در این مقاله از یک مدل شبیهسازی- بهینهسازی به منظور بهینهسازی تخصیص بار آلایندة منابع نقطهای استفاده شده است. در طی فرآیند تصمیمگیری تخصیص بار آلاینده، پارامترهای تصادفی موجود در سیستم و اهداف مبهم منجر به عدم قطعیتهایی در مدل میگردند. در این مقاله از مجموعههای فازی با تابع عضویت مناسب به منظور مواجهه با عدم قطعیتهای ناشی از مبهم بودن اهداف استفاده شده است. مدل فازی تخصیص بار آلاینده از "QUAL2E" به عنوان یک مدل شبیهساز و از الگوریتم ژنتیک به عنوان یک بهینهساز استفاده مینماید که در نتیجه، ترکیبی ارضاء کننده از مقادیر حذف آلایندهها از منابع آلاینده نقطهای در اختیار ادارات حفاظت محیط زیست و تخلیه کنندگان قرار میگیرد. به منظور کنترل جوابها و عدم تخطی شرایط کیفی از استانداردها، از روش ضریب جریمه استفاده شده است. به طورکلی، روش تخصیص بار آلاینده درصدد ارائه راه حلی تعاملی و سازشی بین ادارات حفاظت محیطزیست و تخلیهکنندگان میباشد. نتایج حاصل، حاکی از آن است که اهداف ادارات حفاظت محیطزیست مبنی بر دستیابی به غلظتهای مطلوب و نیز اهداف تخلیهکنندگان مبنی بر استفاده کامل از ظرفیت خودپالایی رودخانه به طور کامل تأمین نشده، بلکه تعاملی بین گروهها در دستیابی به مقاصدشان فراهم گردیده است. این مدل فازی بهینهسازی تخصیص بار آلاینده برای یک مسئله فرضی حل شده و نتایج حاصل، همگرایی مناسبی به جواب بهینه کلی داشتهاند.
This paper present simulation-optimization models for waste load allocation from multiple point sources which include uncertainty due to vagueness of the parameters and goals. This model employs fuzzy sets with appropriate membership functions to deal with uncertainties due to vagueness. The fuzzy waste load allocation model (FWLAM) incorporate QUAL2E as a water quality simulation model and Genetic Algorithm (GA) as an optimization tool to find the optimal combination of the fraction removal level to the dischargers and pollution control agency (PCA). Penalty functions are employed to control the violations in the system. The results demonstrate that the goal of PCA to achieve the best water quality and the goal of the dischargers to use the full assimilative capacity of the river have not been satisfied completely and a compromise solution between these goals is provided. This fuzzy optimization model with genetic algorithm has been used for a hypothetical problem. Results demonstrate a very suitable convergence of proposed optimization algorithm to the global optima.