توسعه و ارزیابی الگوریتم بهینه‌سازی اسب خودتطبیقی (SA-HA) برای مدیریت بهره‌برداری از مخزن

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم

چکیده

مدیریت بهینه منابع آب در شرایط اقلیمی ناپایدار، نیازمند ابزارهای محاسباتی پیشرفته برای تصمیم‌گیری هوشمند و سازگار با تغییرات محیطی است. در این پژوهش، نسخه‌ای خودتطبیقی از الگوریتم اسب ((HA) Horse Algorithm) توسعه داده شد تا محدودیت‌های نسخه کلاسیک مانند همگرایی زودرس و حساسیت به تنظیم پارامترها کاهش یابد. در مدل پیشنهادی، هر عامل (اسب) دارای ضریب یادگیری پویا است که براساس میزان بهبود تابع هدف در هر تکرار به‌صورت خودکار به‌روزرسانی می‌شود. این فرآیند موجب برقراری تعادل هوشمند میان جستجوی گسترده در مراحل اولیه و تمرکز دقیق بر نواحی امیدبخش در مراحل پایانی می‌گردد. برای ارزیابی عملکرد، الگوریتم اسب خودتطبیقی ((SA-HA)Self-Adaptive Horse Algorithm ) و نسخه کلاسیک (HA) در مسئله‌ تخصیص بهینه آب مخزن قرنقو در استان آذربایجان شرقی، با تابع هدف بیشینه‌سازی نسبت آب تأمین ‌شده در طول دوره‌ بهره‌برداری اجرا شدند. نتایج نشان داد که نسخه خودتطبیقی در مقایسه با نسخه پایه، باعث افزایش حدود 17 درصدی در کارایی تأمین آب، کاهش 27 درصدی در کمبود و ارتقای شاخص اطمینان‌پذیری سامانه از ۰٫۵۹ به ۰٫۶۸ گردید. همچنین SA-HA با تنظیم پویا و خودکار پارامترهای حرکتی، از نوسانات نتایج کاسته و روند همگرایی را تسریع کرده است. یافته‌های این پژوهش بیانگر آن هستند که افزودن سازوکار خودتطبیقی به HA می‌تواند دقت، پایداری و انعطاف‌پذیری الگوریتم را در مدیریت سامانه‌های پیچیده منابع آب به‌طور چشمگیری افزایش دهد و درنتیجه به‌عنوان روشی مؤثر برای بهینه‌سازی تصمیمات بهره‌برداری پایدار مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Development and Evaluation of a Self Adaptive Horse Optimization Algorithm (SA HA) for the Operation Management of the Reservoir

نویسندگان [English]

  • Parisa-Sadat Ashofteh
  • Leila Shakarami
Department of Civil Engineering, University of Qom, Qom 3716146611, Iran
چکیده [English]

Optimal water resources management under increasing climatic uncertainty requires robust optimization techniques capable of solving complex nonlinear problems. Nature-inspired metaheuristic algorithms have been widely applied due to their strong global search capability; however, many suffer from premature convergence and sensitivity to control parameters. To address these limitations, this study proposes a Self-Adaptive Horse Algorithm (SA-HA) that dynamically adjusts its control parameters during the optimization process, improving the balance between exploration and exploitation. The proposed algorithm is evaluated for the optimal operation of the Qaranqu Reservoir (East Azerbaijan Province, Iran), aiming to maximize water supply reliability while minimizing water shortages under operational constraints.

کلیدواژه‌ها [English]

  • Self-Adaptive Horse Algorithm (SA-HA)
  • Single-objective optimization
  • Dynamic learning
  • Adaptive convergence
  • Sustainable water resources management

مراجع

Ashofteh PS, Bozorg-Haddad O, Loáiciga HA, “Multi-objective optimization of reservoir operation considering climate change impacts”, Journal of Water Resources Planning and Management, 2019, 145 (3), 04019004. https://doi.org/10.1061/(ASCE)WR.1943-5452.0001049
Garcia JA, Alamanos A, “A multi-objective optimization framework for water resources allocation considering stakeholder input”, Environmental Sciences Proceeding, 2023, 25 (1), 32. https://doi.org/10.3390/ECWS-7-14227
Goldberg DE, “Genetic algorithms in search, optimization and machine learning”, Addison-Wesley Publishing.
Heidari AA, Mirjalili S, Faris H, Aljarah I, Chen H, “Harris hawks optimization: Algorithm and applications”, Future Generation Computer Systems, 2019, 97, 849-872. https://doi.org/10.1016/j.future.2019.02.028
Han Y, Dong Z, Cui C, Zhang T, Luo Y, “Multi-objective optimization scheduling for extensive plain lake water resources incorporating flood resource utilization”, Journal of Hydrology, 2025, 651, 132584. https://doi.org/10.1016/j.jhydrol.2024.132584
Karaboga D, “An idea based on honey bee swarm for numerical optimization”, Technical Report-TR06, Erciyes University, Turkey, 2005.
Khoramipoor Z, Farzin S, “A combination approach for optimization operation of multi-objective cascade reservoir systems (Case study: Karun reservoirs)”, Journal of Hydroinformatics, 2024, 26 (6), 1313-1332. https://doi.org/10.2166/hydro.2024.264
Khoramipoor Z, Farzin S, “A methodology to improving the performance of MOAHA optimization algorithm using chaos theory; principle and application in optimal reservoir operation”, Water Resources Management, 39, 2025. https://doi.org/10.1007/s11269-025-04092-y
Kennedy J, Eberhart R, “Particle swarm optimization”, Proceedings of the IEEE International Conference on Neural Networks, 1995, 4, 1942-1948. https://doi.org/10.1109/ICNN.1995.488968
Lu J, Chen Ch, Xie J, “Multi-objective immune algorithm with preference-based selection for reservoir flood control operation”, Water Resources Management, 2015, 29, 1447-1466. https://doi.org//10.1007/s11269-014-0886-6
Miar-Naeimi F, Azizian Gh, Rashki M, “Horse herd optimization algorithm: A nature-inspired algorithm for high-dimensional optimization problems”, Knowledge-Based Systems, 2021, 213, 106711.
Mirjalili S, Mirjalili SM, Lewis A, “Grey wolf optimizer”, Advances in Engineering Software, 201469, 46-61. https://doi.org/10.1016/j.advengsoft.2013.12.007
Moslemzadeh M, Farzin S, Karami H, Ahmadianfar I, “Introducing improved atom search optimization (IASO) algorithm: Application to optimal operation of multi-reservoir systems”, Physics and Chemistry of the Earth, Parts A/B/C, 2023, 131, 103415. https://doi.org/10.1016/j.pce.2023.103415
Najafi M, Najarchi M, Mirhosseini S-M, “Multi-objective simulation-optimization for water resources management and uses in multi-dam systems in low-water regions”, Applied Water Science, 2024, 14 (238). https://doi.org//10.1007/s13201-024-02296-y
Zhang F, Zhang, Y, “A multi-objective optimization prediction approach for water resources based on swarm intelligence”, Earth Science Informatics, 2020, 14, 457-468. https://doi.org//10.1007/s12145-020-00521-1
نشریه مهندسی عمران و محیط زیست
دوره 56، شماره 123 - شماره پیاپی 123
تابستان 1405
شهریور 1405
صفحه 37-44

فایل ها

هم رسانی

ارجاع به این مقاله

آمار