Üç boyutlu Çelik Çerçevelerin LRFD-AISC Şartnamesine Göre Optimum

Boyutlandırılması

Çelik çerçevelerin boyutlandırılması çerçevenin şartnamede belirlenmiş deplasman ve nihai

dayanım sınırlarını sağlayacak şekilde çerçeveyi teşkil eden kolon ve kirişler için standart
çelik profil tablosundan uygun profiller seçimini gerektirir. Bu seçim yapılırken aynı
zamanda da yapılan çelik profil seçiminin en hafif çerçeveyi oluşturması gerekir.
Boyutlandırma sınırlayıcıları, LRFD-AISC şartnamesinin (Load and Resistance Factor
Design, 2001) gerektirdiği sınırlamaları içerecek biçimde düzenlenirse, o zaman aşağıda
matematik modeli verilen ayrık değişkenli doğrusal olamayan programlama problemi elde
edilir.

Amaç Fonksiyonu

Matematik modelde minimum çerçeve ağırlığının amaç olarak alınması, amaç fonksiyonu
aşağıdaki ifadeye dönüştürür.
ng tr
Minimize W =  m r   s (1)
r =1 s =1
Burada W çerçevenin toplam ağırlığını, mr grup r için seçilen çelik profilin birim
ağırlığını göstermektedir. Matematik modelin teşkilinde W-çelik profillerinin standart çelik
profilleri tablosundaki sıra numarası boyutlandırma değişkeni olarak alınmıştır. t r grup
numarası r olan çubukların sayısını ve ng de çerçevedeki toplam grup sayısını
göstermektedir. l s grup numarası s olan çubukların toplam boy uzunluğunu temsil
etmektedir.

Dayanım Sınırlayıcıları

Çerçevenin normal kuvvet ve iki eksenli eğilme momentine maruz kalan çubukları,
çarpılma etkisi W-profillerinin dayanım kapasitelerinin hesabında göz önüne alınmazsa
LRFD-AISC nin H bölümünde verilen aşağıdaki eşitsizlikleri sağlamak zorundadır.

Pu P 8  M ux M uy 
 0.2 ; g s,i = u +  +   1,0 (2)
 Pn  Pn 9  b M nx b M ny 


Pu P  M ux M uy 
 0.2 ; g s, i = ux +  +   1,0 (3)
 Pn 2  Pn  b M nx b M ny 


Burada, i çubuğunda M nx x-x ekseni etrafındaki nominal eğilme dayanımı, M ny y-y ekseni
etrafındaki nominal eğilme dayanımı, M ux x-x ekseni etrafındaki gerekli eğilme dayanımı,
M uy y-y ekseni etrafındaki gerekli eğilme dayanımı, Pn nominal eksenel dayanım (çekme
veya basınç) ve Pu gerekli eksenel dayanım (çekme veya basınç). M ux ve M uy gerekli
eğilme dayanımları çelik çerçevenin P-Δ analizi yapılarak hesaplanır. Bu işlem çok zaman

3
Katlar-arası göreceli yanal deplasman sınırlayıcıları Çok katlı çerçevelerde her kat
seviyesinin birbirine göreceli olarak yanal deplasmanlarının sınırlanması gerekir. Bu da
maksimum kat-arası yanal deplasmanının Tablo 1 de verilen orandan ( hsx /Ratio, hsx kat
yüksekliği ve Ratio Tablo 1 de verilen sayı) küçük veya en çok ona eşit olması ile sağlanır.

(oh ) jl
gid j = −1 0 j = 1,....,nst , l = 1,.......nlc (7)
hsx / Ratio

Burada nst çerçevedeki toplam kat sayısı, nlc toplam yükleme durumu sayısı ve ( oh ) jl j
katının j-1 inci kata göre ℓ inci yükleme durumu altındaki göreceli yanal deplasmanıdır.

Geometrik Sınırlayıcılar

Çelik çerçevelerde pratik uygulama açısından üst kat kolonu için seçilen çelik profilin alt
kat kolonu için seçilenden daha küçük veya en çok o kesitin aynı olması istenir. Aksi
durumda iki kolonun birleşimi için hiç istenmeyen ve pahalıya mal olan özel uygulama
yapılması gerekir. Aynı husus kiriş-kolon birleşimi içinde geçerlidir. Çerçevedeki herhangi
bir kiriş için seçilen W profilinin flanş genişliği, bu kirişin bağlanacağı kolon için seçilen
W profilinin flanş genişliğinden küçük veya en fazla ona eşit olmalıdır. Bu sınırlayıcılara
geometrik sınırlayıcılar adı verilir ve detayları Şekil 1 de gösterilmiştir. Çerçevenin inşası
bakımından önemli olan bu sınırlayıcılar optimum boyutlandırma probleminin
formülasyonuna dahil edilmiştir. Geometrik sınırlayıcılar iki tür birleşim için
uygulanmıştır. Bunlar kolon-kolon birleşimi ve kiriş-kolon birleşimi sınırlayıcılarıdır.

