Sunteți pe pagina 1din 131

Investete n oameni !

FONDUL SOCIAL EUROPEAN


Proiect cofinanat din Fondul Social European prin Programul Operaional Sectorial pentru Dezvoltarea Resurselor Umane
2007 2013
Axa prioritar 1: Educaia i formarea profesional n sprijinul creterii economice i dezvoltrii societii bazate pe
cunoatere
Domeniul major de intervenie 1.5 "Programe doctorale i post-doctorale n sprijinul cercetrii"
Titlul proiectului: Q-DOC- Creterea calitii studiilor doctorale n tiine inginereti pentru sprijinirea dezvoltrii societii
bazate pe cunoatere
Contract : POSDRU/107/1.5/S/78534
Beneficiar: Universitatea Tehnic din Cluj-Napoca

FACULTATEA DE CONSTRUCII

Ing. Ioana D. Balea (Krucke)

TEZ DE DOCTORAT
STRATEGII DE OPTIMIZARE A STRUCTURILOR
METALICE BAZATE PE ALGORITMI GENETICI

Conductor tiinific,
Prof.Univ.Dr.Ing. George M. Brsan

______________________________2015____________________________

CUPRINS
1

Introducere ............................................................................................................ 0
1.1

Motivaia alegerii temei .................................................................................... 0

1.2

Obiective ........................................................................................................ 2

1.3

Structura lucrrii .............................................................................................. 4

Optimizare global vs. optimizare structural ............................................................ 8

Formularea matematic a problemelor de optim ...................................................... 12


3.1

3.1.1

Spaiul i subspaiul de proiectare ............................................................. 13

3.1.2

Subspaiul admisibil ................................................................................ 14

3.2
4

Metode de optimizare ..................................................................................... 19

Forme de optimizare structural ............................................................................. 25


4.1.1

Optimizarea topologic ............................................................................ 25

4.1.2

Optimizarea formei ................................................................................. 27

4.1.3

Optimizarea dimensional ........................................................................ 28

4.1.4

Optimizarea topografic ........................................................................... 29

Algoritmii stocastici ............................................................................................. 30


5.1

Evaluarea modelului ...................................................................................... 13

Algoritmii evoluioniti .................................................................................. 32

5.1.1

Algoritmii genetici .................................................................................. 32

5.1.2

Optimizarea structural evolutiv (ESO) .................................................... 44

5.1.3

Optimizare de tip PSO (particle swarm optimization) .................................. 46

5.1.4

Optimizare de tip Simulated Annealing ..................................................... 46

Strategii de optimizare .......................................................................................... 49


6.1

Direcii de cercetare ....................................................................................... 49

6.2

Optimizare Multi-Modal ............................................................................... 50

6.3

Eficien i incertitudine n procesul de optimizare ............................................ 52

6.4

Utilizarea unor forme naturale ......................................................................... 54

Variabile de proiectare i variabile de optimizare ..................................................... 58

Restriciile de proiectare i funcia obiectiv ............................................................. 62

8.1

Funcii-obiectiv globale .................................................................................. 63

8.2

Metode de transformare i pseudo-obiective ..................................................... 65

Modelare Parametric ........................................................................................... 68


9.1

Modelarea datelor n Grasshopper ................................................................... 70

10

9.1.1

Formularea obiectual n procesul de calcul ............................................... 72

9.1.2

Crearea funciei fitness ............................................................................ 76

Implementarea strategiilor de optimizare structural cu algoritmi genetici ............... 83

10.1 Programul elaborat n platforma Matlab ........................................................... 83


10.1.1

Probleme testate ...................................................................................... 83

10.2 Programe cu formulare parametric ................................................................. 92


10.2.1

Probleme testate ...................................................................................... 94

Concluzii i direcii de cercetare viitoare ..................................................................... 114


Bibliografie .............................................................................................................. 117
ANEXA 1 ................................................................................................................ 125
ANEXA 2 ................................................................................................................ 126

1 INTRODUCERE
1.1 MOTIVAIA ALEGERII TEMEI
Motivaia acestei lucrri a fost dat de observaia prevalenei studiilor de analiz i unei
insuficiente atenii acordate dezvoltrii proiectrii capabile s foloseasc eficient noile metode
dezvoltate de designul conceptual i optimizare. n domeniul mecanicii structurilor este
posibil analiza unei structuri aflate sub aciunea unei solicitri date, pentru a se obine valorile
exacte ale tensiunilor, deformaiilor i frecvenelor naturale. Nu este ns evident cum structura
poate fi configurat geometric i proporionat pentru a ne asigura c ea este cea mai eficient
n satisfacerea cerinelor de rezisten, serviceabilitate, estetic, etc, impuse.
Economia de cost, de for de munc, aplicarea de metode noi, simplificate, utilizarea de
materiale inovative i tehnologii ecologice, forme i design remarcabile; toate acestea sunt
trsturi fundamentale ale optimizrii structurale. Noile tendine i cercetarea n acest domeniu
au fost conduse, n ultimele decenii, de aplicarea cunotinelor i observaiilor obinute din
studiul proceselor naturale, a organismelor, a structurilor i materialelor, de la nivelul
particulelor subatomice la comportamentul insectelor i animalelor, a anatomiei, a relaiilor
ecologice din habitate naturale, i apoi aplicarea acestor cunotine la designul structurilor i
mediului construit. Rezultatele sunt extrase din analiza atent i sistematic a modurilor n care
natura a proiectat structuri. Pe aceast baz putem dezvolta criterii i strategii pentru a evolua
construciile ntr-o manier asemntoare, n mod eficient i sustenabil, gsind resurse noi, i
rspunznd la mediul dinamic n care structurile sunt plasate.
O structur uoar necesit mai puin material pentru construcie i astfel reuete s asigure
utilizarea maxim, raional a resurselor. Utiliznd geometrii optimale pentru structuri este
asigurat rezistena superioar a acestora i n acelai timp sunt reduse consumurile i pierderile.
n natur ntlnim nenumrate exemple de optimizare. Structura fagurelui este un exemplu de
aranjare compact eficient. n cazul metalelor i aliajelor, atomii iau poziiile care necesit
consumul minim de energie posibil prin formarea de celule unitare care definesc structura
cristalin a materialului. Pentru stlpi, optimizarea nu este o tendin nou. Tehnicile de
optimizare sunt n prezent utilizate n majoritatea domeniilor industriale, cum sunt: industria
aeronautic, industria constructoare de automobile, industria electric, industria chimic, etc.

Cteva exemple de aplicaii industriale diversificate ale tehnicii de optimizare sunt enumerate
mai jos:
1. greutate, vibraii, zgomot i optimizarea consumului de combustibil la automobile, reducerea
costurilor de fabricaie, precum i mbuntirea calitii;
2. proiectarea aeronavelor i a structurilor aerospaiale de greutatea minim;
3. proiectarea de structuri, cum ar fi poduri, turnuri, baraje pentru un cost minim;
4. proiectarea optim a diferitelor componente mecanice cum ar fi legturi, came, maini-unelte,
etc;
5. proiectarea optim a reelelor electrice;
6. optimizarea produciei, a planificrii, i a controlului, etc.
Figura 1.1 Aceasta este o fotografie aerian a unui ru care curge printr-un deert, n Baja
California, Mexic. Se poate observa similaritatea dintre acesta i ramurile copacilor. Acest
tip de ramificare se regsete n numeroase locuri diferite din natur, vasele de snge fiind
un alt exemplu unde se observ modelul de ramificare. Tiparele n natur sunt relaii care
apar att pentru forma structurii ct i a proceselor. Atunci cnd procesele naturale
ntlnesc forme care funcioneaz bine, tiparele par s se imite reciproc.

Cnd optimizarea topologic este realizat fr a ine cont de restricii de fabricaie, structuri
foarte atractive sunt adesea produse, ns acestea nu pot fi realizate prea uor. Figura 1.2 este
un astfel de exemplu, unde peste un milion de variabile de proiectare au fost utilizate. Aceast
structur a fost optimizat pentru a minimiza energia de deformare sub ncrcri. Este de
remarcat faptul c optimizarea topologic produce rareori designul final, chiar dac sunt
utilizate restricii de fabricaie. Acest lucru se datoreaz faptului c optimizarea topologic, n
mod normal, nu include restricii de tensiuni. Cu toate acestea, ajut la identificarea cilor de
descrcare a forelor aplicate i ofer un punct foarte bun de plecare pentru optimizarea formei
i optimizarea dimensional.

Figura 1.2 Exemplu de optimizare topologic a unei grinzi.

Pornind de la aceast premiz, n lucrarea de fa, sunt realizate studii numerice care utilizeaz
forme obinute prin optimizare topologic care folosesc mai departe la cautarea unui optim
structural prim optimizare dimensional cu variabile discrete.
n general n cazul n care se pretinde ca s-a optimizat o structur, n fapt, doar cteva pri
structurale alese sunt optimizate. Proiectanii caut, pentru dimensiunea minim a seciunii
transversale, satisfacerea codului de proiectare, ncearc s gseasc numrul minim de
uruburi necesare ntr-o anumit conexiune de oel, caut aria minim necesar de oel pentru
armarea unei grinzi de beton, etc. Toate prile structurale sunt proiectate optim, dar aceasta nu
nseamn c ntreaga structur este optimizat pentru, spre exemplu, costurile materialelor,
timpul de construcie, preul forei de munc, etc. Am ncercat n aceast lucrare s testez cele
mai des utilizate tipuri de algoritmi evoluioniti i s realizez o analiz critic a modului n
care acetia pot fi aplicai ct mai eficient n domeniul optimizrii structurilor metalice.

1.2 OBIECTIVE
Obiectivul optimizrii structurale este maximizarea performanei unei structuri sau a unei
componente structurale. Aceasta este motivat de resursele limitate, impactul asupra mediului
i de concurena tehnologic, care cere structuri uoare, ieftine i de nalt performan.
Designul optim reprezint cel mai bun proiect fezabil care satisface criteriile de performan
prescrise prin norme i tipologia particular proiectului (Muller, 2002). Proiectarea optimal a
structurilor are ca scop realizarea unor construcii la preuri mici i consum mic de materiale,
respectnd cerinele de siguran, funcionalitate i exploatare (Petrina, 1982) (Poterasu, i alii,
1984) (Hristache, i alii, 1981).
n cadrul lucrrii am vizat urmtoarele obiective:
Elaborarea unui studiu privind stadiul actual al cunoaterii n domeniul optimizrii
structurale evolutive.
Prezentarea analizei cercetrilor efectuate i sistematizarea cunotinelor ntr-o form
coerent uor aplicabil n rezolvarea problemelor de optimizare cu algoritmi genetici.
Prezentarea sistematic a procesului de calcul iterativ de optimizare i analiza sub form
de funcii multi-nivel (nested), alturi de folosirea celor mai utili algoritmi evoluioniti n
domeniul structurilor.
2

Descrierea unei proceduri de realizare a analizei structurale n MATLAB, a


posibilitilor oferite de Global Optimization Toolbox i a metodelor de utilizare a algoritmilor
de optimizare n mediul de programare vizual parametric Grasshopper (McNeel Rhinoceros).
Realizarea unui program de optimizare care implementeaz un algoritm genetic simplu
n MATLAB.
Realizarea unui program de optimizare care implementeaz o strategie multi-nivel prin
utilizarea a trei tipuri de algoritmi ntr-un program capabil de parametrizare a structurilor
(Rhino Grasshopper). Etapa de evaluare a indivizilor s-a realizat printr-o modelare numeric,
folosind funcii fitness dar am prezentat i posibilitatea alegerii unor soluii bune, chiar dac
nu optime global, pe criterii estetice, utilizatorul avnd astfel ultimul cuvnt de spus n alegerea
soluiei finale.

1.3 STRUCTURA LUCRRII


Capitolul 1

Introducere

Primul capitol const n prezentarea motivaiei alegerii temei, a

obiectivelor i a structurii lucrrii de fa.


Capitolul 2

Optimizare global vs. optimizare structural

Am introdus acest capitol

pentru a sublinia, de la nceput, legtura dintre optimizarea global i optimizarea structural,


pentru a putea pregti terenul descrierii diferitelor metode de optimizare global ce pot fi
aplicate, n diferite faze ale proiectrii, n domeniul ingineriei structurale.
Capitolul 3

Formularea matematic a problemelor de optim

n acest capitol am realizat

o introducere n optimizarea structural. Se arat c, prin descompunerea problemelor n trei


componente, i anume, model structural, model de optimizare i algoritm de optimizare,
dificultatea rezolvrii acestora poate fi redus considerabil. Am discutat modul n care sunt
generate coordonatele punctelor ce reprezint soluiile candidat n spaiul de proiectare i cum
se poate determina apartenena acestora la subspaiul admisibil prin formularea de restricii.
Am prezentat formularea matematic direct i variaional a problemelor de optim i am trecut
n revist metodele tradiionale de optimizare dup cum urmeaz: metode unidirecionale,
metode bazate pe gradientul funciei, metode de programare liniar, metoda de penalizare,
metode de liniarizare i metode de programare geometric i stocastic.
Capitolul 4

Forme de optimizare structural

Acest capitol prezint formele optimizrii

structurale cel mai des ntlnite n literatura de specialitate, caracteristicile fiecrei formulri
i tipul de structuri la care se preteaz fiecare. Pentru fiecare form de optimizare (topologic,
a formei, dimensional, topografic i diferite combinaii ntre acestea) sunt menionai i cei
mai des utilizai algoritmi de cutare a soluiilor optime.
Capitolul 5

Algoritmii stocastici Capitolul cuprinde documentaia sintetizat, i o analiz

critic a celor mai frecvent utilizate metode evolutive de optimizare. Sunt descrii algoritmii
genetici (GA), optimizarea cu colonie de furnici (ant colony optimization), clirea simulat
(simulated annealing SA), cutarea tabu (tabu search), optimizare cu roiuri de particule
(particle swarm optimization PSO), harmony search i metode hibride. Accentul este pus pe
GA, ESO i SA, acetia fiind algoritmii utilizai n lucrarea de fa pentru propunerea
hibridizrii ntre o metod de optimizare bazat pe tehnici de descompunere a obiectivelor i
un algoritm de adaptare a parametrilor.

Capitolul 6

Strategii de optimizare

Este dat o definiie a strategiilor de optimizare i

sunt descrise direciile identificate de autoare n care domeniul optimizrii structurale


evoluioniste poate fi extins i dezvoltat - design structural specializat, mbuntiri aduse
algoritmilor i formularea obiectivelor optimizrii. Sunt prezentate dificultile ntlnite n
cazul aplicrii algoritmilor evoluioniti la rezolvarea problemelor de optimizare multimodal, este discutat eficiena i necesitatea unei precizii sporite a analizei structurale n
condiiile n care, cel puin n faza conceptual a designului, exist multiple incertitudini
legate de variabilele structurii i mai apoi sunt prezentate exemple de utilizare a inspiraiei
formelor naturale pentru designul unor construcii structural superioare i eficiente
(argumentul pro bio-mimetism)..
Capitolul 7

Variabile de proiectare i variabile de optimizare

n acest capitol am dorit s

subliniez importana deosebit pe care o au cele dou categorii de variabile n cadrul


procesului de optimizare structural. ntr-o etap timpurie a procesului de proiectare
(conceptual i faza de definire a proiectului), este de o mare importan gsirea celei mai
bune topologii structurale posibile, n contextul obiectivelor de proiectare i a restriciilor.
Identificarea parametrilor structurali eseniali i apoi a criteriilor de alegere a formei structurii
depind de condiiile care trebuie satisfcute de structur i au o importan decisiv asupra
rezultatului optimizrii. Merit menionat aici faptul c criterii absolute de optimizare nu
exist i nici nu par a fi de dorit. Dup alegerea acestor variabile de proiectare si a unui
algoritm de optimizare, deoarece majoritatea algoritmilor au un set de parametri care le
controleaz comportarea, aceast alegere devine i mai dificil. Alegerile referitoare la
valorile acestor parametrii pot avea un impact major asupra performanei algoritmului.
Capitolul 8

Restriciile de proiectare i funcia obiectiv Capitolul continu descrierea unor

alte componente eseniale ale unei strategii de optimizare structurale eficiente traducerea
restriciilor de proiectare i a formulrii funciei obiectiv ntr-un hiperspaiu de cutare pe
care algoritmul de optimizare s l poate explora. Aici am discutat posibilitatea transformrii
formulrii problemei de optimizare cu restricii ntr-o problem fr restricii prin
ncorporarea acestora n funcia obiectiv, prin diverse metode.
Capitolul 9

Modelare Parametric

Capitolul cuprinde descrierea modului n care

modelarea parametrica poate oferi o soluie, n contextul descris, la problema numrului mare
de variabile necesare descrierii unei structuri. Modelele parametrice sunt capabile sa descrie
geometrii complexe utiliznd un numr relativ redus de variabile, lsnd totodat loc pentru o
5

marj mare de variaie. Aceste soluii care pot fi explorate cu ajutorul modelrii parametrice
pot fi ns n numr foarte mare, iar problema devine gsirea n rndul acestora a celor mai
bune din punct de vedere al performanelor dorite. Pentru acest tip de cutare, algoritmii
genetici sunt foarte potrivii, datorit capacitii modelului parametric de a utiliza un numr
relativ mic de variabile. Pornind de la aceast premiz, este descris modul n care autoarea a
realizat formularea parametric a problemelor de optimizare i diferenele cele mai
fundamentale rezultate din aceast formulare a problemei n Grasshopper fa de un mediu de
programare tradiional cum este Matlab. Sunt discutate toate cele trei componente ale strategiei
de optimizare modelarea variabilelor (parametric), definirea problemei de optimizare prin
crearea unei funcii fitness specifice problemei i alegerea i implementarea algoritmului de
optimizare.
Capitolul 10 Implementarea strategiilor de optimizare structural cu algoritmi genetici
Este descris programul elaborat n platforma Matlab, modul n care au fost alese variabilele
de optimizare i restriciile incluse n funcia fitness prin metoda penalizrilor. Este ales un
algoritm genetic simplu pentru cutarea soluiilor iar parametrii algoritmului sunt fici,
stabilii nainte de nceperea optimizrii. Se observ convergena algoritmului i sunt obinute
rezultate comparabile cu cele din literatur pentru problemele cu 8, 9 i respectiv 120 de
variabile, constnd n dimensiunile secionale ale elementelor.
Am trecut apoi la prezentarea formulrii parametrice n Grasshopper. Structura a fost
analizat cu ajutorul unor componente din Karamba, o bibliotec FEM ncorporat n mediul
parametric al Grasshopper. Acest fapt face uoar combinarea modelelor parametrice,
calculului cu element finit i a algoritmilor de optimizare, comunicarea ntre aceste
componente i biblioteci fiind fcut prin programare vizual (descris n capitolul 9). Se
propune hibridizarea ntre o metod de optimizare bazat pe tehnici de descompunere a
obiectivelor i un algoritm de adaptare a parametrilor. Includerea n funcia fitness a unor
valori care lucreaz una mpotriva celeilalte nu trebuie neaprat s constituie o problem
insurmontabil. Cheia este atribuirea unor greuti n funcie de importan, care s poat
ghida algoritmul spre soluiile preferate de proiectant. Noua abordare este validat pe
probleme de test i apoi aplicat la structuri mai complexe. Rezultatele sunt comparate cu
cele obinute de algoritmi din literatur. Rezultatele au fost obinute prin utilizarea SA (clirii
simulate) pentru gsirea unei soluii suficient de bune, care mai apoi este preluat ca punct de
plecare pentru GA.
6

Capitolul 11 prezint concluziile care ncheie aceast tez i ofer cteva direcii de cercetare
viitoare.

2 OPTIMIZARE GLOBAL VS. OPTIMIZARE STRUCTURAL


Optimizarea structural implic determinarea variabilelor de proiectare, care controleaz forma,
proprietile materialului sau dimensiunile unei structuri, astfel nct s respecte anumite
restricii i s mbunteasc anumite proprieti pentru a obine structuri optime (Valery,
1999).
Atunci cnd ne ocupm de probleme de inginerie, se pot discuta dou domenii diferite de
optimizare:
- Primul este numit optimizare global (Global optimization). Prin acest termen se va nelege
optimizarea uneia sau mai multor funcii, fr o cunoatere a-priori a problemei exprimate prin
aceste funcii (numite uneori funcii "black-box").
- Al doilea domeniu, numit optimizare structural, poate fi descris ca o tiin aplicat, unde
metodele din domeniul optimizrii globale sunt aplicate la un model al unei structuri sau al
unui material.
n procesul proiectrii structurilor, n diverse domenii inginereti, proiectanii aleg cea mai
bun variant decizional, la fiecare pas, legat de aspecte structurale i non-structurale, cum
ar fi rigiditatea, rezistena, serviceabilitatea, proprietile estetice. Cu alte cuvinte, acetia iau
decizii pentru a realiza cel mai bun design, astfel nct procesul proiectrii structurale poate fi
privit ca design optimal chiar dac nu urmrete expres gsirea unui optim. Optimizarea
structural este privit ca aplicarea metodelor de optimizare n proiectarea structural.
Problema tipic de optimizare structural este formulat ca minimizarea unei funcii obiectiv
(funcii de cost), de obicei reprezentnd greutatea structurii sau volumul acesteia. Lund n
considerare modul n care se poate rezolva aceast problem de optimizare general, o abordare
ar fi alegerea unor multiple combinaii de variabile de proiectare i apelarea la un program de
analiz pentru a evalua fiecare dintre acestea, spre a alege una cu cele mai bune valori ale
funciei obiectiv i care, de asemenea, ndeplinete toate restriciile. Aceasta ar fi o abordare
clasic de cutare aleatorie sau versiunea modern cunoscut sub numele de cutare genetic
(Hajela, 1990).
O alt abordare ar fi perturbarea fiecrei variabile de proiectare i evaluarea funciei obiectiv
i a restriciilor. Astfel se poate determina sensibilitatea (gradientul) designului n raport cu
variabilele. Cu ajutorul acestor informaii, putem matematic (numeric) determina modul n care
8

se pot modifica variabilele de proiectare spre a mbunti modelul n timp ce obiectivul


satisface restriciile. Exist o multitudine de astfel de metode "pe baz de gradient" i un numr
considerabil de software-uri disponibile n prezent (Vanderplaats, 2004).
Proprietile mecanice, ce includ deplasrile de noduri, tensiunile n elemente, frecvene de
vibraie, ncrcri de flambaj sunt luate drept variabile de proiectare. Problema de optimizare
structural poate fi formulat, ca alternativ, pentru a urmri maximizarea unei proprieti
mecanice, supus unor restricii de cost. Dei exist multiple formulri ale problemei de
optimizare, ex. design pentru greutate minim, design pentru rigiditate maxim, termenul de
optimizare structural sau design optimal se refer la toate tipurile de probleme de optimizare
asociate designului structural.
Designul1 optim se realizeaz n mai multe faze consecutive:
Proiectarea conceptual este faza n care are loc identificarea configuraiei de baz a
sistemului structural mpreun cu ansamblul obiectivelor. Este important, de asemenea, s se
identifice domeniile de variaie ale valorilor parametrilor ce descriu sistemul, astfel nct pentru
orice parametru cu valori din domeniul corespunztor, sistemul s satisfac funciile
identificate n pasul precedent. Prin urmare, se identific mulimea parametrilor ce descriu
diverse sisteme admisibile.
Proiectarea optim are ca obiectiv alegerea parametrilor rmai nedeterminai n pasul
precedent. Aceti parametri trebuie s aib valori n domeniile definite de restriciile tehnologice i de funciile sistemului. Criteriul pentru alegerea parametrilor sistemului este, de cele
mai multe ori, minimizarea costului, a greutii, a consumului anumitor materiale, maximizarea
eficienei etc.
Mai trebuie specificat faptul c proiectarea unui sistem structural este un proces caracterizat de
proprietatea c parcurgerea etapelor sale poate declana contrareacii (feedback). Asta
nseamn c dup parcurgerea unei etape este posibil s nu se treac la etapa urmtoare, ci s
se reia procesul de proiectare de la o anumit etap anterioar, sau chiar de la nceput, de attea
ori pn cnd sunt ndeplinite anumite restricii, impuse n etapa curent. Acest proces iterativ
de proiectare se oprete doar atunci cnd se consider c structura simulat poate fi aplicat n

Design este folosit in sensul complet din limba englez (plan, proiect, design (i industrial), desen, schi, schem,
proiectare, construcie, sintez, concepie, tip, model, calcul; (TH) a proiecta, a executa un proiect / un plan, a
desena, a calcula.
1

realitate. Se subliniaz c aceast ultim decizie este mai mult de natur uman dect de
programare matematic.
Condiii necesare pentru implementarea designului optimal al structurilor:
1. Existena unei funcii pentru proiectarea optim a elementelor structurale specifice, cum
ar fi grinzi de oel, grinzi de beton, prinderile din oel, blocuri de fundaie, etc. De obicei,
dimensiunile minime, mrimea sau numrul elementelor sunt valorile cutate.
Elementul trebuie s ndeplineasc criteriile corespunztoare codurilor de proiectare.
2. Trebuie s existe posibilitatea parametrizrii structurii. Proiectantul trebuie s decid,
ceea ce este fixat ca dimensiune n structur i ceea ce poate fi schimbat - deschideri,
adncimi, dimensiuni ale seciunilor transversale, grosimi de plci i perei, sarcini, etc.
Fiecare trstur care poate varia trebuie s poat fi descris de un parametru
independent. Alte dimensiuni pot fi dependente de parametri, crend un model
structural inteligent parametrizat.
3. Trebuie s fie posibil definirea funciei obiectiv. Ea poate fi: greutatea oelului
structural necesar, volumul de beton utilizat, greutatea armturii, dar poate fi, de
asemenea, deplasarea maxim sau oricare alt caracteristic structural sau estetic.
Situaia ideal este dac sistemul este capabil s calculeze o valoare global precum
costul total al construciei.
4. Trebuie s existe capacitatea evalurii funciei obiectiv pentru setul specific de
parametri. Aceasta nseamn c o funcie capabil s interpreteze setul de parametri i
s returneze o valoare obiectiv trebuie s fie disponibil.
5. Rezolvatorul optimizrii - un instrument care genereaz diferite seturi de parametri,
calculeaz funcia obiectiv i propune n cele din urm setul optim de parametri trebuie
s fie creat.
Metoda elementului finit poate fi folosit ca nucleu numeric pentru rezolvarea general a
problemelor de calcul pentru cele mai diverse tipuri de structuri i solicitri. Exist o
multitudine de programe de calcul care folosesc MEF, acestea furniznd toate datele necesare
pentru a fi procesate n algoritmul de optimizare. Pentru a lucra n regim integrat este necesar
folosirea unor automatisme software pentru definirea problemei i rezolvarea ei automat
folosind MEF. De asemenea, este necesar ca programul s poat prelua automat datele din
programul de element finit i s le foloseasc mai departe. Formularea problemei de optimizare
ar trebui fcut automat. ntruct rezolvarea problemelor folosind MEF este un proces costisitor
10

din punct de vedere al calculului, este necesar s se minimizeze numrul de rulri ale modelului
folosind MEF. Pentru a evita deteriorarea modelului structural modelat n urma ajustrii
geometriei sau topologiei n procesul de optimizare, este necesar definirea unui set de restricii
suplimentare fa de restriciile ce in de configuraia structurii (tensiuni, eforturi, deplasri).
Pentru o bun poziionare a procesului de cutare n spaiul soluiilor este foarte util analiza
senzitivitii. Folosind analiza senzitivitii, spaiul de cutare este redus la ablonul sugerat de
coeficienii de senzitivitate.

