Studying the Distribution of Public Fleets Using PSO Algorithms and Neural Networks

Document Type : Original Article

Authors
Abbas Tari 1
Sahar Alian 2
1 M.Sc., Grad., Department of Mapping, GIS, Islamic Azad University, .Ramsar Branch, Mazandaran, Iran.
2 Assistant Professor, Department of Civil Engineering, Rahman Institute of Higher Education, Ramsar, Mazandaran, Iran.
10.22034/road.2025.534999.2415
Abstract
The issue of movement, transportation, and transfer of goods and services has long been important to humans, and due to this necessity, humans have always sought ways to meet this important need. Over the past eras, as societies have become larger and more advanced, the complexity of transportation has also increased. In this research, we are trying to be effective by combining two algorithms: PSO and neural network to optimize transportation locations and routes, as well as manage travel time in public transportation. In the first stage, various data are collected to perform optimal location and distribution of the transportation fleet, including the network of streets and passages in the city of Rasht, the location of bus stops, the origin-destination matrix, and travel demand at different times. Then, preprocessing is initiated to prepare the data for entry into the PSO computational models. This algorithm is defined and executed using the initial population, adjusted parameters, and the objective function. The PSO results are combined with geographic data to produce a final map of proposed new bus stop locations in Rasht. In the second stage, the neural network is initialized for routing. The source node is assigned a value of zero and the other nodes are assigned an infinite value. Then, a set of unvisited nodes is created. Among the unvisited nodes, the node with the lowest value is selected and removed from the set of unvisited nodes. This process is repeated until all nodes are visited and optimal paths are defined.
Keywords
Value of time
route optimization
public fleet distribution
fuel reduction
-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.