Kolon-kolon birleşimi geometrik sınırlayıcıları

Ardı sıra iki katın kolonları için seçilen çelik profillerin kesit yükseklikleri ile birim boy
ağırlıkları ya birbirine eşit olmalı ya da üst kat kolonun kesiti bir alt kat kolonunun
kesitinden küçük olmalıdır. Bu sınırlayıcılar matematik modelde aşağıda gösterilen iki
eşitsizlik olarak bulundurulmaktadır.

Di
g cdi = − 1  0 i = 2......n j (8)
Di −1

mi
gcmi = − 1  0 i = 2......n j (9)
mi −1

Burada n j çerçevedeki toplam kat sayısı, m i i katındaki kolon için seçilen W profilinin
birim boy ağırlığı, m i −1 ise (i-1) katındaki kolon için seçilen W profilinin birim boy ağırlığı,
Di ise i katındaki kolon için seçilen W profilinin kesit yüksekliği ve Di-1 ise (i-1) katındaki
kolon için seçilen W profilinin kesit yüksekliğidir.

Kiriş-kolon birleşimi geometrik sınırlayıcıları

Kiriş-kolon birleşiminde, eğer kiriş kolon kesitinin flanşına bağlanıyorsa, kolay bir birleşim
yapılabilmesi için kirişe ait W profilinin flanş genişliği, kolon için seçilen W profilinin
flanş genişliğinden daha küçük veya en fazla ona eşit olması gerekir. Kirişin kolon W

6
profilinin gövdesine bağlanması durmunda, kiriş W profilinin flanş genişliği kolon gövde
boyutlarına uygun boyutta olmalıdır. Bu da flanş genişliğinin D-2t den küçük olması
gerekliliğini ortaya koyar. Burada D ve t Şekil 1 de gösterildiği gibi kolon W kesitinin
yüksekliği ve flanş kalınlığıdır.

(B f )bi
g bci = −1  0 i = 1......n j1 (10)
Dci − 2 (t bc )i
veya
(B f )bi
gbbi =
(B f )ci − 1  0 i = 1......n j 2 (11)

Burada n j1 kirişlerin kolon gövdesine bağlandığı düğüm noktalarının toplam sayısı, n j2

kirişlerin kolon flanşına bağlandığı düğüm noktalarının toplam sayısı, Dci i düğüm
noktasında ki kolon için seçilen W profilinin kesit yüksekliği , (tb )cj ise aynı kesitin flanş
kalınlığı, (B f )ci i düğüm noktasındaki kolon için seçilen W profilinin flanş genişliği ve
(B f )bi ise aynı düğüm noktasındaki kirişe ait W profilinin flanş genişliğidir.
Amaç fonksiyonu (1) de, sınırlayıcıları (2)-(11) eşitsizlikleri ile tanımlanmış olan çelik
uzay çerçevelerin optimum boyutlandırılması problemi ayrık değişkenli kombinasyonel
optimizasyon problemidir. Bunun sebebi çözüm için çerçevenin kolon ve kirişleri için
standart çelik profil listesinden (1) de verilen amaç fonksiyonunu minimize eden ve (2)-
(11) eşitsizliklerini sağlayan W profilleri kombinasyonun bulunmasının gerekmesidir. Daha
önce belirtildiği gibi standart W profil listesindeki çelik kesit sıra numarası boyutlandırma
değişkeni olarak alınmıştır. Dolayısı ile W-profil seçimi işlemi 1 ile profil listesindeki
toplam kesit sayısı arasında bir tam sayının seçimi işlemine dönüşür. Seçilen her tam sayıya
W profil listesinde karşı gelen bir W profili bulunmaktadır. Böylece boyutlandırma çözümü
her biri tasarım havuzundaki W profili sıra numarasını temsil eden 1 ile toplam profil sayısı
arasında sayılardan oluşan bir settir.

