gray wolf algorithm
در نشریات گروه فنی و مهندسی-
محاسبات مه به طور فزاینده ای به عنوان یک بستر برای پردازش برنامه های اینترنت اشیا استفاده می شود. در نتیجه، این معماری خدمات رایانش ابری را به لبه شبکه می آورد، جایی که پردازش ممکن است ارزان تر و سریع تر انجام شود. یکی از چالش های اساسی در زمینه تامین کیفیت خدمات سطح سرویس مانند تاخیر و مصرف انرژی در محیط مه توجه به محدودیت انرژی و ظرفیت کم سرورهای مه می باشد که تصمیم گیری اختصاص وظایف به گره های مه را دشوار می کند. این مقاله ابتدا یک مدل ریاضی برای تخصیص منابع ارائه می دهد که هدف آن به حداقل رساندن تاخیر و انرژی در شرایطی است که معیارهای کیفیت خدمات سطح سرویس در نظر گرفته می شود. سپس به ارائه الگوریتم ترکیبی ژنتیک و گرگ خاکستری جهت حل مدل ریاضی پرداخته می شود. باید توجه داشت که ترکیب این دو الگوریتم باعث ارائه جواب های متنوع و در نهایت بهینه می شود. لازم به ذکر است که اجرای الگوریتم های مذکور دارای هزینه پردازشی و تاخیر محاسباتی می باشد ولی با توجه به بهبود معیارهای کیفیت سطح سرویس می توان از این هزینه چشم پوشی کرد. نتایج حاصل شده حاکی از آن است که ترکیب و استفاده همزمان از نقاط مثبت دو الگوریتم، معیارهای زمان اجرا و زمان اتمام آخرین کار و همچنین مصرف انرژی را به ترتیب به میزان 18.30% و 15.14% و 10.21% به نسبت روش نیمه حریصانه بهبود می دهد.کلید واژگان: اینترنت اشیا، محاسبات ابر، الگوریتم تخصیص منابع، الگوریتم ژنتیک، الگوریتم گرگ خاکستریFog computing is increasingly used as a platform for processing Internet of Things applications. Thus, this architecture extends cloud computing services to the edge of the network, where processing may be cheaper and faster. One of the main challenges in providing Quality of Service (QoS) requirements, such as delay and energy consumption in the fog environment, is to pay attention to the energy limitation and low computational capacity of fog nodes, which makes it difficult to assign tasks to fog nodes. This paper first presents a mathematical model for resource allocation with the aim of reducing delay and energy while considering QoS criteria. Then, a combined genetic and grey wolf algorithm is introduced to solve the model. Note that the combination of these two algorithms leads to finding an optimal solution efficiently. Although the implementation of the proposed algorithms has processing costs and computational delay, due to the improvement of QoS criteria, this cost can be ignored. The results show that the combination and simultaneous use of the positive points of the two algorithms improves execution time and completion time of the last task, as well as energy consumption by 18.30%, 15.14%, and 10.21%, respectively, compared to the semi-greedy method.Keywords: Internet Of Thing, Cloud Computing, Resource Allocation Algorithm, Genetic Algorithm, Gray Wolf Algorithm
-
هدف
این پژوهش با هدف توسعه یک مدل ریاضی برای زمان بندی تولید کارگاهی انعطاف پذیر انجام شده است. تمرکز اصلی بر بهینه سازی سه
هدفزمان تکمیل سفارش ها، بار کاری حداکثری ماشین ها و مجموع بار کاری است. هدف نهایی افزایش بهره وری و انعطاف پذیری در سیستم های تولیدی است.
روش شناسی پژوهشاز دو الگوریتم فرا ابتکاری NSGA-II و MOGWO برای حل مدل استفاده شده است. ابتدا مدل در مقیاس کوچک اعتبارسنجی شد و سپس در ابعاد بزرگ تر تحلیل حساسیت انجام گرفت. مقایسه عملکرد الگوریتم ها با شاخص های دقت و کیفیت راه حل ها صورت گرفت.
یافته هانتایج نشان داد MOGWO در مسایل متوسط عملکرد بهتری دارد، ولی در مسایل بزرگ تفاوت معناداری با NSGA-II ندارد. بیشترین حساسیت اهداف نسبت به هزینه ساخت و نگهداری مشاهده شد. همچنین الگوی تخصیص منابع و ترتیب بهینه فعالیت ها استخراج گردید.
اصالت/ارزش افزوده علمیاصالت این پژوهش در توسعه و کاربرد یک مدل ریاضی ترکیبی برای زمان بندی سیستم های تولید انعطاف پذیر با چندین هدف متضاد و در نظر گرفتن محدودیت های واقعی از جمله هزینه ها و منابع تولیدی است. همچنین استفاده هم زمان از دو الگوریتم NSGA-II و MOGW و مقایسه دقیق عملکرد آن ها در ابعاد مختلف، نوآوری دیگری از این تحقیق محسوب می شود. ارایه یک الگوی عملیاتی برای توالی فعالیت ها نیز به کاربردی تر شدن نتایج پژوهش در محیط های صنعتی کمک می کند.
کلید واژگان: تولید انعطاف پذیر، الگوریتم گرگ خاکستری، الگوریتم ژنتیک، بهینه سازیPurposeThis study aims to develop a mathematical model for flexible job shop scheduling. The main focus is on optimizing three
objectivesthe makespan, the maximum machine workload, and the total workload. The ultimate goal is to enhance productivity and flexibility in manufacturing systems.
MethodologyTwo metaheuristic algorithms, NSGA-II and MOGWO, were used to solve the model. The model was first validated on a small scale, and then sensitivity analysis was conducted on larger instances. The performance of the algorithms was compared based on accuracy and solution quality metrics.
FindingsResults indicated that MOGWO performs better in medium-sized problems, while in large-scale cases, the difference between the two algorithms is not significant. The highest sensitivity among the objectives was observed with respect to production and maintenance costs. Additionally, a resource allocation pattern and optimal sequence of operations were derived.
Originality/ValueThe originality of this research lies in developing and applying a multi-objective mathematical model for flexible job shop scheduling, considering real-world constraints such as costs and resource limitations. The simultaneous use and detailed comparison of NSGA-II and MOGWO across different problem sizes is another contribution. Furthermore, the proposed operational pattern improves the applicability of the results in industrial environments.
