پژوهشنامه حمل و نقل

"با توسعه سیستم‌های حمل‌ونقل هوشمند، فرآیند برنامه‌ریزی سیستم‌های حمل‌ونقل عمومی مانند اتوبوس و قطار شهری از حالت استاتیک (برنامه‌ریزی بر اساس داده‌های گذشته) به حالت پویا (برنامه‌ریزی براساس داده‌های گذشته و لحظه‌ای) تغییر کرده است. در هر دو فرآیند فوق، زمان سفر به عنوان مهم ترین پارامتر برنامه‌ریزی محسوب می‌شود. در بیشتر مطالعات گذشته حوزه برنامه‌ریزی حمل‌ونقل عمومی، مبنای برآورد زمان سفر، استفاده از رویکرد توزیع‌های احتمالی بوده است. اما پیش‌بینی دقیق و صحیح زمان سفر نیازمند توسعه مدلهای پیش‌بینی متناسب با هر نوع فرآیند برنامه‌ریزی و بر اساس تأثیر متغیرهای مؤثر بر زمان سفر است. در این مقاله با مطالعه سیستم حمل‌ونقل عمومی شهر تهران (اتوبوسرانی)، متغیرهای مؤثر بر زمان سفر، شناسایی شده و میزان تأثیر هر یک از آنها بر زمان سفر اندازه‌گیری شده است. دو مدل پیش‌بینی مبتنی بر رگرسیون خطی و شبکه عصبی پیش‌خوراند جهت پیش‌بینی زمان سفر وسایل نقلیه عمومی بین دو ایستگاه متوالی قابل استفاده در فرآیندهای برنامه‌ریزی استاتیک و پویا طراحی شده است. مقدار ضریب همبستگی بین مقادیر واقعی و پیش‌بینی شده برای متغیر زمان سفر در شبکه اتوبوسرانی شهر تهران، در مدل رگرسیون حدود 75% و در مدلهای شبکه عصبی حدود 94% بوده است. "

این مقاله به بررسی مسأله زمانبندی در یک زنجیره تأمین 3 مرحله ای می پردازد. مرحله اول شامل تأمین‌کنندگان، مرحله دوم شامل ناوگان حمل‌ونقل کالاها و مرحله سوم شامل یک شرکت سازنده محصولات نهایی است. ناوگان حمل‌ونقل شامل چندین وسیله نقلیه می شود که دارای سرعتها و ظرفیتهای متفاوت برای حمل کالا هستند. هدف، تخصیص کارها به تأمین کنندگان و وسائط نقلیه به نحوی است که کارها زودتر تحویل شرکت سازنده شوند. نشان داده می شود که پیچیدگی این مسأله از نوع NP-hard است و در نتیجه استفاده از روشهای دقیق برای حل مسأله در زمان معقول امکان پذیر نیست. برای حل این مسأله یک الگوریتم ژنتیک که در اینجا الگوریتم ژنتیک پویا نامیده شده است و دارای کروموزومهایی با ساختار متغیر است ارایه می شود. از آنجا که این مسأله تاکنون در ادبیات موضوع مورد بررسی قرار نگرفته است، مبنای مناسبی جهت ارزیابی الگوریتم ژنتیک ارایه شده وجود ندارد. بنابراین الگوریتم ژنتیک ارایه شده با روش جستجوی تصادفی (Random Search) مقایسه شده است. همچنین الگوریتم ژنتیک ارایه شده در یک حالت خاص با روش مربوط به نزدیک‌ترین مسأله در ادبیات موضوع مقایسه شده است. نتایج، نشان از برتری الگوریتم ژنتیک پویا در هر دو مقایسه انجام شده دارد.

امروزه یکی از چالش‌های اصلی شبکه‌های ترافیکی، هدایت وسایل نقلیه به مقصدشان تحت وضعیت پویای ترافیک با هدف کاهش زمانهای سفر و استفاده موثرتر از ظرفیتهای موجود شبکه است. در پاسخ به مسایل بیان شده، سیستم هدایت مسیر پویا رویکردی موثر به نظر می‌رسد. این سیستم از جمله حوزه‌های مهم فعالیت سیستمهای هوشمند حمل‌و‌نقل است. هسته اصلی سیستم هدایت مسیر پویا، محاسبات کوتاه‌ترین مسیر بر اساس شرایط جاری (اطلاعات زمان واقعی) است. بنابراین با توجه به ضرورتهای بیان شده، هدف کلی تحقیق را می‌توان در قالب توسعه راهبرد قوی مسیریابی برای سیستم‌های هدایت مسیر تحت وضعیت پویای محیط تعریف کرد. به این منظور در این مقاله با بیان یک چارچوب مفهومی‌هدایت مسیر مبتنی بر ساختار مسیریابی غیرمتمرکز، به چگونگی کاربرد تکنیکهای عامل گرا با تاکید بر یادگیری تقویتی به عنوان یک راه حل در مواجهه با نامعینی‌های مسأله مسیریابی وسایل نقلیه در شبکه‌های ترافیکی پرداخته شده است. از نتایج مهم تحقیق ارایه شده می‌توان به توانائی مدلهای یادگیری پیشنهاد شده در ارایه سیاست یا استراتژی انتخاب مسیر در تطبیق با شرایط پویای ترافیکی و نیز ارایه آلترناتیوهای مختلف پیشنهادی طی مسیر برای رانندگان با هدف حداقل کردن معیار زمانهای سفر وسایل نقلیه اشاره کرد.