جاده

جاده

بررسی توزیع ناوگان عمومی با استفاده از الگوریتم های PSO و شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانش آموخته کارشناسی ارشد، گروه نقشه‌برداری، دانشگاه آزاد اسلامی واحد رامسر، مازندران، ایران
2 استادیار، گروه عمران، موسسه آموزش عالی رحمان، رامسر، مازندران، ایران
چکیده
از دیرباز مسئله حرکت، جابجایی و انتقال کالا و خدمات برای انسان حائز اهمیت بوده و انسان همواره در جستجوی راه هایی برای برطرف نمودن این نیاز مهم بوده است. هر چه جوامع بزرگ تر و پیشرفته تر شدند، بر پیچیدگی مسئله حمل و نقل نیز افزوده شده است. در این پژوهش سعی شده تا با تلفیق دو الگوریتم PSO و شبکه عصبی جهت بهینه‌سازی مکان‌ها و مسیرها و همچنین مدیریت زمان سفر،تاثیرگذار باشیم.ابتدا داده‌های مختلفی جهت انجام مکان‌یابی بهینه و توزیع ناوگان حمل و نقل جمع‌آوری می‌شود که شامل شبکه معابر و خیابان‌های شهر رشت، مکان ایستگاه‌های اتوبوس، ماتریس مبدا-مقصد و تقاضای سفر در ساعات مختلف است. سپس پیش‌پردازش برای آماده‌سازی داده‌ها جهت ورود به مدل‌های محاسباتی PSO آغاز گردیده و این الگوریتم با استفاده از جمعیت اولیه، پارامترهای تنظیم شده و تابع هدف تعریف و اجرا می‌گردد و نتایج PSO با داده های جغرافیایی برای تولید نقشه نهایی مکان‌های پیشنهادی جدید ایستگاه اتوبوس در شهر رشت تلفیق می‌شود.سپیس برای مسیر یابی در شبکه عصبی مقداردهی اولیه انجام می گیرد. به گره مبدأ، صفر و به سایر گره‌ها، مقدار بی‌نهایت اختصاص میدهیم. سپس مجموعه گره‌های بازدید نشده ایجاد می‌گردد. از بین گره‌های بازدید نشده، گره‌ای که کمترین مقدار را دارد، انتخاب و از مجموعه گره‌های بازدید نشده حذف می شود. این روند تا زمانی که همه گره‌ها بازدید شوند، تکرار شده و مسیر های بهینه تعریف می‌شود. نتایج نشان می دهد نقشه مسیرهای پیشنهادی در شبکه عصبی منطبق بر ایستگاه های ارائه شده در PSO می باشد.
کلیدواژه‌ها

-ابوالحسینی، سینا، مسگری، محمدسعدی و محمدی سلیمانی، رضا، (1399). الگوریتم بهینه سازی ذرات ازدحامی تعدیل شده به منظور حل مسأله مکان یابی بر روی معابر شهری (مطالعه موردی: مکان یابی ایستگاه­های پلیس راهنمایی و رانندگی)، نشریه علمی مهندسی فناوری اطلاعات مکانی، سال هشتم، شماره سوم، پاییز­، ۸ (۳)، ۱۹-۱.
-بابازاده، عباس و غلامی شه­بندی، مهرداد (1396). مقایسه الگوریتم­های گرادیان و PSO در تصحیح ماتریس مبدا- مقصد کلان شهر تهران، نشریه مهندسی عمران شریف (شریف ویژه مهندسی عمران)، دوره 33-2، شماره 1/1، 9-3.
-بهبهانی، حمید و صحاف، علی (1389). بررسی اثرات ایجاد محدوده طرح ترافیک در مرکز شهرها مطالعه، موردی: شهر مشهد، دومین کنگره ملی مهندسی عمران، 7-6.
-بهزاد، رضا؛ افشین شریعت مهیمنی و محمود احمدی نژاد، (1391). ارائه روش ابتکاری طراحی شبکه اتوبو سرانی با استفاده از نظریه گراف، پژوهشنامه حمل و نقل، سال نهم، شماره 4، 359-371.
