بهینه‌سازی کاربری زمین با استفاده از الگوریتم فرا ابتکاریِ جست‌و‌جوی هارمونیک (مطالعه موردی: محله‌ی بابلدشت شهر اصفهان)

الموضوعات : آمایش محیط

علیرضا صاحبقرانی ¹

1 - گروه شهرسازی، دانشکده معماری و شهرسازی، دانشگاه هنر اصفهان، اصفهان، ایران

تاريخ الإرسال : 29 الأحد , ذو القعدة, 1436 تاريخ التأكيد : 23 الثلاثاء , ربيع الثاني, 1437 تاريخ الإصدار : 12 الخميس , ذو الحجة, 1439

الکلمات المفتاحية: الگوریتم ژنتیک, الگوریتم جست‌وجوی هارمونیک, بهینه‌سازی کاربری زمین, محله‌ی بابلدشت اصفهان,

ملخص المقالة :

برنامه ریزی کاربری زمین به دنبال تخصیص کاربری های مختلف به منبع ارزشمند و محدود زمین به طور بهینه بوده که با استفاده ی حداکثری از آن بیش ترین مطلوبیت را برآورده کرده و اهداف برنامه ریزی کاربری زمین را تا بالاترین میزان محقق سازد. با توجه به تعدد اهداف مطرح در تخصیص کاربری زمین، لازم است تا نوعی سازش میان این اهداف به وجود آمده، به گونه ای که هر یک از اهداف متناسب با اولویت خود تا حد مشخصی تحقق یابند و آرایش بهینه ی کاربری ها حاصل گردد. بهینه‌سازی تخصیص کاربری، روشی است که امکان حل چنین مسائلی را فراهم می‌آورد. به دلیل پیچیدگی بسیار بالای مسئله‌ی بهینه سازی کاربری زمین، چه از نظر تعدادِ اهداف و چه از نظر اندازه و زمانِ حلِ مسئله، حل این مسئله بر الگوریتم‌های فراابتکاری تکیه دارد. در پژوهش حاضر، الگوریتم جست‌وجوی هارمونیک برای بهینه‌سازی تخصیص کاربری زمین توسعه یافته است. اهداف بهینه‌سازی سه هدف: بیشینه‌سازی سازگاری، بیشینه سازی فشردگی، و بیشینه‌سازی تناسب اراضی را در بر می گیرد. قابلیت این الگوریتم در تخصیص بهینه ی هفت گونه ی کاربری، مورد آزمون قرار گرفته و نتایج آن با الگوریتم ژنتیک مقایسه شده است. مقایسه‌ی انجام شده نشان می‌دهد که الگوریتم جست و جوی هارمونیک، از کارآیی (68 درصد) و کیفیت بالاتری (27.7 درصد) نسبت به الگوریتم ژنتیک برخوردار در حل مسئله ی طرح شده در این پژوهش برخوردار است. نتایج نشان می دهند که با به کارگیری الگوریتم پیشنهادی، میزان مطلوبیت کل در گزینه ی بهینه 54.07 درصد بالاتر از وضع موجود کاربری ها در مطالعه ی موردی می باشد.

المصادر:

 

1-     بشیری، م.، کریمی، ح. 1390. کاربرد الگوریتم­های ابتکاری و فراابتکاری در طراحی سیستم­های صنعتی. دانشگاه شاهد. 159 صفحه.

2-     پیراسته، ب.، رفیعیان، م.، احمدیان، ر. 1395. تحلیل تعارضات کاربری زمین با بهره­گیری از مدل راهبرد شناسایی تعارضات کاربری­ها (LUCIS) در شهرستان تنکابن. فصلنامه آمایش محیط، شماره 38، 48-69.

3-     جلالی نائینی، غ.، جعفری اسکندری، م.، نوذری، ح. 1391. بهینه­سازی مهندسی با تکیه بر روش­های فراابتکاری. موسسه دیباگران تهران. 256 صفحه.

4-     حاتمی، د.، عربی، زهرا.، رحمانی، ا. 1394. مکان­یابی بهینه­ی فضای سبز شهری با استفاده از مدل Fuzzy Logic و AHP، در محیط GIS (مونه موردی: شهر مشهد). فصلنامه آمایش محیط، شماره 32، 64-84.

5-     حکمت­نیا، ح.، موسوی، م. 1385. کاربرد مدل در جغرافیا با تاکید بر برنامه­ریزی شهری و ناحیه­ای. انتشارات علم نوین. 390 صفحه.

6-      شایگان، م.، علیمحمدی، ع.، منصوریان، ع. 1391. بهینه­سازی چندهدفه تخصیص کاربری اراضی با استفاده از الگوریتم ژنتیک نخبه­گرا. نشریه سنجش از دور و GIS  ایران، ج 4، شماره 2، 1-18.

