A combined simulation–GA optimizati

A combined simulation–GA optimization model has
been developed in this study to determine the optimal
upper and lower rule curves of a reservoir. The model
is applied to the reservoir of the Nam Oon Irrigation
Project in Thailand to determine the operational rule
curves and at the same time compute storage volumes
and reservoir water releases. It is found that the combined
simulation–GA approach provides robust and acceptable
solutions in determining the optimal upper and lower
rule curves. In this approach, the objective function is
optimized based on maximum net benefit with penalty
function. There are three sensitive parameters, namely
population size, crossover and mutation probabilities,
which are adjusted to determine the best fitness or optimal
solution. The optimal upper and lower rule curves and the
maximum net benefit are determined by using monthly
data from 1976 to 1998. For scenario 1, the maximum net
benefit obtained by the combined simulation–GA, HEC-
3 and SOP methods are nearly the same. However, in
scenarios 2 and 3, in which cropping areas are different
from scenario 1, the percentage losses from the combined
simulation–GA method are less than that determined by
the SOP method. Another point is that the combined
simulation–GA method requires less user experience and
takes less time in data preparation and computation than
the HEC-3 method. The model software for the combined
simulation–GA method developed in this study is user
friendly with a graphical interface for data input and
output presentation.
From the foregoing sensitivity analysis and the results
of proportion of maximum fitness, it is found that the
GA is robust and provides the best performance over a
wide range of population size, crossover and mutation
probabilities. The effects of population size, crossover
and mutation probabilities are determined by varying
them one at time. In this case study, it is found that
the population size, crossover and mutation probability
have only a slight influence on the performance of the
GA. The most suitable values of these parameters in

ผลลัพธ์ (ไทย) 1:

มีแบบจำลองเพิ่มประสิทธิภาพรวมจำลอง – GAรับการพัฒนาในการศึกษานี้การตรวจสอบที่เหมาะสมโค้งมนบน และล่างกฎของอ่างเก็บน้ำ รุ่นใช้กับอ่างเก็บน้ำการชลประทานที่หมีอุ่นน้ำโครงการในประเทศไทยเพื่อกำหนดกฎในการดำเนินงานโค้ง และในเวลาเดียวกันคำนวณการไดรฟ์ข้อมูลเก็บข้อมูลและอ่างเก็บน้ำน้ำออก พบว่าการรวมวิธีจำลอง – GA ให้แข็งแกร่ง และยอมรับได้โซลูชั่นในการกำหนดที่ดีที่สุดบนและล่างกฎเส้นโค้ง ในวิธีการนี้ ฟังก์ชั่นวัตถุประสงค์คือเหมาะสมตามประโยชน์สูงสุดกับโทษฟังก์ชัน มีสามพารามิเตอร์สำคัญ ได้แก่ประชากรขนาด ครอสโอเวอร์ และกลายพันธุ์น่าจะซึ่งเป็นการปรับปรุงการตรวจสอบการออกกำลังกายที่ดีที่สุด หรือเหมาะสมที่สุดการแก้ปัญหา เส้นโค้งบน และล่างกฎที่เหมาะสมและประโยชน์สูงสุดจะถูกกำหนด โดยใช้รายเดือนข้อมูลจาก 1976-1998 สำหรับสถานการณ์สมมติ 1 สุทธิสูงสุดเกิดประโยชน์ โดยการรวมจำลอง – GA, HEC-3 และ SOP วิธีเกือบเหมือนกัน อย่างไรก็ตาม ในสถานการณ์ที่ 2 และ 3 ซึ่งพื้นที่ครอบตัดจะแตกต่างกันจากสถานการณ์ที่ 1 การสูญเสียเปอร์เซ็นต์จากการรวมวิธีจำลอง – GA มีน้อยกว่าที่กำหนดโดยวิธีการสบ อีกจุดคือการรวมวิธีการจำลอง – GA ต้องประสบการณ์ผู้ใช้น้อย และใช้เวลาน้อยในการเตรียมข้อมูลและการคำนวณมากกว่าวิธี HEC-3 ซอฟต์แวร์แบบจำลองสำหรับการรวมวิธีจำลอง – GA ที่พัฒนาในการศึกษานี้มีผู้ใช้เป็นมิตรกับอินเตอร์เฟซแบบกราฟิกสำหรับป้อนข้อมูล และที่นำเสนอผลลัพธ์จากการวิเคราะห์ความไวข้างต้นและผลของสัดส่วนการออกกำลังกายสูงสุด มันอยู่ที่การGA มีความทนทาน และมีประสิทธิภาพสูงสุดในขนาดประชากร ครอสโอเวอร์ และกลายพันธุ์มากมายน่าจะ ผลกระทบของขนาดประชากร ครอสโอเวอร์และน่าจะกลายพันธุ์ถูกกำหนด โดยแตกต่างกันพวกเขาในช่วงเวลานั้น ในกรณีนี้ ศึกษา พบที่ประชากรขนาด ครอสโอเวอร์ และกลายพันธุ์น่าเป็นมีเพียงอิทธิพลเล็กน้อยประสิทธิภาพของการจอร์เจีย ค่าเหมาะสมที่สุดของพารามิเตอร์เหล่านี้ใน

ผลลัพธ์ (ไทย) 2:

รวมกันรูปแบบการเพิ่มประสิทธิภาพการจำลอง-GA ได้
รับการพัฒนาในการศึกษาครั้งนี้เพื่อตรวจสอบที่ดีที่สุด
เส้นโค้งด้านบนและด้านล่างของกฎอ่างเก็บน้ำ รูปแบบที่
ถูกนำไปใช้ในอ่างเก็บน้ำของชลประทานน้ำอู
โครงการในประเทศไทยเพื่อตรวจสอบการปฏิบัติงานกฎ
เส้นโค้งและในเวลาเดียวกันปริมาณการจัดเก็บข้อมูลการประมวลผล
และปล่อยน้ำในอ่างเก็บน้ำ นอกจากนี้ยังพบว่าการรวม
วิธีการจำลอง GA ยังแข็งแกร่งและเป็นที่ยอมรับ
การแก้ปัญหาในการกำหนดที่ดีที่สุดบนและล่าง
โค้งกฎ ในวิธีการนี้ฟังก์ชันวัตถุประสงค์คือ
การเพิ่มประสิทธิภาพตามผลประโยชน์สุทธิสูงสุดมีโทษ
ฟังก์ชั่น มีสามพารามิเตอร์ที่สำคัญคือมี
ขนาดของประชากรครอสโอเวอร์และการกลายพันธุ์ของความน่าจะเป็น
ที่จะปรับเปลี่ยนเพื่อตรวจสอบการออกกำลังกายที่ดีที่สุดหรือดีที่สุด
วิธีการแก้ปัญหา อัตราส่วนบนและกฎที่ต่ำกว่าเส้นโค้งและ
ผลประโยชน์สุทธิสูงสุดจะถูกกำหนดโดยใช้รายเดือน
ข้อมูลจากปี 1976 ปี 1998 สำหรับสถานการณ์ที่ 1 สุทธิสูงสุด
ผลประโยชน์ที่ได้จากการรวมจำลอง GA, HEC-
3 และวิธี SOP เกือบเดียวกัน อย่างไรก็ตามใน
สถานการณ์ที่ 2 และ 3 ซึ่งในพื้นที่ปลูกพืชมีความแตกต่าง
จากกรณีที่ 1, การสูญเสียร้อยละจากการรวม
วิธีการจำลอง GA น้อยกว่าที่กำหนดโดย
วิธีการของ SOP ประเด็นก็คือว่ารวม
วิธีการจำลอง GA ต้องใช้ประสบการณ์การใช้งานน้อยลงและ
ใช้เวลาน้อยในการเตรียมข้อมูลและการคำนวณกว่า
HEC-3 วิธี ซอฟแวร์รูปแบบการรวม
วิธีการจำลอง GA พัฒนาในการศึกษาครั้งนี้คือผู้ใช้
ที่เป็นมิตรกับอินเตอร์เฟซแบบกราฟิกสำหรับการป้อนข้อมูลและ
นำเสนอเอาท์พุท.
จากการวิเคราะห์ความไวดังกล่าวข้างต้นและผล
ของสัดส่วนของการออกกำลังกายสูงสุดพบว่า
GA มีประสิทธิภาพ และให้ประสิทธิภาพที่ดีที่สุดในช่วง
ที่หลากหลายของขนาดของประชากรครอสโอเวอร์และการกลายพันธุ์ของ
ความน่าจะเป็น ผลของขนาดของประชากรครอสโอเวอร์
และการกลายพันธุ์น่าจะถูกกำหนดโดยที่แตกต่างกัน
พวกเขาเป็นหนึ่งในช่วงเวลา ในกรณีที่การศึกษาครั้งนี้พบว่า
ขนาดของประชากรครอสโอเวอร์และความน่าจะกลายพันธุ์
มีเพียงเล็กน้อยที่มีอิทธิพลต่อประสิทธิภาพการทำงานของ
GA ค่าที่เหมาะสมที่สุดของพารามิเตอร์เหล่านี้ใน