fa مقایسه کارایی الگوریتم‌های فرا ‌ابتکاری ژنتیک و انبوه ذرات برای تخصیص بهینه آب به زمین‌های کشاورزی در شرایط محدودیت آب پژوهشي Research <p dir="RTL">با توجه به این که بخش کشاورزی بیشترین مصرف کننده‌ی آب است، اتخاذ روش مناسب و توسعه مدلی برای تخصیص بهینه آب به&nbsp;محصولات کشاورزی یکی از مهم‌ترین گام‌ها در جهت مدیریت منابع آب است. هدف اصلی این مقاله تخصیص بهینه آب به&nbsp;محصولات&nbsp;کشاورزی در شرایط محدودیت آبی و با استفاده از الگوریتم‌های فرا ابتکاری ژنتیک و انبوه ذرات و مقایسه کارایی آن‌ها است. روش انجام تحقیق بدین‌صورت است که ابتدا داده‌های لازم توسط توابع و تحلیل‌های مکانی سیستم اطلاعات مکانی (<span dir="LTR">GIS</span>) تهیه و آماده‌سازی&nbsp;می‌شوند. سپس آورد منابع آبی استخراج می‌گردد و میزان آب موردنیاز هرکدام از محصولات کشاورزی محاسبه می‌شود. سپس بر&nbsp;اساس مساحت و عملکرد محصول هر زمین و درآمد حاصله از هر محصول، تابع هدف محاسبه و با استفاده از الگوریتم‌های ژنتیک و انبوه ذرات آورد منابع آب به زمین‌های کشاورزی تخصیص داده می‌شود. این تخصیص به‌گونه‌ای است که سود اقتصادی حاصل از محصولات تمام زمین‌ها حداکثر شود. نتایج تحقیقات نشان می‌دهد که سود حاصل از تخصیص با الگوریتم انبوه ذرات، 106938976 ریال بیشتر از الگوریتم ژنتیک است. همچنین نتایج تست همگرایی الگوریتم‌ها، حاکی از سرعت همگرایی بسیار بالاتر انبوه ذرات است. نتایج تست تکرارپذیری الگوریتم‌ها نیز، ثبات بالاتر الگوریتم انبوه ذرات را نمایان می‌کند (واریانس جواب‌های نرمال شده الگوریتم ژنتیک در 10 اجرا 151/0 و الگوریتم انبوه ذرات 104/0 است). با توجه به نتایج ارزیابی زمان اجرای الگوریتم‌ها در دو حالت تعریف شرط توقف (تعداد اجرا و رسیدن به دقتی خاص)، الگوریتم&nbsp;انبوه ذرات در هر دو حالت زمان اجرای کمتری (به میزان به ترتیب 320 و 272 ثانیه) دارد. درمجموع الگوریتم انبوه ذرات در&nbsp;تمام&nbsp;جنبه‌های بررسی‌شده برتری قابل‌توجهی نسبت به الگوریتم ژنتیک دارد. تنها مسئله در اجرای این الگوریتم، تخصیص ندادن هیچ آبی به برخی از زمین‌ها است. درواقع با توجه به این موضوع، به نظر می‌رسد که در مواقع کمبود آب برای رسیدن به سود اقتصادی بیشتر، بهتر&nbsp;است به‌جای کم‌آبیاری، برخی از زمین‌ها خشک شوند.</p> <p>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.&nbsp; 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.</p> تخصیص آب کشاورزی, محدودیت آب, GIS, الگوریتم ژنتیک, الگوریتم انبوه ذرات. Agricultural Water Allocation, Water Scarcity, GIS, GA, PSO. 19 42 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-65&slc_lang=fa&sid=1 Bahram Saeidian بهرام سعیدیان Bahram_saeidian@yahoo.com 10031947532846004811 10031947532846004811 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohamad Saadi Mesgari محمد سعدی مسگری 10031947532846004812 10031947532846004812 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mostafa Ghodousi مصطفی قدوسی 10031947532846004813 10031947532846004813 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی