بهینه سازی قاب دوبعدی با استفاده از ترکیب الگوریتم جامعه پرندگان و مدل جایگزین فرآیند گوسی تحت بار زلزله

• مقاله با عنوان: بهینه سازی قاب دوبعدی با استفاده از ترکیب الگوریتم جامعه پرندگان و مدل جایگزین فرآیند گوسی تحت بار زلزله 

• نویسندگان: محسنه اسدی ، سعید شجاعی ، پیمان ترکزاده 

• محل انتشار: هشتمین کنگره ملی مهندسی عمران - دانشگاه صنعتی نوشیروانی بابل - 17 و 18 اردیبهشت 93  

• محور: سازه های فولادی 

• فرمت فایل: PDF و شامل 7 صفحه می‌باشد.

چکیــــده:

در بهینه سازی دینامیکی قاب‌ها برای بدست آوردن پاسخ مسئله نیازمند تحلیل سازه در هر نسل هستیم که زمان زیادی را می‌طلبد و با افزایش زمان و درجات آزادی، بیشتر نیز می‌شوند. روش‌های جایگزین با برقراری یک رابطه تقریبی بین ورودی‌ها و خروجی‌های مسئله، جوابی نزدیک به حل مستقیم را در زمانی کوتاهتر بدست می‌دهند. از میان تکنیک‌های مختلف ساخت مدل جایگزین، روش فرآیند گوسی (GP) عملکرد مناسبی از خود نشان داده است. در این تحقیق روشی برای ترکیب مدل‌های جایگزین در راستای تسریع الگوریتم‌های فراابتکاری برای بهینه سازی قاب تحت بار زلزله ارائه می‌گردد. در ابتدا، با استفاده از روش مستقیم، سازه موردنظر را تحلیل دینامیکی کرده و نتایج را ذخیره می‌کنیم که در نهایت از آنها برای آموزش روش تقریبی استفاده می‌کنیم. با شروع به کار الگوریتم بهینه ساز (PSO) بجای استفاده از روش مستقیم، از روش تقریبی فرآیند گوسی (GP) استفاده می‌کنیم.

مقدمه:

بهینه سازی یعنی بهترین جواب برای هر نوع مسئله‌ای در حالی که محدودیت‌های مشخصی برای آن وجود داشته باشد. امروزه با وجود مسائل با ابعاد بزرگ و پیچیده و با توجه به اهمیت زمان و دقت، روش‌های بهینه سازی قدیمی دیگر توانایی حل مسائل بزرگ را ندارند. به همین دلیل نیاز به الگوریتم‌های تکاملی روز به روز بیشتر می‌شود. الگوریتم‌های که هم باعث صرفه جویی در زمان می‌شوند و هم به همگرایی به بهینه سراسری و گریز از بهینه محلی، منجر می‌شود. الگوریتم اجتماع ذرات یکی از این الگوریتم ها می‌باشد و از جدیدترین روش‌های جستجو می‌باشد. در این الگوریتم که توسط دکتر راسل ابرهات و دکتر جیمز کندی در 1995 ارائه شده است و از رفتار جمعی پرندگان و ماهی‌ها الهام گرفته شده است، فرآیند حرکت پرندگان به سمت منبع غذا یک پدیده اتفاقی طبیعی است که باعث می‌شود هر پرنده در گروه با سرعت و جهت خاص خود حرکت کند و موقعیت اولیه خود را در گروه بهبود دهد. بردار سرعت براساس حافظه ذخیره شده به وسیله هر پرنده بهبود می‌یابد که این حافظه اطلاعات شخصی هر فرد می‌باشد و از طرف دیگر موقعیت هر ذره در گروه با توجه به رفتار کلی گروه بهبود می‌یابد و گروه در مسیر جستجوی خود به مناطق بهتری دست می‌یابد و این چرخه بهبود موقعیت هر ذره و متعاقباً بهبود موقعیت کل گروه ادامه دارد تا گروه به بهترین نقطه (منبع غذا) برسد.

الگوریتم ژنتیک نیز یک روش بهینه سازی از طبیعت جاندار است که می‌توان از آن بعنوان یک روش عددی، جستجوی مستقیم و تصادفی نام برد. اساسی‌ترین اصل تکامل وراثت است، هرنسل خصوصیات نسل قبلی را به ارث می برد و به نسل بعد انتقال می دهد. جان هالند 1967 ایده استفاده از الگوریتم ژنتیک را در بهینه سازی‌های مهندسی را مطرح کرد. در این روش، ابتدا برای تعداد ثابت که جمعیت نامیده می‌شود مجموعه ای از پارامترهای هدف بصورت اتفاقی تولید می‌شود. پس از اجرای برنامه شبیه ساز عددی را که معرف انحراف معیار و یا برازش آن مجموعه از اطلاعات است را به آن عضو از جمعیت مذکور نسبت می‌دهیم. این عمل را برای تک تک اعضای ایجاد شده تکرار می‌کنیم تا مناسب ترین نسل‌های والد انتخاب شوند. سپس با فراخوانی عملگرهای ژنتیک از جمله جهش و انتخاب نسل بعدی را شکل می‌دهیم و در پایان هر مرحله نسل جدید ایجاده شده را با نسل‌های قبلی جایگزین می‌نماید. این روال تا برقراری معیار همگرایی ادامه داده خواهد شد.

در اینجا یک برنامه‌ی طراحی داریم که پاسخ سازه‌ها را محاسبه می‌کند و از طرفی یک الگوریتم بهینه ساز که یک مسئله مقید را در بر می‌گیرد. برای ترکیب این دو برنامه مشکلاتی وجود دارد که هزینه محاسباتی بالا یا بعبارتی صرف زمان طولانی از جمله این مشکلات می‌باشد. برای بسیاری از مسائل بهینه سازی سازه‌ها، ارزیابی تابع هدف و قیود مسئله مستلزم اجرا نمودن تحلیل‌های زیاد پر هزینه است تا بتوان تغییرمکان‌ها، تنش‌ها و پاسخ‌های دیگر سازه را بدست آورد. برای حل این مشکل بهینه سازی تقریبی پیشنهاد می‌شود یعنی استفاده از مدل‌های جایگزین و تقریبی بجای تحلیل دقیق برای ترکیب با بهینه ساز. به این صورت که ابتدا از تحلیل دقیق برای طراحی اولیه و اطلاعاتی برای تقریب ها استفاده می‌شود و می‌توانیم با تحلیل سازه در چند نقطه از فضای طراحی، روند تحلیل را بوسیله روش جایگزین تقریب سازی کرده و پاسخ تقریبی را در نقاط دیگر فضای طراحی بدست آوریم. در این تحقیق از روش فرآیند گوسی برای تقریب سازی پاسخ تحلیل دینامیکی تاریخچه زمانی استفاده شده است. این روش، روشی جدید و کارآمد است که توانایی خود را در حل مسائل تقریب سازی بخوبی نشان داده است. مدل فرآیند گوسی در واقع معادل رفتار بیزین یک کلاس خاص از شبکه‌های پرسپترون چند لایه در حالت حدی شبکه های بی نهایت بزرگ است.

________________________________

** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **

** توجه: در صورت مشکل در باز شدن فایل PDF مقالات نام فایل را به انگلیسی Rename کنید. **

** درخواست مقالات کنفرانس‌ها و همایش‌ها: با ارسال عنوان مقالات درخواستی خود به ایمیل [e-mail] پس از قرار گرفتن مقالات در سایت به راحتی اقدام به خرید و دریافت مقالات مورد نظر خود نمایید. **