توسعه و کاربرد الگوریتم JPSO در بهینه سازی بهره برداری از آبگیرها سدها

محورهای موضوعی : برگرفته از پایان نامه

رسول رجب پور ¹ , ناصر طالب بیدختی ² , غلامرضا رخشنده‌رو ³

1 - گروه مهندسی عمران آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استاد بخش مهندسی راه، ساختمان و محیط زیست، دانشکده مهندسی، دانشگاه شیراز، شیراز، ایران
3 - استاد بخش مهندسی راه، ساختمان و محیط زیست، دانشکده مهندسی، دانشگاه شیراز، شیراز، ایران

تاریخ دریافت : 1394/05/25 تاریخ پذیرش : 1394/05/25 تاریخ انتشار : 1394/05/01

کلید واژه: بهینه سازی, الگوریتم PSO, بهره‌برداری ساده و برقابی,

چکیده مقاله :

اخیرا روشهای فراکاوشی به عنوان ابزاری کارآمد جهت حل مسائل پیچیده­ی مهندسی مورد استفاده­ی بسیار قرار گرفته است. یکی از این روشها الگوریتم JPSO می­باشد که در این تحقیق با اعمال تغییراتی ابتکاری در ماهیت پرش الگوریتمJPSO ، امکان حل مسائل مبتنی بر ساخت نمودار در آن فراهم گردیده و الگوریتم جدیدی به نامG-JPSO]  ارائه شده است. مساله بهره­برداری ساده و برقابی از آبگیرها سدها یکی از مسائل مهم در حوزه­ی مدیریت منابع آب می­باشد، که یکی از الزامات حل این گونه مسائل در فضای گسسته، ساختن نمودار مناسب است. در این مقاله کاربرد الگوریتم جدید توسعه داده شده در تابع پیچیده­ی ریاضی اکلی[، و مساله­ی بهره برداری ساده و برقابی از آبگیر مورد بررسی و ارزیابی قرار گرفته، و در نهایت نتایج آن با الگوریتم جامعه­ی مورچگان مقایسه شده است. نتایج نشان دادند که الگوریتم پیشنهادی در حل تابع اکلی به بهینه­ی مطلق رسید، و کمترین مقدار تابع هدف در مساله بهره­برداری ساده و برقابی با 000/200 بار محاسبه تابع هدف برابر با 07/1 و 83/7 به دست آمد که این مقادیر برای الگوریتم جامعه مورچگان به ترتیب برابر با 93/0 و 1/10 می­باشد. این مقایسه نشان­دهنده­ی توانایی بالای الگوریتم ارائه شده در پیدا کردن جوابهائی نزدیک به پاسخ بهینه با صرف هزینه­ی محاسباتی مناسب می باشد.



 

چکیده انگلیسی:

Recently, metha-heuristic methods have been used as an efficient tools to solve complex engineering problems. One of these methods is JPSO algorithm, which, with a change in the nature of the jump of that algorithm in this research, it is possible to solve a graph-based problem with a new algorithm called G-JPSO. The simple and hydropower operation of dams is one of the important issues in the field of water resources management. One of the requirements to solve these problems in a discrete space is creating an appropriate graph. Application of this new developed algorithm on complex mathematical Ackley function and simple and hydropower operation of dams is reported in this paper. The results were compared with the ant colony algorithm. The results showed that the proposed algorithm reach the absolute optimal answer for the Ackley function, and it also showed that a minimum objective function for simple and hydropower operation with 200,000 iterations of the objective function are 1.07 and 7.83, respectively. The value of ant colony algorithm for these two applications are 0.93 and 10.1, respectively. This comparison demonstrates the ability of the developed algorithm in finding solutions close to the optimal solution with a reasonable computational cost.

منابع و مأخذ:

1. برهانی داریان، ع. و ا. مرادی، 1389. الگوریتم مورچگان پیوسته در بهینه­سازی بهره­برداری از سامانه­های پیچیده­ی چند آبگیره، مجله آب و فاضلاب، شماره 4، 81-91.


2. سامی کشکولی، ب و م. ج. منعم، 1388. توسعه و کاربرد شبیه بهینه‌سازی شبکه‌های آبیاری تحت‌فشار با استفاده از روش تلفیقی ‌JPSO/LIDM، هشتمین کنفرانس هیدرولیک ایران، دانشگاه تهران، آذر 88.


3. مهدی­پور، ا. و ا. بزرگ حداد، س. علیمحمدی،. 1393. بهره­وری بهینه از سامانه تلفیقی آبخوان-سد: رویکرد برنامه­ریزی ژنتیک، مجله مهندسی منابع آب، شماره 21، 51-66.


4. مهدی­پور، ا. و ا. بزرگ حداد، 1391. بهینه­سازی بهره­برداری از آبگیرها سدهای چند منظوره با کاربرد الگوریتم بهینه­سازی مجموعه ذرات، مجله آب و فاضلاب، شماره 4، 97-105.
   
   
   1. Abbas Afshar, A., M. J., Emami, F., Masoumi, 2014, Optimizing water supply and hydropower reservoir operation rule curves: An imperialist competitive algorithm approach., Engineering Optimization.,  46(10), 170-181.
   
   
   2. Afshar, M.H., 2012, Large scale reservoir operation by Constrained Particle Swarm Optimization algorithms, Journal of Hydro-environment Research, 6, 75-87.
   
   
   3. Al-kazemi, B. and C. K.Mohan, (2002), Multi-phase Discrete Particle Swarm Optimization. In: Fourth International Workshop on Frontiers in Evolutionary Algorithms, Kinsale, Ireland.
   
   
   4. Becker L.,  and W., Yeh 1974, Optimization of real-time operation of a multiple reservoir system, water Resource .Res, 10(6), 1107-1112.
   
   
   5. Bozorg Haddad, O., A., Afshar, and M.A., Marino, 2006, Honey-Bees Mating Optimization (HBMO) Algorithm: A New Heuristic Approach for Water Resources Optimization, Water Resources Management, 20, 661-680.
   
   
   6. Balter, A.M., and D.G. Fontane, (2006). “A multiobjective particle swarm optimization model for reservoir operations and planning.” Proceeding of International Conference on Computing and Decision Making in Civil and Building Engineering, Montreal, 1544-1552.
   
   
   7. Cai X., Mckinney DC. and  LS., Lasdon 2002, Piece-by-piece approach to solving large nonlinear water resources management models, ASCE J Water Resour Plann Mgmt, 127(6),363-368.
   
   
   8. Clerc, M. (2000), Discrete particle swarm optimization illustrated by the traveling salesman problem, http://www.mauriceclerc.net.
   
   
   9. Coello, C.A., and M.S. Lechunga, (2002). “MOPSO: A proposal for multiple objective particle swarm optimization.” Proceeding of IEEE Congress on Evolutionary  omputation, IEEE Service Center. Piscataway, NJ, 2, 1677-1681.
   
   
   10. East V., M.J. Hall,1994, water resource system optimization using genetic algorithms,  hydro informatics’94, Pro., 1st Int. Conf. on Hydro informatics, Balkerma, Rotterdam, The Netherlands, 225-231.
   
   
   11. Gen, M., and R. W., Cheng, (1997). Genetic Algorithm and Engineering Design. John Wiley and Sons, Inc.
   
   
   12. Hendtlass, T. (2003), Preserving Diversity in Particle Swarm Optimization, in: Lecture Notes in Computer Science, vol. 2718, Springer, pp: 4104-4108.
   
   
   13. Jalali, M. R. A.Afshar, and M.A., Mariño, 2007, Multi-Colony Ant Algorithm for Continuous Multi-Reservoir Operation Optimization Problem, Water Resources Management, 21(9), 1429-1447.
   
   
   14. Kennedy, J. and R. Eberhart, (1997), Adiscrete binary version of the particle swarm algorithm. In: IEEE Conference on Systems, Man, and Cybernerics, vol 5, pp 4104-4108.
   
   
   15. Kumar, D., and J. Reddy, (2007). “Multiple reservoir operation using particle swarm optimization.” J. of Water Resources Planning and Management, 133(3), 192-202.
   
   
   16. Marino, M.A. and H.A. Loaiciga, Dynamic model for multi reservoir operation", Water Resource Res., 21(5), pp. 619-630 (1985).
   
   
   17. Meraji, S.H., M.H., Afshar, and A. Afshar, (2006). “Reservoir operation by particle swarm optimization algorithm.” 7^th International Conference of Civil Engineering, Tehran, Iran.
   
   
   18. Moeini, R. and M. H. Afshar. (2009), Application of an Ant Colony Optimization Algorithm for Optimal Operation of Reservoirs: A Comparative Study of Three Proposed Formulations. Civil  engineering. Vol. 16, No. 4, pp. 273-285.
   
   
   19. Moreno-Perez, J. A., J. P, Castro-Gutierrez, F. J., Martinez-Garcia B., Melian, J. M. Moreno-Vega, and J. Ramos, (2007), Discrete Particle Swarm Optimization for the p-median problem. In: Procceedings of the 7th Metaheuristics International Conference, Montreal, Canada.
   
   
   20. Peng, C.H, Buras N., 2000, Dynamic operation of a surface water resources systems, Water Resour Res, 36(9),2701-2709.
   
   
   21. Pugh, J., and A. Martinoli, (2006), Discrete multi-valued particle swarm optimization. In: Proceedings of IEEE Swarm Intelligence Symposium, vol 1, pp 103-110.
   
   
   22. Shi, X. H., Y. C.,  Liang, H. P., Lee, C. Lu, and Wang, Q. X. (2007), Particle swarm optimization-based algorithms for TSP and generalized TSP, Information Processing Letters, 103 (2007) 169-176.
   
   
   23. Wang, K-P., L., Huang, C. Zhou, and W. Pang, (2003), Proceedings of the Second International Conference on Machine Learning and Cybernetics, Xi’an, 2-5 November 2003.
   
   
   24. Wardlaw R., M., Sharif 1999, Evaluation of genetic algorithms For Optimal Reservoir system operation, Journal of water resources planning and management, January 1999, 25-33.
   
   
   25. Yang, S. M. Wang, and L. Jiao, (2004), A Quantum Particle Swarm Optimization. In: Proceedings of CEC2004, the Congress on Evolutionary Computing, vol 1, pp 320-324.
   
   
   26. Yeh WW-G., 1985, Reservoir management and operations models: A state-of-the-art review. , Water Resource Reservoir, 1797-818.
   
   
   27. Zhang R, J, and Y., Zhou Wang 2012, Multi-objective optimization of hydrothermal energy system considering economic and environmental aspects, International Journal of Electrical Power & Energy Systems, 42, 384-95.