۱-۴-۶ پارامتر های الگوریتم ژنتیک

شش پارامتر اصلی که در الگوریتم ژنتیک حضور دارند عبارتند از:
نرخ تولید مثل^[۶۲]
نرخ جهش^[۶۳]
اندازه جمعیت^[۶۴]
انتخاب^[۶۵]
رمز گذاری و آدرس دهی کروموزوم ها^[۶۶]
شیوه تولید مثل و جهش[۷]

۱-۵ روند کلی بهینه سازی و حل مسائل در الگوریتم ژنتیک

شروع: تولید تصادفی یک جمعیت که شامل تعداد زیادی کروموزم(روش های حل مسئله است) می باشد.
ارزیابی صحت و درستی: ارزیابی صحت برای تابع f(x) به ازائ هر کروموزوم x درجمعیت.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

ایجاد یک جمعیت جدید: تولید یک جمعیت جدید با انجام تمامی زیر گروه های زیر تا آنکه یک جمعیت جدید ایجاد گردد.
جایگزینی: جایگزینی جمعیت جدید به جای جمعیت قبلی و مورد استفاده قرار دادن جمعیت جدید در مراحل بعدی الگوریتم.
امتحان: اگر شرایط مطلوب در حل مسئله برقرار شد اعلام میکنیم که به بهترین جواب رسیده ایم و از الگوریتم خارج می شویم در غیر این صورت به مرحله ۲ میرویم و دوباره همین روند را تکرار می کنیم.
قدرت الگوریتم ژنتیک در توانایی وفق دادن خودش به صورت ذاتی می باشد. در سیستم های طبیعی، گونه های سازگار با محیط از میان تعامل پی در پی و نسل های در ارتباط با محیط هستند. بعد از چندین نسل متوالی، فقط گونه هایی که می توانند به خوبی با محیط وفق پیدا کنند باقی می مانند و بقیه ناپدید می شوند. در اصطلاح ریاضی، افراد همانند متغیر های مسئله هستند و محیط چگونگی مسئله است. نسل آخر از رشته های متغیر ها که می توانند با مسئله سازگار باشند راه حل های مسئله هستند. الگوریتم های ژنتیک ابزارهای ضروری برای تقلید این فرایند طبیعی را فراهم می کنند[۳۰].

۱-۶ پیشینه تحقیق

در این بخش به ادبیات فنی موضوع پرداخته شده است و مروری بر تحقیقات صورت گرفته در ارتباط با موضوع این پژوهش شده است.