Keywords: Flexible Manufacturing, Gray Wolf Algorithm, Genetic Algorithm, Optimization -
This paper presents a new optimal design of a fractional order controller for the control and stabilization of DC microgrids, particularly under constant power and voltage loads. The study focuses on a well-designed DC microgrid configuration, including two buck-boost power electronic converters, a constant power load, and a constant voltage load. The proposed microgrid operates with a total power consumption of 2 kW, an input voltage of 100 V for the converters, and a DC bus voltage of 250 V. The fractional order controller parameters are optimized using a robust gray wolf optimization algorithm, chosen for its superior performance in handling complex optimization problems compared to other methods. The functionality of the controller is evaluated under various noise and disturbance conditions to ensure the stability of the DC bus. Additionally, the proposed fractional order controller is benchmarked against a conventional proportional-integral-derivative (PID) controller under different operating conditions. The simulation results highlight the enhanced stability and control offered by the fractional order controller, demonstrating its practical applicability in real-world DC microgrids.Keywords: Constant Power Load, Constant Voltage Load, DC Microgrid, Fractional Order Controller, Gray Wolf Algorithm, Noise, Disturbances
-
This paper delves into the meticulous optimization of distributed energy resources and their storage within a conventional microgrid framework. The optimization endeavor leverages an array of cutting-edge technologies including photovoltaic, wind, fuel cells, micro-turbines, and batteries, with the dual objectives of curtailing operational expenses and fortifying system reliability. To attain these objectives, the article employs a refined algorithm derived from the Grey Wolf Optimization technique. Furthermore, simulations are executed under two distinct scenarios. In the first scenario, the presumption is that all distributed energy resources within the microgrid are exploitable, whereas in the second scenario, spatial constraints necessitate the exclusion of photovoltaic and wind turbine resources. Simulation outcomes evince that post-implementation of energy management via metaheuristic algorithms, there is a discernible reduction in the operational costs of the microgrid alongside an enhancement in system reliability. Additionally, the elimination of photovoltaic and wind resources results in escalated costs and grid blackout within the microgrid. In summary, the simulation findings affirm the superior efficacy of the proposed modified Grey Wolf algorithm in addressing energy management quandaries in comparison to the Particle Swarm Optimization algorithm.
Keywords: Microgrid Energy Management, Distributed Generation Resources, Reliability, Gray Wolf Algorithm -
در این پژوهش به زما ن بندی کارگاه های عمومی پرداخته شده است. در این کارگاه معمولا برنامه ریزی برای ماشین کاری قطعات و برنامه ریزی برای عملیات مونتاژ به طور مستقل درنظر گرفته شده است. بااین وجود، ممکن است به بهترین نتایج برای کل سیستم تولید منجر نشود. ازطرفی، مساله برنامه ریزی مونتاژ کاربرد های زیادی در صنایع دارد و اخیرا مورد توجه محققان قرار گرفته است. ازآنجایی که در مدل هایی که پیش از این پژوهش، زمان مونتاژ در مساله زما ن بندی کارگاه عمومی ادغام نشده است، در این پژوهش با الهام از واحدهای تولیدی و برای نزدیک تر شدن مدل به دنیای واقعی عملیات مونتاژ نیز لحاظ در مساله زما ن بندی لحاظ شده است که یک مرحله پس از اتمام فرآیند تولید است. برای حل مساله، پس از مدل سازی برای حل در ابعاد کوچک از مدل سازی ریاضی، برای مسائل در اندازه های متوسط از روش آزادسازی لاگرانژ برای یافتن کران مناسب و در اندازه های بزرگ از الگوریتم گرگ خاکستری استفاده شده است. در ادامه و برای بررسی کیفیت نتایج به دست آمده از الگوریتم گرگ خاکستری با خروجی نرم افزار GAMS و الگوریتم آزادسازی لاگرانژ در ابعاد کوچک و با خروجی های شبیه سازی تبرید در ابعاد بزرگ مقایسه شده است. نتایج به دست آمده نشان می دهد که نتایج حاصل از الگوریتم پیشنهادی کیفیت خوبی دارند.کلید واژگان: زما ن بندی تولید، کارگاه عمومی، عملیات مونتاژ، الگوریتم گرگ خاکستری، روش آزادسازی لاگرانژJournal of Industrial Engineering Research in Production Systems, Volume:12 Issue: 24, 2025, PP 133 -145In this research, the open shop scheduling problem has been discussed. In this environment, scheduling for jobs and planning for assembly operations are usually considered independently. However, it may not lead to the best results for the entire production system. On the other hand, the problem of assembly planning has many applications in industries and has recently attracted the attention of researchers. Since in the models that were used before, the assembly operation is not integrated in the open shop scheduling, in this research, inspired by the real production units and to bring the model closer to the real world, the assembly operation is included, which is a step after the completion of the production process. To solve this problem, after modeling it, the Lagrangian relaxation method is used to solve problems in medium dimensions and the gray wolf algorithm is used in large dimensions. Next, to check the quality of the results obtained from the gray wolf algorithm, the Lagrangian relaxation method and GAMS outputs in small-size instances and simulated annealing algorithm in large-size instances have been compared. The obtained results show that the solutions obtained from the proposed algorithm are of good quality.Keywords: Scheduling, Open Shop, Assembly Operations, Gray Wolf Algorithm, Lagrangian Relaxation
-
امنیت یک هدف اصلی در طراحی شبکه اینترنت اشیاء صنعتی است. با توجه به پیشرفت های روز افزون در اینترنت اشیاء لازم است از روش های جدید در تشخیص حملات فعال شبکه استفاده شود. در این مقاله یک سیستم تشخیص نفوذ برای اینترنت اشیاء صنعتی پیشنهادشده است. این سیستم از ترکیب الگوریتم های فرا ابتکاری گرگ خاکستری( GWO ) و الگوریتم های طبقه بندی درخت تصمیم (DT) ، نزدیک ترین همسایه (KNN) و شبکه عصبی مصنوعی (ANN) استفاده می کند. ابتدا داده ها پیش پردازش و سپس نرمال سازی شده، در مرحله بعد استخراج ویژگی داده ها با استفاده از الگوریتم گرگ خاکستری برای استخراج ویژگی های مستقل و موثر آن انجام می شود. سپس با استفاده از الگوریتم های طبقه بندی آموزش و درنهایت ارزیابی می شود. نتایج به دست آمده نشان می دهد که استفاده از الگوریتم ترکیبی GWO-ANN با دقت 22/93 درصد در میزان تشخیص حملات عملکرد بهتری دارد. همچنین الگوریتم ANN نسبت به الگوریتم های DT و KNN در تلفیق با الگوریتم GWO دارای دقت بالاتری است.
