Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MIGUEL GALANTE
RESUMEN
SUMMARY
The survival of the fittest darwinian natural process, can be used to solve optimization
problems in engineering and other fields. In this paper a Simple Genetic Algorithm has
been developed to optimize plane truss with stress constraints in the bars and displacement
constraints in the joints. Truss is represented by a bit string (chromosome), so we star with a
chromosome population created at random. This population is then evaluated and the three
transformation operators-selection, cross and mutation are applied to get a new population.
The process is repeated until the best chromosome is obtained.
As in nature, the method is not continumm, and is therefore suitable to be apply to real
trusses which are built with commercially available bars. The Fortran code which runs on a
compatible PC, is successfully evaluated solving severa1 trusses al- optimized by other authors
using different methods.
INTRODUCCION
programa AG
DO t = O , l i m i t e
S i t = O genera aleatoriamente P ( t )
S i t < > O genera P ( t ) desde P(t-1)
Evalua P ( t )
End DO
End
donde f ( H ) es el valor numrico del mrito del esquema H obtenido como media de
los mritos de los individuos que lo contienen. Sustituyendo en (4):
m(H, t + 1) = m(H, t ) ( l + c)
y si partimos de la poblacin inicial:
que indica que los individuos con esquemas de mrito superior al valor medio crecen
exponencialmente (c > O) y los individuos con esquemas de mrito inferior ( c < 0)
decrecen tambin exponencialmente.
En un esquema existen dos parmetros que lo definen: el orden del esquema, O(H),
que es el nmero de dgitos fijos que tienen, y la longitud, 6(H) que es la diferencia
entre la posicin del ltimo dgito fijo y el primero.
En la operacin de cruce de dos cromosomas, aleatoriamente se elige una posicin
de cruce y las subcadenas desde el origen de esta posicin se intercambian entre ambos
cromosomas. La posibilidad de que sea roto el esquema debido al cruce es:
siendo 1-1 el nmero de posibles posiciones de corte que tiene un cromosoma de longitud
l. Si la probabilidad de cruce es pc, la probabilidad de que se rompa el esquema es:
ya que p, << 1,en general del orden de 0.001. As que la probabilidad de supervivencia
del esquema despus del cruce y mutacin es:
Expresin del Teorema General de los Algoritmos Genticos que muestra que los
esquemas de alto valor de mrito, corta longitud y bajo orden, llamados "bloques
de construccin", crecen exponencialmente, mientras que los que no tienen estas
caractersticas decrecen tambin exponencialmente. As que independientemente del
carcter aleatorio condicionado o probabilstico de los procesos naturales se converge
exponencialmente hacia el ptimo que se va formando exclusivamente con los "bloques
de construccin".
FUNCION DE MERITO
donde:
i = ndice del cromosoma
p = peso especfico
A = rea de la barra
L = longitud de la barra
j = ndice de la barra
cmaz 2 aj 2 amin
Umaz 2 Uk 2 Umin
Vmaz 2 Vk 2 Vmin
donde:
uj = tensin de la barra j
u k = desplazamiento segn OX del nudo k
v k = desplazamiento segn OY del nudo k
Las circunstancias de que una estructura no cumpla con las restricciones prefijadas
perturba a su evaluacin. El sistema ms utilizado consiste en penalizar el peso,
incrementndolo en funcin de las variaciones sobre los valores admisibles:
ALGORITMO GENETICO SIMPLE PARA LA OPTIMIZACION DE ESTRUCTURAS 185
+
peso penalizado (i) = C p j A j ~ j p l ~ + A~ ~ A~ U l~+~r~'i l ~ v k 1 2
donde:
si h(x) < O -
h(x) = Cte - g(x)
h(x) = O
Cte = Constante grande
Se ha observado y comprobado en este trabajo que la utilizacin de la
transformacin (20) distorsiona la evaluacin de los individuos de la poblacin, no
manteniendo el mrito relativo impuesto entre ellos por el peso penalizado. En efecto:
h(xl)
-- Cte - peso penalizado(xl)
- -1
h(x2) Cte - peso penalizado(x2)
esto hace desde un principio a los individuos de casi igual mrito, lo que conlleva que
la posterior seleccin de loos mejores sea falseada, no consiguindose con el paso de las
generaciones el individuo ptimo.
Para este trabajo se ha elegido como funcin maximizante y mrito:
Cte
h(i) =
peso penalizado(i)
que mantiene el valor relativo del peso penalizado como evaluador. Para la constante
se puede tomar o un valor muy grande o en cada generacin coincidente con el mayor
peso penalizado.
