ارائه الگوریتم تکاملی هیبریدی نوین در بهینه سازی بهره برداری از مخزن بر اساس تکنیک نوین ارزیابی مبتنی بر فاصله ترکیبی (CODAS)

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 کاندیدای دکتری مهندسی و مدیریت منابع آب، گروه مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران

2 استادیار گروه مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران

چکیده

سابقه و هدف: تغییر در الگوهای هواشناسی و هیدرولوژیکی باعث گردیده تا استفاده از ابزارهای مدیریت منابع آب، جهت اخذ یک راهکار مناسب برای بهره‌برداری بهینه از مخازن مورد توجه قرار گیرد. درخصوص مسائل بهینه سازی روش های مختلفی به ‌کارگرفته شده که باتوجه به عدم توانایی روش های بهینه سازی معمول، درحل مسائل پیچیده بهینه سازی، به‌کارگیری الگوریتم های فراابتکاری بیش از پیش مورد توجه قرار گرفته است.

مواد و روش ها: در پژوهش حاضر، یک مدل ترکیبی از الگوریتم های جستجوی کلاغ (CSA) و گرگ خاکستری (GWO) که الگوریتم هیبریدی جستجوی کلاغ – گرگ ‌خاکستری (GWOCSA)نامیده می شود برای نخستین بار در حوزه علوم بهره‌برداری از مخزن معرفی و ارائه می گردد و عملکرد آن در قیاس با الگوریتم های تشکیل دهنده آن؛ به‌عنوان ابزاری قدرتمند جهت بهینه سازی بهره‌برداری از سیستم تک‌مخزنه سد گلستان با درنظر گرفتن تابع هدف (تأمین نیازهای آبی پایین دست سد) مورد ارزیابی قرار می گیرد. جهت مقایسه میزان همگرایی و نحوه عملکرد الگوریتم‌های مذکور، پارامترهای آماری هر الگوریتم محاسبه و این مقادیر با یکدیگر و همچنین با جواب حل تحلیلی برنامه‌ریزی غیرخطی مسأله که توسط نرم‌افزار (GAMS) بدست آمده، مقایسه گردیدند. سپس جهت تحلیل عملکرد الگوریتم ها، با استفاده از مدله تصمیم‌گیری چندمعیاره کوداس، رتبه بندی گزینه‌های تصمیم (الگوریتم‌های بهینه‌سازی) براساس معیارهای اطمینان‌پذیری حجمی و زمانی، برگشت‌پذیری و آسیب‌پذیری صورت گرفت.

یافته‌ها: نتایج حاکی از آن است که رویکرد مدل هیبریدی GWOCSA دارای پاسخی نزدیکتر به مقدار بهینه مطلق می‌باشد و میانگین پاسخ حاصل از آن 93 درصد پاسخ بهینه مطلق و میانگین حاصل از الگوریتم های GWO و CSA، مقادیر 92 و 83 درصدی را نسبت به بهینه مطلق از خود نشان می دهند. به‌علاوه، ضریب تغییرات الگوریتم هیبریدی نسبت به الگوریتم های‌ گرگ‌ خاکستری و جستجوی کلاغ به ترتیب به میزان 23 و 1.67 برابرکوچک‌تر است. از سوی دیگرالگوریتم هیبریدی GWOCSA به جز از لحاظ شاخص برگشت پذیری در سایر شاخص ها دارای عملکرد بهتری نسبت به سایرین می باشد.
مدل تصمیم‌گیری چندمعیاره کوداس نیز مشخص نمود الگوریتم GWOCSA نسبت به دو الگوریتم منفعل دیگر، در حل مسأله بهره برداری از مخزن مورد مطالعه جایگاه نخست را به خود اختصاص داده و الگوریتم‌ گرگ‌خاکستری و جستجوی کلاغ، پس از آن به ترتیب در رتبه های دوم و سوم قرار می‌گیرند.

نتیجه‌گیری: مدل تصمیم‌گیری چندمعیاره کوداس مشخص نمود الگوریتم GWOCSA در بهینه‌سازی تابع هدف بهتر از الگوریتم های تشکیل‌دهنده آن؛ یعنی الگوریتم بهینه‌سازی جستجوی کلاغ (CSA) و گرگ‌ خاکستری (GWO) عمل نموده و در حل مسأله بهره برداری از مخزن جایگاه نخست را به خود اختصاص داده و الگوریتم‌ گرگ‌ خاکستری و جستجوی کلاغ، پس از آن به ترتیب در رتبه های دوم و سوم قرار می‌گیرند به ‌گونه‌ای ‌که نه تنها در یافتن جواب بهینه، بهتر عمل کرده بلکه ارتقای عملکرد و افزایش کارایی الگوریتم هیبریدی در شاخص‌های ارزیابی عملکرد مدل نسبت به سایرین نیز به وضوح مؤید این مدعی است.

کلیدواژه‌ها

عنوان مقاله [English]

Presenting a new hybrid evolutionary algorithm in optimizing reservoir operation based on new combinative distance-based assessment (CODAS)

نویسندگان [English]

  • Alireza Donyaii 1
  • Amirpouya Sarraf 2
  • Hassan Ahmadi 2
1 Ph.D. Candidate of Civil Engineering, Department of Civil Engineering, Roudehen Branch, Islamic Azad University, Roudehen, Iran
2 Assistant Professor of Civil Engineering Department, Roudehen Branch, Islamic Azad University, Roudehen, Iran
چکیده [English]

Background and objectives: Changes in meteorological and hydrological patterns have led to the use of water resources management tools to find a suitable solution for optimal reservoir operation. Regarding to the inability of conventional optimization methods in solving the complex optimization problems, the use of meta-heuristic algorithms has been considered more than before.
Materials and Methods: In the present study, a combined model of Crow Search (CSA) and Gray Wolf (GWO) Optimization algorithms called Gray Wolf - Crow Search Hybrid algorithm was introduced for the first time in the field of reservoir operation optimization. And its performance was evaluated in comparison with its constituent elements as a powerful tool for optimizing the operation of the single reservoir system of Golestan Dam, considering the objective function (providing downstream water demand). To compare the convergence and performance of these algorithms, the statistical parameters of each algorithm were calculated and compared with each other, as well as with the solution of
non-linear problem solving model (i.e., GAMS Software). Then, in order to analyze the performance of the algorithms, the Combinative Distance-based Assessment (CODAS) Multi-Criteria Decision Making Model was used to rank the decision alternatives (e.g., optimization algorithms) based on volumetric and time based reliability, reversibility, vulnerability criteria and the optimized objective function.
Results: The results suggest that the GWOCSA hybrid approach has a response closer to the absolute optimal value, with an average response rate of 93% of the absolute optimal response and an average of 92% and 83% of the GWO and CSA ones. In addition, the correlation coefficient in the hybrid algorithm is 23 and 1.67 times lower than that of the gray wolf and the crow search algorithm, respectively. On the other hand, the GWOCSA hybrid algorithm performs the best, except in terms of reversibility index in other indicators.
The CODAS Multi-Criteria Decision Making Model also identified the GWOCSA algorithm as the first to solve the problem of the reservoir operation compared to the other two passive algorithms. The gray wolf and the crow search algorithm then rank second and third, respectively.
Conclusion: The CODAS Multi-Criteria Decision Making Model identifies the GWOCSA algorithm in optimizing the objective function better than its constituent algorithms, namely CSA Optimization and GWO algorithm. And the gray wolf and crow search algorithm are then ranked second and third, respectively, so that not only is GWOCSA better at finding the optimal answer, but it also improves performance and increases the efficiency of the hybrid algorithm according to the model performance evaluation indicators.

کلیدواژه‌ها [English]

  • CODAS decision technique
  • Reservoir optimal operation
  • Crow Search and Gray Wolf Algorithm
  • Gray Wolf - Crow Search Hybrid Algorithm
  • Golestan dam reservoir