۱-۶-۱ مقدمه

تحلیل های تاریخچه زمانی غیرخطی در تحلیل های لرزه ای و طراحی سازه ها متداول ترند. آیین نامه های طراحی سازه های جداساز لرزه ای، برای مثال، حدود یک دهه است که شامل مقررات تحلیل های تاریخچه زمانی غیرخطی می باشند. آیین نامه های جدید ارزیابی لرزه ای مانند FEMA-356(ASCE2000) شامل شرح وجزئیات مقررات تحلیل های غیرخطی برای همه نوع سازه ها می باشند[۳۰].
به طور معمول برای اهداف طراحی خطر لرزه ای در یک محل به وسیله طیف طرح ارائه شده، تقریبا همه آیین نامه ها و دستورالعمل های طراحی لرزه ای نیازمند مقیاس نمودن رکوردهای زمین لرزه های انتخاب شده اند بنابراین آنها در یک سیکل محدوده مشخص شده توسط کاربر رکوردهای مقیاس شده را کنترل می کنند تا مشخص شود که با طیف طرح تطبیق داده می شوند یا از آن تجاوز می کنند. چندین روش برای مقیاس نمودن تاریخچه زمانی شتابنگاشت ها ارائه شده است. آنها شامل روش های حوزه بسامد که محتوی فرکانس رکوردهای زمین لرزه ها، برای تطبیق دادن دستکاری می شوند و روش های حوزه زمانی که دستکاری در آنها فقط به دامنه رکوردهای زمین لرزه ها محدود می شود[۳۰].
بدون در نظر گرفتن روش( حوزه بسامد یا حوزه زمانی)، عموما همه نظریه های موجود، در فرایند انتخاب حرکات زمین زلزله و مقیاس نمودن برای تطبیق دادن با طیف طرح مجزا و مشخص است. به عبارت دیگر، اول یک یا چند رکورد انتخاب می شود، سپس مکانیزم های مقیاس کردن مناسب برای تطبیق دادن طیف ها اعمال می شود. در این راستا محققان و دانشمندان بسیاری کارهای مفیدی انجام داده اند[۳۰].
بعضی از آیین نامه ها لازم می دانند دو مولفه افقی هر زلزله به روش میانگین جذر مجموع مربعات با ۵% میرایی از رکوردهای مجموعه داده هایی یک جامعه نگاشت برای سیکل هایی بین   باشد استفاده شود. برای ساختمان های معمولی،   معمولا مقادیری مانند .۲T و ۱٫۵T تعیین می شود که T پریود اصلی سازه است. برای سازه های جداساز لرزه ای، بعضی آیین نامه ها یک محدوده باریک برای پریود اصلی در نظر گرفته اند، T عموما، در نیروگاههای انرژی هسته ای و دیگر ساختمان های بحرانی نظامی از یک محدوده گسترده تری برای تطبیق دادن استفاده می شود[۳۰].
جستجو برای رکوردهای مناسب و مطابق دادن آن با مقیاس کردن کاملا درهم آمیخته هستند الگوریتم ژنتیک خودش را برای جستجوی مطمئن، و کاربردی بودن در روش های بهینه سازی که با تابع هدف های پیچیده با تعداد زیاد متغیرها درگیر می شوند ثابت کرده است. در مهندسی سازه و زلزله، در طی دهه گذشته، الگوریتم های ژنتیک در طراحی بهینه سازه های غیرخطی(پزشک و همکاران ۱۹۹۹و۲۰۰۰) کنترل سازه(علیمرادی۲۰۰۱)، و اجرای اساس طراحی(فولی و شینلر۲۰۰۱، فولی و همکاران۲۰۰۳) استفاده شده است. بنابراین، از الگوریتم ژنتیک برای مقیاس کردن رکوردهای حرکات زمین زلزله ها برای طراحی استفاده شده است[۳۰].
نعیم و همکاران[۳۰] در مقاله خود یک روش مقیاس کردن بر اساس الگوریتم ژنتیک ارائه داده اند. برای این منظور تخمین نزدیکی از طیف طرح در بالای یک محدوده از پریودها که توسط کاربر استفاده شده است، بدست آمده است.

