Optimización de antenas Uda-Yagi con el empleo de ...
Transcript of Optimización de antenas Uda-Yagi con el empleo de ...
, junio, 2019
Departamento de Electrónica y Telecomunicaciones
Título: Optimización de Antenas Uda-Yagi con el empleo de
Algoritmos Genéticos.
Autor: Juan Carlos Marrero Silva
Tutor: MsC. David Beltrán Casanova
Telecommunication and Electronics Academic Departament
Title: Optimization of Antennas Uda-Yagi with the utilization of
Genetic Algorithms.
Author: Juan Carlos Marrero Silva
Thesis Director: MsC. David Beltrán Casanova
, junio y 2019
Este documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de
Las Villas, y se encuentra depositado en los fondos de la Biblioteca Universitaria “Chiqui
Gómez Lubian” subordinada a la Dirección de Información Científico Técnica de la
mencionada casa de altos estudios.
Se autoriza su utilización bajo la licencia siguiente:
Atribución- No Comercial- Compartir Igual
Para cualquier información contacte con:
Dirección de Información Científico Técnica. Universidad Central “Marta Abreu” de Las
Villas. Carretera a Camajuaní. Km 5½. Santa Clara. Villa Clara. Cuba. CP. 54 830
Teléfonos.: +53 01 42281503-1419
Hago constar que el presente trabajo de diploma fue realizado en la Universidad Central
“Marta Abreu” de Las Villas como parte de la culminación de estudios de la especialidad de
Ingeniería en Automática, autorizando a que el mismo sea utilizado por la Institución, para
los fines que estime conveniente, tanto de forma parcial como total y que además no podrá
ser presentado en eventos, ni publicados sin autorización de la Universidad.
Firma del Autor
Los abajo firmantes certificamos que el presente trabajo ha sido realizado según acuerdo de
la dirección de nuestro centro y el mismo cumple con los requisitos que debe tener un trabajo
de esta envergadura referido a la temática señalada.
Firma del Tutor
Firma del Jefe de Departamento
donde se defiende el trabajo
Firma del Responsable de
Información Científico-Técnica
i
PENSAMIENTO
“El placer más noble es el júbilo de comprender”
Leonardo da Vinci
“Uno de los grandes descubrimientos que un hombre puede hacer, una de sus
grandes sorpresas, es encontrar que puede hacer lo que temía que no podía
hacer”
Henry Ford
ii
DEDICATORIA
A mis padres por haberme inspirado a ser un buen estudiante y una mejor persona.
A mi novia por haber creído en mí, por inspirarme y por apoyarme en esta travesía de
tantos sacrificios y esfuerzos.
A mi tío por madrugar en todos esos viajes que me llevó a la Terminal de Ómnibus y por
todo el sacrificio que realizó.
A mi hermana por su apoyo incondicional y por sus consejos que me sirvieron en esta etapa
de mi vida
A mi abuela por ser una de mis mayores inspiraciones.
A mis suegros por apoyarme y alentarme en todo momento, sobre todo cuando el cansancio
y las enfermedades me trataban de vencer.
A mis amigos del barrio, demás familiares y amistades.
iii
AGRADECIMIENTOS
A mi tutor David Beltrán Casanova por apoyarme en todo momento en este proyecto tan
importante para mí.
A Tuan E. Cordoví por aportar su granito de arena en este trabajo.
A mis padres, novia, tío, hermana, abuela, suegros y amigos por creer en mí y apoyarme en
todo momento.
A todos los profesores de la carrera que me impartieron clases durante todos estos años,
que de una forma u otra me ayudaron a ser una persona con buenas actitudes.
A todas mis amistades de esta dura travesía de estudios: gracias por regalarme tantos
momentos inolvidables y por estar siempre ahí para mí.
iv
TAREA TÉCNICA
Para dar cumplimiento a los objetivos en la investigación, se tuvo en cuenta una serie de
tareas para la confección del informe:
Identificación de referentes teóricos y metodológicos de la teoría relacionada con las
antenas para recepción de Televisión Digital Terrestre, específicamente las antenas
Uda-Yagi y las técnicas empleadas en su diseño.
Aplicación de los algoritmos genéticos al campo del diseño de antenas.
Utilización de los softwares Matlab y CST Microwave Studio 2018 para la
optimización de las antenas seleccionadas usando algoritmos genéticos.
Fabricación de los prototipos de antenas Uda-Yagi para analizar los resultados
obtenidos en las mediciones reales.
Firma del Autor Firma del Tutor
v
RESUMEN
El presente trabajo está destinado a enfatizar la importancia de la necesidad del diseño de
antenas Uda-Yagi y su optimización para la Televisión Digital Terrestre en Cuba gracias al
nuevo período de transición de señal de televisión analógica a digital que se está
implementado en el país y el papel primordial de la Empresa de Antenas de Villa Clara en
estas transformaciones. Los Algoritmos Genéticos son métodos de ayuda estocásticos y una
técnica de optimización que imita a la evolución biológica como estrategia para la resolución
de problemas, y en el caso de las antenas prioriza las características de la misma que
proporcionen una mejor directividad, eficiencia, impedancia del punto de alimentación, nivel
de lóbulos laterales, y ganancia. Para demostrar y cumplir este propósito se analizó una vasta
bibliografía que ayudó a estudiar las características de la antena para su posterior diseño
empleando los softwares CST Microwave Studio 2018 y Matlab 2015 para su optimización
utilizando algoritmos genéticos. Se hará una demostración de la validez de los algoritmos
genéticos como método de optimización de vital relevancia, y se mostrarán los resultados
satisfactorios dirigidos al canal 32 en cuanto a las pérdidas por retorno, ROE, potencia,
eficiencia, ganancia, etc. dentro de los márgenes estudiados.
vi
TABLA DE CONTENIDOS
PENSAMIENTO ..................................................................................................................... i
DEDICATORIA .................................................................................................................... ii
TAREA TÉCNICA ................................................................................................................ iv
RESUMEN ............................................................................................................................. v
INTRODUCCIÓN .................................................................................................................. 1
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT. ............................................ 5
1.1 Parámetros de las antenas. .......................................................................................... 5
1.1.1 Patrón de radiación. ........................................................................................ 6
1.1.2 Directividad y Ganancia. ................................................................................ 9
1.1.3 Coeficiente de Radiación Trasera. ................................................................ 10
1.1.4 Impedancia del punto de alimentación. ........................................................ 11
1.1.5 Razón de Onda Estacionaria (ROE). ............................................................ 12
1.1.6 Ancho de Banda. ........................................................................................... 12
1.2 Antenas Exteriores para la recepción de Televisión Digital Terrestre (TDT). ......... 13
1.2.1 Antena Uda-Yagi. ......................................................................................... 15
1.2.2 Método de diseño NBS para antenas Uda-Yagi. ........................................... 17
1.2.3 Diseño teórico de una antena Uda-Yagi por el método NBS para el canal 32
(HD) en Santa Clara. ..................................................................................................... 20
1.3 Conclusiones parciales. .............................................................................................. 21
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la
fabricación de los prototipos de antena Uda-Yagi. ................................................... 22
2.1 Inteligencia Artificial. ............................................................................................... 22
vii
2.1.1 Evolución histórica de la Inteligencia Artificial. .......................................... 23
2.1.2 Áreas de la Inteligencia Artificial. ................................................................ 25
2.1.3 Aplicaciones de la Inteligencia Artificial. .................................................... 27
2.2 Algoritmos Genéticos. .............................................................................................. 27
2.2.1 Origen de los Algoritmos Genéticos. ............................................................ 29
2.2.2 Funcionamiento de los Algoritmos Genéticos. ............................................. 30
2.2.3 Principales características de los Algoritmos Genéticos. ............................. 34
2.2.4 Ventajas, desventajas y limitaciones de los Algoritmos Genéticos. ............. 36
2.2.5 Algunas aplicaciones de los Algoritmos Genéticos. ..................................... 37
2.3 Algoritmos Genéticos aplicados a la optimización de antenas Uda-Yagi. ............... 38
2.4 Materiales y herramientas usadas en la fabricación de los prototipos de antena Uda-
Yagi. .......................................................................................................................... 39
CAPÍTULO 3. Simulación, mediciones reales y análisis de los resultados obtenidos de
los prototipos de antena Uda-Yagi. ........................................................................... 40
3.1 Modelado y simulación de la antena Uda-Yagi de 5 elementos para UHF. ............. 40
3.1.1 Resultados de la simulación mediante el método NBS. ................................ 41
3.1.2 Optimización y análisis en la banda de UHF mediante Algoritmos
Genéticos....................................................................................................................... 42
3.2 Equipamiento usado en las mediciones. ................................................................... 52
3.3 Prototipo de antena Uda-Yagi por el método NBS. .................................................. 53
3.3.1 Resultados obtenidos en el Analizador de Espectro DSA-8853T. ................ 54
3.4 Prototipo de antena Uda-Yagi optimizada mediante Algoritmos Genéticos. ........... 55
3.4.1 Resultados obtenidos en el Analizador de Espectro DSA-8853T. ............... 56
3.5 Análisis económico. .................................................................................................. 58
3.6 Conclusiones del capítulo. ........................................................................................ 58
viii
Conclusiones ......................................................................................................................... 59
Recomendaciones ................................................................................................................. 60
REFERENCIAS BIBLIOGRÁFICAS ................................................................................. 61
ANEXOS .............................................................................................................................. 64
Anexo 1: Mástil giratorio con una escala graduada en su base ...................................... 64
Anexo 2: Zonas de coberturas del transmisor DTMB de canal 32 de HD de Santa Clara.
64
Anexo 3: Nivel de calidad e intensidad de la señal del canal 32 usando la antena Uda-
Yagi por el método NBS. ........................................................................................... 65
Anexo 4: Nivel de calidad e intensidad de la señal del canal 32 usando la antena Uda-
Yagi mediante Algoritmo Genético. ......................................................................... 65
Anexo 5: Televisor Híbrido marca ATEC modelo 32L14D-A. ..................................... 66
INTRODUCCIÓN 1
INTRODUCCIÓN
Actualmente se está viviendo la transformación global del servicio de radiodifusión de
televisión terrestre en el que la TDT (Televisión Digital Terrestre) representa una revolución
en la transmisión de programas junto a una gran flexibilidad en los contenidos emitidos
siendo posible mezclar un número determinado de canales de video, audio y datos en una
sola señal. Su rápido y creciente avance conlleva a la demanda y el desbordamiento del
mercado de una gran cantidad de productos para casi todas las necesidades, desde hace varios
años el país ha ido evaluando y proyectando la idea de iniciar la instalación de la tecnología
para la radiodifusión digital, esto debido a que el mundo de hoy se encuentra completamente
inmerso en una carrera tecnológica donde lo analógico cada vez se hace más obsoleto y lo
digital va a la vanguardia.
Para garantizar el despliegue de la TDT, la comisión nacional para la Televisión Digital,
rectorada por el Ministerio de las Comunicaciones de Cuba plantea la necesidad de antenas
receptoras de la señal de televisión digital para los canales del 7 al 13 de VHF y del 14 al 52
de UHF, con vistas a respaldar el desarrollo de este programa nacional.
Muchos fabricantes de antenas han proyectado sus nuevos productos hacia esta rama debido
a los requerimientos de este tipo de señal. También existe interés en la búsqueda o
perfeccionamiento de diseños que cumplan con esto.
Para la recepción satisfactoria de la televisión se requiere generalmente una antena exterior,
para lograr la mejor relación señal a ruido posible, que garantice una recepción correcta
Como el costo de estas antenas con tecnología de punta siempre ha sido alto, el saber cómo
construir antenas con igual o mejor desempeño a las de fabricación comercial con recursos
materiales nacionales a un menor precio, manteniendo como premisa el ahorro de materias
INTRODUCCIÓN 2
primas podría ser la optimización basada en los algoritmos genéticos una buena alternativa
como medio de solución y siendo una herramienta poderosa y eficaz para resolver problemas
complejos siempre impulsados a una solución óptima.
Antecedentes
En la Universidad Central Marta Abreu de las Villas se cuenta como precedente con varios
trabajos de Diplomas que abordan el tema de diseño de antenas Uda-Yagi empleando
diferentes métodos de diseño y adecuando los diseños de manera manual lo cual hace que los
trabajos [1] y [2] carezcan de optimización en cuanto al método de diseño partiendo de esto
se puede definir la situación problémica.
Situación problémica
Diferentes variantes pueden explotarse para la optimización de las antenas, desde un
simulador de manera “manual” entiéndase variar los parámetros según criterio del diseñador
y evaluar el resultado, hasta el empleo de técnicas de inteligencia artificial, en este particular
a diferencia de los trabajos anteriores, no se tiene experiencias en estos temas, el problema
estaría enfocado a la optimización de diseños de antenas Uda-Yagi empleando técnicas de
inteligencia artificial, específicamente los algoritmos genéticos.
