پیش بینی مشخصات امواج یکی از موضوعات مهم در مهندسی سواحل و بنادر می باشد. امروزه ابزار محاسبات نرم به عنوان یک ابزار جدید پیش بینی امواج بکار گرفته می شود. یکی از این روش هایی که اخیرا" مورد استفاده قرار گرفته است روش مدلسازی anfis می باشد. anfisیک مدل مبتنی بر سیستم استنباط فازی است که پارامترهای بخش فرض و نتیجه قوانین اگر-آنگاه فازی توسط یک مدل شبکه عصبی تنظیم می شود. از آنجا که الگوریتم یادگیری شبکه عصبی مبتنی بر استفاده از روشهای بهینه سازی بر مبنای شیب توابع ((gradient based می باشد، امکان محبوس شدن جواب نهایی الگوریتم یادگیری و نتیجتا"پارامترهای تنظیم شده در نقاط بهینه موضعی وجود دارد. بنابراین استفاده از روشهای جستجو یا بهینه سازی تکاملی نظیر الگوریتم ژنتیک برای کاهش مشکل فوق قابل بررسی است. مدل سیستم استنباط فازی-الگوریتم ژنتیک (fis-(ga توسعه یافته در این مطالعه یک سیستم استنباط فازی (fis) از نوع سوگنو می باشد که پارامترهای شکل توابع عضویت و بخش نتیجه قوانین فازی آن توسط ga تنظیم و بهینه سازی می شوند. نحوه کار مدل fis-ga مانند anfis می باشد، با این تفاوت که الگوریتم ژنتیک یک روش جستجوی تصادفی بوده و امکان محبوس شدن جواب (مقادیر پارامترها) در نقاط بهینه موضعی در آن کمتر می باشد. در مدلfis-ga نیز روند بهینه سازی پارامترها بر اساس استفاده از یک مجموعه ای از داده های ورودی-خروجی است. براساس این داده ها پارامترهای توابع عضویت و بخش نتیجه قوانین اگر-آنگاه مدل fis در آن به گونه ای انتخاب می شود که مقدار خطای مدل در برآورد داده های متغیر خروجی یا همان متغیر بخش نتیجه قوانین فازی حداقل باشد. در این پژوهش کارایی مدلهای مبتنی بر ترکیب سیستم استنباط فازی و الگوریتم های بهینه سازی و یادگیری نظیر الگوریتم ژنتیک و شبکه عصبی در پیش بینی مشخصات امواج مورد بررسی قرار گرفته و سپس با روشهای تجربی ارایه شده برای پیش بینی مشخصات امواج مقایسه شده اند. ابتدا با استفاده از داده های میدانی ثبت شده در دریاچه میشیگان مربوط به سالهای 2001 تا 2003 مدلهای فازی جهت پیش بینی پارامترهای ارتفاع موج شاخص و پریود قله طیف طراحی گردیده است. در این مدلها تابع غیر خطی معرف ارتفاع و پریود موج بر حسب متغیرهای سرعت باد، طول موجگاه و... در قالب مجموعه ای از قوانین اگر-آنگاه فازی بیان می شود. در فرآیند ساخت مدلهای فازی، در ابتدا بمنظور بهینه سازی تعداد قواعد فازی و محاسبه توابع عضویت، از تکنیک خوشه بندی داده ها که در آن پارامتر های روش خوشه بندی با استفاده از الگوریتم ژنتیک بهینه می شود استفاده شده است. در ادامه پس از ساخت fis با ساختار معلوم، با استفاده از الگوریتم ژنتیک یا شبکه های عصبی پارامترهای شکل توابع عضویت در بخش فرض قوانین و همچنین پارامترهای خطی بخش نتیجه قوانین مدل fis بهینه سازی شده اند. سپس با استفاده از اطلاعات میدانی ثبت شده سال 2004 دریاچه میشیگان مدلهای fis-ga، anfis و روشهای تجربی مورد ارزیابی قرار گرفته اند. نتایج روشهای تجربی نشان می دهد که تمامی روشهای تجربی به غیر از روش spm ارتفاع و پریود موج را بطور میانگین دست پایین پیش بینی می کنند و در بین روشهای تجربی، روش smb مناسبترین روش برای پیش بینی پریود موج و روشspm مناسب ترین روش برای پیش بینی ارتفاع موج می باشد. نتایج مدلهای فازی نشان می دهد که مدل anfis تعمیم یافته که در آن ساختار قوانین اگر-آنگاه فازی آن با الگوریتم ژنتیک بهینه شده است دارای دقت بیشتری در پیش بینی امواج می باشد. همچنین در مواقعی که خوشه بندی داده ها صورت نگیرد مدل fis-ga عملکرد بهتری در مقایسه با مدل anfis خواهد داشت. علاوه بر آن مدلهای fis-ga و anfis هر دو بر مدلهای تجربی پیش بینی مشخصات امواج برتری دارند.