Goldbergzl observ en los procesos con AG que debido al carcter aleatorio de
la poblacin inicial, existe en ella, unos pocos individuos que dominan el proceso de
seleccin, saturando la poblacin e impidiendo alcanzar el ptimo. Este efecto se refleja
numricamente por la presencia de unos pocos individuos de altos mritos, cercanos al
186 M.GALANTE
valor mximo (hmax), siendo sin embargo el mrito medio de la poblacin muy bajo.
Conviene realizar una escalacin o normalizacin del mrito. Golberg aconseja para
resolver esta situacin, que se mantenga una relacin entre el mrito mximo y medio
de valor 2 o prximo a l.
Supuesta superada la primera etapa, ocurre que en generaciones avanzadas la
competencia entre los individuos es muy fuerte. O sea, los cromosomas de la poblacin
tienen mritos muy altos, lo que acerca el valor del mrito medio al mximo, volviendo
a dificultarse el proceso de seleccin hacia el mejor. De nuevo el consejo es escalar
o normalizar para mantener el cociente entre el mrito mximo y medio de valor 2
o prximio a l. En este trabajo se ha normalizado la primera etapa mediante una
escalacin lineal de la funcin de mrito:
j = h - (hmed - a a ) (24)
donde a es la desviacin tpica y a se elige de forma que se mantenga la relacin entre
el valor mximo y medio. Cuando esto no es posible a continuacin se realiza una
escalacin lineal similar a la anterior. ,
ni = pselect;
fi
xn=- (26)
jmea
as el mejor cromosoma har ms veces de padre que el peor.
Existen diferentes formas de realizar la seleccin. Brindle21 examin seis esquemas
diferentes. En este trabajo se ha elegido el modelo estocstico basado en la distribucin
de Bernouilli. El carcter aleatorio se incluye en las operaciones de transformacin
mediante los parmetros de probabilidad de cruce y probalidad de mutacin, as como
en la aleatoriedad del punto de cruce y la posicin del bit a mutar.
Una vez seleccionados dos padres en funcin de las posibilidades de cruce pasarn
directamente a formar parte de la nueva poblacin o se cruzarn. La operacin de cruce
de dos padres para formar dos hijos consiste en lo siguiente: Si tenemos dos cadenas
ALGORITMO GENETICO SIMPLE PARA LA OPTIMIZACION D E ESTRUCTURAS 187
programa AEG
do t = O, l i m i t e
i f ( t = 0)
Genera a l e a t o r i a m e n t e P (O)
else
Crea P ( t ) desde P ( t - 1) y f (t - 1)
end i f
do i = 1,nindividuos
decodifica i
analiza i
evalua i
end do
Calcula y normaliza e l m r i t o f ( t )
end do
end
I 360" I 360" -l
380"
-
4 2
1 1
100 K 100 K
Figura 3. Estructura de 10 barras.
ALGORITMO GENETICO SIMPLE PARA LA OPTIMIZACION DE ESTRUCTURAS 189
Generaciones
Figura 4. Mejor estructura-10-barras en cada generacin.
30 [-----VI 1 Este t r a b a j o
1 2 3 4 5 6 7 8 9 1 0
B a r r- 2,s 1 2 3 4 5 6 7 8 9 1 0
Barras
Figura 5. Comparacin de reas. Figura 6. Comparacin de tensiones.
4.5
0 25 50 75 100
Generac i ones
Figura 7. Mejor estructura-10-barras en cada generacin.
ALGORITMO GENETICO SIMPLE PARA LA OPTIMIZACION D E ESTRUCTURAS 191
Condicin de carga 2:
Pi = - 50.000 lbs. P2 = - 50.000 lbs.
P3 = - 10.000 lbs. Ps = - 60.000 lbs.
Ps = - 60.000 lbs.
Figura 8. Estructura-puente.
Las tensiones permisibles para las barras son de 20.000 lbs a traccin para todos
los miembros, 18.000 lbs a compresin para todos los miembros de la cuerda superior
e inferior de la estructura y 15.000 lbs en compresin para las otras barras. El
desplazamiento vertical de los nudos 7 y 9 est restringido a 1.8 pulgadas y las secciones
de las barras tienen un rea mnima de 0.1 pulg2 y mxima de 15 pulg2.
Debido a la simetra de la configuracin topolgica, la estructura se construye
simtrica con respecto a las reas de las secciones de las barras, agrupndose en 13
diferentes tipos.
Para la probabilidad de cruce y mutacin se mantienen los valores de los ejemplos
anteriores, as como tambin el nmero de individuos de la poblacin. Se ha tomado
8 bits por caracterstica, lo que permite seleccionar entre 256 secciones diferentes,
teniendo el cromosoma una longitud de 8 x 13 = 104 bits. Debido a la existencia
de 2 condiciones de carga se ha aplicado el algoritmo gentico en dos fases. En una
primera se ha optimizado la estructura-puente para la condicin de carga 2, se ha
ejecutado el cdigo tres veces y se ha seleccionado la mejor. La evolucin del mejor
cromosoma generacin tras generacin se observa en la Figura 9 (Fase 1), teniendo el
mejor individuo un peso de 1683 lbs. Se han realizado 100 generaciones, pudiendo
observarse que la solucin ptima se estabiliza a partir de la 75.
