14491

روش‌هاي يادگيري ماشين براي مسائل بهينه‌يابي مقيد با هزينه محاسباتي بالا

1402

دكتر مجيد ايلچي قزاآن

با پيشرفت‌هاي اخير در حوزه مهندسي عمران، نياز به رويكردهايي كه بتوانند هزينه‌هاي محاسباتي و زمان موردنياز براي بهينه‌سازي سازه‌هاي واقعي را كاهش دهند، بيش‌ازپيش احساس مي‌شود. در اين حيطه، دستيابي به طراحي سازه‌هاي بهينه مستلزم غلبه بر چالش‌هايي همچون مقيدبودن فرايند طراحي، غيرخطي‌بودن فرايند تحليل سازه و غيره است كه رويكردهاي سنتي مانند بهينه‌سازي گرادياني اغلب در مديريت آن ناكارآمد هستند و در مواجهه با مسائل بزرگ‌مقياس، با محدوديت‌هايي نظير هزينه‌هاي محاسباتي زياد و محدودشدن در بهينه‌هاي محلي روبرو مي‌شوند. استفاده از مدل‌هاي جانشين و رويكردهاي طراحي-محور به‌عنوان ابزارهايي مؤثر، اين محدوديت‌ها را كاهش داده و منجر به افزايش دقت و كاهش زمان بهينه‌سازي مي‌گردد. مدل‌هاي جانشين با شبيه‌سازي تقريبي، جايگزيني سريع‌تر و كم‌هزينه‌تر براي شبيه‌سازي‌هاي دقيق ارائه مي‌دهند و توانايي مديريت پيچيدگي‌هاي غيرخطي و فضاي طراحي گسترده را دارند. اين مطالعه به تشريح مراحل فرايند بهينه‌سازي بر پايه مدل جانشين پرداخته و مزايا و معايب آن‌ها را بررسي مي‌كند. همچنين روش‌هاي طراحي-محور براي بهينه‌سازي سازه‌هاي واقعي با بهره‌گيري از ويژگي‌هاي خاص طراحي سازه‌ها معرفي شده است كه در كاهش هزينه و زمان محاسبات بسيار مؤثر هستند. در نهايت، با تحليل مقالات مرتبط، استفاده از تركيب روش‌هاي فراابتكاري و يادگيري ماشين به‌عنوان رويكردي مؤثر براي حل مسائل بزرگ‌مقياس توصيه مي‌شود. اين تركيب، علاوه بر بهبود كارايي محاسباتي، امكان دستيابي به طراحي‌هاي بهينه‌تر در زمان كمتر را فراهم مي‌آورد.

1/19/2025 12:00:00 AM

85836

1403/11/28

Machine Learning-Based Approaches for Computationally Intensive Constrained Optimization Problems

بهينه‌سازي سازه , يادگيري ماشين , مدل جانشين , بهينه‌سازي طراحي-محور , سازه‌هاي واقعي و بزرگ‌مقياس

Structural optimization , Machine learning , Surrogate model , Design-driven optimization , Real and large-scale structures