11

3 FORMULAREA MATEMATIC A PROBLEMELOR DE OPTIM


Problemele de optimizare pot fi rezolvate prin aplicarea "conceptului de trei coloane" (ThreeColumns Concept). Cele trei coloane sunt modelul structural, modelul de optimizare i
algoritmul de optimizare. Optimizarea automat a structurilor este o sarcin complex i
dificil de organizat. Conceptul prezentat a fost dezvoltat de Eschenauer [Eschenauer,2007].
Acesta pornete de la ideea descompunerii problemei n subprobleme care pot fi rezolvate
direct, iar conceptul a fost dezvoltat pentru a lucra cu algoritmi de programare matematic (dar
este valid i n cazul tehnicilor de soluionare de tipul algoritmilor genetici).
Modelul structural, necesar pentru traducerea structurii reale n vederea realizrii procesului
de optimizare computerizat, descrie matematic sau numeric comportamentul fizic al structurii,
adic rspunsul la ncrcri, sau proprieti structurale cum sunt frecvene proprii de vibraie
sau greutate. n cazul n care structura este modelat prin FEM variabilele de stare ale
problemei sunt deplasrile nodale (u). Alte valori care ne pot interesa, cum ar fi tensiunile, sunt
calculate din valorile deplasrilor n etapa de postprocesare.
Problemele de optimizare reale sunt n general neliniare i cu restricii, iar algoritmii care le
pot rezolva se bazeaz pe proceduri iterative care pornesc de la un design iniial (x0 ) i produc
vectori de variabile de design mbuntii (xk ). Procedura este oprit cnd un anumit criteriu
de convergen predefinit este satisfcut. Numeroase studii au artat c alegerea celui mai bun
algoritm de optimizare se face n strns legtur cu problema tratat.
Modelul de optimizare face legtura intre modelul structural i algoritmul de optimizare.
Modelul de evaluare are rolul de a evalua designul n funcie de obiectivul de optimizare i de
starea restriciilor (active sau nu) din valorile variabilelor de stare i alte informaii obinute din
modelul structural.
Obiectivul optimizrii este adesea formulat ca o funcie obiectiv scalar f, sau, n cazul
optimizrii multicriteriale, ca un vector f.
Restriciile designului sunt formulate sub form de funcii de restricie incluse n vectorii g
(inegaliti) i h (restricii de tip egalitate). Modelul de evaluare se poate baza pe variabilele de
stare u (cnd sunt luate n considerare tensiunile) sau alte variabile care influeneaz designul
(necesare calculrii greutii totale, de exemplu). Modelul de optimizare mai conine definiiile
12

variabilelor i transformrile acestora sub denumirea de parametrizare. Poziiile nodurilor


aflate la grania domeniului modelului structural definesc forma acestuia i se modific n
timpul unui proces de optimizare a formei. Forma unei structuri sau a unui design este definit
explicit n termeni de variabilele de design x. Modelul de design descrie relaia matematic
dintre variabilele de analiz y i variabilele de design x.
Adiional, acestea din urm pot fi transpuse n variabile de transformare z n scopul adaptrii
problemei de optimizare la unele cerine ale algoritmului de optimizare. Analiza senzitivitaii
demonstreaz susceptibilitatea obiectivului i restriciilor fa de mici schimbri ale
variabilelor de design. Aceast informaie e folosit la controlul algoritmului de optimizare i
la alegerea unui design.
Evaluarea designului. n optimizarea structurilor este folosit, n general, MEF pentru
obinerea rspunsului structural la ncrcri sub anumite condiii limit. Soluia sistemului de
ecuaii ofer soluia primar n termeni de grade de libertate nodale (n cazul structurilor acestea
se traduc prin deplasri), iar din acestea, alte valori pot fi obinute (tensiuni). Valorile
tensiunilor pot fi utilizate pentru a formula un obiectiv cnd se dorete maximizarea rezistenei
unui element, sau la formularea restriciilor cnd dorim minimizarea greutii unei structuri i
asigurarea rezistenei necesare acesteia. n cazul general, rspunsul structural e necesar att
pentru evaluarea obiectivului ct i a restriciilor.

3.1 EVALUAREA MODELULUI


3.1.1 Spaiul i subspaiul de proiectare
Prin convenie, se consider structura ca fiind un punct ntr-un spaiu de proiectare abstract. n
acest spaiu, coordonatele punctului corespunztor structurii sunt dimensiunile geometrice ale
acesteia i constantele de material. Aceste coordonate care vor fi denumite parametrii structurii,
pot fi numere reale, funcii sau vectori (mulimi total ordonate de numere reale). Pentru o nelegere mai profund a spaiului figurativ de proiectare, se prezint, mai jos, parametrii ce sunt
utilizai de proiectant pentru a specifica o structur.
Parametri geometrici:

geometria seciunii transversale a elementelor structurale unidimensionale;

forma axei longitudinale a elementelor structurale unidimensionale;

forma geometric a suprafeei mediane a plcii sau membranei;


13

legea de variaie a grosimii plcii;

forma conturului plcii sau membranei;

poziia spaial a nodurilor unei grinzi cu zbrele sau ale unui cadru;

localizarea spaial a elementelor componente ale structurii.

Constante de material:
modulul de elasticitate;
densitatea;
coeficientul de conductivitate i de dilatare termic;
coeficienii legilor constitutive care stabilesc legtura dintre tensiuni i deformaiile
elastice, elasto-plastice, vsco-elastice, etc.;
tensiunile de cedare ale materialului la diverse solicitri;
constantele de oboseal ale materialului;
constantele de anizotropie ale materialului.
Starea de pretensionare a unei structuri poate, de asemenea, fi considerat ca un parametru de
calcul. Evident, aceast trecere n revist a parametrilor structurii nu este complet, ns include
parametrii cei mai frecvent utilizai n proiectare.
O problem particular generat de optimizarea structurii este aa-numitul subspaiu de proiectare.
n situaia concret n care se dorete proiectarea unei grinzi, pentru nceput, proiectantul decide
dinainte dac grinda va fi o grind cu seciune I, sau grind cu zbrele. Aceast alegere implic
restricii asupra parametrilor de proiectare ca, de exemplu, nlimea maxim a grinzii I. De
asemenea, dei nu este strict necesar, proiectantul i alege dinainte materialul folosit,
adugndu-se astfel noi restricii.
Constantele materialului pot fi introduse printre variabilele de proiectare ce vor fi determinate
n procesul de optimizare, ns trebuie subliniat c puini autori au abordat acest aspect,
existnd puine lucrri care abordeaz aceste probleme.
3.1.2 Subspaiul admisibil
Subspaiul de proiectare ce conine structura satisface un numr de cerine, necesar pentru
acceptabilitatea funcional a structurii, aflat sub aciunea solicitrilor ce decurg din

14

ndeplinirea rolului funcional. n general, condiiile impuse asupra rezistenei, rigiditii,


duratei de via, .a. limiteaz rspunsul structurii la solicitarea dat.
Aceste condiii pot fi, ns, concepute ca restricii ce mpart subspaiul de proiectare ntr-un
subspaiu admisibil i un subspaiu neadmisibil.
Printre restriciile cele mai frecvent ntlnite n literatur, menionez:
tensiuni maxime;
deformaie maxim;
coeficient de siguran maxim la pierderea stabilitii, sau la rupere;
minimum de senzitivitate la imperfeciuni de execuie, de montaj, etc.;
minimumul frecvenei fundamentale de oscilaie proprie;
maximul vitezei de deformare n curgerea plastic staionar;
maximul duratei de via sub solicitri ciclice;
greutate sau volum minim;
rigiditate maxim la diverse solicitri (ncovoiere, torsiune etc.);
moment de inerie maxim;
solicitri de stabilitate maxim;
ductilitate maxim la solicitri dinamice.
Am constatat c diferite teorii de rupere sunt luate n consideraie, n concordan i pe baza
unor indicatori de material, solicitare, etc., prin restricii adecvate din subspaiul de proiectare.
Restriciile sunt exprimate ca limite de funcii definite pe subspaiul de proiectare, acest
subspaiu fiind delimitat numai implicit. Am observat c dificulti de calcul apar atunci cnd
solicitrile sunt aleatoare sau dinamice, n cazul unor tipuri de solicitri diferite, restriciile
fiind diferite pentru fiecare dintre acestea. Acesta este, n mod obinuit, cazul cnd se consider
diferite suprasarcini, n condiii de exploatare.
Cel mai adesea, restriciile asupra limitelor rspunsului nu sunt de natur fizic ci rezult din
reglementri sau standarde. Cnd este cazul, o problem de proiectare optim este cea a
senzitivitii soluiei optime la mici modificri n aceste standarde. Privind lucrurile i prin
prisma acestui ultim aspect menionat, se pune i problema optimizrii standardelor sau a
reglementrilor.
n formularea matematic a problemei, restriciile apar n mod obinuit sub form de inegaliti.

15

Drept restricii se pot considera: ecuaiile de echilibru i de compatibilitate, (ecuaii difereniale


cu derivate pariale sau ecuaii difereniale ordinare), inegaliti algebrice de tip unilateral sau
bilateral (suprafee, dimensiuni, momente de inerie etc), tensiuni normale, tangeniale,
principale, echivalente, critice la stabilitate elastic, n regim static sau dinamic, deformaii
locale sau generale, viteza critic de deformare plastic etc., sau de tip izoparametric cum ar fi:
volum constant, deformare constant, potenial elastic constant etc.
Dup ce variabilele de proiectare au fost alese, problema de proiectare optim poate fi
formulat astfel:
S se gseasc S astfel nct:
f k (S) 0,

h j(S) 0,
min F(S)

k 1,2,...,m
j 1,2,...,n
( 3-1)

unde S este un punct n spaiul de proiectare, caracterizat de variabilele alese. n multe


probleme exist condiiile impuse funcionalelor f k i h j , datorit restriciilor impuse rspunsului structurii la solicitri, ns unele dintre acestea pot s fie exprimate prin delimitri ale
subspaiului de proiectare. Funcia obiectiv este notat cu F .
Existena soluiei i a unicitii acesteia, cnd exist, pentru problema definit, la modul general,
prin (3-1), este o chestiune deschis la care numai n rare cazuri se poate rspunde pe baza
intuiiei. Din (3-1) rezult c, dac S este optim, pentru mici variaii S n domeniul subspaiului de proiectare, exist relaiile:
fk (S) 0 ,

hj(S) 0 ,
F(S) 0

k 1,2 ,...,m
pt. indici j la care hj(S) 0
( 3-2)

Aceast formulare variaional d condiia necesar pentru existena unei soluii optime.
Condiiile din formularea variaional (3-2) pot fi exprimate printr-o alt form mult mai
folosit: Se presupune c variabilele de proiectare sunt p numere reale, astfel nct spaiul de
proiectare poate fi interpretat ca un spaiu euclidian p -dimensional.
Fie S o soluie admisibil i S o variaie arbitrar n domeniul subspaiului de proiectare.
Cum f k ( S ) 0 , variaia S este normal la toi vectorii f k ( S ) ( k 1,2,...,m ). n mod similar,

16

restriciile descrise prin inegalitile h j ( S ) 0 sugereaz c S nu are component n direcia


pozitiv a lui h j ( S ) .
Prin urmare, se poate deduce c pentru orice numere reale k i orice j 0 , proiecia lui S
pe vectorul
m

k 1

j 1

k f k ( S ) * j h j ( S )
( 3-3)

este negativ. n relaia (3-3), simbolul

indic faptul c nsumarea este restricionat la

j 1

acele valori ale indicelui j valorile lui j pentru care h j ( S ) 0 . Cu alte cuvinte, orice vector
care are o component pozitiv pe direcia vectorului dat de relaia (3-3) se gsete n subspaiul
neadmisibil.
n scopul descreterii funciei obiectiv F , este necesar s se produc o micare din sens pozitiv
n sensul negativ al direciei F .
Dac aceast direcie (- F ) este direcia vectorului dat de relaia (3-3), o deplasare n
subspaiul admisibil va descrete funcia obiectiv. Prin urmare, la punctul de optim, - F are
direcia identic cu direcia vectorului (3-3). Utiliznd acest fapt, se deduce c dac S este
0
soluie optimal, atunci exist o mulime de numere reale k i de numere pozitive j
,

astfel, nct are loc ecuaia:


m

k 1

j 1

( S ) k f k ( S ) * j h j ( S )
( 3-4)

Relaia (3-4) este cunoscut sub numele de condiia Kuhn-Tucker. Se observ c, dac nu exist
restriciile inegaliti, k poate fi interpretat ca multiplicator Lagrange.
Pentru o problem fr restricii, condiia (3-4) se reduce la 0 . Ca toate soluiile
staionare, ns, condiiile (3-2) i (3-4) nu pot asigura optimul global.
Utilizarea unor teste adiionale asigur ns optimul global. n particular, dac spaiul de
proiectare admisibil este convex i dac funcia obiectiv este fie convex, fie concav, atunci
unele teoreme ale programrii neliniare pot da informaii importante despre optimul global
i/sau poziiile soluiilor posibile.

17

Pot exista probleme care din punct de vedere matematic sunt total diferite de cea formulat prin
relaiile (3-1), dar care exprim acelai model fizic. n acest context, de exemplu, problema
determinrii celui mai nalt stlp posibil, de material i volum dat (considernd i flambajul sub
greutatea proprie), este, din punct de vedere principial, identic cu problema determinrii
volumului minim al stlpului, de material i nlime date. Dei problemele sunt, n fond,
identice, formularea lor cu ajutorul relaiilor (3-1) este diferit. Acest lucru prezint un interes
deosebit, deoarece, inevitabil, una din formulri conduce la o soluie mai uor de obinut.
Pentru unele modele speciale de structuri (ca de exemplu o grind elastic pentru care rigiditatea la ncovoiere este proporional cu masa), cu una sau mai multe restricii ce sunt
caracterizate prin principiile de extrem ale teoriei structurilor (principiul lui Rayleigh i
principiul minimului energiei poteniale), condiiile necesare obinute prin metode variaionale
pot fi suplimentate cu condiii suficiente. Depinznd de principiul de minim al structurii cu
caracter global sau local, condiia rezultat este, de asemenea, suficient pentru un optim global
sau local.
Faptul c formularea direct, dat de relaia (3-1) i formularea variaional, dat de relaia (32) a problemei de proiectare optim sunt esenial diferite, afecteaz alegerea metodelor folosite
la rezolvarea problemei.
Din punct de vedere principal, problemele formulate prin relaia (3-1) sunt rezolvate, prin
utilizarea unor procedee iterative n care, la fiecare iteraie se obine o soluie mai bun dect
cea obinut la iteraia anterioar.
Problemele formulate variaional conduc, pe de alt parte, la sisteme de ecuaii difereniale cu
condiii pe contur. Numai n cazuri cu totul excepionale (de regul, cnd problema prezint
suficiente simetrii), o soluie este dat sub form analitic cunoscut. De regul, se aplic
algoritmi pentru obinerea de soluii numerice.
Datorit faptului c ecuaiile difereniale sunt adesea neliniare i nu au soluii regulate (adesea
apar singulariti pe contur), aceste probleme prezint un grad sporit de dificultate.
n consecin, exist o diferen important ntre formularea variaional (3-2) i formularea
mai general (3-1). Formularea variaional poate da o soluie (presupunnd c ea exist)
optimal (sau mai curnd, staionar), funciile (3-1) fiind aplicate la orice proiectare
admisibil. Aceast diferen devine pregnant atunci cnd soluia este singular sau nu exist.

18

n sens larg, aceasta nseamn c o soluie bazat pe formularea (3-1) poate conduce la o
proiectare mai bun, chiar dac nu la cea mai bun.
Procedeele iterative menionate mai sus sunt metodele programrii matematice i cele
formulate de R.L. Fox. Trstura lor comun este generarea unui ir de puncte n subspaiul de
proiectare
S1 , S2 ,...,Sq ,...

( 3-5)

ncepnd cu un punct arbitrar S1 .


Pasul S q din S q1 S q S q este determinat folosind gradienii funciilor restricii f k , h j i
funcia obiectiv n punctul S q . Diferena ntre diferitele metode const n relaia dintre
gradieni i pasul S q .
n cel mai simplu caz, problemele cu restricii liniare i funcie obiectiv liniar pot fi rezolvate
prin metode ale programrii liniare. Pentru restricii liniare i tipuri particulare de funcii
obiectiv neliniare exist metodele programrii ptratice.
Cazurile mult mai generale de probleme neliniare pot fi rezolvate fie cu metode directe, fie cu
metode indirecte.

3.2 METODE DE OPTIMIZARE


n procesul tipic de optimizare a structurilor finit dimensionale, proprietile secionale,
localizarea nodurilor i poziionarea elementelor structurale sunt alese ca variabile ale
problemei. Exist numeroase metode de optimizare, care pot fi clasificate n:

Metodele analitice de optimizare utilizeaz teorii matematice de calcul i metode


variaionale n studiul optimului pentru formele geometrice simple ale elementelor
structurale, cum ar fi grinzi, bare, plci. Aceste metode pot fi folosite cu succes pentru
componente structurale singulare, dar nu sunt posibil de utilizat la structuri complexe.
Cu acest tip de metode optimul este calculat foarte exact prin soluionarea unui sistem
de ecuaii i inecuaii ce exprim condiiile de optim.

Metodele numerice sunt reprezentate de metode de programare n cadrul aplicaiilor


matematice. Cele mai noi cercetri n domeniu [Murren,2011] sunt legate direct de

19

creterea aproape exponenial a capacitii de calcul a computerelor i au ca direcii de


dezvoltare:
programarea liniar;
programarea neliniar;
programarea dinamic;
proceduri neconvenionale.
Optimizarea cu aceast clas de metode se face printr-un proces iterativ, definindu-se o stare
iniial folosit ca punct de start pentru o cutare sistematic n scopul mbuntirii structurii.
Procesul iterativ este stopat cnd toate criteriile sunt satisfcute, astfel nct configuraia
curent obinut s fie ct mai aproape de optimul cutat.
Clase de metode de optimizare:

Metode directe;

Metode bazate pe optimalitatea Kuhn-Tucker;

Metode de penalizare;

Metode de punct interior de urmrire a traiectoriei centrale.

Principalele mrimi ce trebuie evaluate n cadrul metodelor de programare matematic ce


folosesc tehnici derivative sunt: Gradientul i Hessianul funciei obiectiv, coeficienii
Lagrange, Jacobianul restriciilor. Toate aceste mrimi joac un rol important n determinarea
admisibilitii soluiilor i a existenei acesteia. Punctul candidat la optim trebuie s se afle n
domeniul fezabil (gradientul restriciilor trebuie s fie liniar independente). Din studii ale
metodelor de mai sus se poate trage concluzia c optimul poate fi gsit prin rezolvarea unor
ecuaii difereniale cu o form clar precizat. Aceast observaie ne poate conduce la concluzia
parial adevrat c optimul ar putea fi gsit ntotdeauna cu ajutorul unui algoritm clar formulat.
Totui, trebuie precizat c ecuaiile ce definesc condiiile de optimalitate sunt supuse unor
condiii extrem de restrictive. Din acest motiv, o alternativ la aceste metode sunt cele de
cutare direct. Spre deosebire de metodele derivative ce presupun calculul unor mrimi
complexe, metodele de cutare directe folosesc cicluri de calcul cu un cost computaional mic.
Metodele directe de cutare permit optimizarea funciilor pentru care nu putem aplica metodele
derivative de optimizare. Metodele de cutare evalueaz funcia f n k puncte {x} urmrind
evoluia funciei n scopul gsirii punctului de optim.

20

Situaiile n care se recomand folosirea uneia dintre metodele directe de cutare sunt
urmtoarele:

funcia f nu este derivabil,

derivatele sunt foarte greu de evaluat sau sunt discontinue,

nu este necesar o soluie foarte precis a problemei.

Alegerea uneia dintre metodele prezentate se face n funcie de tipul de problem practic ce
trebuie rezolvat. O tehnic destul de des utilizat n rezolvarea problemelor simple este cea
care presupune c setul de restricii este activ n punctul de optim, caz n care acestea sunt
considerate ca egaliti, fiind utilizate pentru a elimina variabilele libere. n concluzie, numrul
de restricii active poate, n general, s fie cel mult egal cu numrul de variabile libere. n
general, n problemele mai complexe, numrul total de restricii este mai mare dect numrul
de variabile, fiind dificil de a cunoate care constante sunt active n punctul de optim.
O soluie optim x a problemei de optimizare structural este caracterizat prin proprietatea
c nu exist alte soluii fezabile ntr-o vecintate apropiat lui x, ce corespunde unei valori
minime a funciei obiectiv. Din punct de vedere matematic, acest concept se exprim prin
condiiile Kuhn-Tucker (Kuhn, Tucker, 1951):

g j
f ( x) m
u j
0
xi
xi
j 1

i = 1...m

( 3-6)

ujgj(x) = 0 j = 1...m
uj 0 j = 1...m
Este important de remarcat faptul c aceste condiii sunt valabile doar pentru problemele de
programare neliniare convexe.
Pentru a rezolva problema de optimizare structural au fost dezvoltate diferite tehnici, putnd
fi amintite trei abordri n modul de rezolvare.
Astfel, [Moses (1968)], i [Romstad i Wang (1978)] au construit aplicaii bazate pe metoda
Simplex de programare liniar. n lucrrile lor, aceti autori aproximeaz o problem de
programare neliniar cu o secven de probleme de programare liniar. [Gellatly i Gallagher
(1976)], i [Moses i Onoda (1979)] au utilizat metode de tip direcii posibile sau direcii
fezabile pentru a rezolva problema de optimizare structural.

21

O a treia categorie de metode de programare neliniar este bazat pe aa-numitele funcii de


penalizare. Acest tip de metod este utilizat de [Schmidt i Fox (1975)], folosind tehnici de
penalizare exterioare, n timp ce [Kavlie, Moe i Kowalik (1979)] aplic tehnici de penalizare
interioar. Ideea funciilor de penalizare const n transformarea problemei de optimizare
cu restricii, ntr-o problem fr restricii, prin adugarea la funcia obiectiv a unor termeni
suplimentari, care s nlocuiasc efectul restriciilor. Astfel o problem de minimizare fr
restricii poate fi rezolvat cu o funcie transformat, care are forma general:
m

P( x, f k ) f ( x) f k G( gi ( x))

( 3-7)

i 1

unde al doilea termen al ecuaiei este denumit termen de penalizare.


[Fiacco i McCormick (1969)] au adus o contribuie important la dezvoltarea acestei abordri
a problemei de optimizare, numind-o tehnic de minimizare secvenial fr restricii. Unul din
elementele comune pentru clasele de metode de programare neliniar amintite este faptul c
folosesc variabile continue.
n activitatea curent de proiectare, ns, multe variabile sunt limitate de valori discrete, cum
ar fi grosimile tablelor sau plcilor, diveri parametri geometrici (lungimi, diametre), .a., i n
lipsa unor metode eficiente de cuantificare a acestor mrimi discrete, este totui acceptat
formularea continu a problemelor de optimizare, a cror soluie este n final rotunjit. Acest
mod de lucru furnizeaz rezultate satisfctoare pentru problemele de optimizare de mici
dimensiuni, dar poate da soluii relativ deprtate de optim dac numrul de variabile crete
foarte mult.
O problem de optimizare cu variabile discrete este formulat asemntor cu problema
general, i anume:
S se determine minimul funciei: f (x)
cu restriciile: g j (x i ) =0 j=1,2,... m
unde: xiinf xi xisup i=1,2,...n

xi Di

( 3-8)
( 3-9)
( 3-10)

n care: f (x) este funcia obiectiv; g j (x) sunt restriciile; x i este vectorul variabilelor de
proiectare; xiinf i xisup reprezint limita superioar i inferioar a variabilelor; m este numrul

22

de restricii; D i este mulimea finit de variabile discrete.


Problema de optimizare formulat matematic prin relaiile (3-8)-(3-10) este, n general o
problem de programare neliniar, fiind studiate i folosite diverse tehnici de rezolvare.
Este important de subliniat c majoritatea algoritmilor au ca cerin o valoare iniial pentru
variabile, fiecare evaluare a funciei necesitnd de fapt o nou analiz a structurii. Din acest
motiv, dac se lucreaz cu structuri complexe, este necesar un numr mare de analize cu
elemente finite, deci un consum mare de timp i resurse, eficient numai n cazul folosirii unui
computer i a unui program rapid.
Deci pentru rezolvarea eficient a problemei ar fi necesare o aproximare de calitate a problemei,
precum i rezolvarea ntr-un numr redus de pai, existnd soluii, cum ar fi :

Reducerea numrului de variabile prin realizarea de legturi ntre acestea, abordare


rezonabil, deoarece n practic o serie de variabile au aceeai valoare (table i plci de
aceeai grosime, din motive constructive i tehnico-economice cum ar fi uurina n
aprovizionare,etc.), i reducerea restriciilor prin luarea n considerare doar a celor
critice la fiecare iteraie.

Utilizarea de funcii de aproximare pentru reprezentarea restriciilor, din punct de


vedere matematic fiind folosite serii Taylor. Aceast tehnic de rezolvare genereaz o
form de aproximare a restriciilor n funcie de variabile, bazndu-se pe constatarea c
vectorii de rspuns structural, cum ar fi tensiuni sau deplasri sunt cvasiliniari n raport
cu variabilele, dei n practic restriciile de proiectare sunt n general neliniare n raport
cu variabilele.

Utilizarea unei tehnici de generare aproximativ [Arora, 1997], la care rspunsul


structurii la ncrcarea exterioar, definit prin deplasri, frecvene, etc., devine n
problema de optimizare ca prim aproximare. n acest mod este creat o problem
explicit neliniar, a crei soluionare necesit mai puin de 10 pai.

n vederea creterii eficienei metodei este folosit o strategie dual, n care optimizarea cu
variabile discrete este realizat dup optimizarea cu variabile continue. Statistic a fost stabilit
c acest metod dual este cu cel puin un ordin de mrime mai eficient dect alte metode n
cazul problemelor de optimizare cu mai mult de 20 de variabile. Algoritmii clasici de
optimizare ofer posibilitatea optimizrii unei structuri prin urmtoarele clase de metode:
metoda Simplex, metoda direciilor fezabile sau metoda funciilor de penalizare.

23

Ca element de noutate n toate aceste metode este posibilitatea folosirii unei mulimi discrete
pentru variabilele de proiectare, lucru care reprezint o abordare pragmatic a procesului de
optimizare structural, prin posibilitatea obinerii de valori care au aplicabilitate in practic. De
asemenea, toi aceti algoritmi clasici au ca element de legtur utilizarea metodei elementului
finit ca procedur de calcul a tensiunilor i deformaiilor structurii analizate. Analiza acestor
metode, att prin prisma faptului c se folosete MEF pentru calculul deplasrilor i tensiunilor,
ct i n ceea ce privete uurina n aplicare, precum i necesitatea unei anumite accesibiliti
hardware i software, duce la concluzia c pot fi considerate dou variante de lucru n vederea
optimizrii structurale: fie utilizarea unui modul de optimizare cuplat cu un modul de analiz
structural cu MEF, fie crearea unui modul de optimizare propriu, cuplat cu un modul de
analiz structural cu MEF, care s rspund unor anumite cerine specifice.

