9 نتیجه برای الگوریتم ژنتیک
حسین طبری، صفر معروفی، حمید زارع ابیانه، رضا امیری چایجان، محمدرضا شریفی، علی محمد آخوندعلی،
جلد 13، شماره 50 - ( 10-1388 )
چکیده
معمولاً برای ارزیابی منابع آب مرتبط با برف در حوضه های کوهستانی، از آب معادل برف استفاده می شود. در این تحقیق، با بهره گیری از داده های مشاهده ای، کاربرد رگرسیون غیرخطی، شبکه عصبی مصنوعی و همچنین بهینه سازی پارامترهای شبکه با روش الگوریتم ژنتیک در برآورد ضخامت برف و آب معادل آن بررسی شد. بدین منظور مقادیر برآورد شده با شبکه عصبی مصنوعی، روش تلفیقی شبکه عصبی- الگوریتم ژنتیک و روش رگرسیونی با مقادیر مشاهده شده مقایسه گردید. بدین-منظور اندازه‌گیری‌های صحرایی در بهمن سال 1384 در سراب کارون انجام گردید. همچنین ضریب همبستگی، میانگین مربع خطا و میانگین خطای مطلق برای ارزیابی کارایی مدل‌های مختلف شبکه های عصبی مصنوعی و رگرسیون غیرخطی مورد استفاده قرارگرفت. با توجه به نتایج به دست آمده، روش های شبکه عصبی مصنوعی و شبکه عصبی تلفیق یافته با الگوریتم ژنتیک در برآورد آب معادل برف مناسب تشخیص داده شدند. به طور کلی از میان روش‌های به کار رفته، روش شبکه عصبی تلفیق یافته با الگوریتم ژنتیک بهترین نتیجه (84/0r=، 041/0MSE= و 051/0MAE=) را در بر داشته است. با توجه به پارامترهای مورد بررسی، ارتفاع از سطح دریا، مهم‌ترین پارامتر مؤثر جهت برآورد آب معادل برف است.
همایون فقیه،
جلد 14، شماره 51 - ( 1-1389 )
چکیده
برآورد توزیع مکانی بارش برای اجرای طرح های مطالعات منابع آب، خشک‌سالی، طرح های آمایش سرزمین، محیط زیست، آبخیزداری و طرح های جامع کشاورزی ضروری می-باشد. تغییرات زیاد مقدار بارش در نقاط مختلف، کمبود ایستگاه های اندازه گیری و پیچیدگی ارتباط بارش با پارامترهای اثرگذار بر آن، اهمیت توسعه روش های کارآمد را در برآورد توزیع مکانی بارش دو چندان می نماید. شبکه عصبی مصنوعی به عنوان یک روش نوین، در مدل سازی و پیش بینی فرآیندهایی که برای شناخت و توصیف دقیق آنها راه حل و رابطه صریحی وجود نداشته، موفق بوده است. این تحقیق با هدف بررسی کارایی شبکه عصبی مصنوعی در برآورد مکانی بارش ماهانه انجام گرفت. بدین منظور شبکه عصبی با ساختار پرسپترون چند لایه برای تدوین مدل برآورد مکانی بارش در پنج ایستگاه سینوپتیک و باران سنجی، واقع در استان کردستان، به کارگرفته شد. برای طراحی ساختار مدل در هر ایستگاه، با تغییر پارامترهای قابل تنظیم، (شامل تابع انتقال، قانون آموزش، مقدار مومنتم، تعداد لایه پنهان، تعداد نرون لایه پنهان و تعداد الگوها)، شبکه های عصبی مختلف ساخته و اجرا شد. در هر مورد، ساختاری که کمترین مقدار جذر میانگین مربعات خطا (RMSE) را داشت به عنوان مدل نهایی انتخاب گردید. از آنجا که انتخاب هر یک از پارامترهای متغیر شبکه عصبی مستلزم آزمون و خطاهای مکرر و در نتیجه آموزش تعداد زیادی شبکه با ساختار مختلف بود، از روش الگوریتم ژنتیک برای بهینه یابی این پارامترها استفاده شد و کارایی این روش در بهینه سازی شبکه عصبی بررسی گردید. نتایج نشان داد، شبکه عصبی در مدل سازی و برآورد مکانی بارش ماهانه از دقت بالایی برخوردار است. همچنین تلفیق آن با الگوریتم ژنتیک، برای بهینهسازی شرایط اجرای شبکه عصبی، مثبت ارزیابی گردید و روش تلفیقی در اکثر موارد برتری خود را نسبت به اجرای شبکه عصبی بدون بهینه سازی نشان داد. دقیق ترین مدل در همه ایستگاه های مورد مطالعه، با استفاده از تابع انتقال سیگموئید و قانون آموزش لونبرگ مارکوارت حاصل گردید. در مدل های منتخب، مقدار ضریب تبیین (2R) بین مقادیر خروجی مدل و داده های مشاهده شده در ایستگاه، برابر با 86/0، 89/0، 94/0، 77/0 و 94/0 به دست آمد.
