Structural Optimization Using Shuffled Shepherd

Metaheuristic Algorithm Extensions And

Applications Ali Kaveh download

https://ebookbell.com/product/structural-optimization-using-
shuffled-shepherd-metaheuristic-algorithm-extensions-and-
applications-ali-kaveh-49177056

Explore and download more ebooks at ebookbell.com

Here are some recommended products that we believe you will be
interested in. You can click the link to download.

Designing Engineering Structures Using Stochastic Optimization Methods

1st Edition Levent Aydin Editor H Seil Artem Editor Selda Oterkus
Editor

https://ebookbell.com/product/designing-engineering-structures-using-
stochastic-optimization-methods-1st-edition-levent-aydin-editor-h-
seil-artem-editor-selda-oterkus-editor-11909814

Data Structures In Depth Using C A Comprehensive Guide To Data

Structure Implementation And Optimization In C 1st Edition Mahmmoud
Mahdi

https://ebookbell.com/product/data-structures-in-depth-using-c-a-
comprehensive-guide-to-data-structure-implementation-and-optimization-
in-c-1st-edition-mahmmoud-mahdi-232450560

Optimization Of Multilayered Radar Absorbing Structures Ras Using

Nature Inspired Algorithm 1st Edition Vineetha Joy

https://ebookbell.com/product/optimization-of-multilayered-radar-
absorbing-structures-ras-using-nature-inspired-algorithm-1st-edition-
vineetha-joy-34801724

Structural Optimization 1st Edition Keith M Macbain William R Spillers

Auth

https://ebookbell.com/product/structural-optimization-1st-edition-
keith-m-macbain-william-r-spillers-auth-2116786
Structural Optimization With Uncertainties 1st Edition Nv Banichuk

https://ebookbell.com/product/structural-optimization-with-
uncertainties-1st-edition-nv-banichuk-4193970

Structural Optimization And Experimental Investigation Of The Organic

Rankine Cycle For Solar Thermal Power Generation 1st Edition Jing Li
Auth

https://ebookbell.com/product/structural-optimization-and-
experimental-investigation-of-the-organic-rankine-cycle-for-solar-
thermal-power-generation-1st-edition-jing-li-auth-4975956

Structural Optimization Dynamic And Seismic Applications Cheng

https://ebookbell.com/product/structural-optimization-dynamic-and-
seismic-applications-cheng-6991084

Stochastic Structural Optimization Makoto Yamakawa Makoto Ohsaki

https://ebookbell.com/product/stochastic-structural-optimization-
makoto-yamakawa-makoto-ohsaki-50442220

Advances In Structural Engineering Optimization Emerging Trends In

Structural Optimization Sinan Melih Nigdeli

https://ebookbell.com/product/advances-in-structural-engineering-
optimization-emerging-trends-in-structural-optimization-sinan-melih-
nigdeli-21963066
Studies in Systems, Decision and Control

Volume 463

Series Editor
Janusz Kacprzyk, Systems Research Institute, Polish Academy of Sciences,
Warsaw, Poland
The series “Studies in Systems, Decision and Control” (SSDC) covers both new
developments and advances, as well as the state of the art, in the various areas of
broadly perceived systems, decision making and control–quickly, up to date and
with a high quality. The intent is to cover the theory, applications, and perspec-
tives on the state of the art and future developments relevant to systems, decision
making, control, complex processes and related areas, as embedded in the fields
of engineering, computer science, physics, economics, social and life sciences, as
well as the paradigms and methodologies behind them. The series contains mono-
graphs, textbooks, lecture notes and edited volumes in systems, decision making
and control spanning the areas of Cyber-Physical Systems, Autonomous Systems,
Sensor Networks, Control Systems, Energy Systems, Automotive Systems, Biolog-
ical Systems, Vehicular Networking and Connected Vehicles, Aerospace Systems,
Automation, Manufacturing, Smart Grids, Nonlinear Systems, Power Systems,
Robotics, Social Systems, Economic Systems and other. Of particular value to both
the contributors and the readership are the short publication timeframe and the world-
wide distribution and exposure which enable both a wide and rapid dissemination of
research output.
Indexed by SCOPUS, DBLP, WTI Frankfurt eG, zbMATH, SCImago.
All books published in the series are submitted for consideration in Web of Science.
Ali Kaveh · Ataollah Zaerreza

Structural Optimization
Using Shuffled Shepherd
Meta-Heuristic Algorithm
Extensions and Applications
Ali Kaveh Ataollah Zaerreza
Department of Civil Engineering Department of Civil Engineering
Iran University of Science and Technology Iran University of Science and Technology
Tehran, Iran Tehran, Iran

ISSN 2198-4182 ISSN 2198-4190 (electronic)

Studies in Systems, Decision and Control
ISBN 978-3-031-25572-4 ISBN 978-3-031-25573-1 (eBook)
https://doi.org/10.1007/978-3-031-25573-1

© The Editor(s) (if applicable) and The Author(s), under exclusive license to Springer Nature
Switzerland AG 2023
This work is subject to copyright. All rights are solely and exclusively licensed by the Publisher, whether
the whole or part of the material is concerned, specifically the rights of translation, reprinting, reuse
of illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way, and
transmission or information storage and retrieval, electronic adaptation, computer software, or by similar
or dissimilar methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors, and the editors are safe to assume that the advice and information in this book
are believed to be true and accurate at the date of publication. Neither the publisher nor the authors or
the editors give a warranty, expressed or implied, with respect to the material contained herein or for any
errors or omissions that may have been made. The publisher remains neutral with regard to jurisdictional
claims in published maps and institutional affiliations.

This Springer imprint is published by the registered company Springer Nature Switzerland AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
Preface

Due to restrictions in available resources and the increase in human population, the
significance of optimization continues to grow in the modern world. Engineers always
seek to create structural systems that are both cost effective and robust enough to
handle the most demanding functional requirements that may arise throughout their
service life. The typical trial-and-error method to structural design is insufficient
to provide solutions that fulfill both economic and safety criteria. Therefore, the
computational method is developed for optimization. Metaheuristic algorithms are
the most popular computational optimization tools.
This book introduces a new metaheuristic algorithm named Shuffled Shepherd
Optimization Algorithms and different versions of it. New methods for structural
damage detection and reliability-based design optimization are also introduced. The
concepts presented in this book are not only applicable to the design of skeletal
structures, but can equally be used in different optimization techniques in civil engi-
neering. These concepts are also applicable in the optimal design of other systems
such as hydraulic and electrical networks.
The authors and colleagues have been involved in various developments and
applications of various metaheuristic algorithms to structural optimization in the
last two decades. This book contains part of this research suitable for various aspects
of optimization in civil engineering.
The book is likely to be of interest to civil, mechanical, industrial, and electrical
engineers who use optimization methods for design, as well as to those students and
researchers in structural optimization who will find it to be necessary professional
reading.
Chapter 1 explains the purpose of the book and provides an overview of
the remaining chapters. In Chap. 2, a newly developed multi-community meta-
heuristic optimization algorithm known as Shuffled Shepherd Optimization Algo-
rithm (SSOA) is introduced, in which the agents are first decomposed into multi-
communities, and the optimization process is then performed, mimicking the
behavior of a shepherd in nature, operating on each community. In Chap. 3, the
SSOA is modified to make it less dependent on parameter tuning. The new version
is called parameter reduced SSOA requiring less parameters to be tuned. Chapter 4,

v
vi Preface

the Enhanced Shuffled Shepherd Optimization Algorithm, is presented. Shuffled

Shepherd Optimization Algorithm is a swarm intelligence-based optimizer inspired
by the herding behavior of shepherds in nature. In Chap 5, a new strategy, namely
Boundary Strategy (BS), for the process of optimization-based damage detection,
is presented. This strategy gradually neutralizes the effects of structural elements
that are healthy in the optimization process. In Chap. 6, the discrete optimum
design of two types of portal frames, including planar steel Curved Roof Frame
and Pitched Roof Frame with tapered I-section members, is provided. Chapter 7
presents application of the SSOA in optimal design of castillated beams.The use
of additional three algorithms is discussed in this chapter. In Chap. 8, an efficient
graph-theoretical force method is presented. This graph-theoretical force method is
utilized in the analysis of the frame structures to decrease the time required for opti-
mization. Chapter 9 presents a new framework for reliability-based design optimiza-
tion using metaheuristic algorithms based on decoupled methods. This framework
is named sequential optimization and reliability assessment-double metaheuristic.
Finally, in Chap. 10, the reliability-based design optimization of the frame structures
using the force method and sequential optimization and reliability assessment-double
metaheuristic framework is presented.
We would like to take this opportunity to acknowledge a deep sense of gratitude
to a number of colleagues and friends who have helped us in different ways in the
process of writing this book. Our special thanks are due to Dr. Thomas Ditzinger,
Editorial Director of Interdisciplinary and Applied Sciences and Engineering from
Springer, and Series Editor of Studies in Systems, Decision and Control, Prof. Janusz
Kacprzyk for the publication of our new book within Springer and the series, for
their comments and suggestions during the preparation of this book. Our sincere
appreciation is extended to our Springer colleagues who prepared the layout design
of this book. We would also like to thank our colleagues, Mr. P. Almasi, Mr. A.
Khodagholi, Mr. M. I. Karmi Dashtestani, Mr. S. M. Hosseini, and Mr. K. Biabani
Hammedani, for their contribution to our shared knowledge.
We would like to thank the publishers who permitted some of our papers to be
utilized in the preparation of this book, consisting of Springer, Elsevier, Emerald,
and Budapest University of Technology and Economics.
Our warmest gratitude is due to our families for their continued support in the
course of preparing this book.
Every effort has been made to render this book error free. However, the
authors would appreciate any remaining errors being brought to their attention
through the email addresses: [email protected] (Ali Kaveh) and a_zaerreza@
civileng.iust.ac.ir (Ataollah Zaerreza).

Tehran, Iran Ali Kaveh

September 2022 Ataollah Zaerreza
Contents

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 The Main Phase of the Metaheuristic Algorithms . . . . . . . . . . . . . 3
1.2.1 The Problem Definition Phase . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 The Algorithm Parameter Definition Phase . . . . . . . . . . . 3
1.2.3 The Initialization Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.4 The Main Loop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Structural Optimum Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Goals and Organization of the Present Book . . . . . . . . . . . . . . . . . . 6
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Shuffled Shepherd Optimization Method: A New
Meta-Heuristic Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Shuffled Shepherd Optimization Algorithm . . . . . . . . . . . . . . . . . . 12
2.2.1 Inspiration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2 Mathematical Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.3 Steps of the Optimization Algorithm . . . . . . . . . . . . . . . . . 14
2.3 Validation of the SSOA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Mathematical Optimization Problems . . . . . . . . . . . . . . . . 17
2.3.2 Engineering Optimization Problems . . . . . . . . . . . . . . . . . 17
2.4 Numerical Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.1 The 25-Bar Spatial Truss . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.2 The 47-Bar Planer Truss . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.3 The 72-Bar Spatial Truss . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.4 The 120-Bar Dome Truss . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4.5 A 272-Bar Transmission Tower . . . . . . . . . . . . . . . . . . . . . 34
2.4.6 A 1016-Bar Double-Layer Grid . . . . . . . . . . . . . . . . . . . . . 39
2.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

vii
viii Contents

3 Shuffled Shepherd Optimization Method Simplified

for Reducing the Parameter Dependency . . . . . . . . . . . . . . . . . . . . . . . . 53
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Optimization Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.1 Shuffled Shepherd Optimization Algorithm (SSOA) . . . 54
3.2.2 Parameters Reduced Shuffled Shepherd
Optimization Algorithm (PRSSOA) . . . . . . . . . . . . . . . . . 57
3.3 Numerical Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3.1 The 160-Bar Spatial Truss . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3.2 The 272-Bar Transmission Tower . . . . . . . . . . . . . . . . . . . 61
3.3.3 The 1016-Bar Double-Layer Grid . . . . . . . . . . . . . . . . . . . 65
3.4 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4 An Enhanced Shuffled Shepherd Optimization Algorithm
and Application to Space Structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Shuffled Shepherd Optimization Algorithm (SSOA) . . . . . . . . . . . 78
4.3 Enhanced Shuffled Shepherd Optimization Algorithm . . . . . . . . . 82
4.3.1 Enhancement on the Initialization Phase . . . . . . . . . . . . . 83
4.3.2 Enhancement on the Stepsize Part . . . . . . . . . . . . . . . . . . . 84
4.4 Statement of the Optimization Problem . . . . . . . . . . . . . . . . . . . . . . 86
4.5 Design Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5.1 A 693-Bar Double-Layer Barrel Vault . . . . . . . . . . . . . . . 87
4.5.2 A 1016-Bar Double-Layer Grid . . . . . . . . . . . . . . . . . . . . . 90
4.5.3 A 1410-Bar Dome Structure . . . . . . . . . . . . . . . . . . . . . . . . 95
4.6 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5 A New Strategy Added to the SSAO for Structural Damage
Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.2 Shuffled Shepherd Optimization Algorithm . . . . . . . . . . . . . . . . . . 108
5.2.1 Steps of SSOA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.3 Structural Damage Detection Approach . . . . . . . . . . . . . . . . . . . . . 113
5.3.1 Theoretical Background . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.3.2 Proposed Objective Function . . . . . . . . . . . . . . . . . . . . . . . 114
5.3.3 The Boundary Strategy (BS)
in Metaheuristic-Based Damage Detection . . . . . . . . . . . 115
5.4 Numerical Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.4.1 25-Bar Planar Truss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
5.4.2 40-Element Continuous Beam . . . . . . . . . . . . . . . . . . . . . . 121
5.4.3 A 23-Element Asymmetrical Planar Frame . . . . . . . . . . . 123
5.4.4 A 72-Bar Spatial Truss . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.5 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Contents ix

6 Optimum Design of Curve Roof Frames by SSOA

and Comparison with TLBO, ECBO, and WSA . . . . . . . . . . . . . . . . . . 133
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.2 Metaheuristic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.2.1 Teaching–Learning-Based Optimization (TLBO) . . . . . . 134
6.2.2 Enhanced Colliding Bodies Optimization (ECBO) . . . . . 136
6.2.3 Shuffled Shepherd Optimization Algorithm (SSOA) . . . 138
6.2.4 Water Strider Algorithm (WSA) . . . . . . . . . . . . . . . . . . . . 140
6.3 Statement of the Discrete Optimization Problem . . . . . . . . . . . . . . 143
6.3.1 Checking the Design Constraints of the Problem . . . . . . 144
6.3.2 Optimum Design of the Structures Using
the SAP2000-OAPI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.4 Structural Loading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.4.1 Load Combinations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.4.2 Vertical Loads . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.4.3 Lateral Loads . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.5 Design Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
6.5.1 Discussion and Results for the Frames
with L = 16.0 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
6.5.2 Discussion and Results for the Frames
with L = 32.0 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
6.6 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7 Optimum Design of Castellated Beams Using SSOA
and the Other Four Meta-Heuristic Algorithms . . . . . . . . . . . . . . . . . . 169
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
7.2 Geometry of the Castellated Beams . . . . . . . . . . . . . . . . . . . . . . . . . 170
7.3 Design of Castellated Beams . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.3.1 Overall Beam Flexural Capacity . . . . . . . . . . . . . . . . . . . . 173
7.3.2 Beam Shear Capacity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
7.3.3 Flexural and Buckling Strength of Web Post . . . . . . . . . . 175
7.3.4 Vierendeel Bending of Upper and Lower Tees . . . . . . . . 175
7.3.5 Geometric Criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
7.3.6 Deflection of Castellated Beams . . . . . . . . . . . . . . . . . . . . 177
7.4 Castellated Beams Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
7.4.1 Design of Castellated Beams with Circular Holes . . . . . . 179
7.4.2 Design of Castellated Beams with
Hexagonal Opening . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
7.5 Recently Developed Meta-Heuristic Algorithms . . . . . . . . . . . . . . 182
7.5.1 Shuffled Shepherd Optimization Algorithm (SSOA) . . . 182
7.5.2 Improved Shuffled Based JAYA
Algorithm (IS-JAYA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
7.5.3 Plasma Generation Optimization (PGO) . . . . . . . . . . . . . . 183
7.5.4 Set-Theoretical-Based Jaya Algorithm (ST-JA) . . . . . . . . 183
x Contents

