مقایسه الگوریتم‌های فراابتکاری نوین برای بهینه‌سازی چندهدفه سیستم منابع آب

نوع مقاله : مقاله پژوهشی

نویسندگان

1 مهندسی عمران، دانشکده فنی مهندسی، دانشگاه بیرجند

2 استادیار گروه علوم و مهندسی آب دانشگاه بیرجند

3 دانشجوی دکتر منابع آب- دانشکده کشاورزی دانشگاه بیرجند

چکیده

در این تحقیق دو تابع هدف متضاد برای حل مسئله بهینه‌سازی بهره‌برداری از مخازن چاه نیمه مورد استفاده قرار گرفت. تابع هدف اول کمینه‌سازی مجموع توان دوم اختلاف تقاضای کشاورزی از رهاسازی و تابع هدف دوم بیشینه‌سازی شاخص اعتمادپذیری تعریف گردید. در این مطالعه برای مقایسه الگوریتم‌های مورد بررسی از معیارهای زمان اجرای الگوریتم، تعداد راه‌حل‌های واقع در جبهه بهینه پارتو و معیارهای فاصله، پراکندگی، همگرایی و فاصله نسلی بهره برده شد. نتایج حاصل از بررسی الگوریتم‌های فرا ابتکاری نشان داد که از بین الگوریتم‌های MOGOA، MOPSO و MOALO ، الگوریتم‌های MOALO و MOGOA از کارایی بالاتری نسبت به الگوریتم MOPSO برخوردار بودند. بر اساس معیارهای عملکرد زمان اجرای الگوریتم و معیار پراکندگی الگوریتم MOPSO کارایی بالایی را از خود نشان داد و بر اساس معیارهای فاصله، همگرایی و فاصله نسلی الگوریتم MOGOA کارایی بالایی را از خود نشان داد. با توجه به معیار تعداد راه‌حل‌های واقع در جبهه بهینه پارتو الگوریتم MOALO کارایی بالاتری را نسبت به دیگر الگوریتم‌ها از خود نشان داده است. همچنین الگوریتم‌های MOALO و MOGOA جبهه بهینه پارتو را به نحو مؤثری پوشش داده‌اند و می‌توان گفت راه‌حل‌هایی که این دو الگوریتم در جبهه بهینه خود یافته‌اند یک مجموعه غنی از راه‌حل‌های بهینه را ایجاد نموده که نه تنها جبهه بهینه پارتو را به نحو مؤثری پوشش داده بلکه بر راه‌حل‌های الگوریتم دیگر نیز غلبه دارد. بنابراین به نظر می‌رسد هیچ یک از معیارهای مذکور نمی‌تواند به تنهایی مالک برتری یک الگوریتم نسبت به دیگر الگوریتم‌ها در حل یک مسئله بهینه‌سازی باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Compression of novel meta-heuristic algorithms for multi-objective optimization of water resources system (case study: Sistan’s Chah Nimeh)

نویسندگان [English]

  • Abolfazl Akbarpour 1
  • mohsen Mohsen Pourreza Bilondi 2
  • mohammad javad zeynali 3
1 Faculty of Engineering, University of Birjand
2 university of birjand
3 Ph. D. Student, Dep. of Sciences and Water Engineering, Birjand University, Iran.
چکیده [English]

In this research, two conflicting objective functions used to solve the problem of optimization operation of Sistan’s Chah Nimeh reservoirs. The first objective function defined minimizing the total of second power of difference between agricultural demand and release and the second objective function defined maximizing the reliability index. In this study, to compare the studied algorithms, the criteria of the algorithm’s run time, the number of solutions in the optimal Pareto front, and distance, dispersion, convergence and generation distance were taken. The results of the study of Meta-Heuristic algorithms indicated that among MOPSO, MOGOA and MOALO algorithms, MOALO and MOGOA algorithms were more efficient than MOPSO algorithm. According to the performance criteria of the algorithm’s run time and the dispersion criteria, the MOPSO algorithm showed high efficiency and according to the performance criteria of the distance, convergence and generation distance criteria, the MOGOA showed high efficiency. According to the performance criteria of the number of solutions on the optimal Pareto front MOALO algorithm showed high efficiency. Also, MOALO and MOGOA algorithms effectively covered optimal pareto front. It can be said, the solutions of these algorithms find in themselves optimal pareto front, create a rich set of optimal solutions that not only effectively cover the optimal Pareto front, but also dominate the solutions of the other two algorithms. Therefore, it seems that none of these performance criteria can alone determine the superiority of an algorithm than other algorithms in solving an optimization problem.

