DETERMINATION THE NUMBER OF ANTS USED IN ACO ALGORITHM VIA GRILLAGE OPTIMIZATION

Karınca koloni optimizasyon algoritması, yapısal optimizasyonda kullanılan yapay zekaya dayalı yöntemlerden biridir. Yapay zekaya dayalı optimizasyon algoritmalarının çoğunda bazı optimizasyon parametrelerinin değerleri optimizasyon sürecinin öncesinde belirlenmesi gerekmektedir. Bu optimizasyon parametrelerinin değerlerinin belirlenmesi özellikle optimizasyonun işlemi için gerekli süre ve ulaşılan sonuçların niteliği açısından önemlidir. Feromon güncelleme katsayısı, kolonideki karınca sayısı, feromon bırakacak karınca sayısı, ceza katsayısı karınca koloni algoritmasındaki başlıca optimizasyon parametreleridir. Bu çalışma ise kolonideki karınca sayısına odaklanmaktadır. Bu araştırma, literatürde sıkça ele alınan optimizasyon problemlerinden biri olan, ızgara sistemlerin optimizasyonu üzerinden gerçekleştirilmiştir. Yapı ağırlığının minimum değerinin belirlenmesi optimizasyon probleminin amaç fonksiyonu ve ızgara sitemin oluşturan elemanların enkesit ebatları ise ayrık tasarım değişkenleri olarak dikkate alınmıştır. Yerdeğiştirme ve dayanım limitleri "LRFD-AISC" yönetmeliğine göre sınırlayıcılar olarak alınmıştır. Yapısal tasarım ve optimizasyon süreci için gerekli işlemleri yapmak üzere "BASIC" dilinde bir bilgisayar programı kodlanmıştır. Karınca sayısının optimizasyon süreci üzerindeki etkisini belirlemek için literatürden seçilen sayısal örnekler farklı karınca sayıları kullanılarak optimize edilmiştir. Çalışmanın sonucunda, kolonide kullanılması gereken karınca sayısına ilişkin bazı çıkarımlar sunulmuştur

Izgara Sistemlerin Optimizasyonu Üzerinden Karınca Koloni Optimizasyon Algoritmasında Karınca Sayısının Belirlenmesi

Ant colony optimization (ACO) algorithm is one of the artificial intelligence methods used in structural optimization. Values of some optimization parameters must be determined before the optimization process in most of the artificial intelligence based optimization algorithms. Determination of the values of these optimization parameters is essential especially for the time required for the optimization process and the quality of results achieved. Pheromone update coefficient, number of ants in the colony, number of depositing ants, penalty coefficient are the main optimization parameters in ACO algorithm. This study is focused on the number of ants in the ant colony. This research is realized using the optimization of grillage structure which is one of the well-known optimization problems in the literature. Minimization of the weight of structure is the objective function of the optimization problem, and the member sizes of grillages are considered as discrete design variables. Displacement and strength restrictions are considered as constraints according to manual of LRFD-AISC. A computer program is coded in BASIC to accomplish the structural design and optimization procedures. Numerical examples from literature are optimized using different number of ants to determine the effect of the number of ants on the optimization process. At the end of the study, some inferences are presented on the number of ants to be used in the colony

