مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,279
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

751
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

کاربرد الگوریتم ژنتیک در بهینه سازی عملکرد سیستم استنتاج فازی-عصبی تطبیقی به منظور پیش بینی بیشترین دمای هوا (مطالعه ی موردی: شهر اصفهان)

صفحات

 صفحه شروع 763 | صفحه پایان 775

چکیده

 الگوریتم های موجود برای آموزش سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) باوجود کاربرد فراوان, نقایصی همچون به دام افتادن در بهینه ی محلی دارند. در پژوهش حاضر, کاربرد الگوریتم های بهینه سازی ژنتیک (GA), ازدحام ذرات (PSO), کلونی مورچگان برای محیط های پیوسته (ACOR) و تکامل تفاضلی (DE), در توسعه و بهبود عملکرد ANFIS بررسی شد. به عنوان مطالعه ی موردی, بیشترین دمای ماهانه ی شهر اصفهان در بازه ی زمانی 64 ساله (1330-1393), شبیه سازی و تحلیل شد. به این منظور, ابتدا با استفاده از آنالیز حساسیت, مناسب ترین ورودی ها برای هر یک از افق های پیش بینی (یک ماه, یک تا سه سال) انتخاب شد. سپس, بیشترین دما به وسیله ی مدل های هیبریدی ANFIS-GA, ANFIS-PSO, ANFIS-DE, ANFIS-ACOR و مدل ANFIS پیش بینی شد. در ادامه, عملکرد هر یک از مدل ها با استفاده از شاخص های آماری R2, RMSE و MAE ارزیابی شد. نتایج نشان داد مدل ANFIS-GA, به عنوان مناسب ترین مدل, دقت عملکرد ANFIS را در پیش بینی افق های یک ماه و یک تا سه سال آینده در R2 به ترتیب به مقدار 06/0, 07/0, 08/0 و 12/0 و در RMSE به میزان 09/0, 09/0, 16/0 و 1/0 بهبود داده است. پس از آن, به ترتیب ANFIS-DE و ANFIS-PSO مناسب ترین دقت را داشتند. از سوی دیگر, ANFIS با بیشترین خطا و کمترین R2, به عنوان ضعیف ترین مدل شناخته شد. نتایج نشان داد مدل های هیبریدی پیشنهادی, با استفاده از تکنیک جست وجوی سراسری و جلوگیری از به دام افتادن در بهینه ی محلی, عملکرد ANFIS را به طور مطلوبی بهبود داده اند. مدل های پیشنهادی پتانسیل زیادی به منظور استفاده در سایر مسائل مرتبط با هیدرولوژی و منابع آب دار ند.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    منوچهری نیا، مهران، آزاد، آرمین، فرزین، سعید، و کرمی، حجت. (1397). کاربرد الگوریتم ژنتیک در بهینه سازی عملکرد سیستم استنتاج فازی-عصبی تطبیقی به منظور پیش بینی بیشترین دمای هوا (مطالعه ی موردی: شهر اصفهان). اکوهیدرولوژی، 5(3 )، 763-775. SID. https://sid.ir/paper/254017/fa

    Vancouver: کپی

    منوچهری نیا مهران، آزاد آرمین، فرزین سعید، کرمی حجت. کاربرد الگوریتم ژنتیک در بهینه سازی عملکرد سیستم استنتاج فازی-عصبی تطبیقی به منظور پیش بینی بیشترین دمای هوا (مطالعه ی موردی: شهر اصفهان). اکوهیدرولوژی[Internet]. 1397؛5(3 ):763-775. Available from: https://sid.ir/paper/254017/fa

    IEEE: کپی

    مهران منوچهری نیا، آرمین آزاد، سعید فرزین، و حجت کرمی، “کاربرد الگوریتم ژنتیک در بهینه سازی عملکرد سیستم استنتاج فازی-عصبی تطبیقی به منظور پیش بینی بیشترین دمای هوا (مطالعه ی موردی: شهر اصفهان)،” اکوهیدرولوژی، vol. 5، no. 3 ، pp. 763–775، 1397، [Online]. Available: https://sid.ir/paper/254017/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button