دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Ali Kaveh. Kiarash Biabani Hamedani
سری: Studies in Computational Intelligence, 1059
ISBN (شابک) : 3031134281, 9783031134289
ناشر: Springer
سال نشر: 2022
تعداد صفحات: 368
[369]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 17 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Advanced Metaheuristic Algorithms and Their Applications in Structural Optimization به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب الگوریتم های فراابتکاری پیشرفته و کاربرد آنها در بهینه سازی سازه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
هدف اصلی کتاب حاضر ایجاد چارچوبی کلی برای فراابتکاری مبتنی بر جمعیت بر اساس برخی مفاهیم اساسی نظریه مجموعه ها است. ایده چارچوب این است که جمعیت افراد را به زیرجمعیت هایی با اندازه های یکسان تقسیم کند. بنابراین، در هر تکرار از فرآیند جستجو، زیرجمعیت های مختلف به طور مستقل اما همزمان فضای جستجو را کاوش می کنند. هدف این چارچوب ایجاد تعادل مناسب بین اکتشاف و بهره برداری در طول فرآیند جستجو است. چند فصل شامل اصلاحات خاص الگوریتم برخی فراابتکاری های پیشرفته نیز برای غنی سازی بیشتر کتاب گنجانده شده است.
خطاب کتاب حاضر به آن دانشمندان است. مهندسان و دانشجویانی که مایلند پتانسیل های فراابتکاری جدید توسعه یافته را کشف کنند. فراابتکاری پیشنهادی نه تنها برای مسائل بهینه سازی سازه قابل استفاده است، بلکه می تواند برای سایر کاربردهای بهینه سازی مهندسی نیز مورد استفاده قرار گیرد. این کتاب احتمالاً برای طیف گستردهای از مهندسان و دانشجویانی که با مسائل بهینهسازی مهندسی سروکار دارند، جالب خواهد بود.
The main purpose of the present book is to develop a general framework for population-based metaheuristics based on some basic concepts of set theory. The idea of the framework is to divide the population of individuals into subpopulations of identical sizes. Therefore, in each iteration of the search process, different subpopulations explore the search space independently but simultaneously. The framework aims to provide a suitable balance between exploration and exploitation during the search process. A few chapters containing algorithm-specific modifications of some state-of-the-art metaheuristics are also included to further enrich the book.
The present book is addressed to those scientists, engineers, and students who wish to explore the potentials of newly developed metaheuristics. The proposed metaheuristics are not only applicable to structural optimization problems but can also be used for other engineering optimization applications. The book is likely to be of interest to a wide range of engineers and students who deal with engineering optimization problems.
Preface Contents 1 Introduction 1.1 Introduction 1.2 Organization of the Present Book References 2 Set-Theoretical Shuffled Shepherd Optimization Algorithm for Optimal Design of Reinforced Concrete Cantilever Retaining Wall Structures 2.1 Introduction 2.2 Shuffled Shepherd Optimization Algorithm (SSOA) 2.3 Set-Theoretical Shuffled Shepherd Optimization Algorithm (ST-SSOA) 2.4 Definition of the Optimization Problem 2.5 Analysis of Cantilever Retaining Walls 2.5.1 Active and Passive Earth Pressure Coefficients 2.5.2 Stability Analysis of Cantilever Retaining Walls 2.6 Results and Discussion 2.7 Concluding Remarks References 3 Set-Theoretical Variants of the Teaching–Learning-Based Optimization Algorithm for Structural Optimization with Frequency Constraints 3.1 Introduction 3.2 Teaching–Learning-Based Optimization (TLBO) Algorithm 3.3 Set-Theoretical Variants of the Teaching–Learning-Based Optimization Algorithm 3.3.1 Ordered Set-Theoretical Teaching–Learning-Based Optimization (OST-TLBO) Algorithm 3.3.2 Set-Theoretical Multi-Phase Teaching–Learning-Based Optimization (STMP-TLBO) Algorithm 3.4 Formulation of Truss Optimization Problem with Frequency Constraints 3.5 Numerical Examples 3.5.1 A 37-Bar Planar Truss 3.5.2 A 52-Bar Dome Truss 3.5.3 A 120-Bar Dome Truss 3.5.4 A 200-Bar Planar Truss 3.6 Concluding Remarks References 4 Enhanced Set-Theoretical Versions of the Shuffled Shepherd Optimization Algorithm for Structural Optimization 4.1 Introduction 4.2 Overview of the Shuffled Shepherd Optimization Algorithm (SSOA) 4.3 Parameter-Free Shuffled Shepherd Optimization Algorithm (PF-SSOA) 4.4 Set-Theoretical Multi-phase Shuffled Shepherd Optimization Algorithm (STMP-SSOA) 4.5 Formulation of the Optimization Problems 4.5.1 Size Optimization of Truss Structures with Frequency Constraints 4.5.2 Discrete Size Optimization of Steel Frame Structures 4.6 Numerical Examples 4.6.1 A 120-Bar Dome-Like Truss 4.6.2 A 200-Bar Planar Truss 4.6.3 A 3-Bay 15-Story Steel Frame Structure 4.6.4 A 3-Bay 24-Story Steel Frame Structure 4.7 Concluding Remarks References 5 Set-Theoretical Metaheuristic Algorithms for Reliability-Based Design Optimization of Truss Structures 5.1 Introduction 5.2 Set-Theoretical Variants of the Population-Based Optimization Algorithms 5.2.1 Set-Theoretical Variants of the Teaching–Learning-Based Optimization Algorithm 5.2.2 Set-Theoretical Variant of the Shuffled Shepherd Optimization Algorithm 5.2.3 Set-Theoretical Variant of the Jaya Algorithm 5.3 System Reliability Analysis of Truss Structures 5.3.1 Generation of Safety Margins for Truss Structures 5.3.2 The Branch and Bound Method 5.3.3 Evaluation of the System Reliability 5.4 System Reliability-Based Design Optimization of Truss Structures 5.5 Numerical Examples 5.5.1 Statically Indeterminate 16-Member Planar Truss 5.5.2 Statically Indeterminate 65-Member Truss Bridge 5.5.3 Statically Indeterminate 67-Member Truss Bridge 5.6 Concluding Remarks References 6 Optimal Analysis in the Service of Frequency-Constrained Structural Optimization with Set-Theoretical Jaya Algorithm 6.1 Introduction 6.2 Free Vibration Analysis of Structures 6.3 Efficient Free Vibration Analysis of Cyclic Symmetric Structures 6.3.1 Structural Matrices in the Cartesian and Cylindrical Coordinate Systems 6.3.2 Efficient Eigensolution Method for Free Vibration Analysis of Cyclic Symmetric Structures 6.4 Mathematical Formulation of the Optimization Problem 6.5 Optimization Algorithms 6.5.1 Jaya Algorithm 6.5.2 Set-Theoretical Jaya Algorithm 6.6 Results and Discussion 6.6.1 A 600-Bar Single-Layer Dome-Like Truss 6.6.2 A 1410-Bar Double-Layer Dome-Like Truss 6.7 Concluding Remarks References 7 Discrete Structural Optimization with Set-Theoretical Jaya Algorithm 7.1 Introduction 7.2 Structural Optimization with Discrete Design Variables 7.3 Classical Jaya Algorithm (JA) 7.4 Set-Theoretical Jaya Algorithm (ST-JA) 7.5 Numerical Examples 7.5.1 A 72-Bar Spatial Truss Structure 7.5.2 A 47-Bar Planar Power Line Tower 7.5.3 A 52-Bar Planar Truss Structure 7.5.4 A 160-Bar Spatial Truss Structure 7.6 Concluding Remarks References 8 Enhanced Forensic-Based Investigation Algorithm 8.1 Introduction 8.2 Forensic-Based Investigation (FBI) Algorithm 8.2.1 Forensic Investigation Process 8.2.2 Mathematical Model 8.3 Enhanced Forensic-Based Investigation (EFBI) 8.4 Formulation of the Optimization Problem 8.5 Numerical Examples 8.5.1 A 52-Bar Dome-Like Truss 8.5.2 A 120-Bar Dome-Like Truss 8.5.3 A 600-Bar Dome-Like Truss 8.6 Concluding Remarks References 9 Improved Slime Mould Algorithm 9.1 Introduction 9.2 Overview of the Slime Mould Algorithm (SMA) 9.3 Proposed Improved Slime Mould Algorithm (ISMA) 9.4 Formulation of the Optimization Problem 9.5 Numerical Examples 9.5.1 A 600-Bar Dome-Like Truss 9.5.2 A 1180-Bar Dome-Like Truss 9.5.3 A 1410-Bar Dome-Like Truss 9.6 Concluding Remarks References 10 Improved Arithmetic Optimization Algorithm 10.1 Introduction 10.2 Overview of the Arithmetic Optimization Algorithm (AOA) 10.2.1 Initialization Phase 10.2.2 Exploration Phase 10.2.3 Exploitation Phase 10.3 Proposed Improved Arithmetic Optimization Algorithm (IAOA) 10.4 Structural Optimization with Discrete Design Variables 10.5 Numerical Examples 10.5.1 A 72-Bar Space Truss 10.5.2 A 384-Bar Double-Layer Barrel Vault 10.5.3 A 3-Bay 15-Story Steel Frame 10.6 Application to High-Dimensional Structural Optimization Problems 10.7 Concluding Remarks References