طرح بهینه سازه ها با روشهای وراثتی و شبیه سازی بازپخت فلزات
چکیده
در این پژوهش برای حل مسائل بهینه سازی، الگوریتم وراثتی (genetic algorithm - ga) به کار گرفته شده است . الگوریتم جستجوی تصادفی حاصل از ترکیب ایندو، الگوریتم وراثتی-بازپخت فلزات نامیده شده است . دلیل انجام چنین ترکیبی، بهره گیری از بهترین ویژگیهای هر روش و چیرگی بر ناتوانیهای هر یک از شیوه ها است . در نخستین روش ترکیب (sa-ga)، به منظور اجرای مناسب تر شبیه سازی بازپخت فلزات ، الگوریتم وراثتی در ساختار آن به کار رفته است . روشن است که در این صورت مبنای الگوریتم وراثتی برای بهبود فرایند بکار می رود. دومین روش ترکیب (ga-sa) که شیوه جدیدی برای حب مسائل بهینه سازی سازه ها است ، بهینه سازی را بر اساس الگوریتم وراثتی انجام می دهد، ولی احتمال انجام عملگرهای وراثتی (پیوند و جهش ) با در نظر گرفتن معیارهای پذیرش (acceptance crierion) شبیه سازی بازپخت فلزات (متروپولیس -metropolis یا سیگموند-sigmoid) کنترل می گردد. هدف اصلی این پژوهش ، معرفی روشهای ترکیب دو الگوریتم ذکر شده و مقایسه بین این شیوه ها است . این شیوه ها است . این الگوریتم ها برای یافتن کمینه وزن سه خرپای مستوی 18، 25 و 47 عضوی و نیز تیرورق i شکل دو دهانه ویژه ای مورد استفاده قرار گرفته است . برای بررسی و اطمینان از برنامه رایانه ای، پاسخ های بهینه بدست آمده با نتایج چند مقاله تحقیقاتی که به بهینه سازی خرپاهای 18 و 25 عضوی پرداخته اند، مورد مقایسه قرار گرفته است . این مقایسه ها سبب حصول اطمینان نیبت به عملکرد برنامه شده است . در مجموع و بر اساس بررسی های انجام شده به منظور بهینه سازی خرپاها و تیرورق ها، الگوریتم وراثتی - بازپخت فلزات (ga-sa) پیشنهاد شده است . با بکارگیری این شیوه، و وزن بهینه کوچکتری نسبت به روش ga و یا بسیار نزدیک به آن و در نسل های زودهنگام تر از الگوریتم وراثتی بدست می آید. در ضمن روش بازپخت فلزات - وراثتی (sa-ga)، روش مناسبی برای بهینه سازی چنین سازه هایی نخواهد بود. این روش پاسخ بهینه بزرگتر و با گذشت تعداد نسل بیشتری نسبت به دو روش بهینه سازی دیگر نتیجه می دهد.