فهرست نشریات علمی دسترسی آزاد ایران

الگوریتم‏های موجود برای آموزش سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) باوجود کاربرد فراوان، نقایصی همچون به‌دام‌افتادن در بهینۀ محلی دارند. در پژوهش حاضر، کاربرد الگوریتم‏های بهینه‏سازی ژنتیک (GA)، ازدحام ذرات (PSO)، کلونی مورچگان برای محیط‌‏‌‌های پیوسته (ACOR) و تکامل تفاضلی (DE)، در توسعه و بهبود عملکرد ANFIS ‌بررسی شد. به‌‏عنوان مطالعۀ موردی، بیشترین دمای ماهانۀ شهر اصفهان در بازۀ زمانی 64 ساله (1330-1393)، شبیه‏سازی و تحلیل شد. به این منظور، ابتدا با استفاده از آنالیز حساسیت، مناسب‌‏ترین ورودی‏ها برای هر یک از افق‏های پیش‏بینی (یک ماه، یک تا سه سال) انتخاب شد. سپس، بیشترین دما به‏وسیلۀ مدل‏های هیبریدی ANFIS-GA، ANFIS-PSO، ANFIS-DE، ANFIS-ACOR و مدل ANFIS پیش‏بینی شد. در ادامه، عملکرد هر یک از مدل‏ها با استفاده از شاخص‏های آماری R2، RMSE و MAE ارزیابی شد. نتایج نشان داد مدل ANFIS-GA، به‏عنوان مناسب‏ترین مدل، دقت عملکرد ANFIS را در پیش‏بینی افق‌‏های یک ماه و یک تا سه سال آینده در R2 به‌ترتیب به مقدار 06/0، 07/0، 08/0 و 12/0 و در RMSE به میزان 09/0، 09/0، 16/0 و 1/0 بهبود داده است. پس ‏از آن، به‌ترتیب ANFIS-DE و ANFIS-PSO مناسب‏ترین دقت را داشتند. از سوی دیگر، ANFIS با بیشترین خطا و کمترین R2، به‏عنوان ضعیف‏ترین مدل شناخته شد. نتایج ‌نشان داد مدل‏های هیبریدی پیشنهادی، با استفاده از تکنیک جست‌وجوی سراسری و جلوگیری از به‌دام‌افتادن در بهینۀ محلی، عملکرد ANFIS را به‏طور مطلوبی بهبود داده‏اند. مدل‏های پیشنهادی پتانسیل زیادی به‏منظور استفاده در سایر مسائل مرتبط با هیدرولوژی و منابع آب دار‌ند.