به‌کارگیری الگوریتم‌های بهینه چند هدفه ژنتیک در مکان‌یابی اسکان موقت بعد از زلزله (مورد مطالعه: منطقه ۵ شهر تبریز)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه جغرافیا و برنامه ریزی شهری، دانشگاه پیام نور، تهران، ایران

2 دانش‌آموخته کارشناسی ارشد GIS، واحد ممقان، دانشگاه آزاد اسلامی، ممقان، ایران

چکیده

مکان‌یابی پناهگاه‌های اسکان موقت یک مسئله پیچیده بهینه‌سازی است. در این پژوهش منطقه ۵ شهر تبریز به دلیل حساسیت مکانی از نظر جغرافیایی و زمین‌شناسی، به‌منظور مکان‌یابی محل استقرار موقت جمعیت‌های آسیب‌دیده از زلزله مورد مطالعه قرار گرفته است. روش تحقیق تحلیلی- توصیفی و از دودسته معیار سازگار و ناسازگار استفاده‌ شده که با به‌کارگیری الگوریتم بهینه‌سازی چندهدفه ژنتیک، به‌عنوان یک روش‌ جدید فرا ابتکاری، در ترکیب با سیستم اطلاعات جغرافیایی مدلی ارائه‌ شده است که هم‌زمان با انتخاب مکان‌های امن، تخصیص جمعیت را انجام و کیفیت مکان‌یابی را بر اساس توابع هدف تعریف‌ شده، مورد بررسی قرار می‌دهد. با ارزیابی 14 معیار طبیعی و انسانی، مکان‌های امن شناسایی‌شده با استفاده از مدل AHP در سه اولویت قرارگرفته، سپس الگوریتم NSGA-II جهت تخلیه بلوک‌های جمعیتی به مکان‌های امن بر اساس تابع کمترین فاصله به‌منظور انتقال سریع و تابع حداقل تعداد مکان‌های امن برای تخصیص بلوک‌های جمعیتی جهت سرویس‌دهی و مدیریت بهینه و نیز تابع هدف میزان نقض بلوک‌های جمعیتی توسط جمعیت آسیب‌دیده در نرم‌افزار متلب مورد تحلیل قرار گرفت. نتایج نشان می‌دهد که همه بلوک‌های جمعیتی به بهترین شکل ممکن به نزدیک‌ترین و حداقل مکان‌های امن تخصیص یافتند. نقاطی از شهر که دارای فضاهای باز کافی و درعین‌حال سازگار با کاربری‌های اطراف می‌باشند، دارای پتانسیل نسبتاً بهتری برای استقرار آسیب‌دیدگان هستند.
 

کلیدواژه‌ها

موضوعات


  1. Mohammadi Sarin Dizaj, M., Ahadnejad, M., Marsousi, N., and Asgari, A. (2018) Assessing of resiliency level of urban areas with emphasis on accessibility of influential and vital physical elements against earthquake risk using todim multivariate decision making model (Case Study: Zanjan City). Journal of New Attitudes in Human Geography, 9(4), 89-110 (in Persian).
  2. Asadi Nazari, M. (2005) Planning and locating temporary resettlement camps for earthquake survivors (Case Study: District 1, Tehran). Master of Urban Planning (Urban and Regional Planning) - Department of Urban Planning Art (in Persian).
  3. Moheb-Alizadeh, H., Rasouli, SM., and Tavakkoli-Moghaddam, R. (2011) The use of multi-criteria data envelopment analysis (MCDEA) for location–allocation problems in a fuzzy environment. Journal of Expert Systems with Applications, 38(5), 5687-5695.
  4. Tudes, S. and Yigiter, N.D. (2010) Preparation of land use planning model using GIS based on AHP: case study Adana-Turkey. Bulletin of Engineering Geology and the Environment. 69(2), 235-245.
  5. Zebardast, E. and Mohammadi, A. (2005) Locate relief centers (in earthquakes) using GIS and    multi-criteria evaluation methods AHP. Journal of Honar-Haye Ziba, 21, 5-16 (in Persian).
  6. Iran Statistical Center (2016) Detailed Results of the Census of Population and Housing of the Year.
  7. Motamed, H., Ghafory-Ashtiany, M., and Amini-Hosseini, K. (2012) An earthquake risk-sensitive model for spatial land-use allocation. 15th World Conference on Earthquake Engineering, Lisbon, Portugal.
  8. Islami, A. (2007) Locating rescue and resettlement centers (Case Study: area one of Tehran). Second International Conference on Comprehensive Disaster Management, Tehran (in Persian).
  9. Malczewski, J. (1999) GIS and Multi criteria Decision Analysis (New York: Wiley). 392 pages. ISBN 0-471-32944-
  10. Saadatseresht, M., Mansourian, A., and Taleai, M. (2009) Evacuation planning using mul-tiobjective evolutionary optimization approach European. Journal of Operational Research, 198(1), 305–314.
  11. Srinivas, N. and Deb, K. (1994) Multi objective optimization using nondominated sorting in genetic algorithms. Evolutionary Computation2(3), 221-248.
  12. Holland, J.H. (1975) Adaptation in Natural and Artificial Systems: an Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. U Michigan Press.
  13. Bolury, S. and Vafaee Nejad, A. (2016) Using genetic algorithm to optimize the problem of locating - multi-criteria allocation in GIS environment (Case Study: fire stations in district 11 Tehran). Urban and Regional Studies and Research. 7(25), 183-202 (in Persian).
  14. Deb, K., Pratap, A., Agarwal, S., and Meyarivan, T. (2002) A fast and elitist multi objective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 181-197.
  15. Neema, M.N. and Ohgai, A. (2010) Multi-objective location modeling of urban parks and open spaces: continuous optimization. Computers, Environment and Urban Systems, 34, 361-8.
  16. Liao, S.H., Hsieh, C.L., and Lai, P.J. (2011) An Evolutionary approach for multi-objective optimization of the integrated location-inventory distribution network problem in vendor-managed inventory. Expert Systems with Applications, 38(6), 6768-6776.
  17. Beheshtifar, S. (2014) Design and Implement of a Simultaneous Location-Allocation Model of Different Service Centers Using Evolutionary Algorithms. Ph.D. Thesis. Faculty of Geodesy and Geomatics. K.N. Toosi University of Technology, Tehran, Iran (in Persian).
  18. Masoomi, Z. (2014) Modeling of the Physical Effects of Urban Land Use Changes Using Optimization Algorithms and Spatial Analysis. Ph.D. Thesis. Faculty of Geodesy and Geomatics. K.N. Toosi University of Technology, Tehran, Iran (in Persian).