BIOINGENIERÍA Ingeniería Electrónica, Automática y Comunicaciones, Vol. XXVII, No.

2-3, 2006

Algoritmo difuso-genético de producción

de diclomerato
V. H. Ortiz; A. I. Cabrera1 y J. I. Chairez2

1
Universidad Profesional Interdisciplinaria de Biotecnología, Departamento de Bioelectrónica, México, D. F.
2
Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional, Departamento de Control Automático, México, D. F.

RESUMEN / ABSTRACT
Se diseña un algoritmo genético, que modifica y recalcula los valores que describen las funciones de membresía para
un controlador difuso. El controlador difuso se utiliza en un proceso fermentativo, para lograr una mejoría en la
producción de diclomerato (DCM), en un biorreactor de biopelícula. Las funciones de membresía actúan sobre la
concentración de substrato en el tanque de aireación y producen que la cinética de saturación del DCM se incremente,
logrando una mejoría en su producción. Esto es mostrado por medio del desarrollo del algoritmo en forma numérica.
Palabras clave: algoritmos genéticos, lógica difusa, optimización.

In this paper, the design of a genetic algorithm that modifies and recalculates the values those describe the
membership functions for a fuzzy controller, has showed. The controller is applied in a bio-film fermentative
process to obtain an improvement in the dichromate's production (DCM). The membership functions act over the
concentration of substrate in the aeration tank so that produces the homogenous double saturation kinetic of the
DCM, and this is increased, obtaining an improvement in their production. This is shown by development of the
numerical algorithm.
Key words: fuzzy logic, genetic algorithms, optimization.

Recibido: enero 2006 Aprobado: febrero 2006

Uno de los elementos centrales en el diseño de controladores

INTRODUCCIÓN
• Lógica difusa
La lógica difusa es una extensión de la lógica multievaluada,
cuyos enunciados pueden tener valores de verdad,
comprendidos entre el 0 (falso) y el 1 (cierto) de la lógica clásica.
Aplicando la lógica multievaluada a la teoría de conjuntos, se
establece la posibilidad de que los elementos pudieran tener
diferentes grados de pertenencia a un conjunto. La denominada
lógica difusa (fuzzy logic) permite tratar información imprecisa,
como estatura media, temperatura baja o mucha fuerza, en términos
de conjuntos difusos o borrosos (imprecisos en definitiva). Estos
conjuntos borrosos se combinan en reglas para definir acciones.1
utilizando la idea de la lógica difusa es la función de membresía,
que a groso modo es la curva que define la correspondencia
entre cada punto en el espacio de entrada (referido como universo
de discurso) y el valor de membresía (o pertenencia) entre 0 y 1.
Estas son definidas, a su vez, como un conjunto para cada una
de las variables que se consideran para el diseño de la función de
control.
Lamentablemente, hasta el momento, no existe un método bien
definido para la selección, no solo del tipo de función a utilizar, sino
de los parámetros que definan la forma de la función. Una solución
que se ha propuesto para solventar este inconveniente, son los
algoritmos genéticos en su forma para optimización de funciones.
 Algoritmo difuso-genético...

• Algoritmos genéticos biopelícula fija, la biomasa se encuentra adherida a la superficie

