.png){kind=icon}
返回
Truss sizing optimization—gradient-based optimizers versus metaheuristics
.png){kind=icon}
PRE
AI
DOI：10.1007/s00158-025-04080-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管在过去几十年中，大量新的元启发式算法被开发出来用于解决桁架优化问题，但经典梯度法的优势已被忽视。尽管元启发式算法的性能在不断改进，但其中许多算法仍是为解决设计变量少于30个的简单桁架单目标优化问题而开发的。在经典梯度法同样能够高效解决此类问题时，开发日益复杂的元启发式算法来解决这类问题是否必要，这令人质疑。因此，本研究的主要目的是证明梯度优化器在单目标桁架尺寸优化问题上优于一些当前最先进的元启发式算法。研究采用五种经典梯度法与五种当前最先进的元启发式算法，在九个2D和3D桁架尺寸优化问题上展开竞争。这些问题涉及从小规模到大规模，设计变量最多达942个。基于所得结果，本研究提出的假设得到了证实。与梯度法相比，元启发式算法的性能有所不足，特别是序列二次规划（SQP），在本研究中明显胜出。
Keyword:
Truss sizing optimization
Single-objective optimization
Gradient-based techniques
Metaheuristics
Large-scale
期刊
IF:
4
论文数:
4.9K
被引数:
1.7W
机构
引用论文
分享收藏分享收藏Improving the search performance of SHADE using linear population size reduction使用线性种群大小减小来改善SHADE的搜索性能
OAAI
OAAI分享收藏分享收藏Sizing optimization of truss structures using the political optimizer (PO) algorithm.png)
STRUCTURES
STRUCTURESIF4.3
PREAI
分享收藏分享收藏
查看更多内容