1-   فصل اول: کلیات تحقیق… 2

1-1-  طرح مسئله. 2

1-2-  ضرورت انجام تحقیق.. 4

1-3-  سوالات تحقیق.. 6

1-4-  فرضیه ها 6

1-5-  اهداف تحقیق.. 6

1-6-  معرفی ساختار پایان نامه. 7

2– فصل دوم: منطقه مورد مطالعه و پیشینه تحقیق 9

2-1-  مقدمه. 9

2-2-  منطقه مورد مطالعه. 9

2-2-1-    موقعیت جغرافیایی شهر کرمان.. 9

2-2-2-    گسل­ها 11

2-2-3-    سابقه لرزه خیزی.. 12

2-2-4-    نتیجه گیری: 13

2-3-                                                      مروری بر پیشینه تحقیقاتی  14

2-3-1-    تحقیقات انجام شده در زمینه اسکان موقت با استفاده از هوش مصنوعی و GIS. 14

2-3-2-    مکان­یابی و تخصیص با استفاده از هوش مصنوعی.. 18

3-  فصل سوم: مبانی نظری تحقیق… 25

3-1-  مقدمه. 25

3-2-  مدیریت بحران.. 25

3-2-1-    اهمیت و ضرورت مدیریت بحران.. 26

3-2-2-    چرخه مدیریت بحران و فازهای آن.. 26

3-2-3-    جایگاه اسکان موقت در مدیریت بحران.. 28

3-2-4-    برنامه ریزی اسکان موقت در مدیریت بحران.. 28

3-2-5-    مراحل کلی فرآیند بهینه­سازی اسکان موقت… 29

3-3-  مفاهیم تخصیص و مکان­یابی  30

3-3-1-    مکانیابی در GIS. 30

3-3-2-    مسئله مکان­یابی و تخصیص…. 31

3-4-  روش­های حل مسئله مکان­یابی و تخصیص…. 35

3-5-  بهینه یابی.. 37

3-5-1-    الگوریتمهای فراابتکاری   38

 