24

4 FORME DE OPTIMIZARE STRUCTURAL


n

conformitate

cu

Steven

Grant

[Steven, 2003], patru forme diferite de


optimizare structural pot fi distinse.
Fiecare poate fi rezolvat cu o strategie
de optimizare distinct, dar rezolvarea
problemelor reale, de obicei, solicit o
combinaie a acestor forme.
4.1.1 Optimizarea topologic
Prin optimizarea topologiei nelegem
gsirea unei structuri fr a cunoate
forma sa final n prealabil [Bendse i
Sigmund, 2003].
Figura 4.1: Exemplu de design optimal pentru stlp

Doar condiiile externe, criteriile de optimalitate i restriciile sunt cunoscute. Acest tip de
probleme vin de obicei din domeniul ingineriei mecanice, unde conceperea unor piese pentru
maini sau avioane sunt temele de proiectare cele mai frecvente. Structurile reprezentative din
ingineria civil servesc drept instrument de decizie n alegerea unui sistem static adecvat al
unei structuri noi. Ele sunt aplicate mai ales la structurile articulate, n cazul n care
coordonatele nodale ale mbinrilor sunt variabilele de optimizare. Lund n considerare poziia
suporturilor i a funciilor obiectiv, sisteme istorice bine-cunoscute pot fi descoperite prin
optimizare topologic.

25

Figura 4.2: (a) Diagrama de calcul a problemei, (b) soluia optimal a problemei, (c) conguraia optimizat format prin
concatenarea modulelor de baz i (d) First of Forth Bridge, construit 18831890 ca un exemplu de optimizare topologic
prezentat n [Gil i Andreu, 2001].

Exemplul tipic pentru aceast form de optimizare n domeniul construciilor metalice este
plasarea elementelor din oel. Cu alte cuvinte, cutm cel mai potrivit model pentru o structur
n care poziia elementelor de oel nu este cunoscut n avans. n acest caz, obiectivul este, de
obicei, reducerea la minimum a cantitii de oel, supus cerinelor structurale. n primii ani de
optimizare numeric procedura tradiional pentru rezolvarea acestor probleme a fost
proiectarea pentru tensiune limita (fully stressed design), nsemnnd ca toate elementele
structurii sub ncrcri s fie ct mai aproape posibil de limitele materialului.
n primii ani de optimizare numeric procedura tradiional pentru rezolvarea acestor probleme
a fost design la tensiune limit (fully stressed design), astfel nct tensiunile n toate elementele
sunt menite s fie ct mai aproape posibil de limitele materialului. Dezavantajul este vizibil
pentru cazurile de ncrcare multiple sau mai multe cazuri de sprijinire. n prezent, metodele
cele mai frecvent utilizate pentru rezolvarea acestei categorii de probleme sunt criteriile de
optimalitate, abordare bazat pe teoria dualitii sau programare convex [Olhoff, 1996],
omogenizarea combinat cu metodele de programare matematic [Allaire, 2002] sau [Cherkaev,
2000], optimizare structural evolutiv (ESO) [Xie i Steven, 1997] - o alt metod bazat pe
eliminarea elementelor ineficiente din mesh-ul de elemente finite, automate celulare - o veche
metoda de simulare dinamic studiat nc din anii 1960 [von Neumann, 1966] bazat pe
construirea de sisteme bloc cu comportament predefinit [Wolfram, 2002] i, n cele din urm,
Algoritmii Evolutivi (EAs) bazai pe principiile seleciei naturale.

26

Figura 4.3: Guangzhou Opera House, Arhitect: Zaha Hadid, Structura: Shanghai Tongking (SHTK), China
Sigurana fiind numrul unu ntre obiectivele noastre, dorim s reducem greutatea oelului pentru a ncerca s facem costul
structurilor metalice apropiat de cel al cldirilor din beton, n condiii similare.

4.1.2 Optimizarea formei


n aceast form de optimizare, topologia structurii este cunoscut a-priori, dar poate exista o
parte i/sau un detaliu al structurii, n care, de exemplu, tensiuni mari pot produce probleme.
Prin urmare, obiectivul este, de obicei, gsirea celei mai bune forme, care va duce la distribuirea
tensiunilor ct mai eficient. Parametrii de form sunt dimensiuni ale pieselor optimizate sau un
set de variabile care descriu forma (de exemplu coeficienii de funcii spline). Din punct de
vedere matematic, dou reprezentri de variabile - continue i discrete - pot fi gsite n
domeniul optimizrii formei. Prezentarea general a primului caz poate fi gsit n [Sokolowski
i Zolesio, 1992], i al doilea caz rezumat n [Bauer i Gutkowski, 1995]. Algoritmii disponibili
pentru rezolvarea acestor probleme sunt programarea matematic [Haslinger i Neittaanmaki,
1996], din nou ESO; o nou metod n acest context, este creterea biologic simulat bazat
pe definiia de temperatur "fals", sau artificial [Mattheck i Burkhardt , 1990], i din nou
Algoritmii Evolutivi (EAs).
Denis Weare i Robert Phelan (RIBA Publishing, 2008) au calculat c modul cel mai eficient
de a mpri un spaiu n celule de volum egal minimiznd n acelai timp suprafaa specific
ntre ele a fost prin utilizarea unui aranjament suprapus compus din 75% forme cu 14 fee i
25% forme cu 12 fee. Dar din moment ce structura rezultat va avea 22.000 de elemente din
oel conectate la 12.000 de noduri, generarea unui model real bazat pe aceast idee depeste
posibilitile proiectrii convenionale.

27

Figura 4.4: Designul optimal al Water Cube (China) a fost determinat prin analizarea a multiple configuraii ale miilor de
elemente structurale din oel i a conexiunilor (nodurilor).

n schimb, n conformitate cu aceti autori, pentru a manipula dinamic acest sistem geometric
complex, n cadrul biroului de design al firmei Arup a fost conceput i formulat parametric un
software care a automatizat procesul de desen i de analiz. Bazat pe restricii specifice de
proiectare i aproximativ 190 de scenarii de ncrcare, acest algoritm verific iterativ distribuia
forelor prin ntreaga structur pe baza dimensiunilor specifice ale elementelor, permind
echipei s testeze diferite configuraii de proiectare i s primeasc feedback-ul n 25 de minute.
Rezultatul a fost o cladire spectaculoas, cu o structur sofisticat, care este optimizat din
punct de vedere al raportului greutate de material - rezisten. n plus fa de avantajele
structurale, Arup a estimat c a economisit 10 milioane de dolari la costurile de proiectare,
comparativ cu metodele tradiionale de proiectare.
4.1.3 Optimizarea dimensional
Acestea sunt combinate pentru a atinge criteriile de optimalitate dorite. n cadrul acestui
domeniu dou grupe principale de structuri pot fi difereniate:

Structuri discrete. Aici pot aprea structuri articulate i structuri cu legturi rigide. n
cazul structurilor din oel, aproape toate problemele posibile de optimizare au fost
supuse unei anumite forme de investigaie. Pentru a enumera o serie de probleme
rezolvate cu succes, optimizarea structurilor cu legturi semi-rigide [Kameshki i Saka,
2001], optimizarea mpotriva flambajului [Rong et al, 2001.], sau gsirea unei greuti
minime n cazul folosirii unui numr minim de profile de oel ntr-un design [Greiner
et al, 2001.] i [Greiner et al, 2003.]. Multe exemple de probleme de dimensiuni mici
28

din acest domeniu servesc drept benchmarks pentru diferite tipuri de algoritmi de
optimizare, cum sunt grinda cu zbrele din 10 bare [Belegundu, 1982] i grinda cu
zbrele spaial din 25 de bare [Adeli i Kamal, 1986], acestea fiind cele mai des citate.
Aici, toate variabilele sunt selectate din setul discret de valori admisibile predefinite.

Structuri continue. Acest grup cuprinde structuri asemntoare grinzilor - definite de


variabile continue, care nu sunt cunoscute n avans, n contrast cu cazul anterior
exemplul de baz este o grinda cu momente de inerie definite ca variabile continue
[Lagaros et al, 2002.]. nc o dat, metodele disponibile de optimizare sunt programarea
matematic pe baz de gradient, criteriile de optimalitate, metode hard-kill, cum sunt
cele menionate anterior: ESO i din nou EA. Ca o consecin a definiiilor introduse
de mai sus, putem distinge o form suplimentar de optimizare structural. n cazul n
care o variabil de design - dimensiunea unui element sau valoarea unei proprieti
materiale - poate ajunge la valoarea zero, adic nu este necesar n structur i poate fi
eliminat, atunci acest tip de optimizare este adesea numit Optimizare de Configuraie,
de exemplu [Kirsch, 1995]. Piatra de temelie a acestei abordri este aa-numita
structur de baza (ground structure), care definete toate poziiile posibile ale nodurilor
i setul tuturor elementelor / conexiunilor posibile ntre aceste noduri [M. E. Stavroulaki,
1997]. Apoi, scopul este eliminarea de elemente ineficiente pentru a obine o structur
optim. n cazul n care coordonatele de noduri sunt de asemenea necunoscute, atunci
aceasta formulare devine parte din optimizarea topologiei, a se vedea seciunea 1.2.1.
Prin urmare, optimizarea configuraiei poate fi vzut ca punct de legtur ntre cele
dou tipuri menionate anterior, de optimizare.

4.1.4 Optimizarea topografic


Aceast form este cel mai puin investigat parte a optimizarii structurale. Aici se pot ntlni
cutarea de forme eficiente pentru structuri de tip shell, membran sau cort. Doar cteva lucrri
pe aceast tem pot fi gsite n literatura de specialitate, de exemplu [Goslingt i Lewist, 1996]
sau [Schwarz et al, 2001]. Metodele programrii matematice sunt cunoscute ca singurele soluii
eficiente pentru acest tip de probleme de optimizare.n calculele de optimizare a structurilor se
opereaz cu o serie de noiuni i concepte ale teoriei matematice a optimizrii, care capt
semnificaii specifice corespunztoare scopului urmrit i restriciilor impuse.

29

5 ALGORITMII STOCASTICI
Designul optim generat de aceste metode este dependent de mai muli factori: designul de la
care se pornete, numrul iteraiilor de optimizare i gradul de aleatoriu al metodei. n cazul
general, nu este cunoscut configuraia optim global, iar rezultatele obinute n cursul a dou
rulri al aceluiai algoritm stocastic pot fi diferite. De aceea este necesar executarea multipl
a optimizrii pentru a putea fi evaluat performana designului. Metodele stocastice pot fi
evaluate referitor la performan i eficacitate lund n considerare acurateea rezultatelor, ct
sunt acestea de robuste i care este costul computaional.
Dup mai multe rulri ale algoritmului poate fi msurat acurateea n funcie de greutatea
medie a cadrului optim obinut. Robusteea se va msura n funcie de deviaia standard a
greutilor structurilor, iar costul computaional se msoar n numrul de analize structurale
necesare obinerii rezultatelor. Un algoritm bun nu se remarc doar prin generarea de modele
structurale mai uoare, ci i prin generarea acestora n mod consecvent cu un cost
computaional rezonabil. Metodele stocastice utilizate n literatura de specialitate includ
algoritmii genetici (GA), optimizare cu colonie de furnici (ant colony optimization), clire
simulat (simulated annealing SA), cutarea tabu (tabu search), optimizare cu roiuri de
particule (particle swarm optimization PSO), harmony search i metode hibride. Dei acestea
au dovedit c au rezultate bune n obinerea de configuraii pentru cadre optime, niciuna dintre
aceste metode nu s-a dovedit a fi superioar celorlalte n termenii celor trei caracteristici
metrice: acuratee, robustee i eficien computaional.
Optimizarea structural poate fi formulat n mai multe moduri ntr-un spaiu de variabile
discrete sau continue, cu funcii obiectiv care calculeaz costurile n diferite moduri, i o
multitudine de posibile restricii. Pentru a genera un context pentru formularea problemei i a
algoritmilor utilizai n studiile de caz, am prezentat n continuare un studiu al literaturii i
avantajele i dezavantajele celor mai utilizate metode de formulare. Problemele de optimizare
alese pentru acest studiu au un numr semnificativ de variabile discrete alese din domenii care
variaz intre zeci i sute de posibiliti. Funcia obiectiv aleas este discontinu, ceea ce face
nepractic utilizarea metodelor de gradient. Algoritmii stocastici sunt recunoscui pentru
performana lor n optimizarea structural n spaii de cutare ample, cu variabile discrete.
Multiple metode stocastice au fost aplicate n optimizarea structurilor, ns fiecare algoritm are
aceeai form de baz n care soluia cea mai eficient este mbuntit gradual cu fiecare

30

generaie. La fiecare iteraie, un numr stabilit de vectori de design este generat i valoarea
fitness a fiecruia este evaluat cu ajutorul funciei obiectiv i a restriciilor.
Cele mai bune soluii sunt selectate i utilizate la crearea generaiei urmtoare de soluii
candidat. Procesul este repetat pn cnd un criteriu stabilit de convergen este ndeplinit.
Datorit acestor asemnri cu teoria darwinist - supravieuirea celor mai potrivite soluii
(numite fittest), reinerea celor dorite i nmulirea soluiilor optime din mulimea acestora a algoritmilor utilizai la optimizarea cu variabile discrete, metodele se numesc algoritmi
evoluioniti.
Acetia ofer numeroase avantaje: nu necesit calculul gradienilor i matricelor hessiene fcndu-i eficieni n identificarea soluiilor pentru funcii neliniare i cu "vrfuri" ascuite.
Generarea aleatorie, prin ncercri consecutive, a soluiilor candidat, permite algoritmilor s
realizeze o cutare eficient a spaiilor unor probleme cu multe posibile variabile de design.
Deoarece fiecare generaie de soluii iterative este stocastic derivat din precedenta, aceti
algoritmi sunt buni candidai pentru calculul paralel, unde multiple lanuri de soluii pot fi
calculate pe procesoare paralele.
Cel mai nsemnat punct slab al acestor algoritmi este costul computaional mare, dependena
lor de parametri specifici care controleaz nivelul variabilitii de la o generaie la alta, i deoarece optimalitatea i convexitatea funciei obiectiv nu pot fi verificate cu gradieni i
matrice hessiene - incapacitatea de a determina cu siguran dac soluia obinut este optimul
global [Murren,2011].
Algoritmii stocastici ncorporeaz restriciile, n mod tipic, sub forma funciilor de penalizare:

() = ()(1 + =1
);

() = {

0
>0

() 0
() > 0

( 5-1)
( 5-2)

Unde este un vector de variabile de design reprezentnd locaia seciunilor disponibile


n lista de posibiliti. Astfel, fiecare variabil poate fi aleas din aceste posibiliti. Se

asigur satisfacerea restriciilor prin aplicarea factorului de penalizare (1 + =1


) la

funcia de cost (). Restriciile () sunt exprimate n termeni de funcia auxiliara ()


ntr-o manier n care () = 0 cnd restricia este satisfcut i >0 n caz contrar.

31

5.1 ALGORITMII EVOLUIONITI


Sunt o categorie de metode numerice stocastice bazate pe analogii cu genetica. Paradigmele
AE au fost dezvoltate de cercettori ncepnd cu 1960. Principiile evoluioniste au fost
implementate n algoritmi cu ajutorul crora se pot soluiona probleme de optimizare. Diferena
ntre algoritmii evoluioniti i algoritmii tradiionali const n crearea unei populaii de puncte.
Prin adaptarea de generaii succesive i a unui numr mare de indivizi, algoritmii evoluioniti
efectueaz o cutare direct i eficient (Sivanandam, i alii, 2008).
Metodele care sunt cel mai frecvent aplicate n arhitectur i inginerie sunt:

Algoritmi genetici (GAs)

Strategii evoluioniste (ESs)

Calcul evoluionist interactiv (IEC)

Aceste metode au punct comun n utilizarea unor generaii de populaii de soluii pentru
cutarea n spaiul de soluii a celor care corespund cel mai bine criteriilor funciilor obiectiv.
Performana unei soluii este msurat prin fitness. Populaia evolueaz gradual prin
ncruciare, mutaie i selecie spre soluii mai bune.
n lucrarea de fa, soluiile individuale descriu forme structurale, geometrice, i sunt
reprezentate prin variabile. Variabilele sunt reprezentate de un cromozom asupra cruia sunt
aplicai operatorii genetici pentru a crea indivizi noi mai performani.
Cu cat e nevoie de mai multe variabile pentru a descrie geometria structurii, cu att lungimea
irului cromozomului va fi mai mare. Mrimea populaiei este proporional cu lungimea
cromozomului iar numrul de generaii necesare pentru convergen depinde de ambii factori.
Aadar, cu ct e nevoie de mai multe variabile de proiectare cu att problema devine mai
intensiv computaional (Goldberg, Deb & Clark 1991).
5.1.1 Algoritmii genetici
Algoritmilor genetici li s-a acordat o atenie deosebit datorit potenialului de a reprezenta o
modalitate nou de optimizare (Mitsuo, i alii, 2008).
Primul cercettor al teoriei algoritmilor genetici a fost John Holland, care i-a descris n cartea
Adaptation n Natural and Artificial Systems n 1975. Domeniul algoritmilor evoluioniti
include strategii evoluioniste (ES), programare evoluionist (EP), via artificial (AL),
programare genetic (GP). n 1960 Ingo Rechenberg i Hans-Paul Schwefel au dezvoltat ideea

32

strategiilor evoluioniste. n acelai timp Lawrence Fogel i alii au pus bazele programrii
evoluioniste. Aceste teorii aveau n comun ideea procesului de mutaie i selecie. Inspirai din
teoria evoluionist a lui Darwin, Bremermann i Fraser au folosit teoria recombinrii
(crossover) [Hayalioglu, 2001].
Algoritmii genetici sunt construii pentru a putea efectua cutarea structurilor din ce n ce mai
bune, iar aceast procedur necesit o funcie obiectiv funcia fitness a crei valoare este
asociat unui ir numit individ.
GA utilizeaz trei operaii de baz pentru crearea unei noi generaii: selecie, ncruciare i
mutaie grupate sub denumirea de reproducere. Operaia de reproducere cuprinde copierea sau
modificarea unor indivizi dintr-o generaie n alta, n funcie de valoarea funciei fitness.
Funcia de selecie poate fi implementat ntr-un algoritm n diferite forme. Cea mai simpl
form a funciei se bazeaz pe teoria roulette wheel [Sivanandam, 2008].
GA sunt avantajoi i eficieni cnd:

spaiul de cutare este mare, complex sau dificil de definit,

domeniu de rspuns este redus sau condiiile sunt dificil de codat pentru a obine un
spaiu de rspuns concentrat,

metodele tradiionale de optimizare nu genereaz soluii satisfctoare.

Printre avantajele folosirii GA merit menionate uurina cu care se pot aplica tipuri de
restricii

arbitrare

varietatea mare a posibilelor


funcii obiectiv. Toate aceste
lucruri pot fi manipulate ca i
componente de penalizare a
funciei de fitness, fcnd
uoar
algoritmului

adaptarea
la

cerinele

specifice ale unei varieti de


obiective

generale

[Sivanandam,2008].

Figura 5.1 Schema unui algoritm genetic simplu

33

Mecanismele fundamentale care realizeaz legtura dintre algoritmul genetic i problema care
trebuie rezolvat sunt urmtoarele:

codificarea problemei n termeni de cromozomi,

funcia de evaluare, care furnizeaz o msur a calitii fiecrui cromozom n contextul


problemei respective.

Codificarea se realizeaz de obicei prin iruri de cifre binare. S-a demonstrat c acest mod de
codificare este robust, n sensul adaptrii lui la o mare varietate de probleme practice. Ceea ce
i se reproeaz uneori este precizia soluiei, limitat la numrul de bii, pe care se face
reprezentarea. Alegerea unui numr suficient de mare de bii pentru reprezentarea valorilor
reale din problem poate nltura ns acest dezavantaj.
Mai jos sunt prezentate programe scrise n MATLAB, care fac conversia zecimal-binar i
invers.

function a = decbin(num, numbt)


% num numarul zecimal ce urmeaza sa fie transformat
%numbt numar de biti
i=0;
while num>=2
if rem(num,2)==0
a(1,numbt-i)=0;
else
a(1,numbt-i)=1;
end
i=i+1;
num=fix(num/2);
% fix face rotunjire spre zero
end

function y = bindec(a)
% a - vector ce contine numarul binar de intrare.
% Returneaza un numar zecimal, rezultat al conversiei.
num=0;
numbt=length(a);
for i=1:numbt
num=a(1,i)*2^(numbt-i)+num;
end
y=num;

if num==1
a(1,numbt-i)=1;
end
for k=1:numbt-i-1
a(1,k)=0;
end
% Returneaza un vector binar

Figura 5.2 Exemplu de funcie de transcriere a soluiilor candidat din zecimal n binar si viceversa.

Funcia de evaluare primete la intrare irul de cromozomi i returneaz numere sau liste de
numere ce reprezint performana cromozomilor. Ea are rolul mediului nconjurtor pentru
evoluia natural.
34

Structura unui algoritm genetic fundamental este dat mai jos:


1. Se iniializeaz populaia de cromozomi.
2. Se evalueaz fiecare cromozom din populaie. Se selecteaz prinii noii populaii.
3. Se creeaz o nou generaie de cromozomi prin mperecherea cromozomilor selectai,
folosind operatori genetici.
4. Se terg membrii populaiei iniiale, pentru a fi nlocuii cu noua generaie.
5. Se evalueaz noii cromozomi i se insereaz n noua populaie.
6. Dac timpul de cutare nu s-a terminat, se merge la pasul 3. n caz contrar, se oprete
execuia algoritmului.
Modul de reprezentare a populaiei de cromozomi, modul de evaluare a cromozomilor i modul
de reproducere sunt componente eseniale ale algoritmului genetic i sunt prezentate n cele ce
urmeaz.
Valoarea fitness a unui individ, ntr-un algoritm genetic este dat de funcia obiectiv (funcia
fitness). n cazul optimizrii multicriteriale funcia obiectiv se determin destul de dificil.
Pentru problemele de optimizare multicriteriale exist o problem legat de evaluarea soluiei
optime. Cnd procesul GA de cutare ncepe, populaia este supus unei evaluri cu ajutorul
funciei fitness. n funcie de aceast evaluare se va alctui noua populaie. La acel moment, n
fiecare generaie, soluiile relativ bune sunt reproduse i soluiile cu valoare fitness mic sunt
abandonate. Pentru a distinge soluiile avem nevoie de o funcie de evaluare (funcia fitness),
aceasta avnd un rol important n procesul evoluionist alturi de mecanismele de scalare.
Atunci cnd se evalueaz funcia fitness a unor indivizi, avem nevoie de o procedur de
decodare [Bends, 1988].
O component necesar n aplicarea algoritmilor genetici este modul de manipulare a
restriciilor, deoarece operaiile algoritmilor genetici asupra indivizilor creeaz indivizi
nefezabili [Bends, 1988]. Algoritmii genetici genereaz indivizi care urmeaz s fie testai
cu ajutorul funciei fitness i a restriciilor.
Procesul de scalare are rolul de a evita o convergen prematur a algoritmului sau o terminare
nceat. De obicei la nceputul algoritmului variaia ntre indivizi este mare i doar o mic parte
dintre ei sunt mai buni dect restul indivizilor. Cu o selecie conform valorii fitness nescalate

35

acetia se vor multiplica repede i vor mpiedica algoritmul s exploreze spaiul soluiilor, acest
fenomen este cunoscut drept o convergen prematur [Melanie, 1996].
Scalarea liniara a valorii fitness se face cu relaia:
= +
Cu aceast metod valoarea fitness medie a indivizilor trebuie s se pstreze i dup scalare.
Pentru a nltura posibilitatea ca indivizii superiori s domine procesul de scalare trebuie
respectat egalitatea:
= `
Unde: C reprezint numrul indivizilor cu valoarea fitness optim.
Metoda de scalare sigma are rolul de a exercita o presiune constant asupra procesului.
Valoarea fitness a individului se recalculeaz n funcie de valoarea fitness medie a populaiei
i de deviaia standard [Arora, 1997].
1+

(, ) = {
1

() ()
2()

() 0
() = 0

(, ) reprezint valoarea scalat a individului , () reprezint valoarea fitness a


este valoarea medie a populaiei i () este deviaia standard a fitnessindividului, iar ()
ului populaiei [Arora, 1997].
Scalarea prin metoda puterii se aplic cu ajutorul relaiei:
=
Unde: k constant (1.005)
Aceast metod se folosete mpreun cu metoda de selectare roulette wheel .
Selecia este un operator genetic care stabilete irurile populaiei curente care vor fi alese
pentru a transmite materialul lor genetic generaiei urmtoare.
Exist trei tehnici de selecie:
cea mai utilizat este selecia proporional, care modeleaz mecanismul seleciei naturale,
n care cromozomii cu o evaluare mai mare au o ans mai mare de a fi alei. Cunoscut i sub
numele de principiul ruletei, aceast tehnic presupune parcurgerea urmtoarelor etape:
36

1. Se stabilete funcia de evaluare pentru fiecare cromozom din populaie feval(xi)


2. Se nsumeaz toate funciile de evaluare = ( )
3. Cromozomilor li se atribuie aleator numerele naturale i.
Apoi, urmtorii pai se repet pn la crearea unui numr suficient de perechi de cromozomi:
4. Se genereaz numerele aleatoare n i m, astfel ca 1n, m feval ,
5. Se alege cromozomul xi, unde i este cel mai mic numr care satisface relaia:
( )
6. Se alege cromozomul xj, ca la pasul 5, cu m n loc de n
7. Se stabilete perechea de cromozomi xi i xj.
Aceast modalitate de selecie ns poate genera serioase probleme dac un cromozom din
populaie are o funcie de evaluare de valoare mult mai mare dect a celorlali cromozomi,
aceasta fiind departe de optim, iar atunci selecia proporional va raspndi foarte repede
caracteristicile acestui cromozom n populaie. n cteva generaii populaia ar putea fi alctuit
numai din astfel de cromozomi i algoritmul genetic nu ar mai putea evolua, deci optimul nu
mai poate fi gsit. Acest fenomen este cunoscut sub numele de convergen prematur.
O alt problem o constituie gradientul sczut al funciei de evaluare spre sfritul cutrii.
Treptat soluia optim este preluat de ntreaga populaie. Efectul este cunoscut sub numele de
terminare lent (slow finishing).
O alt tehnic de selecie este selecia pe baza rangului, n care probabilitatea de a fi ales este
o funcie liniar de locul ocupat de individ (cromozom) n cadrul populaiei. Avantajul const
n faptul c nu mai este necesar interpolarea permanent a evalurii ca n cazul precedent. Un
caz special de selecie de acest tip este selecia prin trunchiere, prin care se elimin o parte din
cromozomii cu cea mai slab evaluare, iar n locul lor se genereaz alii, dup diferite scheme
posibile. Un exemplu de selecie prin trunchiere este prezentat n continuare:
1. Din populaia actual se elimin n cromozomi care au evaluarea cea mai slab.
2. Se genereaz un nou cromozom x, folosind principiul ruletei

37

3. Dac x difer de toi ceilali cromozomi ai populaiei actuale, atunci el este inclus n
populaie; n caz contrar, este supus operatorului de mutaie (explicat mai jos) pn ce devine
diferit de ceilali cromozomi i este inclus n populaie.
O alt metod euristic de selecie este selecia elitist, care reine ntotdeauna cei mai buni
cromozomi ai populaiei (de regul unul singur). Ea garanteaz convergena asimptotic spre
un minim global, dar rata de convergen este variabil n funcie de problem. Elita poate
introduce un efect de dominan asupra populaiei care s duc la o stagnare timpurie a
procesului de evoluie. Soluia const n utilizarea operatorului de mutaie pentru reducerea
acestui efect.
ncruciarea (crossover) este operatorul necesar pentru construcia noilor indivizi ai
populaiei.
Populaia intermediar, format din n cromozomi, este mprit n n/2 perechi i operatorul de
ncruciare este aplicat fiecrei perechi cu o anumit probabilitate . Valoarea lui este de
obicei mai mare de 0,6 i de cele mai multe ori se alege = 1.
Noii indivizi ai populaiei sunt generai prin combinarea unor pri alternative de material
genetic provenind din dou iruri printe a1 i a2. Cea mai simpl schem este ncruciarea cu
un singur punct. Dac numrul de bii din cromozomul-ir este L=numbt, atunci punctul de
ncruciare este ales aleator ntre 1 i L. Aceast schem de ncruciare este prezentat mai jos.
1. Se genereaz aleator un numr natural p n intervalul [ 1 , L ( ai) ] ;
2. Se genereaz noua pereche de cromozomi a1new i a2new , dup cum urmeaz:
Pentru ip se execut urmtoarea secven:
1 () = 2 () i 2 () = 1 ()
Pentru i>p se execut urmtoarea secven:
1 () = 1 () i 2 () = 2 ()
Mutaia permite algoritmului genetic s gseasc noi soluii n cadrul populaiei i l protejeaz
mpotriva pierderii de informaie n cazul unor ncruciri nepotrivite. Rata mutaiei este foarte
redus, probabilitatea mutaiei avnd valori cuprinse ntre 0,001 i 0,01. Dac

38

operatorul de selecie reduce diversitatea n populaie, cel de mutaie determin o nou cretere
a diversitii. Cu ct probabilitatea mutaiei este mai mare, cu att mai redus este riscul
convergenei premature, dar apare un nou risc datorit faptului c o rat mare de mutaie va
transforma algoritmul genetic ntr-un algoritm de cutare aleatoare.
O schem tipic de mutaie pentru un cromozom = 1 , , este:
1. Se genereaz aleator un numr z astfel nct 1zn;
2. Se selecteaz gena ;
3. = 1 .
function y = mutate(a)
% Modifica aleator un bit al vectorului a.
numbt = length(a);
z=fix(rand*(numbt-1)+1);
a(z)=1-a(z);
y = a;

Criterii de convergen:
Numrul maxim de generaii algoritmul genetic se oprete la ndeplinirea unui numr maxim
de generaii, stabilit de utilizator.
Timpul de executare algoritmul genetic se poate opri dup o anumit perioad setat de
utilizator.
Nicio schimbare a valorii fitness valoarea minim sau maxim a funciei fitness rmne
constant pentru un numr de generaii stabilit.
Stall generations- algoritmul se oprete dac nu apare nicio mbuntire n funcia obiectiv
pentru un numr de generaii consecutive.
Stall time limit- algoritmul se oprete dac nu apare nici o mbuntire n funcia fitness pe
parcursul unui interval de timp echivalent n secunde cu stall time limit.
Best individual - criteriu de convergen pentru determinarea celui mai bun individ oprete
cutarea dac valoarea minim fitness dintr-o populaie scade sub valoarea de convergen.
Acest lucru aduce procesului de cutare rapiditate, garantnd cel puin o soluie fezabil.