۱-۶-۲ تحقیقات صورت گرفته در ارتباط با موضوع

در سال ۱۹۹۹ نعیم و کلی[۲۹] در زمینه سازه های جدا ساز لرزه ای تحلیل های دینامیکی را بررسی کردند. کاربلو و کرنل[۲۰] در زمینه تحلیل خطر لرزه ای سازه ها بر اساس روش حوزه بسامد^[۶۷] تحقیقاتی انجام دادند. در سالهای ۲۰۰۰ تا ۲۰۰۴ دانشمندان زیادی از جمله بومر و همکاران[۱۸]، فهجان[۲۱]، نعیم و همکاران[۳۰]، تحلیل های دینامیکی سازه ها را بر اساس روش حوزه زمانی بررسی نمودند. از جمله می توان نعیم را نام برد که به کمک همکاران در سال ۲۰۰۴ روشی را برای انتخاب و مقیاس نمودن رکوردهای زلزله ارائه نمودند، به طوری که طیف پاسخ مقیاس شده ی بدست آمده حداقل خطا را با طیف هدف داشته باشد. آنها یک مجموعه داده بزرگی را انتخاب نموده و از میان آنها تعداد ۷ رکورد را انتخاب کردند و یک محدوده نیز برای مقیاس کردن طیف ها معرفی نمودند و از الگوریتم ژنتیک برای این موضوع استفاده کردند. این مقاله نظریه جدیدی برای انتخاب رکوردهایی، از یک مجموعه شامل حرکت های زمین از زلزله های واقعی است، و تطبیق دادن این ترکیب با طیف طرح یک محل خاص با کمترین تغییرات ارائه داده است. طبق گفته های ایشان ضرایب مقیاس کردن برای اعمال روی رکوردهای انتخاب شده مقادیر اسکالر هستند که در یک محدوده توسط کاربر مشخص می شوند. بنابراین، فاز و شکل طیف پاسخ زلزله با هم تداخل پیدا نمی کند. همچنین در این مقاله[۳۰] برخلاف روش های رایج مقیاس نمودن، تعدادی از رکوردهای زلزله از پیش تعیین شده (معمولا بین یک مولفه تا هفت جفت) اول انتخاب و مقیاس می شوند و بعد با طیف طرح تطبیق داده می شوند، به گفته ی آن ها “این روش قادر است از یک مجموعه شامل هزاران رکورد زلزله جستجو کرده و یک زیر مجموعه مطلوب از رکوردهایی که با طیف طرح هدف تطبیق داده می شوند را معرفی کند". این کار توسط الگوریتم ژنتیک انجام می شود. که در آن هفت تا رکورد با هفت تا ضریب مقیاس گذاری مطابق با آن به عنوان یک فرد عمل می کند. اولین نسل از افراد ممکن است شامل یک جمعیت، برای مثال، ۲۰۰ رکورد باشد. سپس از میان فرآیندی که در آن از آمیزش، انتخاب طبیعی، و جهش، تقلید می شود و نسل جدیدی از افراد ساخته می شود، فرایند ادامه پیدا می کند تا بهترین فرد(هفت جفت از ضرایب مقیاس گذاری) بدست آید. آن ها ادعا نموده اند که این روش سریع و قابل اعتماد است و نتایج آن رکوردهایی را حاصل می کند که با طیف طرح هدف با کمترین دستکاری تطبیق داده می شوند و میانگین مربعات کمترین خطا را با طیف هدف دارد. آن ها به این نتیجه رسیدند که استفاده از GA باعث بالا رفتن سرعت، قابل اعتماد بودن نتایج می شود و همچنین میانگین نتایج رکوردها حداقل اختلاف را با طیف میانگین ایجاد می نماید. همین طوردر سال ۲۰۰۵ ینجی[۳۷] مقایسه ای در مورد روش های بهینه سازی برای مسائلی با قید های غیر خطی انجام داد. در سال ۲۰۰۵ لی وجیم[۲۸] الگوریتم های فرا ابتکاری قطعی^[۶۸] را برای مسائل بهینه سازی سازه های قابی شکل مطرح کردند.
