توسعه و ارزیابی الگوریتم بهینه سازی اسب خودتطبیقی (SA-HA) برای مدیریت بهره برداری از مخزن

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 10

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_CEEJ-56-123_004

تاریخ نمایه سازی: 21 مهر 1405

چکیده مقاله:

مدیریت بهینه منابع آب در شرایط اقلیمی ناپایدار، نیازمند ابزارهای محاسباتی پیشرفته برای تصمیم گیری هوشمند و سازگار با تغییرات محیطی است. در این پژوهش، نسخه ای خودتطبیقی از الگوریتم اسب ((HA) Horse Algorithm) توسعه داده شد تا محدودیت های 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 به صورت خودکار به روزرسانی می شود. این فرآیند موجب برقراری تعادل هوشمند میان جستجوی گسترده در مراحل اولیه و تمرکز دقیق بر نواحی امیدبخش در مراحل پایانی می گردد. 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 بیشینه سازی نسبت آب تامین شده در طول دوره بهره برداری اجرا شدند. نتایج نشان داد که نسخه خودتطبیقی در مقایسه با نسخه پایه، باعث افزایش حدود ۱۷ درصدی در کارایی تامین آب، کاهش ۲۷ درصدی در کمبود و ارتقای شاخص اطمینان پذیری 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. یافته های این پژوهش بیانگر آن هستند که افزودن سازوکار خودتطبیقی به HA می تواند دقت، پایداری و انعطاف پذیری الگوریتم را در مدیریت سامانه های پیچیده منابع آب به طور چشمگیری افزایش دهد و درنتیجه به عنوان روشی موثر برای بهینه سازی تصمیمات بهره برداری پایدار مورد استفاده قرار گیرد.

کلیدواژه ها:

الگوریتم خودتطبیقی اسب ، بهینه سازی تک هدفه ، یادگیری پویا ، همگرایی تطبیقی ، مدیریت پایداری منابع آب

نویسندگان

پریسا سادات آشفته

گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم

لیلا شاکرمی

گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ashofteh PS, Bozorg-Haddad O, Loáiciga HA, “Multi-objective optimization of reservoir ...
  • Heidari AA, Mirjalili S, Faris H, Aljarah I, Chen H, ...
  • Khoramipoor Z, Farzin S, “A combination approach for optimization operation ...
  • Mirjalili S, Mirjalili SM, Lewis A, “Grey wolf optimizer”, Advances ...
  • نمایش کامل مراجع