۲۲۲۴۲پ
per
مقایسه کیفی روش‌های فراکاوشی و الگوریتم ژنتیک برای بهینه-سازی اندازه سازه‌های خرپایی
comparative study on meta-heuristic methods and genetic algorithm in size optimization of truss structures A
/امین نوروزی کندلاتی
: عمران
، ۱۳۹۸
، افشاری
۸۵ص
چاپی - الکترونیکی
کارشناسی ارشد
سازه
۱۳۹۸/۰۶/۱۰
تبریز
هدف :تحقیق پیش‌صرو مقایسه‌صای کیفی و جامع بین الگوریتم‌صهای فراکاوشی موجود با الگوریتم ژنتیک استاندارد با هدف بهینه‌صسازی اندازه) کمینه سازی وزن (سازه‌صهای خرپایی است .روش‌شناسی پژوهش :از آنجا که عملکرد الگوریتم ژنتیک عمدتا وابسته به اپراتورهای استاندارد این الگوریتم شامل اپراتور تولید مثل و جهش است، در این تحقیق سعی شده است تا با استفاده از اپراتورهای مناسب نتایج به مراتب بهتری را کسب نمود .عملکرد الگوریتم ژنتیک با استفاده از حل تعدادی از مسائل بررسی شده در مطالعات گذشته به چالش دوباره کشیده شده و برای انجام و ارائه یک مقایسه منطقی، نتایج به دست آمده با نتایج موجود در مقالات و مطالعات پیشین مقایسه شده است .همچنین قیود حاکم بر تمامی مسائل شامل جاصبه‌صجایی‌صهای گره‌صای، تنش‌صهای فشاری و کششی و لاغری اعضا کاملا یکسان با سایر تحقیقات انجام شده‌ص، در نظر گرفته شده است .یافته‌ها :با انتخاب صحیح اپراتورهای بهبود دهنده الگوریتم ژنتیک و پیاده‌صسازی این الگوریتم با رویکرد ایجاد تنوع بیشتر در روند تولید پاسخ‌صها، الگوریتم ژنتیک قادر خواهد بود تا نتایجی به مراتب بهتر نسبت به نسخه‌صهای قبلی خود و همچنین سایر الگوریتم‌صهای فراکاوشی ارائه نماید .نتیجه‌گیری :با وجود حجم گسترده‌ص مطالعات انجام شده در زمینه بهینه‌صسازی اندازه سازه‌صهای خرپایی و تنوع الگوریتم‌صهای فراکاوشی مورد استفاده به این منظور، الگوریتم ژنتیک قابل ارتقاء به درجه‌صای است که عملکرد قابل قبول آن در مقایسه با سایر الگوریتم‌صهای فراکاوشی، قابل چشم‌صپوشی نبوده و حتی در اکثر موارد عملکرد بهتری ارائه می‌صدهد .
This paper is a comprehensive comparative study on the efficiency of meta-heuristic methods utilized for size optimization of steel trusses in which the main aim is to minimize the weight of a structure. A standard genetic algorithm (GA) with specialized crossover and mutation operators and its relative productivity and competitiveness is discussed. The reliability of this study is investigated through divergent types of numerical problems taken from technical literature with continuous and discrete variables. Design constraints, including displacement, tensile and compressive stresses and stability are considered identical to those of other literature with the aim of a fair comparison of the GA with other meta-heuristic methods in terms of results. It is concluded that despite all remarkable efforts on the development of different meta-heuristic algorithms for size optimization of truss structures, the genetic algorithm could be enhanced to the extent that its robust performance cannot be neglected. Research method: The efficiency of the method is examined through five numerical design problems including three benchmark and two large-scale practical trusses. For achieving a thorough and fair comparison, the performance of the GA is compared with a wide variety of divergent meta-heuristic methods and all constraints and design considerations of the problems are considered identical to those of other literature. The results are compared in terms of several decisive factors including the best weight, the number of evaluations of the objective function, constraint tolerance as well as standard deviation and average weight obtained over 20 independent runs. Findings: According to the results illustrated in the GA is capable of finding optimal solutions relatively better than other techniques. In terms of convergence speed, the GA needs fewer numbers of analyses in comparison with the majority of other available methods. Although in proportion to some techniques the GA needs more numbers of analyses (because of lighter weight obtained by the GA) these differences in the computational effort are reasonable. Conclusion: According to the results, the GA has an acceptable performance in reaching near optimal solution over several independent efforts. To be brief the GA has relatively acceptable and even better performance than other meta-heuristic techniques in most of problems investigated within this study. Moreover, the most prominent result of current study is to highlight the fact that the first and the most renowned meta-heuristic method, genetic algorithm has still the capacity of competing with other meta-heuristic techniques dealing with size optimization of truss structures
comparative study on meta-heuristic methods and genetic algorithm in size optimization of truss structures A
نوروزی کندلاتی، امین
Norouzi Kandelati, Amin
سیاه و سفید
نمایه‌سازی قبلی
