Ponente
Descripción
La síntesis dimensional de mecanismos es fundamental en el diseño de sistemas mecánicos que requieren seguimiento preciso de trayectorias, con aplicaciones en robótica, automatización industrial y biomecánica. Este proceso busca optimizar parámetros geométricos (longitudes de eslabones, posiciones articulares) para cumplir especificaciones de movimiento, pero enfrenta desafíos computacionales en mecanismos complejos debido a la alta dimensionalidad y multimodalidad del espacio de búsqueda. Dos enfoques destacados para abordar este problema son la Evolución Diferencial (DE) y las Redes Neuronales Convolucionales (CNN). La DE, un algoritmo heurístico inspirado en la evolución biológica, es robusta en optimización no lineal y no derivable, aunque puede quedar atrapada en óptimos locales. Por otro lado, las CNN, ampliamente usadas en aprendizaje profundo, ofrecen capacidad de generalización para predecir parámetros óptimos a partir de datos históricos o simulaciones, pero requieren grandes volúmenes de datos y ajuste fino de hiperparámetros. Estudios recientes exploran la complementariedad de ambos métodos, proponiendo híbridos que combinan la exploración global de la DE con la capacidad predictiva de las CNN. Esta revisión discute las ventajas, limitaciones y escenarios de aplicación de cada enfoque, destacando tendencias emergentes en la síntesis dimensional de mecanismos.