3-6-  هوش مصنوعی.. 39

3-6-1-    شاخههای هوش مصنوعی   39

3-6-2-    سیستم اطلاعات جغرافیایی و ارتباط آن با هوش مصنوعی.. 40

3-6-3-    نقش هوش مصنوعی در مدیریت بحران زلزله. 41

3-6-4-    هوش جمعی   41

3-7-  الگوریتم بهینه سازی کلونی مورچه  42

3-7-1-    منشاء زیست شناسانه الگوریتم کلونی مورچه­ها 42

3-7-2-    ساختار مسائل قابل مدلسازی برای حل با مجموعه الگوریتم­های مورچه. 45

3-7-3-    شبیه­سازی رفتار مورچهها در ACO.. 46

3-7-4-    ساختار عمومی الگوریتم های ACO.. 48

3-7-5-    حل مسئله TSP با استفاده از الگوریتمACO.. 49

3-7-6-    ترکیبات مختلف  و … 53

3-7-7-    مجموعه الگوریتم های ACO.. 54

4–   فصل چهارم: مواد و روش ها 57

4-1-  مقدمه. 57

4-2-  داده­های مورد نیاز. 58

4-2-1-    معیارهای ناسازگاری.. 58

4-2-2-    معیارهای سازگاری.. 61

4-2-3-    بلوکهای جمعیتی(نقاط تقاضا) 64

4-2-4-    مکانهای امن(نقاط عرضه) 65

4-3-  محاسبه تناسب مکانی.. 66

4-4-  اجرای گام­های مکان­یابی و تخصیص در تحقیق حاضر. 69

4-4-1-    گام اول:  انتخاب مکان­های امن.. 69

4-4-2-    گام دوم: انتخاب مسیر انتقال بلوک­های جمعیتی به مکان­های امن.. 74

4-4-3-    گام سوم: تخصیص جمعیت… 75

4-4-4-    بروزرسانی فرومون.. 81

4-5-  جمع­بندی.. 83

5-  فصل پنجم: نتایج و بحث… 86

5-1-  مقدمه. 86

5-2-  ارزیابی عملکرد الگوریتم ACO با در نظر گرفتن مقادیر مختلف  و : 86

5-2-1-    بررسی تغییرات پارامتر : 87

5-2-2-    بررسی تغییرات پارامتر : 90

5-3-  بررسی تغییرات  ضریب تبخیر بروی تابع هدف.. 92

5-4-  بررسی نمودار همگرایی نهایی مدل.. 92

5-5-  ارزیابی پایداری نتایج.. 94

5-6-  بررسی نتایج تخصیص بلوک­های جمعیتی به مکان­های انتخاب شده. 94

5-7-  بررسی تاثیر محدودیت تعداد مکان حداکثر در نتایج تابع هدف.. 100

6–  فصل ششم: جمع­بندی و پیشنهادات.. 104

6-1-  مقدمه: 104

6-2-  جمع­بندی: 104

6-3-  آزمون فرضیات.. 105

6-3-1-    فرض اول.. 105

6-3-2-    فرض دوم: 106

6-3-3-    فرض سوم: 106

6-4-  پیشنهادات: 107

فهرست منابع:               110

چکیده

ازجمله مسائل مهم در مدیریت بحران حوادث غیرمترقبه طبیعی به ویژه زلزله، مکان یابی بهینه به منظور اسکان شهروندان در هنگام و یا پس از بروز حادثه می‌باشد. یكی از مشكلات بزرگ سازمان‌های درگیر در مدیریت بحران شهری، فقدان یك مدل مكانی جامع به منظور اعمال مدیریت واحد در انتقال ساكنین شهر به مکان‌های اسكان موقت از پیش تعیین شده پس از وقوع حادثه می‌باشد. بهینه­سازی فرآیند اسکان موقت در سه فاز تعیین مکان­های بهینه امن، تعیین مسیرهای بهینه و تخصیص جمعیت به اماکن امن صورت می گیرد. هدف از انجام این تحقیق پیاده سازی و بررسی نتایج الگوریتم بهینه سازی کلونی مورچه (ACO ) در مکان­یابی پناهگاه اسکان موقت با تعیین مسیرهای بهینه و تخصیص جمعیت به مکان­های امن در شهر کرمان بعنوان منطقه مورد مطالعه می­باشد.

    با ایجاد تغییرات لازم در اجرای الگوریتم ACO در حل مسئله فروشنده دوره­گرد، مراحل مربوط به مکانیابی و تخصیص در قالب یک مدل مکانی طراحی شده است. این مدل بر اساس یک تابع هدف به منظور کمینه کردن هزینه انتقال جمعیت بلوک های ساختمانی و سه محدودیت میانگین سرریز/کمریز، حداکثر تعداد مکان­های انتخاب شده و میانگین تناسب مکانی، به گونه­ای طراحی شده است که قیود مسئله  تضمین کننده کیفیت جواب­های مدل می­باشد. برای تصمیم گیری در مورد بهینه بودن راه حل ها در ACO از روش ارزیابی چند معیاره استفاده شد.

      به منظور بهبود نتایج، حساسیت مدل نسبت به تغییر پارامترهای فرومون و تابع ابتکاری الگوریتم ACO مورد ارزیابی قرار گرفت و مقادیر مناسب و بهینه آنها تعیین شد. با در نظر گرفتن قیود تعیین شده و همچنین نمودار همگرایی تابع هدف، بهترین عملکرد در کاهش نهایی تابع هدف توسط مدل مشخص شد و علاوه بر آن، نتایج حاصل از تست تکرارپذیری نشان دهنده پایداری و ثبات جواب­های الگوریتم مورد بررسی می­باشد. نتایج تخصیص جمعیت به مکان­های امن، وابستگی انکارناپذیری به نحوه توزیع اماکن امن و ظرفیت آنها و همچنین پراکندگی و جمعیت بلوک­های ساختمانی دارد. میانگین فاصله طی شده تا نزدیکترین مکان امن در مدل نهایی تخصیص برابر با 1200 متر می باشد اما به دلیل عدم توزیع مناسب این مکان­ها با توجه به توزیع جمعیت در سطح شهر، بیش از 40 درصد جمعیت فاصله ایی بیش از 1500 متر را تا نزدیکترین مکان امن انتخاب شده باید طی کنند. در نتیجه جستجو و تاسیس مراکز امن جدید برای کاهش این فاصله ضرورت دارد. نتایج نشان می­دهند که استفاده از الگوریتم ACO، قابلیت­های زیادی برای ترکیب با سیستم­های اطلاعات جغرافیایی برای حل مسئله مکان­یابی و تخصیص که نیازمند محیط شبیه­سازی پویا (تغییر ترکیب مکانهای امن – تغییر ظرفیت) می­باشند، دارا می با­شد.

