مقایسه تکنیک های بهینه سازی مبتنی بر جمعیت برای گسترش و عملیات سیستم توزیع آب A Comparison of Population-based Optimization Techniques for Water Distribution System Expansion and Operation
- نوع فایل : کتاب
- زبان : فارسی
- ناشر : الزویر Elsevier
- چاپ و سال / کشور: 2014
توضیحات
چاپ شده در مجله شانزدهمین کنفرانس تجزیه و تحلیل سیستم توزیع آب – ۱۶th Conference on Water Distribution System Analysis
رشته های مرتبط مهندسی عمران، مدیریت منابع آب
۱- مقدمه انتشار تکنیک های بهینه سازی جمعیت-محور در سال های اخیر، در اجرای آنها برای طراحی و اجرای سیستم های توزیع آب، با ظهور الگوریتم های ژنتیک؛ مانند الگوریتم جهش قورباغه ای و الگوریتم بهینه سازی کلونی مورچه بدست آمده است. این مقاله در پی اجرا و مقایسه ی تعدادی از این الگوریتم ها برای چالش جنگ ارزیابی زمینه نشت برای شبکه های آب (BBLAWN) – بخشی از کنفرانس تحلیل سیستم های توزیع آب، ۲۰۱۴ است. ۲- روش تحقیق نرم افزار بهینه سازی تقریبا دو جفت از تکنیک های بهینه سازی جمعیت-محور اجرا شده در C++ با راه حل هیدرولیکی EPANET2 را توسعه داد تا اثر اجرای شبکه هیدرولیکی را با توجه به جایگزینی و دوبرابر کردن و اصلاح لوله و سوپاپ کاهش فشار، عملیات ها را مدل سازی کند. ۲-۲-اهداف بهینه سازی BBLAWN به عنوان مشکل بهینه سازی تک یا دو-منظوره، مطابق نیازهای الگوریتم های بهینه سازی اجرا شده، تنظیم شده است. در مورد فرمول سازی دو-منظوره، اهداف عبارتند از: ۱- هزینه کل – مجموع هزینه های سالانه ارتقاء زیرساخت (جایگزینی و دوبرابر کردن لوله ها، مخزن، پمپ و نصب سوپاپ) و هزینه های عملیاتی (پمپاژ) سالیانه. ۲- نشت – حجم خالص سالیانه اتلاف آب در نتیجه نشت. هدف فرمول سازی تک-منظوره، اهداف بالا را بوسیله اختصاص یک هزینه حجم نشت سالانه در نرخ ۲/m3 یورو ترکیب می کند. ۲-۳-متغیرهای تصمیم جدول ۲ شاملِ ترکیب متغیر تصمیمِ به کار گرفته شده برای بهینه سازی می شود. به منظور حداکثر سازی کردن حذفِ بهینه سازیِ حاصل شده، هیچ تلاشی برای ساده سازی کردن مشکل بوسیله و برای مثال با گروه بندی کردن لوله ها صورت نگرفته است. ۳۹ محلِ بالقوه برای نصب کردن ۳۹ PRV بصورت دستی تعیین شده بود، و طبیعتا از این رو این طیف بالقوه راه حل ها را تحت تاثیر قرار می دهد. ۲-۴- محدودیت ها بهینه سازی ۵ محدودیتِ «سخت» را به کار می گیرد – نقض نتایجی که در یک راه حل هستند، به عنوان غیر عملی مشخص شده اند و بنابراین بعید است یک نقش مهم در فرایند بهینه سازی داشته باشد. اولا شبکه تولید باید از لحاظ هیدرولیکی معتبر باشد – که راه حل EPANET شبکه را بدون خطور هر اشتباهی باز می کند. علاوه بر این، راه حل شبکه نباید به هر هشداری که از EPANET ساطع می شود، دامن بزند. از نگرانی های خاص بهینه سازی BBLAWN هشدارهای مرتبط با فشارهای منفی است؛ نقاط اتصال منفصل شده و پمپ هایی که خارج از سیستم جریان عادی شان کار می کنند. حداقل محدودیت فشار بکار رفته، باید نقاط اتصال یک سطح فشار داده شده (۲۰m) برای نقاط اتصال تقاضا کند که با درخواست به منظور یک راه حل معتبر در نظر گرفته شود. در هر حادثه، در هیچ نقطه از شبکه نباید فشار منفی وجود داشته باشد. مجاز نیست که مخازن خالی شوند، همچنین شامل یک محدودیت