مراجع

1.Ahmadebrahimpour, E. 2019. Optimal operation of reservoir systems using the Wolf Search Algorithm (WSA). Water Supply. 19: 1396-1404.
2.Akbarifard, S., Sharifi, M.R., and Qaderi, K. 2020. Data on optimization of the Karun-4 hydropower reservoir operation using evolutionary algorithms, Data in brief 29.105048. https://doi.org/10.1016/ j.dib.2019.105048.
3.Arora, S., Singh, H., Sharma, M., Sharma, S., and Anand, P. 2019. A New Hybrid Algorithm Based on Grey Wolf Optimization and Crow Search Algorithm for Unconstrained Function Optimization and Feature Selection. IEEE ACCESS.7: 26343-26361.
4.Askarzadeh, A. 2016. A novel meta-heuristic method for solving constrained engineering optimization problems:Crow search algorithm. Comput. Struct. 169: 1-12.
5.Donyaii, A., Sarraf, A., and Ahmadi, H. 2020. 'Using composite ranking toselect the most appropriate Multi-Criteria Decision Making (MCDM) methodin the optimal operation of the Dam reservoir.J. Hydr. Struct. 2: 6. 1-22. doi: 10.22055/jhs.2020.34402.1142.
6.Esmin, A.A., and Matwin, S. 2013. HPSOM: a hybrid particle swarm optimization algorithm with genetic mutation, Inter. J. Innov. Comput. Inf. Control (IJICIC). 9: 5. 1919-1934.
7.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. doi: 10.22069/jwsc.2018.13785.2854. (in Persian)
8.Keshavarz-Ghorabaee, M., Kazimieras Zavadskas, E., Turskis, Z., and Antucheviciene, J. 2016. A new combinative distance-based assessment (CODAS) method for multi-criteria decision-making, Economic computation and economic cybernetics studies and research. 3: 50. 25-44.
9.Kumar, V., and Yadav, S.M. 2018. Optimization of Reservoir Operation with a New Approach in Evolutionary Computation Using TLBO Algorithm and Jaya Algorithm. Water Resources Management. Oct 1; 32: 13. 4375-91.
10.Mansouri, R., and Torabi, H. 2015. Application of Differential Evolution (DE) Algorithm for Optimizing Water Distribution Networks (Case Study: Ismail Abad Pressurized Irrigation Network), J. Water Soil Sci.25: 2. 81-95. (In Persian)
11.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', Journal of Water and Soil Conservation, 26: 2. 239-250. doi: 10.22069/jwsc. 2019.14894.2997.
12.Mirjalili, S.A., and Mirjalili, S.M. 2014. Grey Wolf Optimizer. Advances in Engineering Software. 69: 46-61.
13.Mohammadi, M., Mousavi, S.F., Farzin, S., and Karami, H. 2019. Optimal Operation of Salman Farsi dam reservoir using Wall algorithm and its hybrid with genetic algorithm based on multi criteria Decision. Eco. Hydrol. J. 6: 2. 281-293. (In Persian)
14.Neumaier, A., Shcherbina, O.,and Huyer, W. 2005. A comparisonof complete global optimization
solvers, Mathematical Programming. 103: 2. 335-356.
15.Noori, M. 2015. Multi-reservoir multi-objective water resources systems management using optimization model terms of climate change. PhD Thesis. 185 pages. Ferdowsi university of Mashhad. Iran. (In Persian)
16.Pedamallu, C.S., Ozdamar, L., Csendes, T., and Vinko, T. 2008. Efficient interval partitioning for constrained global optimization, J. Global Optim. 42: 3. 369-384.
17.Rouzegari, N., Hassanzadeh, Y., and Sattari, M.T. 2018. Optimization of Reservoir Operational Policy Using Simulated Annealing Algorithm (Case Study: Mahabad reservoir). Water and Soil Science. 28: 1. 173-185. (In Persian)
18.Shabani Bahluli, I., and Dastourani, M. 2019. Evaluation of Genetic and Particle Swarm Optimization Algorithms Based on Non-Dominating Sorting Approach for Multi Objective Optimization Operation of Reservoirs. J. Water Soil Cons. 26: 5. 165-179. doi: 0.22069/ jwsc.2020.16276.3162. (In Persian)
19.Sonaliya, S., and Suryanarayana, T.M.V. 2014. Optimal Reservoir Operation Using Genetic Algorithm: A Case Study of Ukai Reservoir Project. Inter.J. Innov. Res. Sci. Engin. Technol.
3: 6. 13681-13687.
مجله پژوهش‌های حفاظت آب و خاک
دوره 27، شماره 5
آذر و دی 1399
صفحه 1-23

فایل ها

هم رسانی

ارجاع به این مقاله

آمار