مقاله کاربرد الگوریتم های فراابتکاری در مهندسی عمران

بخشی از مقاله

خلاصه

با توجه به کمبود امکانات آزمایشگاهی، در دسترس نبودن همیشگی آن، هزینه های بالا و موانع مختلف در زمینه های مختلف عمرانی، جایگزین کردن روش های عددی مطمئن و قابل اعتماد به جای روش های آزمایشگاهی، از اهمیت بالایی برخوردار است. یکی از پرکاربرد ترین روش های عددی جایگزین، استفاده از الگوریتم های فراابتکاری می باشد. در این مقاله ابتدا به بررسی انواع الگوریتم های فراابتکاری پرداخته و سپس به بررسی کاربرد ها، قابلیت ها و جزئیات مهم ترین آن ها با ذکر پزوهش های انجام شده در این زمینه خواهیم پرداخت.

در نهایت نیز با استفاده از الگوریتم ژنتیک به عنوان یکی از الگوریتم های فراابتکاری مدلی با دقت قابل قبول برای مقاومت برشی ستون های کوتاه دایره ای ارائه خواهیم کردکه توسط داده های آزمایشگاهی مورد صحت سنجی قرار گرفته است. در ادامه مدل پیشنهادی با دیگر روابط مورد مقایسه قرار گرفته و مشاهده می شود که مدل پیشنهادی خطاها را بطور قابل ملاحظه ای کاهش می دهد.

با توجه به مرور اجمالی تحقیقات پیشین و همچنین نتایج مدلسازی انجام شده، می توان نتیجه گرفت که الگوریتم های فراابتکاری از جمله روش های عددی مناسب جهت جایگزینی روش های آزمایشگاهی می باشند.

.1مقدمه

الگوریتم های فراابتکاری یا فراتکاملی یا فرااکتشافی نوعی از الگوریتم های تصادفی هستند که برای یافتن پاسخ بهینه به کار می روند. با توجه به کمبود امکانات آزمایشگاهی، در دسترس نبودن همیشگی آن و هزینه های بالای آن در زمینه علوم مهندسی و بویژه مهندسی عمران، اهمیت شناسایی روش های عددی جایگزین نظیر الگوریتم های فراابتکاری و همچنین بررسی قابلیت ها و کاربرد های آن در علوم مهندسی بیش از پیش می باشد.

.2 انواع الگوریتم ها

1 .2 الگوریتم های دقیق

این دسته از الگوریتم ها رسیدن به جواب بهینه را به ازای هر نمود از مسئله تضمین می کنند، اما تاکنون بهترین الگوریتم های دقیقی که برای مسائل 1NP-Complete ارائه شده است دارای تابع پیچیدگی بدترین حالت نمایی بوده اند. برای مثال، در مورد مسئله تخصیص درجه دو - که به تخصیص بهینه n قلم جنسی در n محل مختلف می پردازد - الگوریتم های دقیق تنها قادرند که حداکثر برای نمودهایی به اندازه n=30 جواب بهینه را تعیین کنند ولی زمان حل تقریبی چنین نمودهایی نیز با سریع ترین کامپیوترهای موجود حدود 180 ساعت خواهد بود. مشکل دیگر استفاده از الگوریتم های دقیق برای حل مسائل NP-Complete آن است که حجم محاسباتی چنین الگوریتم هایی با افزایش اندازه نمود، به سرعت زیاد شده و اغلب دچار خطای محاسباتی گرد کردن و یا کمبود حافظه مورد نیاز می شوند.

2 .2 الگوریتم های ابتکاری

این دسته از روش های حل را روش های تقریبی نیز می نامند و عبارتند از الگوریتم هایی که جواب های نزدیک به بهینه ای را نتیجه می دهند، به نحوی کهمعمولاً تضمین می دهند که این جواب ها در درصد مشخصی از جواب بهینه واقعی قرار بگیرند.اگرچه الگوریتم های ابتکاری اغلب تضمینی برای بهینه شدن جواب نمی دهند اما با سرعت بسیار بالا جواب هایی را که در فاصله نزدیکی به جواب بهینه است، تولید می کنند. الگوریتم های ابتکاری به انواع مختلفی تقسیم بندی می شوند:

1.    الگوریتم های سازنده: یک دسته از انواع الگوریتم های ابتکاری هستند که در ان یک جواب از مسئله به تدریج و مرحله به مرحله با توجه به داده های مسئله ساخته می شود. الگوریتم های سازنده بسیار سریع هستند، اما معمولا فاصله جواب تولید شده با جواب بهینه زیاد است.

