برنامه ریزی ژنتیک و کاربرد آن در مدل سازی فرآیند بارش- رواناب

Authors

علی سلطانی

محمد علی قربانی

احمد فاخری فرد

صابره دربندی

داود فرسادی زاده3

abstract

نقش و اهمیت فرآیند بارش-رواناب در مطالعات منابع آب موجب شده که این فرآیند از دیر باز مورد توجه متخصصین قرار گیرد. از این رو روش های متعددی همچون شبکه های عصبی مصنوعی، سیستم های فازی و نرو فازی، آنالیز موجک، الگوریتم ژنتیک، برنامه ریزی ژنتیک و معادلات دیفرانسیل تصادفی برای مدلسازی فرآیند بارش-رواناب توسعه یافته است. برنامه ریزی ژنتیک علاوه بر توانایی استخراج رابطه ی بین متغیّرهای ورودی و خروجی به طور خودکار و هوشمند، متغیّرهایی که در مدل بیشترین تأثیر را دارند انتخاب می کند. در این تحقیق، برنامه ریزی ژنتیک(gp) برای مدلسازی فرآیند بارش-رواناب روزانه در حوضه آبریز لیقوان با مساحت 19/76 کیلومتر مربع استفاده شده است. از آنجایی که gp توان انتخاب بهترین متغیرها را دارد، ابتدا متغیرهای معنی دار با 10 بار اجرای gp مشخص و سپس مدلسازی با متغیرهای معنی دار و دو مجموعه عملگر ریاضی انجام شد. در مقایسه نتایج دو مدل حاصل از دو مجموعه عملگر ریاضی درحالت بهینه، ضریب همبستگی و میانگین مربعات خطا برای آموزش در دو مدل یکسان و به ترتیب 85/0 و 06/0 و برای تست در مدل حاصل از مجموعه عملگر ریاضی یک، به ترتیب 93/0 و 2/0 و در مدل حاصل از مجموعه عملگر ریاضی دو، به ترتیب 97/0 و 08/0 به دست آمد. بنابراین مدل حاصل از مجموعه عملگر ریاضی دو، به عنوان مدل بارش-رواناب حوضه آبریز لیقوان پیشنهاد گردید.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

برنامه‌ریزی ژنتیک و کاربرد آن در مدل‌سازی فرآیند بارش- رواناب

نقش و اهمیت فرآیند بارش-رواناب در مطالعات منابع آب موجب شده که این فرآیند از دیر باز مورد توجه متخصصین قرار گیرد. از این رو روش های متعددی همچون شبکه های عصبی مصنوعی، سیستم های فازی و نرو فازی، آنالیز موجک، الگوریتم ژنتیک، برنامه‌ریزی ژنتیک و معادلات دیفرانسیل تصادفی برای مدلسازی فرآیند بارش-رواناب توسعه یافته است. برنامه ریزی ژنتیک علاوه بر توانایی استخراج رابطه‌ی بین متغیّرهای ورودی و خروجی به...

full text

استفاده از روش برنامه ریزی ژنتیک در مدلسازی بارش-رواناب

روشهای مبتنی بر هوش مصنوعی اخیراً توجه بیشتری را در مدلسازی فرآیند بارش- رواناب به خود جلب کرده است.برنامه ریزی ژنتیکgp به عنوان یکی از زیر شاخه های مهم هوش مصنوعی است، که در این تحقیق استفاده شده است.در این مطالعه دو رویکرد مختلف که توسط محققین پیشین در مدلسازی بارش- رواناب با برنامه ریزی ژنتیک استفاده شده بود ، با هم مقایسه شده است.نتیجه اساسی حاصل از این مقایسه بر توانایی روشgp در انتخاب متغی...

15 صفحه اول

شبیه سازی فرآیند بارش- رواناب در حوضه آبریز قره سو با استفاده از مدل WMS

برآورد رواناب حاصل از بارش­های جوی اهمیت خاصی در مطالعات هیدرولوژی، مدیریت حوضه­های آبخیز و حفاظت آب و خاک دارد. استفاده از مدل­های شبیه­ساز بارش- رواناب همانند WMS در سال­های اخیر گسترش فراوانی یافته است. این مدل با تلفیق امکانات GIS و مدل­های هیدرولوژیکی رایج به ابزاری قدرتمند برای شبیه­سازی فرآیندهای هیدرولوژیکی حوضه­های آبخیز تبدیل شده است. در این مطالعه برای پیش بینی سیلاب حاصل از بارش حوض...

full text

کاهش خطای شبیه سازی فرآیند بارش-رواناب با بکارگیری تکنیک داده گواری در مدل هیدرولوژیکی SWAT

مدلسازی فرآیند بارش-رواناب با انبوهی از پارامترها و داده های اقلیمی همراه است که ارائه یک مدل شبیه ساز مناسب با حداقل خطا از چالش های مطالعات گذشته بوده است. عدم اطمینان و قطعیت بر صحت داده ها و پارامترهای ورودی مدل های شبیه سازی منجر به تولید خطا می شود که تاثیر قابل توجهی بر پیش بینی های بلند مدت و سیاست های مدیریتی می گذارد. در این مطالعه از مدل مفهومی آب و خاک SWAT به منظور شبیه سازی فرآیند...

full text

اصلاح الگوهای رگرسیونی به کمک مدل های برنامه ریزی آرمانی و کاربرد آن در مطالعات برنامه ریزی و توسعه روستایی

چکیده   پیش‌بینی و برآورد و به‌تبع آن تحلیل‌های رگرسیونی همواره جایگاه خاص و کاربرد گسترده‌ای در مطالعات حوزه‌های مختلف علوم اجتماعی داشته است. از طرفی بکارگیری این روش‌ها نیز مستلزم پیش‌فرض‌هایی است که کمتر مورد توجه قرار گرفته و در اغلب موارد، بخصوص در علوم انسانی چندان قابل کنترل هم نیستند. مقاله حاضر سعی دارد تا با استفاده از منطق بنیادین رویکرد ریاضی برنامه‌ریزی آرمانی ( GP ) و روش‌های خطی...

full text

My Resources

Save resource for easier access later


Journal title:
دانش آب و خاک

Publisher: دانشگاه تبریز

ISSN 2008-5133

volume 20

issue 4 2011

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023