حسین شکفته، مجید افیونی، محمدعلی حاج‌عباسی، حسین ر نظام‌آبادی‌پو، فریبرز عباسی، فرید شیخ‌الاسلام،
جلد 18، شماره 70 - ( 12-1393 )
چکیده
کاربرد مرسوم کودهای نیتروژنه از طریق آب آبیاری، یکی از مهم‌ترین عوامل افزایش غلظت نیترات آب‌های زیرزمینی نواحی فاریاب می‌باشد. این مسئله، مدیریت آب و عناصر غذایی را برای کاهش آلودگی آب‌های زیرزمینی و افزایش بازده عناصر غذایی ضروری می‌نماید. برای برآورده‌نمودن این نیاز، کودآبیاری قطره‌ای یک جایگزین مناسب می‌باشد. طراحی و اجرای کود آبیاری قطره‌ای نیازمند به دانستن آب‌شویی نیترات از محصولات با ریشه‌ی سطحی نظیر سیب‌زمینی که نمی‌توانند از لایه‌های پایینی خاک عناصر غذایی را جذب کنند، دارد. در این پژوهش، آب‌شویی نیترات از مزرعه‌ی سیب‌زمینی تحت آبیاری و کوددهی قطره‌ای با استفاده از سیستم استنتاج تطبیقی فازی-عصبی (Adaptive Network-based Fuzzy Inference System:ANFIS) در ترکیب با الگوریتم ژنتیک مدل‌سازی و پیش‌بینی گردید. در قسمت اول این مطالعه با استفاده از HYDRUS-2D، آب‌شویی نیترات از خاک شنی تحت کشت سیب‌زمینی درشرایط شدت جریان‌های مختلف قطره‌چکان و مقادیر مختلف کود نیتروژن مدل‌سازی و شبیه‌سازی گردید. نتایج حاصل از شبیه‌سازی HYDRUS-2D برای آموزش و اعتبارسنجی ANFIS جهت پیش‌بینی آب‌شویی نیترات استفاده شد. یافتن شعاع دسته‌ها در ANFIS، با استفاده از الگوریتم ژنتیک انجام گرفت. ضریب همبستگی و درصد خطای مطلق میانگین نسبی بین داده‌های حاصل از مدل ANFIS و مشاهده‌ای برای داده‌های امتحانی به‌ترتیب 99/0 و64/0 بود. با‌توجه به معیارهای ارزیابی مشخص شد که ANFIS با دقت بالایی می‌تواند آب‌شویی نیترات را در شرایط مطالعه‌ی حاضر شبیه‌سازی نماید. همچنین ANFIS می‌تواند عدم قطعیت ناشی از داده‌های مزرعه‌ای را پوشش دهد.
