Social network optimization for electric and electromagnetic advanced optimization systems

Evolutionary optimization algorithms are very important tools for the optimal design of complex systems thanks to their ability to deal with functions characterized by a large number of free design variables that interact in a non-linear way creating many possibilities locally optimal solutions. In order to fully exploit the potentialities of these algorithms, it is necessary to accurately design the entire optimization environment, composed of the algorithm itself, the system simulator, constraint management approaches and by the management multiple objectives. In this thesis, all the elements that make up the optimization environment have been analyzed and assessed in the application to two different systems to be improved: the first is the design of an organized reflex to change the direction of the main beam with a passive floor reflector; the second is the optimization of a magnetic powder orientation system. In both these applications, the required computational cost problem has been tackled differently: in the first case, an analytical code was used and, finally, the optimal result was validated using FEM techniques; on the contrary, in the second problem the optimization has been carefully described on the FEM simulator uses surrogate models to reduce computational time. One of the most important aspects of the optimization environment is the algorithm itself: a new algorithm has been developed (Social Network Optimization, SNO), analyzed in all its parts and compared with those present in the literature. These results showed that SNO is highly effective due to its reduced dispersion of results and thus guaranteed a high degree of robustness.

Gli algoritmi di ottimizzazione evolutivi sono degli strumenti molto importanti per la progettazione ottimale di sistemi complessi grazie alla loro capacità di affrontare funzioni con un elevato numero di variabili libere che interagiscono in maniera non lineare creando molte possibili soluzioni localmente ottime. Per riuscire a sfruttare appieno le potenzialità di questi algoritmi, è necessario progettare accuratamente tutto l’ambiente di ottimizzazione, composto dall’algoritmo stesso, dal simulatore del sistema da ottimizzare, dalla gestione dei vincoli e di obbiettivi multipli. Nell’ambito di questa tesi, tutti gli elementi che compongono l’ambiente di ottimizzazione sono stati analizzati e valutati nell’applicazione a due diversi sistemi da ottimizzare: il primo è la progettazione di un reflectarray capace di modificare la direzione del fascio principale con un riflettore piano passivo; il secondo è l’ottimizzazione di un sistema di orientamento delle polveri magnetiche. In entrambe queste applicazioni, il problema del costo computazionale richiesto è stato affrontato in maniera diversa: nel primo caso, un codice analitico è stato utilizzato e, infine, il risultato ottimo è stato validato mediante tecniche FEM; al contrario, nel secondo problema l’ottimizzazione è stata effettuata direttamente sul simulatore FEM utilizzando dei modelli surrogati per ridurre il tempo computazionale. Uno dei più importati aspetti dell’ambiente di ottimizzazione è l’algoritmo stesso: un nuovo algoritmo è stato sviluppato (Social Network Optimization, SNO), analizzato in tutte le sue parti e confrontato con quelli presenti in letteratura. Questi risultati hanno mostrato che SNO è altamente efficace data la sua ridotta dispersione dei risultati e garantendo, quindi, un’elevata robustezza.