آمار

تعداد نشریات11
تعداد شماره‌ها228
تعداد مقالات2,321
تعداد مشاهده مقاله3,643,831
تعداد دریافت فایل اصل مقاله2,678,903
صاحبقرانی, علیرضا. (1403). توسعه‌ی یک سامانه‌ی پشتیبان تصمیم به منظور بهینه‌سازی تخصیص کاربری زمین با استفاده از الگوریتم مورچگان (مورد مطالعه: منطقه‌ی 7 شهرداری اصفهان). فناوری آموزش, 2(2), 219-232. doi: 10.22061/jrsgr.2024.11006.1070
علیرضا صاحبقرانی. "توسعه‌ی یک سامانه‌ی پشتیبان تصمیم به منظور بهینه‌سازی تخصیص کاربری زمین با استفاده از الگوریتم مورچگان (مورد مطالعه: منطقه‌ی 7 شهرداری اصفهان)". فناوری آموزش, 2, 2, 1403, 219-232. doi: 10.22061/jrsgr.2024.11006.1070
صاحبقرانی, علیرضا. (1403). 'توسعه‌ی یک سامانه‌ی پشتیبان تصمیم به منظور بهینه‌سازی تخصیص کاربری زمین با استفاده از الگوریتم مورچگان (مورد مطالعه: منطقه‌ی 7 شهرداری اصفهان)', فناوری آموزش, 2(2), pp. 219-232. doi: 10.22061/jrsgr.2024.11006.1070
صاحبقرانی, علیرضا. توسعه‌ی یک سامانه‌ی پشتیبان تصمیم به منظور بهینه‌سازی تخصیص کاربری زمین با استفاده از الگوریتم مورچگان (مورد مطالعه: منطقه‌ی 7 شهرداری اصفهان). فناوری آموزش, 1403; 2(2): 219-232. doi: 10.22061/jrsgr.2024.11006.1070

توسعه‌ی یک سامانه‌ی پشتیبان تصمیم به منظور بهینه‌سازی تخصیص کاربری زمین با استفاده از الگوریتم مورچگان (مورد مطالعه: منطقه‌ی 7 شهرداری اصفهان)

