بررسی الگوریتم ژنتیک و کاربردهای آن در مهندسی و مدیریت منابع آب

3، سید رضا هاشمی2شهیدی ، علی*1طباطبائی سید مصطفی

، بیرجند، ایرانمهندسی منابع آب دانشگاه بیرجندروه گ -1

بیرجند، ایران ،گروه مهندسی آب دانشگاه بیرجند -2

بیرجند، ایران ،ب دانشگاه بیرجندگروه مهندسی آ -3

30/04/1396تاریخ پذیرش: 09/02/1396تاریخ دریافت:

چکیده

و راهبردهای مناسب جهت انتخاب گزینههای منابع آب، تعیین سیاست و با توجه به گستردگی و پیچیدگی سیستم

سازی جامع دارد. در های منابع آب در شرایط مختلف ضرورت داشته و نیاز به یک فرایند بهینهعملکرد مناسب سیستم

سازی تکاملی و سپس شرح مختصری درباره چگونگی اجرای های بهینهاین تحقیق ابتدا ضرورت استفاده از روش

های شده است. در ادامه مزایا و محدودیت نتیک به عنوان پرکاربردترین روش تکاملی پرداختهعملگرهای الگوریتم ژ

های انجام شده پیرامون آن در چند بخش بیان شده است. نتایج نشان الگوریتم ژنتیک بررسی شده و سپس پژوهش

ئل چند محدودیتی با فضای بزرگ منابع آب بطور موثری از حل مسامتنوع دهد که الگوریتم ژنتیک در حل مسائل می

های قابل قبول ای از جوابآید و ضمن توانایی دستیابی به جواب بهینه مطلق، قادر است در شرایط مختلف مجموعهبرمی

های بهتر، با توجه های پیش رو در اختیار قرار دهد. جهت افزایش کارآیی الگوریتم و دستیابی به راه حلرا به عنوان گزینه

سازی ریاضیاتی های بهینهسازی یا سایر روشهای شبیههای بهبودیافته یا تلفیق با مدلتوان از نسخهیت مساله میبه ماه

از آن بهره مطلوب را برد.

های تکاملی، مدیریت منابع آبسازی، روشبهینهکلیدی: واژه های

مقدمه

توان منابع آب را ميهاي بخش مديريت فعاليتهاي مديريت منابع آب، ي تدوين سياستبه سه دسته

ها اقدامات مديريتي براي دستيابي به اهداف سياستهاي کالن و ارزيابي اثرات آنها تقسيم نمود. سياست

مديريت منابع آب در واقع ارتباط توسعه و نحوه برداري از اين منابع را با اهداف توسعه ملي بهرههاي سازند. اولين مرحله تدوين سياستص ميمشخ

هاي مختلف کالن مديريت منابع آب پيشنهاد گزينهها و اهداف فراگير و همه جانبه با توجه به محدوديت

(.1385توسعه و مديريت است)کارآموز و همکاران ،

هاي هاي سيستمبا در نظرگرفتن ابعاد و پيچيدگيسازي يک ابزار ينههاي بهمنابع آب، استفاده از مدل

ها شود. اما همواره عدم قطعيتکارآمد محسوب مي-سازي را تحت تاثير قرار ميهاي بهينهنتايج مدل

(. امروزه با گسترش Loucks et al, 2000دهند)پذير ايجاد شده و فناوري، ابزارهاي نوين انعطاف

سازي فضاي جديدي هاي بهينهترکيب آنها با مدلريزي و مديريت رهاي تحليل، برنامهبراي توسعه ابزا

هاي منابع آب فراهم نموده است. توسعه اين سيستمتواند چگونگي پذير تا حد زيادي ميهاي انعطافروش

ها را بهبود دهد)کارآموز و برخورد با عدم قطعيت (. 1382زهرايي،

مهندسی آب دو صصی تخعلمی و مستان –فصلنامه 7 1395پاییز و ز 5

پذير جهت حل مسائل هاي انعطافيکي از روشباشد هوش جمعي مي سازي مبتني برپيچيده، بهينه

هاي بيولوژيکي و فيزيکي موجود از سيستم که با الهامتعداد زيادي ذره در فضاي اند.در طبيعت به وجود آمده

مساله پخش شده و به طور همزمان به دنبال جواب

1تکامليهاي ها را الگوريتمگردند. اين روشبهينه مي

سه در واقع تکامل يک پرو(. Rao, 2009نامند)مي سازي مبتني بر تغييرات تصادفي تدريجيبهينههاي مختلف در يک جمعيت و انتخاب بهترين نمونه

هاي تکاملي و الگوريتمترين تفاوت از مهمآنهاست. هاي اي از جوابهاي کالسيک توليد دستهالگوريتم

مناسب در هر گام به جاي توليد يک جواب توسط رين حالت مجموعه هاي تکاملي است که بهتالگوريتم

توان اميدوار بود که با مجموعه جواب بوده و يا مي Montalvoجواب اصلي فاصله زيادي نداشته است)

et al, 2008.)

ترين اولين و موفقاز 2GAالگوريتم ژنتيک

شود و کاربردهاي محسوب ميهاي تکاملي الگوريتمموفقيت آميزي از آن در علوم مختلف گزارش شده

سازي بدون حل مسائل بيشينه ذاتا براي GAاست. توان با اعمال تغييراتي براي قيد مناسب است و مي

سازي پيوسته و ترکيبي غيرخطي حل مسائل بهينهتحت قيود غيرخطي از نوع برابري و نابرابري نيز به

(. Halland, 1975؛ Goldberg, 1987) کار بردچندين جهت بهبود عملکردهاي اين الگوريتم تاکنون

ترين آنها عبارتند بهبوديافته ابداع شده که مهم نسخه

، 4، الگوريتم ژنتيک آشفته3از الگوريتم ژنتيک سري

، الگوريتم ژنتيک 5الگوريتم ژنتيک هيبريد

1 - Evolutionary Algorithms

2 - Genetic Algooritm

3- Sequential GA

4 - Messy GA

5 - Hybrid GA

6 - Adaptiv GA 7 - Generational GA

8 - Steady State GA

و الگوريتم 7، الگوريتم ژنتيک زايشي6خودسازمان

(. ,1999Michalewicz)8ژنتيک حالت دائمي

هاي سيستم با توجه به گستردگي و پيچيدگيهاي مختلف سازي در بخشمنابع آب و لزوم بهينه

آن، هچنين کاربردهاي موفق الگوريتم ژنتيک، در اين تحقيق به بررسي الگوريتم ژنتيک، نقاط قوت و ضعف و کاربردهاي مختلف آن در صنعت آب پرداخته

شده است.

ساختار الگوریتم ژنتیک

GA کدگذاري، ارزيابي، عملگرهايشاملاست. ابتدا انتخاب، ترکيب، جهش و رمزگشايي

شود. در اين مرحله متغيرهاي مساله کدگذاري ميالگوريتم بجاي اينکه روي پارامترها يا متغيرهاي

شده آنها سروکار مساله کاري انجام دهد با شکل کددارد. در مرحله ارزيابي تابع برازندگي از روي تابع

کند دي ارزيابي ميهدف هر رشته را با يک مقدار عدکند. هر چه کيفيت رشته و کيفيت آن را مشخص مي

جواب بيشتر باشد مقدار برازندگي جواب بيشتر است و احتمال مشارکت براي توليد نسل بعدي افزايش خواهد يافت. در مرحله انتخاب يک جفت از

شوند تا با هم ترکيب شوند. ها برگزيده ميکروموزوماب رابط بين دو نسل است. روند در واقع عملگر انتخ

انتخاب حالت تصادفي دارد و معيار انتخاب برازندگي ها با باشد. در عملگر ترکيب نسل قديمي کروموزممي

اي از شوند و نسل تازهيکديگر مخلوط و ترکيب ميآورند. عملگر ترکيب در ها بوجود ميکروموزم

تنوع الگوريتم ژنتيک باعث از بين رفتن پراکندگي يا

ربداهی آن رد مهندسی و مد یتم ژنتیک و کار بع آبربرسی الگور منا یت 7 ری 6

دهد شود و در واقع اجازه مييژنتيکي جمعيت م هاي خوب با يکديگر ترکيب شوند. ژن

هاي ممکن ديگر را توليد عملگر جهش جوابهاي کند. در عملگر جهش با احتمال معين به رشتهمي

هاي گيري نسل قبل اعمال و رشتهمرحله قبل جفت. دشوهاي نسل بعد اضافه ميحاصل از مجموعه رشته

نتيجه عمل عملگر جهش باعث افزايش احتمال گريز از نقاط بهينه محلي خواهد شد. جهش باعث جستجو

-شود و مهمي مساله ميدر فضاهاي دست نخورده

حلي ترين وظيفه آن جلوگيري از همگرايي در بهينه مافتد و مال جهش اتفاق مياست. جهش بر اساس احت

الگوريتم هاي جهش زياد باشد جستجوياگر گام ژنتيک کامال تصادفي خواهد شد.

