GA strategijų mechaninių struktūrų masei optimizuoti tyrimas

Abstract

Šio baigiamojo magistro darbo tikslas yra nustatyti genetinių algoritmų (GA) strategiją, kuri leistų efektyviausiai atlikti mechaninės struktūros masės minimizavimą. Minimizuojama tam tikros formos plokščiojo deformuojamo kūno masė, esant žinomai apkrovai ir žinomoms kraštinėms sąlygoms. Uždaviniui teikiami stiprumo ir geometriniai apribojimai. Aptariami kontinuumo diskretizavimo metodai bei globaliojo optimizavimo metodai. Tiesioginiam uždaviniui spręsti pasirinktas baigtinių elementų metodas, optimizavimo – genetiniai algoritmai. Baigiamajame darbe tiriama kaip optimizavimo rezultatai priklauso nuo GA atrankos metodų, kryžminimo metodų ir konkrečių GA parametrų: populiacijos dydžio, mutacijos tikimybės, generacijų skaičiaus. Pateikiami išanalizuoti ir apibendrinti eksperimentų rezultatai. Darbo užduotis realizuota C++ kalba. Darbą sudaro 7 dalys: įvadas, diskretizavimo ir optimizavimo metodų apžvalga, uždavinio formulavimas, programos algoritmo schema, tyrimai ir eksperimentai, išvados, literatūros sąrašas. Darbo apimtis – 69 p. teksto be priedų, 47 iliustr., 22 lent., 20 bibliografinių šaltinių. Atskirai pridedami darbo priedai.

The goal of master thesis is to define the effective Genetic Algorithm (GA) strategy for mass minimization of mechanical structures. The mass of plane body of given shape, loading, and boundary conditions is minimized under the strength and geometrical constraints. The methods of global optimization and discretization of continual structures are discussed. For the solution of direct problem the finite element method is chosen, while for minimization problem the genetic algorithms are employed. In this thesis, we investigate the dependence of optimization results on the methods of GA selection, GA crossover, and specific GA parameters: population size, mutation probability, and the number of generations. The summarized results of numerical experiments are presented. Coding is in the syntax of C++ language. Thesis consists of 7 chapters: introduction, overview of the optimization and discretization methods used, problem formulation, algorithm of program, investigations and experiments, conclusion, and literature, totally of 69 pages of plain text without appendixes, 47 pictures, 22 tables, 20 bibliographical entries. Appendixes are included.