بهينه‌سازي اندازه و هندسه سازه‌هاي خرپايي با استفاده از تركيب روش‌هاي بهينه‌سازي جستجوي‌گرانشي و ماشين‌هاي ياخته‌اي

Sizing and Geometry Optimization of Truss Structures Using a Hybrid of Gravitational Search Algorithm and Cellular Automata

در اين مطالعه، روشي جديد جهت استفاده در حل مسائل بهينه‌سازي هندسه و اندازه در سازه‌هاي خرپايي با استفاده از تركيب موثر روش ماشين‌هاي ياخته‌اي (CA) و الگوريتم جستجوي گرانشي (GSA) ارائه شده است كه در ادامه به نام روش CA-GSA نامگذاري شده است. اساس روش GSA قوانين گرانش نيوتوني و حركت است. اين الگوريتم به علت تاثيرگذاري مستقيم همه اجرام بر يكديگر و عدم توجه به موضوع نخبه‌گرايي، داراي ضعف همگرايي محلي است. در اين تحقيق، با كمك روش CA، اجرام در يك شبكه سلولي متناهي توزيع شده‌اند و هر سلول تنها با همسايه‌هاي خود در ارتباط است. در روش CA-GSA، قوانين گرانش و حركت اجرام در روش GSA به عنوان عامل ارتباط هر سلول با سلول‌هاي همسايه خود تعريف شده است. بنابراين، نيروي اعمال شده به هر جرم از برآيند نيروي اجرام برتر همسايه‌اش، بدست مي‌آيد. تعريف اين اجرام همسايه و اعمال نيروي آنها به جرم مركزي، حافظه و نخبه‌گرايي را به الگوريتم GSA افزوده است. مزيت ديگر روش جديد، بروزرساني شبكه سلولي پس از هر بروزرساني است كه موجب مي‌شود الگوريتم با تعداد آناليزهاي كمتر به مقدار بهينه اصلي دست بيابد. جهت بررسي سودمندي روش پيشنهادي و مقايسه با روش‌هاي CA و GSA، از سه روش CA، GSA و CA-GSA در حل چهار مساله بهينه‌سازي هندسه و اندازه اعضاي سازهاي خرپايي مبنا استفاده شده است. نتايج الگوريتم توسعه داده شده در اين مقاله نشان دهنده‌ي برتري و قدرت اين الگوريتم در بهينه سازي هندسه و اندازه سازه‌هاي خرپايي نسبت به ساير روش‌هاي مقايسه شده در اين مقاله مي‌باشد.

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 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.