文摘
整个重量和联合电网结构的位移在这项研究同时最小化。四多目标优化算法、NSGAII SPEAII PESAII,深渊是用来执行与优化相关的计算程序流程。相关的设计约束可服务性和电网结构的极限强度是实现从负载和阻力系数设计钢结构研究所(LRFD-AISC Ver.13)。因此,虽然这四种优化算法的计算性能比较使用不同的优化器相关的参数组合,网格成员的各种优势也评估。为此,应用多目标优化算法(恐鸟)采用优化设计的三个应用实例,取得了以生成不同的最优使用不同的组合优化器相关的参数名称。根据评估这些最优考虑各种质量指标名称,IGD,高压,并传播,深渊显示了一个更好的性能相对其他三个提议恐鸟,NSGAII SPEAII, PESAII。
<年代p一个ncl一个年代年代="end-abs">1。介绍
格排系统利用不同的结构像桥或船甲板,楼层和空间建筑,等等,包含导线和纵向梁,可用的钢型材截面不同。钢截面的最优选择一组离散的实际可用钢概要文件提供了一个大贡献构建网格结构的成本。因此,网格结构的重量或偏转的关节是按照一定的设计规定限制最小化任何代码的练习,比如LRFD。在格排系统的优化设计,设计师经常面对的问题作出相关决定确定最合适的一个在这两个矛盾的和相应的目标函数。虽然displacement-related约束是实施(max跨度/ 300)根据LRFD-AISC的规定规范,安全边际位移约束大当考虑网格结构位移具有较高灵敏度,如船甲板和地板的工业建筑熊特殊机器所需的常规工作的横向平衡位置。这个任务已经很容易克服的一种方式的概念引入网格系统的多目标优化设计应用。
初步的多目标优化技术,其基础是构成数学规划原则,被追溯到1950年代。然而,数学规划技术调整决策变量的连续式根据梯度信息计算目标函数的使用。此外,搜索空间是凹和不连续时,他们失败了。为了处理这些任务,选择优化程序,模拟各种自然事件,例如,进化系统,免疫系统,社会行为的蚂蚁,昆虫,和动物,已经开发出来。最可取的是基于进化论的算法。这些生物自然进化模型利用特征属性,例如,遗传,选择,等等,创造素质较高的人群。特别是遗传算法(气)是最灵活的多目标进化工具将允许一个实现各种运营商为其进化计算。因此,它混合了不同的本地搜索技术。
首先研究多目标进化优化,称为向量评价遗传算法GA (VEGA)是由使用的原则(<一个href="#B1">1一个>]。织女星雇佣了大量的亚种群搜索解空间考虑修改后的选择机制。织女星的出现后,两种特色的方法,目标函数的线性聚合和词典顺序是(<一个href="#B2">2一个>,<一个href="#B3">3一个>]。他们把所有目标函数变成了一个目标函数的优化每个目标函数没有减少他们的解决方案的品质。
作为替代早期的尝试上面提到的,一个pareto-based进化方法被开发来增加种群多样性(<一个href="#B4">4一个>]。的一些初步pareto-based多目标优化方法Nondominated排序遗传算法(NSGA)斯和黛比<一个href="#B5">5一个>外),一个帕累托遗传算法(NPGA)角等。<一个href="#B6">6一个>介绍)、多目标遗传算法(MOGA)丰和弗莱明<一个href="#B7">7一个>)和多目标进化算法(MOEA)田中和Tanino<一个href="#B8">8一个>]。为了提高他们的最优结果,这些算法开发了通过增强他们当前的优化策略,如Nondominated第二排序遗传算法(NSGA II),改善强度帕累托进化算法二世(说II),帕累托改进Envelope-Based选择算法(提出选择)II (PESA II),或适应竞争的搜索技术,如适应分散搜索深渊。
尽管很明显,有很多领域的进化方法的进化多目标优化,本文省略了一个详尽的文献综述这一领域。相反,代表相关工作四个多目标优化技术进行了总结。此外,最近的多目标方法利用结构工程领域的设计也回顾了。
在这方面,纸被组织为首先介绍第一步后恐鸟包括应用程序在结构工程领域的简要介绍多目标优化问题和概念。提出的计算程序恐鸟,NSGAII,说二世,PESA II,深渊节中给出<一个href="#sec3">3一个>。规定的设计要求LRFD-AISC Ver.13和优化设计过程给出了部分<一个href="#sec4">4一个>搜索方法的介绍位于前一节<一个href="#sec5">5一个>。讨论后的结果提出了部分<一个href="#sec6">6一个>,最后讲话总结部分<一个href="#sec7">7一个>。
2。背景
2.1。多目标优化:问题和概念
由一个通用的多目标优化问题<年代vg height="7.1374998" id="M1" style="vertical-align:-0.10033pt;width:11.225px;" version="1.1" viewbox="0 0 11.225 7.1374998" width="11.225" xmlns="http://www.w3.org/2000/svg">
有界的上部和更低的价值,<年代vg height="17.512501" id="M6" style="vertical-align:-3.20526pt;width:18.262501px;" version="1.1" viewbox="0 0 18.262501 17.512501" width="18.262501" xmlns="http://www.w3.org/2000/svg">
在进化的优化算法,每次运行一组随机的解决方案。有些Nondominated解决方案(没有更好的为所有目标),称为“帕累托解决方案”中定义一个概念命名为统治(<一个href="#B9">9一个>]。因此,帕累托解用来形成“帕累托”决定Nondominated解决方案的范围。
2.2。第一步恐鸟
之后引入多目标优化问题的进化机制,开发新的多目标方法一直加速(<一个href="#B4">4一个>]。主要是这些方法之一Nondominated排序遗传算法(NSGA)斯和黛比提出的<一个href="#B5">5一个>]。NSGA决定了Nondominated解决方案根据排名的生殖潜力。
尽管pareto-ranking过程给出了一个保证传播精英个人下一代,过度的重复排名过程导致失去承诺由于基因遗传物质迁移数据的失真。为了减少这种负面影响,外帕累托遗传算法(NPGA)确定Nondominated提出解决方案通过锦标赛选择法(<一个href="#B6">6一个>]。后来,丰和弗莱明<一个href="#B7">7一个>建议处罚过程,生成的有前途的帕累托解考虑拥挤密度。
使用外部档案存储Nondominated解决方案导致的增加的功能多目标优化工具,比如在一个进化搜索Zitzler和蒂埃尔提出的,叫做力量帕累托进化算法(说)<一个href="#B10">10一个>]。外部存档的成员选择根据他们的接近帕累托。然而,扩大外部档案使其进化搜索的收敛速度由于减少贫穷的选择压力。为了解决这个困难,诺尔斯和科恩<一个href="#B11">11一个>)提出了一个网格系统,称为帕累托存档进化策略(PAES)计算optimization-related程序。因此,整个人口分布自适应网格系统的映射过程,每个节点被用来代表一个个体,使它更容易维护多样性帕累托集。
2.3。恐鸟的概述应用于结构工程领域
虽然恐鸟上面提到的成功解决方案空间由设计变量的连续型,他们无法探索最佳名称nonconcave和不连续结构设计问题的解决方案空间由设计变量离散的类型。因此,在结构工程领域的初步研究与多个目标开发使用加权[<一个href="#B12">12一个>,目标规划<一个href="#B13">13一个>,<一个href="#B14">14一个>博弈论方法[],和修改<一个href="#B15">15一个>]。Sunar和Kahraman<一个href="#B16">16一个>)比较了这些算法的计算性能考虑最佳名称空间桁架的25个酒吧和卫星系统和显示,修改游戏理论和目标规划优于加权的方法。尽管据报道,权重方法未能探索Nondominated解决方案凸帕累托(前面的部分<一个href="#B17">17一个>- - - - - -<一个href="#B19">19一个>),改善由于其简单的适应机制。这些尝试之一是基于一个系统的改变目标函数权重(<一个href="#B20">20.一个>]。这种自适应方法应用于桁架的优化设计问题3酒吧和实现获得均匀帕累托集在nonconcave解决方案空间。
实际工程结构是由大量的离散设计变量表示。因此,进化搜索很容易误导由于增加计算工作量。因此,新的优化算法受到一些生物事件,如粒子群、微分进化(<一个href="#B21">21一个>人工免疫系统[],<一个href="#B22">22一个>,蚁群<一个href="#B23">23一个>),和一些其他进化算法,如microgenetic算法(<一个href="#B24">24一个>)已被用于解决多目标优化问题。
Janga Nagesh提出进化技术,称为elitist-mutated粒子群优化和应用三个测试问题:两个柱桁架的设计优化,工字梁,焊接梁(<一个href="#B25">25一个>]。
合作和共同进化策略引入到进化搜索机制来增加多样性Nondominated解决方案的设置存储(<一个href="#B26">26一个>]。为此,染色体分为不同的物种的进化是重组和创建一个帕累托集。然而,染色体的数量选择可能超过预先确定的数量。为了解决这个困难,超过数量的染色体根据品质降低的拥挤距离和重新使用一种精英主义的策略。的基本面NSGA [<一个href="#B5">5一个>外),帕累托遗传算法(NPGA) [<一个href="#B27">27一个>,<一个href="#B28">28一个>),和控制精英Nondominated遗传算法(CNSGA) [<一个href="#B5">5一个>]在这种方法构成。拟议的进化方法主要进化操作相似的优化算法NSGA命名,NPGA,和CNSGA用于二维传热结构的拓扑优化。这是证明使用减少大小的物种增加的计算性能提出了优化过程。
另一种有前途的方法被开发为组合这些方法。大量的尝试之一是神经网络和模糊系统的集成提供了一个控制机制的进化机制(<一个href="#B30">29日一个>]。而利用神经网络来预测个体与高质量、操作参数的进化算法根据模糊逻辑规则的更新。这种混合系统申请了几个复合梁优化设计的三层,压电双压电晶片零件梁、桁架结构,和飞机机翼和获得更多聚合最佳显示名称比较纯粹的和独立的使用每个算法没有任何混合实现。
