International Conference on High Performance and Optimum Design of Structures and Materials HPSM-OPTI 2020

The use of novel materials and new structural concepts nowadays is not restricted to highly technical areas like aerospace, aeronautical applications or the automotive industry, but affects all engineering fields including those such as civil engineering and architecture.

The conference addresses issues involving advanced types of structures, particularly those based on new concepts or new materials and their system design. Contributions will highlight the latest development in design, optimisation, manufacturing and experimentation in those areas. The meeting also aims to search for higher performance sustainable materials.

Most high performance structures require the development of a generation of new materials, which can more easily resist a range of external stimuli or react in a non-conventional manner. Particular emphasis will be placed on intelligent structures and materials as well as the application of computational methods for their modelling, control and management.

The conference also addresses the topic of design optimisation. Contributions on numerical methods and different optimisation techniques are also welcome, as well as papers on new software. Optimisation problems of interest to the meeting involve those related to size, shape and topology of structures and materials. Optimisation techniques have much to offer to those involved in the design of new industrial products.

The development of new algorithms and the appearance of powerful commercial computer codes with easy to use graphical interfaces has created a fertile field for the incorporation of optimisation in the design process in all engineering disciplines.

This scientific event is a new edition of the High Performance and Optimum Design of Structures and Materials Conference and follows the success of a number of meetings on structures and materials and on optimum design that originated in Southampton as long ago as 1989. As the meetings evolved they gave rise to the current series, which started in Seville in 2002, and followed by Ancona in 2004, Ostend in 2006, the Algarve in 2008, Tallinn in 2010, the New Forest, home of the Wessex Institute in 2012, Ostend in 2014, Siena in 2016 and Ljubljana in 2018.

The meeting will provide a friendly and useful forum for the interchange of ideas and interaction amongst researchers, designers and scholars in the community to share advances in the scientific fields related to the conference topics


The following list covers some of the topics to be presented at HPSM/OPTI 2020. Papers on other topics related to the objectives of the conference are welcome

  • Composite materials
  • Material characterisation
  • Experiments and numerical analysis
  • Natural fibre composites
  • Nanocomposites
  • Green composites
  • Composites for automotive applications
  • Transformable structures
  • Environmentally friendly and sustainable structures
  • Structural optimisation
  • Reliability based design optimisation
  • Non deterministic approaches
  • Evolutionary methods in optimisation
  • Aerospace structures
  • Biomechanics application
  • Structures under extreme loading
  • Surface modification
  • Lightweight structures
  • Design for sustainability
  • Design for durability
  • Lifecycle assessment
  • Structural reliability
  • Smart materials and structures
  • Optimization of civil engineering structures
  • Optimization on mechanical engineering
  • Optimization in car industry
  • Design optimization of tall buildings
  • Metaheuristic algorithms
  • New algorithms for size and topology optimisation
  • BIM tools for design optimization
  • Emerging materials
  • Case Studies

More information:

Descargar (PDF, 182KB)

Conceptos básicos de teoría de grafos

Algunas herramientas que utilizamos en Programación de Proyectos, como las redes de flechas, se basan en la teoría de grafos. Conceptos como nodo, arco, flecha, camino, bucle, etc. son necesarios conocerlos de forma previa al estudio de las técnicas de programación. Os dejo a continuación unos Polimedias de la profesora Cristina Jordán donde se explican brevemente los conceptos básicos de esta teoría. Espero que os gusten.


PELLICER, E.; YEPES, V. (2007). Gestión de recursos, en Martínez, G.; Pellicer, E. (ed.): Organización y gestión de proyectos y obras. Ed. McGraw-Hill. Madrid, pp. 13-44. ISBN: 978-84-481-5641-1. (link)

YEPES, V.; PELLICER, E. (2008). Resources Management, in Pellicer, E. et al.: Construction Management. Construction Managers’ Library Leonardo da Vinci: PL/06/B/F/PP/174014. Ed. Warsaw University of Technology, pp. 165-188. ISBN: 83-89780-48-8.

YEPES, V.; MARTÍ, J.V.; GONZÁLEZ-VIDOSA, F.; ALCALÁ, J. (2012). Técnicas de planificación y control de obras. Editorial de la Universitat Politècnica de València. Ref. 189. Valencia, 94 pp. Depósito Legal: V-423-2012

Optimización de puentes pretensados mediante la metodología de la superficie de respuesta

Nos acaban de publicar en la Revista CIATEC-UPF (Revista de Ciências Exatas Aplicadas e Tecnológicas da Universidade de Passo Fundo, CIATEC-UPF – ISSN 2176-4565) , un artículo relacionado con la optimización de pórticos de hormigón armado con sistemas de agrupación de columnas. Se trata de una colaboración con el profesor Moacir Kripka y está dentro del proyecto de investigación DIMALIFE.

Os paso a continuación el resumen y una copia descargable del artículo, pues está publicado en abierto. Espero que os sea de interés.


Los puentes son infraestructuras esenciales para mejorar la comunicación dentro de un territorio. La optimización constituye un proceso que permite obtener puentes de menor coste bajo ciertas restricciones. Debido a la complejidad de los problemas estructurales, la optimización matemática no es útil y se recurre a la optimización heurística debido a su mayor eficacia. En este trabajo se presenta una alternativa a la optimización heurística basada en los metamodelos. El procedimiento consiste en una reducción de los factores iniciales mediante el diseño de experimentos, reduciendo significativamente la complejidad del problema sin perder información. Posteriormente, se aplica la metodología de la superficie de respuesta para obtener el óptimo del problema. Este procedimiento se aplica a un tablero de un puente de losa maciza que cumpla todas las restricciones de las normativas.


Hormigón estructural. Optimización. Puente pretensado. Metamodelo. Superficie de respuesta


PENADÉS-PLÀ, V.; YEPES, V.; KRIPKA, M. (2019). Optimización de puentes pretensados mediante la metodología de la superficie de respuesta. Revista CIATEC-UPF, 11(2):22-35.


