論文の概要: Structures vibration control via tuned mass dampers using a co-evolution
coral reefs optimization algorithm
- arxiv url: http://arxiv.org/abs/2402.06981v1
- Date: Sat, 10 Feb 2024 16:09:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 18:36:28.573116
- Title: Structures vibration control via tuned mass dampers using a co-evolution
coral reefs optimization algorithm
- Title（参考訳）: 共進化サンゴ礁最適化アルゴリズムを用いた調整質量減衰器による構造振動制御
- Authors: S Salcedo-Sanz, C Camacho-G\'omez, A Magdaleno, E Pereira, A Lorenzana
- Abstract要約: 本研究では, 地震動を受ける構造物の最適設計と位置決定問題に対処する。
具体的には,Coral Reefs Optimization (CRO) with Substrate Layer (CRO-SL) を競合する共進化アルゴリズムとして提案する。
提案手法は, 異なるタイプの探索機構の組み合わせを利用して, TMD設計と位置問題を解くことができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper we tackle a problem of optimal design and location of Tuned
Mass Dampers (TMDs) for structures subjected to earthquake ground motions,
using a novel meta-heuristic algorithm. Specifically, the Coral Reefs
Optimization (CRO) with Substrate Layer (CRO-SL) is proposed as a competitive
co-evolution algorithm with different exploration procedures within a single
population of solutions. The proposed approach is able to solve the TMD design
and location problem, by exploiting the combination of different types of
searching mechanisms. This promotes a powerful evolutionary-like algorithm for
optimization problems, which is shown to be very effective in this particular
problem of TMDs tuning. The proposed algorithm's performance has been evaluated
and compared with several reference algorithms in two building models with two
and four floors, respectively.
- Abstract（参考訳）: 本稿では,新しいメタヒューリスティックアルゴリズムを用いて,地震動を受ける構造物の最適設計と調整型マスダンパ(tmds)の位置について検討する。
具体的には,単一溶液群内で異なる探索手順を持つ競合共進化アルゴリズムとして,基盤層(cro-sl)を有するサンゴ礁最適化(cro)を提案する。
提案手法は, 異なるタイプの探索機構の組み合わせを利用して, TMD設計と位置問題を解くことができる。
これにより、最適化問題に対する強力な進化的アルゴリズムが推進され、TMDチューニングのこの特定の問題に非常に効果的であることが示されている。
提案アルゴリズムの性能評価と,2階と4階の2つの建物モデルにおける複数の参照アルゴリズムとの比較を行った。
関連論文リスト
- Equivariant Deep Weight Space Alignment [54.65847470115314]
本稿では,ウェイトアライメント問題を解決するための学習を目的とした新しいフレームワークを提案する。
まず、重み調整が2つの基本対称性に一致することを証明し、それからこれらの対称性を尊重する深いアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-10-20T10:12:06Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Hybrid ACO-CI Algorithm for Beam Design problems [0.4397520291340694]
The novel hybrid version of the Ant colony optimization (ACO) method was developed using the sample space reduction technique of the Cohort Intelligence (CI) algorithm。
提案した研究は、工学領域や医療問題を含む現実世界の応用について検討することができる。
論文 参考訳（メタデータ） (2023-03-29T04:37:14Z) - Benchmarking Algorithms for Submodular Optimization Problems Using
IOHProfiler [22.08617448389877]
本稿では,部分モジュラ最適化問題に対するベンチマークアルゴリズムのセットアップを提案する。
その焦点は反復探索アルゴリズムの開発であり、実装はIOHknownrに提供され、統合されている。
提案手法は,IOHファウンサーに組み込まれている様々な部分モジュラ最適化問題について述べるとともに,反復探索アルゴリズムを様々な設定で解析・比較するために,その設定をどのように利用できるかを示す。
論文 参考訳（メタデータ） (2023-02-02T23:36:23Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - A novel multiobjective evolutionary algorithm based on decomposition and
multi-reference points strategy [14.102326122777475]
分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。
本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
論文 参考訳（メタデータ） (2021-10-27T02:07:08Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - Manifold Interpolation for Large-Scale Multi-Objective Optimization via
Generative Adversarial Networks [12.18471608552718]
大規模多目的最適化問題(LSMOP)は、数百から数千の決定変数と複数の矛盾する目的を含むことを特徴とする。
これまでの研究では、これらの最適解は低次元空間の多様体構造に一様に分布していることが示されている。
本研究では, 生成逆数ネットワーク(GAN)に基づく多様体フレームワークを提案し, 多様体を学習し, 高品質な解を生成する。
論文 参考訳（メタデータ） (2021-01-08T09:38:38Z) - Finding optimal Pulse Repetion Intervals with Many-objective
Evolutionary Algorithms [0.0]
我々は、パルスドップラーレーダシステムにおいて、最適な妥協範囲とドップラーのあいまいさを緩和できるパルス繰り返し間隔を求める問題を考察する。
ブラックボックス最適化のためのいくつかの進化的アルゴリズムを、異なるメトリクスで比較するために、ベースラインとして使用します。
論文 参考訳（メタデータ） (2020-11-13T13:56:13Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。