واتسن، آبراهامسون[۳۵] در سال ۲۰۰۵ مقاله ای تحت عنوان “انتخاب رکورد حرکت زمین و محدوده مقیاس گذاری” منتشر نمودند که در آن فرایند انتخاب سری های زمانی (رکوردها) برای استفاده در تحلیل های غیرخطی در نظر گرفته شده است، در این تحقیق نتایج پاسخ میانگین سیستم های غیرخطی پیشنهاد شده است که تنها براساس بزرگا، فاصله، و شکل طیف نیست. یک مدل ساده از سیستم های بازده ای به عنوان نماینده برای رفتارهای غیرخطی از یک سیستم بسیار پیچیده مورد استفاده قرار می گیرد. به عنوان مثال، جابجایی های نیومارک به عنوان نماینده مدل های بسیار پیچیده با شیب ثابت، استفاده می شود. رکوردهای مقیاس شده، راه حل ساده ای برای عملکرد پاسخ سیستم غیرخطی که نزدیک پاسخ مورد انتظار برای رخداد طراحی باشد را پیدا کرده و ارزیابی می کنند. این رکوردهای مقیاس شده، با پاسخ های نزدیک مقادیر مورد انتظار، انتخاب می شوند. رکوردهای بهینه برای تعریف پاسخ میانگین ولو اینکه ضرایب مقیاس کردن بزرگتر از حد انتظار ما باشد به کار می رود.
کت سانوس و همکاران[۲۷] در سال ۲۰۰۹ میلادی مقاله ای با عنوان “انتخاب رکورد های زلزله حرکات زمین: بررسی ایده ای جدید از یک دیدگاه مهندسی سازه” منتشر نمودند که در این مقاله روش انتخاب پیشنهادی براساس روش های مقرر برای ترکیب رکوردهای زمین لرزه های قوی در چارچوب طراحی لرزه ای سازه را بررسی میکند. با توجه به این واقعیت است که رکوردهای معین برای یک محل از یک فرایند تصادفی تشکیل شده اند که عملا برای دوباره فراهم کردن غیر ممکن است، در سالهای اخیر در پردازش رکوردهای واقعی تلاش قابل توجهی صرف شده است بنابراین برای تبدیل شدن به نماینده ی رکوردهای ورودی موجود همچنین ساخت و ساز در مناطق لرزه خیز در آینده برنامه ریزی شده است. بعلاوه، تلاش قابل توجهی صرف شده تا اطمینان حاصل شود که پراکندگی در پاسخ سازه به دلیل استفاده از رکوردهای مختلف زلزله به حداقل رسیده است. در این راستا، هدف این مقاله نشان دادن روش های اخیر برای انتخاب یک مجموعه مناسب از رکوردهایی است که می تواند در تحلیل های دینامیکی سیستم های سازه ای در زمینه طراحی مبتنی بر عملکرد توسعه داده شود. یک ارزیابی نسبی از گزینه های مختلف در دسترس نشان می دهد که چارچوب آیین نامه های لرزه ای رایج نسبت به آنچه در واقعیت مشاهده شده است ساده تر است، درنتیجه هر دو عدم قطعیت و چالش های مشخص شده بستگی به انتخاب رکوردها دارد. در سال ۲۰۱۰ ایرولینو و همکاران[۲۵] “انتخاب رکورد به کمک کامپیوتر برای تحلیل سازه توسط آیین نامه های لرزه ای برای مناطقی با خطر لرزه ای” را مطرح نمود.
حیدر خان و دوستان[۲۴]، در سال ۲۰۱۱ در مقاله ی خود از الگوریتم هارمونی سرچ^[۶۹] برای انتخاب زمین لرزه ی مناسب با آیین نامه یوروکد۸ استفاده نمودند. آنها در مجموع ۳۵۲ رکورد را از سایت پییر، از دو نوع خاک C و D انتخاب کردند و پس از پیاده نمودن الگوریتم بر روی داده ها یک مجموعه مناسب مطابق با طیف طرح بدست آوردند. در این مقاله، راه حل یک روش پیشنهادی برای بدست آوردن مجموعه ورودی های زمین لرزه سازگار با طیف طرح براساس الگوریتم فرا ابتکاری هارمونی سرچ بدست آمده است. فایده ی این روش پیشنهادی توسط عملکرد داده های حرکت زمین مطابق با طیف طرح آیین نامه یورو کد ۸ برای انواع خاک مختلف از داده های وسیع رکوردهای حرکت زمین نشان داده شده است. در مقاله آن ها مجموعه ای شامل ۳۵۲ رکورد از سایت پییر براساس ریشتر، فاصله و شرایط محل از حوزه زمین لرزه های اصلی انتخاب شده است. سپس، الگوریتم پیشنهاد شده ی هارمونی سرچ بر روی این ۳۵۲ رکورد از قبل انتخاب شده، اعمال شده و یک مجموعه ای سازگار با طیف طرح بدست آمده است. نتایج نشان می دهند که روش پیشنهادی روشی قابل حل است و راه موثری در توسعه مجموعه رکوردهای حرکت زمین ورودی سازگار با طیف طرح آیین نامه است. نتایج کار ایشان این بود که هارمونی سرچ راه موثری برای پیدا کردن رکوردهای زلزله مطابق با طیف طرح می باشد. نتیجه اصلی این است که همه ی زلزله های انتخاب شده قید ها را ارضا می کنند، و یک مجموعه برای انتخاب طیف پاسخ، مطابق با آیین نامه یوروکد۸ ، به کمک پارامترهای هارمونی سرچ می تواند بدست آید.[۲۴]