Descargar (PDF, 988KB)


Optimización de pórticos de hormigón armado con sistemas de agrupación de columnas

Nos acaban de publicar en la revista Automation in Construction (primer cuartil del JCR) un artículo relacionado con la optimización de pórticos de hormigón armado con sistemas de agrupación de columnas. Se trata de una colaboración con el profesor Moacir Kripka y está dentro del proyecto de investigación DIMALIFE.

Puedes descargar gratuitamente el artículo hasta el 22 de junio de 2019 en el siguiente enlace:


In structural design, it is common practice to adopt the same cross-sectiondimensions for a group of elements. This procedure is mainly for practical and aesthetic reasons, as well as to reduce labour costs, but it also has a positive effect of reducing the number of variables, which simplifies the usual trial and error design process. On the other hand, the total materials cost obtained is closely related to this grouping. Based on this, the present work aims to minimize the cost of reinforced concrete plane frames considering the automated grouping of columns. To achieve this objective, an optimization software was developed by the association of matrix structural analysis, dimensioning and optimization. The sections dimensions, the area of steel and the concrete strength of beams and columns were taken as design variables. For a given maximum number of groups, the optimum grouping and the corresponding values to design variables are obtained. The strategy proposed in this paper to obtain the grouping reduces significantly the number of infeasible candidate solutions during the search process and avoid the proposition of unrealistic designs. For the optimization, a variant of the Harmony Search method was adopted. Some structures were analyzed in order to validate the application of the proposed formulation, as well as to verify the influence of the grouping of elements on the final results. In these structures, it was possible to observe a significant additional reduction in the total cost when automated grouping is performed regarding a uniform grouping, even when a small number of groups is considered. For the 20-floor building frame analyzed, the cost reduction from uniform to automated grouping varied from 5.53 to 7.35%. The influence of the concrete strength on optimal results was also investigated, indicating a cost reduction of 9.74% from best (40 MPa) to worst case (20 MPa). In general, it can be concluded that, when applied in conjunction with the usual design variables, the proposed procedure can enable a significant additional economy, without affecting the structural safety.


Optimization; automated grouping; reinforced concrete; plane frames; harmony search


BOSCARDIN, J. T.; YEPES, V.; KRIPKA, M. (2019). Optimization of reinforced concrete building frames with automated grouping of columns. Automation in Construction, 104: 331-340. DOI:10.1016/j.autcon.2019.04.024




El uso de las técnicas de optimización en ingeniería civil

Los que sois seguidores habituales de mi blog conocéis mis artículos y trabajos de investigación en optimización heurística. Esta aventura, además de ser gratificante, te permite conocer gente de gran talento y colegas en el ámbito internacional. Y, a veces, nos juntamos y escribimos alguna cosa conjunta, como es el caso de esta recopilación de artículos sobre el uso de técnicas de optimización en el ámbito de la ingeniería civil. Esta recopilación sirve de muestra de las posibilidades de la optimización y también puede aportar referencias de interés a aquellos que estén iniciándose en estos temas. Os dejo este artículo en abierto que acabamos de publicar en abierto.


DEDE, T.; KRIPKA, M.; TOGAN, V.; YEPES, V:, VENKATA RAO, R. (2019). Usage of optimization techniques civil engineering during the last two decades. Current Trends in Civil & Structural Engineering, 2(1): 1-17.

Descargar (PDF, 513KB)

MS-ReRo y D-ROSE: Nuevas metodologías para evaluar la incertidumbre de los riesgos y oportunidades de las infraestructuras

Acaban de publicarnos un artículo en la revista Journal of Cleaner Production, revista de ELSEVIER indexada en el primer decil del JCR. Presentamos un sistema integral de apoyo a la planificación urbana que integra la generación de planificación de alternativas, la evaluación de dichas alternativas bajo un conjunto de escenarios relevantes seleccionados dinámicamente de forma cognitiva, y la propuesta de políticas que acompañen a la alternativa de planificación seleccionada. Para ello presentamos dos métodos novedosos: (1) la identificación “a posteriori” de escenarios relevantes para la evaluación de la vulnerabilidad y resiliencia de las alternativas, y (2) la evaluación de la incertidumbre relacional. De acuerdo con los riesgos y las oportunidades que soporta el sistema, la metodología permite seleccionar un plan de infraestructura para paliar el problema de la vulnerabilidad urbana, así como un conjunto de contratos para su correcta implementación en las diferentes administraciones públicas y en diferentes escalas del sistema de infraestructura. La metodología se aplica a un estudio de caso en España, en el que primero se proponen planes óptimos de infraestructura urbana que contribuyan a mejorar el problema de la urbanización, y luego evalúan los riesgos y las oportunidades asociadas a las alternativas de planificación para, finalmente presentar un conjunto de medidas políticas para acompañar la implementación de la alternativa seleccionada. Este artículo forma parte de nuestra línea de investigación BRIDLIFE en la que se pretenden optimizar estructuras atendiendo no sólo a su coste, sino al impacto ambiental y social que generan a lo largo de su ciclo de vida.

El artículo lo podéis descargar GRATUITAMENTE hasta el 3 de abril de 2019 en el siguiente enlace:


There is a growing interest in model-based decision support systems contributing to strategic planning. The application of these in the case of urban infrastructure planning requires methods specifically aimed at addressing the relational uncertainties arising from the complex, multi-scale, nature of this field. This study presents UPSS, a comprehensive urban planning support systemintegrating the generation of planning alternatives, the evaluation of alternatives under a set of relevant scenarios selected dynamically in a cognitive way, and the proposal of policies to accompany the planning alternative. For this purpose, UPSS integrates two novel methods. These deal respectively with the ex post identification of relevant scenarios for the evaluation of the vulnerability and resilience of the alternatives, and with the assessment of relational uncertainty. According to the risks and opportunities borne by the system, the process makes it possible to select an infrastructure plan to alleviate the problem of urban vulnerability, as well as a set of relational contracts for its proper implementation across the different governmental scales of the infrastructure system. The whole process is tested via a case study, in which USPP first proposes optimal urban infrastructure plans that contribute to ameliorate the problem of urban vulnerability in Spain, then evaluates the risks and opportunities attached to the planning alternatives, and finally presents sets of policy measures to accompany the implementation of the alternative selected.


