یک روش جدید برای حل مسئله حمل و نقل عمومی با استفاده از برنامه‌ریزی خطی و الگوریتم فراابتکاری ترکیبی PS-ACO

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد، دانشکده علوم کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

2 استادیار، گروه مهندسی صنایع، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

چکیده

اتوبوس­رانی یکی از مهم‌ترین سامانه­­های حمل و نقل عمومی شهری بوده و اتوبوس به دلیل امتیازات خاص خود نسبت به سایر سامانه‌ها، بیشتر مورد توجه قرار گرفته است. در اکثر شهرها، سامانه  اتوبوس­رانی با توجه به فقدان سامانه­های پیشرفته حمل و نقل از قبیل مترو، تراموا، قطار سبک شهری و مانند آن‌ها وظیفه سنگینی را بر عهده دارند. به علت ویژگی‌های مثبت و مزایای این سامانه، ارتقای کارآیی آن به برنامه‌ریزی، اندیشه و راه‌حل‌های متعدد مسئولین و متخصصین این امر نیاز دارد. در این مقاله، یک مدل برنامه‌ریزی خطی به منظور بهینه‌سازی سیستم اتوبوس­رانی شهری با هدف کمینه کردن مجموع هزینه­های راه­اندازی خطوط، هزینه تعمیرات و نگهداری و میزان مصرف سوخت و همچنین با کمینه‌سازی زمان ورود اتوبوس به ایستگاه‌ها سطح رفاه مسافران را به حداکثر برساند. مدل پیشنهادی در نرم افزار GAMS شبیه­سازی گردیده و  بر روی آن تحلیل حساسیت صورت گرفته است. با توجه به پیچیدگی و زمان محاسباتی بالای مدل پیشنهادی، یک روش فراابتکاری ترکیبی مبتنی بر رهیافت­های کولونی مورچگان(ACO) و ازدحام ذرات (PSO) موسوم به PS-ACO نیز برای حل آن توسعه داده شدهو در نرم­افزار متلب (MATLAB)  شبیه­سازی گردیده است. نتایج محاسباتی نشان می‌دهد هزینه سوخت و فاصله مکانی بین ایستگاه­ها، بیشترین تاثیر در میزان هزینه­های عملیاتی و فاصله زمانی بین ایستگاه­ها و بیشترین تاثیر در سطح رفاه مسافرین را دارد. همچنین تعداد ایستگاه­ها، تاثیر بیشتری بر پیچیدگی و زمان حل مدل نسبت به تعداد مسیر و تعداد اتوبوس از خود نشان می­دهد.

