بهینه سازی بهره برداری از مخازن سدها با استفاده از فرآیند تظریف تطبیقی احتمالاتی در الگوریتم مورچه‌ها

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار / دانشکده عمران دانشگاه علم و صنعت، تهران، ایران

2 دانشجوی کارشناسی ارشد/ دانشکده عمران دانشگاه علم وصنعت، تهران، ایران

3 دانشجوی دکترا/ دانشکده عمران دانشگاه علم وصنعت، تهران، ایران

چکیده

الگوریتم جامعه مورچه‌ها یک روش تکاملی جدید می‌باشد که برای حل مسائل بهینه‌سازی معرفی گردیده است. ماهیت این الگوریتم که بر اساس جستجوی غذا توسط مورچه‌ها استوار شده است، شرایط محیط جستجوی گسسته را به این روش دیکته می‌نماید. اما بسیاری از مسائل واقعی دنیای اطراف ما پیوسته می‌باشند و به کارگیری این الگوریتم درحل آنها نیازمند گسسته‌سازی فضای جستجوی پیوسته و تبدیل مساله پیوسته به مساله گسسته می‌باشد. معمولاٌ تقسیم‌بندی بزرگ فضای جستجو موجب اثر منفی بر کیفیت جواب و گسسته‌سازی ریز موجب افزایش تلاش محاسباتی و بعضاً کاهش کیفیت جواب می‌گردد. در این مقاله مکانیزم مناسبی به نام تظریف تطبیقی احتمالاتی (SAR)، جهت ارتقاء عملکرد الگوریتم مورچه‌ها و رسیدن به جواب‌هایی در حد جواب‌های بهینه پیوسته ارایه شده است. در این روش مسأله بهینه‌سازی پیوسته با مجموعه‌ای از بهینه‌سازی‌های گسسته جایگزین می‌شود که در آن گسسته‌سازی حوزه متغیرهای تصمیم ابتدا به شکل یکنواخت و سپس در تکرارهای بعدی با استفاده از یک توزیع گوسی صورت می‌گیرد. مقادیر میانگین و انحراف معیار توزیع گوسی در هر تکرار با استفاده از مقادیر جواب بهینه در تکرار قبل محاسبه می‌شود. در این فرآیند فضاهای مجاور میانگین که احتمال قرار گرفتن جواب بهینه در آن بیشتر است، اهمیت بیشتری دارند و فضاهایی که دورتر از میانگین قرار دارند، سهم کمتری در تعریف فضای جستجوی گسسته ایفا می‌کنند. به این ترتیب در گسسته‌سازی جدید فضای جستجو، فاصله نقاط گسسته سازی (گزینه‌های تصمیم‌) در اطراف جواب بهینه یافته شده در جستجوی قبلی کمتر و در فاصله‌های دورتر از آن بیشتر خواهد بود. در این مقاله کاربرد سازوکار فوق در نمونه‌هایی از مسائل پیچیده ریاضی و منابع آب مورد آزمون قرار گرفته است و با نتایج نرم افزار LINGO (نسخه 8) و دیگر روش‌های موجود مقایسه شده است. نتایج نشان می‌دهند که سازوکار به کارگرفته شده اثر مثبتی در بهبود جواب‌های الگوریتم مورچه‌ها دارد و توانایی پیدا کردن نقاط نزدیک بهینه را با هزینه محاسباتی کم دارا است.

کلیدواژه‌ها


عنوان مقاله [English]

Reservoir Operation Optimization using Stochastic Adaptive Refinement of Ant Algorithms

نویسندگان [English]

  • M.H Afshar 1
  • S. E Rezai 2
  • R Moayeni 3
1 Associate Professor, Civil Engineering Department, Iran University of Science and Technology, Tehran, Iran, Email:
2 M.Sc Student, Civil Engineering Department, Iran University of Science and Technology, Tehran, Iran
3 Ph.D. candidate, Civil Engineering Department, Iran University of Science and Technology, Tehran, Iran
چکیده [English]

The Algorithm of the Ant Colony Optimisation (ACO) is basically developed and used for discrete optimization problems. However many real engineering problems such as reservoir operation problems are of a continuous nature and using ant based algorithms on such problems requires discretisation of the decision variables. An adaptive refinement mechanism is suggested in this paper to improve the performance of ant algorithms in solving continuous optimization problems. This is an iterative method starting with a uniform discretisation of the search space. A Gaussian distribution is used for discretisation of the decision variables in the subsequent iterations. The average and standard deviation of the Gaussian distribution is computed in each iteration using the optimal solution obtained in the previous iterations. The proposed mechanism was used to solve some benchmark function optimization problems and a reservoir operation problem. The results indicated the efficiency and effectiveness of the proposed method to improve the performance of the ant algorithms for continuous optimization problems.   