3所示。引入恐鸟,NSGAII说二世,PESA II,深渊十字交叉系统利用多个优化设计目标
虽然它显示进化算法已经成功地利用作为优化工具,一些计算瓶颈导致获得poor-distributed帕累托。为了增加他们的能力在一代的有前途的名称多样的帕累托面前,传统的恐鸟已得到改进和/或开发。说二,承诺第二版本NSGA PESA II和深渊。在这项研究中,这些改进或开发恐鸟,利用最优格排系统的名称并指出格排系统的优化设计进行了使用单一的目标,到目前为止(<一个href="#B31">30.一个>- - - - - -<一个href="#B33">32一个>)和一个基于矩阵分析的方法(<一个href="#B34">33一个>]。为了执行他们的优化过程,JMETAL编码在编程语言Java是采用(<一个href="#B35">34一个>]。JMETAL和提出四个恐鸟以小节中介绍。
<年代p一个ncl一个年代s="statement" id="head1">JMETAL的简要介绍我>年代p一个n>
JMETAL编码在一个面向对象的Java平台作为一个优化工具来解决多目标优化问题(<一个href="#B35">34一个>]。它包含许多类,代表各种多目标算法的构建块。然而,他们基本evolutionary-related元素是相同的。因此,JMETAL的架构是一个相互依存地构成了一个简单但更高的框架。JMETAL是一个开源项目。各种恐鸟的计算程序包括在这项研究中广泛使用的的记录(<一个href="#B35">34一个>]。因此,其基类的描述不了。相反,初步的计算顺序包含基本参数的类简要描述的伪代码。而提出的类名称是使用马克”,相关参数定义为使用斜体字符。
一般来说,JMETAL包含六个包,命名为“基地、实验、metaheuristics问题,质量指标和实效<我>”我>。而“实验的方案<我>”我>包括各种metaheuristic程序的配置,如深渊,NSGAII默认配置位于“设置”包。设计问题与各种复杂组成的“问题”包。JMETAL首先开始运行的执行计划的metaheuristic类,如深渊。Java,位于“实验”包。这类调用实验类负责激活提出metaheuristic算法。针对metaheuristic类调用一个类的设计需要解决的问题。基本计算过程,命名为“评估()和evaluateconstaint(),“在这个类中,进行命名的设计问题。由于使用二进制编码方案的进化计算,生成个人可以超过设计变量的预定义的上界。为了处理不恰当的二进制字符串,定意meta-heuristic类命名的深渊。Java,及其相关子类扩展了包括一个新类命名为“修复机制”负责正确解码二进制字符串的值根据设计变量的极限。年代p一个n>
3.1。Nondominated排序遗传算法二世,NSGA II
NSGA是首先由斯和黛比<一个href="#B5">5一个>]。NSGA由分类管理的进化计算“人口规模”的个人。分类过程开始首先人口排名为了确定Nondominated个人。然后,健身价值的个人考虑他们共享小生境的措施。个人共享适应度值选择通过使用选择方法,称为“随机通用抽样”和再生利用概率变异算子<我>米ut一个t我on_probablity我>和组合算子概率<我>cro年代年代over_probablity我>直到完成预定的进化<我>米一个x_evolut我on我>。NSGA的增强版,NSGA II(参见算法的伪代码<一个href="//www.newsama.com/journals/ace/2011/932871/alg1/" target="_blank">1一个>了增加个体多样性(<一个href="#B37">35一个>,<一个href="#B38">36一个>]。尽管NSGA II利用代个体的进化算子在NSGA的计算过程,生成的存储在个人存档<我>popul一个t我on_年代我ze我>个人用于获得一个帕累托前考虑拥挤距离的人。此外,超立方体,它是由使用Nondominated个体,利用超体积计算。
|
||||||||||||||||||||||||||
3.2。提高强度帕累托进化算法,说二世
说的主要版本的方法是首先提出Zitzler和蒂埃尔<一个href="#B10">10一个>]。两个种群的进化过程进行管理。虽然这些人群之一,称为普通人口是用来产生后代,其他人口,叫做存档<我>一个rchive_size我>个人是用来保护帕累托的进化信息。在进化过程中,档案是空的,由承诺人。超过数量的人给一个更高的机会减少的个人档案。为此,集群技术是基于一个强度值分配给个人和评估这些人根据其强度值是用来丢弃相关的个人。然而,减少变异个体的人口导致增加进化搜索的随机性,从而降低密度估计的准确程度,它是利用聚类过程(<一个href="#B39">37一个>]。这导致消失的有前途的解决方案位于帕累托。为了应对这种消极情绪,说二世。说二世估计密度强度值使用<年代vg height="10.7375" id="M20" style="vertical-align:-0.13794pt;width:8.6000004px;" version="1.1" viewbox="0 0 8.6000004 10.7375" width="8.6000004" xmlns="http://www.w3.org/2000/svg">
|
||||||||||||||||||||||||||
3.3。帕累托改善Envelope-Based选择算法(提出选择),PESA II
帕累托Envelope-Based选择算法(PESA)首先提出的科恩et al。<一个href="#B40">38一个>]。有相似的基本特征说二世,PESA使用两个种群的进化过程。然而,在估计强度值密度,PESA使用一个叫做“序列因素的措施。”一个nextendedversion of PESA, PESA II, utilizes hyperboxes which are obtained by dividing the entire search space into small ones (see Algorithm<一个href="//www.newsama.com/journals/ace/2011/932871/alg3/" target="_blank">3一个>)。因此,许多个人hyperboxes用于确定一个序列中包含的因素。后的决心次区域数字定义的<我>二等分的一半我>,档案是在模块中创建名为“AdaptiveGridArchive。”一个popul一个t我onc一个lled “solution” is initialized and evolved by the application of evolutionary operators until being completed a fixed evolution number. Although SPEA II was shown to be computationally faster than NSGA II and SPEA II, some complicating tasks, such as possibility of existing dominated individuals in any hyperboxes, keeping a fixed number of subregions throughout the evolutionary search, and so forth, must be overcome in order to obtain satisfactory optimal designations [<一个href="#B41">39一个>,<一个href="#B42">40一个>]。
|
||||||||||||||||||||||||||||
3.4。自适应分散搜索多目标优化,深渊
深渊可以归类为一个evolutionary-search-based优化算法NSGA使用原理特性推导出二世,PESA II,环保总局二世(<一个href="#B43">41一个>]。深渊提出了算法的伪代码<一个href="//www.newsama.com/journals/ace/2011/932871/alg4/" target="_blank">4一个>。初始化后人口<我>popul一个t我on_年代我ze我>个人,人口首先再生利用网格搜索技术命名为“多元化的一代。”Then, the regenerated population is maintained by discarding the mutated individuals with poor qualities according to a dominance-based comparison test. This elimination process named “improvement” is inspired from NSGA II approach. Then, a search process named “reference update” is invoked to firstly construct a sub-population<我>Ref年代et2我>与<我>Ref_年代et_年代我ze我>从子总体中个体RefSet1<我>Ref_年代et2_年代我ze我>个人,然后更新子总体中RefSet2。的子总体中RefSet2建立的个人RefSet1最小欧式距离。后一代的引用集,Nondominated个人提取参考集存储在外部人口叫做归档<我>一个rchive_size我>个人使用密度估计的个人。在这方面,个人的存在在一个密集的区域标识考虑他们的小生境的措施。其特点利用小生境进化搜索的措施和密度估计是启发自适应网格方法通过邻苯二甲酸二世和选择策略说二世。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
4所示。格排系统的优化设计
提出四个恐鸟在前一节中介绍。这些恐鸟评估最优格排系统的名称。为了这个目的,目标函数,相关约束和结构分析程序是用Java编写的。在这方面,设计要求约束和优化设计过程中使用了部分<一个href="#sec4.1">4.1一个>和<一个href="#sec4.2">4.2一个>。
