محمدسعدی مسگری

با رشد روزافزون جمعیت و نیاز جوامع بشری به مدیریت بهینة منابع، آمایش سرزمین اهمیت ویژه ای یافته است. تعیین مکان مناسب برای برخی از کاربری ها مانند کاربری های صنعتی، که تأثیری عمده در شرایط اقتصادی و اجتماعی و زیست محیطی دارند، پیامدهای مثبتی برای رشد منطقه خواهند داشت. در این بین از جمله مهم ترین مشکلات پیشِ رو برای مدل سازی و مکان یابی کاربری های صنعتی، تعدد توابع هدف اقتصادی و اجتماعی و زیست محیطی، و تناقض برخی از آنها با یکدیگر است، به گونه ای که روش ها و توابع پایه موجود در سیستم های اطلاعات مکانی (نظیر هم پوشانی) پاسخگوی چنین برنامه ریزی های چند هدفة آمایشی نیست. تحقیق حاضر، در زمینة یافتن مکان های مناسب برای تأسیس صنایع بزرگ و کاربری های صنعتی انجام شده است. در این تحقیق پس از بررسی روش های بهینه سازی همزمان چندهدفه، از الگوریتم چندهدفة ژنتیک NSGA-II به منظور حمایت از تصمیم گیری در یافتن زمین های مناسب برای کاربری صنعتی در محدودة استان زنجان استفاده شده است. روند کار بدین ترتیب بوده است که ابتدا شرایط و توابع هدف مورد نیاز تعریف شده و داده های مورد نظر از مراجع جمع آوری و آماده سازی شده اند. سپس، با استفاده از متد NSGA-II و نرم افزارهای GIS و نرم افزار طراحی شده در این حیطه، زمین های مناسب برای کاربری های صنعتی استخراج گردیده و رتبه بندی شده اند. به علاوه، یکی از مهم ترین نتایج این تحقیق، جبهة جواب های مؤثر بوده است که نتایج حاصل از تغییر اولویت های تصمیم گیری را به مدیران نشان می دهد و آنان را در انتخاب گزینه ای مطلوب از بین گزینه های برتر یاری می رساند. این الگوریتم در محدودة مطالعاتی آزمون گردیده و نتایج آن در شرایط مختلف مورد بررسی قرار گرفته، که در بخش درج شده است.

مکان­یابی و تخصیص از نوع مسائل NP-Hard است که با افزایش تعداد نقاط تقاضا و مراکز خدماتی، پیچیدگی و حجم محاسبات مسئله به صورت نمایی افزایش می یابد. برای حل این گونه مشکلات، از روش های فراابتکاری متناسب با شرایط مسئله استفاده می شود. در این تحقیق، روش­های فراابتکاری جست وجوی ممنوع، ژنتیک و شبیه سازی بازپخت به عنوان روش های بهینه­سازی برای مکان­یابی مراکز آتش­نشانی و تخصیص مناطق شهری به آن ها استفاده شده اند. این روش­ها با توجه به معیارهای زمان حل مسئله، مقدار تابع هدف، تعداد تکرار و نحوة پوشش منطقه در سناریوهای مختلف ارزیابی شده اند. سناریوهای مختلف در روش ژنتیک بر اساس تغییر در تعداد تکرار و جمعیت اولیه و در روش شبیه­سازی بازپخت بر اساس تغییر در تعداد تکرار حرکات و تغییرات دما تولید شده اند. روش جست وجوی ممنوع دارای بیشترین زمان محاسباتی (38 دقیقه و 42 ثانیه) و کمترین (بهترین) مقدار تابع هدف (104×749/4) است و با توجه به نقشة تولید شده، بهترین پوشش را در منطقه توسط مکان های بهینة برگزیده ایجاد می کند. الگوریتم شبیه­سازی بازپخت، در بین روش های اجرا، دارای کمترین زمان حل مسئله است و هنگامی که تعداد تکرارها در این روش از اندازة مسئله (در اینجا تعداد پارسل ها) بزرگ تر باشد، جواب های مطلوبی تولید می شود. نتایج به دست آمده در سناریوی دوم روش SA در این تحقیق، صحّت این ادعا را اثبات کرده است. بر اساس یافته های این تحقیق، می توان نتیجه گیری کرد که در صورت نیاز به اجرای سریع (زمان بسیار کوتاه عملکرد الگوریتم) روش شبیه سازی بازپخت سریع ترین روش خواهد بود؛ در شرایط نیاز به سرعت و دقت مناسب و متوسط، الگوریتم ژنتیک گزینة مناسبی است و سرانجام در حالت نیاز به دقت و کیفیت بالای جواب و بدون محدودیت زمان، روش جست وجوی ممنوع گزینة برتر است.

