بهینه سازی خرپاها با استفاده از روش الگوریتم ژنتیک
Optimization of trusses using genetic algorithm method
بهینه سازی خرپاها با استفاده از روش الگوریتم ژنتیک – کارشناسی ارشد
این پایان نامه به بیان روش الگوریتم ژنتیک و نیز نحوه استفاده از آن در بهینه سازی خرپا میپردازد. بهینه سازی خرپا شامل بهینه سازی شکل ، اندازه (سطح مقطع) و توپولوژی خرپا میباشد که در اینجا بهینه سازی شکل و اندازه خرپا بیان میشود. یک مسئله بهینه سازی شامل متغیرهای طراحی ، محدودیت طراحی و تابع هدف میباشد که انتخاب تابع هدف به طبیعت مسئله بستگی داشته و در مورد طراحی سازه ها ، معمولا حداقل کردن وزن سازه به عنوان تابع هدف در نظر گرفته میشود. روش الگوریتم ژنتیک یک شیوه مناسب برای بهینه سازی سازه ها بخصوص در مورد سازه های با متغیرهای گسسته میباشد که بر اساس جستجوی غیر خطی و عدم بکاربردن گرادیان تاتع هدف به جواب بهینه میرسد. در این روش با استفاده از متغیرهای رمزگذاری شده و عملگرهای تکثیر ، پیوند و جهش یک تابع هدف اصلاح شده به نام تابع صلاحیت نتیجه میشود. یک الگوریتم ژنتیکی ساده از چهار مرحله تولید جمعیتی از کروموزومها ، ارزیابی هر کروموزم ، انتخاب بهترین کرموزوم و در پایان اعمال عملگرهای ژنتیکی برای تولید جمعیتی جدید تشکیل شده است . از جمله عوامل موثر در کارایی الگوریتم ژنتیک، تعیین پارامترهای کنترل این روش یعنی ، اندازه جمعیت ، احتمال پیوند و احتمال جهش میباشد . انتخاب این پارامتر بستگی به فعل و انفعال عملگرهای ژنتیکی دارد. در این تحقیق ضمن بررسی روش الگوریتم ژنتیک و تعیین مقادیر مناسب برای هر یک از عوامل این روش ، سه روش پیشنهاد شده از سوی محققین برای بهینه سازی خرپاها بیان گردیده است . هر یک از این روشها برای عملگرانتخاب و تکثیر روابط متفاوتی را ارائه کرده اند که با ایجاد تغییر در نحوه انتخاب و تعداد رشته تکثیر یافته سبب بوجود آمدن طرحهای بهتری میشوند. همچنین یک روش جدیدی برای دو عملگر فوق پیشنهاد شده است که با انتخاب چند نمونه خرپا با شرایط متفاوت و با استفاده از برنامه کامپیوتری ، هر یک از چهار روش فوق را آنالیز کرده و نتایج حاصله با یکدیگر در نمودارهایی مقایسه شده اند. در پایان به بیان نتایج حاصله پرداخته و مهمترین پیشنهاد ، افزایش همزمان اندازه جمعیت و کاهش طول کروموزوم برای هر چه کارآمدتر شدن روش ژنتیک بیان شده است .
کلیدواژه
بهینه سازی , الگورریتم ژنتیک , خرپا , truss , genetic algorithm , optimization