7.6 Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183

7.6.1 Castellated Beam with 4-M Span . . . . . . . . . . . . . . . . . . . . 184
7.6.2 Castellated Beam with 8-m Span . . . . . . . . . . . . . . . . . . . . 184
7.6.3 Castellated Beam with 9-m Span . . . . . . . . . . . . . . . . . . . . 187
7.7 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
8 An Improved PSO Using the SRM of the ESSOA for Optimum
Design of the Frame Structures via the Force Method . . . . . . . . . . . . . 193
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
8.2 Force Method of Frame Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
8.3 Graph-Theoretical Force Method . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
8.4 Optimization Problems with Discrete Design Variables . . . . . . . . 197
8.5 PSO-SRM Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
8.5.1 Particle Swarm Optimization . . . . . . . . . . . . . . . . . . . . . . . 198
8.5.2 Statistical Regeneration Mechanism (SRM) . . . . . . . . . . . 198
8.5.3 PSO-SRM Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
8.6 Design Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
8.6.1 The 1-Bay 10-Story Steel Frame . . . . . . . . . . . . . . . . . . . . 201
8.6.2 The 3-Bay 15-Story Steel Frame . . . . . . . . . . . . . . . . . . . . 201
8.6.3 The 3-Bay 24-Story Steel Frame . . . . . . . . . . . . . . . . . . . . 203
8.7 Discussion and Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . 208
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
9 An Efficient ESSOA for the Reliability Based Design
Optimization Using the New Framework . . . . . . . . . . . . . . . . . . . . . . . . 219
9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
9.2 Formulation of Optimization and Reliability . . . . . . . . . . . . . . . . . 220
9.2.1 Formulation of RBDO Problem . . . . . . . . . . . . . . . . . . . . . 220
9.2.2 Sequential Optimization Together with Reliability
Assessment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
9.3 New Reliability-Based Design Optimization Framework . . . . . . . 222
9.3.1 Reliability Assessment . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
9.3.2 Termination Condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
9.3.3 SORA-Double-Metaheuristic . . . . . . . . . . . . . . . . . . . . . . . 225
9.4 SORA-DESSOA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
9.4.1 Enhanced Shuffled Shepherd Optimization
Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
9.5 Numerical Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
9.5.1 Benchmark Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
9.5.2 Structural Benchmark Examples . . . . . . . . . . . . . . . . . . . . 234
9.5.3 New Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
9.6 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
Contents xi

10 Reliability-Based Design Optimization of the Frame

Structures Using the ESSOA and ERao . . . . . . . . . . . . . . . . . . . . . . . . . 253
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
10.2 The Force Method of Structural Analysis . . . . . . . . . . . . . . . . . . . . 254
10.3 RBDO Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
10.3.1 No Constraint Most Probable Point Finder . . . . . . . . . . . . 256
10.3.2 Termination Condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
10.3.3 SORA-DM Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
10.4 Optimization Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
10.4.1 Shuffled Shepherd Optimization Algorithms . . . . . . . . . . 261
10.4.2 Rao Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
10.4.3 Enhanced Shuffled Shepherd Optimization
Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
10.4.4 Enhanced Rao Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 265
10.5 Numerical Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
10.5.1 The 1-Bay 10-Story Steel Frame . . . . . . . . . . . . . . . . . . . . 267
10.5.2 The 3-Bay 15-Story Steel Frame . . . . . . . . . . . . . . . . . . . . 267
10.5.3 The 3-Bay 24-Story Steel Frame . . . . . . . . . . . . . . . . . . . . 271
10.6 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
Chapter 1
Introduction

1.1 Introduction

The world we live in today is very competitive, and people are constantly striving to
maximize their output or profit using a limited amount of resources that they have
access to. As an example, in engineering design, it is essential to select design vari-
ables that satisfy all design criteria and have the lowest feasible cost. The primary
purpose of engineering design is to adhere to fundamental standards while simul-
taneously achieving the best possible economic results. The optimization methods
provide a solution for these kinds of problems [1].
Optimizing is the process of making the most of a situation or resource to the
greatest extent possible. The optimization mathematically is defined as follows.

minimi ze f i (x) i = 1, 2, 3, . . . n

subject to μ j (x) = 0 j = 1, 2, 3, . . . , m

ϕh (x) ≤ 0 h = 1, 2, 3, . . . , b

ωg (x) ≥ 0 g = 1, 2, 3, . . . , v

where the f i (x) called the objective function. μ j (x), ϕh (x), and ωg (x) are the
constraint functions. Here, x is the design vector.
If there is only one objective function for an optimization problem, it is called
a single objective problem. In contrast, it is known as the multi-objective problem.
The objective and constraint functions can have a simple formulation, allowing the
optimal solution to be found using a simple program or manual method. The other
type of the function is the one that does not have a simple formulation or not have

© The Author(s), under exclusive license to Springer Nature Switzerland AG 2023 1

A. Kaveh and A. Zaerreza, Structural Optimization Using Shuffled Shepherd
Meta-Heuristic Algorithm, Studies in Systems, Decision and Control 463,
https://doi.org/10.1007/978-3-031-25573-1_1
2 1 Introduction

formulation (called the black box problem). To solve this kind of optimization prob-
lems, stochastic optimization techniques are created. Therefore, the optimization
method can be divided into the gradient-based method and metaheuristic algorithms.
As compared to stochastic methods, gradient-based methods converge faster and
produce more accurate results. However, gradient-based methods are susceptible to
local optima trapping and are dependent on the process’s initiation point, and they
cannot be applied to the black box optimization problems. Metaheuristic algorithms
do not have these shortage; in addition, they can be utilized for a variety of optimiza-
tion issues and are simple to implement [2]. Therefore, metaheuristic algorithms
have grown in favor during the past decades.
The single metaheuristic algorithm is not capable of finding the optimum solu-
tion for all types of optimization problems [3]. Therefore, new metaheuristic
algorithms have been developed by researchers. In addition, the performance of
current approaches is improved by modifying their various components in response
to researchers’ issues. The hybridization of current techniques is a strategy for
enhancing the performance of the metaheuristic algorithms [4].
The four primary categories of metaheuristic algorithms are evolution-based,
physics-based, swarm-based, and human-based, depending on their inspiration.
Evolutionary algorithms are inspired by the characteristics of the biological evolu-
tion, including crossover, mutation, and selection. Inspiration of swarm intelligence
algorithms is based on the social behavior of creatures living in a group, which might
be a swarm, herd, or flock. The human-based algorithms consist of optimizers that
simulate certain human behaviors. As the fourth class of metaheuristic algorithms,
physics-based algorithms are motivated by physical rules [1]. Examples for each
category are provided in Fig. 1.1.
Metaheuristic algorithms have two phases of exploration (diversification) and
exploitation (intensification) [5]. Exploring the optimization search space is
performed to acquire a better solution, while the exploitation phase consists of
searching close to the best answer thus far discovered. If the algorithm exhibits
more exploration than exploitation, the metaheuristic algorithm cannot converge to
the optimal solution. Alternatively, if the exploitation phase of the algorithm is greater

Fig. 1.1 Classification of nature-inspired metaheuristic algorithms

1.2 The Main Phase of the Metaheuristic Algorithms 3

than its exploration phase, the algorithm becomes trapped in local optima. Conse-
quently, there should always be a constant equilibrium between the exploration and
exploitation of the algorithms [6].

1.2 The Main Phase of the Metaheuristic Algorithms

There are four main phases that should be considered when the metaheuristic
algorithms are utilized to solve the optimization algorithms. These phases include
problem definition, algorithm parameters definition, initialization phase, and the
main loop of the optimization algorithms. Each phases are explained in the following
sections.

1.2.1 The Problem Definition Phase

The problem definition (also known as objective function definition) phase is the
most crucial stage of optimization using the metaheuristic algorithms. To achieve
the desired outcome, the optimization problem must be precisely coded. In addition,
the problem is continuously analyzed determining the value of the objective function;
and the majority run time of the algorithm is utilized during this phase.
There are two types of optimization problems. The first type is the non-constraint
objective function. Handling this type of objective function is straightforward, and
there is no need for further explanation. Another type of optimization problem is
constrained problems. Most of the real problems are of this type. To handle the
constraint, different methods are developed. Two of these are described here.
One of the simplest ways to consider the constraint is to add the penalty to the
objective function value when the constraint function is not satisfied. The penalty
value can be a constant value or a variable according to the constraint function. For
example, in structural optimization problems with the constraint on the stress ratio,
the value of the stress ratio is added to the objective function when it is more than one.
The other way is using multi-objective optimization algorithms, where the constraint
functions are considered as the objective functions, and the optimization process is
performed. At the end of the optimization process, the solution which satisfies the
constraint function is selected from the Pareto front.

1.2.2 The Algorithm Parameter Definition Phase

All of the metaheuristic algorithms have at least some basic optimization parameters,
which are defined by the user. The basic parameters of the metaheuristic algorithms
is the population size and a maximum number of iterations (or a maximum number
4 1 Introduction

of function evaluations). Any metaheuristic algorithms that have only these two
parameters are called the parameters less. The algorithms may contain additional
parameters beyond the fundamental parameters. These parameters influence the main
step size and have advantages and disadvantages. Adjustment of these parameters can
help the algorithms to have good performance in a variety of optimization problems.
On the other hand, parameter adjustment can be time-consuming.

1.2.3 The Initialization Phase

The initialization phase of most of the optimization algorithms is the same. In this
phase, the population (solutions) are randomly produced in the search space, and
then they are evaluated. This randomly generated population is transformed for the
next phase. After the random generation of the population in some optimization
algorithms, further strategies are employed to improve the quality of the initialized
population. For example, different opposition-based learning (OBL) techniques are
utilized in the enhanced shuffled shepherd optimization algorithm (ESSOA).

1.2.4 The Main Loop

In the main loop of the algorithms, one tries to find a new and better solution for the
considered optimization problem. The main loop has at least one step size, and the
algorithms use step size to search the optimization space. Also, the other mechanism
can exist in the main loop. One of them is the replacement strategy. In the replacement
strategy, the new solution is compared to its old solution, and the best of them are
selected. The other mechanism is memory. The memory used in the algorithms that
do not have the replacement strategy to hold the best solution found. The other type
of mechanism that can be used in this phase is to build the algorithm multi-population
(multi-communities). For example, the shuffling technique is utilized in the SSOA
to have the multi-population algorithm. The shuffling process for the population size
of NP is provided in Fig. 1.2.

1.3 Structural Optimum Design

In this book, the field of structural optimization using metaheuristic algorithms is

taken into consideration. Structural optimization refers to the process of finding
the best or most efficient of (a) the size of structural elements (size optimization),
(b) the shape of a structure (shape optimization), and (c) the connectivity between
structural elements (topology optimization) [7]. In size optimization, design variables
can be either continuous or discrete. Each design variable represents a cross-section
1.3 Structural Optimum Design 5

Fig. 1.2 A schematic of the shuffling technique

of either a member or a member element group. If design variables are discrete,

they are selected from a list of discrete cross-sections. Nevertheless, when design
variables are continuous, they can fluctuate constantly within an allowable range.
In simultaneous size and layout optimization, design variables are divided into two
overall sets. The first group of variables is related to discrete sizing variables, whereas
the second group is related to continuous geometry variables. Using continuous
and discrete design variables simultaneously can provide a different convergence
rate and induce the optimization problem involved with the ill-conditioning. Being
involved with ill-conditioned characteristics may result in a non-unique solution for
the size and layout optimization of the structure. In simultaneous size and topology
optimization, the optimization methods involve unacceptable and singular topologies
resulting in an increase in the complexity and difficulty of the problem.
The most common structural analysis tools are displacement and force methods.
The displacement method utilizes the displacement of node structures as unknowns.
Using the equilibrium and stress–strain equations, each member’s force is then calcu-
lated. In the force method, some members’ forces are selected as unknowns. Using
the stress–strain and compatibility equations, the forces of each member are then
calculated. The number of equations solved in the displacement method corresponds
to the degree of kinematical indeterminacy (DKI), while the number of equations
6 1 Introduction

Fig. 1.3 Flowchart for the analysis and optimum design of structures

needed in the force approach corresponds to the degree of statical indeterminacy

(DSI). In structures with low DSI, it is anticipated that the force method will be
faster. On the other hand, it is anticipated that the displacement method will be faster
for structures with a lower DKI. For further clarification, the optimum design of the
structure using the force or displacement methods is provided in Fig. 1.3.

1.4 Goals and Organization of the Present Book

The contribution of this book is concerned with the sizing optimization and simul-
taneous size/layout optimization of the benchmark and real-size structures using the
shuffled shepherd optimization algorithm and its variant. The chapters of the book are
organized into two parts. The first part is entitled ‘Extension’. In this part, the shuffled
shepherd optimization algorithm is introduced first. Then, the two other versions of
1.4 Goals and Organization of the Present Book 7

SSOA, named parameter less SSOA (PR-SSOA) and enhanced SSOA (ESSOA), are
introduced. The second part is entitled ‘Application’. In this part, the efficiency of
the SSOA and its variant in the different problems investigated inducing the structural
damage detection, optimum design of the portal frame, optimum design of castel-
lated beams, and reliability-based design optimization. Additionally, the statistically
regeneration mechanism (SRM), which is used to improve the SSOA, is added to
the Rao algorithms and particle swarm optimization algorithms to enhance their
performance.
The remaining chapters of this book are organized as follows:
Chapter 2 introduces a newly developed multi-community metaheuristic opti-
mization algorithm. This algorithm is called the shuffled shepherd optimization algo-
rithm (SSOA), in which the agents are first separated into multi-communities, and
the optimization process is then performed mimicking the behavior of a shepherd
in nature, operating on each community. The SSOA is tested with 17 mathematical
benchmark optimization problems, 2 classic engineering problems, 5 truss design
problems, and one double-layer grid design problem. The results show that SSOA is
competitive with other considered metaheuristic algorithms [8].
Chapter 3 introduces the modified version of the shuffled shepherd optimization
algorithm. Shuffled shepherd optimization algorithm is modified to make it less
dependent of parameter tuning. The new version is called parameter reduced SSOA
(PRSSOA) requiring less parameters to be tuned [9].
Chapter 4 presents the Enhanced Shuffled Shepherd Optimization Algo-
rithm (ESSOA). Shuffled Shepherd Optimization Algorithm (SSAO) is a swarm
intelligence-based optimizer inspired by the herding behavior of shepherds in nature.
SSOA may suffer from some shortcomings, including being trapped in a local
optimum and starting from a random population without prior knowledge. In order
to solve these issues, SSOA is modified by two efficient mechanisms in this chapter.
The first mechanism is the opposition-based learning (OBL) concept, which was
first presented by Tizhoosh [10]. The OBL is used for improving the initialization
phase of the SSOA. This is because it improves the convergence rate of the algorithm
by giving prior knowledge about the search space. The second mechanism is intro-
duced a new solution generator based on the statistical results of the solutions. The
presented mechanism is called statistically regenerated step size. This mechanism
provides a good exploration in the early iterations of the algorithm and causes the
algorithm to escape from local optima in the last iterations [11].
Chapter 5 contains new strategy, namely Boundary Strategy (BS), for the process
of optimization-based damage detection. This strategy gradually neutralizes the
effects of structural elements that are healthy in the optimization process. BS causes
the optimization method to find the optimum solution better than conventional
methods that do not use the proposed BS. This technique improves both aspects of
the accuracy and convergence speed of the algorithms in identifying and quantifying
the damage [12].
Chapter 6 describes the discrete optimum design of two types of portal frames,
including planar steel Curved Roof Frame (CRF) and Pitched Roof Frame (PRF)
with tapered I-section members. The optimal design aims to minimize the weight of
8 1 Introduction

these frame structures while satisfying some design constraints based on the require-
ments of ANSI/AISC 360-16 and ASCE 7-10. Four population-based metaheuristic
optimization algorithms are applied to the optimal design of these frames. These
algorithms consist of Teaching–Learning-Based Optimization (TLBO), Enhanced
Colliding Bodies Optimization (ECBO), Shuffled Shepherd Optimization Algorithm
(SSOA), and Water Strider Algorithm (WSA) [13].
Chapter 7 presents the optimum design of castellated beams utilizing the SSOA.
The use of castellated beams has received much attention in recent decades, because
these beams have holes in their webs, and the bending moment of the cross-section
increases without increasing the weight of the beam. These beams are also more
practical from an architectural point of view since installations, and plumbing can
be passed through the holes of these beams used in the roofs [14].
Chapter 8 investigates an efficient graph-theoretical force method. A graph-
theoretical force method is utilized in the analysis of the frame structures to decrease
the time required for optimization. The performance and speed of the graph-
theoretical force method are compared to those of the displacement method in the
optimal design of frame structures. Additionally, the standard particle swarm opti-
mization algorithm (PSO) is improved to enhance its performance in the optimal
design of the steel frames [15].
Chapter 9 present a new framework for reliability-based design optimization
(RBDO) using metaheuristic algorithms based on decoupled methods. This frame-
work is named sequential optimization and reliability assessment-double meta-
heuristic (SORA-DM). The efficiency of the SOAR-DM is investigated using the
enhanced shuffled shepherd optimization algorithm (ESSOA). The efficiency of the
proposed framework is evaluated by six RBDO problems. The results show that
the SORA-DM can have better performance than the gradient-based method in the
RBDO and can easily be utilized in a wide range of RBDO problems [16].
Chapter 10 provides the reliability-based design optimization (RBDO) of the
frame structures using the force method and sequential optimization and reliability
assessment-double meta-heuristic framework (SORA-DM). In the SORA-DM, the
meta-heuristic algorithm is utilized in both the optimization process and reliability
assessment. The considered frames have a lower degree of statical indeterminacy
than the degree of kinematical indeterminacy. The force method is used for the first
time in the structural analysis of the RBDO problems [17].

