کاربرد الگوریتم ژنتیک در بهینه‌سازی عملکرد سیستم استنتاج فازی-عصبی تطبیقی به منظور پیش‌‏بینی بیشترین دمای هوا (مطالعۀ موردی: شهر اصفهان)

الگوریتم‏های موجود برای آموزش سیستم استنتاج فازی- عصبی تطبیقی (anfis) باوجود کاربرد فراوان، نقایصی همچون به‌دام‌افتادن در بهینۀ محلی دارند. در پژوهش حاضر، کاربرد الگوریتم‏های بهینه‏سازی ژنتیک (ga)، ازدحام ذرات (pso)، کلونی مورچگان برای محیط‌‏‌‌های پیوسته (acor) و تکامل تفاضلی (de)، در توسعه و بهبود عملکرد anfis ‌بررسی شد. به‌‏عنوان مطالعۀ موردی، بیشترین دمای ماهانۀ شهر اصفهان در بازۀ زمانی 64 ساله (1330-1393)، شبیه‏سازی و تحلیل شد. به این منظور، ابتدا با استفاده از آنالیز حساسیت، مناسب‌‏ترین ورودی‏ها برای هر یک از افق‏های پیش‏بینی (یک ماه، یک تا سه سال) انتخاب شد. سپس، بیشترین دما به‏وسیلۀ مدل‏های هیبریدی anfis-ga، anfis-pso، anfis-de، anfis-acor و مدل anfis پیش‏بینی شد. در ادامه، عملکرد هر یک از مدل‏ها با استفاده از شاخص‏های آماری r2، rmse و mae ارزیابی شد. نتایج نشان داد مدل anfis-ga، به‏عنوان مناسب‏ترین مدل، دقت عملکرد anfis را در پیش‏بینی افق‌‏های یک ماه و یک تا سه سال آینده در r2 به‌ترتیب به مقدار 0.06، 0.07، 0.08 و 0.12 و در rmse به میزان 0.09، 0.09، 0.16 و 0.1 بهبود داده است. پس ‏از آن، به‌ترتیب anfis-de و anfis-pso مناسب‏ترین دقت را داشتند. از سوی دیگر، anfis با بیشترین خطا و کمترین r2، به‏عنوان ضعیف‏ترین مدل شناخته شد. نتایج ‌نشان داد مدل‏های هیبریدی پیشنهادی، با استفاده از تکنیک جست‌وجوی سراسری و جلوگیری از به‌دام‌افتادن در بهینۀ محلی، عملکرد anfis را به‏طور مطلوبی بهبود داده‏اند. مدل‏های پیشنهادی پتانسیل زیادی به‏منظور استفاده در سایر مسائل مرتبط با هیدرولوژی و منابع آب دار‌ند.