Partiendo de lo anterior se llega a la siguiente interrogante científica:
¿Es factible la optimización de las técnicas en el diseño de antenas Uda-Yagi aplicando
algoritmos genéticos?
Objetivo General
El objetivo general que se pretende con el siguiente trabajo es: aplicar algoritmos genéticos
para la optimización del diseño de antenas Uda-Yagi.
Objetivos específicos:
Abordar la teoría relacionada con las antenas Uda-Yagi y las técnicas empleadas en
su diseño para recepción de Televisión Digital Terrestre, específicamente para el
canal 32 (HD) en Santa Clara.
Optimizar las antenas seleccionadas usando algoritmos genéticos empleando los
softwares Matlab y CST Microwave Studio 2018.
INTRODUCCIÓN 3
Implementar los prototipos de antenas una vez que sean analizados a través de los
resultados obtenidos en la simulación.
Interrogantes Científicas
¿Cuál es la situación actual en los conocimientos de las antenas Uda-Yagi en la recepción de
la Televisión Digital Terrestre?
¿Cómo implementar los Algoritmos Genéticos para la optimización de antenas con la
utilización de los softwares CST Studio 2018 y Matlab 2015?
¿Existe correspondencia entre el diseño teórico y los resultados alcanzados en las
simulaciones y las mediciones?
Tareas de investigación
Revisión bibliográfica sobre el tema.
Estudio de las principales técnicas de diseño empleadas en antenas Uda-Yagi.
Estudio de los Algoritmos Genéticos aplicados al diseño de antenas.
Evaluación de la factibilidad en la aplicación de los Algoritmos Genéticos en el diseño de
antenas receptoras para TDT.
Selección, simulación y diseño de algún prototipo de antena que ponga de manifiesto la
aplicación de estas técnicas de manera conjunta.
Posibles resultados
Validación por medio de simulación del empleo de las técnicas antes mencionadas en el
diseño de antenas Uda-Yagi para aplicaciones de recepción TDT.
De ser factible la aplicación de las técnicas, proponer y diseñar un prototipo de antena Uda-
Yagi para aplicaciones de recepción TDT.
Organización del informe.
El informe de la investigación se estructurará en introducción, capitulario, conclusiones,
referencias bibliográficas, bibliografía y anexos.
En la introducción se dejará definida la importancia en la actualidad y necesidad del tema
que se aborda y se dejarán explícitos los elementos del diseño teórico.
Desarrollo
INTRODUCCIÓN 4
Capítulo I: Fundamentos teóricos de antenas para TDT.
En el presente capítulo serán abordados los principales parámetros de calidad para la
recepción y propiedades fundamentales de las antenas. También se abordarán algunos de los
ejemplos de antenas exteriores más utilizados para la recepción de la Televisión Digital
Terrestre. Se caracterizará el método NBS para el diseño de antenas Uda-Yagi.
Capitulo II: Algoritmos Genéticos. Optimización de los diseños de antenas Uda-Yagi.
En este capítulo se explicará; la inteligencia artificial, sus pilares básicos y aplicaciones, la
base teórica de los Algoritmos Genéticos; su definición, principales características y
funcionamiento, sin pasar por alto su importante papel en la optimización del diseño de
antenas Uda-Yagi; además de los materiales y herramientas implementadas en la fabricación
de los prototipos de antena Uda-Yagi.
Capítulo III: Simulación, mediciones reales y análisis de los resultados obtenidos de los
prototipos de antena Uda-Yagi.
En este capítulo se analizará el diseño de la antena Uda-Yagi de 5 elementos tanto por el
método NBS como por la optimización mediante algoritmos genéticos con el uso de los
softwares CST Microwave Studio 2018 y Matlab 2015. Además se realizarán ambos
prototipos y se procederá a la medición de los mismos para compararlos y arribar así a
conclusiones sobre el uso de los algoritmos genéticos en antenas para la recepción de la
televisión digital.
Conclusiones.
Valoración de los resultados obtenidos y propuestas de trabajo futuro.
Recomendaciones.
Se hará teniendo en cuenta aquellos puntos que puedan enriquecer el trabajo, tomando en
consideración los temas que no fueron descritos en la investigación por su extensión o por
no ajustarse completamente a los objetivos planteados.
Bibliografía.
Se hará un listado de las referencias bibliográficas consultadas siguiendo las normas
establecidas para ello.
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 5
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT.
En el presente capítulo serán abordados los principales parámetros de calidad para la
recepción y propiedades fundamentales de las antenas. También se abordarán algunos de los
ejemplos de antenas exteriores más utilizados para la recepción de la Televisión Digital
Terrestre. Se caracterizará el método NBS para el diseño de antenas Uda-Yagi.
1.1 Parámetros de las antenas.
Las ecuaciones de Maxwell relacionan los campos eléctricos y magnéticos con las cargas y
corrientes que los crean. La solución de las ecuaciones da lugar a formas de onda guiadas
como las que ocurren en las líneas de transmisión y guías de ondas, o a otras, ondas en el
espacio libre como las radiadas o recibidas por las antenas. El IEEE (Institute of Electrical
and Electronics Engineers) define una antena como “aquella parte de un sistema transmisor
o receptor diseñada específicamente para radiar o recibir ondas electromagnéticas”. El
objetivo de las antenas es actuar de interfaz entre una onda electromagnética guiada (a través
da una línea de transmisión, guía de onda etc.) y una onda electromagnética no guiada,
radiada en un medio, en general, el aire [3].
El transmisor puede ser descrito como una fuente de Thevenin compuesta por un generador
de voltaje en serie con su impedancia de salida, proporcionando una potencia a la antena
transmisora. Dicha antena radía una onda esférica, la cual, a partir de largas distancias se
aproxima a una onda plana. La antena receptora intercepta una porción de la onda y
proporciona la potencia recibida a la impedancia de carga del receptor [4].
Para el caso de la antena transmisora, su propósito es radiar eficientemente la energía
electromagnética hacia direcciones convenientes, como es el caso de la antena transmisora
de un canal de TDT determinado, que debe darle cobertura a una localidad determinada,
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 6
haciendo uso de la máxima potencia disponible. En el caso de una antena receptora, su
función es captar ondas radioeléctricas, debilitadas y contaminadas con ruido, en direcciones
convenientes, como es el caso de las antenas receptoras de señales de TDT bien orientadas,
que permiten que el receptor recupere la información contenida en esta señal. Para facilitar
el propósito de la radiación, la longitud física de la antena debe ser comparable con la
semilongitud de onda de operación. A medida que la frecuencia es más alta, el tamaño real
de la antena es menor, y a la inversa [5].
1.1.1 Patrón de radiación.
Un patrón de radiación es una representación gráfica de la variación de la intensidad de
campo o densidad de potencia de la antena, en función de los distintos ángulos de dirección
en tres dimensiones, a una distancia fija en el campo lejano. Normalmente se empleará un
sistema de coordenadas esféricas. Con la antena situada en el origen y manteniendo constante
la distancia se expresará el campo eléctrico en función de las variables angulares (ϕ, θ). Como
el campo es una magnitud vectorial, habrá que determinar en cada punto de la esfera de radio
constante el valor de dos componentes ortogonales, habitualmente según ϕ y θ [6].
Como el campo magnético se deriva directamente del eléctrico, la representación podría
realizarse a partir de cualquiera de los dos, utilizándose normalmente los diagramas que se
refieran al campo eléctrico.
La densidad de potencia es proporcional al cuadrado del módulo del campo eléctrico, por lo
que la representación gráfica de un diagrama de potencia contiene la misma información que
un diagrama de radiación de campo.
En determinadas circunstancias, puede ser necesaria la representación gráfica de la fase de Ē
(θ, υ), además de la magnitud de las dos componentes. Dicha representación se denomina el
diagrama de fase de la antena [7].
Al observar a gran distancia una antena, se vería su radiación como si proviniera de un punto,
es decir, los frentes de onda serían aproximadamente planos. A este punto, centro de
curvatura de las superficies de fase constante, se le denomina el centro de fase de la antena.
El diagrama de radiación se puede representar en forma tridimensional utilizando técnicas
gráficas diversas, como las curvas de nivel o el dibujo en perspectiva. La Figura 1.1 muestra
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 7
el diagrama tridimensional de una antena en los planos E y H. Los niveles se expresan en dB
respecto al máximo de radiación.
Figura 1.1. Diagrama de radiación tridimensional [7].
Para antenas linealmente polarizadas se define el plano E como el que forman la dirección
de máxima radiación y el campo eléctrico en dicha dirección. Análogamente, el plano H es
el formado por la dirección de máxima radiación y el campo magnético en dicha dirección.
Ambos planos son perpendiculares y su intersección determina una línea que define la
dirección de máxima radiación de la antena.
Si bien, el patrón de radiación es tridimensional, puede ser de interés en muchos casos,
representar un corte del diagrama en los planos principales de y de constantes. Los cortes
bidimensionales del diagrama de radiación se pueden representar en coordenadas polares o
cartesianas. En el primer caso, el ángulo en coordenadas polares representa la dirección del
espacio, mientras que el radiovector representa la magnitud de la intensidad del campo
eléctrico o la densidad de potencia radiada. En coordenadas cartesianas, se representa el
ángulo en la abscisa y el campo o la densidad de potencia en la ordenada [8].
La representación en coordenadas cartesianas permite observar los detalles en antenas muy
directivas, mientras que el diagrama polar suministra una información más clara de la
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 8
distribución de la potencia en las diferentes direcciones del espacio. Las Figuras 1.2 y 1.3
muestran ejemplos de ambas representaciones.
Figura 1.2. Diagrama de radiación en coordenadas polares [4].
Figura 1.3. Diagrama de radiación en coordenadas cartesianas [4].
El campo se puede representar de forma absoluta o relativa, normalizando el valor máximo.
También es bastante habitual la representación del diagrama con la escala en dB. El máximo
del diagrama de radiación es cero dB y en las restantes direcciones del espacio los valores en
dB son negativos. Es importante tener en cuenta que los diagramas de campo y de potencia
son idénticos cuando la escala está en dB [9].
En un diagrama de radiación típico, como los mostrados en las figuras anteriores, se aprecia
una zona donde la radiación es máxima, denominada haz principal o lóbulo principal. Las
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 9
zonas que rodean a los máximos de menor amplitud se denominan lóbulos secundarios. A
continuación se definen una serie de parámetros importantes del patrón de radiación.
El ancho de haz a -3 dB (Δθ-3 dB) es la separación angular de las direcciones en las que el
diagrama de radiación de potencia se reduce a la mitad de su valor máximo. En el diagrama
de campo la reducción corresponde a 0,707 del valor del máximo [10].
El ancho de haz entre nulos (Δθc) es la separación angular de las direcciones del espacio en
las que el lóbulo principal toma un valor despreciable.
La relación de lóbulo principal a secundario (NLPS) es el cociente, expresado en dB, entre el
valor del diagrama en la dirección de máxima radiación y en la dirección del máximo del
lóbulo secundario. Normalmente, dicha relación se refiere al lóbulo secundario de mayor
magnitud, que suele ser adyacente al lóbulo principal.
El coeficiente de radiación trasera (KT) es el cociente entre el valor del diagrama en la
dirección de máxima radiación y el valor en la dirección diametralmente opuesta.
Si un diagrama de radiación presenta simetría de revolución en torno a un eje se dice que la
antena es omnidireccional. Toda la información contenida en el diagrama tridimensional
puede representarse en un único corte que contenga al eje.
1.1.2 Directividad y Ganancia.
Directividad
La directividad o direccionalidad de una fuente de radiación direccional es igual a la razón
de la intensidad de radiación ( patrón de potencia) en una dirección dada sobre la intensidad
de radiación de un radiador isotrópico “UO” con la misma potencia radiada, lo cual puede
expresarse matemáticamente como [5], [11]:
G (θ,φ) = U (θ,φ)/UO (1)
La potencia radiada por una fuente isotrópica puede ser escrita como:
PR = 4πUO, ya que la fuente isotrópica radia uniformemente en todas las direcciones,
cubriendo el ángulo sólido de la esfera que es 4π [sr].
Ya que UO = PR/4π [W/sr] (2), sustituyendo (2) en (1), tenemos:
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 10
G (θ,φ) = 4πU (θ,φ)/PR (3)
Si la dirección no se especifica, esto implica la dirección de máxima radiación, o sea, la
máxima directividad “G”, y puede escribirse:
G = 4πUmáx/PR (4)
Ganancia
La definición de ganancia es semejante a la definición de directividad. La diferencia
consiste que en lugar de la potencia radiada se toma en cuenta la potencia total de
entrada a la antena (PT), siendo la relación entre ambas potencias la siguiente:
PT = PR + PP [W] (5)
La potencia de pérdida puede deberse a uno de estos factores o ambos:
Pérdida óhmica (resistividad de la estructura).
Pérdida por reflexión por problemas de no adaptación de impedancia en
el punto de alimentación.
La ganancia de potencia “GP” se define, por tanto como:
GP = 4π Umáx/PT (6)
Se puede demostrar que PR = ξ(1 - |Γ|2)PT[W] (7) Sustituyendo (7) en (6), y utilizando la
definición de ganancia directiva o directividad de la expresión (4), obtenemos: GP = ξ(1 -
|Γ|2) G (8). “ξ” es la eficiencia de la antena (0 ≤ ξ ≤ 1) y Γ es el coeficiente de reflexión (0 ≤
|Γ| ≤ 1). Si la antena no presenta pérdidas óhmicas (ξ = 1), y está perfectamente adaptada (|Γ|
= o), entonces Gd = G [5], [11].
1.1.3 Coeficiente de Radiación Trasera.
Es la relación entre la ganancia de la antena en la dirección de máxima radiación y la ganancia
de la antena en cualquier otra dirección comprendida entre 90º y 270º de la dirección de
máxima radiación(x). Se muestra en la Figura 1.4:
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 11
Figura 1.4. Representación del Coeficiente de Radiación Trasera [12].
Se calcula mediante la siguiente fórmula:
𝐾𝑇(𝑑𝐵)=20𝑙𝑜𝑔10
𝐸(0)
𝐸(180°) (9)
1.1.4 Impedancia del punto de alimentación.
Desde el punto de vista circuital, es la relación fasorial entre el voltaje y la corriente de
entrada (Ẑ = Û/Î). La antena vista desde sus terminales puede tomarse como una
impedancia, cuya parte real es la resistencia de radiación de la misma, más la
resistencia de pérdidas, y una componente reactiva, que depende del campo cercano
que dicha antena genera y permitirá conocer la transferencia de potencia de los
transceptores, que deben estar acoplados a la línea de transmisión y esta a la antena. Las
antenas se denominan resonantes cuando se anula su reactancia de entrada con excepción
de las antenas de SHF donde el concepto válido solamente es el de la razón de onda
estacionaria (ROE) en el sistema director de onda [13]
La impedancia de una antena depende de varios factores dentro de los que se encuentran:
La frecuencia de operación.
La antena dipolo se comporta en una banda estrecha con respecto a la frecuencia de
resonancia aproximadamente como un circuito RLC sintonizado en frecuencia y tendrá
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 12
comportamientos capacitivos e inductivos según se aleje o acerque a la longitud resonante de
media lambda por lo que la impedancia varía según la frecuencia de operación [14].
La estructura geométrica de la antena.
Afecta la configuración del campo electromagnético cercano a la antena, así como los modos
de propagación en esta, así como los coeficientes de reflexión en el alimentador, afectando
la adaptación de impedancia [14].
El método de excitación de la antena.
Afecta la distribución de corriente a través de la antena y por tanto la impedancia en el punto
de alimentación, donde el alimentador puede constituir un radiador parásito interactuando
con la antena [14].
Proximidad a objetos cercanos u otras antenas.
Está presente un acoplamiento electromagnético interactuando en la antena, lo cual altera sus
características de impedancia y radiación [14].
1.1.5 Razón de Onda Estacionaria (ROE).
La razón de onda estacionaria es una medida de las reflexiones ocurridas en el sistema
director de onda (línea de transmisión, guía de onda, etc.) acorde al grado de adaptación de
impedancia de la antena con este. Mientras mayor sea el grado de adaptación, menor potencia
será reflejada y, por lo tanto, mayor cantidad de ésta será irradiada o recibida por la antena.
Un valor de ROE igual a uno implica que la antena está completamente adaptada y un 100%
de la potencia está siendo aprovechada si se desprecian las pérdidas en calor [15]
En la práctica, un nivel aceptable de adaptación de impedancia se logra en la mayoría de las
aplicaciones con una ROE igual a 2, que equivale a que un 90% de la potencia recibida por
la antena está siendo dirigida hacia el receptor. Por lo tanto, se debe tener un valor para la
ROE menor o igual a 2 para considerar a las antenas de TV con un nivel aceptable de
adaptación de impedancia [7].
1.1.6 Ancho de Banda.
Todas las antenas, debido a su geometría finita, están limitadas a operar satisfactoriamente
en una banda o margen de frecuencias. Este intervalo de frecuencias, en el que un parámetro
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 13
de antena determinada no sobrepasa unos límites prefijados, se conoce como el ancho de
banda de la antena. El ancho de banda (BW) se puede especificar como la relación entre el
margen de frecuencias en que se cumplen las especificaciones y la frecuencia central. Dicha
relación se suele expresar en forma de porcentaje [4].
𝐵𝑊(%) = 𝑓𝑚𝑎𝑥−𝑓𝑚𝑖𝑛
𝑓𝑜∙ 100 (10)
Para el caso de las antenas para recepción de TV digital se considerará un ancho de banda
aceptable la gama de frecuencia donde la ROE (Razón de Onda Estacionaria) está por debajo
de 2 y donde la ganancia no disminuya por debajo de 3 dBi con relación a la máxima como
se muestra en la Figura 1.5.
Figura 1.5. Ejemplo de ancho de banda (2411.6MHz-2452.7MHz). Fuente de elaboración propia.
1.2 Antenas Exteriores para la recepción de Televisión Digital Terrestre (TDT).
Son las antenas que por lo general se colocan en la fachada de los edificios o en la cubierta y
en la parte superior de las casas soportadas por un mástil.
En los últimos años, las TIC (Tecnologías de Información y Comunicaciones) han estado en
un creciente desarrollo y el país está vinculado en ello, la televisión es uno de los sectores
que está evolucionando a un ritmo acelerado a tal punto que en un futuro se pretende realizar
el “apagón analógico” ¿por qué razón?, porque la televisión digital permite aprovechar un
mayor ancho de banda, mayor límite de calidad de imagen y sonido, mayor número de
emisiones de televisión y mayor flexibilidad de las emisiones y servicios adicionales; estas y
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 14
otras razones posibilitan que la Televisión Digital Terrestre conocida por sus siglas TDT sea
el presente y el futuro de la televisión. Esto conlleva a que se necesiten nuevos tipos de
antenas que garanticen la recepción en zonas de baja cobertura.
Para garantizar el despliegue de la TDT, la comisión nacional para la Televisión Digital,
rectorada por el Ministerio de las Comunicaciones de Cuba plantea la necesidad de antenas
receptoras de la señal de televisión digital para los canales del 7 al 13 de VHF y del 14 al 52
de UHF, con vistas a respaldar el desarrollo de este programa nacional.
Muchos fabricantes de antenas han proyectado sus nuevos productos hacia esta rama debido
a los requerimientos de este tipo de señal. También existe interés en la búsqueda o
perfeccionamiento de diseños que cumplan con esto.
Para la recepción satisfactoria de la televisión se requiere generalmente una antena exterior,
para lograr la mejor relación señal a ruido posible, que garantice una recepción correcta [16].
Una antena para la recepción de la TV digital debe cumplir básicamente las siguientes
características [17]:
Tener una buena captación de la señal, sobre todo en zonas de señal débil.
Evitar la captación de señales reflejadas en edificios, montañas u otros obstáculos
causantes de las dobles imágenes o imágenes fantasma.
Evitar también reflexiones de la señal en el propio sistema de radiación.
Tener la mínima afectación posible de interferencias.
Ser adecuada para el mayor número de canales posibles.
Algunos ejemplos de más utilizados para recepción de TDT se muestran en la Figura 1.6
dentro de las que se encuentran las Antenas Uda-Yagi, las de Panel y las Log-Periódicas.
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 15
(a) (b) (c)
Figura 1.6. (a)Uda-Yagi, (b)Antena de panel, (c)Log-periódica.
1.2.1 Antena Uda-Yagi.
La antena conocida como Uda-Yagi, resulta un dispositivo radiante muy útil en un amplio
rango del espectro. Así, se utiliza en HF (3 – 30MHz), VHF (30 – 300MHz), y en UHF (300
– 3000MHz). Dicha antena consiste en un determinado número de dipolos. Uno de dichos
dipolos es directamente alimentado por una línea de transmisión, mientas que los otros actúan
como radiadores parásitos cuyas corrientes son inducidas por acoplamientos mutuos. El
elemento alimentado más común en las antenas Uda-Yagi, es el dipolo plegado. Dicha antena
es diseñada para trabajar únicamente como un array endfire. Esta característica se consigue
disponiendo los elementos parásitos en la dirección del haz principal, actuando como
elementos directores, mientras que los elementos de la parte opuesta de la antena (trasera),
lo hacen como reflectores. Las antenas Uda-Yagi son extensamente utilizadas en los
receptores de TV, por lo que es ampliamente conocida. Un esquema de dicha antena puede
observarse en la Figura 1.7. EL diseño original, así como los principios de su funcionamiento
fueron descritos en lengua japonesa, en los artículos publicados en el Instituto de Ingenieros
Eléctricos y Electrónicos de Japón por S. Uda de la universidad imperial de Tohoku [18].
Más tarde, aunque de forma más extensa y clara, H. Yagi, describe el funcionamiento de la
misma antena en [19]. Dicho artículo se considera un clásico, y fue reeditado en 1984.
A pesar de que el artículo de Yagi fue escrito con el conocimiento adquirido del trabajo del
profesor Uda, llego a ser habitual que dicha antena fuese conocida como Yagi. De cualquier
forma, para que el nombre de la antena refleje de forma más apropiada la contribución de
ambos inventores, nos referimos a ella como Uda-Yagi. Aunque el trabajo de Yagi y Uda fue
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 16
realizado a principios de los años 20, no consiguieron el reconocimiento de los Estados
Unidos hasta 1928, cuando Yagi visitó dicho país, presentando artículos en meetings en el
Institute of Radio Engineers (IRE) en New York, Washintong and Hartford.
Figura 1.7. Configuración de antena Uda-Yagi [20].
Así, la antena Uda-Yagi, ha recibido un estudio analítico y experimental exhaustivo. Sería
prácticamente imposible citar a todas las personas que han contribuido en dichos estudios.
Aun así, se intentará aquí resumir los principios de funcionamiento de la antena. Para
conseguir un haz endfire, los elementos parásitos en la dirección del haz son algo menores
en longitud que el alimentador. Típicamente, el alimentador es resonante con una longitud
ligeramente inferior a λ/2 (comúnmente 0.45-0.49λ) mientras que las longitudes de los
elementos parásitos serán aproximadamente de entre 0.4-0.45λ. Aun así, los directores no
tendrán necesariamente la misma longitud ni grosor. La separación entre los directores
tampoco será obligatoriamente la misma para diseños óptimos, y su valor oscilará entre 0.3-
0.4λ. Ha sido demostrado experimentalmente que para una antena Uda-Yagi que posea una
longitud total de 6λ, la ganancia es independiente del espaciado de los directores hasta cerca
de 0.3λ. Para dicha antena, la ganancia es también independiente del grosor de los directores
hasta unos 0.024λ [20]. La longitud del reflector es algo mayor que la del elemento
alimentado. Además, la separación entre el alimentador y el reflector, suele ser algo inferior
que el espaciado entre el alimentador y el director más cercano a éste. Se ha encontrado que
un espaciado de aproximadamente 0.25λ resulta óptimo. Dado que la longitud de cada
director es inferior a su longitud de resonancia correspondiente, la impedancia de éstos,
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 17
tendrá comportamiento capacitivo. Similarmente, las impedancias de los reflectores son
básicamente inductivas. La fase total de las corrientes en los directores y reflectores no es
determinada únicamente por sus longitudes, sino también por el espaciado a los elementos
adyacentes. Así, un apropiado espaciado entre elementos con longitudes ligeramente
inferiores a λ/2, actúan como directores, dado que forman un array con corrientes
aproximadamente iguales en amplitud, y con igual fase progresiva. Similarmente, un
apropiado espaciado entre elementos con una longitud de λ/2 o ligeramente superiores,
actuarían como un reflector. Así, una Uda-Yagi puede ser entendida como una estructura que
soporta una onda viajera cuyas características son determinadas por la distribución de
corrientes en cada elemento, así como la velocidad de fase de dicha onda. La discusión
anterior está basada únicamente en la primera resonancia. En la práctica, una antena Uda-
Yagi tiene a lo sumo dos reflectores, dado que el efecto del mismo está concentrado
básicamente en el elemento más cercano al alimentador. Aun así, pueden conseguirse
importantes mejoras si se añaden elementos parásitos al arreglo. La adición de elementos
directores significará una mejoría en las características de la antena, hasta un cierto límite
práctico, a partir del cual, no se consiguen mejoras sustanciales. Esto viene determinado por
la progresiva reducción de la magnitud de las corrientes inducidas en los elementos más
lejanos al alimentador. Normalmente, se dispone un número de entre 6 y 12 elementos
parásitos. Con una longitud típica para el arreglo de 6λ, es normal conseguir una ganancia de
(14.8-17.3 dB) [20], [21].
1.2.2 Método de diseño NBS para antenas Uda-Yagi.
Existen diversos métodos de diseño de este tipo de antena que ofrecen resultados aceptables.
Uno de los más utilizados es el método tabular conocido como método de la NBS (Nacional
Bureau of Standard) ofrecido en el documento original Meter P Viezbiike, “Yagi Antenna
Design”, NBS Technical Note 688, December 1976. Ofrece la posibilidad de llegar a
soluciones de ingeniería de una forma relativamente rápida y confiable, por basarse en
mediciones experimentales. Provee un procedimiento para determinar los parámetros
geométricos de la antena Uda-Yagi para una ganancia directiva determinada (sobre un dipolo
de media longitud de onda) [8], [22].
El método de diseño ofrecido en el documento se incluye en los siguientes datos:
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 18
En la Tabla 1.1 del documento NBS que representa los parámetros de antenas optimizadas
para seis ganancias diferentes y para el diámetro en longitudes de onda de d/λ = 0.0085 en
frecuencia de 400 MHz.
Tabla 1.1. Representa las longitudes no compensadas de los directores y el reflector para 0,001 ≤ d/
λ ≤ 0,04 [23].
La Figura 1.8 del documento NBS representa las longitudes no compensadas de los directores
y el reflector para 0,001 ≤ 2a/ λ ≤ 0,04.
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 19
Figure 1.8. Curvas diseñadas para determinar las longitudes de los elementos de arreglos Uda-Yagi
[23].
La Figura 1.9 del documento NBS suministra el incremento de longitud compensada para
todos los elementos parásitos (directores y reflector) como una función del diámetro del boom
(0,001 ≤ 2aboom/ λ ≤ 0,04).
Figure 1.9. Incremento de la longitud óptima de los elementos parásitos en función del diámetro del
boom [23].
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 20
La información inicial necesaria para el diseño es:
Ganancia directiva.
Frecuencia central.
Diámetro de los elementos parásitos.
Diámetro del boom.
1.2.3 Diseño teórico de una antena Uda-Yagi por el método NBS para el canal 32 (HD)
en Santa Clara.
Para el diseño lo primero que hay que tener en cuenta es la cantidad de elementos a usar en
la antena Uda-Yagi, que en este caso es 5, por tanto se escoge la segunda columna de la Tabla
1.1 donde la longitud de los directores de la antena es (l3=l5=0.428λ, l4=0.424λ), la longitud
del reflector es 0.482λ y el espaciamiento entre directores y entre el reflector y el dipolo
activo es 0.2λ. Así, se puede conocer los valores que se estarán usando para irlos modificando
poco a poco en el transcurso de la aplicación de dicho método; otra de las informaciones
útiles que brinda la Tabla 1.1 son las curvas de diseño que para 5 elementos será la curva B
y la directividad relativa según el método a obtener será de 9.2 dB. Luego de esta primera
observación el siguiente paso es definir el diámetro de los elementos de la antena (d=10mm),
el diámetro del boom (Dboom=21mm), la frecuencia central del canal 32 (fo=581MHz) y la
longitud de onda (λ = 𝐶
𝑓𝑜= 0.516𝑚).
El paso siquiente será calcular la razón d/λ y D/λ para ubicar dichos valores en la Figura 1.8
y así se obtendrán los valores primos de los elementos parásitos y del reflector que serán los
siguientes:
𝑙𝑟𝑒𝑓 = 𝑙1′ = 0.48𝜆 (11)
𝑙3′ = 𝑙5′ = 0.412𝜆 (12)
𝑙4′ = 0.424𝜆 (13)
Por último la razón D/λ es ubicada en la Figura 1.9 para obtener el incremento en cada
elemento de la antena que será de 0.0125λ quedando así los valores finales de cada elemento
de la antena como se muestra a continuación:
𝑙𝑟𝑒𝑓 = 𝑙1 = (0.48 + 0.0125)𝜆 = 0.4925𝜆 (14)
CAPÍTULO 1. Fundamentos teóricos de antenas para TDT 21
𝑙3 = 𝑙5 = (0.412 + 0.0125)𝜆 = 0.4245𝜆 (15)
𝑙4 = (0.424 + 0.0125)𝜆 = 0.4185𝜆 (16)
Aclarar que la longitud del dipolo activo es 𝑙𝑑𝑖𝑝𝑎𝑐𝑡 = 0.475𝜆 (17)
1.3 Conclusiones parciales.
En el presente capítulo quedaron expuestos los parámetros más significativos y las
principales antenas de exteriores más usadas para la recepción de Televisión Digital Terrestre
(TDT). Además, se definieron las características más importantes de las antenas Uda-Yagi,
así como uno de los métodos para su diseño (el método NBS) siendo uno de los más usados
porque ofrece la posibilidad de llegar a soluciones de ingeniería de una forma relativamente
rápida y confiable. Por otra parte en dicho capítulo queda plasmado el diseño teórico por el
método NBS para 5 elementos con frecuencia central de 581MHz que es la del canal 32 (canal
HD en Santa Clara) que se comparará con la optimización de una antena Uda-Yagi de 5
elementos usando el algoritmo genético en posteriores capítulos.
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 22
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas
utilizadas en la fabricación de los prototipos de antena
Uda-Yagi.
En este capítulo se explicará; la inteligencia artificial, sus pilares básicos y aplicaciones, la
base teórica de los Algoritmos Genéticos; su definición, principales características y
funcionamiento, sin pasar por alto su importante papel en la optimización del diseño de
antenas Uda-Yagi; además de los materiales y herramientas implementadas en la fabricación
de los prototipos de antena Uda-Yagi.
2.1 Inteligencia Artificial.
La Inteligencia Artificial (IA), también llamada inteligencia computacional, es la inteligencia
exhibida por máquinas. En ciencias de la computación, una máquina inteligente ideal es un
agente racional flexible que percibe su entorno y lleva a cabo acciones que maximicen sus
posibilidades de éxito en algún objetivo o tarea [24]. Coloquialmente, el término inteligencia
artificial se aplica cuando una máquina imita las funciones «cognitivas» que los humanos
asocian con otras mentes humanas, como por ejemplo: "aprender" y "resolver problemas". A
medida que las máquinas se vuelven cada vez más capaces, tecnología que alguna vez se
pensó que requería de inteligencia se elimina de la definición. Por ejemplo, el reconocimiento
óptico de caracteres ya no se percibe como un ejemplo de la "inteligencia artificial"
habiéndose convertido en una tecnología común. Avances tecnológicos todavía clasificados
como inteligencia artificial son los sistemas capaces de jugar ajedrez, GO y manejar por si
mismos [25], [26].
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 23
Según Takeyas (2007) la IA es una rama de las ciencias computacionales encargada de
estudiar modelos de cómputo capaces de realizar actividades propias de los seres humanos
en base a dos de sus características primordiales: el razonamiento y la conducta [27].
2.1.1 Evolución histórica de la Inteligencia Artificial.
La Inteligencia Artificial "nació" en 1943 cuando Warren McCulloch y Walter Pitts
propusieron un modelo de neurona del cerebro humano y animal. Estas neuronas nerviosas
abstractas proporcionaron una representación simbólica de la actividad cerebral [28].
En 1950, Turing publicó en la revista Mind el artículo Computing Machinery and Intelligence
en el que introducía el concepto de Test de Turing. Este artículo puede considerarse el
precursor de muchos de los desarrollos actuales en el campo de la Inteligencia Artificial. El
test consistía en juzgar el nivel de inteligencia de una máquina. Se supone un juez situado en
una habitación, y una máquina y un ser humano en otras. El juez debe descubrir cuál es el
ser humano y cuál es la máquina, estándoles a los dos permitidos mentir al contestar por
escrito las preguntas que el juez les hiciera. La tesis de Turing es que si ambos jugadores eran
suficientemente hábiles, el juez no podría distinguir quién era el ser humano y quién la
máquina En el año 1955 Herbert Simón, el físico Allen Newell y J.C. Shaw, programador de
la RAND Corp. y compañero de Newell, desarrolla el primer lenguaje de programación
orientado a la resolución de problemas de la Inteligencia Artificial, el IPL-11. Un año más
tarde estos tres científicos desarrollan el primer programa de Inteligencia Artificial al que
llamaron Logic Theorist, el cual era capaz de demostrar teoremas matemáticos,
representando cada problema como un modelo de árbol, en el que se seguían ramas en busca
de la solución correcta, que resultó crucial. Este programa demostró 38 de los 52 teoremas
del segundo capítulo de Principia Mathematica de Russel y Whitehead [29], [30].
En 1956, con la ahora famosa conferencia de Dartmouth, organizada por John McCarthy y
en la cual se utilizó el nombre de inteligencia artificial para este nuevo campo, se separó la
Inteligencia Artificial de la ciencia del computador, como tal. Se estableció como conclusión
fundamental la posibilidad de simular inteligencia humana en una máquina.
En 1957 Newell y Simon continúan su trabajo con el desarrollo del General Problems Solver
(GPS). GPS era un sistema orientado a la resolución de problemas; a diferencia del Logic
Theorist, el cual se orientó a la demostración de teoremas matemáticos, GPS no estaba
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 24
programado para resolver problemas de un determinado tipo, razón a la cual debe su nombre.
Este sistema a pesar de que pudo resolver determinados problemas no tuvo el éxito esperado.
En 1957 McCarthy desarrolló el lenguaje LISP. La IBM contrató un equipo para la
investigación en esa área y el gobierno de USA aportó dinero al MIT también para
investigación en 1963. Entre los últimos años de la década del 50 y principios de los años 60
Robert K. Lindsay, desarrolla un programa orientado a la lectura de oraciones en inglés y la
obtención de conclusiones a partir de su interpretación, este programa que se denominó Sad
Sam, marcó un hito en una de las ramas de la Inteligencia Artificial, el Procesamiento del
Lenguaje Natural. Este sistema podía leer oraciones del tipo "Jim es hermano de John" y "La
madre de Jim es Mary", a partir de ella el sistema concluía que Mary debía ser también la
madre de John. En el mismo período de tiempo hay trabajos importantes de Herbert
Gelernter, de IBM, quien desarrolla un "Demostrador Automático de Teoremas de la
Geometría", Alex Bernstein desarrolla un programa para el juego de ajedrez que se considera
el antecedente para "Deep Blue". En 1961 se desarrolla SAINT (Simbolic Automatic
Integrator) por James Slagle el cual se orienta a la demostración simbólica en el área del
álgebra. En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information
Retrieval) el cual era capaz de comprender oraciones en inglés. En los primeros años de la
década del 60 Frank Rosemblatt desarrolla, en la Universidad de Cornell, un modelo de la
mente humana a través de una red neuronal y produce un primer resultado al cual llama
perceptrón. Este sistema era una extensión del modelo matemático concebido por McCullock
y Pitts para las neuronas, y funcionaba basándose en el principio de "disparar" o activar
neuronas a partir de un valor de entrada el cual modifica un peso asociado a la neurona, si el
peso resultante sobrepasa un cierto umbral la neurona se dispara y pasa la señal a aquellas
con las que está conectada. Al final, en la última capa de neuronas, aquellas que se activen
definirán un patrón el cual sirve para clasificar la entrada inicial. Este trabajo constituye la
base de las redes neuronales de hoy en día, sin embargo a raíz de su desarrollo sufrió fuertes
críticas por parte de Marvin Minsky y Seymour Papert lo cual provocó que la mayoría de los
investigadores interesados en el tema lo abandonaran, y este no se retomara hasta los años
80 [31].
En 1965-70, comenzaron a aparecer los programas expertos, que predicen la probabilidad de
una solución bajo un set de condiciones, entre esos proyectos estuvo: DENDRAL, que asistía
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 25
a químicos en estructuras químicas complejas euclidianas; MACSYMA, producto que asistía
a ingenieros y científicos en la solución de ecuaciones matemáticas complejas, etc.
En la década 1970-80, creció el uso de sistemas expertos, muchas veces diseñados para
aplicaciones médicas y para problemas realmente muy complejos como MYCIN, que asistió
a médicos en el diagnóstico y tratamiento de infecciones en la sangre. Otros son: R1/XCON,
PIP, ABEL, CASNET, PUFF, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy
[32].
De 1975 en adelante, comienza la era de los lenguajes expertos (shells) como EMYCIN,
EXPERT, OPSS, etc. para luego tratar de que éstos sean más amigables y funcionales.
En 1980 la historia se repitió con el desafío japonés de la quinta generación de computadoras,
que dio lugar al auge de los sistemas expertos pero que no alcanzó muchos de sus objetivos,
por lo que este campo sufrió una nueva interrupción en los años noventa. En la actualidad se
está tan lejos de cumplir la prueba de Turing como cuando se formuló: Existirá Inteligencia
Artificial cuando no seamos capaces de distinguir entre un ser humano y un programa de
computadora en una conversación a ciegas [33].
2.1.2 Áreas de la Inteligencia Artificial.
Estas áreas o campos hacen referencia a las subtareas que se engloban dentro de la I.A. y
dependiendo del paradigma utilizado para el desarrollo del modelo se clasifican de diferente
manera: En el Paradigma Conexionista o Subsimbólico los más reconocidos son
las Redes Neuronales Artificiales y los Algoritmos Genéticos. Por otro lado, en el Paradigma
Simbólico se encuentran los Sistemas Expertos, los programas de resolución de problemas
matemáticos o los programas de juegos. Sin embargo existen muchas otras técnicas utilizadas
en la IA pudiendo caer en discusión su clasificación. A continuación se describen brevemente
las técnicas más significativas y de mayor aplicación en la actualidad.
Redes Neuronales Artificiales (RNA).
Al inicio de la IA, el conocimiento se representaba usando reglas, redes semánticas, modelos
probabilísticos, etc. La metodología para la resolución de problemas era el uso del proceso
humano de razonamiento lógico relacionando las causas del problema con los conocimientos
que se poseían y luego se procesaba la información secuencialmente. Al avanzar la IA,
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 26
aparecieron problemas complejos en los que no era posible representar el conocimiento de
manera explícita ni procesarlo utilizando el razonamiento lógico. La posible solución a este
inconveniente era utilizar estructuras computacionales paralelas basadas en redes neuronales
biológicas; así surgen las redes neuronales artificiales. Las RNA se estructuran como un
grupo numeroso de procesadores conectados, entre sí y trabajando en paralelo [34].
Algoritmos Genéticos (AG).
Los Algoritmos Genéticos se han desarrollado con la intención de optimizar poblaciones o
conjuntos de soluciones posibles de un determinado problema mediante la utilización de la
genética biológica. La genética es la ciencia biológica que estudia la variabilidad y la herencia
de los seres vivos analizando el material genético a partir del cual nace todo ser vivo; este
material genético se compone del ADN (ácido desoxirribonucleico) que se auto
duplica en cada división celular. Esta ciencia es la base para los Algoritmos Genéticos ya que
estos intentan, de alguna manera, representar un dato (que puede ser una posible solución)
mediante una cadena de bits la cual, en analogía con la genética, sería un cromosoma. Una
vez representados todos los datos (posibles soluciones) se cruzan, mutan o recombinan entre
sí, con lo cual se obtienen nuevos datos o cromosomas que pueden o no ser mejores que los
anteriores. De ser mejores, este paso se repite hasta la obtención de nuevos cromosomas cuya
mejora con respecto a los anteriores sea insignificante por lo que el proceso de evolución
concluye con un nuevo grupo o población de datos (en la mayoría de los casos se intenta
llegar a una sola solución, dato o cromosoma) que son interpretados como las mejores
soluciones posibles del problema que se ha intentado solucionar [34].
Sistemas Expertos (SS.EE.).
Se puede decir que los SS.EE. son sistemas compuestos por dos partes componentes,
principalmente; una llamado Motor de Inferencias y la otra Base de Conocimientos. En la
primera se representa el procedimiento lógico que sigue un experto en determinada área del
conocimiento y en la segunda se representa el propio conocimiento del experto, pudiendo ser
uno sólo o un grupo de expertos dentro de la misma área, inclusive pueden ser libros
especializados en el tema de interés [Warianos, 2008]. Este tipo de sistemas se desarrolla con
los objetivos de imitar la inteligencia humana, en este caso de un experto, y de tener asistencia
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 27
de un experto en cualquier lugar en poco tiempo con respecto al tiempo que tarda en formarse
un profesional humano incluyendo el tiempo de experiencia [35].
Uno de los requisitos para realizar un SS.EE. es poseer el conocimiento de uno o varios
expertos con amplia experiencia en el campo del conocimiento que les compete, ya que es la
experiencia quien agrega valor al conocimiento. Un SS.EE. que se basa en los conocimientos
de un novato poco puede aportar a un profesional que, si bien, no es un experimentado
tampoco es un novato, pero que necesita la asistencia o los conocimientos de un experto que
lo guíe en su búsqueda de una solución a un problema complejo o nuevo para el profesional.
Existen diferentes tipos de SS.EE. clasificados según el modelo que utilizan, siendo algunos
de éstos los siguientes:
SS.EE. basados en Reglas.
SS.EE. basados en Probabilidad.
SS.EE. basados en Redes Neuronales Artificiales.
SS.EE. basados en Lógica Difusa.
2.1.3 Aplicaciones de la Inteligencia Artificial.
Tratamiento de Lenguajes Naturales: Capacidad de Traducción, Órdenes a un Sistema
Operativo, Conversación Hombre-Máquina, etc.
Sistemas Expertos: Sistemas que se les implementa experiencia para conseguir
deducciones cercanas a la realidad.
Problemas de Percepción: Visión y Habla, reconocimiento de voz, obtención de fallos
por medio de la visión, diagnósticos médicos, etc.
Aprendizaje: Modelización de conductas para su implante en computadoras.
Juegos: ajedrez, damas, del tipo estratégicos.
Matemáticas: calculo simbólico, demostración.
Ingeniería: diseño, detección de fallos, planificación [36].
2.2 Algoritmos Genéticos.
Cuando se habla de algoritmos genéticos, hay que hablar de John Holland que en 1962
asienta las bases para sus posteriores desarrollos hasta llegar a lo que se conoce hoy por
algoritmos genéticos. Un algoritmo genético es un método de búsqueda que imita la teoría
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 28
de la evolución biológica de Darwin para la resolución de problemas. Para ello, se parte de
una población inicial de la cual se seleccionan los individuos más capacitados para luego
reproducirlos y mutarlos para finalmente obtener la siguiente generación de individuos que
estarán más adaptados que la anterior generación.
Los algoritmos genéticos son métodos de búsqueda estocásticos, basados en principios y
conceptos de evolución natural de los seres vivos. En estos se mantiene una población que
representa una multiplicidad de soluciones, que son sometidas a ciertas transformaciones y a
un proceso de selección a favor de los mejores candidatos. Estos candidatos son
seleccionados a partir de una aptitud que es asignada por una función objetivo. El objetivo
primordial de un algoritmo genético es evolucionar a partir de una población de soluciones
para un determinado problema, produciendo nuevas generaciones de soluciones que sean
mejores que las anteriores [37].
Otros conceptos referentes a los algoritmos genéticos de imprescindible importancia son:
Cromosomas y genes
Cada individuo de una población posee un conjunto de cromosomas que lo define. Estos
cromosomas son los que diferencian a cada individuo en la población, siendo cada
cromosoma un conjunto de genes [38].
Los genes son los atributos que definen las características de cada individuo. Ellos son los
encargados de definir la idoneidad de las soluciones para cada problema de optimización
particular, esto es, cómo de bueno o malo es un individuo para una situación concreta.
Poblaciones y generaciones
Una población es un grupo de individuos, o, dicho de otro modo, un grupo de posibles
soluciones que estudia el algoritmo genético en una generación concreta.
Las generaciones son diferentes momentos temporales de la población, cuyos cambios están
regidos por la selección natural. Típicamente, cada individuo representa una solución
particular dentro del espacio de búsqueda [38].
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 29
Padres e hijos
En los algoritmos genéticos algunos de los individuos de una población tienen la oportunidad
de producir descendientes. Los padres son los individuos que contribuyen con su material
genético a la producción de descendientes [38].
Los descendientes de una generación son los denominados hijos. Los hijos reciben los
cromosomas de sus padres después de producirse cruces y mutaciones entre ellos
determinados por una probabilidad asignada [39].
2.2.1 Origen de los Algoritmos Genéticos.
Durante los años comprendidos entre 1950 y 1970 varios científicos independientes
estudiaron sistemas evolutivos con la idea de que la evolución podía usarse como herramienta
de optimización en problemas de ingeniería. Primero Rechenberg introdujo las estrategias
evolutivas, donde no había ni población ni cruce, sino que un padre mutaba para producir un
descendiente, y el mejor de los dos era el que se convertía en padre para la siguiente ronda
de mutación [39].
Posteriormente, en 1966, Fogel, Owens y Walsh desarrollaron la programación evolutiva,
método donde las soluciones candidatas para los problemas se representaban como máquinas
sencillas de estados finitos. Al igual que en las estrategias evolutivas de Rechenberg, la
programación evolutiva funcionaba mutando aleatoriamente una de estas máquinas de
estados finitos y conservando la mejor de las dos. Durante las décadas de los 60's y los 70's
John Holland y sus colegas desarrollaron en la universidad de Michigan la primera
implementación de un algoritmo genético. Holland fue el primero en proponer
explícitamente la operación de cruce y otros operadores de recombinación no propuestos
hasta entonces [40].
El trabajo fundamental dentro de los algoritmos genéticos apareció en 1975 con el libro
Adaptation in Natural and Artificial Systems. En este libro Holland presentó el algoritmo
genético como una abstracción de la evolución biológica y dio una formulación teórica del
mismo. El algoritmo genético de Holland era un método mediante el cual una población de
cromosomas (cadenas de unos y ceros, o bits) se transformaba en una nueva población usando
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 30
una especie de selección natural junto con los operadores (inspirados en la genética) de cruce,
mutación e inversión [40].
Más adelante, en 1989, Goldberg publicó un libro (Genetic Algorithms in Search
Optimization, and Machine Learning) en el que mostró cómo múltiples problemas podían
ser resueltos haciendo uso de las teorías de Holland, demostrando de este modo la
versatilidad de estos algoritmos [41].
2.2.2 Funcionamiento de los Algoritmos Genéticos.
Los Algoritmo Genético son técnicas de optimización que imitan a la evolución biológica
como estrategia para la resolución de problemas. Típicamente consta de los siguientes pasos:
1. Definición de la población inicial.
2. Evaluación de la función de fitness.
3. Selección de individuos.
4. Generación de descendencia.
5. Regreso al paso 2 hasta alcanzar la condición de parada.
En función de la naturaleza del problema se deberá elegir el tipo de algoritmo que más se
adecúe a la misma, pudiéndose utilizar valores binarios o reales para definir los cromosomas
de los individuos.
A continuación, se explicarán las definiciones importantes, de los algoritmos, relativas a la
elección de la población inicial, la función de fitness, el método de selección de individuos y
el modo de transferir la información genética de los individuos seleccionados a su
descendencia.
Población inicial.
El primer paso de los Algoritmos Genéticos es generar una población inicial de soluciones
sobre la cual empezar a aplicar los operadores genéticos. Esta población suele generarse
aleatoriamente, aunque en ocasiones se incluyen soluciones con algún material cromosómico
en particular. En general asegura una convergencia más rápida, pero se corre el riesgo de
perder diversidad en la población [42].
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 31
Un aspecto importante a considerar en esta etapa es que la población tenga la suficiente
diversidad, de modo que pueda explorar zonas más amplias del espacio de búsqueda. Así se
pueden obtener soluciones más cercanas al óptimo global y evitar la convergencia prematura.
Función de calidad (fitness).
La función de fitness es una función de coste que determina cómo de buenos son los
individuos de la población. La elección de esta función es uno de los puntos más críticos del
algoritmo genético, ya que se encarga de separar las soluciones buenas de las malas con una
distancia considerable (dicha distancia puede ser incluso exponencial).
Si se utiliza una analogía con la selección natural, que un individuo obtenga una buena
puntuación al ser evaluado por la función de fitness, significa que ese individuo está bien
adaptado para sobrevivir [42].
La función de fitness tiene que ser significativa, lo que implica representar con un solo valor
todas las aptitudes de los elementos pertenecientes a la población bajo estudio.
Métodos de selección.
El método de selección define cómo elegir la siguiente población de individuos en función
de sus aptitudes (las cuales han sido cuantificadas por la función de fitness). Los tres métodos
más comunes de selección son: selección proporcional, selección por rango y selección por
torneo [42].
