کاربرد الگوریتم ژنتیک در بهینه‌سازی عملکرد سیستم استنتاج فازی-عصبی تطبیقی به منظور پیش‌‏بینی بیشترین دمای هوا (مطالعۀ موردی: شهر اصفهان)

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکدۀ مهندسی عمران، دانشگاه سمنان

2 استادیار گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان

چکیده

الگوریتم‏های موجود برای آموزش سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) باوجود کاربرد فراوان، نقایصی همچون به‌دام‌افتادن در بهینۀ محلی دارند. در پژوهش حاضر، کاربرد الگوریتم‏های بهینه‏سازی ژنتیک (GA)، ازدحام ذرات (PSO)، کلونی مورچگان برای محیط‌‏‌‌های پیوسته (ACOR) و تکامل تفاضلی (DE)، در توسعه و بهبود عملکرد ANFIS ‌بررسی شد. به‌‏عنوان مطالعۀ موردی، بیشترین دمای ماهانۀ شهر اصفهان در بازۀ زمانی 64 ساله (1330-1393)، شبیه‏سازی و تحلیل شد. به این منظور، ابتدا با استفاده از آنالیز حساسیت، مناسب‌‏ترین ورودی‏ها برای هر یک از افق‏های پیش‏بینی (یک ماه، یک تا سه سال) انتخاب شد. سپس، بیشترین دما به‏وسیلۀ مدل‏های هیبریدی ANFIS-GA، ANFIS-PSO، ANFIS-DE، ANFIS-ACOR و مدل ANFIS پیش‏بینی شد. در ادامه، عملکرد هر یک از مدل‏ها با استفاده از شاخص‏های آماری R2، RMSE و MAE ارزیابی شد. نتایج نشان داد مدل ANFIS-GA، به‏عنوان مناسب‏ترین مدل، دقت عملکرد ANFIS را در پیش‏بینی افق‌‏های یک ماه و یک تا سه سال آینده در R2 به‌ترتیب به مقدار 06/0، 07/0، 08/0 و 12/0 و در RMSE به میزان 09/0، 09/0، 16/0 و 1/0 بهبود داده است. پس ‏از آن، به‌ترتیب ANFIS-DE و ANFIS-PSO مناسب‏ترین دقت را داشتند. از سوی دیگر، ANFIS با بیشترین خطا و کمترین R2، به‏عنوان ضعیف‏ترین مدل شناخته شد. نتایج ‌نشان داد مدل‏های هیبریدی پیشنهادی، با استفاده از تکنیک جست‌وجوی سراسری و جلوگیری از به‌دام‌افتادن در بهینۀ محلی، عملکرد ANFIS را به‏طور مطلوبی بهبود داده‏اند. مدل‏های پیشنهادی پتانسیل زیادی به‏منظور استفاده در سایر مسائل مرتبط با هیدرولوژی و منابع آب دار‌ند.

