روش های جستجو برای مسیرهای تخلیه در هنگام بلایای باران سیل آسا با استفاده از الگوریتم های ژنتیک و GIS

 

پژوهش حاضر با تمرکز بر بلایای ناشی از بارندگی شدید و با استفاده از الگوریتم ژنتیک (GA) و سیستم اطلاعات جغرافیایی، روشی را برای جستجوی مناسب‌ترین مسیرهای تخلیه پیشنهاد می‌کند که کالری مصرفی افراد تخلیه‌شده برای رسیدن به مکان‌های تخلیه را در نظر می‌گیرد. (GIS). به طور خاص، GA برای طراحی و توسعه یک الگوریتم جستجوی مسیر تخلیه استفاده شد و 4 پارامتر شامل تعداد نسل، تعداد نرخ جهش افراد و نرخ متقاطع با انجام تحلیل‌های حساسیت تنظیم شد. علاوه بر این، GIS همچنین برای ایجاد داده های شبکه جاده و داده های کانتور برای نقشه های دیجیتال و محاسبه ارتفاع هر نقطه متقاطع استفاده شد. بر این اساس، کالری مصرفی لازم برای رسیدن به محل تخلیه برای هر مسیر محاسبه شد. و این امکان استخراج چندین مسیر تخلیه با مقادیر کم را برخلاف روش های دیگر فراهم می کند. با استفاده از GA و GIS برای پیشنهاد مسیرهای تخلیه دقیق، که کالری لازم برای رسیدن به مکان‌های تخلیه را در نظر می‌گیرد، می‌توان انتظار داشت که مطالعه حاضر به تصمیم‌گیری تخلیه‌شدگان کمک کند. علاوه بر این، از آنجایی که روش مبتنی بر اطلاعات عمومی است، این روش قابلیت تکرار مکانی و زمانی بالایی دارد. از آنجایی که مسیرهای تخلیه بر اساس داده های کمی پیشنهاد می شوند، مسیرهای تخلیه انتخاب شده به صورت کمی ارزیابی می شوند و یک شاخص موثر برای تصمیم گیری در مورد مسیر تخلیه هستند. علاوه بر این، مسیرهای تخلیه که به طور دقیق شرایط فعلی را منعکس می کنند، می توانند با استفاده از اطلاعات دقیق به عنوان داده استخراج شوند. با استفاده از GA و GIS برای پیشنهاد مسیرهای تخلیه دقیق، که کالری لازم برای رسیدن به مکان‌های تخلیه را در نظر می‌گیرد، می‌توان انتظار داشت که مطالعه حاضر به تصمیم‌گیری تخلیه‌شدگان کمک کند. علاوه بر این، از آنجایی که روش مبتنی بر اطلاعات عمومی است، این روش قابلیت تکرار مکانی و زمانی بالایی دارد. از آنجایی که مسیرهای تخلیه بر اساس داده های کمی پیشنهاد می شوند، مسیرهای تخلیه انتخاب شده به صورت کمی ارزیابی می شوند و یک شاخص موثر برای تصمیم گیری در مورد مسیر تخلیه هستند. علاوه بر این، مسیرهای تخلیه که به طور دقیق شرایط فعلی را منعکس می کنند، می توانند با استفاده از اطلاعات دقیق به عنوان داده استخراج شوند. با استفاده از GA و GIS برای پیشنهاد مسیرهای تخلیه دقیق، که کالری لازم برای رسیدن به مکان‌های تخلیه را در نظر می‌گیرد، می‌توان انتظار داشت که مطالعه حاضر به تصمیم‌گیری تخلیه‌شدگان کمک کند. علاوه بر این، از آنجایی که روش مبتنی بر اطلاعات عمومی است، این روش قابلیت تکرار مکانی و زمانی بالایی دارد. از آنجایی که مسیرهای تخلیه بر اساس داده های کمی پیشنهاد می شوند، مسیرهای تخلیه انتخاب شده به صورت کمی ارزیابی می شوند و یک شاخص موثر برای تصمیم گیری در مورد مسیر تخلیه هستند. علاوه بر این، مسیرهای تخلیه که به طور دقیق شرایط فعلی را منعکس می کنند، می توانند با استفاده از اطلاعات دقیق به عنوان داده استخراج شوند. می‌توان انتظار داشت که مطالعه حاضر به تصمیم‌گیری افراد تخلیه کمک کند. علاوه بر این، از آنجایی که روش مبتنی بر اطلاعات عمومی است، این روش قابلیت تکرار مکانی و زمانی بالایی دارد. از آنجایی که مسیرهای تخلیه بر اساس داده های کمی پیشنهاد می شوند، مسیرهای تخلیه انتخاب شده به صورت کمی ارزیابی می شوند و یک شاخص موثر برای تصمیم گیری در مورد مسیر تخلیه هستند. علاوه بر این، مسیرهای تخلیه که به طور دقیق شرایط فعلی را منعکس می کنند، می توانند با استفاده از اطلاعات دقیق به عنوان داده استخراج شوند. می‌توان انتظار داشت که مطالعه حاضر به تصمیم‌گیری افراد تخلیه کمک کند. علاوه بر این، از آنجایی که روش مبتنی بر اطلاعات عمومی است، این روش قابلیت تکرار مکانی و زمانی بالایی دارد. از آنجایی که مسیرهای تخلیه بر اساس داده های کمی پیشنهاد می شوند، مسیرهای تخلیه انتخاب شده به صورت کمی ارزیابی می شوند و یک شاخص موثر برای تصمیم گیری در مورد مسیر تخلیه هستند. علاوه بر این، مسیرهای تخلیه که به طور دقیق شرایط فعلی را منعکس می کنند، می توانند با استفاده از اطلاعات دقیق به عنوان داده استخراج شوند. و شاخص موثری برای تصمیم گیری در مورد مسیر تخلیه هستند. علاوه بر این، مسیرهای تخلیه که به طور دقیق شرایط فعلی را منعکس می کنند، می توانند با استفاده از اطلاعات دقیق به عنوان داده استخراج شوند. و شاخص موثری برای تصمیم گیری در مورد مسیر تخلیه هستند. علاوه بر این، مسیرهای تخلیه که به طور دقیق شرایط فعلی را منعکس می کنند، می توانند با استفاده از اطلاعات دقیق به عنوان داده استخراج شوند.

