عنوان

استفاده از روش برنامه ریزی ژنتیک در مدلسازی بارش- رواناب

‭۱۵۶۷پ‬

per

استفاده از روش برنامه ریزی ژنتیک در مدلسازی بارش- رواناب

/حمید فضایلی

تبریز: دانشگاه تبریز

‮‭۹۹‬ص.‬

: مصور، جدول، نمودار، عکس ‮‭۳۰‬*‮‭۲۹‬س.م-+ یک لوح فشرده

چاپی

واژه نامه بصورت زیرنویس

کتابنامه ص.: ‮‭۹۵-۹۷‬

کارشناسی ارشد

عمران- آب

‮‭۱۳۸۹/۰۶/۳۱‬

تبریز: دانشگاه تبریز

روشهای مبتنی‌بر هوش مصنوعی اخیرا توجه بیشتری را در مدلسازی فرآیند بارش- رواناب به خود جلب کرده است.برنامه‌ریزی ژنتیک ‮‭GP‬به عنوان یکی از زیر شاخه‌های مهم هوش مصنوعی است، که در این تحقیق استفاده شده است.در این مطالعه دو رویکرد مختلف که توسط محققین پیشین در مدلسازی بارش- رواناب با برنامه ریزی ژنتیک استفاده شده بود ، با هم مقایسه شده است.نتیجه اساسی حاصل از این مقایسه بر توانایی روش ‮‭GP‬در انتخاب متغیرهای مؤثر بر مدل تاکید دارد .برای بهبود نتایج بدست آمده از ‮‭GP‬ از روش رگرسیون غیر خطی استفاده شده است .در این روش با استفاده از حداقل خطای مربعات غیر خطی مدل حاصل شده از رگرسیون سمبلیک بهینه سازی شده است.همچنین استفاده از روش برنامه ریزی ژنتیک برای تعیین رگرسورها در روش رگرسیون خطی به جای استفاده از روش رگرسیون گام به گام به عنوان کاربرد دیگری از ‮‭GP‬ در مدلسازی بارش- رواناب ارائه شده است.یکی از مشکلات پیش رو در اجرای برنامه‌ریزی ژنتیک پدیده رشد بیش از حد برنامه بدون بهبود قابل توجهی در تناسب برنامه است، که به آن در اصطلاح پف کردن برنامه اطلاق می‌شود.روشهای مختلفی برای کنترل این پدیده توسط محققین ارائه شده که در این مطالعه این روشها در حوزه شبیه‌سازی بارش- رواناب مقایسه شده و بهترین آنها به نام روش اتاق انتظار ‮‭(Waiting Room)‬ معرفی شده است.رویکرد این تحقیق در هرچه بهتر کردن روشهای قبلی و رفع نقایص احتمالی بوده است و مدلهای دیگر ارائه شده در این تحقیق نه با هدف مقایسه بلکه به جهت ارائه کاربردهایی از برنامه‌ریزی ژنتیک در این روشهای مدلسازی است .در حالت کلی هدف این مطالعه را می‌توان تحلیل توانایی ها و بررسی نقطه ضعف‌های روش برنامه‌ریزی ژنتیک دانست.

Nowadays, methods based on the artificial intelligence have been applied seriously in the process of rainfall-runoff modeling. Genetic programming is a sub-branch of artificial intelligence that is used for modelling of rainfall-runoff in this research.In this investigation, two previous approaches in the field of rainfall-runoff modelling using genetic programming, has been compared. Results of this comparison could illustrate the abilities of GP for choosing the best effective parameters on model.For the improvement of determined results from GP, nonlinear regression has been used.In this method, using the nonlinear least squares, results of symbolic regression (GP) have been optimized. Also GP has been used for determination of regressors in linear regression that could be excelled from step by step method.One of the problems of Genetic Programming is the excessive growth of program without any improvement in fitting. There are several different ways for controlling of this phenomenon that is presented by different investigators. In the present work, each one, has been compared among others and the best method has been presented and used. This method is known as "Waiting room".The aim of this study was been the improvement of previous investigations and deleting the defects of them. So, the presented models in this study represented the new applications of genetic programming. In the general state, end of this study is the determination of advantage and disadvantages of genetic programming.

Rainfall-Runoff

Genetic Programming

Taham basin

Modelling

فضایلی، حمید

اعلمی، محمد تقی، استاد راهنما

قربانی، محمدعلی، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی