Diseño óptimo de un puente mixto basado en un algoritmo de inteligencia de enjambre discreto

Acaban de publicarnos un artículo en la revista Structural and Multidisciplinary Optimization (revista indexada en el JCR en el primer cuartil) sobre la optimización de puentes mixtos de hormigón y acero usando un algoritmo de inteligencia de enjambre discreto y funciones de transferencia. El trabajo se enmarca dentro del proyecto de investigación HYDELIFE que dirijo como investigador principal en la Universitat Politècnica de València.

La optimización de puentes puede ser compleja debido al gran número de variables que intervienen en el problema. En este trabajo se ha ejecutado dos optimizaciones de puentes mixtos de sección en cajón, considerando el coste y las emisiones de CO₂ como funciones objetivo. Tomar las emisiones de CO₂ como función objetivo permite añadir criterios de sostenibilidad para comparar los resultados con el coste. Se han aplicado las metaheurísticas SAMO2, SCA y Jaya para alcanzar este objetivo. Se implementaron funciones de transferencia para adaptar SCA y Jaya a la naturaleza discontinua del problema de optimización del puente. Además, se ha llevado a cabo un Diseño de Experimentos para afinar el algoritmo y establecer sus parámetros. En consecuencia, se ha observado que SCA muestra valores similares para la función objetivo de coste que SAMO2, pero mejora el tiempo computacional en un 18% a la vez que obtiene valores más bajos para la desviación del resultado de la función objetivo. A partir de un análisis de optimización de costes y CO₂, se observa una reducción de 2,51 kg de CO₂ por cada euro reducido utilizando técnicas metaheurísticas. Además, para ambos objetivos de optimización, se comprueba que la adición de celdas a las secciones de los puentes mejora no solo el comportamiento de la sección, sino también los resultados de la optimización. Por último, los resultados muestran que el diseño propuesto de doble acción mixta en los apoyos permite eliminar los rigidizadores longitudinales continuos dispuestos en el ala inferior en este estudio.

Abstract:

Bridge optimization can be complex because of the large number of variables involved in the problem. In this paper, two box-girder steel–concrete composite bridge single objective optimizations have been carried out considering cost and CO₂ emissions as objective functions. Taking CO₂ emissions as an objective function allows adding sustainable criteria to compare the results with cost. SAMO2, SCA, and Jaya metaheuristics have been applied to reach this goal. Transfer functions have been implemented to fit SCA and Jaya to the discontinuous nature of the bridge optimization problem. Furthermore, a Design of Experiments has been conducted to tune the algorithm and set its parameters. Consequently, it has been observed that SCA shows similar values for objective cost function as SAMO2 but improves computational time by 18% while also getting lower values for the objective function result deviation. From a cost and CO₂ optimization analysis, it has been observed that a reduction of 2.51 kg CO₂ is obtained by each euro reduced using metaheuristic techniques. Moreover, for both optimization objectives, it is observed that adding cells to bridge cross-sections improves not only the section behavior but also the optimization results. Finally, it is observed that the proposed design of double composite action in the supports allows this study to remove continuous longitudinal stiffeners in the bottom flange.

Keywords:

Swarm intelligence; Steel–concrete composite structures; Bridges; Optimization; Metaheuristics; Sustainability

Reference:

MARTÍNEZ-MUÑOZ, D.; GARCÍA, J.; MARTÍ, J.V.; YEPES, V. (2022). Optimal design of steel-concrete composite bridge based on a transfer function discrete swarm intelligence algorithm. Structural and Multidisciplinary Optimization, 65:312. DOI:10.1007/s00158-022-03393-9

El artículo está publicado en abierto, por lo que podéis realizar su descarga gratuita en este enlace: https://link.springer.com/article/10.1007/s00158-022-03393-9

Descargar (PDF, 1.92MB)

Special Issue: “Machine Learning, Metaheuristics and Combinatorial Optimization Problems”

 

 

 

 

 

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

  • Open Access – free for readers, with article processing charges (APC) paid by authors or their institutions.
  • High visibility:indexed within ScopusSCIE (Web of Science)RePEc, and other databases.
  • Rapid publication: manuscripts are peer-reviewed, and a first decision provided to authors approximately 17.8 days after submission; acceptance to publication is undertaken in 2.8 days (median values for papers published in this journal in the first half of 2022).
  • Recognition of reviewers: reviewers who provide timely, thorough peer-review reports receive vouchers entitled to a discount on the APC of their next publication in any MDPI journal in appreciation of the work done.

