استفاده از مدل جايگزين در حل مسأله تخصيص بهينه منابع آب در سطح حوضه آبريز

استفاده از مدل جايگزين در حل مسأله تخصيص بهينه منابع آب در سطح حوضه آبريز

الگوریتم های بهینه سازی تكاملی در بسیاری از مسایل واقعی با مشكل عمده هزینه محاسباتی بالا بدلیل استفاده از مدل های شبیه سازی زمانبر در فرآیند ارزیابی مقدار تابع هدف مواجه هستند. به منظور حل این مشكل استفاده از مدلهای جایگزین (meta-models) می تواند بعنوان یك راهكار مؤثر در نظر گرفته شود. در این زمینه شبكه های عصبی مصنوعی (ANN) بعنوان ابزار تقریب تابع قابلیتهای زیادی از خود نشان داده اند . آموزش شبكه های عصبی نیاز به استفاده از یك مجموعه از داده های فراهم شده به منظور یادگیری دارد كه فراهم كردن هر یك از آنها مستلزم استفاده از تابع اصلی زمانبر می باشد. این مسأله می تواند استفاده از این راهكار را، خصوصاً در مسایل دارای ابعاد زیاد كه رسیدن به یك سطح قابل قبول برای خطای تقریب براحتی امكانپذیر نیست و منجر به افزایش بار محاسباتی می گردد، با مشكل مواجه سازد. در این مقاله، روشی ارائه شده است كه در آن با استفاده از حل متوالی سه مسأله طراحی داد ههای آموزش، تقریب تابع اصلی و بهینه سازی تابع تقریب زده شده، ساخت مدل جایگزین با بكارگیری كمترین تعداد ارزیابی های تابع اصلی كه مهمترین شاخص در افزایش هزینه محاسباتی است، صورت می گیرد. عملكرد تكنیك ارائه شده در حل یك مسأله بهینه سازی ریاضی مرجع و مسأله تخصیص بهینه منابع آب در سطح حوضه آبریز رودخانه بعنوان یك مسأله واقعی مورد تحلیل و بررسی قرار گرفته است.