Şekil 1 Kiriş-kolon birleşim noktası geometrik sınırlayıcılar.

7
 Burada 𝑥𝑖𝑗 i inci boyutlandırma değişkeninin j inci değeri, 𝑛𝑣 optimum
boyutlandırma problemindeki toplam boyutlandırma değişkeni sayısı ve 𝑛𝑝𝑜𝑜𝑙 ise i
inci boyutlandırma değişkeni için boyutlandırma havuzunda aralarından herhangi
birinin seçilebileceği değerlerin toplam sayısıdır.

2. Kolonideki her karınca havuzdan ilk boyutlandırma değişkeni için rastgele bir seçim
yapar. Bu işleme diğer boyutlandırma değişkenlerini kapsayacak şekilde devam
edilir. Bu seçim, (16) bağıntısında verilen olasılık hesabına bağlı olarak yapılır.

𝛼 𝛽
(𝜏𝑖𝑗 (𝑡)) ∙ (𝑣𝑖𝑗 )
𝑃𝑖𝑗 (𝑡) = 𝛼 𝛽
𝑖 = 1,2, … , 𝑛𝑣 𝑗 = 1,2, … , 𝑛𝑝𝑜𝑜𝑙 (16)
∑𝑛𝑑𝑖𝑣
𝑗∈𝑎𝑙𝑙𝑜𝑤𝑒𝑑(𝜏𝑖𝑗 (𝑡)) ∙ (𝑣𝑖𝑗 )

Burada 𝑃𝑖𝑗 (𝑡) herhangi bir t zamanında i inci boyutlandırma değişkeni için
havuzdan j inci değerin seçilme olasılığıdır. 𝛼 ve 𝛽 sırası ile yerel iz ve görünürlük
değerlerinin etkisini ayarlamak için gerekli iki parametredir. Bu işleme kolonideki
bütün karıncalara kendilerinin ilk boyutlandırma değişkenleri için havuzdan
değerler seçilinceye kadar devam edilir.

3. Her turun sonunda yerel güncelleştirme kuralı uygulanır. Havuzdan seçilen

değerlere ait feromon konsantrasyonu boyutlandırma uzayında yapılan aramada
keşfetme yeteneğini desteklemek için azaltılır. Bu gerçek hayatta feromon sıvısının
buharlaşmasına karşı gelir. Bu işlemin matematik ifadesi 𝜏𝑖𝑗 (𝑡) = 𝜁 ∙ 𝜏𝑖𝑗 (𝑡) şeklinde
olup burada 𝜁 değeri 0 ile 1 arasında değişen yerel güncelleştirme katsayısı olarak
adlandırılır. Eğer bu parametrenin değeri 1 e yakın seçilirse hızlı yakınsama elde
edilir. Fakat bu durumda yerel optimum sonucuna varma olasılığı fazladır. Öte
yandan değeri 0 a yakın seçilirse bu sefer de çözümde yakınsama zorluğu ile
karşılaşılabilir.

4. Havuzdan bir sonraki boyutlandırma değişkeni için değer seçilir. Bu işleme

kolonideki bütün karıncaların her bir boyutlandırma değişkeni için değerler
seçilinceye kadar devam edilir. Turun sonunda yerel güncelleştirme kuralı
uygulanır. Bu işlem bütün karıncalara her bir boyutlandırma değişkeni için bir değer
atanıncaya kadar devam eder. Böylece her karıncaya her bir boyutlandırma
değişkeni için bir değer atanmış olur ve her karınca optimum boyutlandırma
problemi için potansiyel çözüm olabilecek değerler topluluğunu temsil eder.

5. Aşağıda verilen (17) bağıntısını kullanarak global güncelleme işlemini yapılır.

𝜏𝑖𝑗 (𝑡 + 𝑛) = 𝜌 ∙ 𝜏𝑖𝑗 (𝑡) + ∆𝜏𝑖𝑗 (𝑡) (17)

Burada 𝜌 değeri 0 ile 1 arasında seçilen ve t zamanı ile t + n zamanı arasındaki

feromon buharlaşmasını temsil eden sabit bir katsayıdır. t + n bir turu bitirmek için
gerekli zamandır. ∆𝜏𝑖𝑗 boyutlandırma değişkeni i yi j ye bağlayan izdeki feromon

