با توجه به تغییرات مختلف و مداوم کاربری ها، در نظر گرفتن خاصیت دینامیک محیط شهری در برنامه‌ریزی شهری از اهمیت خاصی برخوردار است. بنابراین پیشنهاد چینش مناسب کاربری‌های شهری پس از وقوع تغییر در کاربری‌ها، کمک شایانی به مسأله‌ی مدیریت پویای شهری می‌نماید. هدف اصلی این تحقیق ارائه‌ی روشی بر اساس GIS و الگوریتم بهینه‌سازی چندهدفه‌ی NSGA-II است که با استفاده از آن بتوان در صورت تغییر یک کاربری، چینش بهینه‌ی سایر کاربری‌های منطقه، در سطح قطعات شهری، به دست آورد. یک هدف فرعی نیز استفاده از آنالیز خوشه‌بندی برای کمک به تصمیم‌گیرنده در انتخاب جواب مورد نظر می‌باشد به نحوی که تصمیم‌گیرنده بتواند با توجه به معرفی اولویت‌های برنامه‌ریزی، سناریوی حاصل را ملاحظه و انتخاب نماید. در سازگارسازی الگوریتم NSGA-II با مسأله، چهار تابع هدف بیشینه‌سازی سازگاری، بیشینه‌سازی وابستگی، بیشینه‌سازی مطلوبیت و بیشینه‌سازی همسانی کاربری‌های مجاور تعریف شدند. تأمین سرانه‌ی کاربری‌ها در منطقه نیز به صورت قید در سناریوهای تولید شده به کار گرفته شد. به منظور حمایت از تصمیم‌گیری و نمایش سناریوها به تصمیم‌گیرندگان از آنالیز خوشه‌بندی با استفاده از الگوریتم بهینه‌سازی کلونی مورچه استفاده شد. در نهایت مدل با استفاده از داده های دو محله از منطقه‌ی ۷ شهرداری تهران پیاده سازی و تست شد. همچنین نتایج حاصل از الگوریتم بهینه‌سازی از نظر همگرایی و تست تکرارپذیری در سطح قابل قبولی می‌باشند. در چینش‌های بهینه‌ی به دست آمده نیز وضعیت توابع هدف بهتر از وضعیت موجود است و کمبود سرانه‌ها تا حد قابل توجهی جبران شده است. مدل حاصل به برنامه‌ریزان و سیاست‌گزاران شهری در خصوص اصلاح طرح تفصیلی موجود پس از تغییر یک یا چند کاربری کمک می‌نماید.

یکی از مولفه های اصلی سامانه های اطلاعات مکانی (GIS) مدلسازی های مکانی است. روش های هوشمند همانند شبکه های عصبی از جمله روش هایی هستند که در دهه های اخیر جهت انجام مدلسازی های مکانی به آنها توجه زیادی شده است. در اغلب روش های هوشمند، مدلسازی مکانی بر مبنای تعیین یک ساختار اولیه برای روش مورد استفاده انجام می شود که تعیین چنین ساختار اولیه ای در اغلب مواقع امری بسیار دشوار است. در این تحقیق برای حل چنین چالشی از برنامه نویسی ژنتیکی برای تهیه نقشه پتانسیل معدنی استفاده شده است. در این روش روابط بین داده های ورودی و خروجی به طور خودکار و بدون نیاز به تعریف یک ساختار اولیه و به صورت کاملاً صریح استخراج می شوند. یکی از چالش ها در بکارگیری برنامه نویسی ژنتیکی انطباق بیش از حد می باشد. در این تحقیق روشی نوین برای جلوگیری از مشکل انطباق بیش از حد ارائه شده است. همچنین برای افزایش دقت مدلسازی از تلفیق خطی وزندار چند درخت (برنامه نویسی ژنتیکی چند ژنه) استفاده شد. در ادامه برای تعیین موثرترین فاکتور ورودی از دو روش تحلیل حساسیت EFAST و Sobol’s که بر مبنای شبیه سازی مونت کارلو هستند استفاده گردید. در نهایت مشخص گردید که معیارهای ژئوفیزیکی و از میان آنها فاکتور شدت میدان مغناطیسی دارای بیشترین حساسیت و معیارهای زمین شناسی و از میان آنها سنگ شناسی دارای کمترین حساسیت بر روی خروجی هستند.

در نیمه دوم قرن گذشته اغلب جوامع شاهد شروع پدیده ای بنام ترافیک شهری در خود بوده اند که علت رخداد چنین پدیده ای عبور تعداد زیادی خودرو در زمان یکسان از یک زیر ساخت حمل و نقلی یکسان می باشد. پدیده ترافیک شهری دارای پیامدهای اقتصادی و محیط زیستی کاملاً شناخته شده ای از جمله آلودگی هوا، کاهش در سرعت، افزایش زمان سفر، افزایش مصرف سوخت و حتی افزایش تصادفات می باشد. یکی از راه های اقتصادی برای مدیریت کردن افزایش تقاضای سفر و جلوگیری از ترافیک شهری، افزایش کارایی زیر ساخت های موجود از طریق سیستم های هوشمند کنترل ترافیک می باشد.