یکی از مسائل مهم در سیستم های حمل و نقل هوشمند، مسیریابی کاربر مبناست. در چنین سیستمی هدف جلب رضایت کاربر از سیستم، جهت برآورده شدن همزمان اهداف وی در مسیرهای ارایه شده توسط الگوریتم مسیریابی است. الگوریتم های متداول مسیریابی در سیستم های اطلاعات مکانی معمولاً تک هدفه بوده و یا به صورت تک هدفه حل می شوند و جنبه های دیگر نیاز کاربران را مدنظر قرار نمی دهند. در تحقیق حاضر پس از بررسی روش های بهینه سازی چندهدفه، برای مسیریابی کاربر مبنا از الگوریتم چندهدفه کلونی مورچه که با تغییراتی در ساختار الگوریتم بهینه سازی کلونی مورچه تک هدفه به دست آمده استفاده شده است. به این ترتیب که کاربر با توجه به نیازهای خود توابع هدف مورد نظر را تعریف کرده، سپس با استفاده از الگوریتم چندهدفه کلونی مورچه و برنامه طراحی شده، مسیرها رتبه بندی و توسط کاربر و اولویت های وی انتخاب می شوند. از مهم ترین نقاط قوت این الگوریتم این است که عامل مورچه با استفاده از یک نوع فرمون، برای انتخاب مسیر در هر تقاطع به صورت کاملاً چندهدفه فکر و عمل می کند؛ در نتیجه کاربر می تواند به صورت چندهدفه مسیر مورد نظر خود را انتخاب نماید. به علاوه یکی از مهم ترین خروجی های تحقیق، جبهه جواب های مؤثر است که به کاربر اجازه می دهد با مشخص کردن اولویت های خود، مسیر نهایی را انتخاب کند. نتایج این الگوریتم در شرایط مختلف بررسی و ارزیابی شده است. آزمایش های انجام شده بر روی الگوریتم حاکی از تنظیمات مورد قبول در پارامترهای اولیه و تکرارپذیری قابل اطمینان الگوریتم است.

سیستم حمل و نقل اتوبوس شهری به عنوان یکی از مهم ترین سیستمهای حمل و نقل عمومی به شمار می‌رود. در طراحی این سیستم لازم است که به گونه ای همزمان چندین هدف که بعضاً با هم متناقض هستند، در نظر گرفته شوند. این اهداف باعث می‌شوند که انجام طراحی با مشکلاتی روبرو شود، به عنوان مثال، مسیرهایی که برای کمینه کردن زمان سفر طراحی می‌شوند، ممکن است بیشترین پوشش و بیشترین دسترسی را نداشته باشند. از این رو برای رسیدن به بهترین طراحی لازم است که مسائل مختلفی به طور همزمان در نظر گرفته شوند. در این مقاله یک مدل جدید برای طراحی بهینه شبکه حمل و نقل اتوبوسهای شهری با استفاده از قابلیتهای GIS که در نرم‌افزارهای آن موجود است، ارایه شده است. مدل نامبرده با توجه به چندین هدف اصلی بنا شده است، از آن جمله می‌توان به حداکثرسازی تعداد مسافر و همچنین کاهش زمان سفر اشاره کرد. بقیه اهداف در بخش سوم این مقاله بیان شده‌اند. مدل ارایه شده بر ماتریس توزیع سفر بین بلوکهای شهری که روش استخراج آن در این مقاله توضیح داده شده است، استوار است. پس از استخراج ماتریس توزیع سفر بین بلوکهای شهری، و اختصاص آن به معابر شهری، از قابلیتهای شبکه GIS به منظور طراحی خطوط استفاده شده است. با استفاده از این روش می‌توان طراحی مسیر حمل و نقل اتوبوسهای شهری را با در نظر گرفتن همزمان چندین هدف اصلی انجام داد.

