Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La operación de cruce consiste en tomar dos cromo- Lagrange, en las curvas de Bezier, curvas y superficies B-
somas seleccionados como padres y después cruzarlos splines o -splines, en los parches de Coons, etc., (ver por
bajo cierta probabilidad para generar dos nuevos cromo- ejemplo los trabajos de Schramm y Pilkey18,). Entre toda
somas (hijos) o incluirlos directamente en la próxima ge- esta gran variedad de entidades geométricas las propie-
neración si la probabilidad de que se crucen es excedi- dades de las curvas y superficies -splines resultan muy
da. En Davis10 , se describen los principales esquemas de atractivas para desarrollar el modelado geométrico de los
cruce empleados en la operación de los AGs. Entre la gran sistemas estructurales a optimizar.
cantidad de modelos de cruzamiento, se escogieron los si- Las técnicas -splines4;5 son esencialmente una gene-
guientes para ser desarrollados en este trabajo: cruce sim- ralización de las conocidas -splines, siendo una formu-
ple, cruce doble, cruce uniforme, cruce por multipadres. lación relativamente nueva, es decir, no ha sido usada en
El operador de mutación da a cada bit dentro de un cro- forma intensiva en el área del diseño de formas. Introduce
mosoma la oportunidad de cambiar, de cero a uno o vice- dos nuevos parámetros para controlar la tendencia (1 ) y
versa, si una cierta probabilidad de mutación es excedida la tensión (2 ) de cada segmento de curva. Aunque mu-
o no. chas de las ventajas de esta nueva formulación pueden
La selección de acuerdo a la salud de cada individuo, obtenerse con la representación NURB (Non Uniform Ra-
combinado con la operación de cruce, otorga a los al- tional -splines) variando la separación y la secuencia de
goritmos genéticos su gran poder de procesamiento. La los vértices de control, su manipulación muchas veces no
mutación juega un rol secundario en la operación de los corresponde con la intuición de un efecto físico deseado,
algoritmos genéticos y es necesaria debido a que a pe- en cambio los parámetros 1 y 2 pueden ser asociados a
sar de que la selección y el cruce buscan y recombinan una representación física intuitiva.
nuevas nociones, ocasionalmente su aplicación puede ha- A manera de resumen se presentan las ecuaciones pa-
cer que se pierda algún material genético potencialmente ramétricas que describen las curvas o superficies splines
útil (unos o ceros en ubicaciones muy particulares: véase usadas en este trabajo.
Goldberg12 ). Entonces, el operador de mutación protege Las coordenadas de un punto sobre el ith segmento de
contra esta perdida prematura de material importante pa- ()
curva (Qi u ) vienen dadas por:
ra la búsqueda de nuevos caminos de solución. Sin em- 1
X
bargo, debido a su importancia secundaria, se específica Qi (u) = br (1 ; 2 ; u)Vi+r
usualmente una baja probabilidad de mutación. r= 2
El esquema de optimización se puede resumir de la si- (4)
guiente manera:
0 u < 1; i = 0 m 1
1. Seleccionar padres. Mientras que, un punto sobre el parche de superficie -
2. Aplicar operadores genéticos para crear la próxima splines (i, j)tavo es el promedio ponderado de 16 vértices
generación. Vi+r;j +s ; r= 2 101
; ; ; ys = 2 101
; ; ; de control y su
expresión matemática viene dada por:
3. Evaluar la función objetivo y las restricciones de dise- 1 X
X 1
ño. Qij (u; v) = br (1 ; 2 ; u)Vi+r;j+s bs (1 ; 2 ; v)
4. Si el óptimo no se ha alcanzado todavía, repetir los r= 2 s= 2
pasos 1 al 4 hasta que se encuentre el óptimo o se (5)
finalice el proceso por medio de algún criterio de pa- para 0u<1y0v<1
rada.
donde:
2 1=2
evolución genética. h i
Los contornos movibles de los elementos de diseño es- von = (x y )2 + 3xy (8)
tán definidos por medio de curvas o superficies -splines.
Este esquema de representación geométrica introduce mientras que para el caso tridimensional tenemos:
h
von = (x y )2 + (y z )2 +
dos nuevos parámetros de forma, los cuales controlan la
predisposición (1 ) y la tensión (2 ) de cada segmento de
2 + 2 + 2 1=2
curva o parche de superficie que definen el contorno o i
la superficie modelada. Además, estos parámetros están (z x )2 + 3 xy yz zx (9)
asociados con una clara representación física del movi-
miento deseado. b. Restricciones sobre las coordenadas nodales de
En cuanto a las herramientas de análisis empleadas en los vértices de control (Vp ): las coordenadas de al-
este trabajo, primeramente se partió de códigos de ele- gunos nodos del polígono de control o del grafo de
230 Annicchiarico
donde:
g: peso penalizado.
i: índice de la estructura.
hacia la generación 50, el algoritmo consigue la concavi- los elementos de diseño están definidos mediante curvas
dad adecuada, para la superficie superior e inferior de la o superficies -spline.
placa, que logra el menor volumen de la misma sin que se Por otro lado se tiene la obtención de los esfuerzos y
excedan los esfuerzos permisibles. las deformaciones del sistema en estudio, para lo cual se
utiliza el método de los elementos finitos en 2D y 3D o el
método de los elementos de contorno en 2D y finalmen-
CONCLUSIONES te el uso de algoritmos de optimización más robustos que
permitan obtener la solución óptima o casi-óptima del pro-
El presente estudio doctoral presentó y discutió el des- blema de optimización, empleándose para ello modelos
arrollo de algoritmos y su herramienta computacional aso- de tipo evolutivo basados en las técnicas de los Algorit-
ciada para la optimización bi y tridimensional de la forma mos Genéticos.
de diversos sistemas estructurales y piezas mecánicas.
