III Международная студенческая научная конференция Студенческий научный форум - 2011

Эффективность и экономичность любой конструкции зависит не только от ее статического и динамического расчета, но и от конструкторской реализации результатов этого расчета.То есть для того чтобы успешно запроектировать конструкцию, необходимо решить соответствующую задачу оптимизации.
На практике подобные задачи очень часто оказываются довольно сложными. Они включают целевые функции, которые могут быть и дискретными, и недифференцируемыми.

Но существуют  стохастические методы оптимизации, один из которых носит название "генетический алгоритм",во многих случаях они достаточны для нахождения нескольких решений, вполне приемлемых для решения практических задач.Генетические алгоритмы в различных формах применились ко многим научным,техническим проблемам,и могут легко быть описаны на небиологическом языке.Подражая принципу  Ч.Дарвина «выживает сильнейший», генетические алгоритмы способны "развивать" решения реальных задач, если те соответствующим образом закодированы.                                                                                                                                                                      

Многие реальные задачи могут быть сформулированы как поиск оптимального значения, где значение - сложная функция, зависящая от некоторых входных параметров. В некоторых случаях, представляет интерес найти те значения параметров, при которых достигается наилучшее точное значение функции. В других случаях, точный оптимум не требуется - решением может считаться любое значение, которое лучше некоторой заданное величины. В этом случае, генетические алгоритмы - часто наиболее приемлемый метод для поиска "хороших" значений. Сила генетического алгоритма заключена в его способности манипулировать одновременно многими параметрами.При построении генетических алгоритмов, или алгоритмов поколений, задается начальное поколение (или множество) решений, . Сначала, пропорциональный отбор назначает каждой структуре вероятность Ps(i) равную отношению ее приспособленности к суммарной приспособленности популяции, после чего осуществляется оценка этих решений и формируется новое поколение решений. Описанные итерации выполняются до тех пор, пока очередное поколение решений не удовлетворит критериям остановки.  

В строительном проектировании генетические алгоритмы могут использоваться, чтобы проектировать структуры моста, для поиска максимального отношения прочности/веса, или определять наименее расточительное размещение для нарезки форм из текстильного композита и т.д. Мерой приспособленности могло бы быть отношение силы/веса для данного проекта моста. (В природе это эквивалентно оценке того, насколько эффективен организм при конкуренции за ресурсы).

Было рассмотрено поведение под различными нагрузками стальных двухпролетных рам промзданий[2].Целью решения данной задачи было сокращение до минимума расхода стали при изготовлении таких рам. Переменными величинами в данном случае являлись размеры поперечных сечений, то есть речь шла о распределении жесткостей по расчетной схеме рамы.Рассмотрены также задачи железобетона.
Во всех случаях генетический алгоритм оказался на 8-9% эффективнее других.
Для получения наиболее эффективного решения с помощью генетического алгоритма необходимо правильно задавать его параметры( в частности, количество задаваемых первоначальных решений).

1.Симбиркина В."Оптимальное проектирование строительных конструкций с помощью генетического алгоритма"/Международ. научно-технической конференции "Пространственные конструктивные системы зданий и сооружений, методы расчета, конструирования и технология возведения",2008.
2.  Александров Д. А. Алгоритм муравьиной колонии для задачи о минимальном покрытии/ XI междунар. Байкальская школа-семинар Методы оптимизации и их приложения, Труды, т3 (1998), Иркутск.

Код для цитирования: Скопировать