دانلود رایگان ترجمه مقاله مقایسه روشهای بهینه سازی بر اساس جمعیت برای گسترش سیستم توزیع آب – الزویر 2014

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
1- مقدمه
2- روش تحقیق
2-1-حل کننده هیدرولیک
2-2-اهداف
2-3-متغیرهای تصمیم
2-4- محدودیت ها
2-5- تکنیک های بهینه سازی
2-6- اکتشافی های درون خطی
2-7- پس از پردازش اکتشافی
2-8- بهینه سازی محیط
3- موضوعات
4- بحث نتایج
5- نتایج

بخشی از ترجمه فارسی مقاله:

1- 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، 2014 است.
2- 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.
2-2-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:
1- 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.
2- 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 2/m3 یورو ترکیب می کند.
2-3-متغیرهای تصمیم
جدول 2 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. 39 محلِ بالقوه برای نصب کردن 39 PRV بصورت دستی تعیین شده بود، و طبیعتا از این رو این طیف بالقوه راه حل ها را تحت تاثیر قرار می دهد.
2-4- محدودیت ها
بهینه سازی 5 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 (20m) 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.
2-5- 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 50 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.

بخشی از مقاله انگلیسی:

1. Introduction

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.

2. Methodology

The optimization software developed closely couples a number of population-based optimization techniques implemented in C++ with the EPANET2 hydraulic solver [2] to model the effect on the performance of the hydraulic network when considering pipe replacement and duplication and the modification of pump and pressure reduction valve (PRV) operations.

2.2 Objectives

The BBLAWN optimization has been formulated as a single or twin-objective optimization problem according to the needs of the optimization algorithms applied. In the case of the twin-objective formulation, the objectives are: 1. Total Cost – the sum of annualized infrastructure upgrade costs (pipe replacement and duplications, tank, pump and valve installation) and annual operational (pumping) costs. 2. Leakage – the absolute annual volume of water lost as leakage. The single objective formulation combines the above objectives by assigning a cost to the annual leakage volume at a rate of €2/m3 .

2.3 Decision Variables

Table 2 enumerates the decision variable configuration employed for the optimization. In order to maximize the freedom afforded the optimization, no attempt has been made to simplify the problem by, and for example, grouping pipes. The potential sites for the 39 possible PRV installations were determined manually and, naturally, this will have biased the range of potential solutions accordingly.

2.4 Constraints

The optimization employs five “hard” constraints – violation of which result in a solution being marked as infeasible and, therefore, unlikely to play a significant role in the progress of the optimization. Firstly, the network produced must be hydraulically valid – that is to say that the EPANET solver solves the network without raising any errors. In addition, the solution of the network should not provoke any warnings to be emitted from EPANET. Of particular concern for the BBLAWN optimization are the warnings related to negative pressures, disconnected nodes and pumps operating beyond their normal flow regime. A minimum pressure constraint applies such that demand nodes must demand must satisfy a given pressure level (20m) for nodes with demand in order for a solution to be considered valid. In any event, there must be no negative pressures in the network at any point. Tanks are not permitted to empty, thus a constraint is also included to reflect this. To produce a solution that is repeatable over successive weeks, a further constraint is implemented such that the levels of any tanks in the system should be at least as high as they were at the beginning of the weekly extended period simulation. Differential constraint weightings are used to signify the relative importance of meeting the optimization constraints. The EPANET Error and EPANET Warning constraints are given the highest priority in order to prioritise the generation of feasible solutions by the optimization.

2.5 Optimization techniques

The Acquamark environment decouples the implementation of the objective function for a problem from the operation of the algorithm. This makes it straightforward to implement and test the various algorithms without recourse to significant programming changes to accommodate the differing techniques. For example, the implementation of the objective function is able to adapt to being used with single and multiple-objective algorithms as well as discrete, continuous or mixed decision variable approaches. A number of population-based optimization algorithms were evaluated for their suitability for application to the BBLAWN problem. Owing to the extended runtimes that were anticipated for the problem, it was decided to perform short tests on each algorithm to gauge its performance on the full problem. The procedures examined include a number of genetic and memetic algorithms as well as Parallel Differential Evolution [7] which differ markedly in their mechanisms for inheriting and sharing knowledge about the search space between members of their populations. The genetic algorithms employed were NSGA-II [8] and its closely related derivative, OmniOptimizer (OO) [8]. The memetic algorithms used were a Discrete Shuffled Frog optimizer [10] based on the Shuffled Frog Leaping algorithm [5] and a Discrete Particle Swarm Optimizer (DPSO) incorporating heterogeneous traits for individual particles [11]. The initial results for the memetic algorithms and Parallel Differential Evolution were disappointing. Whilst all of the techniques were able to resolve feasible solutions – and, indeed, more efficiently than the two genetic algorithm variants – none of the algorithms were able to significantly improve upon their early feasible solutions. It is unclear whether this is an issue relating to the scale of the problem encountered here or a short-coming in the authors’ implementation of these algorithms. Certainly the DPSO has demonstrated itself on lower-dimensioned water distribution system problems without encountering such issues. Owing to time-constraints it was decided to postpone further evaluation of these techniques and to rely on the tested NSGA-II/OO algorithms at least until such time as a representative set of solutions had been derived in order to provide as baseline for further comparisons. The application of OO to this problem did, however, highlight significant drawbacks to the technique which have not previously been encountered by the Authors. One of the principal differences between OO and NSGA-II is the former’s incorporation of a crowding metric in decision space in addition to the metric in objective space common to the two algorithms. When applied to high numbers of decision variables, the statistics required by this additional metric entail considerable computational effort, particularly when calculating the Euclidean distance between each solution for each of the decision variables. A consequence of this was that over 50% of the runtime was spent in the computation of this metric. To minimize the effect of this problem, the statistical analysis was parallelized to run on all the available processor cores on the host machine executing the OO algorithm.