بهبود کارایی شبکه عصبی مبتنی بر رفتار گروهی با داده ها(GMDH) با استفاده از الگوریتم بهینه سازی جستجوی هارمونی (HSA) برای شبیه سازی جریان ماهانه رودخانه

مریم اکبری چگنی; محمد علی ایزدبخش; سعید شعبانلو; فریبرز یوسفوند; بهروز یعقوبی; احمد رجبی

بهبود کارایی شبکه عصبی مبتنی بر رفتار گروهی با داده ها(GMDH) با استفاده از الگوریتم بهینه سازی جستجوی هارمونی (HSA) برای شبیه سازی جریان ماهانه رودخانه

Publish place: Advanced Technologies in Water Efficiency، Vol: 5، Issue: 1

Publish Year: 1404

Type: Journal paper

Language: Persian

This Paper With 18 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

Export:

Link to this Paper:

https://civilica.com/doc/2201183

Document National Code:

JR_ATWE-5-1_005

Index date: 15 March 2025

بهبود کارایی شبکه عصبی مبتنی بر رفتار گروهی با داده ها(GMDH) با استفاده از الگوریتم بهینه سازی جستجوی هارمونی (HSA) برای شبیه سازی جریان ماهانه رودخانه abstract

هدف: این پژوهش باهدف توسعه و بهبود مدل شبکه عصبی مبتنی بر برخورد جمعی با داده ها (GMDH) برای شبیه سازی جریان ماهانه رودخانه انجام شد. روش پژوهش: برای این منظور، الگوریتم بهینه سازی جستجوی هارمونی (HSA) به منظور ارتقای عملکرد مدل GMDH استفاده شد و مدل ترکیبی HSA-GMDH ارائه گردید. پارامترهایی نظیر حداکثر تعداد لایه ها و حداکثر تعداد نورون ها در هر لایه از طریق روش آزمون وخطا تعیین شدند. همچنین، پارامترهای مختلف الگوریتم HSA نیز با رویکرد آزمون وخطا تنظیم شدند. در این مطالعه، داده های بارش و جریان رودخانه گاماسیاب در استان کرمانشاه طی یک بازه زمانی ۲۰ ساله (۱۳۷۰-۱۳۹۰) به کار گرفته شد. برای توسعه مدل GMDH، از ۸۰ درصد داده ها جهت آموزش مدل و از ۲۰ درصد باقی مانده برای ارزیابی آن استفاده گردید. علاوه بر این، بهترین متغیرهای ورودی به مدل با روش آزمون وخطا شناسایی شدند و براین اساس، سه مجموعه داده (D۱، D۲ و D۳) تشکیل شد. سپس عملکرد مدل های GMDH و HSA-GMDH با استفاده از هر یک از این مجموعه داده ها مورد ارزیابی قرار گرفت و درنهایت، مقایسه ای میان عملکرد این دو مدل صورت پذیرفت. یافته ها: بر اساس نتایج حاصل مدل GMDH با دیتاست D۱ بهترین عملکرد را در مرحله آموزش و تست دارد و با دیتاست D۲ بدترین عملکرد را در مرحله آموزش و تست دارد همچنین این مدل با دیتاست D۳ نسبت به مدل D۱ عملکرد ضعیف تری دارد؛ اما نسبت به دیتاست D۲ عملکرد بهتری دارد. بر اساس نتایج حاصل هر سه مدل GMDH توسعه یافته با HSA نسبت به مدل های GMDH توسعه یافته با روش سعی و خطا کارایی بهتری دارند. بر اساس نتایج حاصل مدل HSA-GMDH(D۱) نسبت به مدل GMDH(D۱) عملکرد بهتری در مرحله آموزش و تست دارد. مدل HSA-GMDH(D۲) نیز نسبت به مدل GMDH(D۲) عملکرد بهتری دارد. مدل HSA-GMDH(D۳) نیز نسبت به مدل GMDH(D۳) عملکرد بهتری دارد. نتیجه گیری: نتایج این پژوهش نشان داد که مدل HSA-GMDH عملکرد بهتری نسبت به مدل GMDH دارد؛ بنابراین، مدل پیشنهادی HSA-GMDH به عنوان یک ابزار قدرتمند می تواند در شبیه سازی جریان ماهانه رودخانه مورداستفاده قرار گیرد.

بهبود کارایی شبکه عصبی مبتنی بر رفتار گروهی با داده ها(GMDH) با استفاده از الگوریتم بهینه سازی جستجوی هارمونی (HSA) برای شبیه سازی جریان ماهانه رودخانه Keywords:

شبکه عصبی GMDH , الگوریتم بهینه سازی جستجوی هارمونی , جریان ماهانه رودخانه , یادگیری ماشین

بهبود کارایی شبکه عصبی مبتنی بر رفتار گروهی با داده ها(GMDH) با استفاده از الگوریتم بهینه سازی جستجوی هارمونی (HSA) برای شبیه سازی جریان ماهانه رودخانه authors

مریم اکبری چگنی

گروه مهندسی آب ، واحد کرمانشاه، دانشگاه آزاد اسلامی ، کرمانشاه ، ایران.

محمد علی ایزدبخش

گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران .

سعید شعبانلو

گروه مهندسی آب ، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه ، ایران.

فریبرز یوسفوند

گروه مهندسی آب، واحد کرمانشاه ، دانشگاه آزاد اسلامی، کرمانشاه، ایران.

بهروز یعقوبی

گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.

احمد رجبی

گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه ، ایران.