الگوریتم تجمع ذرات اصلاح شده با جهش دینامیکی و کاربرد آن در بهینه‌سازی قابهای خمشی بتن آرمه
محورهای موضوعی : آنالیز سازه - زلزله
سیامک علی زاد
1
(کارشناسی ارشد واحد مراغه)
احمد ملکی
2
(استادیار گروه عمران واحد مراغه)
کلید واژه: بهینه‌سازی, الگوریتم تجمع ذرات اصلاح شده, قابهای خمشی بتن آرمه,
چکیده مقاله :
هدف از تحقیق حاضر، بررسی میزان تاثیرگذاری جهش دینامیکی در بهبود عملکرد الگوریتم PSO استاندارد است. الگوریتم جدید تولید شده، الگوریتم تجمع ذرات اصلاح شده MPSO نامگذاری شده است که در آن جهت گریز از بهینه‌های محلی، از جهش دینامیکی بهره جسته شده است. بهینه‌سازی به معنای یافتن بهترین پاسخ یک مسئله تحت شرایط یک سری قیود از پیش تعیین شده است. منظور از بهترین پاسخ بسته به نوع مسئله می‌تواند متفاوت باشد. بعنوان مثال در مسائل مهندسی سازه، بهترین پاسخ می‌تواند هزینه حداقل ساخت و ساز یا توزیع بسیار نزدیک به یکنواخت تغییرمکان نسبی طبقات و غیره باشد. در دیگر علوم نیز این موضوع مطرح است که از آن میان می‌توان به مسائل مربوط به حمل و نقل، برق و الکترونیک، زیست‌شناسی، جامعه‌شناسی و غیره اشاره نمود. روشهای مختلفی برای حل مسائل بهینه‌سازی مطرح شده است که می‌توان آنها را در دو مجموعه کلی روشهای مبتنی بر مشتق و روشهای فراکاوشی طبقه بندی کرد. روشهای مبتنی بر مشتق جزو روشهای ابتدایی ولی قدرتمند مطرح بودند و مزیت آنها نسبت به روشهای فراکاوشی آن بود که حجم محاسبات کمتری را می طلبیدند. ولی لازم بود که تابع هدف از یک رابطه پیوسته بر اساس متغیرهای طراحی پیروی نماید. با گسترش مسائل مهندسی و دسترسی به کامپیوترهای قوی، حجم زیاد محاسبات دیگر بعنوان یک مشکل برای روشهای فراکاوشی مطرح نشد. این روشها نسبت به روشهای مبتنی بر مشتق، از مفاهیم ساده‌تری بهره می‌برند و لازم نیست به مفاهیم پیچیده ریاضی وارد شد. در نتیجه در دهه اخیر به شدت رشد پیدا کرده‌اند. الگوریتم تجمع ذرات جزو طبقه‎بندی روشهای فراکاوشی است. جهت بررسی عملکرد این الگوریتم جدید، از آن برای حل مسئله‌های بهینه‌سازی سازهای استفاده شده است. این مسئله ها، قابهای خمشی بتن آرمه هستند که قبلا توسط محققین مختلف مورد ارزیابی قرار گرفته اند. نتایج بهینه‌سازی با استفاده از MPSO بسیار مطلوب ارزیابی می‌شود و بهبودهای چشمگیری در حلهای نهایی حاصل شده است.
The main purpose of the current research is to develop a new mechanism that makes PSO to work better. Optimization is a tool to find the best solution of a multi-modal problem. Nowadays engineers and designers are looking for optimal designs due to restriction of resources. Recently many optimization algorithms have been developed to takle complex problems, such as Particle Swarm Optimization (PSO). This algorithm is known as a strong explorer but weak exploiter. The main problem is many internal parameters to be tuned. So that users should achive a set of sensitivity analyses to adjust them for the problem at hand, but in the mean time the obtainded values may not proper for other problems. In the present work, in order to overcome this shortcoming, a mutation mechanism as an important element of genetic algorithm is implemented in PSO. Each particle in the optimization proccess is assigned with a random number, then, as the procedure goes on, the random number of each individual is compared with a treshhold and if it is smaller than the treshhold, the particle gets mutated. This new algorithm entitled as modified particle swarm optimization (PSO). Three reinforced concrete MRF optimum design problems are solved by MPSO, PSO and results compared together with another research results based on HS algorithm. Studying the results show that MPSO compared with adjusted PSO by sensitivity analysis and HS, not only brings to better solutions, but it also does not need to any manual adjustment by sensitivity analysis.
_||_