استنتاج ساختار شهری به شکل کارآمد توسط پویایی جریان ترافیک با استفاده از آتاماتای یادگیری

در برنامه ریزی شهری، ارتباط بهینه بین مناطق نقش حیاتی ایفا می کند. این امر را می توان به عنوان یک مسئله بهینه سازی در نظر گرفت که در آن از جریان ترافیک برای کشف روابط پنهان استفاده می شود. اطلاعات ارزشمندی در ترافیک و ساختار فعلی شهر نهفته است. کلید حل این معما، فرمول بندی درست مسئله برای استفاده از این اطلاعات است. در این مقاله، دو الگوریتم مبتنی بر یادگیری تقویتی (LA) برای استنتاج ساختار بهینه ارائه می شود: ۱- رویکرد مبتنی بر آتاماتای یادگیر توزیع شده (DLA): در این روش، مسئله توسط شبکه ای از آتامات ها که به صورت همکاری جمعی عمل می کنند، حل می شود. ۲- رویکرد مبتنی بر آتاماتای یادگیر سلولی (CLA): در این روش، مسئله به عنوان یک مسئله محاسباتی در نظر گرفته می شود و با استفاده از شبکه ای از سلول ها که با هم تعامل دارند، حل می شود. برای تخمین ساختار مورد نظر یا ساختار بهینه از دو سیگنال محیطی استفاده می شود: ۱- ساختار فعلی شهر ۲-پویایی جریان ترافیک برای ارزیابی عملکرد الگوریتم ها از یک بستر آزمایشی استفاده می شود که شامل داده های ساختگی و واقعی است. نتایج نشان می دهد که روش مبتنی بر CLA در بیشتر موارد عملکرد بهتری نسبت به روش دیگر دارد. خروجی نهایی این الگوریتم ها، یک ماتریس اتصالات بهینه است که شامل ساختار شهری فعلی و پیوندهای جدید ضروری برای ایجاد ساختاری کارآمدتر می باشد.

کلیدواژه ها:

آتاماتای یادگیر توزیع شده ، آتاماتای یادگیر سلولی ، پویایی ترافیک ، ساختار اتصالات بهینه ، ساختار شهری