در این مقاله با استفاده از بلوکهای آماری شهر تهران به مدل سازی تقاضای سفر در سیستم های اطلاعات مکانی پرداخته شده است. برای نیل به این هدف از 3191 بلوک آماری شهر تهران به عنوان نواحی ترافیکی جهت نمایش مبدأ- مقصدهای سفر استفاده شد. پس از آماده سازی اطلاعات مکانی و توصیفی مورد نیاز در محیط GIS، به براورد تولید و جذب سفر برای هر یک از نواحی ترافیکی پرداخته شد. برای این منظور، مدل هایی به تفکیک اهداف سفر با استفاده از روش رگرسیون چند متغیره توسعه داده شدند. سپس با توجه به میزان تولید و جذب سفر تخمین زده شده برای هر یک از نواحی و فاصله مکانی بین آن ها، با استفاده از مدل جاذبه به توزیع سفر میان آن ها پرداخته شد. برای بهبود مدل سازی توزیع سفر از طول کوتاه ترین مسیر موجود بر روی شبکه معابر به عنوان فاصله میان نواحی استفاده شد. در نهایت ماتریس مبدأ- مقصد که خروجی نهایی توزیع سفر است، به دست آمد. این ماتریس حجم تقاضای سفر روزانه میان مکان های مختلف را نشان میدهد و میتواند کمک شایان توجه ای به تصمیم گیران و برنامه ریزان حمل و نقل برای توسعه و مدیریت بهینه حمل و نقل شهری کند.

بیشتر راه حل های مطرح شده برای مسائل مکان یابیوتخصیص- که در آن متقاضیان خدمات و مراکز خدماتی دارای ظرفیت مشخصی باشند- از لحاظ محاسباتی پیچیده اند.برای حل این مشکل، روش های ابتکاری متناسب با شرایط مسئله توسعه یافته اند. مکان یابی مراکز و تخصیص مصدومان زلزله به این مراکز درمانییکی از مسائل مهم در مدیریت بحران زلزله است؛ زیراتوسعة روشی مناسب برای بهینه سازیِ تخصیص مصدومان به مراکز درمانی می تواند در کاهش زمان امداد رسانی و در نتیجه کاهش آسیب های جانیاثر مهمی داشته باشد. در این مقاله، توسعة روشی ابتکاری بر پایةیک الگوریتم ژنتیک تو در تو برای بهینه سازی مکان یابی مراکز درمانی و تخصیص مصدومان زلزله به این مراکز، با استفاده از قابلیت های علم سیستم اطلاعات مکانی توضیح داده می شود. باتوجه بهاینکهمکان یابیوتخصیصمنابعدومسئلةجدااز هم نیستند وبرهمتأثیرمستقیمدارند،درروشپیشنهادی،ایندومسئلهبه صورتهم زمانحلمی شوند.با بررسیداده هایتحقیق و با توجه به نتایج آنمی توان گفت ساختار طراحی شده توانایی لازم جهت حل این نوع مسائل را با انتخاب میزان جمعیت اولیة مناسبداراست.

