دانلود مقاله ISI انگلیسی شماره 61710
ترجمه فارسی عنوان مقاله

یک چارچوب شی گرا برای بهینه سازی طراحی سبز مبتنی بر شبیه سازی با الگوریتم های ژنتیکی

عنوان انگلیسی
An object-oriented framework for simulation-based green building design optimization with genetic algorithms
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
61710 2005 19 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Advanced Engineering Informatics, Volume 19, Issue 1, January 2005, Pages 5–23

ترجمه کلمات کلیدی
الگوریتم ژنتیک، ساختمان سبز، چارچوب شی گرا، بهینه سازی، برنامه های شبیه سازی، توسعه پایدار
کلمات کلیدی انگلیسی
Genetic algorithm; Green building; Object-oriented framework; Optimization; Simulation programs; Sustainable development
ترجمه چکیده
بهینه سازی مبتنی بر شبیه سازی می تواند با برطرف شدن نقایص آزمایش و خطا به تنهایی با شبیه سازی، به طراحی ساختمان سبز کمک کند. این مقاله چارچوب شی گرا را ارائه می دهد که به ویژگی های خاصی از مشکلات بهینه سازی طراحی سبز مانند متغیرهای سلسله مراتبی و اتصال با برنامه های شبیه سازی اشاره می کند. چارچوب استفاده دوباره از کد را تسهیل می کند و می تواند به راحتی برای حل مشکلات مشابه بهینه سازی سازگار باشد. انواع متغیر پشتیبانی شده عبارتند از متغیرهای پیوسته، متغیرهای گسسته و متغیرهای ساختاری که به عنوان سوئیچ برای کنترل تعدادی از متغیرهای زیرسطحی عمل می کنند. این چارچوب الگوریتم های ژنتیکی را برای حل (1) مشکلات بهینه سازی یک هدف محدود و بدون محدودیت و (2) مسائل بهینه سازی چند هدفه بدون محدودیت پیاده سازی می کند. استفاده از این چارچوب با استفاده از یک مطالعه موردی نشان داده شده است که از الگوریتم ژنتیک چند هدفه برای کشف روابط تجاری بین هزینه زندگی و چرخه عمر محیط زیست برای طراحی یک ساختمان سبز استفاده می شود.

چکیده انگلیسی

Simulation-based optimization can assist green building design by overcoming the drawbacks of trial-and-error with simulation alone. This paper presents an object-oriented framework that addresses many particular characteristics of green building design optimization problems such as hierarchical variables and the coupling with simulation programs. The framework facilitates the reuse of code and can be easily adapted to solve other similar optimization problems. Variable types supported include continuous variables, discrete variables, and structured variables, which act as switches to control a number of sub-level variables. The framework implements genetic algorithms to solve (1) unconstrained and constrained single objective optimization problems, and (2) unconstrained multi-objective optimization problems. The application of this framework is demonstrated through a case study which uses a multi-objective genetic algorithm to explore the trade-off relationship between life-cycle cost and life-cycle environmental impacts for a green building design.