طراحی نمونه‌برداری چند هدفه برای واسنجی مدل شبکه‌ توزیع آب با استفاده از الگوریتم ژنتیک و شبکه عصبی

Abstract

در این مقاله یک مدل بهینه‌سازی چندهدفة نوین برای انتخاب نقاط بهینه در شبکه توزیع آب به‌منظور نصب ابزار‌های اندازه‌گیری فشار ارائه می‌شود. داده‌های فشار‌سنجی جمع‌آوری شده در نقاط منتخب (بهینه) می‌تواند بعداً برای واسنجی مدل مورد استفاده قرار گیرد. توابع هدف، افزایش دقت پیش‌بینی مدل واسنجی شده و کاهش هزینه کل نمونه‌برداری می‌باشند. به منظور کاهش زمان اجرا، مدل بهینه‌سازی چندهدفه با تلفیقی از الگوریتم ژنتیک و شبکه عصبی سازگار توسعه یافته است. شبکه‌ عصبی پس از پیشرفت چند نسل اولیه الگوریتم ژنتیک به صورت اولیه آموزش دیده و پس از تولید تعداد مشخصی از جوابهای تحلیل شده با مدل کامل به صورت دوره‌ای در طی الگوریتم ژنتیک آموزش مجدد داده می‌شود تا به‌روز گردد. شبکه عصبی آموزش‌دیده در طی پیشرفت الگوریتم ژنتیک جایگزین محاسبه تابع هدف بخشی از کروموزوم‌های یک نسل می‌گردد. استفاده از حافظه نهانی سبب جلوگیری از ارزیابی تابع هدف جوابهای تکراری در طی الگوریتم می‌شود. جواب‌ مدل بهینه‌سازی به صورت مجموعه نقاط غیرپست (رویه بهینه پارتو) نسبت به دو تابع هدف به دست می‌آید. نتایج نشان می‌دهد تلفیق شبکه‌های عصبی مصنوعی در مدل بهینه‌سازی الگوریتم ژنتیک برای برآورد تابع هدف بخشی از جوابها، کاهش چشمگیری در زمان اجرا دارد و می‌تواند در کاهش زمان اجرای مدل‌های بهینه‌سازی با زمان اجرای طولانی بسیار نویدبخش باشد.