داود رجبی ، حجت کرمی، خسرو حسینی، سید‌فرهاد موسوی، سیدعلی‌اصغر هاشمی،
جلد 19، شماره 73 - ( 8-1394 )
چکیده
مدل غیرخطی ماسکینگام روشی کارا در روندیابی سیلاب است، اما کارایی این روش تحت تأثیر سه پارامتر به‌کار رفته در آن است. در سال‌های اخیر، نتایج رضایت‌بخشی از استفاده الگوریتم‌های فراکاوشی در تعیین مقدار مناسب پارامترهای این مدل گزارش شده است. از این‌رو در این پژوهش به ارزیابی کارایی الگوریتم رقابت استعماری (ICA) در تخمین پارامترهای بهینه مدل غیرخطی ماسکینگام پرداخته شد. علاوه‌بر ICA، الگوریتم ژنتیک (GA) و بهینهسازی مجموعه ذرات(PSO) نیز با هدف در دست بودن معیار برای قضاوت در مورد عملکرد ICA مورد استفاده قرار گرفتند. بدین‌منظور ابتدا ICA در روندیابی سیل ویلسون به‌کار گرفته شد؛ پس از آن روندیابی دو واقعه سیلاب مربوط به رودخانه دوآب صمصامی مورد بررسی قرار گرفت. در مورد سیل ویلسون که تابع هدف به‌صورت مجموع مربعات انحرافات (SSQ) دبی مشاهداتی و محاسباتی در نظر گرفته شد؛ مقدار تابع هدف حاصل از ICA، برابر 77/36 و مقدار تابع هدف حاصل از GA و PSO به‌ترتیب برابر 23/38 و 89/36 به‌دست آمد. در روندیابی دو سیل دیگر علاوه‌بر SSQ، تابع هدف دیگری به‌صورت مجموع قدر مطلق انحرافات (SAD) دبی مشاهداتی و محاسباتی نیز در نظر گرفته شد. در سیلاب اول براساس SSQ، GA بهترین عملکرد را از خود نشان داد ولی براساس SAD، ICA در رتبه نخست قرار گرفت. در مورد سیلاب دوم بر مبنای هر دو تابع هدف، ICA عملکرد بهتری داشته است. در این رابطه ICA نسبت به GA در تابع هدف SSQ، 9 درصد و در تابع هدف SAD، 08/0 درصد بهتر بوده است و نسبت‌به PSO، تابع هدف SSQ و SAD را به‌ترتیب 1/0 و 16/0 درصد بهبود داده است. با توجه به‌نتایج حاصل می‌توان گفت که الگوریتم ICA می‌تواند به‌عنوان یک روش مناسب به‌منظور تخمین پارامترهای مدل غیرخطی ماسکینگام مورد استفاده قرار گیرد.
مجید منتصری، مهدی حسامی افشار، امید بزرگ حداد،
جلد 21، شماره 2 - ( 5-1396 )
چکیده
امروزه شهرنشینی یکی از فرایند‌های رایجی می‌باشد که در پی آن سطوح غیر قابل نفوذ جایگزین پوشش‌های گیاهی می‌شوند. این پدیده باعث افزایش بروز سیلاب‌های شهری می‌گردد. روش‌های جدید مدیریت سیلاب شهری با درنظر گرفتن کنترل منبع سعی در گسترش سیستم‌های طراحی شهری متأثر از آب برای کاهش اثرات تغییرات کاربری اراضی در سراسر حوضه‌های شهری دارند. سیستم‌های طراحی شهری متأثر از آب دارای کاربری‌ها و هزینه بخصوصی می‌باشند. تحقیق حاضر با ارائه روشی قانونمند و نظام‌گرا به دنبال یافتن نقطه بهینه اقتصادی تمهیدات کنترل سیلاب شهری می‌باشد. بدین‌منظور مدل شبیه‌ساز MUSIC و روش بهینهسازی الگوریتم ژنتیک در محیط برنامه‌نویسی متلب به یکدیگر متصل شده‌اند. نتایج کاربری مدل شبیه‌ساز- بهینه‌ساز در بهینهسازی تمهیدات کنترلی سیلاب شهری در منطقه‌ای به وسعت 8/2 هکتار، در نزدیکی رودخانه روضه‌چای در حوضه دریاچه ارومیه، نشان داد که مدل توسعه یافته کارایی مناسبی در یافتن نقطه بهینه اقتصادی تمهیدات کنترلی سیلاب شهری دارد؛ چنانچه استفاده از تمهیدات کنترلی سیلاب در حالت بهینه باعث گیرش حداقل 45 درصدی آلاینده‌ها گردیده است. همچنین مقدار کم ضریب تغییرات (00007/0) نتایج حاصل از اجراهای متعدد مدل بهینه‌ساز بازای سیاست تصادفی انتخاب نشان می‌دهد که همگرایی بسیار مطلوبی مابین نتایح حاصل از مدل شبیه‌ساز- بیهنه‌ساز و جواب بهینه مطلق وجود دارد.
