روندیابی سیلاب یکی از پیچیده ترین مسائلی است که در علم هیدرولیک کانال های باز و مهندسی رودخانه مورد بررسی قرار می گیرد. در میان روش های مختلف روندیابی سیلاب، روش ماسکینگام به عنوان پر کاربردترین روش هیدرولوژیکی اهمیت زیادی در مطالعات سیلاب رودخانه ها داشته و از دقت بالایی برخوردار است. تخمین صحیح پارامترهای موجود در مدل غیر خطی ماسکینگام همواره مورد توجه محققین بوده و از روش های مختلفی بدین منظور استفاده شده است. در مقاله حاضر، از الگوریتم جدید جستجوی گرگ (WSA) بدین منظور استفاده شده است. برای ارزیابی مقادیر بهینه پارامترهای مدل ماسکینگهام، تابع هدف به صورت کمینه سازی مجموع مربعات باقیمانده ها (SSQ) بین حجم خروجی های مشاهداتی و روندیابی شده در نظر گرفته شد. به منظور بررسی میزان مطلوبیت یافته های تحقیق، نتایج حاصل از الگوریتم جستجوی گرگ با نتایج سایر روش های فرا ابتکاری شامل الگوریتم ژنتیک (GA)، الگوریتم گروه ذرات (PSO)، الگوریتم جستجوی هارمونی (HS) و الگوریتم رقابت استعماری (ICA) مقایسه گردید. از شش تابع محک استاندارد با ابعاد متفاوت برای بررسی کارآمدی این الگوریتم ها استفاده شد. همچنین تحلیل حساسیت بر روی اندازه جمعیت برای الگوریتم های مورد استفاده صورت پذیرفت. نتایج این تحقیق حاکی از آن بود که در میان الگوریتم های مذکور، الگوریتم جستجوی گرگ قادر است برآورد مناسب تری از مقادیر بهینه پارامترهای مدل ماسکینگام غیرخطی ارائه نماید به طوری که مقادیر ضریب تبیین و جذر میانگین مربعات خطا برای رودخانه کارده به ترتیب برابر با 0.778425و 0.712358 بدست آمد.

سابقه و هدف: تغییر در الگوهای هواشناسی و هیدرولوژیکی باعث گردیده تا استفاده از ابزارهای مدیریت منابع آب، جهت اخذ یک راهکار مناسب برای بهره برداری بهینه از مخازن مورد توجه قرار گیرد. درخصوص مسایل بهینه سازی روش های مختلفی به کارگرفته شده که باتوجه به عدم توانایی روش های بهینه سازی معمول، درحل مسایل پیچیده بهینه سازی، به کارگیری الگوریتم های فراابتکاری بیش از پیش مورد توجه قرار گرفته است. مواد و روش ها: در پژوهش حاضر، یک مدل ترکیبی از الگوریتم های جستجوی کلاغ (CSA) و گرگ خاکستری (GWO) که الگوریتم هیبریدی جستجوی کلاغ-گرگ خاکستری (GWOCSA)نامیده می شود برای نخستین بار در حوزه علوم بهره برداری از مخزن معرفی و ارایه می گردد و عملکرد آن در قیاس با الگوریتم های تشکیل دهنده آن؛ به عنوان ابزاری قدرتمند جهت بهینه سازی بهره برداری از سیستم تک مخزنه سد گلستان با درنظر گرفتن تابع هدف (تامین نیازهای آبی پایین دست سد) مورد ارزیابی قرار می گیرد. جهت مقایسه میزان همگرایی و نحوه عملکرد الگوریتم های مذکور، پارامترهای آماری هر الگوریتم محاسبه و این مقادیر با یکدیگر و همچنین با جواب حل تحلیلی برنامه ریزی غیرخطی مساله که توسط نرم افزار (GAMS) بدست آمده، مقایسه گردیدند. سپس