بهینه سازی بهره برداری از مخازن سدها با استفاده از فرآیند تظریف تطبیقی احتمالاتی در الگوریتم مورچه ها

الگوریتم جامعه مورچه ها یک روش تکاملی جدید می باشد که برای حل مسائل بهینه سازی معرفی گردیده است. ماهیت این الگوریتم که بر اساس جستجوی غذا توسط مورچه ها استوار شده است، شرایط محیط جستجوی گسسته را به این روش دیکته می نماید. اما بسیاری از مسائل واقعی دنیای اطراف ما پیوسته می باشند و به کارگیری این الگوریتم درحل آنها نیازمند گسسته سازی فضای جستجوی پیوسته و تبدیل مساله پیوسته به مساله گسسته می باشد. معمولا تقسیم بندی بزرگ فضای جستجو موجب اثر منفی بر کیفیت جواب و گسسته سازی ریز موجب افزایش تلاش محاسباتی و بعضا کاهش کیفیت جواب می گردد. در این مقاله مکانیزم مناسبی به نام تظریف تطبیقی احتمالاتی (SAR)، جهت ارتقاء عملکرد الگوریتم مورچه ها و رسیدن به جواب هایی در حد جواب های بهینه پیوسته ارایه شده است. در این روش مساله بهینه سازی پیوسته با مجموعه ای از بهینه سازی های گسسته جایگزین می شود که در آن گسسته سازی حوزه متغیرهای تصمیم ابتدا به شکل یکنواخت و سپس در تکرارهای بعدی با استفاده از یک توزیع گوسی صورت می گیرد. مقادیر میانگین و انحراف معیار توزیع گوسی در هر تکرار با استفاده از مقادیر جواب بهینه در تکرار قبل محاسبه می شود. در این فرآیند فضاهای مجاور میانگین که احتمال قرار گرفتن جواب بهینه در آن بیشتر است، اهمیت بیشتری دارند و فضاهایی که دورتر از میانگین قرار دارند، سهم کمتری در تعریف فضای جستجوی گسسته ایفا می کنند. به این ترتیب در گسسته سازی جدید فضای جستجو، فاصله نقاط گسسته سازی (گزینه های تصمیم ) در اطراف جواب بهینه یافته شده در جستجوی قبلی کمتر و در فاصله های دورتر از آن بیشتر خواهد بود. در این مقاله کاربرد سازوکار فوق در نمونه هایی از مسائل پیچیده ریاضی و منابع آب مورد آزمون قرار گرفته است و با نتایج نرم افزار LINGO (نسخه ۸) و دیگر روش های موجود مقایسه شده است. نتایج نشان می دهند که سازوکار به کارگرفته شده اثر مثبتی در بهبود جواب های الگوریتم مورچه ها دارد و توانایی پیدا کردن نقاط نزدیک بهینه را با هزینه محاسباتی کم دارا است.