سید فرهاد موسوی، حمید رضا وزیری، حجت کرمی، امید هادیانی،
جلد 22، شماره 1 - ( 3-1397 )
چکیده
بهره‌برداری از مخازن سدها یکی از مسائل مهم در زمینه مدیریت منابع آب می‌باشد. در این تحقیق، الگوریتم جستجوی کلاغ برای نخستین بار برای بهره‌برداری از مخازن سدها استفاده شده است. همچنین، نتایج مربوط به بهره‌برداری سیستم تک- مخزنه سد شهید رجایی در استان مازندران، جهت تأمین نیازهای پایین‌دست سد، با الگوریتم‌های تکاملی ازدحام ذرات و ژنتیک مقایسه گردید. برای انتخاب روش برتر، از شاخص‌های اعتمادپذیری زمانی، اعتمادپذیری حجمی، آسیب‌پذیری و بازگشت‌پذیری و مدل تصمیم‌گیری چندمعیاره نیز استفاده گردید. نتایج نشان داد که الگوریتم جستجوی کلاغ دارای پاسخی نزدیک به پاسخ بهینه مطلق مسئله است. به‌گونه‌ای که میانگین پاسخ‌ها در الگوریتم‌های جستجوی کلاغ، ازدحام ذرات و ژنتیک به‌ترتیب 99، 75 و 61 درصد پاسخ بهینه مطلق است. همچنین، الگوریتم جستجوی کلاغ، به‌جز از لحاظ شاخص اعتمادپذیری زمانی، در بقیه شاخص‌ها دارای عملکرد بهتری نسبت به الگوریتم‌های ژنتیک و ازدحام ذرات می‌باشد. ضریب تغییرات پاسخ‌های به‌دست آمده توسط الگوریتم جستجوی کلاغ نسبت به الگوریتم‌های ژنتیک و ازدحام ذرات به‌ترتیب به‌میزان 16 و 14 برابر کوچک‌تر می‌باشد. مدل تصمیم‌گیری چندمعیاره مشخص نمود که الگوریتم جستجوی کلاغ دارای رتبه یک نسبت به دو الگوریتم دیگر در حل مسئله بهره‌برداری از مخزن سد شهید رجایی می‌باشد.
ناصر گنجی خرم دل، معصومه عبدوس، سید محمد حسینی موغاری،
جلد 23، شماره 3 - ( 9-1398 )
چکیده
با توجه به افزایش مصرف آب، توجه به تخصیص منابع بهینه آب نیاز است. در دهه‌های اخیر، استفاده از روش‌های تکاملی هوشمند برای بهینهسازی تخصیص آب گسترش پیدا کرده است. هدف از این مطالعه، توسعه یک مدل برنامه‌ریزی منابع آب برای تعیین کشت مناسب، بهره‌برداری بهینه از منابع آب زیرزمینی و منابع آب و همچنین نحوه تخصیص آب در میان محصولات کشاورزی به‌منظور به حداقل رساندن اثرات جانبی ناشی از کمبود آب و افزایش درامد آن است. در این مطالعه به‌منظور به حداکثر رساندن سود و کاهش حداکثری مصرف آب، براورد نیاز آب به محصول در دوره‌های مختلف برای بهینهسازی مدیریت الگوهای برداشت و مدیریت آبیاری در کشت در شبکه آبیاری ورامین با استفاده از الگوریتم تکاملی جدید چرخه آب استفاده شد. سپس برای اعتبارسنجی روش، نتایج آن با مدل برنامه‌ریزی خطی و الگوریتم ژنتیک مقایسه شد (9963/0 = 2R) نتایج نشان داد که الگوی کاشت منطقه مطلوب نبوده و کشت محصولاتی نظیر گندم، جو، گوجه‌فرنگی، خربزه و یونجه به صفر رسیده است. در الگوی جدید، بیشترین سطح زیر کشت به محصولات صنعتی مانند کلزا و پس از آن به خیار و ذرت اختصاص داده شد در حالی که درامد حدود 11 درصد افزایش یافت. علاوه‌بر آن، مقداری آب در ماه‌های مختلف در شبکه باقی می‌ماند که می‌توان از آنها به‌منظور تزریق به سفره‌های زیرزمینی و یا کشت سایر محصولات بر اساس میزان آب موجود استفاده کرد.
