Structural Optimization of Ships: Benchmark Study of Metaheuristic Algorithms and Constraint Handling Approaches
Notice bibliographique
Résumé
Abstract Optimization of ship structures can be performed using swarm and evolutionary algorithms in search for global optima, which is useful to maximize performance and minimize costs. There is a wide variety of such algorithms available and some have been proposed recently, but tested on mathematical problems. Thus, a benchmark study is performed here to assess their performance on structural optimization of a 180 m long chemical tanker which needs to fulfil class society’s requirements. Main frame is optimized considering firstly structural weight as a single objective and secondly weight and deck adequacy as two concurrent objectives. Optimization of deck adequacy leads to decrease of stresses in the deck. Artificial neural network is used as surrogate model to reduce the computational time. Following swarm and evolutionary algorithms are considered: PSO, NSGA-II, MOEA/D, MVO, MOMVO, MOGWO, IGWO and GSA. Following constraint handling techniques (CHTs) are used within: static and dynamic penalty, adaptive threshold and repair method. All algorithms are run for 30 times and the statistical results are presented. Results are compared in terms of objective values and speed of convergence. Results reveal that recently proposed swarm algorithms perform worse than well-known evolutionary algorithms in terms of the convergence rate and spread of the non-dominated front. In addition, algorithms’ performance is strongly influenced by CHT used. Among the ones tested, the best CHT is the repair method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».