بهینه سازی بهره برداری از مخازن سدها با استفاده از فرآیند تظریف تطبیقی احتمالاتی در الگوریتم مورچه‌ها

الگوریتم جامعه مورچه‌ها یک روش تکاملی جدید می‌باشد که برای حل مسائل بهینه‌سازی معرفی گردیده است. ماهیت این الگوریتم که بر اساس جستجوی غذا توسط مورچه‌ها استوار شده است، شرایط محیط جستجوی گسسته را به این روش دیکته می‌نماید. اما بسیاری از مسائل واقعی دنیای اطراف ما پیوسته می‌باشند و به کارگیری این الگوریتم درحل آنها نیازمند گسسته‌سازی فضای جستجوی پیوسته و تبدیل مساله پیوسته به مساله گسسته می‌باشد. معمولاٌ تقسیم‌بندی بزرگ فضای جستجو موجب اثر منفی بر کیفیت جواب و گسسته‌سازی ریز موجب افزایش تلاش محاسباتی و بعضاً کاهش کیفیت جواب می‌گردد. در این مقاله مکانیزم مناسبی به نام تظریف تطبیقی احتمالاتی (SAR)، جهت ارتقاء عملکرد الگوریتم مورچه‌ها و رسیدن به جواب‌هایی در حد جواب‌های بهینه پیوسته ارایه شده است. در این روش مسأله بهینه‌سازی پیوسته با مجموعه‌ای از بهینه‌سازی‌های گسسته جایگزین می‌شود که در آن گسسته‌سازی حوزه متغیرهای تصمیم ابتدا به شکل یکنواخت و سپس در تکرارهای بعدی با استفاده از یک توزیع گوسی صورت می‌گیرد. مقادیر میانگین و انحراف معیار توزیع گوسی در هر تکرار با استفاده از مقادیر جواب بهینه در تکرار قبل محاسبه می‌شود. در این فرآیند فضاهای مجاور میانگین که احتمال قرار گرفتن جواب بهینه در آن بیشتر است، اهمیت بیشتری دارند و فضاهایی که دورتر از میانگین قرار دارند، سهم کمتری در تعریف فضای جستجوی گسسته ایفا می‌کنند. به این ترتیب در گسسته‌سازی جدید فضای جستجو، فاصله نقاط گسسته سازی (گزینه‌های تصمیم‌) در اطراف جواب بهینه یافته شده در جستجوی قبلی کمتر و در فاصله‌های دورتر از آن بیشتر خواهد بود. در این مقاله کاربرد سازوکار فوق در نمونه‌هایی از مسائل پیچیده ریاضی و منابع آب مورد آزمون قرار گرفته است و با نتایج نرم افزار LINGO (نسخه 8) و دیگر روش‌های موجود مقایسه شده است. نتایج نشان می‌دهند که سازوکار به کارگرفته شده اثر مثبتی در بهبود جواب‌های الگوریتم مورچه‌ها دارد و توانایی پیدا کردن نقاط نزدیک بهینه را با هزینه محاسباتی کم دارا است.