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": "A\u00f1o", 
7
      "key": "A\u00f1o", 
            
8
      "value": "2021"
8
      "value": "2021"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "DOI", 
11
      "key": "DOI", 
            
12
      "value": "https://doi.org/10.3390/math9050543"
12
      "value": "https://doi.org/10.3390/math9050543"
            
13
    }, 
13
    }, 
            
14
    {
14
    {
            
15
      "key": "Google Scholar URL", 
15
      "key": "Google Scholar URL", 
            
16
      "value": 
16
      "value": 
            
17
gesize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:uLbwQdceFCQC"
17
gesize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:uLbwQdceFCQC"
            
18
    }, 
18
    }, 
            
19
    {
19
    {
            
20
      "key": "Identificador hash", 
20
      "key": "Identificador hash", 
            
21
      "value": "20c6ce6076d8"
21
      "value": "20c6ce6076d8"
            
22
    }, 
22
    }, 
            
23
    {
23
    {
            
24
      "key": "Lugar de publicaci\u00f3n", 
24
      "key": "Lugar de publicaci\u00f3n", 
            
25
      "value": "Mathematics 9 (5), 543, 2021"
25
      "value": "Mathematics 9 (5), 543, 2021"
            
26
    }, 
26
    }, 
            
27
    {
27
    {
            
28
      "key": "Tipo", 
28
      "key": "Tipo", 
            
29
      "value": "Publicaci\u00f3n"
29
      "value": "Publicaci\u00f3n"
            
30
    }, 
30
    }, 
            
31
    {
31
    {
            
32
      "key": "Tipo de publicaci\u00f3n", 
32
      "key": "Tipo de publicaci\u00f3n", 
            
33
      "value": "Revista"
33
      "value": "Revista"
            
34
    }, 
34
    }, 
            
35
    {
35
    {
            
36
      "key": "URL directo", 
36
      "key": "URL directo", 
            
37
      "value": "https://www.mdpi.com/2227-7390/9/5/543"
37
      "value": "https://www.mdpi.com/2227-7390/9/5/543"
            
38
    }
38
    }
            
39
  ], 
39
  ], 
            
40
  "groups": [
40
  "groups": [
            
41
    {
41
    {
            
42
      "description": "", 
42
      "description": "", 
            
43
      "display_name": "Publicaciones", 
43
      "display_name": "Publicaciones", 
            
44
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
44
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
            
45
      "image_display_url": "", 
45
      "image_display_url": "", 
            
46
      "name": "publicaciones", 
46
      "name": "publicaciones", 
            
47
      "title": "Publicaciones"
47
      "title": "Publicaciones"
            
48
    }
48
    }
            
49
  ], 
49
  ], 
            
50
  "id": "3e419269-b661-421a-8ea5-302dae65fd05", 
50
  "id": "3e419269-b661-421a-8ea5-302dae65fd05", 
            
51
  "isopen": false, 
51
  "isopen": false, 
            
52
  "license_id": null, 
52
  "license_id": null, 
            
53
  "license_title": null, 
53
  "license_title": null, 
            
54
  "maintainer": null, 
54
  "maintainer": null, 
            
55
  "maintainer_email": null, 
55
  "maintainer_email": null, 
            
56
  "metadata_created": "2025-10-21T09:01:46.020155", 
56
  "metadata_created": "2025-10-21T09:01:46.020155", 
            
n
57
  "metadata_modified": "2025-10-21T09:01:46.020166", 
n
57
  "metadata_modified": "2025-10-21T09:01:46.724971", 
            
58
  "name": "20c6ce6076d8", 
58
  "name": "20c6ce6076d8", 
            
59
  "notes": "This paper introduces a two-stage method based on 
59
  "notes": "This paper introduces a two-stage method based on 
            
60
bio-inspired algorithms for the design optimization of a class of 
60
bio-inspired algorithms for the design optimization of a class of 
            
61
general Stewart platforms. The first stage performs a mono-objective 
61
general Stewart platforms. The first stage performs a mono-objective 
            
62
optimization in order to reach, with sufficient dexterity, a regular 
62
optimization in order to reach, with sufficient dexterity, a regular 
            
63
target workspace while minimizing the elements\u2019 lengths. For this 
63
target workspace while minimizing the elements\u2019 lengths. For this 
            
64
optimization problem, we compare three bio-inspired algorithms: the 
64
optimization problem, we compare three bio-inspired algorithms: the 
            
65
Genetic Algorithm (GA), the Particle Swarm Optimization (PSO), and the 
65
Genetic Algorithm (GA), the Particle Swarm Optimization (PSO), and the 
            
