بخشی از مقاله
چکیده
روزانه افراد زیادی به دلیل حوادثی مانند تصادفات یا بیماریهای مختلف جان خود را از دست میدهند. پس از وقوع این حوادث، اولین گزینه برای نجات جان انسانها، اعزام سرویسهای اورژانس است. سرویسهای اورژانس مانند آمبولانسها یا آتشنشانیها باید خدمات خود را در سطحی ارائه دهند که سلامت و ایمنی عمومی به خوبی تأمین شود. بنابراین تعیین مکان-هایی برای مستقر کردن سرویسهای اورژانس مسئلهای اساسی است. مسئلهی مکانیابی وسایل نقلیهی اورژانس، بهترین مکان پایگاهها را برای استقرار وسایل نقلیه به نحوی تعیین میکند که سطح اهداف خدماترسانی بهینه شود.
حل این مسئله و رسیدن به جواب بهینه به دلیل ماهیت پیچیده آن مستلزم صرف زمان بسیار زیادی است و چه بسا در بسیاری از موارد غیرممکن است. در این پژوهش از الگوریتم دسته ماهیهای مصنوعی جهت حل مسئلهی مکانیابی وسایل نقلیهی اورژانس استفاده شده است. این الگوریتم یکی از الگوریتمهای هوش جمعی است که بر اساس جمعیت و جستجوی تصادفی کار میکند. الگوریتم پیشنهادی با اهداف به حداقل رساندن زمان پاسخدهی به نقاط تقاضا و هزینهی احداث پایگاه و به حداکثر رساندن پوششدهی به نقاط تقاضا، به حل مسئله میپردازد. نتایج به دست آمده نشان میدهد، روش پیشنهادی از کارایی بالایی برخوردار است.
-1 مقدمه
هر روز افراد زیادی به دلیل تصادفات یا بیماریهایی نظیر حملهی قلبی و مسمومیتها نیاز به دریافت تمهیدات فوری برای نجات دارند. اولین گام که در اینگونه موارد برای نجات جان انسانها مطرح میشود، اعزام کمکهای اولیهی پزشکی است. کمک-های اولیهی پزشکی به طور معمول توسط مراکز خدمات فوریتهای پزشکی ارائه میشود که یکی از مهمترین ارکان واکنش اضطراری است و لازم است در زمانی کوتاه بعد از وقوع سانحه آغاز شده و با سرعتی مناسب دنبال شود تا بتوان افراد بیشتری را یاری رساند.
به همین دلیل لازم است مکانهای مشخص و مناسبی برای استقرار مراکز فوریتهای پزشکی تبیین کرد. محل پایگاههای خدمات فوریتهای پزشکی نقش بسیار اساسی در کاهش زمان پاسخ به تقاضا دارد، بنابراین، تعیین مکانهایی برای مستقر کردن سرویسهای اورژانس مسئلهای اساسی است. مسئلهی عمومی مکانیابی تسهیلات، شناخت مجموعهای از مشتریان با فواصل فیزیکی متفاوت و مجموعهای از تسهیلات برای برآوردهسازی نیاز آنها است. فاصلهها، زمانها و هزینههای مربوط به ارتباط مشتریان و تسهیلات، میبایستی اندازهگیری شود .[1]
تورگاس و همکاران [2] مدل پوشش کامل و چارچ و رول [3] مدل حداکثر پوشش را ارائه نمودند. پیرکال و اسچیلینگ 4] [مدل بیشینهی ظرفیت دار را ارائه نمودند که در آن هر مشتری حداقل به یکی از تسهیلات دست می یابد و بنابراین تسهیلات باید به گونه ای مستقر گردند که، در فاصله ی زمانی یا مکانی استاندارد از هر مشتری، حداقل یک تسهیل قرار داشته باشد، این مدل به دنبال بیشینه کردن مجموع پوشش تقاضای نواحی است.
