مقاله در مورد کاربرد مقایسهای الگوریتم در بهینهسازی بهرهبرداری از سیستم چندمخزنی word دارای 18 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله در مورد کاربرد مقایسهای الگوریتم در بهینهسازی بهرهبرداری از سیستم چندمخزنی word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله در مورد کاربرد مقایسهای الگوریتم در بهینهسازی بهرهبرداری از سیستم چندمخزنی word ،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله در مورد کاربرد مقایسهای الگوریتم در بهینهسازی بهرهبرداری از سیستم چندمخزنی word :
کاربرد مقایسهای الگوریتم در بهینهسازی بهرهبرداری از سیستم چندمخزنی
چکیده
در این مقاله، کاربرد الگوریتم ژنتیک در بهینهسازی بهرهبرداری از سیستم‌های چندمخزنی بررسی شده است. بهینهسازی پارامترهای سیاست بهرهبرداری در این روش، صرفاً با استفاده از نتایج شبیه‌سازی سیستم انجام می‌شود. بنابراین می‌توان انواع مختلفی از مسائل بهرهبرداری را مستقل از نوع تابع هدف و قیدهای آن و نیز ساختار سیاست بهرهبرداری، بهینهسازی نمود. در این مقاله پس از بررسی اجمالی روش الگوریتم ژنتیک پیشنهادی، عملکرد آن در بهینهسازی یک
سیستم پویای استوکستیک و برنامه‌ریزی پویا با رگرسیون مقایسه شده است. نتایج حاصل، نشانگر برتری الگوریتم ژنتیک هم به لحاظ سرعت و محاسیبات و هم مقدار تابع هدف در مقایسه با دو روش دیگر بوده است. با این حال به منظور افزایش کارایی این روش، اصلاحاتی در آن صورت گرفته است. بهبود کارایی عملگرهای الگوریتم ژنتیک به ویژه استفاده از قانون به هنگام‌سازی قدرت جهش و محاسبه برازندگی کروموزوم‌ها بوسیله شبیه‌سازی سیستم با دوره‌های متغیر، دو نمونه از این اصلاحات را تشکیل داده‌اند.
در بررسی‌های انجام شده اثر این اصلاحات کاملاً مفید ارزیابی شده است، به گونه‌ای که روش اصلاح شده قادر خواهد بود در مدت زمانی کمتر به نتایجی بهتر از روش معمولی دست یابد. ارزیابی مدل نهایی الگوریتم ژنتیک نشان می‌دهد که روش پیشنهادی، روشی بسیار کارآمد در حل مسائل سیستم‌های بزرگ است که حل آنها با روش‌های رایج غالباً غیرممکن است. به عبارتی، ارزش و کارامدی عملگرهای پیشنهادی از نقطه‌ای شروع می‌شود که عملگرهای رایج الگوریتم ژنتیک در آن نقطه متوقف شده و قادر به پیشروی نیستند.
1- مقدمه
بهینهسازی بهرهبرداری از سیستم‌های چندمخزنی و تدوین قوانین و سیاست‌های کارآمد بهرهبرداری از آنها از چندین دهه پیش یکی از موضوعات اصلی در مطالعات منابع آب بوده و تحقیقات گسترده‌ای بر آن انجام شده است. در این راه پیشرفت‌های فراوانی چه به لحاظ استراتژی‌های جدید و کارآمد حل مساله و چه از نظر افزایش توانمندی و سرعت کامپیوترهای شخصی به عنوان
ابزارهای محاسباتی بوجود آمده است. اما به رغم این پیشرفت‌ها، بهینهسازی بهرهبرداری از یک سیستم چندمخزنی بزرگ به صورت یکپارچه به ویژه هنگامی که عدم قطعیت‌های هیدرولوژیکی سیستم به صورت واقع‌بینانه در نظر گرفته می‌شوند، همچنان کاری چالش‌دار باقی مانده است.
