Sizing truss structures using teaching-learning-based optimization

S.O. Degertekin ⇑, M.S. Hayalioglu

Degertekin, S. & Hayalioglu, M.s. (2013). Sizing truss structures using teaching-learning-based
optimization. Computers & Structures. 119. 177–188. 10.1016/j.compstruc.2012.12.011.

1. Introdução

Os métodos de pesquisa meta-heurística têm sido amplamente utilizados para otimização de

estruturas de treliça nas últimas duas décadas. Otimização de colônia de formigas (ACO),
pesquisa de harmonia (HS), otimização de enxame de partículas (PSO), otimização de big bang-
big crunch (BB-BC) e otimização artificial de colônia de abelhas (ABC) são os métodos de
pesquisa meta-heurísticos mais populares. Eles também são classificados como métodos de
otimização baseados na população ou inspirados na natureza. A principal filosofia de todos os
métodos de otimização meta-heurística é seguir algumas heurísticas para obter a melhor
solução para um problema de otimização. Basicamente, os algoritmos de otimização meta-
heurística geram novos designs de avaliação, seguindo uma estratégia aleatória que é '' guiada
'', no entanto, por critérios inspiradores. Portanto, a pesquisa de otimização é denominada
"meta-heurística" para diferenciar essa classe de algoritmos da pesquisa de otimização
totalmente heurística [1]. A otimização do projeto de estruturas esqueléticas usando métodos
de busca meta-heurística é um importante campo da engenharia em desenvolvimento
contínuo. O estado da arte da utilização de algoritmos metaheurísticos na otimização de peso
ou custo de estruturas esqueléticas foi recentemente revisado por Lamberti [1] e Saka [2].

O ACO foi proposto originalmente por Dorigo et al. [3] para problemas de otimização. O
método simula o comportamento de forrageamento das colônias de formigas da vida real. O
ACO tenta modelar algumas das capacidades fundamentais observadas no comportamento
das formigas como um método de otimização combinatória estocástica [4]. As formigas podem
construir o caminho mais curto desde a colônia até a fonte de alimentação e voltar através do
uso de trilhas de feromônios [1]. Além de suas diferentes aplicações, o método também foi
utilizado para a otimização do projeto de sistemas estruturais. Por exemplo, estruturas de
treliça foram otimizadas por Camp e Bichon [5], Capriles et al. [6], Serra e Venini [7] e
Hasancebi et al. [8] As estruturas de armação foram otimizadas por Camp et al. [4], Kaveh e
Shojaee [9], Hasancebi et al. [10], Kaveh e Talatahari [11].

O HS foi desenvolvido por Geem et al. [12] para resolver problemas de otimização
combinatória. O método baseia-se na analogia entre o processo musical de buscar um perfeito
estado de harmonia e buscar soluções para problemas de otimização. A semelhança, por
exemplo, entre a improvisação do jazz, que busca encontrar harmonia musicalmente
agradável, e a otimização, é que o processo ótimo de projeto procura encontrar a solução
ideal, conforme determinado pela função objetivo [2]. Depois de Lee e Geem [13] e Lee et al.
[14] estudos que utilizaram o HS na otimização de estruturas de treliça, o HS tem sido usado
para uma variedade de problemas de otimização estrutural, incluindo projeto ideal de cúpulas
geodésicas [15], sistemas de grelhar [16], estruturas de aço [17–21] e treliças. [8,22,23]. Além
da implementação padrão do algoritmo HS, os pesquisadores desenvolveram muitos novos
recursos no HS. Por exemplo, Lamberti e Pappalettere [22] introduziram uma formulação
aprimorada de busca de harmonia, na qual são gerados projetos de ensaios, incluindo
informações sobre os gradientes da função de custo. A nova formulação do HS concluiu o
processo de otimização em muito menos iterações do que a busca de harmonia clássica e
outros códigos de otimização meta-heurísticos [22]. Hasancebi et al. [21] propuseram um
método adaptativo de busca de harmonia para otimização estrutural. Na implementação
padrão do HS, valores internos constantes apropriados são atribuídos. Portanto, a eficiência do
HS está diretamente relacionada ao conjunto de valores de parâmetros escolhido. O algoritmo
de busca de harmonia adaptativa proposto por Hasancebi et al. [21] incorpora uma nova
abordagem para ajustar automaticamente os parâmetros internos durante a busca pelo
processo de otimização mais eficiente [21].

