آمار

تعداد نشریات7
تعداد شماره‌ها399
تعداد مقالات5,389
تعداد مشاهده مقاله5,288,018
تعداد دریافت فایل اصل مقاله4,882,766
دهقانی, میلاد, مشایخی, مصطفی, شریفی, مهدی. (1400). بهینه‌سازی اندازه و هندسه سازه‌های خرپایی با استفاده از ترکیب روش‌های بهینه‌سازی جستجوی گرانشی و ماشین‌های یاخته‌ای. نشریه مهندسی عمران امیرکبیر, 53(5), 2149-2174. doi: 10.22060/ceej.2020.17362.6538
میلاد دهقانی; مصطفی مشایخی; مهدی شریفی. "بهینه‌سازی اندازه و هندسه سازه‌های خرپایی با استفاده از ترکیب روش‌های بهینه‌سازی جستجوی گرانشی و ماشین‌های یاخته‌ای". نشریه مهندسی عمران امیرکبیر, 53, 5, 1400, 2149-2174. doi: 10.22060/ceej.2020.17362.6538
دهقانی, میلاد, مشایخی, مصطفی, شریفی, مهدی. (1400). 'بهینه‌سازی اندازه و هندسه سازه‌های خرپایی با استفاده از ترکیب روش‌های بهینه‌سازی جستجوی گرانشی و ماشین‌های یاخته‌ای', نشریه مهندسی عمران امیرکبیر, 53(5), pp. 2149-2174. doi: 10.22060/ceej.2020.17362.6538
دهقانی, میلاد, مشایخی, مصطفی, شریفی, مهدی. بهینه‌سازی اندازه و هندسه سازه‌های خرپایی با استفاده از ترکیب روش‌های بهینه‌سازی جستجوی گرانشی و ماشین‌های یاخته‌ای. نشریه مهندسی عمران امیرکبیر, 1400; 53(5): 2149-2174. doi: 10.22060/ceej.2020.17362.6538

بهینه‌سازی اندازه و هندسه سازه‌های خرپایی با استفاده از ترکیب روش‌های بهینه‌سازی جستجوی گرانشی و ماشین‌های یاخته‌ای

نشریه مهندسی عمران امیرکبیر
مقاله 24، دوره 53، شماره 5، مرداد 1400، صفحه 2149-2174    اصل مقاله (1.29 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22060/ceej.2020.17362.6538
نویسندگان
میلاد دهقانی1؛ مصطفی مشایخی* 2؛ مهدی شریفی1
1دانشکده فنی مهندسی، دانشگاه قم، قم، ایران.
2دانشکده فنی و مهندسی، دانشگاه ولی عصر (عج) رفسنجان، رفسنجان، ایران.
چکیده
در این مطالعه، روشی جدید جهت استفاده در حل مسائل بهینه­ سازی هندسه و اندازه در سازه ­های خرپایی با استفاده از ترکیب مؤثر روش ماشین­ های یاخته­ ای (CA) و الگوریتم جستجوی گرانشی (GSA) ارائه شده است که در ادامه به نام روش CA-GSA نام‌گذاری شده است. اساس روش GSA، قوانین گرانش نیوتنی و حرکت است. این الگوریتم به علت تأثیرگذاری مستقیم همه اجرام بر یکدیگر و عدم توجه به موضوع نخبه­ گرایی، دارای ضعف همگرایی محلی است. در این تحقیق، با کمک روش CA، اجرام در یک شبکه سلولی متناهی توزیع شده­اند و هر سلول تنها با همسایه­ های خود در ارتباط است. در روش CA-GSA، قوانین گرانش و حرکت اجرام در روش GSA به عنوان عامل ارتباط هر سلول با سلول­ های همسایه خود تعریف شده است. بنابراین، نیروی اعمال شده به هر جرم از برآیند نیروی اجرام برتر همسایه­ اش، بدست می­ آید. تعریف این اجرام همسایه و اعمال نیروی آنها به جرم مرکزی، حافظه و نخبه­ گرایی را به الگوریتم GSA افزوده است. مزیت دیگر روش جدید، به‌روزرسانی شبکه سلولی پس از هر به‌روزرسانی است که موجب می­ شود الگوریتم با تعداد آنالیزهای کمتر به مقدار بهینه اصلی دست بیابد. جهت بررسی سودمندی روش پیشنهادی و مقایسه با روش­ های CA و GSA، از سه روش CA، GSA و CA-GSA در حل چهار مسأله بهینه­ سازی هندسه و اندازه اعضای سازهای خرپایی مبنا استفاده شده است. نتایج الگوریتم توسعه داده شده در این مقاله نشان‌دهنده­ ی برتری و قدرت این الگوریتم در بهینه‌سازی هندسه و اندازه سازه ­های خرپایی نسبت به سایر روش ­های مقایسه شده در این مقاله می ­باشد.
