بهینه‌سازی مسائل مهندسی با قیود گسسته و پیوسته بکمک الگوریتم‌های فراابتکاری تطبیقی پویا

علوم کاربردی و محاسباتی در مکانیک

مقاله 4، دوره 37، شماره 1 - شماره پیاپی 39، فروردین 1404، صفحه 53-70   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jacsm.2024.86041.1232

نویسندگان

سید مصطفی موسوی؛ علیرضا طلوعی^* ؛ محمدحسین طلوعی

دانشگاه شهید بهشتی تهران، تهران.

چکیده

هدف این مقاله، پیاده‌سازی و بررسی روش‌های مختلف الگوریتم‌های فراابتکاری برای حل پنج مسأله مهندسی است. لذا این مسائل مهندسی، به صورت مقید، بررسی شده سپس با استفاده از پنج الگوریتم فراابتکاری کرم شب‌تاب، رقابت استعماری، قورباغه، مورچگان و گرگ خاکستری و با هدف کاهش هزینه‌های مسائل مهندسی، بهینه‌سازی شده و نتایج حل آن صحت‌سنجی شده است. در واقع، در هر یک از الگوریتم‌های بهینه‌سازی استفاده شده، یک عامل تطبیقی پویا برای متعادل‌کردن نرخ همگرایی و توانایی جستجوی بهینه مطلق با تنظیم سرعت جستجو در طول فرآیند جستجو معرفی شده است. بررسی‌ها نشان می‌دهد که در هر یک از الگوریتم‌ها، تکنیک‌هایی برای خروج از بهینه محلی استفاده می‌شود که باعث می‌شود پاسخ‌ها به بهینه مطلق همگرا شوند. برای ارزیابی کیفیت و دقت الگوریتم‌ها، از تست حساسیت سنجی و مقایسه اعداد همگرایی برای نتایج حاصل از اجرای هر الگوریتم بر روی داده‌ها استفاده شده است. نتایج به‌دست آمده نشان می‌دهد که الگوریتم کرم شب‌تاب در مساله فنرکششی، الگوریتم قورباغه در مساله خرپای سه میله‌ای، الگوریتم رقابت استعماری در مسائل کاهنده سرعت و طراحی چرخدنده، و الگوریتم گرگ خاکستری در مساله مخزن تحت فشار، در یافتن بهینه مطلق، عملکرد دقیق‌تری را ارائه کردند. در واقع این الگوریتم‌ها برای حل بهینه‌ مسائل با تولید جمعیت تصادفی، ایجاد همسایگی و انتخاب بهترین همسایه به شرط ارضاء قیود متغیرهای مسائل، رسیدن به حل بهینه را آسان می‌کند. در نتیجه، این مقاله نشان می‌دهد که هر الگوریتم فراابتکاری می‌تواند در یک مسئله مهندسی مشخص، بسته به نوع مساله و شرایط محیطی، عملکرد بهتری داشته باشد.

کلیدواژه‌ها

مسائل بهینه‌سازی طراحی مهندسی مقید؛ متغیرهای طراحی پیوسته و گسسته؛ فراابتکاری؛ الگوریتم بهینه‌سازی رقابت استعماری؛ مورچگان؛ قورباغه؛ گرگ خاکستری؛ کرم شب‌تاب

مراجع

[1] N. B. Guedria, “Improved accelerated PSO algorithmform echanical engineering optimization problems,” Applied Soft Computing, vol. 40, pp. 455–467, 2016. https://doi.org/10.1016/j.asoc.2015.10.048.

 [2] J. Kennedy, R. Eberhart, “Particle swarm optimization,” In Proceedings of ICNN'95-international conference on neural networks, vol. 4, pp. 1942-1948, 1995,  .  https://doi.org/10.1109/ICNN.1995.488968.

[3] J. H. Holland, “Outline for a logical theory of adaptive systems,” Journal of the ACM (JACM), vol. 9, no. 3, pp. 297-314, 1962. https://doi.org/10.1145/321127.321128.

[4] J. D. Bagley, “The behavior of adaptive systems which employ genetic and correlation algorithms,” Ann Arbor, MI: Dissertation Abstracts International, University of Michigan, 1967.

[5] S. Mirjalili, S. M. Mirjalili and A. Lewis, “Grey wolf optimizer,” Advances in engineering software, vol. 69, pp. 46-61, 2014. https://doi.org/10.1016/j.advengsoft.2013.12.007.

[6]  Y. Li, W. Sun and S. Guan, “A firefly inspired controller placement algorithm in software defined network,” In 2019 IEEE 2nd international conference on computer and communication engineering technology (CCET), 2019.  pp. 254-258. https://doi.org/10.1109/CCET48361.2019.8989320.

[7] M. Dorigo, M. Birattari and T. Stutzle, “Ant colony optimization artificial ants as a computational intelligence technique,” IEEE Comput Intell M, vol. 1, no. 4, pp. 28–39, 2006. https://doi.org/10.1109/MCI.2006.329691.

[8] D. Karaboga and B. Basturk, “Artificial bee colony (ABC) optimization algorithm for solving constrained  optimization,” Foundations of fuzzy logic and soft computing, Lecture Notes in Computer Science, vol. 4529, 2007, pp.789–798. https://doi.org/10.1007/978-3-540-72950-1_77.

[9]  M. A. Ahandani, R. Banimahd and N. P. Shrjoposht, “Solving the parameter identification problem using shuffled frog leaping with opposition-based initialization,” In 2011 1st International eConference on Computer and Knowledge Engineering (ICCKE), 2011, pp. 49-53. https://doi.org/10.1109/ICCKE.2011.6413323.

