[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 8، شماره 3 - ( 10-1399 ) ::
جلد 8 شماره 3 صفحات 1-19 برگشت به فهرست نسخه ها
الگوریتم بهینه‌سازی ذرات ازدحامی تعدیل شده به‌منظور حل مسأله مکان یابی بر روی معابر شهری (مطالعه موردی: مکان یابی ایستگاه های پلیس راهنمایی و رانندگی)
سینا ابوالحسینی، محمدسعدی مسگری*، رضا محمدی سلیمانی
دانشگاه صنعتی خواجه‌نصیرالدین طوسی
چکیده:   (605 مشاهده)
امروزه در شهرهای بزرگ جهان، ترافیک یکی از معضلات اصلی محسوب می­شود که در اثر رشد جمعیت و عدم رشد متناسب ظرفیت خیابان­ها و سیستم حمل­ ونقل عمومی به وجود می‌آید. وقوع حوادث رانندگی یا ازدحام جمعیت در منطقه­ای خاص به دلیل رویدادی مختلف، می­تواند سبب وخامت وضعیت ترافیکی شود. این‌گونه مشکلات ترافیکی نیاز به دخالت مستقیم پلیس راهنمایی و رانندگی دارد. غیر از مراکز پلیس راهنمایی و رانندگی موجود در محیط های شهری، احداث کانکس­های راهنمایی و رانندگی با تعداد محدودی نیرو، در محل­هایی که امکان تأسیس مراکز راهنمایی و رانندگی وجود ندارد، یکی از رویکردهایی بوده که برای تسریع خدمت‌رسانی مورداستفاده قرارگرفته است. یافتن مکانی مناسب برای احداث این کانکس­ها یک مسأله مکان­یابی به شمار می­ آید که می­توان از تجزیه‌ و تحلیل‌های سیستم اطلاعات مکانی برای حل آن استفاده کرد. در این مقاله، مکان­یابی کانکس­های پلیس راهنمایی و رانندگی با توجه به تعداد آن­ها و سرعت دسترسی به مکان­های حادثه­ خیز، با استفاده از الگوریتم ذرات ازدحامی گسسته مورد بررسی قرارگرفته است. این الگوریتم که از دسته الگوریتم­های جمعیت مبنای هوش مصنوعی بوده، سرعت بالایی در حل مسائل از خود نشان داده است. به همین دلیل امکان استفاده از این الگوریتم با اعمال یک سری تغییرات بر روی این مسأله ترکیبی آزمایش‌شده است. بدین منظور عملگرهای تلفیق و جهش از الگوریتم ژنتیک در این الگوریتم مدل شده ­اند. پس از استخراج شبکه راه قسمتی از شهر تهران و اجرای الگوریتم بهبودیافته، نتایج این الگوریتم بهبودیافته با الگوریتم کلونی زنبورعسل، مورد ارزیابی قرارگرفته است. نتایج این تحقیق بیان می­ کند که عملگرهای انتخاب‌شده برای بهبود الگوریتم PSO به‌خوبی عمل می ­کنند. الگوریتم PSO بهبودیافته در مکان‌یابی 2 و 4 کانکس همانند الگوریتم ABC عمل کرده است اما زمانی که مکان‌‎یابی برای 10 کانکس و بر روی محیط بزرگتری صورت می‌گیرد، نتایج الگوریتم PSO بهبودیافته از نظر دقت، صحت و تکرارپذیری بسیار بهتر از الگوریتم ABC است.
واژه‌های کلیدی: مکان‌یابی، کانکس پلیس راهنمایی و رانندگی، بهینه‌سازی ذرات ازدحامی، کلونی زنبورعسل، شبکه راه شهری.
متن کامل [PDF 1724 kb]   (169 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1397/5/13 | پذیرش: 1398/3/4 | انتشار: 1399/10/30
فهرست منابع
1. [1] Aslani, M., M. S. Mesgari, and H. Motieyan. "An Actor-Critic Reinforcement Learning Approach in Multi-Agent Systems for Urban Traffic Control." Journal of Geomatics Science and Technology 5, no. 3 (2016): 233-246.
2. [2] Mahdavian, Zahra, and ALI AKBAR NIKNAFS. "Forecasting Traffic Load using GPS data, a data mining approach." (2015): 43-59. [DOI:10.29252/jgit.3.2.43]
3. [3] Zhao, Ningyu, and Zhiheng Li. "Optimize traffic police arrangement in easy congested area based on improved particle swarm optimization." Procedia-Social and Behavioral Sciences 138 (2014): 408-417. [DOI:10.1016/j.sbspro.2014.07.219]
4. [4] Weber, Alfred. Theory of the Location of Industries. University of Chicago Press, 1929.
5. [5] Arabani, Alireza Boloori, and Reza Zanjirani Farahani. "Facility location dynamics: An overview of classifications and applications." Computers & Industrial Engineering 62, no. 1 (2012): 408-420. [DOI:10.1016/j.cie.2011.09.018]
6. [6] Melo, M. Teresa, Stefan Nickel, and Francisco Saldanha-Da-Gama. "Facility location and supply chain management-A review." European journal of operational research 196, no. 2 (2009): 401-412. [DOI:10.1016/j.ejor.2008.05.007]
7. [7] Zheng, Yu-Jun, Sheng-Yong Chen, and Hai-Feng Ling. "Evolutionary optimization for disaster relief operations: A survey." Applied Soft Computing 27 (2015): 553-566. [DOI:10.1016/j.asoc.2014.09.041]
8. [8] Uno, Takeshi, Kosuke Kato, and Hideki Katagiri. "An application of interactive fuzzy satisficing approach with particle swarm optimization for multiobjective emergency facility location problem with a-distance." In 2007 IEEE Symposium on Computational Intelligence in Multi-Criteria Decision-Making, pp. 368-373. IEEE, 2007. [DOI:10.1109/MCDM.2007.369115]
9. [9] Mousavi, Seyed Mohsen, Ardeshir Bahreininejad, S. Nurmaya Musa, and Farazila Yusof. "A modified particle swarm optimization for solving the integrated location and inventory control problems in a two-echelon supply chain network." Journal of intelligent manufacturing 28, no. 1 (2017): 191-206. [DOI:10.1007/s10845-014-0970-z]
10. [10] TAN, Zi-jian, Jing-jing ZHOU, Su-hua ZHANG, and Dong-fang ZHAO. "Based on Immune Optimization Algorithm and Hybrid Particle Swarm Optimization Algorithm Research on Customized Bus Station Setting and Route Planning-A Case Study of Customized Public Transport in Wuhan, China." DEStech Transactions on Computer Science and Engineering mcsse (2016). [DOI:10.12783/dtcse/mcsse2016/10957]
11. [11] Liao, Yilan, Wenwen Chen, Kaichao Wu, Dongyue Li, Xin Liu, Guanggang Geng, Zheng Su, and Zheng Zheng. "A site selection method of DNS using the particle swarm optimization algorithm." Transactions in GIS 21, no. 5 (2017): 969-983. [DOI:10.1111/tgis.12244]
12. [12] Hu, Fuyu, Wei Xu, and Xia Li. "A modified particle swarm optimization algorithm for optimal allocation of earthquake emergency shelters." International Journal of Geographical Information Science 26, no. 9 (2012): 1643-1666. [DOI:10.1080/13658816.2011.643802]
13. [13] Zhao, Xiujuan, Wei Xu, Yunjia Ma, and Fuyu Hu. "Scenario-based multi-objective optimum allocation model for earthquake emergency shelters using a modified particle swarm optimization algorithm: a case study in Chaoyang District, Beijing, China." PloS one 10, no. 12 (2015): e0144455. [DOI:10.1371/journal.pone.0144455]
14. [14] Saeidian, Bahram, Mohammad Saadi Mesgari, Biswajeet Pradhan, and Mostafa Ghodousi. "Optimized location-allocation of earthquake relief centers using PSO and ACO, complemented by GIS, clustering, and TOPSIS." ISPRS International Journal of Geo-Information 7, no. 8 (2018): 292. [DOI:10.3390/ijgi7080292]
15. [15] Zheng, Yu-Jun, Sheng-Yong Chen, and Hai-Feng Ling. "Evolutionary optimization for disaster relief operations: A survey." Applied Soft Computing 27 (2015): 553-566. [DOI:10.1016/j.asoc.2014.09.041]
16. [16] Eberhart, Russell, and James Kennedy. "A new optimizer using particle swarm theory." In MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, pp. 39-43. Ieee, 1995.