داسکین [5] نخستین مدل پوشش احتمالی مبتنی بر قابلیت اطمینان را، با عنوان مدل حداکثر پوشش مورد انتظار، ارائه نموده است. در این مدل، حجم کاری تمام خدمتدهندگان یکسان در نظر گرفته شده است و هر یک از خدمتدهندگان در مشغول بودن یا بیکار بودن دیگر خدتدهندگان تأثیری ندارد. رول و هوگان [6] نیز مدلی را با عنوان حداکثر دسترسی پذیری ارائه کردهاند که در آن، هر خدمتدهنده فقط میتواند به نواحی محلی مشخصی امدادرسانی و بنابراین حجم کاری هر خدمتدهنده با توجه به حجم تقاضای موجود در آن ناحیه تعیین میشود.
تابع هدف مدل ارائه شده مجموع تقاضای پوششیافته را بیشینه می-سازد. رپد و برناردو [7] یک مدل حداکثر پوشش مورد انتظار چند دورهای را ارائه کردهاند که در آن، مقادیر تقاضا و زمانهای سفر وابسته به زمان در نظر گرفته شدهاند. تابع هدف مدل پوشش مورد انتظار در مقاطع مختلف زمانی را بیشینه میسازد. در این مقاله، به حل مسئلهی مکانیابی وسایل نقلیه یا واحدهای اورژانس با استفاده از الگوریتم دسته ماهیهای مصنوعی میپردازیم. ساختار مقاله بدین صورت تنظیم شده است: در بخش آتی، ابتدا الگوریتم دسته ماهی مصنوعی - AFSA - شرح داده میشود. در بخش سوم، ساختار روش پیشنهادی تشریح میگردد. در بخش چهارم نتایج حاصل از حل مسئلهی مکانیابی واحدهای اوژانس با مثالهای عددی تحلیل میگردد. بخش انتهایی مقاله به نتیجهگیری میپردازد.
-2 الگوریتم دسته ماهیهای مصنوعی
الگوریتم دسته ماهیهای مصنوعی یکی از الگوریتمهای هوش جمعی است که بر اساس جمعیت و جستجوی تصادفی کار می-کند. این الگوریتم در سال 2002 توسط دکترلی شیائو لی[ 8] * ارائه گردید و اساس کار این الگوریتم از روی رفتارهای اجتماعی ماهیها بر گرفته شده است. این الگوریتم دارای خصوصیاتی از جمله سرعت همگرایی بالا، حساس بودن به مقادیر اولیهی ماهیهای مصنوعی، انعطافپذیری و تحملپذیری خطا میباشد که آن را برای حل مسائل بهینهسازی قابل قبول میکند.
در دنیای زیر آب، ماهیها میتوانند مناطقی را پیدا کنند که دارای غذای بیشتری است، که این امر با جستجوی فردی یا گروهی ماهیها محقق میشود. مطابق با این ویژگی، مدل ماهی مصنوعی با رفتارهای حرکت آزادانه، جستجوی غذا، حرکت گروهی و دنباله روی ارائه شده است که به وسیلهی آنها فضای مسئله جستجو میشود .[9] درجهی تراکم غذا در منطقهی آبی تابع هدف AFSA میباشد. در نهایت، ماهیهای مصنوعی به مکانی میرسند که درجهی تراکم و غلظت غذا در آنجا بیشترین - بهینه سراسری - باشد. همانطور که در شکل 1 مشاهده میشود، ماهی مصنوعی مفاهیم خارجی را از طریق بینایی درک میکند .[10]
وضعیت فعلی ماهی مصنوعی توسط بردار X= - x1, x2' …' xn - نشان داده میشود. ویژوال برابر میدان دید ماهی مصنوعی میباشد وXv موقعیتی در میدان دید است که ماهی مصنوعی میخواهد به آنجا برود. حال اگر وضعیت Xv از نظر تراکم غذایی بهتر از وضعیت فعلی باشد، یک گام به جلو در جهت آن پیش میرویم. که باعث تغییر وضعیت ماهی مصنوعی از X به Xnext میشود، ولی اگر وضعیت فعلی بهتر از Xv باشد، به گشتزنی در محدودهی میدان دید میرویم.
