ساخت مدل جایگزین بمنظور تقریب تابع هدف در مسائل بهینه سازی با استفاده از کمترین داده لازم جهت آموزش و کاربرد آن در حل مسأله تخصیص بهینه آب در سطح حوضه آبریز

الگوریتم های بهینه سازی تکاملی، علی رغم دارا بودن قابلیت های گسترده در حل مسایل پیچیده، در بسیاری از مسایل واقعی با مشکل عمده هزینه محاسباتی بالا بدلیل استفاده از مدل های شبیه سازی زمانبر در فرآیند ارزیابی مقدار تابع هدف مواجه هستند. به منظور حل این مشکل استفاده از مدل های جایگزین (meta-models) که با استفاده از آنها ارزیابی تابع تقریب زده شده در زمانی بسیار کوتاهتر نسبت به تابع اصلی صورت می پذیرد، می تواند بعنوان یک راه کار مؤثر در نظر گرفته شود. در این زمینه شبکه های عصبی مصنوعی (ANN) بعنوان ابزار تقریب تابع قابلیت های زیادی از خود نشان داده اند. آموزش شبکه های عصبی نیاز به استفاده از یک مجموعه از داده های فراهم شده به منظور یادگیری دارد که فراهم کردن هر یک از آنها مستلزم استفاده از تابع اصلی زمانبر می باشد. این مسأله می تواند استفاده از این راه کار را، خصوصاً در مسایل دارای ابعاد زیاد که رسیدن به یک سطح قابل قبول برای خطای تقریب براحتی امکان پذیر نیست و منجر به افزایش بار محاسباتی می گردد، با مشکل مواجه سازد. در این مقاله، روشی ارائه شده است که در آن با استفاده از حل متوالی سه مسأله طراحی داده های آموزش، تقریب تابع اصلی و بهینه سازی تابع تقریب زده شده، ساخت مدل جایگزین با بکارگیری کمترین تعداد ارزیابی های تابع اصلی که مهمترین شاخص در افزایش هزینه محاسباتی است، صورت می گیرد. عملکرد تکنیک ارائه شده در حل یک مسأله بهینه سازی ریاضی مرجع و مسأله تخصیص بهینه منابع آب در سطح حوضه آبریز رودخانه سیروان بعنوان یک مسأله واقعی مورد تحلیل و بررسی قرار گرفته است.

کلیدواژه ها:

بهینه‌سازی ، مدلهای جایگزین ، شبکه‌های عصبی مصنوعی ، طراحی داده‌های آموزش ، حوضه آبریز رودخانه