[pt] OTIMIZAÇÃO DE TRELIÇAS ATRAVÉS DE ALGORITMOS EVOLUTIVOS MODERNOS

[en] TRUSS OPTIMIZATION THROUGH MODERN EVOLUTIONARY ALGORITHMS

[pt] MATHEUS JOSE PERES MIGUEL

[pt] OTIMIZACAO

[pt] HKA

[pt] PSO

[pt] GAA

[pt] ALGORITMOS EVOLUTIVOS

[pt] SAA

[pt] RESTRICAO

[pt] TRELICAS

[pt] INTELIGENCIA ARTIFICIAL

[en] OPTIMIZATION

[en] HKA

[en] PSO

[en] GA

[en] EVOLUTIONARY ALGORITHMS

[en] SAA

[en] RESTRAINT

[en] TRUSS

[en] ARTIFICIAL INTELLIGENCE

[pt] A otimização de treliças sob restrições de frequências naturais permite que um projetista controle as frequências selecionadas de forma a melhorar as características dinâmicas de uma estrutura. Por isso, a otimização de treliças com restrições de frequências vem recebendo muitos esforços nas últimas décadas. Por outro lado, para reduzir a massa da estrutura, são geradas mudanças bruscas nas frequências. Com isso, métodos tradicionais baseados em gradientes apresentaram dificuldades na otimização das treliças, convergindo muitas vezes para ótimos locais. Deste modo, muitos pesquisadores vêm aplicando algoritmos evolutivos nesta tarefa de otimizar treliças com restrições de frequências. Assim, este trabalho utilizou 4 algoritmos, Genetic Algorithm (GA), Simulated Annealing (SA), Particle Swarm Optimization (PSO) e Heuristic Kalman algorithm (HKA), para otimizar dois modelos de treliças que são benchmarks típicos na literatura, a treliça plana de 10 barras e a treliça espacial de 72 barras. A partir deste estudo, foram gerados gráficos estatísticos dos desempenhos desses algoritmos em cada problema, que também foram comparados com resultados da literatura que utilizaram outros algoritmos com este mesmo objetivo. Dos algoritmos estudados, o HKA obteve o melhor valor médio da função objetivo para ambas as treliças. Além disso, alguns algoritmos puros deste trabalho obtiveram resultados melhores que algoritmos aprimorados recentes na literatura. Com isso, foi verificado o no free lunch (NFL) theorem, que afirma que não existe algoritmo melhor que outro quando avaliados em uma média de todos os problemas possíveis.

[en] Truss optimization under natural frequency constraints allows a designer to control the selected frequencies in order to improve the dynamic characteristics of a structure. Therefore, the truss optimization with frequency constraints has been receiving multiple efforts in the last decades. On the other hand, to decrease the truss mass, abrupt frequency changes are generated. Thereby, traditional gradient-based methods present difficulty in truss optimization, often converging to local optima. Thus, many researches have been applying evolutionary algorithms to this task of optimizing trusses with frequency constraints. Therefore, this work has used 4 algorithms, Genetic Algorithm (GA), Simulated Annealing (SA), Particle Swarm Optimization (PSO) e Heuristic Kalman algorithm (HKA), in order to optimize two truss models that are typical benchmarks in the literature, the 10-bar planar truss and the 72-bar spatial truss. From the present study, statistical graphs were generated for the performance of these algorithms in each problem, which were also compared to results in the literature that have used other algorithms for this same purpose. Among the studied algorithms, HKA has obtained the best average value for the objective function for both trusses. Furthermore, some pure algorithms from the present work have obtained better results than recent improved algorithms in the literature. Thus, the no free lunch (NFL) theorem was verified, that affirms that there is no better algorithm than other when evaluated in an average of all possible problems.

HELON VICENTE HULTMANN AYALA

ANDERSON PEREIRA

2020-02-11

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=46802@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=46802@2

https://doi.org/10.17771/PUCRio.acad.46802