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 2، شماره 2 - شماره پیاپی 4، تیر 1403، صفحه 219-232    اصل مقاله (1.11 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2024.11006.1070
نویسنده
علیرضا صاحبقرانی*
دانشکده‌ی مهندسی حمل‌ونقل، دانشگاه صنعتی اصفهان، اصفهان 83111-84156، اصفهان، ایران
تاریخ دریافت: 29 خرداد 1403،  تاریخ بازنگری: 15 شهریور 1403،  تاریخ پذیرش: 20 مهر 1403 
چکیده
پیشینه و اهداف: رشد جمعیت در سکونتگاه‌های انسانی منجر به افزایش تقاضای زمین می‌شود. به این ترتیب، برنامه‌ریزی کاربری زمین شهری برای برنامه‌ریزان و تصمیم‌گیران امری مهم و اساسی به شمار می‌رود. با توجه به آن‌که تخصیص کاربری زمین اهداف متعدد و مجموعه‌ بزرگی از داده‌ها و متغیرها را در بر می‌گیرد، حل چنین مسأله‌ای مستلزم و نیازمند توسعه‌ سامانه‌های پشتیبان تصمیم و به‌کار‌گیری الگوریتم‌ها فراابتکاری می‌باشد. در این مقاله، یک سامانه‌ پشتیبان تصمیم مجهز به یک روش بهینه‌سازی که الگوریتم بهینه‌سازی مورچگان می‌باشد، به منظور حل مسئله‌ تخصیص کاربری زمین توسعه می‌یابد. این مطالعه، به دنبال طراحی یک واسط گرافیکی کاربر برای تسهیل اجرای مراحل الگوریتم و استفاده از آن در یک مورد مطالعاتی، به منظور ارزیابی آن‌که چنین ابزاری چگونه به دست‌یابی به چیدمان بهینه‌ کاربری زمین کمک می‌نماید، است. به‌علاوه، مقایسه‌ خروجی‌های الگوریتم مورچگان با نتایج دو روش (ژنتیک و انجماد تدریجی) برای ارزیابی عملکرد سامانه‌ پشتیبان تصمیم توسعه یافته نیز انجام می‌شود.
روش‌ها‌: به‌منظور دست‎یابی به هدف پژوهش، در گام اول، مسئله‌ بهینه‌سازی کاربری زمین فرموله شده که شامل: تعریف متغیر تصمیم و نحوه‌ گسسته‌سازی آن، سه تابع هدف (بیشینه‌سازی سازگاری، فشردگی و تناسب)، دو قید کنترل‌کننده‌ مساحت و نحوه‌ ترکیب توابع هدف می‌باشد. در گام دوم، الگوریتم مورچگان تطابق یافته با مسأله‌ تخصیص کاربری زمین ارائه می‌شود. در گام سوم، محدوده‌ مورد مطالعه، منطقه‌ 7 شهر اصفهان که از 334 سلول تخصیص تشکیل شده است، معرفی می‌گردد و ملزوماتی از جمله پارامترها و اوزان لازم برای محاسبه و ترکیب توابع هدف تشریح شده که از منابعی هم‌چون: ویژگی‌های محدوده‌ مورد مطالعه، مطالعات مرتبط و نظرات متخصصین حاصل می‌شود. در گام چهارم، کدهای مربوطه و یک واسط گرافیکی کاربر در محیط متلب به منظور اجرای فرآیند محاسبه، حل معادلات و مدیریت داده‌های فضایی، برنامه‌نویسی می‌شود. در گام پایانی، پارامترهای الگوریتم مورچگان تنظیم شده و برنامه‌ی نوشته شده در چارچوب سامانه‌ پشتیبان تصمیم در محدوده‌ مورد مطالعه اجرا می‌شود. علاوه بر پیاده‌سازی الگوریتم مورچگان، دو الگوریتم فراابتکاری دیگر (الگوریتم‌های ژنتیک و انجماد تدریجی) نیز برای فراهم نمودن زمینه‌ تحلیل عملکرد سامانه نیز اجرا می‌شوند.
یافته‌ها: خروجی‌های سامانه‌ پشتیبان تصمیم توسعه یافته، توزیع کاربری زمین در محدوده‌ منطقه‌ 7 شهرداری اصفهان و فرایند همگرایی الگوریتم مورچگان می‌باشد. یافته‌ها، حاکی از آن است که کاربری‌های فرهنگی و ورزشی در بخش مرکزی محدوده‌ مورد مطالعه قرار گرفته و بخش عمده‌ای از کاربری‌های خدماتی در مجاورت فضای سبز استقرار یافته است. به علاوه، کاربری خدماتی در بخش‌های شمالی و مرکزی محدوده‌ مورد مطالعه شکل گرفته است و دسترسی افراد به خدمات اساسی را فراهم می‌آورد.
نتیجه‌گیری: نتایج، نشان می‌دهد که الگوریتم مورچگان عملکرد رضایت‌بخشی در محدوده‌ مورد مطالعه داشته است. به بیان دیگر، سامانه‌ پشتیبان تصمیم شاملِ الگوریتم مورچگان، کارکرد مؤثری در مدیریت و برنامه‌ریزی زمین را نشان می‌دهد. نتایج مؤید آن است که چارچوب ارائه شده، امکان توسعه و گسترش متناسب با شرایط کاربران در محیط‌های دیگر را دارا می‌باشد. به علاوه، نتایج حاکی از آن است که الگوریتم مورچگان در محدوده‌ مورد مطالعه از عملکرد بالاتری نسبت به دو روش به‌کارگرفته شده‌ دیگر برخوردار است. اگرچه این مقاله یک سامانه‌ پشتیبان تصمیم مجهز به یک الگوریتم بهینه‌سازی که برای مدیریت منابع و برنامه‌ریزی فضایی مفید می‌باشد را معرفی می‌کند، در نظر گرفتن سطوح مختلف کاربری‌ها (مانند: شهری و محلی) و نیز بسترهای مدل‌سازی سازگارتر با شرایط واقعی (مانند: سلول‌ها با مساحت متغیر) از جمله محدودیت‌های این مطالعه بوده که پیگیری آن‌ها در تحقیقات آتی پیشنهاد می‌شود.
کلیدواژه‌ها
بهینه‌سازی کلونی مورچه؛ سامانه‌ پشتیبان تصمیم؛ بهینه‌سازی کاربری زمین؛ برنامه‌ریزی فضایی
عنوان مقاله [English]
Development of a Decision Support System for Optimizing Land Use Allocation Using the Ant Colony Algorithm (Case Study: 7th Municipal District of Isfahan)
نویسندگان [English]
A. Sahebgharani
Department of Transportation Engineering, Isfahan University of Technology, Isfahan 84156-83111, Iran
چکیده [English]
Background and Objectives: Population growth in human settlements leads to an increase in land use demand. Consequently, optimal urban land use planning is critical for planners and decision-makers. Given that land use allocation involves multiple objectives and a large set of data and variables, solving this problem requires developing decision support systems (DSSs) and applying meta-heuristic algorithms.
In this paper, a DSS equipped with an optimization method (i.e., Ant Colony Optimization algorithm) is developed to solve the land use allocation problem. The study aims to design a graphical user interface (GUI) to facilitate the algorithm implementation process and apply it to a study area to assess how such a tool can help achieve the optimal land use layout. Additionally, the outputs of the ACO are compared with the results of two other meta-heuristics (i.e., the Genetic and the Simulated Annealing algorithms) to evaluate the performance of the designed DSS.
Methods: To fulfill the research objective, first, the land use optimization problem is formulated, which includes the decision variable and how it is discretized, three objective functions (i.e., compatibility, compactness, and suitability maximization), two area controlling constraints, and the way of combining the objective functions. Second, the ACO algorithm customized with the land use allocation problem is presented. Third, the study area, the 7th municipal district of Isfahan divided into 334 allocation cells, is introduced, and the requirements such as parameters and weights for calculating and combining the objective functions are described based on the case study characteristics, related studies, and expert opinions. Fourth, a code is developed, and a GUI is designed in MATLAB programming to carry out the computational process, solve the equations, and handle the spatial data. Finally, the ACO parameters are tuned, and the code is applied to the study area within the depicted DSS framework. Alongside the ACO implementation, two other meta-heuristics (i.e., the genetic and simulated annealing algorithms) are executed to constitute a ground for the performance analysis.
Findings: Outputs of the developed DSS illustrated the land use distribution within the 7th municipal district of Isfahan and the ACO’s convergence process. It showed that the cultural and sports land types were in the central part of the study area, and a major amount of the service land types was placed close to the green spaces. In addition, service types were located in the central and northern parts of the study area providing access for the residents to such necessary amenities.
Conclusion: The results indicated that the ACO algorithm performed satisfactorily in the study area. In other words, the DSS, including this algorithm, demonstrated effective land management and planning performance. It also displayed benefits for users interested in applying different objectives and constraints. Besides, the ACO performed better in the study area than the other utilized methods. Although this article delivered a DSS along with optimization algorithms advantageous for resource management and spatial planning, incorporating land use levels (e.g., urban and neighborhood) and compatibility of the modeling context with more realistic conditions (e.g., cell area variation) are proposed for future research that are of limitations of this article.
کلیدواژه‌ها [English]
Ant Colony Optimization, Decision Support System, Land Use Optimization, Spatial Planning
مراجع
[1] Peng J, Wang Y, Wu J, Zhang Y, Li W. Ecological effects associated with land-use change in China's southwest agricultural landscape. Int J Sustain Dev World Ecol. 2006;13(4):315-25. doi:10.1080/13504500609469681.