پزشک و همکاران[۳۲] در سال ۲۰۰۰ در مقاله ای سازه های قاب فولادی، هندسی و دوبعدی را توسط GA بهینه سازی نمودند. آنها از عملگر های انتخاب و ادغام این الگوریتم برای طراحی قاب ها بر اساس مشخصات آیین نامهLRFD-AISC استفاده نموده و اثر P-∆ را با تحلیل های خطی و غیر خطی توسط GA مقایسه کردند. آن ها یک روش طراحی برای سازه های قاب دو بعدی توسط الگوریتم ژنتیک ارائه نمودندو از میان چندین مثال متوجه شدند که انتخاب گروه و عملگر ادغام برای مسائل مورد نیازشان به خوبی کار میکند. آنها همچنین پیشنهادی برای انتخاب و اجرای تابع جریمه ارائه نمودند و به این نتیجه رسیدند که طراحی بهینه روی اثر P-∆ بی تاثیر نیست. لیو^[۷۰] و همکاران[۳۶] در سال ۲۰۰۷ به کمک همکاران برای حل مشکل بهینه سازی تکاملی(ESO) سازه در به دام افتادن در نقاط بهینه محلی، توسط الگوریتم ژنتیک توانستند ESO را بهبود بخشد و این مشکل را حل کنند. آن ها با ترکیب این دو الگوریتم (GA و ESO ) یک الگوریتم جدیدی به نام GESO را مطرح نمودند، از نظر آن ها این الگوریتم خواص خوب الگوریتم ژنتیک را در به دست آوردن بهینه کلی می گیرد و همچنین برای جلوگیری از فراموش شدن طرح اولیه سازه در تکامل از ESO استفاده می کند. روند کار آن ها به این صورت بود که، هر المان سازه را در تحلیل اجزای محدود به عنوان یک فرد و مقدار برازش هر فرد بر اساس بزرگی و حساسیت المان در نظر گرفتند. همه المان ها در اولین حوزه ترکیب یک جمعیت کلی الگوریتم ژنتیک را تشکیل می دهند. پس از چند نسل المان هایی که در جمعیت باقی مانده اند به نتایج بهینه ای که به سمت بهینه کلی سوق پیدا می کند، همگرا می شود. آن ها توسط مثال هایی نشان دادند که روش GESO ظرفیت قوی ای در پیدا کردن نتایج بهینه کلی دارد و نیاز کمتری به محاسبه نسبت به ESO و دیگر روش ها دارد. در هرران ممکن است نتایج متفاوتی بدست آید، اما این نتایج شانسی و یا تکراری نیستند. احتمال تلفیق و احتمال جهش دو پارامتر مهم در GESO هستند.
ژی یانگ جی و همکاران[۳۸] در سال ۲۰۱۱ بحثی در مورد قطعه بندی خطی مسائل غیر خطی مطرح نمودند. آن ها با الگوریتم ژنتیک مسائل غیر خطی پیچیده را به تابع هدفهای خطی تقسیم کردند و یک تقریب برای حل مسادل ارائه نمودند. مزایای استفاده از الگوریتم ژ نتیک در تحقیق آن ها، تعادل بین دقت تقریب و سادگی و بهتر شدن تقریب ها بود.
لیانگ^[۷۱] و لونگ^[۷۲][۳۲] الگوریتم ژنتیک را با الگوریتم نخبه گرا آمیختند و الگوریتم جدیدی به نام روش جستجوی جمعیت نخبه گرا تطبیقی بر مبنای الگوریتم ژنتیک (AEGA) ارائه دادند. این تکنیک بر اساس مفهوم تطابق اندازه جمعیت بر عدم تجانس افراد استفاده شده در همه عملگر های نخبه گرایی جمعیت کار می کند و همچنین با هر ترکیب از عملگرهای استاندارد ژنتیک می تواند اجرا شود. AEGA نشان داده که کارایی زیادی در پیدا کردن راه حل های چند وجهی از الگوهای پیچیده دارد . برای استفاده از آن ما نیاز به معرفی یک پارامتر کنترل اضافه، مرز فاصله و اندازه جمعیت داریم.
