کاربرد الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی (BBO) در بهره‎برداری بهینه ‌از مخزن (مطالعه‌ی موردی مخزن کارون4)

محورهای موضوعی : برگرفته از پایان نامه

سیدمحمد حسینی موغاری ¹ , امید بزرگ حداد ²

1 - نامزد دکتری مهندسی منابع آب، گروه آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج.
2 - استاد گروه آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج

تاریخ دریافت : 1393/03/26 تاریخ پذیرش : 1396/07/28 تاریخ انتشار : 1396/06/01

کلید واژه: بهینه‌سازی, بهره‌برداری از مخزن, الگوریتم‌های تکاملی, بهینه‌سازی مبتنی بر جغرافیای زیستی,

چکیده مقاله :

امروزه با افزایش نیازهای آبی، تعادلی بین عرضه و تقاضای آب در اکثر مناطق کشور وجود ندارد. از این‏رو، مدیریت صحیح آب و استفاده بهینه از منابع آب موجود، امری اجتناب­ناپذیر است. از این­رو، استفاده از روش­های بهینه­سازی در این زمینه می­تواند مفید واقع شود. روش­های بهینه­سازی تکاملی از جمله روش­های مورد نظر در این زمینه می­باشند که عملکرد مناسب آنها بسیار گزارش شده است. الگوریتم بهینه­سازی مبتنی بر جغرافیای زیستی (BBO) الگوریتم تکاملی جدیدی است، که عملکرد و کارایی آن در چندین مسئله بهینه­سازی­ به اثبات رسیده است. هدف از این پژوهش بررسی کارایی BBO برای اولین بار در مدیریت منابع آب است. ابتدا BBO در یافتن نقاط بهینه برای سه تابع معیار در بهینه­سازی، شامل تابع کره، روزنبراک و بوکین6 مورد استفاده قرار گرفت، سپس از BBO در بهره­برداری بهینه از مخزن کارون4 با هدف برقابی بهره­برداری گردید. به منظور ارزیابی کارایی BBO، از الگوریتم ژنتیک (GA) و برنامه­ریزی غیرخطی (NLP) نیز در این مسائل استفاده شد. نتایج مربوط به توابع معیار نشان دادند که BBO در یافتن نقاط بهینه هر سه تابع بهتر از GA عمل نموده، و با دقت بالایی به جواب بهینه نزدیک شده است. در بهره­ورری از مخزن کارون4 نیز نتایج حاکی از کارایی BBO در استخراج سیاست­های بهینه­ بهره­برداری بود، به ­نحوی که مقدار تابع هدف حاصل از BBO در بهترین عملکرد برابر با 223/1، و برای GA برابر با 535/1 به­دست آمده است. همچنین، جواب بهینه مطلق حاصل از NLP برای این مسئله 213/1 بوده است.

چکیده انگلیسی:

Nowadays, along with an increase in water needs, there is no balance between water demand and water supply in most regions of the country. Therefore, planning an appropriate policy to strike a balance between a declining water supply and an increasing demand to prevent a crisis is of utmost importance. The use of optimization methods in this context can be useful. Evolutionary algorithm methods are known as appropriate methods in this regard, and their suitable performance have been reported. Biogeography-based optimization (BBO) is a new evolutionary algorithm which its high performance in some aspects has been proved. The main objective of this study was to assess the performance of BBO in water resources management for the first time. Firstly, BBO was used for finding optimal points of three benchmark function including Sphere, Rosenbrock, and Bukin6; secondly, it was applied for an optimal operation of the Karon4 Reservoir with the aim of hydropower generation. In order to evaluate the performance of BBO, in addition to this method, the genetic algorithm (GA) and the nonlinear programming (NLP) were employed. The results of benchmark function showed that BBO delivered a better performance than the GA in finding the optimal points of three functions. Moreover, BBO reached an optimal solution with a higher degree of accuracy. In operation of the Karon 4 Reservoir, the results also indicated the high efficiency of BBO in extracting optimal operational policies in such circumstances; the objective function value of BBO at the best performance was 1.223, and, that for GA was 1.535. Furthermore, the global optimal solution obtained from NLP for this problem was 1.213.