کلید واژه ها

بلایای باران سیل آسا ، مسیر تخلیه ، محل تخلیه ، مصرف کالری ، الگوریتم ژنتیک (GA) ، سیستم های اطلاعات جغرافیایی (GIS)

1. مقدمه

بلایای مربوط به باران شدید ناشی از گرم شدن کره زمین به یک موضوع جهانی تبدیل شده است، زیرا در سال های اخیر به طور مکرر در سراسر جهان رخ داده است. ژاپن از بارش شدید کانتو-توهوکو در سال 2015، بارندگی شدید نیشی-نیهون در سال 2018 و طوفان شماره 19 در سال 2019 متحمل خسارت زیادی شده است. تقویت اقدامات پیشگیری و کاهش بلایا به عنوان تشدید خسارت ناشی از بلایای طبیعی مهم است. در سراسر جهان نیز می توان در آینده انتظار داشت. “پیشگیری از بلایا” اقدامی برای جلوگیری از بلایا است. از سوی دیگر، «کاهش بلایا» اقدامی در زمینه بلایا با هدف به حداقل رساندن خسارات ناشی از بلایا است. مفهوم “کاهش فاجعه” پس از زلزله بزرگ هانشین-آواجی (1995) توجه زیادی را به خود جلب کرد.

بر اساس «نظرسنجی عمومی در مورد پیشگیری از بلایا» (2017) [ 1 ] توسط دفتر کابینه، بیشترین درصد پاسخ ها در مورد اینکه چه نوع اطلاعاتی باید افزایش یابد مربوط به «محل تخلیه و مسیرهای بلایا» بود. در حالی که اطلاعات مربوط به مناطق با خطر بالای سیل و مکان های تخلیه را می توان به راحتی با مشاهده نقشه های خطر به دست آورد، به ندرت اطلاعات عمومی در مورد مسیرهای تخلیه وجود دارد. بارش شدید باران ممکن است باعث آبگرفتگی جاده‌ها شود و مردم نتوانند از جاده‌هایی که معمولاً برای رفتن به مکان‌های تخلیه استفاده می‌کنند استفاده کنند. بنابراین، برای اینکه مردم در زمان بارندگی های شدید با آرامش تخلیه شوند، جمع آوری اطلاعات مختلف مربوط به مسیرهای تخلیه قبل از وقوع فاجعه برای هر فرد مهم است.

بر اساس پیشینه ارائه شده در بالا، هدف مطالعه حاضر ارائه روشی برای جستجوی مناسب ترین مسیرهای تخلیه در میان بسیاری از مسیرهای دیگر، با استفاده از الگوریتم ژنتیک (GA) و سیستم اطلاعات جغرافیایی (GIS) است. با استفاده از GA و GIS برای پیشنهاد مسیرهای تخلیه دقیق، که کالری لازم برای رسیدن به مکان های تخلیه را در نظر می گیرد، می توان انتظار داشت که مطالعه حاضر باید به تصمیم گیری تخلیه شدگان و همچنین بهبود آگاهی پیشگیری از بلایا کمک کند. .

در مطالعه حاضر، ابتدا در بخش 3، یک الگوریتم جستجوی مسیر تخلیه با استفاده از GA با هدف ارائه مسیرهای تخلیه طراحی و توسعه می‌یابد که افراد را قادر می‌سازد با حداقل کالری مصرفی در هنگام بلایای مرتبط با بارندگی‌های شدید به مکان‌های تخلیه برسند. . در بخش 4، 2 منطقه هدف با شرایط جغرافیایی مختلف با مراجعه به نقشه های خطر سیل انتخاب می شود. علاوه بر این، محاسبات ارتفاع برای هر تقاطع ترافیکی و همچنین تهیه داده های شبکه راه ها و داده های کانتور مناطق مورد نظر با استفاده از GIS انجام خواهد شد. در بخش 5، تجزیه و تحلیل حساسیت برای تنظیم پارامترهای GA استفاده خواهد شد. در نهایت در بخش 6 الگوریتم جستجوی مسیر تخلیه در مناطق هدف اعمال می شود و مسیرهای تخلیه مناسب به تفصیل پیشنهاد می شود.

به گفته یاماموتو (2009، 2015، 2019) [ 2 ] [ 3 ] [ 4]، GIS دارای 4 عملکرد اصلی شامل تابع ایجاد پایگاه داده، عملکرد تجزیه و تحلیل داده، عملکرد ارائه و اشتراک اطلاعات و همچنین عملکرد پشتیبانی تصمیم گیری است و به عنوان سیستمی شناخته می شود که دنیای واقعی را با دنیای مجازی مرتبط می کند. . در بخش 4، توابع ایجاد پایگاه داده و تجزیه و تحلیل داده‌ها برای تهیه داده‌های شبکه جاده‌ای و داده‌های خطوط و همچنین محاسبه ارتفاع هر تقاطع ترافیکی مناطق هدف مورد استفاده قرار می‌گیرد. علاوه بر این، در بخش 6، تجزیه و تحلیل داده ها و توابع ارائه و به اشتراک گذاری اطلاعات برای تجسم مسیرهای تخلیه به دست آمده در مطالعه حاضر بر روی نقشه های دیجیتال استفاده خواهد شد. ArcGIS Pro 2.3.2 ارائه شده توسط Environmental Systems Research Institute, Inc. (ESRI) برای GIS در مطالعه حاضر استفاده خواهد شد.

از سوی دیگر، GA یک مکانیزم مهندسی مدل‌سازی شده از ژنتیک و تکامل حیوانات است و نوعی الگوریتم تکاملی است که برای جستجوی استقرایی راه‌حل‌های بهینه برای مسائل مختلف و در عین حال تکرار عملیات ژنتیکی مانند انتخاب، متقاطع و جهش استفاده می‌شود (هولند، 1975). ) [ 5]. تعیین برتری دقیق فردی برای GA ضروری است و درجه انطباق به عنوان یک شاخص برتری در نظر گرفته می شود. به طور کلی، افرادی که دارای درجه انطباق (ارزش ارزیابی) بالاتری هستند، برتر در نظر گرفته می شوند و می توانند راحت تر تولید مثل کنند. یکی از مزایای استفاده از GA برای مطالعه حاضر این است که راه‌حل‌های تقریبی برای راه‌حل‌های بهینه برای مسائل پیچیده را می‌توان در مدت زمان کوتاهی تولید کرد. ثانیاً، راه‌حل‌های مختلفی را می‌توان تا زمان همگرایی تولید کرد، زیرا GA از انتخاب‌های تصادفی به جای استخراج مداوم تنها راه‌حل‌های بهینه استفاده می‌کند.

2. کارهای مرتبط

همانطور که در بخش قبل ذکر شد، مطالعه حاضر با هدف ارائه روشی برای جستجوی مناسب ترین مسیرهای تخلیه می باشد. در رشته‌های دانشگاهی مرتبط با پژوهش حاضر، مطالعات قبلی بسیاری در مورد مسیر تخلیه انجام شده است که به دو گروه بدون و با اتخاذ GA تقسیم می‌شوند. یکی 1) مطالعات مربوط به مسیرهای تخلیه بدون اتخاذ GA، و دیگری 2) مطالعات مربوط به مسیرهای تخلیه بهینه با اتخاذ GA.

