توسعه دو الگوريتم تكاملي تركيبي و ارزيابي كاركرد آن‌ها در حل مسايل طراحي شكل در مكانيك سيالات

Development and evaluation of two hybrid shape design algorithms in fluid mechanics

مسايل طراحي شكل به طور عام و مسايل طراحي معكوس، به عنوان زير گروهي از اين مسايل، اغلب از طريق روش‌هاي بهينه‌يابي و الگوريتم‌هاي تكاملي حل مي‌شوند. در اين مقاله، از الگوريتم بهينه‌يابي ژنتيك و الگوريتم بهينه‌يابي توده ذرات و همچنين دو گونه متفاوت الگوريتم تركيبي آن دو استفاده شده است. اين چهار الگوريتم، براي چند مسيله طراحي معكوس به كار رفته‌اند و نتايج نشان مي‌دهند كه تركيب الگوريتم‌هاي ژنتيك و توده ذرات، نرخ همگرايي را در روش‌هاي طراحي افزايش مي‌دهد. در قسمت مسايل طراحي، هم مسيله جريان داخلي و هم جريان بيروني انتخاب شده است. علاوه بر آن، نقطه مينيمم كلي چند تابع تست بهينه‌يابي مشهور توسط اين الگوريتم‌ها به دست آمده است. هنگامي‌كه از الگوريتم‌هاي تركيبي استفاده مي‌شود تا 30 درصد، افزايش در سرعت همگرايي در ميان اين مسايل بهينه‌يابي عددي مشاهده مي‌شود. همچنين نتايج نشان مي‌دهند كه الگوريتم‌هاي تركيبي نسبت به الگوريتم‌هاي پايه، قادر هستند كه به نقطه بهينه نزديك‌تر شوند.

Shape design problems, in general, and inverse design problems, in particular, are often solved via optimization techniques. Evolutionary algorithms provide robust and efficient solution methods for such problems. This paper focuses on the application of genetic algorithms (GA), particle swarm optimization (PSO), and two hybrid variants of GA and PSO. Performance of these optimization methods in the solution of inverse design problems is examined and it is shown that hybridization of GA and PSO can be used to improve the convergence rate of the iterative design procedure. Global Minimums of a number of well known optimization test functions are found by the proposed hybrid algorithms and the solutions of both internal and external flow inverse design problems are discussed. Up to 30% speed up is observed in the numerical test cases when the hybrid methods are employed and it is also shown that hybrid methods can get closer to the optimum solution as compared to either GA or PSO.