2.    الگوریتم های بهبود دهنده: که از آن ها تحت عنوان الگوریتم های جستجوی محلی نیز یاد می شود، نوع دیگری از الگوریتم های ابتکاری هستند که در آن هامعمولاً جستجو از یک جواب اولیه شروع می شود. این جواب اولیه ممکن است به صورت تصادفی تولید شده باشد و یا این که با یک الگوریتم سازندهقبلاً حاصل شده باشد. سپس با جستجوی موضعی در همسایه های این جواب، سعی در بهبود جواب دارند و این کار را به صورت بازگشتی در هر تکرار از الگوریتم انجام می دهند مشکل اصلی این نوع از الگوریتم ها آن است که اغلب در دام بهینه محلی که نسبت به بهینه سراسری بسیار بدتر است، گرفتار می شوند.

3.    الگوریتم های فراابتکاری: الگوریتم های فراابتکاری در واقع استراتژی های کلی جستجویی هستند که می توانند به عنوان راهکار یافتن جواب در مورد طیف وسیعی از مسائل استفاده شوند. روش های فراابتکاری گام هایی را برمی دارند که می توانند اقدامات موثری در فرار از دام بهینه های محلی باشند و در واقع گام های خاصی حل یک مسئله مشخصی نیستند بلکه یک نوع روش ابتکاری با اهداف کلی تر است که برای جستجوی کامل تر فضای جواب مسائل طراحی شده اند. برای استفاده از هر روش فراابتکاری در حل یک مسئله خاصی باید قوانین موجود و پارامترهای روش به نحوی طراحی شوند که بهترین استفاده ممکن از روش در حل مسئله به دست آید.

4 - به تنظیم و طراحی روند و نحوه مقدارگیری پارامترهای روش های فراابتکاری، تنظیم سازی می گویند. طیف وسیعی از الگوریتم های فراابتکاری در طی سالیان تخیر توسعه یافته اند که اسامی برخی از معروفترین آنها به همراه مبدعشان به شرح زیر است:

·    الگوریتم شبیه سازی تبرید

·    الگوریتم های تکاملی و الگوریتم ژنتیک

·    الگوریتم جستجوی ممنوع

·    الگوریتم لانه مورچگان

·    الگوریتم جستجوی پراکنده

·    الگوریتم شبکه های عصبی

·    الگوریتم جستجوی همسایگی متغیر

·    الگوریتم دسته پرندگان

·    الگوریتم زنبور عسل

·    الگوریتم قورباغه جهنده

·    الگوریتم کرم شب تاب

·    الگوریتم رقابت استعماری

الگوریتم جستجوی حریصانه تصادفی

·    الگوریتم انتروپی متقاطع

·    الگوریتم سیستم ایمنی مصنوعی

·    الگوریتم تکامل دیفرانسیلی

·    الگوریتم پذیرش آستانه ای

·    الگوریتم گروه نوازندگان

·    الگوریتم مکانیزم شبه الکترومغناطیسی

در بین الگوریتم های نامبرده شده، الگوریتم ژنتیک و شبکه های عصبی بیشترین کاربرد را در زمینه های مختلف عمرانی نظیر ژئوتکنیک، سازه، مدیریت ساخت، منابع آبی، ترافیک و ... را داراست. بنابراین در ادامه به بررسی کاربردهای تخصصی این دو الگوریتم خواهیم پرداخت.

.3 شبکه عصبی مصنوعی

شبکه عصبی شامل شبکهای از عناصر پردازش ساده - نورون ها - است، که می تواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورون ها - آکسونها، شاخه های متعدد سلولهای عصبی و محلهای تماس دو عصب - نشأت گرفتهاست، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد.

با استفاده از دانش برنامه نویسی رایانه می توان ساختار داده ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه ای از این نورون های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه مینماید