مسيريابي بهينه چند معياره بر اساس ترجيحات راننده با استفاده از مدل نوروفازي خطي محلي و الگوريتم‌ ژنتيك

Multi-criteria Path Optimization Based on A Driver’s Preferences in Route Selection Using a LLNFM Combined with GA

در اين تحقيق، روش‌هايي به منظور مسيريابي بهينه چند معياره بر اساس ترجيحات راننده در انتخاب مسير چند معياره طراحي، پياده‌سازي و ارزيابي شدند. در اين راستا، ترجيحات راننده شامل تعداد و نام كلاس‌هاي خروجي به منظور كلاسه‌بندي مسيرها از يك سو و مسيرهاي مربوط به هر كلاس خروجي از سوي ديگر، از طريق جعبه ابزار پياده‌سازي شده در اين تحقيق اخذ شد. سپس مدل هايي براي كلاسه‌بندي مسيرها بر پايه مدل‌ نوروفازي خطي محلي به صورتي كه توانايي كلاسه‌بندي مسيرها بر اساس ترجيحات راننده بين هر زوج مبدا- مقصد را دارا باشند، طراحي و پياده‌سازي گشتند. در نهايت مدل‌هاي آموزش ديده كلاسه‌بندي بر پايه مدل‌ نوروفازي خطي محلي براي كلاسه‌بندي مسيرهاي بهينه پارتو حاصل شده از اجراي الگوريتم ژنتيك پيشنهادي (بين يك زوج مبدا- مقصد از شبكه حمل و نقل مناطق 6، 7، 11 و 12 شهرداري تهران در مقياس 1:2000) بر اساس ترجيحات راننده استفاده گرديدند. نتايج بدست آمده، حاكي از توانايي بالاي روش‌هاي پيشنهاد شده در اين تحقيق در مسيريابي بهينه چند معياره بر اساس ترجيحات راننده مي باشند.

In this study, some different approaches are designed, implemented, and evaluated to solve a multi-criteria path optimization problem based on a driver’s preferences in multi-criteria route selection using a locally linear neuro-fuzzy model (LLNFM) with an incremental tree based learning algorithm combined with a multi-objective genetic algorithm. Using our designed neuro-fuzzy toolbox, the driver’s preferences in multi-criteria route selection such as the number of output classes and the routes in each output-class were received. Next, some approaches were proposed to classify each route based on the mentioned preferences chosen by the driver. Finally, the trained LLNFM-based models were utilized to classify Pareto-optimal paths obtained by applying a multi-objective genetic algorithm between an origin and a destination within the most dense-part of Tehran transportation network, i.e., districts 6,7,11, and 12, based on the driverʹs preferences in multi-criteria route selection. The results show the validity of the proposed approaches used to solve a multi-criteria path optimization problem based on a driver’s preferences in multi-criteria route selection.