به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

whale optimization algorithm

در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه whale optimization algorithm در مقالات مجلات علمی
  • فاطمه عوض پور، محمدرضا هادیان*، علی طالبی
    مقدمه و هدف

    شبیه سازی آبدهی رود در ایستگاه های آب سنجی به منظور آگاهی از آب دهی رود در دوره های زمانی آینده از مسائل مهمی است که معمولا به وسیله سری های زمانی آب شناختی مرتبط با همان ایستگاه انجام می شود. به منظور پیش بینی آب دهی رود با بیشترین دقت از سه گروه بزرگ شامل روش های تجربی و آماری، مفهومی و فرایند-محور استفاده می شود. از جمله روش های داده-محور، روش های مبتنی بر پایه هوش مصنوعی هستند. هدف این پژوهش، بررسی عملکرد مدل های یادگیری ماشین شامل: SVM وANFIS ، ANN و بررسی عملکرد مدل آموزش داده شده شبکه عصبی با دستورالعمل های بهینه سازی نهنگ (WOA) و دستورالعمل ازدحام ذرات (PSO) در پیش بینی آب دهی رود بود. افزون بر ارزیابی مدل های هوشمند، تاثیر استفاده از دستورالعمل های بهینه سازی بر دقت پیش بینی آب دهی رود بررسی شد. از آنجایی که برای استفاده از مدل های داده-محور، داده های ورودی تاثیر قابل توجهی بر عملکرد مدل ها دارند، ازاین رو سنجه های موثر بر آب دهی رود مشخص شد و بهترین ترکیب متغیرهای ورودی برای هر مدل تعیین شد. 

    مواد و روش ها

    در این پژوهش، به منظور پیش بینی آب دهی روزانه در ایستگاه آب سنجی پل دختر واقع بر رود کشکان، داده های آب دهی رود و بارش مربوط به سال های 1397-1350 تهیه شد. از مدل های هوشمند ساختار استنتاج فازی عصبی (ANFIS) و ساختار بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، مدل ترکیبی شبکه عصبی و دستورالعمل ازدحام ذرات (ANN-PSO) و مدل ترکیبی شبکه عصبی و دستورالعمل نهنگ (ANN-WOA) استفاده شد. در دو مدل ترکیبی تلاش شد که سنجه های شبکه عصبی با استفاده از دستورالعمل های فراابتکاری تنظیم شوند و تاثیر آن بر عملکرد مدل ANN بررسی شود. هم چنین، در این پژوهش، تاثیر داده های آب دهی رود و بارش همراه با تاخیرهای زمانی (داده های مربوط به روزهای گذشته) و ترکیبی از این سنجه ها به عنوان ورودی مدل ها بررسی شد. به منظور تعیین بهترین ترکیب متغیرهای ورودی، روش های آماری تابع همبستگی خودکار (ACF) و تابع همبستگی خودکار جزئی (PACF) و ضریب همبستگی پیرسون (PCC) به کارگرفته شد. پس از اعمال ورودی های موثر و آموزش مدل های هوشمند نامبرده، با مقایسه اندازه های RMSE، R2 و NE، عملکرد آن ها در پیش بینی آب دهی رود بررسی شد. 

    نتایج و بحث

    نتایج بررسی همه مدل ها در این پژوهش نشان داد که آب دهی یک (Q-1)، دو (Q-2) و سه (Q-3) روز گذشته و بارش یک روز گذشته (P-1)، بیش ترین همبستگی را با آب دهی روزانه رود نشان داد. به طور کلی، برای مدل کردن آب دهی رود در آبخیز کشکان دقت همه مدل ها قابل قبول بود. بر اساس نتایج به دست آمده، بیشترین دقت برای پیش بینی آب دهی روزانه جریان مربوط به مدل ANN-WOA با بیش ترین اندازه ضریب تبیین (0/896 R2=) و ضریب نش- ساتکلیف (0/803 NE=) و کمترین اندازه خطا (0/0186RMSE=)، بود. پس از آن، مدل SVM با ساختار تابع کرنل پایه شعاعی و اندازه های 4C=، 1  =و 0/001  =با اندازه ضریب تبیین (0/895 R2=)، ضریب نش -ساتکلیف (0/801 NE=) و اندازه خطا (0/0187RMSE=)، عملکرد بهتری نشان داد و مدل های ANN-PSO و ANN نیز به ترتیب در رده های سوم و چهارم بودند. نتایج بیانگر آن بود که استفاده از دستورالعمل های بهینه سازی فرابتکاری دقت مدل ANN را افزایش داد و می توان از آن برای آموزش شبکه استفاده کرد. بررسی ساختارهای گوناگون ANFIS نشان داد برای مدل سازی آب دهی رود منطقه مطالعه شده عملکرد توابع مثلثی و گوسی بیشتر بود. از سوی دیگر، خطای این مدل با اندازه های 023/0RMSE= و 76/0NE= در مقایسه با دیگر مدل ها بیشتر بود. 