لادبادیه در مروری بر استراتژی‌های حل مساله بهینهسازی بهرهبرداری از سیستم مخازن، این
استراتژی‌ها را در چهار دسته بهینهسازی استوکستیک ضمنی، بهینهسازی استوکستیک صریح، کنترل بهینه زمان واقعی و روش‌های برنامه‌ریزی کاوشی مورد بررسی قرار داده است. روش الگوریتم ژنتیک در این بررسی به عنوان یک روش برنامه‌ریزی کاوشی در نظر گرفته شده است و دارای این مزیت ویژه میباشد که می‌دانید تمامی جزئیات مدل‌های شبیه‌سازی درنظر بگیرید، بدون آنکه به فرضیاتی برای ساده‌سازی درنظر بگیرید، بدون آنکه به فرضیاتی برای ساده‌سازی مساله یا محاسبه مشتقات تابع هدف نیاز داشته باشد. از این رو می‌توان روش GA را استراتژی
امیدوارکننده‌ای در حل مساله بهرهبرداری بهینه از سیستم مخازن، به ویژه در سیستم‌های واقعی بزرگ با توابع هدف و قیدهای پیچیده غیرخطی و تفکیک‌ناپذیر دانست.
الگوریتم ژنتیک از طریق فرآیندی شبیه به روش‌های انتخاب طبیعی در علوم زیست‌شناسی به بهینهسازی مسائل می‌پردازد. این الگوریتم‌ها در طول دهه گذشته به طور گسترده به عنوان ابزارهای جستجو و بهینهسازی در رشته‌های مختلف از جمله بازرگانی، علوم و مهندسی بکار گرفته شده‌اند.
اگرچه استفاده از GA در مستئل بهرهبرداری از سیستم‌های منابع آب روش نسبتاً جدید محسوب می‌شود، اما کاربردهای موفقی از آن گزارش رشده است. ایسات و هال کاربرد GA را در یک سیستم چهارمخزنی معروف بررسی کردند. آنها مدل GA را با برنامه‌ریزی پویا، مقایسه و آن را به لحاظ نیازهای محاسباتی کاملاً برتری گزارش نمودند. واردلا و شریف نیز از GA برای بهینهسازی
همان سیستم چهارمخزنی استفاده کرده و نشان دادند که این روش می‌تواند جواب‌های توانمند و قابل قبولی ارائه دهد. یک سال بعد این کار توسط شریف و واردلا توسعه بیشتری یافت. اولیویرا و لاکس از GA برای بهینهسازی منحنی‌های فرمان در سیستم‌های چندمخزنی سیاست‌های بهرهبرداری از سیستم‌های مخازن پیچیده ارزیابی نمودند. کای و همکاران، GA را برنامه‌های خطی با موفقیت مورد استفاده قرار دادند.
چن از این الگوریتم در به دست آوردن منحنی‌های فرمان یک سیستم تک‌مخزنی استفاده کرد و آن را برای بهینهسازی سیستم‌های کاملاً غیرخطی، بسیار موثر ارزیابی نمود. تونگ و همکاران از GA برای تعیین مقدار بهینه پارامترهای نوعی از منحنی‌های بهرهبرداری مخازن استفاده کرده و آن را ابزار قدرتمندی برای یافتن استراتژی‌های مدیریت منابع آب بهینه ارزیابی نمودند. ممتحن و همکارانریال از GA در بهینهسازی ساختارهای مختلفی از سیاست‌های بهرهبرداری برای یک سیستم تک‌مخزنی استفاده کردند و عملکرد آن را با روش‌های برنامه‌ریزی پویای استوکستیک و برنامه‌ریزی پویا رگرسیون به عنوان دو روش مرسوم بهینهسازی مقایسه نمودند. آنها سیاست‌های با ساختار خطی و خطی قطعه‌ای به دست آمده از روش GA را برتر از سیاست‌هاتی حاصل از روش‌های بهینهسازی مرسوم گزارش نمودند.