Impact Factor:  2.592 (2021) ; 5-Year Impact Factor: 2.542 (2021)  (First decile JCR journal) JCR – Q1 (Mathematics) / CiteScore – Q1 (General Mathematics)

Special Issue “Machine Learning, Metaheuristics and Combinatorial Optimization Problems”

Deadline for manuscript submissions: 10 February 2023.

Special Issue Editors

Prof. Dr. Víctor Yepes E-Mail Website SciProfiles Guest Editor
Institute of Concrete Science and Technology (ICITECH), Universitat Politècnica de València, 46022 València, Spain
Interests: multiobjective optimization; structures optimization; lifecycle assessment; social sustainability of infrastructures; reliability-based maintenance optimization; optimization and decision-making under uncertainty
Special Issues, Collections and Topics in MDPI journals
Dr. José Antonio García E-Mail Website Guest Editor
Escuela de Ingeniería en Construcción, Pontificia Universidad Católica de Valparaíso, Avenida Brasil 2147, Valparaíso 2362804, Chile
Interests: optimization; deep learning; operations research; artificial intelligence applications to industrial problems
Special Issues, Collections and Topics in MDPI journals
Dr. Broderick Crawford E-Mail Website SciProfiles Guest Editor
Escuela de Ingeniería Informática, Pontificia Universidad Católica de Valparaíso, Avenida Brasil 2241, Valparaíso 2362807, Chile
Interests: information systems; management information systems; operations research; constraint satisfaction problems; collaboration of solvers

Special Issue Information

Dear Colleagues,

Complex combinatorial problems have been successfully addressed through metaheuristic techniques. However, as the size of the problem increases, so does the need for robust optimization algorithms. An interesting method of strengthening these algorithms is through the application of hybrid techniques, specifically the hybridization of machine learning and metaheuristics. We invite researchers to submit articles on combined optimization and hybrid techniques for this Special Issue. Benchmarking problems or applications in the industry are also of interest.

The areas of machine learning and data science have received considerable research interest in recent years. These techniques have strongly excelled in supporting decision-making in complex and data-intensive scenarios. In this Special Issue, we are additionally interested in contributions to machine learning applications in the industry.

Prof. Víctor Yepes
Dr. José Antonio García
Dr. Broderick Crawford
Guest Editors

Manuscript Submission Information

Manuscripts should be submitted online at www.mdpi.com 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 submissions that pass pre-check are peer-reviewed. Accepted papers will be published continuously in the journal (as soon as accepted) and will be listed 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 semimonthly journal published by MDPI.

Please visit the Instructions for Authors page before submitting a manuscript. The Article Processing Charge (APC) for publication in this open access journal is 1800 CHF (Swiss Francs). Submitted papers should be well formatted and use good English. Authors may use MDPI’s English editing service before publication or during author revisions.

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, a version of simulated annealing was adapted to have another point of comparison, 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

Como este artículo está publicado en abierto, os lo dejo para vuestra descarga:

Descargar (PDF, 778KB)

 

Optimización de tableros de puentes mixtos con metaheurística de trayectoria

Variables de la sección transversal del puente mixto

La optimización de puentes es un problema complejo debido al gran número de variables que intervienen. En este trabajo se ha realizado la optimización de un puente mixto en cajón considerando el coste como función objetivo. Para ello se ha aplicado el Recocido Simulado (SA) como ejemplo de algoritmo basado en la búsqueda de soluciones mediante trayectorias para la optimización de la estructura. Se observa que la adición de celdas a las secciones transversales del puente mejora no sólo el comportamiento de la sección sino también los resultados de la optimización. Finalmente, se observa que el diseño propuesto de doble acción compuesta materializando losas en el ala inferior sobre apoyos, permite eliminar los rigidizadores longitudinales continuos. Este método automatiza el proceso de optimización de un diseño inicial de un puente de material compuesto, que tradicionalmente se ha basado en la propia experiencia del técnico, permitiendo alcanzar resultados de forma más eficiente.

Referencia:

MARTÍNEZ-MUÑOZ, D.; SÁNCHEZ-GARRIDO, A.J.; MARTÍ, J.V.; YEPES, V. (2021). Composite bridge deck optimization with trajectory-based algorithms. 6th International Conference on Mechanical Models in Structural Engineering, CMMoST 2021, 1-3 December, Valladolid, Spain, pp. 174-187. ISNB: 978-84-09-39323-7

Descargar (PDF, 589KB)

 

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)

 

Sesión temática en CMN2021: Optimization, metaheuristics and evolutionary algorithms in civil engineering

En el marco del próximo congreso CMN2021 (Congress on Numerical Methods in Engineering) que se celebrará en Las Palmas de Gran Canaria del 28 al 30 de junio de 2021, hemos organizado una sesión temática coordinada por David Greiner, Diogo Ribeiro y Víctor Yepes que versa sobre optimización, metaheurísticas y algoritmos evolutivos en ingeniería civil. Os dejo a continuación una breve descripción del congreso y un resumen de la sesión temática propuesta.

