Documente Academic
Documente Profesional
Documente Cultură
Nayar Cuitlhuac Gutirrez Astudillo* , David Vargas del Rio , Gil Humberto Ochoa Gonzlez y
2
Luis Ral Snchez Sandoval
RESUMEN
En este artculo se explora la aplicacin de un algoritmo de optimizacin de nueva generacin. Estos algoritmos se
basan en tcnicas heursticas que simulan comportamientos en la naturaleza y permiten bsquedas en espacios
grandes con infinidad de soluciones posibles. Por ejemplo el algoritmo lucirnaga simula como estos insectos
emplean la luz de sus cuerpos para atraer a sus congneres con fines reproductivos o de alimentacin. Este enfoque
permite con algunas lucirnagas encontrar tanto ptimos locales como globales de una manera rpida y efectiva. Se
presenta aqu una versin modificada del algoritmo lucirnaga (AL) aplicado a la optimizacin de armaduras y su
desempeo se compara contra los algoritmos: Big-Bang Big-Crush, Programacin Gentica y el Algoritmo Gentico
de Cruzamiento Natural. Se encontr que el AL es rpido y efectivo encontrando topologas ptimas junto con su
geometra en casos de estudio como el problema de la armadura de 10 barras y la armadura de 70 m de claro para un
puente. En la optimizacin completa que incluye geometra, topologa y secciones transversales, el AL prob ser
efectivo en una variante compleja del caso de la armadura del puente. Las contribuciones en esta investigacin
fueron establecer los lmites iniciales, parmetros y operaciones especiales para ligar la velocidad de convergencia y
calidad de la solucin en la corrida en una variante discreta del AL. Se busc la forma de generar un mnimo de
ajustes iniciales en la corrida, sin embargo le queda al usuario definir el nmero de individuos y generaciones. Se
aplican operaciones particulares en las armaduras, como mover un nodo, generar una memoria de esfuerzos para
hacer cambios de secciones generalizados segn la demanda de cargas.
ABSTRACT
In this paper we explore the application of an optimization algorithm of new generation. These algorithms are based
on heuristics that simulate behavior in nature and allow the search large spaces with many possible solutions. For
example, the firefly algorithm simulates how these insects use light from their bodies to attract mates for breeding or
feeding purposes. This approach allows some fireflies find both local and global optimum quickly and effectively.
Presented here is a modified version of Firefly algorithm (FA) applied to the optimization of truss structures and its
performance is compared against algorithms: Big Bang-Big Crush, Genetic Programming and Genetic Algorithm
with Natural Crossing. We found that the AL is quick and effective finding optimal topologies along with their
Instituto Tecnolgico y de Estudios Superiores de Occidente, Departamento del Habitad y Desarrollo Urbano. Tlaquepaque,
Jalisco, Mxico, Perifrico Sur Manuel Gmez Morn # 8585 cp. 45604, Tlaquepaque, Jalisco, Mxico. Tel: +52(33)36693434 ext.
3199. *Autor responsable: nayar@iteso.mx
geometry as case studies the problem of the 10 bars truss structure and the 70 m span bridge truss structure. In full
optimization that includes geometry, topology and cross sections, the AL proved to be effective in a complex case
variant of bridge truss. The contributions in this research were to establish the initial boundaries, parameters and
special operations to link the convergence speed and solution quality on the run in a discrete variant of the AL. How
to generate a minimum of initial settings on the run was sought, however it was left to the user to define the number
of individuals and generations. Particular operations are applied to trusses, such as moving a node; generate a
memory of stresses to make widespread changes sections on demand loads.
1. INTRODUCCIN
1.1 ANTECEDENTES
El algoritmo lucirnaga (AL) surgi como una herramienta confiable para encontrar soluciones de diseo en
problemas de gran escala en ingeniera. El AL es un enfoque de optimizacin que imita el uso de la bioluminiscencia
de las lucirnagas para la comunicacin, la caza y el apareamiento. Se puede encontrar en la literatura que el AL ha
sido probado en problemas de optimizacin estructural con variables mixtas continuas / discretas que generan
dominios de bsqueda de gran escala (Hossein et al, 2011) y los ALs encuentran de manera eficiente soluciones
ptimas en varios problemas. Es un hecho de que no hay ninguna metaheurstica que garantiza encontrar el ptimo
global, sin embargo, en comparacin con otras metaheursticas como Optimizacin de cumulo de partculas (PSO)
(Kennedy y Ebarhart, 1995), Algoritmos Genticos (GA) (Goldberg, 1989), Recocido simulado (SA) (Kirkpatrick et
al, 1983) y Bsqueda armnica (AS) (Geem et al, 2001); el AL result ser ms eficiente en acercarse al ptimo
global.
