بهینه سازی پارامترهای غیرخطی مدل ماسکینگام nl5با الگوریتم sho

در این پژوهش، الگوریتم کفتار خالدار(sho) به‌عنوان الگوریتمی مبتنی بر رفتار کفتارهای نوع خالدار برای اولین بار در بهینه‏سازی پارامترهای مدل غیرخطی ماسکینگام برای روندیابی سیلاب استفاده‌شده است. برای بررسی کارایی این الگوریتم، در مدل‌های ماسکینگام غیرخطی nl3 و مدل توسعه‌یافته nl5، مطالعۀ موردی سیل ویلسون برای صحت سنجی و هم چنین یک سیل تاریخی از منطقۀ کارده به‌عنوان مطالعه موردی به‌منظور روندیابی سیلاب و محاسبۀ پارامترهای مدل ماسکینگام انتخاب شد. برای ارزیابی مقدار خطای آماری بین دبی‏های روندیابی شده و مشاهداتی از شاخص‌های آماری ssq و mse به‌عنوان تابع هدف استفاده‌شده است. براساس نتایج به‏دست‏آمده از روندیابی سیل ویلسون با استفاده از الگوریتم sho، برای مدل nl3 مقادیر توابع هدف به ترتیب برابر 778/128و 852/5 مترمکعب بر ثانیه و برای  مدل nl5 مقادیر توابع هدف به ترتیب 776/21و262/0 است. نتایج روندیابی مطالعه موردی، سیل کارده با الگوریتم مذکور نیز نشان داد مجموع مربعات انحرافات روندیابی شده برای مدل nl3 به ترتیب برابر 552/4 و برای مدل  nl5 برابر 261/1 می‌باشد. در تحقیق حاضر، ابتدا در مدل nl3 عملکرد الگوریتم کفتار خالدار با الگوریتم فرا کاوشی دیگر نظیر الگوریتم ژنتیک و الگوریتم چرخه آب مقایسه و با توجه به عملکرد بهتر این الگوریتم، در مدل nl5 مورد بررسی قرار گرفت. نتایج شاخص‌های آماری بیان‌کنندۀ برتری مدل nl5 نسبت به مدل nl3 و برتری الگوریتم sho نسبت به الگوریتم‌های مقایسه شده دیگر برای محاسبۀ پارامترهای غیرخطی مدل ماسکینگام و پیش‏بینی دقیق سیلاب دارد. بنابراین، از دستاوردهای پژوهش حاضر می‏توان به معرفی مدل ماسکینگام غیرخطی nl5 بر مبنای الگوریتم sho برای حل مسائل روندیابی سیلاب اشاره داشت.

optimization of nonlinear parameters of muskingum nl5 model with sho algorithm

the muskingum method was first developed by u.s. army engineers to study flood control in the muskingum river basin in ohio. to evaluate the performance of the sho algorithm, the results of its implementation have been compared with other basic algorithms such as ga and ica. the coding of sho, ga and ica algorithms was done in the matlab (r2018b) software programming section. the results showed that the statistical parameters obtained for the river studied by sho algorithm in two nonlinear models of muskingum indicate the proper performance of these algorithms in estimating the optimal values ​​of nonlinear masking modeling parameters in flood detection compared to other algorithms.