ارزیابی الگوریتم‌های ژنتیک و ازدحام ذرات با تکیه بر رویکرد مرتب‌سازی نامغلوب برای بهینه‌سازی چندهدفه بهره‌برداری از مخازن

مسائل بهینه‌سازی بهره‌برداری از مخازن سدها از جمله مسائل مهم در علوم آب می باشد که تا کنون با انواع روش های بهینه‌سازی مورد بررسی قرار گرفته است. در سال‌های اخیر تعداد زیادی از الگوریتم‌های تکاملی چندهدفه معرفی شده است. از جمله این الگوریتم‌ها می‌توان به نسخه دوم الگوریتم ژنتیک چندهدفه با مرتب‌سازی نامغلوب اشاره نمود که در سال 2002 توسط دب و همکاران معرفی شد. در این تحقیق نوآوری و هدف استفاده از الگوریتم ازدحام ذرات با رویکرد مرتب‌سازی نامغلوب و بررسی کارایی این الگوریتم در بحث بهینه‌سازی بهره‌برداری از مخزن سد است. در نهایت نتایج حاصل از آن با الگوریتم nsga-ii مقایسه گردد تا در نهایت به یک سیاست مدیریتی پایدار در سیستم‌های منابع آب و به ویژه بهره‌برداری از مخزن سد رسید.مواد و روش‌هادر این تحقیق نسخه چندهدفه الگوریتم ژنتیک و ازدحام ذرات با به کارگیری مفاهیمی همچون غلبه و فاصله ازدحامی مورد بررسی قرار گرفتند و برای حل مسئله بهینه‌سازی بهره‌برداری از مخزن سد ملاصدرا واقع در استان فارس به کار برده شدند. مسئله بهینه‌سازی با دو هدف تعریف گردید. یکی از آن‌ها کمینه‌سازی اختلاف نیاز کشاورزی از رهاسازی بوده است و تابع هدف دوم بیشینه‌سازی حجم ذخیره سیلاب تعریف گردید. دو الگوریتم با توجه معیارهایی مانند زمان اجرا، تعداد راه حل‌هایی که در جبهه پارتو قرار می‌گیرند، معیار فاصله و معیار عملکرد مقایسه شدند.یافته‌هانتایج تحقیق نشان داد که هر دو الگوریتم توانایی حل این مسئله بهینه‌سازی را دارا می‌باشند. همچنین نتایج نشان داد که هر یک از الگوریتم‌ها در برخی از معیارها، عملکرد مناسب‌تری نسبت به دیگر داشته است. نتایج بررسی زمان اجرای هر یک از الگوریتم‌ها نشان داد که سرعت اجرای الگوریتم چندهدفه ازدحام ذرات (nspso-ii) به مراتب بیشتر از الگوریتم چندهدفه ژنتیک (nsga-ii) می‌باشد به طوری که میانگین زمان اجرای الگوریتم nsga-ii در تعداد جمعیت 50 با مقدار 21.38 ثانیه تقریبا سه برابر میانگین زمان اجرا در الگوریتم nspso-ii با مقدار 6.31 ثانیه است. با توجه به معیار عملکرد نیز الگوریتم nspso-ii عملکرد مناسب‌تری نسبت به الگوریم nsga-ii داشته است. اما از سوی دیگر با توجه به معیار تعداد راه حل‌های واقع در جبهه پارتو الگوریتم nsga-ii تعداد راه حل‌های بسیار بیشتری را در جبهه پارتو یافته است و به همین دلیل فاصله در الگوریتم nsga-ii کمتر از nspso-ii بوده است.نتیجه‌گیریالگوریتم nsga-ii تعداد راه حل‌های بسیار بیشتری را در جبهه بهینه پارتو یافته است و راه حل‌های واقع در جبهه بهینه پارتو به طور مناسبی جبهه پارتو را بر خلاف الگوریتم nspso پوشش دادند. همچنین مقایسه راه حل‌های واقع در جبهه بهینه پارتو نشان داد که الگوریتم nspso-ii در راستای بیشینه‌سازی تابع هدف دوم گام برداشته در حالی که الگوریتم nsgaii در راستای کمینه‌سازی تابع هدف اول حرکت کرده است.

Evaluation of Genetic and Particle Swarm Optimization Algorithms Based on Non-Dominating Sorting Approach for Multi Objective Optimization Operation of Reservoirs

AbstractBackground and objectivesAs a crucial issue in aqua sciences, optimizing dam reservoirs exploitation has been studied with a variety of optimization techniques. In recent years, a large number of multiobjective MetaHeuristic algorithms have been introduced. One of these algorithms is the second version of the multiobjective genetic algorithm with nundominated sorting, which was introduced in 2002 by Deb and et.al. In this research, the innovation and aim are to use the particle swarm algorithm with nundominated sorting approach and evaluate the efficiency of this algorithm in the optimization of operation of the reservoir performance. Finally, the results are compared with the NSGAII algorithm, which ultimately leads to a sustainable management policy for water resource systems, and in particular the exploitation of the reservoir.Materials and methodsIn this research, the multiobjective version of the genetic algorithm and particle swarm optimization were investigated using concepts such as Nondominated sorting and crowding distance and used to solve the optimization problem of the MullaSadra reservoir in Fars province. The problem of optimization defined with two goals. One of them was minimizing difference between agriculture demand end releases. The second of objective function was maximizing flood storage volume. The two algorithms compared with criteria such as the run time, the number of solutions placed on the Pareto front, standard deviation and performance criteria (dispersion criteria).ResultsThe results of the research indicated that both algorithms have the ability to solve this optimization problem. Also the results indicated that the algorithms has somewhat more performance than some other criteria. The results of the investigation of the runtime of each of the algorithms showed that the performance of the multiobjective particle swarm algorithm (NSPSOII) is far more than the NSGAII algorithm, so that the average runtime of the NSGAII algorithm in the population of 50 The value of 21.3879 seconds is approximately three times the average runtime in the NSPSOII algorithm with a value of 6.3169 seconds. Regarding the performance criterion, the NSPSOII algorithm has a better performance than the NSGAII algorithm. On the other hand, according to the number of solutions on the Pareto front, the NSGAII algorithm found a lot more solutions on the Pareto front, which is why standard deviation in the NSGAII algorithm was less than NSPSOII.ConclusionThe NSGAII algorithm found a lot more solutions on the Pareto optimal front, and the solutions on the Pareto optimal fronted properly covered the Pareto front, unlike the NSPSO algorithm. Also, comparing the solutions in the Pareto optimal front showed that the NSPSOII algorithm was stepped up to maximize the second target function, while the NSGAII algorithm moved in the direction of minimizing the objective function.Keyword: Crowding Distance, Dominate, Flood, MallaSadra Dam, Performance Criteria.