    نتیجه گیری و پیشنهادها

    نتایج این پژوهش نشان داد برای پیش بینی آب دهی رود دقت مدل های یادگیری ماشین مانند SVM،ANFIS  و ANN قابل قبول بود. تنظیم سنجه های شبکه عصبی با استفاده از دستورالعمل های بهینه سازی مانند WOA و PSO تاثیر بسزایی در بهبود عملکرد این مدل داشت. سرانجام می توان گفت این مدل ها می توانند جایگزین مناسبی برای مدل های مفهومی و آب شناختی در حل مسائل آب شناختی و آب دهی باشند. پیشنهاد می شود دو مدل SVM و ANFIS با استفاده از دستورالعمل PSO و WOA آموزش داده شود و سپس نتایج با یافته های این پژوهش مقایسه شود.

    کلید واژگان: آب دهی رود، آبخیز کشکان، بارش-رواناب، دستورالعمل ازدحام ذرات، دستورالعمل نهنگ، هوش مصنوعی
    Fatemeh Avazpour, Mohammad Reza Hadian *, Ali Talebi
    Introduction and Goal


    The simulation of river discharge at hydrometric stations to predict future flow discharge over specific time periods is an important issue typically addressed using hydrological time series associated with the respective station. To predict river discharge with the hights accuracy, three major groups of methods are commonly utilized: empirical and statistical methods, conceptual methods, and process-based approaches. Among data-driven methods, those based on artificial intelligence-based are prominent. The aim of this study was evaluating the performance of machine learning models, including SVM, ANFIS, and ANN, and assessing the performance of a neural network model trained with Whale Optimization Algorithm (WOA) and Particle Swarm Optimization (PSO) to predict flow discharge. In addition to evaluating the intelligent models, the impact of using optimization algorithms on the accuracy of river discharge predictions was also examined. Since input data have a significant impact on the performance of data-driven models, the criteria influencing the river discharge were identified, and the best combination of input variables for each model was determined.

    Materials and Methods

    In this study, to predict the daily discharge at the Poldokhtar hydrometric station located on the Kashkan River, discharge and precipitation data from 1971 to 2018 were collected, and Intelligent models, including Adaptive Neuro-Fuzzy Inference System (ANFIS), Support Vector Machine (SVM), Artificial Neural Network (ANN), and the hybrid model of Artificial Neural Network with Particle Swarm Optimization (ANN-PSO) and the hybrid model of Artificial Neural Network with Whale Optimization Algorithm (ANN-WOA) were employed. In the two hybrid models, efforts were made to adjust the criterias of the artificial neural network using metaheuristic algorithms, and their impact on the performance of the ANN model was examined. Additionally, this study investigated the impact of river discharge and precipitation data, along with their time lags (data from previous days), and combinations of these metrics as input variables for the models. To determine the best combination of input variables, statistical methods such as the Autocorrelation Function (ACF), Partial Autocorrelation Function (PACF), and Pearson Correlation Coefficient (PCC) were employed. After applying the effective inputs and training the mentioned intelligent models, their performance in predicting river discharge was evaluated by comparing RMSE, R², and NE metrics.