39

Tehnici de manipulare a restriciilor:


Strategiile de respingere elimin indivizii nefezabili creai printr-un proces evoluionist. O
astfel de abordare este limitat n cazul n care populaia iniial conine muli indivizi
nefezabili care trebuie mbuntii pentru a trece n domeniul fezabil. Deseori pentru ca
algoritmul s ajung la un optim, individul trebuie s traverseze un domeniu nefezabil [Bends,
1988].
Strategiile de reparare implic selectarea unui individ nefezabil i prin anumite procese de
reparare se transform ntr-un individ fezabil. Aceste strategii depind de existena unor
proceduri deterministice de reparare a soluiilor nefezabile nlocuindu-i cu indivizi fezabili.
Dificultatea acestor metode const n definirea unui algoritm de reparare pentru fiecare
problem de optimizare n parte. Orvosh i Davis a definit regula de 5%, aceast regul
euristic prevede ca GA cu o procedur de reparare ofer cele mai bune rezultate atunci cnd
5% din cromozomi sunt reparai nlocuind indivizii nefezabili. Michalewicz a raportat c regula
de nlocuire de 15% indicat pentru probleme de optimizare numeric cu restricii neliniare.
Aplicnd strategiile de modificare a operatorilor genetici vom genera indivizi fezabili, astfel
nct algoritmul genetic lucreaz n domeniul fezabil. Michalewicz a subliniat faptul c de
multe ori astfel de sisteme sunt mult mai fiabile dect oricare ali algoritmi genetici bazai pe
metodele de penalizare. Avantajul strategiile descrise anterior const n eliminarea generrii de
soluii nefezabile, dar au dezavantajul c nu consider puncte din afara regiunilor fezabile.
Pentru problemele cu restricii majore soluiile nefezabile pot ocupa un procent mare din
totalitatea soluiilor. ntr-un astfel de caz, soluiile fezabile pot fi greu de gsit dac vom limita
cutarea n zona regiunilor fezabile [Bends, 1988].
Pentru ca GA s opereze cu soluiile nefezabile se pot aplica strategii de penalizare a funciei
obiectiv. Aceste strategii transform problema de optimizare cu restricii ntr-o problem de
optimizare fr restricii cu ajutorul unei funcii de penalizare .
5.1.1.1 Problemele tipice la care sunt aplicai algoritmii genetici

Includ designul grinzilor cu zbrele de greutate minim,


optimizare topologic, analiza limitelor, design cu numr minim
de bare.
m bare de lungime l i arii secionale xi
40

N noduri; nodurile 1,...,n sunt libere, nodurile n+1,...,N sunt fixate


ncrcri externe: fore 2 la nodurile i=1,...,n.
Probleme de design:

dat fiind topologia (poziiile barelor i a nodurilor), sa se gseasc cea mai uoar
structur care poate purta o ncrcare dat (variabile - dimensiunea barelor, cost greutatea total).

aceeai problem, dar costul include numrul barelor utilizate.

gsirea topologiei optime.

gsirea celei mai uoare configuraii care poate purta ncrcrile date.

Problema de analiz: pentru o structur dat, s se gseasc ncrcarea limit.


Caracteristicile materialului:
este fora n bara i (ui>0: ntindere, ui<0: compresiune)
este deformaia barei i (si>0: alungire, si<0: scurtare)
si = 0 dac < ui /xi <
ui /xi = dac si > 0
ui /xi = dac si < 0 ( este o constant de material)
Structura de greutate minim n condiiile de ncrcare date:

relaiile de echilibru pentru nodul liber i:

,
,
[ ] + [ ] = 0

,
,
=1

depinde de topologie
= 0 dac bara j nu este legat de nodul i
= ( , ) altfel

design de greutate minim utiliznd programare liniar (LP):


s se minimizeze

=1

41

n condiiile n care

=1 + = 0,
,

= 1, ,
= 1, ,

(variabile , )
Exemplu:
s se minimizeze

1 1 + 2 2 + 3 3

n condiiile n care

1 2 2 2 3 + = 0
1 2 2 2 + = 0
1 1 1
2 2 2
3 3 3

Modelarea topologic:

Se creeaz un grid de noduri unit cu bare ntre fiecare pereche de noduri

Se caut designul structurii de greutate minim: = 0 pentru majoritatea barelor

Topologia optim: se utilizeaz doar barele cu 0

Exemplu:
Grid de 20 x 11, adic 220 de noduri poteniale i
24.090 bare poteniale.
Nodurile a, b, c sunt fixate iar n nodul d este aplicat
o for vertical unitar.
Topologia optim are 289 de bare.

Scenarii de ncrcare multiple


Structura de greutate minim care poate rezista la M posibile ncrcri 1 , , :
Sa se minimizeze

=1

Considerand restriciile
=1 + = 0,

= 1, , ,

= 1, ,
42

, = 1, , ,

= 1, ,

(variabile , 1 , , )
Pentru a asigura robusteea designului: structura rezist la orice ncrcare
= 1 1 + +
Unde 0, 1
Analiza limitei
Structura are geometria dat (inclusiv ariile seciunilor ).
ncrcarea este data de = , cu valorile 2 i > 0.
S se gaseasc cea mai mare valoare a ncrcrii capabile:
S se maximizeze
Considernd restriciile
=1 + = 0 = 1, ,
, = 1, ,
Are forma unei probleme de programare liniar (LP) n variabilele , . Pentru valoarea
maxim admisa se numete factor de siguran.
Design cu numr minim de bare
Formulare LP cu numere ntregi (considernd log 1)
Sa se minimizeze
=1
Considerand restriciile
=1 + = 0,

1, ,

, = 1, ,
,

= 1, ,

{0, 1}, = 1, ,
Variabile , ,
Extrem de greu de rezolvat; uneori trebuie enumerate toate cele 2 valori posibile ale lui .
n formularea euristic se nlocuiete {0, 1} cu 0 1.
43

5.1.2 Optimizarea structural evolutiv (ESO)


Tehnica a fost iniial propus n 1992 de ctre Mike Xie i Steven Grant. Ei au propus
dezvoltarea unei tehnici foarte simple, dar versatile pentru a gsi modele structurale optime.
ESO se bazeaz pe conceptul de eliminare treptat a materialelor ineficiente dintr-o structur,
astfel nct structura rezultat s evolueze spre forma optim.
Metoda ESO se dovedete a fi capabil s rezolve probleme de optimizare structural pentru
dimensiuni, form i topologie, pentru ncrcri statice, stabilitate dinamic i probleme de
transfer de cldur sau combinaii ale acestora. Metoda ESO are aplicabilitate n practic n
special datorit simplitii i eficienei. Orice persoan care are cunotine de baz de analiz
cu element finit (FEA), poate nelege cu uurin i aplica metoda ESO. Un alt avantaj al
metodei ESO este c poate fi uor de implementat i legat de pachetele comerciale FEA, cum
ar fi ABAQUS, ANSYS i NASTRAN.
Pentru structuri aflate numai n tensiune sau numai n compresiune, metoda tradiional ESO
elimin materialul de la o structur de baza pe criterii definite pentru tensiuni von Mises sau
energia de deformare a fiecrui element. Anumite materiale de construcii, cum ar fi betonul i
cablurile de oel, sunt potrivite numai pentru supunerea la tensiuni exclusiv de compresiune
sau ntindere.
Pentru a realiza o structur optim compus din elemente solicitate doar la ntindere,
elementele cu cele mai mari tensiuni de compresiune vor fi nlturate n prima etap. Apoi,
elementele puin solicitate la ntindere vor fi terse din structur de asemenea. n mod similar,
pentru a obine o structur optim format doar din elemente aflate n compresiune, barele cu
cele mai mari tensiuni de ntindere vor fi nlturate n prima etap. Apoi, elementele mai puin
comprimate vor fi terse din structur la pasul urmtor.

44

Figura 6.1.1: Soluie ESO a unei structuri n compresie


exclusiv (simularea faadei Patimilor a bisericii Sagrada Familia din Barcelona, Prof. Mark Burry al SIAL Sursa:
http://isg.rmit.edu.au/research_ESO.html)

Pentru a obine un design ESO neliniar, modele de elemente finite sunt analizate prin luarea n
considerare a neliniaritii materiale i/sau a neliniaritii geometrice. Dou criterii pentru
ndeprtarea materialului au fost experimentate. Unul se bazeaz pe tergerea elementelor cu
tensiuni von Mises mici, cealalt se bazeaz pe eliminarea elementelor cu energie de deformare
sczut. Exemplul de mai jos se bazeaz pe criteriul energiei de deformare.

Figura 6.1.2: Comparaie a capacitii de transmitere a sarcinii-intre modele ESO liniar i ne-linear (soluie ESO neliniar
presupunnd c =0.2)

Figura 6.13: Modelarea unui spatiu subteran sustinut de 16 stalpi.

45

Figura 6.14: Sistem de transfer al ncrcrilor pentru un atrium al unei cladiri multietajate.

5.1.3 Optimizare de tip PSO (particle swarm optimization)


PSO a fost formulat de ctre Edward i Kennedy n 1995. Algoritmul a fost inspirat din
comportamentul social al animalelor, cum ar fi comportamentul psrilor sau a petilor.
Asemnarea ntre PSO i AG este dat de operarea cu ajutorul unei populaii aleatoare
(exprimat sub formulare matriceal). Spre deosebire de AG, PSO nu folosete procesele de
mutaie sau ncruciare. Elementele matricei sunt numite particule (la fel ca cromozomii pentru
AG). Fiecare particul se mic pe suprafaa de rspuns cu o anumit vitez [Otten, 1989].

5.1.4 Optimizare de tip Simulated Annealing


A fost introdus de Kirkpatrick (1983). Aceast teorie se bazeaz pe procesul termic prin care
se modific microstructura materialului cu implicaii directe asupra proprietilor fizice.
Algoritmul analog acestui proces ncepe prin atribuirea de valori aleatoare variabilelor, iar
procesul de nclzire este reprezentat prin modificarea aleatoare a variabilelor [Otten, 1989].
Procesul ncepe cu un algoritm care are ca efect selectarea aleatorie a variabilelor funciei
obiectiv, iar nclzirea nsemnnd modificarea aleatorie a acestor valori, o valoare mai mare a
nclzirii atrage dup sine o mai mare fluctuaie a valorii factorului aleator care modific
respectivele valori. Funcia obiectiv returneaz rezultatul, f, cu un set cunoscut de variabile.
Dac rezultatul scade de-a lungul procesului, atunci rezultatul nou l nlocuiete pe cel vechi.
Dac rezultatul crete, atunci rezultatul acceptat are ca variabile un numr aleator "r" i un T
46

care este o variabil, altfel setul nou de variabile este respins. Astfel, chiar dac una dintre
diferitele seturi de variabile duce spre o funcie obiectiv mai slab, ea poate fi eligibil cu o
anume probabilitate. Setul nou de variabile este calculat aplicndu-i un pas aleator setului vechi
de variabile [Otten, 1989].
Exist anumite probleme de optimizare care devin prea complexe pentru metodele clasice,
odat cu creterea numrului de variabile considerate. Pentru acest tip de probleme algoritmul
de tip clire simulat (numit astfel deoarece mimeaz procesul la care sunt supui atomii unui
metal cnd acesta este nclzit i apoi supus unei rciri lente) se dovedete foarte eficient. Chiar
dac aceasta tehnica are puine anse sa gseasc soluia optim, poate adesea gsi soluii foarte
bune, chiar i n cazul unui domeniu de valori cu zgomot. Clirea simulat este o strategie care
se bazeaz pe doua trucuri. Primul este aa numitul algoritm Metropolis (Metropolis et al.
1953), care permite selectarea unor soluii care nu reduc funcia fitness dar care permit
explorarea mai vasta a spaiului de soluii posibile. Acestea sunt permise prin utilizarea
criteriului ca:

unde

este distana dintre soluiile interschimbate (negativ n cazul unui schimb bun,

pozitiv n cazul unei schimbri nefavorabile),


temperature), iar

este temperatura sintetic (synthetic

este o valoare aleatorie n intervalul

se numete "funcie de

cost," i i corespunde energiei libere din cazul clirii unui metal (caz n care parametrul de
temperatur ar fi chiar
pe scara Kelvin. Dac

, unde este constanta lui Boltzmann iar

este valoarea temperaturii

este mare, sunt acceptate multe schimbri nefavorabile, i astfel o mare

parte a spaiului de cutare este accesat. Valorile schimbate sunt alese, n mod normal, aleatoriu,
dar exist i tehnici mai sofisticate de generare a soluiilor. Al doilea truc este, de asemenea
prin analogie la clirea metalului, scderea temperaturii. Dup realizarea multor schimburi
de soluii i observarea scderii lente a funciei de cost, va fi sczut temperatura, i limitat
astfel numrul de schimburi nefavorabile. Dup scderea repetat a temperaturii nspre o
valoare sczut, poate fi stins procesul prin acceptarea exclusiv a schimburilor bune, spre a
gsi minimul local al funciei de cost. Exist numeroase scheme de temperatur de clire, ns
rezultatele nu sunt de obicei foarte sensibile la detalii.
Mai exista o alt strategie rapid numit prag de acceptare (threshold acceptance, Dueck and
Scheuer 1990). Acest strategie accepa toate schimburile bune, i pe cele nefavorabile dar
care cresc valoarea funciei cost cu o valoare aflat sub un anumit prag stabilit. Acest prag de
47

acceptare este sczut progresiv, asemenea temperaturii sistemului n cazul clirii simulate.
Astfel este eliminat exponentul i generarea de numere aleatorii din cazul criteriului Boltzmann.
Din acest motiv metoda poate fi mai rapid n simulrile computaionale.

48

6 STRATEGII DE OPTIMIZARE
Prin strategie de optimizare nelegem ansamblul de proceduri, descrise n metode i algoritmi
de optimizare matematic sau non-matematic, care pot fi combinate pentru obinerea
rezultatului cutat (Turda, 2003).

6.1 DIRECII DE CERCETARE


Diferitele direcii de cercetare din domeniul optimizrii structurale evoluioniste au fost
mprite n trei categorii: design structural specializat, mbuntiri ale GA, i obiective
ale optimizrii.
1. Designul structural specializat implic algoritmii genetici care sunt adaptai unor tipuri
specifice de structuri. Aceste tipuri includ grinzi cu zbrele, cadre plane, cadre spaiale,
turnuri tip latice, ferme pentru acoperiuri.
2. mbuntiri ale algoritmilor genetici - includ cercetarea condus spre mbuntirea
robusteii programelor de optimizare (timp de execuie, tehnici crossover, comunicare
binivel, operatori fuzzy, selecie).
3. Obiective de optimizare - atenia este acordat algoritmilor genetici creai n mod
specific pentru mbuntirea unuia sau mai multor obiective (dimensiunile, forma
elementelor, topologia, detectarea daunelor, controlul vibraiilor).
Multe modele inginereti implic folosirea unor algoritmi speciali de optimizare pentru a
ncerca s minimizeze sau s maximizeze funcia merit sau obiectiv. Deseori, obiectivul este o
sum ponderat de mai multe sub-obiective. Cele mai simple probleme de optimizare au
vectorul variabilelor definit prin seciunile elementelor. Adugnd la vectorul variabilelor ali
parametrii de proiectare problema crete n dificultate (Petrina, 1982).
Un astfel de software impune constrngeri privind soluiile optime. Ele constau n restricii
regionale (de exemplu restricii care limiteaz o dimensiune) i restriciile funcii care limiteaz
o funcie calculat (cum ar fi o valoare de tensiune). n cele mai multe probleme exist multe
variabile de analizat. Acestea includ att dimensiuni fizice ct i proprieti materiale.

49

6.2 OPTIMIZARE MULTI-MODAL


Funciile multi-modale pot avea un numr mare de puncte de optim local. Poate fi interesant
gsirea mai multor dintre aceste puncte optime locale, alturi de optimul global, pentru a afla
mai multe informaii despre funcia obiectiv sau pentru a analiza aceste puncte dup terminarea
procesului de optimizare din perspectiva altor criterii.

Utilizatorul trebuie s selecteze un subset de variabile de proiectare, dintre


toate variabilele analizate, care va fi
variat de algoritmul de optimizare.
Variabilele de analiz sunt utilizate
pentru a calcula funcii de analiz, cum
ar fi: tensiuni, deformaii, deplasri,
flux termic, frecvenele naturale, etc
Unele dintre multiplele funcii de
Figura 6.1 Prezena mai multor puncte de optim local pe suprafaa
domeniului de soluii.

analiz sunt combinate pentru a defini


obiectivul,

sau

funcia

merit.

Software-ul de optimizare, de obicei,


utilizeaz un alt set de programe pentru a calcula funciile obiectiv i pentru a analiza o structur.
SolidWorks i ANSYS sunt exemple tipice, alturi de subrutine scrise de utilizator. Cele mai
multe modele reale au mai multe locaii ale punctelor de minim local i, de obicei, nu putem fi
siguri dac a fost gsit cel mai bun design (minim global). Suprafeele funciei merit arat de
multe ori ca n figura prezentat mai jos, care are un minim global la (0, 0), dar mai multe
minime locale n jurul acestuia.

50

Aplicarea pe scar larg a algoritmilor evoluioniti n probleme inginereti a fost mpiedicat


de cerinele computaionale restrictive. Algoritmii genetici necesit multe (de obicei de ordinul
sutelor) soluii candidat s fie create i analizate pe durata execuiei. Astfel, dac evaluarea
valorii funciei fitness pentru o structur (incluznd analiza structurii) dureaz 5 minute, pentru
o structur de dimensiuni mari, evaluarea repetat necesar pentru o populaie de 100 de
structuri pe durata a 50 de generaii ar fi estimat s se extind pe 25.000 de minute (417 ore).
O metod tradiional de optimizare ar putea s necesite mai puin timp pentru rezolvarea
problemei, acesta fiind un argument pentru utilizarea acestor metode n cercetarea designului
structural optim. ns metodele tradiionale adesea au nevoie de premise restrictive i soluiile
gsite au nevoie s fie transformate pentru a echivala restriciile practice de design, ceea ce
necesit ndeprtarea lor de la soluia optim din punct de vedere matematic. Deoarece GA
utilizeaz variabile de design discrete, pot adesea gsi soluii practice mai bune dect metodele
tradiionale.

Chiar dac soluiile obinute de algoritmii


genetici nu pot fi dovedite a fi "optime",
majoritatea aplicaiilor inginereti nu cer
design "optim", ci mai degrab soluii
"foarte bune". innd cont de felul n care,
n inginerie, sunt definite proprietile
materialelor, magnitudinile ncrcrilor
din vnt, acceleraia terenului, etc., exist
prea multe incertitudini n definirea
Figura 6.2 Exemplu de funcie obiectiv dificil, cu mai multe
puncte de optim local

problemei pentru a justifica o insisten pe


gsirea optimului absolut pentru valori
aproximate ale problemei de calcul.
Aadar algoritmii genetici sunt o metod
foarte atractiv pentru obinerea unor
soluii foarte bune la problemele de design
structural.

51

6.3 EFICIEN I INCERTITUDINE N PROCESUL DE OPTIMIZARE


Problemele pot ajunge n mod curent sa aib mii sau zeci de mii de soluii, fiecare necesitnd
a fi analizat pentru a i se determina valoarea fitness. Ca rezultat, nivelul de complexitate a
structurii este limitat de numrul de variabile necesare descrierii acesteia, i a nivelului de efort
de calcul necesar gsirii unor soluii bune (n termen de zile de rulare).

Figura 6.3 Numrul de ore mediu dedicat unui proiect.

Din punct de vedere statistic, erorile umane n domeniul proiectrii i construciei tind s
creasc considerabil atunci cnd inovaia este fragmentat i brusc i atunci cnd nu exist o
evoluie gradual bazat pe cunoatere tiinific. Morfologia structural libera (free-form
design, FFD) care i are originea n dezvoltarea FFD, a avut o adevrat explozie n tiina i
tehnologia construciilor, care sunt n mod tradiional ancorate n tipologii i geometrii
convenionale (cadre, grinzi, plci, etc). Acest fapt a generat o modificare radical n
metodologia ingineriei structurale, mai ales referitor la controlul interpretativ al rezultatelor, a
strii de tensiuni i deformaii a structurilor supuse la ncrcri gravitaionale, vnt, cutremur,
obinute prin analiza cu element finit.
n EN 1990:2002 se ncearc garantarea nivelului de siguran i performan printr-o strategie
de asigurarea calitii - Quality Assurance (QA) strategy i proceduri de controlul calitii
procesului de design (punctul 2), n ncercarea de minimizare a erorilor umane (punctul 8).
Estimarea fiabilitii structurale depinde de calitatea cunotinelor disponibile proiectantului.
Cu ct acestea sunt completate cu cunotine noi despre structur, estimrile devin mai
complexe i, n general, gradul de incertitudine este redus n mod deosebit acest lucru este
vizibil n faza de design conceptual, cnd informaiile referitoare la rezistena materialelor,
tipologia structurii, etc. devin disponibile i nlocuiesc prezumiile bazate pe performane
trecute sau experiena cu structuri similare. n cazul FFD nu exist nc un feedback util
disponibil n literatura tehnic.

52

Conform Majowiecki (1998, 1990), reducerea incertitudinilor n designul structurilor speciale


poate fi realizat dac sunt luate n considerare urmtoarele:

evitarea colapsului progresiv al sistemului structural datorat cedrii locale al


elementelor structurale secundare;

compatibilitatea restriciilor i detaliilor de design cu ipotezele de modelare i rspunsul


real al structurii;

senzitivitatea parametric a structurii, care depinde de tipul i gradul de nedeterminare


static.

Este de asemenea util accesul la un feedback sistematic asupra rspunsului structurii i


monitorizarea performanelor unor astfel de structuri pentru ca eficiena pe termen lung a
designului s poat fi evaluat.
n cazul structurilor deplasabile, baza cunoaterii se refer n principal la sistemul de macarale
iar procesul de design conceptual legat de acestea trebuie s ia n considerare observaiile
existente, teste i specificaii legate de comportarea unor structuri similare. Pentru a acoperi
lacunele n acest domeniu, IASS a realizat un raport cu state of the art al acestor sisteme de
acoperiuri, care include recomandri pentru design bazate pe observaii ale unor cedri i
colapsuri (IASS, 2000).
Incertitudinile fizice sunt legate de ncrcri i de caracteristicile materialului. n cazul unor
suprafee construite extinse sau al cldirilor nalte cu morfologii neobinuite, incertitudinile
legate de ncrcri pot fi reduse dac se iau n considerare:

distribuia i acumularea zpezii n relaie cu intensitatea i direcia vntului corelat


statistic;

distribuia presiunii vntului lund n considerare valori time-history sau puteri


spectrale teoretice i experimentale corelate;

efectul n timp al aciunilor indirecte co-active ca i tensiuni iniiale, curgere lent i


efectele temperaturii.

Designul asistat de experimente (Eurocode 3 - punctul 8), cum sunt investigarea experimental
n tuneluri de vnt a modelelor la scar, i monitorizarea structurilor construite, au un rol
important n designul sistemelor structurale atipice. Incertitudinile legate de material, asociate
cu raporturi foarte mari de ncrcri utile/greutate proprie, care sunt o caracteristic evident a
structurilor uoare, cresc considerabil aceste incertitudini statistice.
53

6.4 UTILIZAREA UNOR FORME NATURALE


Formele din natur au parte de aceleai limitri ca i mediul construit i de aceea au o relevan
major n a servi drept inspiraie. Economia de cost, a forei de munc, aplicarea de metode noi,
simplificate, utilizarea de materiale inovative i tehnologii ecologice, forme i design
remarcabile; toate acestea sunt trsturi fundamentale ale optimizrii structurale. Noile tendine
i cercetarea n acest domeniu au fost dezvoltate n ultimele decenii de aplicarea cunotinelor
i observaiilor obinute din studiul proceselor naturale, a organismelor, a structurilor i
materialelor, de la nivelul particulelor subatomice la comportamentul insectelor i animalelor,
a anatomiei, a relaiilor ecologice din habitate naturale, i apoi aplicarea acestor cunotine la
designul structurilor i mediului construit. Rezultatele sunt extrase din analiza atent i
sistematic a modurilor n care natura a proiectat structuri. Pe aceast baz putem dezvolta
criterii i strategii pentru a evolua structurile ntr-o manier asemntoare, n mod eficient i
sustenabil, gsind resurse noi, i rspunznd la mediul dinamic n care structurile sunt plasate.
Ca form structural, forma de ramuri este capabil s
fragmenteze forele prin distribuia mai uniform a
ncrcrii n structur i transferarea lor fundaiei
construciei. Inspiraia acestor forme a dus la
dezvoltarea de soluii pentru unele din cele mai nalte
cldiri din lume. Amalgamarea ingineriei cu biologia
permite structurilor s fie eficiente i durabile, iar
beneficiile utilizrii unor precedente organice are un
impact major asupra designului, mbuntind calitatea
general a proiectelor.
Figura 6.4 Acest set de schie (Zalewski, 2002)
ilustreaz derivarea unei forme structurale
eficiente care s preia forele la care e supus o

Dar dac formele din natur asigur o surs abundent


de inspiraie, Tsui avertizeaz c nu putem alege o

grind n consol. Odat cu alinierea progresiv

form i s ncercm s o aplicm la o scar mai mica

a elementelor structurale cu direciile vectorilor

sau mai mare fr consecine dezastruoase (Tsui, 1999).

de tensiuni n grinda n consola conceptual


(schiat n primele 5 diagrame), cantitatea de

Teoreticienii structurali Edward Allen i Waclaw

material utilizat n structur descrete. Dac

Zalewski (1998) au explorat prin diagrame o serie de

formei

soluii pentru grinzi n consol, analiznd modul n care

este

permis

extinderea

nerestricionat, acesta devine i mai eficient.

designul elementului evolueaz ca rspuns la vectorii


54

forelor interioare. Acetia au observat faptul c, cu ct elementele structurale sunt modificate


pentru a urma mai bine aceste linii de fore, cu att structura este mai rezistent, nspre punctul
n care din setul de configuraii, cea mai expresiv ca form, cea mai eficient structural este
de asemenea i cea mai eficient ca i consum de material. Forma evoluat devine potrivit
intrinsec pentru mediul exterior dat, i conecteaz obiectul final cu conceptul formrii acestuia.
Zalewski subliniaz c structurile nu sunt art, ele existnd pentru un singur scop, a satisface
nevoile umane. ns pot fi elegante i estetice, nu datorit faptului c imit o form natural,
copaci, oase, etc. criteriile de frumusee pentru flori nu sunt aceleai cu cele pentru structuri.
Aceste forme sunt la o scar diferit, prea mic pentru a fi transpus direct n structuri de
dimensiunile la care avem nevoie. Structurile trebuie sa gseasc propria form natural, care
s reias din curbe funiculare, diagrame de momente, curgerea intern a forelor.
Aliniat cu metodologia designului (planul de lucru), proiectarea conceptual poate fi definit
ca o abordare bazat pe cunotine i intuiie care permite identificarea tipologiei structurii,
elaborarea unui model numeric preliminar i apoi aplicarea analizei structurale i verificrii
fiabilitii. Aceste concepte sunt incluse n unele coduri de construcie naionale, care sunt n
mod normal ndreptate doar spre sisteme structurale convenionale. n ceea ce privete designul
inovativ, cum este cazul majoritii construciilor recente de tip free-form, exist puine
recomandri.
Tiparele de cretere
Forma iconic a multor turnuri a rezultat
din sintetizarea biomimetismului (derivat
din cuvintele bios, nsemnnd via, i
mimic, imitaie) i a designului structural.
Influena

biologic

nceput

prin

investigarea seciunilor transversale a unor


structuri naturale care prezint un tipar de
cretere

exponenial,

cu

segmentare

predictibil matematic, care au rol de


contravntuiri. Lund ca exemplu tiparele
de cretere ale tulpinii de bambus i
Figura 6.5 Evolutia formei adoptate pentru proiectul China

geometria fractal a unei cochilii de

World Trade Center Tower

nautilus se pot deduce anumite criterii de


55

formare a rezistenei naturale. Aplicaiile acestor principii mprumut secvene specifice ale
structurilor organice pentru a reproduce caracteristicile cele mai atractive ale acestora (o
valoare mare a raportului rezisten-greutate, comportament elastic, andurana pe termen lung,
i o form eficient care rezist ncrcrilor i maximizeaz stabilitatea).
Tulpina de bambus are caracteristici structurale unice. Aceste tulpini lungi
i subiri asigur suportul unui frunzi extins, pe durata vieii plantei, i
este un material de construcie rezistent atunci cnd este folosit la structuri
construite. Chiar i atunci cnd este supus la tsunami, bambusul rspunde
eficient la ncrcrile laterale, datorit proporiilor geometrice. Nodurile,
sau diafragmele, n form de inele pe lungimea tulpinii, nu sunt distribuite
uniform sunt mai apropiate ntre ele la baza tulpinii, i distanate progresiv nspre vrf.
Localizarea acestor diafragme nu este aleatorie i poate fi determinat matematic. Acestea sunt
distribuite astfel pentru a preveni flambajul pereilor subiri ai bambusului, sub ncrcrile
gravitaionale i laterale. Grosimea pereilor i diametrul pot fi calculate n mod similar. Toate
ecuaiile care definesc localizarea diafragmelor, diametrul i grosimea pereilor se bazeaz pe
o formulare ptratic. Dac se face un grafic cu diametrul necesar vs. nlimea tulpinii (cu
relaia dintre diafragme i grosimea pereilor similar), acesta arat ca i diagrama de
ncovoiere a unei grinzi n consol sub ncrcri laterale teoria structural este aceeai pentru
bambus i alte structuri n consol. Bambusul e format dintr-o tulpin, compus din noduri i
internoduri. Nodurile marcheaz localizarea diafragmelor unde exist o uoar modificare n
diametru. Internodurile sunt goale, formnd o cavitate nconjurat de pereii tulpinii. Materialul
tulpinii este localizat la cea mai mare distan de axa neutr a tulpinii, asigurnd cea mai mare
rezisten la ncovoiere posibil, i permind ncrcrilor gravitaionale s existe doar n
anvelop i minimiznd astfel greutatea total. Caracteristicile geometrice ale bambusului sunt
aplicate la sistemul structural al proiectului China World Trade Center Tower. Turnul este
divizat n opt segmente pe nlime. Cerinele structurale datorate ncrcrii laterale au cele mai
mari valori la baza tulpinii (sau turnului) i de aceea distanele internodale sunt mai mici
comparate cu jumtatea superioar. Distana mai mic crete momentul capabil i rezistena la
flambaj. n jumtatea superioar a turnului, distanele internodale scad proporional cu
diametrul diafragmelor. Astfel forma tulpinii (turnului) rspunde la ncrcrile exterioare.
Proiectul foarte eficient pentru China World Trade Center a fost realizat cu un nucleu intern
conectat la un tub perimetral, aceste conexiuni fiind definite matematic pentru a contravntui
cadrul mpotriva flambajului n concordan cu tiparele creterii bambusului.
56

Diagrid
Gridul, care formeaz cadrul structural perimetral este
modelat dup forma de mesh a structurilor celulare
biologice. Acest cadru e caracterizat de o membran de
diagonale cu spaiu mic ntre ele, care este mult mai
deas dect forma unui diagrid convenional.
Diafragmele de nivel concentrice sunt rotite pe
nlimea cldirii pentru a spori stabilitatea. Spaiul
dintre cele patru elemente masive devine mai mic la
jumtatea nlimii apoi converge spre baz, astfel nct
etajele inferioare asigur rigiditate i echilibru n timp
ce etajele superioare sunt mai flexibile, acolo unde
forele de ncrcare din vnt sunt mai mari.
Pentru a rezista ncrcrilor laterale, elementele
verticale i orizontale ale sistemului lateral sunt
combinate pentru a crea un mesh diagonal, unde
fiecare element este n ntindere sau compresiune, fr
fore de ncovoiere, rezultnd o structur optim cu
rezisten i rigiditate potrivite pentru nlimea cldirii.
Compoziia gridului structural s-a bazat pe derivarea
matematic a grinzii n consol optime create original
de Anthony Mitchell n 1904, oferind o geometrie
eficient. Forma optim a unei grinzi n consol este
rotunjit, compus din liniile de curgere a forelor.
Bazat pe seria Fibonacci i proporional cu tiparul
Figura 6.6 Conceptul structural al Jinling Hotel
Tower n Nanjing, China a condus la reduceri
substaniale n cantitatea de material structural i
dimensiunea elementelor structurii necesare
cadrului perimetral.

spiralelor unei cochilii de nautilus, gridul structural a


fost realizat cu un factor de scalare care concentreaz
diagonalele ntr-un punct i apoi devine progresiv mai

puin concentrat nspre exterior.

57

7 VARIABILE DE PROIECTARE I VARIABILE DE OPTIMIZARE


Sunt cantiti numerice reale care trebuie determinate n urma proiectrii unei structuri. n
cadrul variabilelor de proiectare pot s apar i cantiti cunoscute (determinate din condiii de
funcionare a sistemului), care poart numele de parametri.
n funcie de natura variabilelor de proiectare exist dou tipuri de aplicaii de optimizare:
optimizare dimensional i optimizare configurativ. Optimizarea configuraiei se refer la
acea clas de probleme la care orice schimbare a variabilelor de proiectare produce modificri
n geometria problemei sau a discretizrii. n afara problemelor tipice de optimizare
dimensional i de form mai exist o clas special de probleme la care att parametrii
dimensionali ct i cei de form se definesc ca variabile de proiectare.
ntr-o etap timpurie a procesului de proiectare (conceptual i faza de definire a proiectului),
este de o mare importan gsirea celei mai bune topologii structurale posibile, n contextul
obiectivelor de proiectare i constrngerilor. Astfel, n ultimul deceniu, eforturi de cercetare
substaniale au fost dedicate dezvoltrii unor metode computaionale de optimizare structural
eficiente i de ncredere cum sunt optimizarea formei structurale [Bletzinger, Ramm, 2001] i
optimizarea topologiei (metode de optimizare structurale evolutive, ESO).
Cele mai utilizate criterii care stau la baza modelelor de calcul pentru optimizarea structurilor
sunt: greutate minim, tensiuni minime (rezisten maxim), energie potenial de deformaie
minim, rigiditate maxim, deplasri minime, rigiditate maxim pentru o greutate dat, form
de egal rezisten, cost minim etc. Relaia dintre tensiuni (uneori eforturi) i forma structurii
este factorul fundamental att n proiectarea curent, ct i n cea optimal, aceast dependen
folosindu-se fie pentru determinarea tensiunilor cnd se cunoate configuraia structurii, fie
pentru determinarea formei structurii cnd se cunosc (sau se impun) valorile maxime ale
tensiunilor. Criteriul de alegere a formei structurii depinde de condiiile care trebuie satisfcute
de structur, fiecare criteriu avnd o importan decisiv asupra rezultatului optimizrii. Criterii
absolute de optimizare nu exist i nici nu par a fi de dorit. Cea mai simpl procedur de
optimizare este optimizarea intuitiv, care const n realizarea de modele ale unor soluii
alternative ale structurii i - prin ncercri repetate de a obine o variant optim a acesteia.
Procesul este empiric i nu duce cu certitudine la cea mai bun soluie posibil. Aceste
instrumente de calcul n general nu sunt utilizate de arhiteci sau ingineri care ar avea nevoie
de metode simplificate de calcul al formei i optimizrii structurale n stadiile incipiente critice

58

ale procesului de proiectare. "Principiile structurilor uoare din natur" introduc metode de
legtur ntre teoria de optimizare structural i aplicarea acesteia n practica de proiectare
structural, care utilizeaz metode simplificate i programe pentru form-finding i optimizare
bazate pe procesele din natur.
Integrarea morfologiei structurale n practica curent (form-finding) ar simplifica considerabil
procesul de optimizare. Aplicarea unor metode robuste de analiz structural, cum este metoda
elementelor finite (FEM), reduce timpul necesar unui ciclu de optimizare prin determinarea
caracteristicilor de performan a structurii i informarea direct a proiectantului despre
modalitile n care structura poate fi modificat pentru a i se mbunti proprietile n funcie
de cerine sau obiective. Procedurile complet automatizate de proiectare permit participarea
eficient, activ i creativ la procesul de dezvoltare a unui design. Acestea reduc timpul
necesar acestui proces i gsesc cele mai bune soluii n mod sistematic [Kress, Keller, 2007].
Diferii algoritmi de optimizare au puncte forte i puncte slabe diferite. Unii funcioneaz bine
pentru anumite clase de probleme n timp ce pentru altele sunt ineficieni. Nu doar au
performane diferite pentru clase diferite de probleme, ci se i comport diferit n funcie de
diverse instane ale aceleiai probleme. Conform teoremei No free lunch, n categoria
algoritmilor euristici nu exist un algoritm care s aib n general o performan mai bun ca a
celorlali.
n procesul rezolvrii unei probleme concrete, primul pas este alegerea unui algoritm. ns,
deoarece majoritatea algoritmilor au un set de parametri care le controleaz comportarea,
aceast alegere devine i mai dificil. Alegerile referitoare la valorile acestor parametrii pot
avea un impact major asupra performanei algoritmului. n cazul GA, acest lucru a fost
exemplificat n (Bck, 1993) i (Ochoa, 2000). Alegerea parametrilor optimi pentru un singur
algoritm pentru rezolvarea unei singure probleme de optimizare este deja o problem nontrivial. DeJong a ncercat s gseasc parametri optimi pentru GA care s funcioneze pentru
orice problem, ns, dei unele dintre aceste valori sunt n prezent utilizate ca valori implicite
pentru GA, n cele mai multe cazuri, acestea necesit a fi adaptate pentru fiecare instan a
problemei vizate, pentru a obine o performan optim a algoritmului (De Jong, 1975).
Modificarea acestor parametri se poate face n dou moduri: prin tuning si prin control.
Tuningul parametrilor este cea mai des ntlnit opiune, care caut valorile cele mai potrivite
ale acestor parametrii naintea nceperii optimizrii. Aceste valori rmn fixe pe ntreaga durat
a rulrii algoritmului.
59

Controlul parametrilor
Cnd valorile parametrilor sunt schimbate n timpul execuiei unui algoritm, trebuie s fie
definite unele reguli care guverneaz aceast schimbare.
Exist mai multe abordri diferite pentru aceasta:
Control determinist: O regul determinist este folosit pentru a se adapta valorile
parametrilor de comportament fr s reacioneze la vreun feedback de la procesul de cutare.
Aceste reguli se bazeaz de obicei pe timp sau pe numrul de iteraii.
Control adaptiv al parametrilor: Cnd o regul de adaptare este implementat, feedback-ul de
la procesul de cutare este utilizat pentru a controla modul n care valorile parametrilor se
schimb. De exemplu, dac algoritmul detecteaz c diversitatea populaiei devine prea sczut,
aceasta ar putea crete valoarea operatorului de mutaie i viceversa. Regula 1/5 in ES este un
exemplu de control al parametrilor de adaptare.
Controlul auto-adaptiv al parametrilor: Auto-adaptarea este inspirat de ideea de evoluie.
Parametrii sunt codai n cromozomii indivizilor i se supun acelorai mecanisme ca indivizii,
i anume mutaia, recombinarea, i selecia. Indivizii cu fitness mare rspndesc cromozomii
lor n rndul populaiei cu o probabilitate mai mare, astfel nct valorile bune ale parametrilor
sunt folosite mai des. Ele se pot schimba, de asemenea, n timp datorit mutaiei. Totui, aceast
abordare este posibil numai pentru parametrii la nivel de individ, cum ar fi valoarea mutaiei.
La nivel de populaie, parametrii cum ar fi mrimea populaiei sau operatorul de selecie nu pot
fi adaptai n acest fel.
Tuningul parametrilor
Chiar dac controlul parametrilor are avantajele sale, este mult mai complex problema gsirii
unor reguli i metode care s poat adapta o valoare-parametru ntr-un mod care mbuntete
performana unui algoritm, dect determinarea n avans a unei valori a unui parametru.
Metodele de control al parametrilor sunt, de asemenea, n cea mai mare parte adaptate pentru
parametrii cu valori reale. Cnd vine vorba de alegerea operatorilor potrivii pentru un algoritm,
tuningul parametrilor este frecvent utilizat. Cu toate acestea, alegerea valorilor parametrilor
rmne o sarcin complex, care necesit ca un utilizator sa aib experien i o nelegere
profund n interdependenele parametrilor i a impactului acestora.

60

Metodele de ajustare a parametrilor pot fi clasificate dup cum urmeaz:


Ad-Hoc: Pentru alegerea valorilor parametrilor, muli utilizatori se bazeaz pe convenii i
valori implicite (Smit, 2009). Bazat pe valorile implicite, valorile parametrilor sunt variate pn
cnd se atinge o performan acceptabil. Problema este c uneori valorile optime ale
parametrilor difer foarte mult de la valorile implicite. n plus, numrul de repetiii pentru o
parametrizare testat este adesea prea sczut. Ct de bine funcioneaz aceast abordare
depinde de experiena utilizatorului, ns aceasta este, de obicei, o abordare foarte rapid.
Experimental: Efectuarea de experimente sistematice cu diferite setri de parametri este o
abordare mai tiinific. Cu toate acestea, ncercarea tuturor valorilor diferite ale parametrilor
i combinaiilor acestora este imposibil n cele mai multe cazuri. Acest lucru conduce la
reducerea combinaiilor sau doar la variaia parametrilor individuali. Optimizarea parametrilor,
unul cte unul, mai mult ca sigur nu conduce la setrile optime, deoarece majoritatea
parametrilor tind s aib efecte asupra altor parametri. Bartz-Beielstein a dedicat o carte
ntreag pentru domeniul de testare i cercetare experimentala n calcul evolutiv (BartzBeielstein, 2005).
Meta-optimizarea: O alt abordare de control al parametrilor este de a vedea cutarea pentru
parametrii optimi ca o problem de optimizare n sine. Din aceast perspectiv, cutarea pentru
setri optime are mult n comun cu problemele tradiionale de optimizare. Valorile pentru un
set de variabile de intrare (valorile parametrilor), trebuie s fie gsit pentru a maximiza calitatea
atunci cnd e evaluat (n timpul execuiei algoritmului). Interdependenele variabilelor de
intrare i efectele lor asupra calitii soluiilor sunt cunoscute i spaiul de cutare este foarte
mare. Pentru a rezolva aceast problem de optimizare, un algoritm de optimizare este aplicat
ca un optimizator meta-nivel. Acest concept este numit meta-optimizare.

61

8 RESTRICIILE DE PROIECTARE I FUNCIA OBIECTIV


Un set de valori atribuit variabilelor de proiectare reprezint o soluie de proiectare care
definete o structur. Dac structura respectiv ndeplinete condiiile pentru care a fost
proiectat, aceasta este o structur fezabila. Condiiile care trebuie s le ndeplineasc o
structur ca s fie fezabil poart numele de restricii de proiectare. Numrul de restricii al
unei probleme nu este obligatoriu s fie egal cu numrul variabilelor de proiectare. n
majoritatea cazurilor, numrul restriciilor de proiectare este mai mare dect numrul
variabilelor de proiectare.
n proiectarea structural se ntlnesc dou tipuri de restricii: restricii de comportament i
restricii de mrginire. Restriciile de comportament sunt date de condiiile de rezisten i
rigiditate impuse structurii, care permit acesteia s-i ndeplineasc rolul pentru care a fost
proiectat. Tensiunile echivalente von Mises reprezint un exemplu tipic de condiii de
comportament n proiectarea structural (echa).
Restriciile de mrginire provin din condiiile de limitare a unor variabile de proiectare.
Restriciile de proiectare se noteaz cu rk (k=1...K) i se pot exprima explicit n funcie de
variabilele de proiectare x.
Restriciile de comportament determin domeniul n care se face proiectarea. Ele pot fi
formulate pentru o comportare a structurii n domeniul elastic i n acest caz proiectarea se face
n domeniul elastic. Dup cum este cunoscut, n cazul solicitrii n domeniul elastic, structurile
au o important rezerv de capacitate portant pe care proiectarea n acest domeniu nu o poate
utiliza. Dac restriciile de proiectare sunt formulate prin intermediul criteriilor de plasticitate,
proiectarea optimal se face n domeniul plastic.
Funcia obiectiv este o funcie f(x), definit ca o funcie de variabile de proiectare (ce figureaz
i n restriciile de proiectare) care este extremizat n cadrul procesului de optimizare.
Greutatea (sau volumul) unei structuri este un exemplu tipic de funcie obiectiv. Alegerea
funciei obiectiv reprezint unul din cele mai importante aspecte ale procesului de
optimizare. Construirea modelului matematic al unei probleme de optimizare impune o
cunoatere temeinic a comportrii sistemului studiat. Scrierea incorect a unei condiii sau
omiterea unor condiii importante pot conduce la obinerea unor rezultate inaplicabile n
proiectare, dei din punct de vedere matematic acestea pot fi juste.

62

Exist situaii n care funcia obiectiv este constituit din dou sau mai multe valori cantitative.
n asemenea situaii se definete o funcie obiectiv compus. Astfel dac f1(x) i f2(x) sunt dou
funcii obiectiv ale unei probleme, se poate defini o funcie obiectiv compus de forma
() = 1 1 () + 2 2 ()

unde 1 i 2 sunt constante de pondere.


Restriciile rk (k=1...K) i funcia obiectiv f(x) reprezint modelul problemei de optimizare
formulat. n cadrul unui proces de optimizare, funcia obiectiv este extremizat n vederea
gsirii combinaiilor de variabile de proiectare pentru care aceasta capt valori maxime sau
minime.
Dac se consider o funcie obiectiv
= (1 , 2 )
dependent de dou variabile, graficul acesteia este dat de suprafaa .
Intersecia acestei suprafee cu plane paralele cu planul orizontal (x10x2), d natere unor
contururi nchise, care proiectate n planul orizontal formeaz o familie de curbe circumscrise
i. Curbele rezultate din secionarea suprafeei cu plane mai apropiate de planul orizontal
sunt situate n interiorul curbelor corespunztoare unor nlimi de secionare mai mari, dac
suprafaa admite un punct de minim. Dac suprafaa ar admite un punct de maxim,
dispunerea acestor curbe ar fi invers.

8.1 FUNCII-OBIECTIV GLOBALE


O funcie obiectiv global definete modul n care obiectivul global depinde de parametrii de
design i cum va fi influenat de modificrile valorilor variabilelor de design. ns, ca
proprietate global, va fi independent de coordonate spaiale. Funcia obiectiv global este
formulat astfel nct valoarea sa minim absolut s corespund obiectivului, sau celei mai
bune soluii referitor la obiectiv,
min{f(x)},
iar dac obiectivul este maximizarea unei proprieti cum ar fi volumul V, funcia obiectiv va
lua fie forma f(x)=-V(x) ori f(x)=1/V(x). n contextul utilizrii tehnicilor algoritmilor
evoluioniti, funcia obiectiv este numit funcie fitness.

63

Restriciile sunt exprimate prin funcii de restricie, care sunt mprite n egaliti g i
inegaliti h:
() 0,

= 1, ,

() = 0,

= 1, ,

Inegalitile formeaz hiperplanuri n spaiul de cutare mprindu-l n regiuni fezabile i


regiuni nefezabile, unde restriciile sunt nclcate. Att timp ct vectorul variabilelor de
optimizare este ndreptat spre o regiune fezabil, inegalitile sunt inactive i nu restricioneaz
cutarea. Inegalitile devin active cnd restriciile sunt nclcate sau e atins starea limit
() 0.
Restriciile tip egalitate sunt ntotdeauna active.
Problemele de optimizare multicriterial pot fi reduse la probleme de optimizare cu o funcie
obiectiv scalar prin formularea unei probleme substitutive cu o funcie de preferin p astfel
nct
min [()],

Astfel nct
[()] = min\ [()].

[Eshenauer] citeaz variate formulri ale funciilor de preferin dintre care menionez suma
ponderat a obiectivelor:

[()] = 1.
=1

Dac sunt considerate dou sau mai multe criterii de design, respectivele funcii obiectiv pot fi
minimizate simultan. Aceste proceduri se numesc optimizare multicriterial, optimizare
vectorial sau optimizare multiobiectiv. n practic, mai multe tipuri de rspuns structural sau
moduri de cedare trebuie considerate n procesul de design, iar aici intervine relevana acestui
tip de optimizare. Forma care o ia problema este:
min {()|() = 0, () 0},

Unde () este numit vectorul funciilor obiectiv ale variabilelor de design


64

1 ()
() { }.
()
La un anumit stagiu al procesului de optimizare se observ c o continuare a minimizrii uneia
dintre funciile obiectiv determin creterea valorii unei alte funcii. Situaia descris se
numete conflict de obiective deoarece niciuna dintre soluii nu permite optimizarea simultan
a tuturor obiectivelor.
Un vector se numete Pareto-optim dac i numai dac nu exist nici un vector pentru
care
() ( ) {1, , }
() < () {1, , }.

Dac toate obiectivele sunt convexe, un set de soluii Pareto-optimale poate fi generat prin
rularea unei secvene de probleme scalare substitut unde funciile de preferin acoper un
interval de valori potrivit pentru factorii de ponderare w. Dac unul sau mai multe obiective nu
sunt convexe, setul Pareto-optim poate fi greu de generat.

8.2 METODE DE TRANSFORMARE I PSEUDO-OBIECTIVE


Gsirea minimului unei funcii obiectiv cu restricii complic i mai mult procesul de meninere
a soluiilor candidat n zona fezabil. Algoritmii existeni pentru cutare fr restricii pot fi
utilizai pentru rezolvarea problemelor cu restricii care sunt supuse unor anumite transformri.
Printre acestea se numr metoda penalizrilor i metoda multiplicatorilor.
Metodele de penalizare transform funcia obiectiv () i funciile de restrictie i ntr-o
funcie obiectiv transformat fr restricii explicite. Funcia devine un pseudo-obiectiv i
este obinut prin adugarea la a funciei de penalizare care este compus din restricii i
parametrii de penalizare .
(, ) = () + (, (), ()).
Funcia poate fi definit ori prin metoda punctului exterior ori metoda punctului interior.
Un exemplu de aplicare a metodei punctului exterior este utilizarea penalizrii ptratice astfel
nct nclcarea restriciilor este penalizat:
65

(, ) = {max[0, ()]} + { ()}2 .