-جباری، الهام و سعیدی، شهرام (1398). یک روش جدید برای حل مسئله حمل و نقل عمومی با استفاده از برنامه‌ریزی خطی و الگوریتم فراابتکاری ترکیبی PS-ACO، فصلنامه مهندسی حمل و نقل، سال یازدهم، شماره دوم، زمستان، پیاپی 43، 353-371
-مصیب زاده، نازیلا و مدرس خیابانی، فرزین­ (1399). بررسی مقایسه­ای الگوریتم­های فرا ابتکاری برای مسیریابی وسیله نقلیه پویا به منظور بهره­وری و کارایی سیستم­های حمل و نقل، مدیریت بهره­وری، سال دهم، شماره چهل، بهار.
- خمر، غلامعلی، پاسبان عیسی­لو، وحید و مژگان، نگاره (1395). مطالعه تطبیقی الگوریتم اجتماع مورچگان و ژنتیک در مسیریابی بهینه (مطالعه موردی: شهر پارسآباد و حومه)، مهندسی حمل و نقل، سال هشتم، شماره سوم، 404-389.
-رضایی، علی و اصغرزاده، محمد (1387). ارزیابی گزینه­های پیشنهادی برای حمل و نقل همگانی شهر مشهد، چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران، 15-14.
-ساعی، ساویز، توکلی­مقدم، رضا، علینقیان، مهدی (1394).  مدلسازی ریاضی جدید برای مسیریابی وسایل نقلیه چند دپو در شرایط بلایای طبیعی و حل آن با الگوریتم بهینه سازی ذرات انبوه، پژوهشنامه حمل و نقل، سال دوازدهم، شماره اول، بهار،
37-52.
سیدابریشمی، سیداحسان، خانزاد، ایران.، زرین مهر، امیرعلی و ممدوحی، امیررضا (1395). ارائه یک روش ابتکاری برای طراحی خطوط شبکه حمل ونقل همگانی با استفاده از الگوریتم تولید مسیر، مهند­سی حمل و نقل، سال هشتم، شماره چهارم.
643-654.
شفیعی نیک آبادی، محسن، ملائی، احسان و اخوان راد، مهسا، (1400). بهینه‌سازی چندهدفه مسیریابی حرکت خودرو تحت شرایط عدم قطعیت با تأکید بر اقدامات سبز-ناب و رضایت مشتری (مورد مطالعه: شرکت شهد پاک)، فصلنامه علمی پژوهشنامه حمل و نقل، سال هجدهم، دوره اول، شماره 66، بهار، 134-113.
-صالحیان، فرهاد، توکلی مقدم، رضا و نوروزی، نرگس.، (1396). حل مساله مسیریابی وسایط نقلیه با در نظر گرفتن رضایت مندی مشتریان و کاهش انرژی مصرفی با الگوریتم زنبور عسل، فصلنامه مهندسی حمل ونقل، سال یازدهم، شماره دوم، پیاپی 43، 311-299.
-صلواتی، علیرضا و حق شناس، حسین (1389)،  یکپارچه سازی سیستم حمل و نقل عمومی به روش AHP، مطالعه موردی: شهر اصفهان. مجموعه مقالات هشتمین کنفرانس مهندسی حمل و نقل و ترافیک ایران، 13-12.
-عزیزی، زینب (1397). بهینه سازی سیستم حمل و نقل عمومی با استفاده از الگوریتم بهینه­سازی انبوه ذرات با بردار ارزیابی - مطالعه موردی در سازمان اتوبوسرانی، مهندسی حمل و نقل، سال نهم، شماره سوم، بهار.
-حسینی، سیدمحمدحسن، و حسنی، علی اکبر (1397). مدل سازی و حل مسئله­ی مسیریابی وسایل نقلیه (VRP) در بخش توزیع زنجیره ی تامین با درنظرگرفتن محدودیت تردد (یادداشت فنی). مهندسی صنایع و مدیریت (شریف ویژه علوم مهندسی)، 34-1(1/1­)، 147-155.
-قوامی، سیدمرسل، علی کریمی و سعدی مسگری، محمد (1390). ارزیابی خطوط اتوبوس­رانی با استفاده از سامانه اطلاعات مکانی و تحلیل پوششی داده­ها، مطالعه موردی: خطوط اتوبوس رانی تهران، نشریه مهندسی حمل و نقل، سال دوم، شماره 3، 271-261.