عملگر رمزگشايي عکس عملگر کدگذاري است مساله و بعد از اينکه الگوريتم بهترين جواب را براي

-يمها اعمال ارائه داد عمل رمزگشايي بر روي جوابال شود تا جواب بصورت تابع واقعي ظاهر شود. معمو

هاي تهسهم هر يک از اين عملگرها در توليد رش. شودمجموعه جديد پيش از اجراي برنامه تعيين مي

ي هاي دودويپس از توليد هر مجموعه جديد از رشتهرط ها محاسبه شده و شمقدار تناسب هر يک از رشته

در شود.الزم براي خاتمه اجراي الگوريتم بررسي ميصورت عدم تامين شرط در نظرگرفته شده براي

هايمراحل فوق مجموعه اجراي الگوريتم با تکرارتناظر ها توليد شده و مقادير تناسب مجديدي از رشته

ن شود. پس از حصول همگرايي و يا تاميمحاسبه ميبه شرط خاتمه، الگوريتم متوقف شده و بهترين رشته

دست آمده در آخرين نسل به عنوان جواب بهينه شود. معرفي مي

محاسن الگوریتم ژنتیک

ترين نقطه قوت الگوريتم ژنتيک موازي بودن مهمآن است بطوريکه براي حل مساله چندين نقطه شروع

- Blind Watchmakers

تواند فضاي مساله را از وجود دارد و در يک لحظه ميچند جهت مختلف جستجو کند. اين مساله کارآيي الگوريتم ژنتيک در حل مسائل غيرخطي با فضاي

ه اغلب به اينکدهد. با توجه بزرگ را افزايش ميمسائل واقعي غيرخطي هستند، در مسائل خطي هر عنصر مستقل است و تغيير بر يک قسمت بر کل سيستم تاثير مستقيم دارد. در مسائل غيرخطي تغيير

کن است تاثيري ناهماهنگ بر کل مدر يک قسمت مسيستم و يا تغيير در چند عنصر تاثير فراواني بر

م ژنتيک باعث سيستم بگذارد. موازي بودن الگوريتشود. مثال براي حل يک مساله حل اين مساله مي

راه حل وجود دارد و در يک مساله 20رقمي 10خطي راه حل وجود دارد. از 210رقمي 10غيرخطي

ساز محاسن ديگر الگوريتم ژنتيک خاصيت ساعت

بودن آن است. يعني الگوريتم ژنتيک از مسائلي 1نابينا

رد. الگوريتم براي حل کند اطالعي نداکه حل ميهاي کانديد مساله تغييرات تصادفي را در راه حل

دهد و از تابع برازش براي سنجش اينکه نشان ميکند. اند يا نه استفاده ميتغييرات پيشرفتي ايجاد کرده

دهد در يک فضاي اين عمل به الگوريتم اجازه ميتر شروع به حل مساله کند و از آنجايي که گسترده

هاي يمات آن اساسا تصادفي است همه راه حلتصممساله باز است. از ديگر محاسن ممکن به روي

جستجوي سراسري خوب، قابليت توان به ميسازي با متغييرهاي سازي آسان، توانايي بهينهپياده

سازي ترکيبي گسسته و پيوسته و حل مسائل بهينهغيرخطي تحت قيود غيرخطي از نوع برابري و

ري را نام برد.نابراب

های الگوریتم ژنتیکمعایب و محدودیت

الگوريتم ژنتيک فضاي مساله را به صورت کند و جستجوي محلي آن سراسري بررسي مي

ضعيف است. از ديگر معايب آن نياز به کدگذاي

مهندسی آب دو صصی تخعلمی و مستان –فصلنامه 7 1395پاییز و ز 7

هاي دو دويي است متغيرهاي مساله با استفاده از رشتهي که باعث مصرف حافظه و افزايش بار محاسبات

الگوريتم خواهد شد. از ديگر معايب چگونه نوشتن عملگر ارزياب است که منجر به بهترين راه حل براي مساله شود. اگر اين کارکرد برازش به خوبي انجام نشود ممکن است باعث شود که راه حلي براي مساله پيدا نشود و يا مساله اشتباه حل شود. به عالوه براي

ي ارزياب، پارامترهاي ديگري انتخاب تابع مناسب برامثل اندازه جمعيت، نرخ ترکيب، قدرت و نوع انتخاب هم بايد مورد توجه قرار گيرند. مشکل ديگر وقوع

افتد که ژني است و هنگامي اتفاق مي 1پديده نارسها دارد و خيلي بهتر از که فاصله زيادي با ساير ژن

را به شود و مساله بقيه باشد خيلي زود شناسايي ميسوي جواب بهينه محلي سوق دهد. اين اتفاق معموال

افتد. همچنين هاي کم اتفاق ميدر جمعيتعملگرهاي الگوريتم ژنتيک در برخي مواقع

کنند و حل مساله هاي غيرموجه توليد ميکروموزوم سازند. را با محدوديت مواجه مي

های در مواجه با محدودیتاستراتژی

Michalewicz (1999 جهت بهبود عملکرد و )پوشش معايب الگوريتم ژنتيک چند راه حل ارائه نمود که روش اول اصالح عملگرهاي ژنتيک است و در

شود که پس از آن عملگر ژنتيکي طوري تعريف ميها کروموزوم توليد شده نيز عمل بر روي کروموزم

موجه باشد. روش دوم استراتژي ردي است که در آن هر کروموزوم آن را از نظر موجه بودن پس از توليد

-تست کرده و در صورت غير موجه بودن حذف مي

باشد که در گردد. روش سوم استراتژي اصالحي مياين روش بجاي اينکه کروموزوم غيرموجه حذف

شود. اين گردد تبديل به يک کروموزوم موجه ميروش به مساله وابسته بوده و يافتن فرايند اصالح

باشد. روش چهارم استراتژي ار پيچيده ميگاهي بسي

- Premature

اي است و بر خالف سه روش قبل که از ورود جريمهکردند، جواب هاي غيرموجه جلوگيري ميجواب

يابند. در غيرموجه با احتمال کم احتمال حضور ميها اي براي هر تخلف از محدوديتاستراتژي جريمه

شود که در تابع هدفيک جريمه اختصاص داده ميشود. مساله اصلي چگونگي انتخاب يک تعريف مي

باشد. در اين روش يک مقدار مناسب براي جريمه ميجواب غيرموجه به سادگي حذف نمي شود زيرا ممکن

هاي آن اطالعات مفيدي وجود داشته است در ژنباشد که با اندکي تغيير به جواب بهينه تبديل شود.

گر از بهينهوي راهکارهاي ديگري مانند استفاده محلي، تغيير پارامتر جمعيت اوليه، آهنگ جهش و کسر ادغام، تغيير الگوريتم ژنتيک باينري به پيوسته

و بالعکس را نيز پيشنهاد داد.ر ددر ادامه اين نوشتار به تحقيقات انجام شده ه بزمينه کاربرد الگوريتم ژنتيک در مسائل مربوط

ن حقيقات محققيصنعت آب پرداخته شده است. ابتدا تقيقات محققين داخل در خارج از ايران و سپس تح

ي هاي مختلف بطور مجزا مورد بررسکشور در زمينه قرار گرفته است.

