Un algoritmo basado en el comportamiento altruista de las abejas podr\u00eda ayudar a quienes dise\u00f1an parques e\u00f3licos a saber exactamente d\u00f3nde plantar cada turbina en el conjunto para maximizar la eficiencia y la producci\u00f3n de energ\u00eda del parque e\u00f3lico. Un equipo de la India discute los detalles en el International Journal of Renewable Energy Technology.<\/p>\n\n\n\n
Definir las posiciones \u00f3ptimas en un parque e\u00f3lico para que cada turbina maximice la producci\u00f3n de energ\u00eda es un problema complejo de optimizaci\u00f3n con restricciones. Tales problemas son comunes en la ingenier\u00eda y en muchas otras \u00e1reas del quehacer humano. Resolver tales problemas generalmente requiere una gran cantidad de destreza matem\u00e1tica y recursos inform\u00e1ticos, pero afortunadamente en los \u00faltimos a\u00f1os, los investigadores han buscado sistemas naturales para ayudarlos a encontrar soluciones de manera mucho m\u00e1s eficiente y r\u00e1pida.<\/p>\n\n\n\n
La naturaleza ha tenido millones de a\u00f1os para desarrollar sistemas \u00f3ptimos para resolver los complejos problemas que enfrentan los seres vivos. Los investigadores, en algunos casos, como el comportamiento de bandada y b\u00fasqueda de alimento, estudiaron estos sistemas y los modelaron algor\u00edtmicamente. Esos algoritmos se pueden aprovechar para resolver problemas no naturales. Nirmala Sharma, Harish Sharma y Ajay Sharma de la Universidad T\u00e9cnica de Rajasthan y Jagdish Chand Bansal de la Universidad del Sur de Asia en Nueva Delhi, India, explican que el comportamiento de enjambre de las abejas a menudo involucra a aquellos individuos que son menos aptos para el comportamiento actual sacrificando su posici\u00f3n para aquellos que encajan mejor.<\/p>\n\n\n\n
El algoritmo de autosacrificio que modela este comportamiento se traduce en el posicionamiento de cada turbina en el parque e\u00f3lico para que se pruebe y se sacrifique una posici\u00f3n a favor de una posici\u00f3n que sea mejor seg\u00fan los patrones del viento y los efectos de las turbinas vecinas en el individuo que se est\u00e1 probando para un nuevo puesto. Por lo tanto, el algoritmo acumula un dise\u00f1o para las turbinas en el parque e\u00f3lico donde cada posici\u00f3n es \u00f3ptima para caracter\u00edsticas geogr\u00e1ficas dadas para brindar la mayor potencia posible.<\/p>\n\n\n\n
El algoritmo tambi\u00e9n puede dar a los ingenieros la cantidad m\u00e1xima de turbinas necesarias para un sitio determinado. El n\u00famero \u00f3ptimo maximizar\u00e1 la producci\u00f3n de energ\u00eda. Muy pocos y el sitio no estar\u00eda extrayendo toda la energ\u00eda e\u00f3lica disponible, mientras que demasiados ser\u00edan un desperdicio de recursos y podr\u00edan reducir la producci\u00f3n total de las turbinas ya que su rotaci\u00f3n interfiere con el flujo de viento hacia y a trav\u00e9s de las turbinas vecinas. El equipo ha demostrado la prueba del principio con parques e\u00f3licos idealizados con un radio de 500, 750 y 1000 metros. El pr\u00f3ximo paso ser\u00e1 considerar paisajes geogr\u00e1ficos reales y optimizar para patrones de viento no uniformes.<\/p>\n\n\n\n