1
Método de Búsqueda Directo Hooke&Jeeves
Héctor F. Farías Stipo ( cronopio@elo.utfsm.cl )
Abstract  Se utilizó el método de búsqueda
directo de Hooke&Jeeves propuesto en [1]
para determinar los parámetros de un
controlador PI utilizando el software Matlab.
I. INTRODUCCIÓN
Los métodos analíticos imponen demasiadas
restricciones a las funciones objetivos, y resulta
que no siempre es posible resolver el sistema de
ecuaciones analíticamente. Para resolver ésta
problemática nacen los métodos numéricos, los
cuáles se dividen en dos grandes grupos, los
métodos numéricos Indirectos y los Directos [2].
Los métodos numéricos Indirectos utilizan la
función objetivo analítica, las primeras y
segundas derivadas, pero las derivadas muchas
veces son de difícil obtención e incluso puede
que no se conozca la función objetivo
analíticamente. Entre los métodos Indirectos más
conocidos se encuentran: Newton, Quasi-
Newton, Secante, “Regula Falsi”.
Los métodos numéricos Directos en cambio,
requieren únicamente los valores que entrega la
función objetivo, los que pueden ser resultados
de experimentación o bien de la evaluación de
una expresión analítica. Además el método
Directo utiliza un plan de experiencias
secuencial, el cuál utiliza los resultados de los
experimentos o evaluaciones analíticas previas
para generar el próximo experimento de una
forma tal que se acelere la obtención de una
solución óptima. Entre los métodos Directos más
conocidos se encuentran: Fibonacci,
Nelder&Mead, y el no tan conocido
“Hooke&Jeeves” [1] que será tratado con
profundidad en este trabajo.
R. Hooke (1635-1702) Filósofo y Físico inglés
considerado el mecánico más notable de su
época y fundador de la meteorología científica.
Fue el primero en formular la teoría de los
movimientos planetarios matemáticamente y se
dice que fue él quien por primera vez idealizo
“que los cuerpos se atraen mutuamente con una
fuerza que varía inversamente al cuadrado de la
distancia que los separa”.
T.A. Jeeves publicó la referencia [1] en el
Journal ACM en 1961.
II. MÉTODO DE HOOKE&JEEVES PARA
BUSCAR MÍNIMOS MIRADO DESDE EL
PUNTO DE VISTA DE LOS MÉTODOS
NUMÉRICOS
La explicación del método se realizará para una
función de 2 variables para su mejor
comprensión, destacando que el método puede
ser utilizado para una función de n variables. El
método consiste básicamente en realizar la
búsqueda en cada una de las dimensiones
(X1,X2) y luego por la diagonal determinada por
los puntos coordenadas y el punto inicial X0=(
X1(0),X2(0)) en el cuál se inicio la búsqueda
variando el paso para cada iteración en caso de
ser necesario para ir ajustando el resultado hasta
alcanzar la precisión requerida. El vector XBi es
un “pivote” base que se sitúa en la coordenada
(X1(i),X2(i)) que minimiza mejor la función
objetivo o el resultado del experimento hasta la
iteración “i”.
Fig1. Idea básica del método de búsqueda
Hooke&Jeeves.
El algoritmo en diagrama de flujo para realizar el
método se muestra en la figura 2, en el cual se
debe ingresar:
• la función objetivo f(X) a minimizar en el
caso de que se conozca(o bien, disponer de
la planta a experimentar);
• el número N de variables de la función f(X);
• la tolerancia de error E permitida;
• el largo del paso D inicial;
• el punto inicial X0=(X1(0),X2(0)..., XN(0) );
 2

