The Comparison of Imperialist Competitive Algorithm Applied and Genetic Algorithm for Machining Allocation of Clutch Assembly

تلرانس گذاري اجزا و قطعات در مرحله طراحي و ساخت تاثير قابل توجهي در عملكرد قطعات و هزينه هاي توليد دارد. اين مقاله با استفاده از الگوريتم رقابت استعماري، به حل مسيله تلرانس گذاري مهندسي و بهينه سازي آن در فرايند مونتاژ مي پردازد. الگوريتم رقابت استعماري اخيراً معرفي شده و كارايي خود را در حل مسايل بهينه سازي نشان داده است. اين الگوريتم از رقابت بين استعمارگر و مستعمره الهام گرفته و بر خلاف ساير الگوريتم هاي تكاملي شامل دو مرحله اساسي مي باشد: حركت مستعمرات به سمت استعمارگران و رقابت استعماري. در اين مطالعه موردي، تلرانس گذاري بهينه با هدف حداقل سازي هزينه هاي ساخت براي مونتاژ يك قطعه كلاچ بررسي شده است. به منظور اعتبار دهي به روش مطرح شده، نتايج الگوريتم رقابت استعماري در نهايت با الگوريتم ژنتيك مقايسه شده اند. بر اساس نتايج، الگوريتم رقابت استعماري، توانايي بسيار بالايي از نظر صحت، سرعت همگرايي و دستيابي بهتر به نقطه مينيمم را نشان داده است.

The allocation of design tolerances between the components of a mechanical assembly and manufacturing tolerances can significantly affect the functionality of products and related production costs. This paper introduces Imperialist Competitive Algorithm (ICA) approach to solve the machining tolerance allocation of an overrunning clutch assembly. ICA is a multi-agent algorithm with each agent being a country, which is either a colony or an imperialist. These countries form some empires in the search space. Movement of the colonies toward their related imperialist, and imperialistic competition among the empires, form the basis of the ICA. During these movements, the powerful imperialist are reinforced and the weak ones are weakened and gradually collapsed, directing the algorithm towards optimum points. The objective of present study is to obtain optimum tolerances of the individual components for the minimum cost of manufacturing using ICA.The results were finally compared with the Genetic Algorithm (GA). Based on the results, ICA has demonstrated excellent capabilities such as accuracy, faster convergence and better global optimum achievement in comparison with traditional GA.