مقایسه کارایی الگوریتم dds با الگوریتم ژنتیک و تکامل تصادفی جوامع در بهینه‌سازی پارامترهای مدل هیدرولوژیکی یکپارچه hymod

در دهه‌ های اخیر مدل ‌های هیدرولوژیکی کاربرد گسترده ای در شبیه‌ سازی فرایند بارش رواناب یافته‌ اند. این مدل ‌ها دارای مقادیر پارامترهای ثابت هستند که نیاز است با روش مناسب، مقادیر آن ‌ها بهینه شوند. در واقع، کارایی مدل ‌های هیدرولوژیک علاوه بر ساختار آن ‌ها به مقادیر بهینه پارامترهای آن‌ ها بستگی دارند. در این پژوهش، به بررسی کارایی سه روش بهینه‌ سازی اتوماتیک شامل الگوریتم تکامل تصادفی جوامع، dds و الگوریتم ژنتیک در بهینه ‌سازی پارامترهای مدل یکپارچه hymod‌ در حوضه قورچای رامیان پرداخته شد. برای هر سه الگوریتم، سرعت رسیدن به هم‌گرایی و میزان تغییرات مقادیر بهینه شده مورد بررسی قرار گرفت. الگوریتم ژنتیک در تعداد اجرای کمتری به هم‌گرایی رسید و پس از آن، الگوریتم dds در مرتبه بعدی قرار داشت. از نظر زمان اجرا به ازای هر تکرار، کمترین زمان مربوط به روش تکامل تصادفی جوامع و بیشترین زمان مربوط به روش الگوریتم ژنتیک بود. بیشترین نوسانات در جواب ‌های بهینه شده مربوط به الگوریتم dds و کمترین نیز مربوط به الگوریتم تکامل تصادفی جوامع بود که از این نظر، بهینه‌ سازی با استفاده از روش تکامل تصادفی جوامع از ثبات بیشتری برخودار بود. با استفاده از تحلیل واریانس و مقایسه میانگین ها مشاهده شد، در روش تکامل تصادفی جوامع با افزایش تعداد جوامع تا 12 جمعیت عملکرد مدل بهتر شد که از این تعداد بیشتر، عملکرد الگوریتم بهبود پیدا نکرد. برای پارامتر alpha با افزایش مقدار آن، عملکرد الگوریتم بدتر شد و بهترین عملکرد الگوریتم مربوط به مقدار برابر با 0.58 بود. بر عکس پارامتر alpha، با افزایش پارامتر beta عملکرد الگوریتم بهتر شد و بهترین عملکرد در مقدار beta برابر با یک به‌دست آمد. برای الگوریتم ژنتیک مقادیر بهینه تعداد کروموزوم‌ها، نرخ تزویج و نرخ جهش به‌ترتیب برابر با 16، 0.2 و 0.3 به‌ دست آمد.

Comparison the efficiency of DDS algorithm to Genetic algorithm and Shuffled Complex Evolution in calibration lumped hydrological model HyMod

During last decades hydrological models were extesively used in rainfallrunoff modeling. These models contain some constant parameters that must be optimized through appropraite mthods. In addation to model structur, the efficieny of hydrological models depend on these optimized parameters. In this study, the efficiency of three automatic optimizing algorithms including Dynamically Dimensioned Search (DDS), Shuffled Complex Evolution and Genetic algorithms in calibration lumped hydrological model HyMod‌ in Ghorchay Ramian Catchment were investigated. For these mehods, convergence speed and variability of final optimized values were investigated. Results showed that Genetic algorithm converged faster than two other methods. Following, DDS algorithm converged faster than Shuffled Complex Evolution algorithm. Shuffled Complex Evolution and Genetic algorithms took shorter and longer time per each epock, respectively. Highest and the least variability of final results were obtained for DDS and Shuffled Complex Evolution algorithms, respectively. With respect to final results variability, Shuffled Complex Evolution algorithm was more satable and had better performance than other methods. Using analyse variance and comper means in Shuffled Complex Evolution algorithms for complexes less than 12, the model performance was increased as the number of complexe increased. As alpha value increased, the model performance decreased and model had the best performance at the value of 0.58. Conversely, model performance was increase as beta values increasd and the best perfromnce was obtained for beta equal to 1. For Genetic algorithm, the best performance was obtained when the value of values crossover, mutation and chromosome number was equal to 0.2 and 0.3 and 16, respectively.