مقایسه الگوریتم ژنتیک و برنامه‌ریزی خطی برای حل مسائل بهینه‌سازی کاربری اراضی حوزه‌های آبخیز

بهره‌برداری صحیح و اصولی از منابع طبیعی باعث حفظ این ثروت ‌های ارزشمند می ‌شود و به ‌کارگیری دانش بهینه‌سازی می تواند کمک موثری در این راستا باشد. بر همین اساس، هدف از این مطالعه مقایسه الگوریتم تکاملی ژنتیک و روش کلاسیک برنامه‌ ریزی خطی در بهینه ‌سازی کاربری اراضی حوزه آبخیز بایگ می ‌باشد. نتایج مطالعه نشان داد که در صورت بهینه ‌سازی کاربری اراضی با برنامه‌ریزی خطی مساحت زراعت دیم کاهش و زراعت آبی افزایش می‌ یابد. بعد از کمینه‌ سازی، رواناب سطحی و رسوب دهی کل حوضه به‌ ترتیب 1.16 و 12.91 درصد کاهش خواهد یافت. در صورت بهینه ‌سازی کاربری اراضی با الگوریتم ژنتیک، مساحت مرتع و زراعت آبی افزایش پیدا کرده، مساحت باغ آبی، بادام‌ کاری و زراعت دیم کاهش می ‌یابد. ضمن این‌که بعد از بهینه ‌سازی، رواناب سطحی و رسوب دهی کل حوضه به‌ ترتیب 13.95 و 31.99 درصد کاهش خواهد یافت. نتایج همچنین نشان داد که برنامه ‌ریزی خطی در مقایسه با الگوریتم ژنتیک، در تامین محدودیت ‌ها بسیار بهتر عمل کرد و قید مساحت مجموع کاربری ‌ها در برنامه‌ ریزی خطی تامین ولی در الگوریتم ژنتیک برآورده نشد. نتایج به‌دست آمده از تحلیل حساسیت نشان داد که حساس ترین ضریب در تابع کمینه‌ سازی رواناب و رسوب دهی، ضریب مربوط به زراعت دیم با هزینه کاهش یافته برابر با 67.52 است. همچنین، نتایج گویای آنست که محدودیت سطوح کل کاربری ‌ها و محدودیت کمینه سطوح مراتع به ‌ترتیب با قیمت سایه‌ای 397.40 و 233.28 بیشترین تاثیر منفی را بر جواب بهینه و محدودیت ‌های بیشینه سطح کاربری باغات آبی و محدودیت بیشینه سطح کاربری بادام کاری به ترتیب با قیمت سایه‌ای 134.97 و 118.44 بیشترین تاثیر مثبت را بر جواب بهینه خواهند داشت. به‌عنوان نتیجه‌ گیری کلی، می‌ توان بیان کرد که الگوریتم‌ های تکاملی (مانند الگوریتم ژنتیک) زمانی که با مسائلی که دارای محدودیت ‌های زیاد هستند مواجه می‌ شوند، در مقایسه با تکنیک ‌های کلاسیک بهینه‌ سازی ضعیف ‌تر عمل می ‌کنند.

Comparison of genetic algorithm and linear programming to solve land use optimization problems at the watershed scale

Correct and consistent uses of natural resources preserve this valuable wealth. Using optimization knowledge can assist us to achieve this object. Thus, this study aims to compare linear programming as a classical method of optimization with genetic evolutionary algorithm for land use optimization of the Bayg watershed. Results showed that linear programming reduced dry farming acreage and increased the acreage of irrigated agriculture. After minimization, surface runoff and sediment yield declined by 1.16, 12.91 percent, respectively. Genetic algorithm led to an increase in rangeland, irrigated agriculture and horticulture acreages, while almond orchard and dry farming acreages were reduced. Furthermore, surface runoff and sediment yield declined by 13.95 and 31.99 percent, respectively. Linear programming acted stronger in satisfying the constraints, as compared with genetic algorithm. The constraint “total acreage” was satisfied by linear programming, while genetic algorithm could not meet this constraint. Sensitivity analysis of linear programming showed that the most critical factor in minimizing runoff and sediment yield function was the coefficient of dry farming with a reduced cost of 67.52. Results also established that the constraints “total acreage and minimum acreage of rangeland” with the shadow prices of 397.40 and 233.28, respectively had the highest negative impact on the optimal solution. Meanwhile, the constraints “maximum acreages of irrigated horticulture and almonds garden” with the shadow prices of 134.97 and 118.44, respectively had the highest positive impact on the optimal solution. As a general conclusion it can be stated that in land use optimization problems with a large number of constraints, genetic algorithm show poorer performance in satisfying constraints, as compared with linear programming.