اسکان موقت پس از زمین لرزه از مهم ترین موضوع ها در مدیریت بحران به شمار می آید، و انجام صحیح آن با کاهش گسترده تلفات جانی و مالی ناشی از پس لرزه ها همراه است. هدف از انجام این تحقیق ارزیابی توانایی و مقایسه عملکرد دو الگوریتم شاخص هوش جمعی با نام های الگوریتم زنبورها (Bess) و الگوریتم اجتماع ذرا (PSO)- در بهینه سازی تخصیص مکان های اسکان موقت است که یکی از موضوعات مهم مکانی به شمار می آید. در الگوریتم بهینه سازی اجتماع ذرات از رفتار اجتماعی پرندگان الهام گرفته می شود. این الگوریتم مورد استفاده گسترده در مقوله های بهینه سازی پیوسته قرار گرفته است ولی در مقوله های گسسته چندان به آن توجه نشده است. در این تحقیق با بررسی نقاط ضعف و قوت نسخه های مختلف الگوریتم پرندگان گسسته (DPSO) موجود، نوع جدیدی از این الگوریتم ارائه شده است که در حل مسائل گسسته توانایی بالایی دارد. الگوریتم زنبور عسل از فرایند جست و جوی غذای زنبورها در طبیعت الهام گرفته است. این الگوریتم در پژوهش حاصر برای حل مسئله اسکان موقت شرح و بسط داده شد و در نهایت نتایج حاصل از هر دو الگوریتم مذکور، از داده های شبیه سازی شده و به منظور ارزیابی دقت عملکرد الگوریتم ها از داده های منطقه 7 تهران به عنوان داده های واقعی استفاده شد. مقایسه اعداد همگرایی هر یک از دو الگوریتم در داده های واقعی، عملکرد بسیار بهتر الگوریتم ابداعی را در کمینه سازی تابع هدف مسئله نشان می دهد. در نهایت به منظور ارزیابی کیفیت و دقت الگوریتم از تست تکرارپذیری برای نتایج حاصل از اجرای هر الگوریتم روی داده ها استفاده شد. نتایج حاصل از این آزمون ها نمایانگر عملکرد دقیق هر یک از دو الگوریتم در بهینه سازی تخصیص افراد به مناطق امن است.

فرایند تهیة نقشه پتانسیل معدنی به دلیل وجود فاکتورهای متعدد کانی سازی، داده های متنوع کمی و کیفی اکتشافی و همچنین دیدگاه های کارشناسی و سلایق گوناگون، فرایندی پیچیده و دشوار است. در این فرایند توجه هم زمان به مدل سازی ماهیت غیرقطعی داده های اکتشافی، به کارگیری دانش کارشناسی و انعطاف پذیری روش برای انواع ذخایر معدنی در قالب سامانه ای یکپارچه، ضروری است. در پژوهش حاضر ، روشی جدید با استفاده از سیستم استنتاج گر و روابط فازی ارائه شد و در اندیس مس چاه فیروز پیاده سازی گردید. این روش در دو مرحله انجام گرفت. در مرحله نخست، نقشه های فاکتور اولیه با استفاده از روش آنالیز رابطه نامتقارن فازی وزن دهی و به روش ارزیابی جامع چندسطحی فازی با یکدیگر تلفیق شدند و نقشه های فاکتور سطح دوم که فازی هستند به دست آمد. در مرحله دوم، نقشه های فاکتور تهیه شده در مرحله قبل با استفاده از سیستم استنتاج گر فازی تلفیق و نقشة پتانسیل معدنی تهیه شد. در نقشه پتانسیل معدنی تهیه شده، مناطق مستعد کانی سازی مس پورفیری در نواحی مرکزی و با گسترش شمالی جنوبی شناسایی شدند. به منظور ارزیابی، وضعیت گمانه های اکتشافی موجود در منطقه با نقشة پتانسیل معدنی انطباق داده شدند. بیشترین میزان تطابق در نقشة پتانسیل معدنی برابر با 33/83 درصد به دست آمد.

در مقالة حاضر به منظور بررسی کاربرد مدل های عامل مبنا در شبیه سازی پدیدة جدایی گزینی سکونتی، مدلی رستری با ترکیب GIS و تکنیک های Agent-Based و برمبنای نظریة Schelling ارائه شد و روی داده های ناحیه ای از تهران ارزیابی گردید. با مطالعة سوابق، دلایل و روند شکل گیری این پدیده در شهرهای مختلف دنیا و تهران، نوع غالب جدایی گزینی در تهران اجتماعی اقتصادی تشخیص داده شد. در فرض اولیه، افراد جامعه به چهار گروه اجتماعی اقتصادی تقسیم شدند و برای هر یک از آنها ویژگی ها و رفتارهایی تعیین شد. پارامترهای مؤثر بر جدایی گزینی در قالب مجموعه ای از عوامل اقتصادی، اجتماعی و محیطی با روش AHP وزن دهی شدند و میزان تأثیر آنها در تصمیم گیری های هر گروه تعیین گردید. نقشه های مربوط به هر شاخل در محیط ArcGIS تولید و طبق سلسله مراتب چینش زیرمعیارها با یکدیگر تلفیق شدند. مدل پیشنهادی با برنامه نویسی در محیط Netlogo تکمیل شد. اطلاعات مکانی در قالب نقشه های تولید شده، در محیط Netlogo فراخوانی و آنالیزهای مربوط به تصمیم گیری عامل ها در قالب توابع موجود در این محیط انجام شد. الگوی جدایی گزینی در منطقة مطالعه شده در بازة سال های 1365 تا 1385 شبیه سازی شد. تأثیر دو پارامتر مهم شعاع همسایگی و سطح رضایت عامل ها در این الگو بررسی شد و مدل با استفاده از این دو و پارامترهای دیگری چون نرخ رشد جمعیت، اندازة پیکسل ها، قیمت املاک، تعداد عامل ها، سهم هر گروه از عامل ها از کل جمعیت، مقادیر عدم تجانس گروه های مختلف نسبت به هم و پرستیژ محله ها کالیبره شد. اعتبارسنجی مدل به روش تعیین درصد پیکسل های صحیح برآورد شده انجام گرفت و صحتی معادل 5/62 درصد را نشان داد. کلید واژه ها : جدایی گزینی سکونتی، مدل عامل مبنا، شبیه سازی.

وجود مراکز بهداشتی و بیمارستان ها در تمام جوامع ضروری است و مکان یابی و تخصیص جمعیت به آن ها یک مسئله بهینه سازی مهم در برنامه ریزی شهری می باشد. هدف از این پژوهش، مقایسه و ارزیابی عملکرد الگوریتم ژنتیک و الگوریتم بهینه سازی ازدحام ذرات ترکیبی برای تعیین مکان بهینه مراکز بیمارستان و تخصیص نقاط جمعیتی به آن ها می باشد. به منظور محدود کردن فضای جستجو، از قابلیت های تجزیه و تحلیل سیستم اطلاعات جغرافیایی ( GIS ) به همراه تحلیل سلسله مر ا تبی برای انتخاب سایت های نامزد استفاده شده است. سپس الگوریتم های نام برده برای تعیین شش مکان بهینه و تخصیص بلوک های نظیر به آن ها پیاده سازی شده اند. در این تحقیق هدف به حداقل رساندن مجموع تمام فاصله های بین مراکز بیمارستانی و بلوک های جمعیتی می باشد که برای این منظور از توسعه الگوریتم بهینه سازی ازدحام ذرات با تعریف جستجوی همسایگی برای ذره نخبه، استفاده شده است. برای کالیبره کردن پارامترهای هر یک از الگوریتم ها، مجموعه ای از داده های شبیه سازی منظم به کار رفته است. با در دست داشتن مقادیر مناسب برای پارامترها، الگوریتم ها بر روی داده های واقعی از منطقه مطالعاتی مورد آزمایش قرار گرفتند. نتایج نشان داده است که الگوریتم بهینه سازی ازدحام ذرات ترکیبی دارای عملکرد بهتری نسبت به الگوریتم ژنتیک می باشد. روند همگرایی الگوریتم ازدحام ذرات ترکیبی، سریع تر از الگوریتم ژنتیک می باشد. هر دو الگوریتم سطوح بالایی از تکرارپذیری را نشان داده اند؛ اما الگوریتم بهینه سازی ازدحام ذرات ترکیبی دارای ثبات بیشتری است. هم چنین برای هر دو نوع داده شبیه سازی و واقعی، الگوریتم بهینه سازی ازدحام ذرات ترکیبی سریع تر از الگوریتم ژنتیک عمل می کند. سادگی و تکرارپذیری الگوریتم ها از عوامل مهمی می باشند که از نقطه نظر کاربر بسیار مهم است. بنابراین با توجه به این معیارها، بهینه سازی ازدحام ذرات ترکیبی مطلوب تر از ژنتیک بوده است.