4.1。格排系统的设计要求根据LRFD-AISC Ver.13
格排系统包含大量的横向支撑梁。如果在横向平面梁加载系统没有足够的横向刚度,然后扣面加载。这种情况叫做lateral-torsional屈曲。lateral-torsional屈曲强度的变化取决于放松梁的长度和密实度方面扮演着重要的角色在负载梁的承载能力。如果一个紧凑的梁决定根据其网络和法兰尺寸长度足够的放松,然后名义弯曲强度计算的弹性域,否则一个非弹性。在非弹性的情况下,短的和放松梁长度导致屈服之前,其外层纤维实现弹性屈曲荷载。名义上的挠曲强度的配方<我>米<年代ub>n年代ub>由极限屈服、横向扭转,法兰局部屈曲呈现在以下部分中定义AISC-LRFD Ver.13(见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig1/" target="_blank">1一个>)。为简单起见,两个截然不同的图用来描述lateral-torsional和法兰局部屈曲中描述AISC-LRFD Ver.13粗的总和,但给出了极限状态方程的数字对应配方在一个单独的括号。
| 名义挠曲强度的函数“滚I-shapes法兰width-thickness配给”和“放松长度和梯度”(对应于图<年代vg height="0.125" id="M37" style="vertical-align:-0.0pt" version="1.1" viewbox="0 0 5.3375001 0.125" width="5.3375001" xmlns="http://www.w3.org/2000/svg">
|
梁截面的极限状态的产生是写成<年代p一个ncl一个年代年代="equation" id="EEq4">
在弹性和非弹性域,两个放松的长度<年代vg height="16.237499" id="M39" style="vertical-align:-4.74141pt;width:17.1625px;" version="1.1" viewbox="0 0 17.1625 16.237499" width="17.1625" xmlns="http://www.w3.org/2000/svg">
对于有限inelastic-torsional屈曲<年代vg height="16.237499" id="M42" style="vertical-align:-4.74141pt;width:88.925003px;" version="1.1" viewbox="0 0 88.925003 16.237499" width="88.925003" xmlns="http://www.w3.org/2000/svg">
elastic-torsional屈曲发生在一段有限的<年代vg height="14.3625" id="M45" style="vertical-align:-3.2316pt;width:52.5px;" version="1.1" viewbox="0 0 52.5 14.3625" width="52.5" xmlns="http://www.w3.org/2000/svg">
在(<一个href="#EEq9">6一个>),时刻修改因素<年代vg height="14.45" id="M49" style="vertical-align:-3.2316pt;width:16.375px;" version="1.1" viewbox="0 0 16.375 14.45" width="16.375" xmlns="http://www.w3.org/2000/svg">
法兰的局部屈曲noncompact部分是由两个参数,<年代vg height="16.512501" id="M51" style="vertical-align:-4.77652pt;width:21.9375px;" version="1.1" viewbox="0 0 21.9375 16.512501" width="21.9375" xmlns="http://www.w3.org/2000/svg">
我nel一个年代t我c-flange屈曲发生在一段有限的<年代vg height="16.637501" id="M54" style="vertical-align:-4.77652pt;width:132.46249px;" version="1.1" viewbox="0 0 132.46249 16.637501" width="132.46249" xmlns="http://www.w3.org/2000/svg">
elastic-flange屈曲发生在一段有限的<年代vg height="16.637501" id="M56" style="vertical-align:-4.77652pt;width:80.849998px;" version="1.1" viewbox="0 0 80.849998 16.637501" width="80.849998" xmlns="http://www.w3.org/2000/svg">
此外,nominal-shear力量<年代vg height="14.325" id="M58" style="vertical-align:-3.20526pt;width:15.175px;" version="1.1" viewbox="0 0 15.175 14.325" width="15.175" xmlns="http://www.w3.org/2000/svg">
| 剪切系数<年代vg height="14.425" id="M63" style="vertical-align:-3.21404pt" version="1.1" viewbox="0 0 16.775 14.425" width="16.775" xmlns="http://www.w3.org/2000/svg">
|
4.2。优格排系统的设计过程
在这项工作中,格排系统的设计问题是由两个目标,整个格排系统的重量,和关节偏转,并表示如下:<年代p一个ncl一个年代年代="equation" id="EEq16"> 受<年代p一个ncl一个年代年代="equation" id="EEq17">
这个词<年代vg height="10.575" id="M73" style="vertical-align:-0.20064pt;width:17.9625px;" version="1.1" viewbox="0 0 17.9625 10.575" width="17.9625" xmlns="http://www.w3.org/2000/svg">
5。搜索方法
因为应用程序问题选择从实际工程设计问题与设计变量的离散型,一个可靠的和一致的搜索策略必须建立一个评估拟议的恐鸟的搜索功能。生成最优的名称后,恐鸟的计算性能的评估是根据这些名称的亲密帕累托前预先知道从而使用数量的质量测量指标。此外,多目标优化算法的精度评估必须经统计检验的结果。其他重要的困难是如何采用传统数学模型的常见方法,执行其计算程序使用连续设计变量的类型。因此,一个合理的方法是获得一个帕累托前通过运行电流离散优化模型和重复生成数字更大。在这方面,独立的执行提出恐鸟10分通过使用生成和人口的增加和减少的大小。然后,利用获得的最佳的名称在质检指标计算,如超体积和代际的距离。由于随机算法的本质,这些质检指标的统计测试分析计算必须进行一定程度的信心。此外,为了减少进化算子的参数值的影响恐鸟的绩效评估,各种参数的组合也会考虑。细节质检指标和统计测试用于恐鸟的表现评估提出了部分<一个href="#sec5.1">5.1一个>和<一个href="#sec5.2">5.2一个>。
5.1。质检标准
分化在恐鸟架构防止躺恐鸟的不同方面的性能。因此,质量指标对准确评价恐鸟性能有很大的影响。在这项研究中,三个质量指标,超体积比(高压),反向代距离(IGD)和传播<年代vg height="13.45" id="M90" style="vertical-align:-2.21957pt;width:20.6875px;" version="1.1" viewbox="0 0 20.6875 13.45" width="20.6875" xmlns="http://www.w3.org/2000/svg">
<年代p一个ncl一个年代s="statement" id="head2">超体积比我>年代p一个n>
超体积(高压)是一个指示器,它定义了一个卷了<年代vg height="7.1374998" id="M91" style="vertical-align:-0.10033pt;width:7.8874998px;" version="1.1" viewbox="0 0 7.8874998 7.1374998" width="7.8874998" xmlns="http://www.w3.org/2000/svg">
超体积比(HVR)是一个指示器,显示了当前超体积比真正的超体积计算使用真正的帕累托前和nondominated解决方案真正的帕累托(见前面(<一个href="#EEq17">18一个>)),<年代p一个ncl一个年代年代="equation" id="EEq23">
更高价值的HVR表明Nondominated解决方案的大型覆盖解空间。年代p一个n>
反向代距离我>年代p一个n>
倒世代(IGD)估计的距离远Nondominated解决方案包含在当前的帕累托提出前面生成的恐鸟,从那些包含在真正的帕累托(见前面(<一个href="#EEq22">19一个>)),<年代p一个ncl一个年代年代="equation" id="EEq24">
在哪里<年代vg height="7.1374998" id="M95" style="vertical-align:-0.10033pt;width:7.8874998px;" version="1.1" viewbox="0 0 7.8874998 7.1374998" width="7.8874998" xmlns="http://www.w3.org/2000/svg">
