Quality/Diversity Approaches for Structural Optimization of Bridges

Abstract

A otimização de Pontes de Tirantes é um tema que tem ganho especial atenção nos últimos anos, já que várias pontes deste tipo foram construídas. O processo de otimização muitas vezes é feito manualmente ou com técnicas baseadas no gradiente, que exigem conhecimentos específicos do domínio. Algoritmos Genéticos têm sido usados para resolver este problema e reduzir a carga sobre os engenheiros civis, exigindo menos conhecimentos específicos do domínio. Reduzir o custo destas estruturas garantindo que são seguras é de extrema importância, pois mesmo uma pequena redução pode ser decisiva para uma empresa conseguir um contrato.O principal objetivo deste trabalho é usar Algoritmos Evolucionários para criar automaticamente configurações para pontes de tirantes pedonais, definidas por diversos parâmetros configuráveis. Especificamente, o nosso foco é estudar a performance de algoritmos de Qualidade/Diversidade (QD) em relação a abordagens mais tradicionais. Algoritmos QD são mais competentes a encontrar várias soluções adequadas durante uma única execução do algoritmo. Na prática, esta diversidade permite que o utilizador selecione a configuração de ponte que prefere. O problema vai ser abordado como um problema de otimização black box. Nas nossas experiências, nós utilizámos uma gama diversificada de algoritmos, constituído por algoritmos de optimização para um único objectivo, multi-objectivo e de QD. Ao usar este conjunto heterogéneo de algoritmos, o nosso objetivo é avaliar de forma mais abrangente as capacidades dos algoritmos de QD. Os resultados são favoráveis aos algoritmos de QD, demonstrando a sua competência para encontrar um grande número de soluções diferentes, mantendo o desempenho de otimização. Por exemplo, um dos algoritmos QD usados descobriu soluções estruturalmente seguras mais baratas que a solução base 19 vezes em 20. Adicionalmente, 50\% dos indivíduos criados são significativamente diferentes entre si. Este resultado mostra que a procura de diversidade não leva necessariamente a um declínio de desempenho de otimização e que é possível encontrar soluções diversas otimizadas.

Optimizing Cable-Stayed Bridges is a topic that has been gaining special attention in recent years, as multiple bridges of this type have been built. The optimization process is often done by hand or with gradient-based techniques, which require specific domain knowledge. Genetic Algorithms have been used to tackle this problem and reduce the burden on civil engineers by requiring less domain knowledge. Reducing the cost of these structures whilst keeping the structure safe is of utmost importance, as even a slight reduction can be decisive for a company to get a contract.The main goal of this work is to use Evolutionary Algorithms to automatically create configurations for cable-stayed footbridges, defined by several configurable parameters. Specifically, our focus is to study the performance of Quality Diversity (QD) algorithms against more traditional approaches. QD algorithms are more capable of finding several fit solutions within a single execution of the algorithm. In practice, this diversity enables the user to select the desired bridge configuration. The problem will be addressed as a black box optimization problem.In our experiments, we employed a diverse range of algorithms, including single-objective, multi-objective, and QD algorithms. By incorporating this heterogeneous set of algorithms, we aimed to comprehensively evaluate the capabilities of QD algorithms. The results are favorable toward the QD algorithms, showcasing their ability to discover a large number of diverse solutions while maintaining the optimization performance. For example, one of the QD algorithms used discovered cheaper structurally safe solutions than the baseline 19 times out of 20. Additionally, 50\% of the created individuals are significantly different from each other. The results show that the search for diversity does not necessarily lead to a degradation of the optimization performance and that it is possible to find diverse and optimized solutions.