[10] B. Xing, W. J. Gao, “Imperialist competitive algorithm,” in Innovative computational intelligence: A rough guide to 134 clever algorithms, pp. 203-209 . 2014.

[11]  A. Kalananda, V. K.Reddy, and V. L. Narayana Komanapalli, “A competitive learning-based Grey wolf Optimizer for engineering problems and its application to multi-layer perceptron training,” Multimedia Tools and Applications, vol. 82, pp. 1-59, 2023. https://doi.org/10.1007/s11042-023-15146-x.

[12] W. T. Lunardi, H. Voos and L. H. Cherri, “An effective hybrid imperialist competitive algorithm and tabu search for an extended flexible job shop scheduling problem,” In Proceedings of the 34th ACM/SIGAPP Symposium on Applied Computing, 2019, pp. 204-211. https://doi.org/10.1145/3297280.3297302.

 [13] R. Rajabioun, E. Atashpaz-Gargari and C. Lucas, “Colonial competitive algorithm as a tool for Nash equilibrium point achievement,” In Computational Science and Its Applications–ICCSA 2008: International Conference, 2008, pp. 680-695.  https://doi.org/10.1007/978-3-540-69848-7_55.

[14] M. Eusuff, K. Lansey and F. Pasha, “Shuffled frog-leaping algorithm: a memetic meta-heuristic for discrete optimization,” Engineering optimization, vol. 38, no. 2, pp. 129-154, 2006. https://doi.org/10.1080/03052150500384759.

 [15] B. B. Maaroof, T. A. Rashid, J. M. Abdulla, B. A. Hassan, A. Alsadoon, M. Mohammadi, M. Khishe and S. Mirjalili, “Current studies and applications of shuffled frog leaping algorithm: a review,” Archives of Computational Methods in Engineering, vol. 29, no. 5, pp. 3459-3474, 2022. https://doi.org/10.1007/s11831-021-09707-2.

[16]  M. Eusuff, K. Lansey, and F. Pasha, “Shuffled frog-leaping algorithm: a memetic meta-heuristic for discrete optimization,” Engineering optimization, vol. 38, no. 2, pp. 129-154, 2006. https://doi.org/10.1080/03052150500384759.

[17] X. Yang, X. He, “Firefly algorithm: recent advances and applications,” International journal of swarm intelligence, vol. 1, no. 1, pp. 36-50, 2013. https://doi.org/10.1504/IJSI.2013.055801.

[18] N. F. Johari, et al. and A. Udin, “Firefly algorithm for optimization problem,” Applied Mechanics and Materials, vol. 421, pp. 512-517, 2013. https://doi.org/10.4028/www.scientific.net/AMM.421.512.

[19] X. Yang, “Firefly algorithm, stochastic test functions and design optimisation,” International journal of bio-inspired computation, vol. 2, no. 2, pp. 78-84, 2010. https://doi.org/10.1504/IJBIC.2010.032124.

 [20] S. Farahani, A. A. Abshouri, B. Nasiri, and M. R. Meybodi, “A Gaussian firefly algorithm,” International Journal of Machine Learning and Computing, vol. 1, no. 5, p. 448, 2011.

[21] V. Kumar, D. Kumar, “A systematic review on firefly algorithm: past, present, and future,” Archives of Computational Methods in Engineering, vol. 28, pp. 3269-3291, 2021. https://doi.org/10.1007/s11831-020-09498-y.

 [22] X. Yang, “Firefly algorithms for multimodal optimization,” International symposium on stochastic algorithms, Springer, 2009, pp. 169-178. https://doi.org/10.1007/978-3-642-04944-6_14.

[23] M. H. Alizadeh, A. Toloei, “Designing Pitch Angle Compensator for an UAV and Robustification it with Bee Colony Optimization Algorithm,” Technology in Aerospace Engineering, pp. 1-13, 2023. https://doi.org/10.22034/jtae.2024.8.1.1.

[24] B. Attaran, M. Zarchi and A. R. Toloei, “Numerical survey of vibrational model for third aircraft based on HR suspension system actuator using two bee algorithm objective functions,” International Journal of Engineering, vol. 30, no. 6, pp. 887-894, 2017.

[25] A. R. Toloei, M. Zarchi and B. Attaran, “Application of active suspension system to reduce aircraft vibration using pid technique and bees algorithm,” International Journal of Computer Applications, vol. 98, no. 6, 2014. 10.5120/17187-7368.

[26] A. R. Toloei, M. Zarchi and B. Attaran, “Vibration control of aircraft semi-active suspension system using PID-bees technique,” International Journal of Computer Applications, vol. 99, no. 10, 2014. https://doi.org/10.5120/17408-7980.

[27] M. Ameri and E. Behrouzian Nejad, “Presenting a clustering method based on colonial competition algorithm to increase network lifetime in wireless sensor networks,” In 2^nd international conference on Research in Engineering, Science and Technology, 2005. (InPersian)

[28] Z. Ghafari Moghadam, M. Hashemi Tabar, and E. Moradi, “Water DemandManagement Using Dynamic Firefly Optimization Algorithm: A Case Study of Hirmand River,” Scientific Quarterly Journal of Water Resources Engineering, vol. 13, no. 46, pp. 85-98, 2020. (InPersian)

[29] H. Zhu, Y. Hu and W. Zhu, “A dynamic adaptive particle swarm optimization and genetic algorithm for different constrained engineering design optimization problems,” Advances in Mechanical Engineering, vol. 11, no. 3, 2019. https://doi.org/10.1177/1687814018824930.

[30] C. I. Okonta, et al. and E. D. Okelue, “A heuristic based ant colony optimization algorithm for energy efficient smart homes,” In Proc. 5^th International  Conference Exhib. Clean Energy, pp. 1-12, 2016.