مقایسه‌ی عملکرد الگوریتم‌های فراکاوشی در انتخاب بهینه‌ی ماتریس‌های وزنی LQR

جواد کاتبی, مونا شعاعی پرچین

چکیده


کنترل فعال به‌عنوان استراتژی مؤثر بهبود رفتار لرزه­ای سازه­ها از طریق محاسبه و اعمال نیروی خارجی سبب تغییر تطبیقی مشخصات دینامیکی سازه­ هنگام وقوع زلزله می­گردد. در روش LQR به‌عنوان رایج­ترین الگوریتم کنترل، شاخص عملکرد مرتبه­ی دومی بهینه می­گردد تا توازنی بین کاهش پاسخ و نیروی کنترل برقرار شود. در تعریف شاخص عملکرد اهمیت نسبی کاهش پاسخ و نیروی کنترل با انتخاب ماتریس­های وزنی تنظیم می­گردد. تاکنون روشی سیستماتیک برای تعیین این ماتریس­ها ارائه نشده و انتخاب وزن­ها بر اساس سعی و خطا و تجربیات طراح صورت می­گیرد. در این پژوهش جهت تسهیل روند طراحی کنترلر، عناصر ماتریس­های وزنی R و Q به‌عنوان متغیرهای طراحی روش­های فراکاوشی در نظرگرفته شده و شاخص عملکرد مبتنی بر موجک بهینه می­گردد. با توجه به تعدد روش­های فراکاوشی، در این مطالعه از شش الگوریتم رقابت استعماری، تکامل تفاضلی، خفاش، کرم شب­تاب، اجسام در حال برخورد و جستجوی هارمونی در طراحی کنترلر استفاده شده و عملکرد این روش‌ها مقایسه می­شود. نتایج اعمال کنترلر بر سازه­ی سه درجه آزادی تحت زلزله­های مصنوعی بیانگر نقش مؤثر روش­های فراکاوشی در کاهش پاسخ­ها و نیروهای کنترلی نسبت به روش LQR است. در این مطالعه کنترلرهای اجسام در حال برخورد، رقابت استعماری و تکامل تفاضلی عملکرد بهینه­تری از خود نشان داده­اند.


موضوع


کنترل فعال، بهینه‌سازی، ماتریس‌های وزنی، روش‌های فراکاوشی، گسسته‌سازی.

مراجع


Datta, T. (2003) A state-of-the-art review on active control of structures. ISET Journal of Earthquake Technology, 40(1), 1-17.

Basu, B. and Nagarajaiah, S. (2008) A wavelet-based time-varying adaptive LQR algorithm for structural control. Engineering Structures. 30(9), 2470-2477.

Lynch, J.P. and Law, K.H. (2002) Market‐based control of linear structural systems. Earthquake Engineering & Structural Dynamics, 31(10), 1855-1877.

Aldemir, U., Bakioglu, M., and Akhiev, S. (2001) Optimal control of linear buildings under seismic excitations. Earthquake Engineering & Structural Dynamics, 30(6), 835-851.

Alavinasab, A., Moharrami, H., and Khajepour, A. (2006) Active control of structures using energy‐based LQR method. Computer-Aided Civil and Infrastructure Engineering, 21(8), 605-611.

Liu, J. and Wang, Y. (2008) Design approach of weighting matrices for LQR based on multi-objective evolution algorithm. 2008 International Conference on Information and Automation (ICIA), IEEE: Changsha, China. p. 1188-1192.

Shen, P. (2014) Application of genetic algorithm optimization LQR weighting matrices Control Inverted Pendulum. Applied Mechanics and Materials, 543-547, 1274-1277.

Joghataie, A. and Mohebbi, M. (2012) Optimal control of nonlinear frames by Newmark and distributed genetic algorithms. The Structural Design of Tall and Special Buildings, 21(2), 77-95.

Wang, H., Zhou, H., Wang, D., and Wen, S. (2013) Optimization of LQR controller for inverted pendulum system with artificial bee colony algorithm. Proceedings of the 2013 International Conference on Advanced Mechatronic Systems, IEEE: Louyang, China. p. 158-162.

Wang, W., Jing, Y., Yang, L., Ma, B., and Fu, Z. (2012) Weight optimization for LQG controller based on the artificial bee colony algorithm. AASRI Procedia, 3, 686-693.

Hamidi, J. (2012) Control system design using particle swarm optimization (PSO). International Journal of Soft Computing and Engineering, 1(6), 116-119.

Amini, F., Hazaveh, N.K., and Rad, A.A. (2013) Wavelet PSO‐Based LQR Algorithm for Optimal Structural Control Using Active Tuned Mass Dampers. Computer-Aided Civil and Infrastructure Engineering, 28(7), 542-557.

Douik, A., Hend, L., and Messaoud, H. (2008) Optimised eigenstructure assignment by ant system and LQR approaches. International Journal of Computer Science and Applications, 5(4), 45-56.

Zhang, J., Zhang, L., and Xie, J. (2011) Application of memetic algorithm in control of linear inverted pendulum. 2011 IEEE International Conference on Cloud Computing and Intelligence Systems (CCIS), IEEE: Beijing, China. p. 103-107.

Rakhshani, E. (2012) Intelligent linear-quadratic optimal output feedback regulator for a deregulated automatic generation control system. Electric Power Components and Systems, 40(5), 513-533.

Fatemi, A., Bagheri, A., Amiri, G.G., and Ghafory-Ashtiany, M. (2012) Generation of uniform hazard earthquake accelerograms and near-field ground motions. Journal of Earthquake and Tsunami, 6(02).

Ohtori, Y., Christenson, R., Spencer Jr, B., and Dyke, S. (2004) Benchmark control problems for seismically excited nonlinear buildings. Journal of Engineering Mechanics, 130(4), 366-385.

Atashpaz-Gargari, E. and Lucas, C. (2007) Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition. 2007 IEEE Congress on Evolutionary Computation (CEC), IEEE: Singapore, Singapore. p. 4661-4667.

Storn, R. and Price, K. (1997) Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization, 11(4), 341-359.

Yang, X.-S. (2010) 'A new metaheuristic bat-inspired algorithm.' In: Nature Inspired Cooperative Strategies for Optimization (NICSO 2010), Springer, 65-74.

Yang, X.-S. (2008) 'Firefly algorithm.' In: Nature-inspired Metaheuristic Algorithms, Luniver Press, 79-90.

Kaveh, A. and Mahdavi, V. (2014) Colliding bodies optimization: a novel meta-heuristic method. Computers & Structures, 139, 18-27.

Kaveh, A., Vaez, S.R.H., Hosseini, P., and Ezzati, E. (2018) Layout Optimization of Planar Braced Frames Using Modified Dolphin Monitoring Operator. Periodica Polytechnica Civil Engineering, 62(3), 717-731.

Geem, Z.W., Kim, J.H., and Loganathan, G. (2001) A new heuristic optimization algorithm: harmony search. Simulation, 76(2), 60-68.


ارجاعات

  • در حال حاضر ارجاعی نیست.


تماس با ما حامیان مجله تمامی حقوق این سایت متعلق به فصلنامه علوم و مهندسی زلزله است