بخشی از مقاله
چکیده
جهت انتخاب بهترین گزینه در راستای برنامهریزی سامانههای منابع آب و مدیریت آنها، الگوریتمهای بهینهسازی متفاوتی با الهام از طبیعت ابداع شده و در زمینههای گوناگونی به کار رفتهاند که الگوریتم ترکیبی جهش قورباغهSFLA - 1نمونه - نسبتاً جدیدی از این الگوریتمهاست. هدف از انجام این تحقیق توسعه نسخه چندهدفه این الگوریتم و ارزیابی کارآیی آن برای بهینهسازی بهرهبرداری چندهدفه از مخزن با دو هدف: - 1 - کمینهسازی کمبودهای کشاورزی و - 2 - کنترل سیلاب در دوره بهرهبرداری میباشد. برای این منظور از اطلاعات سد مخزنی دز در دوره آماری 5 ساله استفاده شده و نتایج آن با نتایج حاصل از بهینهسازی بهرهبرداری تکهدفه با استفاده از همین الگوریتم مقایسه شده است. در نهایت، کمترین کمبود کشاورزی برابر با 954/16میلیون متر مکعب و حجم ذخیره مخزن تقریباً در 90/0 درصد مواقع کنترلکننده سیلاب میباشد. علاوه بر اینکه الگوریتم تکهدفه - SOSFLA - 2SFLA با تقریب خوبی به نتایج روش برنامهریزی غیرخطی - NLP - 3رسیده است، در حالت دوهدفه نیز ترکیب جوابهای نامغلوب4 حاصل، بسیار مناسب بوده و در نتیجه میتوان از آن برای بهینهسازی بهرهبرداری از مخازن آب با اهداف گوناگون استفاده کرد و نتایج قابل قبولی نیز به دست آورد.
کلید واژهها: الگوریتم ترکیبی جهش قورباغه، بهرهبرداری از مخزن، بهینهسازی چندهدفه، MOSFLA
-1 مقدمه
مسائل بهینهسازی دارای دو بخش شبیهسازی و بهینهسازی هستند که بخش بهینهسازی در تمام آنها دارای روند مشخص و ثابتی است ولی بخش شبیهسازی با توجه به شرایط مسئله میتواند متفاوت باشد.بخش بهینهسازی دارای یک تابع هدف است که با تعیین مقادیر متغیرهای تصمیم میتوان آن را بهینه کرد. بررسی مسائل بهینهسازی تا دهه 50 میلادی مفهومی نداشت و توجهی به آن نمیشد، و از طریق سعی و خطا برای هر مسئله یک جواب بهینه تعیین میشد. در سالهای 1980-90 بررسی مسائل بهینهسازی - تصمیمگیری در جهت مطلوب - و توسعه روشهای حل آن ها رواج یافت. با پیشرفت و ابداع قابلیتهای سختافزاری و نرمافزاری، اهداف مختلف در طراحیها و بهرهبرداریها لحاظ شد و بررسی مسائل چندهدفه مدّ نظر مدیران قرار گرفت.
به طور کلی در مسائل بهینهسازی چندهدفه دو دیدگاه کلی میتواند وجود داشته باشد: - 1 - در دیدگاه اول به کمک وزندهی، اهداف مختلف را به صورت یک رابطه کلی تبدیل کرده و مسئله به صورت تکهدفه بررسی میگردد. در این روشها به ازای هر مقدار وزندهی به اهداف مختلف تنها یک جواب بهینه به دست میآید و - 2 - در دیدگاه دوم رابطه بین پارامترهای مختلف در اهداف موجود در یک مسئله بررسی شده و یافتن جواب بهینه برای هر یک از اهداف دنبال میشود. در این روشها میتوان یک مجموعه جواب نامغلوب - پرتو - 1 به جای یک جواب به دست آورد. بعد از اینکه ایده استفاده از روشهای تصمیمگیری چندهدفه مطرح گردید، استفاده از الگوریتمهای مختلف بهینهسازی به طور جدیتری دنبال شد.
