gray wolf optimization algorithm
در نشریات گروه آب و خاک-
اندازه گیری جریان رودخانه ها یکی از مهم ترین مسائل در مدیریت رودخانه است به همین دلیل همواره تلاش می شود از روش های دقیقی برای اندازه گیری آن استفاده شود. هدف این مطالعه بهبود کارایی مدل رگرسیون بردار پشتیبان (SVR) با استفاده از الگوریتم بهینه سازی گرگ خاکستری (GWO) برای مدل سازی جریان ماهانه رودخانه است. برای این کار از داده های ماهانه جریان ماهانه رودخانه، بارندگی و دما طی 15 سال (از سال 1400 تا 1385) استفاده شد. برای انتخاب بهترین متغیرهای ورودی به مدل SVR و GWO-SVR از روش سعی و خطا استفاده شد. بر اساس نتایج حاصل از این روش Q(t-1) R(t-1),T(t-1) بهترین متغیرهای مستقل برای شبیهسازی متغیر Q_t هستند. از 80درصد همه دادهها برای آموزش و 20 درصد دادهها برای صحت سنجی مدلهای SVR و GWO-SVR استفاده شد، از شاخصهای R^2، RMS وNSE برای ارزیابی کارایی مدلها استفاده شد. برای توسعه مدلها از توابع فعال ساز خطی (LKF)، چندجمله ایی (PKF)،تابع پایه شعاعی (RBF)، سیگموید (SKF) استفاده شد. ابتدا از روش سعی و خطا برای تعیین پارامترهای توابع فعال ساز استفاده شد.بر اساس نتایجحاصل از این مطاله مدل SVR با تابع فعال ساز چندجمله ایی بهترین عملکرد را در مرحله آموزش و صحت سنجی دارد و با تابع فعال ساز خطی بدترین عملکرد را در مرحله اموزش و صحت سنجی دارد. سپس از الگوریتم GWO برای تعیین پارامترهای توابع فعال ساز استفاده شد. بر اساس نتایج حاصل مدل SVR با الگورییتم GWO عملکرد بهتری دارد. بنابرین برای شبیهسازی جریان ماهانه اب رودخانه با استفاده از این مدل بهتر است به جای روش سعی و خطا از الگوریتم GWO استفاده شود
کلید واژگان: جریان ماهانه رودخانه، رگرسیون بردار پشتیبان، الگوریتم بهینه سازی گرگ خاکستری، مدیریت منابع آبMeasuring the flow of rivers is one of the most important issues in river management, that's why it is always tried to use accurate methods for its measurement. The aim of this study is to enhance the performance of Support Vector Regression (SVR) model using the Gray Wolf Optimization (GWO) algorithm for monthly river flow modeling. For this purpose, the monthly data of river flow, precipitation and temperature during 15 years (from 1400 to 2015) are used. The trial and error procedure is used to select the best input variables to the SVR and GWO-SVR models. Based on the results of this method, Q(t-1), R(t-1), T(t-1) are the best independent variables for simulating the variable Q_t. 80% of all data are used for training and 20% for validating the SVR and GWO-SVR models. Also, R^2, RMS and NSE indices are utilized to evaluate the efficiency of the models, linear (LKF), polynomial (PKF), radial basis function (RBF), and sigmoid (SKF) activation functions are used to develop the models. First, the trial and error procedure is used to determine the parameters of the activation functions. Based on the results of this study, the SVR model with the polynomial activation function has the best performance in the training and validation stage, and the worst performance with the linear activation function in the training and verification stages. Then, the GWO algorithm is used to determine the parameters of the activation functions. Based on the results, the SVR model performs better with the GWO algorithm. Therefore, to simulate the monthly flow of river using this model, it is better to use the GWO algorithm instead of the trial and error procedure.
Keywords: Monthly River Flow, Support Vector Regression, Gray Wolf Optimization Algorithm, Water Resources Management
- 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.