الگوريتم تجمع ذرات اصلاح شده با جهش ديناميكي و كاربرد آن در بهينه‌سازي قاب هاي خمشي بتن آرمه

A Modified Particle Swarm Optimization Algorithm with Dynamic Mutation and its Application to Optimal Design of Reinforced Concrete Moment Frames

هدف از تحقيق حاضر، بررسي ميزان تاثيرگذاري جهش ديناميكي در بهبود عملكرد الگوريتم PSO استاندارد است. الگوريتم جديد توليد شده، الگوريتم تجمع ذرات اصلاح شده MPSO نامگذاري شده است كه در آن جهت گريز از بهينه‌هاي محلي، از جهش ديناميكي بهره جسته شده است. بهينه‌سازي به معناي يافتن بهترين پاسخ يك مسئله تحت شرايط يك سري قيود از پيش تعيين شده است. منظور از بهترين پاسخ بسته به نوع مسئله مي‌تواند متفاوت باشد. بعنوان مثال در مسائل مهندسي سازه، بهترين پاسخ مي‌تواند هزينه حداقل ساخت و ساز يا توزيع بسيار نزديك به يكنواخت تغييرمكان نسبي طبقات و غيره باشد. در ديگر علوم نيز اين موضوع مطرح است كه از آن ميان مي‌توان به مسائل مربوط به حمل و نقل، برق و الكترونيك، زيست‌شناسي، جامعه‌شناسي و غيره اشاره نمود. روش هاي مختلفي براي حل مسائل بهينه‌سازي مطرح شده است كه مي‌توان آنها را در دو مجموعه كلي روش هاي مبتني بر مشتق و روش هاي فراكاوشي طبقه بندي كرد. روش هاي مبتني بر مشتق جزو روش هاي ابتدايي ولي قدرتمند مطرح بودند و مزيت آنها نسبت به روش هاي فراكاوشي آن بود كه حجم محاسبات كمتري را مي طلبيدند. ولي لازم بود كه تابع هدف از يك رابطه پيوسته بر اساس متغيرهاي طراحي پيروي نمايد. با گسترش مسائل مهندسي و دسترسي به كامپيوترهاي قوي، حجم زياد محاسبات ديگر بعنوان يك مشكل براي روش هاي فراكاوشي مطرح نشد. اين روش ها نسبت به روش هاي مبتني بر مشتق، از مفاهيم ساده‌تري بهره مي‌برند و لازم نيست به مفاهيم پيچيده رياضي وارد شد. در نتيجه در دهه اخير به شدت رشد پيدا كرده‌اند. الگوريتم تجمع ذرات جزو طبقه‌بندي روش هاي فراكاوشي است. جهت بررسي عملكرد اين الگوريتم جديد، از آن براي حل مسئله‌هاي بهينه‌سازي سازه‌اي استفاده شده است. اين مسئله ها، قاب هاي خمشي بتن آرمه هستند كه قبلا توسط محققين مختلف مورد ارزيابي قرار گرفته اند. نتايج بهينه‌سازي با استفاده از MPSO بسيار مطلوب ارزيابي مي‌شود و بهبودهاي چشمگيري در حل هاي نهايي حاصل شده است.

The main purpose of the current research is to develop a new mechanism that makes PSO to work better. Optimization is a tool to find the best solution of a multi-modal problem. Nowadays engineers and designers are looking for optimal designs due to restriction of resources. Recently many optimization algorithms have been developed to takle complex problems, such as Particle Swarm Optimization (PSO). This algorithm is known as a strong explorer but weak exploiter. The main problem is many internal parameters to be tuned. So that users should achive a set of sensitivity analyses to adjust them for the problem at hand, but in the mean time the obtainded values may not proper for other problems. In the present work, in order to overcome this shortcoming, a mutation mechanism as an important element of genetic algorithm is implemented in PSO. Each particle in the optimization proccess is assigned with a random number, then, as the procedure goes on, the random number of each individual is compared with a treshhold and if it is smaller than the treshhold, the particle gets mutated. This new algorithm entitled as modified particle swarm optimization (PSO). Three reinforced concrete MRF optimum design problems are solved by MPSO, PSO and results compared together with another research results based on HS algorithm. Studying the results show that MPSO compared with adjusted PSO by sensitivity analysis and HS, not only brings to better solutions, but it also does not need to any manual adjustment by sensitivity analysis.