[2] Randolph J. Environmental land use planning and management. Washington, DC: Island Press; 2004.

[3] Verburg PH, Veldkamp A, Fresco LO. Simulation of changes in the spatial pattern of land use in China. Appl Geogr. 1999;19(3):211-33. doi:10.1016/S0143-6228(99)00003-X.

[4] Ligmann-Zielinska A, Church RL, Jankowski P. Spatial optimization as a generative technique for sustainable multiobjective land-use allocation. Int J Geogr Inf Sci. 2008;22(6):601-22. doi:10.1080/13658810701587495.

[5] Cao K, Batty M, Huang B, Liu Y, Yu L, Chen J. Spatial multi-objective land use optimization: extensions to the non-dominated sorting genetic algorithm-II. Int J Geogr Inf Sci. 2011;25(12):1949-69. doi:10.1080/13658816.2011.569014.

[6]Chang Y-C, Ko T-T. An interactive dynamic multi-objective programming model to support better land use planning. Land Use Policy. 2014;36:13-22.

doi:10.1016/j.landusepol.2013.07.001.

[7] Zhang H, Zeng Y, Bian L. Simulating multi-objective spatial optimization allocation of land use based on the integration of multi-agent system and genetic algorithm. Int J Environ Res. 2010;4(4):765-76. doi: 10.22059/ijer.2010.263.

[8] Ritten JP, Bastian CT, Gray ST, Hoag D, Paisley SI, Frasier WM. Optimal rangeland stocking decisions under stochastic and climate-impacted weather. Am J Agric Econ. 2010;92(4):1242-55. doi:10.1093/ajae/aaq055.

[9] Xu H-Q, Chen B-Q. Remote sensing of the urban heat island and its changes in Xiamen City of SE China. J Environ Sci (China). 2004;16(2):276-81.

[10] Geneletti D. Incorporating biodiversity assets in spatial planning: methodological proposal and development of a planning support system. Landscape Urban Plan. 2008;84(3-4):252-65. doi:10.1016/j.landurbplan.2007.08.003.

[11] Moilanen A, Wilson KA, Possingham HP. Spatial conservation prioritization: quantitative methods and computational tools. Oxford: Oxford University Press; 2009.

doi: 10.1093/oso/9780199547760.001.0001.

[12] Waddell P. UrbanSim: Modeling urban development for land use, transportation, and environmental planning. J Am Plan Assoc. 2002;68(3):297-314. doi:10.1080/01944360208976274.

[13] Malczewski J, Rinner C. Multicriteria decision analysis in geographic information science. Berlin: Springer; 2015.

doi: 10.1007/978-3-540-74757-4.

