ارزیابی عملکرد الگوریتم کلونی زنبور ‌عسل در تحلیل تناوب سیلاب

انتخاب تابع توزیع مناسب و تخمین پارامترهای آن دو گام اساسی در برآورد دقیق تناوب سیلاب است. در این مقاله برای بهبود تخمین پارامترهای توابع توزیع، از مفهوم بهینه‌سازی الگوریتم فرا ابتکاری استفاده شده است. هدف از این مقاله استفاده از الگوریتم کلونی زنبور ‌عسل (abc) در راستای برآورد پارامترهای توابع توزیع رایج در تخمین سیلاب است. در این راستا از سه آماره برازندگی، ضریب همبستگی، ضریب تشخیص و مجذور میانگین مربعات خطا، برای مقایسه عملکرد این الگوریتم با روش‌های متعارف تخمین پارامتر، حداکثر درست‌نمایی(ml)، گشتاورها (mom) و گشتاور وزنی احتمال (pwm)، استفاده شده است. منطقه مورد مطالعه حوضه‌ آبخیز بابل‌رود در حاشیه جنوبی دریای مازندران است که دارای سوابق وقوع سیلاب است. تعداد شش ایستگاه هیدرومتری دارای آمار مشاهداتی دبی حداکثر سیلاب در منطقه شناسایی و داده‌های آنها در تحلیل تناوب سیل شش تابع توزیع نرمال، گمبل، گاما، پیرسون نوع 3، مقادیر حد و لجستیک مورد استفاده قرار گرفت. مقایسه عملکرد روش‌های abc، ml، mom و pwm در برآورد سه آماره برازندگی نشان می‌دهد که تابع توزیع پیرسون نوع 3 دارای بیشترین مقدار میانگین ضریب همبستگی (0/97) با کمترین دامنه تغییرات (0/050/04) و تابع توزیع گاما دارای بیشترین مقدار ضریب تشخیص (0/93) با کمترین دامنه تغییرات (0/10) و همچنین کمترین مقدار مجذور میانگین مربعات خطا (8/61) با کمترین دامنه تغییرات (14/33) است. درنهایت با جمع‌بندی نتایج به‌دست آمده است می‌توان نتیجه گرفت که الگوریتم کلونی زنبور ‌عسل عملکرد بهتری (مقادیر بالاتر ضریب همبستگی و ضریب تشخیص و مقدار کمتر مجذور میانگین مربعات خطا) از سایر روش‌های رایج در تخمین پارامترهای توابع توزیع مطالعاتی در منطقه دارد.

Evaluating the Performance of the Artificial Bee Colony Algorithm in Flood Frequency Analysis

Selection of the appropriate distribution function and estimation of its parameters are two fundamental steps in the accurate estimation of flood magnitude. This study relied on the concept of optimization by meta heuristic algorithms to improve the results obtained from the conventional methods of parameter estimation, such as maximum likelihood (ML), moments (MOM) and probability weighted moments (PWM) methods. More specifically, this study aimed to improve flood frequency analysis using the Artificial Bee Colony algorithm (ABC). The overall performance of this algorithm was compared to the conventional methods by employing goodness of fit statistics, correlation coefficient (CC), coefficient of efficiency (CE) and root mean square error (RMSE). The study area, Babolrood catchment located in southern bank of Caspian Sea, has been subjected to annual flooding events. A total of 6 hydrometry stations in the study area were delineated and their data were used in the analysis of 6 distribution functions of Normal, Gumbel, Gamma, Pearson Type 3, General Extreme Value and General Logistic. This analysis indicated that Gamma and Pearson Type 3 were the most appropriate distribution functions for flood appraisal in the study area, according to the ABC and conventional methods, respectively. Also, the results showed that ABC outperformed ML, MOM and PWM; so, Gamma could be recommended as the most reliable distribution function for flood frequency analysis in the study area.