[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
برای نویسندگان::
آرشیو مجله و مقالات::
داوری تخصصی::
تماس با ما::
امکانات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
پایگاه های نمایه کننده







 
..
آمار سایت
تعداد مشاهده ی مقالات: 3196946

مقالات منتشر شده: 687
نرخ پذیرش: 73.7
نرخ رد: 17.74

میانگین دریافت تا تصمیم‌گیری اولیه: 5 تا 10 روز
میانگین دریافت تا پذیرش: 193 روز
____
..
:: دوره 15، شماره 2 - ( 9-1404 ) ::
دوره 15 شماره 2 صفحات 11-1 برگشت به فهرست نسخه ها
یک رویکرد هوشمند مبتنی بر الگوریتم جامعه مورچگان تقویت‌شده برای تخصیص بهینه وظایف در عملیات امداد و نجات زلزله
ناهید بهرامی ، میثم ارگانی* ، علی درویشی بلورانی ، علیرضا وفائی‌نژاد
چکیده:   (78 مشاهده)
مدیریت مؤثر تیم‌ها یکی از چالش‌های حیاتی در عملیات‌های امداد و نجات به شمار می‌رود. در این شرایط، تصمیم‌گیری سریع، هماهنگی مؤثر و تخصیص بهینه فعالیت­ها، نقش تعیین‌کننده‌ای در موفقیت مأموریت‌ها و کاهش تلفات دارد. از این رو، به‌کارگیری روش‌های علمی و فناورانه برای ارتقای عملکرد تیم‌های امدادی از اهمیت بالایی برخوردار است. پژوهش حاضر با هدف بهبود عملکرد تیم‌های امداد و نجات در زمان وقوع زمین‌لرزه انجام گرفته است. زلزله‌ها به دلیل وسعت خسارات و محدودیت زمانی در نجات مصدومان، از جمله مخاطرات طبیعی بحرانی محسوب می‌شوند. هرگونه بهبود در مدیریت تیم‌های عملیاتی می‌تواند منجر به افزایش سرعت امدادرسانی و در نتیجه نجات جان افراد بیشتری شود. در این پژوهش، برای بهینه‌سازی عملکرد تیم‌های امدادی، از تلفیق علوم نوین مکانی با هوش مصنوعی استفاده شده است. بر اساس مطالعات انجام‌شده، الگوریتم هوش جمعی جامعه مورچگان به عنوان یکی از کارآمدترین روش‌های مبتنی بر رفتار جمعی برای حل مسائل تیمی پیچیده مناسب است. با این حال، برای ارتقای توانایی این الگوریتم روش یادگیری تقویتی  Q-Learning  برای ترکیب با جامعه مورچگان انتخاب شد. این ترکیب موجب شد تا فرآیند تخصیص وظایف و فعالیت­ها به افراد، ارتقا و بهبود یابد. برای اجرا و بررسی عملکرد مدل، ابتدا پارامترهای مؤثر در ساختار تیم‌ها و تخصص افراد، فعالیت­ها، و میزان خسارات، شناسایی و به عنوان ورودی و نیز در توسعه و تدوین روابط ریاضی لحاظ شدند. محدوده‌ی مطالعاتی در ناحیه چهارم منطقه ۳ شهر تهران انتخاب شد و ۷۰ امدادگر در قالب ۱۴ تیم پنج ‌نفره که همگی مطابق با پروتکل‌های هلال احمر ایران آموزش دیده­اند، در عملیات شبیه‌سازی‌شده شرکت داده شدند. در مدل پیشنهادی، توابع پاداش و هزینه با در نظر گرفتن شاخص‌هایی همچون سرعت حرکت، زمان انجام فعالیت­ها، فاصله محل فعالیت­ها و در کل میزان موفقیت در نجات افراد، تعریف و تدوین شدند. نتایج به‌دست‌آمده نشان داد که مدل ترکیبی پیشنهادی توانسته است کارایی کلی عملیات امداد و نجات را در مقایسه با الگوریتم واحد جامعه مورچگان تا حدود ۱۹ درصد افزایش دهد. به طور کلی، یافته‌های پژوهش حاضر نشان می‌دهد که ترکیب روش‌های هوش جمعی با یادگیری تقویتی می‌تواند چارچوبی نوین برای مدیریت هوشمند تیم‌های امدادی در شرایط بحرانی فراهم سازد.
شماره‌ی مقاله: 1
واژه‌های کلیدی: هوش مصنوعی، تخصیص وظایف، امداد و نجات، الگوریتم جامعه مورچگان، یادگیری تقویتی، زلزله.
متن کامل [PDF 762 kb]   (42 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سامانه های اطلاعات مکانی
دریافت: 1404/7/13 | پذیرش: 1404/9/17
فهرست منابع
1. Vafaeinezhad, A.R. Alesheikh, A.A. Hamrah, M. Reza Nourjou, R. Shad, R. (2009). "Using GIS to Develop an Efficient Spatio-temporal Task Allocation Algorithm to Human Groups in an Entirely Dynamic Environment Case Study: Earthquake Rescue Teams". Computational Science and Its Applications - ICCSA 2009. Volume 5592 of the series Lecture Notes in Computer Science. pp 66-78. 2009. [DOI:10.1007/978-3-642-02454-2_5]
