مقايسه كارايي الگوريتم‌هاي فرا ‌ابتكاري ژنتيك و انبوه ذرات براي تخصيص بهينه آب به زمين‌هاي كشاورزي در شرايط محدوديت آب

Comparing the efficiency of GA and PSO metaheuristic algorithms in optimal allocation of water to agricultural farms in water scarcity condition

با توجه به اين كه بخش كشاورزي بيشترين مصرف كننده‌ي آب است، اتخاذ روش مناسب و توسعه مدلي براي تخصيص بهينه آب به محصولات كشاورزي يكي از مهم‌ترين گام‌ها در جهت مديريت منابع آب است. هدف اصلي اين مقاله تخصيص بهينه آب به محصولات كشاورزي در شرايط محدوديت آبي و با استفاده از الگوريتم‌هاي فرا ابتكاري ژنتيك و انبوه ذرات و مقايسه كارايي آن‌ها است. روش انجام تحقيق بدين‌صورت است كه ابتدا داده‌هاي لازم توسط توابع و تحليل‌هاي مكاني سيستم اطلاعات مكاني (GIS) تهيه و آماده‌سازي مي‌شوند. سپس آورد منابع آبي استخراج مي‌گردد و ميزان آب موردنياز هركدام از محصولات كشاورزي محاسبه مي‌شود. سپس بر اساس مساحت و عملكرد محصول هر زمين و درآمد حاصله از هر محصول، تابع هدف محاسبه و با استفاده از الگوريتم‌هاي ژنتيك و انبوه ذرات آورد منابع آب به زمين‌هاي كشاورزي تخصيص داده مي‌شود. اين تخصيص به‌گونه‌اي است كه سود اقتصادي حاصل از محصولات تمام زمين‌ها حداكثر شود. نتايج تحقيقات نشان مي‌دهد كه سود حاصل از تخصيص با الگوريتم انبوه ذرات، 106938976 ريال بيشتر از الگوريتم ژنتيك است. همچنين نتايج تست همگرايي الگوريتم‌ها، حاكي از سرعت همگرايي بسيار بالاتر انبوه ذرات است. نتايج تست تكرارپذيري الگوريتم‌ها نيز، ثبات بالاتر الگوريتم انبوه ذرات را نمايان مي‌كند (واريانس جواب‌هاي نرمال شده الگوريتم ژنتيك در 10 اجرا 151/0 و الگوريتم انبوه ذرات 104/0 است). با توجه به نتايج ارزيابي زمان اجراي الگوريتم‌ها در دو حالت تعريف شرط توقف (تعداد اجرا و رسيدن به دقتي خاص)، الگوريتم انبوه ذرات در هر دو حالت زمان اجراي كمتري (به ميزان به ترتيب 320 و 272 ثانيه) دارد. درمجموع الگوريتم انبوه ذرات در تمام جنبه‌هاي بررسي‌شده برتري قابل‌توجهي نسبت به الگوريتم ژنتيك دارد. تنها مسيله در اجراي اين الگوريتم، تخصيص ندادن هيچ آبي به برخي از زمين‌ها است. درواقع با توجه به اين موضوع، به نظر مي‌رسد كه در مواقع كمبود آب براي رسيدن به سود اقتصادي بيشتر، بهتر است به‌جاي كم‌آبياري، برخي از زمين‌ها خشك شوند.

Water requirements in agricultural production sector have increased in recent years. This necessitates the adequate management of limited water resources. Since agriculture is the main water consumer, finding proper methods and models for the allocation of water to farm lands is vital to the management of available water. The goal of this study is to find ways to optimize the allocation of water to the farms in water scarcity condition, using Particle Swarm Optimization (PSO) and Genetic Algorithm (GA), and to compare their capabilities. First, the needed data was generated and prepared using analysis functions of GIS. Then, the water attainable from several resources and water required by different farms were computed. Afterwards, objective function was calculated using the land area, the crop price and yield response factor. The allocation of water to lands was optimized such that the total economic profits of all farms were maximized. The profits resulted from PSO were slightly about 106938976 Rial higher than GA. In addition, the convergence of PSO was much faster than GA. The repeatability test showed higher stability of PSO (The variance of the normalized values for GA and PSO are 0.151 and 0.104 respectively. In two different scenarios, termination conditions are considered as to reach a specified run number and to reach a defined accuracy of answers. For both scenarios, the execution times of PSO were less than GA (320 and 272 seconds correspondingly). In general, PSO performance is better than GA regarding all evaluation criteria. The only drawback of PSO is that it allocates no water to some of the farms. In other words, the algorithm suggests that for maximizing the economic revenue, some of the crops and farms should be left without irrigation.