17. [17] Jin, Yi-Xiong, Hao-Zhong Cheng, Jian-yong Yan, and Li Zhang. "New discrete method for particle swarm optimization and its application in transmission network expansion planning." Electric Power Systems Research 77, no. 3-4 (2007): 227-233. [DOI:10.1016/j.epsr.2006.02.016]
18. [18] Pahlavani, Parham, Farhad Samadzadegan, and Mahmood Reza Delavar. "A GIS-based approach for urban multi-criteria quasi optimized route guidance by considering unspecified site satisfaction." In International Conference on Geographic Information Science, pp. 287-303. Springer, Berlin, Heidelberg, 2006. [DOI:10.1007/11863939_19]
19. [19] Cormen, Thomas H., Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein. Introduction to algorithms. MIT press, 2009.
20. [20] Abolhoseini, S., and A. Sadeghi Niaraki. "Survey on certain and heuristic route finding algorithms in GIS." Geospatial Engineering Journal 7, no. 4 (2016): 49-65.
21. [21] Benson, David, Irene Lorenzoni, and Hadrian Cook. "Evaluating social learning in England flood risk management: an 'individual-community interaction' perspective." Environmental Science & Policy 55 (2016): 326-334. [DOI:10.1016/j.envsci.2015.05.013]
22. [22] Akay, Bahriye Basturk, and Dervis Karaboga. "Artificial bee colony algorithm variants on constrained optimization." An International Journal of Optimization and Control: Theories & Applications (IJOCTA) 7, no. 1 (2017): 98-111. [DOI:10.11121/ijocta.01.2017.00342]
23. [23] Ozturk, Celal, Dervis Karaboga, and Beyza Gorkemli. "Probabilistic dynamic deployment of wireless sensor networks by artificial bee colony algorithm." sensors 11, no. 6 (2011): 6056-6065. [DOI:10.3390/s110606056]
24. [24] Nozohour-leilabady, Behzad, and Babak Fazelabdolabadi. "On the application of artificial bee colony (ABC) algorithm for optimization of well placements in fractured reservoirs; efficiency comparison with the particle swarm optimization (PSO) methodology." Petroleum 2, no. 1 (2016): 79-89. [DOI:10.1016/j.petlm.2015.11.004]
25. [25] Das, Priyanka. "Placement of distributed generation in a radial distribution system using loss sensitivity factor and cuckoo search algorithm." IJREAT International Journal of Research in Engineering & Advanced Technology 3, no. 2 (2015).
26. [26] Motieyan, Hamid, Mohammad Saadi Mesgari, and Ahid Naeimi. "Space allocation within building in GIS by using of multi-objective bee colony algorithm." (2014): 1-16. [DOI:10.29252/jgit.2.2.1]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Abolhoseini S, Mesgari S M, Mohammadi Soleimani R. Modified particle swarm optimization algorithm to solve location problems on urban transportation networks (Case study: Locating traffic police kiosks). jgit. 2021; 8 (3) :1-19
URL: http://jgit.kntu.ac.ir/article-1-577-fa.html

ابوالحسینی سینا، مسگری محمدسعدی، محمدی سلیمانی رضا. الگوریتم بهینه‌سازی ذرات ازدحامی تعدیل شده به‌منظور حل مسأله مکان یابی بر روی معابر شهری (مطالعه موردی: مکان یابی ایستگاه های پلیس راهنمایی و رانندگی). مهندسی فناوری اطلاعات مکانی. 1399; 8 (3) :1-19

URL: http://jgit.kntu.ac.ir/article-1-577-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 8، شماره 3 - ( 10-1399 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.04 seconds with 29 queries by YEKTAWEB 4331