Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "A R\u00edos, EE Hern\u00e1ndez, SI Valdez", 
2
  "author": "A R\u00edos, EE Hern\u00e1ndez, SI Valdez", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "Publicaci\u00f3n", 
7
      "key": "Publicaci\u00f3n", 
            
8
      "value": "Revista"
8
      "value": "Revista"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "Tipo", 
11
      "key": "Tipo", 
            
12
      "value": "Publicaci\u00f3n"
12
      "value": "Publicaci\u00f3n"
            
13
    }
13
    }
            
14
  ], 
14
  ], 
            
15
  "groups": [
15
  "groups": [
            
16
    {
16
    {
            
17
      "description": "Este grupo integra las publicaciones 
17
      "description": "Este grupo integra las publicaciones 
            
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
20
presentados en congresos nacionales e internacionales, manuscritos en 
20
presentados en congresos nacionales e internacionales, manuscritos en 
            
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
26
      "display_name": "Publicaciones", 
26
      "display_name": "Publicaciones", 
            
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
28
      "image_display_url": "", 
28
      "image_display_url": "", 
            
29
      "name": "publicaciones", 
29
      "name": "publicaciones", 
            
30
      "title": "Publicaciones"
30
      "title": "Publicaciones"
            
31
    }
31
    }
            
32
  ], 
32
  ], 
            
33
  "id": "5afd5248-8545-4030-b1fc-4676ad69a84f", 
33
  "id": "5afd5248-8545-4030-b1fc-4676ad69a84f", 
            
34
  "isopen": false, 
34
  "isopen": false, 
            
35
  "license_id": null, 
35
  "license_id": null, 
            
36
  "license_title": null, 
36
  "license_title": null, 
            
37
  "maintainer": null, 
37
  "maintainer": null, 
            
38
  "maintainer_email": null, 
38
  "maintainer_email": null, 
            
39
  "metadata_created": "2025-10-11T01:23:45.484960", 
39
  "metadata_created": "2025-10-11T01:23:45.484960", 
            
n
40
  "metadata_modified": "2025-10-11T01:23:45.484968", 
n
40
  "metadata_modified": "2025-10-11T01:23:46.003915", 
            
41
  "name": 
41
  "name": 
            
42
tive-method-for-the-optimization-of-general-ups-paralle-2391ad7b4f16", 
42
tive-method-for-the-optimization-of-general-ups-paralle-2391ad7b4f16", 
            
43
  "notes": "This paper introduces a two-stage method based on 
43
  "notes": "This paper introduces a two-stage method based on 
            
44
bio-inspired algorithms for the design optimization of a class of 
44
bio-inspired algorithms for the design optimization of a class of 
            
45
general Stewart platforms. The first stage performs a mono-objective 
45
general Stewart platforms. The first stage performs a mono-objective 
            
46
optimization in order to reach, with sufficient dexterity, a regular 
46
optimization in order to reach, with sufficient dexterity, a regular 
            
47
target workspace while minimizing the elements\u2019 lengths. For this 
47
target workspace while minimizing the elements\u2019 lengths. For this 
            
48
optimization problem, we compare three bio-inspired algorithms: the 
48
optimization problem, we compare three bio-inspired algorithms: the 
            
49
Genetic Algorithm (GA), the Particle Swarm Optimization (PSO), and the 
49
Genetic Algorithm (GA), the Particle Swarm Optimization (PSO), and the 
            
50
Boltzman Univariate Marginal Distribution Algorithm (BUMDA). The 
50
Boltzman Univariate Marginal Distribution Algorithm (BUMDA). The 
            
51
second stage looks for the most suitable gains of a Proportional 
51
second stage looks for the most suitable gains of a Proportional 
            
52
Integral Derivative (PID) control via the minimization of two 
52
Integral Derivative (PID) control via the minimization of two 
            
53
conflicting objectives: one based on energy consumption and the 
53
conflicting objectives: one based on energy consumption and the 
            
54
tracking error of a target trajectory. To this effect, we compare two 
54
tracking error of a target trajectory. To this effect, we compare two 
            