مهرابیان و صفاری[۱۴] در پژوهش خود تحت عنوان “مقایسه روش های مختلف مقیاس سازی شتابنگاشت ها” به بررسی روش های مختلف مقیاس سازی رکوردهای زلزله پرداخته اند. ابتدا شتابنگاشت هایی را با توجه به پیشنهادات آیین نامه های زلزله ایران انتخاب، سپس چند رکورد ثبت شده برای فواصل دور و نزدیک گسل و برای پهار نوع خاک مختلف انتخاب کرده و در نهایت اثرات حاصله از شتابنگاشت های مقیاس شده بر روی سه سازه با زمان تناوب متفاوت با انجام تحلیل دینامیکی غیر خطی را بررسی نموده اند. این محققین به این نتیجه دست یافتند که یکی از مهمترین عوامل در انجام مقیاس سازی شکل طیف پاسخ می باشد. که به عوامل گوناگونی چون بزرگی زلزله، خاک محل، فاصله از گسل، ساز و کار گسل و… بستگی دارد.
شهروزی و محمدی[۳۵] در مقاله ای با عنوان “روش دسته ذرات بهینه یاب برای جستجوی ضرایب مقیاس شتابنگاشت ها” با توجه به ماهیت حقیقی فضای جستجو و ضرایب مقیاس از یکسو و قابلیت های روش های فراابتکاری از سوی دیگر، در این پژوهش روش دسته ذرات بهینه یاب در زمره هوش جمعی را برای حل مسئله به کاربرده و بهبود نتایج نسبت به روش آیین نامه را مطرح کردند. ایشان درصد اختلاف را به سه صورت محاسبه نموده و ادعا کرده اند که در تمامی موارد درصد اختلاف طیف حاصل از ضرایب مقیاس بهینه کمتر از درصد اختلاف ضرایب آیین نامه ای است. همچنین ادعا نموده اند که روش پیشنهادیشان از سرعت همگرایی بالایی برخوردار می باشد و این روش برای متغیرهای اعشاری مانند ضرایب مقیاس شتابنگاشت طراحی شده و توانسته است به بهبود قابل ملاحظه در تطبیق طیف ترکیبی با طیف استاندارد نسبت به روش آیین نامه ای بینجامد.
شهروزی و همکاران[۱۰] در مقاله خود با عنوان “بهینه یابی فراکاوشی برای مقیاس کردن حرکات قوی زمین” به بررسی مسئله در قالب بهینه یابی فرمولبندی شده و یا ویژه سازی و کاربرد الگوریتم توارثی پرداخته اند. در این مقاله جستجوی ضرایب مقیاس شتابنگاشت های حرکت قوی زمین در قالب یک مسئله بهینه یابی فرمولبندی شد. سپس ضمن مرور اصول حاکم بر روش های فراکاوشی الگوریتم ژنتیک به عنوان یک روش شناخته شده معتبر و نیز الگوریتم دسته ذرات بهینه یاب به عنوان یک شیوه نوین مورد بررسی قرار گرفت. نتیجه حاصل شده به صورت بیان شد “بهینه یابی ضرایب مقیاس نسبت به روند رایج ضرایب یکسان آیین نامه ای تطبیق طیفی بسیار بهتری را نتیجه می دهد که ضرورت کاربرد آن برای منحصربفرد کردن نتایج و روند تصمیم گیری و نیز صرفه اقتصادی طراحی را توجیه می نماید.”
در مقاله شهروزی و سازجینی[۳۳] با عنوان “اصلاح الگوریتم جستجوی هارمونی برای انتخاب و مقیاس کردن بهینه شتاب نگاشت ها” یک روش بهینه برای انتخاب و مقیاس کردن شتابنگاشت ها بر مبنای الگوریتم بهینه یابی جستجوی هارمونی ارائه شده است. در این مقاله یک فرمول بندی بهینه یابی مبتنی بر الگوریتم جستجوی هارمونی برای انتخاب و مقیاس کردن شتابنگاشت ها جهت تحلیل و طرح لرزه ای ارائه گردیده است. به نقل از این محقیقن روش پیشنهادی آن ها قادر است با انتخاب بهینه ی شتاب نگاشت ها از بین شتاب نگاشت های موجود در پایگاه داده که دارای شرایط سناریوی لرزه ای ساختگاه هستند، در عین رعایت شرایط آیین نامه ای برای سازگار بودن طیف پاسخ میانگین شتابنگاشت های انتخابی با طیف هدف، طیف پاسخ میانگین را به میزان قابل توجهی به طیف هدف نزدیک کند. در این مطالعه مسئله بهینه یابی تنها برای بهینه کردن میزان تطبیق طیفی معرفی شده است.

