Resumen

Inicialmente formulado para resolver problemas de optimización sin restricciones, la forma común de resolver aquellos con restricciones utilizando el algoritmo metaheurístico de optimización por enjambre de partículas (PSO) se representa mediante la adopción de algunas funciones de penalización. En este artículo, se implementa un nuevo enfoque de manejo de restricciones para PSO que no se basa en penalizaciones, adoptando un método de aprendizaje automático supervisado, la máquina de soporte vectorial (SVM). Debido a su generalidad, el manejo de restricciones con SVM parece ser más adaptable tanto a fronteras no lineales como discontinuas. Para preservar la viabilidad de la población, también se implementa un simple algoritmo de bisección. Para mejorar el rendimiento de búsqueda del algoritmo, también se adopta una función de relajación de las restricciones. En la parte final de este artículo, se discuten dos ejemplos de referencia de la literatura numérica y dos ejemplos estructurales. El primer ejemplo estructural se refiere a una viga simplement

• Materias:Elementos finitos Análisis de estabilidad Energía histerética Seguridad en la ingeniería civil Tensión-deformación
• Subjects:Finite elements Stability analysis Hysteretic energy Safety in civil engineering Stress-strain
• Palabras claves:Optimización; Manejo de restricciones; Optimización por enjambre de partículas; Máquina de vectores de soporte; Ejemplos estructurales; Viabilidad
• Keywords:Optimization; Constraint handling; Particle swarm optimization; Support vector machine; Structural examples; Feasibility