Los algoritmos genéticos son modelos computacionales que
procuran reproducir el proceso de evolución natural, y son útiles
tanto como: métodos de búsqueda para la resolución de
problemas de optimización, como para modelar sistemas variantes
en el tiempo dependientes de algún parámetro desconocido. Estos
pertenecen a la clase de métodos probabilísticos independientes
del tipo problema a tratar, que manejen cualquier clase de
funciones objetivo y de restricciones asociadas.
Debido a su naturaleza evolutiva, los algoritmos genéticos
realizan búsquedas robustas y multidireccionales en espacios
complejos mediante el mantenimiento de una población de
soluciones potenciales, de tal manera, que ofrecen habilidad para
manejar situaciones reales de optimización con índices de
desempeño multiobjetivo formulados como modelos de
programación no lineal. Su principal elemento es el llamado
c r o m
2
Un individuo o cromosoma (como cadena numérica),
o s o m a .
representa una solución particular aproximada del problema de
optimización.
Dos aspectos que resultan cruciales en el comportamiento de los
algoritmos genéticos, son la determinación de una adecuada función
de adaptación o función objetivo, así como la codificación utilizada.
Idealmente interesaría construir funciones objetivo con "ciertas
regularidades", es decir, que verifiquen que para dos individuos
que se encuentren cercanos en el espacio de búsqueda, sus
respectivos valores en las funciones objetivo sean similares. Este
aspecto resulta de interés para el problema tratado en este trabajo,
dado que las funciones de membresía propuestas son de tipo
triangular, que tienen dominio y contradominio acotado, las cuales
son no continuas y cercanas en los parámetros que las definen.3
Los procesos que le permiten a este tipo de métodos alcanzar
un grado de aprendizaje o evolución son, a semejanza de la teoría
biológica, los siguientes:
Selección: La función de selección de valores padres más
utilizada, es la denominada función de selección proporcional a
la función objetivo. Se crea un conjunto genético formado por
cromosomas de la generación actual, en una cantidad proporcional
a su adaptabilidad. Si la proporción hace que un individuo domine
la población, se le aplica alguna operación de adaptación. Dentro
de este conjunto, se escogen parejas aleatorias de cromosomas
y se entrecruzan, sin importar incluso que sean del mismo
del soporte. Entre sus ventajas con respecto a los conocidos en
lote, continuo, etcétera, se encuentran las siguientes condiciones:
bajo mantenimiento, rápida puesta en marcha, tolerancia a operar
con cargas variables y discontinuas, y reducida producción de
sólidos. Sus inconvenientes son: sensibilidad frente a sustancias
tóxicas, y el desprendimiento masivo del substrato.4
El proceso involucra el alza del DCM, desde un tubo de gas y
su degradación subsecuente por la acción microbiana. El reactor
consiste en una columna de biopelícula con la circulación a un
tanque de aireación en el que el sustrato y oxígeno entran en
forma de gas. La columna se aproxima por una serie de seis
tanques, la reacción se trata con la cinética de saturación
homogénea doble con la inhibición de DCM.
En la descripción del modelo matemático de la dinámica de la
producción de DCM, para la entrada del fondo de la columna, el
balance es el siguiente:
Balance de O2: en la ecuación (1) la concentración de oxígeno
disuelto se resta con la concentración de oxígeno entre el tiempo
de residencia, menos la absorción de oxígeno:
dC 01 C0in − C 01
= − rO1 ... (1)
dt τ
Balance de DCM: en la ecuación siguiente la concentración
inicial de DCM se resta con la concentración de DCM en los
tanques entre el tiempo de residencia, menos la absorción de
substrato.
dC sr1 C srin − C sr1
= − rS1 ...(2)
dt τ
Balance de oxígeno y DCM, en el tanque de aireación: en las
siguientes ecuaciones, se muestran los balances de O2 y DCM, la
diferencia con las anteriores es que en estas el balance es en el
tanque de aireación, y en ellas interviene la variable de control (F).
dCoin R
dt
=
VT
(
(C06 − Cx0in ) + K L a02 C02eq − Coin ) ...(3)

