Etiqueta: recocido simulado

Optimización heurística mediante recocido simulado (simulated annealing)

El recocido simulado (simulated annealing, SA) es una técnica metaheurística estocástica potente diseñada para abordar problemas de optimización global en espacios de búsqueda grandes y complejos. Inspirado en el proceso de recocido de la metalurgia, el algoritmo explora ampliamente el espacio de soluciones a «temperaturas» elevadas y se centra gradualmente en las regiones más prometedoras a medida que la temperatura desciende. Su característica distintiva es la capacidad de aceptar soluciones peores con una probabilidad que disminuye con el tiempo, lo que le permite escapar de mínimos locales y evitar la convergencia prematura.

Este método es particularmente eficaz para problemas NP-hard, como el problema del viajante, la planificación de tareas y el diseño de circuitos, en los que los algoritmos exactos resultan inviables desde el punto de vista computacional. Aunque el SA no garantiza la obtención del óptimo global, produce soluciones de alta calidad en tiempos de cálculo prácticos de forma consistente. El éxito del algoritmo depende en gran medida del ajuste preciso de sus parámetros, como la temperatura inicial, el esquema de enfriamiento y la longitud de las iteraciones en cada nivel de temperatura. Su robustez y versatilidad lo han consolidado como una herramienta fundamental en campos tan diversos como la ingeniería estructural, la química molecular, el procesamiento de imágenes y la asignación de recursos.

Principios fundamentales y origen

El recocido simulado (SA), también conocido como templado simulado, recristalización simulada o enfriamiento simulado, es una técnica metaheurística que adapta un proceso físico al ámbito de la optimización.

  • Definición: El SA es un método estocástico de optimización global. Su estrategia se basa en la analogía con el recocido metalúrgico, proceso en el que un material se calienta y luego se enfría de forma controlada para alcanzar una estructura cristalina estable y de baja energía.
  • Mecanismo central: El algoritmo mejora las soluciones de forma iterativa. Acepta incondicionalmente las soluciones candidatas que son mejores que la actual y, con una probabilidad decreciente, también acepta movimientos que la empeoran. Esta aceptación controlada de transiciones «cuesta arriba» es clave para evitar quedar atrapado en óptimos locales y para permitir un cambio gradual de la exploración a la explotación del espacio de soluciones.
  • Origen: El SA fue desarrollado de forma independiente por Kirkpatrick, Gelatt y Vecchi (1983) y por Černý (1985). Su base teórica se encuentra en el algoritmo de Metropolis (1953), que se aplicó originalmente a la simulación de sistemas termodinámicos.

Mecanismo de funcionamiento y analogía termodinámica.

El SA establece un paralelismo directo entre la optimización y la termodinámica estadística, donde los conceptos se relacionan de la siguiente manera:

  • Función objetivo: corresponde a la energía de un sistema físico. El objetivo es minimizar dicha energía.
  • Solución óptima: representa una estructura cristalina de baja energía, que es un estado estable del sistema.
  • Temperatura (T): Es el parámetro que regula el comportamiento estocástico. A altas temperaturas, el sistema es más volátil y explora más; a bajas, se estabiliza.

El proceso de optimización se rige por el factor de Boltzmann, exp(-ΔE/T), donde ΔE es el cambio en la energía (valor de la función objetivo) de la nueva configuración y T es la temperatura actual.

El criterio de aceptación de una nueva solución s' a partir de una solución actual s sigue la regla de Metropolis:

  1. Si el cambio de energía ΔE = f(s') - f(s) es menor o igual a cero (ΔE ≤ 0), la nueva solución es mejor o igual, por lo que se acepta siempre.
  2. Si el cambio de energía es positivo (ΔE > 0), la nueva solución es peor. Se acepta con una probabilidad P = exp(-ΔE/T).

Esta probabilidad es alta a temperaturas elevadas, lo que fomenta la diversificación y la exploración global. A medida que T se acerca a cero, la probabilidad de aceptar malos movimientos disminuye drásticamente, haciendo que el algoritmo sea más selectivo y se comporte de manera “codiciosa” (greedy), intensificando la búsqueda en regiones prometedoras.