66
Boltzman Univariate Marginal Distribution Algorithm (BUMDA). The 
66
Boltzman Univariate Marginal Distribution Algorithm (BUMDA). The 
            
67
second stage looks for the most suitable gains of a Proportional 
67
second stage looks for the most suitable gains of a Proportional 
            
68
Integral Derivative (PID) control via the minimization of two 
68
Integral Derivative (PID) control via the minimization of two 
            
69
conflicting objectives: one based on energy consumption and the 
69
conflicting objectives: one based on energy consumption and the 
            
70
tracking error of a target trajectory. To this effect, we compare two 
70
tracking error of a target trajectory. To this effect, we compare two 
            
71
multi-objective algorithms: the Multiobjective Evolutionary Algorithm 
71
multi-objective algorithms: the Multiobjective Evolutionary Algorithm 
            
72
based on Decomposition (MOEA/D) and Non-dominated Sorting Genetic 
72
based on Decomposition (MOEA/D) and Non-dominated Sorting Genetic 
            
73
Algorithm-III (NSGA-III). The main contributions lie in the 
73
Algorithm-III (NSGA-III). The main contributions lie in the 
            
74
optimization model, the proposal of a two-stage optimization method, 
74
optimization model, the proposal of a two-stage optimization method, 
            
75
and the findings of the performance of different bio-inspired 
75
and the findings of the performance of different bio-inspired 
            
76
algorithms for each stage. Furthermore, we show optimized designs 
76
algorithms for each stage. Furthermore, we show optimized designs 
            
77
delivered by the proposed method and provide directions for the 
77
delivered by the proposed method and provide directions for the 
            
78
best-performing algorithms through performance metrics and statistical 
78
best-performing algorithms through performance metrics and statistical 
            
79
hypothesis tests.", 
79
hypothesis tests.", 
            
n
80
  "num_resources": 0, 
n
80
  "num_resources": 1, 
            
81
  "num_tags": 14, 
81
  "num_tags": 14, 
            
82
  "organization": {
82
  "organization": {
            
83
    "approval_status": "approved", 
83
    "approval_status": "approved", 
            
84
    "created": "2022-05-19T00:10:30.480393", 
84
    "created": "2022-05-19T00:10:30.480393", 
            
85
    "description": "Observatorio Metropolitano CentroGeo", 
85
    "description": "Observatorio Metropolitano CentroGeo", 
            
86
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
86
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
87
    "image_url": 
87
    "image_url": 
            
88
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
88
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
89
    "is_organization": true, 
89
    "is_organization": true, 
            
90
    "name": "observatorio-metropolitano-centrogeo", 
90
    "name": "observatorio-metropolitano-centrogeo", 
            
91
    "state": "active", 
91
    "state": "active", 
            
92
    "title": "Observatorio Metropolitano CentroGeo", 
92
    "title": "Observatorio Metropolitano CentroGeo", 
            
93
    "type": "organization"
93
    "type": "organization"
            
94
  }, 
94
  }, 
            
95
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
95
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
96
  "private": false, 
96
  "private": false, 
            