55
multi-objective algorithms: the Multiobjective Evolutionary Algorithm 
55
multi-objective algorithms: the Multiobjective Evolutionary Algorithm 
            
56
based on Decomposition (MOEA/D) and Non-dominated Sorting Genetic 
56
based on Decomposition (MOEA/D) and Non-dominated Sorting Genetic 
            
57
Algorithm-III (NSGA-III). The main contributions lie in the 
57
Algorithm-III (NSGA-III). The main contributions lie in the 
            
58
optimization model, the proposal of a two-stage optimization method, 
58
optimization model, the proposal of a two-stage optimization method, 
            
59
and the findings of the performance of different bio-inspired 
59
and the findings of the performance of different bio-inspired 
            
60
algorithms for each stage. Furthermore, we show optimized designs 
60
algorithms for each stage. Furthermore, we show optimized designs 
            
61
delivered by the proposed method and provide directions for the 
61
delivered by the proposed method and provide directions for the 
            
62
best-performing algorithms through performance metrics and statistical 
62
best-performing algorithms through performance metrics and statistical 
            
63
hypothesis tests.", 
63
hypothesis tests.", 
            
n
64
  "num_resources": 0, 
n
64
  "num_resources": 1, 
            
65
  "num_tags": 12, 
65
  "num_tags": 12, 
            
66
  "organization": {
66
  "organization": {
            
67
    "approval_status": "approved", 
67
    "approval_status": "approved", 
            
68
    "created": "2022-05-19T00:10:30.480393", 
68
    "created": "2022-05-19T00:10:30.480393", 
            
69
    "description": "Observatorio Metropolitano CentroGeo", 
69
    "description": "Observatorio Metropolitano CentroGeo", 
            
70
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
70
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
71
    "image_url": 
71
    "image_url": 
            
72
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
72
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
73
    "is_organization": true, 
73
    "is_organization": true, 
            
74
    "name": "observatorio-metropolitano-centrogeo", 
74
    "name": "observatorio-metropolitano-centrogeo", 
            
75
    "state": "active", 
75
    "state": "active", 
            
76
    "title": "Observatorio Metropolitano CentroGeo", 
76
    "title": "Observatorio Metropolitano CentroGeo", 
            
77
    "type": "organization"
77
    "type": "organization"
            
78
  }, 
78
  }, 
            
79
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
79
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
80
  "private": false, 
80
  "private": false, 
            
