کاربرد الگوریتم ژنتیک در پرداخت مدل های لوجیت انتخاب وسیله سفر

ساخت و پرداخت مدل های انتخاب وسیله یکی از مهمترین بخش های تحلیل تقاضا در برنامه ریزی حمل و نقل است. در این مرحله تصمیم استفاده کنندگان در خصوص انتخاب وسیله سفر مورد تجزیه و تحلیل قرار می گیرد. این مدل ها توسط مدل های انتخاب گسسته ساخته می شوند. یکی از مدل های رایج احتمالی، لوجیت چندجمله ای و آشیانه ای است. معمولاً برای تعیین پارامترهای مدل های لوجیت از ماکزیمم کردن تابع درستنمایی استفاده میکنند. روش های زیادی برای حل تابع لگاریتم بیشینه احتمال(درستنمایی) استفاده می شود که در روش های مرسوم از مشتق گیری نسبت به هر متغیر و برابر صفر قرار دادن آن بهره می گیرند و بر این اساس ضرایب تابع مطلوبیت را بدست میآورند. این روش ها کاستی هایی از جمله، خطا در رسیدن به نقطه بهینه کلی در اثر مشکلات شرایط مشتق پذیری و همچنین وابستگی به مقادیر اولیه دارند. اخیراً نیز از روش گرم و سرد کردن شبیه سازی شده (sa) برای ماکزیمم کردن تابع درستنمایی استفاده شده است که این روش برگرفته از پدیده فیزیکی مذاب شدن جسم جامد و سرد شدن آهسته آن تا قرار گرفتن هر ذره در پایین ترین سطح انرژی می باشد.sa نیز روشی احتمالی است اما نقطه ضعف عمده آن، جستجوی تمام نقاط مجموعه جواب به جای دامنه جواب می باشد. در این پژوهش از یک روش بهینه یابی هوشمند احتمالی بر مبنای الگوریتم ژنتیک(ga) برای برآورد پارامترهای مدل لوجیت چند جمله ای و آشیانه ای سفرهای کاری شهر اصفهان استفاده شده است. در این راستا ابتدا برنامه ای برای یافتن لگاریتم بیشینه احتمال و همچنین احتمال انتخاب هر گزینه برای مدل لوجیت چندجمله ای و آشیانه ای نوشته و سپس برای حل معادلات آن، الگوریتم ژنتیک بکار گرفته شد تا معایب روش های مرسوم را مرتفع سازد. ورودی های نرم افزار شامل تعداد و مقادیر متغیرها برای چهار وسیله نقلیه، مقدار جمعیت اولیه، نوع کدگذاری پارامترها، درصد و نوع تقاطع، درصد و نوع جهش، نوع انتخاب کروموزوم در هر نسل، نوع جایگزینی، تعداد حلقه جهت توقف چرخه می باشد. بر خلاف روش های مرسوم، در الگوریتم ژنتیک به جای استفاده از اطلاعات طبقه بندی شده از اطلاعات احتمالی و بصورت موازی با وجود n جواب در هر مرحله، و همچنین کد گذاری پارامترها و استفاده از کروموزوم بعنوان جواب، عدم وابستگی به جواب اولیه، جهت رسیدن به بهینه کلی استفاده می کند. جواب های بدست آمده از این روش(ga) با جواب های مربوط به روش های شیب و همچنین روش گرم و سرد کردن شبیه سازی شده مقایسه گردیده است. نتایج نشان می دهد علاوه بر مقدار تابع هدف((?)l)، ارزیابی این مدل ها مانند ? و?^2 روش(ga) در مقایسه با سایر روش ها بهتر می باشد. بنابراین ضرایب تابع مطلوبیت تطابق بهتری با واقعیت خواهند داشت. همچنین با استفاده از تدابیری همانند حذف حلقه های اضافی در برنامه، استفاده از کامپیوتر با سرعت بالا و .. می توان زمان اجرای برنامه را هم تقلیل داد و آن را برای برآورد پارامترهای انتخاب وسیله نقلیه ی شهرهای دیگر نیز استفاده کرد.