cromosoma.
Entrecruzamiento: El algoritmo genético habitualmente utiliza dCsrin R
el cruce basado en un punto, en el cual los dos individuos dt
=
VT
(
(Csr 6 − Csrin ) + K L a DCM CS 2eq − Csrin )
seleccionados para desempeñar el papel de padres, son
F ...(4)
recombinados por medio de la selección de un punto de corte, + (CSF 0 − Csrin )
para posteriormente intercambiar las secciones que se encuentran VT
a la derecha o a la izquierda, según se seleccione dicho punto. Concentración de pH: en la ecuación (5) se muestra cómo se
Mutación: La mutación se considera un operador, que obtiene el pH, multiplicando -0,434 por el logaritmo de las
proporciona un elemento de aleatoriedad en la vecindad (entorno) concentraciones de H+.
de los individuos de la población. Este se realiza mediante el
intercambio de un alelo escogido al azar por su complemento.
pH n = −0,434 log CHn ...(5)
• Modelo de biopelícula
A continuación se introduce el sistema en el cual será probada donde:
la calidad del modelo de control empleado. En los reactores de C01: Concentración de oxígeno en la sección 1 del líquido.

83
Ingeniería Electrónica, Automática y Comunicaciones, 2-3/2006
C0in: Concentración de oxígeno disuelto en la entrada.
τ: Tiempo de residencia del líquido en una sección de la columna.
r01: Absorción de oxígeno en la sección 1.
Csr1: Concentración de DCM en la sección 1.
Csrin: Concentración de entrada de DCM.
rs1: Absorción de substrato en la sección 1.
R: Proporción de recirculación.
VT: Volumen del tanque de aereación.
KLa02: Coeficientes de transferencia del O2.
CO2eq: Constante de saturación del oxígeno.
KLaDCM: Coeficientes de transferencia del DCM.
CS2eq: Constante de saturación del DCM.
F: Flujo de alimentación o variable de control.
CSFO: Concentración de DCM en la alimentación.
CHn: Concentración de iones H+ en la sección n4.
MATERIALES Y MÉTODOS
A continuación se describe el procedimiento utilizado.
1. Primeramente se desarrolló la solución numérica del modelo
de diclomerato en una biopelícula fluidificado con sus respectivas
variables En la figura 1 se muestra un diagrama del biorreactor de
biopelícula.
2. Después se observa el comportamiento dinámico del pH,
concentración de diclomerato y dióxido de carbono (utilizando el
modelo matemático en simulación numérica), con la finalidad de
establecer valores iniciales (a modo de experto) para las funciones
de membresía.
3. Las funciones de membresía son: tres funciones triangulares
centrales (T), 1 de tipo S y 1 de tipo Z para los correspondientes
extremos, como se muestra en la figura 2. Este arreglo se utilizó
para cada uno de las variables tomadas en cuenta en el diseño
del método de control.
Figura 1
Esquema típico de un biorreactor por película.
,
, en decimal
, (m 3/h)
(m 3/h)
Figura 2
Funciones de membresía utilizadas en el sistema.
84
4. El pseudocódigo para modificar los valores de los parámetros
de las funciones de membresía es el siguiente:
Selección de la población (individuos) de la siguiente manera:
X = (x1 , x 2 , x 3 ,K, x n ) donde cada xi representa un gen del
cromosoma del problema tratado aquí, en este caso, cada uno de
los parámetros que describen cada una de las funciones de
membresía.
Entrecruzamiento: El procedimiento general es:
(a) Se establece una probabilidad de cruce pc , la que determina
la cantidad promedio de individuos que se habrán de cruzar: pc x.
Tamaño población.
(b) Para cada miembro de la población (cromosoma) se genera
un número aleatorio a en el rango de (0,1), si a > pc se selecciona
el cromosoma dado para cruce.
(c) Para cada par de cromosomas seleccionados (padres) se
aplica el operador aritmético de cruce. Si c1 y c2 son los
cromosomas a cruzar, se generarán dos nuevos miembros (hijos).
Mutación: Se aplicará el operador de mutación no uniforme, de
acuerdo con el siguiente procedimiento general:
(d) Se establece una probabilidad de mutación pm,
la que ayudará a determinar la cantidad promedio de individuos
que serán mutados: pm x tamaño población .
(e) Cada gene dentro de un cromosoma tiene la misma
probabilidad de ser mutado, de tal manera que para cada
cromosoma de la población actual (después del cruce) y para
cada gene dentro de cada cromosoma se genera un número
aleatorio a en el rango de (0, 1).
(f) Si a > pm se muta el gen correspondiente (ver figura 3).
Se crea el cromosoma
in ic ia l
Convertir el cromosoma
en binario
Se aplica los operadores
genéticos: entrecruzamiento,
mutación y selección
Se evalúa el cromosoma
con la función de
adaptabilidad
Decodificar el cromosoma
Crear el nuevo cromosoma
Figura 3
Diagrama de flujo del algoritmo computacional desarrollado.
 Algoritmo difuso-genético...

