نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجو دانشگاه بیرجند
2 استادیار دانشگاه بیرجند
چکیده
بهرهبرداری صحیح و اصولی از منابع طبیعی باعث حفظ این ثروتهای ارزشمند میشود و بهکارگیری دانش بهینهسازی میتواند کمک مؤثری در این راستا باشد. بر همین اساس، هدف از این مطالعه مقایسه الگوریتم تکاملی ژنتیک و روش کلاسیک برنامهریزی خطی در بهینهسازی کاربری اراضی حوزه آبخیز بایگ میباشد. نتایج مطالعه نشان داد که در صورت بهینهسازی کاربری اراضی با برنامهریزی خطی مساحت زراعت دیم کاهش و زراعت آبی افزایش مییابد. بعد از کمینهسازی، رواناب سطحی و رسوبدهی کل حوضه بهترتیب 1.16 و 12.91 درصد کاهش خواهد یافت. در صورت بهینهسازی کاربری اراضی با الگوریتم ژنتیک، مساحت مرتع و زراعت آبی افزایش پیدا کرده، مساحت باغ آبی، بادامکاری و زراعت دیم کاهش مییابد. ضمن اینکه بعد از بهینهسازی، رواناب سطحی و رسوبدهی کل حوضه بهترتیب 13.95 و 31.99 درصد کاهش خواهد یافت. نتایج همچنین نشان داد که برنامهریزی خطی در مقایسه با الگوریتم ژنتیک، در تامین محدودیتها بسیار بهتر عمل کرد و قید مساحت مجموع کاربریها در برنامهریزی خطی تامین ولی در الگوریتم ژنتیک برآورده نشد. نتایج بهدست آمده از تحلیل حساسیت نشان داد که حساسترین ضریب در تابع کمینهسازی رواناب و رسوبدهی، ضریب مربوط به زراعت دیم با هزینه کاهش یافته برابر با 67.52 است. همچنین، نتایج گویای آنست که محدودیت سطوح کل کاربریها و محدودیت کمینه سطوح مراتع بهترتیب با قیمت سایهای 397.40 و 233.28 بیشترین تأثیر منفی را بر جواب بهینه و محدودیتهای بیشینه سطح کاربری باغات آبی و محدودیت بیشینه سطح کاربری بادامکاری بهترتیب با قیمت سایهای 134.97- و 118.44- بیشترین تأثیر مثبت را بر جواب بهینه خواهند داشت. بهعنوان نتیجهگیری کلی، میتوان بیان کرد که الگوریتمهای تکاملی (مانند الگوریتم ژنتیک) زمانی که با مسائلی که دارای محدودیتهای زیاد هستند مواجه میشوند، در مقایسه با تکنیکهای کلاسیک بهینهسازی ضعیفتر عمل میکنند.
کلیدواژهها
عنوان مقاله [English]
Comparison of genetic algorithm and linear programming to solve land use optimization problems at the watershed scale
نویسنده [English]
- arezoo kheyrkhah 1
2 university of birjand
چکیده [English]
Correct and consistent uses of natural resources preserve this valuable wealth. Using optimization knowledge can assist us to achieve this object. Thus, this study aims to compare linear programming as a classical method of optimization with genetic evolutionary algorithm for land use optimization of the Bayg watershed. Results showed that linear programming reduced dry farming acreage and increased the acreage of irrigated agriculture. After minimization, surface runoff and sediment yield declined by 1.16, 12.91 percent, respectively. Genetic algorithm led to an increase in rangeland, irrigated agriculture and horticulture acreages, while almond orchard and dry farming acreages were reduced. Furthermore, surface runoff and sediment yield declined by 13.95 and 31.99 percent, respectively. Linear programming acted stronger in satisfying the constraints, as compared with genetic algorithm. The constraint “total acreage” was satisfied by linear programming, while genetic algorithm could not meet this constraint. Sensitivity analysis of linear programming showed that the most critical factor in minimizing runoff and sediment yield function was the coefficient of dry farming with a reduced cost of 67.52. Results also established that the constraints “total acreage and minimum acreage of rangeland” with the shadow prices of 397.40 and 233.28, respectively had the highest negative impact on the optimal solution. Meanwhile, the constraints “maximum acreages of irrigated horticulture and almonds garden” with the shadow prices of -134.97 and -118.44, respectively had the highest positive impact on the optimal solution. As a general conclusion it can be stated that in land use optimization problems with a large number of constraints, genetic algorithm show poorer performance in satisfying constraints, as compared with linear programming.
کلیدواژهها [English]
- Bayg watershed
- surface runoff
- sediment yield
- Sensitivity analysis
- minimization