97
  "relationships_as_object": [], 
97
  "relationships_as_object": [], 
            
98
  "relationships_as_subject": [], 
98
  "relationships_as_subject": [], 
            
t
99
  "resources": [], 
t
99
  "resources": [
            
100
    {
            
101
      "cache_last_updated": null, 
            
102
      "cache_url": null, 
            
103
      "created": "2025-10-21T09:01:46.771511", 
            
104
      "datastore_active": false, 
            
105
      "description": "This paper introduces a two-stage method based 
            
106
on bio-inspired algorithms for the design optimization of a class of 
            
107
general Stewart platforms. The first stage performs a mono-objective 
            
108
optimization in order to reach, with sufficient dexterity, a regular 
            
109
target workspace while minimizing the elements\u2019 lengths. For this 
            
110
optimization problem, we compare three bio-inspired algorithms: the 
            
111
Genetic Algorithm (GA), the Particle Swarm Optimization (PSO), and the 
            
112
Boltzman Univariate Marginal Distribution Algorithm (BUMDA). The 
            
113
second stage looks for the most suitable gains of a Proportional 
            
114
Integral Derivative (PID) control via the minimization of two 
            
115
conflicting objectives: one based on energy consumption and the 
            
116
tracking error of a target trajectory. To this effect, we compare two 
            
117
multi-objective algorithms: the Multiobjective Evolutionary Algorithm 
            
118
based on Decomposition (MOEA/D) and Non-dominated Sorting Genetic 
            
119
Algorithm-III (NSGA-III). The main contributions lie in the 
            
120
optimization model, the proposal of a two-stage optimization method, 
            
121
and the findings of the performance of different bio-inspired 
            
122
algorithms for each stage. Furthermore, we show optimized designs 
            
123
delivered by the proposed method and provide directions for the 
            
124
best-performing algorithms through performance metrics and statistical 
            
125
hypothesis tests.", 
            
126
      "format": "HTML", 
            
127
      "hash": "", 
            
128
      "id": "b06d077f-5ac0-40ae-a6f3-a22c65ee9e99", 
            
129
      "last_modified": null, 
            
130
      "metadata_modified": "2025-10-21T09:01:46.730748", 
            
131
      "mimetype": null, 
            
132
      "mimetype_inner": null, 
            
133
      "name": "A two-stage mono-and multi-objective method for the 
            
134
optimization of general UPS parallel manipulators", 
            
135
      "package_id": "3e419269-b661-421a-8ea5-302dae65fd05", 
            
136
      "position": 0, 
            
137
      "resource_type": null, 
            
138
      "size": null, 
            
139
      "state": "active", 
            
140
      "url": 
            
141
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:uLbwQdceFCQC", 
            
142
      "url_type": null
            
143
    }
            
144
  ], 
            
100
  "state": "active", 
145
  "state": "active", 
            
101
  "tags": [
146
  "tags": [
            
102
    {
147
    {
            
103
      "display_name": "2021", 
148
      "display_name": "2021", 
            
104
      "id": "79560db5-a3ce-45a1-80a6-2de3f9c2cf63", 
149
      "id": "79560db5-a3ce-45a1-80a6-2de3f9c2cf63", 
            
105
      "name": "2021", 
150
      "name": "2021", 
            
106
      "state": "active", 
151
      "state": "active", 
            
107
      "vocabulary_id": null
152
      "vocabulary_id": null
            
108
    }, 
153
    }, 
            
109
    {
154
    {
            
110
      "display_name": "algorithm", 
155
      "display_name": "algorithm", 
            
111
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
156
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
            
112
      "name": "algorithm", 
157
      "name": "algorithm", 
            
113
      "state": "active", 
158
      "state": "active", 
            
114
      "vocabulary_id": null
159
      "vocabulary_id": null
            
115
    }, 
160
    }, 
            
116
    {
161
    {
            
117
      "display_name": "computer-science", 
162
      "display_name": "computer-science", 
            
118
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
163
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
119
      "name": "computer-science", 
164
      "name": "computer-science", 
            
120
      "state": "active", 
165
      "state": "active", 
            
121
      "vocabulary_id": null
166
      "vocabulary_id": null
            
122
    }, 
167
    }, 
            
123
    {
168
    {
            
124
      "display_name": "decomposition", 
169
      "display_name": "decomposition", 
            
125
      "id": "dc0e2b55-5304-4a76-b334-c02c205f1c63", 
170
      "id": "dc0e2b55-5304-4a76-b334-c02c205f1c63", 
            
126
      "name": "decomposition", 
171
      "name": "decomposition", 
            
127
      "state": "active", 
172
      "state": "active", 
            
128
      "vocabulary_id": null
173
      "vocabulary_id": null
            
129
    }, 
174
    }, 
            
130
    {
175
    {
            
131
      "display_name": "derivative-free-optimization", 
176
      "display_name": "derivative-free-optimization", 
            
132
      "id": "d95c8f01-048f-4a46-900b-eceaf60976a4", 
177
      "id": "d95c8f01-048f-4a46-900b-eceaf60976a4", 
            
133
      "name": "derivative-free-optimization", 
178
      "name": "derivative-free-optimization", 
            
134
      "state": "active", 
179
      "state": "active", 
            
135
      "vocabulary_id": null
180
      "vocabulary_id": null
            
136
    }, 
181
    }, 
            
137
    {
182
    {
            
138
      "display_name": "evolutionary-algorithm", 
183
      "display_name": "evolutionary-algorithm", 
            
139
      "id": "22db3110-8a27-435b-8d9a-c910fe7201ca", 
184
      "id": "22db3110-8a27-435b-8d9a-c910fe7201ca", 
            
140
      "name": "evolutionary-algorithm", 
185
      "name": "evolutionary-algorithm", 
            
141
      "state": "active", 
186
      "state": "active", 
            
142
      "vocabulary_id": null
187
      "vocabulary_id": null
            
143
    }, 
188
    }, 
            
144
    {
189
    {
            
145
      "display_name": "genetic-algorithm", 
190
      "display_name": "genetic-algorithm", 
            
146
      "id": "6a61702d-b718-409f-afdd-cdcf6ff05799", 
191
      "id": "6a61702d-b718-409f-afdd-cdcf6ff05799", 
            