برای انعکاس این امر شده است. برای ایجاد یک راه حل که طی هفته های متوالی قابل تکرار باشد، یک محدودیت بیشتر اجرا شده است بطوری که سطوح هر یک از مخزن ها در سیستم، باید حداقل به اندازه شروع دوره شبیه سازی گسترش یافته یِ هفتگی باشد. برای مشخص کردن اهمیت نسبی تلاقی محدودیت های بهینه سازی، از سنگینی محدودیت تفاضلی استفاده شده است. محدودیت های خطای EPANET و هشدار EPANET بالاترین اولویت های داده شده به منظور اولویت بندی تولید راه حل های عملی بوسیله بهینه سازی هستند. ۲-۵- تکنیک های بهینه سازی تعدادی از الگوریتم های بهینه سازی جمعیت-محور به منظور سازگاریشان برای کاربرد مشکل BBLAWN ارزیابی شده بودند. به علت زمان های اجرای طولانی مدت که برای مشکل پیش بینی شده است، تصمیم گرفته شد آزمون های کوتاهی در هر الگوریتم، به منظور اندازه گیری عملکرد کاملِ مشکل انجام شود. روندهای بررسی شده شامل یک تعداد از الگوریتم های ژنتیکی و رفتاری به میزان ارزیابی تفاضلی موازی که بطور قابل توجهی در مکانیسم های خودشان برای مالک شدن و به اشتراک گذاری دانش است، در مورد فضای جستجو بین اعضا و جمعیت هایشان تفاوت دارد. الگوریتم های ژنتیک بکار گرفته شده NSGA-II بود و مشتق مرتبط نزدیک آن Omni-بهینه ساز است. الگوهای رفتاری استفاده شده یک بهینه ساز قورباغه ای گسسته یِ آمیخته بر اساس الگوریتم خیزشِ گسسته یِ قورباغه ای و بهینه ساز ازدحام ذرات گسسته، ترکیب ناهمگون خصیصه ها برای ذرات منحصر بفرد است. نتایج اولیه برای الگوریتم های رفتاری و ارزیابی تفاضلی موازی نا امید کننده بود. در حالیکه همه تکنیک ها قادر به رفع کردن راه حل های عملی بودند – و در حقیقت، موثرتر از آن نسبت به دو الگوریتم ژنتیک مختلف – هیچ کدام از الگوریتم ها قادر نبودند بطور قابل توجهی راه حل های عملی اولیه خودشان را بهبود بخشند. معلوم نیست که آیا این موضوع مربوط به ابعاد مشکل، اینجا اتفاق افتاده است یا به علت کوتاهی برنامه نویسِ اجرای این الگوریتم ها است. بدیهی است که DPSO در ابعاد پایین تر مشکلات سیستم توزیع آب بدون مواجه شدن با چنین موضوعاتی خود را نشان داده است. به علت محدودیت های زمانی تصمیم گرفته شد ارزیابی بیشتر این تکنیک ها به تعویق انداخته شود و بر الگوریتم های NSGA-II/OO آزمون شده تکیه شود، حداقل تا وقتی که چنین زمانی به عنوان نماینده مجموعه ای از راه حل ها به منظور فراهم کردن خطِ مبنا برای مقایسه های بیشتر اجرا شوند. تابع OO برای این مشکل به کاربرده شد، با این حال، اشکالات قابل توجه به تکنیک که قبلا توسط برنامه نویس مواجه نشده بود را برجسته ساخت. یکی از تفاوت های اصلی بین OO و NSGA-II؛ اتحاد اشتراک متریک سابق در فضای تصمیم علاوه بر متریک در فضای هدف مشترک به دو الگوریتم است. وقتی که آن به تعداد بالایی از متغیرهای تصمیم اجرا شد، آمار مورد نیاز بوسیله این متریک اضافی، شامل تلاش قابل توجه محاسباتی می شود، مخصوصا وقتی که فاصله اقلیدسی بین هر راه حل برای هر یک از متغیرهای تصمیم محاسبه می شود. متعاقب این، بالای ۵۰ درصد از زمان اجرا صرف محاسبات این متریک شد. به منظور به حداقل رساندن اثر این مشکل، تحلیل آماریِ اجرای همه هسته های پردازنده در دسترس در دستگاه میزبان بطور موازی الگوریتم OO را اجرا می کند.
