رویکرد ANN-GA در مدلسازی فرآیند بارش- رواناب با استفاده از دو تابع هدف مختلف در طول دوره های متفاوت (مطالعه موردی: حوضه رودخانه فهلیان در استان فارس)

امروزه شبکه های عصبی مصنوعی به علت سادگی، عدم نیاز به تخصص هیدرولوژیک و دقت بالا در شبیه سازی وپیش بینی جریان آبراهه ها بسیار مورد توجه قرار گرفته اند. در این رابطه یکی از راهکارهایی که برای حذف روشزمان بر سعی و خطا در یافتن ساختار مناسب شبکه عصبی ارائه می شود استفاده از الگوریتم ژنتیک می باشد که بهصورت خودکار پارامترهای هیدرولوژیک و هواشناسی و همچنین تعداد نرون های لایه های پنهان را بهینه می کند.یکی از مشکلاتی که در تلفیق شبکه عصبی با الگوریتم ژنتیک مطرح می شود، ایجاد پدیده بیش برازش می باشدکه منجر به عکس العمل نامناسب شبکه در برابر داده های جدید می گردد. هدف از این مطالعه بهره گیری از مزایای ANN-GA در شبیه سازی و پیش بینی آبدهی رودخانه با حذف پدیده بیش برازش می باشد. بدین منظور در مسئله بهینه سازی مربوط به این رویکرد ترکیبی، از دو تابع هدف حداقل سازی میانگین مربعات خطا و حداقلسازی شاخص اطلاعاتی آکایک استفاده شد و عملکرد آن در نمونه های با طول های متفاوت بررسی گردید. نتایج نشان داد که شبیه سازی و پیش بینی در رویکرد ANN-GA با تابع هدف حداقل سازی میانگین مربعات خطا، حتی با استفاده از روش توقف زودرس در برخی از طول دوره ها همراه با بیش برازش است. این در حالی است که بابکارگیری تابع هدف حداقل سازی شاخص اطلاعاتی آکایک بیش برازش به وقوع نمی پیوندد.

رویکرد ANN-GA در مدلسازی فرآیند بارش- رواناب با استفاده از دو تابع هدف مختلف در طول دوره های متفاوت (مطالعه موردی: حوضه رودخانه فهلیان در استان فارس) Keywords:

الگوریتم ژنتیک , بیش برازش , پیش بینی , توقف زودرس , شبکه عصبی , شبیه سازی