Optimization of composite structures by estimation of distribution algorithms
Institution:
Saint-Etienne, EMSEDisciplines:
Directors:
Abstract EN:
The design of high-performance composite laminates, such as those used in aerospace structures, leads to complex global optimization problems tha cannot be addressed by conventional methods. These problems are typically solved by stochastic algorithms, such as evolutionary algorithms. This dissertation proposes a new evolutionary algorithm, named Double-Distribution Optimization Algorithm (DDOA). DDOA belongs to the family of Estimation of Distribution Algorithms (EDA) that build a statistical model of promising regions of the design space based on sets of good points obtained be selection, and use it to guide the search. A strategy for improving the accuracy of the statistical model, hence the efficiency of the algorithm, is proposed : the distribution of auxiliary variables that capture joint actions of the design variables is used to introduce variable dependencies. By combining that information with a simple representation of the distribution of the selected points in the design variable space, complex distributions can be represented at a low computational cost. The dissertation demonstrates the efficiency of DDOA for several laminate optimization problems where the design variables are the fiber angles and the auxiliary variables are the lamination parameters. The results show that its reliability in finding the optima is greater than that of a simple EDA and of a standard genetic algorithm, and that its advantage increases with the problem dimension.
Abstract FR:
La conception de structures en stratifiés composites haute performance, telles que celles qui sont utilisées dans l'aéronautique, conduit à des problèmes complexes d'optimisation globale, qui ne peuvent être traités par des méthodes traditionnelles. Ces problèmes sont en général résolus par des méthodes stochastiques telles que des algorithmes évolutionnaires. Cette thèse propose un nouvel algorithme évolutionnaire, appelé Double-Distribution Optimization Algorithm (DDOA). DDOA appartient à la famille des algorithmes à estimation de distribution (EDA) qui construisent un modèle statistique des régions prometteuses de l'espace de recherche sur la base d'ensembles de bons points issus de la sélection, et utilisent ce modèle pour guider la recherche. Une stratégie pour améliorer l'exactitude du modèle statistique, et par conséquent l'efficacité de l'optimisation est proposée : la distribution de variables auxiliaires capturant des actions conjointes des variables de conception est utilisée pour introduire de l'information sur les dépendances entre variables. En combinant cette information avec un modèle simple des points sélectionnés dans l'espace de recherche, on peut ainsi générer des distributions complexes pour un coût de calcul plus réduit. Cette thèse démontre l'efficacité de DDOA sur plusieurs problèmes d'optimisation de strtifiés composites où les variables de conception sont les angles des fibres dans chaque pli, et les variables auxiliaires sont des grandeurs appelées "paramètres de stratification". Les résultats montrent que DDOA trouve l'optimum de façon plus fiable qu'un EDA qui n'utilise pas ces variables auxiliaires, et qu'un algorithme générique simple.