احسان یارمحمدی، سعید شعبانلو، احمد رجبی،
جلد 25، شماره 1 - ( 3-1400 )
چکیده
بهینهسازی مدل‌های هوش مصنوعی از اهمیت بسزایی برخوردار است زیرا باعث بهبود عملکرد این مدل‌ها و افزایش انعطاف آنها می‌شود. در این مطالعه، عمق آبشستگی در مجاورت تکیه پل‌ها به شکل‌های مختلف توسط مدل ANFIS و ANFIS-Genetic Algorithm (GA) تخمین زده شد. به‌عبارت دیگر، برای بهینهسازی توابع عضویت مدل ANFIS از GA استفاده شد که عملکرد مدل ANFIS به‌شکل قابل توجهی بهبود یافت. در ابتدا، پارامترهای تأثیرگذار بر روی عمق آبشستگی در اطراف تکیه‌گاه پل‌ها تعریف شدند. سپس با استفاده از این پارامترهای ورودی، یازده مدل مختلف برای هر یک از مدل‌های ANFIS و ANFIS-GA تولید شدند. سپس با تجزیه و تحلیل نتایج این مدل‌ها، مدل برتر برای هر یک از روش‌های ANFIS و ANFIS-GA زنتیک معرفی شدند. به‌عنوان مثال، مقدار ضریب همبستگی و شاخص پراکندگی برای مدل ANFIS به‌ترتیب برابر با 0/979 و 0/070 و برای مدل ANFIS-GA نیز به‌ترتیب مساوی با 0/986 و 0/056 محاسبه شدند. علاوه بر این، نسبت اختلاف متوسط برای مدل‌های برتر ANFIS و ANFIS-GA به‌ترتیب مساوی با 0/984 و 0/988 بودند. بنابراین نشان داده شد که مدل‌های ترکیبی ANFIS-GA دقت بیشتری در مقایسه با مدل‌های ANFIS داشتند. همچنین، تحلیل حساسیت نشان داد که عدد فرود (Fr) و نسبت عمق جریان به شعاع حفره آبشستگی (h/L) به‌عنوان مؤثرترین پارامترهای ورودی برای تخمین عمق آبشستگی در مجاورت تکیه‌گاه پل‌ها شناسایی شدند.
فاطمه دائی چینی، مهدی وفاخواه، وحید موسوی، مصطفی ذبیحی سیلابی،
جلد 26، شماره 2 - ( 6-1401 )
چکیده
رواناب سطحی یکی از مهم‌ترین اجزای چرخه آب است که باعث افزایش فرسایش خاک و انتقال رسوب در رودخانه‌ها و همچنین کاهش کیفیت آب رودخانه‌ها است. بنابراین، پیش‌بینی دقیق پاسخ هیدرولوژیکی حوضه‌ها یکی از مراحل مهم در برنامه‌ریزی و مدیریت منطقه‌ای است. در این راستا، مدل‌سازی بارندگی- رواناب به پژوهشگران هیدرولوژی به‌ویژه در زمینه علوم مهندسی آب کمک می‌کند. بدین منظور، مطالعه حاضر به‌منظور تجزیه و تحلیل شبیه‌سازی بارندگی- رواناب در حوزه آبخیز گرگانرود واقع در شمال شرقی ایران با استفاده از مدل‌های AWBM،Sacramento ،SimHyd ، SMAR و Tank انجام شد. از بارندگی، تبخیر و تعرق و رواناب روزانه هفت ایستگاه هیدرومتری در دوره 2010-1970 و 2015-2011 به‌ترتیب برای واسنجی و اعتبارسنجی استفاده شد. فرایند واسنجی خودکار با استفاده از الگوریتم‌های جستجوی تکاملی ژنتیک و روش‌های SCE-UA، با استفاده از معیارهای ارزیابی ضرایب ناش- ساتکلیف (NSE) و ریشه دوم میانگین مربعات خطا (RMSE) انجام شد. نتایج نشان داد که در دوره اعتبارسنجی مدل SimHyd با ضریب ناش 0/66، مدل TANK با استفاده از الگوریتم ژنتیک و روش SCE-UA با ضریب ناش به‌ترتیب 0/67 و 0/66 و مدل Sacramento با روش الگوریتم ژنتیک و روش SCE-UA با ضریب ناش به‌ترتیب 0/52 و 0/55 بهترین عملکرد را دارند.