بر این اساس ایساف و لنسی - 2003 - 2 برای اولین بار از SFLA برای حل مسائل ترکیبی مختلف استفاده کردند و آن را به عنوان یک روش مفید برای یافتن جوابهای عمومی معرفی کردند. آنها از این الگوریتم جهت تعیین قطر بهینه لولهها در طراحی و توسعه شبکه توزیع آب شهری - یک مسئله بهینهسازی تکهدفه با فضای تصمیم گسسته - استفاده کرده و مدل کامپیوتری SFLANET را ارائه دادند. در این مدل از ابزار شبیهسازی EPANET به صورت ترکیب با SFLA استفاده شده است. نتایج حاصل با نتایج روشهای مختلف بهینهسازی مقایسه شده و نشان میدهد که سرعت همگرایی و عملکرد این الگوریتم نسبت به سایر روش ها بهتر بوده است.[1]
به دنبال آن البلتاگی3 و همکاران - 2005 - این الگوریتم را با چهار الگوریتم تکاملی و فراکاوشی دیگر - الگوریتم ژنتیک - GA - 4، محاسبات تکاملی - MA - 5، الگوریتم مجموعه ذرات6 - PSO - ، الگوریتم جامعه مورچگان - - ACO - 7 مقایسه کردند و روشهایی برای تعیین مقادیر بهینه پارامترهای آن و تحلیل حساسیت آنها ارائه کردند.[2] ایساف و همکاران - 2006 - با توسعه این الگوریتم، از آن برای حل مسائل بهینهسازی ترکیبی استفاده کردند و نیز آن را برای واسنجی مدل آبهای زیرزمینی و طراحی شبکه توزیع آب به کار بردند[3] و در نهایت رحیمی واحد و میرزایی - 2007 - یک مدل ترکیبی چندهدفه بر اساس SFLA و الگوریتم بهینهسازی باکتری - BO - 8 - BO - در مسائل خطوط صنعتی تولید، برای کمینهسازی: - 1 - کل کار سامانه، - 2 - تغییرات نرخ تولید محصول و - 3 - هزینه کل سامانه ارائه کردند.[4]
چانگ9 و لنسی - 2009 - هزینه های یک سامانه تأمین آب واقعی بزرگ مقیاس را با استفاده از SFLA و با در نظر گرفتن ظرفیت انتقال و تصفیه آب در سامانه و همچنین سیاست بهرهبرداری به عنوان متغیرهای تصمیم کمینه کردند. نتایج حاصل نشان داد که با وجود محدودیتها و روابط غیر خطی در مدل و متغیرهای تصمیم فراوان، الگوریتم SFLA توانسته است جوابهایی را که تمام محدودیتها را ارضا میکنند، با موفقیت بیابد.[5] توکلان10 و همکاران - 2011 - اظهار کردند که در حل مسائل زمانبندی طرح از بین تمام الگوریتمهای تکاملی، SFLA دارای سرعت همگرایی بالاتری در دستیابی به جوابهای بهتر میباشد. آنها از این الگوریتم به صورت چندهدفه در حل مسئله زمانبندی طرح با در نظر گرفتن گسستهسازی در انجام فعالیتهای گوناگون استفاده کردند و نتایج بهتری را نسبت به تحقیقات قبلی در این زمینه به دست آوردند.[6]
SFLA به عنوان یک روش بهینهسازی نسبتاً جدید مطرح است و هدف از انجام این تحقیق توسعه یک روند حل چندهدفه بر اساس این الگوریتم جهت استفاده در حل مسائل مهندسی منابع آب میباشد. در تحقیقات گذشته عملکرد این الگوریتم معمولاً به صورت تکهدفه در حل مسائل منابع آب مورد ارزیابی قرار گرفته و مشخص شده است که این روش قابلیت کاربرد در مسائل بهینهسازی با متغیرهای پیوسته و گسسته را دارد و میتوان به نتایج حاصل از آن استناد کرد. در این تحقیق از این الگوریتم برای اولین بار در جهت بهینهسازی بهرهبرداری چندهدفه از مخزن استفاده شده و نتایج قابل قبول به دست آمده، قابلیتهای این الگوریتم را تأیید میکنند. با این وجود انجام تحقیقات بیشتر در این زمینه میتواند گامی درجهت به کارگیری هر چه بیشتر و مؤثرتر این الگوریتم در مسائل موجود در این زمینه محسوب شود.