El objetivo del Congreso de Métodos Numéricos en Ingeniería (CMN) es actuar como un foro en que se recopilen los trabajos científicos y técnicos más relevantes en el área de los métodos numéricos y la mecánica computacional, así como sus aplicaciones prácticas. CMN 2021, organizado conjuntamente por las sociedades de métodos numéricos española (SEMNI), portuguesa (APMTAC) y por el Instituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (SIANI) de la Universidad de Las Palmas de Gran Canaria (ULPGC). Los anteriores congresos conjuntos de ambas sociedades fueron celebrados en Madrid (2002), en Lisboa (2004), en Granada (2005), Porto (2007), Barcelona (2009), Coimbra (2011), Bilbao (2013), Lisboa (2015), Valencia (2017) y Minho (2019). Habiendo sido Las Palmas de Gran Canaria la sede del Primer Congreso CMN organizado por SEMNI en 1990, (General Chairs: Gabriel Winter y Miguel Galante), retorna 31 años después a su primera sede. El programa científico del CMN 2021 estará estructurado en sesiones temáticas según las distintas especialidades de los métodos numéricos. Las comunicaciones presentadas en el congreso constituirán una referencia de los avances recientes y de las líneas de trabajo futuras. Asimismo, investigadores internacionales de reconocido prestigio impartirán una serie de conferencias plenarias. El enlace a la web del congreso es la siguiente: https://congress.cimne.com/cmn2021

Descargar (PDF, 129KB)

Special Issue “Deep Learning and Hybrid-Metaheuristics: Novel Engineering Applications”

 

 

 

 

 

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. The European Society for Fuzzy Logic and Technology (EUSFLAT) and International Society for the Study of Information (IS4SI) are affiliated with Mathematics and their members receive a discount on article processing charges.

  • Open Access—free for readers, with article processing charges (APC) paid by authors or their institutions.
  • High Visibility: Indexed in the Science Citation Indexed Expanded – SCIE (Web of Science) from Vol. 4 (2016) and Scopus.
  • Rapid Publication: manuscripts are peer-reviewed and a first decision provided to authors approximately 16.4 days after submission; acceptance to publication is undertaken in 4.6 days (median values for papers published in this journal in the first half of 2020).
  • Recognition of Reviewers: reviewers who provide timely, thorough peer-review reports receive vouchers entitling them to a discount on the APC of their next publication in any MDPI journal, in appreciation of the work done.

 

Impact Factor: 1.747 (2019) (First decile JCR)

Special Issue “Deep Learning and Hybrid-Metaheuristics: Novel Engineering Applications”

Deadline for manuscript submissions: 30 April 2021.

Special Issue Editors

Prof. Dr. Víctor Yepes Website SciProfiles
Guest Editor
ICITECH, Universitat Politècnica de València, Valencia, Spain
Interests: multiobjective optimization; structure optimization; lifecycle assessment; social sustainability of infrastructures; reliability-based maintenance optimization; optimization and decision-making under uncertainty
Special Issues and Collections in MDPI journals
Dr. José Antonio García Website
Guest Editor
Pontificia Universidad Católica de Valparaíso, Chile
Interests: optimization; deep learning; operations research; artificial intelligence applications to industrial problems

Special Issue Information

Dear Colleagues,

Hybrid metaheuristic methods have shown very good performances in different combinatorial problems. Additionally, the rise of machine learning techniques has created a space to develop metaheuristic algorithms that use these techniques in order to tackle NP-hard problems and improve the convergence of algorithms. In this Special Issue, we invite researchers to submit papers in this optimization line, applying hybrid algorithms to industrial problems, including but not limited to industrial applications, and challenging problems arising in the fields of big data, construction, sustainability, transportation, and logistics, among others.

Deep learning techniques have also been important tools in extracting features, classifying situations, predicting events, and assisting in decision making. Some of these tools have been applied, for example, to Industry 4.0. Among the main techniques used are feedforward networks (FNN), convolutional networks (CNN), long-term short memory (LSTM), autoencoders (AE), enerative adversarial networks, and deep Q-networks (DQNs). Contributions on practical deep learning applications and cases are invited to this Special Issue, including but not limited to applications to the industry of computational vision, natural language processing, supervised learning applied to industry, unsupervised learning applied to industry, and reinforcement learning, among others.

