اشکان شکری - دانشجوی کارشناسی ارشد گروه مهندسی آبیاری و آبادانی دانشگاه تهران
امید بزرگ حداد - استادیار گروه مهندسی آبیاری و آبادانی دانشگاه تهران

امروزه الگوریتم های بهینه سازی تکاملی بسیار مورد توجه محققان قرارگرفته اند این الگوریتم ها با انجام شبیه سازی های مکرر به صورت هدفمند به سمت جوابهای بهینه حرکت کرده و جوابهای بهینه را پیدا می کنند یکی از مزایای الگوریتم های تکاملی نسبت به الگوریتم های کلاسیک توانایی حل مسائل چندهدفه است این در حالی است که در برخی مواقع شبیه سازی های مکرر به تعداد دفعات مورد نیاز مقدور نبوده یا به صرف هزینه و وقت بسیار نیاز دارد به همین دلیل دراین پژوهش یک مدل شبیه سازی تحت عنوان شبکه عصبی مصنوعی با یادگیری تطابقی ALNN برای کاهش تعداد شبیه سازی مورد نیاز برای الگوریتم های تکاملی پیشنهاد شده است با استفاده از این مدل شبیه سازی بجای شبیه سازی تمامی جوابهای ازمایشی توسط مدل شبیه ساز اصلی از مدل شبکه عصبی به عنوان مدل شبیه سازی استفاده خواهد شد مدل شبکه عصبی به عنوان مدل جایگزین طی روندن حل فقط در مناطقی از محدوده جواب که لازم است اموزش داده شود و بصورت موازی با روند بهینه سازی آموزش شبکه عصبی نیز بروز رسانی می گردد.

الگوریتم ژنتیک، شبکه عصبی، تخمین تابع هدف، بهینه سازی تکاملی، شبیه سازهای زمان بر