Documents disponibles écrits par cet auteur

Derivation of Pareto Front with Genetic Algorithm and Neural Network / Liong, Shie-Yue in Journal of hydrologic engineering, Vol. 6, N° 1 (Janvier 2001)

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 6, N° 1 (Janvier 2001) . - 52-61 p. Titre : Derivation of Pareto Front with Genetic Algorithm and Neural Network Titre original : Dérivation d'avant de Pareto avec l'Algorithme Génétique et le Réseau Neurologique Type de document : texte imprimé Auteurs : Liong, Shie-Yue, Auteur ; Khu, Soon-Thiam, Auteur ; Chan, Weng-Tat Article en page(s) : 52-61 p. Note générale : Hydrologie, Hydraulique Langues : Anglais (eng) Mots-clés : Valeurs  optimales  Pramètres  calibrés  Précipitation  Ecoulement  Courbe  Algorithme  Réseau  neurologique  Dérivation  Pareto  Travaux  Captation  Singapour  Optimisation  Prévision Index. décimale : 551.4/620 Résumé : It is common knowledge that the optimal values of the calibrated parameters of a rainfall-runoff model for one response may not be optimal values for another model response. Thus, it is highly desirable to derive a pareto front or trade-off curve on which each point represents a set of optimal values satisfying the desirable accuracy levels of each of the model responses. This Paper presents a new genetic algorithm (GA) based calibration scheme, accelerated convergence GA (ACGA), which generates a limited number of points on the pareto front. A Neural network (NN) is then trained to compliment ACGA in the derivation of other desired points on the Pareto front by mimicking the relationship between the ACGA-generated calibration parameters and the model responses. The Calibration scheme, ACGA, is linked with HydroWorks and tested on a catchment in Singapore. Results show that ACGA is more efficient and effective in deriving the Pareto front compared to other established GA-based optimization techniques such as vector evaluated GA, multiobjective GA, and nondominated sorting GA. Verification of the trained NN forecaster indicates that the trained network reproduces ACGA generated points on the Pareto front accurately. Thus, ACGA-NN is useful and reliable tool to generate additional points on the Pareto front. Il est la connaissance commune que les valeurs optimales des paramètres calibrés d'un modèle d'précipitation-écoulement pour une réponse peuvent ne pas être des valeurs optimales pour une autre réponse modèle. Ainsi, il est fortement souhaitable de dériver une courbe d'avant ou de différence de pareto sur laquelle chaque point représente un ensemble de valeurs optimales satisfaisant les niveaux souhaitables d'exactitude de chacune des réponses modèles. Cet article présente un nouvel arrangement basé génétique de calibrage de l'algorithme (GA), la convergence accélérée GA (ACGA), qui produit d'un nombre limité de points sur l'avant de pareto. Un réseau neurologique (NN) est alors formé pour complimenter ACGA dans la dérivation d'autres points désirés sur l'avant de Pareto en imitant le rapport entre les paramètres de calibrage d'ACGA-generated et les réponses modèles. L'arrangement de calibrage, ACGA, est lié avec travaux d'énergie hydraulique et examiné sur une captation à Singapour. Les résultats prouvent qu'acga est plus efficace et efficace en dérivant l'avant de Pareto comparé à autre des techniques GA-basées établies d'optimisation telles que GA évalué par vecteur, GA multiobjective, et nondominé assortissant GA. La vérification du prévisionniste qualifié de NN indique que le réseau qualifié reproduit les points produits par ACGA sur l'avant de Pareto exactement. Ainsi, ACGA-NN est utile et l'outil fiable pour produire des points additionnels sur le Pareto avant. [article] Derivation of Pareto Front with Genetic Algorithm and Neural Network = Dérivation d'avant de Pareto avec l'Algorithme Génétique et le Réseau Neurologique [texte imprimé] / Liong, Shie-Yue, Auteur ; Khu, Soon-Thiam, Auteur ; Chan, Weng-Tat . - 52-61 p. Hydrologie, Hydraulique Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 6, N° 1 (Janvier 2001) . - 52-61 p. Mots-clés : Valeurs  optimales  Pramètres  calibrés  Précipitation  Ecoulement  Courbe  Algorithme  Réseau  neurologique  Dérivation  Pareto  Travaux  Captation  Singapour  Optimisation  Prévision Index. décimale : 551.4/620 Résumé : It is common knowledge that the optimal values of the calibrated parameters of a rainfall-runoff model for one response may not be optimal values for another model response. Thus, it is highly desirable to derive a pareto front or trade-off curve on which each point represents a set of optimal values satisfying the desirable accuracy levels of each of the model responses. This Paper presents a new genetic algorithm (GA) based calibration scheme, accelerated convergence GA (ACGA), which generates a limited number of points on the pareto front. A Neural network (NN) is then trained to compliment ACGA in the derivation of other desired points on the Pareto front by mimicking the relationship between the ACGA-generated calibration parameters and the model responses. The Calibration scheme, ACGA, is linked with HydroWorks and tested on a catchment in Singapore. Results show that ACGA is more efficient and effective in deriving the Pareto front compared to other established GA-based optimization techniques such as vector evaluated GA, multiobjective GA, and nondominated sorting GA. Verification of the trained NN forecaster indicates that the trained network reproduces ACGA generated points on the Pareto front accurately. Thus, ACGA-NN is useful and reliable tool to generate additional points on the Pareto front. Il est la connaissance commune que les valeurs optimales des paramètres calibrés d'un modèle d'précipitation-écoulement pour une réponse peuvent ne pas être des valeurs optimales pour une autre réponse modèle. Ainsi, il est fortement souhaitable de dériver une courbe d'avant ou de différence de pareto sur laquelle chaque point représente un ensemble de valeurs optimales satisfaisant les niveaux souhaitables d'exactitude de chacune des réponses modèles. Cet article présente un nouvel arrangement basé génétique de calibrage de l'algorithme (GA), la convergence accélérée GA (ACGA), qui produit d'un nombre limité de points sur l'avant de pareto. Un réseau neurologique (NN) est alors formé pour complimenter ACGA dans la dérivation d'autres points désirés sur l'avant de Pareto en imitant le rapport entre les paramètres de calibrage d'ACGA-generated et les réponses modèles. L'arrangement de calibrage, ACGA, est lié avec travaux d'énergie hydraulique et examiné sur une captation à Singapour. Les résultats prouvent qu'acga est plus efficace et efficace en dérivant l'avant de Pareto comparé à autre des techniques GA-basées établies d'optimisation telles que GA évalué par vecteur, GA multiobjective, et nondominé assortissant GA. La vérification du prévisionniste qualifié de NN indique que le réseau qualifié reproduit les points produits par ACGA sur l'avant de Pareto exactement. Ainsi, ACGA-NN est utile et l'outil fiable pour produire des points additionnels sur le Pareto avant.