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

ant colony algorithm

در نشریات گروه اکولوژی
تکرار جستجوی کلیدواژه ant colony algorithm در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه ant colony algorithm در مقالات مجلات علمی
  • اردلان عبدالله زاده، علیرضا وفائی نژاد*

    افزایش جمعیت، مصرف بی رویه، توسعه کشاورزی و تغییرات آب و هوایی باعث شده تا منابع آب موجود روند کاهشی داشته باشند و به مرحله بحرانی برسند. این معضل در کشورهای در حال توسعه نظیر ایران، ملموس تر است. به این منظور، باید سیاست های مهمی اتخاذ شوند تا مدیریت منابع آب بهبود یابد و هدررفت آب به حداقل برسد. هدف از انجام این پژوهش، کمک به بهبود مدیریت توزیع آب در شبکه آبیاری شهرستان قره ضیاء الدین با استفاده از سیستم اطلاعات مکانی و بهره گیری از الگوریتم کلونی مورچه است. در این مقاله، ابتدا مساحت بهینه به منظور کاشت هر محصول با طراحی یک تابع هدف و اعمال قیودی نظیر بیشترین و کمترین مساحت کشت برای هر محصول در زمین کشاورزی مورد نظر، محاسبه شد. سپس، محصولات با رویکردی ترکیبی به الگوریتم کلونی مورچه و روش حل مسئله فروشنده دوره گرد اولویت بندی شدند تا محصولات با دوره آبیاری طولانی تر و نیاز آبی بیشتر در ابتدای کانال انتقال آب قرار گیرند تا به این وسیله، بتوان به جلوگیری از هدررفت آب در خط لوله انتقال آب کمک کرد. در پایان پژوهش، مساحت های بهینه به دست آمده به عنوان داده های ورودی به محیط GIS منتقل شدند تا نتایج به دست آمده در منطقه مطالعه شده به صورت مکانی، تحلیل و ارزیابی شوند. نتایج پژوهش حاضر نشان داد رویکرد ترکیبی استفاده از الگوریتم کلونی مورچه و بهره گیری از مسئله فروشنده دوره گرد، می تواند مدیریت توزیع آب در شبکه ها ی آبیاری را بهبود بخشد. همچنین، با اعمال روش یادشده، علاوه بر کمک به جلوگیری از هدررفت آب در خطوط لوله انتقال، سود سالیانه حاصل در اراضی کشاورزی مورد تحقیق 10 درصد افزایش یافته است.

    کلید واژگان: توزیع آب، سیستم اطلاعات مکانی، شبکه‏های آبیاری و زهکشی، کلونی مورچگان، مسئله فروشنده دوره‏گرد
    Ardalan Abdollahzadeh, Alireza Vafaeinejad *

    Population increase, excessive consumption, agriculture development and climate change have caused a severe decrease in water sources. This dilemma is more tangible in developing countries such as Iran. Therefore it is necessary to adopt important policies in order to improve water management and decrease the water loss. The aim of this research is helping to improve the management of water distribution in irrigation and drainage network in GharaZia-addin city using Spatial Information Systems and Ant Colony Optimization. In this paper, the optimum area for each crop was calculated by designing an objective function and applying constraints such as minimum and maximum plant area for each crop. Then these areas were prioritized by Ant Colony Optimization method and particularly by the travelling salesman problem’s approach in a way that the crops with higher irrigation water demands and more irrigation periods to be planted in the beginning of the network channel. The aim of prioritization is to prevent the water loss during the transportation of water in the water network system. At the end, the obtained areas were used as the input data into GIS to analyze and evaluate the results on the case study field. The results of the study show that by applying Ant Colony Optimization method and the Travelling Salesman Problem, it is possible to improve water management in irrigation and drainage networks. In addition to prevention of water loss in the pipes, the net profit of the agricultural activities has increased 10% by using the method mentioned above