با توجه به (1) مطالعات مربوط به مسیرهای تخلیه بدون اتخاذ GA، ساتو و همکاران. (2008) [ 6 ] از مسافت های پیاده روی تبدیل شده استفاده کرد که مصرف کالری را در نظر می گیرد تا منطقه پیاده روی در فضاهای شهری واقعی را نشان دهد. علاوه بر این، مورابایاشی (2008) [ 7 ] الگوریتم دایکسترا را برای ایجاد یک نقشه راهپیمایی که تپه ها را در نظر می گیرد، اتخاذ کرد. کامپوس و همکاران (2012) [ 8 ] روشی را پیشنهاد کرد که به طور مکرر از یک الگوریتم اکتشافی برای تعریف دو مسیر مستقل از منطقه فاجعه به هر پناهگاه برای تخصیص جریان وسیله نقلیه در برنامه ریزی مسیر تخلیه استفاده می کند. گارسیا اوجدا و همکاران (2013) [ 9 ] روشی را برای توسعه مسیرهای تخلیه از طریق چارچوب P-graph پیشنهاد کرد. میشیما و همکاران (2014) [ 10] یک مسیر تخلیه دو طرفه بر اساس برداشت ساکنان در یک منطقه حفاظت شده تاریخی پیشنهاد کرد. فوکائل و همکاران (2014) [ 11 ] یک مدل شبیه‌سازی برای یافتن مسیرهای تخلیه بهینه، در طول سونامی با استفاده از الگوریتم‌های بهینه‌سازی کلونی مورچه‌ها (ACO) پیشنهاد کرد. یاماموتو و همکاران (2017) [ 12 ] همچنین از الگوریتم ACO برای ارزیابی کمی ایمنی مسیرهای تخلیه شهری در هنگام زلزله استفاده کرد.

لیم و همکاران (2015) [ 13 ] یک مدل برنامه ریزی مسیر تخلیه مبتنی بر قابلیت اطمینان ارائه کرد که به دنبال یافتن رابطه بین زمان ترخیص، تعداد مسیرهای تخلیه و احتمال تراکم در طول تخلیه است. کوستا و همکاران (2017) [ 14 ] یک روش تصمیم گیری بلادرنگ برای انتخاب مسیرهای تخلیه بهینه برای ساختمان ها، با استفاده از الگوریتم بهینه سازی راه حل بر اساس پیش بینی های مدل تخلیه تصادفی پیشنهاد کرد. Álvarezet al. (2018) [ 15 ] ریز آسیب پذیری های شهری را در مسیرهای تخلیه سونامی شناسایی و طبقه بندی کرد. لوژاک و همکاران (2019) [ 16] چابکی مسیرهای تخلیه را در رابطه با تغییر پویا شرایط خطرناک غیرقابل پیش‌بینی در شبکه‌های فضایی هوشمند، با اتخاذ معیارهای مرکزیت، مورد تحقیق قرار داد. علاوه بر این، یوشیتسوگی و همکاران. (2019) [ 17 ] از الگوریتم قالب لجن برای طراحی و توسعه الگوریتمی استفاده کرد که می تواند چندین نقطه شروع و پایان تخلیه را تنظیم کند، چندین مسیر را به طور همزمان بدست آورد و ترتیب اولویت را تعیین کند.

با توجه به (2) مطالعات مربوط به مسیرهای تخلیه بهینه با اتخاذ GA، لی و همکاران. (2010) [ 18 ] یک مدل تخصیص مسیر تخلیه چند هدفه را برای برنامه ریزی یک مسیر خروجی بهینه برای افراد تخلیه شده پیشنهاد کرد. Łozowicka (2012) [ 19 ] از GA و برنامه ریزی ژنتیکی از مسیرهای تخلیه تعیین شده برای گروه های مختلف مردم از کشتی ها و تاسیسات زمینی استفاده کرد. لولند و همکاران (2013) [ 20 ] یک GA چندهدفه با پنج تابع تناسب مختلف را به کار برد که از اکتشافی برای توسعه برای انتخاب بهترین طرح تخلیه از مجموعه راه حل های بالقوه استفاده می کند. شیمورا و همکاران (2014) [ 21] از یک GA چند هدفه برای طراحی و توسعه الگوریتمی استفاده کرد که می تواند مسیرهای تخلیه بهینه را در هنگام زلزله جستجو کند. گوریگ و همکاران (2014) [ 22 ] یک مسئله برنامه ریزی تخلیه ماکروسکوپی چند معیاره را با اتخاذ برنامه عدد صحیح مختلط و یک GA پیشنهاد کرد. پوررحمانی و همکاران (2019) [ 23 ] یک مشکل مسیریابی وسیله نقلیه تخلیه را برای طراحی مسیرهای تخلیه برای وسایل نقلیه عمومی با استفاده از نظریه اعتبار فازی و GA ارائه کرد. ایکدا و همکاران (2016) [ 24 ] یک برنامه ریزی مسیر تخلیه را برای سیستم هدایت مسیر ایمنی پس از بلایای طبیعی با استفاده از GA چند هدفه پیشنهاد کرد. گومز و همکاران (2017) [ 25 ] از یک GA برای تشخیص سیل و برنامه ریزی مسیر تخلیه استفاده کرد. لی و همکاران (2019) [ 26] تکنیکی را برای طراحی سطح خدمات (LOS) برای تأسیسات یا فضاهای فرعی ساختمان ها به منظور برنامه ریزی تخلیه شامل مسیرها و مسیرها معرفی کرد.

مطالعات قبلی در زمینه‌های آکادمیک مرتبط ذکر شده در بالا عمدتاً زلزله‌ها، سونامی‌ها و آتش‌سوزی‌های بزرگ را هدف قرار می‌دهند و به سختی فجایع مرتبط با بارندگی‌های شدید را در نظر می‌گیرند. بنابراین، تمرکز عمدتا بر تخلیه افقی است، در حالی که تخلیه عمودی به ندرت در هنگام استخراج مسیرهای تخلیه در نظر گرفته می شود. با این حال، تخلیه عمودی ضروری است زیرا سیل و رانش زمین به دلیل بارندگی های شدید رخ می دهد. بنابراین، مطالعه حاضر عمدتا بر تخلیه عمودی در هنگام بلایای بارندگی شدید بر اساس نتایج مطالعات فوق تمرکز دارد. علاوه بر این، بر اساس نتایج (2) مطالعات مربوط به مسیرهای تخلیه بهینه با اتخاذ GA، سودمندی اتخاذ GA علاوه بر GIS برای استخراج مسیرهای تخلیه بهینه را روشن کرد. به این ترتیب، در مقایسه با چنین مطالعات قبلی،

3. روش های جستجوی مسیرهای تخلیه با استفاده از GA و GIS

3.1. مروری بر طراحی تابع الگوریتم های جستجوی مسیر تخلیه

در تحقیق حاضر از پایتون 3.7 به عنوان زبان برنامه نویسی برای طراحی الگوریتم جستجوی مسیر تخلیه استفاده شد. شکل 1 روند زیر را از الگوریتم جستجوی مسیر تخلیه نشان می دهد. پس از این فرآیند، بخش بعدی جزئیات الگوریتم جستجوی مسیر تخلیه را که به طور منحصر به فرد در مطالعه از پیش تعیین شده توسعه یافته است، شرح خواهد داد.

