and this procedure for evaluation a

and this procedure for evaluation and reproduction of all chromosomes
was repeated until the stopping criterion is satisfied. The basis
of GA is the continual improvement of the fitness of the
population by means of genetic operators, as individuals are passed
from one generation to the next. In this way, the ANN weights and
thresholds are initialized as chromosome of best fitness population
member. This procedure is completed by applying a BP algorithm
on the GA established initial connection weights and thresholds.
If the BP stopping condition is false, the weights and thresholds
are updated; otherwise, they are saved and provided for future prediction
of the flow.
3. Application case
Data used in this paper are from the Ourika basin, located in
semi-arid region of Marrakech and is the most important subcatchment
of Tensift basin drainage. The basin area is 503 km2,
and its mean annual rainfall is approximately 800 mm. The rainfall
and runoff daily data at the average of Aghbalou, Oukaimeden and
Arghbar stations were used for model investigation. The data contains
information for a period of four years (2000–2003). Furthermore,
data from 2000 to 2002 constitute the training set and the
365 remaining data is used in the testing phase.
The input vector is represented by rainfall and runoff values for
the preceding 4 days (i.e., t  1, t  2, t  3, t  4). Accordingly, the
output vector represents the expected runoff value for day tðbQ
tÞ.
In this study data, the best ANN architecture was: 4–5–1 (4 input
units, 5 hidden neurons, 1 output neuron). Before training and testing
all source data are normalized into the range between 1 and
1, by using the maximum and minimum values of the variable over
the whole data sets.
4. Results and discussion
Fig. 3 shows the comparison between predicted and measured
runoff values at training and testing phases by hybrid GA–ANN
model using the daily data from the Ourika catchment. The GA–
ANN algorithm was run with a population size of 100, uniform
crossover probability was set to 0.9 and uniform mutation probability
was set to 0.1. GA–ANN was trained by 80 generations, followed
by a BP training procedure. The value of learning
coefficient 0.01 and momentum correction factor 0.08 were used
for the back-propagation training algorithm.
In Fig. 3 the output of the model, simulated with test data,
shows a good agreement with the target. The simulation performance
of the GA–ANN model was evaluated on the basis of root
mean square error (RMSE) and efficiency coefficient R2 (Nash &
Sutcliffe, 1970). The parameters RMSE = 0.162 and R2 = 0.91 suggest
a very good performance. In general, a R2 value greater than
0.9 indicates a very satisfactory model performance, while a R2 value
in the range 0.8–0.9 signifies a good performance and values
less than 0.8 indicate an unsatisfactory model performance (Coulibaly
& Baldwin, 2005).
In order to evaluate the performance of the genetic algorithmbased
neural network, back-propagation neural network was applied
with the same data sets used in the GA–ANN model. Fig. 4
shows the extent of the match between the measured and predicted
daily flow values by GA–BP and BP neural networks in term

ผลลัพธ์ (ไทย) 1:

