بخشی از مقاله
چکیده
در مطالعه حاضر از روش نوین برنامهریزی ژنتیک جهت پیشبینی جریان روزانه رودخانه باراندوزچای ارومیه در دوره آماری 1386 تا 1389 استفاده شد. همچنین تاثیر توالی در کاهش یا افزایش دقت پیشبینی مورد بررسی قرار گرفت. جهت مدلسازی جریان رودخانه با برنامهریزی ژنتیک از حافظههای دبی یک روز قبل، دو روز قبل تا شش روز قبل استفاده شد.
نتایج تا دبی پنج روز قبل، رو به بهبود بوده و بعد از آن کاهش دقت در مدلسازی مشاهده گردید. در بهترین حالت مدل برنامهریزی ژنتیک - دبی پنج روز قبل - ، ضریب همبستگی و جذر میانگین مربعات خطا در مرحله آموزش 0/944 و 0/021 و در مرحله تست 0/979 و 0/014 محاسبه گردیدند که نشان از دقت بالای این مدل دارد.
1. مقدمه
نیاز روزافزون به آب سبب گردیده است که برنامهریزیهای مدیریتی به منظور کنترل مصرف آب در آینده از اهمیت بیشتری برخوردار باشد. با پیشبینی نمودن آبدهی رودخانهها علاوه بر مدیریت بهرهبرداری از منابع آب، میتوان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیشبینی و مهار نمود. همچنین میتوان از نتایج یک مدل شبیهسازی به منظور بررسی صحت دادهها و یا اصلاح و تکمیل آنها استفاده کرد.
مطابق تقسیمبندی گووینداراجو [11] مدلهایی که امروزه در هیدرولوژی مورد استفاده قرار میگیرند، شامل مدلهای ریاضی- فیزیکی، مدلهای ژئومورفولوژیکی و مدلهای تجربی میباشند. دسته اول مدلها، براساس خصوصیات فیزیکی سیستم هستند که به صورت معادلات دیفرانسیل بیان میشوند. اما دسته دوم برمبنای خصوصیات ژئومورفولوژیکی سیستم هیدرولوژیکی مورد نظر بیان میشوند. مدلهای تجربی بدون توجه به پارامترها، سعی در ایجاد رابطهای بین دادههای ورودی و خروجی دارند که این مدلها به مدلهای جعبه سیاه یا میانگینی معروف هستند.
فربودنام و همکاران [3] پیشبینی جریان روزانه رودخانه لیقوان را با استفاده از روش برنامهریزی ژنتیک انجام داده و نتایج را با شبکههای عصبی مصنوعی مقایسه نمودند. نتایج نشان داد، روش برنامه ریزی ژنتیک از دقت بسیار بالایی در پیشبینی جریان روزانه رودخانه نسبت به روش شبکههای عصبی مصنوعی برخوردار است.
خو و همکاران [13]رواناب ساعتی حوضه اُرگوال1 فرانسه را با استفاده از روش برنامهریزی ژنتیک، پیشبینی نمودند. بررسی نتایج نشان داد که برنامهریزی ژنتیک توانایی پیشبینی دقیق رواناب را در تمام فواصل ملاحظه شده و به ویژه فواصلی که کوتاهتر از زمان تمرکز حوضه هستند را داراست. همچنین نتایج با مطالعه انجام شده دیگر که در آن روشهای خودهمبستگی و فیلترکالمن استفاده شده، مقایسه و مشخص گردید که برنامه ریزی ژنتیک ابزار بهتری برای پیشبینی رواناب است.
دوگان و همکاران [8] در یک تحقیق در مورد حوضه ساکاریا از دو روش شبکههای عصبی مصنوعی و روش اتورگرسیون برای پیشبینی جریان طغیانی روزانه استفاده کردند. نتایج حاکی از دقت بالای مدل شبکههای عصبی مصنوعی بازگشت کننده در پیش-بینی جریان طغیانی روزانه میباشد. باره و همکاران [6] در یک تحقیق در مورد حوضههای بلک واتر2 و گیلا3 به بررسی مقایسهای مدلهای اتورگرسیون و شبکههای عصبی غیر پارامتری برای پیشبینی جریان رودخانه پرداختند. نتایج نشان داد که شبکه عصبی در پیشبینی دقت بیشتری نسبت به مدل اتورگرسیون دارد.
فیرات [9] در یک تحقیق در مورد حوضه سیهان4 در ترکیه از سه روش نروفازی، شبکههای عصبی مصنوعی پیشخور و شبکههای عصبی تعمیم یافته رگرسیونی برای پیشبینی جریان رودخانه با دادههای روزانه استفاده نموند. نتایج برتری روش نروفازی بر دو روش دیگر گزارش کرد. آیتک و کیشی [4] روش جدید برنامهریزی بیان ژن را برای فرموله نمودن رابطه رسوبات معلق و دبی روزانه در دو ایستگاه رودخانه تانگو در مونتانا به کار گرفتند. مدل های بدست آمده با استفاده از برنامهریزی بیان ژن با دو روش رگرسیون خطی و نمودارهای شدت رسوب در تخمین بار رسوبات معلق مقایسه شد. نتایج نشان داد که فرمول پیشنهادی برنامهریزی بیان ژن، در مقایسه با دو روش دیگر به خوبی عمل نموده است و توانایی این روش را در ایجاد ابزار مفید در حل مسائل ویژه در هیدرولوژی از قبیل تخمین رسوبات معلق تأیید میکند.
گوون [12] برای پیش-بینی دبی جریان روزانه رودخانه شویلکیل5 در ایالات متحده از روش برنامهریزی ژنتیک خطی استفاده کرد و نتایج حاصل را با دو الگو از روشهای شبکه عصبی مورد مقایسه قرارداد. وی نشان داد که هر دو روش نتایج قابل قبولی داشته است ولی روش برنامهریزی ژنتیک خطی از دقت بالاتری نسبت به روشهای شبکه عصبی برخوردار است.