Urban vulnerability; Infrastructure planning; Multi-scale; Risk; Opportunity; Relational uncertainty


SALAS, J.; YEPES, V. (2019). MS-ReRO and D-ROSE methods: assessing relational uncertainty and evaluating scenarios’ risks and opportunities on multi-scale infrastructure systems. Journal of Cleaner Production, 216:607-623. DOI:10.1016/j.jclepro.2018.12.083




Special Issue “Optimization for Decision Making”






Mathematics (ISSN 2227-7390) is a peer-reviewed open access journal which provides an advanced forum for studies related to mathematics, and is published monthly online by MDPI.



Special Issue “Optimization for Decision Making”

Deadline for manuscript submissions: 31 May 2019

Special Issue Editors

Guest Editor 

Prof. Víctor Yepes
Universitat Politècnica de València, Spain
Website | E-Mail
Interests: multiobjective optimization; structures optimization; lifecycle assessment; social sustainability of infrastructures; reliability-based maintenance optimization; optimization and decision-making under uncertainty

Guest Editor 

Prof. José M. Moreno-Jiménez
Universidad de Zaragoza
Website | E-Mail
Interests: multicriteria decision making; environmental selection; strategic planning; knowledge management; evaluation of systems; logistics and public decision making (e-government, e-participation, e-democracy and e-cognocracy)

Special Issue Information

Dear Colleagues,

In the current context of the electronic governance of society, both administrations and citizens are demanding greater participation of all the actors involved in the decision-making process relative to the governance of society. In addition, the design, planning, and operations management rely on mathematical models, the complexity of which depends on the detail of models and complexity/characteristics of the problem they represent. Unfortunately, decision-making by humans is often suboptimal in ways that can be reliably predicted. Furthermore, the process industry seeks not only to minimize cost, but also to minimize adverse environmental and social impacts. On the other hand, in order to give an appropriate response to the new challenges raised, the decision-making process can be done by applying different methods and tools, as well as using different objectives. In real-life problems, the formulation of decision-making problems and application of optimization techniques to support decisions are particularly complex and a wide range of optimization techniques and methodologies are used to minimize risks or improve quality in making concomitant decisions. In addition, a sensitivity analysis should be done to validate/analyze the influence of uncertainty regarding decision-making.

Prof. Víctor Yepes
Prof. José M. Moreno-Jiménez
Guest Editors

Manuscript Submission Information

Manuscripts should be submitted online at by registering and logging in to this website. Once you are registered, click here to go to the submission form. Manuscripts can be submitted until the deadline. All papers will be peer-reviewed. Accepted papers will be published continuously in the journal (as soon as accepted) and will be listed together on the special issue website. Research articles, review articles as well as short communications are invited. For planned papers, a title and short abstract (about 100 words) can be sent to the Editorial Office for announcement on this website.

Submitted manuscripts should not have been published previously, nor be under consideration for publication elsewhere (except conference proceedings papers). All manuscripts are thoroughly refereed through a single-blind peer-review process. A guide for authors and other relevant information for submission of manuscripts is available on the Instructions for Authors page. Mathematics is an international peer-reviewed open access monthly journal published by MDPI. Please visit the Instructions for Authors page before submitting a manuscript.


  • Multicriteria decision making
  • Optimization techniques
  • Multiobjective optimization



Revisión de los procedimientos de optimización heurística de las estructuras

Figura 1. Diseño tradicional de estructuras por prueba y error (Yepes, 2017)

El diseño de las estructuras se ha basado fundamentalmente en la experiencia del ingeniero proyectista. La topografía y las condiciones de tráfico, entre otros, determinan el diseño de un puente. A partir de ahí, las dimensiones de la sección transversal, el tipo de hormigón y la disposición general de las armaduras se definen atendiendo a la experiencia profesional y a las recomendaciones y criterios de diseño (Figura 1). A continuación, se ajustan el resto de variables, tras comprobar el cumplimiento de los estados límite último y de servicio. Si el proyectista quiere mejorar el diseño propuesto, normalmente se realiza un proceso de prueba y error, de forma que tras varios tanteos, se intenta reducir el consumo de materiales, y por tanto, el coste de la estructura. Frente a este planteamiento, los métodos heurísticos emplean técnicas basadas en la inteligencia artificial para seleccionar un diseño, analizar la estructura, controlar las restricciones y rediseñar la estructura modificando las variables hasta conseguir optimizar la función objetivo.

Cohn y Dinovitzer (1994) revisaron la investigación realizada en su momento en relación con la optimización de las estructuras y señalaron la brecha existente entre los estudios teóricos y la aplicación en problemas estructurales reales. Sarma y Adeli (1998) analizaron años más tarde los estudios relacionados con la optimización matemática de las estructuras, complementada más recientemente por Hare et al. (2013) que estudiaron la aplicación de los algoritmos heurísticos en la optimización estructural. Los algoritmos heurísticos difieren en cuanto a planteamiento y aplicabilidad de los métodos matemáticos exactos. De hecho, la optimización heurística resulta muy efectiva pues, aunque no garantiza la obtención del óptimo global del problema, proporciona soluciones casi óptimas en tiempos de cálculo razonables. Esta ventaja cobra importancia en la optimización de estructuras reales, donde el número de variables crece extraordinariamente de forma que desborda el tiempo de cálculo de los métodos exactos de optimización. Además, la programación matemática requiere el cálculo de gradientes de las restricciones, mientras que la optimización heurística incorpora las restricciones de diseño de una manera directa (Lagaros et al., 2006).