传播我>年代p一个n>
这个质量度量的(<年代vg height="10.725" id="M97" style="vertical-align:-0.1254pt;width:11.375px;" version="1.1" viewbox="0 0 11.375 10.725" width="11.375" xmlns="http://www.w3.org/2000/svg">
5.2。统计测试
利用上述质量指标相比恐鸟的分布特性。因此,质量指标的均值和标准差计算后得到最终的独立10处决,这些结果的一致性是通过执行一个检查统计分析在一定程度的信心。如果一个概率值导致统计测试过程满足用户定义的显著性水平,然后据说目前的恐鸟分布近似集是可以接受的。
在MATLAB计算程序执行的统计分析(<一个href="#B44">42一个>]。首先,莉莉·测试进行检查质量指标的值是否会表现出正态分布(如果完全指定零分布,然后Kolmogorov-Smirnov测试更合适)。然后,方差同质性的存在是通过列文的控制测试。如果方差的同质性存在,韦尔奇测试执行,否则方差分析测试。为了比较不同算法,统计输出从一个事后测试执行通过“multicompare”功能编码MATLAB。
6。讨论的结果
众所周知,恐鸟的计算性能取决于他们的交互参数的值。因此,为了提供一个准确的评估的计算性能,组合套选择参数值。由于各种操作参数的恐鸟,各种参数组合和分配值进化运营商总结表<一个href="//www.newsama.com/journals/ace/2011/932871/tab1/" target="_blank">1一个>。结合数字(c号)用标与相关参数值。为了提供公正的竞争绩效评估的恐鸟,进化算子的参数值保持为每个恐鸟。在这方面,参数组合分为两个主要的组用数字(1 - 4)和(5 - 8)。此外,每个主要组包含上下值的变异和交叉分布索引,以提供一个密集的变异或交叉影响进化搜索。例如,在第一次的深渊(斜体字符表所示<一个href="//www.newsama.com/journals/ace/2011/932871/tab1/" target="_blank">1一个>),交叉和变异概率值是1.00和1.00;交叉和变异的值分布索引30、30;引用的值集i ii和档案大小20日20和40。因此,再现性相关的恐鸟利用这些参数是保证。这些参数的详细描述部分中找到<一个href="#sec3">3一个>。
penalty-related参数罚函数的重量和使用作为位移<年代vg height="14.9375" id="M104" style="vertical-align:-3.25793pt;width:59.337502px;" version="1.1" viewbox="0 0 59.337502 14.9375" width="59.337502" xmlns="http://www.w3.org/2000/svg">
使用这些不同的参数组合,格排系统的优化设计是由四个恐鸟,NSGA II,说二世,PESA II,深渊根据前面提到的优化设计过程。的屈服应力、弹性模量和剪切模量的钢铁材料用于构造格架系统作为50 ksi (345 MPa), 29000年ksi (200 MPa),和14500年ksi (100 MPa)。横截面的特性从一组离散网格成员选择274 W-sections。序列号的每个截面包含在这个概要文件列表的数据库是一样的在LRFD-AISC Ver.13和包含所有截面属性(如面积、惯性力矩方向)。设计变量表示为二进制字符串。因此,一个二进制的长度<年代vg height="11.0375" id="M109" style="vertical-align:-0.27588pt;width:32.299999px;" version="1.1" viewbox="0 0 32.299999 11.0375" width="32.299999" xmlns="http://www.w3.org/2000/svg">
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
设计实际工程结构的例子介绍了订单增加大小的元素和关节。为了显示网格成员的力量的变化,惩罚和unpenalized最优结果对应于其最大关节位移或重量的网格结构提出了考虑联合和会员号码。此外,收敛历史获得最后一个完整的进化搜索。为了提供一个更简单的可视化对体重和位移值,重量和位移值显示为每个100 =段进化获得的最大的一个部门的数字。因此,最优设计位于其中一个片段很容易确定。
6.1。设计示例1:4和3海湾的网格系统
这个简单的描绘在图格排系统<一个href="//www.newsama.com/journals/ace/2011/932871/fig3/" target="_blank">3一个>有四个纵向和三个横向海湾。网格格排系统的成员<年代vg height="7.1624999" id="M167" style="vertical-align:-0.11285pt;width:8.7250004px;" version="1.1" viewbox="0 0 8.7250004 7.1624999" width="8.7250004" xmlns="http://www.w3.org/2000/svg">
| 68 -成员网格的几何结构包括加载点的位置。 |
帕累托的一组随机Nondominated解决方案通过使用增加的人口规模和发展数量和深渊,NSGAII, PESAII, SPEAII中描述数据<一个href="//www.newsama.com/journals/ace/2011/932871/fig4/" target="_blank">4一个>(一)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig4/" target="_blank">4一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig4/" target="_blank">4一个>(b4)。质量指标的值,标准差值对应的最佳手段,根据统计和评估重要性水平的测试是在表<一个href="//www.newsama.com/journals/ace/2011/932871/tab2/" target="_blank">2一个>和<一个href="//www.newsama.com/journals/ace/2011/932871/tab3/" target="_blank">3一个>。考虑表<一个href="//www.newsama.com/journals/ace/2011/932871/tab2/" target="_blank">2一个>和<一个href="//www.newsama.com/journals/ace/2011/932871/tab3/" target="_blank">3一个>在进化,增加数量和人口规模导致的改善质量指标的值,换句话说,增加融合程度的最佳的名称。根据统计分析结果的评估对应较低的进化数量和人口规模,显然,没有一个统计提出了恐鸟的信心。质量指标的最佳值获得的深渊。SPEAII和PESAII展览NSGAII相比更好的计算性能。也观察到进化数量和人口规模的增加迫使恐鸟使用高值算子改进的参数优化设计的品质。这个结果证实了通过检查质量指标的值用粗体和斜体字符。这些高质量指标的值是通过例1 - 4,这表明使用较低的进化和人口规模和病例数5 - 8,标明使用的更高的进化数量和人口规模。考虑最好的传播价值,帕累托方面获得的四个恐鸟工作比较彼此和帕累托前通过使用进化更高的人口规模和数量(数字<一个href="//www.newsama.com/journals/ace/2011/932871/fig4/" target="_blank">4一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig4/" target="_blank">4一个>(b4))。优化器融合的历史深渊(例3)最好的传播价值0.8067呈现在图<一个href="//www.newsama.com/journals/ace/2011/932871/fig5/" target="_blank">5一个>两个轴。一个指定(重量= 5446.1415磅(2470.3282千克)和位移= 0.0406英尺(12.3748毫米))是在一代没有获得。= 4638位于一段没有。92年,一个区间<年代vg height="13.6375" id="M184" style="vertical-align:-2.21957pt;width:249.03751px;" version="1.1" viewbox="0 0 249.03751 13.6375" width="249.03751" xmlns="http://www.w3.org/2000/svg">
| 帕累托的一组随机nondominated解决方案通过使用增加的人口规模和演化(a)和深渊,NSGAII, PESAII, SPEAII (b1)——(b4)。 |
| 融合历史得到的深渊(例3)。 |
