پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 691 |
| تعداد مقالات | 10,035 |
| تعداد مشاهده مقاله | 71,039,527 |
| تعداد دریافت فایل اصل مقاله | 62,489,044 |
بهینه سازی اندازه و شکل سازه های خرپا با روش بهینه سازی الگوریتم مثلث بهینه گر | ||
| مدل سازی در مهندسی | ||
| مقاله 5، دوره 14، شماره 46، مهر 1395، صفحه 51-60 اصل مقاله (1.02 M) | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2017.1775 | ||
| نویسندگان | ||
| علی قدوسیان؛ امین نیکوبین؛ مجتبی ریاحی وزواری* | ||
| دانشگاه سمنان | ||
| تاریخ دریافت: 19 آبان 1389، تاریخ بازنگری: 02 مهر 1392، تاریخ پذیرش: 02 مهر 1392 | ||
| چکیده | ||
| در این مقاله روش بهینه سازی فراابتکاری جدید تحت عنوان الگوریتم مثلث بهینه گر برای پایین آوردن وزن سازه های خرپا ارائه شده است. این روش از مثلث الهام گرفته است. در این روش بردار اولیه متغیرهای طراحی بعنوان قاعده مثلث (سطر اول) در نظر گرفته می شوند. سپس توابع هدف محاسبه و بهترین و بدترین پاسخ مشخص می شوند. بدترین پاسخ از جمعیت حذف می گردد و بقیه جمعیت با بازیابی سطر دوم را تشکیل می دهند. این عمل ادامه پیدا می کند تا به راس مثلث همان جواب بهینه برسد. در تکرار دوم، تعداد مشخصی از متغیرهای اولیه طراحی بوسیله جواب بهینه مثلث اول بازیابی و باقیمانده این جمعیت، جهت گریز از بهینه های محلی در بازه اولیه ایجاد می شوند. به این صورت قاعده مثلث بهینه دوم تشکیل می گردد. بعد مراحل قسمت قبل انجام می شود تا پاسخ بهینه مثلث دوم بدست آید. این عملیات تا برآورده شدن شرط همگرایی ادامه پیدا می کند. جهت اثبات توانمندی های الگوریتم پیشنهادی، بهینه سازی شکل و اندازه-شکل چهار سازه خرپا انجام می گیرد. نتایج آماری بدست آمده از بهینه سازی سازه های خرپا قابلیت الگوریتم مثلث بهینه گر را جهت دستیابی به پاسخ های بهینه بهتر در مقایسه با روش های بهینه سازی دیگر نشان می دهد. | ||
| کلیدواژهها | ||
| فراابتکاری؛ الگوریتم مثلث بهینه گر؛ سازه های خرپا؛ بهینه سازی شکل؛ بهینه سازی اندازه-شکل | ||
| عنوان مقاله [English] | ||
| Shaping and Sizing-Shaping Optimization of Truss Structures via Triangular Optimizer Algorithm (TOA) Optimization Method | ||
| نویسندگان [English] | ||
| ali ghoddosian؛ amin nikoobin؛ mojtaba riyahi vezvari | ||
| چکیده [English] | ||
| In this article, triangular optimizer algorithm optimization method is presented for minimizing the weight of the truss structures. Triangular optimizer algorithm is a new metaheuristic method which is inspired of triangle. In this method, the initial vector of design variables is considered as the base of the triangle (first row). Then the objective functions are calculated and the best and the worst response are identified. The worst response is removed from the current population and the remaining population after some modifications is defined the second row. This process continues till reaching the apex of triangle, the optimal solution of this triangle. In the second iteration (second triangle), a certain number of the initial design variables are retrieved by the optimal solution of the previous triangle and the remaining of this population are created in the initial interval for escape from local optimums. So base of the second optimal triangle is formed. Then the mentioned algorithm is performed until optimum response of second triangle is achieved. These operations are continued until the convergence condition being satisfied. To prove the capabilities of the proposed algorithm shaping and sizing-shaping optimization of four truss structures are considered. The obtained statistical results of truss structures optimization show that the TOA is able to managed to achieve better optimal solutions compared to different optimization techniques. | ||
| کلیدواژهها [English] | ||
| Metaheuristic, triangular optimizer algorithm, Truss Structures, Shaping Optimization, Sizing-Shaping Optimization | ||
| مراجع | ||
|
م
م
[1]
AlRashidi, M. R., El
-
Hawary, M. E.
