Ứng dụng thuật toán RDMO trong thiết kế đa mục tiêu của giàn thép

Từ khóa:

Dàn thép
DE
Rao-1
Tối ưu
Đa mục tiêu
Phân tích trực tiếp.

https://doi.org/10.59382/j-ibst.2025.vi.vol1-6

Tóm tắt:

Bài báo giới thiệu một phương pháp tối ưu hóa đa mục tiêu cho kết cấu giàn thép phẳng, ứng dụng thuật toán RDMO – sự kết hợp giữa thuật toán Rao-1 và phương pháp tiến hóa vi phân (DE). Nghiên cứu tập trung vào hai mục tiêu chính là giảm thiểu khối lượng tổng thể của giàn thép và hạn chế tối đa chuyển vị ngang tại đỉnh giàn, với biến thiết kế được xác định là diện tích tiết diện của các thanh, nằm trong một khoảng giá trị giới hạn cụ thể. Phân tích trực tiếp được triển khai nhằm mô phỏng chính xác ứng xử phi tuyến của kết cấu, đồng thời đánh giá khả năng chịu tải tối đa trong các điều kiện thực tế. Để minh họa, một giàn thép phẳng gồm 10 thanh được chọn làm ví dụ nghiên cứu. Kết quả chỉ ra rằng RDMO loại bỏ hiệu quả các tham số điều khiển phức tạp, đồng thời đảm bảo cân bằng giữa tốc độ hội tụ, độ chính xác cao và tính đa dạng của các nghiệm tối ưu. Thuật toán này cải tiến chiến lược đột biến từ Rao-1, kết hợp với sắp xếp không thống trị và khoảng cách đông đúc, mang lại hiệu suất vượt trội trong việc nâng cao thiết kế giàn thép, mở ra tiềm năng ứng dụng rộng rãi trong lĩnh vực kỹ thuật dân dụng hiện đại.

Nội dung:

Tài liệu tham khảo:

[1] Saka, M. P., Hasançebi, O., Eser, H., & Geem, Z. W (2024). Historical evolution of structural optimization techniques for steel skeletal structures including industrial design applications. Engineering Optimization, 1–61.

[2] Kaveh, A., & Laknejadi, K (2011). A hybrid multi-objective particle swarm optimization and decision making procedure for optimal design of truss structures. Iranian Journal of Science and Technology, 35(C2): 137-154.

[3] Truong, V. H., Tangaramvong, S., & Papazafeiropoulos, G (2024). An efficient LightGBM-based differential evolution method for nonlinear inelastic truss optimization. Expert Systems with Applications; 237(Part B): 121530.

[4] Pham, H. A., Nguyen, D. X., & Truong, V. H (2021). An efficient differential-evolution-based moving compensation optimization approach for controlling differential column shortening in tall buildings. Expert Systems with Applications; 169: 114531.

[5] Cao, T. S., Nguyen, T. T. T., Nguyen, V. S., Truong, V. H., & Nguyen, H. H (2023). Performance of six metaheuristic algorithms for multi-objective optimization of nonlinear inelastic steel trusses. Buildings, 13(4): 868.

[6] Ho-Huu, V., Duong-Gia, D., Vo-Duy, T., Le-Duc, T., & Nguyen-Thoi, T (2018). An efficient combination of multi-objective evolutionary optimization and reliability analysis for reliability-based design optimization of truss structures. Expert Systems with Applications, 102: 262–272.

[7] Li, L., & Khandelwal, K (2017). Topology optimization of geometrically nonlinear trusses with spurious eigenmodes control. Engineering Structures; 131: 324-344.

[8] Thai, H. T., & Kim, S. E (2009). Practical advanced analysis software for nonlinear inelastic analysis of space steel structures. Advances in Engineering Software, 40: 786-797.

[9] Blandford, G (1996). Progressive failure analysis of inelastic space truss structures. Computers & Structures, 58: 981-990.

[10] Truong, V. H., & Tangaramvong, S (2025). An efficient method for nonlinear inelastic truss optimization based on improved k-nearest neighbor comparison and Rao algorithm. Structures; 71: 108158.