منابع و مأخذ:

1)       جنت­رستمی، س.، م. خلقی و الف. بزرگ­حداد. 1389. مدیریت بهره­برداری از سدهای مخزنی با استفاده از الگوریتم اصلاح­شده جستجوی هارمونی. مجله دانش آب و خاک.  20: 61-72.

2)       عمادی، ع.، م. خادمی، س.الف. محسنی­موحد و م. نوری امامزاده­ئی. 1391. مقایسه الگوریتم بهینه­سازی بازپخت (SA)، شبیه آبدهی و سیاست بهره­برداری استاندارد در بهره­برداری از مخزن (مطالعه موردی: سد مخزنی درودزن). مجله پژوهش آب ایران. 6: 187-196.

3)       فلاح­ مهدی­پور، ا. و الف. بزرگ­حداد.1390. بهینه­سازی بهره­برداری از مخازن سدهای چند­منظوره با کاربرد روش بهینه­سازی مجموعه ذرات. مجله آب و فاضلاب.  23: 97-105.

4)       Afshar, A., O. Bozorg Haddad, M.A. Mariño, and B.J. Adams. 2007. Honey-bee mating optimization (HBMO) algorithm for optimal reservoir operation. J. Franklin Inst. 344: 452-462.

5)       Chang, L.C., and F.J. Chang. 2009. Multi-objective evolutionary algorithm for operating parallel reservoir system. J.  Hydrol. 377: 12-20.

6)       Fallah-Mehdipour, E., O.B. Haddad, and M.A. Mariño. 2012. Real-Time operation of reservoir system by genetic programming. Water Resour. Manage. 26: 4091-4103.

 

7)       Haddad, O.B., A. Afshar, and M.A. Mariño. 2008. Design-operation of multi-hydropower reservoirs: HBMO approach. Water Resour. Manage. 22: 1709-1722.

8)       Hadidi, A., and A. Nazari. 2013. Design and economic optimization of shell-and-tube heat exchangers using biogeography-based (BBO) algorithm. Appl. Therm. Eng. 51: 1263–1272.

9)       Jamuna, K., and K.S. Swarup. 2011. Biogeography based optimization for optimal meter placement for security constrained state estimation. Swarm Evoluti. Comput. 1: 89-96.

10)   Jothiprakash, V., and G. Shanthi. 2006. Single reservoir operating policies using genetic algorithm. Water Resour. Manage. 20: 917-929.

11)   Karamouz, M., and M.H. Houck. 1987. Comparison of stochastic and deterministic dynamic programming for reservoir operating rule generation1.  J. Am. Water Resour. Associ. 23: 1-9.

12)   Kumar, D.N., and M.J. Reddy. 2006. Ant colony optimization for multi-purpose reservoir operation. Water Resour. Manage. 20: 879-898.

13)   Mousavi, S.J., K. Ponnambalam, and F. Karray. 2005. Reservoir Operation Using a Dynamic Programming Fuzzy Rule–Based Approach. Water Resour. Manage.  19: 655-672.

14)   Revelle, C., E. Joeres, and W. Kirby. 1969. The linear decision rule in reservoir management and design: 1, Development of the stochastic model. Water Resour. Res. 5: 767-777.

15)   Simon, D. 2008. Biogeography-based optimization. Evoluti. Comput. IEEE Trans. 12: 702-713.

16)   Simon, D., R. Rarick, M. Ergezer, and D. Du. 2011. Analytical and numerical comparisons of biogeography-based optimization and genetic algorithms. Inform. Sci. 181: 1224-1248.

17)   Zahraie, B., and S.M. Hosseini. 2009. Development of reservoir operation policies considering variable agricultural water demands. Expert Syst. Appli. 36: 4980-4987.