ارزیابی الگوریتم‌های ژنتیک و ازدحام ذرات با تکیه بر رویکرد مرتب‌سازی نامغلوب برای بهینه‌سازی چندهدفه بهره‌برداری از مخازن

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد علوم ومهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران.

2 استادیار گروه مهندسی آب دانشگاه بیرجند

چکیده

مسائل بهینه‌سازی بهره‌برداری از مخازن سدها از جمله مسائل مهم در علوم آب می باشد که تا کنون با انواع روش های بهینه‌سازی مورد بررسی قرار گرفته است. در سال‌های اخیر تعداد زیادی از الگوریتم‌های تکاملی چندهدفه معرفی شده است. از جمله این الگوریتم‌ها می‌توان به نسخه دوم الگوریتم ژنتیک چندهدفه با مرتب‌سازی نامغلوب اشاره نمود که در سال 2002 توسط دب و همکاران معرفی شد. در این تحقیق نوآوری و هدف استفاده از الگوریتم ازدحام ذرات با رویکرد مرتب‌سازی نامغلوب و بررسی کارایی این الگوریتم در بحث بهینه‌سازی بهره‌برداری از مخزن سد است. در نهایت نتایج حاصل از آن با الگوریتم NSGA-II مقایسه گردد تا در نهایت به یک سیاست مدیریتی پایدار در سیستم‌های منابع آب و به ویژه بهره‌برداری از مخزن سد رسید.
مواد و روش‌ها
در این تحقیق نسخه چندهدفه الگوریتم ژنتیک و ازدحام ذرات با به کارگیری مفاهیمی همچون غلبه و فاصله ازدحامی مورد بررسی قرار گرفتند و برای حل مسئله بهینه‌سازی بهره‌برداری از مخزن سد ملاصدرا واقع در استان فارس به کار برده شدند. مسئله بهینه‌سازی با دو هدف تعریف گردید. یکی از آن‌ها کمینه‌سازی اختلاف نیاز کشاورزی از رهاسازی بوده است و تابع هدف دوم بیشینه‌سازی حجم ذخیره سیلاب تعریف گردید. دو الگوریتم با توجه معیارهایی مانند زمان اجرا، تعداد راه حل‌هایی که در جبهه پارتو قرار می‌گیرند، معیار فاصله و معیار عملکرد مقایسه شدند.
یافته‌ها
نتایج تحقیق نشان داد که هر دو الگوریتم توانایی حل این مسئله بهینه‌سازی را دارا می‌باشند. همچنین نتایج نشان داد که هر یک از الگوریتم‌ها در برخی از معیارها، عملکرد مناسب‌تری نسبت به دیگر داشته است. نتایج بررسی زمان اجرای هر یک از الگوریتم‌ها نشان داد که سرعت اجرای الگوریتم چندهدفه ازدحام ذرات (NSPSO-II) به مراتب بیشتر از الگوریتم چندهدفه ژنتیک (NSGA-II) می‌باشد به طوری که میانگین زمان اجرای الگوریتم NSGA-II در تعداد جمعیت 50 با مقدار 3897/21 ثانیه تقریبا سه برابر میانگین زمان اجرا در الگوریتم NSPSO-II با مقدار 3169/6 ثانیه است. با توجه به معیار عملکرد نیز الگوریتم NSPSO-II عملکرد مناسب‌تری نسبت به الگوریم NSGA-II داشته است. اما از سوی دیگر با توجه به معیار تعداد راه حل‌های واقع در جبهه پارتو الگوریتم NSGA-II تعداد راه حل‌های بسیار بیشتری را در جبهه پارتو یافته است و به همین دلیل فاصله در الگوریتم NSGA-II کمتر از NSPSO-II بوده است.
نتیجه‌گیری
الگوریتم NSGA-II تعداد راه حل‌های بسیار بیشتری را در جبهه بهینه پارتو یافته است و راه حل‌های واقع در جبهه بهینه پارتو به طور مناسبی جبهه پارتو را بر خلاف الگوریتم NSPSO پوشش دادند. همچنین مقایسه راه حل‌های واقع در جبهه بهینه پارتو نشان داد که الگوریتم NSPSO-II در راستای بیشینه‌سازی تابع هدف دوم گام برداشته در حالی که الگوریتم NSGA-II در راستای کمینه‌سازی تابع هدف اول حرکت کرده است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Genetic and Particle Swarm Optimization Algorithms Based on Non-Dominating Sorting Approach for Multi Objective Optimization Operation of Reservoirs

نویسندگان [English]

  • ida Shabani bahluli 1
  • mehdi dastourani 2
1 Graduate student Department of Water Science and Engineering, Faculty of Agriculture, Birjand University, Birjand, Iran.
2
چکیده [English]

