Comparación de diferentes algoritmos metaheurísticos en la estimación de parámetros del modelo relacional general de cromatografía líquida en columna Translated title: Comparison between different metaheuristic algorithms in parameter estimation of the general relational model of column liquid chromatography

Abstract

La optimización, el escalamiento y la estimación de parámetros son problemas inversos que aparecen en muchos procesos biotecnológicos. En la solución de los problemas inversos se han utilizado diferentes técnicas, entre ellas los algoritmos metaheurísticos. Estos algoritmos buscan y encuentran de manera eficiente buenas soluciones a un determinado problema, con un costo computacional razonable. En este trabajo se aplican cuatro algoritmos metaheurísticos bien conocidos (Algoritmo Genético, Evolución Diferencial, Optimización por Colonia de Hormigas y Optimización por Enjambre de Partículas) al problema de estimar parámetros en el proceso de cromatografía líquida en columna. Se analiza la efectividad de cada método, realizando una comparación basada en diferentes criterios estadísticos. El procedimiento utilizado permite obtener valores cercanos a los parámetros reales, con un buen ajuste de las curvas generadas por el modelo a los datos experimentales. El algoritmo que obtiene mejores resultados es Evolución Diferencial.

Translated abstract

Optimization, scaling and parameter estimation are inverse problems that appear in many biotechnological processes. In the solution of inverse problems, different techniques such as metaheuristics algorithms, have been used. These algorithms efficiently search for and find good solutions to a problem with a reasonable computational cost. In this pape, four well-known metaheuristic algorithms (Genetic Algorithm, Differential Evolution, Ant Colony Optimization and Particle Swarm Optimization) are applied to the problem of parameter estimation in the liquid chromatography separation process. The effectiveness of each method is analyzed and performance comparison based on different statistical criteria is made. The procedure allows to obtain estimated values close to the real parameters, with a good fit of the curves generated by the model to syntetically generated experimental data. The algorithm that performs better is Differential Evolution.