Las técnicas metaheurísticas utilizan estrategias de búsqueda para localizar óptimos locales en grandes espacios de soluciones de forma efectiva. Un ejemplo de ello son los Algoritmos Genéticos (Genetic Algorithms, GAs), que son procedimientos de búsqueda poblacionales inspirados en la evolución natural (Holland, 1975). Así, los GAs generan soluciones de alta calidad a través del cruce genético con otros individuos de una población y la mutación de algunas de sus características a lo largo de generaciones. Los padres suelen seleccionarse atendiendo a su aptitud (Coello, 1994) y los hijos mantienen ciertas características de sus padres. En cada generación sobreviven los hijos con mayores aptitudes. Además, para evitar la convergencia prematura del algoritmo, se utiliza un operador de mutación, al igual que ocurre en la Naturaleza, que cambia aleatoriamente de vez en cuando alguna de las características de las nuevas soluciones. Una variante a esta técnica son los Algoritmos Meméticos (Moscato, 1989), donde cada individuo de la nueva generación se mejora mediante una búsqueda local con el objetivo de mejorar los genes para que los padres obtengan mejores resultados en las siguientes generaciones. Esta técnica, por tanto, aplica los GAs a poblaciones de óptimos locales.

La inteligencia de enjambre (swarm intelligence) es una metaheurística poblacional empleada en los problemas de optimizacón. Estos algoritmos imitan el comportamiento colectivo de los sistemas descentralizados y auto-organizados, tales como algunas colonias de insectos, basándose en la interacción entre los vecinos, pero que siguen un patrón global. Los algoritmos de enjambre difieren en filosofía de los algoritmos genéticos porque utilizan la cooperación en lugar de la competencia (Dutta et al., 2011). Entre los algoritmos pertenecientes a este grupo, basados en el comportamiento biológico, destaca la optimización de colonias de hormigas (Ant Colony Optimization, ACO), la optimización de enjambre de partículas (Particle Swarm Optimization, PSO), las colonias de abejas artificiales (Artificial Bee Colony, ABC), la optimización en enjambres de luciérnagas (Glowworm Swarm Optimization, GSO), entre otros. ACO basa su estrategia en el comportamiento de las hormigas, que dejan un rastro de feromonas para encontrar alimento de forma efectiva (Colorni et al., 1991); PSO simula un sistema social simplificado (Kennedy y Eberhart, 1995); ABC imita el comportamiento alimentario forrajero de las abejas (Karaboga y Basturk, 2008); GSO imita un movimiento de las luciérnagas hacia los vecinos más brillantes (Krishnanand y Ghose, 2009).

Las metaheurísticas poblacionales presentan una amplia capacidad de búsqueda en paralelo y una fuerte robustez. Sin embargo, para mejorar la intensificación de la búsqueda, estos algoritmos suelen combinarse con otras heurísticas de búsqueda local. Esta hibridación consigue explotar la diversificación en la búsqueda poblacional con la intensificación de la búsqueda local. Luo y Zhang (2011) comprobaron que el algoritmo híbrido presenta una convergencia más rápida, una mayor precisión y es más efectivo en la optimización de problemas ingenieriles. Blum et al. (2011) estudiaron las ventajas de la hibridación de las metaheurísticas en el caso de la optimización combinatoria.

El recocido simulado (Simulated Annealing, SA), propuesto por Kirkpatrick et al. (1983), constituye uno de los algoritmos utilizados en la optimización estructural. Este algoritmo se basa en el fenómeno físico del proceso de recocido de los metales. La energía de un sistema termodinámico se compara con la función de coste evaluada para una solución de un problema de optimización combinatoria. En ambos casos se trata de evolucionar de un estado a otro de menor energía o coste. El acceso de un estado metaestable a otro se alcanza introduciendo “ruido” con un parámetro de control al que se denomina temperatura. Su reducción adecuada permite, con una elevada probabilidad, que un sistema termodinámico adquiera un mínimo global de energía. SA presenta la ventaja de admitir soluciones de peor calidad al principio de la búsqueda, lo cual permite eludir óptimos locales de baja calidad. La aceptación por umbrales (Threshold Accepting, TA), propuesto por Dueck y Scheuer (1990), tolera también opciones de peor calidad para eludir los óptimos locales. La diferencia entre SA y TA es que el criterio de aceptación de una solución peor es probabilista en el primer caso y determinista en el segundo. Los algoritmos genéticos se han hibridado con el recocido simulado en el diseño óptimo de puentes prefabricados de hormigón pretensado (Martí et al., 2013; Martí et al., 2016) y vigas en I de hormigón armado (RC) (Yepes et al., 2015a). Otras estrategias de hibridación también han demostrado su eficiencia con PSO (Shieh et al., 2011, Valdez et al., 2011, Wang et al., 2013) y ACO (Behnamian et al, 2009, Chen et al., 2012).

Qu et al. (2011) señalaron la lentitud en la convergencia de los algoritmos GSO; del mismo modo Zhang et al. (2010) apuntaron ciertas deficiencias de estos algoritmos en la búsqueda del óptimo global. Es por ello que se ha hibridado SA con GSO (García-Segura et al., 2014c, Yepes et al., 2015b) para combinar la diversificación de la búsqueda de GSO con la intensificación de la búsqueda de SA para encontrar de forma efectiva un óptimo de elevada calidad. García-Segura et al. (2014c) mostraron cómo un algoritmo híbrido de optimización de enjambre de luciérnagas (SAGSO) obtuvo resultados considerablemente mejores en cuanto a calidad y tiempo de cálculo. SAGSO superó al GSO en términos de eficiencia, precisión y convergencia. Sin embargo, se requiere una buena calibración para garantizar soluciones de alta calidad con un tiempo de cómputo corto.

La búsqueda de la armonía (Harmony Search, HS) constituye una heurística propuesta por Geem et al. (2001) inspirada en el jazz, donde se trata de armonizar u construir sucesiones de acordes razonables. Las notas, los instrumentos y la mejor armonía representan los valores, las variables y el óptimo global. Alberdi y Khandelwal (2015) compararon ACO, GA, HS, PSO, SA y TS en la optimización del diseño de marcos de acero, comprobando que los mejores resultados se obtenían con HS. La búsqueda de la armonía se ha utilizado para optimizar columnas rectangulares de hormigón armado (de Medeiros y Kripka, 2014), forjados compuestos (Kaveh y Shakouri Mahmud Abadi, 2010) y pórticos planos de hormigón armado (Akin y Saka, 2015). Alia y Mandava (2011) recogieron en su trabajo las variantes utilizadas para hibridar con HS. García-Segura et al. (2015) emplearon un algoritmo de búsqueda de la armonía hibridada con la aceptación por umbrales para encontrar diseños óptimos sostenibles de puentes peatonales de hormigón postesado.

La optimización de los puentes atrajo la atención de los ingenieros a partir de la década de los años 70, incluyendo los puentes viga de acero, (Wills, 1973), el refuerzo de los puentes losa (Barr et al., 1989), los puentes viga de hormigón pretensado (Aguilar et al., 1973, Lounis y Cohn, 1993), y los puentes en cajón postesados construidos “in situ” (Bond, 1975; Yu et al., 1986). Desde la aparición de la inteligencia artificial, se ha puesto mayor énfasis en el uso de técnicas de optimización heurística para optimizar las estructuras. Srinivas y Ramanjaneyulu (2007) usaron redes neuronales artificiales y algoritmos genéticos para optimizar el coste de un puente de vigas en T. Rana et al. (2013) propusieron una optimización evolutiva para minimizar el coste de una estructura de puente continuo de hormigón pretensado de dos tramos. Martí et al. (2013) implementaron un algoritmo de recocido simulado híbrido para encontrar las soluciones más económicas de puentes prefabricados de hormigón pretensado de vigas artes. El uso de refuerzos de fibra de acero en ese tipo de puente se estudió posteriormente con algoritmos meméticos (Martí et al., 2015). Se propusieron algoritmos genéticos para optimizar las cubiertas poliméricas reforzadas con fibras híbridas y los puentes atirantados (Cai y Aref, 2015).

También se han optimizado otro tipo de estructuras con algoritmos heurísticos, como los forjados prefabricados (de Albuquerque et al., 2012), columnas de hormigón armado (Park et al., 2013; Nigdeli et al., 2015), columnas de acero (Kripka y Chamberlain Pravia, 2013), marcos espaciales de acero (Degertekin et al., 2008), marcos de hormigón armado (Camp y Huq, 2013), pórticos de hormigón armado (Payá-Zaforteza et al., 2010), vigas en I de hormigón armado (García-Segura et al., 2014c; Yepes et al., 2015a), pórticos de carreteras (Perea et al., 2008), pilas altas de viaductos (Martínez et al., 2011; 2013), muros de contención (Gandomi et al., 2015; Pei y Xia, 2012; Yepes et al., 2008, 2012; Molina-Moreno et al., 2017a), zapatas de hormigón armado (Camp y Assadollahi, 2013; Camp y Huq, 2013), bóvedas de pasos inferiores en carreteras (Carbonell et al., 2011) y estribos de puentes (Luz et al., 2015).


  • Aguilar, R.J.; Movassaghi, K.; Brewer, J.A.; Porter, J.C. (1973). Computerized optimization of bridge structures. Computers & Structures, 3(3), 429–442.
  • Akin, A.; Saka, M.P. (2015). Harmony search algorithm based optimum detailed design of reinforced concrete plane frames subject to ACI 318-05 provisions. Computers & Structures, 147, 79–95.
  • Alberdi, R.; Khandelwal, K. (2015). Comparison of robustness of metaheuristic algorithms for steel frame optimization. Engineering Structures, 102, 40–60.
  • Alia, O.M.; Mandava, R. (2011). The variants of the harmony search algorithm: an overview. Artificial Intelligence Review, 36(1), 49–68.
  • Barr, A.S.; Sarin, S.C.; Bishara, A.G. (1989). Procedure for structural optimization. ACI Structural Journal, 86(5), 524–531.
  • Behnamian, J.; Zandieh, M.; Fatemi Ghomi, S.M.T. (2009). Parallel-machine scheduling problems with sequence-dependent setup times using an ACO, SA and VNS hybrid algorithm. Expert Systems with Applications, 36(6), 9637–9644.
  • Blum, C.; Puchinger, J.; Raidl, G.R.; Roli, A. (2011). Hybrid metaheuristics in combinatorial optimization: A survey. Applied Soft Computing, 11(6), 4135–4151.
  • Bond, D. (1975). An examination of the automated design of prestressed concrete bridge decks by computer. Proceedings of the Institution of Civil Engineers, 59(4), 669–697.
  • Cai, H.; Aref, A.J. (2015). A genetic algorithm-based multi-objective optimization for hybrid fiber reinforced polymeric deck and cable system of cable-stayed bridges. Structural and Multidisciplinary Optimization, 52(3), 583–594.
  • Camp, C.V.; Assadollahi, A. (2013). CO2 and cost optimization of reinforced concrete footings using a hybrid big bang-big crunch algorithm. Structural and Multidisciplinary Optimization, 48(2), 411–426.
  • Camp, C.V.; Huq, F. (2013). CO2 and cost optimization of reinforced concrete frames using a big bang-big crunch algorithm. Engineering Structures, 48, 363–372.
  • Carbonell, A.; González-Vidosa, F.; Yepes, V. (2011). Design of reinforced concrete road vaults by heuristic optimization. Advances in Engineering Software, 42(4), 151-159.
  • Chen, S.M.; Sarosh, A.; Dong, Y.F. (2012). Simulated annealing based artificial bee colony algorithm for global numerical optimization. Applied Mathematics and Computation, 219(8), 3575–3589.
  • Coello, C. (1994). Uso de Algoritmos Genéticos para el Diseño Óptimo de Armaduras. In Congreso Nacional de Informática “Herramientas Estratégicas para los Mercados Globales”, pp. 290–305. Fundación Arturo Rosenblueth, México, D.F.
  • Cohn, M.Z.; Dinovitzer, A.S. (1994). Application of Structural Optimization. Journal of Structural Engineering, 120(2), 617–650.
  • Colorni, A.; Dorigo, M.; Maniezzo, V. (1991). Distributed optimization by ant colonies. In Proceeding of ECALEuropean Conference on Artificial Life, pp. 134–142. Paris: Elsevier.
  • de Albuquerque, A.T.; El Debs, M.K.; Melo, A.M.C. (2012). A cost optimization-based design of precast concrete floors using genetic algorithms. Automation in Construction, 22, 348–356.
  • de Medeiros, G.F. Kripka, M. (2014). Optimization of reinforced concrete columns according to different environmental impact assessment parameters. Engineering Structures, 59, 185–194.
  • Degertekin, S.O.; Saka, M.P.; Hayalioglu, M.S. (2008). Optimal load and resistance factor design of geometrically nonlinear steel space frames via tabu search and genetic algorithm. Engineering Structures, 30(1), 197–205.
  • Dueck, G.; Scheuer, T. (1990). Threshold accepting: A general purpose optimization algorithm appearing superior to simulated annealing. Journal of Computational Physics, 90(1), 161–175.
  • Dutta, R.; Ganguli, R.; Mani, V. (2011). Swarm intelligence algorithms for integrated optimization of piezoelectric actuator and sensor placement and feedback gains. Smart Materials and Structures, 20(10), 105018.
  • Gandomi, A.H.; Kashani, A.R.; Roke, D.A.; Mousavi, M. (2015). Optimization of retaining wall design using recent swarm intelligence techniques. Engineering Structures, 103, 72–84.
  • García-Segura, T.; Yepes, V. (2016). Multiobjective optimization of post-tensioned concrete box-girder road bridges considering cost, CO2 emissions, and safety. Engineering Structures, 125, 325–336.
  • García-Segura, T.; Yepes, V.; Alcalá, J. (2014a). Life cycle greenhouse gas emissions of blended cement concrete including carbonation and durability. The International Journal of Life Cycle Assessment, 19(1), 3–12.
  • García-Segura, T.; Yepes, V.; Alcalá, J. (2014b). Sustainable design using multiobjective optimization of high-strength concrete I-beams. In The 2014 International Conference on High Performance and Optimum Design of Structures and Materials HPSM/OPTI (Vol. 137, pp. 347–358). Ostend, Belgium.
  • García-Segura, T.; Yepes, V.; Alcalá, J.; Pérez-López, E. (2015). Hybrid harmony search for sustainable design of post-tensioned concrete box-girder pedestrian bridges. Engineering Structures, 92, 112–122.
  • García-Segura, T.; Yepes, V.; Frangopol, D.M. (2017a). Multi-objective design of post-tensioned concrete road bridges using artificial neural networks. Structural and Multidisciplinary Optimization, 56(1):139-150.,
  • García-Segura, T.; Yepes, V.; Frangopol, D.M.; Yang, D. Y. (2017b). Lifetime reliability-based optimization of post-tensioned box-girder bridges. Engineering Structures, 145, 381-391.
  • García-Segura, T.; Yepes, V.; Martí, J.V.; Alcalá, J. (2014c). Optimization of concrete I-beams using a new hybrid glowworm swarm algorithm. Latin American Journal of Solids and Structures, 11(7), 1190–1205.
  • Geem, Z.W.; Kim, J.H.; Loganathan, G.V. (2001). A new heuristic optimization algorithm: Harmony search. Simulation, 76(2), 60–68.
  • Hare, W.; Nutini, J.; Tesfamariam, S. (2013). A survey of non-gradient optimization methods in structural engineering. Advances in Engineering Software, 59, 19–28.
  • Holland, J. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press, Ann Arbor, USA.
  • Karaboga, D.; Basturk, B. (2008). On the performance of artificial bee colony (ABC) algorithm. Applied Soft Computing, 8(1), 687–697.
  • Kaveh, A.; Shakouri Mahmud Abadi, A. (2010). Cost optimization of a composite floor system using an improved harmony search algorithm. Journal of Constructional Steel Research, 66(5), 664–669.
  • Kennedy, J.; Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN’95 – International Conference on Neural Networks, Vol. 4, pp. 1942–1948. IEEE.
  • Kirkpatrick, S.; Gelatt, C.D.; Vecchi, M.P. (1983). Optimization by simulated annealing. Science, 220(4598), 671–680.
  • Kripka, M.; Chamberlain Pravia, Z.M. (2013). Cold-formed steel channel columns optimization with simulated annealing method. Structural Engineering and Mechanics, 48(3), 383–394.
  • Krishnanand, K.N.; Ghose, D. (2009). Glowworm swarm optimisation: a new method for optimising multi-modal functions. International Journal of Computational Intelligence Studies, 1(1), 93–119.
  • Lagaros, N.D.; Fragiadakis, M.; Papadrakakis; M.; Tsompanakis, Y. (2006). Structural optimization: A tool for evaluating seismic design procedures. Engineering Structures, 28(12), 1623–1633.
  • Lounis, Z.; Cohn, M.Z. (1993). Optimization of precast prestressed concrete bridge girder systems. PCI Journal, 38(4), 60–78.
  • Luo, Q.F.; Zhang, J.L. (2011). Hybrid Artificial Glowworm Swarm Optimization Algorithm for Solving Constrained Engineering Problem. Advanced Materials Research, 204-210, 823–827.
  • Luz, A.; Yepes, V.; González-Vidosa, F.; Martí, J.V. (2015). Diseño de estribos abiertos en puentes de carretera obtenidos mediante optimización híbrida de escalada estocástica. Informes de la Construcción, 67(540), e114.
  • Martí, J.V.; García-Segura, T.; Yepes, V. (2016). Structural design of precast-prestressed concrete U-beam road bridges based on embodied energy. Journal of Cleaner Production, 120, 231–240.
  • Martí, J.V.; González-Vidosa, F.; Yepes, V.; Alcalá, J. (2013). Design of prestressed concrete precast road bridges with hybrid simulated annealing. Engineering Structures, 48, 342–352.
  • Martí, J.V.; Yepes, V.; González-Vidosa, F. (2015). Memetic algorithm approach to designing precast-prestressed concrete road bridges with steel fiber reinforcement. Journal of Structural Engineering, 141(2), 04014114.
  • Martínez-Martín, F. J.; González-Vidosa, F.; Hospitaler, A.; Yepes, V. (2013). A parametric study of optimum tall piers for railway bridge viaducts. Structural Engineering and Mechanics, 45(6), 723–740.
  • Martínez-Martín, F.J.; González-Vidosa, F.; Hospitaler, A.; Yepes, V. (2012). Multi-objective optimization design of bridge piers with hybrid heuristic algorithms. Journal of Zhejiang University: Science A, 13(6), 420–432.
  • Molina-Moreno, F.; García-Segura, T.; Martí, J.V.; Yepes, V. (2017a). Optimization of Buttressed Earth-Retaining Walls using Hybrid Harmony Search Algorithms. Engineering Structures, 134, 205-216.
  • Molina-Moreno, F.; Martí, J.V.; Yepes, V. (2017b). Carbon embodied optimization for buttressed earth-retaining walls: implications for low-carbon conceptual designs. Journal of Cleaner Production, 164, 872-884.
  • Moscato, P. (1989). On evolution, search, optimization, genetic algorithms and martial arts: Towards memetic algorithms. Caltech Concurrent Computation Program (report 826). Caltech, Pasadena, California, USA.
  • Nigdeli, S.M.; Bekdas, G.; Kim, S.; Geem, Z. W. (2015). A novel harmony search based optimization of reinforced concrete biaxially loaded columns. Structural Engineering and Mechanics, 54(6), 1097–1109.
  • Park, H.; Kwon, B.; Shin, Y.; Kim, Y.; Hong, T.; Choi, S. (2013). Cost and CO2 emission optimization of steel reinforced concrete columns in high-rise buildings. Energies, 6(11), 5609–5624.
  • Payá, I.; Yepes, V.; González-Vidosa, F.; Hospitaler, A. (2008). Multiobjective optimization of reinforced concrete building frames by simulated annealing. Computer-Aided Civil and Infrastructure Engineering, 23(8), 596–610.
  • Payá-Zaforteza, I.; Yepes, V.; González-Vidosa, F.; Hospitaler, A. (2010). On the Weibull cost estimation of building frames designed by simulated annealing. Meccanica, 45(5), 693–704.
  • Payá-Zaforteza, I.; Yepes, V.; Hospitaler, A.; González-Vidosa, F. (2009). CO2-optimization of reinforced concrete frames by simulated annealing. Engineering Structures, 31(7), 1501–1508.
  • Pei, Y.; Xia, Y. (2012). Design of Reinforced Cantilever Retaining Walls using Heuristic Optimization Algorithms. Procedia Earth and Planetary Science, 5, 32–36.
  • Qu, L.; He, D.; Wu, J. (2011). Hybrid Coevolutionary Glowworm Swarm Optimization Algorithm with Simplex Search Method for System of Nonlinear Equations. Journal of Information & Computational Science, 8(13), 2693– 2701.
  • Rana, S.; Islam, N.; Ahsan, R.; Ghani, S.N. (2013). Application of evolutionary operation to the minimum cost design of continuous prestressed concrete bridge structure. Engineering Structures, 46, 38–48.
  • Sarma, K.C.; Adeli, H. (1998). Cost optimization of concrete structures. Journal of Structural Engineering, 124(5), 570–578.
  • Shieh, H.L.; Kuo, C.C.; Chiang, C.M. (2011). Modified particle swarm optimization algorithm with simulated annealing behavior and its numerical verification. Applied Mathematics and Computation, 218(8), 4365–4383.
  • Srinivas, V.; Ramanjaneyulu, K. (2007). An integrated approach for optimum design of bridge decks using genetic algorithms and artificial neural networks. Advances in Engineering Software, 38(7), 475–487.
  • Valdez, F.; Melin, P.; Castillo, O. (2011). An improved evolutionary method with fuzzy logic for combining Particle Swarm Optimization and Genetic Algorithms. Applied Soft Computing, 11(2), 2625–2632.
  • Wang, E.; Shen, Z. (2013). A hybrid Data Quality Indicator and statistical method for improving uncertainty analysis in LCA of complex system – application to the whole-building embodied energy analysis. Journal of Cleaner Production, 43, 166–173.
  • Wills, J. (1973). A mathematical optimization procedure and its application to the design of bridge structures. Wokingham, Berkshire, United Kingdom.
  • Yepes, V.; Alcalá, J.; Perea, C.; González-Vidosa, F. (2008). A parametric study of optimum earth-retaining walls by simulated annealing. Engineering Structures, 30(3), 821–830.
  • Yepes, V.; Díaz, J.; González-Vidosa, F.; Alcalá, J. (2009). Caracterización estadística de tableros pretensados para carreteras. Revista de la Construcción, 8(2), 95-109.
  • Yepes, V.; García-Segura, T.; Moreno-Jiménez, J.M. (2015a). A cognitive approach for the multi-objective optimization of RC structural problems. Archives of Civil and Mechanical Engineering, 15(4), 1024–1036.
  • Yepes, V.; González-Vidosa, F.; Alcalá, J.; Villalba, P. (2012). CO2-optimization design of reinforced concrete retaining walls based on a VNS-threshold acceptance strategy. Journal of Computing in Civil Engineering, 26(3), 378–386.
  • Yepes, V.; Martí, J.V.; García-Segura, T. (2015b). Cost and CO2 emission optimization of precast–prestressed concrete U-beam road bridges by a hybrid glowworm swarm algorithm. Automation in Construction, 49, 123–134.
  • Yepes, V.; Martí, J.V.; García-Segura, T.; González-Vidosa, F. (2017). Heuristics in optimal detailed design of precast road bridges. Archives of Civil and Mechanical Engineering, 17(4), 738-749.
  • Yepes, V.; Torres-Machí, C.; Chamorro, A.; Pellicer, E. (2016). Optimal pavement maintenance programs based on a hybrid greedy randomized adaptive search procedure algorithm. Journal of Civil Engineering and Management, 22(4), 540-550.
  • Yepes, V. (2017). Trabajo de investigación. Concurso de Acceso al Cuerpo de Catedráticos de Universidad. Universitat Politècnica de València, 110 pp.
  • Yu, C.H.; Gupta, N.C. Das; Paul, H. (1986). Optimization of prestressed concrete bridge girders. Engineering Optimization, 10(1), 13–24.
  • Zhang, J.; Zhou, G.; Zhou, Y. (2010). A New Artificial Glowworm Swarm Optimization Algorithm Based on Chaos Method. In B. Cao, G. Wang, S. Chen, & S. Guo (Eds.), Quantitative Logic and Soft Computing 2010, Vol. 82, pp. 683–693. Berlin, Heidelberg: Springer Berlin Heidelberg.



Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Necrológica: Ha fallecido el Profesor Carlos A. Brebbia

Carlos A. Brebbia (1948-2018)

Tengo que hacerme eco del fallecimiento del profesor Carlos A. Brebbia (1948-2018), hecho acaecido el pasado sábado 3 de marzo de 2018. Tuve la oportunidad de coincidir con él en varios congresos donde me invitó a formar parte del Comité Científico, como el “International Conference on High Performance and Optimum Design of Structures and Materials HPSM/OPTI“, organizados por Wessex Institute. Junto con el Profesor Santiago Hernández y los profesores Kravanja y De Wilde, formaban parte de la presidencia de estos congresos. Os dejo a continuación un breve obituario sobre su persona. Descanse en paz.

Carlos was born in Rosario, Argentina, where he completed his first engineering degree, after being educated at Military Colleges in Santa Fe and Buenos Aires. He spent two years after graduation as part of a small team setting up an Institute of Applied Mechanics. Following this he registered at the University of Southampton in England for a higher degree, arranging to carry out his research partly at MIT.  This experience set up the basis for his long and close association with the USA.

After obtaining his PhD at Southampton University he worked for the Central Electricity Research Laboratories in the UK, a leading research establishment at the time. He left the Laboratories to take up an academic position at the University of Southampton where he rose from Lecturer to Senior Lecturer and Reader. During his time at Southampton he took leave to become Visiting Professor at many other Universities, including an academic year at Princeton. After having been appointed Full Professor of Engineering at the University of California, Irvine, he decided to resign his position and return to the UK to set up the Wessex Institute, of which he was the Founder and Director.

Carlos is renowned throughout the world as the originator of the Boundary Element Method, a technique that generates important research work at the Wessex Institute. He has written many scientific papers, been author of 14 books, co-author of numerous volumes and editor or co-editor of over 500. He also published two non-scientific books, “The New Forest. A Personal View” and “Patagonia, a forgotten Land”.  A book on the Paraguayan War in the 19th Century was a work in progress at the time of his death.

He founded several successful international Journals including the International Journals of Safety and Security, Design & Nature and Ecodynamics, Sustainable Development and Planning, Computational Methods and Experimental Measurements, Energy Production and Management, Heritage Architecture, Transport Development and Integration, and the new International Journal of Environmental Impacts.

He established two International prizes, the highly regarded Prigogine Medal for Ecological Systems Research, co-sponsored by the University of Siena; and the George Green Medal, supported by Elsevier and co-sponsored by the University of Mississippi.

Carlos ran a successful WIT programme of international scientific conferences in different locations throughout the world. He helped the Institute to develop academic links with first class institutions around the world, which has resulted in many more research programmes and collaborative projects.

Carlos held many special honours, including the Medaille de la Ville de Paris, Echelon Argent; Medaille of the Masonnet Foundation, University of Liege, Belgium; Fellow of the Institution of Mechanical Engineers in the UK; Fellow, and Founding President of the American Society of Civil Engineers UK Chapter; Honorary PhD at the University of Bucharest; Fellow of the Royal Society of Arts;and Member of the European Academy of Sciences and Arts.

In parallel with his academic career, Carlos was a highly successful entrepreneur and founded the Computational Mechanics International Ltd group of companies in 1976. This group’s activities have grown to include software development, engineering consultancy, property investment and publishing. The group works closely with WIT and is responsible for the publishing programme of the Institute which includes, in addition to the conference proceedings, a series of monographs and edited books by some of the foremost scientists in the world.

Whilst we grieve the enormous loss of our Founder and Chairman, whose hard work, determination and achievements during his career are truly inspirational, we know that his earnest desire was for all that he has worked tirelessly to build over many years, to continue to flourish. To this we are firmly committed and so we welcome the continued and future collaboration of our friends and colleagues around the world.

Carlos is survived by his wife, Carolyn, his son Alexander and daughter Isabel, and six grandchildren.

Análisis de ciclo de vida de puentes óptimos de vigas artesa

Acaban de publicarnos un artículo en la revista internacional Sustainability sobre análisis de ciclo de vida de puentes óptimos de vigas. La evaluación del impacto ambiental se realiza a lo largo del ciclo de vida de puentes de hormigón postesado de vigas artesa que previamente han sido optimizados mediante una metaheurística de algoritmos meméticos. Os dejo a continuación la referencia de la revista. Además os podéis descargar y distribuir el artículo sin problema, pues está editado en abierto:


PENADÉS-PLÀ, V.; GARCÍA-SEGURA, T.; MARTÍ, J.V.; YEPES, V. (2018). An optimization-LCA of a prestressed concrete precast bridge. Sustainability, 10(3):685. doi:10.3390/su10030685

Descargar (PDF, 2.69MB)