بررسی عمل‌کرد الگوریتم گرگ خاکستری و بهینه‌سازی ازدحام ذرات در مدیریت مخزن ناشی از تغییر اقلیم با اهداف مختلف بهره‌برداری

در این پژوهش تغییرات جریان ورودی به مخزن زاینده‌رود و تغییرات نیاز آبی شبکه پایاب آن با در نظر گرفتن بازه پایه (2010-1981) و تغییر اقلیم در دو بازه (2069-2040) و (2099-2070) تحت سناریوهای اقلیمی a2 و b2 با استفاده از hadcm3 بررسی می‌شود. تاثیرات این تغییر بر مصارف کشاورزی با استفاده از cropwat به‌دست می‌آید. هم‌چنین رواناب ورودی به مخزن با استفاده از شبکه عصبی مصنوعی (ann) و ihacres شبیه‌سازی می‌شود. نتایج حاکی از برتری ann نسبت به ihacres و کاهش رواناب در بازه‌های آتی نسبت به پایه و نیز افزایش تقاضاها دارد. به‌منظور بهینه‌سازی مخزن از دو الگوریتم گرگ خاکستری (gwa) و بهینه‌سازی ازدحام ذرات (pso) برای کمینه کردن آسیب‌پذیری و بیشینه کردن اطمینان‌پذیری استفاده می‌شود. نتایج نشان دادند که gwo در بهینه کردن هریک از توابع هدف نسبت به pso موفق‌تر بوده است. در a2 برای بازه (2069-2040) اطمینان‌پذیری برای gwa و pso به‌ترتیب برابر با 89 و 88 درصد و آسیب‌پذیری به‌ترتیب برابر با 9.8 و 10.1 درصد و در (2099-2070) اطمینان‌پذیری به‌ترتیب برابر با 80 و 79 درصد و آسیب‌پذیری به‌ترتیب برابر 12.8 و 13.3 درصد حاصل شد. در b2 برای بازه (2069-2040) مقدار اطمینان‌پذیری برای دو مدل gwa و pso  به‌ترتیب برابر با 89 و 88 درصد و آسیب‌پذیری به‌ترتیب برابر با 10.4 و 10.7 درصد و در (2099-2070) اطمینان‌پذیری به‌ترتیب برابر با 76 و 73 درصد و مقدار آسیب‌پذیری به‌ترتیب برابر با 18.9 و 19.4 درصد حاصل شد. نتیجه گیری: نتایج نشان دادند که gwo در بهینه کردن هریک از توابع هدف نسبت به pso موفق تر بوده است

performance evaluation of grey wolf algorithm and particle swarm optimization in reservoir management under climate change with various operational objectives

objective: in this study, changes in the inflow to the zayandeh-rud reservoir and changes in the water demand of its tributary network are investigated by considering the base period (1981-2010) and climate change in two periods (2069-2040) and (2099-2070) under climate scenarios a2 and b2 using hadcm3. methods: the effects of this change on agricultural consumption are obtained using cropwat. also, the inflow into the reservoir is simulated using artificial neural network (ann) and ihacres. in order to optimize the reservoir, two algorithms, gray wolf (gwa) and particle swarm optimization (pso), are used to minimize vulnerability and maximize reliability. results: the results indicate the superiority of ann over ihacres and the reduction of runoff in future periods compared to the base period and the increase in demands. the results showed that in a2, for the period (2069-2040), the reliability for gwa and pso was 89 and 88 percent, respectively, and the vulnerability was 9.8 and 10.1 percent, respectively, and in (2099-2070), the reliability was 80 and 79 percent, respectively, and the vulnerability was 12.8 and 13.3 percent, respectively. in b2, for the period (2069-2040), the reliability for the two gwa and pso models was 89 and 88 percent, respectively, and the vulnerability was 10.4 and 10.7 percent, respectively, and in (2099-2070), the reliability was 76 and 73 percent, respectively, and the vulnerability was 18.9 and 19.4 percent, respectively. conclusion: the results showed that gwo was more successful in optimizing each of the objective functions than pso.