Prof. Dr. Víctor Yepes
Dr. José Antonio García
Guest Editors

 

Manuscript Submission Information

Manuscripts should be submitted online at www.mdpi.com 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. The Article Processing Charge (APC) for publication in this open access journal is 1200 CHF (Swiss Francs). Submitted papers should be well formatted and use good English. Authors may use MDPI’s English editing service prior to publication or during author revisions.

Keywords

  • Construction
  • Smart cities
  • Optimization
  • Deep learning

Revisión de los métodos de optimización aplicados al consumo de energía en ferrocarriles

Acaban de publicarnos un artículo en la revista Journal of Cleaner Production, revista de ELSEVIER indexada en el primer decil del JCR. Se trata de un artículo de revisión del estado del arte donde se analizan 52 artículos científicos relacionados con el consumo energético en ferrocarriles. Se analizan dos áreas principales: las técnicas de modelización utilizadas para simular el movimiento de los trenes y el consumo de energía, y los métodos de optimización utilizados para conseguir una circulación ferroviaria más eficiente. Se describen brevemente los métodos más utilizados en cada caso y se analizan las principales tendencias encontradas. Además, se ha realizado un estudio estadístico para reconocer las relaciones entre los métodos y las variables de optimización. Se encontró que los modelos determinísticos basados en la ecuación de Davis son, con diferencia (85% de los trabajos revisados), los más comunes en términos de modelización. En cuanto a la optimización, los métodos meta-heurísticos son la opción preferida (57,8%), en particular los Algoritmos Genéticos. Este artículo forma parte de nuestra línea de investigación BRIDLIFE en la que se pretenden optimizar las infraestructuras 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 mayo de 2019 en el siguiente enlace: https://authors.elsevier.com/a/1YjHX3QCo9Uqa3

Abstract:

Railways are a rather efficient transport mean, and yet there is increasing interest in reducing their energy consumption and making them more sustainable in the current context of climate change. Many studies try to model, analyse and optimise the energy consumed by railways, and there is a wide diversity of methods, techniques and approaches regarding how to formulate and solve this problem. This paper aims to provide insight into this topic by reviewing up to 52 papers related to railways energy consumption. Two main areas are analysed: modelling techniques used to simulate train(s) movement and energy consumption, and optimisation methods used to achieve more efficient train circulations in railway networks. The most used methods in each case are briefly described and the main trends found are analysed. Furthermore, a statistical study has been carried out to recognise relationships between methods and optimisation variables. It was found that deterministic models based on the Davis equation are by far (85% of the papers reviewed) the most common in terms of modelling. As for optimisation, meta-heuristic methods are the preferred choice (57.8%), particularly Genetic Algorithms.

Keywords:

Railways
Energy efficiency
Modelling
Optimisation
Meta-heuristics

Reference:

MARTÍNEZ-FERNÁNDEZ, P.; VILLALBA-SANCHÍS, I.; INSA-FRANCO, R.; YEPES, V. (2019). A review of modelling and optimisation methods applied to railways energy consumption. Journal of Cleaner Production, 222:153-162. DOI:10.1016/j.jclepro.2019.03.037

 

 

Diseño automático de puentes pretensados con algoritmos heurísticos

Acaban de publicarnos un artículo donde se utilizan cuatro algoritmos heurísticos: Descent Local Search, Threshold Accepting Algorithm with Mutation Operation, Genetic Algorithm y Memetic Algorithm para el diseño automático de puentes pretensados.

Se puede descargar gratuitamente este artículo hasta el 10 de junio de 2017 en el siguiente enlace: https://authors.elsevier.com/a/1UwC15s1QSxbmc

Referencia: 

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. DOI: 10.1016/j.acme.2017.02.006

Abstract:

This paper deals with the cost optimization of road bridges consisting of concrete slabs prepared in situ and two precast-prestressed U-shaped beams of self-compacting concrete. It shows the efficiency of four heuristic algorithms applied to a problem of 59 discrete variables. The four algorithms are the Descent Local Search (DLS), a threshold accepting algorithm with mutation operation (TAMO), the Genetic Algorithm (GA), and the Memetic Algorithm (MA). The heuristic optimization algorithms are applied to a bridge with a span length of 35 m and a width of 12 m. A performance analysis is run for the different heuristics, based on a study of Pareto optimal solutions between execution time and efficiency. The best results were obtained with TAMO for a minimum cost of 104184 euros. Among the key findings of the study, the practical use of these heuristics in real cases stands out. Furthermore, the knowledge gained from the investigation of the algorithms allows a range of values for the design optimization of such structures and pre-dimensioning of the variables to be recommended.

Keywords:

Optimization; Metaheuristics; Bridges; Overpasses; Structural design