کلیدواژه‌ها
ماشین‌های یاخته‌ای؛ سازه‌های خرپایی؛ بهینه‌سازی؛ الگوریتم جستجوی گرانشی؛ الگوریتم‌های بهینه‌سازی تلفیقی
عنوان مقاله [English]
Sizing and Geometry Optimization of Truss Structures Using a Hybrid of Gravitational Search Algorithm and Cellular Automata
نویسندگان [English]
Milad Dehghani1؛ Mostafa Mashayekhi2؛ Mehdi Sharifi1
1Department of Civil Engineering, Faculty of Engineering, University of Qom,Qom, Iran
2Department of Civil Engineering, Faculty of Technical and Engineering, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran
چکیده [English]
In this study, a new method is presented to solve the geometry and sizing optimization problems of truss structures using an effective hybrid of cellular automata (CA) and gravitational search algorithm (GSA), which is named the CA-GSA method. The basic of the GSA is the Newtonian Gravity and Motion laws. Due to the direct effect of all objects on each other and the lack of attention to elitist selection, this algorithm converges to a local optimum point. In this study, with the help of the CA method, masses are distributed in a finite cellular network, and each cell is only related to its neighbors. In the CA-GSA method, the laws of gravity and motion of masses in the GSA method are defined as the relationship factor of each cell to its neighboring ones. Therefore, the applied force on each mass is obtained from the resultant force of its top neighboring masses. The definition of these top neighboring masses and their applied force on the central mass add memory and elitist selection to the GSA algorithm, respectively. Another advantage of the new method is to update the cellular network after any local evolution, which makes it possible to achieve the optimal point using fewer analyzes. To investigate the usefulness of the proposed method, the CA-GSA method was used to solve the geometry and sizing optimization problems of four benchmark truss structures. The results of CA-GSA show the superiority and power of this algorithm in comparison with the methods introduced in the literature.
کلیدواژه‌ها [English]
Cellular automata, Truss structures, Optimization, Gravitational search algorithm, Hybrid optimization methods
سایر فایل های مرتبط با مقاله
مراجع
  1. Anthony, S. Elliott, A. Keane, Robustness of optimal design solutions to reduce vibration transmission in a lightweight 2-D structure, part i: Geometric design, Journal of Sound and Vibration, 229(3) (2000) 505-528.
  2. E. Goldberg, J.H. Holland, Genetic algorithms and machine learning, Machine learning, 3(2) (1988) 95-99.
  3. Das, P.N. Suganthan, Differential evolution: A survey of the state-of-the-art, IEEE transactions on evolutionary computation, 15(1) (2011) 4-31.
  4. -S. Yang, A new metaheuristic bat-inspired algorithm, in: Nature inspired cooperative strategies for optimization (NICSO 2010), Springer, 2010, pp. 65-74.
  5. -S. Yang, Firefly algorithm, stochastic test functions and design optimisation, arXiv preprint arXiv:1003.1409, (2010).
  6. Dorigo, V. Maniezzo, A. Colorni, Ant system: optimization by a colony of cooperating agents, IEEE Transactions on Systems, man, and cybernetics, Part B: Cybernetics, 26(1) (1996) 29-41.
  7. Kennedy, Particle swarm optimization, Encyclopedia of machine learning, (2010) 760-766.
  8. Rashedi, H. Nezamabadi-Pour, S. Saryazdi, Filter modeling using gravitational search algorithm, Engineering Applications of Artificial Intelligence, 24(1) (2011) 117-122.