10
 miktarındaki değişimi temsil eder. ∆𝜏𝑖𝑗 nin hesabı (18) bağıntısında gösterildiği gibi
yapılır.
𝑚
𝑘
∆𝜏𝑖𝑗 = ∑ ∆𝜏𝑖𝑗 (18)
𝑘=1
Burada 𝑘, 1 ile toplam karınca sayısı olan m arasındaki herhangi bir karıncayı temsil
𝑘 𝑘
eder ve ∆𝜏𝑖𝑗 ise k karıncası için feromon değişim miktarıdır. ∆𝜏𝑖𝑗 teriminin hesabı
aşağıdaki gibi yapılır.
𝑘 1
∆𝜏𝑖𝑗 = (19)
𝑍𝑘
Burada, 𝑍𝑘, k karıncası için cezalandırılmış amaç fonksiyonu değeridir. Bu işlemle
karınca kolonisi optimizasyon algoritmasının bir iterasyonu bitirilmiş olur. Diğer bir
iterasyona başlamak için bütün karıncalar kendilerinin başlangıç değerlerine
döndürülür ve yukarıda ki adımlar aynen tekrarlanır.

6. Seçilmiş olan maksimum iterasyon sayısına ulaşıncaya kadar yukarıda açıklanmış

olan 2 ile 5 arasındaki adımlardaki işlemler tekrarlanır. Optimum çözüm bu
iterasyonlar esnasında elde edilen çözüm vektörlerinden, amaç fonksiyonu en küçük
değere sahip olan çözüm vektörüdür.

Yapay Arı Kolonisi Algoritması

Yapay arı kolonisi algoritması yetenekli bal arılarının nektar arayışını taklit ederek
geliştirilmiş bir sayısal optimizasyon yöntemidir (Karaboğa, 2005; Karaboğa ve Akay,
2011). Bu teknikte değişik görevleri yerine getiren üç tür arı vardır. Birinci gurup arılar
“görevli” arılar olup bunların görevi nektar kaynaklarını belirlemek, buldukları kaynaktaki
nektar miktarını değerlendirmek ve verimli kaynakları hafızalarında tutmaktır. Bu arılar
kovana geri uçtuklarında hafızalarındaki bu bilgileri diğer arılarla dans alanında dans
ederek paylaşırlar. Dans süresi nektar kaynağındaki miktarı temsil eder. İkinci gurup arılar
“izleyici” arılar olup, bunlar dans alanında yapılan dansları seyredip haber verilmekte olan
nektar kaynağının uçmaya değer olup olmadığına karar veren arılardır. Buna göre nektar
miktarı fazla olan kaynakların daha fazla izleyici arı çekeceği aşikardır. Üçüncü gurup
arılar “izci” arılardır. Bunlar kovan etrafında rastgele yeni nektar kaynakları ararlar. Nektar
kaynağı diğer arılar tarafından terk edilen görevli arılar izci arı olurlar. Genel olarak izci
arılar keşif, araştırma görevi yaparken görevli arılar ve izleyici arılar başarıyı genişletme
görevi yaparlar. Her nektar kaynağı optimizasyon problemi için potansiyel çözümü temsil
eder ve kaynaktaki nektar miktarda çözümün kalitesini gösterir. Çözüm kalitesi de
kaynağın uygunluk değeri ile belirlenir. Yapay arı kolonisi algoritması dört aşamalı olarak
uygulanır. Bu aşamalar “başlatma aşaması”, “görevli arılar aşaması”, “izleyici arılar
aşaması” ve “izci arılar aşaması” olarak adlandırılır (Karaboğa ve Akay, 2011).

1. Başlangıç Aşaması: Nektar kaynakları popülasyonunda ki bütün vektörleri,

x p , p = 1,...., np (20) bağıntısını kullanarak hazırlanır. Burada np popülasyonunda ki
toplam yapay arı sayısıdır. Her nektar kaynağı bir çözüm n boyutlandırma değişkeninden

