پژوهش های جهانی نشان می دهد که کمبود منابع آب در خاورمیانه و رقابت بر سر بهره برداری از منابع آب موجود در منطقه نقش مهمی در امنیت ملی هر یک از این کشورها دارد. از یکی از اصلی ترین منابع آبی موجود منابع سطحی آب و به طور مشخص آب موجود در مخازن سدها می باشد. بهره برداری بهینه از آن ها به دلیل ابعاد گسترده و نیز پیچیده تر شدن مسئله بهره برداری، امکان حل مسئله با روش های مرسوم بهینه سازی کاهش خواهد یافت. الگوریتم های فرا ابتکاری در مسائل پیچیده و مشکل بهینه سازی مورد استفاده قرار می گیرند. در این تحقیق برای بهینه سازی بهره برداری از مخزن سد درودزن واقع در استان فارس و با هدف کاهش اختلاف نیاز و رهاسازی از الگوریتم هایی مانند الگوریتم های مورچگان، الگوریتم ژنتیک، الگوریتم بهینه سازی ازدحام ذرات، الگوریتم رقابت استعماری و الگوریتم کرم شب تاب مورد بررسی قرار گرفته است. جهت تحلیل عملکرد الگوریتم ها از معیار اعتمادپذیری به کار برده شده است. با توجه به این معیار که یکی از مهم ترین معیارها در تعیین عملکرد سیستم ها است، سیستم مورچگان ترتیبی و سیستم مورچگان بیشینه-کمینه با مقدار 988/0 بهترین عملکرد و پس از آن سیستم مورچگان نخبه با 987/0، الگوریتم ژنتیک با مقدار 963/0، الگوریتم های کرم شب تاب با مقدار 959/0، الگوریتم بهینه سازی ازدحام ذرات با مقدار 954/0، الگوریتم جامعه مورچگان با مقدار 943/0، سیستم مورچگان پیوسته با مقدار 783/0 و الگوریتم رقابت استعماری با مقدار 777/0، مناسب ترین عملکرد را داشته اند.

بدلیل کثرت پارامتر¬های دخیل در انتقال رسوبات و همچنین پیچیدگی¬های فرایند فرسایش و انتقال ذرات، اکثرروابط رسوب نیاز به حل معادلات پیچیده ریاضی داشته و نتیجه دقیقی نمی¬دهد، از سوی دیگر روابط رگرسیونی مابین دبی آب و دبی رسوب نیز دارای ضریب همبستگی مطلوبی نمی¬باشند. در سال¬های اخیر استفاده از سیستم¬های هوشمند در راستای افزایش دقت برآورد میزان رسوبات رسوبات رودخانه مرسوم گردیده است. در این مطالعه از روابط تجربی انتقال رسوب و مدل های رگرسیونی بردار پشتیبان و نزدیکترین همسایه توسعه داده شده به منظور پیش¬بینی بار معلق رسوب رودخانه سیستان استفاده گردید. در بین روابط تجربی روش توفالتی با مقدار جذر میانگین مربعات 7/66557 و ضریب تبیین 705/0 بهترین نتیجه را دارد. روش های رگرسیونی با تفاوت قابل ملاحظه¬ای بهتر از روابط تجربی بار معلق رسوب رودخانه را برآورد کردند. مقایسه نتایج نشان داد روش رگرسیون بردار پشتیبان با مقدار جذر میانگین مربعات خطا 5/3523 و ضریب تبیین 96/0 بهترین نتیجه را در برآورد بار معلق رسوب رودخانه دارد. بنابراین پیشنهاد می¬گردد برآورد بار معلق رسوب رودخانه سیستان با استفاده از روش رگرسیون ماشین بردارهای پشتیبان انجام شود. برآورد صحیح حجم رسوبات معلق در رودخانه¬ها، یکی از مهمترین مسائل در پروژه¬های مهندسی رودخانه، منابع آب و محیط زیست می¬باشد. رودخانه هیرمند مهمترین منبع تأمین آب دشت سیستان به طول تقریبی 1070 کیلومتر از کوههای بابا یغما در افغانستان سرچشمه می¬گیرد. رودخانه سیستان شاخه اصلی منشعب از رودخانه هیرمند بوده که وظیفه آبیاری 70 درصد زمین¬های کشاورزی دشت سیستان و همچنین تأمین بخشی از آب هامون هیرمند را به عهده دارد. با توجه به مشکلات زیاد ناشی از رسوبات در رودخانه¬ها، محققین علم رسوب تلاش¬های زیادی به منظور دستیابی به روابط انتقال رسوب بر اساس مطالعات آزمایشگاهی و میدانی انجام داده¬اند. بدلیل کثرت پارامتر¬های دخیل در انتقال رسوبات و همچنین پیچیدگی¬های فرایند فرسایش و انتقال ذرات، اکثرروابط رسوب نیاز به حل معادلات