به طور کلی می‌توان کاربرد GA در بهینهسازی بهرهبرداری از منابع آب را در تحقیقات گذشته به دو دسته بهینهسازی برداشت‌های هر دوره زمانی و بهینهسازی پارامترهای سیاست بهرهبرداری تقسیم کرد. در این دسته‌بندی، شریف و واردلا از دسته اول و اولیویرا و لاکس و ممتحن و همکاران از دسته دوم می‌باشند. در دسته اول GA به طریقی بکار گرفته می‌شود که نتایجی مشابه مدل‌های برنامه‌ریزی پویا تولید کند و بنابراین به طور خودکار قسمتی از مشکلات محاسباتی این مدل‌ها را نیز به همراه خواهد داشت، اما در دسته دوم از GA با یک رویکرد جدید، یعنی جستجوی مستقیم پارامترهای سیاست، استفاده شده است، به گونه‌ای روش‌های بهینهسازی دیگر امکان استفاده در این رویکرد را ندارند. بنابراین، به نظر می‌رسد در این روش استفاده بهتری از پتانسیل GA می‌شود. روش مورد استفاده در این مقاله نیز از دسته دوم میباشد.
در مقاله حاضر کار ممتحن و همکاران توسعه داده شده و روش جستجوی مستقیم پارامترهای سیاست، با استفاده از GA در سیستم‌های چندمخزنی بررسی شده است. همچنین در بخش‌های مختلفی از این روش اصلاحاتی پیشنهاد شده تا بتوان سیاست‌های بهینهسازی بهتری را در زمانی کمتر به دست آورد. عملکرد این مدل به لحاظ نیازهای محاسباتی و مقادیر تابع هدف در یک سیستم سه مخزنی با مدل‌های SDR, DRP مقایسه شده است.
2- روش تحقیق
2-1 روش بهینهسازی با استفاده از الگوریتم ژنتیک
در بهینهسازی سیاست‌های بهرهبرداری از سیستم مخازن با استفاده از GA، ابتدا سیاست بهرهبرداری به صورت روابطی پارامتریک با ساختار معین تعریف و سپس مقادیر بهینه پارامترها مستقیماً بوسیله GA تعیین میگردد. معیار اصلی بهینهسازی در این روش، مقدار تابع هدف حاصل از شبیه‌سازی سیستم متناظر با هر دسته از پارامترهای سیاست است. بنابراین انواع توابع بهینهسازی و ساختارهای سیاست بهرهبرداری را می‌توان بدون نیاز به شرایطی چون خطی یا تفکیک‌پذیر بودن، مورد تحلیل قرار داد. این آزادی عمل در انتخاب نوع سیاست بهرهبرداری، بررسی هرچه بیشتر این سیاست‌ها را از جهات گوناگون طلب می‌کند.
یک سیاست بهرهبرداری، مشتمل بر مجموعه‌ای از قوانین است که در حالت‌های مختلف بهرهبرداری، مقداری آبی را که باید ذخیره یا رهاسازی شوند، تعیین نمی‌نماید. بنابراین به منظور مشخص نمودن ساختار سیاست بهرهبرداری از یک سیستم چندمخزنی باید نوع متغیرهای حالت و تصمیم (یا همان متغیرهای ورودی و خروجی از قوانین بهرهبرداری) و رابطه بین آنها را برای قوانین متناظر با هر از مخازن سیستم انتخاب نمود. اگرچه نوع متغیرهای ورودی و خروجی سیاست نیز بویژه در سیستم‌های چندمخزنی می‌تواند بر نتایج مدل اثرگذار باشد، اما به دلیل گستره انتخاب ساختار قوانین سیاست، این انتخاب در این روش از اهمیت بیشتری برخوردار است
.