O método PSO foi desenvolvido por Kennedy e Eberhart [24]. É baseado na premissa de que o
compartilhamento social de informações entre os membros de uma espécie oferece uma
vantagem evolutiva [25]. O procedimento envolve um número de partículas que representam
o enxame sendo inicializado aleatoriamente no espaço de busca de uma função objetiva. Cada
partícula no enxame representa uma solução candidata para o problema de projeto ideal. As
partículas voam pelo espaço de busca e suas posições são atualizadas usando a posição atual,
um vetor de velocidade e um incremento de tempo [2]. O PSO tem sido utilizado na otimização
de estruturas esqueléticas [26–29]. Os pesquisadores introduziram novos recursos na
implementação padrão do PSO. Li et al. [28,29] propuseram um otimizador de enxame de
partículas heurísticas (HPSO), que combina um esquema PSO e um esquema HS, para otimizar
o dimensionamento de estruturas de treliça. Kaveh e Talatahari [30,31] introduziram um
esquema de otimização de colméias, otimização de colônias de formigas e busca de harmonia
para estruturas de treliça com variáveis discretas [30] e variáveis contínuas [31]. O método
combina um otimizador de enxame de partículas com congregação passiva (PSOPC),
otimização de colônias de formigas (ACO) e esquema de busca de harmonia (HS).

O BB-BC proposto por Erol e Eksin [32] simula as teorias da evolução do universo. De acordo
com essa teoria, na fase do Big Bang, a dissipação de energia produz desordem e a
aleatoriedade é a principal característica dessa fase; enquanto que, na fase Big Crunch,
partículas distribuídas aleatoriamente são atraídas para uma ordem [33]. O algoritmo BB-BC
foi aplicado para otimização de dimensionamento de estruturas de treliça [34]. Para melhorar
a capacidade de convergência do algoritmo BB-BC padrão, Kaveh e Talatahari [33,35]
desenvolveram o algoritmo BB-BC (HBB-BC) híbrido para otimizar treliças espaciais e cúpulas
com nervuras. O método HBB-BC consiste em duas fases: uma fase do Big Bang, na qual as
soluções candidatas são distribuídas aleatoriamente no espaço de pesquisa e uma fase do Big
Crunch, trabalhando como um operador de convergência, onde o centro de massa é gerado
[33].

O método ABC foi desenvolvido pela primeira vez por Karaboga [36] para otimização da função
numérica. O ABC é um método de otimização baseado no comportamento inteligente do
enxame de abelhas. No método ABC, cada fonte de alimento explorada pelas abelhas
representa uma solução possível para um problema de otimização. A localização e quantidade
de néctar do canteiro correspondem às variáveis de design e função de condicionamento,
respectivamente [37]. O ABC foi aplicado com sucesso à otimização de tamanho de estruturas
de treliça com variáveis contínuas [37] e variáveis discretas [38]. A comparação dos resultados
do algoritmo ABC com outros métodos meta-heurísticos demonstrou que o algoritmo ABC
fornece resultados tão bons quanto ou melhores que outros algoritmos de otimização para
otimização de estruturas de treliça [37].

Um novo método de otimização chamado "otimização baseada em ensino-aprendizagem

(TLBO)" foi proposto por Rao et al. [39] para problemas de otimização de projeto mecânico
restrito. O método baseia-se no efeito da influência de um professor nos alunos e no efeito
dos alunos. Rao et al. [39] apresentaram cinco funções diferentes de teste de benchmark
restrito, a fim de demonstrar a robustez do TLBO. Os resultados obtidos nos exemplos de
projeto foram comparados com os outros métodos de otimização meta-heurística. As
comparações mostraram que o TLBO apresentou melhor desempenho com menos esforço
computacional em relação a outros métodos de otimização meta-heurística. Rao et al. [40]
desenvolveram o método TLBO para problemas de otimização não linear em larga escala para
encontrar soluções globais. Cinco problemas de benchmark diferentes são otimizados usando
o método TLBO e os resultados são comparados com os resultados do método GA, sistema de
colônias de formigas, algoritmo de abelhas e explosão de granadas. Os resultados provaram
que o método TLBO é eficaz em termos de esforço computacional, consistência e obtenção de
soluções quase ótimas. Após os estudos pioneiros de Rao et al. [39,40], o TLBO foi empregado
para o projeto ideal de estruturas de aço planas [41]. A eficiência do método foi verificada
usando três estruturas de aço previamente otimizadas pelo GA, HS e ACO aprimorada. No que
diz respeito ao número de análises e aos resultados para os quadros apresentados no estudo,
o método TLBO demonstrou excelente desempenho sobre o GA, ACO, HS e ACO aprimorado
[41].