1) به دست آوردن اطلاعات مجاور بین گره ها (داده های شبکه جاده)

اطلاعات بین هر گره در داده های CSV ذخیره شده و وارد GA می شود. بخش 4.5 شرح مفصل تری از داده های CSV ارائه می دهد.

2) تولید گروه اولیه

گروه های اولیه با ایجاد مسیرهای تصادفی بین نقاط شروع و پایان تخلیه تعداد انتخاب شده از اندازه گروه (تعداد افراد؛ تعداد مسیرهای تخلیه در مطالعه حاضر) تنظیم می شوند. تعداد انتخاب شده از اندازه های گروه با جزئیات بیشتری در بخش 5.3 توضیح داده خواهد شد.

3) ارزیابی درجه انطباق

درجه انطباق هر مسیر تخلیه محاسبه می شود.

4) انتخاب

بر اساس درجه انطباق محاسبه شده در 3)، گروه های تولید مثل

(مسیرهای تخلیه در مطالعه حاضر) انتخاب شده است. ترکیبی از انتخاب چرخ رولت و روش انتخاب نخبگان استفاده خواهد شد.

5) کراس اوور

بر اساس گروه های انتخاب شده در 4 گروه، 2 مسیر تخلیه به صورت تصادفی برای والدین انتخاب می شوند. علاوه بر این، یک نقطه متقاطع به طور تصادفی انتخاب می شود و با تغییر مسیرهای تخلیه پس از نقطه متقاطع، 2 مسیر تخلیه برای بچه شدن ایجاد می شود.

6) جهش

یک مسیر تخلیه به طور تصادفی از درون گروه انتخاب می شود و با جایگزینی آن با مسیر تخلیه دیگر پس از نقطه جهش، یک مسیر تخلیه جدید ایجاد می شود.

3.2. توسعه الگوریتم جستجوی مسیر تخلیه

3.2.1. به دست آوردن اطلاعات مجاور بین گره ها

داده های CSV که در آن هزینه بین گره ها ذخیره می شود به یک لیست مجاور تبدیل شده و وارد GA می شود. لیست مجاور دارای ساختار سه گانه است و حاوی اطلاعات مجاور است که گره های مجاور هر گره و همچنین مقادیر هزینه گره های مجاور است. به عنوان مثال، اطلاعات مجاور گره شماره 0 در لیست مجاور شماره 0 ذخیره می شود. شکل 2 نمونه ای از یک لیست مجاور را نشان می دهد.

3.2.2. روش بیان برای مسیرهای تخلیه

فهرست هایی که هر گره را به ترتیب از نقاط شروع تخلیه به نقاط ماهیگیری می گذراند به عنوان مسیرهای تخلیه بیان می شود. شکل 3 نمونه ای از روش بیان یک مسیر تخلیه بر اساس یک مسیر مجازی را نشان می دهد.

3.2.3. ایجاد گروه اولیه

N تعداد مسیرهایی که نقاط شروع تخلیه را با سایت های تخلیه مقصد مرتبط می کند به طور تصادفی انتخاب شده و در یک لیست ساختاری دوگانه ذخیره می شود. نقطه شروع به عنوان 0 و نقطه پایان به عنوان 8 تنظیم می شود و یک مسیر مجازی همانطور که در شکل 3 نشان داده شده است ساخته شده است . هر مسیر تخلیه مانند شکل 3 قسمت قبل بیان شده است. علاوه بر این، شکل 4 نمونه ای از لیست گروه اولیه را نشان می دهد. [0، 1، 2، 5، 8] از شکل 4 یک مسیر را نشان می دهد و مسیر بین نقطه شروع و نقطه پایان است که در شکل 3 نشان داده شده است.

3.2.4. ارزیابی درجه انطباق

به منظور پیشنهاد مسیرهای تخلیه مناسب، مصرف کالری مورد نیاز برای رسیدن به محل تخلیه در مطالعه حاضر در نظر گرفته شده است. کالری مصرفی لازم برای هر مسیر با ارجاع به معادله انرژی متابولیک (1) برای ایجاد معادله کالری مصرف مسیر (2) محاسبه می شود که زمان پیاده روی را در بر می گیرد. این معادله (2) برای محاسبه کالری مصرفی برای هر مسیر استفاده می شود.

علاوه بر این، میزان متابولیسم پایه با استفاده از رابطه (3) محاسبه می شود. متغیرهای معادله (3) مربوط به وزن و قد مردان بالای 70 سال که در برابر بلایا آسیب پذیر هستند، تعیین شده است. با این حال، از آنجایی که میزان متابولیسم پایه یک مقدار ثابت است و می‌توان آن را غیرقابل تغییر در نظر گرفت، ارزیابی مسیر بسته به سن یا جنسیت تغییر نمی‌کند. از سوی دیگر، با تغییر نرخ متابولیک نسبی بر اساس شیب مسیرهای تخلیه، ارزیابی مسیرهای تخلیه به این مقدار بستگی دارد. نرخ های متابولیک نسبی با استفاده از رابطه (4) که توسط ساتو و همکاران ارائه شده است، محاسبه می شود. (2008).

از آنجا که رابطه (3) برای مسیرهای تخلیه بین هر گره استفاده می شود، T نشان دهنده زمان سفر بین گره ها است. از آنجایی که سرعت راه رفتن با پیش شرط رابطه (4) روی 80 متر بر متر تنظیم شده است، این سرعت در سایر معادلات اعمال می شود.

[ خطای پردازش ریاضی ]E=(RMR+1.2)×Basal metabolic rate(1)

E: انرژی متابولیک؛

RMR: نرخ متابولیک نسبی.

[ خطای پردازش ریاضی ]K=(RMR+1.2)×Basal metabolic rate×T(2)

K: مسیر مصرف کالری.

RMR: نرخ متابولیک نسبی.

T: زمان سفر.

[ خطای پردازش ریاضی ]Basal metabolic rate=Basal metabolic reference value×Reference weight(3)

[ خطای پردازش ریاضی ]BMR=3.113×exp(4.614×Slope)(4)

3.2.5. انتخاب

روش های انتخاب مورد استفاده در مطالعه حاضر، انتخاب چرخ رولت است

و انتخاب نخبگان اولی افراد با احتمال را با توجه به درجه انطباق آنها انتخاب می کند و میزان انتخاب را می توان در رابطه (5) بیان کرد.

[ خطای پردازش ریاضی ]pi=fi∑k=1Nfk(5)

f _i : درجه انطباق فرد i;

ن: تعداد افراد.