2. Vafaeinezhad, A. R, Alesheikh, A., Nouri, J., (2010). "Developing a spatio-temporal model of risk management for earthquake life detection rescue team". International Journal of Environmental Science & Technology. March 2010, Volume 7, Issue 2, pp 243-250. [DOI:10.1007/BF03326134]
3. Rasekh, A., Vafaeinezhad, A. R. (2012), "Developing a GIS Based Decision Support System for Resource Allocation in Earthquake Search and Rescue Operation", Computational Science and Its Applications - ICCSA 2012, Volume 7334 of the series Lecture Notes in Computer Science PP. 275-285. Springer [DOI:10.1007/978-3-642-31075-1_21]
4. Jaziar Radianti, Ole-Christoffer Granmo, Parvaneh Sarshar, Morten Goodwin, Julie Dugdale, Jose J. Gonzalez, 2015: A spatio-temporal probabilistic model of hazard- and crowd dynamics for evacuation planning in disasters. Applied Intelligence. January 2015. Volume 42. Issue 1. pp 3-23. Springer [DOI:10.1007/s10489-014-0583-4]
5. Yashwant Singh Patel, Sourasekhar Banerjee1, Sajal K., 2020, Low-Latency Energy-Efficient Cyber-Physical Disaster System Using Edge Deep Learning. Jan 4, 2020. [DOI:10.1145/3369740.3372752]
6. Li Yan, Shohaib Mahmud, Haiying Shen, Natasha Zhang Foutz and Joshua Anton, 2020, MobiRescue: Reinforcement Learning based Rescue Team Dispatching in a Flooding Disaster, 2020 IEEE 40th International Conference on Distributed Computing Systems (ICDCS)|978-1-7281-7002-2/20/$31.00©2020IEEE|DOI: 10.1109/ICDCS47774.2020.00033 [DOI:10.1109/ICDCS47774.2020.00033]
7. Jalumuru Nalini, P. M. Khilar, 2021. Reinforced Ant Colony Optimization for Fault Tolerant Task Allocation in Cloud Environments, Wireless Personal Communications (2021) 121:2441-2459, [DOI:10.1007/s11277-021-08830-4]
8. Zhaojia Tang, Ping Wang, Yong Wang, Changgeng Wang, Yu Han, 2022. Distributed Small-Step Path Planning and Detection Method for Post-earthquake Robot to Inspect and Evaluate Building Damage. Published in Frontiers in Neurorobotics 15 August 2022, Engineering, Environmental Science. [DOI:10.3389/fnbot.2022.915150]
9. Xiaoyan Li, Xuedong Liang, Xia Wang, Rong Wang, Lingli Shu, Wentao Xu, 2023, Deep reinforcement learning for optimal rescue path planning in uncertain and complex urban pluvial flood scenarios, Applied Soft Computing 144 (2023) 110543 [DOI:10.1016/j.asoc.2023.110543]
10. Rahat Tamzid, Ehfaz Faisal Mahee, Ashikur Rahman, Tahira Akhtar Tamanna, Muntasir Rahman, Md Mamun Hossain, 2024. Intelligent Route Planning for Post-Earthquake Rescues Using IoT. Engineering, Environmental Science, Computer Science, May 2024. [DOI:10.1109/ICEEICT62016.2024.10534533]
11. Minal Shahakar, S. A. Mahajan, Lalit Patil, 2024, Optimizing System Resources and Adaptive Load Balancing Framework Leveraging ACO and Reinforcement Learning Algorithms, J. Electrical Systems 20-1s (2024): 244 - 256 [DOI:10.52783/jes.768]
12. Jin Zhang, Hao Xu, Ding Liu and Qi Yu, 2025, Advancing Dynamic Emergency Route Optimization with a Composite Network Deep Reinforcement Learning Model, Systems 2025, 13, 127 [DOI:10.3390/systems13020127]
13. N. Bahrami1, M. Argany*,1, A.D. Boloorani1, A.R. Vafaeinejad2, 2025. A Geo-AI Approach in the Post-Earthquake Rescue. J. RS. GEOINF. RES. 3(1): 187-200, Winter & Spring 2025
14. Mezyabadi, Shahryar. 2012. Search and rescue in collapsed buildings (rubble removal). Tehran: Nakhl [In Persian].
15. Comprehensive National Rescue and Relief Plan. 2003