7-     لحمیان، ر. 1396. پایش سازگاری کاربری­های اراضی با برنامه­ریزی صنعتی در محیط سامانه­ی اطلاعات جغرافیایی­(مطالعه­ی موردی: شهرستان ساری). فصلنامه آمایش محیط، شماره 38، 170-190.

8-     مهندسین مشاور شهر و خانه. 1386. طرح بازنگری طرح تفصیلی شهر اصفهان مناطق 7 و 8. معاونت شهرسازی و معماری شهرداری اصفهان.

9-     Aerts, J.C., and Heuvelink, G.B.M. 2002. Using simulated annealing for resource allocation. International Journal of Geographical Information Science, 16(6): 571–587.

10- Balling, R.J., Taber, J.T., Brown, M.R., and K. Day, K. 1999. Multi objective urban planning using genetic algorithm. Journal of Urban Planning and Development, 125 (2): 86-99.

11- Cao, K., Batty, M., Huang, B., Liu, Y., Yu, L., and Chen, J. 2011. Spatial multi-objective land use optimization: extensions to the non-dominated sorting genetic algorithm-II. International Journal of Geographical Information Science, 25(12): 1949-1969.

12- Cao, K., Bo, H., Shaowen, W., and Hui, L. 2012. Sustainable land use optimization using Boundary-based Fast Genetic Algorithm. Computers, Environment and Urban Systems, 36:257-269.

13- Chandramouli, M., Houang, B., and Xue, L. 2009. Spatial Change Optimization: Integrating GA with Visualization for 3D Scenario Generation. Photogrammetric Engineering & Remote Sensing, 75(8): 1015-1022.

14- Chang, Y.C., and Ko, T. 2014. An interactive dynamic multi-objective programming model to support better land use planning. Land use policy, 36: 13-22.

15- Coello, C., Lamont, G., and Van Veldhuizen, D. 2007. Evolutionary Algorithms for Solving Multi-Objective Problems. USA: Springer.

16- Duh, J., and Brown, D.G. 2007. Knowledge-informed Pareto simulated annealing for multi-objective spatial allocation. Computers, Environment & Urban Systems, 31 (3): 253–281.

17- Feng, C.M., and Lin, J.J. 1999. Using a genetic algorithm to generate alternative sketch maps for urban planning. Computers, Environment & Urban Systems, 23(2): 91-108.

18- Hillier, F., and Lieberman, G. 2001. Introduction to operations research. USA: McGraw-Hill.

19- Leccese, M., and McCormick, K. 2000. Charter of the new urbanism. New York: McGraw-Hill Professional.

20- Ligmann.Z, A., Church, R., and Jankowski, P. 2008. Spatial optimization as a generative technique for sustainable multiobjective land‐use allocation. International Journal of Geographical Information Science, 22(6): 601-622.

21- Liu, X., Lao, C., Li, X., Liu, Y., and Chen, Y. 2012. An integrated approach of remote sensing, GIS and swarm intelligence for zoning protected ecological areas. Landscape Ecology, 27:447-463.

22- Masoomi, Z., Mesgari, M., and Hamrah, M. 2013. Allocation of urban land uses by Multi-Objective Particle Swarm Optimization algorithm. International Journal of Geographical Information Science, 27(3): 542-566.

23- Nastaran, M., Ghalehnoee, M., and Sahebgharani, A. 2014. Ranking sustainability of urban districts through factor and cluster analysis (Case study: municipal districts of Isfahan). Armanshahr, 12: In press.

24- Peng, J., Wang, Y.L., Wu, J.S., and Li, Y.F. 2006. Ecological effects associated with land-use change in China’s southwest agricultural landscape. International Journal of Sustainable Development & World Ecology, 13(4): 315-325.

25- Randolph, J. 2004. Environmental land use planning and management. Washington DC: Island Press.

26- Ravindra, K.A., B.Orlin, J., and Tiwari, A. 2000. A greedy genetic algorithm for quadratic assignment problem. Computers & Operation Research, 24: 917-934.

27- Sante-Riveira, I., M. Boullon-Magan, R. Crecente-Maseda., and Miranda-Barros, D. 2008. Algorithm based on simulated annealing for land-use allocation. Computers & Geosciences, 34(3): 259-268.

28- Verburg, P.H., Veldkamp, A., and Fresco, L.O. 1999. Simulation of changes in the spatial pattern of land use in China. Applied Geography, 19(3): 211-233.

29- Wang, X., Yu, S., and Huang, G. H. 2004. Land allocation based on integrated GIS optimization modeling at a watershed level. Landscape and Urban Planning, 66, 61–74.

30- Winston, L. 2004. Operations research applications and algorithms. USA: Thomson-Brooks/Cole.

31- Zhang, H., Zeng, Y., and Bian, L. 2010. Simulating Multi-Objective Spatial Optimization Allocation of Land Use Based on the Integration of Multi-Agent System and Genetic Algorithm. International Journal of Environmental Research, 4(4): 765-776.