Ejemplo 1: rojo representan las zonas de máximos locales, y

• f(X1,X2)= cos(X1)+sen(X2); las más cercanas al azul las de mínimos locales.
• N=2;
• E=0.1; El diagrama de flujo de la figura 2 fue
• D=1; programado en Matlab y se muestra a
• X0=(-1.5;-6); continuación:

function Hooke(E,D,X0)
N=length(X0); %determina N
XB=X0;
YB=f(XB(1),XB(2));
fin=0;count=0;
posicion_de_partida=X0;

while((fin==0)&(count<=1000))
X=XB;
YA=YB;
A2=0;
while((A2==0)&(fin==0)&(count<=1000))
for i=1:1:N
X(i)=XB(i)+D;
Y=f(X(1),X(2));
if Y<YB
YB=Y;
XB(i)=X(i);
else
X(i)=XB(i)-D;
Y=f(X(1),X(2));
if Y<YB
YB=Y;
XB(i)=X(i);
else
X(i)=XB(i);
end
end
end
count=count+1;
if YA==YB
R=D*N^(0.5);
if R<=E
posicion_final=XB;
minimo=YB;
entorno=R;
fin=1;
else
Fig2. Diagrama de flujo del algoritmo D=0.5*D;
implementado. X0=XB;
end

else
X=2*XB-X0;
YA=f(X(1),X(2));
X0=XB;
if YA<YB
XB=X;
YB=YA;
count=count+1;
else
A2=1;
end
end
end
end
Fig3. Gráfica de la curva del ejemplo 1. posicion_de_partida
posicion_final
En la gráfica de la curva del ejemplo 1 mostrado minimo=YB
en la figura 3, las tonalidades más cercanas al entorno=R
iteraciones=count
 3

function r=f(x,y)
r=cos(x)+sin(y);
X0 =(-1.5;-6.0)
XB1 =(-2.5;-7.0)
XB2 =(-3.5;-8.0)
XB3 =(-3.5;-8.0)
XB4 =(-3.0;-8.0)
XB5 =(-3.0;-8.0)
XB6 =(-3.25;-7.75)
XB7 =(-3.25;-7.75)
XB8 =(-3.125;-7.875)
XB9 =(-3.125;-7.875)
XB10=(-3.125;-7.875)

Fig4. Gráfica de la superficie del ejemplo 1 en III. APLICACIÓN EN CONTROL

el plano (X1,X2).
En la línea de comando de Matlab se invocó la
función Hooke (línea 1), lo que arrojó los
siguientes resultados:
La idea general es utilizar el método de búsqueda
directo para ajustar los parámetros de un
controlador [4], de manera de minimizar alguna
característica del lazo cerrado, como:

>>Hooke(1e-1,1,[-1.5 -6] ) • IAE: Integral del valor absoluto del

posición_de_partida= -1.5 -6 error;
posición_final= -3.1250 -7.8750 • ITAE: Integral del valor absoluto del
mínimo= -1.9996 error ponderado por el tiempo;
entorno= 0.0884 • ISE: Integral del cuadrado del error;
iteraciones= 10 • ITSE: Integral del cuadrado del error
>> ponderado por el tiempo;

Los resultados obtenidos son muy buenos, dada En este trabajo se utilizará el criterio de
la tolerancia de error aceptada(E=0.1). El minimizar la integral del valor absoluto del error
mínimo que debería haber encontrado con exacta “IAE” frente a un escalón de referencia para
precisión es –2 en las coordenadas (-π,-5π/2) ajustar los parámetros de un controlador PI
que corresponde a un mínimo local. (proporcional-integrativo). En este caso se
utilizará la Planta o proceso a controlar como un
X B's en el plano X X
1 2 experimento en el cuál se va a minimizar el valor
-5
IAE.
-5.5 Para llevar a cabo nuestro experimento, se utilizó
-6 Simulink de Matlab.
-6.5

-7
X2

-7.5

-8

-8.5

-9
-4 -3.5 -3 -2.5 -2 -1.5 -1
X
1

Fig5. Gráfica de los puntos XB en cada

iteración.
En la figura 5 se denota en color rojo el punto
inicial y con azul el final que corresponde al
punto que minimiza la función objetivo. A
continuación se muestran los puntos encontrados
para cada una de las iteraciones del ejemplo 1:
Fig6. Esquema en Simulink para la
realización de los experimentos.
En el esquema de la figura 6 se utilizó una Planta
de primer orden con ganancia K y constante de
tiempo Tau; El controlador PI con ganancia
proporcional Kp y ganancia integrativa Kp/Ti.
 4