    Keywords: Water distribution, Geospatial Information Systems, Irrigation, drainage networks, Ant colony Algorithm, Travelling Salesman Problem
  • محمد جواد زینلی، علی شهیدی *

    یافتن مناسب ترین ورودی ها برای شبکه عصبی و همچنین تعداد مناسب ورودی برای آن یکی از چالش هایی است که همواره محققان با آن روبه رو هستند. اغلب، بهترین ساختار برای شبکه عصبی نیز به صورت آزمون و خطا مشخص می شود و درنهایت با تعریف چند ورودی خاص مدل های مختلفی تولید و بررسی می شوند. در این تحقیق به مدل سازی کیفی جریان رودخانه گادارچای با استفاده از شبکه عصبی مصنوعی پرداخته شده و دو مدل و برای هر مدل چهار سناریو تعریف شد. در هر دو مدل پارامتر هدف مقدار هدایت الکتریکی بوده است. ورودی های مدل اول (ANNa) را پارامترهایی تشکیل می دهند که بیشترین همبستگی را با پارامتر هدف (EC) داشته اند. در مدل دوم (ANNb) مناسب ترین پارامترهای ورودی با استفاده از الگوریتم جامعه مورچگان (ACO) مشخص شد. معیارهای به کار رفته در این تحقیق شامل معیارهای میانگین مربعات خطا (MSE)، مجموع مربعات خطا (SSE)، نش ساتکلیف و ضریب همبستگی بوده است. نتایج نشان داد بهترین مدل ANNa، مدل ANNa2 با مقدار MSE برابر 0/0017 است. ورودی های این مدل مجموع کاتیون ها، سختی کل و کلسیم است. بهترین مدل ANNb، مدل ANNb3 با مقدار MSE برابر 0/0012 است. ورودی های این مدل درصد سدیم، pH و سختی کل است. همچنین، نتایج نشان داد استفاده از الگوریتم جامعه مورچگان برای یافتن بهترین پارامترهای ورودی سبب افزایش کارایی شبکه عصبی در قسمت صحت سنجی و تست در مدل ANNb نسبت به مدل ANNa می شود. طبق نتایج به دست آمده به جای آزمون و خطا در یافتن بهترین ورودی ها برای شبکه عصبی می توان به عنوان گام نخست از پارامترهایی استفاده کرد که بیشترین همبستگی را با پارامتر هدف دارند؛ اما پارامترهایی که با پارامتر هدف همبستگی زیادی دارند، لزوما بهترین ورودی ها برای شبکه نیستند. همچنین، نتایج نشان داد از الگوریتم ACO می توان به عنوان روشی برای انتخاب متغیرهای ورودی استفاده کرد و عملکرد شبکه عصبی را بهبود بخشید.

    کلید واژگان: الگوریتم جامعه مورچگان، انتخاب متغیر ورودی، رودخانه گادارچای، شبکه عصبی مصنوعی
    Mohammad Javad Zeinali, Ali Shahidi *

    the performance criteria have used in this study is including mean square error (MSE), sum square error (SSE), Nash_Sutcliffe and correlation coefficient. The result indicated the best ANNa model is ANNa2 with MSE equal 0.0017. Inputs in this model are Total Cation, Total Hardness and Calcium. The best ANNb model is ANNb3 with MSE equal 0.0012. Inputs in this model are Sodium adsorption ratio, pH, Total Hardness and Calcium. Also, the results indicated that using ACO algorithm for finding the best input parameters had increased neural network performance, in ANNb models than ANNa for validation network and for test network we see with increases inputs the performance of network increases. According to results we can say that against try and error for finding the best inputs, we can use the parameter that those had a high correlation between target parameter as first step. But parameters that have high correlation between target parameter, necessarily dont the best inputs. But the parameter that those had a high correlation between target parameter as inputs of neural network. Also, we find that the ACO algorithm can be used as a method of input variable selection and that improved the performance of neural network.

    Keywords: Artificial Neural Network, Ant colony Algorithm, Gadarchay River, Input Variable Selection
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