Inteligencia computacional en la sincronización de sistemas dinámicos

Autores/as

  • J. R. Pulido-Luna Dirección de Posgrado e Investigación; Universidad Tecnológica de Tijuana; C. P. 22253, Tijuana, Baja California. Autor/a
  • J. A. López-Rentería SECIHTI - Departamento de Ingeniería Eléctrica y Electrónica; Tecnológico Nacional de México/Instituto Tecnológico de Tijuana; C. P. 22430, Tijuana, Baja California./ Departamento de Ingeniería Eléctrica y Electrónica; Tecnológico Nacional de México/Instituto Tecnológico de Tijuana; C. P. 22430, Tijuana, Baja California. Autor/a
  • S. L. Cárdenas-Maciel Departamento de Ciencias Básicas; Tecnológico Nacional de México/Instituto Tecnológico de Tijuana; C. P. 22414, Tijuana, Baja California. Autor/a
  • N. R. Cázarez-Castro Departamento de Ingeniería Eléctrica y Electrónica; Tecnológico Nacional de México/Instituto Tecnológico de Tijuana; C. P. 22430, Tijuana, Baja California. Autor/a

Palabras clave:

Sincronización, sistemas dinámicos, inteligencia computacional, lógica difusa, control.

Resumen

Este artículo de divulgación presenta la sincronización de sistemas dinámicos, un fenómeno presente en la naturaleza, ciencia e ingenierías. Su objetivo es explicar, de manera clara y accesible, cómo la inteligencia computacional (particularmente los sistemas difusos), puede emplearse como una estrategia flexible y eficiente para lograr la sincronización entre sistemas dinámicos. Se presenta la evolución del concepto desde los experimentos de Christiaan Huygens hasta los modelos contemporáneos de control líder-seguidor. Se explica cómo la lógica difusa permite ajustar las ganancias de control en función del error entre los sistemas, mejorando la eficiencia energética y reduciendo la necesidad de ajustes manuales. Se concluye que los sistemas difusos constituyen una alternativa adaptable y robusta para el control de sincronización, al integrar conocimiento experto, incertidumbre y análisis cualitativo.

Referencias

[1] Pikovsky, A., Rosenblum, M., & Kurths, J. (2002). Synchronization: A universal concept in nonlinear science. Cambridge University Press.

[2] Strogatz, S. (2004). Sync: The emerging science of spontaneous order. Hyperion Books.

[3] Chen, G., & Pham, T. T. (2001). Introduction to fuzzy sets, fuzzy logic, and fuzzy control systems. CRC Press.

[4] Perko, L. (2013). Differential equations and dynamical systems (3rd ed., Vol. 7). Springer.

[5] Hirsch, M. W., Smale, S., & Devaney, R. L. (2012). Differential equations, dynamical systems, and an introduction to chaos (3rd ed.). Academic Press.

[6] Pereyra, F., Valencia, G., Cazarez, N., López, F., & González, B. (2019). Implementation of a distributed optimal predictive control in a quadruple tank system. IEEE Latin America Transactions, 17(1), 135–146. https://doi.org/10.1109/TLA.2019.8826700

[7] Sousa, J. M. C., & Kaymak, U. (2002). Fuzzy decision making in modelling and control (Vol. 27). World Scientific Publishing.

[8] Gaytan-Reyes, I. G., Cazarez-Castro, N. R., Cardenas-Maciel, S. L., Lara-Ochoa, D. A., & Martinez-Graciliano, A. (2017). Genetic optimization of fuzzy systems for the classification of treated water quality. En Numerical and evolutionary optimization – NEO 2017 (Studies in Computational Intelligence, Vol. 785). Springer.

[9] Prieto, P. J., & Cazarez-Castro, N. R. (2016). Aplicaciones de la inteligencia computacional en el control de robots neumáticos. Komputer Sapiens, I, 11–15.