Se hicieron algunas modificaciones sobre el end

end
programa original para utilizar los resultados end
experimentales provenientes del Simulink. Kp=XB(1)
La función modificada se nombró HookePI en la Ti=XB(2)
cuál se debe ingresar: int_error_minima=YB
entorno=R
• la tolerancia de error E permitida; iteraciones=count
• el largo del paso D inicial;
• los parámetros iniciales X0=(Kp,Ti); function r=er( )
global K Tau Kp Ti tout ref y error
• los parámetros de la planta XP=(K,Tau); tiempo=100*Tau;
sim('sist',[0 tiempo])
function HookePI(E,D,X0,XP) r=IAE(length(IAE));

global Kp Ti K Tau tout y ref error Ejemplo 2:

N=length(X0); %determina N
X0 • E =1e-5;
XB=X0; • D =0.1;
Kp=XB(1);Ti=XB(2); • X0=(10,1e-4);
K=XP(1);Tau=XP(2);
YB=er; • XP=(1,1e-3);
fin=0;count=0;
while((fin==0)&(count<=150)) En la línea de comando de Matlab se invocó la
X=XB;
función HookePI (línea 1), lo que arrojó los
YA=YB;
A2=0; siguientes resultados:
while((A2==0)&(fin==0)&(count<=150))
for i=1:1:N >>Hooke(1e-5,0.1,[10 1e-4],[1 1e-3] )
X(i)=XB(i)+D;
Kp=X(1);Ti=X(2);
Kp= 9.707
Y=er; Ti= 9.9111e-4
if Y<YB Int_error_mínima= 1.0291e-4
YB=Y; entorno= 8.6317e-6
XB(i)=X(i);
else iteraciones= 31
X(i)=XB(i)-D; >>
Kp=X(1);Ti=X(2);
Y=er;
if Y<YB
YB=Y;
XB(i)=X(i);
else
X(i)=XB(i);
end
end
end
count=count+1;
if YA==YB
R=D*N^(0.5);
if R<=E
posicion=XB;
minimo=YB;
entorno=R;
fin=1; Fig7. Gráfica de los puntos XB en cada
else iteración.
D=0.5*D;
X0=XB;
end En la figura 7 se puede ver que a medida que se
else acerca al mínimo local el algoritmo disminuye el
X=2*XB-X0; paso hasta cumplir con la tolerancia de error.
Kp=X(1);Ti=X(2);
YA=er;
X0=XB;
if YA<YB
XB=X;
YB=YA;
count=count+1;
else
A2=1;
end
 5

V. REFERENCIAS

1. R. Hooke and T. A. Jeeves, "Direct Search

Solution of Numerical and Statistical Problems",
Journal of the ACM, Vol. 8, April 1961, pp. 212-
229.

2. Enrique Tarifa, Optimización y Simulación de

Procesos-“Métodos Numéricos” Universidad
Nacional de Jujuy.

3. CECC “Biografías Físicos-Matemáticos”

Fig8. Gráfica de la respuesta a escalón inicial (www.cecc.cl).
y final.
4. Apuntes del profesor J.Glaria B. del Depto. de
En la figura 8 se aprecia el buen desempeño del Electrónica de la UTFSM-Valpo Chile.
algoritmo para minimizar la integral del valor
absoluto del error.

IV. CONCLUSIONES

En base a los resultados presentados en este

trabajo, se puede concluir que el algoritmo de
búsqueda directa de Hooke&Jeeves entrega
resultados bastante satisfactorios y posee la gran
ventaja de que solo requiere la función objetivo o
la planta a experimentar. Cabe destacar que los
resultados encontrados por el método
corresponden a mínimos locales, por lo que la
solución encontrada no necesariamente va a ser
un mínimo global. Además como el método
descrito opera en N variables, éste se puede
utilizar en sistemas más complejos para
encontrar los parámetros del controlador que nos
entregue la mejor respuesta posible del proceso
según algún criterio como el IAE, ITAE, ISE,
ISTE, o bien, cualquier otro.