از سوی دیگر کنترل ترافیک به دلیل طبیعت توزیع یافته و خودمختار آن توسط سیستم های چند عامله به خوبی قابل مدلسازی می باشد. رانندگان و چراغ های راهنمایی را می توان به عنوان عامل هایی که رفتارهای هوشمندانه ای از خود نشان می دهند در نظر گرفت. برای ایجاد چنین رفتارهایی نیاز است که دانش لازمه از محیط اطراف در ذهن عامل قرار داده شود اما به دلیل پیچیدگی های بالای موجود در الگوهای ترافیک شهری و ناایستا بودن اغلب محیط های ترافیکی قرار دادن یک دانش اولیه از محیط در ذهن عامل ها بسیار دشوار و غیر عملی می باشد. بنابراین نیاز به یک روشی که عامل در طول تعامل با محیط بتواند دانش لازمه را بدست آورد کاملاً ضروری است که در این تحقیق برای حل این چالش از یادگیری تقویتی استفاده شد. هدف مقاله حاضر بهبود استراتژی های کنترل ترافیک و به طور خاص کنترل هوشمند چراغ های راهنمایی از طریق توسعه تکنیک های یادگیری تقویتی در سیستم های چند عامله است. معماری عملگر – نقاد به عنوان یک معماری رایج در یادگیری تقویتی که دارای ساختار حافظه جداگانه ای هم برای سیاست و هم برای تابع ارزش است مورد استفاده قرار گرفت. نتایج این تحقیق نشان دادند که کنترل هوشمند چراغ های راهنمایی منجر به کاهش ۲۳% طول صف و ۱۶% زمان سفر نسبت به کنترل غیر هوشمند چراغ های راهنمایی برای یک تقاطع منفرد می شود.

حمل و نقل و سیستم­های لجستیکی کارآمد، نقش مهمی در توسعه اقتصادی جامعه ایفا می­کند. با توجه به اینکه بخش قابل توجهی از کالاهای ما از طریق پست و توسط حمل و نقل جاده­ای انجام می­شود. افزایش وسایل نقلیه در حال حرکت در جاده­های ما باعث افزایش هزینه، سر و صدا، آلودگی و حوادث می­شود. برنامه­ریزی و مدیریت حمل و نقل، با استفاده از روش­های بهینه­سازی می­تواند باعث کاهش این اثرات و بهبود خدمات به مشتریان و رضایت هر چه بیشتر آنها شود. مسئله همزمانی دریافت و تحویل محموله­های پستی در هر مرکز و همچنین زمان تحویل این محموله­ها از اهمیت خاصی برخوردار است. مسئله برنامه­ریزی برای محموله­های پستی نوع ویژه­ای از مسئله دریافت و تحویل کالا با پنجره زمانی[۱] می­باشد که آن نیز نوع مهمی از مسئله مسیریابی وسایل نقلیه[۲] VRP به شمار می­آید. هدف این تحقیق برنامه ریزی وبهینه سازی روند جابجایی مجموعه­ای از محموله­های پستی هستند که در مکان­ها و زمان­های مشخصی بایستی دریافت و تحویل گردند. ضمن لحاظ نمودن حجم محموله ها و ظرفیت خودروها بایستی هم طول و هم زمان سفرها و هم تعداد خودروها کمینه گردند. از طرفی همانطور که می­دانیم روش­های بهینه­سازی سنتی متداول به دلیل مواجه شدن با پیچیدگی­های مسئله در فضاهای جستجوی بزرگ اغلب به بهینه­های محلی همگرا می­شوند. به همین دلیل در این تحقیق برای حل این مسئله از الگوریتم­های فراابتکاری کلونی زنبور عسل و ژنتیک استفاده شده است. مسئله بهینه سازی مورد نظر و شرایط خاص آن و توابع بهینگی و قیود بهینه سازی در قالب اجرای دو الگوریتم مدل سازی گردیدند. که در این الگوریتم­ها با تعریف همسایگی مناسب و به کارگیری عملگرهای جهش و تقاطع ابتکاری شرایط حل مسئله بهتر شده است. در نهایت توانایی الگوریتم­ها از نظر دقت، سرعت همگرایی و شرط تکرارپذیری مورد ارزیابی قرار گرفته است. نتایج نشان دهنده عملکرد بهتر الگوریتم زنبور نسبت به ژنتیک می­باشند. براساس نتایج بدست آمده در هر بار اجرا، الگوریتم ژنتیک و زنبور به ترتیب ۸۴ و ۹۳ درصد امکان رسیدن به بهترین جواب را دارند.

امروزه یکی از معضلات جوامع شهری، ازدحام و ترافیک خودروها در معابر شهری است که منجر به آسیب‌های مختلف اقتصادی، محیط زیستی و اجتماعی می‌شود. برای جلوگیری از این آسیب‌ها، نیاز به بهبود زیر ساخت‌های فعلی حمل و نقل در شهرهای بزرگ بیش از پیش احساس می‌شود. تمرکز مقاله حاضر بر روی کنترل هوشمند چراغ‌های راهنمایی به عنوان یکی از شاخه‌های سیستم‌های حمل و نقل هوشمند با استفاده از سامانه‌های چند عامله یادگیر است. دو سناریوی متفاوت شامل کنترل یک تقاطع منفرد و کنترل یک شریان متشکل از چهار تقاطع پیاده‌سازی می‌شوند. در سناریوی اول دو روش یادگیری Q و سارسا با یکدیگر مقایسه و نتایج نشان می‌دهند که روش یادگیری Q بهتر از روش یادگیری سارسا عمل می‌نماید. اما در سناریوی دوم به دلیل وجود چندین عامل یادگیر تقویتی و تأثیر رفتار هر عامل یادگیر بر سایر عامل‌ها، نیاز است که اعمال عامل‌ها با یکدیگر سازگار شوند. به‌کارگیری یک مکانیسم هماهنگی برای پیدا نمودن رفتار بهینه تمام عامل‌ها یکی دیگر از اهداف تحقیق به شمار می‌رود. نتایج این تحقیق نشان می‌دهند که کنترل هوشمند چراغ‌های راهنمایی منجر به کاهش ۸۱% طول صف، ۷۸% زمان سفر، ۵۷% مصرف سوخت و ۷۳% آلودگی هوا نسبت به کنترل غیر هوشمند چراغ‌های راهنمایی می‌شود.