References

1. Kaveh, A.: Advances in Metaheuristic Algorithms for Optimal Design of Structures, 3rd edn.
Springer (2021)
2. Mirjalili, S., Mirjalili, S.M., Lewis, A.: Grey wolf optimizer. Adv. Eng. Softw. 69, 46–61 (2014)
3. Wolpert, D.H., Macready, W.G.: No free lunch theorems for optimization. IEEE Trans. Evol.
Comput. 1(1), 67–82 (1997)
4. Blum, C., Raidl, G.R.: Hybrid Metaheuristics: Powerful Tools for Optimization. Springer
(2016)
References 9

5. Kaveh, A., Bakhshpoori, T.: Metaheuristics: Outlines, MATLAB Codes and Examples,
Springer (2019)
6. Yang, X.-S.: Nature-Inspired Metaheuristic Algorithms. Luniver Press (2010)
7. Kaveh, A., Ilchi Ghazaan, M.: Meta-Heuristic Algorithms for Optimal Design of Real-Size
Structures. Springer (2018)
8. Kaveh, A., Zaerreza, A.: Shuffled shepherd optimization method: a new meta-heuristic
algorithm. Eng. Comput. 37(7), 2357–2389 (2020)
9. Kaveh, A., Zaerreza, A., Hosseini, S.M.: Shuffled shepherd optimization method simplified for
reducing the parameter dependency. Iranian J. Sci. Technol. Trans. Civ. Eng. 45(3), 1397–1411
(2021)
10. Tizhoosh, H.R.: Opposition-based learning: a new scheme for machine intelligence. In: Inter-
national Conference on Computational Intelligence for Modelling, Control and Automation
and International Conference on Intelligent Agents, Web Technologies and Internet Commerce
(CIMCA-IAWTIC’06). IEEE (2005)
11. Kaveh, A., Zaerreza, A.,Hosseini, S.M.: An enhanced shuffled Shepherd optimization algorithm
for optimal design of large-scale space structures. Engineering with Computers (2021)
12. Kaveh, A., Hosseini, S.M., Zaerreza, A.: Boundary strategy for optimization-based structural
damage detection problem using metaheuristic algorithms. Periodica Polytech. Civ. Eng. 65(1),
150–167 (2021)
13. Kaveh, A., Karimi Dastjerdi, M.I., Zaerreza, A., Hosseini, M.: Discrete optimum design
of planar steel curved roof and pitched roof portal frames using metaheuristic algorithms.
Periodica Polytech. Civ. Eng. 65(4), 1092–1113 (2021)
14. Kaveh, A., Almasi, P., Khodagholi, A.: Optimum design of castellated beams using four recently
developed meta-heuristic algorithms. Iranian J. Sci. Technol. Trans. Civ. Eng. (2022)
15. Kaveh, A., Zaerreza, A.: Comparison of the graph-theoretical force method and displacement
method for optimal design of frame structures. Structures 43, 1145–1159 (2022)
16. Kaveh, A., Zaerreza, A.: A new framework for reliability-based design optimization using
metaheuristic algorithms. Structures 38, 1210–1225 (2022)
17. Kaveh, A., Zaerreza, A.: Reliability-based design optimization of the frame structures using
the force method and SORA-DM framework. Structures 45, 814–827 (2022)
Chapter 2
Shuffled Shepherd Optimization Method:
A New Meta-Heuristic Algorithm

2.1 Introduction

This chapter introduces a recently established multi-community metaheuristic opti-

mization algorithm introduced by Kaveh and Zaerreza [1]. This algorithm is known
as shuffled shepherd optimization algorithm (SSOA), in which the agents are first
divided into multi-communities. Then the optimization procedure inspired from the
behavior of a shepherd in nature is performed, on each community. The SSOA is
tested on 17 mathematical benchmark optimization problems, 2 classic engineering
problems, 5 truss design problems, and one double-layer grid design problem. The
results demonstrate that SSOA is competitive with other considered metaheuristic
algorithms.
The term “optimization” refers to the study of problems in which one seeks to
minimize or maximize a function by systematically selecting the values of variables
from/within a permissible set. There are two categories of optimization techniques:
meta-heuristic optimization algorithms and gradient-based optimization algorithms.
Meta-heuristic optimization algorithms are becoming more and more popular in
engineering applications because they: (i) rely on rather simple concepts and are easy
to implement; (ii) do not require gradient information; (iii) can bypass local optima;
(iv) can be applied in a wide range of problems covering different disciplines [2].
The objective of the majority of meta-heuristic algorithms is to transfer the worst
agents into better positions using equations that prioritize good agents while disre-
garding the worst agents. Additional attention to worse agents may improve the
overall performance of algorithms resulting in a better solution and/or using a fewer
number of function evaluations.
This chapter’s objective is to present a new multi-community and straightforward
meta-heuristic algorithm that will be referred to as the Shuffled Shepherd Optimiza-
tion Algorithm. This algorithm draws its motivation from the behavior of a shepherd,
which makes use of the natural instincts of the animals under his care. In the initial

© The Author(s), under exclusive license to Springer Nature Switzerland AG 2023 11

A. Kaveh and A. Zaerreza, Structural Optimization Using Shuffled Shepherd
Meta-Heuristic Algorithm, Studies in Systems, Decision and Control 463,
https://doi.org/10.1007/978-3-031-25573-1_2
12 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

stage of this algorithm, the agents are partitioned into communities, and the opti-
mization progress is inspired by the behavior of a shepherd in nature operating in
each community. During the process of optimization, consideration is given to both
good and bad agents; this ultimately results in an improvement in the algorithm’s
overall performance.
This chapter is organized as follows: In Sect. 2.2 inspiration, mathematical
model and the steps for Shuffled Shepherd Optimization Algorithm are described.
In Sect. 2.3, some benchmark functions and 2 classic engineering problems are
investigated using the SSOA. In Sect. 2.4, five truss design problems and a large-
scale double-layer gird design problem are optimized utilizing the SSOA, and finally
conclusions are derived in Sect. 2.5.

2.2 Shuffled Shepherd Optimization Algorithm

2.2.1 Inspiration

In nature, animals utilize instinct to determine the best way to live. Human beings
learn how to use animals’ instincts for their own goals. Shepherd utilizes animal
instinct to determine the best route to the pasture. Always in a herd, a shepherd puts
one horse to find the best stiff and fast way to pasture.
Horses have an instinct to find the best stiff and fast way. In nature, we can see
the trail of animals’ movement (ways). Horses or other animals always follow these
quick and rigid routes. In addition to the use of this trail by shepherds, road engineers
in the past have used this trail to build new roads.
Shepherd put one or more horses in the herd to move their tools and find the way.
Shepherd tries to guide sheep behind horses to pasture and bring them back because
this trail is the best trail they can ever find. Shepherd’s behavior has been an inspiration
in this chapter, and it is utilized for mathematical modeling of optimization.

2.2.2 Mathematical Model

In this section, mathematical models of herd and shepherd are illustrated.

2.2.2.1 Herd

In nature, a district contains a large number of herds. The sheep in the herd are not
the same, and each herd has both nice and bad sheep. These characteristics of the
herd are identical to those of the community in a multi-communities method. Each
community contains the worst and best agents compared to the others, similar to a
2.2 Shuffled Shepherd Optimization Algorithm 13

Fig. 2.1 A schematic of the shuffling technique

herd. There are various approaches for constructing multi-community algorithms. In

this chapter, the shuffling method is applied to have a multi-community algorithm.
In the shuffling method, the entire population is divided into the communities at the
start iteration of the optimization process, and then it merges into one population at the
end of each iteration. Each community in the process of shuffling evolves individually,
and their data is shared at the end of each iteration. After the initialization of the
algorithm, the population is evaluated and sorted based on the fitness function. Then,
the entire population is partitioned into the m communities (herd). To do this, the best
m solutions (x1 , x2 , . . . , xm ) are selected and assigned to communities randomly. In
the following, the next best solutions (xm+1 , xm+2 , . . . , x2m ) are randomly assigned
to the communities. This process is repeated for other solutions until all of them are
assigned to the communities. Figure 2.1 shows how to partition NP agents into m
communities.

2.2.2.2 Shepherd

In the course of time, humans have learned how to use animal abilities for their own
benefit. As an example, shepherds have used fast-riding horses to herd domesticated
14 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

sheep and cows. To do this, the shepherd tries to lead the animals toward the horses.
This behavior is used as the step size of the algorithm introduced in this chapter.
Each community member is selected in order, and the step size is calculated for each
member. The selected member is named shepherd. A better and a worse member
are chosen from the same community in which the shepherd belongs, based on
their objective functions. The selected members are called the horse and the sheep,
respectively. According to the herding behavior of the shepherd, first, the shepherd
moves toward the sheep. The shepherd then leads the sheep toward the horse. This
movement is the step size of the SSOA, and mathematically it is described as follows:
( )
Stepsizei = β × rand ◦ (X d −X i ) + α × rand ◦ X j −X i (2.1)

in which X i, X d , and X j are solution vectors of shepherd, selected horse, and selected
worse sheep in an m-dimensional search space, respectively; rand is a random vector
in which each component is in range [0, 1]; α is a parameter set to α0 in the start of
the algorithm, then decreases to zero by increasing iteration number of the algorithm
and can be computed by Eq. (2.2); β is a parameter equal to β 0 in the start of the
algorithm then increases to β max and β can be computed by using Eq. (2.3) and sign
“z” represents element-by-element multiplication.
The first sheep selected in the herd does not have better than itself, so the first
term of the step size is set to zero; and for the last sheep selected in herd which
does not have worse than itself, the second term of the step size is zero. Decreasing
α and increasing β gradually reduce the exploration and increase the algorithm’s
exploitation.
α0
∝= α0 − × iteration (2.2)
maxiteration
βmax − β0
β = β0 + × iteration (2.3)
maxiteration
After computing the step size for all sheep in a herd, the temporary solution vector
is computed for each sheep by the following equation.
temporary
xi = xiold + stepsi zei (2.4)

If temporary objective function is not worse than the old objective function, then
temporary
the position of the sheep is updated, so we have xinew = xi , otherwise xinew =
old
xi .

2.2.3 Steps of the Optimization Algorithm

The flowchart of the SSOA is illustrated in Fig. 2.2, and the steps are as follows:
2.2 Shuffled Shepherd Optimization Algorithm 15

Fig. 2.2 Flowchart of the

SSOA
16 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Step 1: Initialization
The SSOA parameters are defined, and the initial position of the ith agent is
obtained randomly in an n-dimensional search space by the following equation:

xi0 = xmin + rand ◦ (xmax − xmin ) i = 1, 2, . . . , N P (2.5)

in which xi0 represents the initial solution vector of the ith sheep, xmax andxmin
represent the bound of design variables, rand is a random vector with each
component being in the rang [0, 1]; NP represents the total number of sheep.
Step 2: Evaluations
The value of the objective function for each sheep is evaluated.
Step 3: Shuffling process
The agents are divided into the communities based on the shuffling process
illustrated in Sect. 2.2.2.1.
Step 4: Calculate the step size
The step size is computed for each agent as described in Sect. 2.2.2.2 employing
Eq. (2.1).
Step 5: Calculate the temple solution vector
The temporary solution vector is computed utilizing Eq. (2.4), and the objective
function is evaluated and referred to as temporary solution vector.
Step 6: Update the agent and merge
If the temporary objective function is not worse than the old objective function,
then the position of the sheep is updated and combined the herds.
Step 7: Update the parameters
The values of ∝ and β are updated utilizing Eqs. (2.2) and (2.3).
Step 8: Termination condition
Steps 3 to 7 are repeated until the specified maximum number of iterations is
reached.

2.3 Validation of the SSOA

In order to verify the efficiency of the new algorithm, seventeen mathematical bench-
mark problems and two classic engineering design problems, five truss structures,
and a double-layer grid are optimized employing the SSOA and compared to other
algorithms. Section 2.3.1 examines mathematical problems, and Sect. 2.3.2 examines
engineering challenges. Section 2.4 optimizes the double-layer grid and trusses.
2.3 Validation of the SSOA 17

2.3.1 Mathematical Optimization Problems

The mathematical problems picked from Ref. [3] are given in Table 2.1. Like any
other meta-heuristics algorithm, to have good performance and increase converge
speed of the algorithm in the least computational cost, the number of agents and
maximum iteration number should have balance to find the best computational cost
for increasing converge speed of the algorithm. Here the number of herd and size
of each herd is set to 4, and the maximum number of the permitted iterations is
considered as 200. The value of α0 is considered as 0.5, β0 is set to 2.4, and βmax is
taken as 2.8. However, for Rosenbrock, the values of β0 and βmax are set to 2 and
3.5, respectively. The result of the optimization of GA [3], CPA [4], CSS [5], and
present work are compared in Table 2.2. Each mathematical function is optimized
50 times independently utilizing SSOA, and the mean numbers of function evalu-
ations are reported in Table 2.2. The numbers in the parentheses indicate the ratio
of the successful runs in which the algorithm has located the global minimum with
predefined accuracy, which is taken as ε = f min − f max = 10−4 . The absence of the
parentheses means that the algorithm has been successful in all independent runs.
Table 2.2 demonstrates that SSOA has generally performed better than variations
of GA, CPS, and CSS. Moreover, SSOA has superior performance than CPS and
variants of GA in each function, except for BL and Rosenbrock.

2.3.2 Engineering Optimization Problems

In this section, performance of the SSOA is investigated by two classic engineering

problems, and the penalty method is employed for constraint handling. The maximum
number of iterations is set to 400 for the welded beam design and set to 1000 for
the pressure vessel design. Sensitivity analysis is performed to identify the best
combination of the parameters of the SSOA. The values of α0 is taken as 0.5, 1,
and 1.5; β0 is varied between 1.5 and 3.5 and βmax is altered between 2 and 4
with increments of 0.5. Consequently, 45 possible combinations of parameters are
generated. For statistical compression mean and standard deviation are calculated
for 30 independent runs of the SSOA for each problem.

2.3.2.1 The Welded Beam Design

The first classic engineering problem considers is the design optimization of the
welded beam, as given in Fig. 2.3. The aim of this problem is to identify the minimum
constructing cost of the welded beam subjected to constraints on shear stress (s),
bending stress (r), buckling load (Pc), deflection (d) and side constraints. The design
variables are the thickness of the weld h(=x 1 ), length of attached part of the bar
l(=x 2 ), the height of the bar t(=x 3 ) and thickness of the bar b(=x 4 ).
Table 2.1 Specification of the mathematical optimization problems
18

Function name Interval Function Global minimum

1 4 1 2 1 1 2
Aluffi-Pentiny X∈ [−10, 10]2 f (X ) = 4 x 1 − 2 x 1 + 10 x 1 + 2 x 2 −0.352386
2 2 3 4 7
Bohachevsky 1 X ∈ [−100, 100]2 f (X ) = x1 − 2x2 − 10 cos(3π x1 ) − 10 cos(4π x2 ) + 10 0.0
3 3
Bohachevsky 2 X ∈ [−50, 50]2 f (X ) = x12 − 2x22 − 10 cos(3π x1 ) cos(4π x2 ) + 10 0.0
Becker and Lago X ∈ [−10, 10]2 f (X ) = (|x1 | − 5)2 + (|x2 | − 5)2 0.0
( )2 ( )
5.1 2 5 1
Branin −5 ≤ x1 ≤ 10 0 ≤ x5 ≤ 15 f (X ) = x2 − x
4π 2 1
+ π x1 + 10 1 − 8π cos(x1 ) + 10 0.397887

Camel X ∈ [−5, 5]2 f (X ) = 4x12 − 2.1x14 + 13 x16 + x1 x2 − 4x22 + 4x24 −1.0316

2
Cb3 X ∈ [−5, 5] f (X ) = 2x12 − 1.05x15 + 16 x16 + x1 x2 + x22 0.0
n 1 n
Cosine mixture n = 4, X ∈ [−1, 1]n f (X ) = i=1 xi2 − 10 i=1 cos(5π x i ) −0.4
Dejoung X ∈ [−5.12, 5.12]3 f (X ) = x12 + x22 + x32 0.0
( n )
Exponential n = 2, 4, 8, X ∈ [−1, 1]n f (X ) = −ex p −0.5 i=1 xi2 −1
[ ( )]
f (X ) = 1 + (x1 + x2 + 1)2 19 − 14x1 + 3x12 − 14x2 + 16x1 x2 + 3x22 30
Goldstein and price X ∈ [−2, 2]2 ( ) 3
+ (2x1 − 3x2 )2 18 − 32x1 − 12x12 + 48x2 − 36x1 x2 + 27x22

2 2 ( )
1 2 xi
√
Griewank X ∈ [−100, 100]2 f (X ) = 1 + 200 i=1 x i − cos 0.0
i
i=1

(continued)
2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …
Table 2.1 (continued)
Function name Interval Function Global minimum
4 ( 
3 ( )2 )
Hartman 3 X∈ [0, 1]3 f (X ) = − i=1 ci ex p − j=1 ai j x j − pi j −3.862782

⎡ ⎤ ⎡ ⎤
3 10 30 1
⎢ ⎥ ⎢ ⎥
⎢ 0.1 10 35 ⎥ ⎢ ⎥
a=⎢
⎢ 3 10 30
⎥, c = ⎢ 1.2 ⎥and
⎥ ⎢ ⎥
⎣ ⎦ ⎣ 3 ⎦
2.3 Validation of the SSOA

0.1 10 35 3.2

⎡ ⎤
0.3689 0.117 0.2673
⎢ ⎥
⎢ 0.4699 0.4387 0.747 ⎥
p=⎢ ⎥
⎢ ⎥
⎣ 0.1091 0.8732 0.5547 ⎦
0.03815 0.5743 0.8828
2 ( )
Rastrigin X ∈ [−1, 1]2 f (X ) = i=1
xi2 − cos(18xi ) −2.0
n−1 ( )2
Rosenbrock X ∈ [−30, 30]n , n = 2 f (x) = i=1 100 xi+1 − xi2 + (xi − 1)2 0.0
19
20 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Table 2.2 Performance comparison for the mathematical optimization problems

Function GEN–S–M [3] GEN–S–M–LS CPA [4] CSS [5] Present work
[3] (SSOA [1])
AP 1277 1253 560 804 295
Bf1 1640 1615 1173 1187 472
Bf2 1676 1636 1376 742 451
BL 2439 1436 424 423 510
Branin 1404 1257 708 852 459
Camel 1336 1300 482 575 334
Cb3 1163 1118 548 436 266
CM 1743 1539 1612 1563 507
Dejoung 1462 1281 670 630 353
Exp2 817 807 435 132 123
Exp4 2054 1496 781 867 312
Exp8 2054 1496 1105 1426 673
Goldstein and 1408 1325 805 682 430
price
Griewank 1764 1652 (0.99) 1572 1551 867
Hartman3 1332 1274 1128 860 326
Rastrigin 1392 1381 n/a 1402 960
Rosenbrock 1675 1462 n/a 1452 1810
Total 26,636 23,328(0.999) 12,869 15,584 9148
N/A not available

Fig. 2.3 Schematic of the

welded beam
2.3 Validation of the SSOA 21

The mathematical formulation of the optimization problem is defined as

following:

f cost (x) = 1.10471x12 x2 + 0.04811x3 x4 (14.0 + x2 )

To be minimized and constraints are

g1 (x) = τ (x) − τmax ≤ 0

g2 (x) = σ (x) − σmax ≤ 0

g3 (x) = x1 − x4 ≤ 0

g4 (x) = 1.10471x12 x2 + 0.04811x3 x4 (14.0 + x2 ) − 5.0 ≤ 0

g5 (x) = 0.125 − x1 ≤ 0

g6 (x) = δ(x) − δmax ≤ 0

g7 (x) = P − Pc ≤ 0

In which
√
x2
τ (x) = (τ ' )2 + 2τ ' τ '' + (τ '' )2
2R
P MR
τ' = √ , τ '' =
2x1 x2 J
√  
( x2 ) x22 x1 + x3 2
M=P L+ ,R = +
2 4 2
    
√ x22 x1 + x3 2
J =2 2x1 x2 +
12 2

6P L 4P L 3
σ (x) = δ(x) =
x4 x32 E x33 x4
√
x32 x46  √ 
4.013E 36 x3 E
Pc (x) = 1−
L2 2L 4G
22 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

P = 6000 lb L = 14 in

E = 30 × 106 psi G = 12 × 106 psi

Variable boundaries are

0.1 ≤ x1 ≤ 2.0

0.1 ≤ x2 ≤ 10

0.1 ≤ x3 ≤ 10

0.1 ≤ x4 ≤ 2.0

Table 2.3 demonstrates that in almost all parameter combinations, the SSOA iden-
tifies near optimal solution. However, parameter adjustment is required for obtaining
the best solution. In 7 parameters combination, SSOA identifies an optimal solu-
tion but the worst solution is different. This shows which parameters combination
is appropriate for this problem. In parameter combination number 36 (α0 = 1.5,
β0 = 2, βmax = 2.5) the worst solution is 1.724871, which is extremely near to
the optimum value (1.724852). As a result, this parameter combination is appro-
priate for this problem. It can be seen from Table 2.4 that SSOA found minimum
weight and constraints are g1 (x) = −9.048E − 07, g2 (x) = −6.979E − 04,
g3 (x) = −1.779E − 08, g4 (x) = −3.433, g5 (x) = −0.801, g6 (x) = −0.236 and
g7 (x) = −0.001. Therefore, g1 (x), g2 (x) and g3 (x) have controllers’ role. Table 2.5
demonstrates that the SSOA has a minimum average. The average of SSOA is less
than the best solution of other methods except for MCSS [6] and IGMM [7].

2.3.2.2 Pressure Vessel Design

The second engineering problem investigated is the optimization of the pressure

vessel, as illustrated in Fig. 2.4. The aim of this problem is to determine the minimum
constructing cost of the pressure vessel. The design variables are the thickness of the
shell T s (= x 1 ), thickness of the head T h (= x 2 ), the inner radius R (= x 3 ) and length
of cylindrical section of vessel L (= x 4 ).
The mathematical formulation of the optimization problem is defined as follows.

f cost (x) = 0.6224x1 x3 x4 + 1.7781x2 x32 + 3.1661x12 x4 + 19.84x12 x3

To be minimized and the constraints are:

g1 (x) = −x1 + 0.0193x3 ≤ 0

2.3 Validation of the SSOA 23

Table 2.3 Results of the sensitivity analysis for the welded beam problem
No. ∝0 β0 βmax Best Worst Mean Std
1 0.5 1.5 2 1.960431 3.825033 2.667163 0.502
2 0.5 1.5 2.5 1.831520 3.005574 2.306228 0.308
3 0.5 1.5 3 1.724857 3.450027 2.073674 0.384
4 0.5 1.5 3.5 1.727421 2.220498 1.823992 0.124
5 0.5 1.5 4 1.724855 1.890547 1.771640 0.044
6 0.5 2 2.5 1.724852 1.994225 1.775230 0.083
7 0.5 2 3 1.724853 1.741982 1.726642 0.004
8 0.5 2 3.5 1.724856 1.753322 1.727385 0.005
9 0.5 2 4 1.724862 1.746769 1.728080 0.005
10 0.5 2.5 3 1.724854 1.726242 1.724955 2.68E-04
11 0.5 2.5 3.5 1.724872 1.726221 1.725263 3.85E-04
12 0.5 2.5 4 1.724870 1.732302 1.725973 0.002
13 0.5 3 3.5 1.724960 1.728071 1.725438 6.06E-04
14 0.5 3 4 1.725013 1.731427 1.726302 0.001
15 0.5 3.5 4 1.725214 1.744705 1.728456 0.004
16 1 1.5 2 1.724853 2.781531 2.178187 0.285
17 1 1.5 2.5 1.724852 2.570316 2.043011 0.240
18 1 1.5 3 1.724852 2.269081 1.872679 0.172
19 1 1.5 3.5 1.724853 1.907858 1.754319 0.043
20 1 1.5 4 1.724856 1.762913 1.729981 0.009
21 1 2 2.5 1.724852 1.729270 1.725003 8.06E-04
22 1 2 3 1.724853 1.725898 1.724937 2.55E-04
23 1 2 3.5 1.724861 1.725345 1.724928 9.98E-05
24 1 2 4 1.724888 1.727619 1.725423 7.03E-04
25 1 2.5 3 1.724856 1.725370 1.724949 1.01E-04
26 1 2.5 3.5 1.724891 1.727444 1.725278 5.49E-04
27 1 2.5 4 1.724890 1.728569 1.725809 8.20E-04
28 1 3 3.5 1.724954 1.727341 1.725683 6.79E-04
29 1 3 4 1.725115 1.730349 1.726995 0.001
30 1 3.5 4 1.725605 1.735186 1.728416 0.002
31 1.5 1.5 2 1.724852 2.307840 1.840313 0.162
32 1.5 1.5 2.5 1.724852 2.015799 1.750629 0.074
33 1.5 1.5 3 1.724853 1.865128 1.729554 0.026
34 1.5 1.5 3.5 1.724858 1.726011 1.724985 2.56E-04
35 1.5 1.5 4 1.724870 1.729607 1.725228 8.72E-04
36 1.5 2 2.5 1.724852 1.724871 1.724855 4.32E-06
(continued)
24 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Table 2.3 (continued)

No. ∝0 β0 βmax Best Worst Mean Std
37 1.5 2 3 1.724857 1.724999 1.724894 3.83E-05
38 1.5 2 3.5 1.724871 1.725779 1.725027 2.17E-04
39 1.5 2 4 1.724999 1.728106 1.725488 6.41E-04
40 1.5 2.5 3 1.724868 1.725358 1.724989 1.21E-04
41 1.5 2.5 3.5 1.724885 1.726522 1.725429 3.76E-04
42 1.5 2.5 4 1.724991 1.730796 1.726354 0.001
43 1.5 3 3.5 1.725099 1.730144 1.726135 0.001
44 1.5 3 4 1.726169 1.732557 1.728059 0.002
45 1.5 3.5 4 1.726031 1.734503 1.729984 0.003

Table 2.4 Optimization results for the welded beam design problem
Method h(= x 1 ) l(= x 2 ) t(= x 3 ) b(= x 4 ) fcost
GA2 [8] 0.208800 3.420500 8.997500 0.210000 1.748310
ESs [9] 0.199742 3.61206 9.0375 0.206082 1.7373
RO [10] 0.203687 3.528467 9.00423 0.20724 1.735344
CDE [11] 0.203137 3.542998 9.033498 0.206179 1.733462
WOA [12] 0.205396 3.484293 9.037426 0.206276 1.730499
GA3 [13] 0.205986 3.471328 9.020224 0.206480 1.728226
CPSO [14] 0.202369 3.544214 9.04821 0.205723 1.728024
CE-CBA[15] 0.205726 3.47056 9.036630 0.20573 1.724858
IAFOA [16] 0.205726 3.470562 9.036630 0.20573 1.724856
IGMM [7] 0.205729 3.470496 9.306625 0.205730 1.724853
MCSS [6] 0.205729 3.470493 9.03662 0.20572 1.724853
SSOA [1] 0.2057296 3.4704888 9.0366236 0.2057297 1.7248524

g2 (x) = −x2 + 0.00954x3 ≤ 0

4
g3 (x) = −π x32 x4 − π x33 + 1,296,000 ≤ 0
3

g4 (x) = x4 − 240 ≤ 0

Variable boundaries are

0. ≤ x1 ≤ 99

0 ≤ x2 ≤ 99
2.3 Validation of the SSOA 25

Table 2.5 Statistical results of different methods for the welded beam problem
Methods Best Mean Worst Std Dev
GA2 [8] 1.748309 1.771973 1.785835 0.011220
ESs [9] 1.737300 1.813290 1.994651 0.070500
RO [10] 1.735344 1.9083 N/A 0.173744
CDE [11] 1.733461 1.768158 1.824105 0.022194
GA3 [13] 1.728226 1.792654 1.993408 0.074713
CPSO [14] 1.728024 1.748831 1.782143 0.012926
CE-CBA [15] 1.724858 1.724858 1.724858 3.5641E-15
IAFOA [16] 1.724856 1.724856 1.424856 8.991E-0.7
IGMM [7] 1.724853 1.732152 1.74769 7.14E-03
MCSS [6] 1.724853 1.735438 1.753681 0.009527
SSOA [1] 1.724852 1.724855 1.724871 4.32E-06

Fig. 2.4 Schematic of the

pressure vessel

10 ≤ x3 ≤ 200

10 ≤ x1 ≤ 200

Table 2.6 demonstrates that in almost all parameter combinations the SSOA can
identify solutions that are close to optimum. In 7 combinations, SSOA able to deter-
mine the optimum solution, but in combination number 26 (α0 = 1, β0 = 2.5,
βmax = 3.5) the difference between the worst and the best solution is equal to 0.611.
To this end, this combination is the best parameters for this problem. Reducing α0
and increasing β0 value compared to the welded beam problem indicate that the
pressure vessel problem needs fewer exploration and more exploitation compared to
the welded beam problem.
Table 2.7 compares the outcomes, whereas Table 2.8 compares the statistical
outcomes of the current study with those of previous optimization techniques. Table
26 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Table 2.6 Results of the sensitivity analysis for the pressure vessel problem
No ∝0 β0 βmax Best Worst Mean Std
1 0.5 1.5 2 5937.9221 9678.2863 6784.5424 937.052
2 0.5 1.5 2.5 6105.8884 7318.993 6642.038 392.250
3 0.5 1.5 3 5960.321 7407.2313 6589.6663 459.588
4 0.5 1.5 3.5 5957.5773 7167.1373 6272.9405 340.698
5 0.5 1.5 4 5887.6915 6737.8591 6074.1398 212.064
6 0.5 2 2.5 5885.5534 7110.4809 6058.9547 279.313
7 0.5 2 3 5885.4021 6538.2835 5942.1205 136.0747
8 0.5 2 3.5 5885.3516 6000.4418 5898.0198 25.609
9 0.5 2 4 5885.4596 5916.5175 5890.7515 8.903
10 0.5 2.5 3 5885.3417 5893.1437 5886.7253 1.869
11 0.5 2.5 3.5 5885.3491 5902.4701 5887.0622 3.170
12 0.5 2.5 4 5885.3328 8834.4409 5985.0822 538.170
13 0.5 3 3.5 5885.3318 8834.4091 5984.3788 538.288
14 0.5 3 4 5885.3374 8620.3227 6250.4736 9.453
15 0.5 3.5 4 5885.345 8834.4091 6264.8624 983.313
16 1 1.5 2 5987.6779 7305.9870 6403.9379 347.046
17 1 1.5 2.5 5885.8300 7283.3699 6304.6366 373.328
18 1 1.5 3 5885.6348 6940.9005 6113.3912 283.922
19 1 1.5 3.5 5885.3666 6299.4091 5940.4521 89.152
20 1 1.5 4 5885.5543 6291.8489 5920.6347 74.624
21 1 2 2.5 5885.3290 6043.9412 5894.7704 34.052
22 1 2 3 5885.3278 5890.2633 5885.7295 0.957
23 1 2 3.5 5885.3290 5896.7648 5886.4192 2.412
24 1 2 4 5885.3262 5890.5371 5885.7512 1.010
25 1 2.5 3 5885.3265 8893.5559 6076.9052 729.349
26 1 2.5 3.5 5885.3258 5885.9368 5885.4415 0.178
27 1 2.5 4 5885.3285 5889.6133 5885.5488 0.774
28 1 3 3.5 5885.3268 8627.6884 5976.8349 500.666
29 1 3 4 5885.3364 8893.5559 6359.7345 107.963
30 1 3.5 4 5885.3285 8893.5559 6359.5763 107.957
31 1.5 1.5 2 5885.3279 7282.0770 6114.4404 340.909
32 1.5 1.5 2.5 5885.3269 6730.1070 5966.3242 170.228
33 1.5 1.5 3 5885.3261 5986.5065 5899.7867 27.082
34 1.5 1.5 3.5 5885.3265 5900.9876 5886.7982 3.374
35 1.5 1.5 4 5885.3258 5929.4165 5887.9769 8.8108
36 1.5 2 2.5 5885.3258 6103.6344 5893.6254 39.922
(continued)
2.4 Numerical Examples 27