  9. Rashedi, H. Nezamabadi-Pour, S. Saryazdi, GSA: a gravitational search algorithm, Information Sciences, 179(13) (2009) 2232-2248.
  10. Kaveh, S. Talatahari, A novel heuristic optimization method: charged system search, Acta Mechanica, 213(3-4) (2010) 267-289.
  11. W. Geem, J.H. Kim, G.V. Loganathan, A new heuristic optimization algorithm: harmony search, Simulation, 76(2) (2001) 60-68.
  12. Kaveh, V.R. Mahdavi, Colliding bodies optimization: a novel meta-heuristic method, Computers & Structures, 139 (2014) 18-27.
  13. Atashpaz-Gargari, C. Lucas, Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition, in: 2007 IEEE Congress on Evolutionary Computation, IEEE, 2007, pp. 4661-4667.
  14. Kaveh, M. Shahrouzi, Dynamic selective pressure using hybrid evolutionary and ant system strategies for structural optimization, International Journal for Numerical Methods in Engineering, 73(4) (2008) 544-563.
  15. Kaveh, S. Talatahar, A hybrid particle swarm and ant colony optimization for design of truss structures, Asian Journal of Civil Engineering (building and housing), 9 (2008) 329 To 348.
  16. Kaveh, S. Malakoutirad, Hybrid genetic algorithm and particle swarm optimization for the force method-based simultaneous analysis and design, Iranian Journal of Science and Technology Transaction, 344 (2010) 15 To 34.
  17. Kaveh, S. Talatahari, Particle swarm optimizer, ant colony strategy and harmony search scheme hybridized for optimization of truss structures, Computers & Structures, 87(5-6) (2009) 267-283.
  18. Kaveh, S. Talatahari, Hybrid charged system search and particle swarm optimization for engineering design problems, Engineering Computations, 28 (2011).
  19. Mashayekhi, E. Salajegheh, M. Dehghani, Topology optimization of double and triple layer grid structures using a modified gravitational harmony search algorithm with efficient member grouping strategy, Computers & Structures, 172 (2016) 40-58.
  20. Mashayekhi, E. Salajegheh, M. Dehghani, A new hybrid algorithm for topology optimization of double layer grids, International Journal of Optimization in Civil Engineering, 5(3) (2015) 353-374.
  21. Kaveh, A. Zolghadr, Truss optimization with natural frequency constraints using a hybridized CSS-BBBC algorithm with trap recognition capability, Computers & Structures, 102 (2012) 14-27.
  22. Kaveh, S. Talatahari, Optimal design of Schwedler and ribbed domes via hybrid Big Bang–Big Crunch algorithm, Journal of Constructional Steel Research, 66(3) (2010) 412-419.
  23. Kaveh, S.M. Javadi, An efficient hybrid particle swarm strategy, ray optimizer, and harmony search algorithm for optimal design of truss structures, PeriodicaPolytechnica Civil Engineering, 58(2) (2014) 155-171.
  24. Mashayekhi, J. Salajegheh, M. Fadaee, E. Salajegheh, A two-stage SIMP-ACO method for reliability-based topology optimization of double layer grids, International Journal of Optimization in Civil Engineering, 1(4) (2011) 521-542.
  25. Mashayekhi, E. Salajegheh, J. Salajegheh, M.J. Fadaee, Reliability-based topology optimization of double layer grids using a two-stage optimization method, Structural and Multidisciplinary Optimization, 45(6) (2012) 815-833.
  26. Mashayekhi, M. Fadaee, J. Salajegheh, E. Salajegheh, Topology optimization of double layer grids for earthquake loads using a two-stage ESO-ACO method, International Journal of Optimization in Civil Engineering, 1(2) (2011) 211-232.
  27. Dehghani, M. Mashayekhi, E. Salajegheh, Topology optimization of double-and triple-layer grids using a hybrid methodology, Engineering Optimization, 48(8) (2016) 1333-1349.