کلیدواژه‌ها

موضوعات


[1]. Asakareh H. ARIMA modeling of annual mean temperature of Tabriz city. Geographical Research. 2009; 47: 123-131.
[2]. Benavides R, Montes F, Rubio A , Osoro K. Geostatistical modeling of air temperature in a mountainous region of northern Spain. Agricultural and Forest Meteorology. 2007; 146(3-4): 173-188.
[3]. Jain AK. Mao J, Mohiuddin KM.. Artificial neural networks: A tutorial. Computer, IEEE. 1996: 31-44.
[4]. Peyghami MR, Khanduzi R. Novel MLP neural network with hybrid tabu search algorithm. Neural Network World. 2013; 3(13): 255-270.
[5]. Pousinho HMI, Mendes VMF, Catalão JPS. Hybrid PSO-ANFIS Approach for Short-Term Electricity Prices Prediction. In Proceedings of the 2010 PES general meeting, Michigan. 2010: 1-6.
[6]. Sheikhan M, Mohammadi N. Time series prediction using PSO-optimized neural network and hybrid feature selection algorithm for IEEE load data. Neural computing and applications. 2013;23(3-4): 1185-1194.
[7]. Cheng CHT, Niu WJ, Feng ZK, Shen J, Chau KW. Daily Reservoir Runoff Forecasting Method Using Artificial Neural Network Based on Quantum-behaved Particle Swarm Optimization. Water. 2015; 7: 4232- 4246.
[8]. Jalalkamali A. Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters. Earth Science Informatics. 2015; 8(4): 885-894.
[9]. Rezapour Tabari M M. Prediction of River Runoff Using Fuzzy Theory and Direct Search Optimization Algorithm Coupled Model. Arabian Journal for Science and Engineering. 2016; 41(10): 4039-4051.
[10]. Behmanesh M, Mohammadi M. Adaptive Neuro-Fuzzy Inference System with Self-Feedback and Imperialist Competitive Learning Algorithm for Chaotic Time Series Prediction. Journal of Computational Intelligence in Electrical Engineering. 2016; 4(7): 13-30.
[11]. Azad A, Karami H, Farzin S, Saeedian A, Kashi H, Sayyahi H. Prediction of water quality parameters using ANFIS optimized by intelligence algorithms (Case study: Gorganrood River). KSCE Civil engineering Journal. 2017; 1-8. DOI 10.1007/s12205-017-1703-6. [Persian]
[12]. Salahi B, Hoseini SA, Shayeghi H, Sobhani B. Prediction of maximum temperatures using artificial neural network model. Geographic research. 2010; 25(3): 57-78. [Persian]
[13]. Tektas M. Weather Forecasting Using ANFIS and ARIMA Models, A Case Study for Istanbul. Environmental Research, Engineering and Management. 2010; 51:5-10.
[14]. Ghorbani MA, Kazemi H, Farsadizadeh D, Yousefi P. Prediction of Air Temperature Using Artificial Intelligent Methods. Journal of Engineering and Applied Sciences. 2012; 7(2): 134-142.
[15]. Kisi O, Kim S, Shiri J. Estimation of dew point temperature using neuro-fuzzy and neural network techniques. Theoretical and Applied Climatology. 2013; 114(3-4): 365-373.
[16]. Daneshmand H, Tavousi T, Khosravi M, Tavakkoli S. Modeling minimum temperature via adaptive 4 neuro-fuzzy inference system method based 5 on spectral analysis of climate indices. Journal of the Saudi Society of Agricultural Sciences. 2015; 14(1): 33-40.
 [17]. Mohammadi K, Shamshirband Sh, Tong CW, Arif M, Petkovic Ch. A new hybrid support vector machine–wavelet transform approach for estimation of horizontal global solar radiation. Energy Conversion and Management. 2015; 92: 162-171.
[18]. Kisi O, Sanikhani H. Modelling long-term monthly temperatures by several data-driven methods using geographical inputs. International Journal of Climatology. 2015; DOI: 10.1002/joc.4249.
[19]. Shafaghi S. Geography of Isfahan. 2nd ed. University of Esfahan. Esfahan. 2003. [Persian]
[20]. Zadeh LA. Fuzzy sets. InformationandControl. 1965; 8(3): 338-353.
[21]. Jang JSR. ANFIS: Adaptive-network-based fuzzy inference system. Systems, Man and Cybernetics, IEEE Transactions. 1993; 23(3), 665-685.
[22]. Storn R, Price K. Differential Evolution-A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces. Technical report, International Computer Science, Berkeley. 1995.
[23]. Dashti R, Sattari M T, Nourani V. Performance evaluation of differential evolution algorithm in optimum operating of Eleviyan single-reservoir dam system. Journal of Protection of water and soil resources. 2017; 6(3): 61-76.
[24]. Holland JH. Adaption in natural and artificial system. The University of Michigan Press. 1975.
[25]. Jaramillo J, Bhadury J, Batta R. On the use of genetic algorithms to solve location problems. Computers & Operations Research. 2002; 29: 761-779.
[26]. Eberhart R, Kennedy J. A New Optimizer Using Particle Swarm Theory. Sixth International Symposium on Micro Machine and Human Science, IEEE. 1995.
[27]. Golmakani H, Fazel M. Constrained Portfolio Selection using Particle Swarm Optimization. Expert Systems with Applications. 2011; 38: 8327–8335.
 
[28]. Dorigo M. Optimization, Learning and Natural Algorithms. Ph.D Thesis. Dipartimento di Elettronica, Politecnico di Milano, Italy. 1992.
[29]. Socha K, Dorigo M. Ant colony optimization for continuous domains. European Journal of Operational Research. 2008; 185: 1155-1173.
[30]. Deb K A P, Agarwal S, Meyarivan T. A Fast Elitist Multi-Objective Genetic Algorithm:NSGA-II. IEEE Transactions on Evolutionary Computation.2000; 6: 182-197.
دوره 5، شماره 3
مهر 1397
صفحه 763-775
  • تاریخ دریافت: 26 شهریور 1396
  • تاریخ بازنگری: 12 آبان 1396
  • تاریخ پذیرش: 12 دی 1396
  • تاریخ اولین انتشار: 01 مهر 1397
  • تاریخ انتشار: 01 مهر 1397