Spelling suggestions: "subject:"steady state enetic algorithm"" "subject:"steady state enetic dalgorithm""
1 |
Um método de reanálise adaptativa para otimização estrutural usando um algoritmo genético não-geracionalLoureiro, Michelli Marlane Silva 26 February 2016 (has links)
Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-05-05T14:31:22Z
No. of bitstreams: 1
michellimarlanesilvaloureiro.pdf: 1130544 bytes, checksum: 086b7a6420ee519ed479ec2df829bc04 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-06-07T15:38:53Z (GMT) No. of bitstreams: 1
michellimarlanesilvaloureiro.pdf: 1130544 bytes, checksum: 086b7a6420ee519ed479ec2df829bc04 (MD5) / Made available in DSpace on 2016-06-07T15:38:53Z (GMT). No. of bitstreams: 1
michellimarlanesilvaloureiro.pdf: 1130544 bytes, checksum: 086b7a6420ee519ed479ec2df829bc04 (MD5)
Previous issue date: 2016-02-26 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Algoritmos Genéticos (AG’s) são ferramentas de grande poder computacional quando utilizadas
em problemas de otimização em que a solução não pode ser obtida de forma trivial.
Apesar de ser uma excelente ferramenta, o AG tem um alto custo computacional devido
ao elevado número de avaliações necessárias para a obtenção de uma solução factível.
Além disso, em otimização estrutural, a avaliação de uma solução candidata pode resultar
na resolução de um sistema de equações. A solução deste sistema na maioria das vezes
demanda alto custo computacional. Dessa forma, a fim de reduzir o custo computacional,
uma técnica de reanálise por aproximação combinada é utilizada. Esta técnica reduz a dimensão
do sistema para um número de vetores base previamente definido. Na formulação
padrão, a escolha do número de vetores base não é feita de forma automática. Então, o
método de reanálise será usado em um esquema adaptativo, proposto aqui, em que, o número
de vetores base serão escolhidos e alterados ao longo do processo de otimização. Com
o objetivo de obter o menor número possível de análises completas, a matriz de rigidez
inicial também será alterada ao longo do processo de otimização. Para ilustrar a eficácia
da formulação proposta, exemplos clássicos de otimização estrutural são analisados.
Os exemplos numéricos mostram que o esquema adaptativo proposto fornece resultados
com boa precisão e, em algumas situações, melhores, ou seja, menor peso com menor
custo computacional, comparados com outras estratégias da literatura. / Genetic Algorithms (GA’s) are tools of great computational power when employed in optimization
problems for which the solution cannot be obtained by a trivial way. Despite
being an effective tool, GA has a high computational cost due to the high number of
structural analysis needed to obtain a feasible solution. Furthermore, in structural optimization,
the evaluation of a candidate solution may lead to the solution of a system of
equations. The solution of such a system in some cases demands a great computational
effort. In this way, in order to reduce the high computational cost, a reanalysis technique
using the combined approximations method is employed. This technique reduces the dimension
of the system to a number of basis vectors previously defined. In the standard
formulation, the choice of the number of basis vectors is not carried out in an automatic
way. Hence, the reanalysis technique will be employed in a proposed adaptive scheme for
which the number of basis vectors will be chosen and modified along with the optimization
process. With the objective of obtaining the smallest number of complete analyses, the
initial stiffness matrix will also be modified along with the optimization process. In order
to illustrate the effectiveness of the proposed formulation, classical examples of structural
optimization are analyzed. The numerical examples reveal that the proposed adaptive
scheme provides accurate and, in some cases, better results, i.e. lowest weight with lowest
computational cost, when compared to other schemes in the literature.
|
Page generated in 0.5598 seconds