ارائه‌ی یک الگوریتم چندهدفه سلولی برای تخصیص کاربری‌های شهری

اختصاص کاربری های شهری به واحدهای شهری با توجه به وجود قیود و معیارهای مختلف می تواند به عنوان یک مسئله ی بهینه سازی مکانی در نظر گرفته شود. ارائه ی طرح های متنوع از نظر اهداف تعریف شده برای اختصاص کاربری های شهری می تواند برنامه ریزان شهری را در انتخاب طرح های مناسب کمک نماید. از این رو در این تحقیق یک روش بهینه سازی چندهدفه ی شبکه مبنا برای به دست آوردن طرح های متنوع در فضای اهداف بر اساس بهبود الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب نسخه ی 2 ارائه شده است. به منظور حفظ تنوع جواب ها یک شبکه در فضای اهداف تعریف شده و سلول های شبکه برای خوشه بندی جواب ها و تعیین جواب های مناسب برای نسل بعدی در فرآیند بهینه سازی به کار گرفته می شوند. کاربری های ناحیه ی یک منطقه هفت تهران برای بررسی کارایی الگوریتم پیشنهادی در تخصیص بهینه ی کاربری های شهری مورد استفاده قرار گرفته است. در نهایت نتایج الگوریتم پیشنهادی با نتایج الگوریتم ژنتیک با مرتب سازی نامغلوب نسخه ی 2 و 3 مقایسه شد. مقایسه ی نتایج نشان می دهد که الگوریتم پیشنهادی در حفظ تنوع و بهبود همگرایی جواب ها در جبهه ی پارتو برای تخصیص کاربری های شهری بهتر عمل کرده است.

Urban Land-Use Allocation By A Cell-based Multi-Objective Optimization Algorithm

Allocating urban landuses to landunits with regard to different criteria and constraints is considered as a spatial multiobjective problem. Generating various urban landuse layouts with respect to defined objectives for urban landuse allocation can support urban planners in confirming appropriate layouts. Hence, in this research, a multiobjective optimization algorithm based on grid is proposed to generate welldistributed solutions in objective space. In order to preserve diversity in Pareto front approximation, a grid is defined in objective space. The cells of this grid cluster the solutions and determine the suitable solutions for next generation in optimization process. The landuses of region 1 of the district 7 of Tehran is used to assess the efficiency of the algorithm in optimizing urban landuse allocation. The results of the proposed algorithm are compared with the results of Nondominated Sorting Genetic Algorithm II and III (NSGAII and NSGAIII). Comparing the results indicate that the proposed algorithm acts better than NSGAII and NSGAIII in preserving diversity and improving the convergence of the solutions in Pareto front.