مهندسی و مدیریت آبخیز

با همکاری انجمن آبخیزداری ایران

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پرسش‌های متداول

فرایند پذیرش مقالات

راهنمای نویسندگان

راهنمایی دریافت کد ORCID

داوران

راهنمای عضویت در Publons

مقایسه کارایی الگوریتم DDS با الگوریتم ژنتیک و تکامل تصادفی جوامع در بهینه‌سازی پارامترهای مدل هیدرولوژیکی یکپارچه HyMod

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس

2 دانشجوی کارشناسی ارشد آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس

چکیده

در دهه‌­های اخیر مدل­‌های هیدرولوژیکی کاربرد گسترده­ای در شبیه‌­سازی فرایند بارش رواناب یافته‌­اند. این مدل­‌ها دارای مقادیر پارامترهای ثابت هستند که نیاز است با روش مناسب، مقادیر آن­‌ها بهینه شوند. در واقع، کارایی مدل­‌های هیدرولوژیک علاوه ­بر ساختار آن­‌ها به مقادیر بهینه پارامترهای آن‌­ها بستگی دارند. در این پژوهش، به ­بررسی کارایی سه روش بهینه‌­سازی اتوماتیک شامل الگوریتم تکامل تصادفی جوامع، DDS و الگوریتم ژنتیک در بهینه­‌سازی پارامترهای مدل یکپارچه HyMod‌ در حوضه قورچای رامیان پرداخته شد. برای هر سه الگوریتم، سرعت رسیدن به هم‌گرایی و میزان تغییرات مقادیر بهینه شده مورد بررسی قرار گرفت. الگوریتم ژنتیک در تعداد اجرای کمتری به هم‌گرایی رسید و پس از آن، الگوریتم DDS در مرتبه بعدی قرار داشت. از نظر زمان اجرا به ازای هر تکرار، کمترین زمان مربوط به روش تکامل تصادفی جوامع و بیشترین زمان مربوط به روش الگوریتم ژنتیک بود. بیشترین نوسانات در جواب­‌های بهینه­ شده مربوط به الگوریتم DDS و کمترین نیز مربوط به الگوریتم تکامل تصادفی جوامع بود که از این نظر، بهینه‌­سازی با استفاده از روش تکامل تصادفی جوامع از ثبات بیشتری برخودار بود. با استفاده از تحلیل واریانس و مقایسه میانگین­ها مشاهده شد، در روش تکامل تصادفی جوامع با افزایش تعداد جوامع تا 12 جمعیت عملکرد مدل بهتر شد که از این تعداد بیشتر، عملکرد الگوریتم بهبود پیدا نکرد. برای پارامتر alpha با افزایش مقدار آن، عملکرد الگوریتم بدتر شد و بهترین عملکرد الگوریتم مربوط به مقدار برابر با 0.58 بود. بر عکس پارامتر alpha، با افزایش پارامتر beta عملکرد الگوریتم بهتر شد و بهترین عملکرد در مقدار beta برابر با یک به‌دست آمد. برای الگوریتم ژنتیک مقادیر بهینه تعداد کروموزوم‌ها، نرخ تزویج و نرخ جهش به‌ترتیب برابر با 16، 0.2 و 0.3 به‌­دست آمد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison the efficiency of DDS algorithm to Genetic algorithm and Shuffled Complex Evolution in calibration lumped hydrological model HyMod

نویسندگان [English]

  • Aboalhasan Fathbabadi 1
  • Mahnaz Kohneshin 2
  • Ali Heshmatpour 1
  • Masome Farasati 1

1 Assistan Professor, Faculty of Agricultural and Natural Resources, Gonbad Kavous University, Iran

2 MSc Student, Faculty of Agricultural and Natural Resources, Gonbad Kavous University, Iran

چکیده [English]

During last decades hydrological models were extesively used in rainfall-runoff modeling. These models contain some constant parameters that must be optimized through appropraite mthods. In addation to model structur, the efficieny of hydrological models depend on these optimized parameters. In this study, the efficiency of three automatic optimizing algorithms including Dynamically Dimensioned Search (DDS), Shuffled Complex Evolution and Genetic algorithms in calibration lumped hydrological model HyMod‌ in Ghorchay Ramian Catchment were investigated. For these mehods, convergence speed and variability of final optimized values were investigated. Results showed that Genetic algorithm converged faster than two other methods. Following, DDS algorithm converged faster than Shuffled Complex Evolution algorithm. Shuffled Complex Evolution and Genetic algorithms took shorter and longer time per each epock, respectively. Highest and the least variability of final results were obtained for DDS and Shuffled Complex Evolution algorithms, respectively. With respect to final results variability, Shuffled Complex Evolution algorithm was more satable and had better performance than other methods. Using analyse variance and comper means in Shuffled Complex Evolution algorithms for complexes less than 12, the model performance was increased as the number of complexe increased. As alpha value increased, the model performance decreased and model had the best performance at the value of 0.58. Conversely, model performance was increase as beta values increasd and the best perfromnce was obtained for beta equal to 1. For Genetic algorithm, the best performance was obtained when the value of values crossover, mutation and chromosome number was equal to 0.2 and 0.3 and 16, respectively.