(2007).
“
Hybrid
Particle
Swarm Optimization Approach for Solving the
Discrete OPF Problem
Considering the Valve Loading Effects
”
.
IEEE Transactions on Power
Systems, Vol. 22
, No. 4, pp. 2030
-
2038
.
[
2
]
Rao, S. S. (2009).
“
Engineering Optimization: Theory and Practice
”.
4
th
Edition, John Wiley and Sons
.
[
3
]
Prugel
-
Bennett, A. (2010).
“
Benefits of a Population: Five Mechanisms that Advantage Population
-
Based
Algorithms
”.
Evolutionary Computation, IEEE Transactions on, Vol. 14, No. 4, pp. 500
-
517
.
[
4
]
S. Kirkpat
rick, C.D. Gela
tto, M.P. Vecchi.
(1983). “
Optimization by simulated annealing
”.
Science 220, pp.
671
–
680
.
[
5
]
J. Kennedy, R.C. Eberhart.
(1995).
“
Particle swarm optimization
”.
i
n: Proceedings of IEEE International
Conference on Neural Networks,
vol. 4
, pp. 1942
–
1948
.
[
6
]
M. Melanie.
(1999).
“
An Introduction to Genetic Algorithms
”.
Massachusetts: MIT Press
.
[
7
]
M. Dorigo and C. Blum,
(2005).
“Ant colony
optimization theory: A survey”.
Theoretical Computer
Science, 344,
pp. 243
–
278
.
[
8
]
Pham DT, Ghanbarzadeh A, Koc E, Ot
ri S, Rahim S and Zaidi M.
(2005).
“
The Bees Algorithm
”
. Technical
Note, Manufacturing Engineering Centre, Cardiff University,
UK
.
[
9
]
Kang Seok Lee, Zong Woo Geem,
(2005).
“
A new meta
-
heuristic algorithm for continuous engineering
optimization: harmony se
arch theory and practice
”.
Comput. Methods Appl. Mech. Engrg. 194,
pp.
3902
–
3933
.
[
10
]
Esmat Rashedi, Hossein
Nezamabadi
-
pour, Saeid Saryazdi. (2009).
“
GSA: A Gravitational Search
Algorithm
”.
Information Sciences 179,
pp 2232
–
2248
.
[
11
]
Yang, X. S. (2009).
“
Firefly Algorithms for Multimodal Optimization
”.
Stochastic Algorithms:
Foundations and Applications, Vol. 5792, pp. 169
-
178
.
[
12
]
Kaveh, A., Talatahari, S. (2010).
“
A Novel Heuristic Optimization Method: Charged System Search
”.
Acta
Mech, Vol. 213, pp.
267
–
289
.
[
13
]
Eskandar, H., Sadollah, A
., Bahreininejad, A., Hamdi, M. (2012).
“
Water Cycle Algorithm
–
A novel
Metaheuristic Optimization Method for Solving Constrained Engineering Optimization Problems
”.
Computers and Structures, Vol. 110, pp. 151
–
166
.
[
14
]
Kaveh, A., Khayatazad, M. (2012).
“
A New Meta
-
Heuristic Method: Ray Optimization
”.
Computers and
Structures, Vol. 112, pp. 283
-
294
.
[
15
]
Kaveh, A., Farhodi, N. (2013).
“
A New Optimization Method: Dolphin Echolocation
”.
Advances in
Engineering Software, V
ol. 59, pp. 53
-
70
.
[
16
]
Kaveh A, Talatahari S.
(2009).
“
Size optimization of space trusses using Big Bang
–
Big Crunch algorithm
”.
Comput Struct; 87:
pp.
1129
-
40
.
[
17
]
Rahami H, Kaveh A, Gholipour Y.
(2008).
“
Sizing, geometry and topology optimization of
trusses via
force method and genetic algorithm
”.
Eng Struct; 30:
pp.
2360
-
9
.
[
18
]
Rasmussen MH, Stolpe M.
(2008).
“
Global optimization of discrete truss topology design problems using a
parallel cut
-
and
-
branch method
”.
Comput Struct; 86:
pp.
1527
-
38
.
[
19
]
G.I.N. Rozvany, M. Zhou. (1996).
“
Advances in overcoming computational pitfalls in topology
optimization
”.
in: Proc. of the Sixth AIAA/NASA/ISSMO Symp. on Multi
-
disc. Anal. and Optim
.
,
pp. 1122
–
1132
.
[
20
]
L. Gil, A. Andreu. (2001).
“
Shape and cross
-
section
optimization of a truss structure
”.
Comput. Struct. 79,
pp. 681
–
689
.
[
21
]
N.L. Pedersen, A.K. Nielsen. (2001).
“
Optimization of practical trusses with constraints on
eigenfrequencies, displacements, stresses and buckling
”.
report
no. 664, Technical University of
Denmark
.
[
22
]
W.H. Z
hang, M. Domaszewski, C. Fleury. (1998).
“
A new mixed convex approximation method with
applications for truss configuration optimization
”.
Struct. Optim. 15, pp. 237
–
241
.
[
23
]
Goldberg DE, Samtani MP.
(
1986).
“
Engineering optimization via genetic algorithm
”.
electronic
computation. New York: ASCE
;
p
p. 471
–
6
.
[
24
]
Jenkins WM.
(1991).
“
Towards structural optimization via the Genetic algorithm
”
. Comput Struct
;40:
pp.
1321
–
7
.
[
25
]
Adeli H, Cheng NT.
(1993)
.
“
Integrated genetic algorithm for optimization of space structures
”
. J
Aerospace Eng, ASCE;
6:
pp.
315
–
28
.
[
26
]
Rajeev S, Krishnamoorthy
. (1992).
“
CS. Discrete optimization of structures using genetic algorithms
”
. J
Struct Eng, ASCE;
118:
pp.
1233
–
50
.
[
27
]
Wu S
-
J, Chow P
-
T.
(1995).
“
Integrated discrete and configuration optimization of trusses using genetic
algorithms
”
. Comput Struct;
55(4):
pp.
695
–
702
.
[
28
]
Hwang S
-
F, He R
-
S.
(2006).
“
A hybrid real
-
parameter genetic algorithm for function optimization
”
. Adv
Eng Infor;
20:
pp.
7
–
21
.
[
29
]
Tang W, Tong L, Gu Y.
(2005).
“
Improved genetic algorithm for design optimization of truss structures
with sizing, shape and topology variables
”
. Internat J Numer Methods Engrg;
62:
pp.
1737
–
62
.
[
30
]
Hasanc ̧ebi O, Erbatu
r F.
(2001).
“
Layout optimization of trusses using improved GA methodologies
”
.
Acta Mech;
146:
pp.
87
–
107
.
[
31
]
Kaveh A, Kalatjari V.
(2004). “
Size/geometry optimization of trusses by the force method and genetic
algorithm
”
. Z Angew Math Mech;
84(5):
pp.
347
–
57
.
[
32
]
Li LJ, Huang ZB, Liu F.
(2009).
“
A heuristic particle swarm optimization method for truss structures with
discrete variables
”.
Comput Struct;
87:
pp.
435
-
43
.
[
33
]
Y.M. Xie
, G.P. Steven. (1997).
“
Evolutionary Structural Optimization
”.
Springer,
Berlin
.
[
34
]
D.N. Chu. (1997).
“
Evolutionary structural optimization method for systems with stiffness and
displacement constraints
”
. Ph.D. Thesis, Department of Civil and Building Engineering, Victoria
University of Technology, Melbourne, Australia
.
[
35
]
D. Wang, W.H. Zhang, J.S. Jiang. (2002).
“
Truss shape optimization with multiple displacement
constraints
”.
Comput. Methods Appl. Mech. Engrg.
191, pp.
3597
–
3612
.
[
36
]
H. Rahami, A. Kaveh, Y. Gholipour
. (2008).
“
Sizing, geometry and topology optimization
of trusses via
force method and genetic algorithm
”.
Engineering Structures | ||
|
آمار تعداد مشاهده مقاله: 2,635 تعداد دریافت فایل اصل مقاله: 1,568 |
||