کلمات کلیدی: مدیریت بحران، اسکان موقت، مکانیابی و تخصیص، الگوریتم بهینه سازی کلونی مورچه(ACO)، مسافت طی شده، مکان امن، شهر کرمان

 

1-       فصل اول: کلیات تحقیق

1-1-    طرح مسئله

 علیرغم پیشرفت‌های شگرف در تكنولوژی و دست‌یابی به ناممکن‌های قرون گذشته، هنوز انسان در برابر حوادث غیر مترقبه طبیعی چون زلزله، سیل و … درمانده است و گاه و بی گاه در معرض تلفات و خسارت‌های مالی بسیاری قرار می‌گیرد .در دهه‌ای كه گذشت بیش از 200  میلیون نفر در سال به علت بروز بلایای طبیعی دچار صدمات جانی و مالی شده‌اند .در این میان ساخت و سازهای غیر اصولی و بی توجهی به قدرت خطر زایی یك منطقه، رعایت نكردن فاصله كاربری­های حساس و مناطق مسكونی از حریم گسل‌ها و رودخانه­ها و …، موجبات تشدید فجایع را فراهم می‌آورند (اسدی نظری , 1383). زلزله از جمله پدیده‌های طبیعی است که در اکثر مناطق جهان از جمله ایران به وقوع می‌پیوندد. در طی سال‌های 1900 تا 1990 میلادی، 1100 زلزله مرگبار در 75 کشور جهان رخ داده و بیش از 80 درصد مرگ و میرهای حاصله در شش کشور جهان اتفاق افتاده است. ایران با 120 هزار نفر تلفات انسانی در زمره این کشورهاست. همچنین در سال‌های 1361 تا 1370 کشور ایران بیشترین تعداد زلزله را تجربه کرده است. (عبدالهی، 1381)

کشور ما ایران در پهنه لرزه خیزی از دنیا واقع شده است. بیشتر نقاط شهری و غیرشهری كشور در نواحی با خطر نسبی زمین لرزه زیاد قرار گرفته است. اهمیت زلزله در ایران، با شدت یافتن روند توسعه کشور، گسترش شهر­ها، تمرکز جمعیت امروزه بیشتر درک می­شود. با توجه به رویارویی مداوم كشور با پدیده زلزله، ضروری است همواره تلاش‌هایی جهت دست یابی عملی به روش‌ها و راه كارهای منسجم جهت مقابله منطقی و به حداقل رساندن ابعاد فاجعه آمیز چنین رخدادی صورت گیرد (اسدی نظری، 1383). اداره هماهنگی امداد سوانح سازمان ملل متحد اعلام می‌نماید كه می‌توان با اطمینان اظهار داشت، در طول دهه‌های گذشته، ارائه کمک‌های اضطراری در ارتباط با پزشكی، تغذیه و … پس از سانحه پیشرفت چشمگیری داشته است، اما یك بخش مهم هم چنان بهبود ناچیزی داشته و آن سرپناه اضطراری یا به طور عام، سرپناه پس از سانحه است.( Fallahi, 2007)

طی یکصد سال گذشته، سیزده زلزله به بزرگی بیشتر از هفت ریشتر در ایران اتفاق افتاده و این در حالی است که روستاهای ما در برابر زلزله 5 ریشتری و شهرهای ما در برابر زلزله 6 ریشتری به شدت آسیب پذیر هستند. کاهش اثرات جانبی زلزله یا به عبارت دیگر، کاهش آسیب‌هایی همچون اجتماعی و زیربنایی در زمان وقوع زلزله، زمانی به وقوع خواهد پیوست که فازهای مختلف مدیریت بحران در تمامی سطوح برنامه­ریزی مد نظر قرار گیرد. اما هر تصمیم­گیری و برنامه­ریزی صحیح، نیازمند اطلاعات صحیح، دقیق و به روز و تحلیل آن‌ها می‌باشد. به دلیل اینکه اکثر اطلاعات مورد نیاز در مقوله شهری و زلزله بیشتر ماهیت مکانی دارند، لذا علم و فناوری سیستم اطلاعات جغرافیایی با قابلیت جمع آوری داده‌های مکانی و غیر مکانی، ذخیره سازی، بروزرسانی، آنالیز، مدل‌سازی و نمایش اطلاعات مکانی می‌تواند به عنوان علم و فناوری بهینه، در جهت ساماندهی و تجزیه و تحلیل جامع و سریع اطلاعات و کمک به اخذ تصمیمات مناسب در مدیریت بحران، مورد استفاده قرار گیرد(آقامحمدی، 1379). از طرفی باید توجه داشت که محیط سیستم‌های اطلاعات جغرافیایی، محیطی استاتیک می‌باشد و قابلیت شبیه سازی پویا را ندارد. هوش مصنوعی به ویژه عامل‌های هوشمند قادر به رفع نقاط ضعف بوده و می‌توانند در تعامل و حتی ترکیب با سیستم‌های اطلاعات جغرافیایی نقشی موثر در مدیریت بحران ایفا کنند (رجبی، 1388).

الگوریتم‌های هوشمند در GIS قابلیت آن را در قاعده‌مند کردن تصمیمات به طور مناسبی ارتقاء بخشیده‌اند که برنامه ریزی مکانی پیچیده و بهینه سازی منابع از آن جمله می‌باشند (Birkin, et al., 1996; Bong, et al., 2004).  ازجمله روش­های هوش مصنوعی که از آن به عنوان یک روش فراابتکاری یاد می‌شود، الگوریتم بهینه سازی کلونی مورچه ([1]ACO) می‌باشد. این روش اولین بار توسط دوریگو در رساله دکترا خود در سال 1992 به عنوان یک راه حل چند عامله [2]برای حل مسائل پیچیده بهینه سازی توسعه داده شده است. اولین کاربرد موفق آن، حل مسئله فروشنده دوره گرد (TSP[3]) می‌باشد(Dorigo, 1992) که سبب شد تا کارایی آن در حل سریع مسائل بهینه­سازی ترکیبی اثبات شود. در سال‌های اخیر کاربردهای فراوانی از بکارگیری در مسائل بهینه­سازی پیچیده نظیر انتخاب اشیاء و تشخیص حالت چهره، مسیریابی وسایل نقلیه(White, et al., 1998)، تخصیص(Maneizzo, et al., 1994)، طراحی و بهبود شبکه حمل و نقل و تکنیک‌های فراگیری ماشین(Parpinelli, et al., 2002)[4] و… ارائه گردیده است.

با توجه به آنچه درمورد اهمیت و ضرورت توجه به بحران زلزله و لزوم برنامه­ریزی برای مقابله با پیامدهای بعد از آن بیان شد، در این تحقیق با استفاده از قابلیت­های سیستم های اطلاعات جغرافیایی و الگوریتم ACO، مکانیابی پناهگاه­های اسکان موقت بعد از زلزله به منظور تخصیص جمعیت آسیب دیده، به عنوان یک مسئله بهینه سازی در دنیای واقعی انجام گرفته است.   

1-2-   ضرورت انجام تحقیق:

امروزه با توجه به روند رو به رشد جمعیت و تراکم جمعیتی در مناطق شهری علی‌الخصوص در شهرهای پر جمعیت و مستعد از نظر لرزه­خیزی، لزوم نگرشی همه جانبه و فراگیر به حوادث طبیعی و فجایع ناشی از بروز آن‌ها بیش از پیش جلوه نموده است. اثرات زیان‌بار ناشی از تمرکز بیش از اندازه جمعیت در محدوده‌های خاص شهری در کنار فقدان برنامه­ریزی پیشگیرانه و عدم آمادگی لازم جهت مقابله با حوادثی نظیر زلزله تهدیدی بسیار جدی و مهم برای جان شهروندان و تداوم حیات شهری به شمار می‌رود (باقرپور،1389).

ازجمله مسائل مهم در مدیریت بحران به ویژه در زمینه حوادث غیرمترقبه، مکان­یابی بهینه به منظور اسکان شهروندان در مواجهه و یا پس از بروز حادثه می‌باشد. به دلیل دخالت عوامل و پارامترهای متعدد در این مسئله، مکان­یابی این گونه اماکن دارای پیچیدگی زیادی است( صمدزادگان و همکاران, 1384). در ایران مکان­گزینی برای اسکان موقت به طور تجربی پس از بروز سانحه و بدون در نظر گرفتن استانداردهای لازم توسط سازمان‌های امدادرسان انجام می‌گیرد. تجربیات به دست آمده از موارد گذشته نشان می‌دهد که هنگام بحران اگر ضوابط برنامه­ریزی و اجرای اسکان موقت از قبل معین نشوند، در ایجاد سکونتگاه موقت و تخصیص بلوک‌های جمعیتی به نواحی امن، عوامل غیرقابل پیش­بینی دخالت کرده و به انواع مختلف بر کیفیت آن اثر می‌گذارند. عدم رعایت مکان­گزینی صحیح ممکن است فاجعه دیگری به مراتب وخیم‌تر از سانحه اولیه به دنبال داشته باشد(اشراقی, 1385). در راستای مدیریت اضطراری بحران ناشی از زمین­لرزه و جلوگیری از تلفات سنگین جانی با توجه به تراكم بالای جمعیتی و تنوع عوارض شهری، طراحی و پیاده سازی یك مدل بهینه سازی و جامع به منظور مكانیابی بهینه مکان‌های اسكان و تخصیص جمعیت به آن‌ها در چهارچوب یك سیستم اطلاعات مكانی از اهمیت بالایی برخوردار است( صمدزادگان و همکاران, 1384).

زمانی که بخواهیم مکانیابی را در فضای ترکیبی داده‌ها و با لحاظ کردن اهداف متعدد اجرا و فرآیند بهینه­سازی مکانی را بروی اهداف انجام دهیم، به دلیل وجود محاسبات پیچیده و زمان بر و علما در بعضی مواقع غیر ممکن بودن اجرای مدل، روش­های مرسوم در این زمینه کارایی لازم را در ارائه نتایج بهینه نخواهند داشت. ورود روش‌های هوش مصنوعی از جمله هوش جمعی به عنوان