=1

=1

Astfel, dintre restriciile (), doar cele active sunt considerate n formulare. Prin adugarea
acesteia la () rezult o funcie fr restricii al crei punct de minim se afl n afara regiunii
fezabile, de unde se trage i denumirea metodei. Prin creterea valorilor parametrului de
penalizare minimul se deplaseaz tot mai aproape de zona fezabil din spaiul de cutare dar
nu poate s o ating.
O metod de penalizare de punct interior rezult din selectarea unei forme pentru care s
foreze punctele staionare ale (, ) s fie fezabile. Acestea se mai numesc metode de barier,
deoarece penalizarea formeaz o barier de valori la limita regiunii fezabile. Deoarece
pstrarea restriciilor poate fi esenial pentru obinerea de soluii sigure de design, este
preferat aceast metod de gsire a soluiilor mbuntite n interiorul domeniului fezabil.
Pentru restriciile sub form de inegaliti, este penalizat apropierea de zona nefezabil,
nainte chiar de nclcarea restriciilor. Aceasta se poate obine, de exemplu, prin factorul de
penalitate invers:

=1

=1

1
(. ) =
+ { ()}2 .
()
Prin reducerea valorii lui punctul de minim al obiectivului transformat se deplaseaz mai
aproape de zona nefezabil sau de minimul restricionat.
Soluiile aflate aproape de minimul restricionat pot fi obinute prin utilizarea de valori foarte
mari respectiv foarte mici pentru factorii de penalizare R sau R', i minimizarea pseudoobictivelor pentru aceste valori, ns pseudo-obiectivele sunt distorsionate n comparaie cu
obiectivele originale. Metodele de cutare ale pseudo-obiectivelor sunt n general create s
funcioneze pentru funcii obiectiv care se comport asemntor funciilor cuadratice. Acestea
pot s eueze cnd sunt aplicate funciilor pseudo-obiectiv foarte distorsionate rezultate n urma
aplicrii parametrilor de penalizare cnd minimul este foarte aproape de punctul minim
restricionat. De aceea, problema de optimizare cu restricii este rezolvat printr-un sir de
subprobleme fr restricii, n care parametrii de penalizare sunt adaptai la fiecare pas. Prin
metoda punctului exterior, parametrului i sunt atribuite valori mici, uneori zero la primul
pas, i majorate succesiv n paii urmtori. Pentru metoda punctului interior, se ncepe cu o
valoare mare a lui care este progresiv sczut. Este ns inevitabil ca subproblemele generate
66

s devin progresiv ru-condiionate, astfel nct, la un moment dat, iteraia s fie ncheiat nu
datorit gsirii unei aproximaii suficient de bune pentru punctul de minim restricionat, ci
datorit eurii algoritmului de cutare.

67

9 MODELARE PARAMETRIC
Problema de optimizare include restricii, criterii de calitate i funcia obiectiv care trebuie
minimizat sau maximizat n funcie de variabilele de proiectare. n general, variabilele
determin direct geometria i proprietile unei structuri (Valery, 1999).
Modelarea parametric poate oferi o soluie, n contextul descris, la problema numrului mare
de variabile necesare descrierii unei structuri. Modelele parametrice sunt capabile s descrie
geometrii complexe utiliznd un numr relativ redus de variabile, lsnd totodat loc pentru o
marj mare de variaie. Software-uri care permit acest tip de manipulare a datelor structurale
au fost dezvoltate - Generative Components (Bentley Systems), Grasshopper (Robert NcNeel),
Digital Project (Gehry Technologies - Dassault Systemes) special pentru tehnici de modelare
parametric la ndemna inginerilor i arhitecilor.
Aceste soluii care pot fi explorate cu ajutorul modelrii parametrice pot fi ns n numr foarte
mare, iar problema devine gsirea n rndul acestora a celor mai bune din punct de vedere al
performanelor dorite. Pentru acest tip de cutare, algoritmii genetici sunt foarte potrivii,
datorit capacitii modelului parametric de a utiliza un numr relativ mic de variabile.
Termenul parametric i are originea n matematic, dar exist opinii divergente despre data
exact cnd a nceput s fie utilizat de ctre proiectani. David Gerber [2007], n teza de
doctorat intitulat Parametric practice, citeaz pe Maurice Ruiter ca fiind primul care
utilizeaz termenul ntr-o lucrare din anul 1988 cu titlul Parametric Design.
n sensul utilizat astzi de matematicieni, parametric semnific un set de ecuaii care exprim
un set de cantiti ca funcii explicite de un numr de variabile independente, cunoscute ca
parametri [Weisstein, 2003]. Aceast definiie subliniaz dou criterii importante: o ecuaie
parametric exprim un set de cantiti cu un numr de parametri; i rezultatele (setul de
cantiti) sunt legate de parametri prin funcii explicite. Un exemplu de ecuaie parametric
este formula ce descrie o curb catenar:

Aceste dou formule ntrunesc criteriile menionate deoarece exprim un set de cantiti (x i
y) n termeni de un numr de parametri (a, care controleaz forma curbei, i t, care controleaz
locul de pe lungimea curbei unde se afl punctul). n acelai timp rezultatele (x i y) sunt legate
68

de parametrii (a i t) prin funcii explicite (nu exist ambiguitate n relaia dintre aceste
variabile). Aceasta este originea termenului parametric: un set de cantiti exprimate ca funcie
explicit de un anumit numr de parametri.
Utilizarea ecuaiilor parametrice n modelarea structurilor este cel mai bine cunoscut prin
proiectele lui Gaudi, dar este cel mai bine ilustrat de modelul lniorului [Burry, 2011].
Gaudi folosete acest principiu la designul capelei Colnia Gell prin crearea unui model
rsturnat al capelei folosindu-se de sfori de care atrna greuti. Datorit principiului lui Hooke,
sforile vor gsi poziiile de echilibru n forma care, inversat, va fi n compresiune pur.
Modelul lniorului are toate componentele unei ecuaii parametrice. Comparat cu utilizarea
anterioar a ecuaiilor parametrice, de matematicieni, inovaia modelului lui Gaudi const n
calcularea automat a rezultatelor parametrice (n schimbul calculului manual al soluiilor
formulei parametrice a curbei catenare, Gaudi a derivat automat forma acestora prin utilizarea
ncrcrilor gravitaionale asupra sforilor). Aceast metod a calculului analog a fost mai
departe dezvoltat de Frei Otto, care a inclus, printre altele, suprafee minime obinute cu
ajutorul baloanelor de spun i cile minime obinute cu ln ud.
Modelarea parametric trebuie s permit proiectantului s exploreze o varietate de soluii
[Teresko, 1993]. Acest lucru este posibil prin manipularea direct a parametrilor i prin
modificarea relaiilor ce compun modelul. Modelele parametrice permit ca deciziile s fie luate
trziu n procesul de design, acest fapt fiind unul dintre cele mai interesante caracteristici ale
modelrii parametrice.
Ipek Dino [2012] argumenteaz c script-urile sunt inerent parametrice, notnd faptul c
sistemele parametrice se bazeaz pe principii algoritmice deoarece un algoritm ia un set de
valori de intrare, execut o serie de pai computaionali care transform datele de intrare, i
produce un alt set de valori ca ieiri. Interfeele de codare nu au observat o dezvoltare
semnificativ de la introducerea AutoCAD n proiectare, ns n ultima decad s-a observat
emergena unei noi forme de interfee de codare, interfaa vizual.
Programarea vizual se bazeaz pe reprezentarea programelor nu ca text ci ca diagrame.
n arhitectur a fost introdus primul limbaj de programare vizual cnd Robert Aish a nceput
testarea variantei beta a Generative Components cu cteva firme de arhitectur n 2003.
Rhinoceros (Rhino) este un program comercial de modelare 3D pe baz de geometrii NURBS,
dezvoltat de Robert McNeel & Associates.
69

Ca multe alte aplicaii de modelare, Rhino utilizeaz limbaje de scripting, bazate pe Visual
Basic iar Grasshopper permite modelarea de componente n C#,Visual Basic i Python. David
Rutten a creat pentru McNeel versiunea proprie a acestui mediu, n 2007, numit Explicit
History, nume schimbat mai apoi n Grasshopper.
Ambele medii de programare sunt bazate pe grafuri care reprezint relaiile dintre parametri,
prin funcii definite de utilizator. Modificrile aduse parametrilor sau relaiilor modelului
determina propagarea schimbrilor prin funciile explicite i actualizarea automat a
rezultatelor finale. Astfel, acestea reprezint o metod eficient de creare a modelelor
parametrice.

9.1 MODELAREA DATELOR N GRASSHOPPER


Grasshopper nu folosete, spre deosebire de alte medii de programare, nici un nume de obiect
pentru a defini un obiect. Acest lucru poate suna banal, dar este una dintre diferenele cele mai
fundamentale fa de un mediu de programare tradiional. n Grasshopper obiectul sau obiectele
sunt plasate ntr-o list. Diferitele liste de date sunt organizate ntr-o structur de date arbore n
care fiecare ramur i coninut de date a ramurei s aib un numr de index. Accesarea obiectul
este astfel mai problematic dect ntr-un mediu obinuit de scripting. Grasshopper dispune de
diferite instrumente pentru a remedia aceast problem. Aceste instrumente sprijin editarea i
selectarea coninutului listei i editarea structurii de arbore de date. Cunoaterea acestor tehnici
este esenial pentru utilizarea eficient a Grasshopper. Parametrizarea designului nseamn
definirea variabilelor de design i a parametrilor de design fici. Variabilele de design pot

70

descrie configuraia structurii, caracteristici cantitative cum sunt caracteristicile secionale,


grosimi ale pereilor, forme i proprietile materialului.

Figura 9.1 Clasificarea problemelor de optimizare pentru structuri articulate plane n termeni de variabile de

design, conform Eschenauer.

Aa cum am prezentat n capitolul 4 Forme de optimizare structural, optimizarea structurilor


poate fi clasificat n funcie de tipul variabilelor de design. n cadrul modelrii parametrice,
aceste variabile de design iau forma de parametrii, cu valori cuprinse ntre o limit inferioar
i una superioar, ce trebuie cunoscute naintea nceperii procesului de optimizare. Lund n
considerare o structur articulat plan, i pornind de la [Schmit, 1963] [Olhoff, 1983],
variabilele de design pot fi mprite n urmtoarele clase indicate n Fig. 9.1.
a. Forma constructiv. Determinarea celei mai bune forme presupune optimizarea fiecrui
model luat n considerare i compararea soluiilor optime rezultate.
b. Topologia. Topologia sau aranjarea elementelor n structur este n cele mei multe cazuri
descris de parametri care pot fi modificai doar n pai de valori discrete. Topologii diferite
mai pot fi obinute prin eliminarea de noduri i a elementelor de legatur. Este notabil metoda
de optimizare topologic introdus de Bendsoe i Kikuchi [Bends, 1988].
c. Proprietile materialului. Acestea, n cazul materialelor de construcie cum sunt oelul sau
aluminiul descriu rigiditatea cu ajutorul modulului lui Young i a coeficientului lui Poisson,
rezistena prin tensiunea maxim admisibil sau alte limite de tensiuni, sau greutatea n funcie
de greutate specific sau densitatea materialului. Designerul poate adesea selecta cel mai
71

potrivit material dintr-o selecie de aliaje i uneori poate decide dac oelul, aluminiul sau alt
tip de aliaj este cel mai potrivit pentru a satisface cerinele obiectivului de design. Toate aceste
alegeri sunt de natur discret, ceea ce duce la un set discret de variabile de design cuprins n
baza de date. Excepie o fac laminatele din materiale compozite anizotropice care pot avea
variabile continue n funcie de orientarea fibrelor.
d. Geometria i forma. Geometria cadrelor sau fermelor este descris de coordonatele nodale.
Forma corpurilor solide e dat de suprafeele care le definesc.
e. Condiii de rezemare i ncrcri. Designul poate fi mbuntit prin modificarea condiiilor
limit.
f. Dimensiuni. Pentru structuri de tip bare, ferme, grinzi, plci sau membrane i modelele lor
FEM, pot fi folosite ca variabile de design grosimea, aria seciunii, momentul de inerie, etc.
Este importanta distincia ntre variabile de design independente i variabile dependente. Cnd
geometria seciunii este exprimat printr-o variabil, proprietile enumerate mai sus sunt
dependente de aceasta. Optimizarea dimensional conduce de obicei la probleme de optimizare
discrete datorit valorilor dimensionale discrete ale seciunilor comerciale disponibile.
9.1.1

Formularea obiectual n procesul de calcul

Exist dou metode principale de utilizare a arborilor de ctre componentele create i


folosite n studiul de fa. Pentru definirea geometriei, legturilor, proprietilor fizice ale
materialelor, ncrcrilor, etc., sunt utilizate componente, care funcioneaz ca un schelet
pentru arhitectura programului. Componentele pot lucra pe seturi de obiecte (denumite
ramuri), sau pot s combine elemente din mai multe intrri. Desigur, combinaii din mai
multe componente avansate sunt de asemenea posibile, dar, pentru claritate, voi ncepe cu
cele dou opiuni principale:

Componente care lucreaz pe ramuri de la o singur intrare. n primul caz, componenta


va funciona numai pe datele de pe aceeai ramur din acelai arbore. De exemplu, o
polilinie utilizeaz datele unei serii de puncte de pe o singur ramur pentru a defini
polilinia. Deci, pornind de la coninutul unei ramuri este generat o polilinie i astfel
pentru fiecare ramur a arborelui va fi creat o polilinie. Exist un singur canal de intrare
pentru punctele necesare pentru a defini polilinia.

Componente care lucreaz pe ramuri de la mai multe intrri. Exemplul cel mai simplu
este componenta care genereaz linii utiliznd input de la dou puncte. Diferena

72

fundamental fa de prima opiune este c avem nevoie ntotdeauna de dou intrri i


dou structuri de date care vor interaciona la acelai nivel de ramur.
Pentru a explica felul n care este definit o problem n mediul de programare vizual
Grasshopper, de aici nainte numit GH, voi utiliza un exemplu de problem structural simpl.
Figura prezint configuraia structurii:
Grinda este articulat la ambele capete, ncrcat la mijloc, i
avnd o dimensiune variabil n intervalul 10 L 20 [m].
Modelul parametric n GH poate varia prin valorile introduse i
astfel se obin diferite modele structurale. Avem dou variabile: lungimea grinzii i ncrcarea,
astfel modelul este simplu. Utiliznd variabile de tip <slider> se introduce dimensiunea n metri
i valoarea ncrcrii n kN. Geometria i topologia structurii sunt acum definite i lungimea
grinzii poate fi controlat. Este definit punctul de ncrcare la jumtatea barei apoi toate aceste
variabile intr n componenta de asamblare a structurii.

Este definit apoi tipul de material (in cazul de fa oel s235), iar din baza de date cu seciuni
este aleas o valoare.

73

Sunt definite tipul de sprijiniri la capetele barei i valoarea ncrcrii la mijlocul barei (pentru
care am setat limite [25,50] kN).

Urmtorul pas, dup definirea complet a structurii, este analizarea acesteia. Este aleas o
analiz static pentru configuraia curent a modelului parametric.

Rezultatele sunt apoi extrase i vizualizate, iar pe baza acestora se poate trece la urmtoarea
etap configurarea modulului de optimizare.

74

n cazul structurilor mai complexe au fost folosite urmatoarele funcii, pentru identificarea
punctelor de interes (sprijin, ncrcare):
Tree Branch (TB) identificarea elementelor incluse ntr-o ramur anume a arborelui de date

Aceast component va prelua toate elementele dintr-o ramur de index specificat dintr-un
arbore de date. Acest lucru este util n stadiile iniiale ale unui proiect pentru debugging i / sau
atunci cnd este necesar vizualizarea de date care aparin unei ramuri anume i pentru a vedea
cum ramurile sunt ordonate n 3D.
Tree Item (Ti) identificarea unui singur element dintr-o ramur specificat din arborele de
date

75

Aceast component va prelua un anumit element dintr-o anumit ramur de date dintr-un
arbore. Se comport similar cu componenta de ramur n modul n care se acceseaz ramurile
unui arbore de date, dar preia numai elementul solicitat (cu ajutorul unui indice de baz zero)
de la arborele solicitat. Din nou, acest lucru este util pentru debugging i vizualizarea datelor
3D.

9.1.2 Crearea funciei fitness


Despre importana funciei fitness
Adesea, partea cea mai dificil n utilizarea unui algoritm evoluionist n probleme de
optimizare este definirea funciei fitness. Problemele cel mai adesea analizate au un numr
relativ mare de variabile ce trebuie determinate. Uneori aceste variabile lucreaz mpreun i
prin mbuntirea uneia rezult mbuntirea celorlalte, alteori sunt complet independente
unele de altele sau chiar funcioneaz n mod competitiv. Putem avea adesea funcii care le
dorim minimizate respectiv maximizate sau optimizate n jurul unei valori absolute. Pentru
formularea aceasta nu exist nici o regul. Trebuie doar gasit o funcie fitness care combin
cele trei valori. Forma general poate lua urmtoarea form:
F = -X + Y Abs(Z const)
Unde X este valoarea ce se dorete minimizat, Y este valoarea ce se dorete maximizat, iar
Z este valoarea ce tinde spre valoarea absolut constant. La aceasta poate fi necesar
adugarea de factori de penalizare pentru a evita ca una dintre variabile s fie mult mai
puternic dect celelalte.
76

Se dorete o normalizare a componentelor funciei fitness, adic asigurarea valorii fitness cea
mai bun i valorii fitness cea mai slab pentru fiecare component s fie aceeai.
Dac utilizm exemplul anterior, avnd funcia compus din valorile X, Y si Z. X va fi
maximizat, Y minimizat i Z se dorete optimizat la valoarea absolut de 15. Mai tim c
valoarea lui X poate varia ntre 10 i 500, Y poate varia ntre 0.1 i 0.8 iar Z ntre 5 i 60.

n aceste condiii, cea mai bun valoare fitness va fi pentru {X=10, Y=0.8, Z=15} i cea mai
slab va fi {X=500, Y=0.1, Z=60}.
Aceste proprieti ale problemei pot fi exprimate n forma tabelar:
X {min = 10; max = 500; interval = 490; valoare tinta = 10}
Y {min = 0.1; max = 0.8; interval = 0.7; valoare tinta = 0.8}
Z {min = 5; max = 60; interval = 55; valoare tinta = 15}
Intervalul de variaie e important deoarece ofer informaii legate de influena variabilei n
cadrul ntregii funcii. n mod tipic se urmrete ca toate variabilele s aib un grad de influen
egal. Asta nseamn c funcia fitness va avea nevoie de introducerea unor factori de
penalizare pentru a aduce toate valorile ce intr n componena ei n intervalul {0.0, 1.0}.
Noua funcie va lua urmtoarea form:
f = -((X-10) / 490) + ((Y-0.1) / 0.7) - Abs((Z-15) / 55)

Regulile acestor transformri pot fi exprimate n modul urmtor:

Semnul din faa fiecarei variabile indic strategia ce va fi aplicat: (+) maximizare, (-)
minimizare sau optimizare asta n cazul n care algoritmul utilizat nu are alte setri de
tip min/max.

Daca dorim optimizarea unei variabile, atunci funcia fitness este definit ca Abs(x - c),
unde x este variabila iar c este constanta int. Altfel spus, optimizarea este echivalentul
minimizrii diferenei dintre variabil i valoarea int.

Este necesar o centrare a variabilelor la valoarea zero (sau o alt constant numeric,
ns spre zero este cel mai simplu), prin scderea valorii minime pe care o pot lua.

77

Variabilele trebuie normalizate pe domeniul {0,1} sau un alt domeniu constant, prin
mprirea variabilei centrate la intervalul domeniului.

n cazul unor funcii liniare (caz rar ntlnit), valorile nainte de normalizare arat n felul
urmtor:

Prin normalizare, factorii de penalizare ai acestei valori se grupeaz astfel:

De obicei, valoarea minim respectiv maxim a unei componente a funciei fitness nu poate fi
dedus din formularea problemei. n acest caz, o metod de a le gsi este prin ncercarea a ct
mai multor combinaii i nregistrarea modificrilor intervalului.
n cazul ideal exist o ntelegere aprofundat a problemei ce se dorete rezolvat, i aceste
valori pot fi cel puin aproximate.
Cnd ncercm s modelm o structur, n general lum n considerare urmatoarele variabile:
(V) Volumul,
(M) tipul de Material i implicit greutatea i proprietile de rezistena i comportare elastic,
(U) Gradul de utilizare al elementului (se dorete evitarea irosirii de material),
(D) Limitarea deplasrilor i deformaiilor structurii,

78

(C ) Minimizarea costurilor - care pot depinde, pe lng consumul de material, de tipul


conexiunilor, complexitatea structurii (topologia) care poate duce la o durat mai lung a
procesului de construcie i a necesitii utilizrii unor unelte i utilaje mai costisitoare.
Am numit aceste cinci proprieti V, M, U, D, i respectiv C. V va fi codat ca o singur valoare
scalar. Unele dintre aceste proprieti sunt, cel puin parial, interdependente. O cretere n
volum va rezulta ntr-o cretere a greutii (G), i respectiv a consumului de material i costului
total. ns e probabil ca acest fapt s determine o reducere n deplasri i deformaii. Practic ne
confruntm cu cinci fore care trag de soluie n direcii diferite.
Cea mai direct formulare a funciei fitness (pe care dorim s o minimizm) poate arta n felul
urmtor:
F = G(V,M) - U + D + C,
Unde semnul din faa variabilelor determin dac variabila respectiv se dorete a fi minimizat
sau maximizat. Dei funcia poate arta simplu, progresia algoritmului nspre o soluie poate
fi dificil. Ceea ce nu rezult din formularea de mai sus este relaia dintre variabilele incluse n
funcia fitness i acele variabile de intrare (genele) cu care i permitem algoritmului s lucreze.
Aceste relaii vor fi n cele mai multe cazuri complicate i interdependente. n cazul prezentei
formulri generale se pot trage urmtoarele concluzii, bazate pe unele cunotine preliminare
despre formularea problemei:
-

Toate aceste variabile sunt tratate n mod egal, ceea ce este foarte probabil n
dezavantajul nostru, deoarece toate aceste variabile au uniti de msur diferite.
Volumul poate fi exprimat n m3, greutatea n tone sau kN, deplasrile n cm, gradul
de utilizare sub form de procent iar costul fr unitate de msur.

Funcia este linear. Asta nsemn c un volum mic poate fi rspltit cu un fitness
foarte bun iar deplasrile pot fi inacceptabile.

Pentru a rezolva aceste neajunsuri pot fi introdui factori n funcia fitness care s aduc
variabilele pe un teren comun. Dac lum de exemplu volumul i gradul de utilizare, V va lua
valori ntre 0.01 m3 i volumul pentru structura luat n calcul, dat de seciunea cea mai mare
zeci de mii de m3, iar gradul de utilizare variaz ntre 0 i 1 (pentru ipoteza utilizrii la limit).
Aceast diferen mare poate duce la ignorarea complet a criteriului de utilizare a elementului.
Pentru a preveni acest lucru se poate introduce un factor de multiplicare.

79

Descrierea algoritmului genetic


Selecia. Selecia natural determin direcia fondului genetic prin alegerea indivizilor crora
li se permite s se reproduc. n cazul rezolvrii problemelor cu algoritmi evoluioniti se
utilizeaz o anumit form de selecie artificial. Nu sunt utilizate noiuni de gen (feminin sau
masculin) n forma utilizat de calculator. Exist doar un set mic de operatori de selecie, ns
acetia par s fie eficieni. Selecia isotropic, sau uniform este cea mai simpl form a
operatorului, i este de fapt o lips a seleciei, tuturor indivizilor permindu-li-se s se
reproduc.

Figura 9.2 Selecie de tip uniform, exclusivist i prtinitoare.

Dei pare o strategie de selecie ineficient, deoarece nu face nimic spre a spori evoluia
fondului genetic, ea are precedent n natur (polenizarea prin vnt, nmulirea coralilor).
Selecia uniform are rolul de a reduce viteza de convergen a populaiei, i astfel protejeaz
mpotriva unei colonizri premature a unui punct de optim local posibil inferior. Selecia
exclusivist, unde doar cei mai buni N% indivizi sunt copiai n fondul de reproducere. Acei
indivizi selecionai au probabilitate mare sa aib urmai multipli. Un alt tipar de selecie
ntlnit frecvent n natur este Selecia prtinitoare, unde ansa de a se reproduce a unui individ
e proporional cu valoarea sa fitness comparat cu a celorlali. Aceasta poate fi amplificat
prin utilizarea unor funcii de putere pentru a aplatiza sau exagera curba.
Cuplarea. S-ar prea c cea mai bun opiune ar fi un echilibru ntre reproducerea n mediul
genetic familial i cea cu indivizi foarte diferii din punct de vedere genetic prin selectarea
indivizilor nici prea ndeprtai nici prea aproape unii de alii. n Galapagos acest factor variaz
intre (-100% i +100%, n totalitate cei mai apropiai/ndeprtai).

80

Genomul este reprezentat pe o hart. Aceasta conine toi indivizii dintr-o anumit populaie ca
puncte pe un grid. Distanta dintre dou genoame pe grid este aproximativ analoag cu distana
dintre genoame n spaiul de gene, n msura n care se poate
aproxima distana pe o hart. Un singur genom este definit de
un numr de gene, iar n cazul de fa toate genoamele speciei
au acelai numr de gene. Astfel distana dintre dou genoame
este o valoare n-dimensional, unde n este numrul de gene.
Este imposibil reprezentarea precis a norului de puncte ndimensionale pe o suprafa bidimensionala, astfel nct harta
genomului este doar o aproximare grosier, care reprezint aproximativ ct de
similare/apropiate sunt dou puncte.
mperechere. Genele n Galapagos sunt stocate ca i variabile floating point, care pot lua valori
ntre doua extreme definite.
Pentru generarea urmailor, la nivel genetic, procesul biologic este extrem de complicat i el
nsui supus evoluiei (de ex. genele evolueaz s afecteze procesul de meioz i ii
mbuntesc astfel ansele s fie transmise urmailor). Varianta digital este mult mai simpl,
parial datorit faptului c genele algoritmilor evoluioniti nu sunt
foarte similare genelor biologice. n mod ironic, genele biologice sunt
mult mai digitale dect cele programatice. Aa cum Mendel a
descoperit n 1860, genele nu sunt cantiti variabile continue. Acestea se comport ca un
ntrerupator electric (mazrea obinut de Mendel prin ncruciarea populaiilor diferite a
rezultat n procente diferite de indivizi cu trsturi motenite de la prini, nu cu mazre parial
neted i parial striat). Algoritmii evoluioniti, ns fac exact acest lucru prin interpolarea
genelor. Galapagos are mai multe mecanisme de transmitere parial a genelor.
Dac sunt considerate dou genoame a cte patru gene fiecare, ntr-un proces simetric (fr
determinarea genului individului) exist urmtoarele posibiliti de ncruciare: Crossover
unde progenitura motenete un numr de gene de la mam i restul de la tat. Aceast metod
funcioneaz bine cnd prinii sunt similari. Dac se consider c genele din fiecare dintre
genoame trebuie sa coopereze pentru a da o valoare fitness bun, nu are logic combinarea
aleatoare a acestora. Interpolarea calculeaz valori noi pentru gene, fcnd o medie ntre
valorile prinilor n locul copierii lor. O alt variant a acestui operator este interpolarea
preferenial, unde valorile genelor printelui cu valoarea fitness mai mare sunt mai dominante.
81

Figura 9.3 Crossover, interpolare genetic i interpolare preferenial

Mutaia. O metod des utilizat de reprezentare a punctelor multi-dimensionale pe un mediu


bidimensional este desenarea lor ca o serie de linii care conecteaz diferite valori pe un set de
abscise verticale. Fiecare abscis reprezint o singur dimensiune. n acest fel pot fi
reprezentate uor nu doar puncte cu orice numr de dimensiuni, ci i puncte cu numr diferit
de dimensiuni pe acelai grafic. n exemplu avem un genom format din cinci gene (un punct n
spaiul cu 5 dimensiuni) care definete aceast specie anume. Poziionarea lui G0 la o treime
nseamn c valoarea este la o treime ntre limita inferioar i cea superioar pentru gena
respectiv. Printre beneficiile acestui tip de grafic se numr uurina identificrii unor subspecii ntr-o populaie, i a unor indivizi izolai. Cnd este aplicat mutaia asupra genomului,
se observ o modificare n grafic, deoarece fiecare genom are un grafic unic.

