구조 최적화를 위한 Metropolis 유전자 알고리즘을 개발과 호율성 평가

Development and Efficiency Evaluation of Metropolis GA for the Structural Optimization

  • 발행 : 2006.03.01

초록

모사풀림(SA)의 특징적인 Metropolis 규준을 단순 유전자 알고리즘(SGA)의 재생산 연산과정에 도입함으로써 Metropolis 유전자 알고리즘(MGA)이 개발되고, 구조 설계 최적화에 응용되었다. 이러한 결합을 통하여 MGA는 개체의 다양성을 유지하며, 초기 세대에서 나타날 수 있는 유용한 유전자 정보가 보존될 수 있다. 따라서 이 연구에서 제안된 MGA는, 국부적 최적해로 조기 수렴하게 되는 SGA의 단점과 정밀한 전역적 최적해를 찾기 위해 수없이 많은 계산을 해야 하는 SA의 단점을 극복하게 되었다 수치예를 통하여 MGA의 성능과 적용성을 재래의 알고리즘들과 비교하고 평가하였다. 특히 MGA의 성능 신뢰성과 강건성을 평가하는 데는 집단 크기와 최대 반복세대수의 효과를 인용하였다. 이론적 고찰과 수치예의 결과로부터, 이 연구에서 개발된 MGA가 효율성과 신뢰성을 갖춘 구조 설계 최적화의 도구로서 평가되었다.

A Metropolis genetic algorithm (MGA) is developed and applied for the structural design optimization. In MGA, favorable features of Metropolis criterion of simulated annealing (SA) are incorporated in the reproduction operations of simple genetic algorithm (SGA). This way, the MGA maintains the wide varieties of individuals and preserves the potential genetic information of early generations. Consequently, the proposed MGA alleviates the disadvantages of premature convergence to a local optimum in SGA and time consuming computation for the precise global optimum in SA. Performances and applicability of MGA are compared with those of conventional algorithms such as Holland's SGA, Krishnakumar's micro GA, and Kirkpatrick's SA. Typical numerical examples are used to evaluate the computational performances, the favorable features and applicability of MGA. The effects of population sizes and maximum generations are also evaluated for the performance reliability and robustness of MGA. From the theoretical evaluation and numerical experience, it is concluded that the proposed MGA Is a reliable and efficient tool for structural design optimization.

키워드

참고문헌

  1. Fan, H. Y., et al. (2000) An Empirical Comparison of Three Novel Genetic Algorithms, Engineering Computations, 17(8), pp.981-1001 https://doi.org/10.1108/02644400010360901
  2. Goldberg, D. E. (989) Genetic Algorithms in Search, Optimization, and Machine Learning. Addison Wesley MA
  3. Jin, G. G. (2000) Genetic Algorithms and Their Applications (in Korean), Kyowoo-sa
  4. Kim, B. I., Kwon, J. H. (2002) Discrete Optimization of Plane Frame Structures Using Genetic Algorithms, J. of Ocean Engineering and Technology, 16(4), pp. 25-3l
  5. Kim, Y. G., Yun, B. S., Lee, S. B.(2000) Metaheuristics (in Korean), Youngchi sa
  6. Krishnakumar, K.(1989) Micro genetic algorithms for Stationary and Non stationary Function Optimization, SPIE, Intelligent Control and Adaptive Systems, 1196, pp.289-296
  7. Lee, K. H., Lee, K. Y. (1997) Hybrid Optimization Algorithm Based on the Interface of a Sequential Linear Approximation Method and a Genetic Algorithm, J. of Society of Naval Architects of Korea, 34(1), pp.93-10l
  8. Metropolis, N. et al.(1987) Equation of State Calculations by Fast Computing Machines, J. of Chem. Physics, 21, pp. 1087-1092
  9. Ryu, Y. S., Lim, O. K., Park. G. J.(1994) Introduction to Optimum Design (in Korean). McGraw Hill Korea
  10. Seo, K. M., Ryu, Y. S., Ryu, C. R.(1992) An Application of ALM BFGS Algorithm for the Optimum Section Design of Composite Breakwaters. J. of Korean Society of Civil Engineers. 12(1). pp.197-200
  11. Van Laarhoven, P. J. M., Aarts, E. H. L.(1987) Simulated Annealing Theory and Applications. Kluwer Academic Publishers
  12. Woo, B.H., Park, H.S.(2003) Distributed Hybrid Genetic Algorithms for Structural Optimization, J. of Computational Structural Engineering Institute of Korea. 16(5). pp. 407-417