به کارگیری الگوریتم‌های فرا ابتکاری نوین برای بهره‌برداری تک هدفه از مخزن سد امیرکبیر

یکی از راهکارهای مقابله با مسائل مربوط به توزیع زمانی و مکانی نامناسب منابع آبی، استفاده بهینه از مخازن سدها است. سیستم‌های مخزنی به تحلیل، مدیریت صحیح و بهره‌برداری مناسب از منابع آب می‌پردازد و سعی دارد که سیستم‌های منابع آب را به‌ گونه‌ای طراحی نماید که اهداف خاصی همچون تولید انرژی برقابی، تامین آب شرب و کشاورزی، کنترل سیلاب‌های مخرب و غیره را با توجه به مجموعه‌ای از محدودیت‌ها، به صورت بهینه تحقق بخشد. به همین منظور در این تحقیق تابع هدف کمینه‌سازی مجموع توان دوم اختلاف نیاز کشاورزی از رهاسازی برای حل مسئله بهینه‌سازی بهره‌برداری از مخزن سد امیرکبیر مورد استفاده قرار گرفته است. هدف از این تحقیق بررسی کارایی نسخه تک هدفه الگوریتم‌هایی مانند الگوریتم چند جهانی و ژنتیک بوده و همچنین کارایی ترکیبی از این دو الگوریتم (mvga) نیز مورد بررسی قرار گرفت. نتایج حاصل از بررسی الگوریتم‌های چند جهانی، ژنتیک و mvga نشان داد که الگوریتم mvga مشابه با ga در تعداد تکرار کمتر به ترتیب با مقادیر تابع هدف 24/29 و 24/22 جواب بهتری نسبت به الگوریتم mvo با مقدار تابع هدف 29/14 پیدا می‌نماید. نتایج این تحقیق نشان داد که برای افزایش کارایی یک الگوریتم می‌توان آن را با الگوریتم دیگری ترکیب نمود. در این تحقیق ترکیب الگوریتم ژنتیک با الگوریتم چند جهانی باعث بهبود عملکرد الگوریتم چند جهانی به میزان 16/64 درصد شده است.

using novel meta-heuristic algorithms for single-objective operation of reservoir amirkabir

in this study, the objective function of minimizing the total power of the difference between the demand of agriculture and release has been used to solve the problem of optimizing the operation of the amirkabir reservoir. the purpose of this study was to evaluate the performance of single-objective versions of algorithms such as multi-verse optimizer and genetic algorithm, as well as the performance of a combination of these two algorithms (mvga). the results of the study of meta-heuristic algorithms indicated that among the multi-verse, genetic algorithm and mvga algorithm, the mvga algorithm similar to ga, has a lower number of iterations with objective function values of 24.29 and 24.22, respectively, better than the mvo algorithm with objective function values 29.14. the results of this study showed that to increase the efficiency of one algorithm, it can be combined with another algorithm. in this study, the combination of a genetic algorithm with multi-world algorithm has improved the performance of the multi-world algorithm by 16.64%.