پیش بینی و بهینه سازی ذخیره مخزن سد مهاباد؛ کاربرد الگوریتم فراتکاملی ژنتیک پیوسته (cga)

با توجه به بحران شدید آب در سد مهاباد برای مدیریت بهم پیوسته منابع آب، ضرورت پیش بینی و بهینه سازی این سد احساس می شود. برنامه‌ریزی به منظور بهره‌برداری بهینه از منابع آب یک مسئله بهینه‌سازی است که حل آن نیاز به کاربرد روش‌های توانمند بهینه‌سازی پیچیده، چند متغیره و چند محدودیتی است. در این نوشتار روشی نوین برای پیش‌بینی ذخیره مخزن سد ارائه شده است. الگوریتم ژنتیک پیوسته (cga) روشی جدید در حوزه محاسبات تکاملی است که به یافتن پاسخ بهینه مسائل مختلف بهینه‌سازی می‌پردازد و در سد مهاباد کاربردی شده است. این الگوریتم در مقایسه با سایر الگوریتم‌های مختلف بهینه‌سازی سرعت مناسب در یافتن جواب بهینه دارد. طی این تحقیق بهینه‌سازی سالیانه برای تمام سال در مورد سد مخزنی مهاباد برای رسیدن به بهینه‌ترین سیاست با استفاده از الگوریتم ژنتیک پیوسته صورت گرفت. نتایج حاصل از این پژوهش بیانگر خطای بسیار ناچیز (2.4 %) در اجرای الگوریتم بود. هم‌چنین اعمال الگوریتم ژنتیک پیوسته به مسئله بهینه‌سازی سالیانه و مقایسه آن با داده‌های مشاهداتی، حاکی از موفقیت بسیار بالای روش مطرح شده می‌باشد.

prediction and optimization of storage of mahabad dam reservoir using continuous genetic algorithm (cga)

due to the severe water crisis in the mahabad dam, it is felt necessary for the continuous management of water resources, the necessity of forecasting and optimizing this dam. planning to optimize the use of water resources is an optimization problem, which requires the use of complex, multi-variable and multi-constrained optimization methods. in this paper, a new method is proposed to predict reservoir dam storage. continuous genetic algorithm (cga) is a new method in the field of evolutionary computing that optimizes the optimal response of various problems and is applied in the mahabad dam. this algorithm, in comparison with other algorithms, optimizes the speed of optimal response. in this research, annual optimization for mahabad reservoir for the whole year was conducted to achieve the optimal policy using continuous genetic algorithm. the results of this research showed a minor error (2.4%) in the implementation of the algorithm. in addition, the application of continuous genetic algorithm to the annual optimization problem and its comparison with observational data suggests the very high success rate of the proposed method.