قربانی و همکاران [10] عملکرد سه روش برنامه ریزی ژنتیک و شبکه عصبی و نروفازی را در روندیابی سیلاب رودخانه قزل ایرماق ترکیه مورد ارزیابی قرار دادند. نتایج مطالعه آنها نشان داد که از بین سه روش مذکور مدل برنامهریزی ژنتیک با دقت بیشتری هیدروگراف خروجی را شبیهسازی میکند.
در این مطالعه ضمن کاربرد برنامهریزی ژنتیک در مدلسازی و پیشبینی جریان روزانه رودخانه، عملکرد حافظه نیز مورد بررسی قرار گرفته و در نهایت مدل ریاضی رودخانه به زبان برنامه نویسی Matlab ارائه گردیده است.
2. مواد و روشها
منطقه مورد مطالعه
حوضه آبریز دریاچه ارومیه یکی از مهمترین حوضههای منطقه ای ایران است که در بخش شمال غرب ایران واقع شده است. این حوضه با وسعتی برابر 52700 کیلومتر مربع و مساحتی معادل 3/21 درصد مساحت کل کشور، بین مدار 35 درجه و 40 دقیقه تا 38 درجه و 29 دقیقه عرض شمالی و نصف النهار 44 درجه و 13 دقیقه تا 47 درجه و 53 دقیقه طول شرقی قرار گرفته است. از مهمترین رودخانههای این حوضه میتوان به رودخانه باراندوزچای اشاره کرد. در این تحقیق از دادههای این رودخانه جهت مدلسازی جریان روزانه در طول دوره آماری 1386-1389 استفاده شده است. در جدول 1 مشخصات ایستگاه و وحوضه رودخانه مورد مطالعه آورده شده است.
جدول -1 مشخصات آماری سریهای جریان رودخانه باراندوزچای ارومیه
برنامهریزی ژنتیک
روش برنامهریزی ژنتیک جزو روشهای الگوریتم گردشی محسوب میشود که مبنای آنها براساس نظریه تکامل داروین استوار است. الگوریتمهای یاد شده اقدام به تعریف یک تابع هدف در قالب معیارهای کیفی نموده و سپس تابع یاد شده را برای مقایسه جوابهای مختلف حل مسئله در یک فرآیند گام به گام تصحیح ساختار دادهها به کار میگیرند و در نهایت، جواب مناسب را ارائه مینمایند. روش برنامهریزی ژنتیک جدیدترین شیوه از بین روشهای الگوریتم تکاملی میباشد که به دلیل دارا بودن دقت کافی، از کاربرد بیشتری برخوردار است
از برنامهریزی ژنتیک به طور وسیعی در حل مسائل مهندسی آب و تعیین ساختار پدیدهها استفاده شده است. از این روش به طور موفقیت آمیزی میتوان در شرایط زیر بهره جست. -1 هرگاه تشخیص ارتباط داخلی میان متغیرهای وابسته بسیار پیچیده باشد. -2 یافتن اندازه و یا شکل متغیر نهایی بسیار پیچیده است. -3 حل تحلیلی مسئله به روشهای ریاضی متداول غیرممکن و یا بسیار پیچیده بوده ولی حصول جوابهای تقریبی کفایت می کند. -3 اصلاحات جزئی و متداول اجرایی بر روی نتایج به راحتی قابل لحاظ و اندازهگیری میباشد.
برای آشنایی با روش مدلسازی برنامهریزی ژنتیک فرآیند گام به گام این روش به شرح زیر ارائه میگردد. .[7] -1 یک جمعیت اولیه از توابع مرکب نشان دهنده مدلهای پیشبینی، به صورت تصادفی میباشد.
-2 هر یک از افراد جمعیت مذکور با استفاده از توابع برازش، مورد ارزیابی قرار می گیرند. -3 در هر تولید، مراحل زیر برای انتخاب یک جمعیت جدید دنبال می شود:
الف- یکی از عملگرهای عبور، جهش و کپی انتخاب میشود. ب- تعداد مناسبی از افراد جمعیت حاضر انتخاب میشوند. ج- از عملگر انتخابی برای تولید فرزند استفاده میشود. د- فرزند یاد شده در یک جمعیت جدید وارد میشود. ه- مدل مورد نظر با استفاده از برازشهای مختلف مورد ارزیابی واقع میشود.
-4 گام سوم تا نیل به حداکثر تعداد تولید، تکرار خواهد شد.
در برنامهریزی ژنتیک برای انجام محاسبات از عملگرهای ترکیب، جهش و جایگشت که مستقیما روی درختان تجزیه عمل میکنند، استفاده میشود. در بین عملگرهای فوق، عملگر ترکیب کاربرد بیشتری دارد. عملگر ترکیب در واقع روشی است که در تزویج مورد استفاده قرار گرفته و رسیدن به جواب بهینه عمومی را با ترکیب نمودن مقادیر متغیر فرزندان تضمین میکند
این عملگر در اغلب موارد تنها عملگر کاوشی است که در برنامهریزی ژنتیک مورد استفاده قرار میگیرد در این مورد برای ایجاد فرزند جدید، شاخههایی به طور تصادفی در دو درخت والد انتخاب شده و سپس به طور تصادفی معاوضه میشوند. استفاده از این عملگر با این هدف صورت میگیرد تا با معاوضه راه حلهای مرتبهای کوچکتر، راه حلهای پیچیدهتری استنتاج شوند که ساختار صحیحی از نظر قواعد داشته باشد.