显示网格成员考虑处罚的强度值名称对应于最大位移(重量= 18128.2500磅(8222.835千克)和位移= 0.3977英尺(121.2189毫米);参见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(一个1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(一个5))和unpenalized名称对应于最大位移(重量= 17095.5000磅(7754.3883千克)和位移= 0.0068英尺(2.0721毫米))和最大重量(重量= 74672.5000磅(33870.8762千克)和位移= 0.0002英尺(0.0609毫米);参见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(b5)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(c1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(c5))。而惩罚指定对应的最大位移包含一组W-section (W30×292,将×12日W27×235,将×12日和W8×15), unpenalized名称对应的最大位移和重量由W-section集(W24×68年W30×124年W27×129和W30×148)和(W14×370年W14×455年W36×529年W36×652和W36×361),分别。最关键的力量的惩罚值指定获得满足所有的约束扭转和法兰buckling-related约束(见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(一个1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(一个5))。检查数据中描述的强度值<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(b5)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(c1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(c5)、极限状态unpenalized名称的值对应于最大重量高于一个对应于最大位移由于使用更大的横断面设计变量的属性。此外,常见的角度获得的这些优势panelized和unpenalized解决方案对应于最大位移是屈服极限状态有很大的影响在法兰弯曲、扭转和收益率优势(见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(a1),<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(一个4),<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(一个5),<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(b1),<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(b4)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig6/" target="_blank">6一个>(b5))。
| 优势和随机处罚方案对应的位移最小位移(a1)——(a5), unpenalized解决方案对应于最大位移(b1)——(b5),和最大重量(c1)——(c5)(见图<一个href="//www.newsama.com/journals/ace/2011/fig5/">5一个>)。 |
6.2。设计示例2:五个海湾的网格系统
格排系统与160网格成员和152节点图所示<一个href="//www.newsama.com/journals/ace/2011/932871/fig7/" target="_blank">7一个>。这个格排系统几乎是有着比第一个设计实例。网格成员联系在一起8单独组织,导致总四个设计变量<年代vg height="7.1624999" id="M185" style="vertical-align:-0.11285pt;width:8.7250004px;" version="1.1" viewbox="0 0 8.7250004 7.1624999" width="8.7250004" xmlns="http://www.w3.org/2000/svg">
| 160 -成员网格的几何结构包括加载点的位置。 |
帕累托的一组随机Nondominated解决方案通过使用增加的人口规模和发展数量和深渊,NSGAII, PESAII, SPEAII中描述数据<一个href="//www.newsama.com/journals/ace/2011/932871/fig8/" target="_blank">8一个>(一)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig8/" target="_blank">8一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig8/" target="_blank">8一个>(b4)。质量指标的值,标准差值对应的最佳手段和评估重要性水平据统计在表测试报告<一个href="//www.newsama.com/journals/ace/2011/932871/tab4/" target="_blank">4一个>和<一个href="//www.newsama.com/journals/ace/2011/932871/tab5/" target="_blank">5一个>。检查质量指标的值列在下表中<一个href="//www.newsama.com/journals/ace/2011/932871/tab4/" target="_blank">4一个>和<一个href="//www.newsama.com/journals/ace/2011/932871/tab5/" target="_blank">5一个>,看到低演化数量和人口规模减少质量程度的最佳名称导致获得一个不一致的统计数据质量指标的信心。然而,质量度优化名称升高相关的进化大小和人口数量的增加。根据质量指标的值,深渊(案例1)成功获得较低的传播0.8356和更高的hyper-volume价值0.9419 NSGAII相比,PESAII, SPEAII。还观察到一个更高的最优程度是通过使用低参数值的进化算子结合进化大小和人口数量下降或更高的进化与增加人口数量的大小。这种说法被批准通过检查质量指标的值用粗体和斜体字符通过例1 - 4,这表明使用较低的进化和人口规模和病例数5 - 8,标明使用的更高的发展数量和人口规模(见表<一个href="//www.newsama.com/journals/ace/2011/932871/tab4/" target="_blank">4一个>和<一个href="//www.newsama.com/journals/ace/2011/932871/tab5/" target="_blank">5一个>)。考虑最好的传播价值,帕累托方面获得的四个恐鸟工作比较彼此和帕累托前通过使用更高的人口规模和数量(图进化<一个href="//www.newsama.com/journals/ace/2011/932871/fig8/" target="_blank">8一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig8/" target="_blank">8一个>(b4))。优化器融合的历史深渊(案例1)最好的传播价值0.8067呈现在图<一个href="//www.newsama.com/journals/ace/2011/932871/fig9/" target="_blank">9一个>两个轴。一个指定(重量= 13584.2465磅(6161.7105千克)和位移= 0.0798英尺(24.3230毫米))是在一代没有获得。= 4257位于一段没有。85年,一个区间<年代vg height="13.6375" id="M193" style="vertical-align:-2.21957pt;width:241.22501px;" version="1.1" viewbox="0 0 241.22501 13.6375" width="241.22501" xmlns="http://www.w3.org/2000/svg">
| 帕累托的一组随机nondominated解决方案通过使用增加的人口规模和演化(a)和深渊,NSGAII, PESAII, SPEAII (b1)——(b4)。 |
| 融合历史得到的深渊(情况1)。 |
显示网格成员考虑处罚的强度值名称对应于最大位移(重量= 9888.9999磅(4485.5749千克)和位移= 0.1633英尺(49.7738毫米);参见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(一个1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(一个5))和unpenalized名称对应于最大位移(重量= 32718.4000磅(14840.8165千克)和位移= 0.0125英尺(3.81毫米))和最大重量(重量= 102588.7500磅(46533.4742千克)和位移= 0.0025英尺(0.762毫米);参见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(b5)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(c1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(c5))。而惩罚指定对应的最大位移包含一组W-section (W14×38岁W12×45岁W12×53岁W18×55岁W12×22日将×8.5,将×20日和W18×71), unpenalized名称对应的最大位移和重量由W-section集(W12×87年W24×131年W33×152年W10×112年W24×131年W12×170年21×132年W14×132)和(W40×149年W12×210年W36×441年W36×529年W36×395年W36×330年W36×361和W27×194),分别。增加导致法兰逆收敛位移值,扭转,yielding-related强度值相关的屈服极限的值。因此,这些优势对网格成员的分布变得更加接近其极限状态值(见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(a1),<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(一个4)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(一个5),<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(b1),<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(b4)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(b5))。网格结构的重量的增加导致海拔极限状态的值(参见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(c1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig10/" target="_blank">10一个>(c5))。