Selección por rango.
La selección basada en el rango es la estrategia estocástica más sencilla que existe. Consiste
en clasificar a los individuos de la población según la puntación obtenida al ser evaluados
por la función de fitness. La selección de los individuos se llevará a cabo según su rango o
posición. El método por rango puede ser tanto lineal como exponencial. El método por rango
lineal fuerza una convergencia lenta y preserva la diversidad de la población durante un alto
número de iteraciones, y es útil cuando los requerimientos computacionales de la función de
fitness son bajos [42].
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 32
Selección proporcional.
Este método es el más popular en cuanto a estrategias de selección estocásticas. Se conoce
también como selección por rueda de ruleta. La implementación de este método consiste en
crear una ruleta donde la porción asignada a cada individuo es proporcional a la puntuación
asignada al mismo por la función de fitness. Una vez ha sido creada la ruleta, se hace girar
tantas veces como sea necesario hasta obtener los individuos cuyo material genético será
combinado para obtener la siguiente generación. La Figura 2.1 muestra un ejemplo de este
tipo de estrategia [42].
Figura 2.1. Método de selección proporcional o método de ruleta [43].
Selección por torneo.
En este método se toman dos elementos de la población de manera aleatoria, y después se
selecciona como ganador del torneo al que haya obtenido una mayor puntuación en la función
de fitness. Hay diferentes variantes de este método donde se pueden seleccionar más de dos
individuos, o seleccionar al mejor individuo con una probabilidad dada o seleccionar al otro
[42].
Elitismo
El elitismo no es realmente un método de selección, no obstante, puede ser utilizado
combinándolo con los métodos anteriores. El elitismo consiste en forzar la presencia del
mejor individuo en la siguiente generación, aun cuando ese individuo no haya sido
seleccionado por el método de selección [42].
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 33
Operadores genéticos.
A la hora de generar descendencia, se utilizan estos operadores para mezclar el material
genético de los padres. Los operadores genéticos básicos son cruce y mutación.
Cruce.
Es el operador genético más importante, ya que sin él no se podría hablar de algoritmos
genéticos propiamente dichos. Una vez han sido seleccionados los padres por alguno de los
métodos de selección, sus cromosomas deben mezclarse para producir descendientes,
utilizando para ello la operación de cruce. Existen múltiples técnicas para realizar esta
operación. Típicamente, para problemas discretos, se selecciona aleatoriamente una posición
en cada cromosoma (un gen) y, tomando ese punto como división, se separa cada uno en dos
partes, obteniendo dos nuevos cromosomas. En la Figura 2.2 se puede ver cómo se realiza
esta operación de cruce entre dos cromosomas [42].
Figura 2.2. Ejemplo de operación de cruce entre 2 cromosomas [42].
Este operador se aplica de acuerdo a una probabilidad denominada pcruce. Este parámetro
suele tomar valores que se encuentran normalmente alrededor de 0.8.
Mutación.
La mutación es el proceso por el cual, al igual que en la naturaleza, se produce una variación
aleatoria de genes en un cromosoma. Este mecanismo contribuye a la diversidad genética
de la especie. La operación de mutación se aplica con una probabilidad pmutacion muy
pequeña (normalmente menor que 0.01), y es una potente herramienta en el proceso de
optimización, ya que permite al algoritmo escapar de mínimos locales [44].
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 34
Los diferentes tipos de mutaciones existentes son:
Mutación uniforme: Modifica un valor del individuo con un valor obtenido aleatoriamente.
Mutación Gaussiana: Modifica un valor del individuo obteniendo el valor a través de un
método de obtención de números aleatorios por medio de Gaussianas.
Condición de parada.
Hay múltiples posibilidades para la elección de la condición de parada del algoritmo. La más
simple es fijar un número de iteraciones, aunque siempre es necesario comprobar la
convergencia del algoritmo. Otras técnicas más complejas tienen en cuenta esta
convergencia, la evolución de la solución en el tiempo, o el logro de ciertos objetivos [44].
En la Figura 2.3 se muestra un ejemplo genérico de condición de parada:
Figura 2.3 Condición de parada [44].
2.2.3 Principales características de los Algoritmos Genéticos.
Un algoritmo genético puede presentar diversas variaciones, dependiendo de cómo se aplican
los operadores genéticos (cruzamiento, mutación), de cómo se realiza la selección y de cómo
se decide el reemplazo de los individuos para formar la nueva población. En general, el
pseudocódigo consiste de los siguientes pasos:
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 35
Inicialización
Se genera aleatoriamente la población inicial, que está constituida por un conjunto de
cromosomas los cuales representan las posibles soluciones del problema. En caso de no
hacerlo aleatoriamente, es importante garantizar que dentro de la población inicial, se tenga
la diversidad estructural de estas soluciones para tener una representación de la mayor parte
de la población posible o al menos evitar la convergencia prematura [45].
Evaluación
A cada uno de los cromosomas de esta población se aplicará la función de aptitud para saber
cómo de "buena" es la solución que se está codificando [45].
Condición de término
El Algoritmos Genéticos se deberá detener cuando se alcance la solución óptima, pero esta
generalmente se desconoce, por lo que se deben utilizar otros criterios de detención.
Normalmente se usan dos criterios: correr el Algoritmos Genéticos un número máximo de
iteraciones (generaciones) o detenerlo cuando no haya cambios en la población. Mientras no
se cumpla la condición de término se hace lo siguiente:
Selección
Después de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que serán
cruzados en la siguiente generación. Los cromosomas con mejor aptitud tienen mayor
probabilidad de ser seleccionados [42], [45].
Recombinación o cruzamiento:
La recombinación es el principal operador genético, representa la reproducción sexual, opera
sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las
características de ambos cromosomas padres [42], [45].
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 36
Mutación
Modifica al azar parte del cromosoma de los individuos, y permite alcanzar zonas del espacio
de búsqueda que no estaban cubiertas por los individuos de la población actual [42], [45].
Reemplazo
Una vez aplicados los operadores genéticos, se seleccionan los mejores individuos para
conformar la población de la generación siguiente [42], [45].
Figura 2.4: Algoritmo genético i: inicialización, f(X): evaluación, ?: condición de término, Se:
selección, Cr: cruzamiento, Mu: mutación, Re: reemplazo, X*: mejor solución [46].
2.2.4 Ventajas, desventajas y limitaciones de los Algoritmos Genéticos.
Ventajas y desventajas:
No necesitan conocimientos específicos sobre el problema que intentan resolver.
Operan de forma simultánea con varias soluciones, en vez de trabajar de forma
secuencial como las técnicas tradicionales.
Cuando se usan para problemas de optimización maximizar una función objetivo-
resultan menos afectados por los máximos locales (falsas soluciones) que las técnicas
tradicionales.
Resultan sumamente fácil ejecutarlos en las modernas arquitecturas masivamente
paralelas.
Usan operadores probabilísticos, en vez de los típicos operadores determinísticos de
las otras técnicas.
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 37
Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en cierta
medida de los parámetros que se utilicen tamaño de la población, número de
generaciones, etc.
Pueden converger prematuramente debido a una serie de problemas de diversa índole
[47].
Limitaciones de los Algoritmos Genéticos
El poder de los Algoritmos Genéticos proviene del hecho de que se trata de una técnica
robusta, y pueden tratar con éxito una gran variedad de problemas provenientes de diferentes
áreas, incluyendo aquellos en los que otros métodos encuentran dificultades. Si bien no se
garantiza que el Algoritmo Genético encuentre la solución óptima, del problema, existe
evidencia empírica de que se encuentran soluciones de un nivel aceptable, en un tiempo
competitivo con el resto de algoritmos de optimización combinatoria. En el caso de que
existan técnicas especializadas para resolver un determinado problema, lo más probable es
que superen al Algoritmo Genético, tanto en rapidez como en eficacia. El gran campo de
aplicación de los Algoritmos Genéticos se relaciona con aquellos problemas para los cuales
no existen técnicas especializadas. Incluso en el caso en que dichas técnicas existan, y
funcionen bien, pueden efectuarse mejoras de las mismas hibridándolas con los Algoritmos
Genéticos [47].
2.2.5 Algunas aplicaciones de los Algoritmos Genéticos.
Optimización: Se trata de un campo especialmente abonado para el uso de los
Algoritmos Genéticos, por las características intrínsecas de estos problemas. No en
vano fueron la fuente de inspiración para los creadores estos algoritmos. Los
Algoritmos Genéticos se han utilizado en numerosas tareas de optimización,
incluyendo la optimización numérica, y los problemas de optimización combinatoria.
Programación automática: Los Algoritmos Genéticos se han empleado para
desarrollar programas para tareas específicas, y para diseñar otras estructuras
computacionales tales como el autómata celular, y las redes de clasificación.
Aprendizaje máquina: Los algoritmos genéticos se han utilizado también en muchas
de estas aplicaciones, tales como la predicción del tiempo o la estructura de una
proteína. Han servido asimismo para desarrollar determinados aspectos de sistemas
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 38
particulares de aprendizaje, como pueda ser el de los pesos en una red neuronal, las
reglas para sistemas de clasificación de aprendizaje o sistemas de producción
simbólica, y los sensores para robots.
Economía: En este caso, se ha hecho uso de estos Algoritmos para modelar procesos
de innovación, el desarrollo estrategias de puja, y la aparición de mercados
económicos.
Sistemas inmunes: A la hora de modelar varios aspectos de los sistemas inmunes
naturales, incluyendo la mutación somática durante la vida de un individuo y el
descubrimiento de familias de genes múltiples en tiempo evolutivo, ha resultado útil
el empleo de esta técnica.
Ecología: En la modelización de fenómenos ecológicos tales como las carreras de
armamento biológico, la coevolución de parásito-huésped, la simbiosis, y el flujo de
recursos.
Genética de poblaciones: En el estudio de preguntas del tipo “¿Bajo qué condiciones
será viable evolutivamente un gen para la recombinación?”
Evolución y aprendizaje: Los Algoritmos Genéticos se han utilizado en el estudio de
las relaciones entre el aprendizaje individual y la evolución de la especie.
Sistemas sociales: En el estudio de aspectos evolutivos de los sistemas sociales, tales
como la evolución del comportamiento social en colonias de insectos, y la evolución
de la cooperación y la comunicación en sistemas multi-agentes [47].
Aunque esta lista no es, en modo alguno, exhaustiva, sí transmite la idea de la variedad de
aplicaciones que tienen los Algoritmos Genéticos. Gracias al éxito en estas y otras áreas, los
Algoritmos Genéticos han llegado a ser un campo puntero en la investigación actual.
2.3 Algoritmos Genéticos aplicados a la optimización de antenas Uda-Yagi.
En los últimos treinta años, gracias al avance de los computadores y de las técnicas numéricas
se han producido mejoras significativas en los parámetros de desempeño de las antenas,
debido a que se han podido implementar dichos métodos para estructuras muy complejas. En
la actualidad existen diversos programas de análisis de antenas basados en estos métodos, los
cuales han contribuido al avance de las telecomunicaciones [48], [49].
CAPÍTULO 2. Algoritmos Genéticos. Materiales y herramientas utilizadas en la fabricación de los
prototipos de antena Uda-Yagi 39
En el diseño y síntesis de antenas, el objetivo es encontrar una estructura radiante que tenga
el mejor criterio de desempeño, dependiendo de la aplicación deseada. Usualmente estos
criterios incluyen ganancia, máximo nivel de lóbulos, ancho de banda, impedancia de entrada
y tamaño físico. Para las estructuras más simples de antenas, hay un número de variables de
diseño que afectan el desempeño de las mismas. Debido a los efectos de acoplamiento entre
sus diversas estructuras, a menudo es difícil encontrar buenas soluciones iniciales en el
diseño de una antena. Para tales problemas, un algoritmo genético puede encontrar una
solución global que satisfaga especificaciones de diseño sintetizadas en una función objetivo
[50].
2.4 Materiales y herramientas usadas en la fabricación de los prototipos de antena
Uda-Yagi.
Para la fabricación de los prototipos se utilizaron algunos materiales y herramientas entre los
que se encuentran las varillas de aluminio con diámetro de 10mm para los elementos de las
antenas, coaxial de 75Ω, acrílico para aislar el dipolo recto del boom, entre otros. En la Figura
2.5 que se muestra a continuación se aprecian las herramientas utilizadas para la fabricación
de los prototipos de antenas Uda-Yagi.
Figura 2.5. Herramientas utilizadas en la fabricación de los prototipos de antena Uda-Yagi. Fuente
de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
40
CAPÍTULO 3. Simulación, mediciones reales y análisis de los resultados
obtenidos de los prototipos de antena Uda-Yagi.