11
Kaynak (Saka ve diğ., 2013) den alınan on katlı-dört açıklıklı çelik çerçevenin üç boyutlu
görünümü, yan görünümü ve planı Şekil 2 ve 3 de gösterilmiştir. Bu çerçevenin 220 düğüm
noktası ve Şekil 2 de gösterildiği gibi 25 gurupta toplanmış 568 çubuğu vardır. Çerçevenin
kiriş ve kolonları için seçim yapmak üzere LRFD şartnamesindeki profil listesinden 272
geniş başlıklı W profili boyutlandırma havuzuna dahil edilmiştir. Çatı katı iç hat kirişleri,
çatı katı dış hat kirişleri, normal kat iç hat kirişleri ve normal kat dış hat kirişleri sırası ile
14.72kN/m, 7.36kN/m, 21.43kN/m ve 10.72kN/m üniform yayılı gravite yüküne
maruzdur. Her kat hizasına etkiyen yanal kuvvetler Tablo 3 de verilmiştir. Şartnamede
belirtilen oranlar kullanıldığında en üst kat yanal deplasmanı sınırı 9.14cm ve kat arası
yanal deplasman limiti 0.914cm olarak alınması gerekmektedir. Yine şartnameye göre
kirişlerin açıklık ortası düşey deplasman sınırı ise 1.69cm olmak zorundadır.

Tablo 3 568 Çubuklu Çelik Çerçeveye Uygulanan Rüzgâr Yükü.

Kat No Rüzgâr yönündeki yüz Rüzgâr altındaki yüz

(kN/m) (kN/m)
1 0.1825 1.8585
2 0.4184 1.8585

3 0.6519 1.8585
4 2.2886 1.8585
5 2.4393 1.8585

6 2.5698 1.8585
7 2.6854 1.8585
8 2.7897 1.8585
9 2.8853 1.8585

10 1.5743 1.8585

25 çubuk gurupları için iki metahuristik algoritma ile elde edilen optimum çözümler Tablo
4 de gösterilmiştir. Tablodaki sonuçlara bakıldığında yapay arı kolonisi algoritması
optimum çerçeve ağırlığını 1,852.1kN (188,862.34kg) olarak bulduğu görülür. Karınca
kolonisi optimizasyon yöntemi ise optimum çerçeve ağırlığını 1,899.3kN (193,675.42kg)
olarak elde etmiştir. Bu da karınca kolonisi algoritmasının yapay arı kolonisi algoritmasına
göre 2.5% daha ağır optimum çözüm bulduğunu göstermektedir. Buna ek olarak Tablo 4
den her iki boyutlandırmada da dayanım ve kat arası yanal deplasman sınırlayıcıların
bazılarının üst sınırlarına erişmiş olduğu anlaşılmaktadır. Bu da boyutlandırma
probleminde her iki tür sınırlayıcıların baskın olduğunu göstermektedir. Her iki yöntemin
yakınsama aşamaları Şekil 4 de gösterilmiştir. Arı kolonisi algoritması iyi yakınsama hızı
göstermekte ve 20000 iterasyon sonra optimum çözüme yakın bir yere gelmektedir. Burada

14
bir hususun belirtilmesinde fayda vardır. Sadece bir örnek çözerek varılan sonuçları
genellemek bilimsel yönteme uygun olmaz. Genelleme yapılmak isteniyorsa çok daha fazla
sayıda örnek çözüp, varılan bu sonuçların her örnekte tekrarlanıp tekrarlanmadığını görmek
gerekir.

Şekil 2 On katlı-dört açıklıklı çelik çerçevenin üç boyutlu görünümü.

Şekil 3 On katlı-dört açıklıklı çelik çerçevenin plan ve yandan görünümü.

15
Çarbaş, S. ve Saka M.P. (2013) Efficiency of Improved Harmony Search Algorithm for
Solving Engineering Optimization Problems, International Journal of Optimization in
Civil Engineering, 3(1), pp. 99-114.

Del Acebo E ve De la Rosa J (2008) Introducing Bar Systems: A Class of swarm

Intelligence optimization Algorithms, AISB 2008 Convention, Communication,
Interaction and Social Intelligence, 1st-4th April 2008, University of Aberdeen, UK, Vol.
11, pp. 18-23.

Dorigo, M. (1992) Optimization, Learning and Natural Algorithms, PhD Thesis,

Dipartimento Elettronica e Informazione, Politecnico di Milano, Italy.

Dorigo, M ve Stützle T. (2004) Ant Colony Optimization, Bradford Book, Massachusetts

Institute of Technology, U.S.A.

Herheim, C-E. (2005) Swarm Intelligence and Automatic Development of Algorithms

Through Evolution, Mastergrad Oppgave i informatik, Ostfold University College,
Norway.

Karaboga, D. (2005) An Idea Based On Honey Bee Swarm for Numerical Optimization
Technical Report-TR06, Erciyes University, Engineering Faculty, Computer Engineering
Department, Turkey.