| 优势和随机处罚方案对应的位移最小位移(a1)——(a5), unpenalized解决方案对应于最大位移(b1)——(b5),和最大重量(c1)——(c5)(见图<一个href="//www.newsama.com/journals/ace/2011/fig9/">9一个>)。 |
6.3。设计示例3:5和6个海湾的网格系统
这格排系统,236个成员和219联合点最高的复杂性设计例子由于低数量的支持点携带一个大格排构造区和更多的成员和关节(见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig11/" target="_blank">11一个>)。网格成员(1),(意向),(41-60)(61 - 80),(81 - 100),(101 - 120)和(121 - 140)与代表设计变量<年代vg height="12.8875" id="M194" style="vertical-align:-1.76814pt;width:61.337502px;" version="1.1" viewbox="0 0 61.337502 12.8875" width="61.337502" xmlns="http://www.w3.org/2000/svg">
| 236名成员的几何网格结构包括加载的位置点。 |
帕累托的一组随机Nondominated解决方案通过使用增加的人口规模和发展数量和深渊,NSGAII, PESAII, SPEAII中描述数据<一个href="//www.newsama.com/journals/ace/2011/932871/fig12/" target="_blank">12一个>(一)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig12/" target="_blank">12一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig12/" target="_blank">12一个>(b4)。质量指标的数量关系包括统计测试结果被发表在表<一个href="//www.newsama.com/journals/ace/2011/932871/tab6/" target="_blank">6一个>和<一个href="//www.newsama.com/journals/ace/2011/932871/tab7/" target="_blank">7一个>。根据列表值表<一个href="//www.newsama.com/journals/ace/2011/932871/tab6/" target="_blank">6一个>和<一个href="//www.newsama.com/journals/ace/2011/932871/tab7/" target="_blank">7一个>,减少进化数量和人口规模导致质量指标的值是可怜的,因此统计信心是不一致的。考虑到指标的值在表<一个href="//www.newsama.com/journals/ace/2011/932871/tab7/" target="_blank">7一个>很明显,深渊(案例1)展示了一个更好的计算性能得到较低的传播0.8168和更高的hyper-volume价值0.9657 NSGAII相比,PESAII, SPEAII。此外,质量指标得到PESAII和SPEAII比NSGAII。根据趋同的历史深渊(案例1)最好的传播价值0.8168呈现在图<一个href="//www.newsama.com/journals/ace/2011/932871/fig13/" target="_blank">13一个>的名称(重量= 22354.1046磅(10139.6512千克)和位移= 0.2331英尺(71.0488毫米))中获得的一代。= 4461位于一段没有。89年间隔<年代vg height="13.6375" id="M225" style="vertical-align:-2.21957pt;width:241.22501px;" version="1.1" viewbox="0 0 241.22501 13.6375" width="241.22501" xmlns="http://www.w3.org/2000/svg">
| 帕累托的一组随机nondominated解决方案通过使用增加的人口规模和演化(a)和深渊,NSGAII, PESAII, SPEAII (b1)——(b4)。 |
| 融合历史得到的深渊(情况1)。 |
显示网格成员考虑处罚的强度值名称对应于最大位移(重量= 36375.3700磅(16499.5902千克)和位移= 0.7651英尺(233.2024毫米);参见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig14/" target="_blank">14一个>(一个1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig14/" target="_blank">14一个>(一个5))和unpenalized名称对应于最大位移(重量= 44028.4600磅(19970.9735千克)和位移= 0.02142英尺(6.528毫米))和最大重量(重量= 176334.6800磅(79984.0654千克)和位移= 0.0066英尺(2.0116毫米);参见图<一个href="//www.newsama.com/journals/ace/2011/932871/fig14/" target="_blank">14一个>(b1) -<一个href="//www.newsama.com/journals/ace/2011/932871/fig14/" target="_blank">14一个>(b5)和<一个href="//www.newsama.com/journals/ace/2011/932871/fig14/" target="_blank">14一个>(c1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig14/" target="_blank">14一个>(c5))。而惩罚指定对应的最大位移包含一组W-section (W16×40 W12×45岁W30×391年W14×30日W12×30日W12×19日W8×15日W12×96年W18×175年W10×39岁和W30×116), unpenalized名称对应的最大位移和重量由W-section集(W18×106年W18×106年W18×106年W12×170年W18×106年W18×106年W18×106年W18×97年21×122年21×122和W18×97),和(W40×503年W12×305年W14×500年W14×730年W14×550年W40×278年W16×100年W36×361年W14×665年W40×593和W14×311),分别。检查图<一个href="//www.newsama.com/journals/ace/2011/932871/fig14/" target="_blank">14一个>(一个1)-<一个href="//www.newsama.com/journals/ace/2011/932871/fig14/" target="_blank">14一个>(一个5),它被认为,扭转和收益率优势发挥更大、更重要的角色在网格结构的承载力相比其他优势。类似的结果在应用程序设计的例子1和2在这个应用程序中获得的例子:位移值下降导致法兰顶撞,扭转,yielding-related优势获得高度相关的屈服极限状态值附近。使用较大的钢型材横截面属性导致的体重增加电网结构和极限状态值。
| 优势和随机处罚方案对应的位移最小位移(a1)——(a5), unpenalized解决方案对应于最大位移(b1)——(b5),和最大重量(c1)——(c5)(见图<一个href="//www.newsama.com/journals/ace/2011/fig13/">13一个>)。 |
7所示。结论
在这项研究中,格排系统的设计进行了优化使用优化工具名为NSGAII SPEAII PESAII,深渊根据设计规定LRFD-AISC Ver.13规范。因此,计算使用的恐鸟的表演不仅评估的改变的力量束缚成员结合关节位移也显示出来。为了评估的计算性能恐鸟,各种质量指标,IGD,高压,传播计算考虑到应用程序的三个设计实例与订单增加的复杂性程度和评估他们的统计信心据统计检验的结果。根据质量的评价指标和最佳名称,以下结果。<年代p一个ncl一个年代年代="list">(我)年代p一个n><年代p一个ncl一个年代s="list-content">根据质量指标的值,深渊SPEAII相比,显示了更好的计算性能,PESAII, NSGAII。此外,NSGAII获得的最差值比SPEAII和PESAII质量指标,其计算性能几乎相等。年代p一个n>年代p一个n>(2)年代p一个n><年代p一个ncl一个年代s="list-content">提供的搜索空间只是一个高效勘探的使用增加了进化数量和人口规模。否则,统计检验的结果指出不一致的质量指标之间的关系通过使用进化大小和人口数量下降。年代p一个n>年代p一个n>(3)年代p一个n><年代p一个ncl一个年代s="list-content">增加参数值的进化算子结合数量和人口规模导致进化的收敛程度的改善最佳名称。年代p一个n>年代p一个n>(iv)年代p一个n><年代p一个ncl一个年代s="list-content">结合提高进化数量和种群大小、质量指标提高的程度(更高的使用<我>交叉概率和交叉分布指数我>增长率<我>变异概率和变异分布指数我>增长率<我>参考集和档案大小我>)进化算子的深渊,(低<我>交叉概率和交叉分布指数我>-减少<我>变异概率和变异分布指数我>增长率<我>档案大小我>)或(高<我>交叉概率和交叉分布指数我>-减少<我>变异概率和变异分布指数我>增长率<我>档案大小我>进化SPEAII运营商和PESAII)。年代p一个n>年代p一个n>(v)年代p一个n><年代p一个ncl一个年代s="list-content">减少关节位移相应导致法兰的值屈曲,扭转,收益率优势来获取相关的极限状态值附近。在这方面,网格结构的承载能力必须保存在公司高层对任何大幅减少关节位移。因此,利用多目标优化算法成为一种合理的方法为最优格排系统的设计。年代p一个n>年代p一个n>
