تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,349 |
تعداد دریافت فایل اصل مقاله | 15,216,923 |
ارزیابی الگوریتم چندهدفه کرم شبتاب و کاربرد آن در بهرهبرداری بهینه چندهدفه از مخازن | ||
دانش آب و خاک | ||
مقاله 2، دوره 34، شماره 3، مهر 1403، صفحه 23-37 اصل مقاله (1 M) | ||
شناسه دیجیتال (DOI): 10.22034/ws.2021.49127.2451 | ||
نویسندگان | ||
محبوبه خورسندی؛ پریساسادات آشفته* | ||
گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران | ||
چکیده | ||
الگوریتمهای بهینهسازی فراابتکاری روشهای قدرتمند و قابل اعتمادی برای حل مسائل پیچیده از جمله بهینهسازی سامانههای مخازن هستند. در این تحقیق الگوریتم چندهدفه کرم شبتاب (MOFA) با الگوریتم پرکاربرد ژنتیک مرتبسازی نامغلوب ( NSGA-II) در دو تابع آزمون ]شیفر (SCH) و فونسکا (FON)[ مقایسه شد. سپس این الگوریتمها برای حل مسأله بهینهسازی بهرهبرداری چندهدفه از مخزن بکار گرفته شدند. مخزن آیدوغموش واقع در استان آذربایجان شرقی، بهعنوان مورد مطالعاتی انتخاب شد. دو تابع هدف متقابل از جمله تابع هدف اول بیشینهسازی ذخیره مخزن و تابع هدف دوم کمینهسازی کمبود درنظر گرفته شدند. برای ارزیابی و مقایسه الگوریتمهای مورد بررسی از شاخصهای زمان اجرای الگوریتم، فاصله نسلی و معیار فاصله استفاده شد. نتایج نشان داد که الگوریتم MOFA در دو تابع آزمون بررسیشده نسبت به NSGA-II بهطور میانگین 22 درصد سریعتر است. در مسأله بهرهبرداری از مخزن، نتایج نشان داد که کیفیت جوابها از نظر نزدیکی به جبهه پارتو بهینه برای الگوریتم MOFA با بهبود مقادیر پارامترها توانست به میزان 11 درصد نسبت به الگوریتم NSGA-II بهبود یابد. همچنین زمان اجرای الگوریتم MOFA نسبت به زمان متناظر در الگوریتم NSGA-II بهمیزان 13 درصد بهبود یافت. | ||
کلیدواژهها | ||
بهرهبرداری بهینه از مخزن؛ بهینهسازی چندهدفه؛ تابع آزمون؛ MOFA؛ NSGA-II | ||
مراجع | ||
Akbari-Alashti H, Soncini A, Dinpashoh Y, Fakheri-Fard A, Talatahari S and Bocchiola D, 2018. Operation of two major reservoirs of Iran under IPCC scenarios during the XXI century. Hydrological Processes 32(21):3254-3271.
Ashofteh PS, Bozorg Haddad O and Loáiciga HA, 2015. Evaluation of climatic-change impacts on multiobjective reservoir operation with multiobjective genetic programming, Journal of Water Resources Planning and Management 141(11).
Azadi F, Ashofteh PS and Loáiciga HA, 2021. Simulation-optimization of reservoir water quality under climate change. Journal of Water Resources Planning and Management 147 (9):04021054.
Bozorg-Haddad O, Solgi M and Loáiciga HA, 2017. Meta-Heuristic and Evolutionary Algorithms for Engineering Optimization. John Wiley and Sons. Inc. 111 River Street. Hoboken. NJ 07030. USA.
Bozorg-Haddad O, Garousi-Nejad I and Loáiciga HA, 2017. Extended multi-objective firefly algorithm for hydropower energy generation. Journal of Hydroinformatics 19 (5):734-751.
Deb K, 2001. Multi-objective Optimization Using Evolutionary Algorithms. John Wiley and Sons. Inc. New York, USA.
Deb K, Pratap A, Agrawal S and Meyarivan T, 2002. A fast and elitist multi-objective genetic algorithm: NSGA-II. Transactions on Evolutionary Computation 6 (2):182-197.
Dinpazhoh Y, Sattari MT, Ebrahimi S and Darbandi S, 2017. Optimum operation of reservoir using the genetic algorithm and particle swarm optimization (Case study: Alavian dam), Water and Soil Science- University of Tabriz 27(2):17-29 (In Persian with English abstract).
Garousi-Nejad I and Bozorg-Haddad O, 2014. Optimal operation of the reservoir using the implementation of the worm optimization algorithm. Pp. 845-856. Proceedings of the 5th Iranian Water Resources Management Conference. 18-19 Feb, Tehran, Iran.
Garousi-Nejad I, Bozorg-Haddad O and Loáiciga HA, 2016. Modified firefly algorithm for solving multireservoir operation in continuous and discrete domains. Journal of Water Resources Planning and Management 142(9):1-15.
Garousi-Nejad I, Bozorg-Haddad O, Loáiciga, HA and Mariño MA, 2016. Application of the firefly algorithm to optimal operation of reservoirs with the purpose of irrigation supply and hydropower production. Journal of Irrigation and Drainage Engineering 142(10):1-12.
Hosseini-Moghari SM and Banihabib ME, 2014. Optimizing operation of reservoir for agricultural water supply using firefly algorithm. Journal of Soil and Water Resources Protection 3(4):17-31 (In Persian with English abstract).
Jahandideh-Tehrani M, Bozorg-Haddad O and Loáiciga HA, 2020. A review of applications of animal-inspired evolutionary algorithms in reservoir operation modeling. Water and Environment Journal .
Khorsandi M, Ashofteh PS, Azadi F and Chu X, 2022. Multi-objective firefly integration with the k-nearest neighbor to reduce simulation model calls to accelerate the optimal operation of multi-objective reservoirs. Water Resources Management (In Press).
Schott JR, 1995. Fault tolerant design using single and multi-criteria genetic algorithm optimization, Master’s thesis. Boston. MA. Department of Aeronautics and Astronautics. Massachusetts Institute of Technology. Cambrige, M Massachusetts.
Van Veldhuizen DA and Lamont GB, 1998. Evolutionary computation and convergence to a Pareto front. Pp. 221–228. In: Koza JR, (ed.), Late Breaking Papers at the Genetic Programming 1998 Conference: 28-31 Jul, Stanford University, California, Stanford University Bookstore.
Yaghoubzadeh-Bavandpour A, Bozorg-Haddad O, Rajabi M, Zolghadr-Asli B and Chu X, 2022. Application of swarm intelligence and evolutionary computation algorithms for optimal reservoir operation. Water Resources Management 36:2275–2292.
Yang XS, 2008. Firefly Algorithm. Pp. 157-180. In: Balamurugan S, Jain A, Sharma S, Goyal D, Duggal S and Sharma S (eds). Nature-Inspired Metha-Heuristic Algorithms. Wiley Online Library.
Zeynali MJ, Mohammad RezaPour O and Frooghi F, 2015. . Iranian Journal of Irrigation and Water Engineering (In Persian with English abstract).
| ||
آمار تعداد مشاهده مقاله: 283 تعداد دریافت فایل اصل مقاله: 81 |