Karaboga, D. ve Akay, B. (2011) A Modified Artificial Bee Colony (ABC) Algorithm for
Constrained Optimization Problem, Applied Soft Computing, 11, pp. 3021-3031.

Kennedy, J. ve Eberhart, R. (1995) Particle Swarm Optimization, IEEE International

Conference on Neural Networks, IEEE Press, pp. 1942-1948.

Kennedy, J., Eberhart, R. ve Shi, Y. (2001) Swarm Intelligence, Morgan Kaufmann

Publishers

Lambeerti, L. ve Pappalettere, C. (2011) Metaheuristic Design Optimization of Skeletal

Structures: A Review, Computational Technology Reviews, 4, pp. 1-32

Load and Resistance Factor Design, (2001) Volume 1, Structural Members Specifications
Codes, Third edition, American Institute of Steel Construction.

Reynolds, C. W. (1987) Flocks, herds, and schools: A distributed behavioral model, ACM
Computer Graphics, 21, (4), pp. 25–34.

Saka, M. P. (2003) Optimum Design of Skeletal Structures: A Review. Chapter 10 in

Progress in Civil and Structural Engineering Computing, Ed. B. H. V. Topping, pp. 237-
284, Saxe-Coburg Publications.

Saka, M. P. (2007) Optimum Design of Steel Frames Using Stochastic Search Techniques
Based on Natural Phenomena: A Review. Chapter 6 in Civil Engineering Computations:
18
Tools and Techniques, Ed. B. H. V. Topping, Saxe-Coburgh Publications, pp. 105-147.

Saka, M. P. (2009) Optimum Design of Steel Skeleton Structures, in a book titled Music-
inspired Harmony Search Algorithm, Theory and Applications, Series: Studies in
Computational Intelligence, Vol. 191, Ed. Z. W. Geem, ISBN: 978-3-642-00184-0,
Springer.

Saka, M. P. (2009) Design Code Optimization of Steel Structures Using Adaptive

Harmony Search Algorithm, in a book titled Harmony Search Algorithms for Structural
Design Optimization, Series: Studies in Computational Intelligence, Ed. Z. W. Geem,
Vol. 239, ISBN: 978-3-642-03449-7, Springer.

Saka, M. P., Aydogdu, I., Hasancebi, O. ve Geem, Z. W. (2011) Harmony Search

Algorithms in Structural Engineering, in the book titled Computational Optimization and
Applications in Engineering and Industry, Koziel and Yang (Eds), Springer, June 24, pp.
145-182.

Saka, M. P. (2012) Optimization in Structural Engineering, in a book titled Optimization

in Civil and Environmental Engineering, Old City Publishing.

Saka, M. P. ve Dogan, E. (2012) Recent Developments in Metaheuristic Algorithms: A

Review, Computational Technology Reviews, 5, pp. 31-78.

Saka, M. P., Dogan, L. ve Aydogdu, I. (2013) Review and Analysis of Swarm-

Intelligence Based Algorithms, in a book titled Swarm Intelligence and Bio-Inspired
Computation, Edited by X-S. Yang, Z. Cui, R. Xiao, A. H. Gandomi and M.
Karamanoglu, pp. 25-47, Elsevier.

Saka, M. P. ve Geem, Z. W. (2013) Mathematical and Metaheuristic Applications in

Design Optimization of Steel Frame Structures: An Extensive Review, Mathematical
Problems in Engineering, Vol. 2013, Article ID 271031, 33 pages.

Saka, M. P., Çarbas, S., Aydogdu, I., Akin, A. ve Geem, Z. W. (2015) Comparative study
on recent metaheuristic algorithms in design optimization of cold-formed steel structures,
Chapter in Computational Methods, 38, pp. 145-173, Nikos Lagaros and Manolis
Papadrakakis (Eds): Engineering and Applied Sciences Optimization, 978-3-319-18319-0,
329179_1_En (9), Springer.

Saka, M. P., Çarbaş, S., Aydoğdu, I. ve Akın, A. (2016) Use of Swarm Intelligence in
Structural Design Optimization, in the book titled Metaheuristics and Optimization in
Civil Engineering Eds: X-S Yang, G. Bekdaş, S. M. Niğdeli, Doi 10.1007/978-3-319-
26245-1, pp. 43-73, Springer.

Saka, M. P., Hasancebi, O. ve Geem, Z. W. (2016) Metaheuristics in Structural

Engineering and a discussion on harmony search method, Swarm and Evolutionary
Computation, 28, pp. 88-97.

19