تحقیقات محققین خارج از ایران

از اولين کاربردهاي الگوريتم ژنتيک در منابع آب ( اشاره 1994) Easat and Hallتوان به تحقيق مي

الگوريتم ژنتيک را در حل يک مساله چهار کرد. آنها مخزنه بکار برده و نتيجه گرفتند که الگوريتم ژنتيک

سازي منابع آب قابليت بااليي در حل مسائل بهينه( مدلي را بر مبناي الگوريتم 1997) Mohanدارد.

ژنتيک به منظور تخمين پارامترهاي ماسکينگام هيدروگراف غيرخطي ارائه نمود. نتايج وي نشان داد

خروجي حاصل از روش الگوريتم ژنتيک با هيدروگراف جريان خروجي مشاهداتي نسبت به

هاي ارائه شده ساير محققان انطباق باالتري روش

ربداهی آن رد مهندسی و مد یتم ژنتیک و کار بع آبربرسی الگور منا یت 7 ری 8

هاي ( روش1999) Sharif and Wardlaw. داردمختلف عملگرهاي ژنتيکي را تشريح نموده و سپس

مخزنه ريزي مساله چهارسازي برنامهاز آن در بهينهرا Easat and Hallبهره بردند. آنها تحقيقات

-ارزيابي کرده و قابليت الگوريتم ژنتيک را براي بهره

برداري بهنگام مخازن با پيشبيني جريان استوکاستيک مورد بررسي قرار دادند. آنها به تشريح

هاي مختلف عملگرهاي ژنتيکي پرداخته و روشرا در مساله چهار نحوه عمل هر يک از اين عملگرها

مخزنه ارائه کردند. سپس يک مساله چند مخزني را با الگوريتم ژنتيک حل و نشان دادند که الگوريتم ژنتيک از حل مسائل پيچيده با تابع هدف و قيود

( بهبود 2003) Ndirito. آيدغيرخطي به خوبي برمياي کارآيي الگوريتم ژنتيک را در روش اصالح شده

رواناب بررسي کرده و -ون مدل بارشجهت کاليبراسينتيجه گرفت که با استفاده از الگوريتم ژنتيک اصالح

هاي توان به پاسخل هيدرولوژي نيز ميشده در مسائ( از 2003) Chen. منطقي و قابل قبولي دست يافت

الگوريتم ژنتيک براي بدست آوردن منحني فرمان ده ابي کارآيي روزه براي يک مخزن بهره برد و براي ارزي

سازي استفاده نمود. طبق نتايج وي الگوريتم از شبيهبکارگيري روش منحني فرمان با الگوريتم ژنتيک

تواند کمبود آبي را حداقل سازد و ارتفاع آب مخزن مي Raju and Kumar . را در سطح بااليي نگه دارد

اده از الگوريتم ژنتيک ( تحقيقي در مورد استف2004)زي آبياري و توسعه الگوي کشت بهينه در ريدر برنامه

راستاي افزايش سود يک پروژه آبياري انجام دادند. نظر گرفته شده در اين مدل هاي درمحدوديت

سازي معادله پيوستگي، نياز آب، تنوع محصول بهينهو محدوديت ذخيره بود. آنها نتايج به دست آمده از

ي مقايسه و ريزي خطالگوريتم ژنتيک را با حل برنامهتوان از نتايج را مشابه گزارش کردند. به بيان آنها مي

سازي موثر مدل بهينهالگوريتم ژنتيک به عنوان يک . ريزي هر سيستم آبياري استفاده کردبراي برنامه

Jian et al (2005 از الگوريتم ژنتيک چندهدفه )هاي چند مخزنه استفاده ريزي سيستمجهت برنامه

تعريف چندين جمعيت براي مساله نموده و ضمنمورد بررسي نتيجه گرفتند که با وجود افزايش تعداد

ها و نيز طوالني شدن زمان اجراي برنامه، باز متغيرشود هايي محسوب ميهم الگوريتم ژنتيک از روش

هاي کم و شرايط پيچيده که در حل مسائل با ورودي Broad et al. از پتانسيل بااليي برخوردار است

( يک مدل تغيير يافته شبکه عصبي براي 2005)هاي توزيع آب ارائه نمودند که طراحي بهينه شبکه

هاي شبکه عصبي پس از آموزش با تعداد زيادي دادهآموزشي در مدل الگوريتم ژنتيک جايگزين بخش

EPANETسازي مدل که قبال توسط نرم افزار شبيهذکور پس از شود. شبکه عصبي مگرفته ميانجام مي

شود که با سازي، آموزش داده ميورود به مدل بهينهتوجه به عدم آموزش مجدد آن، امکان بروز خطا در

سازي وجود خواهد هاي آينده مدل بهينهطي نسل-( در يک طرح برنامه2006) et al Kumar.داشت

ريزي آبياري، نتايج حاصل از دو روش الگوريتم را با يکديگر مقايسه ريزي خطي ژنتيک و برنامه

کردند. تابع هدف آنها در اين مساله حداکثر کردن عملکرد نسبي گياهان بود. نتايج آنها نشان داد که

ريزي خطي در عملکرد الگوريتم ژنتيک در برنامهتوزيع آب بين مراحل مختلف رشد گياهان تفاوت

( براي 2006) Yan and Minsker. چنداني نداردباتي يک مدل الگوريتم ژنتيک کاهش زمان محاس

ي هدفه شبکه عصبي را براي طراحي بهينهتکهاي زيرزميني با پايش، بمنظور کاهش آلودگي آب

Karahan et al. سازي هزينه ارائه دادندحداقل-بيني شدت بارش به ازاي دوره( براي پيش2007)

هاي بازگشت مختلف از الگوريتم ژنتيک استفاده حاصل از کمترين خطاي مربعات نشان نمودند. نتايج

هاي داد که الگوريتم ژنتيک بهترين برازش را بر دادهet al Chen (2008 )دهدگيري شده ارائه مياندازه

مهندسی آب دو صصی تخعلمی و مستان –فصلنامه 7 1395پاییز و ز 9

اي به تحليل غيرخطي بيني جريان رودخانهبراي پيشهاي زماني با استفاده از الگوريتم ژنتيک سري

ريتم ژنتيک پرداختند. نتايج آنها نشان داد که الگوهاي زماني عملکرد هاي تحليل سرينسبت به روش

.بسيار مناسبتري دارد

تحقیقات محققین داخل ایران

کاربرد الگوریتم ژنتیک در مدیریت منابع آب

( به بررسي کاربرد 1384ممتحن و برهاني داريان )برداري از سازي بهرهالگوريتم ژنتيک در بهينه

پرداختند. آنها پس از بررسي هاي چندمخزني سيستماجمالي الگوريتم ژنتيک پيشنهادي، عملکرد آن را در

سازي سه مخزني بررسي و با يک سيستم بهينه( و SDPريزي پوياي استوکاستيک )هاي برنامهروش( مقايسه کردند. DPRريزي پويا با رگرسيون )برنامه

نتايج آنها نشان دهنده برتري الگوريتم ژنتيک هم بهلحاظ سرعت محاسبات و هم مقدار تابع هدف در مقايسه با دو روش ديگر بود. حسيني و همکاران

( به تخمين پارامترهاي مدل مفهومي ناش با 1385)استفاده از الگوريتم ژنتيک و حداقل مربعات معمولي پرداختند. آنها کارآيي اين دو روش را با بکارگيري

–واقعه بارندگي 7 سازيپارامترهاي تخميني در شبيه

رواناب واقع در شمال کشور تايوان مورد ارزيابي قرار دادند. نتايج در هر دو مدل نشان داد که مدل الگوريتم ژنتيک قادر به بهبود ضريب کارآيي و کاهش ضريب تغييرات و خطاي دبي اوج مدل نسبت به روش حداقل

( 1386باشد. اصغري مقدم و همکاران )مربعات مييي الگوريتم ژنتيک را در تخمين پارامترهاي کارآ

هاي آزمايش هاي تحت فشار از دادههيدروليکي سفرهپمپاژ مورد ارزيابي قرار دادند. بدين منظور توسط الگوريتم ژنتيک پارامترهاي چهار سفره تحت فشار

هاي گرافيکي مقايسه برآورد و با نتايج حاصل از روشکه الگوريتم ژنتيک روشي کردند. نتايج آنها نشان داد

