الگوريتم بهينه‌سازي ذرات ازدحامي تعديل شده به‌منظور حل مسأله مكان يابي بر روي معابر شهري (مطالعه موردي: مكان يابي ايستگاه هاي پليس راهنمايي و رانندگي)

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

امروزه در شهرهاي بزرگ جهان، ترافيك يكي از معضلات اصلي محسوب مي­شود كه در اثر رشد جمعيت و عدم رشد متناسب ظرفيت خيابان­ها و سيستم حمل­ ونقل عمومي به وجود مي‌آيد. وقوع حوادث رانندگي يا ازدحام جمعيت در منطقه­اي خاص به دليل رويدادي مختلف، مي­تواند سبب وخامت وضعيت ترافيكي شود. اين‌گونه مشكلات ترافيكي نياز به دخالت مستقيم پليس راهنمايي و رانندگي دارد. غير از مراكز پليس راهنمايي و رانندگي موجود در محيط هاي شهري، احداث كانكس­هاي راهنمايي و رانندگي با تعداد محدودي نيرو، در محل­هايي كه امكان تأسيس مراكز راهنمايي و رانندگي وجود ندارد، يكي از رويكردهايي بوده كه براي تسريع خدمت‌رساني مورداستفاده قرارگرفته است. يافتن مكاني مناسب براي احداث اين كانكس­ها يك مسأله مكان­يابي به شمار مي­ آيد كه مي­توان از تجزيه‌ و تحليل‌هاي سيستم اطلاعات مكاني براي حل آن استفاده كرد. در اين مقاله، مكان­يابي كانكس­هاي پليس راهنمايي و رانندگي با توجه به تعداد آن­ها و سرعت دسترسي به مكان­هاي حادثه­ خيز، با استفاده از الگوريتم ذرات ازدحامي گسسته مورد بررسي قرارگرفته است. اين الگوريتم كه از دسته الگوريتم­هاي جمعيت مبناي هوش مصنوعي بوده، سرعت بالايي در حل مسائل از خود نشان داده است. به همين دليل امكان استفاده از اين الگوريتم با اعمال يك سري تغييرات بر روي اين مسأله تركيبي آزمايش ‌شده است. بدين منظور عملگرهاي تلفيق و جهش از الگوريتم ژنتيك در اين الگوريتم مدل شده ­اند. پس از استخراج شبكه راه قسمتي از شهر تهران و اجراي الگوريتم بهبوديافته، نتايج اين الگوريتم بهبوديافته با الگوريتم كلوني زنبورعسل، مورد ارزيابي قرارگرفته است. نتايج اين تحقيق بيان مي­ كند كه عملگرهاي انتخاب‌شده براي بهبود الگوريتم PSO به‌خوبي عمل مي ­كنند. الگوريتم PSO بهبوديافته در مكان‌يابي 2 و 4 كانكس همانند الگوريتم ABC عمل كرده است اما زماني كه مكان‌يابي براي 10 كانكس و بر روي محيط بزرگتري صورت مي‌گيرد، نتايج الگوريتم PSO بهبوديافته از نظر دقت، صحت و تكرارپذيري بسيار بهتر از الگوريتم ABC است

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’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.