رشته های مرتبط مهندسی عمران، مدیریت منابع آب
۱- مقدمه انتشار تکنیک های بهینه سازی جمعیت-محور در سال های اخیر، در اجرای آنها برای طراحی و اجرای سیستم های توزیع آب، با ظهور الگوریتم های ژنتیک؛ مانند الگوریتم جهش قورباغه ای و الگوریتم بهینه سازی کلونی مورچه بدست آمده است. این مقاله در پی اجرا و مقایسه ی تعدادی از این الگوریتم ها برای چالش جنگ ارزیابی زمینه نشت برای شبکه های آب (BBLAWN) – بخشی از کنفرانس تحلیل سیستم های توزیع آب، ۲۰۱۴ است. ۲- روش تحقیق نرم افزار بهینه سازی تقریبا دو جفت از تکنیک های بهینه سازی جمعیت-محور اجرا شده در C++ با راه حل هیدرولیکی EPANET2 را توسعه داد تا اثر اجرای شبکه هیدرولیکی را با توجه به جایگزینی و دوبرابر کردن و اصلاح لوله و سوپاپ کاهش فشار، عملیات ها را مدل سازی کند. ۲-۲-اهداف بهینه سازی BBLAWN به عنوان مشکل بهینه سازی تک یا دو-منظوره، مطابق نیازهای الگوریتم های بهینه سازی اجرا شده، تنظیم شده است. در مورد فرمول سازی دو-منظوره، اهداف عبارتند از: ۱- هزینه کل – مجموع هزینه های سالانه ارتقاء زیرساخت (جایگزینی و دوبرابر کردن لوله ها، مخزن، پمپ و نصب سوپاپ) و هزینه های عملیاتی (پمپاژ) سالیانه. ۲- نشت – حجم خالص سالیانه اتلاف آب در نتیجه نشت. هدف فرمول سازی تک-منظوره، اهداف بالا را بوسیله اختصاص یک هزینه حجم نشت سالانه در نرخ ۲/m3 یورو ترکیب می کند. ۲-۳-متغیرهای تصمیم جدول ۲ شاملِ ترکیب متغیر تصمیمِ به کار گرفته شده برای بهینه سازی می شود. به منظور حداکثر سازی کردن حذفِ بهینه سازیِ حاصل شده، هیچ تلاشی برای ساده سازی کردن مشکل بوسیله و برای مثال با گروه بندی کردن لوله ها صورت نگرفته است. ۳۹ محلِ بالقوه برای نصب کردن ۳۹ PRV بصورت دستی تعیین شده بود، و طبیعتا از این رو این طیف بالقوه راه حل ها را تحت تاثیر قرار می دهد. ۲-۴- محدودیت ها بهینه سازی ۵ محدودیتِ «سخت» را به کار می گیرد – نقض نتایجی که در یک راه حل هستند، به عنوان غیر عملی مشخص شده اند و بنابراین بعید است یک نقش مهم در فرایند بهینه سازی داشته باشد. اولا شبکه تولید باید از لحاظ هیدرولیکی معتبر باشد – که راه حل EPANET شبکه را بدون خطور هر اشتباهی باز می کند. علاوه بر این، راه حل شبکه نباید به هر هشداری که از EPANET ساطع می شود، دامن بزند. از نگرانی های خاص بهینه سازی BBLAWN هشدارهای مرتبط با فشارهای منفی است؛ نقاط اتصال منفصل شده و پمپ هایی که خارج از سیستم جریان عادی شان کار می کنند. حداقل محدودیت فشار بکار رفته، باید نقاط اتصال یک سطح فشار داده شده (۲۰m) برای نقاط اتصال تقاضا کند که با درخواست به منظور یک راه حل معتبر در نظر گرفته شود. در هر حادثه، در هیچ نقطه از شبکه نباید فشار منفی وجود داشته باشد. مجاز نیست که مخازن خالی شوند، همچنین شامل یک محدودیت برای انعکاس این امر شده است. برای ایجاد یک راه حل که طی هفته های متوالی قابل تکرار باشد، یک محدودیت بیشتر اجرا شده است بطوری که سطوح هر یک از مخزن ها در سیستم، باید حداقل به اندازه شروع دوره شبیه سازی گسترش یافته یِ هفتگی باشد. برای مشخص کردن اهمیت نسبی تلاقی محدودیت های بهینه سازی، از سنگینی محدودیت تفاضلی استفاده شده است. محدودیت های خطای EPANET و هشدار EPANET بالاترین اولویت های داده شده به منظور اولویت بندی تولید راه حل های عملی بوسیله بهینه سازی هستند. ۲-۵- تکنیک های بهینه سازی تعدادی از الگوریتم های بهینه سازی جمعیت-محور به منظور سازگاریشان برای کاربرد مشکل BBLAWN ارزیابی شده بودند. به علت زمان های اجرای طولانی مدت که برای مشکل پیش بینی شده است، تصمیم گرفته شد آزمون های کوتاهی در هر الگوریتم، به منظور اندازه گیری عملکرد کاملِ مشکل انجام شود. روندهای بررسی شده شامل یک تعداد از الگوریتم های ژنتیکی و رفتاری به میزان ارزیابی تفاضلی موازی که بطور قابل توجهی در مکانیسم های خودشان برای مالک شدن و به اشتراک گذاری دانش است، در مورد فضای جستجو بین اعضا و جمعیت هایشان تفاوت دارد. الگوریتم های ژنتیک بکار گرفته شده NSGA-II بود و مشتق مرتبط نزدیک آن Omni-بهینه ساز است. الگوهای رفتاری استفاده شده یک بهینه ساز قورباغه ای گسسته یِ آمیخته بر اساس الگوریتم خیزشِ گسسته یِ قورباغه ای و بهینه ساز ازدحام ذرات گسسته، ترکیب ناهمگون خصیصه ها برای ذرات منحصر بفرد است. نتایج اولیه برای الگوریتم های رفتاری و ارزیابی تفاضلی موازی نا امید کننده بود. در حالیکه همه تکنیک ها قادر به رفع کردن راه حل های عملی بودند – و در حقیقت، موثرتر از آن نسبت به دو الگوریتم ژنتیک مختلف – هیچ کدام از الگوریتم ها قادر نبودند بطور قابل توجهی راه حل های عملی اولیه خودشان را بهبود بخشند. معلوم نیست که آیا این موضوع مربوط به ابعاد مشکل، اینجا اتفاق افتاده است یا به علت کوتاهی برنامه نویسِ اجرای این الگوریتم ها است. بدیهی است که DPSO در ابعاد پایین تر مشکلات سیستم توزیع آب بدون مواجه شدن با چنین موضوعاتی خود را نشان داده است. به علت محدودیت های زمانی تصمیم گرفته شد ارزیابی بیشتر این تکنیک ها به تعویق انداخته شود و بر الگوریتم های NSGA-II/OO آزمون شده تکیه شود، حداقل تا وقتی که چنین زمانی به عنوان نماینده مجموعه ای از راه حل ها به منظور فراهم کردن خطِ مبنا برای مقایسه های بیشتر اجرا شوند. تابع OO برای این مشکل به کاربرده شد، با این حال، اشکالات قابل توجه به تکنیک که قبلا توسط برنامه نویس مواجه نشده بود را برجسته ساخت. یکی از تفاوت های اصلی بین OO و NSGA-II؛ اتحاد اشتراک متریک سابق در فضای تصمیم علاوه بر متریک در فضای هدف مشترک به دو الگوریتم است. وقتی که آن به تعداد بالایی از متغیرهای تصمیم اجرا شد، آمار مورد نیاز بوسیله این متریک اضافی، شامل تلاش قابل توجه محاسباتی می شود، مخصوصا وقتی که فاصله اقلیدسی بین هر راه حل برای هر یک از متغیرهای تصمیم محاسبه می شود. متعاقب این، بالای ۵۰ درصد از زمان اجرا صرف محاسبات این متریک شد. به منظور به حداقل رساندن اثر این مشکل، تحلیل آماریِ اجرای همه هسته های پردازنده در دسترس در دستگاه میزبان بطور موازی الگوریتم OO را اجرا می کند.
Description
Population-based optimization techniques have gained currency in recent years in their application to Water Distribution Systems (WDS) design and operation, with the emergence of genetic algorithms [4] and memetic algorithms such as the Shuffled Frog Leaping Algorithm [5] and Ant Colony Optimization [6]. This paper seeks to apply and compare a number of these algorithms to the Battle of Background Leakage Assessment for Water Networks (BBLAWN) challenge – part of the Water Distribution Systems Analysis (WDSA) conference, 2014.