کلید واژگان: سیستم تشخیص نفوذ، الگوریتم گرگ خاکستری، اینترنت اشیاء صنعتیSecurity is a main goal in the design of industrial Internet of Things network. Due to the ever-increasing developments in the Internet of Things, it is necessary to use new methods to detect active network attacks. In this article, an intrusion detection system for industrial Internet of Things is proposed. This system uses the combination of gray wolf meta-heuristic algorithms (GWO) and decision tree (DT), nearest neighbor (KNN) and artificial neural network (ANN) classification algorithms. First, the data is pre-processed and then normalized, in the next step, data feature extraction is performed using the gray wolf algorithm to extract its independent and effective features. Then it is trained using classification algorithms and finally evaluated. The obtained results show that the use of the combined GWO-ANN algorithm with 93.22% accuracy has a better performance in detecting attacks. Also, the ANN algorithm is more accurate than the DT and KNN algorithms when combined with the GWO algorithm. ,
Keywords: Intrusion Detection System, Gray Wolf Algorithm, Industrial Internet Of Things -
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاه های تلفن همراه به سرورهای لبه در سیستم های محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و برخی به سرورهای لبه بارگذاری می شوند. مسئله اصلی این است که وظایف تخلیه شده برای ماشین های مجازی در شبکه های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمان بندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه های محاسبات لبه معرفی شد. نتایج مقایسه نشان دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.
کلید واژگان: بهبود تخصیص منابع، محاسبات لبه موبایل، الگوریتم بهینه سازی ازدحام ذرات، الگوریتم گرک خاکستری.Mobile edge computing improves the experience of end users to achieve appropriate services and service quality. In this paper, the problem of improving resource allocation when offloading tasks based on mobile devices to edge servers in computing systems was investigated. Some tasks are processed locally and some are offloaded to edge servers. The main issue is that the offloaded tasks for virtual machines in computing networks are properly scheduled to minimize computing time, service cost, computing network waste, and the maximum connection of a task with the network. In this paper, it was introduced using the hybrid algorithm of particle swarm and gray wolf to manage resource allocation and task scheduling to achieve an optimal result in edge computing networks. The comparison results show the improvement of waiting time and cost in the proposed approach. The results show that, on average, the proposed model has performed better by reducing the work time by 10% and increasing the use of resources by 16%.
Keywords: Improving Resource Allocation, Mobile Edge Computing, Particle Swarm Optimization Algorithm, Gray Wolf Algorithm -
In today's world, networks play a very important role in people's lives. One of the important issues related to networks is the issue of detecting communities. These communities are also called groups and clusters. Communities include nodes that are closely related to each other. Most of the nodes that are members of a community have common properties. In social networks, it is important to detect the community in order to analyze the network and it is a very important tool to understand the information of the network and its structure. Studying community detection has garnered significant interest in last few years, leading to the development of numerous algorithms in this area. this research, we used the gray wolf meta-heuristic algorithm and improved it with operators such as mutation, combination, and local search, and also improved the final solution of the gray wolf algorithm with the label propagation algorithm to detect communities. Experiments showed that the proposed method has high accuracy and also due to the applied techniques, the problem converges to the best solution very quickly.
Keywords: Community Detection, Gray Wolf Algorithm, Label Propagation Algorithm, Optimization -
بوی کد یک نشانه سطحی است که احتمالا نشان دهنده یک مشکل عمیق تر در برنامه است. بوی کد نگهداری، توسعه و تکامل برنامه را با مشکل مواجه می کند. وجود بوی کد قطعا به معنی عدم کارکرد درست نرم افزار نیست، اما این موضوع ممکن است باعث کندی پردازش، افزایش خطر خرابی و خطاهای نرم افزار شود. بدیهی است که یکی از روش های موثر در افزایش کیفیت نرم افزار، بازسازی و بازآرایی کد است که رابطه مستقیمی با بوی کد دارد. تاکنون تحقیقات زیادی در حوزه شناسایی و برطرف کردن بوهای کد سامانه های نرم افزاری انجام گرفته است. لیکن، از میان آنها چهار نوع بوی کد شامل؛ متد طولانی، خصیصه حسادت، کلاس خدا و کلاس داده بیشترین توجه محققین را به خود جلب کرده است. محققین برای افزایش دقت پیش بینی بوهای کد و کاهش ابعاد داده، از الگوریتم های انتخاب ویژگی استفاده می کنند. در این مقاله، جهت تعیین زیر مجموعه منتخب از ویژگی های بهینه، از الگوریتم گرگ خاکستری استفاده شده است. انتخاب ویژگی، باعث سادگی مدل، بهبود دقت و نیز موجب کاهش زمان آموزش آن می گردد. همچنین به منظور شناسایی و طبقه بندی بوهای کد، مدل شناسایی براساس سه الگوریتم یادگیری ماشین تحت عنوان؛ نزدیک ترین همسایه، درخت تصمیم و ماشین بردار پشتیبان ساخته می شود. درنهایت، نتیجه نهایی حاصل از خروجی مدل، برمبنای سازوکار رای گیری اکثریت تعیین می گردد. در این مقاله، جهت ارزیابی روش پیشنهادی از نسخه ی بهبود یافته ی مجموعه داده فونتانا استفاده شده است. همچنین، جهت ارزیابی نتایج روش پیشنهادی از معیارهای آماری شامل دقت، صحت، فراخوان و معیار F استفاده شده است. در نهایت، نتایج روش پیشنهادی با نتایج دیگر روش های مرتبط، مورد مقایسه قرار گرفته است. نتایج بدست آمده از آزمون ها، نشان می دهد که روش پیشنهادی عملکرد قابل قبولی نسبت به سایر روش ها ارایه کرده است.
کلید واژگان: بوی کد، انتخاب ویژگی، الگوریتم گرگ خاکستری، طبقه بندی، یادگیری ماشینA code smell is a superficial symptom that may indicate a deeper problem in the application. Code smell makes it difficult to maintain, develop and evolve the program. The presence of code smell definitely does not mean that the software is not working properly, but this issue may cause slow processing, increase the risk of failure and software errors. It is obvious that one of the effective ways to increase the quality of the software is to rebuild and rearrange the code, which has a direct relationship with the smell of the code. So far, a lot of research has been done in the field of identifying and removing code smells of software systems. However, among them, four types of code smell include; Long method, feature envy, god class and data class have attracted the most attention of researchers. Researchers use feature selection algorithms to increase the prediction accuracy of code smells and reduce data dimensions. In this article, the gray wolf algorithm has been used to determine the selected subset of optimal features. Selecting the feature makes the model simpler, improves the accuracy and also reduces the training time. Also, in order to identify and classify code smells, the recognition model based on three machine learning algorithms under the title; Nearest neighbor, decision tree and support vector machine are built. Finally, the final result of the model output is determined based on the majority voting mechanism. In this article, the improved version of the Fontana dataset has been used to evaluate the proposed method. Also, to evaluate the results of the proposed method, statistical criteria including precision, accuracy, recall and F criterion have been used. Finally, the results of the proposed method have been compared with the results of other related methods. The results obtained from the tests show that the proposed method has provided an acceptable performance compared to other methods.