افزایش نیاز به زمین و محدودیت عرضة آن، نحوة استفاده از زمین را به چالشی اساسی در عرصة برنامه ریزی شهری تبدیل کرده است. در این میان، چینش مناسب و بهینة کاربری ها در کنار یکدیگر از چالش های اصلی برنامه ریزی کاربری اراضی شهری به شمار می آید. هدف اصلی پژوهش حاضر، به کارگیری الگوریتم بهینه سازی چندهدفة تجمعی ذرات (MOPSO) به منظور دستیابی به چینش بهینة کاربری های شهری در سطح ریزدانه است. در تدوین مدل پیشنهادی، از سامانة اطلاعات مکانی (GIS) به عنوان مولد گزینه ها و سناریوهای مکانی بررسی شده استفاده گردید. به این منظور پارامترهای روش به کار گرفته شده با کاربرد مورد نظر سازگار شدند و گزینه های تصمیم سازی برمبنای توابع هدف و شروط مسئله ایجاد گردید. سپس با نمایش جواب های بهینه و تفاوت میان آنها، به کاربر امکان تصمیم گیری داده شد. این مدل در یک محدوده از منطقة هفت تهران اجرا شد و نتایج آن به دست آمد، که نشان دهندة تکرارپذیری و ثبات روش به کار گرفته شده است. در چینش کاربری ها در سطح ریزدانه با توجه به تعدد قطعات و تنوع کاربری ها و نیاز به برآورده کردن هم زمان چند هدفِ گاه ناسازگار با هم، استفاده از MOPSO می تواند تا حد زیادی پیچیدگی های مربوط به انتخاب و ارزیابی گزینه های تصمیم گیری را حل کند. ریزدانه بودن مدل ارائه شده، حالت دینامیک آن در پشتیبانی از تصمیم گیری مکانی، و ایجاد حالت های گوناگون از چینش کاربری ها برای تصمیم گیری براساس توابع هدف، از نوآوری های پژوهش حاضر است. کلید واژه ها : چینش بهینة کاربری شهری، سیستم اطلاعات مکانی، الگوریتم بهینه سازی چندهدفة تجمعی ذرات (MOPSO)، تصمیم گیری چندهدفه.

پهنه بندی کیفیت آب رودخانه نخستین و مهم ترین مرحله در مدیریت کیفیت آب است، که ذهن تحلیلگر را با روند و چگونگی تغییرات آلودگی برحسب زمان، مکان و شرایط خاص آشنا می سازد. پژوهش حاضر درصدد است با استفاده از شبکه های عصبی مصنوعی و سامانه اطلاعات جغرافیایی به پهنه بندی کیفیت آلودگی آب رودخانه سیمینه رود بپردازد. داده های کیفی استفاده شده در تحقیق، حاصل نمونه برداری از رودخانة سیمینه رود در سه فصل بهار و پاییز 1387 و بهار 1388 است که با استفاده از مدل QUAL2K شبیه سازی شد. خروجی مدل با داده های مشاهده ای مقایسه گردید و پارامترهای نیترات، اکسیژن محلول و هدایت الکتریکی ِ مربوط به فصل پاییز 1387 به عنوان داده های هدف انتخاب شدند. داده های ورودی شامل داده های مربوط به کاربری اراضی، زمین شناسی، قابلیت فرسایش و مراکز جمعیتی مربوط به حوضة سیمینه رود هستند که به همراه داده های هدف بعد از آماده سازی در محیط GIS به مدل شبکة عصبی معرفی شدند. در این تحقیق از پنج ساختار مختلف مدل FFBP شبکة عصبی استفاده شد و نتیجة ساختار منتخب با خروجی های حاصل از مدل رگرسیون چندمتغیره مقایسه گردید، که برتری مدل شبکة عصبی مذکور را نشان داد. نتیجه تحقیق حاضر نشان می دهد که شبکه های FFBP با ساختار 3-40-40-4 بهترین کارایی را دارند، و شبکه عصبی در پهنه بندی کیفیت آلودگی آب قابلیت بالایی دارد.

