La investigación sobre la optimización de sistemas energéticos (SE), se ha asentuado ultimamente en las metodologías de resolución para obtener buenos diseños por encima de la formulación de modelos cercanos a la realidad, debido a que la complejidad de los modelos reales requieren de un gran esfuerzo computacional y matemático. Por lo tanto, el diseño de SE se ha enfocado fundamentalmente en establecer puntos óptimos de las variables internas en condiciones ideales y para ello, las herramientas matemáticas clásicas han desempeñado un papel esencial; a medida que se involucran nuevas variables en el sistema, estas herramientas carecen de recursos para resolver el problema y se hace necesario implementar recursos computacionales heurísticos como los algortimos evolutivos o lógica difusa para obtener aproximaciones válidas. La implementacion de algoritmos genéticos (AG), como metodo computacional ha sido una salida clave para que se pueda tener informacion valiosa en los diseños de los sistemas de energia. La versatilidad de los AG, hace que estos no solo sean capaces de evaluar puntos óptimos de las variables internas del SE, sino que permiten adicionar variables externas con el fin de correlacionar información al modelo sobre las repercusiones al medio ambiente, teniendo en cuenta los intereses del evaluador o tomador de decisiones. Los intereses del evaluador pueden ser múltiples, por lo tanto se puede tener un modelo de sistema multiobjetivo (MO). Sin embargo, las soluciones presentadas por los AG son aproximaciones susceptibles de mejorar con un algoritmo de rectificación, el cual es una aproximación de los metodos numéricos computacionales tales como runge-kutta. La rectificación muestra mejoramientos de un orden por debajo del 5%, pero a nivel energético es un logro importante debido a que se reducen los recursos por combustible.
Abstract. Research on optimization of energy systems (ES), has focused lately on the resolution methods to obtain good designs over the formulation of models close to reality, because the complexity of real models require a great mathematical and computational effort. Therefore, the ES design has focused primarily on establishing optimal points of internal variables in ideal conditions and for this, the classical mathematical tools have played an essential role, as they involve new variables in the system, these tools lack the resources to solve the problem and computational resources necessary to implement heuristics like evolutionary algorithms and fuzzy logic to obtain valid approaches. The implementation of genetic algorithms (GA) as a computational method has been a key output that can be valuable information in the design of energy systems. The versatility of the GA makes these not only be able to determine optimal points of the internal variables of the ES, but allow to add external variables in order to correlate information to model the impact on the environment, taking into account the interests the assessor or decision maker. The interests of the evaluator may be multiple, so you can have a system model multiobjective (MO). However, the solutions presented by the GA are approximations that might improve with a correction algorithm, which is an approximation of the numerical computational methods such as Runge-Kutta. The correction shows improvements of an order below 5%, but energy level is an important achievement because it reduces fuel resources
