ساخت مدل جایگزین به منظور تقریب تابع هدف در مسائل بهینه سازی با استفاده از کمترین داده لازم جهت آموزش و کاربرد آن در حل مساله تخصیص بهینه آب در سطح حوضه آبریز

الگوریتم های بهینه سازی تکاملی، علی رغم دارا بودن قابلیت های گسترده در حل مسایل پیچیده، در بسیاری از مسایل واقعی با مشکل عمده هزینه محاسباتی بالا به دلیل استفاده از مدل های شبیه سازی زمانبر در فرآیند ارزیابی مقدار تابع هدف مواجه هستند. به منظور حل این مشکل استفاده از مدل های جایگزین (meta-models) که با استفاده از آن ها ارزیابی تابع تقریب زده شده در زمانی بسیار کوتاه تر نسبت به تابع اصلی صورت می پذیرد، می تواند به عنوان یک راهکار موثر در نظر گرفته شود. در این زمینه شبکه های عصبی مصنوعی (ann) به عنوان ابراز تقریب تابع قابلیت های زیادی از خود نشان داده اند. آموزش شبکه های عصبی نیاز به استفاده از یک مجموعه از داده های فراهم شده به منظور یادگیری دارد که فراهم کردن هریک از آن ها مستلزم استفاده از تابع اصلی زمانبر می باشد. این مساله می تواند استفاده از این راهکار را، خصوصاً در مسایل دارای ابعاد زیاد که رسیدن به یک سطح قابل قبول برای خطای تقریب به راحتی امکان پذیر نیست و منجر به افزایش بار محاسباتی می گردد، با مشکل مواجه سازد. در این مقاله، روشی ارائه شده است که در آن با استفاده از حل متوالی سه مساله طراحی داده های آموزش، تقریب تابع اصلی و بهینه سازی تابع تقریب زده شده، ساخت مدل جایگزین با بکارگیری کمترین تعداد ارزیابی های تابع اصلی که مهمترین شاخص در افزایش هزینه محاسباتی است، صورت می گیرد. عملکرد تکنیک ارائه شده در حل یک مساله بهینه سازی ریاضی مرجع و مساله تخصیص بهینه منابع آب در سطح حوضه آبریز رودخانه سیروان به عنوان یک مساله واقعی مورد تحلیل و بررسی قرار گرفته است.