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

evolutionary algorithm

در نشریات گروه آبخیزداری، بیابان، محیط زیست، مرتع
تکرار جستجوی کلیدواژه evolutionary algorithm در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه evolutionary algorithm در مقالات مجلات علمی
  • مهنوش فرزادمهر، مهدی دستورانی*، عباس خاشعی سیوکی، وحیدرضا جلالی موخر

    هدایت هیدرولیکی اشباع خاک یک ویژگی مهم فیزیکی خاک است که بر حرکت آب در خاک موثر است. از آنجاییکه اندازه گیری این ویژگی به روش های مستقیم مزرعه ای و آزمایشگاهی دشوار، زمانبر و هزینه بر است، از روش های غیرمستقیم استفاده می شود. هدف از این پژوهش برآورد هدایت هیدرولیکی اشباع خاک از روی خصوصیات زودیافت خاک به کمک روش برنامه ریزی بیان ژن، تعدادی از توابع انتقالی و مدل روزتا و مقایسه آن ها با یکدیگر است. در این پژوهش از مجموعه داده ای با اطلاعات خاک شناسی 151 نمونه خاک که از منطقه ای در بجنورد گردآوری شده بود استفاده شد. ویژگی های خاک شامل درصد شن، سیلت، رس، درصد کربن آلی، درصد مواد خنثی شونده، هدایت الکتریکی، رطوبت اشباع، اسیدیته، جرم مخصوص ظاهری و جرم مخصوص حقیقی خاک بود. با استفاده از این ویژگی ها به عنوان پارامترهای ورودی به مدل برنامه ریزی بیان ژن، فرآیند مدل سازی انجام شد. برنامه ریزی بیان ژن از میان این ویژگی ها، تنها از چهار پارامتر درصد شن، سیلت، وزن مخصوص ظاهری و وزن مخصوص حقیقی در تابع ایجاد شده برای برآورد هدایت هیدرولیکی اشباع استفاده کرد. این مدل با ریشه خطای میانگین مربعات (RMSE) برابر با 2/84 سانتیمتر بر روز و R2 برابر با 0/91 بهترین عملکرد را در مقایسه با سایر توابع انتقالی نشان داد. پس از برنامه ریزی بیان ژن، تابع انتقالی جبرو (1992) با جذر میانگین مربعات خطای برابر با 74/4 سانتیمتر بر روز و مقدار R2 برابر 0/82 بهترین تابع انتقالی میان سایر توابع انتقالی و روزتا بود. مدل ساکستون و همکاران (1986) کمترین دقت برآورد هدایت هیدورلیکی اشباع را در میان روش های استفاده شده داشت. به دلیل تفاوت داده های استفاده شده برای ایجاد هر یک از توابع انتقالی و تغییرات مکانی بالای هدایت هیدرولیکی اشباع، میان روش های مختلف مورد استفاده تفاوت زیادی از نظر خطای RMSE، MAE و MBE بود. برای داده های مورد استفاده در این پژوهش برنامه ریزی بیان ژن عملکرد بهتری داشت و تعیین ساختار مدل و پارامترهای موثر برای برآورد هدایت هیدرولیکی اشباع توسط برنامه، از مزایای آن است.

    کلید واژگان: الگوریتم برنامه ریزی بیان ژن، الگوریتم تکاملی، توابع انتقالی، روش های غیرمستقیم، مدل روزتا
    Mahnoosh Farzadmehr, Mehdi Dastourani*, Abbas Khashei Siuki, Vahidreza Jalali Moakhar

    Saturated hydraulic conductivity of soil is an important physical property of soil that affects water movement in soil, Since the measurement of saturated hydraulic conductivity by direct methods in the field or in the laboratory is hard, time-consuming and costly, the indirect methods are being used.The aim of this study is to estimate the saturated hydraulic conductivity from other soil properties by using the Gene Expression Programming (GEP) method and some well-known pedotransfer functions and the Rosetta model, and then to compare their performances. A dataset including 151 soil samples obtained from a site in Bojnord province was used in this study. The soil properties used were sand, silt and clay percentage, organic carbon percentage, TNV, EC, saturated moisture, pH, bulk density and particle density. Modeling process using the GEP was done by using all of these properties as input parameters. The GEP model used only four properties, sand and silt percentages, bulk density and particle density, in its developed function to estimate saturated hydraulic conductivity. This model with RMSE=2.84 (cm/d) and R2=0.91 showed the best performance in comparison to the other pedotransfer functions. After the GEP, the Jabro (1992) pedotransfer function with RMSE = 4.74 (cm/d) and R2 = 0.82 was the best model in comparison to the rest of the pedotransfer functions and the Rosetta model. Saxton et al (1986), had the least accurate ks estimation among all methods. Since different data sets had been used to develop each of the pedotransfer functions and also because of high spatial variability of ks, there was a large difference between RMSE, MAE and MBE errors of the used methods. For the dataset of this study, the GEP model showed the best performance in estimating ks among other methods and its advantages were choosing model structure and important parameters to estimate ks.

