خلاصه

هدف این مطالعه ارائه یک کاربرد مدل‌سازی مبتنی بر عامل (ABM) و شبیه‌سازی برای کاهش بلایا در منطقه شهری پاکستان است. پاکستان در چند دهه گذشته تلاش کرده است تا با استفاده از رویکردهای مختلف مدیریت بلایا، عامل خطر بلایا را کاهش دهد. با این حال، این تلاش ها در مراحل اولیه هستند. اگرچه عدم برنامه ریزی و شهرنشینی کنترل نشده موانع اصلی هستند، منابع ناکافی از نظر فناوری نیز یکی از عوامل اصلی کمک کننده است که مانع دستیابی به نتایج مطلوب می شود. در این مقاله، ما ABM و شبیه‌سازی رویکردها را با استفاده از نقشه‌های سیستم اطلاعات جغرافیایی (GIS) برای مدیریت بلایا در محل شهری پاکستان پیشنهاد می‌کنیم. مدل مفهومی برای تحلیل تخصیص منابع (RA) واحدهای واکنش اول (آمبولانس، آتش نشانی و غیره) اجرا شد. در مدل پیشنهادی، از دو الگوریتم تخصیص استفاده کردیم. سطح شدت بالا (HSL) و اولین خدمت (FCFS). این الگوریتم ها در NetLogo با ایجاد یک سناریو فرضی فاجعه در شهر راولپندی شبیه سازی شدند. در آزمایش‌های ما، طراحی بر اساس تقاضا، عوامل منابع و رفتار تخصیص آنها برای مدیریت بلایا بود. ما مکانیسم تخصیص منابع را با استفاده از میانگین زمان انتظار، تعداد کلی تقاضاها، زمان اجرا و تقاضاهای تخصیص نیافته به عنوان معیارهای عملکرد تحلیل کردیم. و رفتار تخصیص آنها برای مدیریت بلایا. ما مکانیسم تخصیص منابع را با استفاده از میانگین زمان انتظار، تعداد کلی تقاضاها، زمان اجرا و تقاضاهای تخصیص نیافته به عنوان معیارهای عملکرد تحلیل کردیم. و رفتار تخصیص آنها برای مدیریت بلایا. ما مکانیسم تخصیص منابع را با استفاده از میانگین زمان انتظار، تعداد کلی تقاضاها، زمان اجرا و تقاضاهای تخصیص نیافته به عنوان معیارهای عملکرد تحلیل کردیم.

کلید واژه ها:

مدل سازی مبتنی بر عامل ; مدیریت بلایا ؛ تخصیص منابع ؛ سطح شدت بالا ؛ اولین خدمت سیستم اطلاعات جغرافیایی