کلیدواژه‌ها [English]

  • Automatic optimizing
  • Calibration
  • Convergence speed
  • Ghorchay Ramian Catchment
  • Rainfall-runoff
مراجع
  1. Arsenault, R., A. Poulin, P. Côté and F. Brissette. 2013. A comparison of stochastic optimization algorithms in hydrological model calibration. Journal of Hydrologic Engineering, 19(7): 1374-1384.
  2. Bourhani Daryan, A. and Z. Frahmanfar. 2011. Calibration of rainfall-runoff models using MBO algorithm. Irrigation and Water Engineering, 1(4): 60-71 (in Persian).
  3. Boyle, D., H. Gupta and S. Sorooshian. 2000. Toward improved calibration of hydrologic models, combining the strength of manual and automatic methods. Water Rresources Research, 36: 3663–3674.
  4. Cooper, V.A., V.T.V. Nguyen and J.A. Nicell. 1997. Evaluation of global optimization methods for conceptual rainfall-runoff model calibration. Water Science and Technology, 1997(36): 53–60.
  5. Duan, Q.Y., S. Sorooshian and V. Gupta. 1994. Optimal use of the SCE-UA global optimization method for calibrating watershed models. Journal of Hydrology, 158: 265-284.
  6. Duan, Q.Y., S. Sorooshian and V. Gupta. 1992. Effective and efficient global optimization for conceptual rainfall-runoff models. Water Resources Research, 28(4): 1015-1031.
  7. Franchini, M., G. Galeati and S. Berra. 1998. Global optimization techniques for the calibration of conceptual rainfall-runoff models. Hydrological Sciences Journal, 43: 443–458.
  8. Jeon, J., C.G. Park and B.A. Engel. 2014. Comparison of performance between Genetic algorithm and SCE-UA for calibration of SCS-CN surface runoff simulation. Water, 6: 3433-3456.
  9. Madsen, H. 2003. Parameter estimation in distributed hydrological catchment modelling using automatic calibration with multiple objectives. Advances in Water Resources, 26(2): 205-216.
  10. Ndiritu, J.G. and T.M. Daniell. 2001. An improved genetic algorithm for rainfall-runoff model calibration and function optimization. Mathematical and Computer Modelling, 33: 695-706.
  11. Sadeghitabas, S., M. Pourrezabilondi and H. Khozeymehnezhad. 2015. Evaluation of Different global optimization methods for calibration of a daily hydrological model. Irrigation Sciences and Engineering, 38(3): 129-142 (in Persian).
  12. Qi, W., C. Zhang, G. Fu and H. Zhou. 2016. Quantifying dynamic sensitivity of optimization algorithm parameters to improve hydrological model calibration. Journal of Hydrology, 533: 213–223.
  13. Tolson, B.A. and C.A. Shoemaker. 2007. Dynamically dimensioned search algorithm for computationally efficient watershed model calibration. Water Resources Research, 43(1): W01413, doi: 10.1029/2005WR004723.
  14. Westerberg, I.K., J.I. Guerrero, P.M. Younger, K.J. Beven, J. Seibert, S. Halldin, J.E. Freer and C. Xu. 2011. Calibration of hydrological models using flow-duration curves. Hydrology and Earth System Sciences, 15: 2205-2227.
  15. Zhang, X., R. Srinivasan, K. Zhao and M.V. Liew. 2009. Evaluation of global optimization algorithms for parameter calibration of a computationally intensive hydrologc model. Hydrological Processes, 23: 436-441.
  16. Zhang, Ch., R. Wang and Q.X. Mend. 2015. Calibration of conceptual rainfall-runoff models using global optimization. Advances in Meteorology, 2015(8): 1-12.
مهندسی و مدیریت آبخیز
دوره 12، شماره 1
فروردین 1399
صفحه 137-152
فایل ها
هم رسانی
ارجاع به این مقاله
آمار