5. El último paso consiste en la síntesis del controlador difuso

Tabla 1
adaptable basado en los algoritmos genéticos, como se muestra
Valores iniciales de las funciones de membresía
en la figura 4. Esto se logró mediante la representación en base
binaria de los elementos que conforman cada una de las quince Z T S
funciones de membresía del sistema difuso, y el correspondiente
tratamiento de los datos a través del algoritmo genético, generando
nuevos valores que definen los conjuntos tomados en cuenta. CO 2 [1,0; 2,0] [1,9; 2,5; 3,6] [5,9; 7,0]
Todo este proceso lleva a la adaptación de la estructura de
fusificación para minimizar el error entre el producto químico
generado por el proceso de fermentación y algún valor predefinido DCM [1,1; 2,5] [1,3; 3,1; 4,0] [8,0; 10,0]
a priori.

pH [2,1; 3,4] [1,3; 3,1 4,0] [5,2; 7,9]

CO2 Dicho comportamiento está referido al modelo de diclomerato

en una biopelícula fluidificado, lo que generó la realización de un
esquema de control con retroalimentación dinámica basado en el
proceso de adaptación del algoritmo genético. La variable de
control para este caso, fue seleccionada como la alimentación de
Algoritmos
ge né ti co s sustrato al reactor.
La variable de control resultó como una función decreciente, lo
que a su vez establece en cierto modo una clase de mejoría,
Figura 4
Diagrama de bloques del sistema. basándose en la cantidad total de sustrato que se emplea para la
generación del DCM, como lo muestra la figura 6.
El algoritmo genético, modificó los valores de las funciones de
RESULTADOS membresía (figura 7), logrando que la producción de diclomerato
A partir del modelo numérico que muestra la evolución de las en el biorrector de biopelícula mejorara, como se muestra en la
variables del sistema, en este caso CO2, concentración diclomerato figura 8.
(DCM) y pH (ver figura 5) se establecieron rangos iniciales para
cada una de las funciones de membresía (tabla 1).

,
C on c e nt r ac i ón d e a li m e nt a ci ó n ( g /m 3 )

,
CO2
DCM
pH
,

, , , , , , , ,

Figura 5 Figura 6
Comportamiento de CO2, DCM, pH dentro del modelo. Comportamiento de CO2, DC, pH dentro del modelo.

85
Ingeniería Electrónica, Automática y Comunicaciones, 2-3/2006
, El diseño del controlador difuso basado en algoritmos genéticos
, mejora la cantidad total de substrato en la entrada del reactor de
, F un ci ón c on a l g or i t m o s ge né t i co s
, para mejorar el funcionamiento del controlador difuso.
, Estos factores particulares tienen un beneficio en el control de procesos
,
,
, REFERENCIAS
, 1. CHAIREZ, JORGE ISAAC: "Control inteligente aplicado a
(m3/h )
Figura 7
Salida del sistema difuso.
D e sp u é s
An te s
(g/ m3)
, , , , , ,
Figura 8
Evolución de la producción de diclomerato.
DISCUSIÓN
El modelo de DCM en una biopelícula, es un modelo muy
difundido para establecer a priori la evolución dinámica de
productos químicos, además de que resulta muy útil para realizar
métodos de control por la retroalimentación de la salida y del
error correspondiente. Sin embargo, observando lo siguiente:
todas las variables consideradas aquí (pH, DCM, substrato, CO2,
etcétera) deben ser capaces de construir el controlador difuso.
La mezcla de las técnicas del control (lógica difusa y los
algoritmos genéticos) presentada se podría utilizar para
solucionar problemas biológicos muy complejos donde está
parcialmente desconocida una expresión matemática exacta sobre
su dinámica. Logrando que la producción de diclomerato mejore
sustancialmente, esto producirá que además del diclomerato, el
biorreactor sea capaz de producir biomasa, producto, etcétera,
Con el error casi en cero se puede decir que el sistema está
llegando a una convergencia.
CONCLUSIONES
DCM. También la evolución de los parámetros de las funciones de
membresía confirma los requisitos de un procedimiento adaptante
fermentativos, reduciendo así los costos de operación de un biorreactor.
incubadoras neonatales", Tesis individual de licenciatura, Unidad
Profesional Interdisciplinaria de Biotecnología, México D. F., 2003.
2. MORALES, A. K. Y J. G. CASAS: Algoritmos genéticos, Ed.
Fondo de Cultura Económica, Instituto Politécnico Nacional,
Universidad Nacional Autónoma de México, 2002.
3. BAILEY, J.: Biochemical Engineering Fundamentals,
2da. ed., Ed. McGraw-Hill, 1986.
4. DUNN, I. et al.: Biological Reaction Engineering, pp. 263-273,
Ed. Verlagsgesellshaft, 1992.
5. ORTIZ, V. H.; A. CABRERA y J. I. CHAIREZ: "Algoritmos
fuzzygenéticos para optimización de generación de productos
químicos vía microbiológica", Presentado en el XXVII SOMIB
Congreso Nacional de Ingeniería Biomédica (Acapulco Gro),
México, noviembre 2004.
AUTORES
Víctor Hugo Ortiz Flores
Ingeniero Biomédico, Unidad Profesional Interdisciplinaria de
Biotecnología, México. Áreas de trabajo: Algoritmos Genéticos,
Lógica Difusa y Redes Neuronales. Participación en varios
congresos nacionales como internacionales.
Correo electrónico: vhof27@yahoo.com.mx
, Agustín Ignacio Cabrera Llanos
Doctor con Especialidad en Control Automático, Profesor
Investigador Titular "C", Unidad Profesional Interdisciplinaria
de Biotecnología. Área de investigación: Redes Neuronales
Diferenciales, Lógica Difusa, Algoritmos Genéticos, Sistemas de
Control en Real Time, Procesos de Fermentación. Ha participado
como ponente en los Congresos: ACC 2006; 2005 IFAC World
Congress; 2006 World Congress and Computacional Intelligence.
Es profesor de las materias de Análisis de Circuitos, Electrónica I,
II; Sistemas Dinámicos; y de Metodología de la Ciencia, Análisis
de Sistemas y Diseño de Experimentos en la sección de Graduados
de la Unidad Profesional Interdisciplinaria de Biotecnología.
Correo electrónico: acabrerall@ipn.mx
Jorge Isaac Chairez Oria
Ingeniero Biomédico, Máster en Ciencias con especialidad en
Control Automático, Profesor del Departamento de Bioelectrónica,
Centro de Investigación y de Estudios Avanzados del IPN.
Actualmente está cursando su doctorado en el CINVESTAV, su
área de trabajo son: Redes Neuronales, Lógica Difusa, Algoritmos
Genéticos, Sistemas de Control en Real Time, Biorreactores. Ha
participado en varios congresos nacionales como internacionales.
Es profesor de las materias de Análisis de Circuitos, Electrónica I, II
y III, Sistemas Digitales I y Sistemas Dinámicos en la Unidad
Profesional Interdisciplinaria de Biotecnología.
Correo electrónico: jchairez@ctrl.cinvestav.mx
Vol. XXVII, No. 2-3, 2006
86