1. معرفی

پاکستان یکی از کشورهایی است که در دو دهه اخیر به شدت تحت تاثیر بلایای طبیعی قرار گرفته است. پاکستان ششمین کشور پرجمعیت جهان است. از این رو، شهرنشینی سریع منجر به رشد بی رویه شهرهای کوچک شده است. این شهرها بدون زیرساخت های خوب برنامه ریزی شده در حال رشد هستند که علت اصلی فاجعه شهری است [ 1 ، 2 ]]. در شهرهای پرجمعیت، حوادث مختلف تصادفات جاده ای و آتش سوزی باعث صدها کشته و خسارت مالی در سطوح مختلف می شود. کشورهای مدرن در سراسر جهان برای مدیریت بلایا بسیار سخت کار کرده اند در حالی که در کشورهای در حال توسعه تلاش های انجام شده در حد استانداردهای لازم نیست. درجه رنج انسان تنها چیزی است که باید کنترل کنیم و تنها با کاهش قابل توجه خطر و آمادگی اولیه برای خطر امکان پذیر است [ 3 ]]. در حال حاضر، سیستم مدیریت بلایا (DM) در پاکستان دارای یک ترتیب گسترده و به خوبی مرتبط در سطح سازمانی است، اما فاقد یک برنامه واکنش کارآمد، قابل اعتماد و سریع است. به این دلیل است که هیچ تکنیک تخصیص منابع (RA) موثری برای مقابله با یک وضعیت فاجعه مطابق با روندهای تکنولوژیکی در حال ظهور وجود ندارد. این منجر به تاخیر در پاسخ توسط دولت می شود. بنابراین هر گاه یک حادثه اضطراری در منطقه رخ دهد، خسارات جانی، مالی و سرمایه ای هنگفتی به همراه خواهد داشت.
نویسندگان در [ 4 ] مطالعه ای از فاجعه کارخانه شهر بالدیا، کراچی ارائه کرده اند. این مقاله چالش هایی را که خدمات امداد و نجات در پاکستان با آن مواجه است، برجسته می کند. این مطالعه انگیزه کار ما است زیرا آسیب پذیری های خدمات دولتی و امداد و نجات شهری پاکستان را نشان می دهد.
در نظر گرفتن چالش های مطالعه GIS شهری پاکستان در مورد منابع و زیرساخت های DM فعلی یک چالش برجسته است. بسیاری از مطالعات موجود، GIS را برای مدل‌سازی و شبیه‌سازی برنامه‌های کاربردی مختلف گنجانده‌اند. در [ 5 ]، نویسندگان تکنیکی را ایجاد کرده‌اند که استفاده از GIS و سنجش از دور را برای دستیابی به شبیه‌سازی و مدل‌سازی تاثیر منظر تحت‌تاثیر ساخت‌وساز ترکیب می‌کند. نویسندگان [ 6 ] با بررسی رویه‌های DM در کانادا، تحقیقات عمیقی در مورد دلایل شکست شیوه‌های کنونی DM ارائه کردند و کاربرد دانش و علم سیستم را برای بهبود تلاش‌های DM پیشنهاد کردند.
آراین در [ 7 ] یک چارچوب مفهومی از روش شناسی مبتنی بر دانش را برای DM اقتصادی فوری و موفق معرفی می کند، در حالی که فقط به پس از فاجعه محدود می شود. ABM برای مطالعه رفتار انسان و اثر تطبیقی ​​پیچیده بر سیستم کلی به کار گرفته شده است. در [ 8 ] نویسندگان شبیه سازی از رفتارهای اجتنابی در میان گروه های اجتماعی و همگام سازی رفتارها در میان گروه های فرعی در همان گروه اجتماعی ارائه کرده اند.
مقاله [ 9 ] تأثیر تصمیم گیری متنی توسط مقامات برای کاهش تأثیر یک فاجعه را ارائه می دهد. این مطالعه کاربرد تحقیقات علم طراحی را برای توسعه طرح‌های نیمه ساختاریافته DM ارائه می‌کند. این تحقیق بر چگونگی تأثیر رفتار فردی و اجتماعی بر دانش DM متمرکز است که منجر به رویکردهای مختلف برای مدیریت بلایا می شود. تعاملات پیچیده و جریان‌های اطلاعاتی با استفاده از ABM مدل‌سازی می‌شوند که نشان‌دهنده کاربرد ABM برای DM است.
