مکانیابی با روش مونت کارلو و تلفیق آن با الگوریتم‌های جستجوی خام و ژنتیک با رویکرد پردازش تصویر (مطالعه موردی: جایگاه سوخت در شهر تبریز)

هدف از این پژوهش، یافتن مکانی بهینه برای احداث واحد جدید در داخل محدوده‌ی شهری و افزودن آن به مجموعه‌‌‌‌‌‌ موجود می‌باشد، به نحوی که متوسط فاصله‌ی پیموده شده توسط هر کاربر تا نزدیک‌ترین واحد، با افزودن آن، به کمترین مقدار ممکن برسد. بدین منظور با استفاده از روش مونت‌کارلو و تلفیق آن با دو روش جستجوی خام و الگوریتم ژنتیک و با استفاده از ابزارهای پردازش تصویر که برای تصحیح نقشه‌ و حذف مناطق برون شهری به کار برده شد، به مدل‌سازی و حل مسئله پرداخته شده است. در این مقاله که برای مورد مطالعاتی شهر تبریز و احداث واحد جدید پمپ بنزین صورت گرفته، تعداد 000‚40 نفر کاربر بصورت تصادفی و با توجه به تراکم جمعیت هر منطقه، در داخل شهر انتخاب شدند و متوسط فاصله‌ی هریک از آن‌ها از نزدیک‌ترین ایستگاه محاسبه شد. در ادامه با استفاده از دو الگوریتم ذکر شده، واحد جدید به نحوی افزوده شد که این فاصله به کمترین مقدار خود برسد. با در نظر گرفتن کاربران تصادفی یکسان برای هر دو روش، الگوریتم ژنتیک با تعداد جمعیت اولیه 60 نفر، تعداد 30 نسل و نرخ جهش 0.2، هم به لحاظ کاهش متوسط فاصله و هم به لحاظ زمان محاسبات، نتایج بهتری را نسبت به روش جستجوی خام با 5000 جستجو ارائه می‌دهد. متوسط فاصله کاربران قبل از افزودن واحد جدید 2105 متر می‌باشد که با افزودن واحد جدید پمپ بنزین از روش جستجوی خام و الگوریتم ژنتیک، این فاصله به ترتیب به 1908 و 1901 متر کاهش می‌یابد.

Site selection by Monte Carlo method and integration with bruteforce search and genetic algorithm by using image processing approach (Case study: Fuel station in Tabriz city)

The purpose of this research is to find the optimal location for establishing a new service unit, like fuel station, within the urban area so that the average distance traveled by each user to the nearest unit reaches the lowest value. For this purpose, Monte Carlo simulation method was applied along with two optimization approaches including brutesearch and genetic algorithm. In addition, image processing tools were used for distinguishing the urban regions and identifying the border of each zone. As a case study, the construction of a new fuel station unit in Tabriz city is carried out in this article. To achieve this goal, 40,000 users were randomly selected according to the population density of each zone within the city and the average distance of each of them was calculated from the nearest station. Afterwards, using the two mentioned algorithms, the new station was added in such a way that the minimum mean traveling distance was achieved. Considering the same number of random users for both methods, the genetic algorithm with initial population, generation and mutation rate of 60, 30 and 0.2, respectively, was resulted in better performance in terms of time and the mean distance. The mean distance between drivers and stations before adding a new unit was 2105 meters. However, by adding a new fuel station using the brutesearch method and the genetic algorithm, this distance is reduced to 1908 and 1901 meters, respectively.