بررسی تأثیر ضرایب وزنی تابع هدف بر کارایی الگوریتم ژنتیک در کنترل فعال سازه‌ها

نوع مقاله : مقاله پژوهشی

نویسندگان

• علی بنایی
• جواد علامتیان
• رضا ضیاتوحیدی

گروه عمران، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.

10.22067/jfcei.2023.77364.1159

چکیده

در سال‌های اخیر، استفاده از روش­های جستجوی عددی هوشمند در کنترل فعال سازه مورد توجه پژوهشگران قرار گرفته است. الگوریتم ژنتیک یکی از این شیوه‌ها است که بر پایه الگوهای فرگشت طبیعی می­باشد. در اینجا، از الگوریتم ژنتیک برای کمینه­ کردن تابع هدف مقید سازه و تعیین نیروهای کنترلی مناسب استفاده می­گردد. با متصل کردن حسگر به درجه­های آزادی سازه، مقدار جابه­جایی گره­ها در هر گام زمانی پایش می‌شوند و الگوریتم ژنتیک با بهره­گیری از تابع هدف مقید و حل معادله دینامیکی سازه، مقدار نیروهای کنترلی مناسب را تعیین می­کند. انتخاب تابع هدف مقید متناسب با شرایط سازه، اثر زیادی بر کارایی کنترل فعال دارد. این تابع از ترکیب محدودیت‌های سازه و ضرایب وزنی پنداشته شده برای هر محدودیت، به ­دست می‌آید. سپس، ضرایب وزنی از شیوه‌های بهینه­سازی محاسبه می­شوند. چنین فرایندی به یک شیوه نوین برای کنترل فعال با استفاده از الگوریتم ژنتیک منجر می­شود. کارایی و دقت الگوریتم پیشنهادی با کنترل نوسان‌های چندین سازه بررسی می­گردد. نتایج حاصل از مدل‌سازی خطی نشان می­دهند استفاده از روش کنترل فعال پیشنهادی با استفاده از الگوریتم ژنتیک با ضرایب وزنی متغیر قادر است تا جابه­جایی­های سازه را در مقابل بار زلزله به میزان مناسبی کاهش دهد. جابه­جایی‌های سازه با استفاده از این شیوه نسبت به حالت بدون کنترل حدود 79 درصد و نسبت به روش الگوریتم ژنتیک با ضرایب وزنی ثابت حدود 36 درصد در حالت خطی کاهش دارد. همچنین نتایج در مدل‌سازی غیرخطی سازه، بهبودی را به میزان 45 درصد به‌صورت میانگین نشان می­دهد.

کلیدواژه‌ها

• الگوریتم ژنتیک
• تحلیل عددی
• ضرایب وزنی
• کنترل فعال

---

عنوان مقاله [English]

Studying the effect of weighting factors of the objective function on the performance of the genetic algorithm in active control of structures

نویسندگان [English]

• Ali Banaei
• javad alamatian
• Reza Zia Tovhidi

Department of Civil Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran.

چکیده [English]

In recent years, the use of smart numerical search techniques in active control of structure has been considered by researchers. Genetic algorithm is one of these methods that is based on natural evolution patterns. Here, the genetic algorithm is used to minimize the constrained objective function of the structure and determine the appropriate control forces. By connecting the sensor to the degrees of freedom of the structure, nodal displacement is monitored at each time step and genetic algorithm determines the proper control forces by using constrained objective function and solving dynamic equation of the structure. Choosing appropriate constrained objective function according to the structure conditions has a great impact on the efficiency of the proposed method. This function is obtained by combining the structural constraints and the assumed weighting factors for each constraint. Then, the weighting factors are calculated from the optimization methods. Such a process, leads to achieve a new active control method based on using genetic algorithm. The efficiency and accuracy of the proposed algorithm are investigate by controlling the oscillations of several structures. The results show that the proposed method is able to reduce structural oscillations effectively.

کلیدواژه‌ها [English]

• - Genetic Algorithm
• Active Control
• Weighting Factors
• Numerical Analysis

مراجع

 [1]  R. Karami-Mohammadi, M. Mirtaheri, M. Salkhordeh, E. Mosaffa, G. Mahdavi, and M. A. Hariri-Ardebili, “ Seismic mitigation of substation cable connected equipment using friction pendulum systems,” Struct. eng. Mech, vol. 72, pp. 785-796, 2019.

[2]   H. Tzou, H.-J. Lee, and S. Arnold, “Smart materials, precision sensors/actuators, smart structures, and structronic systems,” Mechanics of Advanced Materials and Structures, vol. 11, pp. 367-393, 2004.