En este capítulo se analizará el diseño de la antena Uda-Yagi de 5 elementos tanto por el
método NBS como por la optimización mediante algoritmos genéticos con el uso de los
softwares CST Microwave Studio 2018 y Matlab 2015. Además se realizarán ambos
prototipos y se procederá a la medición de los mismos para compararlos y arribar así a
conclusiones sobre el uso de los algoritmos genéticos en antenas para la recepción de la
televisión digital.
3.1 Modelado y simulación de la antena Uda-Yagi de 5 elementos para UHF.
Al estar definidas las dimensiones anteriores metódicamente empíricas de la antena Uda-
Yagi para el canal 32 se realiza el diseño en CST y se establece la alimentación de la antena
empleando un puerto discreto de 75 Ω, ya que dicho valor es característico para este tipo de
antena con dipolo recto, así como, la disposición del boom de la antena a lo largo del eje x
que proporciona polarización horizontal, luego se procede a la simulación del diseño como
se muestra en la Figura 3.1. Esta antena debe poseer un ancho de banda de 6 MHz
comprendido entre las frecuencias 578 y 584 MHz para una ROE<2.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
41
Figura 3.1. Diseño de la antena Uda-Yagi de 5 elementos en CST. Fuente de elaboración propia.
3.1.1 Resultados de la simulación mediante el método NBS.
A continuación, se mostrarán los resultados de las simulaciones fundamentales de la antena
optimizada utilizando el Método de Diseño NBS. Mediante la observación de la Figura 3.2
se puede apreciar como hay un corrimiento en frecuencia en la curva que representa las
pérdidas por retorno de tal manera que no se logra la sintonía deseada para el canal 32 cuya
frecuencia central es 581MHz.
Figura 3.2. Parámetros S11 de la antena diseñada mediante el Método NBS. Fuente de elaboración
propia.
La Figura 3.3 muestra la razón de onda estacionaria (ROE) o lo que es lo mismo (VSWR)
para la antena Uda-Yagi. Se considera un buen valor cuando el nivel de discrepancia no es
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
42
muy alto considerando que para un buen desempeño la ROE < 2. En este caso la ROE = 6.94
evidenciando un mal desempeño debido a que el nivel de discrepancia es mayor que 2.
Figura 3.3. Comportamiento de la ROE. Fuente de elaboración propia.
En la Figura 3.4 se muestra el patrón de radiación en 3D con la directividad, eficiencia y
ganancia de la antena simulada. Se obtiene una mayor ganancia a una frecuencia donde las
pérdidas por retorno son menores, en este caso sería por debajo de los -10 dB.
Figura 3.4. Patrón de radiación de la antena diseñada mediante el Método NBS. Fuente propia.
3.1.2 Optimización y análisis en la banda de UHF mediante Algoritmos Genéticos.
A continuación, se mostrarán los pasos fundamentales para optimizar la antena Uda-Yagi
utilizando los algoritmos genéticos con ayuda de CST y Matlab:
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
43
Primeramente, se implementa el código en Matlab especificando a la frecuencia central a la
que debe resonar la antena.
Los Algoritmos Genéticos mediante Matlab en un primer momento crean el fichero
“poblacion1.txt” con valores aleatorios de las longitudes de los elementos de la antena según
los límites definidos, luego, con los valores de los parámetros S11 que se exportan desde el
CST en el fichero “s.txt”, el Matlab mediante los algoritmos genéticos va a ir optimizando
las longitudes de los elementos de la antena para que su sintonía se acerque poco a poco a la
frecuencia esperada (581MHz), dichos valores el Matlab los almacena en el fichero
“poblacion1.txt” para que se repita el mismo procedimiento hasta que se logre la sintonía.
Aclarar que mientras más elementos tenga la antena mayor cantidad de simulaciones se
necesitarán para lograr una excelente sintonía.
En CST Microwave Studio después de diseñada la antena se realiza una barrida paramétrica
con la herramienta Simulation/Parameters Sweeps donde se le introduce el fichero .txt
exportado por Matlab, CST se encarga posteriormente de realizar las simulaciones con las
respectivas curvas que pertenecen a cada iteración, y se pueden apreciar en la Figura 3.5
siguiente:
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
44
Figura 3.5. Secuencias importadas para la realización del barrido paramétrico. Fuente de
elaboración propia.
Después de terminada las simulaciones se va a la herramienta Post Procesing/Templates
Results y se exporta en código ASCII los parámetros S11 optimizados. Se borran los resultados
guardados en CST de la simulación y se accede de nuevo desde Matlab pero tomando los
parámetros S11 dados por CST mediante la simulación y los que van a garantizar que a partir
de los mismos se cree una nueva generación que va a proporcionarles características óptimas
a la antena y seguidamente se realiza un ciclo con los pasos mencionados anteriormente hasta
llegar a los parámetros requeridos, ello demuestra el ciclo fundamental que debe llevar a cabo
un algoritmo genético: el cual es poner la condición de parada, realizar una selección de los
valores más adecuados y con mejor material genético para satisfacer el problema, tomar
dichos valores realizar un cruce donde se toman sus mejores características y después realizar
una mutación donde los valores que descienden de los nombrados van a garantizar una mejor
generación que va a aportarle mejores características y mayor eficiencia a lo que se esté
optimizando, en este caso la antena Uda-Yagi para el canal 32 según la norma de TDT.
A continuación, se muestran los resultados de las diferentes generaciones de las curvas que
representan las pérdidas por retorno en las simulaciones realizadas mediante los algoritmos
genéticos como se muestra en las Figuras 3.6, 3.7, 3.8, 3.9, 3.10, 3.11, 3.12, 3.13, 3.14, 3.15,
3.16, 3.17, 3.18, 3.19, 3.20, 3.21, 3.22.
Figura 3.6. Generación Padre. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
45
Figura 3.7. Primera Generación. Fuente de elaboración propia.
Figura 3.8. Segunda Generación. Fuente de elaboración propia.
Figura 3.9. Tercera Generación. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
46
Figura 3.10. Cuarta Generación. Fuente de elaboración propia.
Figura 3.11. Quinta Generación. Fuente de elaboración propia.
Figura 3.12. Sexta Generación. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
47
Figura 3.13. Séptima Generación. Fuente de elaboración propia.
Figura 3.14. Octava Generación. Fuente de elaboración propia.
Figura 3.15. Novena Generación. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
48
Figura 3.16. Décima Generación. Fuente de elaboración propia.
Figura 3.17. Décimo Primera Generación. Fuente de elaboración propia.
Figura 3.18. Décimo Segunda Generación. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
49
Figura 3.19. Décimo Tercera Generación. Fuente de elaboración propia.
Figura 3.20. Décimo Cuarta Generación. Fuente de elaboración propia.
Figura 3.21. Décimo Quinta Generación. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
50
Figura 3.22. Décimo Sexta Generación. Fuente de elaboración propia.
Es importante evidenciar la mejor calidad de los parámetros fundamentales de la antena y
realizar una comparación demostrativa mediante las siguientes imágenes, tomando en cuenta
los resultados de la generación óptima, en este caso, los de la décimo sexta generación que
se mostrarán a continuación en la Figura 3.23.
Figura 3.23. Sintonía para el canal 32 de las curvas de las pérdidas por retorno en la décimo sexta
generación. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
51
Figura 3.24. Patrón de radiación de la antena optimizada por Algoritmos Genéticos. Fuente
de elaboración propia.
Figura 3.25. Comportamiento de la ROE. Fuente de elaboración propia.
A continuación, se muestran los resultados de las simulaciones de la impedancia en el punto
de alimentación en la Figura 3.26 y el patrón de radiación en los planos E y H en la Figura
3.27.
Figura 3.26. Impedancia en el punto de alimentación. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
52
(a) (b)
Figura 3.27. Patrón de radiación: (a) Plano E y (b) Plano H. Fuente de elaboración propia.
3.2 Equipamiento usado en las mediciones.
Equipamiento utilizado.
Para las pruebas de las antenas se utilizaron los siguientes equipos:
Analizador de Espectro DSA-8853T con las siguientes especificaciones:
Margen de Amplitud de -130 dBm hasta +30 dBm.
Resolución desde 1 KHz hasta 3 MHz.
Precisión de ancho de banda ˂ ± 10%.
Ganancia del preamplificador de amplitud interno 15 dB.
Entrada RF 50/75 Ohm.
Selección de canales por frecuencia o por canal.
Modo multicanal hasta 8 canales.
Salida de video VGA.
Rango de sintonía CATV de 5 MHz a 3000 MHz.
Resolución de pantalla de 640 x 480 píxeles.
Teclado para ajustes de frecuencia precisos y reproductibles.
Oscilador de referencia compensado en temperatura y de alta estabilidad.
Puerto USB 1.1 y RS-232.
Se empleó cable coaxial RG-6 de 50Ω.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
53
Un Puente de Mediciones de Pérdidas por Retorno RLB150N5A con un rango de
frecuencia de 5-3000 MHz.
Adaptador de Impedancia de 75Ω a 50Ω con una atenuación de 5.7 dB.
En la Figura 3.28 se muestra el Analizador de Espectro DSA-8853T y el Puente de
Mediciones de Pérdidas por Retorno RLB150N5A, parte del equipamiento utilizado para
realizar las mediciones de los prototipos de antena Uda-Yagi.
Figura 3.28. Analizador de Espectro DSA-8853T y Puente de Mediciones de Pérdidas por
Retorno RLB150N5A. Fuente de elaboración propia.
3.3 Prototipo de antena Uda-Yagi por el método NBS.
En la Figura 3.29 se muestra el prototipo de antena Uda-Yagi diseñado por el método NBS:
Figura 3.29. Prototipo de antena Uda-Yagi diseñado por el método NBS. Fuente de elaboración
propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
54
3.3.1 Resultados obtenidos en el Analizador de Espectro DSA-8853T.
A continuación, se muestra en la Figura 3.30 el ancho de banda del canal 32 medido con el
Analizador de Espectro DSA-8853T en el prototipo diseñado por el método NBS.
Figura 3.30. Ancho de banda del canal 32. Fuente de elaboración propia.
En la Figura 3.31 se muestran las pérdidas por retorno de la antena diseñada mediante el
Método NBS, donde se puede apreciar el corrimiento en frecuencia en la curva que representa
las pérdidas por retorno de tal manera que no se logra la sintonía deseada para el canal 32,
coincidiendo así con la simulación realizada en el CST.
Figura 3.31. Curva que representa las pérdidas por retorno de la antena diseñada mediante el
Método NBS. Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
55
En la Figura 3.32 se muestran las constelaciones de la modulación 64QAM donde la
probabilidad de error de bit tiene un valor de 0.0043 y la potencia del canal es de -32.96 dBm.
Figura 3.32. Medición de calidad del canal 32 realizada por el Analizador de Espectro DSA-8853T.
Fuente de elaboración propia.
3.4 Prototipo de antena Uda-Yagi optimizada mediante Algoritmos Genéticos.
En la Figura 3.33 se muestra el prototipo de antena Uda-Yagi diseñado mediante Algoritmos
Genéticos:
Figura 3.33. Prototipo de antena Uda-Yagi diseñado mediante Algoritmos Genéticos. Fuente de
elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
56
3.4.1 Resultados obtenidos en el Analizador de Espectro DSA-8853T.
A continuación, se muestra en la Figura 3.34 el ancho de banda del canal 32 medido con el
Analizador de Espectro DSA-8853T en el prototipo diseñado mediante Algoritmos
Genéticos.
Figura 3.34. Ancho de banda del canal 32. Fuente de elaboración propia.
En la Figura 3.35 se muestran las pérdidas por retorno de la antena diseñada mediante
Algoritmos Genéticos, donde se puede apreciar la sintonía casi perfecta para el canal 32,
coincidiendo así con la simulación realizada en el CST.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
57
Figura 3.35. Curva que representa las pérdidas por retorno de la antena diseñada mediante
algoritmos Genéticos. Fuente de elaboración propia.
En la Figura 3.36 se muestran las constelaciones de la modulación 64QAM donde la
probabilidad de error de bit tiene un valor de 0.000000001 y la potencia del canal es de -
29.55 dBm.
Figura 3.36. Medición de calidad del canal 32 realizada por el Analizador de Espectro DSA-8853T.
Fuente de elaboración propia.
Capítulo 3. Simulación, mediciones reales y análisis de los resultados obtenidos de los prototipos de
antena Uda-Yagi
58
3.5 Análisis económico.
El costo económico, luego de fabricar los prototipos de antena Uda-Yagi, se centra
principalmente en el valor monetario de los conectores y el cable coaxial; se compraron 2
conectores por un precio de 0.35CUC la unidad para un total de 0.70CUC, 6 metros de cable
coaxial por un precio de 0.50CUC/m para un total de 3CUC. Los demás componentes o
materiales de las antenas no presentan un valor monetario apreciable ya que son en este caso
materiales reciclados. Por lo tanto el costo total de la fabricación de los dos prototipos de
antena Uda-Yagi fue de 3.50CUC.