PDF

___

1. Aydın, Z. (2016) Size Optimization of Grillage Structures Using a Simplified Ant Colony Optimization Algorithm, 12th International Congress on Advances in Civil Engineering, ACE2016, September 21-23, Istanbul, Turkey.
2. Aydın, Z. and Yılmaz, A.H. (2014) A comparison of two heuristic search methods via a structural optimization problem: ant colony optimization and genetic algorithm, 11th International Congress on Advances in Civil Engineering, ACE2014, October 21-25, Istanbul, Turkey
3. Aydoğdu, İ., Akın, A. and Saka, M.P. (2016) Design optimization of real World steel space frames using artificial bee colony algorithm with Levy flight distribution, Advances in Engineering Software, 92, 1-14. doi:10.1016/j.advengsoft.2015.10.013
4. Aydoğdu, İ. and Saka, M.P. (2012) Ant colony optimization of irregular steel frames including elemental warping effect, Advances in Engineering Software, 44, 150-169. doi:10.1016/j.advengsoft.2011.05.029
5. Camp, C.V. and Bichon B.J. (2004) Design of space trusses using ant colony optimization, Journal of structural Engineering, 130(5), 741-751. doi:10.1061/(ASCE)0733-9445(2004)130:5(741)
6. Çarbaş, S. (2016) Design optimization of steel frames using an enhanced firefly algorithm, Engineering Optimization, 48(12), 2007-2025. doi:10.1080/0305215X.2016.1145217
7. Çarbaş, S., Aydoğdu, İ., Saka, M.P. (2013) A Comparative Study of Three Metaheuristics for Optimum Design of Engineering Structures, The 10th World Congress on Structural and Multidisciplinary Optimization, Orlando, Florida, USA, May 19-24.
8. Daloğlu, A.T., Artar, M., Özgan, K. and Karakas, A.İ. (2016) Optimum design of steel space frames including soil-structure interaction, Structural Multidisciplinary Optimization, 54, 117-131. doi:10.1007/s00158-016-1401-x
9. Dede, T. (2013) Optimum design of grillage structures to LRFD-AISC with teachinglearning based optimization, Structural Multidisciplinary Optimization, 48, 955-964. doi:10.1007/s00158-013-0936-3
10. Dorigo, M. (1992), Optimization, Learning and Natural Algorithms, PhD thesis, Dip. Elettronica e Informazione, Politecnico di Milano, Italy.
11. Farshchin, M., Camp, C.V. and Maniat, M. (2016) Multi-class teaching–learning-based optimization for truss design with frequency constraints, Engineering Structures, 106, 355- 369. doi:10.1016/j.engstruct.2015.10.039
12. Hasançebi, O., Çarbaş, S., Saka, M.P. (2011) A reformulation of the ant colony optimization algorithm for large scale structural optimization, Proceedings of the Second International Conference on Soft Computing Technology in Civil, Structural and Environmental Engineering, Civil-Comp Press.
13. Kaveh, A., Ghafari, M.H. and Gholipour, Y. (2017) Optimum seismic design of steel frames considering the connection types, Journal of Constructional Steel Research, 130, 79-87. doi:10.1016/j.jcsr.2016.12.002
14. Kaveh, A. and Talatahari, S. (2010) Charged system search for optimum grillage design using the LRFD-AISC code, Journal of Constructional Steel Research, 66, 767-771. doi:10.1016/j.jcsr.2010.01.007
15. Kaveh, A. and Talatahari, S. (2012) A hybrid CSS and PSO algorithm for optimal design of structures, Structural Engineering and Mechanics, 42(6), 783-797. doi:10.12989/sem.2012.42.6.783
16. LRFD-AISC Manual of Steel Construction (1999) Load and resistance factor design, Metric conversion of the second edition, vols 1 & 2. AISC, Chicago.
17. Mashayekhi, M., Salajegheh, E. and Dehghani, M. (2016) Topology optimization of double and triple layer grid structures using a modified gravitational harmony search algorithm with efficient member grouping strategy, Computers and Structures, 172, 40-58. doi:10.1016/j.compstruc.2016.05.008
18. Moezi, S.A., Zakeri, E., Zare, A. and Nedaei, M. (2015) On the application of modified cuckoo optimization algorithm to the crack detection problem of cantilever Euler–Bernoulli beam, Computers and Structures, 157, 42-50. doi:10.1016/j.compstruc.2015.05.008
19. Rajeev, S. and Krishnamoorthy, C.S. (1992) Discrete optimization of structures using genetic algorithm, Jornal of Structural Engineering, 118(5), 1233-1250. doi:10.1061/(ASCE)0733-9445(1992)118:5(1233)
20. Saka, M.P., Daloglu, A. and Malhas, F. (2000) Optimum spacing design of grillage systems using a genetic algorithm, Advances in Engineering Software, 31, 863-873. doi:10.1016/S0965-9978(00)00048-X
21. Saka, M.P. and Erdal, F. (2009) Harmony search based algorithm for the optimum design of grillage systems to LRFD-AISC, Structural Multidisciplinary Optimization, 38, 25-41. doi:10.1007/s00158-008-0263-2
22. Tort, C., Şahin, S. and Hasançebi, O. (2017) Optimum design of steel lattice transmission line towers using simulated annealing and PLS-TOWER, Computers and Structures, 179, 75-94. doi:10.1016/j.compstruc.2016.10.017