قابل اعتماد و قوي جهت تخمين پارامترهاي

باشد. کيافر و هاي تحت فشار ميهيدروليکي سفره( به تخصيص بهينه آب در محدوده 1390همکاران )

چاي در سد علويان و شبکه آبياري و زهکشي صوفياستان آذربايجان شرقي با استفاده از الگوريتم ژنتيک

ايج حاصل از اين تحقيق نشان داد که پرداختند. نتاختالف ميزان آب تخصيص يافته واقعي و مقدار

1/2بهينه در مناطق مختلف بطور متوسط بيش از ( 1390مليون متر مکعب است. نوروزي و همکاران )

برداري بهينه از يک سيستم چند مخزنه جهت بهرهشامل سدهاي گلستان و وشمگير واقع در حوزه

استان گلستان از الگوريتم ژنتيک بهره گرگانرود بردند. آنها با توجه به حجم ورودي ماهانه به سد، نياز آبي گياهان کشت شده در پايين دست و نيز جريانات حد فاصل مخازن، برنامه را اجرا کردند. نتايج حاصل از تحقيق آنها در زمينه ميزان حجم آب خروجي در

ت در رابطه با تغيير هاي مختلف در آناليز حساسيماهاحتمال عملگرهاي هماوري و جهش نشان داد که

دهد که بهترين حالت همگرايي در شرايطي رخ ميباشد. 1/0بوده و احتمال جهش 8/0احتمال هماوري

ها نسل ميزان بهينه کميت 600به اين ترتيب پس از ( براي 1391حاصل شده است. ظهيري و همکاران )

شل براي مقاطع آزمايشگاهي و ا–تعيين رابطه دبيصحرايي از الگوريتم ژنتيک استفاده کردند. آنها با

مقطع 30اشل از –داده دبي 400استفاده از حدود مرکب آزمايشگاهي و صحرايي با شرايط مختلف

اي بر مبناي الگوريتم هندسي و هيدروليکي رابطهژنتيک براي محاسبه دبي جريان در مقاطع مرکب

-د. به بيان آنها از اين رابطه پيشنهادي ميارائه دادن

هاي کنترل سيالب و محاسبات توان در طرحهاي ها و طراحي کانالرونديابي سيالب در رودخانه

ساماني انتقال آب با مقاطع مرکب استفاده نمود. ولي( توسط الگوريتم ژنتيک رونديابي 1392و همکاران )

خطي مورد هيدرولوژيکي سيل را به روش ماسکينگامهاي يک بررسي قرار دادند. روش آنها براي رودخانه

ربداهی آن رد مهندسی و مد یتم ژنتیک و کار بع آبربرسی الگور منا یت 80 ری

اي و همچنين براي رودخانه اي و چند شاخهشاخهفاقد آمار هيدروگراف حوضه مياني اعمال شد. طبق نتايج آنها در کليه موارد به کار برده شده نتايج محاسباتي با نتايج واقعي انطباق رضايت بخشي نشان

سازي ( جهت بهينه1394همکاران ) زرگر و داده است.هاي دار در سيستمبرداري از سرريزهاي دريچهبهره

چندمخزنه با استفاده از الگوريتم ژنتيک به مطالعه موردي سد دز و بختياري پرداخته و نتايج را با تحقيقات ساير محققين مقايسه کردند. نتايج آنها

ر سازي دبهينه-سازينشان داد اجراي مدل شبيهي سدهاي مورد مطالعه باعث کاهش قابل مالحظه

خسارت ساالنه سيالب قابل انتظار شده که نشانگر .باشدسازي ميعملکرد مناسب مدل بهينه

کاربرد الگوریتم ژنتیک در مسائل مهندسی آب

( عملکرد الگوريتم 1389افشار و دارائي خواه ) ژنتيک را در طراحي بهينه سرريزهاي متوالي مورد

ارزيابي قرار دادند. هدف آنها يافتن مقاديري براي ارتفاع و طول سرريزهاي متوالي که ضمن تمام قيدهاي هيدروليکي و تپوگرافي مساله کمترين هزينه ساخت را داشته باشد. آنها نتايج خود را با نتايج روش سنتي ويتال و پوري مقايس کردند. نتايج آنها نشان

سازي سرريزها و ري بهينهداد در روش ويتال و پوهاي آرامش نيازمند تغييرات است. اصول حوضچه

-حاکم بر مساله ثابت است اما ماهيت مساله بهينه

سازي نيازمند تغييرات است. نتايج آنها بيانگر توانايي الگوريتم ژنتيک در حل اينگونه مسائل بود. بطور

( جهت طراحي بهينه 1391مشابه شجاع و همکاران )يزهاي پلکاني براي جايگزيني سرريز صاف سد سرر

ساروق واقع در استان آذربايجان غربي از الگوريتم ژنتيک بهره بردند.

( به تخمين 1390هزارجريبي و همکاران )يکنواختي توزيع آب در آبياري باراني با استفاده از

اي هاي مشاهدهالگوريتم ژنتيک پرداختند. آنها با داده

آباد گرگان با الگوريتم قيقاتي پنبه هاشمدر ايستگاه تحژنتيک روابط مختلف براي تخمين مقدار ضريب يکنواختي توززيع آب با استفاده از پارامترهاي مختلف مورد بررسي قرار دادند. با توجه به مقدار همبسنگي و

-انحراف معيار نسبت مقادير تخمين زده شده به اندازه

گوريتم ژنتيک گيري شده حاصل از محاسبات ال . اي استخراج کردندمعادله

( طراحي بهينه سيستم 1392روحاني و افشار)انتقال ثقلي براي مقابله با ضربه قوچ ناشي از بسته

سازي شدن شير با دو روش الگوريتم ژنتيک و بهينهرياضي مورد بررسي قرار دادند. آنها با تابع هدف قرار

يد تجهيزات، هاي طرح شامل خردادن مجموع هزينهاجرا و نصب به دنبال طراحي بهينه سيستم انتقال و

هاي دو روش بودند. در نهايت قطر و مقايسه قابليتاي تعيين ضخامت بهينه يک سيستم انتقال به گونه

اصالني و .کردند که پديده ضربه قوچ رخ ندهد( به تعيين مقادير مناسب پارامترهاي 1392همکاران )

سازي سدهاي بتني وزني جهت بهينهالگوريتم ژنتيک پرداختند. آنها حساسيت مدل را نسبت به مقادير پارامترها مورد ارزيابي قرار دادند. طبق نتايج آنها در

سازي مقطع سدهاي بتني وزني با الگوريتم بهينهژنتيک در بهترين حالت نرخ تکرار، جمعيت اوليه، نرخ

3/0و 5/0 ،50، 30هماوري و نرخ جهش و به ترتيب به دست آمد که اين اطالعات براي مطالعه سدهاي

.تواند مفيد باشدديگر با استفاده از الگوريتم ژنتيک مي( به ارائه يک روش جديد 1393دهقاني و همکاران )

سازي اقتصادي سيستم انحراف سد با در بهينهاستفاده از الگوريتم ژنتيک پرداختند و نتايج خود را با

ب الگرانژ و سد واقعي، مورد بررسي قرار روش ضرايدادند. تابع هدف آنها کمترين هزينه احداث سيستم انحراف با ارضاي کليه مالحضات طراحي بود. نتايج

آنها نشان داد روش الگوريتم ژنتيک و ضرايب الگرانژ سازي هزينه ساخت سيستم انحراف و جهت بهينه

تونل انحراف قطر بهينه تونل و کاهش زمان احداث

مهندسی آب دو صصی تخعلمی و مستان –فصلنامه 81 1395پاییز و ز

مصنوعي عملکرد بهتري نسبت به روش شبکه عصب . دارد

کاربرد تلفیقی الگوریتم ژنتیک و شبکه عصب

مصنوعی

( به تعيين عوامل موثر 1391سلطاني و پورطبري )هاي توزيع آب با ها در شبکهبر نرخ شکست لوله

استفاده از تلفيق الگوريتم ژنتيک و شبکه عصب سازي نرخ شکست پرداختند. آنها براي شبيهمصنوعي