    Results and Discussion

    The evaluation of all models in this study showed that the river discharge of one day (Q-1), two days (Q-2), and three days (Q-3) ago, along with the precipitation of one day ago (P-1), exhibited the highest correlation with the river’s daily discharge. Overall, all models demonstrated acceptable accuracy in modeling the river discharge in the Kashkan watershed. According to the results, the highest accuracy in predicting daily discharge was achieved by the ANN-WOA model, with the highest coefficient of determination (R² = 0.896), Nash-Sutcliffe efficiency (NE = 0.803), and the lowest error (RMSE = 0.0186). Subsequently, the SVM model, using a radial basis kernel function with parameters C=4, γ=1, and ϵ=0.001 demonstrated superior performance, with a coefficient of determination (R² = 0.895), Nash-Sutcliffe efficiency (NE = 0.801), and an error (RMSE = 0.0187). Then, the ANN-PSO and ANN models ranked third and fourth, respectively. The results indicated that using metaheuristic optimization algorithms significantly improved the accuracy of the ANN model, making it a suitable tool for neural network training. The evaluation of different ANFIS structures revealed that triangular and Gaussian functions performed better for modeling river discharge in the study area. On the other hand, the error of this model, with values of RMSE=0.023 and NE=0.76 was higher compared to the other models. 

    Conclusion and Suggestions

    This study demonstrated that machine learning models, such as SVM, ANFIS, and ANN, exhibited acceptable accuracy in predicting river discharge. Adjusting neural network parameters using optimization algorithms like WOA and PSO significantly enhanced the performance of the ANN model. Finally, it can be concluded that these models can serve as suitable alternatives to conceptual and hydrological models for addressing hydrological and discharge-related issues. It is recommended to train the SVM and ANFIS models using the PSO and WOA algorithms and then compare the results with the findings of this study.

    Keywords: Kashkan Watershed, Rainfall-Runoff, Particle Swarm Optimization, Whale Optimization Algorithm, Artificial Intelligence
  • علیرضا دنیایی، امیرپویا صراف*، حسن احمدی

    استفاده از روش ها و ابزارهای بهینه سازی برای بهره برداری چندهدفه از مخازن امری اجتناب ناپذیر است. در این پژوهش پس از معرفی الگوریتم بهینه سازی چندهدفه نهنگ (MOWOA)، عملکرد آن در مساله بهره برداری بهینه از مخزن سد بوستان براساس روش حل تعارض کالای و اشمورودینسکی ارزیابی شد. در مساله بهینه سازی حاضر ضمن اعمال محدودیت های معادلات پیوستگی مخزن، توابع هدف به صورت کمینه سازی کمبودهای نیاز آبی اراضی پایین دست و کمینه سازی انحراف از حجم ایده آل کنترل سیل طی دوره بهره برداری تعریف گردید. عملکرد حاصل از الگوریتم های پیشنهادی با الگوریتم NSGA-II به عنوان یکی از الگوریتم های رایج در این زمینه مقایسه شد. عملکرد مدل بر اساس شاخص های اطمینان پذیری، برگشت پذیری، آسیب پذیری و پایداری مورد مقایسه و ارزیابی قرار گرفتند و برای حل تعارض موجود بین اهداف، از روش های مبتنی بر نظریه بازی ها (روش کالای و اشمورودینسکی) برای یافتن جواب بهینه استفاده شد. نتایج حاصل از بهینه ساری نشان دادند که در هر دو تابع هدف تامین نیاز آبی و کنترل سیلاب، MOWOA عملکرد بهتری را نسبت به NSGA-II از خود نشان می دهد. در خصوص مدت زمان انجام عملیات بهینه سازی، MOWOA به دلیل دارابودن پارامترهای تنظیمی کمتر، سریعتر از NSGA-II به همگرایی می رسد. شاخص های ارزیابی عمکرد مدل حاکی از آن است که از دیدگاه اطمینان پذیری MOWOA از مقادیر بالاتری (86 درصد) نسبت به الگوریتم NSGA-II برخوردار است. نتایج به دست آمده از روش آنتروپی شانون برای وزن دهی شاخص ها نشان می دهد که پارامترهای ارزیابی مدل دارای وزن بیشتری نسبت به توابع هدف می باشند. نتایج حاصل از روش کالای و اشمورودینسکی نشان داد که سیاست های بهره برداری از مخزن بوستان انطباق بسیار مناسبی را با MOWOA نشان می دهد. از سوی دیگر از آنجاییکه مطلوبترین و نامطلوبترین مقادیر توابع هدف بدست آمده بوسیله MOWOA کمتر است، می توان عملکرد MOWOA را مناسب تر تشخیص داد.

