Aplicación de algoritmos metaheurísticos en procesamiento de señales, imágenes y energías alternativas

Resum

En años recientes se ha incrementado el interés por cómo la naturaleza da solución a diversos problemas como son: búsqueda de fuentes de alimento, organización de conjuntos de animales o insectos, atracción y repulsión de cargas, etc. De aquí surgen los algoritmos metaheurísticos (AM), los cuales simulan comportamientos naturales básicos para solucionar tareas complejas. El uso de estos métodos se ha extendido desde la optimización matemática hasta la ingeniería o la economía.En este trabajo se abordan tres áreas de aplicación: 1) diseño de filtros digitales; 2) procesamiento de imágenes y 3) energías alternativas. Además, para algunas de estas aplicaciones se proponen modificaciones a los AM, con el fin de mejorar su rendimiento.El primer AM que se describe es Electromagnetism-like (EMO), el cual está inspirado en los principios de atracción-repulsión de cargas eléctricas del electromagnetismo. Usando EMO se realizaron las siguientes aplicaciones: a) diseño de filtros IIR, donde los parámetros de los filtros se estiman mediante un proceso de optimización; b) detección de glóbulos blancos en imágenes médicas, aquí el proceso de identificación de leucocitos es analizado desde el punto de vista de la optimización, aplicando un detector de círculos basado en EMO que busca la forma circular que más se asemeje a las formas cuasi-circulares de las células sanguíneas; c) detección de objetos usando plantillas, aquí se busca la mayor similitud entre una plantilla seleccionada y una sección en la imagen donde esté contenida, para esto se emplea la correlación cruzada normalizada, cuya optimización se realiza mediante EMO; d) por último, se propone el uso de EMO para encontrar los mejores umbrales que permitan segmentar una imagen en función de su histograma, para esto se maximizan las ecuaciones de Otsu y Kapur. EMO es una poderosa alternativa de optimización, sin embargo, posee algunas deficiencias en la búsqueda local, lo cual en ciertas aplicaciones incrementa el costo computacional. Para esto, se propone dos modificaciones, una de ellas involucra el uso de la estrategia de aprendizaje conocida como Opposition-Based Learning. Mientras que la segunda es una modificación del proceso de búsqueda local, usando un muestreo alrededor de las mejores soluciones de cada iteración.El segundo método que se estudió, es conocido como Harmony Search (HSA). El cual tiene como analogía, la improvisación que realizan los músicos para encontrar nuevas harmonías. Este AM ha sido aplicado al problema de segmentación multinivel, donde el objetivo es encontrar los mejores umbrales para binarizar imágenes que maximicen las funciones de Otsu y Kapur. Finalmente, estos valores son aplicados para determinar el mejor umbral en el histograma de la imagen, logrando con esto la segmentación de los píxeles originales como imagen binaria.El tercer AM que se analizó es el Artificial Bee Colony (ABC), está inspirado en el comportamiento que tienen las abejas para encontrar nuevas fuentes de alimento. Este AM ha sido implementado para el diseño de celdas solares, para esto se emplea el modelo de diodo simple y diodo doble. El objetivo es encontrar la mejor configuración de parámetros que dé como resultados una buena relación corriente-voltaje.Los métodos planteados se presentan como soluciones alternativas a los problemas selectos de las áreas de interés. Los resultados experimentales y comparaciones realizadas de forma independiente, comprueban su desempeño en términos de precisión y robustez. Del mismo modo, se comprueba que el uso de los AM es viable para una gran cantidad de aplicaciones orientadas al tratamiento de imágenes y de forma general en ingeniería