Table 2.6 (continued)

No ∝0 β0 βmax Best Worst Mean Std
37 1.5 2 3 5885.3258 5886.1050 5885.3677 0.146
38 1.5 2 3.5 5885.3258 8834.4091 5983.6813 538.417
39 1.5 2 4 5885.3258 8619.9955 5976.5543 499.259
40 1.5 2.5 3 5885.3258 8634.9585 6250.5333 947.002
41 1.5 2.5 3.5 5885.3259 8834.4091 6364.6986 109.087
42 1.5 2.5 4 5885.3261 8893.5556 6266.4057 988.673
43 1.5 3 3.5 5885.3260 11,628.780 6624.1909 1456.87
44 1.5 3 4 5885.3276 11,628.178 6740.3234 1704.06
45 1.5 3.5 4 5885.3281 8893.5559 7012.4183 1405.91

Table 2.7 Optimization results for the pressure vessel problem

Methods Ts(= × 1) Th(= × 2) R(= × 3) L(= × 4) fcost
GA [17] 0.812500 0.437500 42.097398 176.654050 6059.9463
CPSO [14] 0.812500 0.437500 42.091266 176.746500 6061.0777
ESs [9] 0.812500 0.437500 42.098087 176.640518 6059.7456
CSS [5] 0.812500 0.437500 42.103624 176.572656 6059.0888
CDE [11] 0.812500 0.437500 42.0984 176.6376 6059.7340
IGMM [7] 0.812500 0.437500 42.098445 176.63659 6059.7143
GA3 [13] 0.812500 0.437500 42.0974 176.6540 6059.9463
IACO [18] 0.812500 0.437500 42.098353 176.637751 6059.7258
CE-CBA[15] 0.812500 0.437500 42.09984456 176.6365958 6059.7143
MCSS [6] 0.812500 0.437500 42.107406 176.525589 6058.6233
LWOA [19] 0.778858 0.385321 40.32609 200 5893.339
SSOA [1] 0.778179 0.384660 40.320140 199.999927 5885.3258

2.7 shows that the SSOA finds best results than other considered algorithms, and
constraints are g1 (x) = −2.65E − 07, g2 (x) = −5.87E − 06, g3 (x) = −33.33 and
g4 (x) = −40.00. This indicates that g1 (x) and g2 (x) have controlled optimization
progress more than other constraints. Table 2.8 shows that the SSOA has the least
average and standard deviation in comparison to the other algorithms.

2.4 Numerical Examples

In this section, six numerical examples are provided to examine the performance
of the SSOA on the optimum design of the structures. These examples are divided
into three categories. The first two examples are the size and shape optimization
28 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Table 2.8 Statistical results of different methods for the pressure vessel problem
Methods Best Mean Worst Std Dev
GA [17] 6059.95 6177.25 6469.32 130.9297
CPSO [14] 6061.08 6147.13 6363.8 86.4545
ESs [9] 6059.75 6850 7332.88 426
CSS [5] 6059.09 6067.91 6085.48 10.2564
CDE [11] 6059.73 6085.23 6371.05 43
IACO [18] 6059.7258 6081.7812 6150.1289 67.2418
CE-CBA [15] 6059.7143 6099.9218 6336.3404 104.25721
IGMM [7] 6059.7143 6060.1598 6061.2868 0.5421
MCSS [6] 6058.623 6073.5931 6108.4579 24.6712
LWOA [19] 5893.339 6223.765 7070.343 418.7902
SSOA [1] 5885.3258 5885.4415 5885.9368 0.178

Table 2.9 Parameters setting for the SSOA for truss optimization problems
Problem ∝0 β0 βmax Number of herds Size of herds Maximum iteration
number
25-bar spatial truss 0.5 2.4 2.6 4 4 300
47-bar planer truss 0.5 2 2.3 4 5 1100
72-bar spatial truss 0.5 2.3 2.6 4 5 1000
120-bar dome truss 0.5 2.3 2.6 4 5 1000
272-bar 0.5 2.0 2.3 4 5 700
transmission tower
1016-bar 0.5 2.3 2.7 4 5 600
double-layer grid

of the truss structures. The third and fourth example is the size optimization of the
truss structures with the frequency constraints, and the last two examples are the size
optimization of the truss structure with the stress and displacement constraints. The
results obtained for each example are compared to other optimization techniques. All
numerical examples are run 30 times independently to provide statistically mean-
ingful results. Parameter settings of the SSOA and the number of iteration limits on
numeric examples are listed in Table 2.9.

2.4.1 The 25-Bar Spatial Truss

The first example is layout optimization of the 25-bar spatial truss, as shown in
Fig. 2.5. The optimization problem includes 13 design variables containing 8 discrete
sizing variables for the cross-section areas and 5 continuous layout variables for nodal
2.4 Numerical Examples 29

Fig. 2.5 Schematic of the 25-bar spatial truss

coordinate. All members are subjected to a stress limitation of ± 40 ksi, and all nodal
displacement in all directions is limited to ± 0.35 in. Optimization variables and input
data of this truss are provided in Table 2.10.
Table 2.11 compare the result obtained by the SSOA with the other methods.
According to this table, SSOA has found the solution with the least number of
analyses among the other algorithms. It shows that SSOA can easily escape from
local optima and coverage to the optimum solution easily. The average weight and
standard deviation for 30 independent runs of the SSOA are 122.4073 and 6.3443 lb,
respectively. The optimum layout found by SSOA is shown in Fig. 2.6. Convergence
curves for the best result and the mean performance of 30 independent runs for the
25-bar spatial truss are shown in Fig. 2.7.

2.4.2 The 47-Bar Planer Truss

The 47-bar planer truss shown in Fig. 2.8 is optimized by different researchers for
three load cases given in Table 2.12. The optimization problem includes 44 design
variables containing 27 discrete sizing variables for the cross-section areas and 17
continuous layout variables for nodal coordinates. All members are subjected to
stress limitation in tension and compression of 20 ksi and 15 ksi, respectively. Euler
buckling stresses for compression members (the buckling strength of the ith element)
are set to 3.96EA/L2 , and there is no limitation for node displacement. Optimization
variables and input data of the truss are given in Table 2.12.
30 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Table 2.10 Simulation data for the 25-bar spatial truss

Sizing variables
A1 ; A2 = A3 = A4 = A5 ; A6 = A7 = A8 = A9 ; A10 = A11 ; A12 = A13 ; A14 = A15 = A16 =
A17 ; A18 = A19 = A20 = A21 ; A22 = A23 = A24 = A25
Layout variables
x4 = x5 = −x3 = −x6 ; x8 = x9 = −x7 = −x10 ;
y3 = y4 = −y5 = −y6 ; y7 = y8 = −y9 = −y10 ;
z3 = z4 = z5 = z6
Possible sizing variables
Ai ∈ S = {0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9,
( )
2.0, 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.8, 3.0, 3.2, 3.4} in2
Layout variables bounds
20 in. ≤ x4 ≤ 60 in.;
40 in. ≤ x8 ≤ 80 in.;
40 in. ≤ y4 ≤ 80 in.;
100 in. ≤ y8 ≤ 140 in.;
90 in. ≤ z 4 ≤ 130 in.;
Loads
Nodes Fx (kips) Fy (kips) Fz (kips)
1 1.0 −10 −10
2 0.0 −10 −10
3 0.5 0.0 0.0
6 0.6 0.0 0.0
Young modulus E = 104 (ksi)
( )
Material density ρ = 0.1 lb/in3

The comparison of the optimal design found by this work with optimum designs
obtained by Salajegheh and Vanderplaats [26], Hasançebi and Erbatur [27, 28], and
Panagant and Bureerat [29] is provided in Table 2.13. It can be seen that SSOA found
the lightest weight (1869.876 lb) in less number of analyses (20,020), with average
and standard deviation being 1929.91 lb and 29.55 lb, respectively. The optimum
layout found by SSOA is shown in Fig. 2.9. Figure 2.10 shows the convergence
curves for the best result and the mean performance of 30 independent runs for the
47-bar planar truss.

2.4.3 The 72-Bar Spatial Truss

The third example is the 72-bar spatial truss with the frequency constraint. The
structural members are divided into 16 groups, and their cross-sectional areas are
selected from the range of [0.645, 4] cm2 . The material density and elastic modulus
2.4 Numerical Examples 31

Table 2.11 Optimum result for the 25-bar spatial truss

Design Wu and Kaveh and Tang et al. Rahami Ho-Huu et al. [24] Present
variables Chow [20] Kalatjari [22] et al. [23] work
[21] R-ICDE D-ICDE SSOA
[25]
A1 0.1 0.1 0.1 0.1 0.2 0.1 0.1
A2 0.2 0.1 0.1 0.1 0.2 0.1 0.1
A6 1.1 1.1 1.1 1.1 0.9 0.9 1.0
A10 0.2 0.1 0.1 0.1 0.2 0.1 0.1
A12 0.3 0.1 0.1 0.1 0.2 0.1 0.1
A14 0.1 0.1 0.2 0.1 0.2 0.1 0.1
A18 0.2 0.1 0.2 0.2 0.2 0.1 0.1
A22 0.9 1.0 0.7 0.8 1.0 1.0 0.9
x4 41.07 36.23 35.47 33.0487 36.380 36.83 37.6762
y4 53.47 58.56 60.37 53.5663 57.080 58.53 54.4273
z4 124.6 115.59 129.07 129.9092 126.62 122.67 129.9991
x8 50.80 46.46 45.06 43.7826 48.200 49.21 51.9006
y8 131.48 127.95 137.06 136.8381 139.90 136.74 139.5535
Weight 136.20 124.0 124.943 120.115 145.275 118.76 117.2591
(lb)
No. of N/A N/A 6000 10,000 6000 6000 4816
analyses

Fig. 2.6 Comparison of optimized layout for the 25-bar spatial truss
32 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Fig. 2.7 Convergence histories of the optimization for the 25-bar spatial truss

are 2767.99 kg/m3 and 68.95 GPa. As shown in Fig. 2.11, the nonstructural masses
are added to the last story nodes. There are two frequency constraints. The first
frequency must be 4 Hz, and the minimum value of the third frequency is 6 Hz.
The optimized designs found by Standard CSS [30], Enhanced CSS [30], HS
[31], CBO [32], CS [33], WEO [33], CPA [33], and SSOA are compared in Table
2.14. SSOA has found better results compared to the other methods. Additionally, the
statical result obtained using the SSOA is better than other considered methods. The
first five natural frequencies of optimum design are given in Table 2.15. According
to this table, frequency constraint is satisfied in all of the methods. The convergence
history of the SSOA is given in Fig. 2.12.

2.4.4 The 120-Bar Dome Truss

The 120-bar dome truss is the second example with the frequency constraint consid-
ered in this chapter. The members are divided into the 7 groups, as shown in Fig. 2.13,
and their cross-sectional areas are varied between 1 and 129.3 cm2 . The material
density is 7971.810 kg/m3 , and the modulus of elasticity is 210 GPa. The 3000 kg
nonstructural masses are added at node 1. The 500 nonstructural masses are added
at nodes 2–13, and 100 kg nonstructural masses are added to the remaining nodes.
The frequency constraints are as

f 1 ≥ 9Hz and f 2 ≥ 11H z

2.4 Numerical Examples 33

Fig. 2.8 Schematic of the 47-bar planer truss

34 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Table 2.12 Simulation data

Sizing variables
for the 47-bar planar truss
A3 = A1 ; A4 = A2 ; A5 = A6 ; A7 ; A8 = A9 ; A10 ; A12 = A11 ;
A14 = A13 ; A15 = A16 ; A18 = A17 ; A20 = A19 ; A22 = A21 ;
A24 = A23 ; A26 = A25 ; A27 ; A28 ; A30 = A29 ; A31 = A32 ; A33 ;
A35 = A34 ; A36 = A37 ; A38 ; A40 = A39 ; A41 = A42 ; A43 ; A45
= A44 ; A46 = A47
Layout variables
x2 = −x1 ; x4 = −x3 ; y4 = y3 ; x6 = −x5 ; y6 = y5 ; x8 =
−x7 ; y8 = y7 ; x10 = −x9 ;
y10 = y9 ; x12 = −x11 ; y12 = y11 ; x14 = −x13 ; y14 =
y13 ; x20 = −x19 ; y20 = y19 ;
x21 = −x18 ; y21 = y18
Possible sizing variables
( )
Ai ∈ S = {0.1, 0.2, 0.3, 0.4, . . . , 4.8, 4.9, 5.0} in2
Loads
case Nodes Fx (kips) Fy (kips)
1 17 6.0 −14.0
22 6.0 −14.0
2 17 6.0 −14.0
3 22 6.0 −14.0
Young modulus E = 3 × 104 (ksi)
( )
Material density ρ = 0.3 lb/in3

The comparison of the results of the SSOA with the other optimization method is
provided in Table 2.16. The best weight is 8707.32 kg which is found by the SSOA.
The SSOA also finds the minimum average weight. In the term standard deviation,
the best result obtained by the OMGSA and the SSOA is second place. According
to Table 2.17, all of the constraints is satisfied in the optimum weight found by the
SSOA. The convergence history of the SSOA is given in Fig. 2.14.