在接下来的工作,使用不同的进化参数值的影响程度的质量最优的名称将被评估。此外,拟议的恐鸟将杂化与对方和其他进化优化算法,以减少进化计算成本花费获得Nondominated解决方案和改善帕累托曲线的方面。
命名为AISC_LRFD Ver.13规范
| 凸缘宽度 | |
| : | 不均匀的时刻图Lateral-torsional屈曲修改因素 |
| : | 弹性模块 |
| : | 临界压力 |
| : | 规定的最小屈服应力 |
| : | 清晰的法兰之间的距离 |
| : | 法兰质心之间的距离 |
| : | 出平面惯性矩 |
| : | 扭转常数 |
| : | 系数的非加强的元素 |
| : | 腹板屈曲系数 |
| : | 横向限制放松屈服极限状态的长度 |
| : | 括号之间的距离 |
| : | 横向限制放松长度极限状态的非弹性lateral-torsional屈曲 |
| : | 名义上的挠曲强度 |
| : | 塑性弯矩 |
| : | 莫奈的绝对值在25个基点的放松 |
| : | 莫奈的绝对值在中心线的放松 |
| : | 莫奈的绝对值的四分之三的时候放松 |
| : | 回转半径有关<年代vg height="9.8625002" id="M246" style="vertical-align:-2.29482pt;width:7.875px;" version="1.1" viewbox="0 0 7.875 9.8625002" width="7.875" xmlns="http://www.w3.org/2000/svg">
|
| : | 有效使用的回转半径的确定<年代vg height="14.2375" id="M248" style="vertical-align:-3.13504pt;width:16.275px;" version="1.1" viewbox="0 0 16.275 14.2375" width="16.275" xmlns="http://www.w3.org/2000/svg">
|
| : | 对轴弹性部分模块 |
| : | 法兰的厚度 |
| : | Web厚度 |
| : | 塑料部分对主轴模块 |
| : | 限制细长参数为紧凑的元素 |
| : | 限制细长紧凑法兰的参数 |
| : | 限制细长参数紧凑的web |
| : | 细长的参数。 |
确认
作者要感谢教授安东尼奥·j·Nebro胡安·j . Durillo博士教授,他们的团队成员发布的源代码JMETAL执行多目标优化方法的计算程序。他感谢审稿人的宝贵意见和建议的修订。他还感谢Osmaniye Kadirli直辖市支持。
引用
-
j·d·谢弗<我>遗传算法多目标优化与向量评估我>范德比尔特大学博士论文,1984。
即Das和j·e·丹尼斯,“仔细看看的缺点最小化加权和帕累托集生成目标的多准则优化问题,“<我>结构优化我>,14卷,不。1,第69 - 63页,1997。
视图: 谷歌学术搜索一个>A .赫兹b Jaumard、c·里贝罗和w·f·球场,“细胞形成的多标准禁忌搜索方法问题组技术与多个目标,“<我>R一个我RO-Operations研究我>,28卷,不。3、303 - 328年,1994页。
视图: 谷歌学术搜索一个>d·e·戈德堡<我>遗传算法在搜索。优化和机器学习我>美国马萨诸塞州,addison - wesley出版质量,1989年。
n .斯k . Deb,“多目标优化遗传算法中使用nondominated排序。”<我>进化计算我>,卷2,不。3、221 - 248年,1994页。
视图: 谷歌学术搜索一个>j . n .喇叭,A . l . Nafpliotis和d·e·戈德堡”外帕累托遗传算法多目标优化”<我>第一届IEEE会议论文集进化计算,IEEE国际代表大会上计算智能我>,第87 - 82页,IEEE服务中心,皮斯卡塔韦,新泽西,美国,1994年6月。
视图: 谷歌学术搜索一个>c·m·塞卡f·j·弗莱明,“遗传算法多目标优化:制定、讨论和概括,”<我>第五届国际会议上遗传算法学报》上我>,美国福勒斯特,Ed,页416 - 423,摩根考夫曼,圣马特奥市加州,美国,1993年6月。
视图: 谷歌学术搜索一个>m .田中和t . Tanino全局优化的遗传算法在多目标决策支持系统中,”<我>学报第十届国际会议在多标准决策我>>台北,页261 - 270,中国,1992年7月。
视图: 谷歌学术搜索一个>k . Deb,<我>使用进化多目标优化算法我>约翰•威利& Sons奇切斯特,英国,2001年。
大肠Zitzler和l .蒂埃尔多目标进化算法:比较案例研究和帕累托强度的方法,”<我>我EEE进化计算我>,3卷,不。4、257 - 271年,1999页。
视图: 谷歌学术搜索一个>j·d·诺尔斯·d·w·科恩:“近似nondominated前线使用帕累托存档进化策略,”<我>进化计算我>,8卷,不。2、149 - 172年,2000页。
视图: 谷歌学术搜索一个>k . Deb和t·高尔控制精英non-dominated排序遗传算法更好的收敛,“<我>在计算机科学的课堂讲稿我>卷,1993年,第81 - 67页,2001年。
视图: 谷歌学术搜索一个>s . s . Rao v . b . Venkayya, n . s . Khot”主动控制结构的优化使用目标编程技术,”<我>国际期刊工程中的数值方法我>,26卷,不。1,第197 - 183页,1988。
视图: 谷歌学术搜索一个>j . p . Ignizio<我>目标规划和扩展我>美国质量、健康、波士顿,1976年。
饶和t . i叫做”修改游戏理论的多目标优化方法,”<我>杂志的机制、传输和自动化设计我>,卷113,不。3、286 - 291年,1991页。
视图: 谷歌学术搜索一个>m . Sunar和r . Kahraman”比较研究的多目标优化方法在结构设计中,“<我>土耳其工程和环境科学》杂志上我>,25卷,不。2、69 - 78年,2001页。
视图: 谷歌学术搜索一个>j .人类“缺乏multicriterion加权法的优化结构,”<我>通信工程中的数值方法我>,1卷,不。6,333 - 337年,1985页。
视图: 谷歌学术搜索一个>即Das和j·e·丹尼斯,“仔细看看的缺点最小化加权和帕累托集生成目标的多准则优化问题,“<我>结构优化我>,14卷,不。1,第69 - 63页,1997。
视图: 谷歌学术搜索一个>a . Messac和c·a·马特森”生成均匀的帕累托集点使用物理编程,工程设计”<我>优化和工程我>,3卷,不。4、431 - 450年,2002页。
视图: 谷歌学术搜索一个>i . y . Kim和o . l .尽情bi-objective优化自适应加权和方法:帕累托前一代,“<我>结构和多学科优化我>卷,29号2、149 - 158年,2005页。
视图: 出版商的网站一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://scholar.google.com/scholar_lookup?title=Adaptive%20weighted-sum%20method%20for%20bi-objective%20optimization%3A%20Pareto%20front%20generation&author=I.%20Y.%20Kim&author=O.%20L.%20Weck&publication_year=2005" target="_blank" rel="noreferrer">谷歌学术搜索一个>a . Molina-Cristobal洛杉矶格里芬,p . j .弗莱明·d·h·欧文斯,“多目标控制器设计:结构与遗传算法优化控制器,”<我>16我FAC世界大会的程序自动控制我>布拉格,捷克共和国,2005年7月。
视图: 谷歌学术搜索一个>c·a·c·Coello和n . c .议会”,解决多目标优化问题使用一种人工免疫系统,”<我>遗传编程和可发展的机器我>》第六卷,没有。2、163 - 190年,2005页。
视图: 出版商的网站一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://scholar.google.com/scholar_lookup?title=Solving%20multiobjective%20optimization%20problems%20using%20an%20artificial%20immune%20system&author=C.%20A.%20C.%20Coello&author=N.%20C.%20Cortes&publication_year=2005" target="_blank" rel="noreferrer">谷歌学术搜索一个>m . Guntsch<我>蚂蚁算法在随机和多目标环境我>博士论文,经济学和商业工程系,2004年德国卡尔斯鲁厄大学。
