کاربرد الگوریتم بهینهسازی مبتنی بر جغرافیای زیستی (BBO) در بهرهبرداری بهینه از مخزن (مطالعه‌ی موردی مخزن کارون4)
الموضوعات :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
الکلمات المفتاحية: بهینهسازی, بهرهبرداری از مخزن, الگوریتم‌های تکاملی, بهینهسازی مبتنی بر جغرافیای زیستی,
ملخص المقالة :
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.
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.
_||_