پیچیده ریاضی داشته و نتیجه دقیقی نمی¬دهد، از سوی دیگر روابط رگرسیونی مابین دبی آب و دبی رسوب نیز دارای ضریب همبستگی مطلوبی نمی¬باشند. در سال¬های اخیر استفاده از سیستم¬های هوشمند در راستای افزایش دقت برآورد میزان رسوبات رسوبات رودخانه مرسوم گردیده است. در این مطالعه از روابط تجربی انتقال رسوب و مدل های رگرسیونی بردار پشتیبان و نزدیکترین همسایه توسعه داده شده به منظور پیش¬بینی بار معلق رسوب رودخانه سیستان استفاده گردید. در بین روابط تجربی روش توفالتی با مقدار جذر میانگین مربعات 7/66557 و ضریب تبیین 705/0 بهترین نتیجه را دارد. روش های رگرسیونی با تفاوت قابل ملاحظه¬ای بهتر از روابط تجربی بار معلق رسوب رودخانه را برآورد کردند. مقایسه نتایج نشان داد روش رگرسیون بردار پشتیبان با مقدار جذر میانگین مربعات خطا 5/3523 و ضریب تبیین 96/0 بهترین نتیجه را در برآورد بار معلق رسوب رودخانه دارد. بنابراین پیشنهاد می¬گردد برآورد بار معلق رسوب رودخانه سیستان با استفاده از روش رگرسیون ماشین بردارهای پشتیبان انجام شود. 4نتیجه¬گیری در بین روش¬های تجربی برآورد رسوب رودخانه سیستان روش توفالتی با مقدار جذر میانگین مربعات 808/66557 و ضریب تبیین 705/0 بهترین نتیجه را دارد. نتایج تحلیل شاخص¬های آماری مدل رگرسیون بردار¬های پشتیبان، نشان دهنده برتری سناریو هفتم با ترکیب ورودی دبی جریان(q)، دمای ماکزیمم(tmax)، دمای مینیمم(tmin) و دبی رسوب کلاسه بندی شده (qc) با مقدار خطای جذر میانگین مربعات 5/3523و ضریب تبیین نسبت 96/0به دیگر سناریو¬ها بوده است. در این سناریو به دلیل استفاده از دبی کلاسه¬بندی به عنوان داده ورودی تمامی مدل¬های مورد بررسی با قابلیت خیلی زیاد می¬توانند بار معلق رسوب را پیش¬بینی نمایند. بهترین عملکرد به دست آمده در مورد مدل رگرسیون بردار پشتیبان مدل شماره هفت با مشخصات هسته تابع پایه شعاعی با پارامترهای c برابر با 8/1، ? برابر با 007/0 و g با مقدار 8 در روش nu-svr می¬باشد. نتایج تحلیل شاخص¬های آماری مدل رگرسیون ناپارامتری نزدیکترین همسایگی-k، نشان دهنده برتری سناریو هفتم با ترکیب ورودی دبی جریان(q)، دمای ماکزیمم(tmax)، دمای مینیمم(tmin) و دبی رسوب کلاسه بندی شده (qc) با مقدار خطای جذر میانگین مربعات 1/3575و ضریب تبیین 95/0نسبت به دیگر سناریو¬ها بوده است. در این سناریو به دلیل استفاده از دبی کلاسه-بندی به عنوان داده ورودی تمامی مدل¬های مورد بررسی با قابلیت خیلی زیاد می¬توانند بار معلق رسوب را پیش¬بینی نمایند. در هر دو روش رگرسیونی به کار رفته استفاده از دبی کلاسه به عنوان ورودی مدل تاثیر بسزایی در افزایش دقت برآورد دبی رسوب دارد. یکی دیگر از توانایی هر دو روش هوشمند پیش بینی یا تخمین مقادیر خارج از محدوده ی مشاهداتی می باشد که نزدیک به مقادیر مشاهداتی متناظر هستند. درروش رگرسیون ناپارامتری با افزایش تعداد متغیرهای مستقل دقت مدل نیز بهتر شد. همچنین نتایج مرحله ی بهینه سازی پارامترهای این روش نشان داد که در اکثر مدل ها وزن متغیر دبی بیشتر از وزن دما بوده به طوری که در بهترین مدل نیز وزن متغیرهای مستقل دبی و دبی کلاسه به ترتیب 3/0 و 7/0 و وزن دیگر متغیرها (دمای بیشینه و کمینه) برابر با صفر بود. تعداد نزدیک ترین همسایه ها نیز در مورد همه ی مدل های به کار رفته در محدوده ی 32 تا 36 قرار داشت و برای بهترین مدل به دست آمده تعداد همسایه ها در روند بهینه سازی برابر با 36 بدست آمد. نتایج برتری هر دو روش هوشمند رگرسیون بردار پشتیبان و رگرسیون نزدیکترین همسایگی-k را نسبت به روش¬های تجربی در برآورد بار معلق رسوب نشان می¬دهد.

چکیده ندارد.