La herramienta desarrollada se basó en la integración
de tres elementos fundamentales en todo sistema de op-
timización de formas, como lo son la escogencia de un
sistema de representación geométrica que permita definir
en forma sencilla el sistema o pieza mecánica a optimizar
y que a la vez permita actualizar el modelo de análisis de
la misma. Este sistema se desarrolló usando una técni-
ca híbrida basada en la parametrización de la malla, pero
usando las ventajas del modelado sólido. Para ello el mo-
delo geométrico se definió en base a elementos de dise-
ño geométrico, los cuales pueden manipularse por medio
de nodos maestros y sus dimensiones pueden manejarse
como variables paramétricas. De esta manera se pueden
crear familias de diseño que pueden ser fácilmente opti-
mizadas mediante la evolución genética. Más aún, esta
metodología disminuye el número de variables de diseño
a utilizar por lo que el costo computacional empleado pa- Figura 6. Evolución genética de los factores adimensionales de
ra resolver el problema de optimización se reduce y a la volumen y esfuerzo para la placa en voladizo con carga en su
vez se evita la generación de contornos dentados, ya que extremo.
Optimización estructural de formas 233
REFERENCES
1. Annicchiarico W., Cerrolaza M., A Structural Optimization 10. Davis L., Handbook of Genetic Algorithms, Van Nostrand
Approach and Software Based on Genetic Algorithms and Reinhold, NY. 1991.
Finite Elements. Journal of Engineering Optimization, Vol.
32: 1-31, 1999. 11. Goldberg, D. E. and Samtani, M. P., Engineering Optimiza-
tion via Genetic Algorithms. Proceedings of the Ninth conf.
2. Annicchiarico W., Cerrolaza M., Finite Elements, Gene- On Elect. Comp., ASCE, New York, pp. 471-482, 1986.
tic Algorithms and -splines: a Powerful Combined Techni-
que for Shape Optimization". Journal of Finite Elements in 12. Goldberg D. E., Genetic Algorithms in Search, Optimization
Analysis and Design, Vol. 33:125-141, 1999. and Machine Learning. Addison-Wesley Publishing Com-
pany Inc., NY. 1989.
3. Annicchiarico W., Cerrolaza M., Structural Shape Optimi-
zation 3D Finite-Element Models Based on Genetic Algo- 13. Haftka R. T., Grandhi R. V., Structural Shape optimization
rithms and Geometric Modeling. Journal of Finite Elements - A Survey. Computer Methods in Applied Mechanics and
in Analysis and Design. Vol. 37:403-415, 2000. Engineering, Vol. 57: 91-106, 1986.
4. Barsky B. A., Computer Graphics and Geometric Modeling 14. Holland J. H., Adaptation in Natural and Artificial Systems.
Using *-Splines, Springer-Verlag, New York, 1988. University of Michigan Press and First MIT Press edn., chap.
5. Bartels, R. H. ,Beatty, J. C. and Barsky B. A., An Introduc- 7, pp. 121, 1975,1992.
tion to Splines for Use in Computer Graphics & Geometry 15. Imam M. H., Three-dimensional Shape Optimization, Inter-
Modeling, Morgan Kaufmann publishers Inc, Los Altos, CA, nat. J. Numer. Meths. Engrg., Vol. 18: 661-673, 1982.
1987.
16. Kodiyalam, S., Kumar, V. and Finnigan, P. M. , Constructi-
6. Belegundu, A. D. and Rajan, S. D. , A Shape Optimiza-
ve Solid Geometry Approach to Three dimensional structu-
tion Approach based on Natural design Variables and Sha-
ral Shape optimization. AIAA J. 30, 1408-1415, 1992.
pe Functions. Comp. Meth. Appl. Mech. Eng. 66, 87-106,
1988. 17. Michell M., An Introduction to Genetic Algorithms. MIT
7. Brindle, A., Genetic Algorithms for Function Optimiza- Press, 1998.
tion’. Doctoral dissertation, University of Alberta, Edmonton,
18. Schramm, U. and Pilkey, W. D. , Parameterization of Struc-
1981.
tural Shape Using Computer Aided Geometric Design Ele-
8. Chang, K. H. and Choi, K. K. , A Geometry-Based Pa- ments. Structural Optimization 93, Proceedings of the World
rameterization Method for Shape Design of Elastic Solids. Congress on optimal design of Structural Systems, Río de
Mech. Struct. & Mach. 20, 215-252, 1992. Janeiro (Brazil), Vol 1, 75-82, 1993.
9. Chen, S. and Tortorelli, D. A. , Three Dimensional Shape 19. Tortorelli, D. A. , A Geometric Representation Scheme Sui-
optimization with Variational Geometry. Structural Optimiza- table for Shape Optimization. Mech. Struct. & Mach. 21: 95-
tion 13, 81-94, 1997. 121, 1993.