2.4.5 A 272-Bar Transmission Tower

The 272-bar transmission tower presented by Kaveh and Massoudi [37],as shown
in Fig. 2.15. All nodal coordinates and end nodes of the member are presented in
Ref. [37]. Members are divided into 28 groups because of symmetry, as shown in
Fig. 2.15. In this chapter, we imposed 11 load cases for the basic load case, as shown
in Table 2.18. The displacement of nodes 1, 2, 11, 20, 29 in Z-direction is limited to
20 mm, and in X- and Y-directions is limited to 100 mm. The modulus of elasticity
is 2 × 108 kN/m2 , and the maximum available stresses for all member is ± 275,000
kN/m2 .
2.4 Numerical Examples 35

Table 2.13 Optimum result for the 47-bar planar truss

Design Salajegheh Hasançebi and Hasançebi and Panagant and Present work
variables and Erbatur [27] Erbatur [28] Bureerat [29] SSOA [25]
Vanderplaats
[26]
A3 2.61 2.5 2.5 2.7 2.8
A4 2.56 2.2 2.5 2.6 2.5
A5 0.69 0.7 0.8 0.7 0.7
A7 0.47 0.1 0.1 0.1 0.1
A8 0.80 1.3 0.7 0.8 1.0
A10 1.13 1.3 1.3 1.2 1.1
A12 1.71 1.8 1.8 1.7 1.8
A14 0.77 0.5 0.7 0.8 0.7
A15 1.09 0.8 0.9 0.9 0.8
A18 1.34 1.2 1.2 1.3 1.5
A20 0.36 0.4 0.4 0.3 0.4
A22 0.97 1.2 1.3 1.0 1.0
A24 1.00 0.9 0.9 1.0 1.1
A26 1.03 1.0 0.9 1.0 1.0
A27 0.88 3.6 0.7 0.9 5.0
A28 0.55 0.1 0.1 0.1 0.1
A30 2.59 2.4 2.5 2.6 2.7
A31 0.84 1.1 1.0 0.9 0.9
A33 0.25 0.1 0.1 0.1 0.1
A35 2.86 2.7 2.9 2.8 3.0
A36 0.92 0.8 0.8 1.1 0.8
A38 0.67 0.1 0.1 0.1 0.1
A40 3.06 2.8 3.0 3.0 3.2
A41 1.04 1.3 1.2 1.1 1.1
A43 0.10 0.2 0.1 0.1 0.1
A45 3.13 3.0 3.2 3.1 3.3
A46 1.12 1.2 1.1 1.1 1.1
x2 107.76 114 104 109.61 100.5396
x4 89.15 97 87 93.078 81.0279
y4 137.98 125 128 126.65 137.2003
x6 66.75 76 70 70.752 63.8334
y6 254.47 261 259 246.32 254.1838
x8 57.38 69 62 56.172 56.1445
y8 342.16 316 326 356.26 327.9040
x10 49.85 56 53 48.498 48.2708
(continued)
36 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Table 2.13 (continued)

Design Salajegheh Hasançebi and Hasançebi and Panagant and Present work
variables and Erbatur [27] Erbatur [28] Bureerat [29] SSOA [25]
Vanderplaats
[26]
y10 417.17 414 412 436.37 407.5132
x12 44.66 50 47 42.37 42.4458
y12 475.35 463 486 490.66 468.8267
x14 41.09 54 45 41.61 45.8692
y14 513.15 524 504 521.04 515.2907
x20 17.90 1.0 2.0 1.4026 0.0010
y20 597.92 587 584 597.36 586.9443
x21 93.54 99 89 95.312 80.7351
y21 623.94 631 637 625.99 621.5769
Weight 1900 1925.79 1871.7 1871.7 1869.876
(lb)
No. of 100,000 N/A 187,488 22,020
analyses

Fig. 2.9 Comparison of

optimized layout for the
47-bar planar truss
2.4 Numerical Examples 37

Fig. 2.10 Convergence histories of the optimization for the 47-bar planar truss

Fig. 2.11 Schematic of the 72-bar spatial truss

The optimum volume found by the SSOA is presented in Table 2.19. SSOA found
optimum volume after 14,020 analyses. The maximum stress ratio is 0.7639, which
has happened in load case 10 in element 169, and the maximum displacement is −
20 mm for node 11 in Z-direction in load case 3. Displacement for nodes 1, 2, 11,
20, 29 are shown in Fig. 2.16. Figure 2.17 shows the convergence curves for the best
result and the mean performance of 30 independent runs for the 272-bar transmission
tower.
38 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Table 2.14 Optimum result for the 72-bar spatial truss

Members Standard Enhanced HS [31] CBO CS [33] WEO CPA [33] Present
in the CSS CSS [30] [32] [33] work
group [30] SSOA
1–4 2.528 2.522 3.6803 3.7336 3.2273 3.4301 3.7438 3.4900
5–12 8.704 9.109 7.6808 7.9355 7.7472 7.8474 7.8904 8.0313
13–16 0.645 0.648 0.6450 0.6450 0.6450 0.6508 0.6450 0.6455
17–18 0.645 0.645 0.6450 0.6450 0.6450 0.6527 0.6450 0.6452
19–22 8.283 7.946 9.4955 8.3765 8.4921 8.0996 8.6836 8.1095
23–30 7.888 7.703 8.2870 8.0889 8.0895 7.9830 8.0373 7.8763
31–34 0.645 0.647 0.6450 0.6450 0.6450 0.6543 0.6450 0.6454
35–36 0.645 0.6456 0.6461 0.6450 0.6749 0.6502 0.6457 0.6452
37–40 14.666 13.465 11.4510 12.9491 12.9831 12.6499 12.2459 12.5289
41–48 6.793 8.250 7.8990 8.0524 7.9272 8.0932 8.1989 8.0794
49–52 0.645 0.645 0.6473 0.6450 0.6450 0.6587 0.6450 0.6450
53–54 0.645 0.646 0.6450 0.6450 0.6476 0.6555 0.6450 0.6490
55–58 16.464 18.368 17.4060 16.6629 17.0308 17.5009 17.0873 17.5636
59–66 8.809 7.053 8.2736 8.0557 8.3732 8.1990 7.9965 8.1336
67–70 0.645 0.645 0.6450 0.645 0.6450 0.6489 0.6450 0.6466
71–72 0.645 0.646 0.6450 0.645 0.6450 0.6878 0.6450 0.6456
Best 328.814 328.393 328.334 327.740 327.87 327.86 327.74 327.62
weight
(kg)
Average 337.70 335.77 332.64 328.20 342.98 352.80 338.93 327.71
weight
(kg)
Standard 5.42 7.20 2.39 0.54 44.31 65.25 34.60 0.0697
deviation

Table 2.15 Natural frequencies (Hz) evaluated at the optimum designs of the 72-bar spatial truss
Frequency Standard Enhanced HS [31] CBO CS [33] WEO CPA Present
number CSS [30] CSS [30] [32] [33] [33] work
SSOA
1 4.000 4.000 4.0000 4.000 4.0003 4.0000 4.0000 4.0000
2 4.000 4.000 4.0000 4.000 4.0003 4.0000 4.0000 4.0000
3 6.006 6.004 6.0000 6.000 6.0001 6.0002 6.0000 6.0000
4 6.210 6.155 6.2723 6.267 6.2502 6.2614 6.2696 6.2452
5 6.684 8.390 9.0749 9.101 9.0143 9.0780 9.0981 9.0761
2.4 Numerical Examples 39

Fig. 2.12 Convergence histories of the optimization for the 72-bar spatial truss

2.4.6 A 1016-Bar Double-Layer Grid

Design optimization of double-layer grid with the configuration of a square on diag-

onal grid investigated in this section, as shown in Fig. 2.18. A span is 40 × 40 m,
and height is equal to 3 m. All connections assumed to be ball jointed. This grid
has 1016 members and 320 nodes, and simple support conditions are employed for
the bottom layer at the nodes demonstrated in Fig. 2.18a. Each top layer joint is
subjected to a concentrated vertical load of 30 kN. The elements are divided into 25
groups which are selected from the list of steel pipe sections in the manual of steel
construction, as given in Table 2.20. The modulus of elasticity is 205 GPa, the yield
stress is 248.2 MPA, and the material density is 7833.413 kg/m3 . Displacement limi-
tation is 20/3 cm were imposed on all nodes in the vertical direction, and limitation
on stress and stability of truss elements are imposed according to the provisions of
AISC 360-10 [38] as follows.
Tension member constraint

∅t Fy A g ; ∅t = 0.9
pu ≤ pr ; pr = min
∅t Fu Ae ; ∅t = 0.75

where pu is the required strength; pr is the nominal axial strength; A g is gross area of
member; Ae effective net area; Fy specified minimum yield stress and Fu is specified
minimum tensile strength.
Compression member constraint

pu ≤ pr ; pr = ∅c Fcr A g ; ∅c = 0.9
40 2 Shuffled Shepherd Optimization Method: A New Meta-Heuristic …

Fig. 2.13 Schematic of the 120-bar dome truss

⎧( Fy
) √
⎨ 0.658 Fe Fy ; KL
≤ 4.71 FEy
Fcr =
r
√
⎩ 0.877∗Fe ; KL
> 4.71 FEy
r

π2E
Fe = ( )2
KL
r

where Fe is elastic bulking stress; Fcr is critical stress; E is the modulus of elasticity;
L laterally unbraced length of the member; r is radius of gyration and K is effective
length factor taken equal to 1.
Random documents with unrelated
content Scribd suggests to you:
Allez, Seigneur, défendre aux vôtres de durer:1690
Ennuyez-vous de soupirer,
Craignez de trop souffrir, et trouvez en vous-même
L'art de ne plus aimer dès qu'on perd ce qu'on aime.
Je souffrirai pour vous, et ce nouveau malheur,
De tous mes maux le plus funeste, 1695
D'un trait assez perçant armera ma douleur
Pour trancher de mes jours le déplorable reste.

COTYS.

Que dites-vous, Madame? et par quel sentiment....

CLÉON [65].

Spitridate, Seigneur, et Lysander vous prient

De vouloir avec eux conférer un moment. 1700

MANDANE.

Allez, Seigneur, allez, puisqu'ils vous en convient.

Aimez, cédez, souffrez, ou voyez si les Dieux
Voudront vous inspirer quelque chose de mieux.

FIN DU QUATRIÈME ACTE.

 ACTE V.

SCÈNE PREMIÈRE.

AGÉSILAS, XÉNOCLÈS.

XÉNOCLÈS.

Je remets en vos mains et l'une et l'autre lettre

Que l'esclave Damis aux miennes vient de mettre. 1705
Vous y verrez, Seigneur, quels sont les attentats....
(Il lui donne deux lettres, dont il lit l'inscription.)

AGÉSILAS.

AU SÉNATEUR CRATÈS, A L'ÉPHORE ARSIDAS.

Spitridate et Cotys sont de l'intelligence?

XÉNOCLÈS.

Non; il s'est caché d'eux en cette conférence;

Il a plaint leur malheur, et de tout son pouvoir;1710
Mais sa prudence enfin tous deux vous les renvoie,
Sans leur donner aucun espoir
D'obtenir que de vous ce qui feroit leur joie.

AGÉSILAS.

Par cette déférence il croit les mieux aigrir;

Et rejetant sur moi ce qu'ils ont à souffrir.... 1715
 XÉNOCLÈS.

Vous avez mandé Spitridate,

Il entre ici.

AGÉSILAS.

Gardons qu'à ses yeux rien n'éclate.

SCÈNE II.

AGÉSILAS, SPITRIDATE, XÉNOCLÈS.

AGÉSILAS.

Aglatide, Seigneur, a-t-elle encor vos vœux?

SPITRIDATE.

Non, Seigneur; mais enfin ils ne vont pas loin d'elle,

Et sa sœur a fait naître une flamme nouvelle 1720
En la place des premiers feux.

AGÉSILAS.

Elpinice?

SPITRIDATE.

Elle-même.

AGÉSILAS.

Ainsi toujours pour gendre

Vous vous donnez à Lysander?
 SPITRIDATE.

Seigneur, contre l'amour peut-on bien se défendre?

A peine attaque-t-il qu'on brûle de se rendre: 1725
Le plus ferme courage est ravi de céder;
Et j'ai trouvé ma foi plus facile à reprendre
Que mon cœur à redemander.

AGÉSILAS.

Si vous considériez....

SPITRIDATE.

Seigneur, que considère

Un cœur d'un vrai mérite heureusement charmé? 1730
L'amour n'est plus amour sitôt qu'il délibère,
Et vous le sauriez trop si vous aviez aimé.

AGÉSILAS.

Seigneur, j'aimois à Sparte et j'aime dans Éphèse.

L'un et l'autre objet est charmant;
Mais bien que l'un m'ait plu, bien que l'autre me plaise, 1735
Ma raison m'en a su défendre également.

SPITRIDATE.

La mienne suivroit mieux un plus commun exemple.

Si vous aimez, Seigneur, ne vous refusez rien,
Ou souffrez que je vous contemple
Comme un cœur au-dessus du mien. 1740
Des climats différents la nature est diverse:
La Grèce a des vertus qu'on ne voit point en Perse.
Permettez qu'un Persan n'ose vous imiter,
Que sur votre partage il craigne d'attenter,
Qu'il se contente à moins de gloire, 1745
Et trouve en sa foiblesse un destin assez doux
Pour ne point envier cette haute victoire,
Que vous seul avez droit de remporter sur vous.

AGÉSILAS.

Mais de mon ennemi rechercher l'alliance!

SPITRIDATE.

De votre ennemi!

AGÉSILAS.

Non, Lysander ne l'est pas; 1750

Mais s'il faut vous le dire, il y court à grands pas.

SPITRIDATE.

C'en est assez: je dois me faire violence

Et renonce à plus croire ou mes yeux, ou mon cœur.
Ne m'ordonnez-vous rien sur l'hymen de ma sœur?
Cotys l'aime.

AGÉSILAS.

Il est roi, je ne suis pas son maître;1755

Et Mandane ni vous n'êtes pas mes sujets.
L'aime-t-elle?

SPITRIDATE.

Il se peut. Lui ferai-je connoître

Que vous auriez d'autres projets?

AGÉSILAS.

C'est me connoître mal; je ne contrains personne.

 SPITRIDATE.

Peut-être qu'elle n'aime encor que sa couronne; 1760

Et je ne sais pas bien où pencheroit son choix,
Si le ciel lui donnoit à choisir de deux rois.
Vous l'avez jusqu'ici de tant d'honneurs comblée,
De tant de faveurs accablée,
Qu'à vos ordres ses vœux sans peine assujettis.... 1765

AGÉSILAS.

L'ingrate!

SPITRIDATE.

Je réponds de sa reconnoissance,
Et qu'elle ne consent à l'espoir de Cotys
Que pour le maintenir dans votre dépendance.
Pourroit-elle, Seigneur, davantage pour vous [66]?

AGÉSILAS.

Non; mais qui la pressoit de choisir un époux? 1770

SPITRIDATE.

L'occasion d'un roi, Seigneur, est bien pressante.

Les plus dignes objets ne l'ont pas chaque jour;
Elle échappe à la moindre attente
Dont on veut éprouver l'amour.
A moins que de la prendre au moment qu'elle arrive, 1775
On s'expose aux périls de l'accepter trop tard,
Et l'asile est si beau pour une fugitive,
Qu'elle ne peut sans crime en rien mettre au hasard.

AGÉSILAS.
Elle eût peu hasardé peut-être pour attendre.

SPITRIDATE.

Voyoit-elle en ces lieux un plus illustre espoir?1780

AGÉSILAS.

Comme l'amour n'entend que ce qu'il veut entendre,

Il ne voit que ce qu'il veut voir.
Si je l'ai jusqu'ici de tant d'honneurs comblée,
De tant de faveurs accablée,
Ces faveurs, ces honneurs ne lui disoient-ils rien?1785
Elle les entendoit [67] trop bien en dépit d'elle:
Mais l'ingrate! mais la cruelle!...
Seigneur, à votre tour vous m'entendez trop bien.
Qu'elle aille chez Cotys partager sa couronne;
Je n'y mets point d'obstacle, et n'en veux rien savoir:1790
Soit que l'ambition, soit que l'amour la donne,
Vous avez tous deux tout pouvoir.
Si pourtant vous m'aimiez....

SPITRIDATE.

Soyez sûr de mon zèle.

Ma parole à Cotys est encore à donner.
Mais si cet hyménée a de quoi vous gêner, 1795
Mandane que deviendra-t-elle?

AGÉSILAS.

Allez, encore un coup, allez en d'autres lieux

Épargner par pitié cette gêne à mes yeux;
Sauvez-moi du chagrin de montrer que je l'aime.

SPITRIDATE.
Elle vient recevoir vos ordres elle-même. 1800

SCÈNE III.

AGÉSILAS, SPITRIDATE, MANDANE,

XÉNOCLÈS.

AGÉSILAS.

O vue! ô sur mon cœur regards trop absolus!

Que vous allez troubler mes vœux irrésolus!
Ne partez pas, Madame. O ciel! j'en vais trop dire.

MANDANE.

Je conçois mal, Seigneur, de quoi vous me parlez.

Moi partir?

AGÉSILAS.

Oui, partez, encor que j'en soupire. 1805

Que ce mot ne peut-il suffire!

MANDANE.

Je conçois encor moins pourquoi vous m'exilez.

AGÉSILAS.

J'aime trop à vous voir et je vous ai trop vue:

C'est, Madame, ce qui me tue.
Partez, partez, de grâce.

MANDANE.

Où me bannissez-vous? 1810
 AGÉSILAS.

Nommez-vous un exil le trône d'un époux?

MANDANE.

Quel trône, et quel époux?

AGÉSILAS.

Cotys....

MANDANE.

Je crois qu'il m'aime;

Mais si je vous regarde ici comme mon roi
Et comme un protecteur que j'ai choisi moi-même,
Puis-je sans votre aveu l'assurer de ma foi? 1815
Après tant de bontés et de marques d'estime,
A vous moins déférer je croirois faire un crime;
Et mon âme....

AGÉSILAS.

Ah! c'est trop déférer, et trop peu.

Quoi? pour cet hyménée exiger mon aveu!

MANDANE.

Jusque-là mon bonheur n'aura qu'incertitude; 1820

Et bien qu'une couronne éblouisse aisément....

SPITRIDATE.

