Este artículo presenta un algoritmo secuencial aleatorio que permite abordar problemas de optimización sujetos a incertidumbres. El algoritmo se basa en una estrategia que iterativamente ajusta el tamaño muestral de los conjuntos de entrenamiento (usado para el diseño) y validación. La principal ventaja de la propuesta es que el algoritmo lleva a mejoras significativas en términos del tamaño muestral requerido. Se presenta una regla de parada que supone una generalización del algoritmo propuesto por Oishi [8]. De esta manera, los resultados permiten abordar problemas de optimización no convexos con incertidumbres, entre los que se encuentran algunos de gran relevancia en el contexto del diseño de control robusto. Como ejemplo, se aplica el algoritmo al control de una red compleja, que integra un sistema con incertidumbres paramétricas.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados