بهینه سازی گسسته ی سازه های فولادی با استفاده از الگوریتم کلونی زنبور مصنوعی، توسعه یافته به کمک مکانیزم ‏بازگشت (‏abc-fb‏)‏

این پایان نامه، الگوریتم بهینه سازی گسسته ی کلونی زنبور مصنوعی توسعه یافته به کمک مکانیزم بازگشت ‏‏(‏abc-fb‏) را برای طراحی بهینه‏‎ ‎ی وزن خرپاهای صفحه‎ ‎ای، خرپاهای فضایی و قاب های فولادی ارائه می دهد. ‏این الگوریتم بر مبنای الگوریتم های بهینه سازی کلونی زنبور مصنوعی ارائه شده توسط ‏karabog‏ [‏appl soft ‎comput 11(2011) 3021-3031‎‏] و ‏sonmez‏ [‏struct multidisc optim 43(2011)85-97; appl soft ‎comput 11(2011) 2406-2418‎‏] می باشد. از الگوریتم کلونی زنبور مصنوعی ‏karaboga‏ که برای بهینه سازی ‏مقید مسائل عددی ارائه شده بود، به عنوان الگوریتم پایه و از پیشنهاد ‏sonmez‏ در جایگزینی نصف بهترین راه ‏حل ها از جمعیت اولیه، به عنوان زنبورهای "استخدام شده" به منظور افزایش سرعت همگرایی استفاده ‏می شود. به منظور گسسته سازی این الگوریتم، با الهام از پیشنهاد ارائه شده توسط کاوه و طلعت اهری‎ ‎‏ ‏‏[‏asian journal of civil engineering (building and housing) 9(2007)563-575‎‏] در الگوریتم گسسته ی ‏بهینه سازی جامعه ی ذرات، مقادیر انتخاب شده توسط زنبورها با نزدیکترین مقدار گسسته ی مجاز جایگزین ‏می شوند. در مرحله ی بعد، جهت اعمال قیود به الگوریتم، از "مکانیزم بازگشت" استفاده می شود. این تکنیک ‏اعمال قیود که از مجموعه ی روش های مبتنی بر توابع جریمه ی فوت به شمار می آید، نسبت به دیگر ‏تکنیک های اعمال قیود، روشی نسبتاً ساده است، به ویژه زمانی که به علت سادگی قیود، تولید فضای اولیه ی ‏امکان پذیر دشوار و زمان بر نباشد. این روش بر اساس تکرار فرایند تولید یک نقطه ی جدید، به صورت بازگشتی ‏به نقطه ی اولیه، تا زمان دست یابی به یک حل امکان پذیر، می باشد. زمانی که فرایند بهینه سازی آغاز می شود، ‏ذرات (زنبورها) در فضای امکان پذیر به دنبال راه حل می گردند. اگر هر یک از ذرات (زنبورها) به خارج از ‏ناحیه ی امکان پذیر‎ ‎برود، به موقعیت قبلی اش باز گردانده می شود تا فضایی که ذرات (زنبورها) در آن به جستجو ‏می پردازند، یک فضای امکان پذیر باشد. الگوریتم پیشنهادی با استفاده از چند مثال مبنا از خرپاهای صفحه ای، ‏خرپاهای فضایی و قاب های فولادی دو بعدی که در مقالات موجود هستند، مورد بررسی قرار گرفته است. نتایج، نشان ‏دهنده ی افزایش نرخ همگرایی و دقت، در مقایسه با سایر روش های بهینه سازی می باشد.‏