81
  "relationships_as_object": [], 
81
  "relationships_as_object": [], 
            
82
  "relationships_as_subject": [], 
82
  "relationships_as_subject": [], 
            
t
83
  "resources": [], 
t
83
  "resources": [
            
84
    {
            
85
      "cache_last_updated": null, 
            
86
      "cache_url": null, 
            
87
      "created": "2025-10-11T01:23:46.037577", 
            
88
      "datastore_active": false, 
            
89
      "description": "This paper introduces a two-stage method based 
            
90
on bio-inspired algorithms for the design optimization of a class of 
            
91
general Stewart platforms. The first stage performs a mono-objective 
            
92
optimization in order to reach, with sufficient dexterity, a regular 
            
93
target workspace while minimizing the elements\u2019 lengths. For this 
            
94
optimization problem, we compare three bio-inspired algorithms: the 
            
95
Genetic Algorithm (GA), the Particle Swarm Optimization (PSO), and the 
            
96
Boltzman Univariate Marginal Distribution Algorithm (BUMDA). The 
            
97
second stage looks for the most suitable gains of a Proportional 
            
98
Integral Derivative (PID) control via the minimization of two 
            
99
conflicting objectives: one based on energy consumption and the 
            
100
tracking error of a target trajectory. To this effect, we compare two 
            
101
multi-objective algorithms: the Multiobjective Evolutionary Algorithm 
            
102
based on Decomposition (MOEA/D) and Non-dominated Sorting Genetic 
            
103
Algorithm-III (NSGA-III). The main contributions lie in the 
            
104
optimization model, the proposal of a two-stage optimization method, 
            
105
and the findings of the performance of different bio-inspired 
            
106
algorithms for each stage. Furthermore, we show optimized designs 
            
107
delivered by the proposed method and provide directions for the 
            
108
best-performing algorithms through performance metrics and statistical 
            
109
hypothesis tests.", 
            
110
      "format": "HTML", 
            
111
      "hash": "", 
            
112
      "id": "dcee62fe-69ab-4379-bd9c-e1ac9f59dc86", 
            
113
      "last_modified": null, 
            
114
      "metadata_modified": "2025-10-11T01:23:46.007960", 
            
115
      "mimetype": null, 
            
116
      "mimetype_inner": null, 
            
117
      "name": "A two-stage mono-and multi-objective method for the 
            
118
optimization of general UPS parallel manipulators", 
            
119
      "package_id": "5afd5248-8545-4030-b1fc-4676ad69a84f", 
            
120
      "position": 0, 
            
121
      "resource_type": null, 
            
122
      "size": null, 
            
123
      "state": "active", 
            
124
      "url": "https://doi.org/10.3390/math9050543", 
            
125
      "url_type": null
            
126
    }
            
127
  ], 
            
84
  "state": "active", 
128
  "state": "active", 
            
85
  "tags": [
129
  "tags": [
            
86
    {
130
    {
            
87
      "display_name": "algorithm", 
131
      "display_name": "algorithm", 
            
88
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
132
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
            
89
      "name": "algorithm", 
133
      "name": "algorithm", 
            
90
      "state": "active", 
134
      "state": "active", 
            
91
      "vocabulary_id": null
135
      "vocabulary_id": null
            
92
    }, 
136
    }, 
            
93
    {
137
    {
            
94
      "display_name": "computer-science", 
138
      "display_name": "computer-science", 
            
95
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
139
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
96
      "name": "computer-science", 
140
      "name": "computer-science", 
            
97
      "state": "active", 
141
      "state": "active", 
            
98
      "vocabulary_id": null
142
      "vocabulary_id": null
            
99
    }, 
143
    }, 
            
100
    {
144
    {
            
101
      "display_name": "decomposition", 
145
      "display_name": "decomposition", 
            
102
      "id": "dc0e2b55-5304-4a76-b334-c02c205f1c63", 
146
      "id": "dc0e2b55-5304-4a76-b334-c02c205f1c63", 
            
103
      "name": "decomposition", 
147
      "name": "decomposition", 
            
104
      "state": "active", 
148
      "state": "active", 
            
105
      "vocabulary_id": null
149
      "vocabulary_id": null
            
106
    }, 
150
    }, 
            
107
    {
151
    {
            
108
      "display_name": "derivative-free-optimization", 
152
      "display_name": "derivative-free-optimization", 
            
109
      "id": "d95c8f01-048f-4a46-900b-eceaf60976a4", 
153
      "id": "d95c8f01-048f-4a46-900b-eceaf60976a4", 
            
110
      "name": "derivative-free-optimization", 
154
      "name": "derivative-free-optimization", 
            
111
      "state": "active", 
155
      "state": "active", 
            
112
      "vocabulary_id": null
156
      "vocabulary_id": null
            
113
    }, 
157
    }, 
            
114
    {
158
    {
            
115
      "display_name": "evolutionary-algorithm", 
159
      "display_name": "evolutionary-algorithm", 
            
116
      "id": "22db3110-8a27-435b-8d9a-c910fe7201ca", 
160
      "id": "22db3110-8a27-435b-8d9a-c910fe7201ca", 
            
117
      "name": "evolutionary-algorithm", 
161
      "name": "evolutionary-algorithm", 
            
118
      "state": "active", 
162
      "state": "active", 
            
119
      "vocabulary_id": null
163
      "vocabulary_id": null
            
120
    }, 
164
    }, 
            
121
    {
165
    {
            
122
      "display_name": "genetic-algorithm", 
166
      "display_name": "genetic-algorithm", 
            
123
      "id": "6a61702d-b718-409f-afdd-cdcf6ff05799", 
167
      "id": "6a61702d-b718-409f-afdd-cdcf6ff05799", 
            