Keywords: Code Smell, Feature Selection, Gray Wolf Algorithm, Classification, Machine Learning -
Mineral prospectivity mapping (MPM) is a multi-staged process aiming at delimiting exploration targets. Experts’ knowledge is an indispensable component of MPM, and might be required (i) while translating signature features of ore-forming processes into a suite of maps, namely evidence layers, (ii) while assigning weights to evidence layers, and (iii) while interpreting maps of mineral prospectivity. The latter is important as MPM integrates weighted evidence layers into a continuous map of mineral prospectivity. Although high values in prospectivity maps pertain to prospective zones, maps of mineral prospectivity are devoid of interpretation. One, therefore, should adopt a classification scheme to categorize or prioritize exploration targets from a map of mineral prospectivity. In addition to previous frameworks applied for interpreting maps of mineral prospectivity, this paper introduces an optimization-based framework, the Gray Wolf Optimizer (GWO) algorithm, for addressing this problem. In addition to GWO, we also used percentile maps of 85, 90, and 95% for interpreting the results of our prospectivity model. These methods were applied to a fuzzy-based map of mineral prospectivity derived for the Alut area, NW Iran. Overall, the map derived by the GWO has involved more Au occurrences, 66% of explored Au occurrences by GWO versus 33% by percentile maps; also introduces more targets as high-potential zones of Au mineralization that may be neglected by traditional methods like percentile maps.
Keywords: Mineral Prospectivity Mapping, Gray Wolf algorithm, Gold exploration targets -
یکی از بزرگترین مشکلات پیش روی بشر تامین انرژی با توجه به کاهش منابع و قیمت تمام شده ی زیاد است. سهم بزرگی از مصرف انرژی در جهان را ساختمان های اداری دارند. در این مقاله روش نوین مدیریت انرژی ساختمان مطرح می شود که به کمک شبکه های اینترنت اشیا میزان مصرف انرژی در ساختمان های اداری کنترل می شود. روش پیشنهادی شامل دو مرحله می باشد: مرحله اول با استفاده از شبکه عصبی مصنوعی و شش پارامتر دمای بیرون ساختمان، دمای نقطه تنظیم، تابش خورشید، اشغال، دمای ساعت قبل و ساعت روز به عنوان ورودی به شبکه عصبی پرسپترون داده می شود و خروجی این مرحله دمای درون ساختمان و میزان مصرف انرژی است. مرحله دوم با استفاده از الگوریتم گرگ خاکستری بهینه دما برای هر بخش ساختمان در هر ساعت از شبانه روز تعیین می شود. میزان مصرف انرژی و قیمت تمام شده انرژی برای ساختمان با استفاده از نرم افزار متلب محاسبه می شود که نتیجه آن کاهش چشمگیر مصرف انرژی و بهینه سازی قیمت تمام شده انرژی در ساختمان های اداری است. روش پیشنهادی کاهش مصرف انرژی 22 کیلو وات ساعت در ساعات ابتدایی صبح را نشان می دهد
کلید واژگان: انرژی ساختمان، قیمت تمام شده انرژی، شبکه اینترنت اشیا، الگوریتم گرگ خاکستریOne of the biggest problems facing the human being is energy supply due to reduced resource and cost. The largest share of energy consumption in the world has been allocated to the construction sector. The main sources of energy supply are coal, natural gas and oil, all of which are non-renewable and will be completed in the near future. Major energy consumers can be referred to household, industrial, agricultural, general, commercial, and street lighting. Among the energy consumers, the share of domestic and office sectors is higher than other consumers, and attention to reducing energy consumption and energy losses in the construction sector is an unavoidable necessity. In this paper, a new method of building energy management is proposed, which, with the help of internet networks of objects, controls the energy consumption of buildings. An administrative building with six areas is considered. The proposed method consists of two phases: the first phase, which is the prediction stage, is performed using artificial neural network and six parameters: outside temperature of the building, set point temperature, sun radiation, occupancy, previous temperature and the hour of the day are given as inputs to the perceptron neural network and the output of this phase is inside temperature of building and the energy consumption, which is given as input to the next phase. The second phase uses the gray wolf algorithm to determine the optimal temperature for each part of the building at any hour of the day. The energy consumption and cost of the building are calculated using the software of MATLAB, which results in a significant reduction in energy consumption and energy cost optimization in the office. The proposed method shows a reduction in energy consumption of 22 Kw/h in the early morning hours.
Keywords: Energy building, Energy cost, Internet of things, Gray wolf algorithm -
تاخیر در سفرهای هوایی امر اجتناب ناپذیری است و نقش بسیار مهمی در سود و زیان شرکت های هواپیمایی دارد. با پیش بینی و یا تخمین تاخیر می توان تا حدی منافع آژانس ها و رضایت مشتریان را افزایش داد. تاخیرات پرواز باعث تغییر در زمانبندی و چیدمان پروازها و همچنین افزایش هزینه های سازمان می گردد. در این زمینه کارهای زیادی از جمله زمانبندی و تخصیص مجدد گیت انجام شده است که اکثر آنها بدون در نظر گرفتن تاخیرات پروازی و فقط با توجه به محدودیت ها و استفاده از منابع موجود سعی در تخصیص گیت داشتند. از آنجاییکه متغیرهای موثر در تخصیص گیت دارای عدم قطعیت هستند و هیچ الگوریتم شناخته شده ای برای یافتن راه حل بهینه در مدت زمان محدود برای آن وجود ندارد، این مسیله از نوع مسایل NP-hard محسوب شده و تابع شرایط و سیاست های مختلف فرودگاه ها و آژانس ها نیز می باشد. در این مقاله در صورت بروز تاخیر سیستم ترکیبی مبتنی بر الگوریتم گرگ خاکستری و منطق فازی طراحی شده است که لیست تخصیص گیت را با توجه به عدم قطعیت ها و با استفاده از داده های مربوط به پیش بینی تاخیر به روز رسانی می کند مدل پیشنهادی با استفاده از داده های شهر بوستون در محیط متلب، پیاده سازی و تست گردید. نتایج ارزیابی مدل نشان دادند که مدل پیشنهادی لیست تخصیص گیت را بهبود بخشده طوری که برخی از گیت ها خالی می مانند و این بدان معناست که می توان بدون تغییر در زیر ساخت فیزیکی فرودگاه، تعداد پروازها را بیشتر و سود سازمان را افزایش دادکلید واژگان: الگوریتم گرگ خاکستری، تخصیص گیت، سیستم فازیAir