روش دوم روشی است که در آن تعداد دلخواه افراد با درجه انطباق بالا از درون یک گروه انتخاب می شوند. از آنجا که راه حل های بهینه زمانی که فقط از انتخاب نخبگان استفاده می کنند، محلی هستند، بهتر است این روش را با انتخاب چرخ رولت ترکیب کنید. در مطالعه حاضر، برای گروه N نفر، انتخاب نخبگان یک بار اعمال می شود، در حالی که انتخاب چرخ رولت N – 1 بار اعمال می شود.

3.2.6. کراس اوور

2 نفر از یک گروه بر اساس احتمال متقاطع C انتخاب می شوند. افراد انتخاب شده والدین نامیده می شوند. اگر 2 فرد گره های یکسانی داشته باشند، با انتخاب یک نقطه متقاطع تصادفی، یک متقاطع انجام می شود. افراد جدیدی که توسط نقطه متقاطع تولید می شوند، کودکان نامیده می شوند. شکل 5 روند عملیات زیر را در مورد کراس اوور نشان می دهد.

1) 2 نفر از والدین پس از مرحله قبل از گروه انتخاب می شوند. با این حال، اگر 2 فرد منتخب دارای خط یکسانی از عناصر باشند، متقاطع انجام نمی شود و افراد به گروه نسل بعدی اضافه می شوند.

2) تعیین کنید که آیا 2 والدین علاوه بر نقاط شروع و پایان تخلیه، گره های همپوشانی دارند یا خیر.

3) اگر گره های همپوشانی وجود نداشته باشد، متقاطع انجام نمی شود و افراد مستقیماً به گروه نسل بعدی اضافه می شوند.

4) اگر گره های همپوشانی پیدا شد، 1 گره به طور تصادفی از گره های همپوشانی انتخاب می شود و یک نقطه متقاطع تعیین می شود.

5) گره های 2 فرد والد پس از نقطه متقاطع مبادله شده و 2 فرزند ایجاد می شود. این 2 فرد جدید به گروه نسل بعدی اضافه می شوند.

6) هر حلقه ای که در فرزندان ایجاد شده یافت می شود حذف می شود.

3.2.7. جهش

1 فرد از گروه نسل بعدی تولید شده در بخش قبل انتخاب می شود و جهش با استفاده از احتمال جهش مجموعه M انجام می شود. شکل 6 روند جهش زیر را در مورد جهش نشان می دهد.

1) 1 نفر به طور تصادفی از گروه نسل بعدی ایجاد شده در بخش قبل انتخاب می شود.

2) نقطه جهش با انتخاب تصادفی 1 گره از گره ها به استثنای نقاط شروع و پایان تخلیه در بین افراد انتخاب شده تعیین می شود.

3) مسیری که نقطه جهش را به نقطه پایان متصل می کند به طور تصادفی ایجاد می شود.

4) یک مسیر جدید با تعویض مسیر پس از نقطه جهش فرد انتخاب شده با مسیر ایجاد شده در (3) ایجاد می شود. این مسیر به گروه نسل بعدی بازگردانده خواهد شد.

5) هر حلقه ای که در مسیر تخلیه جدید ایجاد شده باشد حذف می شود.

4. انتخاب مناطق هدف و داده های مورد استفاده

4.1. انتخاب مناطق هدف

همانطور که در بخش های 1 و 2 ذکر شد، مطالعه حاضر تخلیه عمودی را به دلیل وقوع سیل و رانش زمین به دلیل بارندگی های شدید هدف قرار می دهد. با ارجاع به پایگاه داده موارد فاجعه توسعه یافته توسط موسسه ملی تحقیقات زمین برای علوم زمین و مقاومت در برابر بلایا [ 27 ]، بخش Setagaya در کلانشهر توکیو، و بخش Asakita در شهر هیروشیما، به عنوان مناطق هدف انتخاب شدند که در زیر به تفصیل توضیح داده شده است. بخش ستاگایا در امتداد رودخانه تاما قرار دارد که طی طوفان شماره 19 در سال 2019 جاری شد. بخش آساکیتا نیز در آگوست 2014 و ژوئیه 2018 خسارت زیادی از باران شدید متحمل شد.

4.1.1. بخش ستاگایا در کلانشهر توکیو

مطالعه حاضر از معادله مصرف کالری برای ارزیابی مسیرهای تخلیه استفاده می کند. تفاوت در مقادیر ارزیابی ناشی از مناطق با ارتفاعات مختلف است. بنابراین، از آنجایی که خطر سیل در هنگام بارندگی های شدید بیشتر است،

مناطقی در امتداد رودخانه تاما با ارتفاعات کم که در آن افراد نیاز به تخلیه به ارتفاعات بالاتر دارند مورد بررسی قرار گرفت. بر اساس نتایج، تودوروکی 1 کوم و اویامادای 2 کوم در بخش ستاگایا انتخاب شدند. اختلاف ارتفاع شمال و جنوب در این مناطق قابل توجه است و مدرسه ابتدایی اویامادای محل تخلیه تعیین شده است.

4.1.2. بخش آساکیتا در استان هیروشیما

بارندگی شدید می تواند باعث رانش زمین و همچنین سیل شود. بر خلاف سیل، مردم باید در صورت رانش زمین از نقاط مرتفع به ارتفاعات پایین تر تخلیه شوند. بنابراین، مطالعه حاضر بر روی Kameyama 2-chome و 3-chome و همچنین Kabe 5-chome و 7-chome تمرکز خواهد کرد که همگی به عنوان مناطق احتیاطی ویژه و مناطق هشدار دهنده برای بلایای زمین لغزش تعیین شده اند. اختلاف ارتفاع شرق و غرب در این مناطق قابل توجه است و دبستان کبدایی محل تخلیه تعیین شده است.

4.2. انتخاب نقاط شروع و پایان تخلیه در مناطق هدف

4.2.1. بخش ستاگایا در کلانشهر توکیو

بر اساس نقشه خطر سیل (نسخه رودخانه تاما) بخش ستاگایا در کلانشهر توکیو [ 28 ]، نقطه شروع تخلیه در مدرسه ابتدایی تامازوتسومی و نقطه پایان در مدرسه ابتدایی اویامادای تعیین شد. مدرسه ابتدایی تامازوتسومی در نزدیکی رودخانه تاما قرار دارد و عمق سیل طبق نقشه خطر بین 0.5 – 3.0 متر در نظر گرفته شده است. مدرسه ابتدایی Oyamadai به عنوان نقطه پایانی تعیین شده است زیرا نزدیکترین مکان تخلیه از مدرسه ابتدایی Tamazutsumi است.