-گلابی، محمدرضا، آخوندعلی، علی محمد و رادمنش، فریدون، (1392). مقایسه عملکرد الگوریتم­های مختلف شبکه عصبی مصنوعی در مدل­سازی بارندگی فصلی مطالعه موردی؛ ایستگاه­های منتخب استان خوزستان، نشریه تحقیقات کاربردی علوم جغرافیایی، سال سیزدهم، شماره 30، پاییز.
-مسعودی، شقایق، جوانشیر، حسن، توکلی مقدم، رضا.، (1393). حل مسأله مسیریابی وسائط نقلیه ناهمگن چند قرارگاهی با پنجره زمانی توسط الگوریتم تکامل دیفرانسیلی چند هدفه، مهندسی حمل و نقل، سال ششم، شماره دوم. صفحه 325-340.
-مصیب زاده، نازیلا و مدرس خیابانی، فرزین (1396). بررسی مقایسه­ای الگوریتم­های فرا ابتکاری برای مسیریابی وسیله نقلیه پویا به منظور بهره­وری و کارایی سیستم­های حمل و نقل، مدیریت بهره وری، سال دهم شماره چهل، 310-287.
-نقدی، اسداله (1389). دیدگاه­های شهروندان همدانی درباره خصوصی سازی اتوبسرانی شهری، فصلنامه تخصصی علوم اجتماعی دانشگاه آزاد اسلامی- واحد شوشتر، سال چهارم، شماره 8، 212-191.
-Bielli. M, Boulmakoul. A, Mouncif. H., (2006). Object Modeling and path computation for Multimodal Travel Systems. European Journal of Operational Research,1705-1730.
-Boding, L. Golden, B. Assad, A. and Ball M.  (1983). Routing and scheduling of vehicles and crews. Computer & Operations Research, (10). 163-221.
-Campbell, Ann Melissa, Vandenbussche, Dieter, and Hermann, William (2008). Routing for relief efforts. Transportation Science, 42, (2), 45-127.
-Clarke, C. and Wright, J. Q. (1994). Scheduling of vehicle from a central depot to a number of delivery points. Operations Research, Vol. 12, No. 4, 568-581.
-Dantzig, G. and Ramser, J. H. (1959). The truck dispatching problem. Management Science, Vol. 6, No. 1, 80-91.
-Dessouky, M., Hall, R., Zhang L., Singh, A. (2003). Real-time control of buses for schedule coordination at a terminal. Transportation Research Part A, Vol. 37,145-164.
-Eberhart, Russell, and James Kennedy (1995). A new optimizer using particle swarm theory. In MHS’ 95, Proceedings of the Sixth International Symposium on Micro Machine and Human Science, IEEE.39-43.
-Grazi F., Jeroen C.J.M van den B. (2008). Spatial organization¸ Transport¸ and climate change: Comparing instrument of spatial planning and policy¸Sciencedirect¸ Ecological economics (67). 630-639.
-Guoet, Xinghai, Ji, Mingjun, Zhao, Ziwei, Wen, Dusu, Zhang, Weidan, (2020). Global path planning and multi-objective path control for unmanned surface vehicle based on modified particle swarm optimization (PSO) algorithm, Ocean Engineering, Vol. 216, 15, November 107693.
-Ho, S. C. and Haugland, D.  (2004). A tabu search heuristic for the vehicle routing problem with time windows and split deliveries. Computers and Operations Research, Vol. 31, No. 12, 1947-1964.
-Hopeld, J.J. and Tank, D.W. (1985). Neural computation of decisions in optimization problems. Biological Cybernetics, (52), 141-152.
-Jain, N. K., Nangia, Uma, Jain, Jyoti, A (2018). Review of Particle Swarm Optimization, Journal of The Institution of Engineers (India): Series B Vol. 99, 407-411.
-John, H. Anders, K. and Richard, G.P. (1991). The theory of neural computation. Addison-Wesley.
-Kayri, M. (2016). Predictive Abilities of Bayesian Regularization and Levenberg–Marquardt Algorithms in Artificial Neural Networks: A Comparative Empirical Study on Social Data, Journal of Math. Comput. Appl. 21: 1-11.