هوانگ و همکاران [ 10 ] مشکلی را در مورد چگونگی توزیع و تحویل کمک های بشردوستانه به منطقه آسیب دیده به روشی کارآمد از طریق شبکه حمل و نقل برای کاهش اثر فاجعه توصیف می کند. با این حال، برای RA دشوار است که تعیین کند کدام منابع در طول تخصیص مفید هستند. وایز و همکاران [ 11 ] کار دقیق چندین محقق و نظر آنها در مورد عناصر چارچوب شهری ارائه می شود. آنها تحت تأثیر حمل و نقل مربوط به ABM هستند. ماتویف و همکاران در [ 12 ] وابستگی و مهارت پاسخ های اضطراری به حوادث و دیگر استفاده از وسیله نقلیه را در طول وقوع اضطراری توضیح می دهد. در [ 13] نویسندگان بر نحوه برخورد با مکان و جابجایی و همچنین تصمیم گیری برای وسایل نقلیه اضطراری تمرکز می کنند. این مطالعه نشان می‌دهد که استفاده از روش‌های تحلیلی و گنجاندن عواملی مانند پویایی و عدم قطعیت، یک سیستم را از نظر محاسباتی غیرممکن می‌کند. در [ 14 ]، کنگ و همکاران. مدلی را پیشنهاد کرد که مبتنی بر یک شبکه عصبی پس انتشار متشکل از برنامه‌ریزی خطی و پیش‌بینی نیاز RA است، اما مدیریت منابع همیشه در موارد تصادفات ترافیکی از پیش تعیین شده است.
در [ 15 ]، توجه محقق بر استفاده از منابع داوطلب برای ترسیم آسیب متمرکز است. این یک نمونه اولیه فضایی را بیان می کند که یک مدل مبتنی بر عامل را با استفاده از داده های سیستم اطلاعات جغرافیایی استفاده عمومی (GIS) نشان می دهد.
کاودور و همکاران در [ 16 ] در مورد یک مشکل مکان تاسیسات برای مدیریت عملیات فاجعه بحث کرده است، و رویکرد پیشنهادی برای راه حل مبتنی بر یک مدل قطعی است. منگ و همکاران تعیین امکانات مکان بهینه برای حمله تروریستی از نظر واکنش اضطراری در [ 17 ]. با این حال، این مطالعه حاوی مفروضات محدودیت های بی حد و حصر است که عملی نیستند.
در [ 18 ] نویسندگان به یک مشکل مکان پوشش حداکثر (MCLP) با پوشش جزئی می پردازند که در آن مناطق فاصله و تقاضا مستطیل هستند. بنابراین، هنگام پرداختن به تخصیص در یک منطقه توجه، الگوریتم پوشش تنها بخشی را شامل می شود که تقاضاهای نسبی دارد. نویسندگان یک روش جدید را برای یک مشکل تسهیلات خاص که تنها دارای اهداف متعدد با توجه به یک سیستم مکان یابی اضطراری است، توسعه دادند [ 19 ].
هدف کار ارائه شده ما ایجاد استفاده از مدل سازی مبتنی بر عامل برای کاهش بلایا در پاکستان است. انگیزه پشت این مطالعه ارائه درستی استفاده از ABM در شرایطی است که کمبود داده ها و نقشه های متراکم شهری توسعه بدون ساختار چالش بزرگی در برآورد عملکرد منابع موجود در موارد اضطراری ایجاد می کند. بقیه مقاله در چهار بخش سازماندهی شده است. بخش 2 بیان مسئله را مورد بحث قرار می دهد. در بخش 3 ، جزئیات مدل پیشنهادی و دو الگوریتم تخصیص اولین خدمت (FCFS) و سطح شدت بالا (HSL) ارائه شده است. بخش 4 نتایج شبیه سازی پیاده سازی شده ما در NetLogo را ارائه می دهد در حالی که بخش 5نتیجه گیری و کار آینده را ارائه می دهد.