147
      "name": "genetic-algorithm", 
192
      "name": "genetic-algorithm", 
            
148
      "state": "active", 
193
      "state": "active", 
            
149
      "vocabulary_id": null
194
      "vocabulary_id": null
            
150
    }, 
195
    }, 
            
151
    {
196
    {
            
152
      "display_name": "mathematical-optimization", 
197
      "display_name": "mathematical-optimization", 
            
153
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
198
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
            
154
      "name": "mathematical-optimization", 
199
      "name": "mathematical-optimization", 
            
155
      "state": "active", 
200
      "state": "active", 
            
156
      "vocabulary_id": null
201
      "vocabulary_id": null
            
157
    }, 
202
    }, 
            
158
    {
203
    {
            
159
      "display_name": "meta-optimization", 
204
      "display_name": "meta-optimization", 
            
160
      "id": "87f29f48-4841-403e-8c53-4f53699b83bf", 
205
      "id": "87f29f48-4841-403e-8c53-4f53699b83bf", 
            
161
      "name": "meta-optimization", 
206
      "name": "meta-optimization", 
            
162
      "state": "active", 
207
      "state": "active", 
            
163
      "vocabulary_id": null
208
      "vocabulary_id": null
            
164
    }, 
209
    }, 
            
165
    {
210
    {
            
166
      "display_name": "multi-objective-optimization", 
211
      "display_name": "multi-objective-optimization", 
            
167
      "id": "028254bd-4fdf-4157-a6c4-850397abd03d", 
212
      "id": "028254bd-4fdf-4157-a6c4-850397abd03d", 
            
168
      "name": "multi-objective-optimization", 
213
      "name": "multi-objective-optimization", 
            
169
      "state": "active", 
214
      "state": "active", 
            
170
      "vocabulary_id": null
215
      "vocabulary_id": null
            
171
    }, 
216
    }, 
            
172
    {
217
    {
            
173
      "display_name": "optimization-problem", 
218
      "display_name": "optimization-problem", 
            
174
      "id": "98d1c97f-9280-4bc4-babd-2b1010d9e73f", 
219
      "id": "98d1c97f-9280-4bc4-babd-2b1010d9e73f", 
            
175
      "name": "optimization-problem", 
220
      "name": "optimization-problem", 
            
176
      "state": "active", 
221
      "state": "active", 
            
177
      "vocabulary_id": null
222
      "vocabulary_id": null
            
178
    }, 
223
    }, 
            
179
    {
224
    {
            
180
      "display_name": "particle-swarm-optimization", 
225
      "display_name": "particle-swarm-optimization", 
            
181
      "id": "e10be4b1-1c48-463e-91df-95926219119c", 
226
      "id": "e10be4b1-1c48-463e-91df-95926219119c", 
            
182
      "name": "particle-swarm-optimization", 
227
      "name": "particle-swarm-optimization", 
            
183
      "state": "active", 
228
      "state": "active", 
            
184
      "vocabulary_id": null
229
      "vocabulary_id": null
            
185
    }, 
230
    }, 
            
186
    {
231
    {
            
187
      "display_name": "sorting", 
232
      "display_name": "sorting", 
            
188
      "id": "eb10811b-1fd0-49fc-9dc8-76235283f859", 
233
      "id": "eb10811b-1fd0-49fc-9dc8-76235283f859", 
            
189
      "name": "sorting", 
234
      "name": "sorting", 
            
190
      "state": "active", 
235
      "state": "active", 
            
191
      "vocabulary_id": null
236
      "vocabulary_id": null
            
192
    }, 
237
    }, 
            
193
    {
238
    {
            
194
      "display_name": "svaldez", 
239
      "display_name": "svaldez", 
            
195
      "id": "f42a8210-1cef-4f03-98a0-a6d3d0d4f848", 
240
      "id": "f42a8210-1cef-4f03-98a0-a6d3d0d4f848", 
            
196
      "name": "svaldez", 
241
      "name": "svaldez", 
            
197
      "state": "active", 
242
      "state": "active", 
            
198
      "vocabulary_id": null
243
      "vocabulary_id": null
            
199
    }
244
    }
            
200
  ], 
245
  ], 
            
201
  "title": "A two-stage mono-and multi-objective method for the 
246
  "title": "A two-stage mono-and multi-objective method for the 
            
202
optimization of general UPS parallel manipulators", 
247
optimization of general UPS parallel manipulators", 
            
203
  "type": "dataset", 
248
  "type": "dataset", 
            
204
  "url": 
249
  "url": 
            
205
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:uLbwQdceFCQC", 
250
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:uLbwQdceFCQC", 
            
206
  "version": null
251
  "version": null
            
207
}
252
}