كاهش محاسبات بهينه سازي خرپا با استفاده از يك الگوريتم

Decreasing computational effort in structural optimization

امروزه، مدل هاي دقيق رايانه اي كاربرد وسيعي در بهين هسازي مهندسي پيدا كرده اند. ارزيابي و محاسبه اكثر اين مدل ها، نيازمند صرف زمان و هزينه زيادي است. در اين مقاله يك روش جديد فرامد لسازي تركيبي به منظور كاهش بار محاسباتي براي رسيدن به جواب بهينه در مسايل مدل سازي ارايه شده، اين الگوريتم در ابتدا تعدادي نقاط نمونه ايجاد كرده، مقادير پاسخ آنها را با استفاده از محاسبات دقيق به دست آورده و سپس مقدار پاسخ تقريبي نقاط جديد را به دست مي آورد. در صورتي كه پاسخ تقريبي به دست آمده در راستاي همگرايي الگوريتم باشد، دست به محاسبه پاسخ دقيق آن خواهد زد. براي ارزيابي تاثير اين الگوريتم بر كاهش بار محاسباتي، چند مثال عددي استاندارد ارايه و نتايج آن با چند الگوريتم متداول بهين ه سازي همچون الگوريتم ژنتيك و كولوني مورچه ها مقايسه شده است. مقايسه نتايج نشان مي دهد كه اين الگوريتم تاثير زيادي بر كاهش بار محاسباتي و افزايش سرعت همگرايي دارد.

High fidelity models are becoming increasingly common in engineering optimization. The computation burden is often caused by expensive analysis and simulation processes in order to reach a comparable level of accuracy as physical testing data. The metamodels are initially developed as surrogates of the expensive simulation process in order to improve the overall computation efficiency. This work presents a new multilevel optimization approach for multidisciplinary structural design optimization based on multi fidelity modeling to decrease computational effort. Such method is a composition of a statistical estimating method and a metaheuristic algorithm. A low fidelity analysis response determines if the high fidelity analysis should be done or not. As a result, most of unnecessary high fidelity calculation will be omitted. The empirical results show the new algorithm causes a significant decrease in computational load as well as increase in convergence rate.