2. بیان مشکل

بسیاری از کشورهای در حال توسعه تحقیقات گسترده‌ای را برای توسعه سیستم‌های هشدار اولیه، سیستم‌های توزیع امداد در بلایا و GIS انجام داده‌اند تا ظرفیت پاسخ‌گویی به بلایا را برای مقابله با ناملایمات افزایش دهند. در زمینه مدیریت بلایا، نیاز مبرمی برای ایجاد و به فعلیت رساندن مدل های RA برای بهبود تکنیک های فعلی RA در پاکستان وجود داشته است. این نیاز شدید به ارزیابی و ابداع یک مدل RA عملی در سطح ملی به توانایی‌های بهتر DM منجر می‌شود. بیان مسئله به صورت زیر تعریف می شود:
نحوه تخصیص منابع برای مدیریت بلایا در یک منطقه شهری با سرمایه گذاری بر فناوری های نوظهور، برای فرموله و توسعه یک مدل سیستم با استفاده از ABM برای RA.

3. مدل سیستم پیشنهادی

در این بخش یک مدل سیستمی برای تخصیص منابع در مواقع وقوع بلایا پیشنهاد شده است. مدل سیستم برنامه ریزی، استراتژی و رویه های مبتنی بر الگوریتم RA را پوشش می دهد. این مدل بر اساس ABM است، که یک چارچوب جدید است که از عوامل خودگردان و تعامل بین عوامل تشکیل شده است. در سیستم ما، تقاضا و منابع عامل اصلی هستند. یک عامل را می توان به عنوان موجودیت خودگردان و هدف گرا که برای تماشا و همکاری با سایر عوامل مناسب است تعریف کرد.
هدف ABM برای RA این است که در مورد رفتار پیچیده نوظهور کل سیستم در مقایسه با یک عامل تصمیم‌گیری متمرکز فکر کند. سیستم پیشنهادی یک مدل مفهومی است که برای تخصیص منابع به خواسته‌ها استفاده می‌شود. مدل پیشنهادی برای پیاده سازی ABM برای RA در شکل 1 نشان داده شده است .

3.1. منابع

منابع سازمان هایی هستند که خدمات اورژانسی (آمبولانس، آتش نشانی و غیره) را به محل تقاضا ارائه می دهند. منابع برای همه رویدادها از جمله اقدامات پیشگیرانه، امداد رسانی زودهنگام، اضطراری و کاهش بلایا مورد نیاز است.
برآورد منابع مورد انتظار برای دستیابی به هدف از نظر تقاضا باید هدایت شود. یک هدف ساده ممکن است به منابع ساده نیاز داشته باشد، در حالی که هدف حیاتی به منابع متعددی با توانایی های حیاتی نیاز دارد که در مدت کوتاهی در دسترس هستند. اگر منابع با مقادیر مورد نیاز در دسترس نباشد، ممکن است هدف مورد نیاز محقق نشود. به غیر از شناسایی منابع صریح برای منطقه تقاضا، نیازهای برآورد شده برای منابع باید به سوالات مختلف پاسخ دهد:
  • چه مقدار منابع مورد نیاز است؟
  • چه زمانی یک منبع مورد نیاز خواهد بود؟
  • منابع برای تحقق چه توانایی هایی نیاز دارند؟ آیا محدودیتی وجود دارد؟
  • زمان دسترسی به منابع چه زمانی است؟ آیا تعهداتی در رابطه با استفاده از منابع وجود دارد؟
در شبیه سازی خود، ما عامل منبع را به عنوان یک موجودیت مستقل که پاسخ می دهد و برای تخصیص منابع مناسب بر اساس معیارهای انتخاب شده برنامه ریزی می کند، مدل کردیم. جزئیات خواص و رفتار عامل در جدول 1 توضیح داده شده است.
مراکز منابع قادر به دریافت مطالبات از محل حادثه هستند. سپس هر مرکز منبع پیشنهاد می دهد تا واحدهای موجود از منابع را به سایت تقاضا اختصاص دهد. تنها در صورت تایید از سایت تقاضا، تخصیص نهایی انجام می شود. هنگامی که ابزار منبع در سایت تقاضا تکمیل شد، تقاضا واحدهای اختصاص داده شده را آزاد می کند و این واحدها دوباره به مجموعه موجود اضافه می شوند. در صورتی که کمبود منابع موجود منجر به ارضای نسبی تقاضا شود، برای مدیریت تقاضای کامل، این واحدهای جدید منتشر شده به چنین سایت‌هایی اختصاص داده می‌شوند.