Abstract
Background and objectives
As a crucial issue in aqua sciences, optimizing dam reservoirs exploitation has been studied with a variety of optimization techniques. In recent years, a large number of multi-objective Meta-Heuristic algorithms have been introduced. One of these algorithms is the second version of the multi-objective genetic algorithm with nun-dominated sorting, which was introduced in 2002 by Deb and et.al. In this research, the innovation and aim are to use the particle swarm algorithm with nun-dominated sorting approach and evaluate the efficiency of this algorithm in the optimization of operation of the reservoir performance. Finally, the results are compared with the NSGA-II algorithm, which ultimately leads to a sustainable management policy for water resource systems, and in particular the exploitation of the reservoir.
Materials and methods
In this research, the multi-objective version of the genetic algorithm and particle swarm optimization were investigated using concepts such as Non-dominated sorting and crowding distance and used to solve the optimization problem of the Mulla-Sadra reservoir in Fars province. The problem of optimization defined with two goals. One of them was minimizing difference between agriculture demand end releases. The second of objective function was maximizing flood storage volume. The two algorithms compared with criteria such as the run time, the number of solutions placed on the Pareto front, standard deviation and performance criteria (dispersion criteria).
Results
The results of the research indicated that both algorithms have the ability to solve this optimization problem. Also the results indicated that the algorithms has somewhat more performance than some other criteria. The results of the investigation of the runtime of each of the algorithms showed that the performance of the multi-objective particle swarm algorithm (NSPSO-II) is far more than the NSGA-II algorithm, so that the average runtime of the NSGA-II algorithm in the population of 50 The value of 21.3879 seconds is approximately three times the average runtime in the NSPSO-II algorithm with a value of 6.3169 seconds. Regarding the performance criterion, the NSPSO-II algorithm has a better performance than the NSGA-II algorithm. On the other hand, according to the number of solutions on the Pareto front, the NSGA-II algorithm found a lot more solutions on the Pareto front, which is why standard deviation in the NSGA-II algorithm was less than NSPSO-II.
Conclusion
The NSGA-II algorithm found a lot more solutions on the Pareto optimal front, and the solutions on the Pareto optimal fronted properly covered the Pareto front, unlike the NSPSO algorithm. Also, comparing the solutions in the Pareto optimal front showed that the NSPSO-II algorithm was stepped up to maximize the second target function, while the NSGA-II algorithm moved in the direction of minimizing the objective function.
Keyword: Crowding Distance, Dominate, Flood, Malla-Sadra Dam, Performance Criteria.

کلیدواژه‌ها [English]

  • Crowding Distance
  • Dominate
  • Flood
  • Malla-Sadra Dam
  • Performance Criteria
1.Deb, K., Pratap, A., Agarwal, S., and Meyarivan, T. 2002. A fast and elitist multi-objective genetic algorithm: NSGA-II. IEEE Trans Evolutionary Computing, Indian. 6: 2. 182-197.
2.Farahnakian, T., Moeini, R., and Mousavi, S. 2018. Optimal operation of single-reservoir system of Dez dam using charged system search algorithm. J. Water Soil Cons. 25: 1. 107-125.(In Persion)
3.Guo, X., Hu, T., Wu, C., Zhang, T., and Lv, Y. 2013. Multi-objective optimization of the proposed multi-reservoir operating policy using improved NSPSO-II. Water resources management, 27: 7. 2137-2153.
4.Li, X. 2003. July. A non-dominated sorting particle swarm optimizer for multiobjective optimization. In Genetic and Evolutionary Computation Conference (pp. 37-48). Springer, Berlin, Heidelberg. Optimization. In Genetic and Evolutionary Computation Conference (pp. 37-48). Springer, Berlin, Heidelberg.
5.Mazandaranizadeh, H., Piadeh Koohsar, J., and Sadr, S. 2019. Evaluation of GA and PSO optimization algorithms in operation of multi-reservoir systems Case study: Gorgan-Rood basin dams. J. Water Soil Cons. 26: 2. 239-250.
6.Mazandaranizadeh, H., and Parhizkari, M. 2019. Multi-objective optimization of hydropwoer multi-objective optimization of hydropower reservoirs operation based on the pattern of PAB markets. Dam and Hydroelectric Powerplant. 5: 19. 52-61.
7.Mohammad Rezapour, O. 2016. Comparison of imperialist competitive algorithm (ICA) and Ant colony algorithm (ACO) for optimizing exploitation of doroudzan reservoir with application chain constraints approach.J. Water Soil Cons. 22: 6. 231-243.(In Persion) 
8.Mohammad Rezapour, O. 2016. Optimization of water network distribution using fast messy genetic and firefly algorithms in relopt model (Case study: Havanirouz Township, Kerman).J. Water Soil Cons. 23: 4. 45-64.(In Persion)
9.Mohammadrezapour, O., and Zeynali, M.J. 2013. Comparison of meta-heuristic algorithms in the optimal operation
of multi – reservoir (a case study: Golestan and Voshmgir Dams). JWSS. 22: 1. 291-303. (In Persion) 
10.Nozari, H., and Vafaee, M. 2018. Determining the accuracy of the dynamic system in simulating and optimizing the rule curves of the dam reservoir (Case Study: Choghakhor dam). J. Water Soil Cons. 25: 5. 89-107. (In Persion)
11.Schott, J.R. 1995. Fault tolerant design using single and multicriteria genetic algorithm optimization (No. AFIT/CI/ CIA-95-039). AIR FORCE INST OF TECH WRIGHT-PATTERSON AFB OH.
12.Srinivasan, K., and Kumar, K. 2018. Multi-objective simulation-optimization model for long-term reservoir operation using piecewise linear hedging rule. Water Resources Management,32: 5. 1901-1911.
13.Zeynali, M., Mohammad Reza Pour, O., and Frooghi, F. 2015. Evaluation of particle swarm, genetic and continuous ant colony algorithms in optimal operation of doroodzan dam reservoir. Water and Soil Science, 25: 3. 27-38.(In Persion)