  28. L. Schiff, Cellular automata: a discrete view of the world, John Wiley & Sons, 2011.
  29. Wolfram, Cellular automata and complexity: collected papers, CRC Press, 2018.
  30. Esnaashari, M. Meybodi, A cellular learning automata based clustering algorithm for wireless sensor networks, Sensor Letters, 6(5) (2008) 723-735.
  31. Vafashoar, M. Meybodi, A.M. Azandaryani, CLA-DE: a hybrid model based on cellular learning automata for numerical optimization, Applied Intelligence, 36(3) (2012) 735-748.
  32. E. Canyurt, P. Hajela, Cellular genetic algorithm technique for the multicriterion design optimization, Structural and Multidisciplinary Optimization, 40(1-6) (2010) 201-214.
  33. Sidiropoulos, D. Fotakis, Cell-based genetic algorithm and simulated annealing for spatial groundwater allocation, WSEAS Transactions on Environment and Development, 4(5) (2009) 1-10.
  34. Du, P. Fei, J. Jian, A new cellular automata-based mixed cellular ant algorithm for solving continuous system optimization programs, in: 2008 Fourth International Conference on Natural Computation, IEEE, 2008, pp. 407-411.
  35. Gholizadeh, Layout optimization of truss structures by hybridizing cellular automata and particle swarm optimization, Computers & Structures, 125 (2013) 86-99.
  36. Nowrouzifar, E. Rashedi, M. Rajabi, F. Naseri, Urban growth modeling using integrated cellular automata and gravitational search algorithm (case study: Shiraz city, Iran), Journal of Geomatics Science and Technology, 7(1) (2017) 29-39.
  37. Bochenek, K. Tajs-Zielińska, Novel local rules of Cellular Automata applied to topology and size optimization, Engineering Optimization, 44(1) (2012) 23-35.
  38. L. Penninger, L.T. Watson, A. Tovar, J.E. Renaud, Convergence analysis of hybrid cellular automata for topology optimization, Structural and Multidisciplinary Optimization, 40(1-6) (2010) 271-282.
  39. Tovar, N.M. Patel, G.L. Niebur, M. Sen, J.E. Renaud, Topology optimization using a hybrid cellular automaton method with local control rules, Journal of Mechanical Design, 128(6) (2006) 1205-1216.
  40. Evsutin, A. Shelupanov, R. Meshcheryakov, D. Bondarenko, A. Rashchupkina, The algorithm of continuous optimization based on the modified cellular automaton, Symmetry, 8(9) (2016) 84.
  41. Cortés, A. Tovar, J.D. Munoz, N.M. Patel, J.E. Renaud, Topology optimization of truss structures using cellular automata with accelerated simultaneous analysis and design, in: Proc. of 6th World Congress on Structural and Multidisciplinary Optimization. Rio de Janeiro, Brazil, 2005.
  42. Frisch, B. Hasslacher, Y. Pomeau, Lattice-gas automata for the Navier-Stokes equation, Physical review letters, 56(14) (1986) 1505.
  43. Rahami, A. Kaveh, Y. Gholipour, Sizing, geometry and topology optimization of trusses via force method and genetic algorithm, Engineering Structures, 30(9) (2008) 2360-2369.
  44. Hasançebi, F. Erbatur, On efficient use of simulated annealing in complex structural optimization problems, Acta Mechanica, 157(1-4) (2002) 27-50.
  45. Tang, L. Tong, Y. Gu, Improved genetic algorithm for design optimization of truss structures with sizing, shape and topology variables, International Journal for Numerical Methods in Engineering, 62(13) (2005) 1737-1762.
  46. Degertekin, L. Lamberti, I. Ugur, Sizing, layout and topology design optimization of truss structures using the Jaya algorithm, Applied Soft Computing, 70 (2018) 903-928.
  47. Hasancebi, F. Erbatur, Layout optimization of trusses using improved GA methodologies, Acta mechanica, 146(1-2) (2001) 87-107.
  48. Salajegheh, G.N. Vanderplaats, Optimum design of trusses with discrete sizing and shape variables, Structural Optimization, 6(2) (1993) 79-85.
آمار
تعداد مشاهده مقاله: 523
تعداد دریافت فایل اصل مقاله: 936


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب