بهینه سازی جریان ماهانه رودخانه گاماسیاب کرمانشاه با استفاده از شبکه عصبی مبتنی بر رفتار گروهی با داده ها (gmdh) بهبودیافته با الگوریتم بهینه سازی جست وجوی هارمونی (hsa)

هدف: این پژوهش باهدف توسعه و بهبود مدل شبکه عصبی مبتنی بر برخورد جمعی با داده‌ها (gmdh) برای شبیه‌سازی جریان ماهانه رودخانه انجام شد.  روش پژوهش: برای این منظور، الگوریتم بهینه‌سازی جستجوی هارمونی (hsa) به‌منظور ارتقای عملکرد مدل gmdh استفاده شد و مدل ترکیبی hsa-gmdh ارائه گردید. پارامترهایی نظیر حداکثر تعداد لایه‌ها و حداکثر تعداد نورون‌ها در هر لایه از طریق روش آزمون‌وخطا تعیین شدند. همچنین، پارامترهای مختلف الگوریتم hsa نیز با رویکرد آزمون‌وخطا تنظیم شدند. در این مطالعه، داده‌های بارش و جریان رودخانه گاماسیاب در استان کرمانشاه طی یک بازه زمانی 20 ساله (1370-1390) به کار گرفته شد. برای توسعه مدل gmdh، از 80 درصد داده‌ها جهت آموزش مدل و از 20 درصد باقی‌مانده برای ارزیابی آن استفاده گردید. علاوه بر این، بهترین متغیرهای ورودی به مدل با روش آزمون‌وخطا شناسایی شدند و براین‌اساس، سه مجموعه داده (d1، d2 و d3) تشکیل شد. سپس عملکرد مدل‌های gmdh و hsa-gmdh با استفاده از هر یک از این مجموعه داده‌ها مورد ارزیابی قرار گرفت و درنهایت، مقایسه‌ای میان عملکرد این دو مدل صورت پذیرفت.  یافته‌ها: بر اساس نتایج حاصل مدل gmdh با دیتاست d1 بهترین عملکرد را در مرحله آموزش و تست دارد و با دیتاست d2 بدترین عملکرد را در مرحله آموزش و تست دارد همچنین این مدل با دیتاست d3 نسبت به مدل d1 عملکرد ضعیف‌تری دارد؛ اما نسبت به دیتاست d2 عملکرد بهتری دارد. بر اساس نتایج حاصل هر سه مدل gmdh توسعه‌یافته با hsa نسبت به مدل‌های gmdh توسعه‌یافته با روش سعی و خطا کارایی بهتری دارند. بر اساس نتایج حاصل مدل hsa-gmdh(d1) نسبت به مدل gmdh(d1) عملکرد بهتری در مرحله آموزش و تست دارد. مدل hsa-gmdh(d2) نیز نسبت به مدل gmdh(d2) عملکرد بهتری دارد. مدل hsa-gmdh(d3) نیز نسبت به مدل gmdh(d3) عملکرد بهتری دارد.  نتیجه‌گیری: نتایج این پژوهش نشان داد که مدل hsa-gmdh عملکرد بهتری نسبت به مدل gmdh دارد؛ بنابراین، مدل پیشنهادی hsa-gmdh به‌عنوان یک ابزار قدرتمند می‌تواند در شبیه‌سازی جریان ماهانه رودخانه مورداستفاده قرار گیرد.

improving the performance of neural network based on group behavior with data (gmdh) using harmonic search optimization (hsa) algorithm for simulating monthly river flow

objective: the aim of this study is to create a neural network model based on collective data encounter (gmdh) and improve it using harmony search optimization (hsa) algorithm for simulating monthly river flow (hsa-gmdh). method: for this purpose, the rainfall and flow data of gamasiab river of kermanshah were used during a 20-year period (1370-1390). to develop the gmdh model, 80% of the data were used to train the model and other data were used to evaluate it. also, the best input variables to the model were determined by trial and error method, based on this method, 3 datasets were formed (d1, d2, d3), then the performance of gmdh and hsa-gmdh models was evaluated with each of these datasets. results: the hsa-gmdh(d1) model performs better in the training and testing phase than the gmdh(d1) model. the hsa-gmdh(d2) model also performs better than the gmdh(d2) model. the hsa-gmdh(d3) model also performs better than the gmdh(d3) model. it is better to use an optimization algorithm such as hsa instead of the trial and error method to simulate the monthly flow of the river using the gmdh model. conclusions: based on the results of this study, the hsa-gmdh model performs much better than the gmdh model, so it can be used as a powerful tool for simulating monthly river flow.