Algorytm mrówkowy do dyskretnej optymalizacji wybranych układów mechanicznych

• Autorzy: Beluch Witold , Nowak Damian

Warianty tytułu

EN

Ant colony optimization algorithm for discrete optimization of selected mechanical systems

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono algorytm mrówkowy opracowany w celu rozwiązywania zadań globalnej optymalizacji dyskretnej układów prętowych w postaci kratownic. Zastosowane podejście opiera się na algorytmie mrówkowym z funkcją kary, w którym zastosowano ewolucyjną optymalizację strukturalną w celu uwzględnienia optymalizacji topologicznej konstrukcji. Przedstawiony przykład numeryczny ilustruje skuteczność zaproponowanej metody optymalizacji.

EN

The paper presents an Ant Colony Optimization (ACO) algorithm designed to solve global discrete optimization problems of bar systems in the form of trusses. Proposed approach is based on the ACO algorithm with a penalty function in which evolutionary structural optimization has been applied to deal with the topological optimization of trusses. Presented numerical example illustrates the effectiveness of the proposed discrete optimization method.

Słowa kluczowe

PL

algorytm mrówkowy; dyskretna optymalizacja; kratownica

EN

ant colony optimization algorithm; discrete optimization; truss

• Wydawca: Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej. Oddział Gliwice
• Czasopismo: Modelowanie Inżynierskie
• Rocznik: 2019
• Tom: T. 39, nr 70
• Strony: 5--9
• Opis fizyczny: Bibliogr. 13 poz.

Twórcy

autor

Beluch Witold

• Instytut Mechaniki i Inżynierii Obliczeniowej, Politechnika Śląska

autor

Nowak Damian

• Instytut Mechaniki i Inżynierii Obliczeniowej, Politechnika Śląska

Bibliografia

• 1. Christodoulou S.: Optimal truss design using ant colony optimization. In: 5th GRACM International Congress on Computational Mechanics, Limassol, Cyprus, 2005.
• 2. Dorigo M.: Optimization, learning and natural algorithms (in Italian). Dip. di Elettronica, Pol. di Milano, 1992.
• 3. Dorigo M.: Ant algorithms and stigmergy. „Future Generation Computer Systems” 2000, Vol. 16, p. 851-871.
• 4. Dorigo M., Di Caro G., Gambardella L.M.: Ant algorithms for discrete optimization, Artificial Life, MIT Press, 1999.
• 5. Dorigo M., Maniezzo V., Colorni A.: Ant system: optimization by a colony of cooperating agents. „IEEE Transactions on Systems, Man, and Cybernetics - Part B Cybernetics”, 1996,1, Vol. 26, p. 29-41.
• 6. Gan B.S., Hara T., Han A., Alisjahbana S.W., As’ad S.: Evolutionary ACO algorithms for truss optimization problems. „Procedia Engineering” 171, 2017, p. 1100-1107.
• 7. Gwiazda T. D.: Wirtualne Branżowe Systemy Wspomagania Decyzji oparte o Algorytmy Ewolucyjne. Wyd. 2. zmienione i rozszerzone, http://www.tomaszgwiazda.com/ksiazka_2005.pdf, wydanie elektroniczne na prawach rękopisu, Warszawa, 200, dostęp: 13.11. 2018.
• 8. Kołodziejczyk J.: Obliczenia z wykorzystaniem sztucznej inteligencji: systemy mrówkowe; wykład, strona Zakładu Metod Sztucznej Inteligencji na Wydz. Informatyki Pol. Szczecińskiej,
• 9. Li L.J., Huang Z.B., Liu F.: A heuristic particle swarm optimization method for truss structures with discrete variables. „Computers and Structures” 2009, Vol. 80, p. 435-443.
• 10. MSC Nastran 2018 Reference Manual. https://moodle2.units.it/pluginfile.php/188748/mod_resource/content/l/nastran_2018.0.1_doc_quick_reference.pdf, strona MSC Software, dostęp: kwiecień 2018.
• 11. Querin O.M., Steven G.P., Xie Y.M.: Evolutionary structural optimization (ESO) using a bidirectional algorithm. „Engineering Computations” 1998, 8, Vol. 15, p. 1031-1048.
• 12. Samdani S., Belambe V., Patil A.: Discrete optimization of trusses using ant colony metaphor. In: International Conference on World of Innovations in Structural Engineering, Hyderabad, 2004.
• 13. Woon S.Y, Tong L., Querin O.M., Steven G.P.: Effective optimisation of continuum topologies through a multi- GA system. „Comput. Methods Appl. Mech. Engrg.”, 2005, Vol. 194, p. 3416-3437.

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).