مقايسه الگوريتم ژنتيك و برنامه‌ريزي خطي براي حل مسائل بهينه‌سازي كاربري اراضي حوزه‌هاي آبخيز

Comparison of genetic algorithm and linear programming to solve land use optimization problems at the watershed scale

بهره‌برداري صحيح و اصولي از منابع طبيعي باعث حفظ اين ثروت­‌هاي ارزشمند مي­‌شود و به­‌كارگيري دانش بهينه‌سازي مي­تواند كمك مؤثري در اين راستا باشد. بر همين اساس، هدف از اين مطالعه مقايسه الگوريتم تكاملي ژنتيك و روش كلاسيك برنامه‌­ريزي خطي در بهينه­‌سازي كاربري اراضي حوزه آبخيز بايگ مي­‌باشد. نتايج مطالعه نشان داد كه در صورت بهينه­‌سازي كاربري اراضي با برنامه‌ريزي خطي مساحت زراعت ديم كاهش و زراعت آبي افزايش مي‌­يابد. بعد از كمينه‌­سازي، رواناب سطحي و رسوب­دهي كل حوضه به‌­ترتيب 1.16 و 12.91 درصد كاهش خواهد يافت. در صورت بهينه­‌سازي كاربري اراضي با الگوريتم ژنتيك، مساحت مرتع و زراعت آبي افزايش پيدا كرده، مساحت باغ آبي، بادام‌­كاري و زراعت ديم كاهش مي­‌يابد. ضمن اين‌كه بعد از بهينه­‌سازي، رواناب سطحي و رسوب­دهي كل حوضه به‌­ترتيب 13.95 و 31.99 درصد كاهش خواهد يافت. نتايج همچنين نشان داد كه برنامه­‌ريزي خطي در مقايسه با الگوريتم ژنتيك، در تامين محدوديت­‌ها بسيار بهتر عمل كرد و قيد مساحت مجموع كاربري­‌ها در برنامه‌­ريزي خطي تامين ولي در الگوريتم ژنتيك برآورده نشد. نتايج به‌دست آمده از تحليل حساسيت نشان داد كه حساس­ترين ضريب در تابع كمينه‌­سازي رواناب و رسوب­دهي، ضريب مربوط به زراعت ديم با هزينه كاهش يافته برابر با 67.52 است. همچنين، نتايج گوياي آنست كه محدوديت سطوح كل كاربري­‌ها و محدوديت كمينه سطوح مراتع به­‌ترتيب با قيمت سايه‌اي 397.40 و 233.28 بيشترين تأثير منفي را بر جواب بهينه و محدوديت­‌هاي بيشينه سطح كاربري باغات آبي و محدوديت بيشينه سطح كاربري بادام­كاري به­ترتيب با قيمت سايه‌اي 134.97- و 118.44- بيشترين تأثير مثبت را بر جواب بهينه خواهند داشت. به‌عنوان نتيجه‌­گيري كلي، مي‌­توان بيان كرد كه الگوريتم‌­هاي تكاملي (مانند الگوريتم ژنتيك) زماني كه با مسائلي كه داراي محدوديت­‌هاي زياد هستند مواجه مي‌­شوند، در مقايسه با تكنيك­‌هاي كلاسيك بهينه‌­سازي ضعيف­‌تر عمل مي­‌كنند.

Correct and consistent uses of natural resources preserve this valuable wealth. Using optimization knowledge can assist us to achieve this object. Thus, this study aims to compare linear programming as a classical method of optimization with genetic evolutionary algorithm for land use optimization of the Bayg watershed. Results showed that linear programming reduced dry farming acreage and increased the acreage of irrigated agriculture. After minimization, surface runoff and sediment yield declined by 1.16, 12.91 percent, respectively. Genetic algorithm led to an increase in rangeland, irrigated agriculture and horticulture acreages, while almond orchard and dry farming acreages were reduced. Furthermore, surface runoff and sediment yield declined by 13.95 and 31.99 percent, respectively. Linear programming acted stronger in satisfying the constraints, as compared with genetic algorithm. The constraint “total acreage” was satisfied by linear programming, while genetic algorithm could not meet this constraint. Sensitivity analysis of linear programming showed that the most critical factor in minimizing runoff and sediment yield function was the coefficient of dry farming with a reduced cost of 67.52. Results also established that the constraints “total acreage and minimum acreage of rangeland” with the shadow prices of 397.40 and 233.28, respectively had the highest negative impact on the optimal solution. Meanwhile, the constraints “maximum acreages of irrigated horticulture and almonds garden” with the shadow prices of -134.97 and -118.44, respectively had the highest positive impact on the optimal solution. As a general conclusion it can be stated that in land use optimization problems with a large number of constraints, genetic algorithm show poorer performance in satisfying constraints, as compared with linear programming.