| تعداد نشریات | 45 |
| تعداد شمارهها | 1,553 |
| تعداد مقالات | 18,934 |
| تعداد مشاهده مقاله | 63,565,024 |
| تعداد دریافت فایل اصل مقاله | 23,270,212 |
توسعه و ارزیابی الگوریتم بهینهسازی اسب خودتطبیقی (SA-HA) برای مدیریت بهرهبرداری از مخزن | ||
| نشریه مهندسی عمران و محیط زیست | ||
| مقاله 4، دوره 56، شماره 123، شهریور 1405، صفحه 37-44 اصل مقاله (1.18 M) | ||
| نوع مقاله: مقاله کامل پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/ceej.2026.70140.2468 | ||
| نویسندگان | ||
| پریسا سادات آشفته* ؛ لیلا شاکرمی | ||
| گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم | ||
| چکیده | ||
| مدیریت بهینه منابع آب در شرایط اقلیمی ناپایدار، نیازمند ابزارهای محاسباتی پیشرفته برای تصمیمگیری هوشمند و سازگار با تغییرات محیطی است. در این پژوهش، نسخهای خودتطبیقی از الگوریتم اسب ((HA) Horse Algorithm) توسعه داده شد تا محدودیتهای نسخه کلاسیک مانند همگرایی زودرس و حساسیت به تنظیم پارامترها کاهش یابد. در مدل پیشنهادی، هر عامل (اسب) دارای ضریب یادگیری پویا است که براساس میزان بهبود تابع هدف در هر تکرار بهصورت خودکار بهروزرسانی میشود. این فرآیند موجب برقراری تعادل هوشمند میان جستجوی گسترده در مراحل اولیه و تمرکز دقیق بر نواحی امیدبخش در مراحل پایانی میگردد. برای ارزیابی عملکرد، الگوریتم اسب خودتطبیقی ((SA-HA)Self-Adaptive Horse Algorithm ) و نسخه کلاسیک (HA) در مسئله تخصیص بهینه آب مخزن قرنقو در استان آذربایجان شرقی، با تابع هدف بیشینهسازی نسبت آب تأمین شده در طول دوره بهرهبرداری اجرا شدند. نتایج نشان داد که نسخه خودتطبیقی در مقایسه با نسخه پایه، باعث افزایش حدود 17 درصدی در کارایی تأمین آب، کاهش 27 درصدی در کمبود و ارتقای شاخص اطمینانپذیری سامانه از ۰٫۵۹ به ۰٫۶۸ گردید. همچنین SA-HA با تنظیم پویا و خودکار پارامترهای حرکتی، از نوسانات نتایج کاسته و روند همگرایی را تسریع کرده است. یافتههای این پژوهش بیانگر آن هستند که افزودن سازوکار خودتطبیقی به HA میتواند دقت، پایداری و انعطافپذیری الگوریتم را در مدیریت سامانههای پیچیده منابع آب بهطور چشمگیری افزایش دهد و درنتیجه بهعنوان روشی مؤثر برای بهینهسازی تصمیمات بهرهبرداری پایدار مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| الگوریتم خودتطبیقی اسب؛ بهینهسازی تکهدفه؛ یادگیری پویا؛ همگرایی تطبیقی؛ مدیریت پایداری منابع آب | ||
| مراجع | ||
|
Ashofteh PS, Bozorg-Haddad O, Loáiciga HA, “Multi-objective optimization of reservoir operation considering climate change impacts”, Journal of Water Resources Planning and Management, 2019, 145 (3), 04019004. https://doi.org/10.1061/(ASCE)WR.1943-5452.0001049 Garcia JA, Alamanos A, “A multi-objective optimization framework for water resources allocation considering stakeholder input”, Environmental Sciences Proceeding, 2023, 25 (1), 32. https://doi.org/10.3390/ECWS-7-14227 Goldberg DE, “Genetic algorithms in search, optimization and machine learning”, Addison-Wesley Publishing. Heidari AA, Mirjalili S, Faris H, Aljarah I, Chen H, “Harris hawks optimization: Algorithm and applications”, Future Generation Computer Systems, 2019, 97, 849-872. https://doi.org/10.1016/j.future.2019.02.028 Han Y, Dong Z, Cui C, Zhang T, Luo Y, “Multi-objective optimization scheduling for extensive plain lake water resources incorporating flood resource utilization”, Journal of Hydrology, 2025, 651, 132584. https://doi.org/10.1016/j.jhydrol.2024.132584 Karaboga D, “An idea based on honey bee swarm for numerical optimization”, Technical Report-TR06, Erciyes University, Turkey, 2005. Khoramipoor Z, Farzin S, “A combination approach for optimization operation of multi-objective cascade reservoir systems (Case study: Karun reservoirs)”, Journal of Hydroinformatics, 2024, 26 (6), 1313-1332. https://doi.org/10.2166/hydro.2024.264 Khoramipoor Z, Farzin S, “A methodology to improving the performance of MOAHA optimization algorithm using chaos theory; principle and application in optimal reservoir operation”, Water Resources Management, 39, 2025. https://doi.org/10.1007/s11269-025-04092-y Kennedy J, Eberhart R, “Particle swarm optimization”, Proceedings of the IEEE International Conference on Neural Networks, 1995, 4, 1942-1948. https://doi.org/10.1109/ICNN.1995.488968 Lu J, Chen Ch, Xie J, “Multi-objective immune algorithm with preference-based selection for reservoir flood control operation”, Water Resources Management, 2015, 29, 1447-1466. https://doi.org//10.1007/s11269-014-0886-6 Miar-Naeimi F, Azizian Gh, Rashki M, “Horse herd optimization algorithm: A nature-inspired algorithm for high-dimensional optimization problems”, Knowledge-Based Systems, 2021, 213, 106711. Mirjalili S, Mirjalili SM, Lewis A, “Grey wolf optimizer”, Advances in Engineering Software, 201469, 46-61. https://doi.org/10.1016/j.advengsoft.2013.12.007 Moslemzadeh M, Farzin S, Karami H, Ahmadianfar I, “Introducing improved atom search optimization (IASO) algorithm: Application to optimal operation of multi-reservoir systems”, Physics and Chemistry of the Earth, Parts A/B/C, 2023, 131, 103415. https://doi.org/10.1016/j.pce.2023.103415 Najafi M, Najarchi M, Mirhosseini S-M, “Multi-objective simulation-optimization for water resources management and uses in multi-dam systems in low-water regions”, Applied Water Science, 2024, 14 (238). https://doi.org//10.1007/s13201-024-02296-y Zhang F, Zhang, Y, “A multi-objective optimization prediction approach for water resources based on swarm intelligence”, Earth Science Informatics, 2020, 14, 457-468. https://doi.org//10.1007/s12145-020-00521-1 | ||
|
آمار تعداد مشاهده مقاله: 172 تعداد دریافت فایل اصل مقاله: 69 |
||