3.2. خواسته ها

تقاضا به عنوان یک منطقه فاجعه در نظر گرفته می شود، منطقه ای که به طور رسمی به عنوان محل بحران ایجاد شده توسط یک فاجعه اعلام می شود و متعاقباً واجد شرایط دریافت انواع خاصی از منابع است. ممکن است یک موقعیت خطرناک وجود داشته باشد، منطقه یا منطقه ای که به شدت توسط خطرات رایج، نوآورانه یا اجتماعی آسیب دیده است. در مدل ما، عوامل تقاضا، همانطور که در جدول 2 توضیح داده شده است، نیاز خود را برای همه عوامل منابع قابل دسترسی پخش کنید. سپس عوامل منبع، بسته به معیارهای انتخاب خاص خود، با رزرو واحدهای موجود برای تقاضا پاسخ می دهند. این منجر به دریافت تاییدیه های متعدد سایت تقاضا از چندین عامل منبع می شود. سپس سایت تقاضا نزدیک‌ترین سایت‌های منبع را انتخاب می‌کند و رزروهای آن عامل منبع خاص را تایید می‌کند و بقیه را رد می‌کند.
سپس سایت تقاضا منتظر واحدهای منبع می ماند. در بدو ورود واحدها، سایت تقاضا منبع را برای مدت زمان مورد نیاز حفظ می کند. پس از اتمام کار، منابع آزاد می شوند. در صورت تخصیص جزئی، سایت‌های تقاضا تا زمانی که تقاضا برآورده شود یا منقضی شود، به پخش نیازهای باقی‌مانده به تمام مراکز منابع ادامه می‌دهند. در مدل ما، انقضای تقاضا وضعیتی را نشان می‌دهد که در آن مقدار اولیه تقاضای تقاضا هرگز برآورده نمی‌شود، اما نیازهای تقاضا بدون این واحدهای تخصیص‌نخورده برآورده می‌شود. به عنوان مثال، برای یک اتفاق خاص، در ابتدا 10 دستگاه آمبولانس درخواست شد، اما در زمان درخواست تنها دو خودرو در دسترس بود. مابقی حمایت ها به صورت خودیاری از شهروندان انجام می شود و مصدومان با خودروهای دیگر به مراکز درمانی منتقل می شوند.

3.3. تخصیص منابع

به طور کلی، RA ترتیبی برای استفاده از منابع در دسترس برای دستیابی به اهداف است. RA در چتر ABM شامل استقرار تعداد زیادی خدمات نجات در محیط شهری در زمینه فاجعه است. برای برنامه ریزی واکنش اضطراری اساسی است. یکی از چالش هایی که در برنامه ریزی واکنش اضطراری با آن مواجه است، تخصیص بهینه یا نزدیک به بهینه منابع به شرایط اضطراری خاص است. در زمینه RA، مشکل ممکن است به صورت تخصیص منبع R به تقاضای D بیان شود که در شکل 2 الف نشان داده شده است.
فرآیند RA ( شکل 2 ب) ردیابی می کند که کدام منبع توسط چه نوع تقاضا نگهداری می شود و کدام تقاضا در انتظار نوع خاصی از منبع است. هر چرخه شامل اطلاعات تقاضا و حداقل یک تخصیص تقاضا است.

3.4. الگوریتم تخصیص

الگوریتم تخصیص معیارهای انتخاب RA را برای استفاده از منابع در دسترس برای دستیابی به اهداف تقاضا تعریف می کند. الگوریتم تخصیص برای منطقه تقاضا یک فعالیت عمده DM است که اجرای رویه را در نظر می گیرد.
در الگوریتم تخصیص، تمرکز اصلی بر تجزیه و تحلیل تقاضا است که بر رویه‌ای متکی است که توسط آن RA در مورد ایجاد، تخصیص، استفاده از منابع و برآورد تصمیم می‌گیرد. اینکه یک سایت منبع چقدر منابع تولید می کند به ظرفیت ایجاد بستگی دارد که بر اساس تقاضای بالقوه برای منطقه است. تجزیه و تحلیل تقاضا برای پیوند قابل تصور و همچنین در ایجاد گسترش به RA اساسی اساسی است. تجزیه و تحلیل تقاضا برای ایجاد استراتژی های رضایت بخش و کارآمد برای اجرای RA در شرایط بحرانی یا اضطراری حیاتی است. در کار اخیر خود، از دو الگوریتم انتخاب، سطح شدت بالا (HSL) و اولین خدمت (FCFS) استفاده کردیم.