    Keywords: Evolutionary Algorithm, Gene Expression Programming Algorithm, Indirect Methods, Pedotransfer Functions, Rosetta
  • محمودرضا طباطبایی*، امین صالح پور جم، جمال مصفایی

    برآورد صحیح مقدار رسوب معلق رودخانه ها، نقش مهمی در مطالعات فرسایش و رسوب، هیدرولوژی و مدیریت حوزه های آبخیز دارد. شبیه سازی رسوب معلق در سیستم های هیدرولوژیکی که دارای پیچیدگی های زیاد بوده و درعین حال درک و دانش ما از اجزاء و فرآیندهای درون آن ها همواره با عدم قطعیت روبرو است سبب کاربرد فراوان مدل های هوشمند و از جمله شبکه های عصبی مصنوعی شده است. با این حال، استفاده از این مدل های هوشمند نیز با چالش روبرو است. تعیین ساختار مناسب شبکه مستلزم بهینه نمودن پارامترهای مورداستفاده در آن (نظیر تعداد بهینه نرون ها و لایه ها، وزن و بایاس و نوع توابع فعال سازی) بوده که واسنجی مناسب آن ها به روش آزمون و خطا، ضمن کارایی کم، منجر به صرف زمان زیاد می شود. در پژوهش حاضر، به منظور شبیه سازی بار رسوب معلق روزانه رودخانه نیرچای)در محل ایستگاه آب سنجی نیر در استان اردبیل) از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. به منظور آموزش مدل شبکه عصبی، علاوه بر روش مرسوم پس انتشار خطا، از الگوریتم بهینه سازی ازدحام ذرات (Particle Swarm Optimization (PSO))، به منظور بهینه سازی مقادیر وزن و بایاس نرون های مدل های شبکه عصبی استفاده گردید. به منظور افزایش قدرت تعمیم دهی مدل ها، از خوشه بندی فازی استفاده شد. نتایج گرفته شده از پژوهش حاضر نشان داد که آموزش مدل های شبکه عصبی با الگوریتم PSO با کاهش خطای برآورد رسوب (کاهش خطای برآورد کل و ریشه میانگین مربعات خطا به ترتیب تا 3/0 درصد و 4/10 تن در روز) کارایی بیشتری نسبت به مدل های شبکه عصبی که صرفا از روش های پس انتشار خطا استفاده می نمایند داشته است. با توجه به اینکه در بهینه سازی پارامترهای شبکه عصبی، الگوریتمهای تکاملی (نظیر الگوریتم PSO) قادر به ارایه راهحلهای مناسبی هستند ، لذا در شبیه سازی پدیده ها و متغیرهای پیچیده حوزه های آبخیز (نظیر رسوب معلق) می توان از این توانمندی استفاده نمود.

    کلید واژگان: الگوریتم تکاملی، خوشه بندی فازی، رودخانه بالخلوچای، مدل هوشمند
    Mahmoudreza Tabatabaei *, Amin Salehpour Jam, Jamal Mosaffaie

    The proper estimation of the amount of suspended sediment in rivers has an important role in erosion and sediment studies, hydrology and management of watersheds. The simulation of suspended sediment in hydrological systems that has a lot of complexity and at the same time our understanding of the components and processes within them is always uncertain led to the use of many intelligent models, including artificial neural networks (ANNs). However, the use of these smart models also faces challenges. Determining the proper structure of the network requires optimization of the parameters used (such as the optimal number of neurons and layers, weight and bias, and the type of activation functions), which their proper calibration, using test and error, leads to a lot of time spent in low efficiency. In this study, a multilayer perceptron (MLP) was used to simulate the daily sediment load of the Nirchai River at the site of the Nair hydrometric station in Ardebil province. In order to train the models, in addition to the error back propagation (BP) algorithm, Particle Swarm Optimization (PSO) algorithm was used to optimize the weight and bias of ANNs. The fuzzy clustering method was also used to increase the power of generalization of the models. The results showed that training of ANN models with PSO algorithm with decreasing estimation error (decreasing the PBIAS of estimation and root mean square error up to 0.3% and 10.4 tons per day respectively) is more effective than ANN models that use only error BP techniques. Due to insufficient recorded sediment data in most hydrometric stations of the country on the one hand and the need to train ANNs with sufficient data on the other hand, the use of evolutionary algorithms (e.g. PSO algorithm) can be a good solution for improving the efficiency of intelligent models.

    Keywords: Evolutionary Algorithm, Balekhlochi River, Fuzzy Clustering, simulation, Intelligent Model
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