fa کاربرد الگوریتم انبوه ذرات و الگوریتم ژنتیک در شبیه‌سازی و پیش‌بینی تقاضای انرژی مدل هاي برنامه ريزي انرژی Energy Planning Models پژوهشي Research مدیریت تقاضای انرژی از اهمیت فراوانی در برنامه‌ریزی و تامین امنیت اقتصادی کشورها برخوردار است. شناسایی عوامل موثر بر روند تقاضای انرژی کشور و پیش بینی مصرف آتی آن می‌تواند به سیاست‌گذاران و فعالان در بازار انرژی در جهت تصمیم‌گیری‌های اقتصادی و بهبود عملکرد بازار و تامین امنیت سوخت کشور کمک کند. امروزه روش‌های نوینی برای مدل‌سازی و پیش بینی پدیده‌های مختلف ابداع گشته است که در میان این روش‌ها الگوریتم‌های تکاملی جایگاه ویژه ای دارند. در میان الگوریتم‌های تکاملی، الگوریتم ژنتیک و الگوریتم بهینه‌یابی انبوه ذرات از جمله شناخته شده‌ترین و پرکاربردترین روش‌ها در علوم مختلف می‌باشند. از این رو، در این مطالعه برای تخمین و پیش بینی روند تقاضای انرژی کشور از الگوریتم‌های ژنتیک و انبوه ذرات در قالب دو الگوی خطی و نمایی استفاده شده و کارایی آنها مورد ارزیابی قرار گرفته است و با استفاده از کاراترین الگو و روش و بر اساس سناریوهای مختلف، روند آتی تقاضای انرژی کشور تا سال 1404 پیش بینی شده است . نتایج مطالعه نشان‌دهنده دقت وکارایی بالای الگوی نمایی برآورد شده با استفاده از الگوریتم انبوه ذرات در مقایسه با الگوریتم ژنتیک بوده است. همچنین نتایج مطالعه نشان می‌دهد که کارایی الگوهای خطی برآورد شده با استفاده از هر دو الگوریتم تفاوت محسوسی ندارند. با این حال، بررسی نتایج الگوها و روش‌های مختلف برآورد شده کارایی و دقت بالای الگوی نمایی برآورد شده با استفاده از الگوریتم انبوه ذرات را تائید می‌کند. Energy demand management has very importance in economic security and planning. To identify the energy demand affecting factors and energy demand prediction can help Policy makers and activists in the energy market to improve market performance and better economic decisions and high fuel security. Recently, new techniques have been developed to economic variables prediction and modeling. Among these techniques Genetic algorithm and Particle Swarm Optimization are the best known and most widely used in literature including economy. Therefore, in this study the genetic algorithm and particle Swarm Optimization is used for energy demand estimation and prediction in the form of linear and exponential and then their performance in each of the models evaluated. The results indicate that accuracy and efficiency of the particle swarm optimization in both of exponential and linear forms is better than genetic algorithm. In addition, among the different forms the exponential form estimated with the particle swarm optimization is the best way to predict the future energy demand. تقاضا، انرژی، پیش بینی، الگوریتم انبوه ذرات، الگوریتم ژنتیک Demand, Energy, Predict, Particle Swarm Algorithm, Genetic Algorithm 0 0 http://necjournals.ir/browse.php?a_code=A-10-1-25&slc_lang=fa&sid=1 Hosein Sadeghi حسین صادقی 10031947532846001028 10031947532846001028 No Mahdi Zolfaghari مهدی ذوالفقاری 10031947532846001029 10031947532846001029 No Hosein Sohrabi حسین سهرابی Sohrabivafa@gmail.com 10031947532846001030 10031947532846001030 Yes Younes Salmani یونس سلمانی 10031947532846001031 10031947532846001031 No