بهینه سازی سازه های فضاکار بر اساس نظریه قابلیت اعتماد بوسیله روش های مونت کارلوی مستقیم و شبیه سازی زیرمجموعه ای و مقایسه آن ها

برآورد صحیح احتمال خرابی همراه با حجم محاسبات پایین، دغدغه اصلی در قابلیت اعتماد سازه ها به شمار می آید. روش شبیه سازی مونت کارلوی مستقیم می تواند برآورد صحیحی از احتمال خرابی ارائه دهد اما برای مسائل پیجیده مهندسی با احتمال خرابی پایین، کاری زمان بر بوده و ممکن است برآورد ناکارآمدی از احتمال خرابی ارائه دهد لذا برای این امر مهم باید به دنبال راهکار مناسب بود. در این مقاله توسط الگوریتم ژنتیک به بهینه سازی سازه های فضاکار پرداخته می شود و برای بررسی احتمال خرابی سازه ها از روش های مونت کارلوی مستقیم و شبیه سازی زیرمجموعه ای استفاده می گردد و نتایج هر دو با یکدیگر مقایسه می شود که نهایتا مشاده می شود که استفاده از روش شبیه سازی زیرمجموعه ای در مقایسه با روش مونت کارلوی مستقیم، تاثیر بسزایی در کاهش حجم محاسبات و افزایش سرعت حل مسائل دارد.

کلیدواژه ها:

بهینه سازی ، الگوریتم ژنتیک ، قابلیت اعتماد ، شبیه سازی زیرمجموعه ای ، شبیه سازی مونت کارلو