مقاله بهبود عملکرد الگوریتم ژنتیک در بهینه یابی سازه های خرپایی با استفاده از ایده پیشنهادی مش بندی فضای جستجو

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله بهبود عملکرد الگوریتم ژنتیک در بهینه یابی سازه های خرپایی با استفاده از ایده پیشنهادی مش بندی فضای جستجو دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بهبود عملکرد الگوریتم ژنتیک در بهینه یابی سازه های خرپایی با استفاده از ایده پیشنهادی مش بندی فضای جستجو  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله بهبود عملکرد الگوریتم ژنتیک در بهینه یابی سازه های خرپایی با استفاده از ایده پیشنهادی مش بندی فضای جستجو،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بهبود عملکرد الگوریتم ژنتیک در بهینه یابی سازه های خرپایی با استفاده از ایده پیشنهادی مش بندی فضای جستجو :

تعداد صفحات:۱۳
چکیده:
در طول چند دهه اخیر، الگوریتم ژنتیک ) GA ( به عنوان یکی از روشهای فراابتکاری در بهینه یابی سازه ها مطرح شده است. این روش نیز همانند سایر الگوریتم های فراابتکاری وابسته به پارامترها و عوامل مختلفی در روند بهینه یابی می باشد. در GA با افزایش لیست مقاطع و گسترش فضایطراحی، طول هر زیررشته و بدنبال آن طول هر رشته افزایش می یابد. این مسئله سبب کاهش سرعت فرآیند بهینه یابی در نیل به نقطه بهینه خواهدشد. بنابراین در این مقاله سعی شده است تا سرعت فرآیند بهینه یابی از طریق GA با افراز فضای طراحی افزایش یابد. برای این منظور با الهام از فرآیند مش بندی در روش اجزای محدود، لیست مقاطع به تعداد مشخصی زیرمجموعه تقسیم می شود. سپس یکی از اعضای هر زیرمجموعه )در سه حالت با اتخاذ بزرگترین، میانگین و کمترین سطح مقطع( به عنوان نماینده زیرمجموعه، در لیستی جدید تعریف می شود. فرآیند بهینه یابیبراساس لیست جدید مقاطع که متشکل از نمایندگان زیرمجموعه ها است، آغاز می شود )جستجوی سراسری(. در ادامه با گذشت تعداد مشخصیاز نسل سازی، محدوده طرح بهینه برای هر زیررشته تعیین می شود. سپس لیست مقاطع برای هر متغیر طراحی متناسب با نتیجه فرآیند مرحله پیش و براساس زیرمجموعه متغیر مربوطه مجدداً تعریف می شود. در نهایت عملیات بهینه یابی براساس لیست مقاطع جدید برای هر متغیر طراحی تا تکمیل نسل سازی ها ادامه می یابد )جستجوی محلی(. ایده پیشنهادی در سه حالت به همراه شیوه مرسوم GA با استفاده از مثال های بهینه یابی خرپا مورد بررسی قرار گرفته است. نتایج دلالت بر افزایش سرعت عملیات بهینه یابی براساس ایده اتخاذ روش میانگین سطح مقطع دارد