• Structural Engineering and Mechanics
• /
• 제54권2호
• /
• pp.305-317
• /
• 2015

Optimal sensor placement (OSP) is an integral component in the design of an effective structural health monitoring (SHM) system. This paper describes the implementation of a novel collaborative-climb monkey algorithm (CMA), which combines the artificial fish swarm algorithm (AFSA) with the monkey algorithm (MA), as a strategy for the optimal placement of a predefined number of sensors. Different from the original MA, the dual-structure coding method is adopted for the representation of design variables. The collaborative-climb process that can make the full use of the monkeys' experiences to guide the movement is proposed and incorporated in the CMA to speed up the search efficiency of the algorithm. The effectiveness of the proposed algorithm is demonstrated by a numerical example with a high-rise structure. The results show that the proposed CMA algorithm can provide a robust design for sensor networks, which exhibits superior convergence characteristics when compared to the original MA using the dual-structure coding method.

• 융합신호처리학회논문지
• /
• 제3권4호
• /
• pp.35-41
• /
• 2002

복잡한 문제들의 근사해를 구하기 위하여 최근 다양한 방법들이 소개되고 있다. 이러한 방법들은 주로 금속의 서랭(Annealing)에 의해 금속분자의 에너지가 최저점에 도달하는 과정을 모의실험한 최적화 기법(Simulated Annealing), 생물의 적자생존(Survival of Fittest)과정을 이용한 최적화 기법인 유전적 알고리즘(Genetic Algorithm)등 물리적 현상이나 생물 ?생명에 관련된 모의를 최적화 문제에 응용한 방법들이다. 최근에 소개된 Particle Swarm Optimization(PSO)는 주로 조류나 어류등의 생물의 무리가 각각의 개체가 가지고 있는 정보를 공유해가며 먹이를 찾아가는 과정을 모의한 기법이다. 하지만, 이 기법의 탐색과정이 명확하게 밝혀져 있지 않다. 본 논문에서는 PSO의 탐색과정을 가시화 하는 것을 목적으로 한다. 탐색과정을 가시화 하는 작업을 통해 그 탐색 능력을 시각적으로 파악하는 것이 가능하며 기법에 관한 이해를 돕고 교육적 효과도 기대 가능하다.

• Smart Structures and Systems
• /
• 제26권5호
• /
• pp.591-603
• /
• 2020

Dynamic deflection monitoring is an essential and critical part of structural health monitoring for high-speed railway bridges. Two critical problems need to be addressed when using inclinometer sensors for such applications. These include constructing a general representation model of inclination-deflection and addressing the ill-posed inverse problem to obtain the accurate dynamic deflection. This paper provides a dynamic deflection monitoring method with the placement of optimal inclinometer sensors for high-speed railway bridges. The deflection shapes are reconstructed using the inclination-deflection transformation model based on the differential relationship between the inclination and displacement mode shape matrix. The proposed optimal sensor configuration can be used to select inclination-deflection transformation models that meet the required accuracy and stability from all possible sensor locations. In this study, the condition number and information entropy are employed to measure the ill-condition of the selected mode shape matrix and evaluate the prediction performance of different sensor configurations. The particle swarm optimization algorithm, genetic algorithm, and artificial fish swarm algorithm are used to optimize the sensor position placement. Numerical simulation and experimental validation results of a 5-span high-speed railway bridge show that the reconstructed deflection shapes agree well with those of the real bridge.

• 한국시뮬레이션학회논문지
• /
• 제28권4호
• /
• pp.21-32
• /
• 2019

군집에 대한 사회적 행동 모델에 영감을 받은 군집 최적화 알고리즘은 복잡한 최적화 문제 해결에서부터 인공 신경망의 학습에까지 활용되는 대표적인 메타휴리스틱 최적화 알고리즘 중의 하나이다. 하지만 이 알고리즘은 기본적으로 확률적 노이즈가 존재하지 않는 결정적인 환경에서 개발되었기 때문에, 많은 경우 확률적 노이즈가 존재하는 실제 문제에 적용하기에 어려움이 있었다. 본 논문에서는 이를 개선하기 위하여 불확실 평가 기법이라고 정의되는 통계적 가설 검정 기반의 리샘플링 기법을 적용한다. 이 기법을 통하여 입자 군집 최적화 알고리즘의 성능에 가장 큰 영향을 미치는 입자들의 전역 최적을 정확하게 찾으므로 노이즈 환경에서 입자들이 최적해로 보다 정확하고 빠르게 수렴하도록 한다. 다양한 벤치마크 문제들에 대한 기존 알고리즘들과의 비교 실험 결과는 제안하는 알고리즘의 개선된 성능을 입증하고, 사례 연구의 결과는 본 연구의 필요성을 강조한다. 본 연구 결과가 4차 산업혁명 시대에 디지털 트윈 등을 통한 시뮬레이션 기반 시스템 최적화에 효과적으로 적용될 수 있을 것이라 기대한다.