Comparison of robustness of metaheuristic algorithms for steel frame optimization

Alberdi, Ryan; Khandelwal, Kapil

doi:10.1016/j.engstruct.2015.08.012

Cited by 47 publications

(13 citation statements)

References 19 publications

(33 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…If a Type-2 beam is chosen for beam group i, the corresponding entry in the path vector,p i , is changed to the optimal pin-connected section following Eq. (13).…”

Section: Ant Colony Optimization (Aco)mentioning

confidence: 95%

“…(b) An additional trial node for a Type-2 pin-connected beam is generated using the optimal pin-connected section found with Eq. (13). Therefore, in this case the total number of trial nodes are given by n n ¼ 6N r þ 1.…”

Section: Tabu Search (Ts)mentioning

confidence: 97%

“…Therefore metaheuristic algorithms are typically used for solving steel frame optimization problems [12]. In a previous study, the authors investigated the performance of nine metaheuristic algorithms for steel frame design optimization [13]. The best four algorithms from this study are thus chosen to carry out the connection topology optimization.…”

Section: Metaheuristic Algorithmsmentioning

confidence: 99%

See 2 more Smart Citations

Connection topology optimization of steel moment frames using metaheuristic algorithms

Alberdi

Murren

Khandelwal

2015

Engineering Structures

Self Cite

View full text Add to dashboard Cite

“…If a Type-2 beam is chosen for beam group i, the corresponding entry in the path vector,p i , is changed to the optimal pin-connected section following Eq. (13).…”

Section: Ant Colony Optimization (Aco)mentioning

confidence: 95%

Section: Tabu Search (Ts)mentioning

confidence: 97%

Section: Metaheuristic Algorithmsmentioning

confidence: 99%

See 1 more Smart Citation

Connection topology optimization of steel moment frames using metaheuristic algorithms

Alberdi

Murren

Khandelwal

2015

Engineering Structures

Self Cite

View full text Add to dashboard Cite

“…Genetic algorithm decreases the volume of computations by reducing the search domain at successive iterations; a feature that makes this algorithm very useful for largescale problems with a large number of variables. Given its simplicity and outstanding features, genetic algorithm has been used as the core of many optimization methods developed for specific problems [6]. For example, Kaveh et al used the genetic algorithm for the optimization of steel moment-resisting frames with simple and clamped supports [7].…”

Section: Introductionmentioning

confidence: 99%

Application of an Improved Genetic Algorithm for Optimal Design of Planar Steel Frames

Madhkhan

Baradaran²

2018

Period. Polytech. Civil Eng.

View full text Add to dashboard Cite

Genetic Algorithm (GA) is one of the most widely used optimization algorithms. This algorithm consists of five stages, namely population generation, crossover, mutation, evaluation, and selection. This study presents a modified version of GA called Improved Genetic Algorithm (IGA) for the optimization of steel frame designs. In the IGA, the rate of convergence to the optimal solution is increased by splitting the population generation process to two stages. In the first stage, the initial population is generated by random selection of members from among AISC W-shapes. The generated population is then evaluated in another stage, where the member that does not satisfy the design constraints are replaced with stronger members with larger cross sectional area. This process continues until all design constraints are satisfied. Through this process, the initial population will be improved intelligently so that the design constraints fall within the allowed range. For performance evaluation and comparison, the method was used to design and optimize 10-story and 24-story frames based on the LRFD method as per AISC regulations with the finite element method used for frame analysis. Structural analysis, design, and optimization were performed using a program written with MATLAB programming language.The results show that using the proposed method (IGA) for frame optimization reduces the volume of computations and increases the rate of convergence, thus allowing access to frame designs with near-optimal weights in only a few iterations. Using the IGA also limits the search space to the area of acceptable solutions.

show abstract

“…Tähän tehtävätyyppiin tarjotaan kirjallisuudessa ratkaisuksi lähinnä metaheuristisia menetelmiä, joista tunnetuimpia lienevät geneettiset algoritmit ja parveilualgoritmi. Menetelmiä on paljon ja esitetyt väitteet keskinäisestä paremmuudesta vaikuttaisivat olevan tehtävätyypistä riippuvaisia ja jossain määrin ristiriitaisia [1,5,6]. Myös kritiikkiä menetelmien hyvyydestä ja sen arvioinnista on esitetty [7].…”

unclassified

Kaksivaiheinen menettely epälineaarisen diskreetin teräsrakenteiden optimointitehtävän ratkaisemiseksi

Tiainen¹,

Mela²

2017

RakMek

View full text Add to dashboard Cite

Tiivistelmä. Artikkelissa sovelletaan kaksivaiheista menettelyä diskreetin teräsrakenteen optimointiongelman ratkaisemiseen. Verrattuna paljolti kirjallisuudessa käytettyyn suoraan ratkaisumalliin laskentaesimerkissä päästään saman luokan tuloksiin, mutta merkittävästi lyhyemmässä ajassa. Laskentaesimerkkinä käytetään teräskehää, mutta menettely on periaatteessa yleinen ja sovellettavissa myös muihin optimoinnin aihealueisiin. Johdanto Yleensä kehämäisten rakenteiden suunnittelussa sauvojen profiilit valitaan kaupallisesti tarjolla olevasta valikoimasta. Näin ollen vastaava optimointiongelma on myös diskreetti. Kun otetaan lisäksi huomioon suunnittelustandardien [3,4] laskentaohjeet, huomataan nopeasti käsillä olevan hyvin haastava epälineaarinen diskreetti ongelma. Tähän tehtävätyyppiin tarjotaan kirjallisuudessa ratkaisuksi lähinnä metaheuristisia menetelmiä, joista tunnetuimpia lienevät geneettiset algoritmit ja parveilualgoritmi. Menetelmiä on paljon ja esitetyt väitteet keskinäisestä paremmuudesta vaikuttaisivat olevan tehtävätyypistä riippuvaisia ja jossain määrin ristiriitaisia [1,5,6]. Myös kritiikkiä menetelmien hyvyydestä ja sen arvioinnista on esitetty [7]. Käytännön tehtävässä -vaikkapa suhteellisen rajatun tehtävän kuten ristikon -optimoinnissa vaadittava laskenta-aika monine ajoineen kasvaa helposti tunteihin [8]. Tämä on käytännön suunnittelutyössä liian pitkäksi koettu aika eikä pitkienkään ajojen jälkeen saadun tuloksen optimaalisuudesta ole takeita.Diskreettiin tehtävään on suoran menettelyn sijaan kehitetty myös erilaisia kaksivaiheisia menettelyjä [2], joissa ensin relaksoidaan tehtävä jatkuvaksi, ratkaistaan jatkuva onglema, jonka jälkeen tarkastellaan jatkuvan ratkaisun diskreettiä ympäristöä ja pyritään ratkaisemaan tämä rajoitettu tehtävä. Tässä artikkelissa ehdotetaan tälle ajatukselle perustuvaa menettelyä, joka ei kuitenkaan aiemmasta kirjallisuudesta poiketen välttämättä 1 Vastuullinen kirjoittaja. teemu.tiainen@tut.fi 118

show abstract

Comparison of robustness of metaheuristic algorithms for steel frame optimization

Cited by 47 publications

References 19 publications

Connection topology optimization of steel moment frames using metaheuristic algorithms

Connection topology optimization of steel moment frames using metaheuristic algorithms

Application of an Improved Genetic Algorithm for Optimal Design of Planar Steel Frames

Kaksivaiheinen menettely epälineaarisen diskreetin teräsrakenteiden optimointitehtävän ratkaisemiseksi

Contact Info

Product

Resources

About