جهت تحلیل عملکرد الگوریتم ها، با استفاده از مدله تصمیم گیری چندمعیاره کوداس، رتبه بندی گزینه های تصمیم (الگوریتم های بهینه سازی) براساس معیارهای اطمینان پذیری حجمی و زمانی، برگشت پذیری و آسیب پذیری صورت گرفت. یافته ها: نتایج حاکی از آن است که رویکرد مدل هیبریدی GWOCSA دارای پاسخی نزدیکتر به مقدار بهینه مطلق می باشد و میانگین پاسخ حاصل از آن 93 درصد پاسخ بهینه مطلق و میانگین حاصل از الگوریتم های GWO و CSA، مقادیر 92 و 83 درصدی را نسبت به بهینه مطلق از خود نشان می دهند. به علاوه، ضریب تغییرات الگوریتم هیبریدی نسبت به الگوریتم های گرگ خاکستری و جستجوی کلاغ به ترتیب به میزان 23 و 1. 67 برابرکوچک تر است. از سوی دیگرالگوریتم هیبریدی GWOCSA به جز از لحاظ شاخص برگشت پذیری در سایر شاخص ها دارای عملکرد بهتری نسبت به سایرین می باشد. مدل تصمیم گیری چندمعیاره کوداس نیز مشخص نمود الگوریتم GWOCSA نسبت به دو الگوریتم منفعل دیگر، در حل مساله بهره برداری از مخزن مورد مطالعه جایگاه نخست را به خود اختصاص داده و الگوریتم گرگ خاکستری و جستجوی کلاغ، پس از آن به ترتیب در رتبه های دوم و سوم قرار می گیرند. نتیجه گیری: مدل تصمیم گیری چندمعیاره کوداس مشخص نمود الگوریتم GWOCSA در بهینه سازی تابع هدف بهتر از الگوریتم های تشکیل دهنده آن؛ یعنی الگوریتم بهینه سازی جستجوی کلاغ (CSA) و گرگ خاکستری (GWO) عمل نموده و در حل مساله بهره برداری از مخزن جایگاه نخست را به خود اختصاص داده و الگوریتم گرگ خاکستری و جستجوی کلاغ، پس از آن به ترتیب در رتبه های دوم و سوم قرار می گیرند به گونه ای که نه تنها در یافتن جواب بهینه، بهتر عمل کرده بلکه ارتقای عملکرد و افزایش کارایی الگوریتم هیبریدی در شاخص های ارزیابی عملکرد مدل نسبت به سایرین نیز به وضوح موید این مدعی است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این مقاله یک الگوریتم اصلاح­شده گرگ خاکستری جهت استفاده در کاربردهای مهندسی ارائه می­گردد. الگوریتم گرگ خاکستری از جمله روش­های بهینه­سازی فراابتکاری است که به دلیل قابلیت­های خوبی که دارد، به تازگی مورد استفاده گسترده محققان قرار گرفته است. مکانیزم عاری از مشتق­گیری، سادگی در اجرا و پیاده­سازی و تنها نیاز به تابع هدف به عنوان ورودی مسئله، از جمله مواردی است که الگوریتم گرگ خاکستری را محبوب و مورد توجه می­کند. اما مشکلی که در خصوص آن می توان اشاره کرد این است که ضریب کاهشی مورد استفاده در آن خطی است و در برخی مسایل غیر خطی سبب ایجاد خطای بیشتر یا دیر همگرا شدن به جواب اصلی می­گردد. این نقصان با ارائه یک الگوریتم گرگ خاکستری اصلاح شده مرتفع می­شود. سپس نتایج در قالب یک مثال عددی کاربردی در علوم مهندسی با الگوریتم اولیه گرگ خاکستری و همچنین برخی ضرایب پیشنهاد شده مشابه مقایسه می­گردد تا کارآیی الگوریتم اصلاح شده، مشخص شود.

