طراحي اقتصادي شبكه‌هاي آب‌رساني با استفاده از عملگر مفهومي ‌آستانه پويا در الگوريتم ژنتيك (GA-DTO)

The Least-Cost Design of Water Supply Networks Using the Conceptual Operator of Dynamic Threshold in Genetic Algorithm (GA-DTO)

تحقيق حاضر به توسعه يك روش بهينه‌سازي فراكاوشي بر پايه مفهوم آستانه پويا براي طراحي شبكه‌هاي آب‌رساني مي‌پردازد. نخست مدل برنامه‌ريزي مساله شامل تعريف تابع هزينه، قيود و اتصال مدل شبيه‌سازي هيدروليكي به الگوريتم بهينه‌سازي توسعه داده مي‌شود. سپس از يك ساختار بسيار ساده الگوريتم ژنتيك باينري براي حل مساله كمك گرفته شده كه در آن از مفهوم آستانه پويا به عنوان يكي از عملگرهاي بهينه‌سازي بهره گرفته مي‌شود. توسط اين عملگر در فرايند بهينه‌سازي، فضاي تصميم‌گيري مساله بصورت تدريجي و منطبق با تاريخچه جستجو فشرده و كوچك مي‌شود و به اين ترتيب شانس رسيدن به پاسخ بهينه مطلق در آستانه‌هاي مختلف افزايش مي‌يابد. قابليت روش با حل دو مثال مرجع مورد ارزيابي قرار گرفته است. نتايج نشان مي‌دهند كه الگوريتم پيشنهادي سبب افزايش كارايي فرايند جستجو و اميد دست‌يابي به پاسخ بهينه مطلق در مساله طراحي شبكه‌هاي آب‌رساني مي‌شود.

This paper introduces a metaheuristic optimization model for pipe networks on the basis of the notion of dynamic threshold. At first, the problem cost function, constraints and the procedure for coupling the hydraulic simulation model to the optimization are developed. Then, a simple version of binary genetic algorithm is exploited to solve the problem which is equipped with the dynamic threshold method as one of the optimization operators. By means of this operator, as the optimization progresses, the problem decision space is gradually contracted according to the search history. This increases the chance of finding the global optimum design as the search space is more and more condensed by the dynamic thresholds. The proposed scheme is then applied against two benchmark examples upon which, the method is investigated and compared with the previous studies. The results show that the incorporation of the dynamic threshold into a simple genetic algorithm can make it computationally efficient as well as more promising in finding the global optima.