要約
この研究の主な関心は、サイズとレイアウトの変数を同時に考慮して、トラス構造の最適な設計を見つけることです。
純粋なサイジング最適化問題と比較して、この問題は、関与する 2 種類の変数の性質が根本的に異なるため、より困難です。
この論文では、サイジング最適化問題に対する更新モンテカルロ木探索 (UMCTS) と呼ばれる、更新プロセスとモンテカルロ木探索を組み合わせた強化学習手法を適用して、トラス構造のサイジングとレイアウトの組み合わせ最適化を解決します。
この研究では、2 つの特徴を持つ節点座標の新しい更新プロセスを提案します。
(1) 各座標の許容範囲はラウンドごとに異なります。
(2) 計算時間を短縮するために、許容範囲内のエントリ数と反復数に対するアクセラレータが導入されています。
さらに、ノード座標とメンバー領域は、各ラウンドで 1 つの探索ツリーのみを使用して同時に決定されます。
UMCTS の検証と効率は、離散的なサイズ変数と連続的なレイアウト変数を使用した平面および空間トラスのベンチマーク問題でテストされます。
UMCTS の CPU 時間は、分岐結合方式よりも 2 倍高速であることが示されています。
数値結果は、提案された方法が他の従来の方法よりも優れた解を安定して達成することを示しています。
要約(オリジナル)
The main concern of this study is to find the optimal design of truss structures considering sizing and layout variables simultaneously. As compared to purely sizing optimization problems, this problem is more challenging since the two types of variables involved are fundamentally different in nature. In this paper, a reinforcement learning method combining the update process and Monte Carlo tree search called the update Monte Carlo tree search (UMCTS) for sizing optimization problems is applied to solve combined sizing and layout optimization for truss structures. This study proposes a novel update process for nodal coordinates with two features. (1) The allowed range of each coordinate varies in each round. (2) Accelerators for the number of entries in the allowed range and iteration numbers are introduced to reduce the computation time. Furthermore, nodal coordinates and member areas are determined at the same time with only one search tree in each round. The validation and efficiency of the UMCTS are tested on benchmark problems of planar and spatial trusses with discrete sizing variables and continuous layout variables. It is shown that the CPU time of the UMCTS is two times faster than the branch and bound method. The numerical results demonstrate that the proposed method stably achieves a better solution than other traditional methods.
arxiv情報
| 著者 | Fu-Yao Ko,Katsuyuki Suzuki,Kazuo Yonekura |
| 発行日 | 2023-09-25 15:42:52+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google