در زمینه مسائل تخصیص خدمات و مراکز خدماتی با ظرفیت مشخصی برای متقاضیان، مطالعات کمی صورت گرفته است و اکثر راه حل های ارائه شده برای این نوع مسائل، محاسباتی پیچیده دارند. برای حل این مشکل، روش های ابتکاری متناسب با شرایط مسئله شکل گرفته اند. همچنین در بیشتر کاربردها و مسائل تخصیص، بخش مهمی از اطلاعات و تحلیل ها جنبه مکانی دارد، ولی پژوهشگران تحقیق در عملیات و مدیریت که در این زمینه مطالعه بیشتری دارند، معمولاً به این موضوع کمتر توجه کرده اند. تخصیص مصدومان زلزله به مراکز درمانی را می توان در مسائل تخصیص های ظرفیت دار طبقه بندی کرد که اهمیت زیادی در مدیریت بحران زلزله دارند. از این رو، تکوین روشی مناسب برای بهینه سازی تخصیص مصدومان به مراکز درمانی اثر مهمی در کاهش زمان امداد رسانی و درنتیجه، کاهش صدمات جانی دارد. در این مقاله، ارائه روشی ابتکاری بر پایه الگوریتم ژنتیک برای بهینه سازی عملیات تخصیص مصدومان زلزله به مراکز درمانی، با استفاده از قابلیت های سامانه اطلاعات مکانی (GIS) توضیح داده می شود. به منظور بررسی کارایی الگوریتم طراحی شده، دو روش متفاوت برای تعداد و نحوه پراکندگی مکانی مصدومان زلزله برای منطقه مطالعه شده درنظر گرفته شد. مشکل دیگری که در پیاده سازی روش طراحی شده به آن توجه شده است، تأثیر میزان جمعیت اولیه الگوریتم ژنتیک در نحوه حل مسئله و زمان حل آن بود. با بررسی نتایج به دست آمده می توان گفت ساختار طراحی شده توانایی لازم برای حل این نوع مسائل را با انتخاب میزان جمعیت اولیه مناسب دارد.

در طول 10 سال اخیر، خودکاره های سلولیبه صورت گسترده ای در شبیه سازی پدیده های مکانی مورد توجه و استفاده قرار گرفته اند. با این حال، به دلیل ماهیت قطعی و توجه نکردن به عدم قطعیت در خودکاره های سلولی کلاسیک، محدودیت های گوناگونی برای شبیه سازی این گونه پدیده ها به وجود آمده است. در پژوهش حاضر، خودکاره های سلولی کلاسیک ازطریق تلفیق آن با نظریة فازی معرفی شده اند. در این تحقیق، قوانین انتقال به صورت فازی بیان شده و بر مبنای آن مدل خودکاره های سلولی فازی ارائه شده است. مدل مذکور به منظور شبیه سازی فرایند توسعة شهری اصفهان در طول سال های 1990 تا 2009 به کار گرفته شده است. کلید واژه ها : خودکارة سلولی، نظریة مجموعة فازی، توسعة شهری، ماتریس خطا.