ها از شبکه عصب مصنوعي استفاده کردند. با لولههاي عصبي در مشخص توجه با عدم توانايي شبکه

کردن تاثير هر متغير مستقل بر متغيير وابسته، براي تعيين پارامترهاي ورودي موثر بر نرخ شکست و

ساختار ترين پارامترهاي مرتبط با همچنين مناسبشبکه عصب مصنوعي، از الگوريتم ژنتيک با تابع

-هدف ارائه ساختاري با کمترين ميزان خطاي شبيه

سازي، بهره بردند. نتايج آنها نشان داد روش ترکيبي پيشنهادي قادر است پارامترهاي بهينه و موثر در نرخ

ها را از ميان عوامل متعدد موثر بر نرخ شکست لولهو اين روش کارآيي بااليي در شکست استخراج کند

بهزاديان .سازي روابط غيرخطي و پيچيده داردشبيهسازي چندهدفه نوين ( يک مدل بهينه1386و اردشير)

براي انتخاب نقاط بهينه در شبکه توزيع آب به منظور گيري فشار و کاهش زمان نصب ابزارهاي اندازه

تم سازي چندهدفه از تلفيق الگورياجراي مدل بهينهژنتيک با شبکه عصب مصنوعي استفاده کردند. نتايج

هاي عصب مصنوعي با آنها نشان داد تلفيق شبکهالگوريتم ژنتيک براي برآورد تابع هدف بخشي از

-ها، کاهش چشمگيري در زمان اجرا دارد و ميجواب

سازي با زمان هاي بهينهتواند در کاهش اجراي مدل( به 1389قيه )ف .اجراي طوالني نويدبخش باشد

سازي ارزيابي کاربرد شبکه عصب مصنوعي و بهينههاي بارش آن با الگوريتم ژنتيک در تخمين داده

ماهانه پرداخت. نتايج وي تلفيق روش شبکه عصب

مصنوعي با الگوريتم ژنتيک را مثبت ارزيابي کرده و روش تلفيقي در اکثر موارد برترري خود را نسبت به

.سازي نشان دادبدون بهينهاجراي شبکه عصبي ( به پيشبيني خشکسالي 1390زاده و همکاران )حسن

با استفاده از تلفيق الگوريتم ژنتيک و مدل ترکيبي موجکي پرداختند. نتايج آنها نشان داد –شبکه عصبي

که روش الگوريتم ژنتيک جواب مطلوبتري نسبت به کارگيري روش شبکه عصبي موجکي داشته و به

هر يک از اين دو يقي در مقايسه با کاربرد روش تلفمحمودي و احمدتري دارد. زمانيروش نتايج مطلوب

( روش تلفيقي زمين آمار و شبکه 1393همکاران )عصب مصنوعي بهينه شده با الگوريتم ژنتيک را جهت تخمين سطح آب زيرزميني در دشت رامهرمز

ه ترکيب مورد بررسي قرار دادند. نتايج آنها نشان داد کاين دو مدل با الگوريتم ژنتيک داراي معيارهاي

تري در تخمين سطح ايستايي نسبت ارزيابي مناسبباشد. آنها به کاربرد روش زمين آماري به تنهايي مي

جهت تخمين سطح ايستايي اين روش را پيشنهاد دادند.

ها کاربرد تلفیقی الگوریتم ژنتیک با سایر مدل

( با استفاده از الگوريتم 1389)تابش و همکاران هاي آبرساني را ژنتيک ميزان تزريق کلر در شبکه

هاي بهينه کردند. آنها ميزان تزريق کلر در محل-تزريق را با تلفيق مدل تحليل هيدروليکي و مدل

بررسي و توسط الگوريتم EPANETسازي کيفي سازي کردند. نتايج مدل ارائه شده حاکي ژنتيک بهينه

اهش کلر مصرفي در شبکه و افزايش درصد قرار از کگرفتن مقادير کلر باقي مانده شبکه در محدوده

-( در بهينه1391تقيان و همکاران ) .استاندارد بود

بندي سدهاي مخزني، الگوريتم سازي قاعده جيرهکه داراي ساختار ARSPساز ژنتيک را به مدل شبيه

ل را در ريزي خطي است متصل و کارآيي مدبرنامهسيستم منابع آب رودخانه زهره ارزيابي کردند. نتايج

ربداهی آن رد مهندسی و مد یتم ژنتیک و کار بع آبربرسی الگور منا یت 82 ری

آنها نشان داد که مدل جديد، شدت کمبودها را نسبت بندي نيازها تا حد زيادي بهبود به حالت بدون جيره

بخشيده است. همچنين مدل جديد امکان در نظر هاي منابع آب را در گرفتن جزئيات بيشتري از سيستم

.اي قبلي فراهم ساخته استهمقايسه با مدلبرداري بهينه ( براي بهره1392رئيسي و غفوري )

هاي ساحلي براي مقابله با تهاجم آب شور از آبخوانسازي به همراه الگوريتم ژنتيک دريا از يک مدل شبيه

ساز بر روي يک آبخوان استفاده نمودند که مدل بهينهيزان سازي مساحلي آزمايش و بر اساس نتايج بهينه

هاي مختلفي از قيود شوري پمپاژ از هر چاه با ترکيبو بار هيدروليکي مشخص شد. به بيان آنها امکان استفاده از اين مدل براي سناريوهاي مديريتي متفاوت از آنچه که در تحقيقشان ارائه شد براي مديريت بهينه

.هاي زيرزميني وجود داردوري حداکثر از آبو بهرهتفاده از الگوريتم ( با اس1392همکاران ) وليزادگان و

هاي برداري بهينه از تخليه کنندهژنتيک به بهرهسازي رسوبگذاري در مخازن ت کمينهتحتاني جه

سازي رسوبگذاري سدها پرداختند. آنها به منظور شبيهساز رسوبگذاري در مخزن سد نرم افزار شبيه

GSTAR3 اده استف را بکار بردند. نتايج آنها نشان دادسازي رسوبگذاري از الگوريتم ژنتيک جهت کمينه

. مخازن از کارآيي خوبي برخوردار است( جهت 1392و جعفري ندوشن ) اژدري مقدم

اي يک سد اي ذوذنقهيابي هندسه سرريز کنگرهبهينهعصبي -در اياالت متحده آمريکا از مدل فازي

ANFIS و الگوريتم ژنتيک استفاده کردند. تابع هاي سرريز با ارضاي سازي هزينههدف آنها کمينه

قيودات هيدروليکي بود. مقايسه نتايج حاصل از اين ها را درصد کاهش هزينه 13روش با مقادير موجود

( جهت مديريت 1393نخعي و همکاران ) نشان داد. برداري بهينه از آبخوان دشت ساحلي اروميه و بهره

تفاده از مدل تعيين نرخ بهينه پمپاژ با اسMODFLOW طراحي را انجام داده و سپس توسط

جعفري الگوريتم ژنتيک نرخ پمپاژ را بهينه کردند. ( با تابع هدف کمينه کردن 1394ندوشن و همکاران )

ها با ارضاي قيودات هيدروليکي در طراحي هزينهيابي هندسه آن، جريان در حوضچه رسوبگير و بهينه

مدل فازي عصبي و به طور رضايت بخشي از رو ايزدي و رخشندهالگوريتم ژنتيک بهره بردند.