[11] Cao, T. S., Pham, H. A., & Truong, V. H (2025). An efficient algorithm for multi-objective structural optimization problems using an improved pbest-based differential evolution algorithm. Advances in Engineering Software; 197: 103752.

[12] Yang, Y. B., & Shieh, M. S (1990). Solution method for nonlinear problems with multiple critical points. AIAA Journal, 28: 2110-2116.

[13] Degertekin, S. O (2012). Improved harmony search algorithms for sizing optimization of truss structures. Computers & Structures, 92-93: 229-241.

[14] Kaveh, A., & Mahdavi, V. R (2019). Multi-objective colliding bodies optimization algorithm for design of trusses. Journal of Computational Design and Engineering, 6(1): 49-59.

[15] Storn, R., & Price, K (1997). Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization, 11(4): 341–359.

[16] Jenkins, W. M (1991). Towards structural optimization via the genetic algorithm. Computers & Structures, 40(5): 1321-1327.

[17] Geem, Z. W., Kim, J. H., & Loganathan, G. V (2001). A new heuristic optimization algorithm: Harmony search. Simulation, 76(2): 60–68.

[18] Kaveh, A., & Laknejadi, K (2013). A hybrid evolutionary graph based multi-objective algorithm for layout optimization of truss structures. Acta Mechanica; 224: 343-364.

[19] Pham, H. A., Dang, V. H., Vu, T. C., & Nguyen, B. D (2024). An Efficient k-NN-based Rao Optimization Method for Optimal Discrete Sizing of Truss Structures. Applied Soft Computing, 154: 111373.

[20] Deb, K., Agrawal, S., Pratap, A., & Meyarivan, T (2002). A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2): 182-197.

[21] Kukkonen, S., & Lampinen, J (2005). GDE3: the third evolution step of generalized differential evolution. 2005 IEEE Congress on Evolutionary Computation, Edinburgh, UK, 443-450.

[22] Zhang, Q., & Li, H (2007). MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition. IEEE Transactions on Evolutionary Computation; 11(6): 712–731.

[23] Panagant, N., Pholdee, N., Bureerat, S., Yildiz, A. R., & Mirjalili, S (2021). A comparative study of recent multi-objective metaheuristics for solving constrained truss optimisation problems. Archives of Computational Methods in Engineering, 28: 4031–4047.

[24] Tian, Y., Zheng, X., Zhang, X., & Jin, Y (2020). Efficient large-scale multiobjective optimization based on a competitive swarm optimizer. IEEE Transactions on Cybernetics, 50(8): 3696–3708.

[25] Kaveh, A., & Ilchi Ghazaan, M (2020). A new VPS-based algorithm for multi-objective optimization problems. Engineering with Computers, 36(3): 1029–1040.

[26] Eid, H. F., Garcia-Hernandez, L., & Abraham, A (2022). Spiral water cycle algorithm for solving multi-objective optimization and truss optimization problems. Engineering with Computers, 38(S2): 963–973.

[27] Truong, V. H., Cao, T. S., & Tangaramvong, S (2024). A robust machine learning-based framework for handling time-consuming constraints for bi-objective optimization of nonlinear steel structures. Structures, 62: 106226.

[28] Chen, T., & Guestrin, C (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, California, USA, August 13-17, 785-794.

[29] Nguyen, M. C., Pham, H. A., & Truong, V. H (2024). An efficient multi-objective algorithm based on Rao and differential evolution for solving bi-objective truss optimization. Engineering Optimization, 1-31.

[30] Truong, V. H., Tangaramvong, S., Pham, H. A., Nguyen, M. C., & Su, R (2025). An efficient archive-based parameter-free multi-objective Rao-DE algorithm for bi-objective optimization of truss structures. Computers & Structures, 308: 107647.

[31] Rao, R. V (2020). Rao algorithms: Three metaphor-less simple algorithms for solving optimization problems. International Journal of Industrial Engineering Computations, 11: 107-130.

[32] Rao, R. V., & Keesari, H. S (2021). Rao algorithms for multi-objective optimization of selected thermodynamic cycles. Engineering with Computers, 2021; 37(4): 3409-3437.