และขั้นตอนการประเมินซ้ำของ chromosomes ทั้งหมดนี้ถูกซ้ำจนกว่าเงื่อนไขหยุดความพึงพอใจ ข้อมูลพื้นฐานGA เป็นกฏหมายของฟิตเนสของประชากรโดยใช้ตัวดำเนินการทางพันธุกรรม เป็นบุคคลที่ผ่านจากรุ่นหนึ่งไป ด้วยวิธีนี้ แอนน้ำหนัก และขีดจำกัดที่เริ่มต้นเป็นโครโมโซมของประชากรที่ออกกำลังกายดีที่สุดสมาชิก กระบวนการนี้เสร็จสมบูรณ์ โดยใช้อัลกอริทึม BPบน GA ที่สร้างเชื่อมต่อเริ่มต้นน้ำหนักและขีดจำกัดถ้า BP หยุดเงื่อนไขเป็น false น้ำหนัก และขีดจำกัดมีการปรับปรุง อย่างอื่น พวกเขาบันทึก และให้คาดเดาอนาคตของการไหล3. กรณีแอพลิเคชันข้อมูลที่ใช้ในเอกสารนี้ได้จากอ่าง Ourika แห่งเขตกึ่งแห้งแล้งของมาร์ราเกชและ subcatchment ที่สำคัญที่สุดของการระบายน้ำอ่าง Tensift พื้นที่ลุ่มน้ำเป็น 503 km2และของปริมาณน้ำฝนรายปีเฉลี่ยอยู่ประมาณ 800 มม. ปริมาณน้ำฝนและไหลบ่าข้อมูลประจำวันที่ค่าเฉลี่ยของ Aghbalou, Oukaimeden และสถานี Arghbar ถูกใช้สำหรับตรวจสอบรูปแบบ ข้อมูลประกอบด้วยข้อมูลสำหรับรอบระยะเวลาสี่ปี (2000-2003) นอกจากนี้ข้อมูลจาก 2000 2002 ประกอบชุดฝึกอบรมและข้อมูลที่เหลือ 365 ใช้ในขั้นตอนการทดสอบเวกเตอร์อินพุตจะถูกแสดง โดยค่าปริมาณน้ำฝนและการไหลบ่าก่อนหน้านี้ 4 วัน (เช่น t 1, t 2, t 3, t 4) ตามลำดับ การเวกเตอร์ผลแสดงค่าที่คาดไว้ที่ไหลบ่าในวัน tðbQtÞในนี้ศึกษาข้อมูล สถาปัตยกรรมแอนสุดถูก: 4 – 5 – 1 (ป้อน 4หน่วย neurons ซ่อน 5 เซลล์ประสาท 1 ผล) ก่อนการฝึกอบรม และทดสอบข้อมูลทั้งหมดได้ตามปกติในช่วงระหว่าง 1 และ1 โดยค่าสูงสุด และต่ำสุดของตัวแปรเกินชุดข้อมูลทั้งหมด4. ผล และการสนทนาFig. 3 แสดงการเปรียบเทียบระหว่างวัด และคาดการณ์ไหลบ่าค่าฝึกอบรม และทดสอบระยะ โดยไฮบริ GA-แอนแบบจำลองโดยใช้ข้อมูลรายวันจากลุ่มน้ำ Ourika GA-อัลกอริทึมแอนรันขนาดประชากร 100 ชุดยูนิฟอร์มความน่าเป็นแบบไขว้ถูกตั้งค่าให้ความน่าเป็นการกลายพันธุ์ 0.9 และสม่ำเสมอถูกตั้งค่าเป็น 0.1 GA-แอนถูกฝึก โดยรุ่น 80 ตามโดยขั้นตอนการฝึกอบรม BP ค่าของการเรียนรู้ใช้สัมประสิทธิ์ 0.01 และโมเมนตัมการแก้ไขปัจจัย 0.08สำหรับขั้นตอนวิธีการฝึกอบรมเผยแพร่หลังการใน Fig. 3 การแสดงผลของแบบจำลอง จำลองทดสอบข้อมูลแสดงข้อตกลงที่ดีกับเป้าหมาย ประสิทธิภาพการทำงานของการจำลองของ GA – แอน รุ่นถูกประเมินโดยใช้หลักข้อผิดพลาดของค่าเฉลี่ยกำลังสอง (RMSE) และสัมประสิทธิ์ประสิทธิภาพ R2 (Nash &Sutcliffe, 1970) พารามิเตอร์ RMSE = 0.162 และ R2 = 0.91 แนะนำประสิทธิภาพดีขึ้น ทั่วไป R2 มีค่ามากกว่า0.9 บ่งชี้ประสิทธิภาพแบบน่าพอใจมาก ในขณะที่ค่า R2ในช่วง 0.8-0.9 หมายถึงประสิทธิภาพที่ดีและค่าน้อยกว่า 0.8 บ่งชี้ประสิทธิภาพการใช้แบบจำลอง (Coulibalyและบอลด์วิน 2005)เพื่อประเมินประสิทธิภาพของ algorithmbased ทางพันธุกรรมใช้โครงข่ายประสาท โครงข่ายประสาทกลับมาเผยแพร่มีชุดข้อมูลเดียวกันที่ใช้ในรุ่น GA – แอน Fig. 4แสดงขอบเขตของการจับคู่ระหว่างวัด และคาดการณ์ค่ากระแสรายวัน โดย GA – BP และ BP ประสาทเครือข่ายในระยะ

ผลลัพธ์ (ไทย) 2:

