بهینه سازی چندهدفه قاب های فولادی با استفاده از الگوریتم آموزش-یادگیری مرتب‌سازی نامغلوب (nstlbo)

در دهۀ اخیر استفاده از الگوریتم های فراابتکاری برای بهینه­ سازی سازه ها به‌منظور دستیابی به وزن کمینه و سود بیشینه، مورد توجه محققان قرار گرفته است. بهینه سازی چندهدفه به‌منظور ایجاد موازنه بین توابع هدف و به‌دست‌آوردن جبهۀ پارتو از اهمیت بیش‌تری برخوردار بوده است. در این مقاله الگوریتم بهینه‌سازی آموزش-یادگیری (teaching-learning-based optimization) برای حالت چند هدفه توسعه داده شده است. برای بررسی کارایی الگوریتم، پنج قاب فولادی بهینه‌سازی شده­ اند که شامل سه قاب خمشی و دو قاب مهاربندی هستند. توابع هدف در این مقاله وزن سازه و جابه‌جایی بام در نظر گرفته شده است. مقطع المان‌های سازه‌ای قاب‌ها به‌عنوان متغیرهای طراحی در نظر گرفته شده و تنش های موجود در اعضا، قیود طراحی می­ باشند. قاب­ ها توسط برنامۀ تحلیل ماتریسی نوشته‌ شده در نرم‌افزار matlab تحلیل شده‌اند و طراحی آن‌ها مطابق با ضوابط آیین نامۀ aisc-lrfd انجام شده است. نتایج بهینه‌سازی از جمله جبهۀ پارتو و موازنه بین توابع هدف برای مثال‌های عددی ارائه شده‌اند که نشان‌دهندۀ عملکرد و کارایی بسیار مناسب الگوریتم هستند.

multiobjective optimization of steel frames using non-dominated sorting teaching-learning-based optimization algorithm

during the recent decade, meta-heuristic algorithms have been developed by researchers for structural optimization. multiobjective optimization aims at finding a trade-off between objective functions. in this paper, teaching-learning-base optimization (tlbo) algorithm is developed for multiobjective optimization of steel frames, called non-dominated sorting teaching-learning-based optimization (nstlbo) algorithm. to evaluate the efficiency of the algorithm, five benchmark steel frames including three moment resisting frame and two braced frames are optimized using nstlbo. the weight of the structure and the maximum displacement are considered as the objective functions to be minimized. sizes of the elements are employed as design variables. the structures analyzed using a developed code in matlab, and designed according to the aisc-lrfd specifications. results including trade-off between the objective functions showed the efficiency of the algorithm.