برای تعریف قانون بهرهبرداری، بویژه در روش الگوریتم ژنتیک از ساختارهای مختلفی می‌توان استفاده کرد. رابطه خطی، ساده‌ترین نوع این قوانین است که شکل‌هایی از آن در برخی روش‌های بهینهسازی مرسوم همچون برنامه‌ریزی خطی با نبود احتمالی و برنامه‌ریزی با رگرسیون نیز استفاده شده است. به عنوان مثال در صورتی که متغیرهای ورودی رابطه خطی برای هر مخزن تنها به صورت متغیرهای حالت همان مخزن درنظر گرفته شود، قانون بهرهبرداری خطی مخزن را می‌توان به صورت رابطه زیر نوشت:
(1)
که در آن، fLR بیانگر رابطه‌ای از نوع خطی، t: شماره دوره بهرهبرداری در سال، i شماره مخزن در سیستم، R مقدار برداشت از مخزن، S: حجم ذخیره مخزن و I: مقدار ورودی به مخزن می‌باشند. همچنین متغیرهای c, b, a پارامترهای قانون بهرهبرداری هستند که سیاست بهرهبرداری با تعیین مقدار بهینه آنها تعیین می‌شود.
رابطه خطی قطعه‌ای، نوع دیگری از قوانین بهرهبرداری بوده و توسعه یافته رابطه خطی میباشد که در شکل 1 نمونه‌ای از آن نشان داده شده است. در این شکل متغیرهای x, y به صورت زیر تعریف می‌شوند:
(2)
در این رابطه، fPL بیانگر خطی قطعه‌ای بودن ساختار یک سیاست است و برای تعیین آن علاوه بر متغیرهای c, b، پارامترهای تعریف کننده موقعیت خطوط، یعنی مختصات نقاط انتهایی قطعه خط‌ها و یا شیب آنها نیز باید بوسیله الگوریتم ژنتیک تعیین شوند. علاوه بر روابط خطی و خطی قطعه‌ای، ساختارهای پیچیده و غیرخطی دیگری از جمله شبکه‌های عصبی مصنوعی یا پایگاه‌های قوانی
ن فازی نیز برای روابط بهرهبرداری قابل استفاده است. این روابط اگرچه دارای درجه آزادی و اعطاف‌پذیری بالایی می‌باشند، اما با توجه به تعداد بسیار زیاد پارامترهای آنها، حجم بسیار زیادی از محاسبات برای بهینهسازی آنها لازم است. از طرف دیگر در استفاده از این روابط، امکان فوق برازش یافتن بر داده‌های کالیبراسیون وجود دارد که در آن صورت به رغم عملکرد بسیار خوب در دوره کالیبراسیون، عملکرد آنها در شرایط ناشناخته آینده بسیار ضعیف خواهد بود و استفاده از آنها توصیه نمی‌شود.
شکل 1: نمونه‌ای از یک رابطه خطی قطعه‌ای
پس از تعریف ساختار سیاست بهرهبرداری و مشخص شدن پارامترهای آن، وظیفه تعیین مقدار بهینه آنها را الگوریتم ژنتیک برعهده می‌گیرد. در این الگوریتم، پارامترهای سیاست به عنوان متغیرهای بهینهسازی در قالب یک رشته یا کروموزوم ارائه و به اصطلاح کدبندی می‌شوند. به منظور شروع فرآیند محاسبات، تعداد کروموزوم به روش تصادفی مقداردهی می‌شوند تا اولین نسل کروموزوم‌ها را تشکیل دهند. اپراتورهای انتخاب، همبری و جهش به ترتیب بر این نسل (والدین)
اعمال می‌شود تا نسل بعدی (فرزندان) را بوجود آورند. اپراتور انتخاب عامل بقای کروموزم‌های قوی‌تر و انتقال آنها به نسل‌های بعدی است که بر مبنای مقدار برازندگی هر کروموزم عمل می‌کند.