۱-۶-۳ جمع بندی از مبانی نظری و عملی برای ساختن پشتوانه معتبر

در مقاله نعیم و همکاران یک روش جدید برای انتخاب رکورد حرکت های زمین زلزله که در تطبیق دادن ترکیب طیف طرح در محل مشخص ارائه داده شد. در این روش از الگوریتم ژنتیک برای انتخاب تصادفی ۷ رکورد وضریب مقیاس مطابق با آن که هر کدام به عنوان یک فرد با ۱۴ متغیر رفتار می کند، استفاده شد. اولین نسل از افراد از طریق فرایند آمیزش، انتخاب طبیعی و جهش اصلاح شد. فرایند ادامه پیدا کرد تا یک فرد بهینه( ۷تا رکورد و ۷ ضریب مقیاس) بدست آمد. فرایند خیلی سریع و قابل اعتماد است و نتایج رکوردها با طیف طرح با کمترین دستکاری و اختلاف از هدف تطبیق داده شدند[۳۰].
روش پیشنهادی حیدرخان با بهره گرفتن از یک دیتا بیس بزرگ از رکوردهای زلزله عمل کرد و بهره وری آن شرح داده شد. ایشان بیان می کنند که در عمل، ممکن است کاربر این روش را محتاطانه برای انتخاب در محدوده مجموعه رکوردها با ریشترهای مختلف- فواصل مناسب برای سایت همانطور که تعریف شده در مطالعات لرزه خیزی محل، شرایط خاک و دیگر پارامترهای مربوط تفکیک کند[۲۴].
در مقاله کت سانوس[۲۷] روش های متنوعی ارائه شد که تصمیم گیری های منطقی می توان در مورد ورودی های زلزله وابسته به زمان مورد استفاده قرار گیرد. نتیجه می گیریم که چندین راه برای رسیدن به انتخاب رکورد وجود دارد. اما محدوده ای که پراکندگی پاسخ سازه را یکسان کند هنوز ممکن نیست. علاوه بر این با وجود پیشرفت های زیاد در آیین نامه های جدید تکنیک های انتخاب رکورد مطرح نشده است. از آنجا که آیین نامه های لرزه ای مورد استفاده در حال حاضر نسخه ساده شده ای از تصویر کامل زمانی که آن را به ارزیابی ناشی از زلزله می آید.[۲۱]
با توجه به مطالعات متعدد محقق در ارتباط با این موضوع، کمبود روش های انتخاب رکورد با توجه به آیین نامه ۲۸۰۰ ایران، که به طراحی لرزه ای سازه ها در کشور ایران می پردازد، و احساس نیاز ساخت و سازه های کنونی به این مشخصات و یک روش مطمئن و کارا برای انتخابی صحیح و مهندسی مشخص شد، و در این تحقیق سعی بر آن بوده تا با ارائه روشی مناسب به کمک الگوریتم ژنتیک بتوان بر این کمبود مسلط شد تا پس از این شاهد خسارات کمتری هنگام وقوع زلزله در ساختمانهای جدید باشیم.

فصل دوم

(روش تحقیق، تجزیه و تحلیل داده ها)

۲-۱ مقدمه

الگوریتم ژنتیک نوع خاصی از الگوریتم های تکاملی و هوش مصنوعی است که از تکنیک های زیست‌شناسی مانند وراثت و جهش برای یافتن جواب استفاده می‌کند. الگوریتم ژنتیک ابزاری است که توسط آن ماشین می تواند مکانیزم انتخاب طبیعی را شبیه سازی نماید. این عمل با جستجو در فضای مسئله جهت یافتن جواب برتر و نه الزاما بهینه صورت می پذیرد مهدوی در کتاب الگوریتم ژنتیک و کاربرد های آن، الگوریتم ژنتیک را یک روش جستجو، منطبق بر ساختار ژن ها و کروموزوم ها است، معرفی می کند. الگوریتم وراثتی، برداشتی از علم وراثت در سطح سلولی است. الگوریتم ژنتیک در قالب عام به دو صورت دودویی وحقیقی^[۷۳] (پیوسته) قابل پیاده سازی است. الگوریتم ژنتیک دودویی سابقه ای طولانی تر از نوع حقیقی آن دارد. در حل مسئله با الگوریتم ژنتیک، هر یک از متغیرها به صورت یک ژن در وراثت طبیعی در نظر گرفته می شوند. از کنار هم قرار گرفتن تمام متغیرهای یک مسئله(ژن ها)، یک کروموزوم ساخته می شود.
هلند اولین بار از رشته های بیتی برای بیان اطلاعات کروموزوم ها استفاده کرد و هنوز بسیاری از محققان این شیوه را بهترین می دانند. هر ژن توسط یک رشته بیتی بیان می شود، بنابراین باید قبل از اعمال به مسئله به صورت مناسبی بازنمایی شود. به عبارت دیگر، باید در نظر داشت که الگوریتم ژنتیک روی رمز متغیرها اعمال می شود[۱۵].
انطباق بین سیر تکامل طبیعی و الگوریتم ژنتیک در جدول۲-۱ خلاصه شده است.
جدول ۲- ۱- انطباق بین سیر تکامل طبیعی و الگوریتم ژنتیک