کلیدواژه‌ها [English]

  • Ant Colony Optimisation
  • Stochastic Adaptive Refinement
  • Reservoir operation

جلالی، م. ر. (1384). "طراحی و بهره‌برداری بهینه از هیدروسیستم‌ها با الگوریتم جامعه مورچه‌ها یک رهیافت فراکاوشی جدید."رساله دکتری، دانشگاه علم و صنعت ایران، دانشکده عمران.

   Abbaspour,  K.C., Schulin,  R., Van  Genuchten,  M.T. (2001). " Estimating  unsaturated soil hydrulic parameters using ant colony optimization." adv water   resour, 24(8), pp. 827-841.        

   Afshar,  M.H.(2005)." Application of  Max-Min ant algorithm to joint layout  and size optimization of  pipe network." Engineering optimization, 38(3), pp. 1-19.

  Afshar, M.H. (2006)." Improving the efficiency of ant algorithms using adaptive refinement: Application to storm water network design. "Advances in Water                 Resources,29, pp. 1371-1382.

  Bullnheimer,  B.,  Hartl,  R.F.,  Strauss,  C.(1999). "A new rank-based version of the ant system: A computational study." Central European Journal for Operations Research and Echonomics, 7(1), pp. 25-38. 

  Colorni,  A.,Dorigo,  M.,Maniezzo,  V.(1991)."Ant System:An autocatailytic optimizing process. "Tech.Report 91-016, Politecnico di Milano,Italy. 

   Cordon,  O., Fernandez de Viana,  I., Herrena,  F., Moreno,  L.(2000)."A new ACO  model integrating evolutionary computation concepts: the best-worst ant system."In Prceedings of ANTS'2000-From Ant Colonies to Artifical Ants:Second International Workshop on Ant Algorithms, Brussels, Belgium,               pp. 22-29

   Dorigo,  M., Gambardella,  L.M.(1997a)." Ant colony system: A cooperative learning approach to the traveling salesman problem."IEEE Transactions on                Evolutionary Computation, 1(1), pp. 53-66.

Dorigo, M., Gambardella, L.M.(1997b)." Ant colonies for traveling salesman problem." BioSystem, 43, pp. 73-81.

Gambardella, L.M, Dorigo,  M. (2000)."An ant colony system hybridized with a new local search for the sequential ordering problem."INFORMS Journal on               Computing, 12(3), pp. 237-255.

Gen, M., Cheng, R.W.(1997). Genetic Algorithms and Engineering Design. John Wiley & Sons, Inc.

Maier,  H.R., Simpson, A.R., Zecchin, A.C., Foong,  W.K., Phang,  K.Y., Seah,  H.Y.,Tan,  C.L.(2003). "Ant colony optimization for design of water                 distribution system." J. Water Resour. Plng. and Mgmt.,129(3), pp. 200-209.

 

Manielzo, V. ,Colorni, A. (1996). "The ant system:optimization by a colony of             cooperating ants. "IEEE Transsyst Man Cybem., 26, pp. 29-42.

   Simpson, A.R.,Maier,  H.R., Foong,  W.K., Phang,  K.Y., Seah,  H.Y.,Tan, C.L.(2001). "Selection of parameters for ant colony optimization applied to the optimal design of water distribution systems. "Proc.,Int. Congress on Modeling and Simulation ,Canberra,Australia, pp. 1934-1936.                            

Stutzle, T.,Hoos, H.H.(2000). "Max-Min Ant system." Future Generation Computer System, 16(8), pp. 889-914.

   Zecchin, A.C., Maier,  H.R., Simpson,  A.R., Roberts,  A.,Berrisford , M.J.,Leonard, M.(2003). "Max-Min ant system applied to water distribution  system  optimization."Modsim 2003-International Congress on Modeling and Simulation, Modeling and Simulation Society of Australia and New Zealand  Inc., Townsville,Australia,2, pp. 795-800.