بهینه سازی پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم تکامل رقابتی جوامع و الگوریتم ژنتیک

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 بهینه سازی پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم تکامل رقابتی جوامع و الگوریتم ژنتیک دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بهینه سازی پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم تکامل رقابتی جوامع و الگوریتم ژنتیک  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی بهینه سازی پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم تکامل رقابتی جوامع و الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بهینه سازی پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم تکامل رقابتی جوامع و الگوریتم ژنتیک :

تعداد صفحات :۱۴

چکیده مقاله:

تخمین بهینه پارامترهای مدل ماسکینگام یکی از دشواریهای این روش می باشد، اما هنوز هم این مدل به طور گسترده ای برای روندیابی سیل در هیدرولوژی بکار می رود. در تحقیق حاضر از دو الگوریتم تکامل رقابتی جوامع (SCE) و الگوریتم ژنتیک برای تخمین و بهینه سازی سه پارامتر مدل غیرخطی ماسکینگام استفاده شد و مجموع مربعات (SSQ) و قدرمطلق انحرافات (SAD) دبی روندیابی شده مشاهداتی و محاسباتی به عنوان تابع هدف و میزان انحراف دبی اوج مشاهداتی و محاسباتی (DPO) به عنوان پارامتر مهم موثر در هیدروگراف روندیابی شده سیلاب در نظر گرفته شده است و همچنین مقایسه کیفی هیدروگراف های مشاهده ای و روندیابی صورت گرفت. نتایج بدست آمده بیانگر این موضوع است که الگوریتم تکامل رقابتی جوامع (SCE) دقتی قابل قبول و هم سطح با سایر الگوریتم ها دارد، به نحوی که برای داده های ویلسون مجموع مربعات خطا (SSQ) برابر ۳۶/۷۷ ، مجموع قدرمطلق خطاها (SAD) برابر ۲۳/۴۶ بدست آمد. برای بررسی میدانی الگوریتم SCE از داده های رودخانه River Wye در انگلستان استفاده شد و هیدروگراف های شبیه سازی شده و معیارهای ارزیابی برای مطالعه موردی بدست آمد. تمام محاسبات و شبیه سازی های مورد بحث به کمک برنامه نویسی در فضای برنامه MATLAB R2013a مدل شده اند. در نهایت این تحقیق قابلیت الگوریتم SCE را در زمینه بهینه- سازی پارامترهای مدل ماسکینگام توسط معیارهای ارزیابی مناسب (SSQ ، SAD ، DPO و DPOT) نشان داد.