Componentes clave del algoritmo

El rendimiento del SA depende de la calibración precisa de su «esquema de enfriamiento». Sus componentes matemáticos y de procedimiento clave son los siguientes:

Componente Descripción
Temperatura inicial (T₀) Se elige un valor lo suficientemente alto como para asegurar una alta probabilidad de aceptación inicial, lo que permite una exploración amplia del espacio de soluciones. El método de Medina (2001) sugiere ajustarla para que la tasa de aceptación de soluciones de mayor coste se sitúe entre el 20% y el 40%.
Esquema de enfriamiento Define cómo disminuye la temperatura. El más común es el esquema geométrico: T(t+1) = α * Tt, donde α es un coeficiente de reducción típicamente en el rango de [0.8, 0.99]. Una refrigeración rápida corre el riesgo de atrapar la solución en estados metaestables, mientras que una lenta mejora la fiabilidad a un mayor coste computacional.
Longitud de la cadena de Markov Es el número de iteraciones que se ejecutan en cada nivel de temperatura. Debe ser lo suficientemente largo como para que el sistema alcance un estado de equilibrio a esa temperatura antes de seguir enfriando.
Criterio de parada Determina cuándo finaliza el algoritmo. Las condiciones comunes incluyen que la temperatura caiga por debajo de un umbral predefinido (p. ej., el 1% de la temperatura inicial) o que las mejoras en la solución se estabilicen.

Variantes y mejoras

Con el fin de mejorar la eficiencia y la adaptabilidad del SA, se han desarrollado diversas variantes y modificaciones.

  • Estrategia “Best-So-Far”: Mantiene en memoria la mejor solución encontrada hasta el momento, independientemente del estado actual de la búsqueda.
  • Esquemas de recalentamiento: Cuando el sistema se estanca en un óptimo local, la temperatura se incrementa temporalmente para promover una nueva fase de exploración (Dowsland, 1993).
  • Hibridación: Se integra el SA con otros métodos, como algoritmos genéticos, branch-and-bound o programación entera, para aprovechar sus fortalezas complementarias.
  • Implementaciones paralelas: Distribuyen los ensayos entre múltiples procesadores para mejorar la escalabilidad y la velocidad de convergencia.
  • Evaluaciones aproximadas de ΔE: Se utilizan en problemas de alta dimensionalidad para acelerar el cálculo.

Threshold Accepting (TA)

Una variante notable es el Threshold Accepting (TA), introducido por Dueck y Scheuer en 1990. Este método sustituye la regla de aceptación probabilística por una regla determinista: se acepta una solución subóptima si su empeoramiento es inferior a un umbral predefinido.

  • Se acepta una solución subóptima si su empeoramiento (degradación) es inferior a un umbral predefinido.
    Este umbral disminuye gradualmente durante la búsqueda, de forma análoga al esquema de enfriamiento del SA.

Estudios empíricos han demostrado que el TA puede tener un rendimiento comparable o incluso superior al del SA en problemas de planificación, programación y asignación de recursos (Lin et al., 1995).

Dominios de aplicación y ejemplos notables

El SA ha demostrado ser una herramienta versátil y fiable, especialmente para problemas NP-hard para los que no existen solucionadores específicos.

Dominio Aplicación específica y referencia
Enrutamiento Resolución del Problema del Viajante de Comercio (TSP) y sus variantes con restricciones de tiempo (Kirkpatrick et al., 1983).
Planificación Solución de problemas de job-shop scheduling mediante un equilibrio entre diversificación e intensificación (van Laarhoven et al., 1992).
Asignación de recursos Manejo de la complejidad del Problema de Asignación Cuadrática (QAP) en el diseño de instalaciones (Connolly, 1990).
Procesamiento de imágenes Métodos de relajación estocástica para resolver problemas de segmentación y restauración de imágenes (Geman y Geman, 1984).
Química molecular Herramienta estándar para la cristalografía macromolecular y el refinamiento conformacional (Brünger, 1992).
Ingeniería estructural – Diseño de puentes de hormigón pretensado (Martí et al., 2013).

– Optimización paramétrica de muros de contención (Yepes et al., 2008).

– Optimización del tamaño y la disposición de las estructuras de acero (Bresolin et al., 2022).

– Minimización de costes e impacto ambiental (CO₂) en el hormigón armado (Santoro y Kripka, 2020; Medeiros y Kripka, 2014).

– Diseño de estructuras marinas bajo incertidumbre (Toğan, 2012).

Factores críticos para el rendimiento.