4.2.2. بخش آساکیتا در شهر هیروشیما

بر اساس نقشه خطر سیل شهر هیروشیما [ 29 ]، نقطه شروع تخلیه در معبد Funayama Inari و نقطه پایان در مدرسه ابتدایی Kabe تعیین شد. زیارتگاه فونایاما ایناری در یک شیب تند قرار دارد و این منطقه هم به عنوان مناطق احتیاطی ویژه و هم مناطق هشدار دهنده برای رانش زمین تعیین شده است. مدرسه ابتدایی Kabe یک مکان تخلیه برای بلایای مربوط به سیل و رانش زمین است.

4.3. جمع آوری و پردازش داده ها

4.4. توسعه داده های شبکه راه و محاسبه ارتفاع هر نقطه متقاطع با استفاده از GIS

در پژوهش حاضر از GIS برای قرار دادن داده‌های نقطه‌ای در تقاطع‌های ترافیکی بر روی نقشه دیجیتال و ایجاد داده‌های شبکه جاده‌ای با ترسیم خطوط برای اتصال تقاطع‌ها استفاده می‌شود. علاوه بر این، ارتفاع هر نقطه متقاطع بر اساس داده‌های کانتوری که با استفاده از داده‌های جغرافیایی بنیادی ملی ارائه شده توسط سازمان اطلاعات مکانی ژاپن ایجاد می‌شود، محاسبه می‌شود.

4.5. محاسبه میزان کالری مصرفی مسیر بین گره های مجاور

فرآیند محاسبه کالری مصرفی مسیر بین گره های مجاور مطابق شکل زیر است.

(1) فاصله بین گره های مجاور با استفاده از ابزار اندازه گیری فاصله GIS و داده های شبکه جاده محاسبه می شود.

(2) ارتفاع هر گره با داده های کانتور محاسبه می شود.

(3) شیب هر مسیر تخلیه بر اساس فاصله بین گره های مجاور (1) و اختلاف ارتفاع بین گره ها (2) محاسبه می شود.

(4) مقدار شیب محاسبه شده در (3) به معادله (4) برای محاسبه RMR جایگزین می شود.

(5) RMR محاسبه شده در (3) و نرخ متابولیک پایه محاسبه شده در رابطه (3) به معادله (2) جایگزین شده و در زمان سفر بین گره ها ضرب می شود تا کالری مصرفی در هر مسیر محاسبه شود.

5. تنظیمات پارامتر GA

در مورد GA، لازم است پارامترها با توجه به هدف مطالعه حاضر تنظیم شوند، زیرا مقادیر پارامتر بهینه مشخص نیست. پارامترهای GA در مطالعه حاضر تعداد نسل، نرخ جهش، تعداد افراد و نرخ متقاطع است. پارامترها با انجام یک تحلیل حساسیت برای هر یک از 4 پارامتر تنظیم می شوند.

5.1. تنظیم تعداد نسل ها

همانطور که تجزیه و تحلیل حساس انجام شد، تعداد نسل ها با درک تغییر در مقادیر هزینه تا 1000 نسل و خواندن اولین نقطه همگرایی تعیین می شود. در مطالعه حاضر، مقادیر بهای تمام شده 100 بار از نسل اول تا ^{هزارمین} اندازه گیری شد و اینکه آیا ارزش هزینه همگرا است یا نه، همانطور که در شکل 7 نشان داده شده ^است ، در هر 100 نسل تأیید شد . تعداد نسل ها با در نظر گرفتن تغییر در میانگین ارزش تمام شده و حداقل ارزش، 100 تولید شد.

5.2. نرخ جهش

تجزیه و تحلیل حساسیت با نرخ جهش در 1٪، 5٪، 10٪، 15٪ و 20٪ انجام شد. ارزش بهای تمام شده 100 بار از نسل اول تا نسل 100 اندازه گیری شد ^و میانگین ^و حداقل مقادیر هر نسل مطابق شکل 8 محاسبه شد . میزان جهش 5 درصد تعیین شد که پس از مقایسه و در نظر گرفتن مقادیر متوسط ​​و حداقل، کمترین مقدار هزینه است.

5.3. تعداد افراد

تعداد افراد در مطالعه حاضر نشان دهنده تعداد مسیرها به محل تخلیه است. اگر تعداد افراد خیلی کم باشد، راه حل بهینه بسیار محلی خواهد بود، در حالی که اگر تعداد افراد زیاد باشد، همگرایی به تأخیر افتاده و به جستجوی جامع نزدیکتر خواهد شد. در مطالعه حاضر، تحلیل حساسیت برای تعداد افراد 20، 30، 40 و 50 نفر انجام شده است. ارزش بهای تمام شده 100 بار از نسل 1 ^تا 100 و میانگین و حداقل ^مقادیر هر نسل اندازه گیری شد. همانطور که در شکل 9 نشان داده شده است محاسبه می شوند . تعداد افراد 50 نفر تعیین شد که پس از مقایسه و در نظر گرفتن مقادیر متوسط ​​و حداقل، کمترین ارزش هزینه را به خود اختصاص داد.

5.4. نرخ متقاطع

تجزیه و تحلیل حساسیت برای نرخ متقاطع در 50٪، 60٪، 70٪، 80٪، 90٪ و 100٪ انجام شد. ارزش هزینه از نسل اول تا ^{صدم 100 بار اندازه گیری شد و میانگین و حداقل مقادیر} هر نسل مطابق شکل 10 محاسبه شده است . نرخ متقاطع 100% تعیین شد که پس از مقایسه و در نظر گرفتن مقادیر متوسط ​​و حداقل، کمترین ارزش هزینه است.

6. ایجاد مسیرهای تخلیه در مناطق هدف

6.1. نتایج تولید مسیرهای تخلیه

بر اساس بخش 5.3، 50 مسیر تخلیه که نقاط شروع را به نقاط پایان متصل می کند برای هر یک از 2 منطقه هدف ایجاد شد. در شکل 11 و شکل 12 ، مسیرهای تخلیه که کمترین کالری را مصرف می کنند نشان داده شده است.

به رنگ سبز، مسیرهایی که از کمترین مقدار دوم با رنگ قرمز و خطوط کانتور به رنگ نارنجی استفاده می کنند. در مورد هر دو منطقه هدف، مسیرهای تخلیه که به کمترین میزان کالری نیاز داشتند، همان مسیرهایی بودند که با استفاده از الگوریتم Dijkstra پیدا شدند. با این حال، روش‌های مورد استفاده در مطالعه حاضر، کاربران را قادر می‌سازد چندین مسیر را جستجو کنند، در حالی که تنها کوتاه‌ترین مسیرها را می‌توان با استفاده از الگوریتم Dijkstra پیدا کرد.

در هنگام بلایای مربوط به بارندگی های شدید، اگر بهترین مسیرهای تخلیه آسیب ببینند، مردم می توانند دومین مکان تخلیه را انتخاب کنند.