-2 مواد و روشها
-1-2 روشهای حل مسائل بهینهسازی چندهدفه
روشهای حل مسائل بهینهسازی چندهدفه را میتوان در حالت کلی به چهار دسته تقسیم کرد: - 1 - روشهای بهینهسازی پیدرپی1، - 2 - روشهای بهینهسازی فاصلهای، - 3 - روشهای بهینهسازی ترتیبی2 و - 4 - روشهای بهینهسازی فراکاوشی. در روشهای بهینهسازی پیدرپی، توابع هدف موجود بر اساس ساختار ارجحیتی - اولویتبندی - که در ابتدا تعریف می شود، بررسی شده و در جهت رسیدن به مقادیر بهینه خود حرکت می کنند. علیرغم روند ساده و کاربرد راحت این روش، در این حالت تنها یک جواب بهینه برای هر تابع هدف به دست میآید که به ترتیب اولویتهای توابع هدف وابسته بوده و با تغییر ساختار ارجحیت، جواب بهینه نیز تغییر خواهد کرد.
منطق کلی در روشهای بهینهسازی فاصلهای به این صورت است که با تعیین یک نقطه مطلوب به ازای هر تابع هدف، سعی میشود کمترین فاصله تا نقطه مطلوب مربوط به هر تابع هدف ایجاد شود. نقطه مطلوب هر تابع هدف میتواند نقطه ایدهآل یا نقطه آرمانی برای آن تابع هدف باشد. نقطه ایدهآل بیانگر مقدار بهینه مطلق در هر تابع هدف است در حالی که نقطه آرمانی الزاماً بیانگر یک جواب شدنی نبوده و صرفاً یک مقدار مطلوب است که می تواند دستیافتنی نباشد. این روشها عموماً به دو شکل - 1 - برنامهریزی آرمانی3 و - 2 - برنامهریزی سازشی4 مورد استفاده قرار میگیرند. یکی از معایب عمده این روشها تعیین نقطه مطلوب برای هر تابع هدف است. به طور کلی در روشهای بهینهسازی پیدرپی، فاصلهای و ترتیبی برای هر مسئله به ازای ترکیب خاص تعریف شده در آن، یک جواب بهینه به دست میآید و برای دستیابی به یک پرتو، لازم است بهینهسازی به ازای شرایط مختلف انجام شود.
هر یک از جوابهای به دست آمده به عنوان نقطهای از پرتو خواهد بود ولی الزاماً آن را کامل نمیکند، چون بررسی تمام حالات ممکن در هر مسئله تقریباً غیرممکن بوده و نیاز به حجم زیاد محاسبات دارد. ولی در روشهای بهینهسازی فراکاوشی چندهدفه در یک بار اجرای روند بهینهسازی می توان یک مجموعه جواب نامغلوب گسترده - پرتو - به دست آورد. در حالت کلی در مسائل بهینهسازی چندهدفه در صورتی که رابطه بین معیارهای مختلف مسئله مشخصنباشد، یافتن یک مجموعه جواب نامغلوب بسیار مطلوبتر خواهد بود. در نتیجه استفاده از روشهای بهینهسازی فراکاوشی جهت حل مسائل چندهدفه مناسبتر است.