Figura 9.4 Reprezentare grafic a modificrii genomului prim


mutaia unei singure gene.

82

10 IMPLEMENTAREA

STRATEGIILOR

DE

OPTIMIZARE

STRUCTURAL CU ALGORITMI GENETICI


10.1 PROGRAMUL ELABORAT N PLATFORMA MATLAB
A fost dezvoltat pentru a rezolva problemele de optimizare folosind algoritmii genetici simpli.
Pentru soluionarea restriciilor s-au folosit programe de element finit, elaborate n MATLAB.
Obiectivul optimizrii este reducerea greutii structurilor metalice plane i spaiale, alctuite
din bare articulate i supuse la restricii de deplasri i tensiuni. Optimizarea structurilor
spaiale alctuite din bare articulate spuse la restricii de deplasri i tensiuni, variind
coordonatele nodurilor i seciunile barelor.
Pentru analiza rezultatului obinut dup rezolvarea problemei, sunt generate dou grafice care
prezint soluia optim, valoarea soluiei optime, timpul de rulare, numrul de generaii i
viteza de convergen. Primul grafic reprezint valoarea diversitii pentru fiecare generaie,
utiliznd ca marker distana medie ntre indivizi. n al doilea grafic sunt reprezentate mediile
valorilor fitness i soluia optim pentru fiecare generaie.

Figura 10.1 Evoluia valorilor funciei fitness i a diversitii populaiei n timpul unei rulri tipice.

10.1.1 Probleme testate

Cadrul plan i structura articulat plan

Problema a fost formulat dup cum urmeaz, pentru o structur definit de M noduri i N bare
cu ariile seciunilor: Ai, i=1,2,,N. Toate ariile Ai compun vectorul x al parametrilor de
optimizare:
x [ A1 A2 ... AN ]T

( 10-1)

Problema consta n calcularea vectorului x pentru care greutatea minim W a cadrului sau
grinzii cu zbrele este obinut:
83

A L

( 10-2)

i i

i 1

Pentru restriciile de tensiuni i deplasri date:


i 0i

1 i N

u i u 0i

1 i M

( 10-3)

n ecuaia (10.3), 0i i u0i sunt limitele superioare pentru valorile admisibile ale tensiunilor i
deplasrilor, respectiv.
Restriciile legate de rezisten i stabilitate sunt luate din EN 1993: Design of steel structures
i implementate n algoritm. Rezistena de proiectare pentru seciuni este calculat:

N c , Rd

Af y

M0

( 10-4)

Si ncrcrile aplicate structurii:


= (, . ; ,1 .1 ; , 0, . )

( 10-5)

Unde:
design load ncrcare de calcul
Partial coefficient coeficient parial
Permanent action aciuni permanente
Variable action - aciuni variabile

Coefficient variable action coeficient al aciunilor variabile

Algoritmul de optimizare
Dei exist o mulime de implementri diferite ale algorimilor evoluioniti (EA), conceptul de
baz al aa-numitului EA canonic reprezint modelul tuturor acestora. Procesul de selecie
utilizat favorizeaz indivizii cu cele mai mari valori ale funciei fitness fa de candidaii cu
valori sub medie. Indivizii noi sunt creai prin copiere i aplicarea operatorilor genetici de
variaie mutaie i recombinare. Aceti pai sunt repetai pn la ndeplinirea condiiei de
terminare a algoritmului numrul maxim de generaii este atins sau variaia soluiei candidat
celei mai bune ramne neschimbat pentru un anumit numr de iteraii.

84

Population size

300

Crossover parameter

0.7

Mutation parameter

0.1

Maximum number of iterations

100

Tabel 10-1: Valorile parametrilor algoritmului genetic utilizat.

Problema analizat are un singur obiectiv ns este supus unui numr arbitrar de restricii.
Numrul parametrilor de optimizare determin dimensiunea genotipului i a spaiului de
cutare. O funcie fitness care atribuie rigiditii, rezistenei i greutii evaluate din modelul
FE o valoare fitness unic este definit i testat pe un cadru cu 8 elemente, o structur articulat
plan cu 9 bare i una spaial cu 120 elemente. Din 20 de rulri au fost alese cele mai bune 5
i valorile sunt prezentate n tabel.

Prima problem: cadru 8 bare 8 noduri


Problema are 8 variabile reprezentate de seciunile elementelor.

Figura 10.2 Structur cu 8 bare.

ncrcrile pe structur:
Bar

Uniformly distributed load


Permanent loads

Live Loads

S now Loads

Wind Loads

-2.5

85

-10

-15

-6

-10

-15

-5

-5

-2.5

-10

-15

-6

Tabel 10-2 ncrcri problema 1.

Bar

Profiles
Run 1

Run 2

Run 3

Run 4

Run 5

IPE 120

IPE 140

IPE

IPE 140

IPE 120

IPE 200

IPE 160

IPE 300

IPE 360

IPE 140

IPE 140

IPE 330

IPE 330

IPE 120

IPE 120

IPE 180

IPE 160

IPE 330

IPE 390

1152.5

1240.7

120
2

IPE 180

IPE 200

IPE
180

IPE 330

IPE 270

IPE
330

IPE 140

IPE 180

IPE
180

IPE 330

IPE 330

IPE
330

IPE 140

IPE 140

IPE
140

IPE 200

IPE 200

IPE
200

IPE 330

IPE 330

IPE
330

Total

1193.9

1200.4

1217.5

weight
Tabel 10-3 Profile alese de algoritm

86

Figura 10.3 Cel mai bun individ.

Figura 10.4 Convergena algoritmului.

Structura a fost verificat cu ajutorul programului Autodesk Robot Structural Analysis. O


greutate total de 1466 kg a fost obinut, n comparaie cu soluia de 1152 kg obinut utiliznd
programul creat n MATLAB.

87

A doua problem: grinda cu zbrele 9 bare 6 noduri

Figura 10.5 Structura nr. 2 9 bare.

Problema are 9 variabile reprezentate de seciunile elementelor.

Nodes
Permanent

Live

Snow

Loads

loads

loads

-50

-75

-30

-75

-112.50

-45

-25

-37.5

-15

Tabel 10-4 ncrcri pe structur.

Bar

Profiles
Run 1

Run 2

Run 3

Run 4

Run 5

IPE 80

IPE 80

IPE 80

IPE 80

IPE 80

IPE 80

IPE 80

IPE 80

IPE 80

IPE 80

IPE 300

IPE 300

IPE 300

IPE 300

IPE 300

88

IPE 300

IPE 330

IPE 300

IPE 300

IPE 330

IPE 180

IPE 180

IPE 140

IPE 140

IPE 140

IPE 300

IPE 300

IPE 300

IPE 300

IPE 300

IPE 180

IPE 140

IPE 140

IPE 200

IPE 140

IPE 300

IPE 300

IPE 300

IPE 300

IPE 300

IPE 180

IPE 220

IPE 140

IPE 160

IPE 140

Total

1402.25

1456.0

1402.25

1414.6

1436.8

weight
Tabel 10-5 Profile alese de algoritm.

Figura 10.6 Convergena algoritmului.

89

Figura 10.7 Cel mai bun individ.

Utiliznd Autodesk Robot Structural Analysis s-a obinut o structur cu o greutate total de
1403 kg apropiat de valoarea de 1402 kg a soluiei obinute utiliznd algoritmul implementat
n MATLAB.

Problema a 3-a: structur articulat spaial 120 bare 49 noduri

Figura 10.8 Structura nr. 3 120 bare.

Problema are 120 de variabile reprezentate de seciunile elementelor.

90

Bar

Total

Profiles
Run 1

Run 2

14008.1

15080.4

Run 3

Run 4

14941.6 14466.9

Run 5
14953.9

weight
Tabel 10-6 Greutatea soluiilor obinute.

Figura 10.9 Convergena algoritmului.

Figura 10.10 Cel mai bun individ.

91

MATLAB dispune i de Genetic Algorithm and Direct Search Toolbox care permite
utilizarea algoritmilor genetici ntr-un domeniu amplu de probleme. Acest toolbox include
multiple opiuni n ceea ce privete parametrii programului, ca de exemplu operatori variai de
selecie, crossover i mutaie, o interfa grafic interactiv, reprezentarea grafic a curbei de
convergen i a indivizilor. De asemenea, datorit faptului c algoritmii sunt scrii n limbajul
MATLAB, utilizatorul poate inspecta i modifica aceste fiiere i poate crea funcii
personalizate.
Pentru a putea aplica acest GA toolbox unei probleme de optimizare, funcia MATLAB trebuie
sa fie implementat cu o reprezentare specific problemei, s aib un sistem propriu de codare
genotip/fenotip, o metod de evaluare a funciei fitness i a funciei de penalizare.

10.2 PROGRAME CU FORMULARE PARAMETRIC


n formularea problemelor uni- i multi-obiectiv de optimizare a topologiei, datorit minimelor
locale care apar, metodele iterative de cutare local nu sunt foarte eficiente. Pe de alt parte
algoritmi de optimizare global pot deveni prea scumpi, datorit numrului mare de variabile
de proiectare. Pentru e rezolva acest neajuns sunt propuse n literatura de specialitate un numr
de metode hibrid. Un exemplu tipic este metoda hibrid propus n (Kaminakis, 2012), care
este bazat pe algoritmi de optimizare global, cum este Particle Swarm Optimization (PSO)
i Differential Evolution (DE), i folosind o metod iterativ de cutare local ca instrument de
evaluare. n lucrarea de fa, metoda iterativ de cutare local se bazeaz pe discretizarea
spaiului de cutare cu seciuni de oel din industrie.
Funcia fitness descris mai jos a fost implementat n Grasshopper, un plug-in pentru Rhino.
Structura a fost analizat cu ajutorul unor componente din Karamba, o bibliotec FEM.
Optimizarea s-a bazat pe utilizarea de algoritmi evoluioniti din Galapagos Evolutionary
Solver i Force Flow Finder, ambele fiind biblioteci de algoritmi pentru Gragghopper.
Karamba este ncorporat n mediul parametric al Grasshopper. Acest fapt face uoar
combinarea modelelor parametrice, calculului cu element finit i a algoritmilor de optimizare,
comunicarea ntre aceste componente i biblioteci fiind fcut prin programare vizual.

92

Valoarea fitness a structurii a fost calculat pe baza greutii. Optimizarea tensiunilor a fost
realizat prin adoptarea de tensiuni admisibile maxime pentru material, iar deplasrile au fost
limitate prin penalizare. Funcia fitness adaptat din [Hayalioglu,2001], este definit ca:
= (1 + + )

( 10-6)

Unde (dW) i (sW) sunt constante de penalizare pentru deplasari i tensiuni i sunt nmulite
cu valorile nclcrilor restriciilor de tensiuni i deplasri (dV) i (sV).
Valorile acestora sunt calculate conform (6.2) i (6.3).

=
=1 =1 ,

( 10-7)

=
=1 =1 ,

( 10-8)

Magnitudinile nclcrii restriciilor de deplasare (Dl,n) respectiv tensiune (sl,n) sunt nsumate
pe toate cazurile de ncrcare (NL), noduri (NN), i elemente (NE) unde este aplicabil. Pentru
a asigura c doar nclcrile limit contribuie la presiunea mediului de selecie, au fost utilizate
formulele (10-9) i (10-10).
, = {0, (

, = {0, (

1)}

1)}

( 10-9)
( 10-10)

Valoarea limit a deplasrii pentru fiecare nod este (dLIM=5 cm) iar limita tensiunilor (sLIM)
pentru fiecare element este definit ca rezistena ultim a materialului (S235). Setul de funcii
fitness necesit patru valori obinute din analiza structural: greutate, tensiuni, deplasri i
nivelul de utilizare a elementelor.
O valoare de penalizare este folosit pentru determinarea importanei condiiilor limit. Am
folosit valoarea 15.5 i au rezultat structuri care nu depesc restriciile impuse.
Dac valoarea acestor coeficieni de penalizare este prea mic structurile rezultate pot frecvent
depi limitele domeniului fezabil. ns, dac acestea sunt prea mari, structura converge spre o
form suboptim datorit presiunii selective crescute. Valoarea fitness ajustat (scalat) este
utilizat pentru a ierarhiza indivizii din populaie, care este apoi folosit la selecia exclusivist
pe baz de rang. Aceste seturi de ecuaii rezult ntr-o valoare pozitiv ce depinde de
magnitudinea nclcrilor. Nu se vor rsplti valori ale modelelor care nu ncalc restriciile
deoarece deplasrile i tensiunile sunt invers proporionale cu greutatea, astfel nct rspltirea
acestor valori va determina generarea de structuri grele i rigide datorit valorilor fitness mari.
n general, valoarea fitness a unei structuri este egal cu greutatea structurii (n cazul ideal),
sau mai mare dect greutatea acesteia.
93

10.2.1 Probleme testate


GA codat n Galapagos pare s nu dea rezultate optime chiar i atunci cnd problema are o
form simpl. Se observ o convergen prea rapid sau lipsa unei convergene (gsete o
soluie admisibil dar mai apoi nu gasete optimul). Pentru a gsi soluia optim algoritmul a
fost rulat de mai multe ori, pentru aproximativ 300 de generaii. Populaia utilizat a fost de 50
de indivizi, cu o populaie iniial dubl, i o valoare mic pentru recombinare pentru a preveni
convergena prematur. Rezultatele obinute au fost mbuntite prin utilizarea SA (clirii
simulate) pentru gsirea unei soluii suficient de bune, care mai apoi este preluat ca punct de
plecare pentru GA. Folosirea algoritmilor evoluioniti n tandem a dat rezultate bune i n
cazul altor tipuri de probleme de optimizare dificile, ntlnite n literatur. Amintesc aici
folosirea a DE (Differential evolution), PSO si GA pentru optimizarea de controllere fuzzy
pentru structuri inteligente (smart structures) cu rezultate superioare fa de metodele fuzzy
clasice, sau metode fuzzy utiliznd doar unul dintre algoritmii menionai (M. Marinaki, 2012).
10.2.1.1 Problema 1: Structur articulat cu 10 bare
Este utilizat des n literatur pentru testarea algoritmilor - valorile variabilelor sunt luate din
cataloage de profile, incluznd 1407 tipuri de profile (IPE, HEA, HEB, FRQ, RR). Structura
este ncrcat n nodurile 0 i 2 cu o for de 444.5 kN. Modulul de elsticitate utilizat E=21000
kN/cm2, fy=23.5 kN/cm2, densitate gamma=78.5kN/m3, corespund materialului S235.

Figura 10.11 Structura cu 10 bare benchmark i rezultatele obinute.

94

Figura 10.13 Rezultatele obinute i convergena ambilor algoritmi.

Figura 10.12 Figura arat rezultatele obinute cu algoritmi genetici i clire simulat i indivizii cei mai buni din ultima
rulare.

Am folosit urmtoarele setri pentru algoritm:


Pentru a putea compara rezultatele cu cele din
literatur am folosit caracteristicile materialului
pentru a corespunde cu cele ale aluminiului i am
obinut urmtoarele rezultate:

95

Optimizare seciuni

Nr de seciuni:
Tip sectiune:

161 Material: aluminiu


FRQ - Germany

Greutate

[]

name

cm2

Gradul de
kg

utilizare

0.513997 250/12

108

0.259248 25/2

1.74

0.832915 300/12.5

137

0.472309 250/12

108

0.058265

0.470402 30/2.5

2.59

0.470574 130/12

50.5

Tensiune maxim

0.673392 300/12.5

137

[kN/cm2]

0.603933 300/12.5

137

-7.53E+00

0.467466 260/12

113

0.472036 30/2.5

2.59

2381.370974

Deplasare
maxim

Optimizare topologie si seciuni

Dupa 10 rulri:
96

Nr de seciuni:
Tip sectiune:

161 Material:

aluminiu

FRQ - Germany

Greutate

[]

name

cm2

Gradul de
kg

utilizare

2269.881531

0.542538 220/12.5

97

111.489443

0.330339 25/2

1.74

0.617334 300/12.5

137

0.508859 250/12

108

0.456701 40/4

5.35

0.571945 175/8

51.2

Deplasare
maxim
m
0.058813

Tensiune maxim

0.6953 300/12.5

137

[kN/cm2]

0.602216 300/12.5

137

-7.79E+00

0.53988 300/10

113

0.542164 40/4

5.35

Dupa 50 de rulri:

97

Nr de seciuni:
Tip sectiune:

161 Material: aluminiu


FRQ - Germany

Greutate

[]

name

cm2

Gradul de
kg

utilizare

0.501367 250/12

108

0.238805 25/2

1.74

0.734319 300/12.5

137

0.494745 250/12

108

0.060367

0.55887 25/3

2.41

2242.254415

Deplasare
maxim

0.557218 140/8

40

Tensiune maxim

0.675176 300/12.5

137

[kN/cm2]

0.604441 300/12.5

137

-7.55E+00

0.519979 300/8

91.2

0.563083 30/2.5

2.59

Optimizare topologie, seciuni i eliminare elemente subutilizate (BESO)

O variaie a acestei structuri este obinut prin plasarea de elemente pe liniile de curgere a
forelor n structur, iar GA este utilizat concomitent pentru optimizarea seciunilor. Valorile
obinute pentru greutatea structurii variaz ntre 4100 kg i 6196 kg pentru condiiile impuse.

98

Figura 10.14 Rezultatele optimizrii cu Force Flow Finder (BESO) i GA.

99

Rezultat intermediar 3424 kg. De la valorile parametrilor acestei structuri am continuat spre
obinerea formei optime si greutii minime:
Nr de seciuni:
Tip sectiune:

161 Material: aluminiu


FRQ - Germany

Greutate

[]

name

cm2

Gradul de
kg

utilizare

0.546683 220/12

93.7

0.692004 300/12.5

137

0.529324 250/12

108

0.677305 300/12.5

137

0.060509

0.614507 300/12.5

137

0.514085 300/10

113

2055.949427

Deplasare
maxim

Tensiune maxim
[kN/cm2]
-7.58E+00

100

Tabel 10-7 Cel mai bun rezultat gsit pentru problema benchmark cu 10 bare din diferite surse, pentru optimizarea
seciunilor.

Sursa
(Rajeev

Greutate in lbs

Greutate in kg

& 5613.84

2546.39

(Coello Coello, 1994) 5586.59

2534.03

(Turkkan, 2003)

5491.71

2490.99

(Kripka, 2004)

5490.74

2490.55

(Sousa, 2003)

5525.04

2506.11

Studiul prezent

5250.022

2381.37

Krishnamoorthy,
1992)

101

Figura 10.15 Forma optim a structurii conform literaturii (aceeai form a fost gasit
pentru valoarea minim a greutii in studiul prezent).

Figura 10.16 Rezultate obinute pentru niveluri diferite de discretizare.

102

10 bare
Deplasare maxim

Strategia

Greutate

Gradul de utilizare mediu

Optimizare seciuni

2381.370974

0.058265

0.5236272

2269.881531

0.058813

0.5407276

2242.254415

0.060367

0.5448003

2055.949427

0.060509

0.595651333

Optimizare topologie si
seciuni
Optimizare topologie si
seciuni (50 rulri)
Optimizare topologie si
seciuni + BESO

STRUCTURA 10 BARE

0.061

2500

0.0605

2400

0.06

[m]

0.0595

2200

0.059

[kg]

2300

2100

0.0585

2000

0.058

1900

0.0575
0.057

1800
1

2
Greutate

Deplasare maxima

10.2.1.2 Problema 2: Grinda cu zbrele cu 9 bare


Structura plan cu zbrele alctuit din 6 noduri i 9 bare, care a fost optimizat n programul
n platforma Matlab este acum optimizat n programul conceput n Grasshopper. Metalul
folosit este oel S235. Structura este ncrcat cu o for vertical distribuit avnd valoarea
variabil 10-50 kN i greutatea proprie. Pentru optimizarea acestei structuri, din punct de
vedere al volumului, se impun restricii asupra tensiunilor din bare, deplasrii maxime i
gradului de utilizare a elementelor.

103

Figura 10.17 Structura articulat plan cu 9 bare.

ncrcare

Volum [m3]

Masa [kg]

Gravitaional

LC1

0.008579

67.344245

Distribuita

50kN

LC2

1.011998

7944.181896

25kN

LC3

0.522089

4098.396603

10kN

LC4

0.328378

2577.764055

Gravitaional
Distribuita
Gravitaional
Distribuita
Gravitaional

104

Bara

Gradul

de

Seciunea aleas

Gradul de utilizare

Seciunea aleas

RO31.8/6.3

0.984722

RO244.5/65

utilizare

0.985894

RO31.8/6.3

RO244.5/65

0.985894

L
C
3

0.989233

0.16512

RO10.2/0.5

0.964279

RO152.4/36

0.16512

RO10.2/0.5

0.99037

RO152.4/30

0.250521

RO10.2/0.5

0.987724

RO159/40

0.250521

RO10.2/0.5

0.984333

RO159/40

0.850783

RO10.2/0.5

0.980363

RO48.3/12.5

0.967245

RO22/5

0.966162

RO219.1/45

0.967245

RO22/5

0.964038

RO219.1/45

0.970314

RO219.1/30

0.972069

RO168.3/28

0.974894

RO219.1/30

0.977929

RO168.3/28

0.956374

RO127/20

0.978857

RO88.9/16

0.984627

RO127/17.5

0.97853

RO88.9/14.2

0.998711

RO127/25

0.970128

RO88.9/22.2

0.995325

RO127/25

0.964775

RO88.9/22.2

0.950214

RO42.4/7.1

0.94819

RO33.7/6.3

0.993732

RO168.3/50

0.974032

RO127/36

0.99145

RO168.3/50

0.994532

RO127/32

L
C
4

Optimizare geometrie i seciuni ale barelor: sunt introduse deschiderea grinzii i nlimea ca
variabile de design.
-

dimensiuni 2.00m pe 15.00m, LC1:

105

10.2.1.3 Problema 3: Structura cu 120 de bare


Structura articulat cu 120 de elemente optimizat cu Galapagos. Seciunea este fixat i
forma este optimizat sub restricii de deplasare. Structura este supus la ncrcri n 61 de
noduri cu valoarea de 100 kN.
Am cutat o soluie aproximativ cu SA apoi aceasta este folosit ca punct de plecare pentru
algoritmul evoluionist.

106

Optimizare seciuni i topologie

Poziiile nodurilor sunt introduse ca variabile n coordonate cilindrice.

107

Rezultat obinut dupa 10 rulri, funcia obiectiv incluznd doar masa structurii. Mai jos este
prezentat o rulare tipic, valorile obinute i convergena.

Am folosit apoi doar deplasarea ca obiectiv pentru a observa influena n cadrul funciei
obiectiv a acestei valori. Din nou sunt prezentate valorile obinute pentru variabile, valoarea
obiectiv i convergena.

108

109

Se observ c masa structurii crete de la 3584 kg la 6368.47 kg pentru o reducere a deplasrii


maxime de la 0.02 m la 0.0016 m. Plecnd de la cele dou extreme posibile, am introdus ambele
obiective n funcia fitness, fr penalizri.

110

Valori comparabile

SGA

Kaveh

Lee and Geem

Greutate [kg]

6233

8840

8898

10.2.1.4 Problema 4: Cadru multi-nivel


Varianta 1: 3 deschideri @ 7.315m si 4 niveluri @3.658 m

ncrcrile gravitaionale cu coeficient de multiplicare 2 i ncrcarea din vnt distribuit


uniform pe direcia x sunt luate n calcul. Materiale: Steel 'S235' E:21000[kN/cm2]
G:8076[kN/cm2] gamma:78.5[kN/m3] alphaT:1.2E-5[1/C] fy:23.5[kN/cm2], Steel 'S275'
E:21000[kN/cm2]

G:8076[kN/cm2]

gamma:78.5[kN/m3]

alphaT:1.2E-5[1/C]

fy:27.5[kN/cm2], Steel 'S355' E:21000[kN/cm2] G:8076[kN/cm2] gamma:78.5[kN/m3]

111

alphaT:1.2E-5[1/C]

fy:36[kN/cm2],

'Aluminum'

E:7000[kN/cm2]

G:2700[kN/cm2]

gamma:27[kN/m3] alphaT:2.4E-5[1/C] fy:12[kN/cm2].


La fel ca i n cazul structurilor studiate anterior, este formulat funcia fitness pentru problema
de fa cu coeficieni de penalizare adaptai la nivelul de influen al componentelor funciei
fitness. Am rulat algoritmul SA pentru funciile obiectiv simple de greutate i deplasare, pentru
a determina domeniul de variaie al valorilor i apoi am calculat coeficienii de penalizare
pentru funcia compus care vizeaz minimizarea greutii i deplasrilor i maximizarea
gradului de utilizare al elementelor.
Tipul de material i dimensiunile seciunilor de la care se pleac pentru cutarea local sunt
luate ca variabile n cutarea evoluionist.