travel delays are inevitable and play a very important role in the profits and losses of airlines. By predicting or estimating delays, the benefits of agencies and customer satisfaction can be increased to some extent. Flight delays change flight schedules as well as increase organization costs. In this regard, a lot of work has been done, including scheduling and reallocation of gates, most of which tried to allocate the gate without considering flight delays and only due to limitations and the use of available resources. Since the variables affecting the gate allocation are uncertain and there is no known algorithm to find the optimal solution for it in a limited time, this issue is considered NP-hard problem and is subject to different conditions and policies of airports and agencies. In this paper, in case of delay, a hybrid system based on the Gray Wolf algorithm and fuzzy allocation logic is designed, which up to date the gate allocation list according to the uncertainties and using the data related to the delay prediction. The proposed model was implemented and tested using Boston data in a MATLAB environment. The results of the model evaluation showed that the proposed model has improved the gate allocation list so that some gates remain empty, which means that the number of flights can be increased and the organization's profit can be increased without changing the physical infrastructure of the airport.Keywords: fuzzy logic system, Gate Allocation, Gray wolf algorithm
-
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، سال پنجاه و سوم شماره 1 (پیاپی 110، بهار 1402)، صص 199 -210خاک های غیراشباع حدود 40 درصد از خاک های سطح زمین را پوشانده و در اکثر پروژ ه های مهندسی ژیومکانیک به چنین خاک های برخورد می شود. تعیین مقاومت برشی خاک های غیراشباع براساس اصل تنش موثر به منظور استفاده در این گونه پروژه ها، مستلزم انجام آزمایش های نسبتا وقت گیر، پرهزینه و پیچیده است. از طرفی به دلیل تغییرات در خصوصیات خاک هر منطقه استفاده از روش های تجربی به منظور تخمین تنش موثر خاک های غیراشباع از دقت کم تری برخوردار بوده و با خطا همراه است. به منظور برآورد صحیح مقاومت برشی خاک های غیراشباع، هدف از نگارش این مقاله کاربرد روش های جدید هوشمند برای تخمین پارامتر تنش موثر، با استفاده از دو الگوریتم بهینه سازی هوشمند گرگ خاکستری، (Grey wolf optimization) و سینوس- کسینوس، (Sine cosine algorithm) می باشد. در این مدل ها از پارامترهایی نظیر: مقدار ورودی هوا، مقدار آب حجمی در شرایط باقی مانده و اشباع، شیب منحنی مشخصه آب- خاک، فشار محدودکننده خالص و مکش به عنوان پارامترهای ورودی و از پارامتر تنش موثر به عنوان خروجی استفاده شده است. در انتها برای صحت و ارزیابی مدل های پیش بینی از شاخص های ضریب همبستگی مربع (R2)، میانگین درصد خطای مطلق، (Mean Absolute Percentage Error)، شمول واریانس، (Variance accounted for)، مجذور میانگین خطای مربع، (Root mean squared error) و میانگین خطای مربع، (Mean squared error) استفاده شده است. نتایج مدل سازی نشان می دهد که استفاده از دو الگوریتم بهینه سازی هوشمند گرگ خاکستری و سینوس- کسینوس دقت و کارایی قابل قبولی را در تخمین پارامتر تنش موثر برای خاک های غیراشباع دارد.کلید واژگان: پارامتر تنش موثر، خاک غیراشباع، تخمین غیرمستقیم، الگوریتم گرگ خاکستری، الگوریتم سینوس- کسینوسJournal of Civil and Environmental Engineering University of Tabriz, Volume:53 Issue: 1, 2023, PP 199 -210Compacted soils, which are commonly used in geotechnical engineering projects, such as earth dams, highways, embankments, and airport runways, are mostly unsaturated. To achieve a safe design in all these projects, the stress state variable in soil plays a significant role. Any proposed model for the stress state variable should express its independence from the soil properties. In saturated soils, the e effective stress is taken into account as the stress state variable. Some researchers have attempted to find the stress state variable for unsaturated soils the same as that for saturated soils with only one variable; however, they have noticed that the soil properties have been involved in the proposed models (Bishop, 1959; Escario and Saez, 1986; Khalili and Khabbaz, 1998; Lu and Likos, 2004; Rahnema et al., 2019). The purpose of this paper is to apply new intelligent methods to accurately estimate the effective stress parameter, using two gray wolf optimization (GWO) and sine-cosine (SCA) optimization algorithms.Keywords: Effective stress parameter, Unsaturated soil, indirect estimation, gray wolf algorithm, sine-cosine algorithm
-
In image processing, compression plays an important role in monitoring, controlling, and securing the process. The spatial resolution is one of the most effective factors in improving the quality of an image; but, it increases the amount of storage memory required. Based on meta-heuristic algorithms, this article presents a compression model for face images with block division and variable bit allocation. Wavelet transform is used to reduce the dimensions of high spatial resolution face images. In order to identify important and similar areas of identical macroblocks, genetic algorithms and gray wolves are used. A bit rate allocation is calculated for each block to achieve the best recognition accuracy, average PSNR, and SSIM. The CIE and FEI databases have been used as case studies. The proposed method has been tested and compared with the accuracy of image recognition under uncompressed conditions and using the common SPIHT and JPEG coding methods. Recognition accuracy increased from 0.18% for 16×16 blocks to 1.97% for 32×32 blocks. Additionally, the gray wolf algorithm is much faster than the genetic algorithm in reaching the optimal answer. Depending on the application type of the problem, the genetic algorithm or the gray wolf may be preferred to achieve the maximum average PSNR or SSIM. At the bit rate of 0.9, the maximum average PSNR for the gray wolf algorithm is 34.92 and the maximum average SSIM for the genetic algorithm is 0.936. Simulation results indicate that the mentioned algorithms increase PSNR and SSIM by stabilizing or increasing recognition accuracy.
