تخمین پارامترهای بهینه مدل روندیابی ماسکینگام غیرخطی با استفاده از الگوریتم رقابت استعماری (ica)

مدل غیرخطی ماسکینگام روشی کارا در روندیابی سیلاب است، اما کارایی این روش تحت تاثیر سه پارامتر به کار رفته در آن است. در سال های اخیر، نتایج رضایت بخشی از استفاده الگوریتم های فراکاوشی در تعیین مقدار مناسب پارامترهای این مدل گزارش شده است. از این رو در این پژوهش به ارزیابی کارایی الگوریتم رقابت استعماری (ica) در تخمین پارامترهای بهینه مدل غیرخطی ماسکینگام پرداخته شد. علاوه بر ica، الگوریتم ژنتیک (ga) و بهینه سازی مجموعه ذرات(pso) نیز با هدف در دست بودن معیار برای قضاوت در مورد عملکرد ica مورد استفاده قرار گرفتند. بدین منظور ابتدا ica در روندیابی سیل ویلسون به کار گرفته شد؛ پس از آن روندیابی دو واقعه سیلاب مربوط به رودخانه دوآب صمصامی مورد بررسی قرار گرفت. در مورد سیل ویلسون که تابع هدف به صورت مجموع مربعات انحرافات (ssq) دبی مشاهداتی و محاسباتی در نظر گرفته شد؛ مقدار تابع هدف حاصل از ica، برابر 36.77 و مقدار تابع هدف حاصل از ga و pso به ترتیب برابر 38.27 و 36.89 به دست آمد. در روندیابی دو سیل دیگر علاوه بر ssq، تابع هدف دیگری به صورت مجموع قدر مطلق انحرافات (sad) دبی مشاهداتی و محاسباتی نیز در نظر گرفته شد. در سیلاب اول براساس ssq، ga بهترین عملکرد را از خود نشان داد ولی براساس sad، ica در رتبه نخست قرار گرفت. در مورد سیلاب دوم بر مبنای هر دو تابع هدف، ica عملکرد بهتری داشته است. در این رابطه ica نسبت به ga در تابع هدف ssq، 9 درصد و در تابع هدف sad، 0.08 درصد بهتر بوده است و نسبت به pso، تابع هدف ssq و sad را به ترتیب 0.1 و 0.16 درصد بهبود داده است. با توجه به نتایج حاصل می توان گفت که الگوریتم ica می تواند به عنوان یک روش مناسب به منظور تخمین پارامترهای مدل غیرخطی ماسکینگام مورد استفاده قرار گیرد.

Estimating Optimum Parameters of Non-Linear Muskingum Model of Routing using Imperialist Competition Algorithm (ICA)

Nonlinear Muskingum model is an efficient method for flood routing. However, the efficiency of this method is influenced by three applied parameters. Therefore, efficiency assessment of Imperialist Competition Algorithm (ICA) to evaluate optimum parameters of nonlinear Muskingum model was addressed in this study. In addition to ICA, Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) were also used to find an available criterion to verify ICA. In this regard, ICA was applied for Wilson flood routing then, routing of two flood events of DoAab Samsami River was investigated. In case of Wilson flood, the target function was considered as the sum of squared deviation (SSQ) of observed and calculated dischargem. Routing two other floods, in addition to SSQ, another target function was also considered as the sum of absolute deviations of observed and calculated discharge. For the first floodwater based on SSQ, GA indicated the best performance however, ICA was in the first place, based on SAD. For the second floodwater, based on both target functions, ICA indicated a better operation. According to the obtained results, it can be said that ICA could be recommended as an appropriate method to evaluate the parameters of Muskingum nonlinear model.