Neste artigo, a robustez do TLBO será investigada na otimização de estruturas de treliça. São
apresentadas quatro estruturas populares de treliça de referência na literatura atual para
testar a eficiência do TLBO. Os resultados obtidos com o TLBO serão comparados com os de
outros algoritmos de otimização meta-heurísticos recentemente apresentados na literatura
como otimização de enxame de partículas (PSO), otimizador de enxame de partículas
heurísticas (HPSO), otimização de enxame de partículas híbrida (HPSO), big-bang big
otimização de trituração (BB-BC), otimização de colônia de enxame de partículas heurísticas
(HPSACO), otimização híbrida de grande angular (HBB-BC), recozimento simulado corrigido em
vários níveis e pontos múltiplos (CMLPSA), otimização artificial de colônia de abelhas ( ABC-
AP), algoritmo de busca de harmonia aprimorado (IHS), algoritmo de busca de harmonia
eficiente (EHS) e algoritmo de busca de harmonia auto-adaptável (SAHS).

O restante deste estudo está organizado da seguinte maneira. A formulação do problema de

projeto ideal é apresentada na Seção 2. O método TLBO é explicado na Seção 3. A otimização
de estruturas de treliça usando o TLBO é descrita na Seção 4. Os resultados obtidos com o
TLBO são apresentados e comparados com outras otimizações meta-heurísticas métodos na
Seção 5. Finalmente, as conclusões são apresentadas na Seção 6.
3. A otimização baseada no ensino-aprendizagem

O TLBO é um método de pesquisa meta-heurística de base populacional como HS, ACO, PSO,
BB-BC e ABC. O método TBLO apresenta um modelo matemático para problemas de
otimização com base no processo de ensino simples.

No TLBO, os alunos de uma turma são considerados população. Dois professores diferentes, AT
e TB, estão ensinando a mesma lição em duas classes diferentes, Classe A e Classe B. Para
fornecer uma comparação precisa, o nível de alunos nas aulas é aceito como
aproximadamente o mesmo. A distribuição das notas obtidas pelos alunos em duas turmas é
mostrada na Fig. 1. Fica claro na Fig. 1 que a média das notas na Classe B é maior que a da
Classe A (ou seja, MB> MA). Isso significa que o professor TB é melhor que o professor AT. Em
outras palavras, o melhor professor resultou em melhores notas em sua turma. Além disso,
pode-se dizer que a interação entre os alunos da classe B também é melhor do que a da classe
A. O professor é aceito como a pessoa versada em sua profissão. Portanto, os alunos com a
nota mais alta na classe A e classe B, AT e TB são imitados como professores.

O professor divulga o conhecimento entre os alunos da turma. Portanto, a média da turma

está diretamente relacionada à capacidade do professor. O professor, TA, tentará aumentar a
média das aulas de MA para MB usando sua capacidade. No entanto, a obtenção de AT de
professor depende da qualidade do ensino ministrado pelo professor e da qualidade dos
alunos da turma [39]. A qualidade dos alunos de uma turma é medida pelo valor médio da
população. Como ilustrado na figura 1, o professor AT tenta aumentar a média da turma de
MA para MB. Se a média da turma aumentar, os alunos naturalmente exigem melhor
professor (TB) do que tinham anteriormente (AT). Portanto, há uma interação contínua entre a
qualidade do professor e a conquista dos alunos. Depois de empregar um professor melhor, é
obtida a nova curva B com o MB médio. O processo é repetido até que o melhor professor seja
obtido.

Uma analogia entre o TLBO e a otimização de estruturas de treliça é estabelecida da seguinte

maneira: uma classe é considerada como uma população que contém projetos de treliça, um
aluno de uma classe denota um projeto de treliça na população, uma variável de projeto
representa uma matéria ensinada para o aluno, a nota de um aluno indica o peso do design da
treliça, o professor é o design da treliça com o menor peso na população.

6. conclusões

Um novo método de otimização, TLBO, é aplicado para otimização de estruturas de treliça. As

seguintes conclusões podem ser tiradas dos resultados dos exemplos de design:

O TLBO obteve resultados tão bons ou melhores do que os estudados neste método de
otimização em termos de soluções ótimas e capacidade de convergência. Pareceu que, embora
o TLBO tenha desenvolvido projetos um pouco mais pesados que o PSOPC, HPSO e ABC-AP em
alguns casos, exigiu análises significativamente menos estruturais do que o PSOPC, HPSO e
ABC-AP em todos os exemplos de design. Os resultados da análise de sensibilidade realizada
para encontrar a melhor combinação de parâmetros de ajuste do TLBO revelaram que o
aumento do ndlp resultou na diminuição do número de análises estruturais. Além disso, vale
ressaltar que o desvio padrão dos pesos otimizados obtidos em mais de 20 corridas
independentes foi bastante pequeno, que é inferior a 0,14% em todos os exemplos de projeto,
em comparação com o peso médio otimizado. Isso indica que o TLBO é capaz de encontrar
soluções quase ótimas.