IV. Ý nghĩa khoa học và thực tiễn của đề tài
5.2.2. Đánh giá kết quả thuật toán PSO và MOGA
Bằng việc xây dựng một mô-đun tích hợp với thuật toán PSO trên nền tảng ANSYS Workbench. Đồng thời, tác giả mô phỏng số bài toán với thuật toán MOGA được tích hợp thành mô-đun Response Surface Optimization trong ANSYS Workbench. Cả hai mô-đun này tính toán trên cùng mô hình, điều kiện biên và tải trọng (phần 4.1).
Hình 5.21. Biểu đồ kết quả tối ưu sử dụng thuật toán MOGA
Bảng (5.5) đưa ra ba kết quả tối ưu tốt nhất sử dụng thuật toán MOGA
Thứ tự H H1 L1 B B1 d d1 f (tấn) 1 331.25 143.06 3650.5 131.8 101.55 8.13 6.01 0.21854 2 308.86 150.78 3550.5 127.81 100.13 8.65 6.04 0.21213 3 328.18 157.79 3430.5 132.59 102.35 8.09 6.12 0.21737
Bảng 5.5.Kết quả tối ưu khi sử dụng thuật toán MOGA.
Với mô-đun tích hợp do tác giả xây dựng, với số vòng lặp là 100 đưa ra ba kết quả tối ưu tốt nhất (bảng 5.6).
Thứ tự H H1 L1 B B1 d d1 f(tấn) 1 283.95 183.18 3045.5 131.6 102.56 8.95 6.33 0.21332 2 286.59 177.08 3165.5 126.82 100.89 9.31 6.26 0.21359 3 305.68 205.93 3055.5 127.22 104.41 8.51 6.11 0.21329
Nhận thấy rằng kết quả tối ưu của hai thuật toán có sai lệch không đáng kể. Sau ba lần thực hiện tối ưu, sai lệch lớn nhất là 2.38% và sai lệch nhỏ nhất là 0.68%. Tuy nhiên, kết quả sử dụng thuật toán PSO cho ra sai lệch qua mỗi lần tối ưu là ổn định hơn. Cụ thể với PSO sai lệch kết quả lớn nhất sau 3 lần tối ưu là 0.14%, với MOGA là 2.93%.
KẾT LUẬN
Sau một thời gian học tập và nghiên cứu dưới sự hướng dẫn tận tình của PGS.TS Nguyễn Việt Hùng, tác giả đã hoàn thành luận văn của mình với các kết quả nghiên cứu như
sau:
- Nghiên cứu lý thuyết tối ưu hóa, tập trung nghiên cứu sâu lý thuyết tối ưu hóa bầy đàn (PSO) và các giải pháp nâng cao chất lượng của thuật toán cho các bài toán khác nhau.
- Tìm hiểu và nghiên cứu cách thức lập trình các mô-đun add-on trên nền ANSYS Workbench, sử dụng ngôn ngữ lập trình C# với môi trường lập trình Microsoft Visual Studio 2008 và ngôn ngữ Python.
- Ứng dụng thành công lý thuyết, đề xuất bộ tham số PSO vào bài toán tối ưu hóa kết cấu thép dầm chính cầu trục.
- Xây dựng thành công mô-đun tích hợp cho bài toán tối ưu hóa kết cấu thép cầu trục dang 2D và 3D trên nền ANSYS Workbench với hai hướng lập trình khác nhau.
- Kiểm nghiệm độ chính xác của mô-đun tích hợp với mô-đun đã được tích hợp trên nền ANSYS Workbench.
Với những kết quả đạt được này, trong tương lai tác giả sẽ mở rộng mô-đun trên nền ANSYS Workbench đáp ứng các loại cầu trục khác nhau, cũng như mở rộng thêm các chức năng người dùng. Bên cạnh đó, tác giả sẽ ứng dụng lý thuyết tối ưu hóa PSO vào các bài toán kỹ thuật khác nhằm nâng cao hiệu quả kinh tế và giảm thời gian cho người sử dụng.
TÀI LIỆU THAM KHẢO
[1] - Chaoli Sun, Ying Tan, Jianchao Zeng. The Structure Optimization of Main Beam for
Bridge Crane Based on An Improved PSO (8 – 2011).
[2] - Satyobroto Talukder. Mathematical Modelling and Applications of Particle Swarm Optimization.
[3] - Daniel Bratton, James Kennedy. Defining a Standard for Particle Swarm Optimization. Proceedings of the 2007 IEEE Swarm Intelligence Symposium (SIS 2007).
[4] - Gregorio T oscano Pulido, Carlos A. Coello Coello. A Constraint-Handling Mechanism
for Particle Swarm Optimization.
[5] - Xueming Yang, Jinsha Yuan, Jiangye Yuan, Huina Mao. A modified particle swarm
optimizer with dynamic adaptation. Applied Mathematics and Computation 189 (2007) 1205–
1213.
[6] - Yong Feng, Gui-Fa Teng, Ai-Xin Wang, Yong-Mei Yao. Chaotic Inertia Weight in Particle Swarm Optimization.
[7] - R. C. Eberhart, Y. Shi. Comparing Inertia Weights and Constriction Factors in Particle
Swarm Optimization.
[8] - Russell C. Eberhart, Yuhui Shi. Comparison between Genetic Algorithms and Particle
Swarm Optimization.
[9] - Maurice Clerc, James Kennedy. The Particle Swarm—Explosion, Stability, and Convergence in a Multidimensional Complex Space. IEEE TRANSACTIONS ON
EVOLUTIONARY COMPUTATION, VOL. 6, NO. 1, FEBRUARY 2002.
[10] - Peter J. Angeline. Evolutionary Optimization Versus Particle Swarm Optimization:
Philosophy and Performance Differences.
[11] - J. C. Bansal, P. K. Singh, Mukesh Saraswat, Abhishek Verma, Shimpi Singh Jadon, Ajith Abraham. Inertia Weight Strategies in Particle Swarm Optimization.
[12] - Chaoli Sun, Jianchao Zeng, Jeng-Shyang Pan. A Modified Particle Swarm Optimization
[13] - ZHANG Li-ping, YU Huan-jun, HU Shang-xu. Optimal choice of parameters for
particle swarm optimization.
[14] - International Journal of Computer Science and Security (ICSS) ISSN: 1985 – 1553. [15] - Kyriakos Kentzoglanakis, Matthew Poole. Particle Swarm Optimization with an
Oscillating Inertia Weight.
[16] - W. Al-Hassan, M.B. Fayekl, S.I. Shaheen. PSOSA: An Optimized Particle Swarm Technique for Solving the Urban Planning Problem.
[17] - Asanga Ratnaweera, Saman K. Halgamuge. Self-Organizing Hierarchical Particle Swarm Optimizer With Time-Varying Acceleration Coefficients. IEEE TRANSACTIONS ON
EVOLUTIONARY COMPUTATION, VOL. 8, NO. 3, JUNE 2004.
[18] - Russell C. Eberhart, Yuhui Shi. Tracking and Optimizing Dynamic Systems with Particle Swarms.
[19] - PGS.TS Thái Thế Hùng. Sức bền vật liệu.
[20] - Đào Trọng Thường. Máy nâng chuyển. Đại học bách khoa Hà nội - 1993.
[21] - Huỳnh Văn Hoàng, Đào Trọng Thường. Tính toán máy trục. Nhà xuất bản Khoa Học Kỹ Thuật - 1975.