الگوریتم بهینه‌سازی ذرات ازدحامی تعدیل شده به‌منظور حل مساله مکان یابی بر روی معابر شهری (مطالعه موردی: مکان یابی ایستگاه های پلیس راهنمایی و رانندگی)

امروزه در شهرهای بزرگ جهان، ترافیک یکی از معضلات اصلی محسوب می شود که در اثر رشد جمعیت و عدم رشد متناسب ظرفیت خیابان ها و سیستم حمل ونقل عمومی به وجود می‌آید. وقوع حوادث رانندگی یا ازدحام جمعیت در منطقه ای خاص به دلیل رویدادی مختلف، می تواند 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 کانکس های راهنمایی و رانندگی با تعداد محدودی نیرو، در محل هایی که امکان تاسیس مراکز راهنمایی و رانندگی وجود ندارد، یکی از رویکردهایی بوده که برای تسریع خدمت‌رسانی مورداستفاده قرارگرفته است. یافتن مکانی مناسب برای احداث این کانکس ها یک مساله مکان یابی به شمار می آید که می توان از تجزیه‌ و تحلیل‌های سیستم اطلاعات مکانی برای حل آن استفاده کرد. در این مقاله، مکان یابی کانکس های پلیس راهنمایی و رانندگی با توجه به تعداد آن ها و سرعت دسترسی به مکان های حادثه خیز، با استفاده از الگوریتم ذرات ازدحامی گسسته مورد بررسی قرارگرفته است. این الگوریتم که از دسته الگوریتم های 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 مساله 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 مکان‌ lrm;یابی 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.

Modified particle swarm optimization algorithm to solve location problems on urban transportation networks (Case study: Locating traffic police kiosks)

Nowadays, traffic congestion is a big problem in metropolises all around the world. Traffic problems rise with the rise of population and slow growth of urban transportation systems. Car accidents or population concentration in particular places due to urban events can cause traffic congestions. Such traffic problems require the direct involvement of the traffic police, and it is urgent for them to be present at the scene as soon as possible. Due to the shortage of space, constructing traffic police centers in all areas is not possible. As a result, building traffic police kiosks with limited number of personnel and small cabins is a solution to solve this problem. Finding suitable places to build kiosks is a location optimization problem that can be solved by geospatial analyses. Artificial intelligent algorithms are suitable approaches to solve such problems. Particle Swarm Optimization (PSO) algorithm proved to be a fast and exact algorithm in solving continuous space problems. However, this algorithm cannot be used for discrete space problems without any modifications. In this paper, we modified PSO to solve problems in combinatorial space. Crossover and mutation operators from Genetic Algorithm were used to modify the behavior of particles. After conducting experiments on a part of Tehran rsquo;s transportation network, results were compared to the results of Artificial Bee Colony algorithm. In experiments with 2 and 4 kiosks, both algorithms are performing the same in accuracy, stability, convergence trend, and computation time. But in experiments with 10 kiosks on a bigger environment, results are in favor of the modified PSO algorithm in obtaining the optimum value; stability and better distribution in the area of interest. Results indicate that the proposed algorithm, is capable of solving combinatorial problems in a fast and accurate manner.