[14] Ocampo L. Development and usage of multi-criteria decision making/analysis methodologies with fuzzy sets for guiding strategic development decisions. England: University of Portsmouth; 2023.

[15] Filatova T, Parker DC, van der Veen A. Agent-based urban land markets: agent's pricing behaviour, land prices and urban land use change. J Artif Soc Soc Simul. 2009;12(1):3.

doi:10.18564/jasss.1370.

[16] Ligmann-Zielinska A, Jankowski P. Spatially-explicit integrated uncertainty and sensitivity analysis of criteria weights in multicriteria land suitability evaluation. Environ Model Softw. 2014;57:235-47.

doi:10.1016/j.envsoft.2014.03.007.

[17] Ahuja RK, Orlin JB, Tiwari A. A greedy genetic algorithm for the quadratic assignment problem. Comput Oper Res. 2000;27(10):917-34. doi:10.1016/S0305-0548(99)00141-2.

[18] Shaygan M, Ali Mohammadi A, Mansourian A. Multi-objective land use allocation optimization through NSGA-II algorithm. Iran J Remote Sens GIS. 2012;4(2).

 

[19] Khosh Amooz EA, Arashpour M, Golkaran A, Ahmadi A. Genetic algorithms and planning problems. Amayeshe Mohit. 2010;3(11):85-97.

[20] Santé-Riveira I, Crecente R, Miranda D. Algorithm based on simulated annealing for land-use allocation. Comput Geosci. 2008;34(3):259-68. doi:10.1016/j.cageo.2007.03.014.

[21] Duh JD, Brown DG. Knowledge-informed Pareto simulated annealing for multi-objective spatial allocation. Comput Environ Urban Syst. 2007;31(3):253-81.

doi:10.1016/j.compenvurbsys.2006.09.002.

[22] Aerts JC, Heuvelink GB. Using simulated annealing for resource allocation. Int J Geogr Inf Sci. 2002;16(6):571-87. doi:10.1080/13658810210138742.

[23] Liu X, Li X, Liu L, He J, Ai B. A multi-type ant colony optimization (MACO) method for optimal land use allocation in large areas. Int J Geogr Inf Sci. 2012;26(7):1325-43. doi:10.1080/13658816.2011.633923.

[24] Lumer ED, Faieta B. Diversity and adaptation in populations of clustering ants. In: Meyer JA, Roitblat HL, Wilson SW, editors. From animals to animats 3: Proceedings of the Third International Conference on Simulation of Adaptive Behavior. Cambridge, MA: MIT Press; 1994.

doi: 10.7551/mitpress/3117.003.0071.

[25] Sim KM, Sun WH. Multiple ant-colony optimization for network routing. In: First International Symposium on Cyber Worlds, 2002. Proceedings; 2002. IEEE.

doi:10.1109/CW.2002.1180922.

[26] Coello CC, Lamont GB, Van Veldhuizen DA. Evolutionary algorithms for solving multi-objective problems. Berlin: Springer; 2007. doi: 10.1007/978-0-387-36797-2.

[27] Merrikh Bayat F. Nature-inspired optimization algorithms. Nas; 2012.

[28] Jalali Naini G, Jafari Eskandari M, Nozari H. Engineering optimization with emphasis on metaheuristic methods. The Dibagaran Artistic and Cultural Institute; 2012.

[29] Balling RJ, Taber JD, Brown M. Multiobjective urban planning using genetic algorithm. J Urban Plan Dev. 1999;125(2):86-99.

doi:10.1061/(ASCE)0733-9488(1999)125:2(86).

[30] Wang X, Yu S, Huang G. Land allocation based on integrated GIS-optimization modeling at a watershed level. Landscape Urban Plan. 2004;66(2):61-74.

doi:10.1016/S0169-2046(03)00098-9.

[31] Chandramouli M, Huang B, Xue L. Spatial change optimization: integrating GA with visualization for 3D scenario generation. Photogramm Eng Remote Sens. 2009;75(8):1015-22. doi:10.14358/PERS.75.8.1015.

[32] Shahrokhaneh S. Review of the Isfahan’s 7th and 8th Detailed Plan. 2007.

[33] Mohammadi M, Malekipour E, Sahebgharani A. Modeling urban expansion in peripheral lands through cellular automata (CA) and analytic hierarchical process, case study of Isfahan’s 7th Municipal District. J Urban Reg Stud Res. 2013;5(18):175-92.

[34] Nastaran M, Ghalehnoee M, Sahebgharani A. Ranking sustainability of urban districts through factor and cluster analyses, case study: Municipal Districts of Isfahan. Arman Shahr Archit Urban Dev. 2014;12(2):177-89.

آمار
تعداد مشاهده مقاله: 323
تعداد دریافت فایل اصل مقاله: 260


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب