Pedroso J. Barrios

Rev.Mate.Teor.Aplic. (2006) 13(2)

3.1

Resultados experimentales

Para analizar los resultados del algoritmo propuesto, se consideraron numerosos ejemplos, aunque en esta secci on s olo se muestran los resultados obtenidos con algunos de los m as ilustrativos.

Ejemplo 1

x1 = x2 =

1 6 (21 + 32 )x1 + (1 2 )x2 , x1 (0) = 1 5 5 1 1 (1 2 )x1 + (31 + 22 )x2 , x2 (0) = 0 5 5

donde 1 y 2 son los par ametros del modelo. Se conoce la soluci on anal tica y el valor del optimo 1 = 0.0017 y 2 = 100. Par ametros del Algoritmo Evolutivo: Tama no de la poblaci on 80 Probabilidad de cruzamiento 0.5 N umero m aximo de generaciones 500 Probabilidad de mutaci on 0.005

Tipo de Selecci on: Torneo. Tipo de cruzamiento: Cruce Lineal. Tipo de mutaci on: Mutaci on Aleatoria. Funci on objetivo: J= |x x| . |x|

Mejores valores estimados de los par ametros: 1 0.00170048 2 99.86164194 f itness 0.00013

Las guras 1(a) y 1(b) muestran la evoluci on de los par ametros 1 y 2 , observ andose la buena adaptaci on del algoritmo y las guras 2(a) y 2(b), una superposici on de las variables de estado, estimadas (representadas con l neas discontinuas) y los datos (l nea continua), contra el tiempo, mostr andose la buena aproximaci on a los datos.

 metros n de para algoritmos evolutivos en problemas de estimacio

147

Figura 1: (a) Gr aca de evoluci on de 1 .

(b) Gr aca de evoluci on de 2 .

Figura 2: (a) Gr aca de x1 y tiempo. (b) Gr aca de x2 y tiempo.

Ejemplo 2

x1 = 1 x1 + x2 , x1 (0) = 1 999 x2 = 2 x2 , x2 (0) = 10 donde 1 y 2 son los par ametros del modelo. Se conoce la soluci on anal tica y el valor del optimo 1 = 100 y 2 = 0.1. Los Par ametros del Algoritmo Evolutivo coinciden con los del ejemplo anterior, asi como los operadores, excepto la funci on objetivo, que este caso fue J = |x x| Mejores valores estimados de los par ametros:

148

A. Marrero L.M. Pedroso J. Barrios

Rev.Mate.Teor.Aplic. (2006) 13(2)

1 100.0000000

2 0.0999996

f itness 0.0000009

Al igual que en el ejemplo 1, las guras 3(a) y 3(b), muestran la evoluci on de los par ametros 1 y 2 , observ andose la buena adaptaci on del algoritmo y las guras 4(a) y 4(b), una superposici on de las variables de estado, estimadas (representadas con l neas discontinuas) y los datos (l nea continua), contra el tiempo, mostr andose la buena aproximaci on a los datos.

Figura 3: (a) Gr aca de evoluci on de 1 . (b) Gr aca de evoluci on de 2 .

Figura 4: (a) Gr aca de x1 y tiempo. (b) Gr aca de x2 y tiempo.

Conclusiones y trabajos perspectivos

Por su caracter stica heur stica, los algoritmos evolutivos brindan enormes posibilidades en el tratamiento de este tipo de problemas, particularmente cuando surgen

