ساخت مدل جايگزين بمنظور تقريب تابع هدف در مسائل بهينه سازي با استفاده از كمترين داده لازم جهت آموزش و كاربرد آن در حل مسأله تخصيص بهينه آب در سطح حوضه آبريز

الگوريتم هاي بهينه سازي تكاملي، علي رغم دارا بودن قابليت هاي گسترده در حل مسايل پيچيده، در بسياري از مسايل واقعي با مشكل عمده هزينه محاسباتي بالا بدليل استفاده از مدل هاي شبيه سازي زمانبر در فرآيند ارزيابي مقدار تابع هدف مواجه هستند. به منظور حل اين مشكل استفاده از مدل هاي جايگزين (meta-models) كه با استفاده از آنها ارزيابي تابع تقريب زده شده در زماني بسيار كوتاهتر نسبت به تابع اصلي صورت مي پذيرد، مي تواند بعنوان يك راه كار مؤثر در نظر گرفته شود. در اين زمينه شبكه هاي عصبي مصنوعي (ANN) بعنوان ابزار تقريب تابع قابليت هاي زيادي از خود نشان داده اند. آموزش شبكه هاي عصبي نياز به استفاده از يك مجموعه از داده هاي فراهم شده به منظور يادگيري دارد كه فراهم كردن هر يك از آنها مستلزم استفاده از تابع اصلي زمانبر مي باشد. اين مسأله مي تواند استفاده از اين راه كار را، خصوصاً در مسايل داراي ابعاد زياد كه رسيدن به يك سطح قابل قبول براي خطاي تقريب براحتي امكان پذير نيست و منجر به افزايش بار محاسباتي مي گردد، با مشكل مواجه سازد. در اين مقاله، روشي ارائه شده است كه در آن با استفاده از حل متوالي سه مسأله طراحي داده هاي آموزش، تقريب تابع اصلي و بهينه سازي تابع تقريب زده شده، ساخت مدل جايگزين با بكارگيري كمترين تعداد ارزيابي هاي تابع اصلي كه مهمترين شاخص در افزايش هزينه محاسباتي است، صورت مي گيرد. عملكرد تكنيك ارائه شده در حل يك مسأله بهينه سازي رياضي مرجع و مسأله تخصيص بهينه منابع آب در سطح حوضه آبريز رودخانه سيروان بعنوان يك مسأله واقعي مورد تحليل و بررسي قرار گرفته است.