    کلید واژگان: بهینه سازی، بهره برداری چندهدفه، شاخص های ارزیابی عملکرد مدل، روش آنتروپی شانون، الگوریتم بهینه سازی NSGA II، الگوریتم بهینه سازی چندهدفه نهنگ، تئوری بازی ها، مخزن سد بوستان
    Alireza Donyaii, Amirpouya Sarraf*, Hassan Ahmadi

    It is inevitable to use optimization methods for multi-objective reservoirs' operation. In this research, after introducing the whale multi-objective optimization algorithm, its performance as optimal operation of the Boostan dam reservoir was evaluated based on the Conflict Resolution Method of Kalai-Smorodinsky. In the present optimization problem, while applying the constraints of reservoir continuity equations, the objective functions were defined as minimization of downstream water demand deficiencies and minimizing reservoir volume for flood control during the operation period. The performance of the proposed algorithm was compared with NSGA-II as one of the common algorithms in this field. Model performance was compared and evaluated based on reliability, reversibility, vulnerability and sustainability indices. To solve the conflict between the goals, the game theory-based method (Kalai-Smorodinsky method) was used to find the optimal solution. The optimization results showed better performance of the whale multi-objective algorithm than NSGA-II, in both objective functions. In terms of optimization time, the multi-objective whale algorithm converges faster than NSGA-II because of the fewer regulatory parameters. The model performance evaluation indices show that whale algorithm reliability is higher (86%) than NSGA-II. Moreover, the results of Shannon entropy method for weighting the indices showed that the model evaluation parameters are more weighted than the objective functions. The results of the Kalai-Smorodinsky method showed that the operation policies of Boostan Dam Reservoir have got a very good agreement with the whale multi-objective algorithm. On the other hand, since the most and the least desirable objective function values estimated by the whale multi-objective optimization algorithm are less than the other one, the performance of the whale multi-objective algorithm can be more appropriately identified.

    Keywords: Optimization, Multi, Objective Operation, Model performance evaluation indices, Shannon entropy Method, NSGA, II optimization algorithm, Whale optimization algorithm, Game theory, Boostan Dam Reservoir.
  • فرشاد احمدی*

    استفاده از توزیع های تک متغیره در تحلیل فراوانی پارامترهای هیدرولوژیک، بدون توجه به ساختار وابستگی آن ها به صورت یک شیوه استاندارد درآمده و تحلیل های چندمتغیره کمتر می شود. در این مطالعه از توابع مفصل برای مدل سازی ساختار وابستگی بارش و دمای سالانه استان خوزستان در دوره آماری 1988 تا 2018 استفاده شد. بدین منظور شش ایستگاه سینوپتیک دزفول، اهواز، رامهرمز، ماهشهر، آبادان و مسجد سلیمان به دلیل دارا بودن آمار کافی انتخاب شدند. سپس نه تابع توزیع تک متغیره به داده های دما و بارش برازش داده شد. پس از انتخاب توزیع های حاشیه ای مناسب، در مرحله بعد چهار تابع مفصل مختلف شامل علی- میخاییل- حق، کلایتون، فرانک، و فارلی- گامبل- مورگنسترن برای تحلیل چندمتغیره بارش و دمای ایستگاه های مورد مطالعه به کار گرفته شد. مهم ترین قسمت در کاربرد توابع چندمتغیره، تعیین پارامتر وابستگی تابع مفصل است که در این مطالعه از الگوریتم نهنگ کوهاندار استفاده شد. نتایج نشان داد که برای پارامترهای بارش و دمای ایستگاه های آبادان، دزفول، ماهشهر و مسجد سلیمان، تابع مفصل کلایتون و برای سایر ایستگاه ها تابع فرانک بهترین عملکرد را داشته و دلیل این امر نیز عدم وجود محدوده خاص سطح وابستگی برای این مفصل ها در فرآیند مدل سازی پارامترهای هیدرولوژیک بود.

    کلید واژگان: الگوریتم نهنگ کوهاندار، توزیع حاشیه ای، توزیع توام، ساختار وابستگی
    Farshad Ahmadi*

    Temperature variations have a very strong impact on ecosystems and pose many challenges for economic, social and agricultural developments. According to reports from the Intergovernmental Panel on Climate Change (IPCC) in the 20th century, the global temperature could rise by about 0.4 to 0.8 degrees Celsius. By the way, forecasts with six different scenarios showed that the temperature rise may reach 1.8 to 4 degrees Celsius at the end of the 21st century. Researches indicated that despite uncertainties in climate forecasts, the increase in temperature caused by human activities is bound to result in sudden and irreversible changes in the global water cycle. It has been confirmed in several studies that the temperature changes affect the precipitation parameter. Finding the relationship between the marginal distributions of the various variables to understand the laws governing these dependencies can be very effective in recognition of the observed hydrological events. Therefore, the assumption of independence between the variables can cause doubt in the accuracy of the results, so using bivariate data analysis methods could be very helpful. Due to the correlation between different hydrological parameters, the use of methods that can take into account the interdependence of variables and jointly model them could gain more reliable accuracy. In this regard, the lack of studies is strongly observed, thus the purpose of this research is to use copula functions in simultaneous modeling of annual precipitation and temperature in Khuzestan province. Copulas are multivariate distribution functions which their one-dimensional margins are uniform in (0, 1). Sklar (1959) introduced the theory of the copula function and showed how univariate distribution functions could be interconnected using this method to create multivariate distribution functions. An important advantage of copula functions is that they allow the transfer of multivariate functions from to . For this purpose, the marginal functions of each variable are calculated and the copula function is construct using the dependency structure between the parameters. Therefore, it presents a full description of inner dependency structure In other words, the Sklar’s theorem claims that the dependency structure explained by copula function when the inner dependency among the variables is considered and univariate marginal distributions are calculated. The copula functions are made up of many families, including the Archimedean copulas. Archimedean copulas have been used in various fields of science such as economics, environmental studies and hydrological events due to their specific mathematical explicit formula. Many copulas do not have explicit formula, and this poses many challenges to their application. Applications of multivariate techniques for frequency analysis of hydrological parameters can be very useful and provide more reliable results. The most important part of using copulas is calculating the copula parameter. Many methods have been developed for this purpose. Ultra-innovative optimization algorithms can be very useful.In this study, four different copula functions (including, Ali - Mikhail – Haq, Clayton, Frank and Farlie- Gumbel- Morgenstern) were used for multivariate analysis of annual precipitation and temperature in Khuzestan province. In order to select the suitable copula function for forming the bivariate distribution, after fitting the suitable marginal distribution on every variables and estimating the distribution parameters, seven copula function used to link the marginal functions and the dependency parameter of every copula function was estimated by WOA method. Finally, the best fitted copula function was selected by comparing the CDF values of every copula function with corresponding values obtained from empirical copula. For selecting the best copula function, the Cramér–von Mises (Sn) and Normalized Root Mean Square Error (NRMSE) criteria were used. Copula is a flexible approach for constructing joint distribution with different types of marginal distributions. Indeed, the copula is a function which links univariate marginal distributions to construct a bivariate or multivariate distribution function. In this study, the annual precipitation and temperature in Khuzestan province during 1988-2018 were investigated, using copula functions. For this purpose, six synoptic stations were selected because of their sufficient statistics, including: Dezful, Ahvaz, Ramhormoz, Mahshahr, Abadan and Masjed Soleiman. In the next step, nine different distribution functions were fitted on considered series and the best fitted distributions was selected for studid stations. After specifying the marginal distributions, four different copula functions (including: Ali- Mikhail- Haq, Clayton, Frank and Farlie- Gumbel- Morgenstern) were used for constructing multivariate frequency analysis of temperature and rainfall series. The most important part of applying multivariate functions is to determine the coefficient of copula function. Thus for this purpose, the Whale Optimization Algorithm (WOA) was used. After determining the coefficients of the copula functions, the joint distributions were constructed. The results showed that for the precipitation and temperature series of the Abadan, Dezful, Mahshahr and Masjed Soleiman stations Clayton function, and in other stations the Frank function had the best accuracy.

    Keywords: Whale optimization algorithm, Copula function Marginal distributio, n Joint distribution, Dependence structure
  • بیژن راعی*، عباس احمدی، محمدرضا نیشابوری، محمدعلی قربانی، فرخ اسدزاده

    پیش بینی فرسایش پذیری بادی از طریق ویژگی های خاک به عنوان گامی اساسی در مدل سازی فرسایش بادی محسوب می شود. این پژوهش با هدف مقایسه کارایی چهار روش مختلف شامل رگرسیون خطی چندمتغیره، شبکه عصبی مصنوعی، شبکه عصبی مصنوعی هیبریدشده با الگوریتم ژنتیک و شبکه عصبی هیبریدشده با الگوریتم بهینه سازی وال در مدل سازی فرسایش پذیری بادی در بخشی از اراضی پیرامون شرقی دریاچه ارومیه انجام شد. برای این منظور، 96 نمونه خاک به روش تصادفی نظارت شده جمع آوری و 32 ویژگی مختلف فیزیکی و شیمیایی آن ها در آزمایشگاه تعیین شدند. همچنین فرسایش پذیری بادی نمونه ها نیز با استفاده از تونل باد تعیین گردید. از میان ویژگی های خاک، چهار ویژگی شامل فراوانی ذرات ثانویه 1/0 تا 25/0 میلی متری، فراوانی ذرات ثانویه  7/1 تا 2 میلی متری، فراوانی ذرات شن ریز و محتوای کربن آلی از طریق رگرسیون گام به گام به عنوان ورودی مدل های پیش بینی فرسایش پذیری، انتخاب شدند. نتایج نشان داد که مدل شبکه عصبی هیبریدشده با الگوریتم بهینه سازی وال با توجه به کمترین مقادیر میانگین خطا (11/0-) و جذر میانگین مربعات خطا (9/2) و بیشترین مقادیر ضریب تبیین (87/0) و ضریب کارایی نش-ساتکلیف (87/0) از کارایی مطلوب تری در پیش بینی فرسایش پذیری بادی خاک های منطقه برخوردار است و پس از آن روش های شبکه عصبی مصنوعی هیبرید شده با الگوریتم ژنتیک، شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره به ترتیب در رتبه های بعدی قرار داشتند. در مجموع با توجه به کارایی قابل قبول مدل شبکه عصبی هیبریدشده با الگوریتم بهینه سازی وال در پیش بینی فرسایش پذیری بادی، استفاده از این روش برای تعیین سریع و دقیق فرسایش پذیری خاک های منطقه توصیه می شود.

    کلید واژگان: شبکه عصبی مصنوعی، الگوریتم ژنتیک، الگوریتم بهینه سازی وال، فرسایش بادی، تونل باد
    Bijan Raei *, Abbas Ahmadi, MohammadReza Neyshaburi, MohammadAli Ghorbani, Farokh Asadzadeh

    Prediction of soil wind erodibility through soil characteristics is an important aspect for modeling soil wind erosion. This study was conducted to compare the efficiency of multiple linear regression (MLR), artificial neural network (MLP), artificial neural network based on genetic algorithm (MLP-GA) and artificial neural network based on whale optimization algorithm (MLP-WOA) for prediction of soil wind erodibility in part of eastern land of Urmia Lake. In this research, 96 soil samples were collected based on a stratified random sampling method and their physicochemical properties were measured. Additionally, the wind erodibility of soil samples was measured using a wind tunnel. Among the 32 measured soil properties, four properties including the percentages of fine sand, size classes of 1.7-2.0, and 0.1-0.25 mm (secondary particles) and organic carbon were selected as the model inputs by stepwise regression. Result showed that the MLP-WOA was the most effective method for predicting soil wind erodibility in the study area regarding to the lowest RMSE (2.9) and ME (-0.11), and the highest R2 (0.87) and NSE (0.87) values; followed by MLP-GA, MLP, and MLR. Considering the high efficiency of MLP-WOA, This method can be used as a promising method for determination of soil wind erodibility in the study area.

    Keywords: Artificial Neural Network, Genetic Algorithm, Whale Optimization Algorithm, Wind Erosion, Wind Tunnel
  • مجید محمدی، سیدفرهاد موسوی، سعید فرزین*، حجت کرمی
    بهره برداری بهینه از مخازن سدها، یکی از مباحث ضروری در مدیریت منابع آب و به ویژه منابع آب سطحی است. در پژوهش حاضر، پس از معرفی الگوریتم بهینه سازی وال، عملکرد این الگوریتم به تنهایی و در حالت ترکیب با الگوریتم ژنتیک در مسئله بهره برداری بهینه از مخزن سد سلمان فارسی ارزیابی شده است. در مسئله بهینه سازی حاضر، تابع هدف به صورت کمینه سازی کل کمبود طی بهره برداری تعریف شده است. همچنین، محدودیت های معادله پیوستگی مخزن، حجم ذخیره مخزن و حجم رهاسازی از مخزن بر تابع هدف مسئله اعمال شده اند. عملکرد حاصل از الگوریتم های پیشنهادی با عملکرد حاصل از الگوریتم ژنتیک به عنوان یکی از الگوریتم های رایج در این زمینه و برنامه ریزی غیرخطی به عنوان بهینه یاب مطلق مقایسه شده است. عملکرد مدل ها براساس شاخص های اطمینان پذیری، برگشت پذیری، آسیب پذیری و پایداری ارزیابی شده است. نتایج به دست آمده از جواب های بهینه نشان دادند جواب بهینه مطلق براساس روش برنامه ریزی غیرخطی و با استفاده از نرم افزار لینگو برابر 181/0 به دست آمده است و جواب بهینه مدل های الگوریتم هیبریدی وال-ژنتیک، الگوریتم ژنتیک و الگوریتم وال به ترتیب با 9/2، 2/24 و 0/337 درصد افزایش نسبت به جواب بهینه مطلق در رتبه های اول تا سوم قرار دارند. همچنین، نتایج به دست آمده از شاخص های ارزیابی عملکرد مدل ها نشان دادند از نظر اطمینان پذیری و آسیب پذیری، مدل برنامه ریزی غیرخطی و از لحاظ برگشت پذیری، الگوریتم ژنتیک و از نظر پایداری، الگوریتم هیبریدی وال-ژنتیک بهترین عملکرد در بین مدل ها را دارند. به منظور انتخاب برترین مدل براساس تابع هدف و شاخص های ارزیابی عملکرد مدل ها از روش تصمیم گیری چندمعیاره استفاده شده است. نتایج به دست آمده از این روش نشان دادند عملکرد الگوریتم هیبریدی وال-ژنتیک در رتبه اول قرار دارد و مدل های برنامه ریزی غیرخطی، الگوریتم ژنتیک و الگوریتم وال به ترتیب در رتبه های بعدی قرار دارند.
    کلید واژگان: الگوریتم‏ هیبریدی وال-ژنتیک، الگوریتم بهینه‏سازی وال، بهره‏برداری بهینه از مخزن سد سلمان فارسی، برنامه ریزی غیرخطی، تصمیم‏گیری چندمعیاره
    Majid Mohammadi, Sayed Farhad Mousavi, Saeed Farzin *, Hojat Karami
    Optimal operation of reservoirs is one of the most important issues in water resources management. In the present study after introducing Whale Optimization Algorithm (WOA), the performance of this algorithm is evaluated separately and in the hybrid with the Genetic Algorithm (hybrid WOA-GA) in the optimal operation problem of Salman Farsi dam reservoir. In the present optimization problem, the objective function is defined as minimizing the total deficit during the operation period. Also, the constraints of the reservoir continuity equation, reservoir storage volume and released volume from the reservoir have been applied to the objective function of the problem. The Performance of proposed algorithms is compared with the performance of the Genetic Algorithm (GA) and Non-Linear Programming (NLP). The performance of models has been evaluated based on Reliability, reversibility, vulnerability and stability criteria. The results of optimal solutions showed that the absolute optimum is equal to 0.181 based on NLP method and using Lingo software and the optimal solutions for the models of the hybrid WOA-GA, GA and WOA with 2.9, 24.2 and 337 percent increase compared to the absolute optimum are ranked first to third respectively. A Multi-Criteria Decision-Making technique (MCDM) has been used to select the best model based on the objective function and evaluation criteria of the models' performance. The results of this technique showed that the performance of the hybrid WOA-Ga model is ranked first, and the models of NLP, GA and WOA are in the next ranks, respectively.
    Keywords: Optimal operation of Salman Farsi dam reservoir, Non-Linear Programming, hybrid Whale-Genetic algorithm, Whale Optimization Algorithm, Multi-Criteria Decision Making
نکته
  • 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.
درخواست پشتیبانی - گزارش اشکال