AlphaTruss : Recherche d'Arbre Monte Carlo pour la Conception Optimale de Dispositions de Treillis

L'optimisation de la disposition des treillis sous des contraintes complexes est un problème difficile et brûlant depuis des décennies qui vise à trouver les positions optimales des nœuds, la topologie de connexion entre les nœuds et les sections transversales des barres de connexion. La Recherche d'Arbre Monte Carlo (MCTS) est une technique de recherche d'apprentissage par renforcement compétente pour résoudre des problèmes de prise de décision. Inspiré par le succès d'AlphaGo utilisant MCTS, le problème de disposition des treillis est formulé comme un modèle de Processus de Décision de Markov (MDP), et un algorithme basé sur MCTS en 2 étapes, AlphaTruss, est proposé pour générer une disposition de treillis optimale tenant compte de la topologie, de la géométrie et de la taille des barres. Dans ce modèle MDP, trois ensembles d'actions séquentielles d'ajout de nœuds, d'ajout de barres et de sélection de sections transversales étendent considérablement l'espace de solution et la fonction de récompense donne un retour sur les actions en fonction de la stabilité géométrique et de la simulation structurelle. Pour trouver les actions séquentielles optimales, AlphaTruss résout le modèle MDP et donne la meilleure décision à chaque étape de conception en recherchant et en apprenant à travers MCTS. Comparé aux résultats existants dans la littérature, AlphaTruss présente de meilleures performances pour trouver la disposition de treillis avec le poids minimum sous des contraintes de stress, de déplacement et de flambement, ce qui vérifie la validité et l'efficacité de l'algorithme établi.