Keywords: Genetic Algorithm, Gray Wolf Algorithm, Face Recognition, Face Compression, Block Division, Variable Bit Allocation -
نشریه یافته های نوین کاربردی و محاسباتی در سیستم های مکانیکی، سال دوم شماره 4 (زمستان 1401)، صص 35 -43در این پژوهش، مشخصه های حرارتی و هیدرولیکی سمت پوسته مبدل حرارتی پوسته-لوله با بافل منفذدار کواترفویل به وسیله الگوریتم های فراابتکاری گرگ خاکستری و ژنتیک به صورت تک هدفه و چند هدفه بهینه سازی می شود. تابع های هدف، ظرفیت انتقال حرارت برای مقدار بیشینه و اتلاف فشار برای مقدار کمینه می باشد. متغیرهای مبدل حرارتی پوسته-لوله برای بهینه سازی عبارتند از: قطر و تعداد لوله ها، عدد رینولدز، فاصله بین بافل ها و ارتفاع منفذ کواترفویل. مقادیر بهینه شده برای آرایش مربع و مثلث دسته لوله ها به دست آمده است. نتایج نشان داده است که برای بیشترین انتقال حرارت بافل کواترفویل مقادیر قطر لوله 03/0 متر، تعداد لوله ها 30 عدد، مقدار عدد رینولدز 20000، ارتفاع منفذ 0018/0 متر و فاصله بین بافل ها 15/0 متر است. برای کمترین مقدار افت فشار قطر لوله ها 03/0 متر برای آرایش مربع و 01/0 متر برای آرایش مثلث، عدد رینولدز 5000، ارتفاع منفذ 003/0 متر و فاصله بین بافل ها 25/0 متر است. در بهینه سازی چند هدفه قطر لوله ها 03/0 متر و تعداد لوله ها 30 عدد حاصل شده است. بهینه سازی به وسیله الگوریتم گرگ خاکستری والگوریتم ژنتیک نتایج یکسانی برای مبدل حرارتی پوسته-لوله با بافل کواتر فویل در بر داشته است.کلید واژگان: بافل منفذدار کواترفویل، الگوریتم گرگ خاکستری، الگوریتم ژنتیک، بهینه سازی تک هدفه، بهینه سازی چند هدفهJournal of New Applied and Computational Findings in Mechanical Systems, Volume:2 Issue: 4, 2023, PP 35 -43In this research, the thermal and hydraulic characteristics of the shell side of the shell and tube heat exchanger with perforated quatrefoil plate are optimized by a gray wolf and genetic algorithms in a single-objective multi-objective manner. The objective functions are heat transfer capacity for the maximum value and pressure drop for the minimum value. Shell and tube heat exchanger variables for optimization are: the diameter and number of tubes, the Reynolds number, the distance between baffles, and the height of the quatrefoil hole. The results show that for the maximum heat transfer of the quatrefoil baffle, the tube diameter is 0.03 m, the number of tubes is 30, The Reynolds number is 20000, the height of the perforated hole is 0.0018 m, and the distance between the baffles is 0.15 m. For the lowest pressure drop value, the diameter of the tubes is 0.03 m for the square arrangement and 0.01 m for the triangle arrangement; the Reynolds number is 5000, the height of the perforated hole is 0.003 m, and the distance between the baffles is 0.25 m. The optimization by the gray wolf and genetic algorithms has the same results for the shell and tube heat exchanger with a quatrefoil baffle.Keywords: Quatrefoil Perforated Plate, gray wolf algorithm, Genetic Algorithm, Single-Objective Optimization, Multi-Objective Optimization
-
In this paper, by considering the processing parameters, including blank holder force, blank holder gap, and cavity pressure as the most important input factors in the hydroforming process, an experimental design is performed, and an adaptive neural-fuzzy inference system (ANFIS) is applied to model and predict the behavior of aluminum thinning rate (upper layer and lower layer), the height of wrinkles and achieved depths that are extracted in hydroforming process. Also, the optimal constraints of the network structure are obtained by the gray wolf optimization algorithm. Accordingly, the results of experimental tests are utilized for training and testing of the ANFIS. The accurateness of the attained network is examined using graphs and also based on the statistical criteria of root mean square error, mean absolute error, and correlation coefficient. The results show that the attained model is very effective in approximating the aluminum thinning rate (upper layer and lower layer), the height of wrinkles, and achieved depth in the hydroforming process. Finally, the results also show that the root means of the square error of aluminum thinning rate (upper layer and lower layer), the height of wrinkles, and achieved depth of the test section are 1.67, 2.25, 0.05, and 2.67, respectively. It is also observed that the correlation coefficient for the test data is very close to 1, which demonstrates the high precision of the ANFIS in predicting the outputs of the hydroforming procedure.Keywords: Neural Network, ANFIS, Gray wolf algorithm, Hydroforming, Fiber metal laminates
-
امروزه موتورهای سنکرون مغناطیس دایم به دلیل حذف تلفات تحریک، طول عمر و بازدهی بالاتر به وفور در صنعت مورد استفاده قرار گرفته اند. وقوع خطا در سیستم های مبتنی بر موتور و درایو، حین عملکرد اجتناب ناپذیر است. بنابراین باید سناریوی مناسبی برای زمانی که این سیستم ها دچار خطا می شوند، در نظر گرفت. اگر پیش بینی های لازم و الگوریتم های کنترلی مناسبی برای شرایط بروز خطا در نظر گرفته نشود، خسارات سنگینی به تجهیزات و ادوات به خصوص در سطح توان بالا، تحمیل خواهد شد. یکی از روش های کنترلی مرسوم در اینورترها و درایوهای موتور سنکرون، روش کنترل تناسبی-انتگرالی است. در اغلب موارد، کنترل تناسبی-انتگرالی ساده با بهره های ثابت به کار گرفته می شود. در این مقاله از منطق فازی با توابع عضویت مناسب جهت تعیین تطبیقی و هوشمند بهره های کنترل کننده تناسبی-انتگرالی برای کنترل سرعت موتور سنکرون مغناطیس دایم در هنگام مواجهه با خطا استفاده شده است. با ترکیب منطق فازی و الگوریتم گرگ خاکستری به منظور دست یابی به کنترل کننده بهینه، روشی ارایه می شود که از مزایای کنترل کننده فازی در کنار کنترل کننده تناسبی-انتگرالی بهره برده و با استفاده از الگوریتم گرگ خاکستری برای بهینه سازی، منتج به دست یابی به کنترلی بهینه و پایدار در شرایط مختلف خطا می شود. بهره های کنترل کننده تناسبی-انتگرالی که به همراه الگوریتم گرگ خاکستری برای کنترل سرعت مورد استفاده قرار می گیرند، با استفاده از منطق فازی برای شرایط خطا، تعیین می شوند. در این مقاله، روش پیشنهادی در محیط سیمولینک نرم افزار متلب، در دو مرحله، یک بار برای تغییرات پله ای سرعت و گشتاور مرجع و یک بار تحت بروز سه نوع خطا شبیه سازی شده و نتایج نشان دهنده بهبود قابلیت ردیابی سرعت مرجع و کاهش اعوجاج جریان های سه فاز و نوسانات گشتاور است.
کلید واژگان: درایو موتور سنکرون مغناطیس دائم، شرایط خطا، منطق فازی، الگوریتم گرگ خاکستری، کنترل تناسبی-انتگرالی هوشمندJournal of Iranian Association of Electrical and Electronics Engineers, Volume:19 Issue: 4, 2023, PP 105 -116Nowadays, permanent magnet synchronous motors have been widely used in industry due to the elimination of excitation losses, longer life and higher efficiency. Errors in engine and drive systems are unavoidable during operation. Therefore, a suitable scenario should be considered for when these systems fail. If the necessary predictions and control algorithms are not considered for the error conditions, heavy damages will be imposed on equipment and devices, especially at high power levels. One of the common control methods in inverters and synchronous motor drives is the proportional-integral control method. In most cases, simple proportional-integral control with fixed interest rates is used. In this paper, fuzzy logic with suitable membership functions is used to adaptively and intelligently determine the benefits of proportional-integral controller to control the speed of the permanent magnet synchronous motor in the event of an error. By combining fuzzy logic and gray wolf algorithm to achieve the optimal controller, a method is presented that takes advantage of the fuzzy controller along with the proportional-integral controller and using the gray wolf algorithm for optimization. Reconstruction results in optimal and stable control under various fault conditions. The proportional-integral controller interests used in conjunction with the gray wolf algorithm for speed control are determined using fuzzy logic for error conditions. In this paper, the proposed method in MATLAB software Simulink environment is simulated in two stages, once for step changes of reference speed and torque and once under three types of errors, and the results show improved reference speed tracking and reduction Distortion of three-phase currents and torque fluctuations.