اهمیت روزافزون مسکن به لحاظ تأثیرات عمیق و قابل توجهی که بر ابعاد مختلف اجتماعی، سیاسی و اقتصادی کشورها می گذارد، بر کسی پوشیده نیست؛ بنابراین برآورد دقیق و قابل اعتماد قیمت به طورقطع امر سیاست گذاری در این زمینه را آسان می نماید. در شرایط مختلف ممکن است صدها عامل به صورت زیرمجموعه ای از عوامل ساختاری، مکانی و اجتماعی – اقتصادی بر قیمت املاک تأثیر بگذارد. بنابراین بایستی با در نظر گرفتن این عوامل، قیمت گذاری املاک به طور کارآمد انجام شود. با توجه به ماهیت پیچیده ی بازار املاک در تحقیقات انجام شده از الگوریتم های متداول یادگیری عمیق مانند DNN ، RNN،  CNNو ... استفاده شده است، اما این الگوریتم ها در خصوص داده های جدولی چندان مناسب نمی باشند. از طرفی مدل های یادگیری عمیق موجود در قیمت گذاری ملک نیز کاملاً قطعی هستند و عدم قطعیت داده ها را لحاظ نمی کنند. در این مقاله سعی شده است که در به کارگیری روش های یادگیری عمیق به ساختار جدولی داده های املاک توجه شود. برای این منظور معماری عمیق جدید TabNet به کار گرفته شده است. این الگوریتم برخلاف سایر الگوریتم های متداول یادگیری عمیق داده های جدولی خام را بدون هیچ گونه پیش پردازشی دریافت می کند. در این پژوهش هم چنین با استفاده از تکنیک های ترکیب موجود، منطق فازی با الگوریتم های یادگیری عمیق ترکیب شده است تا ضمن یادگیری سریع و دقیق تر مسائل پیچیده، بر کاستی های قطعی بودن مدل های یادگیری عمیق و در نظر نگرفتن عدم قطعیت ذاتی داده ها در این مدل ها غلبه شود. همچنین با به کارگیری سیستم اطلاعات مکانی (GIS) ارزیابی شفاف تری ارائه شد تا بصری سازی کامل الگوی مکانی ویژگی های ملک و همچنین ارتباط این ویژگی ها و قیمت گذاری تضمین  و متغیرهای مکانی نیز در مدل ارزش گذاری لحاظ شوند. به منظور ارزیابی روش های پیشنهادی از داده های املاک منطقه ی پنج تهران استفاده شده است. ترتیب و اولویت بندی تأثیرگذاری ویژگی ها در قیمت گذاری املاک مسکونی تهران توسط الگوریتم TabNet نشان دهنده ی تأثیر قابل توجه عوامل مکانی می باشد. به طوری که در این رتبه بندی  پس از مساحت دو ویژگی مکانی طول و عرض جغرافیایی به ترتیب رتبه ی دوم و سوم را دارا می باشند. درنهایت برای مجموعه داده ی تهران الگوریتم های TabNet، DNN،CNN ، RNN، LSTM، خود رمزگذار و همچنین الگوریتم یادگیری ماشین XGBoost به کار گرفته شده و معیارهای ارزیابیRMSE ،MAE  و  مقایسه شدند که بر اساس معیار، با به کارگیریTabNet   پنج درصد بهبود دقت حاصل شد. درنهایت RMSE الگوریتم ترکیبی FuzzyTabNet برای داده ی تهران نسبت به الگوریتم پایه ی TabNet  4.65% کاهش یافت. همچنین شبکه ی خود رمزگذار فازی نیز نسبت به شبکه ی خود رمزگذار معمولی 6.52 درصد بهبود یافت.

امروزه با افزایش روز افزون استفاده کاربران از شبکه های اجتماعی، اطلاعات مکانی مردم گستر رشد چشمگیری داشته است. از میان انواع اطلاعات، محتواهای متنی کاربرتولید غالباً در ساختار مشخصی به اشتراک گذاشته نمی شوند. یکی از ویژگی های عمده این نوع اطلاعات محل مبنا بودن آن ها است.محل های مورد گفت گوی بشر معمولاً همراه با ابهام و وابسته به بافت است. عملکرد محل یا به عبارتی عمده فعالیت هایی که افراد در یک محل انجام می دهند، به عنوان یک بافت در توصیفات محل، ازجمله ویژگی های عمده و متمایز کننده محل است. هدف این تحقیق استخراج عملکرد محل با استفاده از تحلیل محتواهای متنی کاربرتولید به اشتراک گذاشته شده توسط کاربران است. به این منظور ابتدا محل ها و نظرات کاربران در مورد محل ها در وبگاه TripAdvisorبه عنوان محتواهای متنی، جمع آوری شده، سپس از روش های مختلف پردازش زبان طبیعی به منظور آماده سازی و پیش پردازش داده ها استفاده می شود. در ادامه برای هر دیدگاه کاربر یک مجموعه واژگان با استفاده از مقادیر TF-IDFبه عنوان مقادیر بردار ویژگی ساخته می شود. سپس در یک روش نظارت شده این مقادیر به همراه عملکرد محل هابه عنوان ورودی به یک طبقه بندی کننده لجستیک رگرسیون به منظور آموزش مدل داده شده و با استفاده از آن عملکرد محل بر روی داده های آزمایشی پیش بینی شده است. نتایج ارزیابی روش از طریق محاسبه ماتریس درهم ریختگی نشان می دهد، صحت کلی روش پیشنهادی در حدود 96درصد است که رقم قابل توجهی است. همچنین بیشترین دقت و امتیاز F1 برای محل های سرو خوراکی است، درحالی که اقامتگاه ها به دلیل شباهت عملکردی به هتل ها کمترین دقت و امتیاز F1را دارند ولی با این وجود نتایج آن ها نیز قابل اطمینان و رضایت بخش است.