6.2. بحث

در مورد بخش Setagaya در کلانشهر توکیو، هدف برای تخلیه از ارتفاعات پایین به ارتفاعات بالاتر تعیین شد. همانطور که در شکل 11 نشان داده شده است ، قسمت مرکزی این منطقه (▲) دارای نقطه ای است که از نظر ارتفاع بالاتر از منطقه اطراف آن است. 2 مسیر تخلیه تولید شده در مطالعه حاضر از مناطق با ارتفاعات مشابه عبور می کنند و از مکان هایی با ارتفاع قابل توجهی اجتناب می کنند.

از سوی دیگر، در مورد بخش Asakita در شهر هیروشیما، هدف برای تخلیه از ارتفاعات به ارتفاعات پایین تر تعیین شد. همانطور که در شکل 12 نشان داده شده است ، قسمت غربی این منطقه دارای نقطه ای است که از ارتفاع (▲) بالاتر از محیط اطراف است. تفاوت بسیار کمی بین 2 مسیر تخلیه تولید شده توسط مطالعه حاضر وجود داشت و آنها عمدتاً مسطح هستند و در امتداد مسیر ملی ژاپن 191 قرار دارند.

بنابراین در مناطقی که افراد باید از ارتفاعات کم به ارتفاعات بالاتر تخلیه شوند، مسیرهای تخلیه که کوتاه بوده و از شیب تند اجتناب می کنند انتخاب می شود. در مقابل، در مورد مناطقی که افراد باید از ارتفاعات به ارتفاعات پایین‌تر تخلیه شوند، مسیرهای تخلیه که از تپه‌های ملایم پایین می‌روند بدون عبور از ارتفاعات بالاتر از نقطه شروع انتخاب می‌شوند. بر اساس این عوامل، مطالعه حاضر نشان داده است که مسیرهای تخلیه با حداقل کالری مصرفی را می توان با استفاده از روش جستجو برای مسیرهای تخلیه ایجاد کرد.

7. نتیجه گیری

نتیجه گیری پژوهش حاضر را می توان در 3 نکته زیر خلاصه کرد.

1) مطالعه حاضر بر بلایای ناشی از بارندگی شدید متمرکز است و روش جستجوی مسیرهای تخلیه را پیشنهاد می کند که کالری مصرفی مورد نیاز برای تخلیه کنندگان برای رسیدن به مکان های تخلیه را در نظر می گیرد. به طور خاص، اولین گام در مطالعه حاضر ایجاد معادله ای بر اساس معادلات و سایر داده های مطالعات قبلی برای محاسبه کالری مصرفی برای هر مسیر بود. سپس از GA برای طراحی و توسعه یک الگوریتم جستجوی مسیر تخلیه استفاده شد و 4 پارامتر شامل تعداد نسل، تعداد نرخ جهش افراد و نرخ متقاطع با انجام تحلیل‌های حساسیت تنظیم شد. علاوه بر این، GIS همچنین برای ایجاد داده های شبکه جاده و داده های کانتور برای نقشه های دیجیتال و محاسبه ارتفاع هر نقطه متقاطع استفاده شد. بر این اساس،

2) برخلاف الگوریتم Dijkstra و الگوریتم A*، روش جستجو برای مسیرهای تخلیه پیشنهاد شده در مطالعه حاضر اجازه می دهد چندین مسیر پیشنهاد شود. علاوه بر این، از آنجایی که روش ارزیابی مبتنی بر اطلاعات عمومی است، می توان آن را به طور موثر در سایر مناطق یا داده های گذشته و آینده با به دست آوردن داده های جغرافیایی مشابه با مطالعه حاضر به کار برد. بنابراین روش ارزیابی قابلیت تکرار مکانی و زمانی بالایی دارد.

3) از آنجایی که مسیرهای تخلیه بر اساس داده های کمی پیشنهاد می شوند، مسیرهای تخلیه انتخاب شده به صورت کمی ارزیابی می شوند و یک شاخص موثر برای تصمیم گیری در مورد مسیر تخلیه هستند. علاوه بر این، مسیرهای تخلیه که به طور دقیق شرایط فعلی را منعکس می کنند، می توانند با استفاده از اطلاعات دقیق به عنوان داده استخراج شوند.

برای تحقیقات آینده، کاربرد روش جستجو برای مسیرهای تخلیه پیشنهادی در مطالعه حاضر در سایر مناطق، بهبود دقت ارزیابی و اصلاح داده‌های جاده‌ای را می‌توان مطرح کرد.