16. Sharifi Sadeh, Mehrab. 2010. Disaster Assessment. Scientific Quarterly Journal of Rescue and Relief. Year 2. Issue 4 [In Persian].
17. N. Bahrami, M. Argany, N. Neysani Samani, A.R. Vafaei Nejad, 2021. Designing a Context-aware Recommender System in the Optimization of the Relief and Rescue by Ant Colony Optimization Algorithm and Geospatial Information System, Journal of Geomatics Science and Technology 11 (2), 153-162.
18. N Bahrami, M Argany, NN Samani, AR Vafaeinejad, Designing a context-aware recommender system in the optimization of the relief and rescue. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Volume 42, Pages 171-177. [DOI:10.5194/isprs-archives-XLII-4-W18-171-2019]
19. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. [ISBN: 978-0262039246].
20. Watkins, C.J.C.H. and Dayan, P. (1992) Q-Learning. Machine Learning, 8, 279-292. [DOI:10.1007/BF00992698]
21. RS Sutton, S Singh, D McAllester, (2000). Comparing policy-gradient algorithms. IEEE Transactions on Systems, Man, and Cybernetics
22. Konda, V., Tsitsiklis, J. N., (2000). Actor-critic algorithms. Society for Industrial and Applied Mathematics
23. Mnih, V., et al. (2015). Human-level control through deep reinforcement learning. Nature. [DOI: 10.1038/nature14236] [DOI:10.1038/nature14236]
24. John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford, Oleg Klimov, (2017). Proximal Policy Optimization Algorithms. arXiv:1707.06347
25. Minal Shahakar, S. A. Mahajan, Lalit Patil, 2024. Enhancing Resource Utilization and Load Distribution with ACO and Reinforcement Learning in Dynamic Computing Infrastructures. Panamerican Mathematical Journal ISSN: 1064-9735 Vol 34 No. 1 (2024) [DOI:10.52783/pmj.v34.i1.902]
26. Kenneth B. Chiacchia, Heather E. Houlahan, (2023). Deriving Objective Probability of Detection for MissingPerson Search: Validating Use of Effective Sweep Width and Associated Mathematical Models. Journal of Search & Rescue Volume 6, Issue 1 [DOI:10.61618/NPEN4588]
27. N Bahrami, M Argany, M Jelokhani Neyaraki, A Vafaeinezhad, Providing a spatial approach in the rescue and relief management after the earthquake, Environmental Management Hazards 6 (2), 117-129.
28. Official website of District 3 of Tehran Municipality. https://region3.tehran.ir/
29. Tehran City Crisis Prevention and Management Organization, Deputy for Prevention and Risk Reduction. 2008. Rapid Earthquake Damage and Casualty Estimation System in Tehran City [In Persian].
30. N. Bahrami, 2019. Using Tabu Search Algorithm and Geospatial Information System for Managing of the Relief and Rescue Teams, Journal of Geomatics Science and Technology 8 (3), 179-18.
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Bahrami N, Argany M, Darvishi Boloorani A, Vafaeinejad A. An Intelligent Approach for Improving Task Allocation Efficiency in Rescue Operations via Reinforced Ant Colony Optimization. JGST 2025; 15 (2) : 1
URL: http://jgst.issgeac.ir/article-1-1239-fa.html

بهرامی ناهید، ارگانی میثم، درویشی بلورانی علی، وفائی‌نژاد علیرضا. یک رویکرد هوشمند مبتنی بر الگوریتم جامعه مورچگان تقویت‌شده برای تخصیص بهینه وظایف در عملیات امداد و نجات زلزله. علوم و فنون نقشه برداری. 1404; 15 (2) :1-11

URL: http://jgst.issgeac.ir/article-1-1239-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 15، شماره 2 - ( 9-1404 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology