Optimización de puentes mixtos mediante algoritmos de inteligencia de enjambre

Acaban de publicarnos un artículo en la revista Engineering Structures, revista indexada en el primer cuartil del JCR. En este caso se ha optimizado un puente mixto de hormigón y acero, mediante algoritmos discretos de inteligencia de enjambre. El trabajo se enmarca dentro del proyecto de investigación HYDELIFE que dirijo como investigador principal en la Universitat Politècnica de València.

El artículo lo puedes descargar GRATUITAMENTE en el siguiente enlace: https://authors.elsevier.com/sd/article/S0141-0296(22)00708-8

La optimización de un puente mixto puede ser un reto debido al importante número de variables que intervienen en el problema. En este estudio se realizó la optimización de un puente mixto de hormigón y acero con vigas en cajón, con el coste y las emisiones como funciones objetivo. Ante este reto, el trabajo propone un algoritmo híbrido que integra la técnica de aprendizaje no supervisado de k-means con la metaheurística de inteligencia de enjambre continuo para reforzar el rendimiento de esta última. En particular, se discretizan las metaheurísticas sine-cosine y cuckoo search. Se estudia la contribución del operador k-means a la calidad de las soluciones obtenidas. En primer lugar, se diseñan operadores aleatorios para utilizar posteriormente funciones de transferencia que permitan evaluar y comparar los rendimientos. Además, para tener otro punto de comparación, se adaptó una versión del recocido simulado, que ha resuelto eficientemente problemas de optimización relacionados. Los resultados muestran que nuestra propuesta híbrida supera a los diferentes algoritmos diseñados.

Highlights

  • A cost and CO2 emissions optimization a three-span steel–concrete composite bridge has been performed.
  • The optimization considers 35 design variables on average 55 possible choices for each variable.
  • The performance and robustness of a hybrid k-means swarm intelligence metaheuristic is studied for this optimization problem.
  • Hybrid k-means algorithm results are compared with other discrete trajectory based and swarm algorithms.

Abstract

Composite bridge optimization might be challenging because of the significant number of variables involved in the problem. The optimization of a box-girder steel-concrete composite bridge was done in this study with cost and emissions as objective functions. Given this challenge, this study proposes a hybrid algorithm that integrates the unsupervised learning technique of k-means with continuous swarm intelligence metaheuristics to strengthen the latter’s performance. In particular, the metaheuristics sine-cosine and cuckoo search are discretized. The contribution of the k-means operator regarding the quality of the solutions obtained is studied. First, random operators are designed to use transfer functions later to evaluate and compare the performances. Additionally, to have another point of comparison, a version of simulated annealing was adapted, which has solved related optimization problems efficiently. The results show that our hybrid proposal outperforms the different algorithms designed.

Keywords

Combinatorial optimization; Bridge; Metaheuristics; Composite structures; K-means

Reference:

MARTÍNEZ-MUÑOZ, D.; GARCÍA, J.; MARTÍ, J.V.; YEPES, V. (2022). Discrete swarm intelligence optimization algorithms applied to steel-concrete composite bridges. Engineering Structures, 266:114607. DOI:10.1016/j.engstruct.2022.114607

 

Discretización de metaheurísticas continuas a través de un operador KNN

Acaban de publicarnos un artículo en la revista Mathematics,  revista indexada en el primer cuartil del JCR. En este caso hemos abordado la binarización de metaheurísticas continuas. Se trata de una estrategia muy útil para el caso de la optimización de estructuras, puesto que éstas suelen presentar variables discretas para favoreces su constructabilidad. El trabajo entra dentro de la estrecha colaboración internacional de nuestro grupo de investigación, en este caso, con investigaciones chilenos.

En este trabajo se propone un operador de perturbación que utiliza la técnica de k-vecinos más cercanos, y se estudia con el objetivo de mejorar las propiedades de diversificación e intensificación de los algoritmos metaheurísticos en su versión binaria. Se diseñan operadores aleatorios para estudiar la contribución del operador de perturbación. Para verificar la propuesta, se estudian grandes instancias del conocido problema de cobertura de conjuntos. Se utilizan gráficos de caja, gráficos de convergencia y la prueba estadística de Wilcoxon para determinar la contribución del operador. Además, se realiza una comparación con técnicas metaheurísticas que utilizan mecanismos generales de binarización como las funciones de transferencia o el db-scan como métodos de binarización. Los resultados obtenidos indican que el operador de perturbación KNN mejora significativamente los resultados.

ABSTRACT:

The optimization methods and, in particular, metaheuristics must be constantly improved to reduce execution times, improve the results, and thus be able to address broader instances. In particular, addressing combinatorial optimization problems is critical in the areas of operational research and engineering. In this work, a perturbation operator is proposed which uses the k-nearest neighbors technique, and this is studied with the aim of improving the diversification and intensification properties of metaheuristic algorithms in their binary version. Random operators are designed to study the contribution of the perturbation operator. To verify the proposal, large instances of the well-known set covering problem are studied. Box plots, convergence charts, and the Wilcoxon statistical test are used to determine the operator contribution. Furthermore, a comparison is made using metaheuristic techniques that use general binarization mechanisms such as transfer functions or db-scan as binarization methods. The results obtained indicate that the KNN perturbation operator improves significantly the results.

KEYWORDS:

Combinatorial optimization; machine learning; KNN; metaheuristics; transfer functions

REFERENCE:

GARCÍA, J.; ASTORGA, G.; YEPES, V. (2021). An analysis of a KNN perturbation operator: an application to the binarization of continuous metaheuristics. Mathematics, 9(3):225. DOI:10.3390/math9030225.

Descargar (PDF, 1.02MB)