Ma sœur, il faut parler un peu plus clairement:

Le Roi s'est plaint à moi de votre ingratitude.

MANDANE.
Et je me plains à lui des inégalités
Qu'il me force de voir lui-même en ses bontés.1825
Tout ce que pour un autre a voulu ma prière,
Vous me l'avez, Seigneur, et sur l'heure accordé [68];
Et pour mes intérêts ce qu'on a demandé
Prête à de prompts refus une digne matière!

AGÉSILAS.

Si vous vouliez avoir des yeux1830

Pour voir de ces refus la véritable cause....

SPITRIDATE.

N'est-ce pas assez dire, et faut-il autre chose?

Voyez mieux sa pensée, ou répondez-y mieux.
Ces refus obligeants veulent qu'on les entende:
Ils sont de ses faveurs le comble, et la plus grande. 1835
Tout roi qu'est votre amant, perdez-le sans ennui,
Lorsqu'on vous en destine un plus puissant que lui.
M'en désavouerez-vous, Seigneur?

AGÉSILAS.

Non, Spitridate.
C'est inutilement que ma raison me flatte:
Comme vous j'ai mon foible; et j'avoue à mon tour 1840
Qu'un si triste secours défend mal de l'amour.
Je vois par mon épreuve avec quelle injustice
Je vous refusois Elpinice:
Je cesse de vous faire une si dure loi.
Allez; elle est à vous, si Mandane est à moi. 1845
Ce que pour Lysander je semble avoir de haine
Fera place aux douceurs de cette double chaîne,
Dont vous serez le nœud commun;
Et cet heureux hymen, accompagné du vôtre,
Nous rendant entre nous garant de l'un vers l'autre,1850
 Réduira nos trois cœurs en un.
Madame, parlez donc.

SPITRIDATE.

Seigneur, l'obéissance
S'exprime assez par le silence.
Trouvez bon que je puisse apprendre à Lysander
La grâce qu'à ma flamme il vous plaît d'accorder.1855

SCÈNE IV.

AGÉSILAS, MANDANE, XÉNOCLÈS.

AGÉSILAS.

En puis-je pour la mienne espérer une égale,

Madame? ou ne sera-ce en effet qu'obéir?

MANDANE.

Seigneur, je croirois vous trahir

Et n'avoir pas pour vous une âme assez royale,
Si je vous cachois rien des justes sentiments1860
Que m'inspire le ciel pour deux rois mes amants.
J'ai vu que vous m'aimiez; et sans autre interprète
J'en ai cru vos faveurs qui m'ont si peu coûté;
J'en ai cru vos bontés, et l'assiduité
Qu'apporte à me chercher votre ardeur inquiète. 1865
Ma gloire y vouloit consentir;
Mais ma reconnoissance a pris soin de la vôtre.
Vos feux la hasardoient, et pour les amortir
J'ai réduit mes desirs à pencher vers un autre.
Pour m'épouser, vous le pouvez, 1870
Je ne saurois former de vœux plus élevés;
Mais avant que juger ma conquête assez haute,
De l'œil dont il faut voir ce que vous vous devez,
Voyez ce qu'elle donne, ou plutôt ce qu'elle ôte.
Votre Sparte si haut porte sa royauté, 1875
Que tout sang étranger la souille et la profane:
Jalouse de ce trône où vous êtes monté,
Y faire seoir une Persane,
C'est pour elle une étrange et dure nouveauté;
Et tout votre pouvoir ne peut m'y donner place, 1880
Que vous n'y renonciez pour toute votre race.
Vos éphores peut-être oseront encor plus;
Et si votre sénat avec eux se soulève,
Si de me voir leur reine indignés et confus,
Ils m'arrachent d'un trône où votre choix m'élève.... 1885
Pensez bien à la suite avant que d'achever,
Et si ce sont périls que vous deviez braver.
Vous les voyez si bien que j'ai mauvaise grâce
De vous en faire souvenir;
Mais mon zèle a voulu cette indiscrète audace, 1890
Et moi je n'ai pas cru devoir la retenir.
Que la suite, après tout, vous flatte ou vous traverse,
Ma gloire est sans pareille aux yeux de l'univers,
S'il voit qu'une Persane au vainqueur de la Perse
Donne à son tour des lois, et l'arrête en ses fers. 1895
Comme votre intérêt m'est plus considérable,
Je tâche de vous rendre à des destins meilleurs.
Mon amour peut vous perdre, et je m'attache ailleurs,
Pour être pour vous moins aimable.
Voilà ce que devoit un cœur reconnoissant. 1900
Quant au reste, parlez en maître,
Vous êtes ici tout-puissant.

AGÉSILAS.

Quand peut-on être ingrat, si c'est là reconnoître?

Et que puis-je sur vous si le cœur n'y consent?
 MANDANE.

Seigneur, il est donné; la main n'est pas donnée; 1905

Et l'inclination ne fait pas l'hyménée.
Au défaut de ce cœur, je vous offre une foi
Sincère, inviolable, et digne enfin de moi.
Voyez si ce partage aura pour vous des charmes.
Contre l'amour d'un roi c'est assez raisonner. 1910
J'aime, et vais toutefois attendre sans alarmes
Ce qu'il lui plaira m'ordonner.
Je fais un sacrifice assez noble, assez ample,
S'il en veut un en ce grand jour;
Et s'il peut se résoudre à vaincre son amour,1915
J'en donne à son grand cœur un assez haut exemple.
Qu'il écoute sa gloire ou suive son desir,
Qu'il se fasse grâce ou justice,
Je me tiens prête à tout, et lui laisse à choisir
De l'exemple ou du sacrifice. 1920

SCÈNE V.

AGÉSILAS, XÉNOCLÈS.

AGÉSILAS.

Qu'une Persane m'ose offrir un si grand choix!

Parmi nous qui traitons la Perse de barbare,
Et méprisons jusqu'à ses rois,
Est-il plus haut mérite? est-il vertu plus rare?
Cependant mon destin à ce point est amer, 1925
Que plus elle mérite, et moins je dois l'aimer;
Et que plus ses vertus sont dignes de l'hommage
Que rend toute mon âme à cet illustre objet,
Plus je la dois fermer à tout autre projet
Qu'à celui d'égaler sa grandeur de courage. 1930
 XÉNOCLÈS.

Du moins vous rendre heureux, ce n'est plus hasarder.

Puisqu'un si digne amour fait grâce à Lysander,
Il n'a plus lieu de se contraindre:
Vous devenez par là maître de tout l'État;
Et ce grand homme à vous, vous n'avez plus à craindre1935
Ni d'éphores ni de sénat.

AGÉSILAS.

Je n'en suis pas encor d'accord avec moi-même.

J'aime; mais, après tout, je hais autant que j'aime;
Et ces deux passions qui règnent tour à tour
Ont au fond de mon cœur si peu d'intelligence, 1940
Qu'à peine immole-t-il la vengeance à l'amour,
Qu'il voudroit immoler l'amour à la vengeance.
Entre ce digne objet et ce digne ennemi,
Mon âme incertaine et flottante,
Quoi que l'un me promette, et quoi que l'autre attente, 1945
Ne se peut ni dompter, ni croire qu'à demi:
Et plus des deux côtés je la sens balancée,
Plus je vois clairement que si je veux régner,
Moi qui de Lysander vois toute la pensée,
Il le faut tout à fait ou perdre ou regagner;1950
Qu'il est temps de choisir.

XÉNOCLÈS.

Qu'il seroit magnanime

De vaincre et la vengeance et l'amour à la fois!

AGÉSILAS.

Il faudroit, Xénoclès, une âme plus sublime.

XÉNOCLÈS.
Il ne faut que vouloir: tout est possible aux rois.

AGÉSILAS.

Ah! si je pouvois tout, dans l'ardeur qui me presse1955

Pour ces deux passions qui partagent mes vœux,
Peut-être aurois-je la foiblesse
D'obéir à toutes les deux.

SCÈNE VI.

AGÉSILAS, LYSANDER, XÉNOCLÈS.

LYSANDER.

Seigneur, il vous a plu disposer d'Elpinice;

Nous devons, elle et moi, beaucoup à vos bontés;1960
Et je serai ravi qu'elle vous obéisse,
Pourvu que de Cotys les vœux soient acceptés.
J'en ai donné parole, il y va de ma gloire.
Spitridate, sans lui, ne sauroit être heureux;
Et donner mon aveu, s'ils ne le sont tous deux,1965
C'est faire à mon honneur une tache trop noire.
Vous pouvez nous parler en roi.
Ma fille vous doit plus qu'à moi:
Commandez, elle est prête, et je saurai me taire.
N'exigez rien de plus d'un père. 1970
Il a tenu toujours vos ordres à bonheur;
Mais rendez-lui cette justice
De souffrir qu'il emporte au tombeau cet honneur,
Qui fait l'unique prix de trente ans de service.

AGÉSILAS.

Oui, vous l'y porterez, et du moins de ma part 1975

Ce précieux honneur ne court aucun hasard.
On a votre parole, et j'ai donné la mienne;
Et pour faire aujourd'hui que l'une et l'autre tienne,
Il faut vaincre un amour qui m'étoit aussi doux
Que votre gloire l'est pour vous, 1980
Un amour dont l'espoir ne voyoit plus d'obstacle.
Mais enfin il est beau de triompher de soi,
Et de s'accorder ce miracle,
Quand on peut hautement donner à tous la loi,
Et que le juste soin de combler notre [69] gloire 1985
Demande notre cœur pour dernière victoire.
Un roi né pour l'éclat des grandes actions
Dompte jusqu'à ses passions,
Et ne se croit point roi, s'il ne fait sur lui-même
Le plus illustre essai de son pouvoir suprême. 1990
(A Xénoclès.)
Allez dire à Cotys que Mandane est à lui;
Que si mes feux aux siens ne l'ont pas accordée,
Pour venger son amour de ce moment d'ennui,
Je veux la lui céder comme il me l'a cédée.
Oyez de plus.
(Il parle à l'oreille à Xénoclès, qui s'en va [70].)

SCÈNE VII.

AGÉSILAS, LYSANDER.

AGÉSILAS.

Eh bien! vos mécontentements 1995

Me seront-ils encore à craindre?
Et vous souviendrez-vous des mauvais traitements
Qui vous avoient donné tant de lieu de vous plaindre?
 LYSANDER.

Je vous ai dit, Seigneur, que j'étois tout à vous;

Et j'y suis d'autant plus, que malgré l'apparence, 2000
Je trouve des bontés qui passent l'espérance,
Où je n'avois cru voir que des soupçons jaloux.

AGÉSILAS.

Et que va devenir cette docte harangue

Qui du fameux Cléon doit ennoblir la langue [71]?

LYSANDER.

Seigneur....

AGÉSILAS.

Nous sommes seuls, j'ai chassé Xénoclès:2005

Parlons confidemment. Que venez-vous d'écrire
A l'éphore Arsidas, au sénateur Cratès?
Je vous défère assez pour n'en vouloir rien lire [72];
Tout est encor fermé. Voyez.

LYSANDER.

Je suis coupable,
Parce qu'on me trahit, que l'on vous sert trop bien, 2010
Et que par un effort de prudence admirable,
Vous avez su prévoir de quoi seroit capable,
Après tant de mépris, un cœur comme le mien.
Ce dessein toutefois ne passera pour crime
Que parce qu'il est sans effet; 2015
Et ce qu'on va nommer forfait
N'a rien qu'un plein succès n'eût rendu légitime.
Tout devient glorieux pour qui peut l'obtenir,
Et qui le manque est à punir.
 AGÉSILAS.

Non, non; j'aurois plus fait peut-être en votre place: 2020

Il est naturel aux grands cœurs
De sentir vivement de pareilles rigueurs;
Et vous m'offenseriez de douter de ma grâce.
Comme roi, je la donne, et comme ami discret
Je vous assure du secret. 2025
Je remets en vos mains tout ce qui vous peut nuire.
Vous m'avez trop servi pour m'en trouver ingrat;
Et d'un trop grand soutien je priverois l'État
Pour des ressentiments où j'ai su vous réduire.
Ma puissance établie et mes droits conservés 2030
Ne me laissent point d'yeux pour voir votre entreprise.
Dites-moi seulement avec même franchise,
Vous dois-je encor bien plus que vous ne me devez?

LYSANDER.

Avez-vous pu, Seigneur, me devoir quelque chose?

Qui sert le mieux son roi ne fait que son devoir. 2035
En vous de tout l'État j'ai défendu la cause,
Quand je l'ai fait tomber dessous votre pouvoir.
Le zèle est tout de feu quand ce grand devoir presse;
Et comme à le moins suivre on s'en acquitte mal,
Le mien vous servit moins qu'il ne servit la Grèce,2040
Quand j'en sus ménager les cœurs avec adresse
Pour vous en faire général.
Je vous dois cependant et la vie et ma gloire;
Et lorsqu'un dessein malheureux
Peut me coûter le jour et souiller ma mémoire, 2045
La magnanimité de ce cœur généreux....

AGÉSILAS.

Reprochez-moi plutôt toutes mes injustices,

Que de plus ravaler de si rares services.
Elles ont fait le crime, et j'en tire ce bien,
Que j'ai pu m'acquitter et ne vous dois plus rien.2050
A présent que la gratitude
Ne peut passer pour dette en qui s'est acquitté [73],
Vos services, payés d'un traitement si rude,
Vont recevoir de moi ce qu'ils ont mérité.
S'ils ont su conserver un trône en ma famille,2055
J'y veux par mon hymen faire seoir votre fille:
C'est ainsi qu'avec vous je puis le partager.

LYSANDER.

Seigneur, à ces bontés, que je n'osois attendre,

Que puis-je....

AGÉSILAS.

Jugez-en comme il en faut juger,

Et surtout commencez d'apprendre2060
Que les rois sont jaloux du souverain pouvoir,
Qu'ils aiment qu'on leur doive, et ne peuvent devoir,
Que rien à leurs sujets n'acquiert l'indépendance,
Qu'ils règlent à leur choix l'emploi des plus grands cœurs;
Qu'ils ont pour qui les sert des grâces, des faveurs,
Et qu'on n'a jamais droit sur leur reconnoissance.
Prenons dorénavant, vous et moi, pour objet,
Les devoirs qu'il faudra l'un à l'autre nous rendre:
N'oubliez pas ceux d'un sujet [74],
Et j'aurai soin de ceux d'un gendre. 2070

SCÈNE VIII.

AGÉSILAS, LYSANDER, AGLATIDE conduite

par XÉNOCLÈS.
 AGLATIDE.

Sur un ordre, Seigneur, reçu de votre part,

Je viens, étonnée et surprise
De voir que tout d'un coup un roi m'en favorise,
Qui me daignoit à peine honorer d'un regard.

AGÉSILAS.

Sortez d'étonnement. Les temps changent, Madame, 2075

Et l'on n'a pas toujours mêmes yeux ni même âme.
Pourriez-vous de ma main accepter un époux?

AGLATIDE.

Si mon père y consent, mon devoir me l'ordonne;

Ce me sera trop d'heur de le tenir de vous.
Mais avant que savoir quelle en est la personne,2080
Pourrois-je vous parler avec la liberté
Que me souffroit à Sparte un feu trop écouté,
Alors qu'il vous plaisoit, ou m'aimer, ou me dire
Qu'en votre cœur mes yeux s'étoient fait un empire?
Non que j'y pense encor; j'apprends de vous, Seigneur, 2085
Qu'on change avec le temps, d'âme, d'yeux et de cœur.

AGÉSILAS.

Rappelez ces beaux jours pour me parler sans feindre;

Mais si vous le pouvez, Madame, épargnez-moi.

AGLATIDE.

Ce seroit sans raison que j'oserois m'en plaindre:

L'amour doit être libre, et vous êtes mon roi. 2090
Mais puisque jusqu'à vous vous m'avez fait prétendre,
N'obligez point, Seigneur, cet espoir à descendre,
Et ne me faites point de lois
Qui profanent l'honneur de votre premier choix.
J'y trouvois pour moi tant de gloire, 2095
J'en chéris à tel point la flatteuse mémoire,
Que je regarderois comme un indigne époux
Quiconque m'offriroit un moindre rang que vous.
Si cet orgueil a quelque crime,
Il n'en faut accuser que votre trop d'estime:2100
Ce sont des sentiments que je ne puis trahir.
Après cela, parlez; c'est à moi d'obéir.

AGÉSILAS.