[3]   J. N. Yang, “Instantaneous optimal control for linear, nonlinear and hysteretic structures-stable controllers,” 1991.

[4]   F. Jabbari, W. Schmitendorf, and J. Yang, “H∞ control for seismic-excited buildings with acceleration feedback,” Journal of Engineering Mechanics, vol. 121, pp. 994-1002, 1995.

[5]   J. Yang and C. K. Soh, “Structural optimization by genetic algorithms with tournament selection,” Journal of Computing in Civil Engineering, vol. 11, pp. 195-200, 1997.

[6]   J. H. Holland, “Outline for a logical theory of adaptive systems,” Journal of the ACM (JACM), vol. 9, pp. 297-314, 1962.

[7]   D. E. Goldberg, “Genetic Algorithm in Search, Optimization and Machine Learning, Addison,” W esley Publishing Company, R eading, MA, vol. 1, pp. 9, 1989.

[8]   M. R. Safizadeh and I. Z. Darus, “Optimal location of sensor for active vibration control of flexible square plate,” in Information Sciences Signal Processing and their Applications (ISSPA), 2010 10^th International Conference on, pp. 393-396, 2010.

[9]   Y.-J. Cha, A. K. Agrawal, Y. Kim, and A. M. Raich, “Multi-objective genetic algorithms for cost-effective distributions of actuators and sensors in large structures,” , vol. 39, pp. 7822-7833, 2012.

[10] Y. J. Cha, A. Raich, L. Barroso, and A. Agrawal, “Optimal placement of active control devices and sensors in frame structures using multi‐objective genetic algorithms,” Structural Control and Health Monitoring, vol. 20, pp. 16-44, 2013.

[11] J. Hale and A. Daraji, “Optimal placement of sensors and actuators for active vibration reduction Expert Systems with Applications of a flexible structure using a genetic algorithm based on modified Hinfinity,” Journal of Physics: Conference Series, pp. 012036, 2012.

[12] A. H. Daraji, J. M. Hale, and J. Ye, “New methodology for optimal placement of piezoelectric sensor/actuator pairs for active vibration control of flexible structures,” Journal of Vibration and Acoustics, vol. 140, 2018.

[13] X. Zhang, A. Takezawa, and Z. Kang, “Topology optimization of piezoelectric smart structures for minimum energy consumption under active control,” Structural and Multidisciplinary Optimization, vol. 58, pp. 185-199, 2018.

[14] A. Banaei and J. Alamatian, “New genetic algorithm for structural active control by considering the effect of time delay,” Journal of Vibration and Control, pp. 10775.46320933467,2020.

[15] G. R. Beddoe, and S. Petrovic, “Selecting and weighting features using a genetic algorithm in a case-based reasoning approach to personnel rostering,” European Journal of Operational Research, vol. 175, pp. 649-671, 2006.

[16] B. Dutta, S. D. Dao, L. Martínez, and M. Goh, “An evolutionary strategic weight manipulation approach for multi-attribute decision making: TOPSIS method,” International Journal of Approximate Reasoning, vol. 129, pp. 64-83, 2021.

[17] P. Gancarski and A. Blansche, “Darwinian, Lamarckian, and Baldwinian (Co) Evolutionary Approaches for Feature Weighting in $ K $-means-Based Algorithms,” IEEE transactions on evolutionary computation, vol. 12, pp. 617-629, 2008.

[18] J. Holland, “Book: Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology”, Control, and Artificial Intelligence, 1975.

[19] S. Forrest, “Genetic algorithms- Principles of natural selection applied to computation,” Science, vol. 261, pp. 872-878, 1993.

[20] R. Clough and J. Penzien, "Dynamics of Structures. McGraw Hill, New York., 1993.

[21] F. Lobo, C. F. Lima and Z. Michalewicz, “Parameter setting in evolutionary algorithms,” Springer Science & Business Media, vol. 54: 2007.

[22] S. Mazzoni, F. McKenna, M. H. Scott, and G. L. Fenves, “OpenSees command language manual,”Pacific earthquake engineering research (PEER) center, vol. 264, pp. 137-158, 2006.

[23] F. C. Filippou, E. P. Popov, and V. V. Bertero, “Effects of bond deterioration on hysteretic behavior of reinforced concrete joints,” 1983.

[24] M. H. M. Yassin, Nonlinear analysis of prestressed concrete structures under monotonic and cyclic loads: University of California, Berkeley, 1994.

[25]  W. L. A. de Oliveira, S. De Nardin, A. L. H. de Cresce El, and M. K. El Debs, “Evaluation of passive confinement in CFT columns,” Journal of Constructional Steel Research, vol. 66, pp. 487-495, 2010.