และขั้นตอนนี้สำหรับการประเมินผลและการสืบพันธุ์ของโครโมโซมทั้งหมดซ้ำจนเกณฑ์การหยุดเป็นที่พอใจ พื้นฐานของ GA เป็นปรับปรุงอย่างต่อเนื่องของการออกกำลังกายของประชากรโดยวิธีการของผู้ประกอบการทางพันธุกรรมเป็นบุคคลที่จะถูกส่งผ่านจากรุ่นหนึ่งไปยังอีก ด้วยวิธีนี้น้ำหนัก ANN และเกณฑ์ที่จะเริ่มต้นเป็นโครโมโซมของประชากรการออกกำลังกายที่ดีที่สุดสมาชิก ขั้นตอนนี้จะแล้วเสร็จโดยใช้อัลกอริทึมของ BP ใน GA จัดตั้งน้ำหนักเริ่มต้นการเชื่อมต่อและเกณฑ์. ถ้า BP หยุดเงื่อนไขเป็นเท็จน้ำหนักและเกณฑ์ที่มีการปรับปรุง; มิฉะนั้นพวกเขาจะถูกบันทึกไว้และให้การทำนายอนาคตของการไหล. 3 แอพลิเคชันกรณีข้อมูลที่ใช้ในเอกสารนี้มาจากลุ่มน้ำ Ourika ที่ตั้งอยู่ในเขตกึ่งแห้งแล้งของมาร์ราเกและเป็นsubcatchment ที่สำคัญที่สุดของการระบายน้ำอ่างTensift พื้นที่ลุ่มน้ำคือ 503 กิโลเมตร 2, และปริมาณน้ำฝนประจำปีของค่าเฉลี่ยจะอยู่ที่ประมาณ 800 มิลลิเมตร ปริมาณน้ำฝนและไหลบ่าข้อมูลทุกวันที่ค่าเฉลี่ยของ Aghbalou, Oukaimeden และสถานีArghbar ถูกนำมาใช้สำหรับการตรวจสอบรูปแบบ ข้อมูลที่มีข้อมูลเป็นระยะเวลาสี่ปีที่ผ่านมา (2000-2003) นอกจากนี้ข้อมูลที่ 2000-2002 เป็นชุดการฝึกอบรมและ 365 ข้อมูลที่เหลือจะใช้ในขั้นตอนการทดสอบ. เวกเตอร์การป้อนข้อมูลเป็นตัวแทนจากค่าปริมาณน้ำฝนและน้ำสำหรับก่อนหน้านี้ 4 วัน (เช่นที 1 ที 2 ที 3, เสื้อ? 4) ดังนั้นเวกเตอร์เอาท์พุทแสดงให้เห็นถึงมูลค่าที่คาดว่าจะไหลบ่าวันtðbQ TTH. ในการศึกษาครั้งนี้ข้อมูลที่ดีที่สุดสถาปัตยกรรม ANN คือ: 4-5-1 (4 ป้อนข้อมูลหน่วยเซลล์ประสาท5 ซ่อนเอาท์พุท 1 เซลล์ประสาท) ก่อนการฝึกอบรมและการทดสอบทุกแหล่งข้อมูลจะปกติลงในช่วงระหว่าง 1 และ 1 โดยใช้ค่าสูงสุดและต่ำสุดของตัวแปรมากกว่าชุดข้อมูลทั้ง. 4 และการอภิปรายผลมะเดื่อ 3 แสดงให้เห็นถึงการเปรียบเทียบระหว่างการคาดการณ์และการวัดค่าการไหลบ่าในการฝึกอบรมและขั้นตอนการทดสอบโดยไฮบริดGA-ANN รูปแบบโดยใช้ข้อมูลประจำวันจากการเก็บกักน้ำ Ourika GA- ขั้นตอนวิธี ANN ดำเนินการที่มีขนาดประชากร 100 เครื่องแบบน่าจะเป็นครอสโอเวอร์ถูกกำหนดให้0.9 และความน่าจะกลายพันธุ์เครื่องแบบถูกกำหนดให้0.1 GA-ANN รับการฝึกฝนโดยรุ่น 80 ตามด้วยขั้นตอนการฝึกอบรมความดันโลหิต มูลค่าของการเรียนรู้ค่าสัมประสิทธิ์ 0.01 และโมเมนตัม 0.08 ปัจจัยการแก้ไขถูกนำมาใช้สำหรับการขยายพันธุ์กลับขั้นตอนวิธีการฝึกอบรม. ในรูป 3 การส่งออกของรูปแบบจำลองที่มีข้อมูลผลการทดสอบแสดงให้เห็นว่าข้อตกลงที่ดีกับเป้าหมาย ผลการดำเนินงานการจำลองรูปแบบ GA-ANN ถูกประเมินบนพื้นฐานของรากหมายถึงข้อผิดพลาดของตาราง(RMSE) และค่าสัมประสิทธิ์ประสิทธิภาพ R2 (แนชและซัทคลีฟ1970) พารามิเตอร์ RMSE = 0.162 และ R2 = 0.91 แสดงให้เห็นผลงานที่ดีมาก โดยทั่วไปค่า R2 มากกว่า0.9 แสดงให้เห็นผลการดำเนินงานรูปแบบที่น่าพอใจมากในขณะที่ค่า R2 ในช่วง 0.8-0.9 หมายถึงผลงานที่ดีและมีค่าน้อยกว่า0.8 แสดงให้เห็นผลการดำเนินงานที่น่าพอใจรูปแบบ (Coulibaly และบอลด์วิน, 2005). ในการสั่งซื้อ ในการประเมินผลการปฏิบัติงานของทางพันธุกรรม algorithmbased เครือข่ายประสาทกลับขยายพันธุ์เครือข่ายประสาทถูกนำมาใช้กับชุดข้อมูลเดียวกับที่ใช้ในรุ่น GA-ANN มะเดื่อ. 4 แสดงให้เห็นขอบเขตของการแข่งขันระหว่างวัดและคาดการณ์ไว้ที่ค่าการไหลของทุกวันโดย GA-ความดันโลหิตและ BP เครือข่ายประสาทในระยะ