 metros n de para algoritmos evolutivos en problemas de estimacio

149

de modelar fen omenos de las ciencias aplicadas, en las que muchas veces los m etodos tradicionales no se comportan ecientemente, esencialmente por la no convergencia al optimo. En los resultados num ericos que se muestran en los ejemplos seleccionados, se da una clara idea del buen comportamiento de la estrategia evolutiva, ya que para el ejemplo 1, las estimaciones de los par ametros que muestra la tabla se obtuvieron en la generaci on 93, aunque un error del orden de 10-4 se obtuvo desde la generaci on 56, lo que demuestra la r apida convergencia de nuestro algoritmo a una soluci on aceptada. De forma similar, en el ejemplo 2, las estimaciones tabuladas se obtuvieron en la generaci on 69, pero un error aceptable, del orden de 10-7 aparece desde la generaci on 54. Otras simulaciones con juegos diferentes de operadores no reportaron estimaciones mejores de los par ametros. Ser a interesante hacer un estudio m as profundo de los resultados obtenidos, a partir de diferentes valores para los par ametros del algoritmo evolutivo (tama no de la poblaci on, n umero m aximo de generaciones, probabilidades de cruzamiento y mutaci on de la poblaci on), que permita arribar a conclusiones certeras sobre cu ales son los valores m as apropiados de los par ametro del algoritmo que deben tomarse para obtener determinada calidad en las estimaciones. Comparar los resultados obtenidos utilizando los algoritmos evolutivos para los ejemplos tipo generados, con los obtenidos usando estrategias deterministas de optimizaci on, o m etodos cl asicos, como los quasinewtons.

Referencias
[1] Bard, J. (1974) Non linear Parameter Estimation. Academic Press Inc. [2] Butcher, J.C.(1987) The Numerical Analysis of Ordinary Dierential Equations. John Wiley, New York. [3] Dennis, J.E.; Schnabel, R.B. (1983) Numerical Methods for Unconstrained Optimization and Non Linear Equations. Prentice-Hall Series in Computational Mathematics, New Jersey. [4] Enright, W.H.(1976) Second derivate multi-step methods for Sti Ordinary Dierential Equations, Numerical Analysis 2(2). [5] Gear, W.C.(1971) Numerical Initial Value Problems in ODE. Prentice-Hall, New Jersey. [6] G omez, J.A.; Marrero, A. (2000) Computing gradients of inverse problems in ODE models, Revista de Investigaci on Operativa, ALIO 9(1,2,3): 179206. [7] G omez, J.A & Marrero, A. (2000) Convergence of discrete approximations of inverse problems in ODE models, Revista Investigaci on Operativa, ALIO 9(1,2,3): 207224.

150

A. Marrero L.M. Pedroso J. Barrios

Rev.Mate.Teor.Aplic. (2006) 13(2)

[8] Hairer, E.; Warnner, G.; Nrsett, S.P. (1996) Solving Ordinary Dierential Equations I, II. Springer-Verlag, New York. [9] Holland, J. (1975) Adaptation in Natural and Articial Systems. Univ. of Michigan Press, Ann Arbor. [10] Iserles, A. (1996) A First Course in the Numerical Analysis of Dierential Equations, D.G. Crighton, Univ. of Cambridge. [11] Jacquez, J.; Greif, P. (1985) Numerical parameter identiability and estimability and optimal sampling design, Math. Biosciences 77. [12] Luenberger, D.E. (1984) Linear and non linear Programming, Second Edition. Addison-Wesley, Massachusetts. [13] Marrero, A. (2000) Un Enfoque para la Soluci on Num erica del Problema de Estimaci on de Par ametros en Modelos Denidos por Sistemas de Ecuaciones Diferenciales Ordinarias. Tesis Doctoral, Fac. de Mat. Comput, Universidad de La Habana. [14] Michalewicz, Z.( 1992) Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag, Berlin Heidelberg. [15] Mitsui, T. (1980) The initial value adjusting method for problems of the least square type of ODE, Publ. RIMS, University of Kyoto, 16. [16] Nrsett, S.P.; Wolfbrandt, A. (1979) Order conditions for Rosenbrock types methods, Numer.Math 32. [17] Shampine, L.F.; Reichelt, M.W. (1997) The Matlab ODE suite, SIAM J. Sci. Comput, 18(1). [18] Zedan, H. (1989) A variable order/variable stepsize Rosenbrock-type algorithm for solving sti systems of ODEs, Tech. Report YCS114, Dept. Comp. Sci., Univ. of York, England.