El éxito en la aplicación del SA depende en gran medida de la formulación del problema:

  1. Representación del espacio de configuración: La forma en que se define matemáticamente el espacio de soluciones es fundamental.
  2. Definición de movimientos: Es esencial elegir un conjunto adecuado de «movimientos» o ajustes que permitan pasar de una solución a otra vecina. Las representaciones efectivas aseguran que las transiciones entre mínimos locales impliquen pequeñas diferencias de coste, lo que reduce las «barreras de energía».
  3. Función objetivo: Una función objetivo bien elegida puede modificar la distribución de los mínimos locales hacia valores de menor coste promedio, lo que aumenta la probabilidad de encontrar soluciones mejores.
  4. Manejo de restricciones: En los problemas con restricciones, la búsqueda puede limitarse a regiones factibles o pueden permitirse soluciones infactibles penalizándolas en la función objetivo. Este último enfoque puede simplificar la estructura de vecindad y suavizar la topología del paisaje de búsqueda, lo que mejora la convergencia.

Os dejo un vídeo que grabé hace unos años para explicar esta metaheurística. Espero que os sea de interés.

Referencias:

Bresolin, J. M., Pravia, Z. M., & Kripka, M. (2022). Discrete sizing and layout optimization of steel truss-framed structures with Simulated Annealing Algorithm. Steel and Composite Structures, 44(5), 603–617. https://doi.org/10.12989/scs.2022.44.5.603

Brünger, A. T. (1992). X-PLOR Version 3.1: A system for X-ray crystallography and NMR. Yale University Press.

Černý, V. (1985). Thermodynamical approach to the travelling salesman problem: An efficient simulation algorithm. Journal of Optimization Theory and Applications, 45(1), 41–51. https://doi.org/10.1007/BF00940812

Connolly, D. T. (1990). An improved annealing scheme for the QAP. European Journal of Operational Research, 46(1), 93–100. https://doi.org/10.1016/0377-2217(90)90301-Q

Dowsland, K. A. (1993). Simulated annealing. In C. R. Reeves (Ed.), Modern heuristic techniques for combinatorial problems (pp. 20–69). Wiley.

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. https://doi.org/10.1016/0021-9991(90)90201-B

Geman, S., & Geman, D. (1984). Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6(6), 721–741. https://doi.org/10.1109/TPAMI.1984.4767596

Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by simulated annealing. Science, 220(4598), 671–680. https://doi.org/10.1126/science.220.4598.671

Lin, C. K. Y., Haley, K. B., & Sparks, C. (1995). A comparative study of threshold accepting and simulated annealing algorithms in three scheduling problems. European Journal of Operational Research, 83(2), 330–346. https://doi.org/10.1016/0377-2217(95)00011-E

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. https://doi.org/10.1016/j.engstruct.2012.09.014

Medeiros, F., & Kripka, M. (2014). Optimization of reinforced concrete columns according to cost and CO₂ emissions. Engineering Structures, 59, 185–194. https://doi.org/10.1016/j.engstruct.2013.10.045

Medina, J. R. (2001). Estimation of incident and reflected waves using simulated annealing. Journal of Waterway, Port, Coastal and Ocean Engineering, 127(4), 213–221. https://doi.org/10.1061/(ASCE)0733-950X(2001)127:4(213)

Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H., & Teller, E. (1953). Equation of state calculations by fast computing machines. The Journal of Chemical Physics, 21(6), 1087–1092. https://doi.org/10.1063/1.1699114

Santoro, J. F., & Kripka, M. (2020). Minimizing environmental impact in the design of reinforced concrete elements using simulated annealing. Computers and Concrete, 25(2), 111–118. https://doi.org/10.12989/cac.2020.25.2.111

Toğan, V. (2012). Optimization of monopod offshore tower under uncertainties with gradient-based and gradient-free optimization algorithms. Advances in Structural Engineering, 15(12), 2021–2032. https://doi.org/10.1260/1369-4332.15.12.2021

van Laarhoven, P. J. M., & Aarts, E. H. L. (1987). Simulated annealing: Theory and applications (Mathematics and Its Applications, Vol. 37). Springer. https://doi.org/10.1007/978-94-015-7744-1

van Laarhoven, P. J. M., Aarts, E. H. L., & Lenstra, J. K. (1992). Job shop scheduling by simulated annealing. Operations Research, 40(1), 113–125. https://doi.org/10.1287/opre.40.1.113

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. https://doi.org/10.1016/j.engstruct.2007.05.023

Yepes, V. (2026). Heuristic Optimization Using Simulated Annealing. In: Kulkarni, A.J., Mezura-Montes, E., Bonakdari, H. (eds) Encyclopedia of Engineering Optimization and Heuristics. Springer, Singapore. https://doi.org/10.1007/978-981-96-8165-5_48-1

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

Analogía física y conceptos fundamentales de la metaheurística «Simulated Annealing»

Figura 1. Proceso de recocido del acero. https://www.win-therm.com.my/what-is-annealing-heat-treatment-process-annealing/

En un artículo anterior describimos la metaheurística conocida como “Recocido simulado” o “Cristalización simulada”, que en inglés se conoce como “Simulated Annealing”. Para los que no estéis familiarizados con la optimización, os dejo en este enlace una descripción de lo que son las metaheurísticas.