3.6 Conclusiones del capítulo.
En este capítulo se realizaron las simulaciones y mediciones reales para el diseño por el
método NBS de la antena Uda-Yagi y se compararon los valores obtenidos con el diseño
mediante algoritmos genéticos donde se demostró la gran eficiencia de los mismos según los
márgenes establecidos, también se realizó un análisis económico.
CONCLUSIONES Y RECOMENDACIONES
59
CONCLUSIONES Y RECOMENDACIONES
Conclusiones
Con los resultados obtenidos mediante la realización del presente trabajo de diploma se puede
llegar a las siguientes conclusiones
1 Los principales parámetros que se tuvieron en cuenta para el análisis de las antenas
fueron: pérdidas por retorno, ROE, impedancia del punto de alimentación y ganancia.
Las antenas exteriores más utilizadas para la recepción de televisión digital terrestre
son: Uda-Yagi, log-periódica y la de tipo panel.
2 Los Algoritmos Genéticos son métodos de búsqueda estocásticos, basados en
principios y conceptos de evolución natural y evolución genética de los seres vivos. El
empleo del software CST Microwave Studio 2018 y Matlab 2015 facilitan el análisis
de los modelos diseñados.
3 Se demuestra que los algoritmos genéticos como técnica de optimización han llegado
a ajustar la longitud de los elementos de la antena y la separación entre ellos, llegando
a cumplir con los requerimientos de diseño en cuanto a impedancia de entrada,
ganancia, coeficiente de radiación trasera y ROE. Mediante las mediciones reales se
validaron los resultados obtenidos en las simulaciones demostrándose la gran
aplicabilidad y eficiencia de los Algoritmos Genéticos en la optimización de antenas
Uda-Yagi.
4 Con la optimización basada en los Algoritmos Genéticos se logra diseñar un prototipo
de antena Uda-Yagi con una sintonía favorable para el canal 32, una razón de onda
estacionaria de 1.49 aproximadamente, una impedancia de 74.77Ω que se acerca a la
teórica del dipolo recto y una ganancia de 10.2 dB; todos estos resultados son mejores
a los alcanzados por el diseño mediante el método NBS.
CONCLUSIONES Y RECOMENDACIONES
60
Recomendaciones
1 Utilizar el diseño propuesto de antena Uda-Yagi tanto en VHF como UHF con el
objetivo de lograr la correcta recepción de la señal digital pero con la menor cantidad
de materia prima posible para disminuir inversiones en la Empresa de Antenas de Villa
Clara.
2 Utilizar los Algoritmos Genéticos para diseñar otros modelos de antenas que presenten
características óptimas en su papel para contribuir al desarrollo de la Televisión Digital
Terresrte.
REFERENCIAS BIBLIOGRÁFICAS 61
REFERENCIAS BIBLIOGRÁFICAS
[1] G. Alcalá y C. Eduardo, «Diseño de antenas activas exteriores para la televisión digital
en Cuba.», Universidad Central Marta Abreu de Las Villas, Santa Clara, 2016.
[2] Y. García Galindo, «Diseño de antenas activas interiores para la televisión digital en
Cuba.», Universidad Central Marta Abreu de Las Villas, Santa Clara, 2015.
[3] B. R. V. Cuzco, «Revisión de Conceptos Básicos de Antenas y Propagación Quito –
Ecuador», 2008.
[4] Á. Cardama, L. Jofre, J. M. Rius, J. Romeu, S. Blanch, y M. Ferrando, «Antenas»,
Edicions Univ. Politècnica Catalunya, 2002.
[5] R. J. Hernández, Fundamentos de la Ingeniería Electromagnética., vol. XVIII, XXVI
vols. Santa Clara: Editorial «Samuel Feijoo», 2011.
[6] J. D. Kraus y R. J. Marhefka, Antennas for all Applications, 3.a ed. Nueva York: John
Wiley & Sons, 2002.
[7] Á. C. Aznar, J. R. Robert, J. M. R. Casals, L. J. Roca, S. B. Boris, y M. F. Bataller,
Antenas. Univ. Politèc. de Catalunya, 2004.
[8] W. L. Stutzman y G. A. Thiele, Antenna Theory and Design. John Wiley & Sons, 2012.
[9] P. E. Mayes, Antenna Handbook. United States of America: International Thomson
Publishing, 1993.
[10] K. F. Lee, Principles of antenna theory. 1984.
[11] E. C. Jordan y K. G. Balmain, Ondas electromagnéticas y sistemas radiantes.
Paraninfo, 1973.
[12] A. G. Domínguez, Cálculo de Antenas: Antenas de última generación para
teconlogía digital y métodos de medición., 4.a ed. Marcombo, 2010.
[13] R. E. Collin, Antennas and radiowave propagation. New York, NY: McGraw-Hill,
1985.
[14] E. C. Yglesias, «Método de diseño para las características de impedancia y radiación
de antenas log-periódicas de dipolos en V (LPDV)», Universidad Central “Marta
Abreu” de Las Villas, Santa Clara, 2013.
[15] R. Neri-Vela, L. A. Valiente-Montaño, y V. Hernández-Solís, «Comparación de la
ganancia y otros parámetros de operación de antenas Yagi alimentadas con un dipolo
recto o con un dipolo doblado», Ing. Investig. Tecnol., vol. 7, n.o 2, pp. 121-138, jun.
2006.
[16] T. E. Cordoví Rodríguez, «Propuestas de antenas para la recepción de la televisión
digital terrestre en Cuba.», Maestría, Universidad Central “Marta Abreu” de Las Villas,
Santa Clara, 2016.
REFERENCIAS BIBLIOGRÁFICAS 62
[17] M. Miñana y B. Vicent, «Diseño y caracterización de una antena plana conformada
para recepción de TDT», nov. 2011.
[18] W. H. Emerson y H. B. Sefton, «An improved design for indoor ranges», Proc. IEEE,
vol. 53, n.o 8, pp. 1079-1081, ago. 1965.
[19] H. Yagi, «Beam Transmission of Ultra Short Waves», Proc. Inst. Radio Eng., vol. 16,
n.o 6, pp. 715-740, jun. 1928.
[20] C. A. Balanis, Antenna Theory: Analysis and Design. John Wiley & Sons, 2016.
[21] U. Singh, H. Kumar, y T. Kamal, «Design of Yagi-Uda Antenna Using Biogeography
Based Optimization», Antennas Propag. IEEE Trans. On, vol. 58, pp. 3375-3379, nov.
2010.
[22] W. L. Weeks, Antenna engineering. New York: McGraw-Hill, 1968.
[23] P. P. Viezbicke, «Yagi antenna design», dic. 1976.
[24] T. de Andrés Argente, «Homo cybersapiens : la inteligencia artificial y la humana / T.
de Andrés Argente.», jun. 2019.
[25] A. García, INTELIGENCIA ARTIFICIAL. Fundamentos, práctica y aplicaciones. RC
Libros, 2012.
[26] J. G. C. Rangel, A. S. F. Fuentes, y J. E. R. Fernández, «La inteligencia artificial y
sus contribuciones a la física médica y la bioingeniería», Mundo FESC, vol. 5, n.o 9, pp.
60-63, dic. 2015.
[27] B. L. Takeyas, «Introducción a la Inteligencia Artificial.», 2007.
[28] B. J. Copeland, «The Turing Test*», Minds Mach., vol. 10, n.o 4, pp. 519-539, nov.
2000.
[29] C. Teuscher, Alan Turing: Life and Legacy of a Great Thinker. Springer Science &
Business Media, 2013.
[30] M. Gatepaille y A.-S. Baumann, Máquinas y robots. SM, 1996.
[31] E. Perez, «INTELIGENCIA ARTIFICIAL Y COMPUTACIÓN AVANZADA».
[32] B. Mark y D. Gordana, Information And Computation: Essays On Scientific And
Philosophical Understanding Of Foundations Of Information And Computation. World
Scientific, 2011.
[33] C. S. Barry y S. Andrea, Computability In Context: Computation And Logic In The
Real World. World Scientific, 2011.
[34] J. H. Holland, P. of P. and of E. E. and C. S. J. H. Holland, y S. L. in H. R. M.
Holland, Adaptation in Natural and Artificial Systems: An Introductory Analysis with
Applications to Biology, Control, and Artificial Intelligence. MIT Press, 1992.
[35] M. I. A. Galipienso, M. A. C. Quevedo, O. C. Pardo, F. E. Ruiz, y M. A. L. Ortega,
Inteligencia artificial: modelos, técnicas y áreas de aplicación. Editorial Paraninfo,
2003.
[36] S. J. Russell y P. Norvig, Artificial intelligence : a modern approach. México Pearson
Prentice Hall200xviii.
[37] J. T. P. Méndez y R. M. Morales, Inteligencia artificial: métodos, técnicas y
aplicaciones. McGraw-Hill, 2008.
[38] T. M. Mitchell, Machine Learning. McGraw-Hill, 1997.
[39] E. M. T. Ocampo, Y. S. R. Grisales, y M. G. Echeverri, «Algoritmo genetico
modificado aplicado al problema de secuenciamiento de tareas en sistemas de
produccion lineal – flow shop», Sci. Tech., vol. 1, n.o 30, ene. 2006.
[40] J. HOLLAND, «Adaptation in natural and artificial systems : an introductory analysis
with application to biology», Control Artif. Intell., 1975.
REFERENCIAS BIBLIOGRÁFICAS 63
[41] J. R. Koza y J. R. Koza, Genetic Programming: On the Programming of Computers
by Means of Natural Selection. MIT Press, 1992.
[42] D. E. Goldberg, The Design of Innovation: Lessons from and for Competent Genetic
Algorithms. Springer US, 2002.
[43] J. Arranz de la Peña y A. Parra Truyol, «Algoritmos Genéticos.», Univ. Carlos III.
[44] M. Gestal, D. Rivero, J. R. Rabuñal, J. Dorado, y A. Pazos, Introducción a los
Algoritmos Genéticos y la Programación Genética. A Coruña: Universidade da
Coruña, 2010.
[45] F. G. Guimares, D. A. Lowther, y J. A. Ramirez, «Analysis of the Computational
Cost of Approximation-Based Hybrid Evolutionary Algorithms in Electromagnetic
Design», IEEE Trans. Magn., vol. 44, n.o 6, pp. 1130-1133, jun. 2008.
[46] R. R. Bies, M. F. Muldoon, B. G. Pollock, S. Manuck, G. Smith, y M. E. Sale, «A
Genetic Algorithm-Based, Hybrid Machine Learning Approach to Model Selection», J.
Pharmacokinet. Pharmacodyn., vol. 33, n.o 2, pp. 195-221, abr. 2006.
[47] K. Deb, A. Pratap, S. Agarwal, y T. Meyarivan, «A Fast and Elitist Multiobjective
Genetic Algorithm: NSGA-II», Trans Evol Comp, vol. 6, n.o 2, pp. 182–197, abr. 2002.
[48] E. C. De La Asunción López, E. E. Zurek Varela, L. A. Ripoll Solano, y J. E.
Hernández Cantillo, «Genetic algorithms applied to Yagi-Uda antenna optimization»,
Rev. Ing. Univ. Medellín, vol. 8, n.o 15, pp. 105-114, jul. 2009.
[49] R. M. Ramos, R. R. Saldanha, R. H. C. Takahashi, y F. J. S. Moreira, «The real-
biased multiobjective genetic algorithm and its application to the design of wire
antennas», IEEE Trans. Magn., vol. 39, n.o 3, pp. 1329-1332, may 2003.
[50] C. I. P. Rueda y R. B. Millar, «Diseño Óptimo De Antenas Yagui-Uda», Rev. Ing.,
vol. 0, n.o 15, pp. 10-17-17, 2002.
ANEXOS 64
ANEXOS
Anexo 1: Mástil giratorio con una escala graduada en su base
Anexo 2: Zonas de coberturas del transmisor DTMB de canal 32 de HD de Santa
Clara.
ANEXOS 65
Anexo 3: Nivel de calidad e intensidad de la señal del canal 32 usando la antena
Uda-Yagi por el método NBS.
Anexo 4: Nivel de calidad e intensidad de la señal del canal 32 usando la antena
Uda-Yagi mediante Algoritmo Genético.
ANEXOS 66
Anexo 5: Televisor Híbrido marca ATEC modelo 32L14D-A.