( با استفاده از الگوريتم ژنتيک بر اساس 1394)يابي اقتصادي شبکه معيارهاي کمي و کيفي به بهينه

آبرساني پرداختند. آنها با بررسي شبکه دو مخزنه تالش کردند تا اثر معيار کمي قابلبت اطمينان براي

ت اضافي در شبکه براي تامين آب ايجاد ظرفيمصرفي در مواقع بحراني و معيار کيفي غلظت مناسب کلر آزاد باقي مانده در تمام نقاط شبکه بر روي طراحي، هزينه شبکه بررسي شود. آنها نتايج حاصل

سازي کردند. نتايج شبيه EPANETافزار را با نرمتوان با ميآنها نشان داد با استفاده از الگوريتم ژنتيک

اندکي افزايش هزينه، ارتباطي هماهنگ ميان يابي ايجاد پارامترهاي کمي و کيفي با اهداف بهينه

نمود. و از اين طريق مبناي جديدي براي قضاوت ان فر و همکاراحمديان . انتخاب نهايي حاصل شود

سازي چندهدفه شامل ( به ارائه يک مدل بهينه1395)حيطي در يک سيستم اهداف کشاورزي و زيست م

-سه سدي منابع آب پرداختند. آنها از تلفيق مدل شبيه

بندي گسسته و الگوريتم ژنتيک برداري جيرهساز بهرهسازي نامغلوب استفاده کرده تا با رويکرد مرتب

شاخص کمبود آب براي تامين اهداف مورد نظر در ساله کاهش يابد. نتايج آنها 48طول دوره آماري

دست آوردن ارآيي موثر الگوريتم ژنتيک در به بيانگر کهاي قابل قبول است و اين به مجموعه جواب

گيري در مورد نحوه تامين آب اهداف متضاد تصميمکشاورزي و زيست محيطي در شرايط مختلف و

برداري از جمله شرايط خشکسالي کمک پيچيده بهره .نمايدمي

مهندسی آب دو صصی تخعلمی و مستان –فصلنامه 83 1395پاییز و ز

یک سایر کاربردهای متفاوت الگوریتم ژنت

( جهت تعيين 1391پور و همکاران )اسديپارامترهاي بهينه در روش سوگنو منطق فازي براي

3سازي هيدروگراف خروجي مخزن سد کارونبهينهاز الگوريتم ژنتيک استفاده کردند. تابع هدف آنها در

اي از اهداف مختلف اين مساله به صورت مجموعه، حداقل کردن پيک خروجيکنترل سيل مانند حداقل

خرابي پايين دست، ذخيره سيالب و نگهداري سطح نهايي آب به ذخيره مطلوب و... منظور شد. آنها با مقايسه نتايج کار خود با دو تحقيق ديگر به اين نتيجه رسيدند که روش پيشنهادي قابليت نسبتا بهتري در

حقيقي .سازي عملکرد مخزن داشته استبهينههاي آبرساني با ي شبکه( به طراحي اقتصاد1392)

استفاده از عملگر مفهومي آستانه پويا در الگوريتم -ژنتيک پرداخت. توسط اين عملگر در فرايند بهينه

گيري، مساله بصورت تدريجي و سازي فضاي تصميمشود منطبق با تاريخچه جستجو فشرده و کوچک ميهاي و شانس رسيدن به بهينه مطلق در آستانه

يابد. وي قابليت اين روش را با يمختلف افزايش محل دو مثال مورد ارزيابي قرار داد. نتايج وي نشان داد که الگوريتم پيشنهادي سبب افزايش کارآيي فرايند جستجو و اميد دستيابي به پاسخ بهينه مطلق

.شودهاي آبرساني ميدر مساله طراحي شبکههاي ( به منظور طراحي بهينه شبکه1394يزدي)آب با استفاده از تجزيه عملگرهاي الگوريتم توزيع

ژنتيک به توسعه الگوريتم پرداخت. وي به جاي حل مساله با استفاده از تجميع توابع هدف، مساله اصلي را به چند زيرمساله تک هدفه گسسته تبديل کرد و

ي طراحي براي حل دو مساله استاندارد و شناخته شدهمتغيير 454و 99با بهينه شبکه توزيع آب به ترتيب

تصميم مورد استفاده قرار داد. سپس عملکرد اين مدل مقايسه کرد. SPEAو NSGAرا با دو الگوريتم

نتايج وي نشان داد که الگوريتم ژنتيک مبتني بر ها و هم به لحاظ تجزيه هم به لحاظ کيفيت جواب

حفظ تنوع در جمعيت بر دو الگوريتم ديگر برتري يج بيانگر اميدبخش بودن بهبود عملکرد دارد. اين نتا

سازي در الگوريتم ژنتيک در حل مسائل پيچيده بهينه . باشدحوزه مهندسي و مديريت منابع آب مي

بندیجمع

ن را آارزيابي الگوريتم ژنتيک و کاربردهاي متنوع نشان داد. 1توان در جدول بطور خالصه مي

ربداهی آن رد مهندسی و مد یتم ژنتیک و کار بع آبربرسی الگور منا یت 84 ری

ارزیابی الگوریتم ژنتیک و کاربردهای آن -1جدول

انواع معرفی

سری، آشفته، هیبرید، الگوریتم ژنتیک خودسازمان، زایشی و حالت دائمی الگوریتم ژنتیک

ساختار

باینری، جایگشتی، مقدار و درختی کدگذاری

کند.مقدار عددی ارزیابی میتنها هر رشته را با یک ارزیابی

انتخابگرایی، رقابتی، رقابتی بریندل، قطعی بریندل، قطع چرخ رولت، ترتیبی، بولتزمن، حالت پایدار، نخبه

سر، مسابقه، مسابقه تصادفی و جایگزینی نسل اصالح شده

ترکیبای، یکنواخت، حسابی، نقطه nای، ای، دونقطهجابجایی دودویی، جابجایی حقیقی، ترکیب تک نقطه

ترتیب، چرخه، محدب و بخش نگاشته

سازی و تغییر مقدارسازی بیت، تغییر ترتیب قرارگیری، وارونباینری، حقیقی، وارونه جهش

عکس روش کدگذاری رمزگشایی

کاربرد

مدیریت

برداری سیستم چندمخزنی، تخمین پارامترهای مدل مفهومی ناش،بهره

های آبیاری، تعیین رابطه های زیرزمینی، تخصیص آب در شبکههیدرولیکی آبخوان تخمین پارامترهای

اشل، روندیابی هیدرولوژیکی سیل، تخمین پارامترهای روش روندیابی ماسکینگام، کالیبراسون -دبی

بینی شدت بارش ریزی الگوی کشت، پیشبرداری منحنی فرمان، برنامهرواناب، روش بهره-مدل بارش

های زمانی.ای به تحلیل غیرخطی سریبینی جریان رودخانههای بازگشت مختلف ، پیشورهبه ازای د

مهندسی

طراحی بهینه سرریزهای متوالی، پلکلنی، سد، استخراج معادله جهت تخمین یکنواختی توزیع آبیاری

پارامترهای الگوریتم سازی سدهای بتونی وزنی و تعیین بارانی، طراحی بهینه سیستم انتقال ثقلی، بهینه

ژنتیک برای طراحی بهینه سد، طراحی بهینه اقتصادی سیستم سد انحرافی

تلفیق با شبکه عصب

مصنوعی

های توزیع آب، برای انتخاب نقاط بهینه در شبکه ها در شبکهتعیین عوامل موثر بر نرخ شکست لوله

سازی چندهدفه، زمان اجرای مدل بهینه گیری فشار و کاهشتوزیع آب به منظور نصب ابزارهای اندازه

های بارش ماهانه، پیشبینی خشکسالی، تخمین سطح آب زیرزمینی، کاهش بار زمانی تخمین داده

هزینه های زیرزمینی با حداقلی پایش بمنظور کاهش آلودگی آباجرای الگوریتم، طراحی بهینه

تلفیق با سایر مدل ها

سازی ، در بهینهEPANETسازی در های آبرسانی همراه با شبیهر شبکهسازی میزان تزریق کلر دبهینه

های برداری بهینه از تخلیه کننده، بهرهARSPساز بندی سدهای مخزنی همراه مدل شبیهقاعده جیره

یابی هندسه سرریز ، بهینهGSTAR3سازی رسوبگذاری در مخازن سدها با مدل تحتانی جهت کمینه

-، طراحی بهینه حوضچه رسوبگیر همراه با مدل فازی عصبی، بهینه ANFIS عصبی-سد با مدل فازی

سازی چندهدفه همراه با ، بهینهEPANETساز سازی اقتصادی شبکه دو مخزنه آبرسانی همراه با شبیه

MODFLOWبندی گسسته، تعیین نرخ بهینه پمپاژ با استفاده از مدل برداری جیرهساز بهرهمدل شبیه

کاربرد متفاوت چند

دیگر

سازی هیدروگراف خروجی مخزن تعیین پارامترهای بهینه در روش سوگنو منطق فازی برای بهینه -