بهینه سازی استفاده از منابع آب به ویژه در بخش کشاورزی که بیشترین سهم را در استحصال منابع آب دارد از اهمیت زیادی برخوردار است. لذا در این پژوهش ضمن معرفی الگوریتم بهینه سازی گرگ خاکستری، جستجوی کلاغ و نهنگ، عملکرد آنها در بهره برداری بهینه از سیستم تک مخزنه سد گلستان با هدف تأمین نیاز آبی اراضی پایین دست، بر اساس شاخص های اطمینان پذیری، برگشت پذیری و آسیب پذیری مورد ارزیابی قرار گرفت. در این راستا تابع هدف به صورت کمینه سازی کل کمبود طی دوره بهره برداری تعریف و محدودیت های معادله پیوستگی، حجم سرریز، حجم ذخیره و حجم رهاسازی از مخزن بر تابع هدف مسئله اعمال شد. سپس نتایج با پاسخ بهینه مطلق بر اساس روش برنامه ریزی غیرخطی حاصل از نرم افزار GAMS مقایسه شد و درنهایت بر اساس توسعه مدل تصمیم گیری چندمعیاره رتبه بندی الگوریتم ها از لحاظ عملکرد صورت پذیرفت. نتایج نشان داد که الگوریتم گرگ خاکستری در بهینه سازی تابع هدف بهتر از سایر الگوریتم ها عمل می کند به گونه ای که میانگین پاسخ ها در الگوریتم های گرگ خاکستری، جستجوی کلاغ و نهنگ به ترتیب 92، 84 و 67 درصد پاسخ بهینه مطلق است به علاوه، الگوریتم گرگ خاکستری در کلیه شاخص ها از عملکرد مناسب تری نسبت به الگوریتم های جستجوی کلاغ و نهنگ برخوردار است. همچنین ضریب تغییرات پاسخ های به دست آمده توسط الگوریتم گرگ خاکستری نسبت به الگوریتم های جستجوی کلاغ و نهنگ به ترتیب به میزان 2 و 1/43 برابر کوچک تر است. درنهایت نتایج حاصل از مدل تصمیم گیری چندمعیاره مشخص کرد که الگوریتم گرگ خاکستری دارای رتبه نخست نسبت به دو الگوریتم دیگر مورد بررسی در حل مسئله بهره برداری بهینه از مخزن سد گلستان است. . .

این مقاله از یک روش فرا ابتکاری جدید به نام بهینه ساز گرگ خاکستری (GWO) به منظور دسته بندی دادگان سونار استفاده می کند. الگوریتم GWO از سلسله مراتب رهبری و سازوکار شکار گرگ های خاکستری در طبیعت تقلید می کند. در این الگوریتم از چهار نوع گرگ خاکستری شامل آلفا، بتا، دلتا و امگا برای شبیه سازی سلسله مراتب رهبری استفاده شده است. علاوه بر این، سه مرحله اصلی شکار شامل جستجوی طعمه، محاصره طعمه و حمله به طعمه شبیه سازی می شوند. در ابتدا الگوریتم موردنظر توسط 23 تابع آزمون شناخته شده به خوبی ارزیابی شده و نتایج به دست آمده با روش بهینه سازی ازدحام ذرات (PSO) مقایسه می شوند. نتایج نشان می دهد که الگوریتم GWO قادر به ارائه نتایجی بسیار بهتر در یافتن کمینه کلی توابع، سرعت همگرایی و اجتناب از کمینه محلی در مقایسه با الگوریتم PSO است. علاوه بر این، در این مقاله یک کاربرد واقعی از روش ارائه شده در زمینه دسته بندی دادگان سونار بیان می شود. نتایج حاصله نشان می دهد که دسته بندی کننده طراحی شده با الگوریتم گرگ خاکستری دادگان سونار را با دقت %96.67 دسته بندی می کند، این در حالی است که PSO دقت %92.33 را حاصل می نماید.