کلیدواژه‌ها [English]

  • Antlion Algorithm
  • Grasshopper Algorithm
  • Particle swarm algorithm
  • Performance Ceriteria
[1]E.F. Mehdipour, O.B. Haddad, M. Shokri, M.R. Saboor, H. Bayat, J. Sadeghian, M. Pirsaheb, K. Sharafi, K. Dogaohar, H. Shamloo, 10. Optimization of Multipurpose Reservoir Operation with Application Particle Swarm Optimization Algorithm, Journal Archive, 31 (2020).
[2]A. Hojjati, M. Monadi, A. Faridhosseini, M. Mohammadi, Application and comparison of NSGA-II and MOPSO in multi-objective optimization of water resources systems, Journal of Hydrology and Hydromechanics, 66(3) (2018)323-329 .
[3]I. AHMADIANFAR, A. Adib, M. Taghian, A. Haghighi, Optimization operation from storage dams using nondominated sorting genetic algorithm,  (2016).
[4]S.A. Vaghefi, S. Mousavi, K.C. Abbaspour, M. Ehtiat, Reservoir operation optimization using imperialist competitive algorithm to balance sediment removal and water supply objectives, in:  1st international and 3rd national conference on dams and hydropower, Tehran, 2012.
[5]X. Li, A non-dominated sorting particle swarm optimizer for multiobjective optimization, in:  Genetic and Evolutionary Computation Conference, Springer, 2003, pp. 37-48.
[6]X. Guo, T. Hu, C. Wu, T. Zhang, Y. Lv, Multi-objective optimization of the proposed multi-reservoir operating policy using improved NSPSO, Water resources management, 27(7) (2013) 2137-2153.
[7]L. Dai, P. Zhang, Y. Wang, D. Jiang, H. Dai, J. Mao, M. Wang, Multi-objective optimization of cascade reservoirs using NSGA-II: A case study of the Three Gorges-Gezhouba cascade reservoirs in the middle Yangtze River, China, Human and Ecological Risk Assessment: An International Journal, 23(4) (2017) 814-835.
[8]W.-j. Niu, Z.-k. Feng, C.-t. Cheng, X.-y. Wu, A parallel multi-objective particle swarm optimization for cascade hydropower reservoir operation in southwest China, Applied Soft Computing, 70 (2018) 562-575.
[9]M.H. Afshar, R. Hajiabadi, A novel parallel cellular automata algorithm for multi-objective reservoir operation optimization, Water resources management, 32(2) (2018) 785-803.
[10]K. Srinivasan, K. Kumar, Multi-objective simulationoptimization model for long-term reservoir operation using piecewise linear hedging rule, Water resources management, 32(5) (2018) 1901-1911.
[11]A. Sargolzaei, Operational Assessment of Chahnime Reservoirs Under Different Management Plans Using WEAP Model, University of Zabol, 2014.
[12]M. Taghian, Estimating the optimal capacity for reservoir dam based on reliability level for meeting demands, Journal of Water and Soil, 30(3) (2016).
[13]C.A.C. Coello, G.T. Pulido, M.S. Lechuga, Handling multiple objectives with particle swarm optimization, IEEE Transactions on evolutionary computation, 8(3) (2004) 256-279.
[14]K. Deb, A. Pratap, S. Agarwal, T. Meyarivan, A. Fast, Nsga-ii, IEEE transactions on evolutionary computation, 6(2) (2002) 182-197.
[15]T. Robič, B. Filipič, Differential evolution for multiobjective optimization, in:  International conference on evolutionary multi-criterion optimization, Springer, 2005, pp. 520-533.
[16]M. Zeynali, A. Shahidi, Performance assessment of grasshopper optimization algorithm for optimizing coefficients of sediment rating curve, AUT Journal of Civil Engineering, 2(1) (2018) 39-48.
[17]S. Saremi, S. Mirjalili, A. Lewis, Grasshopper optimisation algorithm: theory and application, Advances in Engineering Software, 105 (2017) 30-47.
[18]S.Z. Mirjalili, S. Mirjalili, S. Saremi, H. Faris, I. Aljarah, Grasshopper optimization algorithm for multi-objective optimization problems, Applied Intelligence, 48(4) (2018) 805-820.
[19]S. Mirjalili, The ant lion optimizer, Advances in engineering software, 83 (2015) 80-98.
[20]S. Mirjalili, P. Jangir, S. Saremi, Multi-objective ant lion optimizer: a multi-objective optimization algorithm for solving engineering problems, Applied Intelligence, 46(1) (2017) 79-95.