ندا کفاش چرندابی

توسعه ی روزافزون فناوریهای کامپیوتری و تئوری های تصمیم گیری منجر به طراحی مدلهای نوین در حیطه ی مسائل تصمیم گیری چندمعیاره شده است. روشهای فرارتبه ای نمونه ای از این مدلها می باشند که با الگوریتمی ساده، بدون نیاز به اطلاعات بیش از اندازه از سوی کارشناس به مدلسازی دقیق تر مسائل تصمیم گیری می پردازند. لیکن روشهای مذکور به تنهایی قادر به تحلیل مسائل چندمعیاره مکانی نمی باشند. ادغام روشهای فرارتبه ای با سیستم اطلاعات مکانی (GIS) پیشنهادی است که برای تحلیل بهتر و کارامد مسائل مکانی ارائه شده است. در این تحقیق کارایی روشهای مذکور برای مدلسازی میزان آسیب پذیری ناشی از بیماری مالاریا، مهمترین بیماری انگلی جهان و ایران، مورد بررسی قرار گرفت. بدین صورت که نقشه های پیوسته ی آسیب پذیری برای استان هرمزگان، به کمک روشهای ELECTRE III و PROMETHEE II با معیارهای ارزیابی دما، رطوبت، فاصله از پوشش گیاهی، فاصله از آبهای راکد، تراکم جمعیت و ارتفاع تهیه گردیدند. سپس دقت نقشه های ترسیم شده به کمک شاخص Prevalence و موارد مثبت مالاریا در سال 85 و 86 مورد ارزیابی قرار گرفت. یافته های این تحقیق نشان می دهد که نقشه های آسیب پذیری تولید شده به کمک روشهای ELECTRE و PROMETHEE به داده های واقعی نزدیکتر هستند و نسبت به روشهای متداول نظیر مجموع وزندار ساده (SAW) در حدود 30 درصد دارای دقت بالاتری می باشند.

انسان از دیرباز برای حل مسائل پیچیده، از جهان زندة پیرامونش الهام گرفته است. این امر آشکارا در توسعة الگوریتم های مختلف تقریبی، از نظریة تکاملی داروین تا الگوریتم های مختلف هوش جمعی، دیده می شود. مسئلة فروشنده دوره گرد از مسائلی است که می توان آن را با الگوریتم هوش جمعی به چالش کشید. در پژوهش حاضر ابتدا با ارزیابی و تنظیم صحیح پارامترهای مؤثر در الگوریتم بهینه سازی کلونی مورچه ها، الگوریتم هوش جمعی بهبود می یابد. سپس روشی ترکیبی برای حل دودویی مسئله فروشندة دوره گرد در مقیاس بزرگ و برمبنای الگوریتم بهبود یافته کلونی مورچه ها و عملگرهای الگوریتم ژنتیک ارائه می شود. به منظور بررسی کیفیت جواب های به دست آمده، نتایج روش پیشنهادی با نتایج دو الگوریتم بهینه سازی کلونی مورچه ها و الگوریتم ژنتیک در مسیریابی بین مراکز استان ها مقایسه می شود. این مقایسه بهبود در جواب ها، کاهش زمان اجرای الگوریتم، و کاهش حجم لازم برای ذخیره سازی جواب های به دست آمده در شرایط گوناگون را نشان می دهد. با توجه به پایداری و بهینگی نتایج حاصل از الگوریتم مورچة بهبود یافته و اهمیت افزایش خدمات در سامانه اطلاعات مکانی، کاربرد الگوریتم پیشنهادی در صنعت توریسم مطرح می شود.

به موازات پیشرفت تکنولوژی در بسیاری از کشورهای جهان نیاز به انرژی در حال افزایش است. این امر به ویژه در کشورهای در حال توسعه مانند ایران اهمیت خاصی دارد. با توجه به موقعیت جغرافیایی کشور ایران و بهره مندی آن از تعداد روزهای آفتابی زیاد، استفاده از انرژی خورشیدی درمقیاس نیروگاهی به تأمین انرژی پایدار کمک می کند. با در نظر گرفتن توانایی شبکه های عصبی در حل مسائل پیچیده، در پژوهش حاضر به منظور شناسایی مناطق مستعد برای احداث نیروگاه خورشیدی از ترکیب سیستم تصمیم گیری مکانی، محیط GIS و شبکه های عصبی مصنوعی استفاده شده است. داده های به کار رفته در پژوهش شامل تابش خورشیدی، بارش، ساعت آفتابی، دما، ارتفاع، شیب زمین، کاربری اراضی، فاصله از جاده ها و فاصله از شهرهاست. براساس این معیارها، داده های آموزش تهیه شدند و با استفاده از الگوریتم آموزش لونبرگ- مارکوارت شبکه های FFB، CFB و MLP تحت آموزش قرار گرفتند. براساس نتایج پژوهش، شبکه CFB به صورت 9، 6، 1 با مقادیر RMSE 084/0 و 061/0 به ترتیب برای داده های آموزش و تست به منزله مناسب ترین شبکه انتخاب و با نتایج به دست آمده از این شبکه مکان یابی انجام شد. نتایج در پنج کلاس طبقه بندی شد؛ از این بین، 57/15 درصد در کلاس بسیار مطلوب، 59/20 درصد در کلاس مطلوب، 65/27 درصد در کلاس متوسط، 45/28 درصد در کلاس نامطلوب و 74/7 درصد در کلاس بسیار نامطلوب برای احداث نیروگاههای خورشیدی فتوولتائیک در استان آذربایجان شرقی شناسایی شد.