نوع مقاله : مقاله پژوهشی
نویسندگان
چکیده
مدل ماسکینگام از جمله روشهای روندیابی هیدرولوژیک است که دقت در تخمین پارامترهای آن بر هیدروگراف روندیابی شده، به خصوص بر حداکثر مقدار سیلاب، تأثیرگذار است. الگوریتمهای فراکاوشی گزینههای مناسبی برای تعیین پارامترهای بهینه یا نزدیک به بهینه در مدل ماسکینگام هستند. در این مقاله، الگوریتم بهینهسازی جهش قورباغه در دو مورد مطالعاتی آزمایشی و واقعی به کار رفته و مجموع مربعات و قدر مطلق انحرافات دبی روندیابی شده مشاهداتی و محاسباتی به عنوان تابع هدف و میزان انحراف دبی اوج مشاهداتی و محاسباتی به عنوان پارامتر مهم دخیل در هیدروگراف روندیابی شده سیلاب در نظر گرفته شده است. نتایج حاکی از آن است که استفاده از الگوریتم بهینهسازی جهش قورباغه به ترتیب سبب کاهش 0.03 و 0.40 درصدی در مجموع مربعات و قدر مطلق انحرافات دبی روندیابی شده مشاهداتی و محاسباتی نسبت به بهترین مقادیر موجود در مورد مطالعاتی آزمایشی و 3.67 و 0.27 درصدی در مورد مطالعاتی واقعی شده است. همچنین الگوریتم بهینهسازی جهش قورباغه مقدار میزان انحراف دبی اوج مشاهداتی و محاسباتی محاسبه شده را به ترتیب در مورد مطالعاتی آزمایشی و واقعی به ترتیب 3.67 و 17.65 درصد نسبت به بهترین (کمترین) جواب گزارش شده بهبود داده است.
کلیدواژهها
عنوان مقاله [English]
Optimization of shuffled frog leaping algorithm in parameters estimation of routing flood model
نویسندگان [English]
- Hosein Orooji
- Omid Bozorg Haddad
- Elahe Fallah Mehdipour
چکیده [English]
The Muskingum model is a hydrologic flood routing method in which the accuracy of its parameter estimation affects the routed hydrograph, especially in the value of the peak flow flood. Meta-heuristic algorithms are good candidates to determine optimal/near-optimal parameters in the Muskingum model. In this paper, shuffled frog leaping algorithm (SFLA) was applied and compared in two benchmark and real case studies.The sum of the squared deviation (SSQ) between observed and routed outflows and the sum of the absolute value of deviation (SAD) between observed and routed outflow as the objective functions (DPO) as an important parameter on the routed flood hydrograph. Results show were considered that the SFLA improves (decreases) the SSQ and SAD by 0.03 and 0.40 percent in the benchmark problem, and by 3.67 and 0.27 percent in the real case study, respectively, compared to reported results using various optimization algorithms. In addition, the SFLA improves (decreases) the DPO of the routed hydrograph in the benchmark and real problem by 17.65 and 3.67 percent compared to the best (minimum) reported result.
کلیدواژهها [English]
- Muskingum Model
- Optimization
- Flood Routing
- Shuffled Frog Leaping Algorithm