Journal of Geomatics Science and Technology

fa یک رویکرد هوشمند مبتنی بر الگوریتم جامعه مورچگان تقویت‌شده برای تخصیص بهینه وظایف در عملیات امداد و نجات زلزله An Intelligent Approach for Improving Task Allocation Efficiency in Rescue Operations via Reinforced Ant Colony Optimization سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Team management, particularly in critical situations, is one of the most challenging aspects of relief and rescue efforts. In such contexts, rapid decision-making, efficient team coordination, and optimal allocation of activities and responsibilities are vital to mission success and minimizing casualties. It is therefore crucial to identify and apply scientific and technological methods to enhance the performance of rescue teams. The purpose of this study is to investigate and improve the operational performance of relief and rescue teams in post-earthquake scenarios. Because of the widespread damage they cause, the geographic extent of the affected areas, and the severe time constraints involved in rescuing victims, earthquakes are among the most complex and critical natural disasters. In these conditions, any improvement in operational management and decision-making can increase the speed of response actions and ultimately save more lives.</div> <div style="text-align: justify;">In this study, by integrating modern spatial sciences with artificial intelligence algorithms, a performance optimization model for rescue teams was developed. Ant Colony Optimization (ACO) was identified as one of the most effective collective intelligence methods for addressing complex, team-based decision problems. Reinforcement learning, specifically using the Q-Learning algorithm, was incorporated into the ACO framework to further improve its adaptability to the environment. The proposed model was enhanced by this hybridization to enhance task allocation and decision-making. To implement and evaluate the model, key parameters such as the structure of the team, the expertise of its members, the distribution of tasks, as well as the extent of human and structural damage were identified. An earthquake response scenario was simulated in District 4 of Tehran's Region 3 with 70 trained rescuers in 14 five-member teams following Iranian Red Crescent protocols. A primary input to the model was data on location, damage intensity, team specialization, and search-and-rescue activities. Based on movement speed, task duration, distance to operational sites, and overall rescue success rate, reward and cost functions were developed. Comparing the hybrid model with the standard ACO algorithm, the proposed hybrid model increased overall rescue efficiency by 19%. The findings of this study demonstrate that integrating collective intelligence with reinforcement learning offers a promising framework for managing rescue teams intelligently and adaptively during critical events. It can also be applied to other natural or human-induced disasters, providing a pathway for the development of intelligent decision-support systems for crisis management at local and national levels.</div> هوش مصنوعی, تخصیص وظایف, امداد و نجات, الگوریتم جامعه مورچگان, یادگیری تقویتی, زلزله. Artificial Intelligence, Task Allocation, Relief and Rescue, Ant Colony Optimization, Reinforcement Learning, Earthquake. 1 11 http://jgst.issgeac.ir/browse.php?a_code=A-10-682-2&slc_lang=fa&sid=1 Nahid Bahrami ناهید بهرامی nd.bahrami@ut.ac.ir 100319475328460011020 100319475328460011020 No دانشگاه تهران Meysam Argany میثم ارگانی argany@ut.ac.ir 100319475328460011021 100319475328460011021 Yes دانشگاه تهران Ali Darvishi Boloorani علی درویشی بلورانی ali.darvishi@ut.ac.ir 100319475328460011022 100319475328460011022 No دانشگاه تهران Alireza Vafaeinejad علیرضا وفائی‌نژاد a_vafaei@sbu.ac.ir 100319475328460011023 100319475328460011023 No دانشگاه شهید بهشتی