کلیدواژه‌ها

موضوعات


-        افندی زاده، ش.، جوانشیر، ح. و الیاسی، ر. (1391) "طراحی خطوط اتوبوسرانی شهری با استفاده از روش جستجوی ممنوع"،  فصل­نامه مهندسی حمل و نقل، دوره 1، شماره 4،  ص. 13-26
-        افندی زاده، ش.، مومن پور، الف. و  ناصری علوی، م. پ. (1394) "تحلیل تقاضای سفر با رویکرد به مدل شبکه عصبی و روش رگرسیون، بررسی موردی محور( خلخال – اردبیل)"، چهاردهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک، تهران، معاونت و سازمان حمل و نقل ترافیک.
-        بهره­دار، ا.لف، بهره­دار، م. و صالحی، پ.(1394) "بررسی روش‌های کاهش زمان توقف قطار در ایستگاه های شبکه حمل و نقل ریلی درون شهری، از طریق بهینه­سازی عوامل تاثیرگذار بر زمان سوار و پیاده شدن مسافران در سکوهای مسافری"، چهاردهمین کنفرانس بین‌المللی مهندسی حمل و نقل و ترافیک، تهران، معاونت و سازمان حمل و نقل ترافیک.
-        بیتاباجی، ف. (1372)  "بررسی و تحلیل مسائل ترافیکی شهر مشهد (حمل‌ و نقل عمومی)"، پایان­نامه کارشناسی ارشد جغرافیا، دانشگاه اصفهان، اصفهان.
-        شهدایی, ع. م.، رحیمی، الف. م. و احدی، م. (1394) "حل مسئله مسیریابی وسیله نقلیه همراه با تحویل و بارگیری همزمان با استفاده از الگوریتم ژنتیک"، چهاردهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک، تهران، معاونت و سازمان حمل و نقل ترافیک.
-        کاشانی­جو، خ. و مفیدی شمیرانی، م. (1388)  "سیر تحول نظریه­های مرتبط با حمل‌ و نقل درون‌شهری"، نشریه هویت شهر، شماره 4، ص 14-3.
-        کاظم خانلو، ح. و احدی، ح. ر. (1394) "ارائه یک رویکرد جدید برای آنالیز هزینه‌ها در سیستمهای مختلف حمل و نقل (مطالعه موردی؛ صنعت حمل و نقل کشور ترکیه)"، چهاردهمین کنفرانس بین المللی مهندسی حمل و نقل و ترافیک، تهران، معاونت و سازمان حمل و نقل ترافیک.
-        عطایی، الف.، توکلی مقدم، ر. و عزیزی، ز. (1396) "بهینه سازی سیستم حمل و نقل عمومی با استفاده از الگوریتم بهینه سازی انبوه ذرات با بردار ارزیابی - مطالعه موردی در سازمان اتوبوس رانی". فصل­نامه مهندسی حمل و نقل، آماده انتشار.
-        مهندسین مشاور طراحان تردد تهران (1385) "مطالعات طرح ساماندهی حمل‌ و نقل و ترافیک شهر زاهدان"، شماره 3.
-Afandizadeh, Sh., Khaksar, H. and Kalantari, N. (2012) “Bus fleet optimization using genetic algorithm, a case study of Mashhad”, International Journal of Civil Engineering, Vol. 11, No. 1, pp. 43-52.
-Ciprian, D. Suciue, G., Chilipieria, C. and Gorman, C. (2012) “Mobility beyond individualism: an integrated platform for intelligent transportation systems of tomorrow”, ITS Romania Congress, Romani, pp. 31-35.
-Dorigo, M., Maniezzo, V. and Colorni, A. (1996) “The ant system: Optimization by a colony of cooperating agents”, IEEE TransSyst Man Cybern, Vol. 26, No. 2, pp. 889-914.
-Fan, W., Winkler, M. and Tian, Z. (2010) “Arterial signal timing and coordination: sensitivity analyses, partition techniques, and performance comparisons”, Journal of Advances in Transportation Studies, Vol. 23, No. 1, pp. 53-66
-Farahani, R., Miandoabchi, E., Szeto, W. and Rashidi, H. (2013) “A review of urban transportation network design problems”, European Journal of Operational Research, Vol. 229, No. 2, pp. 281-302.
-Hosseini-Motlagh, S. M., Ahadpour, P. and Haeri, A. (2015) “Proposing an approach to calculate headway intervals to improve bus fleet scheduling using a data mining algorithm”, Journal of Industrial and Systems Engineering, Vol. 8, No. 4, pp. 74-88.
-Hu, J., Shi, X., Song, J. and Xu, Y. (2005) “Optimal design for urban mass transit network based on evolutionary algorithm”, Lecture Notes in Computer Science, 3611 L. Wang, K. Chen, and Y. S. Ong, eds., Springer, Berlin-Heidelberg.
-Huang, M. (2011) “A study on bus routing problem: an ant colony optimization algorithm approach”, Emerging Research in Artificial Intelligence and Computational Intelligence, Vol. 237, No. 1, pp. 570-575.
-Ibarra-Rojas, O. and Rios-Solis, Y. (2012) “Synchronization of bus timetabling”, Transportation Research Part B: Methodological, Vol. 46, No. 5, pp. 599-614.
-Ibeas, A., Dell’Olio, L., Alonso, B. and Sainz, O. (2010) “Optimizing bus stop spacing in urban areas”, Transportation Research Part E: Logistics and Transportation Review, Vol. 46, No. 3, pp. 446-458.
-Kennedy, J. and Eberhart, R. C. (1995) “Particle swarm optimization”, Proceedings of IEEE conference neural networks, Vol. IV, Piscataway, NJ, 1942-1948.
-Koncheva, E., Zalesskiy, N. and Zuzin, P. (2015) “Optimization of regional transportation systems: The case of Perm Krai”, National Research University, Higher School of Economics, Institute for Transport Economics and Transport Policy Studies, Russia.
-Liu, Z., Yan, Y., Qu, X. and Zhang, Y. (2013) “Bus stop-skipping scheme with random travel time”, Transportation Research Part C: Emerging Technologies, Vol. 35, pp. 46-56.
-Liu B-Z, Ge, Y-E, Cao, K., Jiang, X., Meng, L. and Liu, D. (2017) “Optimizing a desirable fare structure for a bus-subway corridor”, PLoS ONE, Vol. 12, No. 10, https://doi.org/10.1371/  journal.pone.0184815.
-Mandle, C. (1980) “Evaluation and optimization of urban public transportation networks”, European Journal of Operational Research, Vol. 5, No. 6, pp. 396-404.
-Martínez, H., Mauttone, A. and Urquhart, M. (2014) “Frequency optimization in public transportation systems: Formulation and metaheuristic approach”, European Journal of Operational Research, Vol. 236, No. 1, pp. 27-36.
-Saeidi, Sh. (2014) “A genetic algorithm for route optimization in public transportation problem”, International Conference on Business and Information, Osaka, Japan.
-Saharidis, G., Dimitropoulos, C. and Skordilis, E. (2013) “Minimizing waiting times at transitional nodes for public bus transportation in Greece”, Operational Research, Vol. 14, No. 3, pp. 341-359.
-Shi,Y. H. and Eberhart, R. C. (1998) “A modified particle swarm optimizer”, Proceedings of 1998 IEEE International Conference on Evolutionary Computation, Anchorage, AK, USA, pp. 69-73.
-Schöbel, A. (2011) “Line planning in public transportation: models and methods”, OR Spectrum, Vol. 34, No. 3, pp. 491-510.
-Shuang, B., Chen, J. and Li, Zh. (2011) “Study on hybrid PS-ACO algorithm”, Applied Intelligence, Vol. 34, pp. 64-73.
-Tang, C., Ceder, A. and Ge, Y. (2017) “Integrated Optimization of Bus Line Fare and Operational Strategies Using Elastic Demand.” Journal of Advanced Transportations, Vol. 2017, doi:10.1155/2017/7058789
-Yetişkul, E. and  Şenbil, M. (2010) “Public bus transit travel-time variability in Ankara”, Transport Policy, Vol. 23, pp. 50-59.
-Zhao, F. and Gan, A. (2003) “Optimization of transit network to minimize transfers”, Miami, Fla.: Lehman Center for Transportation Research, Florida International University.
-Zhao, F. (2006) “Large-scale transit network optimization by minimizing user cost and transfers”, Journal of Public Transportation, Vol. 9, No. 2, pp. 107-129.