124
      "name": "genetic-algorithm", 
168
      "name": "genetic-algorithm", 
            
125
      "state": "active", 
169
      "state": "active", 
            
126
      "vocabulary_id": null
170
      "vocabulary_id": null
            
127
    }, 
171
    }, 
            
128
    {
172
    {
            
129
      "display_name": "mathematical-optimization", 
173
      "display_name": "mathematical-optimization", 
            
130
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
174
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
            
131
      "name": "mathematical-optimization", 
175
      "name": "mathematical-optimization", 
            
132
      "state": "active", 
176
      "state": "active", 
            
133
      "vocabulary_id": null
177
      "vocabulary_id": null
            
134
    }, 
178
    }, 
            
135
    {
179
    {
            
136
      "display_name": "meta-optimization", 
180
      "display_name": "meta-optimization", 
            
137
      "id": "87f29f48-4841-403e-8c53-4f53699b83bf", 
181
      "id": "87f29f48-4841-403e-8c53-4f53699b83bf", 
            
138
      "name": "meta-optimization", 
182
      "name": "meta-optimization", 
            
139
      "state": "active", 
183
      "state": "active", 
            
140
      "vocabulary_id": null
184
      "vocabulary_id": null
            
141
    }, 
185
    }, 
            
142
    {
186
    {
            
143
      "display_name": "multi-objective-optimization", 
187
      "display_name": "multi-objective-optimization", 
            
144
      "id": "028254bd-4fdf-4157-a6c4-850397abd03d", 
188
      "id": "028254bd-4fdf-4157-a6c4-850397abd03d", 
            
145
      "name": "multi-objective-optimization", 
189
      "name": "multi-objective-optimization", 
            
146
      "state": "active", 
190
      "state": "active", 
            
147
      "vocabulary_id": null
191
      "vocabulary_id": null
            
148
    }, 
192
    }, 
            
149
    {
193
    {
            
150
      "display_name": "optimization-problem", 
194
      "display_name": "optimization-problem", 
            
151
      "id": "98d1c97f-9280-4bc4-babd-2b1010d9e73f", 
195
      "id": "98d1c97f-9280-4bc4-babd-2b1010d9e73f", 
            
152
      "name": "optimization-problem", 
196
      "name": "optimization-problem", 
            
153
      "state": "active", 
197
      "state": "active", 
            
154
      "vocabulary_id": null
198
      "vocabulary_id": null
            
155
    }, 
199
    }, 
            
156
    {
200
    {
            
157
      "display_name": "particle-swarm-optimization", 
201
      "display_name": "particle-swarm-optimization", 
            
158
      "id": "e10be4b1-1c48-463e-91df-95926219119c", 
202
      "id": "e10be4b1-1c48-463e-91df-95926219119c", 
            
159
      "name": "particle-swarm-optimization", 
203
      "name": "particle-swarm-optimization", 
            
160
      "state": "active", 
204
      "state": "active", 
            
161
      "vocabulary_id": null
205
      "vocabulary_id": null
            
162
    }, 
206
    }, 
            
163
    {
207
    {
            
164
      "display_name": "sorting", 
208
      "display_name": "sorting", 
            
165
      "id": "eb10811b-1fd0-49fc-9dc8-76235283f859", 
209
      "id": "eb10811b-1fd0-49fc-9dc8-76235283f859", 
            
166
      "name": "sorting", 
210
      "name": "sorting", 
            
167
      "state": "active", 
211
      "state": "active", 
            
168
      "vocabulary_id": null
212
      "vocabulary_id": null
            
169
    }
213
    }
            
170
  ], 
214
  ], 
            
171
  "title": "A two-stage mono-and multi-objective method for the 
215
  "title": "A two-stage mono-and multi-objective method for the 
            
172
optimization of general UPS parallel manipulators", 
216
optimization of general UPS parallel manipulators", 
            
173
  "type": "dataset", 
217
  "type": "dataset", 
            
174
  "url": "https://doi.org/10.3390/math9050543", 
218
  "url": "https://doi.org/10.3390/math9050543", 
            
175
  "version": null
219
  "version": null
            
176
}
220
}