Improvement of complex and refractory ecological models: Riverine water quality modelling using evolutionary computation

مدل های زیست محیطی پیچیده اغلب از اختلاف های زیادی بین پیش بینی و واقعیت، اندازه گیری نادرست پارامترهای چند متغیره و مشکلات در برخورد با غیر خطی ها رنج می برند. ما یک پروژۀ بین رشته ای را با هم تلفیق مدل فرایند اکولوژیکی رودخانه و بهینه سازی تکاملی پارامترهای مدل معرفی می کنیم که در نتیجه ابزارهایی برای مدیریت موثر منابع آب می باشد. هدف این است که دانش دانش کارشناس و سیستم تکاملی را از طریق یک چرخه تکرار پالایش دانش و جستجوی تکاملی بیشتر محکم کنیم. این به روش های جدید نیاز دارد تا دانش کارشناس را به گونه ای مشخص کند که می تواند در جستجو یکپارچه شود. ما با استفاده از یک الگوریتم تکاملی برای بهینه سازی مقادیر چند متغیره پارامترهای مدل در حالی که حفظ پذیرش آنها، تأیید کردیم که محدوده ها و مقادیر آنها با دانش و محدودیت های اکولوژیکی سازگار است. بهترین مدل دارای خطای پیش بینی نسبتا پایین بود نسبت به مدل فرایند اولیه که از برآوردهای ادبیات پارامتر شده است. خطای آن نیز بیش از 50٪ کمتر از روشهای مدلسازی صرفا رگرسیون خطی و یادگیری شبکه عصبی بود. ما نتیجه می گیریم که ترکیب دانش فرایند با یادگیری تکاملی می تواند نقش مهمی در مدل سازی اکولوژیکی داشته باشد.