[10] Wu, J., & Cui, P. (2024). Cooperative adaptive fuzzy control for the synchronization of nonlinear multi-agent systems under input saturation. Mathematics, 12(10), Article 1426. https://doi.org/10.3390/math12101426

[11] Roosileht, M. (2025). Application of fuzzy logic for collaborative robot control. Electronics, 14(20), Article 4029. https://doi.org/10.3390/electronics14204029

[12] Lekkas, S., & Mikhailov, L. (2010). Evolving fuzzy medical diagnosis of Pima Indians diabetes and of dermatological diseases. Artificial Intelligence in Medicine, 50(2), 117–126. https://doi.org/10.1016/j.artmed.2010.05.007

[13] Srivastava, A., Bhanot, D., Jasim, L. H., Varshney, N., & Patil, V. (2025). Advancements in fuzzy logic applications for diagnostic decision support systems in healthcare. Fuzzy Information and Engineering, 17(3), 284–297. https://doi.org/10.26599/FIE.2025.9270064

[14] Ayllon-Lorenzo, P. M., Cardenas-Maciel, S. L., & Cazarez-Castro, N. R. (2017). Applying control theory to optimize the inventory holding costs in supply chains. En Numerical and evolutionary optimization – NEO 2017 (Studies in Computational Intelligence, Vol. 785). Springer. https://doi.org/10.1007/978-3-319-96104-0

[15] Zhu, Z.-Y., Zhao, Z.-S., Zhang, J., Wang, R.-K., & Li, Z.-Q. (2020). Adaptive fuzzy control design for synchronization of chaotic time-delay system. Information Sciences, 535, 225–241. https://doi.org/10.1016/j.ins.2020.05.056

[16] Márquez-Vera, C. A., Márquez-Vera, M. A., Yakoub, Z., Ma'arif, A., Castro-Montoya, A. J., & Cazarez-Castro, N. R. (2022). Fuzzy state feedback with double integrator and antiwindup for the Van de Vusse reaction. Archives of Control Sciences, 32, 383–408. https://doi.org/10.24425/acs.2022.141720

[17] Chen, G., & Pham, T. T. (2005). Introduction to fuzzy systems. CRC Press.

[18] Pulido-Luna, J. R., López-Rentería, J. A., & Cazarez-Castro, N. R. (2021). Mamdani-type fuzzy-based adaptive nonhomogeneous synchronization. Complexity, 2021, 1–11. https://doi.org/10.1155/2021/6613231

[19] Zaqueros-Martinez, J., Rodriguez-Gomez, G., Tlelo-Cuautle, E., & Orihuela-Espina, F. (2023). Fuzzy synchronization of chaotic systems with hidden attractors. Entropy, 25(3), Article 495. https://doi.org/10.3390/e25030495

[20] Boulkroune, A., Boubellouta, A., Bouzeriba, A., & Zouari, F. (2025). Practical finite-time fuzzy synchronization of chaotic systems with non-integer orders: Two chattering-free approaches. Journal of Systems Science and Systems Engineering, 34(3), 334–359. https://doi.org/10.1007/s11518-024-5635-7

[21] Helmy, S., Magdy, M., & Hamdy, M. (2022). Control in the loop for synchronization of nonlinear chaotic systems via adaptive intuitionistic neuro-fuzzy: A comparative study. Complex & Intelligent Systems, 8, 3437–3450. https://doi.org/10.1007/s40747-022-00677-x

[22] Wang, R.-M., Zhang, Y.-N., Chen, Y.-Q., Chen, X., & Xi, L. (2020). Fuzzy neural network-based chaos synchronization for a class of fractional-order chaotic systems: An adaptive sliding mode control approach. [18] Helmy, S., Magdy, M., & Hamdy, M. (2022). Control in the loop for synchronization of nonlinear chaotic systems via adaptive intuitionistic neuro-fuzzy: A comparative study. Complex & Intelligent Systems, 8, 3437–3450. https://doi.org/10.1007/s40747- 022-00677-x

[19] Wang, R.-M., Zhang, Y.-N., Chen, Y.-Q., Chen, X., & Xi, L. (2020). Fuzzy neural network-based chaos synchronization for a class of fractional-order chaotic systems: An adaptive sliding mode control approach. Nonlinear Dynamics, 100(2), 1275–1287. https://doi.org/10.1007/s11071-020-05574-x Nonlinear Dynamics, 100(2), 1275–1287. https://doi.org/10.1007/s11071-020-05574-x

Descargas

Publicado

2026-11-01

Cómo citar

Pulido-Luna, J. R., López-Rentería, J. A., Cárdenas-Maciel, S. L., & Cázarez-Castro, N. R. (2026). Inteligencia computacional en la sincronización de sistemas dinámicos. RIIIT Revista Internacional de Investigación e Innovación Tecnológica, 14(83), 108-116. https://revistas.uadec.mx/RIIIT/article/view/1344