En la década de 1980, Kirkpatrick et al. (1983), mientras trabajaban en el diseño de circuitos electrónicos, y de manera independiente, Cerny (1985), investigando el problema del TSP (Traveling Salesman Problem), consideraron la aplicación del algoritmo de Metrópolis en algunos de los desafíos de optimización combinatoria que surgen en este tipo de diseño. Para lograrlo, creyeron que era posible establecer una analogía entre los parámetros presentes en la simulación termodinámica y aquellos que se encuentran en los métodos de optimización local. En la Figura 2 se puede ver dicha analogía.

Figura 2. Analogía entre la termodinámica y la optimización (Díaz et al., 1996)

Como se puede observar, en el ámbito de la optimización, el concepto físico de temperatura no tiene un significado literal, sino que debe ser considerado como un parámetro, T, que necesita ser ajustado. De esta manera, podemos encontrar similitudes entre los procesos que tienen lugar cuando las moléculas de una sustancia se distribuyen en diferentes niveles energéticos en busca de un equilibrio a una temperatura específica y los procesos de minimización en la optimización local (o, en el caso de maximización, de manera similar).

En el primer caso, con una temperatura fija, la distribución de las partículas sigue la distribución de Boltzmann. Por lo tanto, cuando una molécula se desplaza, su movimiento será aceptado en la simulación si esto resulta en una disminución de la energía, o con una probabilidad proporcional al factor de Boltzmann si no es así. En el contexto de la optimización, al fijar el parámetro T, introducimos una perturbación y aceptamos directamente la nueva solución si su costo disminuye, o bien con una probabilidad proporcional al “factor de Boltzmann” en caso contrario.

La clave del recocido simulado es su estrategia heurística de búsqueda local. La elección del nuevo elemento del entorno, N(s), se hace de manera aleatoria, lo que puede llevar a quedar atrapado en óptimos locales. Para evitar esto, el recocido simulado permite, con una probabilidad decreciente a medida que nos acercamos a la solución óptima, el movimiento hacia soluciones peores. Al analizar el factor de Boltzmann en función de la temperatura, observamos que a medida que esta disminuye, la probabilidad de aceptar una solución peor disminuye rápidamente.

Figura 3. Valor del factor de Boltzmann en función de la temperatura y de δ (Díaz et al., 1996)

En consecuencia, la estrategia a seguir en el recocido simulado implica comenzar con una temperatura alta. Esto permite la posibilidad de aceptar soluciones peores en las primeras etapas, cuando estamos a gran distancia del óptimo global. A medida que se avanza hacia el óptimo global, se reducirá gradualmente la temperatura, disminuyendo así la probabilidad de aceptar soluciones peores. El nombre de este algoritmo proviene del proceso metalúrgico de “recocido” utilizado, por ejemplo, para eliminar las tensiones internas en el acero laminado en frío. En este proceso, el material se somete a un calentamiento rápido y luego se enfría de manera lenta y controlada durante horas.

A continuación os dejo un nomograma, elaborado junto con los profesores Trevor Blight y Pedro Martínez Pagán, para calcular la probabilidad en función de la temperatura y de δ. Aquí también resulta sencillo comprobar cómo varía dicha probabilidad en función de los valores anteriores.

 

Os dejo también un vídeo explicativo:

Referencias

CERNY, V. (1985). Thermodynamical approach to the traveling salesman problem: an efficient simulated algorithm. Journal of Optimization Theory and Applications, 45: 41-51.

DÍAZ, A. et al. (1996). Optimización heurística y redes neuronales en dirección de operaciones e ingeniería. Editorial Paraninfo, Madrid, 235 pp.

KIRKPATRICHK, S.; GELATT, C.D.; VECCHI, M.P. (1983). Optimization by simulated annealing. Science, 220(4598): 671-680.

LUNDY, M.; MEES, A. (1986). Convergence of an Annealing Algorithm. Mathematical programming, 34:111-124.

METROPOLIS, N.; ROSENBLUTH, A.W.; ROSENBLUTH, M.N.; TELLER, A.H.; TELER, E. (1953). Equation of State Calculation by Fast Computing Machines. Journal of Chemical Physics, 21:1087-1092.

GONZÁLEZ-VIDOSA-VIDOSA, F.; YEPES, V.; ALCALÁ, J.; CARRERA, M.; PEREA, C.; PAYÁ-ZAFORTEZA, I. (2008) Optimization of Reinforced Concrete Structures by Simulated Annealing. TAN, C.M. (ed): Simulated Annealing. I-Tech Education and Publishing, Vienna, pp. 307-320. (link)

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

El artículo más citado de nuestro grupo de investigación en la Web of Science: Optimización de muros de hormigón

En 2008, publiqué un artículo en la revista Engineering Structures, la cual está indexada en el primer cuartil del JCR. El artículo, titulado “A parametric study of optimum earth-retaining walls by simulated annealing”, fue uno de los primeros que publicamos en nuestro grupo de investigación sobre optimización de estructuras. Desde entonces, ha seguido siendo muy citado por la comunidad científica, con un total de 112 citas hasta la fecha y una media de 7 citas por año. Estas cifras son notables dado que la optimización estructural es un campo de especialización pequeño en comparación con otros ámbitos del conocimiento. Además, en numerosas ocasiones, son los artículos de revisión del estado del arte los que más se citan. No es este el caso, que es un artículo de investigación. Por ese motivo, me gustaría compartir el contenido del artículo y proporcionar la referencia para aquellos interesados en echar un vistazo.

Este artículo se centra en la optimización económica de los muros de contención de tierras construidos con hormigón armado, que se utilizan comúnmente en la construcción de carreteras. El método propuesto para optimizar los muros es el algoritmo de recocido simulado. El problema se formula con 20 variables de diseño, que incluyen cuatro variables geométricas relacionadas con el espesor del alzado y la zapata, así como la longitud de la punta y el talón en la cimentación; cuatro tipos de materiales; y 12 variables para la disposición de las armaduras. El estudio evalúa la importancia relativa de factores como el coeficiente de fricción de la base, el ángulo de fricción muro-relleno y la limitación de las deflexiones del bordillo.

Además, el documento presenta un estudio paramétrico de muros comunes de 4 a 10 metros de altura, bajo diferentes condiciones portantes y rellenos. Se calculan expresiones medias para el coste total, el volumen de hormigón, el espesor del bordillo y la zapata, y la longitud de la zapata y el talón, que pueden ser útiles para el diseño práctico de muros. El estudio también establece un límite superior de 50 kg/m³ de armadura en el bordillo y 60 kg/m³ para todo el muro.

Lo más interesante de este estudio es que permite extraer fórmulas de predimensionamiento óptimo. Estas fórmulas las podéis ver en el artículo, pero también en el siguiente enlace: https://victoryepes.blogs.upv.es/2015/02/28/%c2%bfcomo-predimensionar-un-muro-sin-calculadora/

Podéis pedir el artículo en el siguiente enlace: https://www.researchgate.net/publication/222227130_A_parametric_study_of_optimum_earth-retaining_walls_by_simulated_annealing

Abstract:

This paper examines the economic optimization of reinforced concrete earth-retaining walls used in road construction. The simulated annealing algorithm is the proposed method to optimize walls. The formulation of the problem includes 20 design variables: four geometrical ones dealing with the thickness of the kerb and the footing, as well as the toe and the heel lengths; four material types; and 12 variables for the reinforcement set-up. The study estimates the relative importance of factors such as the base friction coefficient, the wall-fill friction angle and the limitation of kerb deflections. Finally, the paper presents a parametric study of commonly used walls from 4 to 10 m in height for different fills and bearing conditions. Average expressions are calculated for the total cost, the volume of concrete, the thickness of the kerb and the footing, the lengths of the footing and the heel, which may be useful for the practical design of walls. An upper bound of 50 kg/m3 of reinforcement in the kerb and 60 kg/m3 for the overall wall is reported.

Keywords:

Structural design; Economic optimization; Heuristics; Concrete structures

Reference:

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. DOI:10.1016/j.engstruct.2007.05.023

 

 

Técnicas heurísticas para el diseño de pasarelas mixtas

Acaban de publicarnos un artículo en la revista científica Applied Sciences (indexada en el JCR, Q2) un artículo que trata sobre el uso de distintas técnicas heurísticas para optimizar una pasarela de sección mixta hormigón-acero. El trabajo se enmarca dentro del proyecto de investigación DIMALIFE que dirijo como investigador principal en la Universitat Politècnica de València.

El objetivo de este trabajo ha sido aplicar técnicas de optimización heurística a un puente peatonal compuesto de hormigón y acero, modelado como una viga biapoyada. Se ha desarrollado un programa específico en Fortran, capaz de generar puentes peatonales, comprobar todos sus estados límite y evaluar su coste. Se han utilizado en este trabajo los siguientes algoritmos: búsqueda local de descenso (DLS), un recocido simulado híbrido con un operador de mutación (SAMO2) y una optimización de enjambres de luciérnagas (GSO) en dos variantes. Los resultados se compararon según el coste más bajo. Los algoritmos GSO y DLS combinados obtuvieron los mejores resultados en términos de coste. Además, se ha estudiado la comparación entre las emisiones de CO2 asociadas a la cantidad de materiales obtenidos por cada técnica heurística y la solución de diseño original. Finalmente, se realizó un estudio paramétrico en función de la longitud de vano del puente peatonal.

El artículo se ha publicado en abierto, y se puede descargar en el siguiente enlace: https://www.mdpi.com/2076-3417/9/16/3253

ABSTRACT:

The objective of this work was to apply heuristic optimization techniques to a steel-concrete composite pedestrian bridge, modeled like a beam on two supports. A program has been developed in Fortran programming language, capable of generating pedestrian bridges, checking them, and evaluating their cost. The following algorithms were implemented: descent local search (DLS), a hybrid simulated annealing with a mutation operator (SAMO2), and a glow-worms swarm optimization (GSO) in two variants. The first one only considers the GSO and the second combines GSO and DLS, applying the DSL heuristic to the best solutions obtained by the GSO. The results were compared according to the lowest cost. The GSO and DLS algorithms combined obtained the best results in terms of cost. Furthermore, a comparison between the CO2 emissions associated with the amount of materials obtained by every heuristic technique and the original design solution were studied. Finally, a parametric study was carried out according to the span length of the pedestrian bridge.

Keywords: pedestrian bridge; composite structures; optimization; metaheuristics; structural design

REFERENCIA:

Yepes, V.; Dasí-Gil, M.; Martínez-Muñoz, D.; López-Desfilis, V.J.; Martí, J.V. Heuristic Techniques for the Design of Steel-Concrete Composite Pedestrian Bridges. Appl. Sci. 2019, 9, 3253.

Pincha aquí para descargar

 

 

Optimización de pasarelas peatonales de sección en cajón y hormigón de alta resistencia

Acaban de publicarnos un artículo en la revista International Journal of Computational Methods and Experimental Measurements un artículo en el que optimizamos pasarelas peatonales de sección en cajón y hormigón de alta resistencia. Se trata de una publicación en abierto, por lo que os dejamos a continuación el artículo completo para su lectura y descarga.

ABSTRACT:

This paper deals with the economic optimization of high-performance post-tensioned concrete box-girder pedestrian bridges. To this end, a program analyzes and evaluates the structural restrictions following Spanish codes for structural concrete and bridge design loads. This problem includes 33 discrete design variables that define the geometry, the concrete, the reinforcing steel bars and the post-tensioned steel. Various acceptance criteria are proposed to modify a variant of the simulated annealing algorithm with a neighborhood move based on the mutation operator from the genetic algorithms (SAMO). An objective methodology based on the extreme value theory is used to determine the number of experimental tests required to provide a solution with user-defined accuracy as compared to a global optimum solution. Results indicate that the local optima found by SAMO2 fits a three parameter Weibull distribution and improves the cost results for this structural problem. The minimum value obtained by SAMO2 differed just 0.34% compared to the theoretical minimum value so that, from the structural engineering perspective, the divergence was small enough to be accepted. High strength concrete performance was further studied in a concrete strength parametric study to acquire more evidence-based knowledge on its implications for economic efficiency. Finally, the study showed that high-strength concrete decreases the cost by 4.5% and the amount of concrete by 26%.

KEYWORDS:

Box-girder bridge, extreme value theory, high-strength concrete, post-tensioned concrete, simulated annealing, Structural optimization

REFERENCE:

YEPES, V.; PÉREZ-LÓPEZ, E.; GARCÍA-SEGURA, T.; ALCALÁ, J. (2019). Optimization of high-performance concrete post-tensioned box-girder pedestrian bridges. International Journal of Computational Methods and Experimental Measurements, 7(2):118-129. DOI: 10.2495/CMEM-V7-N2-118-129

Pincha aquí para descargar

 

 

Optimización de la energía necesaria para construir puentes losa postesados

Acaban de publicarnos en la revista Technologies un artículo que aplica el algoritmo de recocido simulado a la optimización del coste y de la energía empleada en un puente losa postesado con tablero aligerado. Se resuelve un problema complejo de optimización de 33 variables de diseño. Como resultados interesantes cabe señalar que, en ocasiones, las soluciones de menor coste no son necesariamente las que menos energía consumen. El artículo se ha publicado en abierto y se puede descargar en la web. Aquí tenéis la referencia y el artículo completo.

 

Referencia:

ALCALÁ, J.; GONZÁLEZ-VIDOSA, YEPES, V.; MARTÍ, J.V. (2018). Embodied energy optimization of prestressed concrete slab bridge decks. Technologies, 6(2):43. doi:10.3390/technologies6020043 (link)

Pincha aquí para descargar

Optimización de estructuras de hormigón mediante Simulated Annealing

Logo OptimizacionA continuación os dejo un capítulo de un libro de Simulated Annealing, escrito en abierto para su libre difusión, donde explicamos varias aplicaciones del algoritmo de Cristalización Simulada aplicada a estructuras de hormigón armado. En particular: muros ménsula, pórticos de carreteras, marcos de carreteras y pórticos de edificación. Su referencia es:

GONZÁLEZ-VIDOSA-VIDOSA, F.; YEPES, V.; ALCALÁ, J.; CARRERA, M.; PEREA, C.; PAYÁ-ZAFORTEZA, I. (2008) Optimization of Reinforced Concrete Structures by Simulated Annealing. TAN, C.M. (ed): Simulated Annealing. I-Tech Education and Publishing, Vienna, pp. 307-320. (link)

Pincha aquí para descargar

¿Qué es la optimización por cristalización simulada?

La cristalización simulada (también llamado recocido simulado) “Simulated Annealing, SA” constituye una de las estrategias a las que se recurre en la resolución de los problemas de optimización combinatoria. Kirkpatrick, Gelatt y Vecchi la propusieron por primera vez en 1983, y Cerny la propuso de forma independiente en 1985. Estos autores se inspiraron en los trabajos de Metrópolis et al. (1953) sobre Mecánica Estadística. La metaheurística despliega una estructura que se inserta cómodamente en la programación y, además, muestra una considerable habilidad para escapar de los óptimos locales. Fue una técnica que experimentó un auge considerable en la década de los 80 para resolver problemas de optimización mediante modelos matemáticos.

La energía de un sistema termodinámico se compara con la función de coste evaluada para una solución admisible 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” mediante un parámetro de control, denominado temperatura. Su reducción adecuada permite, con una probabilidad elevada, que un sistema termodinámico adquiera un mínimo global de energía. Conceptualmente, es un algoritmo de búsqueda por entornos que selecciona candidatos de forma aleatoria. La alternativa se aprueba si perfecciona la solución actual (D ≤ 0); en caso contrario, será aceptada con una probabilidad e^(-D/T), donde T es el parámetro de temperatura, si D > 0. El proceso se repite cuando la propuesta no es admitida. La selección aleatoria de soluciones degradadas permite eludir los mínimos locales. La cristalización simulada se codifica fácilmente, incluso en problemas complejos y con funciones objetivo arbitrarias. Además, independientemente de la solución inicial, el algoritmo converge estadísticamente a la solución óptima (Lundy y Mees, 1986). En cualquier caso, SA suele ofrecer soluciones valiosas, aunque no informa si ha alcanzado el óptimo absoluto. Por contra, al ser un procedimiento general, en ocasiones no resulta competitivo, aunque sí comparable, frente a otros específicos que aprovechan información adicional del problema. El algoritmo es lento, especialmente si la función objetivo es costosa en términos de tiempo de computación. Además, la cristalización simulada pierde terreno frente a otros métodos más simples y rápidos, como el descenso local, cuando el espacio de las soluciones es poco abrupto o escasean los mínimos locales.

Os dejo un vídeo explicativo:

Referencias

CERNY, V. (1985). Thermodynamical approach to the traveling salesman problem: an efficient simulated algorithm. Journal of Optimization Theory and Applications, 45: 41-51.

KIRKPATRICHK, S.; GELATT, C.D.; VECCHI, M.P. (1983). Optimization by simulated annealing. Science, 220(4598): 671-680.

LUNDY, M.; MEES, A. (1986). Convergence of an Annealing Algorithm. Mathematical programming, 34:111-124.

METROPOLIS, N.; ROSENBLUTH, A.W.; ROSENBLUTH, M.N.; TELLER, A.H.; TELER, E. (1953). Equation of State Calculation by Fast Computing Machines. Journal of Chemical Physics, 21:1087-1092.

GONZÁLEZ-VIDOSA-VIDOSA, F.; YEPES, V.; ALCALÁ, J.; CARRERA, M.; PEREA, C.; PAYÁ-ZAFORTEZA, I. (2008) Optimization of Reinforced Concrete Structures by Simulated Annealing. TAN, C.M. (ed): Simulated Annealing. I-Tech Education and Publishing, Vienna, pp. 307-320. (link)

Optimización heurística de ménsulas cortas mediante elementos finitos con fisuración distribuida

A continuación os dejo un artículo donde se aplica la optimización heurística mediante recocido simulado de ménsulas cortas de hormigón armado, usando para ello elementos finitos con fisuración distribuida.

También puedes encontrar el artículo en acceso abierto en: https://www.witpress.com/elibrary/wit-transactions-on-the-built-environment/125/23501

 

 

 

Referencia:

ROJAS, G.; ROJAS, P.; GONZÁLEZ-VIDOSA, F.; YEPES, V. (2012). Heuristic optimization of short corbels by smeared cracking finite element analysis. International Conference on Computer Aided Optimum Design in Engineering, 20-22 june. Computer Aided Optimum Design in Engineering XII. Vol. 125, pp. 71-82. Edited By: S. HERNANDEZ, University of A Coruña, Spain, C.A. BREBBIA, Wessex Institute of Technology, UK and W.P. DE WILDE, Vrije Universiteit Brussel, Belgium. DOI: 10.2495/OP120071  ISSN: 1743-3509 (on line).

 

 

Pincha aquí para descargar

 

 

Diseño de puentes de carretera de hormigón prefabricado pretensado usando un algoritmo híbrido basado en el recocido simulado

En este trabajo se describe un método para el análisis y el diseño de puentes de carretera prefabricados de hormigón pretensado, con sección transversal en doble U y vanos isostáticos. El procedimiento utilizado para resolver este problema combinatorio es una variante del algoritmo del recocido simulado, usando como movimiento basado en un operador de mutación de los algoritmos genéticos (SAMO). El algoritmo se aplica al coste económico de estas estructuras a lo largo de las diferentes etapas de su fabricación, transporte y construcción. El problema implica 59 variables de diseño discretas para definir la geometría de la viga y de la losa, los materiales en estos dos elementos, y la armadura activa y pasiva. Del estudio paramétrico se concluye una buena correlación entre el coste, las características geométricas y el armado con respecto a la luz del puente, lo cual es de gran interés para el predimensionamiento de estos puentes prefabricados. También se realizó un análisis de sensibilidad al cambio de los costes, comprobándose que si existe un aumento del 20% en el coste del acero, entonces se produce un incremento del 11,82% del coste total. Sin embargo, un aumento en el 20% en el coste del hormigón, produce únicamente un incremento del 4,20% en el coste total, 2,8 veces menos. Este análisis también mostró que las características de los puentes optimizados dependen de los escenarios económicos contemplados para el precio del acero y del hormigón. Indicar, por último, que existe un incremento del volumen necesario de hormigón cuando se eleva el coste del acero; pero sorprendentemente, la variación en el volumen de hormigón es casi insensible a su encarecimiento.

Resultados interesantes:

  • El coste del puente se duplica cuando la luz aumenta de 20 a 40 m.
  • La resistencia característica del hormigón en la viga oscila entre 40 y  50 MPa para los rangos entre 20 y 40 m de luz, mientras que en la losa se encuentra entre 35 y 40 MPa.
  • El canto de la viga presenta una esbeltez que no baja de L/18.
  • El espesor de las almas es de 10 cm en todos los casos. El resto de variables se encuentran en función de la luz y permiten un predimensionamiento de la estructura.
  • El estudio de sensibilidad de precios indica que un incremento del 20% en el coste del acero supone un aumento del coste total del 11,82%. Sin embargo, el incremento es del 20% en el hormigón, el coste total solo sube un 4,20%. La subida del acero lleva a estructuras con menos cuantías de acero, pero existe una variación significativa en el volumen del hormigón cuando este sube el 20%.

 

Referencia:

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. DOI:10.1016/j.engstruct.2012.09.014. ISSN: 0141-0296.(link)

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