منابع

[ 1 ]	دفتر کابینه (2017) نظرسنجی افکار عمومی در مورد پیشگیری از بلایا. https://survey.gov-online.go.jp/h29/h29-bousai/index.html
[ 2 ]	Yamamoto، K. (2009) وضعیت فعلی و چشم انداز آینده برای GIS به عنوان یک سیستم اطلاعات محیطی: مطالعه موردی تجزیه و تحلیل کاربری زمین در حوضه زهکشی دریاچه Biwa. علوم محیطی، 22، 143-154.
[ 3 ]	یاماموتو، K. (2015) GIS رسانه های اجتماعی برای به اشتراک گذاری اطلاعات و پشتیبانی از فعالیت های محلی. کوکنشوین، توکیو
[ 4 ]	یاماموتو، K. (2019) امکان استفاده از فناوری اطلاعات و ارتباطات در علوم محیطی. علوم محیطی، 32، 26-35.
[ 5 ]	هالند، JH (1975) انطباق در سیستم طبیعی و مصنوعی: یک تحلیل مقدماتی با کاربرد در زیست شناسی، کنترل، و هوش مصنوعی. انتشارات دانشگاه میشیگان، آن آربور.
[ 6 ]	Sato, E., Yoshikawa, T. and Yamada, A. (2008) بررسی تداوم زندگی محلی بر اساس فاصله پیاده روی تبدیل شده: مدلی برای برنامه ریزی مکان تاسیسات منطقه ای با در نظر گرفتن شرایط توپوگرافی و جامعه پیری بخش 2. مجله معماری و برنامه ریزی (معاملات AIJ)، 625، 611-618. https://doi.org/10.3130/aija.73.611
[ 7 ]	Murabayashi, M. (2012) نقشه راه رفتن با توجه به هواپیماهای شیبدار در شهر ستو. پایان نامه فارغ التحصیلی، دانشگاه نانزان، آیچی.
[ 8 ]	Campos, V., Bandeira, R. and Bandeira, A. (2012) روشی برای برنامه ریزی مسیر تخلیه در موقعیت های فاجعه. Procedia-Social and Behavioral Sciences, 54, 503-512. https://doi.org/10.1016/j.sbspro.2012.09.768
[ 9 ]	Mishima, N., Miyamoto, N., Taguchi, Y. and Kitagawa, K. (2014) تجزیه و تحلیل مسیرهای تخلیه دو طرفه فعلی بر اساس ادراک ساکنان در یک منطقه حفاظت شده تاریخی. مجله بین المللی کاهش خطر بلایا، 8، 10-19. https://doi.org/10.1016/j.ijdrr.2013.12.003
[ 10 ]	García-Ojeda, JC, Bertok, B., Friedler, F. and Fan, LT (2013) برنامه ریزی تخلیه-مسیر ساختمان از طریق سنتز فرآیند-شبکه توسعه یافته زمان. مجله ایمنی آتش نشانی، 61، 338-347. https://doi.org/10.1016/j.firesaf.2013.09.023
[ 11 ]	Forcael، E.، González، V.، Orozco، F.، Vargas، S.، Pantoja، A. و Moscoso. P. (2014) مدل بهینه سازی کلونی مورچه ها برای مسیرهای تخلیه سونامی. مهندسی عمران و زیرساخت به کمک کامپیوتر، 29، 723-737. https://doi.org/10.1111/mice.12113
[ 12 ]	Yamamoto, K. and Li, X. (2017) روش ارزیابی ایمنی مسیرهای تخلیه در مناطق شهری در صورت وقوع بلایای زلزله با استفاده از الگوریتم بهینه سازی کلونی مورچه ها و GIS. مجله ریسک و مدیریت مالی، 10، 14. https://doi.org/10.3390/jrfm10030014
[ 13 ]	Lim, GJ, Rungta, M. and Baharnemati, MR (2015) تجزیه و تحلیل قابلیت اطمینان مسیرهای تخلیه تحت عدم قطعیت ظرفیت پیوندهای جاده ای. IIE Transaction, 47, 50-63. https://doi.org/10.1080/0740817X.2014.905736
[ 14 ]	Cuesta, A., Abreu, O., Balboa, A. and Alvear, D. (2017) روش شناسی انتخاب مسیر تخلیه بلادرنگ برای ساختمانهای پیچیده. مجله ایمنی آتش نشانی، 91، 947-954. https://doi.org/10.1016/j.firesaf.2017.04.011
[ 15 ]	álvarez1, G., Quiroz, M., León, J. and Cienfuegos, R. (2018) شناسایی و طبقه‌بندی آسیب‌پذیری‌های ریز شهری در مسیرهای تخلیه سونامی برای شهر ایکوئیک، شیلی. خطرات طبیعی و سیستم های علوم زمین، 18، 2027-2039. https://doi.org/10.5194/nhess-18-2027-2018
[ 16 ]	Lujak, M. and Giordani, S. (2019) اقدامات مرکزی برای تخلیه: یافتن مسیرهای تخلیه چابک. سیستم های کامپیوتری نسل آینده، 83، 401-412. https://doi.org/10.1016/j.future.2017.05.014
[ 17 ]	Yoshitsugu, N., Abe, S. and Yamamoto, K. (2019) روش اشتقاق تخلیه. مسیرها با استفاده از Physarum Solve. مجله پردازش اطلاعات، 60، 2325-2329.
[ 18 ]	Li, Q., Fang, Z., Li, Q. and Zong, X. (2010) مدل تخصیص مسیر تخلیه چند هدفه بر اساس الگوریتم ژنتیک. مجموعه مقالات هجدهمین کنفرانس بین المللی ژئوانفورماتیک، پکن، 18-20 ژوئن 2010 https://doi.org/10.1109/GEOINFORMATICS.2010.5567485
[ 19 ]	Lozowicka، D. (2012) Z با استفاده از الگوریتم های ژنتیک و برنامه ریزی ژنتیک در حل مسائل مربوط به ایمنی و تخلیه افراد از کشتی ها و تاسیسات زمینی. Zeszyty Naukowe/Akademia Morska w Szczecinie, 29, 130-133.
[ 20 ]	Loland، L. و Hansen، B. (2013) تخلیه گروهی با الگوریتم های ژنتیک. پایان نامه کارشناسی ارشد، دانشگاه آگدر، کریستیانسان و گریمستاد.
[ 21 ]	Shimura, Y. and Yamamoto, K. (2014) روش جستجوی مسیرهای تخلیه بلایای زلزله با استفاده از GA و GIS چند هدفه. مجله نظام اطلاعات جغرافیایی، 6، 492-525. https://doi.org/10.4236/jgis.2014.65042
[ 22 ]	Goerigk, M., Deghdak, K. and Heßler, P. (2014) مدل برنامه ریزی جامع تخلیه و الگوریتم حل ژنتیک. تحقیق حمل و نقل قسمت E: بررسی لجستیک و حمل و نقل، 71، 82-97. https://doi.org/10.1016/j.tre.2014.08.007
[ 23 ]	پوررحمانی، ای.، دلاور، ر.م و مصطفوی، م.ال. (1394) بهینه سازی طرح تخلیه با تقاضاهای نامشخص با استفاده از نظریه اعتبار فازی و الگوریتم ژنتیک. مجله بین المللی کاهش خطر بلایا، 14، 357-372. https://doi.org/10.1016/j.ijdrr.2015.09.002
[ 24 ]	Ikeda, Y. and Inoue, M. (2016) یک برنامه ریزی مسیر تخلیه برای سیستم هدایت مسیر ایمنی پس از بلایای طبیعی با استفاده از الگوریتم ژنتیک چند هدفه. Procedia Computer Science، 96، 1323-1331. https://doi.org/10.1016/j.procs.2016.08.177
[ 25 ]	Gomes, R. and Straub, J. (2017) الگوریتم ژنتیک برای تشخیص سیل و برنامه ریزی مسیر تخلیه. مجموعه مقالات الگوریتم ها و فناوری ها برای تصاویر چندطیفی، فراطیفی و فراطیفی XXIII، 10198، 1019816. https://doi.org/10.1117/12.2266474
[ 26 ]	Li, Y., Cai, W. and Kana, AA (2019) طراحی سطح خدمات در تسهیلات برای تخلیه جمعیت با استفاده از بهینه سازی الگوریتم ژنتیک. علوم ایمنی، 120، 237-247. https://doi.org/10.1016/j.ssci.2019.06.044
[ 27 ]	موسسه ملی تحقیقات علوم زمین و مقاومت در برابر بلایا. پایگاه داده موارد بلایا https://dil.bosai.go.jp/dedb/
[ 28 ]	بخش ستاگایا. داده های نقشه خطر سیل (نسخه رودخانه تاما). https://www.city.setagaya.lg.jp/mokuji/kurashi/005/003/003/d00005603.html
[ 29 ]	شهر هیروشیما نقشه خطرات غذایی https://www,city.hiroshima.lg.jp/site/saigaiinfo/17890.html
[ 30 ]	وزارت بهداشت، قانون و رفاه (2020) دریافت های مرجع رژیم غذایی برای ژاپنی ها: نسخه 2020. توکیو ژاپن.
[ 31 ]	سازمان اطلاعات مکانی ژاپن داده های جغرافیایی بنیادی ملی. https://www.gsi.go.jp/ENGLISH/page_e30031.html