ارائه‌ي يك الگوريتم چندهدفه سلولي براي تخصيص كاربري‌هاي شهري

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

اختصاص كاربري‌هاي شهري به واحدهاي شهري با توجه به وجود قيود و معيارهاي مختلف مي‌تواند به‌عنوان يك مسئله‌ي بهينه‌سازي مكاني در نظر گرفته شود. ارائه‌ي طرح‌هاي متنوع از نظر اهداف تعريف شده براي اختصاص كاربري‌هاي شهري مي‌تواند برنامه‌ريزان شهري را در انتخاب طرح‌هاي مناسب كمك نمايد. از اين رو در اين تحقيق يك روش بهينه‌سازي چندهدفه‌ي شبكه مبنا براي به‌دست آوردن طرح‌هاي متنوع در فضاي اهداف بر اساس بهبود الگوريتم ژنتيك چند هدفه با مرتب‌سازي نامغلوب نسخه‌ي 2 ارائه شده است. به منظور حفظ تنوع جواب‌ها يك شبكه در فضاي اهداف تعريف شده و سلول‌هاي شبكه براي خوشه‌بندي جواب‌ها و تعيين جواب‌هاي مناسب براي نسل بعدي در فرآيند بهينه‌سازي به‌كار گرفته مي‌شوند. كاربري‌هاي ناحيه‌ي يك منطقه هفت تهران براي بررسي كارايي الگوريتم پيشنهادي در تخصيص بهينه‌ي كاربري‌هاي شهري مورد استفاده قرار گرفته است. در نهايت نتايج الگوريتم پيشنهادي با نتايج الگوريتم ژنتيك با مرتب‌سازي نامغلوب نسخه‌ي 2 و 3 مقايسه شد. مقايسه‌ي نتايج نشان مي‌دهد كه الگوريتم پيشنهادي در حفظ تنوع و بهبود همگرايي جواب‌ها در جبهه‌ي پارتو براي تخصيص كاربري‌هاي شهري بهتر عمل كرده است.

Allocating urban land-uses to land-units with regard to different criteria and constraints is considered as a spatial multi-objective problem. Generating various urban land-use layouts with respect to defined objectives for urban land-use allocation can support urban planners in confirming appropriate layouts. Hence, in this research, a multi-objective optimization algorithm based on grid is proposed to generate well-distributed 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 land-uses of region 1 of the district 7 of Tehran is used to assess the efficiency of the algorithm in optimizing urban land-use allocation. The results of the proposed algorithm are compared with the results of Non-dominated Sorting Genetic Algorithm II and III (NSGA-II and NSGA-III). Comparing the results indicate that the proposed algorithm acts better than NSGA-II and NSGA-III in preserving diversity and improving the convergence of the solutions in Pareto front.