-Kennedy J. and Eberhart R. C. (1995). Particle swarm optimization. Proc., IEEE Int. Conf. on Neural Networks IV, IEEE Service Center, Piscataway, NJ, 1942-1948.
-Kuo, Y.  (2010). Using simulated annealing to minimize fuel consumption for the Time dependent vehicle routing problem. Computers and Industrial Engineering, Vol. 59, No. 1, 157-165.
-Laport, G., Mercure, H. and Nobert, Y. (1992). A branch and bound algorithm for a class of asymmetrical vehicle routing problems.  Journal of Operational Research Society,
Vol. 43, No. 5, 469-481.
-Larsen J., EI-Geneidy A. (2011). A Travel behavior analysis of urban cycling facilities in Montreal Canada¸ ransportation Research Part D 16¸ Elsever. Content lists available at Science Direct.
-Lee S., Ryu, J. H., Lee­, M. J., & Won J, S.  (2006). The Application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea, Mathematical Geology, 38: (2), 199-202.
-Levy‚ C.‚  (2019). Travel Choice Reframed: “Deep Distribution” and Gender in Urban Transport: From One to Many Tracks, ravel Choice Reframed: Deep Distribution and Gender in Urban Transport, From One to Many Tracks, Integrating Gender into Transport Planning, From One to Many Tracks, 43-65.
-Lois, D.‚ Monzón, A.‚ Hernández, S.‚ (2018). Analysis of satisfaction factors at urban transport interchanges: Measuring travellers’ attitudes to information, Security and Waiting, Transport Policy, Vol 67, 49-56.
-Mcarthur, E.‚ Robin, J.‚ (2019). Socio-spatial and temporal dimensions of transport equity for London's night time economy, Transportation Research Part A: Policy and Practice, Vol 121, 433-443.
-Menhaj, M.  (2002). Neural Networks and Artificial Intelligent Basic. First edition AmirKabir University. Press, 350, (In Persian).
-Moghaddamnia, A., Ghafari Gousheh, M., Piri, J., Amin S., & Han D. (2009). Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources. 32, 88-97. (In Persian).
-Norouzi, N., Sadegh-Amalnick, M. and Tavakkoli-Moghaddam, R.  (2017). Modified particle swarm optimization in a timedependent vehicle routing problem: minimizing fuel consumption. Optimization Letters, Vol. 11, No. 7, 121-134.
-Peterson, H., (2009). Decision Support for Planning of multimodal Transportation with Multiple Objectives, Thesis, Technical University of Denmark.
-Potvin, J. Y. and Bengio, S.  (1994). A genetic approach to the vehicle routing problem with time windows. publication CRT-953, Centre de Recherche sur les Transports, University of Montreal.
-Rahul, T., Verma, M., Dixit, M.‚ (2015). Sustainability impact assessment of transportation policies acasevstudy for Bangalore city, Case Studies on Transport Policy‚ Vol 3‚ 321-330.
-Reimann, M., Stummer, M. and Doerner, K.  (2002). A savings based ant system for the vehicle routing problem. W.B. Langdon, et al. (Eds.) Kaufmann, M. (GECCO 2002) Proceedings of the Genetic and Evolutionary Computation Conference, San Francisco.
-Rodrigue J.-P. & Comtois C. & Slack B. (2009). The Geography of Transport Systems Imprint. Routladge.
-Sherma, B., & Venugopalan, K. (2014). Comparison of Neural Network Training Functions for Hematoma Classification in Brain CT Images. Journal of Computer Engineering (IOSRJCE), 16, 31-35.
-Singh, Gurwinder, Singh, Amarinder, (2021). Extension of particle swarm optimization algorithm for solving transportation problem in fuzzy environment, Applied Soft Computing, olume 110, October 107619.
-Steeb, Willi, Hanse, (2005). The Nonlinear Workbook, Third Edition, Johannesburg: World Scientific Publishing Co., 644-645.
-Ubeda S., Arcelus, F. J. and Faulin, J. (2011). Green logistics at Eroski: A case study. International Journal of Production Economics, Vol. 13, No. 1, 44-51.