سید صابر ناصرعلوی

برنامه‌ریزی پرواز از جمله مسائل اصلی شرکتهای هواپیمایی است که به صورت یک مسأله بهینه سازی از دیرباز مطرح بوده است. مسأله جامع برنامه ریزی پرواز معمولاً برای حل، به چند زیر مسأله تقسیم می شود. تخصیص هواپیما یکی از زیر مسائل برنامه ریزی پرواز است. در این مسأله با فرض معلوم بودن برنامه زمانبندی پروازها و مشخصات ناوگان آماده پرواز، نوع هواپیمای هر پرواز تعیین می شود. طی مطالعات دهه اخیر، این مسأله به صورت یک مسأله جریان در شبکه چند کالایی(Multi Commodity Network Flow) با متغیرهای صحیح و حقیقی مدلسازی شده و برای حل آن، از روشهای مرسوم در حل این نوع مسائل استفاده شده است. تحقیق حاضر با اصلاح یکی از مدلهای موجود، برای یک شرکت هواپیمایی داخلی، به بررسی و حل مسأله می پردازد. در اینجا چندین مسأله نمونه تخصیص هواپیما به پروازِ شبه واقعی با سه روش، از جمله روشهای مبتنی بر بکارگیری الگوریتمهای ژنتیک (Genetic Algorithm)، گرم و سرد کردن شبیه سازی شده (Simulated Annealing) و بهینه سازی کولونی مورچه (Ant Colony Optimization) حل شده است. برای ارزیابی کارآیی الگوریتمها، از نرم افزار GAMS، به منظور محاسبه جواب دقیق استفاده شد. در نهایت با توجه به نتایج حل مسائل نمونه با روشهای مذکور درمقایسه با نرم افزار بهینه سازی GAMS ، معلوم شد که روشهای هیوریستیک پیشنهادی در مدت زمان کوتاه تر، جوابهای قابل قبول تری ارایه می کنند و دارای مطلوبیت و قابلیت بسیاری برای حل مسأله تخصیص هواپیما به پرواز هستند.

تصادفات پدیده ای چند علتی است که نمی توان آن را با درنظر گرفتن عواملی محدود به طور کامل کنترل و مدیریت کرد. یکی از مهم ترین عوامل مؤثر در اولویت بندی معابر پر خطر شهری (تصادف خیز) برای عابران پیاده، عوامل محیطی وقوع تصادف است که تاکنون در روش های موجود به طور جامع در نظر گرفته نشده است. اولویت بندی این معابر را نمی توان بدون در نظر گرفتن و استفاده از آمار و اطلاعات وضع موجود، از ترکیب های خطی و مدل های ساده ریاضی مورد بررسی قرار داد زیرا تصمیم گیری درباره انتخاب معابر پرخطر را دچار مشکل می کند. در این تحقیق با ارائه روش مشاهده ای با استفاده از شبکه های عصبی مصنوعی، مدلی جدید به منظور اولویت بندی معابر پر خطر شهری با محوریت عابران پیاده ارائه می شود. در این روش، معابر شهری مذکور با درنظرگرفتن هم زمان پارامترهای هندسی، ترافیکی و کنترلی با استفاده از یک مدل ارائه شده با شبکه های عصبی مصنوعی و آمار و اطلاعات تصادفات عابران پیاده به عنوان مدل پیش بینی و به دنبال آن، استفاده از داده های تصادفات و خطرپذیری معابر به عنوان مدل اولویت بندی ارائه شده است. از عوامل مؤثر در تولید این مدل می توان به طول معابر، عرض معابر، عرض پیاده روها، پارک حاشیه ای معابر، عرض میانه معبر، محدودیت سرعت معبر، روشنایی معابر، کیفیت رویه آسفالت معابر، میزان تفکیک سواره رو و پیاده رو، کاربری اطراف معابر، میزان حضور پلیس در معابر، میزان تناسب سرعت با کاربری در معابر، تناسب گذرگاه های عرضی و شیب معابر اشاره کرد. استفاده از مدل ارائه شده با عوامل ذکرشده در این تحقیق، دقت و کارایی فرآیند اولویت بندی معابر پرخطر شهری برای عابران پیاده، با استفاده از آمار و اطلاعات تصادفات به مقدار قابل توجهی افزایش می دهد.

بسیاری از تحلیلهای مهندسی ترافیک با استفاده از ابزار شبیه سازی خرد جریان ترافیک صورت می پذیرد. مدلهای تعقیب خودرو از مهم ترین زیر مدلهای شبیه سازی خرد جریان ترافیک است که به کنترل رفتار رانندگی در ارتباط با خودروی جلویی واقع در خط عبور مشابه می پردازد. تعدد مدلهای تعقیب خودرو آن چنان زیاد است که ضرورت شناخت هر مدل را، قبل از انتخاب آن، ایجاب می کند. در این تحقیق، مدل معروف تعقیب خودروی جنرال موتورز (GM)، مد نظر قرار می گیرد و خصوصیات حالت ساده شده ای از این مدل، که زمان عکس العمل برای همه راننده ها صفر است (مدل رانندگی پاسخ سریع)، بررسی می شود. برای این منظور چندین سناریوی ساختگی برای فرآیند تعقیب خودروی معمول، تعریف و با شبیه سازی مدل رانندگی پاسخ سریع ویژگیهای این مدل ارزیابی می شود. همچنین، رویکرد استفاده از مبانی معادلات دیفرانسیل برای پیش بینی و تخمین رفتار خودروی تعقیب کننده با توجه به فرض معلوم بودن رفتار حرکتی خودروی جلویی پیشنهاد می شود. به علاوه، برای شناخت بیشتر خصوصیات مدل، از داده های سری زمانی فرآیند تعقیب خودروی واقعی استفاده شده و مدل رانندگی پاسخ سریع با این داده ها پرداخت می شود. نتایج ارزیابی مدل با داده های واقعی نشان می دهد که مدل تعقیب خودروی پاسخ سریع رفتار دنیای واقعی را به طور قابل قبول (RMSPE=1.7 %) مدل سازی می کند. همچنین، نتایج نشان می دهند مبانی معادلات دیفرانسیل ابزار قدرتمندی برای تحلیل مدل رانندگی پاسخ سریع است و استفاده از این رویکرد به شناخت بیشتر خصوصیات مدل و کاهش هزینه های محاسباتی منجر خواهد شد.