Keywords: Permanent magnet synchronous motor drive, Fault conditions, Fuzzy logic, Gray wolf algorithm, Intelligent proportional-integral control -
شبکه مبتنی بر نرم افزار (SDN) در بسیاری از سناریوهای مدرن شبکه به مدلی محبوب برای کنترل و مدیریت متمرکز تبدیل شده است. بااین حال، برای مراکز داده بزرگ با صدها هزار سرور و چندین هزار سوییچ، حالت کنترل کننده تک باعث می شود سیستم از عدم مقیاس پذیری و قابلیت اطمینان رنج ببرد. استفاده از معماری توزیع شده می تواند عملکرد سیستم را بهبود بخشد، اما محدودیت اصلی این کار نگاشت ایستا بین سوییچ و کنترل کننده است که ممکن است منجر به عدم تعادل بار در کنترل کننده ها شود. استفاده از چندین کنترل کننده توزیع شده در SDN برای بهبود مقیاس پذیری و قابلیت اطمینان، جایی که هر کنترل کننده یک بخش ثابت از شبکه را مدیریت می کند، استفاده شده است. درروش پیشنهادی، یک کنترل کننده متعادل (بالکن)، به عنوان طرحی برای انتقال پویای سوییچ SDN برای دستیابی به تعادل بار بین کنترل کننده های SDN با هزینه مهاجرت کم به کار گرفته شده است. تصمیم گیری برای مهاجرت توسط نظارت بر اساس ترافیک شبکه انجام می شود. برای تعادل بار در شبکه مبتنی بر نرم افزار، از یک استراتژی انتقال سوییچ مرحله ای استفاده می شود و کنترل کننده هدف توسط الگوریتم گرگ خاکستری انتخاب می گردد. نتایج نشان می دهد که زمان پاسخ روش پیشنهادی 13% بهتر از روش بالکن است. همچنین با افزایش نرخ ارسال به 8.33%، توان عملیاتی کنترل کننده در مقایسه با روش بالکن بهبود می یابد. لذا، تعادل بار روش پیشنهادی عملکرد بهتری نسبت به کارهای پیشین دارد.کلید واژگان: شبکه مبتنی بر نرم افزار، مهاجرت سوئیچ، تعادل بار، الگوریتم گرگ خاکستریSoftware Defined Network (SDN) has become a popular model for centralized control and management in many modern network scenarios. However, for large data centers with hundreds of thousands of servers and several thousand switches, a single controller mode causes the system to suffer from lack of scalability and reliability. The use of distributed architecture can improve system performance, but the main limitation of this work is the static mapping between the switch and the controller, which may lead to load imbalances in the controllers. The use of multiple controllers distributed in SDN has been used to improve scalability and reliability, where each controller manages a fixed partition of the network. In the proposed method, a balanced controller (BalCon) is used as a scheme to dynamic migrate the SDN switch to achieve load balance between SDN controllers with low migration cost. The decision to migrate is made by the monitor based on network traffic. To balance load in the software-based network, a staged switch migration strategy is used and the target controller is selected by the gray wolf algorithm. The results show that the response time of the proposed method is 13% better than the BalCon method. Also, by increasing the sending rate to 8.33%, the controller's throughput improves compared to the BalCon method. Therefore, the load balance of the proposed method has a better performance than previous works.Keywords: Software defined network, Switch Migration, Load Balancing, Gray wolf algorithm
-
با گسترش روزافزون محیط های شهری، ایجاد و توسعه سیستم های حمل ونقل درون شهری به منظور کاهش ترافیک، آلودگی ها و کاهش هزینه های ناشی از عبور و مرور درون شهری امری ضروری است. با توجه به اینکه بخش مهمی از هزینه ساخت مترو مربوط به حفاری و نگهداری تونل ها می شود. بنابراین یکی از مهم ترین تصمیم ها در بحث ساخت تونل های مترو روش حفاری در محیط های آبرفتی و ریزشی می باشد. حفاری تونل توسط ماشین TBM-EPB در مقایسه با سایر روش های حفاری در خاک های نرم و مناطق ریزشی یک روش سریع، پرقدرت و همراه با نگهداری است. یکی از عوامل بسیار مهم در جلوگیری از ریزش سینه کار در حین حفاری در زمین های نرم و آبرفتی برآورد فشار سینه کار بهینه ماشین حفاری در هر مرحله حفاری (کیلومتراژهای مختلف) می باشد. زیرا کم و یا زیاد بودن فشار سینه کار ماشین حفاری منجر به افزایش هزینه ها، خسارت های جانی، سختی زیاد و همچنین منجر به وقفه در اتمام پروژه می شود. در این مقاله به دلیل عدم قطعیت در پارامترهای ژیوتکنیکی و حساسیت تونل های شهری، مسئله از دیدگاه احتمالاتی مورد مطالعه قرار گرفته است. به همین منظور، ابتدا برای 50 حالت مختلف مدل سازی عددی خط 2 مترو تبریز با استفاده از نرم افزار PLAXIS3D2020 صورت گرفته و در ادامه از روش شبیه سازی مونت کارلو برای تولید اعداد تصادفی و اختصاص توزیع های احتمالاتی مناسب استفاده شده است. سپس با استفاده از الگوریتم فراابتکاری گرگ خاکستری (GWO) فشار سینه کار ماشینTBM-EPB با کمک رابطه پیش بینی بدست آمده، تخمین زده شده است. در نهایت به منظور ارزیابی و صحت سنجی رابطه بدست آمده از شاخص های آماری ضریب همبستگی مربع (R2)، شمول واریانس (VAF)، میانگین درصد خطای مطلق (MAPE)، جذر میانگین خطای مربع (RMSE) و میانگین خطای مربع (MSE) استفاده شده است. با توجه به اعتبارسنجی مدل، رابطه ایجاد شده توسط الگوریتم گرگ خاکستری به واقعیت مسئله بسیار نزدیک بوده و از آن می توان برای ادامه مسیر در مناطق مشابه دیگر استفاده کرد.
کلید واژگان: فشار سینه کار ماشینTBM-EPB، الگوریتم گرگ خاکستری، شبیه سازی مونت کارلو، نرم افزار PLAXIS3D2020With the increasing expansion of urban environments, the creation and development of intra-city transportation systems in order to reduce traffic, pollution and reduce the costs of intra-city traffic is essential. Considering that an important part of the construction cost of the metro is related to the excavation and maintenance of tunnels. Therefore, one of the most important decisions in the construction of subway tunnels is the excavation method in alluvial and fall environments. Tunnel excavation by TBM-EPB machine is a fast, powerful and maintenance method compared to other excavation methods in soft soils and fall areas. One of the most important factors in preventing the face pressure from falling during excavation in soft and alluvial fields is estimating the optimal face pressure of the excavation machine in each excavation stage (different kilometers). Because the high or low face pressure of the excavation machine leads to increased costs, loss of life, high hardness and also leads to delays in the completion of the project. In this paper, due to the uncertainty in geotechnical parameters and the sensitivity of urban tunnels, the issue has been studied from a probabilistic perspective. For this purpose, first for 50 different numerical modeling modes of Tabriz Metro Line 2 using PLAXIS3D2020 software and then Monte Carlo simulation method has been used to generate random numbers and assign appropriate probabilistic distributions. Then, using the Gray Wolf meta-heuristic algorithm (GWO), the face pressure of the TBM-EPB machine was estimated using the prediction relation. Finally, in order to evaluate and validate the relationship, the statistical indicators of square correlation coefficient (R2), variance inclusion (VAF), mean absolute error percentage (MAPE), root mean square error (RMSE) and mean square error (MSE) were used. Is. According to the model validation, the relationship created by the gray wolf algorithm is very close to the reality of the problem and it can be used to continue the route in other similar areas.
Keywords: TBM-EPB machine face pressure, Gray Wolf algorithm, PLAXIS3D2020 software, Monte Carlo Simulation -
فرسودگی لوله های سیستم های توزیع آب شهری از مهم ترین چالش های مدیران صنعت آب است. در صورتی که لوله های توزیع آب به پایان عمر مفید خود رسیده باشند و یا به دلیل افزایش تقاضا و تغییرات زبری، لوله ها دیگر کارایی نداشته باشند، باید با لوله های نو جایگزین شوند. محدودیت بودجه یکی از مهم ترین دلایل عدم موفقیت طرح های نوسازی و ارتقای سیستم های توزیع آب است. در رویکرد سنتی، نوسازی کل شبکه در یک فاز انجام می شود و رشد و توسعه سیستم لحاظ نمی شود و بنابراین عدم قطعیت های ناشی از تغییرات پیش بینی نشده، در نظر گرفته نمی شود. در این پژوهش، با یک رویکرد جدید با فازبندی کردن دوره طرح همراه با توسعه شهری و باز طراحی بخشی از لوله ها در فازهای 5 ساله، بر اساس تقسیم بندی بودجه، به نوسازی و ارتقای بخشی از سیستم توزیع آب شهر زاهدان پرداخته شد. به این منظور یک مدل شبیه سازی- بهینه سازی چندهدفه با توابع هدف کمینه سازی هزینه تعویض لوله ها و بیشینه سازی اطمینان پذیری سیستم توزیع آب، برای بهبود عملکرد هیدرولیکی شبکه توسعه داده شد. در این راستا مدل شبیه ساز EPANET با الگوریتم بهینه سازی گرگ خاکستری در محیط نرم افزار MATLAB تلفیق شد. پس از انجام بهینه سازی در فاز 1، نتایج به صورت یک جبهه پرتو بین ضریب اطمینان شبکه و هزینه بازسازی ارایه شد. یکی از پاسخ های بهینه موجود بر روی نمودار به عنوان طرح نهایی انتخاب شد. در این طرح بهینه 22 لوله با مبلغ 276 میلیون تومان و ضریب اطمینان 2/48 درصد تعویض شد. پس از اعمال تغییرات در قطر لوله ها بر اساس طرح فاز 1 مدل به عنوان مدل پایه فاز 2 بهینه سازی شد. در فاز 2 نیز 32 لوله انتخاب و نوسازی شد. به همین ترتیب پس از پایان فاز 4 مشخص شد که ضریب اطمینان شبکه به صورت چشمگیری 150 درصد افزایش داشت و فشار تمامی گره های شبکه در محدوه مجاز قرار داشت. بر اساس نتایج به دست آمده از این پژوهش می توان این گونه اظهارنظر کرد که استفاده از رویکرد به کار برده شده در این پژوهش در شرایط کمبود بودجه می تواند بسیار موثر باشد که علاوه بر مدیریت بودجه موجب افزایش ضریب اطمینان شبکه می شود.
کلید واژگان: سیستم های توزیع آب، بهینه سازی، الگوریتم گرگ خاکستری، نوسازی، ضریب اطمینانPipe wear in urban water supply networks is one of the most important challenges faced by water authorities. Older pipes must be replaced by new ones once they reach the end of their service life or are no longer useful due to a rise in demand and changes in surface roughness. Budget limits are one of the most common reasons for the failure of renovation and upgrade plans in water supply networks. In the traditional approach, the whole renovation is done in one phase and does not take into account the growth and development of the system. Therefore, uncertainties due to unforeseen changes are not considered. The present study addresses the renovation and upgrade of a part of the water supply network in Zahedan city via a novel approach. This approach involves dividing the plan into phases and redesigning some of the pipes during 5-year phases based on budget partitioning. To improve the hydraulic performance of the network, a multi-objective simulation-optimization model was developed with the pipe replacement cost and the water supply network reliability as the objective functions that must be minimized and maximized, respectively. For this purpose, the EPANET simulator model was combined with the Gray Wolf Optimization (GWO) algorithm in MATLAB software. The model execution results in each Phase were presented in the form of a Pareto front between the objective functions. This allows the company to renovate the water supply network based on the budget in each phase. After optimization in phase 1, the results were presented as a Pareto front between the network reliability coefficient and the reconstruction cost. One of the optimal answers on the chart was selected as the final design. In this optimal design, 22 pipes at a cost of 276 million Tomans and a reliability coefficient of 48.2% were replaced. After applying changes in the diameter of the pipes according to the design, the first phase was optimized as the basic model of the second phase. In phase 2, 32 pipes were selected and renovated. Similarly, after the end of Phase 4, it was found that the network reliability has increased significantly (150%) and the pressure of all network nodes was within the allowable range. The results indicate that the used approach can considerably increase the reliability of the network in addition to appropriately managing the renovation budget.
Keywords: Water Supply Networks, optimization, Gray wolf algorithm, Renovation, Reliability
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.