Editorial Teknik & Rekayasa
Open AccessOA2025
Algoritma Hybrid Sailfish Multi-Objektif untuk Optimasi Planetary Gearbox dan Masalah Desain Teknik Mesin
Makalah ini memperkenalkan HMODESFO, algoritma optimasi multi-objektif hybrid yang menggabungkan Differential Evolution dengan Sailfish Optimization, menunjukkan kinerja unggul pada planetary gearbox dan masalah desain teknik mesin.
Miloš Sedak; Maja B. Rosić; B. Rosic· Computer Modeling in Engineering & Sciences· 2025· DOI 10.32604/cmes.2025.059319
Masalah inti
Masalah optimasi multi-objektif sangat umum dalam teknik mesin, terutama dalam desain sistem kompleks seperti planetary gearbox. Masalah-masalah ini melibatkan beberapa tujuan yang saling bertentangan yang harus dioptimalkan secara bersamaan, sehingga menantang bagi algoritma optimasi tradisional. Makalah ini mengatasi tantangan tersebut dengan mengusulkan algoritma hybrid baru, HMODESFO, yang mengintegrasikan kemampuan eksplorasi Differential Evolution (DE) dengan sifat konvergensi cepat dari algoritma Sailfish Optimization (SFO). Motivasi utamanya adalah untuk meningkatkan optimasi planetary gearbox dan masalah desain teknik mesin lainnya, di mana metode yang ada sering kesulitan dengan dimensi tinggi dan tujuan yang saling bertentangan.
Inovasi
Algoritma HMODESFO dirancang untuk memilih operator mutasi optimal secara dinamis berdasarkan parameter jarak populasi ternormalisasi yang adaptif. Mekanisme adaptif ini memungkinkan algoritma menyeimbangkan eksplorasi dan eksploitasi secara efektif. Algoritma ini menggabungkan operasi mutasi dan crossover DE dengan strategi pencarian berbasis swarm SFO. Pemilihan operator mutasi diatur oleh:
di mana adalah parameter ambang. Jarak populasi dinormalisasi untuk beradaptasi dengan lanskap masalah. Kinerja algoritma divalidasi menggunakan masalah benchmark ZDT dan DTLZ, lalu diterapkan pada optimasi planetary gearbox dan masalah uji teknik mesin lainnya.
Pendahuluan
Masalah optimasi multi-objektif sangat umum dalam teknik mesin, terutama dalam desain sistem kompleks seperti planetary gearbox. Masalah-masalah ini melibatkan beberapa tujuan yang saling bertentangan yang harus dioptimalkan secara bersamaan, sehingga menantang bagi algoritma optimasi tradisional. Makalah ini mengatasi tantangan tersebut dengan mengusulkan algoritma hybrid baru, HMODESFO, yang mengintegrasikan kemampuan eksplorasi Differential Evolution (DE) dengan sifat konvergensi cepat dari algoritma Sailfish Optimization (SFO). Motivasi utamanya adalah untuk meningkatkan optimasi planetary gearbox dan masalah desain teknik mesin lainnya, di mana metode yang ada sering kesulitan dengan dimensi tinggi dan tujuan yang saling bertentangan.
Mengapa penting
Kinerja unggul HMODESFO dapat dikaitkan dengan sifat hybrid-nya, yang memanfaatkan kekuatan DE dan SFO. Pemilihan operator mutasi adaptif memungkinkan algoritma menyesuaikan strategi pencariannya secara dinamis, secara efektif menavigasi trade-off antara eksplorasi dan eksploitasi. Hal ini sangat bermanfaat untuk optimasi planetary gearbox, di mana ruang desain sangat terbatas dan tujuannya saling bertentangan. Hasilnya menegaskan potensi algoritma untuk aplikasi yang lebih luas dalam desain teknik mesin, menawarkan alat yang tangguh untuk mengatasi masalah optimasi multi-objektif. Pekerjaan selanjutnya dapat melibatkan perluasan algoritma untuk menangani masalah many-objective dan mengintegrasikan heuristik tambahan yang spesifik masalah.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…