سد،

های آبرسانی با استفاده از عملگر مفهومی آستانه پویاطراحی اقتصادی شبکه -

های توزیع آب با استفاده از تجزیه عملگرهای الگوریتم ژنتیکطراحی بهینه شبکه -

محاسنسازی ترکیبی غیرخطی تحت قیود غیرخطی از سازی با متغییرهای گسسته و پیوسته و حل مسائل بهینهموازی بودن، توانایی بهینه

سازی آساننوع برابری و نابرابری، جستجوی سراسری خوب و پیاده

های اولیه، وقوع پدیده نارسبرای پارامتر جستجوی محلی ضعیف، بار محاسباتی زیاد ، تعیین مقادیر مناسب هامعایب و محدودیت

استراتژی در مواجهه با

محدودیت

گر محلی، تغییر پارامتر ای ، استفاده از بهینهاصالح عملگرهای ژنتیک، استراتژی ردی، استراتژی اصالحی، استراتژی جریمه

ته و بالعکسجمعیت اولیه، آهنگ جهش و کسر ادغام، تغییر الگوریتم ژنتیک باینری به پیوس

مهندسی آب دو صصی تخعلمی و مستان –فصلنامه 85 1395پاییز و ز

تيک از اولين و پرکاربردترين الگوريتم ژنهاي تکاملي محسوب شده و سادگي ساختار و روش

پياده سازي ساده آن به همراه کاربردهاي مختلف و مشخص بودن نقاط ضعف و قوت و راهکارهاي ارائه

هاي آن و در نظر گرفتن شده جهت غلبه بر محدوديتاهداف چندگانه و متضاد به صورت همزمان در الگوريتم ژنتيک، اين الگوريتم را حتي نسبت به

تري هاي جديدتر که پيچيدگي ساختاري بيشروشدارند به عنوان روشي قابل اعتماد مطرح و باعث

افزايش دامنه کاربردهاي اين الگوريتم شده است. تر شدن مسائل دهد با پيچيدههمچنين نتايج نشان مي

سازي الگوريتم ژنتيک با ساير توان از روش بهينهميهاي سازي و يا روشمدهاي طراحي و شبيه

هاي را به پاسخرياضياتي، ضمن افزايش سرعت اجهايي سازيتري دست يافت. همچنين در شبيهمطمئن

ها را در نظر توان عدم قطعيتها نميکه در مدلسازي و الگوريتم توان با ارتباط مدل شبيهگرفت مي

ژنتيک اين مشکل را تا حدي برطرف ساخت. منابع

سازي بهره برداري از سدهاي مخزني با استفاده بهينه. 1395احمديان فر، ا.، اديب، آ.، تقيان، م.، و حقيقي، ع. .1 .89-100(:2)39مجله علوم و مهندسي آبياري. سازي نامغلوب.از الگوريتم ژنتيک چند هدفه با رويکرد مرتب

-اي با استفاده از مدل فازياي ذوذنقه يابي هندسه سرريز کنگره. بهينه1392اژدري مقدم، م.، جعفري ندوشن، ا. .2در اياالت متحده آمريکا. يادداشت فني مجله مهندسي عمران Uteعصبي و الگوريتم ژنتيک، مطالعه موردي سد

.129-138( :2)24فردوسي.

. بکارگيري الگوريتم ژنتيک در تعيين پارامترهاي منطق فازي 1391اسدي پور، ن.، کرمي، م.، و شاهي نژاد، ب. .3 37-45(:10)6نه سازي هيدروگراف خروجي مخزن سد. مجله پژوهش آب ايران. براي بهي

هاي تحت فشار بوسيله تکنيک . تخمين پارامترهاي هيدروليکي سفره1386اصغري مقدم، ا.، نوراني، و.، و کرد، م. .4 30-41(:3)3سازي الگوريتم ژنتيک. مجله تحقيقات منابع آب. بهينه

سازي . تعيين مقادير مناسب پارامترهاي الگوريتم ژنتيک در بهينه1392ور، ه.، اصالني، م.، عمادي، ع.، نظرپ .5 231-239(:5)20هاي حفاظت آب و خاک، سدهاي بتني وزني. گزارش علمي مجله پژوهش

سازي هزينه سرريزهاي متوالي در سدهاي بلند با استفاده از الگوريتم . کمينه1389خواه، م. افشار، م ه.، دارائي .6 60-72(: 1)10. مجله عمران مدرس. ژنتيک

يابي اقتصادي شبکه آبرساني بر اساس معيارهاي کمي و کيفي با استفاده . بهينه1392ايزدي، ا.، رخشنده رو، غ ر. .7 . 119-124(: 1)64از الگوريتم ژنتيک. يادداشت فني مجله آب و فاضالب.

فه براي واسنجي مدل شبکه توزيع آب با استفاده . طراحي نمونه برداري چند هد1387بهزاديان، ک.، اردشي، ع. .8 .13-22(:3)65از الگوريتم ژنتيک و شبکه عصبي. مجله آب و فاضالب.

هاي آبرساني توسط الگوريتم سازي ميزان تزريق کلر در شبکه. بهينه1389تابش، م.، آزادي، ب.، و روزبهاني، ع. .9 .2-11(: 1)73ژنتيک. مجله آب و فاضالب.

بندي در سدهاي مخزني سازي قاعده جيره. بهينه1391م.، رادمنش، ف.، آخوندعلي، ع م.، و حقيقي ع. تقيان، .10 .41-50(:2)35از طريق اتصال الگوريتم ژنتيک به يک مدل شبيه ساز. مجله علوم و مهندسي آبياري.

ربداهی آن رد مهندسی و مد یتم ژنتیک و کار بع آبربرسی الگور منا یت 86 ری

يابي ه رسوبگير و بهينه. بررسي عددي جريان در حوضچ1394جعفري ندوشن، ا.، تاج نسايي، م.، و فرزين، س. .11هندسه حوضچه با استفاده از مدل فازي عصبي و الگوريتم ژنتيک. دهمين کنفرانس بين المللي مهندسي عمران،

دانشگاه تبريز.

بيني خشکسالي با استفاده از الگوريتم ژنتيک . پيش1391حسن زاده، ي.، عبدي کرداني، ا.، و فاخري فرد، ا. .12 .48-59(: 3)92موجکي. مجله آب و فاضالب. -يو مدل ترکيبي شبکه عصب

هاي . تخمين پارامترهاي مدل مفهومي ناش با استفاده از روش1385حسيني، س م.، زهرايي، ب.، هورفر، ع.، .13 .105-107(:2)2الگوريتم ژنتيک و حداقل مربعات معمولي. گزارش فني مجله تحقيقات منابع آب ايران.

هاي آبرساني با استفاده از عملگر مفهومي آستانه پويا در الگوريتم ادي شبکه. طراحي اقتص1392حقيقي،ع. .14 .19-36(:1) 8ژنتيک. مجله هيدروليک.

سازي اقتصادي سيستم انحراف . ارائه يک روش جديد در بهينه1393دهقاني، ر.، دهقاني، ن.، و عباسپور، د. .15 .37-47(:4)16و آب. سد با استفاده از الگوريتم ژنتيک. مجله مهندسي آبياري

. طراحي بهينه سيستم انتقال ثقلي در مقابل ضربه قوچ ناشي از بسته شدن شير 1392روحاني، م.، افشار، م ه. .16 .107-118(: 1)14سازي رياضي. مجله آب و فاضالب، با دو روش الگوريتم ژنتيک و بهينه

هاي ساحلي براي مقابله با تهاجم ه از آبخوانبرداري بهين. بهره1392رئيسي عيسي آبادي ،ع.، غفوري، ح ر. .17 .79-87(:12)7آب شور دريا با استفاده از الگوريتم ژنتيک. مجله پژوهش آب ايران.

دار در سيستم برداري از سرريزهاي دريچهسازي بهره. بهينه1394زرگر، م.، ولي ساماني، ح.، و حقيقت، ع. .18نتيک با مطالعه موردي سيستم سدهاي دز و بختياري. مجله هيدروليک. هاي چند مخزنه با استفاده از الگوريتم ژ

10(2:)43-27.