112

113

CONCLUZII I DIRECII DE CERCETARE VIITOARE

n studiul de fa, motivaia analizrii comparate a celor dou tipuri de algoritmi genetici
(simplu, creat n Matlab pe baza bibliotecilor standard i hibrid creat n Grasshopper), a clirii
simulate (care este o cutare euristic single-point) i a algoritmului BESO, alturi de cutarea
local, a pornit de la o nevoie de a afla ce anume nseamn, pentru problemele cele mai frecvent
analizate n lucrrile de optimizare structural, compromisul no free lunch. Este n general
acceptat faptul ca nici un algoritm nu are o comportare superioara celorlali cnd este testat pe
probleme variate. n lucrare am prezentat studii parametrice pentru structuri articulate plane,
structuri articulate spaiale, cadre plane i spaiale ntlnite frecvent n practic i n literatura
de specialitate. Sunt testai diveri algoritmi evoluioniti pe probleme cu formulare multiobiectiv, i care au un numr de variabile ntre cteva zeci i cteva sute, n condiii diverse de
ncrcare. Am evaluat i am analizat critic formulrile funciilor fitness i apoi am propus o
strategie de formulare a acestora care s poat fi de ajutor n proiectarea optimal a structurilor.
Am constatat prin analizarea problemelor testate c adugarea mai multor obiective la o
problem de optimizare sporete exponenial complexitatea acesteia, lucru amintit i de ali
autori. n cazul designului structural, se dorete un rezultat care s fie, pe ct posibil, i uor i
rigid. Deoarece aceste dou obiective sunt conflictuale, trebuie s existe un compromis. Va
exista un design de greutate minim, un design de rigiditate maxim i un numr infinit de
soluii care sunt un compromis ntre greutate i rigiditate.
Aceste soluii care nu pot fi mbuntite din punctul de vedere al unuia dintre criterii fr a
influena negativ rezultatul altuia formeaz setul Pareto, i curba descris de aceste soluii cu
greutate i rigiditate pe axele de referin formeaz frontiera Pareto. Un design Pareto optim
nu este dominat de nici un altul, adic nici unul dintre celelalte nu au valori mai bune pentru
toate criteriile considerate. Alegerea aceasta este delegat decizionarului, care va alege soluia
preferat. Cu alte cuvinte, a defini o problem ca multi-obiectiv semnaleaz lipsa unor
informaii legate de aceasta. Obiectivele dorite sunt tiute dar nu i detaliul combinrii lor. n
unele cazuri, aceast informaie poate fi dedus printr-un calcul interactiv.
Adesea problemele de optimizare sunt multi-modale, adic au un numr multiplu de soluii
bune. Pot fi soluii bune global (aceeai funcie obiectiv) sau poate exista un amestec de soluii

114

bune locale i globale. Obinerea cel puin parial a acestora este scopul optimizrii multimodale.
Tehnicile de optimizare clasic, datorit metodei iterative utilizate, nu au o comportare
satisfctoare cnd sunt utilizate la obinerea de soluii multiple, nefiind garantat obinerea de
soluii diferite chiar i cu pornirea din soluii iniiale diferite la fiecare rulare a algoritmilor.
Algoritmii evoluioniti, pe de alt parte, sunt foarte populari n utilizarea lor la obinerea de
soluii multiple la probleme multi-modale.
Contribuii personale
Pornind de la stadiul actual n domeniul optimizrii structurilor, descrierea conceptului, a
tipurilor de optimizare posibile n domeniu, din punct de vedere al variabilelor alese i al
obiectivelor vizate, algoritmi utilizai n domeniu, metode de calcul i metode de modelare
alternative, teza trece n revist avantajele utilizrii optimizrii n proiectare.
Utilizarea tehnicilor de optimizare descrise duce la un proces de proiectare rapid, eficient, la
obinerea unui consum proiectat redus al materialelor, avantaje care trebuie speculate n
condiiile dezvoltrii actuale i ritmului alert de pe piaa construciilor .
Am descris o procedur de realizare a optimizrii structurale n MATLAB, i a posibilitilor
oferite de Global Optimization Toolbox, i codarea operatorilor proprii.
Utiliznd programele de optimizare n mediul de programare vizual parametric Grasshopper
(McNeel Rhinoceros), am descris o strategie de aplicare a doi algoritmi evoluioniti care
conduc la gsirea mai rapid a soluiilor bune. Am testat trei tipuri de optimizare structural:
topologic, geometric, secional.
Etapa de evaluare a indivizilor s-a realizat printr-o modelare numeric, folosind funcii fitness
dar exist posibilitatea alegerii unor soluii bune, chiar dac nu optime global, pe criterii estetice,
utilizatorul avnd astfel ultimul cuvnt de spus n alegerea soluiei finale.
Au fost efectuate studii teoretice i calculul unor structuri benchmark cu rezultate comparabile
cu cele din literatur.
Am studiat dimensionarea aceleiai grinzi cu zbrele pstrnd deschiderea i alternnd
parametrii care influeneaz dimensionarea i geometria.
Am realizat o analiz critic a performanelor diverilor algoritmi.

115

Direcii de cercetare viitoare


Optimizarea este o provocare pentru ingineri i arhiteci, i, dei s-au fcut un numr mare de
pai nspre introducerea ei n practica curent nc nu este adoptat de nespecialiti. Totui
accesul la algoritmi simpli este extrem de util att n calculul structurilor clasice ct i n
inovaia structurilor free-form. Din punct de vedere structural, pentru a garanta nivelul necesar
de fiabilitate, e nevoie de expertiza de specialitate n designul i construcia de morfologii freeform. Optimizarea este recomandat n procesul preliminar de design pentru a gsi cele mai
potrivite soluii n concordan cu funcia ateptat a structurii. Dar utilitatea strategiei de
optimizare este limitat de includerea unei analize avansate n procedur. Autoarea i dorete
s dezvolte n continuare soluiile de formulare a problemelor n domeniul plastic i
experimentarea cu formulri geometrice fractale (lucrare n curs de publicare).

116

BIBLIOGRAFIE
Anderson, S., 2004. Eladio Dieste: innovation n structural art. New York: Princeton
Architectural Press.
Arora, J. S. ,1989. Introduction to optimum design. McGraw-Hill, New-York.
Arora, J. S. ,1997. Guide to structural optimization. ASCE Manuals and Reports on
Engineering Practice No. 90.
Barakat SA, Altoubat S. Application of evolutionary global optimization techniques n the
design of RC water tanks. Eng Struct 2009;31(2):332_44.
Bartz-Beielstein, T. C. L. a. M. P., 2005. Sequential Parameter Optimization. IEEE, s.l.: s.n.
Bck, T., 1993. Optimal mutation rates in genetic search. In Proceedings of the fifth
International Conference on Genetic Algorithms, pp. 28. Morgan Kaufmann, s.l.: s.n.
Bends, M. & N., K., 1988. Generating optimal topologies n structural design using a
homogenization method. Computer Methods n Applied Mechanics and Engineering, Volumul
71, p. 197224.
Bletzinger. K-U i R. E., Structural optimization and form finding of lightweight structures,
Computers & Structures, vol. 79, pp. 2053-2062, 2001.
Buelow,v. P. et.al., Optimization of structural form using a genetic algorithm to search
associative parametric geometry.
Burry, Mark. 2007. Innovative Aspects of the Colnia Gell Chapel Project. n Gaud
Unseen: Completing the Sagrada Famla, edited by Mark Burry, 59-61. Berlin: Jovis
Burry, Mark. 2011. Scripting Cultures. Chichester: Wiley.
Camp CV, Pezeshk S, Cao G. Optimized design of two dimensional structures using a genetic
algorithm. J Struct Eng ASCE 1998;124(5):551_9.
Coello Coello CA. Theoretical and numerical constraint-handling techniques used with
evolutionary algorithms: A survey of the state of the art. Comput Methods Appl Mech Eng
2002;191(11_12):1245_87.

117

Coello Coello, C., 1994. Discrete Optimization of Trusses Using Genetic Algorithms. In Expert
Systems Applications and Artifficial Intelligence EXPERSYS-94.International Technology
Transfer Series, pp. 331-336., s.l.: s.n.
Colin , R. R. & Jonathan, E. R., 2002. Genetic Algorithms Principles and Perspectives. New
York: Kluwer Academic .
De Jong, K., 1975. An analysis of the behavior of a class of genetic adaptive systems. PhD
thesis, University of Michigan, s.l.: s.n.
Dino, Ipek. 2012. Creaive Design Exploration by Parametric Generative Systems n
Architecture. METU Journal of Faculty of Architecture 29 (1): 207224.
Dueck, G. and Scheuer, T. "Threshold Accepting: A General Purpose Optimization Algorithm
Appearing Superior to Simulated Annealing." J. Comp. Phys. 90, 161-175, 1990.
EN 1990:2002 (English): Eurocode - Basis of structural design [Authority: The European
Union Per Regulation 305/2011, Directive 98/34/EC, Directive 2004/18/EC]
Erbatur F, Hasancebi O, Tutuncil I, Kihc H. Optimal design of planar and space structures with
genetic algorithms. Comput Struct 2000;75:209_24.
Eurocode 3: EN 1993-1-1 Design of steel structures Part 1-1: general rules and rules for
buildings. s.l.:s.n.
Gallagher, R. H.,Gellatly,R.A.,"A procedure for automated minimum weight structural
design"-1.Theoretical basis, 2.Application, Aeronaut J.,1976.
Genetic Algorithm and Direct Search Toolbox 2.4.2. (2009). The MathWorks.. s.l.:s.n.
Gerber, David. 2007. Parametric Practices: Models for Design Exploration n Architecture.
PhD dissertation, Harvard University.
Gutkowski, W.,Bauer,J.,.a.Explicit formulation of Kuhn-Tucker necessary conditions n
structural optimization, Computers & Structures, vol.37, 1990.
H., E., N., O. & W., S., 1997. Applied Structural Mechanics. s.l.:Springer.
Hajela, P. 1990: Genetic search - an approach to the nonconvex optimization problem.AIAA J.
26, 12051210. s.l.:s.n.

118

Hayalioglu, M., 2001. Optimum load and resistance factor design of steel space frames using
genetic algorithm. Structural and Multidisciplinary Optimization, 21(4), pp. 292-299.
Heyman, Jacques. 1995. The Stone Skeleton: Structural Engineering of Masonry Architecture.
Cambridge: Cambridge University Press.
Hoenderkamp, J.C.D. i Snijder, H.H., Preliminary Analysis of High-Rise Braced Frames with
Facade Riggers, Journal of Structural Engineering, vol.129, no.5, May 2003, p.640647.
Hooke, Robert. 1675. A Description of Helioscopes, and Some Other Instruments. London:
Royal Society.
Hristache, P. & Veturia, C., 1981. Calculul Structurilor Optimle. Bucuresti: s.n.
Hulea, R., 2011. Cercetari Privind optimizarea structurilor la stadioane medii si mari,
Departamentul de Mecanica Construciilor, Universitatea Tehnica Cluj-Napoca.
Hulea, R., Nicoreac, M., Prv, B., & Petrina, B., 2011. Optimum design of outrigger and belt
truss systems using genetic algorithm, Structural Engineers World Congress, Como, Italy.
Ingber, L. "Simulated Annealing: Practice Versus Theory." Math. Comput. Modelling 18, 2957, 1993.
Iordchescu, A. 2001: Construcii inteligente, Editura Reg. Arcadia.
K., D. & S., G., 2001. Design of truss-structures for minimum weight using genetic algorithms.
Finite Elements n Analysis and Design, Volumul 37, pp. 447-465.
Kaminakis, N, G. E. Stavroulakis, 2012. Topology optimization for compliant mechanisms,
using evolutionary-hybrid algorithms and application to the design of auxetic materials, s.l.:
Composites Part B Engineering (Impact

Factor: 2.14).; 43(6):26552668. DOI:

10.1016/j.compositesb.2012.03.018.
Kaveh A, Abditehrani A. Design of frames using genetic algorithm, force method and graph
theory. Int J Numer Methods Eng 2004;61:2555_65.
Kaveh A, Rahami H. Analysis, design and optimization of structures using force method and
genetic algorithm. Int J Numer Methods Eng 2006;65(10): 1570_84.
Kaveh, A. & Talatahary, S., 2009. Particle Sworm Optimization, Ant Colony Strategy and
Harmony Search Scheme Hybridized for Optimization of Truss Structures. Computers and
Structures.
119

Kavlie,D.,Moe,J.,"Application of nonlinear programming to optimum grillage design with


nonconvex sets of variables",J.Numerical Meth. 4,1979.
Kirkpatrick,

S.;

Gelatt,

C. D.;

and

Vecchi,

M. P.

"Optimization

by Simulated

Annealing." Science 220, 671-680, 1983.


Kress, G. & Keller, D., 2007. Structural optimization, Zurich: Swiss Federal Institute of
Technology.
K-U, B. & E., R., 2001. Structural optimization and form finding of lightweight structures.
Computers & Structures, Volumul 79, pp. 2053-2062.
Kripka, M., 2004. Discrete Optimization of Trusses by Simulated Aneealing, Journal of the
Brazilian Society of Mechanical Sciences and Engineering, Vol. XXVI, No. 2, s.l.: s.n.
Kuhn, H. W.; Tucker, A. W. ,1951. "Nonlinear programming". Proceedings of 2nd Berkeley
Symposium. Berkeley: University of California Press. pp. 481492. MR47303
Lagaros ND, Psarras LD, Papadrakakis M, Panagiotou G. Optimum design of steel structures
with web openings. Eng Struct 2008;30(9):2528_37.
Lee, K. S. & Geem , Z. W., 2004. A New Structural Optimization Method Based on the
Harmony searth Algorithm. Computers and Structures.
Leite ,J.P.B., B.H.V. Topping, Improved genetic operators for structural engineering
optimization, Advances n Engineering Software, Volume 29, Issues 79, AugustNovember
1998, Pages 529-562, ISSN 0965-9978, http://dx.doi.org/10.1016/S0965-9978(98)00021-0.
Lightweight wide span coverings, International Association for Wind Engineering, ANIV,
1990.
Liu, T. & Deng, Z., 2006. Design optimization for truss structures under elasto-plastic loading
condition. Acta Mechanica Solida Sinica, 19(3), pp. 264-274.
M. Majowiecki: Snow and wind experimental analysis n the design of long span subhorizontal
structures, J. Wind Eng. Ind. Aerodynamics, 1998
M. Marinaki, G. Stavroulakis, 2012. "A Differential Evolution Algorithm for Fuzzy Control of
Smart Structures", Stirlingshire, UK, Paper 277, doi:10.4203/ccp.99.277: in B.H.V. Topping,
(Editor), "Proceedings of the Eleventh International Conference on Computational Structures
Technology", Civil-Comp Press.
120

Muller, S., 2002. Bio-inspired optimization algorithms for engineering applications.


Dissertation, s.l.: Swiss Federal Institute of Technology Zurich.
McNeel B., Rhino, http://www.rhino3d.com
Melanie, M., 1996. An Introduction to Genetic Algorithms. London: Massachusetts Institute
of Technology.
M.P., B. & N., K., 1988. Generating Optimal Topologies in Structural Design using a
Homogenization Method. Computer Methods in Applied Mechanics and Engineering,
Volumul 71, pp. 197-224.
Metropolis, N.; Rosenbluth, A. W.; Rosenbluth, M.; Teller, A. H.; and Teller, E. "Equation of
State Calculations by Fast Computing Machines." J. Chem. Phys. 21, 1087-1092, 1953.
Michalewicz, Z . Genetic Algorithms + Data Structures = Evolution Programs,
SpringerVerlag , 1996
Mitsuo, G., Runwei, C. & Lin, L., 2008. Network Models and Optimization Multiobjective
Genetic Algorithm Approach. London: Springer-Verlag London Limited.
Moses,F., Onoda,S., "Minimum weight design of structures",J. Numerical Meth. 4,1979.
Moses,F.,"Optimum structural design using linear programming",J.Str.Div.ASCE 90,1968.
Murren, P. C., 2011. Development and implementation of a design-driven harmony search
algorithm n steel frame optimization. Notre Dame, Indiana : University of Notre Dame.
M. Nicoreac, B. Prv, M. Petrina: Analysis of Tall Buildings with Braced Frames and
Outrigger Trusses, Acta Technica Napocensis: Civil Engineering & Architecture, ClujNapoca,
Romania, ISSN 1221-5848, http://construcii.utcluj.ro/ActaCivilEng/
M. Nicoreac, B. Prv, R. Hulea, B. Petrina: An Approximate Method of Analysis for Tall
Buildings Comprising Outrigger Braced Cores, Conferina Internaional DEDUCON,
11 noiembrie 2011, Iai, ISSN 2248-0293.
Ochoa, G. I. H. a. H. B., 2000. Optimal mutation rates and selection pressure in genetic
algorithms. In Genetic And Evolutionary Computation Conference, s.l.: s.n.
Olho, N. & J.E., T., 1983. On structural optimization.. J. Applied Mechanics, Volumul 50, p.
11391151.

121

Otten, R. H. J. M. and van Ginneken, L. P. P. P. The Annealing Algorithm. Boston, MA:


Kluwer, 1989.
P., v. Buelow. & et.al., fr an Optimization of structural form using a genetic algorithm to
search associative parametric geometry, s.l.: s.n.
Petrina, M., 1982. Probleme ale Optimizrii proiectrii structurilor alctuite din bare. ClujNapoca: s.n.
Petrina, M., Ctrig, A., .a., 2007, Statica construciilor n formulare matriceal, Editura U.T.
Press.
Petrina, M. , B. Prv, M. Nicoreac, .a., Comparative Study of a Tall Building using Equivalent
Column and FEM, Conference Proceedings of the IASS-IABSE "Taller, Longer, Lighter Meeting Growing Demand with Limited Resources" 2011 Symposium, 20-23 Septembrie
2011, Londra, Marea Britanie, http://www.iabse-iass-2011.com/.
Petrina, M., Ctrig, A. i S.a., Statica Construciilor n Formulare Matriceal, Editura U.T.
Press, 2007.
B. Prv, M. Nicoreac, M. Petrina, T. Petrina : Results of the Romanian researchers from Cluj
Napoca concerning high-rise structures, Acta Technica Napocensis: Civil Engineering &
Architecture, Vol. 53, No. 1, (2011),Cluj-Napoca, Romania, UTPRESS, ISSN 1221-5848,
http://construcii.utcluj.ro/ActaCivilEng/
Pezeshk S, Camp CV, Chen D. Design of nonlinear framed structures using genetic algorithms.
J Struct Eng ASCE 2000;126(3):382_8.
Popa, R. Cercetari privind elaborarea unor noi metode de testare a structurilor numerice,
Teza de doctorat , Universitatea "Dunarea de Jos" din Galati , 1998 .
Poterasu, V. F. & Florea, N., 1984. Practica Optimizatii Structurilor. Iasi: Editura Junimea.
Rahami H, Kaveh A, Gholipour Y. Sizing, geometry and topology optimization of trusses via
force method and genetic algorithm. Eng Struct 2008;30(9):2360_9.
Rajeev S, Krishnamoorthy CS. Discrete optimization of structures using genetic algorithms. J
Struct Eng ASCE 1992;118(5):1233_50.
Randy, L. H. & Sue, E. H., 2004. Practical Genetic Algorithms. New Jersey: Publeshed by
John Wiley & Sons.
122

Robert McNeel & Associates, 2012. Available at: http://www.rhino3d.com/features/.


Robot, usa.autodesk.com/robot-structural-analysis-professional/
Roe sset, Jose M. , Hon.M., James T. P. Yao, State of the Art of Structural Engineering, 2003
Romstad, K.,Wang,C.,"Optimum design of framed structures", J.Str.Div.ASCE 94, 1978.
Rozvany, G.,Structural optimization, Springer-Verlag, Heidelberg, 1999.
Rutten D., Grasshopper, www.grasshopper3d.com
Saka MP, Kameshki ES. Optimum design of multi-story sway steel frames to BS 5950 using a
genetic algorithm. n: Topping BHV, editor. Advances n engineering computational
technology. Civil-Camp press; 1998. p. 135_41.
SAP 2000, www.csiberkeley.com/sap2000.
Schmidt, L.A., Fox, R.L., "An integrated approach to structural synthesis and analysis", AIAA
J. 6, 1975.
Schmit, L. & R.H., M., 1963. Structural synthesis and design parameters. Hierarchy. s.l.,
Journal of the Struct. Division, Proceedings of the ASCE, 89:269299, 1963..
Sivanandam, S. N. & Deepa, S. N., 2008. Introduction to Genetic Algorithms. Berlin: SpringerVerlag Berlin Heidelberg.
Smit, S. a. A. E., 2009. Comparing parameter tuning methods for evolutionary algorithms. In
IEEE Congress on Evolutionary Computation, pp.399406, s.l.: s.n.
Sousa, F. V. V. R. F., 2003. Generalized Extremal Optimization for Solving Complex Optimal
design Problems. Presented in: Genetic and Evolutionary Computation Conference (GECCO2003), Chicago, Illinois USA, pp. 1-11, s.l.: s.n.
Structural Design Of Retractable Roof Structures, IASS working group n16, WIT Press, 2000
Teresko, John. 1993. Parametric Technology Corp.: Changing the way Products are
Designed. Industry Week, December 20.
Thompson, D. W., 1917. On Growth and Form. s.l.:Cambridge University Press.
Tsui, E., 1999. Evolutionary architecture: nature as a basis for design. N.Y.: John Wiley.
Turda, Dan. 2003. Aspecte priving optimizarea structurilor reticulate. Cluj-Napoca : Teza de
doctorat.
123

Turkkan, N., 2003. Discrete Optimization of Structures Using a Floating Point Genetic
Algorithm, Proceedings of the Annual Conference of the Canadian Society for Civil
Engineering,Moncton, Nouveau-Brunswick, Canada, pp. GCM-134-1/8, s.l.: s.n.
V. Fiacco/G. P. McCormick, Nonlinear Programming: Sequential Unconstrained Minimization
Techniques. XIV + 210 S. m. Fig. New York/London/Sydney/Toronto 1969.
Valery, V. V., 1999. Optimal Design Theory and Applications to Materials and Structures.
Lancaster: Technomic .
Vanderplaats, G., 1984. Numerical Optimization Techniques for Engineering Design: with
Applications. s.l.:McGraw-Hill: Series n Mechanical Engineering.
Wang D. Optimal shape design of a frame structure for minimization of maximum bending
moment. Eng Struct 2007;29(8):1824_32.
Weisstein, Eric. 2003. CRC Concise Encyclopedia of Mathematics. Second edition. Boca
Raton: Chapman &amp; Hall/CRC.
X. Huang and Y.M. Xie, Evolutionary Topology Optimization of Continuum Structures:
Methods and Applications, John Wiley & Sons, Chichester, England, 2010, 235 pp., ISBN:
9780470746530.
Y.M. Xie and Grant .P. Steven, 'A simple evolutionary procedure for structural
optimization', Computers & Structures, Vol. 49, No. 5, pp 885-896, 1993.
Y.M. Xie and Grant .P. Steven, Evolutionary Structural Optimization, Springer-Verlag,
London, June, 1997, xii+188 pp., ISBN 3-540-76153-5.
Y.M. Xie, Z.H. Zuo, X. Huang, J.W. Tang, B. Zhao and P. Felicetti, Architecture and urban
design through evolutionary structural optimisation algorithms, Keynote Lecture
of International Symposium on Algorithmic Design for Architecture and Urban Design, Tokyo,
Japan, March 14-16, 2011, 11pp.
Zawlewski, Waclaw, and Edward Allen. Shaping Structures: Statics. New York: John Wiley
& Sons, Inc., 1998.

124

ANEXA 1
LUCRARI PUBLICATE
ing. Ioana Dorina BALEA

Ioana D. Balea , Radu Hulea, Georgios E. Stavroulakis. Implementation of Eurocode Load


Cases n Optimization Problems of Steel Frames, Based on Genetic Algorithms, February,
2013,

Applied

Mechanics

and

Materials,

310,

609,

DOI

10.4028/www.scientific.net/AMM.310.609

Ioana D. Balea, Adina M. Popescu, Georgios E. Stavroulakis. Parametric design and


optimization of steel roof trusses, 10th HSTAM International Congress on MechanicsChania,
Crete, Greece, 25 27 May, 2013

Ioana D. Balea, Radu Hulea, Georgios E. Stavroulakis. Discrete optimization approach for
steel frames and trusses, based on genetic algorithms SEECCM III 3rd South-East European
Conference on Computational Mechanicsan ECCOMAS and IACM Special Interest
Conference, Kos Island, Greece, 1214 June 2013

Popescu A. M, Balea I. D. Steel multi-story structures with added damping. A consumption


approach 13th International Scientific Conference VSU 2012, 6-7 June, 2013, Sofia,
Bulgaria- Proceedings.

Popescu A. M, Balea I. D. Optimal Steel Multi-Storey Structures. Added Damping vs.


Stiffness. C60 International Conference, 7-9 November,2013, Cluj-Napoca, Romania.

125

ANEXA 2
TABELUL FIGURILOR:
Figura 1.1 Exemplu de optimizare topologic a unei grinzi. ............................................. 1
Figura 4.1: Exemplu de design optimal pentru stlp ...................................................... 25
Figura 4.2: (a) Diagrama de calcul a problemei, (b) soluia optimal a problemei, (c)
conguraia optimizat format prin concatenarea modulelor de baz i (d) First of Forth
Bridge, construit 18831890 ca un exemplu de optimizare topologic prezentat n [Gil i
Andreu, 2001]. ........................................................................................................... 26
Figura 4.3: Guangzhou Opera House, Arhitect: Zaha Hadid, Structura: Shanghai Tongking
(SHTK), China Sigurana fiind numrul unu ntre obiectivele noastre, dorim s reducem
greutatea oelului pentru a ncerca s facem costul structurilor metalice apropiat de cel al
cldirilor din beton, n condiii similare. ...................................................................... 27
Figura 4.4: Designul optimal al Water Cube (China) a fost determinat prin analizarea a
multiple configuraii ale miilor de elemente structurale din oel i a conexiunilor (nodurilor).
................................................................................................................................. 28
Figura 5.1 Schema unui algoritm genetic simplu ........................................................... 33
Figura 5.2 Exemplu de funcie de transcriere a soluiilor candidat din zecimal n binar
si viceversa. ............................................................................................................. 34
Figura 6.1 Prezena mai multor puncte de optim local pe suprafaa domeniului de soluii. . 50
Figura 6.2 Exemplu de funcie obiectiv dificil, cu mai multe puncte de optim local ........ 51
Figura 6.3 Numrul de ore mediu dedicat unui proiect. .................................................. 52
Figura 6.4 Acest set de schie (Zalewski, 2002) ilustreaz derivarea unei forme structurale
eficiente care s preia forele la care e supus o grind n consol. Odat cu alinierea progresiv
a elementelor structurale cu direciile vectorilor de tensiuni n grinda n consola conceptual
(schiat n primele 5 diagrame), cantitatea de material utilizat n structur descrete. Dac
formei i este permis extinderea nerestricionat, acesta devine i mai eficient. ............... 54
Figura 6.5 Evolutia formei adoptate pentru proiectul China World Trade Center Tower .... 55
Figura 6.6 Conceptul structural al Jinling Hotel Tower n Nanjing, China a condus la reduceri
substaniale n cantitatea de material structural i dimensiunea elementelor structurii necesare
cadrului perimetral. ..................................................................................................... 57
Figura 9.1 Clasificarea problemelor de optimizare pentru structuri articulate plane n termeni
de variabile de design, conform Eschenauer. .................................................................. 71
Figura 9.2 Selecie de tip uniform, exclusivist i prtinitoare. ....................................... 80
Figura 9.3 Crossover, interpolare genetic i interpolare preferenial ............................. 82
Figura 9.4 Reprezentare grafic a modificrii genomului prim mutaia unei singure
gene. ........................................................................................................................ 82
Figura 10.1 Evoluia valorilor funciei fitness i a diversitii populaiei n timpul unei rulri
tipice. ........................................................................................................................ 83
Figura 10.2 Structur cu 8 bare. ............................................................................... 85
Figura 10.3 Cel mai bun individ. ............................................................................... 87
Figura 10.4 Convergena algoritmului. ..................................................................... 87
Figura 10.5 Structura nr. 2 9 bare. ........................................................................ 88
Figura 10.6 Convergena algoritmului. ..................................................................... 89
Figura 10.7 Cel mai bun individ. ............................................................................... 90
126

Figura 10.8 Structura nr. 3 120 bare. ......................................................................... 90


Figura 10.9 Convergena algoritmului. ..................................................................... 91
Figura 10.10 Cel mai bun individ. ............................................................................. 91
Figura 10.11 Structura cu 10 bare benchmark i rezultatele obinute. .............................. 94
Figura 10.12 Figura arat rezultatele obinute cu algoritmi genetici i clire simulat i
indivizii cei mai buni din ultima rulare. ......................................................................... 95
Figura 10.13 Rezultatele obinute i convergena ambilor algoritmi. ............................... 95
Figura 10.14 Rezultatele optimizrii cu Force Flow Finder (BESO) i GA. ..................... 99
Figura 10.15 Forma optim a structurii conform literaturii (aceeai form a fost gasit pentru
valoarea minim a greutii in studiul prezent). ............................................................ 102
Figura 10.16 Rezultate obinute pentru niveluri diferite de discretizare. ........................ 102
Figura 10.17 Structura articulat plan cu 9 bare. ....................................................... 104

127