بهینه‌سازی تخصیص منابع برای مدیریت بلایا مبتنی بر هوش مصنوعی و شهر هوشمند

مدیریت بحران در کلان‌شهرها، به‌ویژه در مواجهه با زلزله، از چالش‌های حیاتی عصر حاضر محسوب می‌شود و نیازمند راهکارهایی برای تخصیص بهینه منابع است. در این پژوهش، مدلی ترکیبی بر پایه هوش مصنوعی و الگوریتم‌های فراابتکاری توسعه یافته که با رویکرد چندهدفه به بهینه‌سازی تخصیص منابع می‌پردازد. هدف اصلی این مدل کاهش ریسک، هزینه و زمان واکنش در شرایط بحرانی است. در گام نخست، الگوریتم‌های یادگیری ماشین knn و xgboost برای پیش‌بینی شدت اثر زلزله در مناطق 22 گانه شهر تهران به کار گرفته شده‌اند. این پیش‌بینی بر اساس سه شاخص کلیدی؛ میزان فرسودگی بافت، تراکم جمعیت و تعداد زیرساخت‌ها انجام شده است. سپس با ارزیابی معیارهای طبقه‌بندی نظیر accuracy، precision، recall و f1-score، الگوریتم برتر انتخاب و داده‌های حاصل به عنوان ورودی مدل ریاضی استفاده گردید. مدل ریاضی پیشنهادی با بهره‌گیری از ترکیب روش دقیق و الگوریتم فراابتکاری nsga-ii حل شد. یافته‌ها نشان دادند؛ که nsga-ii از نظر زمان محاسباتی عملکرد کارآمدتری دارد. همچنین ادغام روش‌های یادگیری ماشین با مدل بهینه‌سازی منجر به بهبود معنادار در توابع هدف، شامل کاهش ریسک، هزینه و زمان خدمت‌رسانی شد. نتایج تحلیل حساسیت نشان داد که افزایش نیاز به منابع بیشترین تاثیر را بر تابع هدف ریسک دارد. علاوه بر این، بررسی متغیرها بیانگر آن است که تراکم جمعیت مهم‌ترین عامل در پیش‌بینی شدت اثر زلزله محسوب می‌شود، در حالی که دو متغیر فرسودگی و زیرساخت‌ها اثر مشابهی داشته و در رتبه‌های بعدی قرار می‌گیرند. بدین ترتیب، تراکم جمعیت به‌عنوان اثرگذارترین ویژگی در مدل یادگیری ماشین معرفی می‌شود.

optimization of resource allocation for disaster management based on artificial intelligence and smart cities

disaster management in metropolitan areas, particularly in the context of earthquakes, is a major challenge in the modern era that requires effective strategies for optimal resource allocation. this study presents a hybrid model that integrates artificial intelligence and metaheuristic algorithms with a multi-objective framework to improve decision-making in disaster scenarios. the primary objective of the model is to minimize risk, cost, and response time simultaneously. in the first stage, two machine learning algorithms, namely k-nearest neighbor (knn) and extreme gradient boosting (xgboost), are applied to predict earthquake impacts across the 22 districts of tehran. the prediction process considers three critical indicators: degree of urban deterioration, population density, and infrastructure intensity. after assessing classification performance using accuracy, precision, recall, and f1-score, the best-performing algorithm is selected, and its outputs are employed as inputs to the mathematical optimization model. the proposed mathematical model is solved using a combination of exact optimization methods and the non-dominated sorting genetic algorithm ii (nsga-ii). the findings demonstrate that nsga-ii outperforms the exact approach in terms of computational efficiency. furthermore, integrating machine learning predictions into the optimization framework significantly improves the objective functions by reducing risk, lowering total costs, and enhancing service response time during post-disaster operations. sensitivity analysis further reveals that increased resource demand exerts the most substantial influence on the risk objective function. among the predictive features, population density is identified as the most dominant factor in determining earthquake impact, while urban deterioration and infrastructure intensity exhibit relatively equal but less significant effects. consequently, population density emerges as the most influential feature in the proposed machine learning-based disaster management model for smart cities.