. تخمين سطح ايستايي با استفاده 1393زماني احمد محمودي، ر.، آخوند علي، ع م.، زارعي، ح.، و رادمنش، ف. .19 .26-38(:15)4و آب. از يک روش ترکيبي بهينه شده با الگوريتم ژنتيک در دشت رامهرمز. مجله مهندسي آبياري

هاي توزيع آب با استفاده ها در شبکه. تعيين عوامل موثر بر نرخ شکست لوله1391سلطاني، ج.، پورطبري، م. .20 .1-15(:3)23هاي عصبي مصنوعي و الگوريتم ژنتيک. مجله آب و فاضالب. از تلفيق شبکه

. طراحي بهينه سرريزهاي پلکاني 1391ني ع. شجاع، ف.، سلماسي، ف.، فرسي زاده، د.، ناظمي، اح.، و صدرالدي .21 .83-69(: 4)22جهت حداکثرسازي استهالک انرژي با استفاده از الگوريتم ژنتيک. مجله دانش آب و خاک،

اشل براي مقاطع مرکب آزمايشگاهي و -. تعيين رابطه دبي1391ظهيري، ع.، دهقاني، ا.ا.، و هزارجريبي، ا. .22 .179-192(:19)2هاي حفاظت آب و خاک.ريتم ژنتيک. مجله پژوهشصحرايي با استفاده از الگو

سازي آن با روش الگوريتم ژنتيک در تخمين . ارزيابي کاربردي شبکه عصب مصنوعي و بهينه1389فقيه، ه. .23 .27-42(:51)14هاي بارش ماهانه. مجله علوم آب و خاک. داده

برداري بهينه از هاي بهرههاي بکارگيري مدلها و فرصت. چالش1385کارآموز، م.، احمدي، آ.، و نظيف، س. .24رود. زاينده وکارون هايحوضه آباز منابع بهينهبرداري بهره ايمنطقه همايشهاي منابع آب. اولين سيستم

.293-309شهرکرد، ايران.

ريزي و مديريت منابع آب. مجله دانشگاه صنعتي پذيري در برنامه. انعطاف1382ب. کارآموز، م.، زهرايي، .25 .52-39(: 3)23شريف.

مهندسی آب دو صصی تخعلمی و مستان –فصلنامه 87 1395پاییز و ز

. تخصيص بهينه آب در شبکه آبياري 1390خاني، ه.کيافر، ح.، اشرف صدرالديني، س ع.، ناظمي ا ح.، و ثاني .26-61(:5)2تيک. مجله مهندسي آبياري و آب. چاي در استان آذربايجان شرقي با استفاده از الگوريتم ژنزهکشي صوفي

52.

برداري از سازي بهرهبهينه. کاربرد مقايسه اي الگوريتم ژنتيک در 1384ممتحن، ش.، برهاني داريان، ع. .27 .11-20(:56)16هاي چند مخزني. مجله آب و فاضالب، سيستم

برداشت از آبخوان با استفاده از الگوريتم يابي مدل عددي . بهينه1393نخعي، م.، محمدي، خ.، و رضايي، ح. .28 .94-97(:2)10ژنتيک، مطالعه موردي آبخوان ساحلي اروميه. يادداشت فني مجله تحقيقات منابع آب ايران.

برداري از يک سيستم چند سازي بهره. بهينه1390نوروزي، ب.، باراني، غ ع.، مفتاح هلقي، م.، و دهقاني، ا.ا. .29هاي يتم ژنتيک چند جمعيتي مطالعه موردي سدهاي گلستان و وشمگير. مجله پژوهشمخزنه به روش الگور

.43-62(:4)18حفاظت آب و خاک

هاي تحتاني با استفاده برداري بهينه از تخليه کننده. بهره1392زاده اصل، ع. زادگان، ا.، جليلي، ف.، نصراهللولي .30-78(: 3) 23اري در مخازن سدها. مجله دانش آب و خاک. از الگوريتم ژنتيک پيوسته جهت کمينه سازي رسوبگذ

67.

. رونديابي هيدرولوژيکي سيل به روش ماسکينگام خطي در 1392ساماني، ح.، حقيقي،ع.، و فرهادي، ش. ولي .31(: 1)8يابي توسط الگوريتم ژنتيک. يادداشت فني مجله هيدروليک اي با بهينههاي چند شاخهسيستم رودخانه

92-83.

. تخمين يکنواختي توزيع آب در آبياري باراني با 1390هزارجريني، ا.، دهقاني، ا.، حسام، م.، و شريفان، ح. .32 .129-144(:4)18هاي حفاظت آب و خاک. سازي الگوريتم ژنتيک. مجله پژوهشاستفاده از روش بهينه

با استفاده از عملگرهاي الگوريتم سازي چند هدفه مبتني بر تجزيه . توسعه الگوريتم بهينه1394يزدي، ج. .33 .27-40(:3)10هاي توزيع آب. مجله هيدروليک. ژنتيک به منظور طراحي طراحي بهينه شبکه

34. Broad, D. R, Dandy G. C., Maier, H. R. 2005. Water distribution system optimization

using metamodels. Journal of Water Resources Planning and Management, 131(3):172-

180.

35. Chen, CS., Liu, CH., and Su, HC. 2008. A nonlinear time series analysis using two-

stage genetic algorithms for streamflow forecasting. Journal ofHydrological Processes

22(1): 3697-3711.

36. Chen, L. 2003. Real Coded Genetic Algorithm Optimization of Long Term Reservoir

Operation. Journal of American Water Resources Association (JAWRA), 39(5): 1157-

1165.

37. Easat, V., Hall, M. 1994. Water resources system optimization using gentic algorithms.

Journal of Hydro-environment Research. 11(1): 225-231.

38. Goldberg. D.E. 1987. Genetic Algorithms in Search, Optimization, and Machine Learning, Addison Wesley Publishing Company Inc.

39. Halland, J. 1975. Adaptation in Natural and Artificial Systems, MIT Pess Combridge,

pp. 228.

40. Jian, C., Qiang, H., Min, W. 2005. Genetic algorithm for optimal dispatching. Journal

of Water Resources Management. 19(2): 321-331.

41. Karahan, H., Ceylan, H., and Ayvaz, MT. 2007. Predicting rainfall intensity using a

genetic algorithm approach. Journal of Hydrological Processes. 21(3): 470-475.

ربداهی آن رد مهندسی و مد یتم ژنتیک و کار بع آبربرسی الگور منا یت 88 ری

42. Kumar, D.N., Raju, K.S., and Ashok. B. 2006. Optimal reservoir operation fir of

multiple crops using genetic algorithms. ASCE, Journal of Irrigation and Drainage

Engineering, 132(2): 123-129.

43. Loucks, D.P., Stakhiv, E.Z., Martine, L.R. 2000. sustainable water resources

management. ASCE, Journal of Water Resources Planning and Management. 126(2).

44. Michalewicz, Z. 1999. Genetic Algorithms + Data Structures = Evolution Programs,

Department of Computer Science University of North Carolina, USA. Springer Publishing

388p.

45. Mohan, S. 1997. Parameter estimation of nonlinear Muskingum models using genetic

algorithm. Hydraulic Engineering. 123(3): 137-142.

46. Montalvo, I., Izquierdoa, J., Pereza, R., and Tungb, M. M. 2008. Particle Swarm

Optimization applied to the design of water supply systems, Computers and Mathematics

with Applications. 56(3): 769–776.

47. Ndirito, J. 2003. Reservoir system optimization using a penalty approach and a multi

population genetic algorithm. Water Resources Management. 29(1): 273-289.

48. Raju, K.S., Kumar, N.D. 2004. Irrigation planning using genetic algorithms. Journal of

Water Resources Management, 18(2):163-176.

49. Rao, S. 2009. Engineering Optimization Theory and Practice, Publishers John Wiley

& Sons. 830p.

50. Sharif, M., Wardlaw, R, 1999. Evaluation of genetic algorithms for optimal reservoir

system operation. Journal of Water Resources Management 12(3): 25-33. 51. Yan, S., Minsker B. 2006. Optimal groundwater remediation design using an adaptive

neural network genetic algorithm. water resources research, 42(5).