En esta investigacin se compar el desempeo de un AL contra el Big Bang-Big Crunch (Camp, 2007), la
Programacin Gentica (GP) (Yang y Soh, 2002) y Natural-Crossover Algoritmo Gentico (NCGA) (Gutirrez et al,
2013) en el rendimiento de un caso de referencia de optimizacin estructural de un puente, que tiene varias variantes
en un dominio de diseo mixto continuo / discreto. Este problema ha demostrado ser difcil ya que se han encontrado
las mejores soluciones de las versiones ms simples y ms difcil despus de 100.000 y 350.000 iteraciones,
respectivamente.
1.2 ENFOQUE Y PROBLEMTICA
El problema de la optimizacin de la armadura de un puente fue propuesto originalmente con dos variantes en la
altura del espacio de bsqueda. Las variables continuas son las posibles coordenadas nodales y la geometra,
mientras que las variables discretas son la topologa y las secciones transversales. Los resultados de estos problemas
se han mejorado por GP y Estrategias evolutivas (ES) enfoques que tambin introdujeron una simetra topolgica
para simplificar los clculos. Otra variacin se hizo, en un entorno GA, cambiando las condiciones de apoyo.
Finalmente, los enfoques NCGA y AL se utilizan para resolver las variantes y sus combinaciones en menos
iteraciones y con soluciones ms ligeras que los resultados de la literatura. Es importante tener en cuenta que ninguna
de estas variantes se puede considerar cmo las soluciones globales ptimas.
El NCGA es una metodologa de optimizacin que combina cruzamientos discretos y continuos utilizados con una
representacin de adyacencia que realiza un seguimiento de los esfuerzos que se producen durante la fase de carga.
Los complementos del enfoque NCGA son operadores genticos especiales que generan cambios estructurales
orientados. El AL utiliza las operaciones especiales del NCGA as como su representacin de adyacencia y ambos
requieren algunos ajustes de parmetros comunes (poblacin y generaciones por ejemplo) cuando se utiliza en todas
las variantes del puente.
3.
Inicio
m, max-height= 10 m)
X , material propiedades (: E=
3
10
2.039432x10
kg/m , f = 2.537054
y
While (generation<Maxgeneration)
if
(I >I ),
j
Mover
lucirnaga a j;
end if
La atraccin
varia segn r
segn la exp( r)
Evaluar
nuevas
soluciones y
actualizar la Is
end for j
end for i
end while
end
x1, y1 a11
x , y a
m
m
m1
x , y a
mn mn ( mn )1
a1m
amm
a( m1)m
a( mn )m
a1( m1)
a
m( m1)
a( m1)(m1)
a
( mn )(m1)
a1( mn )
am( mn ) A C D
a( m1)(mn ) B DT E
a( mn )(mn )
En la representacin anterior, la matriz A tiene la referencia coordenadas de los nodos fijos, mientras que los nodos
libres hacen referencia en la matriz B. Al mismo tiempo, los miembros fijos conectados se indican en la matriz C,
mientras que el resto son designados en las matrices D y E, dependiendo de si corresponden a los nodos fijos o
libres. La matriz adyacente modificada tiene las siguientes propiedades
Con esta representacin, el anlisis estructural y las operaciones para la bsqueda de espacio se simplifican. La
simplificacin se debe a la reunin de barras con caractersticas similares en sub-matrices de barras con longitudes
parecidas, secciones transversales y orden topolgico. Las barras se reunieron en forma que tienen propiedades
mecnicas similares en fuerza o tensiones. La disposicin sub-matriz contiene informacin para los nodos similares,
pero las barras pueden "naturalmente" organizarse de acuerdo con la tensin real. Por tanto, es posible mantener la
memoria de las configuraciones de dominio ltimos en una forma implcita-explcita. Est implcito debido a que la
representacin elegida nos permite poner en prctica los conocimientos de dominio durante toda la corrida del
algoritmo porque divide el problema principal en sub-problemas dentro de su representacin. Es explcito debido a
que se puede inicializar de acuerdo con cualquier solucin deseada y cualquier operacin gentica o penalizacin se
puedan implementar sobre l. La seccin de evaluacin explica cmo se aade una memoria a la MAM.
( x
i 1
11
(1)
Cuando la distancia tiene que ser obtenido en individuos de diferentes tamaos en un centro de gravedad Xi se
calcula entre dos lucirnagas utilizando las secciones transversales de las barras como la masa unida a los nodos:
n
i 1
i 1
X k xkWi / Wi
k (1, 2)
(2)
3. MANIPULACIN DE RESTRICCIONES
De la evaluacin, se deriv un conjunto de penalizaciones, que se aplican mediante la adicin de masa a la masa total
de la estructura como un peso necesario para soportar las demandas estructurales. Se aplica este conjunto de
penalizaciones en una forma lineal, es decir, cuando se supera una restriccin; el valor de la penalizacin se aplica en
la misma proporcin que el valor de restriccin es superada. Por ejemplo, si un individuo presenta un desplazamiento
de 140 mm en uno de sus nodos, que supera el desplazamiento permisible por un factor de dos, por lo que si el
individuo tiene una masa de 100 000 kg de la masa penalizado ser de 200,000 kg.
En penalizaciones generales son aplicadas por las siguientes ecuaciones:
x
pi w j * M i ( Ai , Li , i )
(3)
i pi (1 x) * M i ( Ai , Li , i )
(4)
j 1
donde
pi = masa penalizado del individuo i-simo
wj = factor de penalizacin j
x = nmero de restricciones superadas,
Mi (Ai, Li, ri) = i-sima masa individual en funcin de sus bares de secciones transversales, longitud y peso
volumtrico del material empleado,
i = calificacin final del individuo i-simo
Por lo tanto wj representa la cantidad de material que tiene que ser aadido a una barra o individuo para cumplir con
una restriccin. Los factores obtenidos a partir de estos medios son una medida del desempeo estructural para las
condiciones de carga impuestas. Despus de que todos los individuos se ponen a prueba se ordenan de acuerdo con
sus pesos penalizados del ms ligero al ms pesado.
El siguiente paso es aadir el valor de eficiencia de las secciones transversales de matriz de adyacencia del individuo.
Este valor es el recuerdo de cmo la barra se comport durante la etapa de carga. Se obtiene para cada barra
individual y se aade a la codificacin de barras, que en este caso es un nmero entero. El valor de eficiencia, dij, se
obtiene dividiendo la relacin de tensin / fuerza por un gran nmero, 100.000 en este estudio, y se obtiene para cada
barra en el individuo. La matriz de adyacencia se puede definir como.
[G]=[aij]
donde G es la matriz de adyacencia y aij es el nmero entero que representa las secciones transversales: Entonces la
matriz de eficiencia se obtiene
[Gm]=[aij+dij]
(5)
donde Gm es la matriz de adyacencia con la memoria de los valores de la eficiencia y la dij son los valores de la
eficiencia. La matriz de Gm se llama la matriz de adyacencia modificada (MAM).
Figura 3 Configuracin de la armadura de diez barras, altura 360 y dos tramos de 360.
Las secciones transversales discretas fueron elegidas entre un conjunto de 41 (1.62, 1.80, 1.99, 2.13, 2.38, 2.62, 2.88,
2.93, 3.09, 3.13, 3.38, 3.47,3.55, 3.63, 3.84, 3.87, 3.88, 4.18, 4.22, 4.49, 4.59, 4.80, 4.97, 5.12, 5.74, 7.22, 7.97, 11.5,
13.5, 13.9, 14.2, 15.5, 16.0, 16.9, 18.8, 19.9, 22.0, 22.9, 26.5, 30.0 y 33.5 pulg 2). El esfuerzo mximo permisible en
cualquier barra de la armadura debe ser superior a -25 ksi y menor de 25 ksi, y la deflexin mxima nodal (vertical y
horizontalmente) es de + 2,0. El mdulo de elasticidad del material se considera de 107 psi y su densidad es de 0,1
lb/in3.
Figura 4: Evolucin de la mejor ejecucin utilizando 25 lucirnagas y 390 iteraciones, 9.750 evaluaciones en
total, mejor encontr lucirnaga en movimiento 140.
La mejor solucin se encontr en 3500 iteraciones. Los lmites del algoritmo eran entre el peso generado por la
seccin ms pesada 33.5 in2 utilizado en todas los barras la solucin y la seccin ms ligera (1.62 in2) usada en
todos los barras.
Tabla 1. Comparacin de resultados en el caso discreta de la armadura de 10 barras.
Superficie de secciones transversales (in.2)
BB-BC
FFA-TSO
# Elemento
Camp 2007
2013
1
22.9
22.9
2
14.5
14.2
3
1.62
1.62
4
1.62
1.62
5
33.5
33.5
6
1.62
1.62
7
22.9
22.9
8
7.97
7.97
9
1.62
1.62
10
22
22
Mejor peso
lb
5490.4
5485.808
Mejora
lb
0
4.592
Desviacin estndar
lb
12.42
75
promedio
lb
5485.808
Tiempo de ejecucin
s
30
|
Si
Si
12 2 E
23i2
(6)
ib
donde
(1
i2
2C 2
) fy
i3
5 3i
3 8C 8C 3
i
(7)
= Li / ri,
(8)
2E / f y
C=
y Li y ri son la longitud y los radios de giro de la seccin transversal del miembro de i-esimo
respectivamente. La longitud mxima de una barra se limita a 35 metros y la longitud mnima se limita
a 5 m.