برازندگی، معیاری برای سنجش میزان قدرتمند بودن یک کروموزوم است که در مساله بهرهبرداری از مخزن، بر مبنای مقدار تابع هدف حاصل از سیاست متناظر با کروموزوم و بوسیله شبیه‌سازی
سیتسم به دست می‌آید. اپراتورهای همبری و جهش نیز بر کروموزوم‌های منتخب از نسل والدین اعمال می‌شوند تا با ترکیب و تغییر بعضی قسمت‌های آنها به تولید کروموزوم‌های جدید و کاوش در فضای جستجوی مساله کمک نمایند.
در این مقاله با توجه به ماهیت کار از روش کدبندی حقیقی برای ارائه کروموزوم‌ها استفاده شده است. این روش در تحقیقات گذشته نیز به عنوان روش کدبندی مناسبی، در مساله بهرهبرداری از سیستم مخازن گزارش شده است. همچنین، در بخش اول استفاده از الگوریتم ژنتیک در این مقاله، اپراتور انتخاب از نوع رقابتی و اپراتورهای همبری و جهش از نوع حسابی به عنوان اپراتورهای مرسوم در کدبندی مقدار حقیقی درنظر گرفته شده‌اند.
2-2 کاربرد در یک سیستم سه مخزنی
عملکرد روش الگوریتم ژنتیک در مقایسه با روش‌های بهینهسازی مرسوم در یک سیستم سه مخزنی ارزیابی شده است. از آنجایی که در این ارزیابی به مدت زمان محاسبات مدل‌ها نیز اشاره شده است، لازم به ذکر است که کلیه محاسبات در این مقاله با استفاده از یک دستگاه کامپیوتر شخصی پنتیوم 4 دارای سرعت CPU با 2800 مگاهرتز و ظرفیت RAM برابر با 256 مگابایت انجام شده و مدت زمان محاسبات بر مبنای این دستگاه ارائه شده است.
سیستم سه مخزنی موردنظر که به صورت شماتیک در شکل 2 نشان داده شده است، یک سیستم غیرواقعی است که بر مبنای سیستم واقعی کرج ـ لتیان تعریف گردیده است. ظرفیت مخازن شماره 123، در این سیستم به ترتیب برابر با نصف ظرفیت مخزن کرج (94MCM)، نصف ظرفیت مخزن لتیان (35MCM) و مجموع این دو (129MCM) درنظر گرفته شده است. جریان ورودی رودخانه‌های کرج و لتیان به ترتیب به مخازن شماره 12 وارد می‌شوند که مقدار آنها برابر آمار تاریخی موجود فرض شده است. در پایین دست مخازن شماره 3، محل نیازهای شرب و کشاورزی فرض گردیده است.
شکل 2: نمای سیستم سه مخزنی
تابع هدف در مساله بهینهسازی بهرهبرداری از این سیستم به صورت حداکثرسازی سود سیستم میباشد که در رابطه 3 تعریف شده است:
(3)
که در آن:
(4)
(5)
در روابط فوق، n: شماره دوره بهرهبرداری، N طول کل دوره شبیه‌سازی Pd: جریمه عدم تامین آب شرب، Be: سود حاصل از تولید انرژی برق آبی، Bi: سود حاصل از تامین آب کشاورزی مازاد بر آب شرب و Pe: جریمه متناظر با سرریز آب می‌باشند. اندیس i شماره مخزن را مشخص می‌کند و متغیرهای hn,i, Rn,I به ترتیب برابر مقدار آب برداشت شده از مخزن و مقدار ارتفاع آب پشت توربین مخزن می‌باشند. همچنین DD, DA به ترتیب برابر مقدار تقاضای آب کشاورزی و آب شرب هستند و w4, w3, w2, w1 ضرایب وزنی ثابت می‌باشند که اهمیت نسبی هر یک از بخش‌های تابع هدف را نشان می‌دهند. در این مساله مقدار این وزن‌ها به گونه‌ای درنظر گرفته شده که چهار بخش تابع هدف تقریباً دارای اهمیت یکسانی باشند.
کلمات کلیدی :