c . a . Coello和p·g . Toscano“使用micro-genetic多目标优化算法”<我>诉讼的遗传和进化计算会议(GECCO ' 01)我>,l·斯佩克特et al ., Ed,页。174 - 282年,摩根考夫曼,旧金山,加州,美国,2001年8月。
视图: 谷歌学术搜索一个>r . m . Janga和k·d·乐”,基于群体智慧的一种有效的多目标优化算法对工程设计、”<我>工程优化我>,39卷,不。1,49 - 68年,2007页。
视图: 出版商的网站一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://scholar.google.com/scholar_lookup?title=An%20efficient%20multi-objective%20optimization%20algorithm%20based%20on%20swarm%20intelligence%20for%20engineering%20design&author=R.%20M.%20Janga&author=K.%20D.%20Nagesh&publication_year=2007" target="_blank" rel="noreferrer">谷歌学术搜索一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://www.ams.org/mathscinet-getitem?mr=MR2288236" target="_blank" rel="noreferrer">MathSciNet一个>n Keerativuttitumrong: Chaiyaratana诉Varavithya,“协同进化遗传算法多目标合作,”<我>在计算机科学的课堂讲稿我>卷,2439年,第297 - 288页,2002年。
视图: 谷歌学术搜索一个>c . m .丰和p•j•弗莱明遗传算法多目标优化:制定、讨论和概括,”<我>第五届国际会议上遗传算法学报》上我>423年,页416 -香槟分校生病,美国,1993年6月。
视图: 谷歌学术搜索一个>j .角和n . Nafpliotis”使用外帕累托遗传算法多目标优化,“IlliGAL报告93005年,伊利诺斯州遗传算法实验室,伊利诺伊大学香槟分校,生病,美国,1993年。
视图: 谷歌学术搜索一个>a . r . Khorsand和m . r . Akbarzadeh”多目标元级软computing-based进化结构设计”,<我>富兰克林研究所杂志》上我>,卷344,不。5,595 - 612年,2007页。
视图: 出版商的网站一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://scholar.google.com/scholar_lookup?title=Multi-objective%20meta%20level%20soft%20computing-based%20evolutionary%20structural%20design&author=A.%20R.%20Khorsand&author=M.%20R.%20Akbarzadeh&publication_year=2007" target="_blank" rel="noreferrer">谷歌学术搜索一个>m·p·萨卡人a . Daloglu f . Malhas,”格排间距的优化设计系统利用遗传算法,”<我>工程软件的进步我>没有,卷。31日。11日,第873 - 863页,2000年。
视图: 出版商的网站一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://scholar.google.com/scholar_lookup?title=Optimum%20spacing%20design%20of%20grillage%20systems%20using%20a%20genetic%20algorithm&author=M.%20P.%20Saka&author=A.%20Daloglu&author=F.%20Malhas&publication_year=2000" target="_blank" rel="noreferrer">谷歌学术搜索一个>f . Erdal和m·p·萨卡人,”梁间距的影响和谐搜索优化设计的基础上,从格排”<我>亚洲土木工程杂志》上我>,9卷,不。3、215 - 228年,2008页。
视图: 谷歌学术搜索一个>m·p·萨卡人,f . Erdal基于和声搜索算法LRFD-AISC格排系统的优化设计,“<我>结构和多学科优化我>,38卷,不。1,25-41,2009页。
视图: 出版商的网站一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://scholar.google.com/scholar_lookup?title=Harmony%20search%20based%20algorithm%20for%20the%20optimum%20design%20of%20grillage%20systems%20to%20LRFD-AISC&author=M.%20P.%20Saka&author=F.%20Erdal&publication_year=2009" target="_blank" rel="noreferrer">谷歌学术搜索一个>j·k·尼尔森和j·c . McCormac<我>结构分析3 e WSE:使用古典和矩阵的方法我>约翰·威利& Sons,纽约,纽约,美国,2003年。
http://jmetal.sourceforge.net/一个>。
k . Deb, s . Agrawal A Pratab, t . Meyarivan”快速精英non-dominated排序遗传算法多目标优化:NSGA-II,”<我>学报第六届国际会议上平行从本质解决问题,(PPSN ' 00)我>米。年代choenauer k . Deb, g·鲁道夫et al .,。,页849 - 858年,巴黎,法国,2000年9月。
视图: 谷歌学术搜索一个>k . Deb, A .普拉塔普,美国阿加瓦尔和t . Meyarivan”一个快速和精英多目标遗传算法:NSGA-II,”<我>我EEE进化计算我>》第六卷,没有。2、182 - 197年,2002页。
视图: 出版商的网站一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://scholar.google.com/scholar_lookup?title=A%20fast%20and%20elitist%20multiobjective%20genetic%20algorithm%3A%20NSGA-II&author=K.%20Deb&author=A.%20Pratap&author=S.%20Agarwal&author=T.%20Meyarivan&publication_year=2002" target="_blank" rel="noreferrer">谷歌学术搜索一个>饼干的偏好一个>年代p一个n>k . Deb,<我>使用进化多目标优化算法我>约翰·威利& Sons,纽约,纽约,美国,2001年。
现代奴隶制的声明一个>d·w·科恩,j·d·诺尔斯,m·j·奥茨“帕累托envelope-based选择多目标优化算法”<我>学报第六届国际会议上平行从本质解决问题,(PPSN ' 00)我>米。年代choenauer k . Deb, g·鲁道夫et al .,。,页839 - 848年,巴黎,法国,2000年9月。
视图: 谷歌学术搜索一个>版权一个>d . w·科恩:r·杰拉姆(richard Jerram) j·d·诺尔斯,和m . j .欧茨”PESA-II: regionbased选择进化多目标优化,”<我>《遗传与进化计算会议,(GECCO ' 01)我>吴l·斯佩克特·e·d·古德曼,a . et al .,。,pp。283- - - - - -290,年代一个nFrancisco, Calif, USA, July 2001.
视图: 谷歌学术搜索一个>k . Deb, m .汉和s . Mishra”传播的快速计算帕累托最优的解决方案,”<我>程序的第二个国际会议上进化Multi-Criterion优化,(情绪摇滚' 03)我>c。米。丰,p . j .弗莱明e . Zitzler k . Deb, Eds l·蒂埃尔。法,页222 - 236年,葡萄牙,2003年4月。
视图: 谷歌学术搜索一个>a . j . Nebro f·卢娜,e·阿尔巴b . Dorronsoro j . j . Durillo和a . Beham“深渊:适应分散搜索多目标优化”,<我>我EEE进化计算我>,12卷,不。4、439 - 457年,2008页。
视图: 出版商的网站一个><年代p一个ncl一个年代年代="sep">|年代p一个n><一个href="https://scholar.google.com/scholar_lookup?title=AbYSS%3A%20adapting%20scatter%20search%20to%20multiobjective%20optimization&author=A.%20J.%20Nebro&author=F.%20Luna&author=E.%20Alba&author=B.%20Dorronsoro&author=J.%20J.%20Durillo&author=A.%20Beham&publication_year=2008" target="_blank" rel="noreferrer">谷歌学术搜索一个>MathWorks”统计工具箱用户指南”,2008。
视图: 谷歌学术搜索一个>版权
版权©2011 Tugrul Talaslioglu。这是一个开放的分布式下文章<一个rel="license" href="http://creativecommons.org/licenses/by/3.0/">知识共享归属许可一个>,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。负责信息披露政策一个>饼干的政策一个>