Figura 5 Evolucin de la carrera en la geometra y cruzar -Secciones optimizacin con 70 lucirnagas y 100
iteraciones, 7000 evaluaciones.
Figura 6 Mejor solucin encontrada con 7000 iteraciones, peso 44.165 kg.
La geometra de la figura 6 se encontr con 4 lucirnagas como lmites, dos de ellas con todos los nodos libres con
una altura de 10 metros y los otros dos con una altura de 3 m. As, los cuatro lucirnagas fueron: uno con una altura
de 10 m y todos los miembros con seccin transversal ms ligero, uno con una altura de 10 m y todos miembros con
ms pesada seccin transversal, uno con una altura de 3 m y todos los miembros con seccin transversal ms ligera y
uno con una altura de 3 m y todos los miembros con seccin transversal ms pesada.
11
X
0
10
20
30
40
50
60
70
4.2143
14.7031
23.5012
35
46.4988
55.2969
65.7857
Y
0
0
0
0
0
0
0
0
5.421
8.4147
9.879
10
9.879
8.4147
5.421
Figura 7: La mejor solucin encontrada con 100.000 iteraciones, peso 45, 430 kg.
La mejor solucin se encontr en el paso 792; 50 lucirnagas se utilizaron en 2000 movimientos dando un total de
100.000 iteraciones que son menos 100.000 movimientos que los realizado por Yang y Soh 2002. La desviacin
estndar fue de 15.732 kg en 20 corridas.
X
0
10
20
30
40
50
60
70
8.5439
21.4773
35
48.5227
61.4561
Y
0
0
0
0
0
0
0
0
7.25329
10
10
10
7.25329
Tabla 4 Representacin adyacente del mejor individuo en la optimizacin completa de la armadura del puente
1
2
3
4
5
11
12
13
W14X82
W14X159
W14X68
W14X120
W14X48
W14X34
W14X53
W14X43
W14X43
W14X53
W14X99
W14X34
W14X48
W14X82
W14X68
W14X159
W14X233
W14X99
0
W14X233
0
7
8
9
10
11
12
W14X120
Symmetric
10
W14X257
0
0
W14X257
0
W14X233
13
13
5 DISCUSION Y CONCLUSIONES
El concepto de limite en esta investigacin se tom como la solucin extrema mxima que involucra a las secciones
transversales ms pesadas y generadas por el mximo nmero de barras y la solucin extrema mnima que se genera
mediante la seccin transversal ms ligera y el mnimo de barras. Se observ durante la prueba que cuando no se
fijaron lmites definidos el algoritmo no converge en cualquiera de los caso. Adems, as como la complejidad del
caso crece los lmites que se fijarn deben crecer tambin. En el problema de las 10 barras los lmites establecidos
son la seccin transversal ms grande de todas las barras y las secciones ms pequeas para todas las barras, 2 lmites
en total. Cuando el objetivo era optimizar la geometra y secciones transversales haba la necesidad de establecer 4
lmites, 2 con la altura como mnimo permisible y las otras 2 usando la mayor altura; uno con la seccin transversal
ms pesada y el otro con el ms ligero. Sin embargo, la complejidad del problema de optimizacin de armaduras no
crece en un orden de 2n. Esto se observ al tratar de establecer los lmites para el caso de la optimizacin de diseo
completo, donde 8 lmites pudieron haber funcionaran pero no lo funcionaron. No funcionaron debido a que el
algoritmo no encontr buenas soluciones ptimas en las iteraciones esperadas. Una explicacin puede ser que los
lmites de una optimizacin de la topologa pudieran estn en el orden de 24 o ms. Por lo tanto, estos lmites hacen
que el algoritmo se ejecute en un entorno dirigido debido a que el FFA-TSO utiliza pocas lucirnagas por
movimiento (25-75, recomendado por Yang, 2008). Estos lmites de lucirnagas se fijaron para evitar costo de mover
cada lucirnaga con respecto a todas las dems y est estrategia fue adecuada.
La velocidad de la FFA-TSO demostr que los lmites as establecidos definen una bsqueda rpida y eficaz.
Adems la forma de tomar las distancias entre los individuos fue otro aporte de la metodologa planteada ya que se
tom a partir de los centros de masa de las soluciones en lugar de tomarla con respecto a todos los puntos en cada
solucin. Sin embargo hay la necesidad de investigar la forma en que el algoritmo sea consistente en encontrar
buenas soluciones ya que no ests soluciones variaban de una corrida a otra y con una desviacin estndar alta.
15