Je parlerai, Madame, avec même franchise.

J'aime à voir cet orgueil que mon choix autorise
A dédaigner les vœux de tout autre qu'un roi: 2105
J'aime cette hauteur en un jeune courage;
Et vous n'aurez point lieu de vous plaindre de moi,
Si votre heureux destin dépend de mon suffrage.

SCÈNE IX.

AGÉSILAS, LYSANDER, COTYS, SPITRIDATE,

MANDANE, ELPINICE, AGLATIDE, XÉNOCLÈS.

COTYS.

Seigneur, à vos bontés nous venons consacrer,

Et Mandane et moi, notre vie. 2110

SPITRIDATE.

De pareilles faveurs, Seigneur, nous font rentrer

Pour vous faire voir même envie.

AGÉSILAS.
 Je vous ai fait justice à tous,
Et je crois que ce jour vous doit être assez doux,
Qui de tous vos souhaits à votre gré décide;2115
Mais pour le rendre encor plus doux et plus charmant,
Sachez que Sparte voit sa reine en Aglatide,
A qui le ciel en moi rend son premier amant.

AGLATIDE.

C'est me faire, Seigneur, des surprises nouvelles.

AGÉSILAS.

Rendons nos cœurs, Madame, à des flammes si belles; 2120

Et tous ensemble allons préparer ce beau jour
Qui par un triple hymen couronnera l'amour!

FIN DU CINQUIÈME ET DERNIER ACTE.

 ATTILA
ROI DES HUNS
TRAGÉDIE
1667

NOTICE.
«Attila, dit Voltaire au commencement de la Préface qu'il a placée en
tête de cette pièce, parut malheureusement la même année
qu'Andromaque. La comparaison ne contribua pas à faire remonter
Corneille à ce haut point de gloire où il s'était élevé: il baissait, et
Racine s'élevait.» Tout en reconnaissant la justesse de ces réflexions
un peu banales, on ne doit pas oublier qu'Andromaque ne fut jouée
que huit mois après Attila, et ne put par conséquent entraver en rien
le succès de cet ouvrage. Ce fut à la troupe de Molière, établie au
Palais-Royal, que Corneille le confia. On lit dans le registre de
Lagrange, sous la date du 4 mars 1667: «Attila, pièce nouvelle de M.
Corneille l'aîné, pour laquelle on lui donna deux mille livres, prix
fait.»
Robinet racontant dans une Lettre en vers à Madame, du 13 mars
1667, une noce somptueuse, ajoute:

Mais parlons un peu d'Attila;

Car ce fut cette pièce-là
Qui servit à ce grand régale
........................
Cette dernière des merveilles
De l'aîné des fameux Corneilles
Est un poëme sérieux,
Où cet auteur si glorieux,
Avecque son style énergique,
Des plus propres pour le tragique,
Nous peint, en peignant Attila,
Tout à fait bien ce règne-là,
Et de telle façon s'explique
En matière de politique,
Qu'il semble avoir, en bonne foi,
Été grand ministre ou grand roi.
Tel enfin est ce grand ouvrage
Qu'il ne se sent point de son âge,
Et que d'un roi des plus mal né
D'un héros qui saigne du nez,
Il a fait, malgré les critiques,
Le plus beau de ses dramatiques.
Mais on peut dire aussi cela
Qu'après lui le même Attila
Est, par le sieur la Thorillère,
Représenté d'une manière
Qu'il donne l'âme à ce tableau
Qu'en a fait son parlant pinceau.
Toute la compagnie au reste (La troupe du Roi, au Palais-Royal.)
Ses beaux talents y manifeste,
Et chacun selon son emploi
Se montre digne d'être au Roi.
Bref les acteurs et les actrices
De plus d'un sens font les délices
Par leurs attraits, et leurs habits,
Qui ne sont pas d'un petit prix;
Et mêmes une confidente (Mlle Molière [75].)
N'y paroît pas la moins charmante,
Et maint, le cas est évident,
Voudroit en être confident.
Sur cet avis, qui vaut l'affiche,
Voyez demain si je vous triche.

La Thorillière père, d'après ce qu'on sait de son genre de talent [76],

était loin de posséder l'énergie sauvage qui eût été nécessaire pour
remplir dignement le rôle d'Attila; toutefois, un des plus grands
admirateurs de Corneille, Saint-Évremont, raisonnant à ce sujet de la
façon la plus surprenante, s'applaudissait de ce que son poëte de
prédilection avait rencontré un aussi médiocre interprète. Il écrivait à
M. de Lyonne: «A peine ai-je eu le loisir de jeter les yeux sur
Andromaque et sur Attila; cependant il me paraît qu'Andromaque a
bien l'air des belles choses.... Vous avez raison de dire que cette
pièce est déchue par la mort de Montfleury; car elle avoit besoin de
grands comédiens pour remplir, par l'action, ce qui lui manque.
Attila, au contraire, a dû gagner quelque chose à la mort de cet
acteur; un grand comédien eût trop poussé un rôle assez plein de
lui-même, et eût fait faire trop d'impression à sa férocité sur les
âmes tendres.»
Le registre de Lagrange constate que la pièce eut vingt
représentations consécutives et trois autres encore dans la même
année: c'était, pour le temps, un véritable succès. Cela n'empêcha
point Boileau de faire cette épigramme si connue, si facile à retenir:

Après l'Agésilas,
Hélas!
Mais après l'Attila,
Holà!

qui est devenue dans la bouche de bien des amateurs, et même de

beaucoup de critiques, une réponse sans réplique, une de ces fins de
non-recevoir aussi décisives que le Tarte à la Crème du marquis dans
la Critique de l'École des femmes.
Les faiseurs d'ana, qui aiment à exagérer les distractions et la
naïveté des hommes de génie, prétendent que ces vers ne
blessèrent nullement l'amour-propre, pourtant fort susceptible, du
poëte contre lequel ils étaient dirigés. «Corneille s'y méprit lui-
même, dit Monchesnay [77], et les tourna à son avantage, comme si
l'auteur avoit voulu dire que la première de ces pièces excitoit
parfaitement la pitié, et que l'autre étoit le non plus ultra de la
tragédie.»
On comprendrait mieux que Corneille eût effectivement pris le
change sur le passage suivant de la neuvième satire, où la critique
est plus indirecte et mieux déguisée:

Tous les jours à la cour un sot de qualité

Peut juger de travers avec impunité;
A Malherbe, à Racan, préférer Théophile,
Et le clinquant du Tasse à tout l'or de Virgile.
Un clerc, pour quinze sous, sans craindre le holà,
Peut aller au parterre attaquer Attila,
Et si le roi des Huns ne lui charme l'oreille,
Traiter de Visigoths tous les vers de Corneille.

Ce dernier vers nous indique, si je ne me trompe, un point qui

choquait tout particulièrement Boileau dans Attila: je veux dire le
choix des noms propres, choix si important à ses yeux et au sujet
duquel il disait quelque temps après dans l'Art poétique (chant III,
vers 243 et 244):
D'un seul nom quelquefois le son dur ou
bizarre
Rend un poëme entier ou burlesque ou
barbare;
et Voltaire était bien du même avis lorsqu'il écrivait dans la Préface
que nous avons déjà citée: «Corneille, dans sa tragédie d'Attila, fait
paraître Hildione, une princesse sœur d'un prétendu roi de France;
elle s'appelait Hildecone à la première représentation; on changea
ensuite ce nom ridicule [78].» Qu'eût-ce été si Corneille, au lieu
d'adopter à peu près, en le francisant, le nom d'Ildico, qui lui était
donné par Priscus et Jornandès [79], eût connu les traditions du Nord
et choisi les formes plus pures de Hiltgund, Hiltegunt, «Hildegonde,»
qu'elles nous ont conservées [80]?
Le privilége d'Attila avait été accordé à Guillaume de Luyne «le 25e
jour de novembre 1666,» ce qui fait penser qu'à cette époque cette
pièce était déjà composée. L'Achevé d'imprimer est du «vingtième
novembre 1667,» et néanmoins, suivant un usage aujourd'hui
général dans la librairie, et qui, on le voit, était déjà suivi dès cette
époque, le frontispice de l'édition originale porte la date de 1668.
Le titre de l'ouvrage est ainsi conçu: ATTILA, ROY DES HVNS,
TRAGEDIE par P. Corneille, A Paris, Guillaume de Luyne, Libraire
Iuré, au Palais. M.DC.LXVIII. Le volume, de format in-12, se
compose de 4 feuillets et de 78 pages. Le libraire de Luyne avait fait
part de son privilége à Thomas Jolly et à Billaine. Nous avons sous
les yeux un exemplaire dont le titre, à l'adresse de Jolly, porte T. (au
lieu de P.) Corneille.
 AU LECTEUR [81].
Le nom d'Attila [82] est assez connu; mais tout le monde n'en connoît
pas tout le caractère. Il étoit plus homme de tête que de main [83],
tâchoit à diviser ses ennemis, ravageoit les peuples indéfendus, pour
donner de la terreur aux autres, et tirer tribut de leur épouvante, et
s'étoit fait un tel empire sur les rois qui l'accompagnoient, que quand
même il leur eût commandé des parricides, ils n'eussent osé lui
désobéir. Il est malaisé de savoir quelle étoit sa religion: le surnom
de Fléau de Dieu [84], qu'il prenoit lui-même, montre qu'il n'en croyoit
pas plusieurs. Je l'estimerois arien, comme les Ostrogoths et les
Gépides [85] de son armée, n'étoit la pluralité des femmes, que je lui
ai retranchée ici. Il croyoit fort aux devins, et c'étoit peut-être tout
ce qu'il croyoit. Il envoya demander par deux fois à l'empereur
Valentinian [86] sa sœur Honorie [87] avec grandes menaces, et en
attendant [88], il épousa Ildione, dont tous les historiens marquent la
beauté [89], sans parler de sa naissance. C'est ce qui m'a enhardi à la
faire sœur d'un de nos premiers rois [90], afin d'opposer la France
naissante au déclin de l'Empire. Il est constant qu'il mourut la
première nuit de son mariage avec elle. Marcellin dit qu'elle le tua
elle-même [91], et je lui en ai voulu donner l'idée, quoique sans
effet [92]. Tous les autres rapportent qu'il avoit accoutumé de saigner
du nez, et que les vapeurs du vin et des viandes dont il se chargea
fermèrent le passage à ce sang, qui, après l'avoir étouffé, sortit avec
violence par tous les conduits [93]. Je les ai suivis sur la manière de sa
mort; mais j'ai cru plus à propos d'en attribuer la cause à un excès
de colère qu'à un excès d'intempérance.
Au reste, on m'a pressé de répondre ici par occasion aux invectives
qu'on a publiées depuis quelque temps contre la comédie [94]; mais je
me contenterai d'en dire deux choses, pour fermer la bouche à ces
ennemis d'un divertissement si honnête et si utile: l'un [95], que je
soumets tout ce que j'ai fait et ferai à l'avenir à la censure des
puissances, tant ecclésiastiques que séculières, sous lesquelles Dieu
me fait vivre: je ne sais s'ils en voudroient faire autant; l'autre, que
la comédie est assez justifiée par cette célèbre traduction de la
moitié de celles de Térence, que des personnes d'une piété
exemplaire et rigide ont donnée au public, et ne l'auroient jamais
fait [96], si elles n'eussent jugé qu'on peut innocemment mettre sur la
scène des filles engrossées par leurs amants, et des marchands
d'esclaves à prostituer [97]. La nôtre ne souffre point de tels
ornements. L'amour en est l'âme pour l'ordinaire; mais l'amour dans
le malheur n'excite que la pitié, et est plus capable de purger en
nous cette passion que de nous en faire envie.
Il n'y a point d'homme, au sortir de la représentation du Cid, qui
voulût avoir tué, comme lui, le père de sa maîtresse, pour en
recevoir de pareilles douceurs, ni de fille qui souhaitât que son
amant eût tué son père, pour avoir la joie de l'aimer en poursuivant
sa mort [98]. Les tendresses de l'amour content sont d'une autre
nature, et c'est ce qui m'oblige à les éviter. J'espère un jour traiter
cette matière plus au long, et faire voir quelle erreur c'est de dire
qu'on peut faire parler sur le théâtre toutes sortes de gens, selon
toute l'étendue de leurs caractères.
 LISTE DES ÉDITIONS QUI ONT ÉTÉ
COLLATIONNÉES
POUR LES VARIANTES D'ATTILA.

ÉDITION SÉPARÉE.
1668 in-12.
RECUEILS.
1668 in-12; | 1682 in-12.

ACTEURS [99].

ATTILA, roi des Huns.

ARDARIC, roi des Gépides.
VALAMIR, roi des Ostrogoths.
HONORIE, sœur de l'empereur Valentinian.
ILDIONE, sœur de Mérouée [100], roi de France.
OCTAR, capitaine des gardes d'Attila.
FLAVIE, dame d'honneur d'Honorie.

La scène est au camp d'Attila, dans la Norique [101].

ATTILA.
TRAGÉDIE.
 ACTE I.

SCÈNE PREMIÈRE.

ATTILA, OCTAR, SUITE.

ATTILA.

Ils ne sont pas venus, nos deux rois? qu'on leur die
Qu'ils se font trop attendre, et qu'Attila s'ennuie;
Qu'alors que je les mande ils doivent se hâter.

OCTAR.

Mais, Seigneur, quel besoin de les en consulter?

Pourquoi de votre hymen les prendre pour arbitres,5
Eux qui n'ont de leur trône ici que de vains titres,
Et que vous ne laissez au nombre des vivants
Que pour traîner partout deux rois pour vos suivants?

ATTILA.

J'en puis résoudre seul, Octar, et les appelle,

Non sous aucun espoir de lumière nouvelle: 10
Je crois voir avant eux ce qu'ils m'éclairciront,
Et m'être déjà dit tout ce qu'ils me diront;
Mais de ces deux partis lequel que je préfère,
Sa gloire est un affront pour l'autre, et pour son frère;
Et je veux attirer d'un si juste courroux 15
Sur l'auteur du conseil les plus dangereux coups,
Assurer une excuse à ce manque d'estime,
Pouvoir, s'il est besoin, livrer une victime;
Et c'est ce qui m'oblige à consulter ces rois,
Pour faire à leurs périls éclater ce grand choix;20
Car enfin j'aimerois un prétexte à leur perte:
J'en prendrois hautement l'occasion offerte.
Ce titre en eux me choque, et je ne sais pourquoi
Un roi que je commande ose se nommer roi.
Un nom si glorieux marque une indépendance 25
Que souille, que détruit la moindre obéissance;
Et je suis las de voir que du bandeau royal
Ils prennent droit tous deux de me traiter d'égal.

OCTAR.

Mais, Seigneur, se peut-il que pour ces deux princesses

Vous ayez mêmes yeux et pareilles tendresses, 30
Que leur mérite égal dispose sans ennui
Votre âme irrésolue aux sentiments d'autrui?
Ou si vers l'une ou l'autre elle a pris quelque pente,
Dont prennent ces deux rois la route différente,
Voudra-t-elle, aux dépens de ses vœux les plus doux,35
Préparer une excuse à ce juste courroux?
Et pour juste qu'il soit, est-il si fort à craindre
Que le grand Attila s'abaisse à se contraindre?

ATTILA.

Non; mais la noble ardeur d'envahir tant d'États

Doit combattre de tête encor plus que de bras, 40
Entre ses ennemis rompre l'intelligence,
Y jeter du désordre et de la défiance,
Et ne rien hasarder qu'on n'ait de toutes parts,
Autant qu'il est possible, enchaîné les hasards.
Nous étions aussi forts qu'à présent nous le sommes,45
Quand je fondis en Gaule avec cinq cent mille hommes [102].
Welcome to our website – the perfect destination for book lovers and
knowledge seekers. We believe that every book holds a new world,
offering opportunities for learning, discovery, and personal growth.
That’s why we are dedicated to bringing you a diverse collection of
books, ranging from classic literature and specialized publications to
self-development guides and children's books.

More than just a book-buying platform, we strive to be a bridge

connecting you with timeless cultural and intellectual values. With an
elegant, user-friendly interface and a smart search system, you can
quickly find the books that best suit your interests. Additionally,
our special promotions and home delivery services help you save time
and fully enjoy the joy of reading.

Join us on a journey of knowledge exploration, passion nurturing, and

personal growth every day!

ebookbell.com