En una segunda fase se vuelve a ejecutar el proceso gentico con la condicin de
carga 1, pero ahora se elige como rea mnima posible de cada barra la alcanzada por
el individuo ptimo en la fase 1. Se ha ejecutado el AG tres veces, seleccionndose la
mejor que obtiene como individuo ptimo la estructura-puente de 1991 lbs.
El tiempo de cada ejecucin en un PC 386 compatible ha sido de 8 minutos y 46
segundos.
ALGORITMO GENETICO SIMPLE PARA LA OPTIMIZACION D E ESTRUCTURAS 193
Generaciones
Figura 9. Mejor estructura-puente en cada generacin.
27
1 2 26
1000
50 100 150 200
Generac i o n e s
Figura 11. Mejor estructura-prtico en cada generacin.
J """Id)
----------->-----------la----------
---:-----------:-----------
Generac i ones
Figura 12. Mejor estructura-prtico real en cada generacin.
CONCLUSIONES
REFERENCIAS
1. D.E. Goldberg, "Computer-aided Gas Pipeline Operation Using Genetic Algorithm and
Rule Learning" , Doctoral Disertation, University of Michigan, Disertation Abstracts
International, Vol. 44, no.10, (1983).
2. D.E. Goldberg y C.H. Kuo, "Genetic Algorithms in Pipeline Optimization", Journal of
Computer in Civil Engineering, Vol. 1,no. 2, pp. 128-141, (1987).
3. D.E. Goldbeerg y M.P. Santani, "Engineering Optimization via Genetic Algorithm",
Proceeding of the Ninth Conference on Electronic Computation, ASCE, New York, N.Y.,
pp. 471-482, (1986).
4. G. Sved, L.J. Schmid y A.R. Simpson. "Minimum Weight Structures designed by Genetic
Algorithms" , Computational Mechanic, Cheung, Lee & Leung (eds.), pp. 317-322,
(1991).
5. S.Rajeev y C.S.Krishnamoorthy. "Discrete Optimization of Structures using Genetic
Algorithm" , Journal of Structural Engineering, Vol. 118, no. 5, pp. 1233-1250, (1992).
6. N.A. Barricelli, '(Symbiogenetic Evolution Processes Realized by Artificial Methods",
Methodos, Vol. 9, nos. 35-36, pp. 143-182, (1957).
7. N.A. Barricelli, "Numerical Testing of Evolution Theries", Acta Biotheorica, Vol. 1 6 , pp.
69-126, (1962).
8. A.S. Fraser, "Simulation of Genetic Systems", Journal of Theorical Biology, Vol. 2 , pp.
329-346, (1962).
9. F.G. Martin y C.C. Cockerham, "High Speed Selection Study", Biotermical Genetics, O.
Kempthorne (Ed.), pp. 35-45, London, Pergamon Press, (1960).
10. J.D. Bagley, "The Behavior of Adaptive Systems which Employ Genetic and Correlation
Algorithms", Doctoral Dissertation, University of Michigan, Dissertetation Abstracts
International, Vol. 28, no. 12, (1967).
11. R.S. Rosemberg, "Simulation of Genetic populations with Biomechanical Properties",
Doctoral Dissertation, University ofMichigan , Abstract International, Vol. 28, no. 7,
(1967).
12. R. Weimberg, "Computer Simulation of a Living Cell" Doctoral Dissertation, University
of Michigan, Dissertations Abstracts International, Vol. 31, no. 9, (1970).
13. R.B. Hollstein, "Artificial Genetic Adaptation in Computer Control Systems", Doctoral
Dissertation, University of Michigan, Dissertation Abstracts International, Vol. 32, no. 3,
(1971).
14. D.J. Cavichio, "Reproductive Adaptive Plans", Proceeding of the ACM 1972 Annual
Conference, Vol. 1,no. 11, (1972).
15. K.A. DeJong, "An Analysis of the Behavior of a class of Genetic Adaptive Systems", Ph. D.
Disertation, University of Michigan, Ann Arbor, (1975).
16. J.H. Holland, "Adaptation in Natural and Artificial", University of Michigan Press,
(1975).
17. L. Davis, "Genetic Algora'thms and Simulated Annealing", Pitman, London, (1987).
18. J.H. Holland, "Processing and Processors for Schemata", "Associative information
processing", E.L. Jacks (Ed), pp. 127-146, New York: American Elsevier, (1971).
ALGORITMO GENETICO SIMPLE PARA LA OPTIMIZACION DE ESTRUCTURAS 199