HSL تکنیکی برای برنامه ریزی و استفاده از منابع است که به شدت تقاضا بستگی دارد. در این تکنیک، منطقه تقاضا از منطقه منبع برای تحقق اهداف خود با توجه به شدت آنها استفاده می کند. در الگوریتم شدت، هر تقاضا دقیق است، اما تقاضای با شدت بالاتر ابتدا تخصیص داده می شود، در حالی که تقاضاهای با شدت برابر بر اساس FCFS تخصیص می یابد. منابع در صورت نیاز به تدریج در منطقه تقاضا تخصیص می یابند. اگر منابع در دسترس نباشند، در آن نقطه، سایت تقاضا در چارچوب زمانی خود منتظر انتشار منابع برای استفاده است. مراحل RA مبتنی بر HSL در الگوریتم I نشان داده شده است.

الگوریتم I: الگوریتم HSL
با توجه به منبع Ri با واحدهای خالص n ، تعداد واحدهای از قبل تخصیص داده شده R_Alloc، و تعداد واحدهای رزرو شده R_Rese و تقاضای Dj با تقاضای واحدهای m ، و سطح شدت D_Sa .
  • با توجه به پخش مقدار m از سایت تقاضا D j توسط منبع R i دریافت می شود .
  • j دارای سطح شدت D_Sa j و حداکثر زمان Dt_total j است
  • در حالی که تقاضای j با کمیت (D m > 0) و بیشترین شدت D_Sa j > D_Sa k برای همه تقاضاهای دریافتی k وجود دارد.
  • اگر درخواست ” x” با شدت مشابه رسید، یکی را انتخاب کنید

    TravellingDist ) برای k = … x ) مترمن�(TravellingDist) (برای ک=0،…ایکس)
  • اگر منابع در دسترس هستند، منابع ” w ” را برای تقاضا و به روز رسانی منابع رزرو شده ذخیره کنید

    {       R_R _       هقدیمی )) ≥آرnsهقدیمی )) –آرn  e�={       0       (آر_آرهسه(قدیمی)+آر_آلل�ج)≥آر�آر_آرهسه(قدیمی)+آر_آلل�ج)-آر�  �تیساعته��منسه
    sهجدید )sهقدیمی )wآر_آرهسه(جدید)=آر_آرهسه(قدیمی)+�
  • اگر تأییدیه سایت تقاضا برای t منابع رزرو شده رسید، منابع را به تقاضا و به روز رسانی منابع اختصاص داده شده و رزرو شده اختصاص دهید.

    oججدید )oجقدیمی )tآر_آلل�ج(جدید)=آر_آلل�ج(قدیمی)+تی
    sهجدید )sهقدیمی )– تیآر_آرهسه(جدید)=آر_آرهسه(قدیمی)-تی
  • پس از زمان D t _total j z آزاد شده و دوباره به استخر موجود اضافه می شوند

    oججدید )oجقدیمی )– zآر_آلل�ج(جدید)=آر_آلل�ج(قدیمی)-�
  • پایان در حالی که

در الگوریتم تخصیص FCFS، همانطور که از نام آن پیداست، تقاضایی که در ابتدا ظاهر می شود، در درجه اول به منابع اعطا می شود. سایت تقاضا منابع را پس از استفاده کامل از منابع در چارچوب زمانی خود آزاد می کند. مراحل RA مبتنی بر FCFS در الگوریتم II نشان داده شده است. در مکان تقاضای مدل ارائه شده، واحدهای عددی مورد نیاز تقاضاها و زمان تخصیص به صورت تصادفی تولید می شوند. مدل‌های تحلیلی مرسوم برای RA بهینه‌سازی را برای کل سیستم انجام می‌دهند. در کار ما، همه منابع و خواسته‌ها عوامل مستقلی هستند که فاقد اختیار بهینه‌سازی متمرکز هستند.

الگوریتم II: الگوریتم FCFS
با توجه به منبع R i با واحدهای خالص R n ، تعداد واحدهای از قبل تخصیص داده شده R_Alloc، و تعداد واحدهای رزرو شده R_Rese و تقاضای D j با تقاضای واحدهای D m حداکثر زمان Dt_total j
  • با توجه به پخش مقدار m از سایت تقاضا D j توسط منبع R i دریافت می شود .
    • محل ith Resource Rxi، Ryi است
    • مکان jth Demand Dxj، Dyj است
  • در حالی که تقاضای j با کمیت وجود دارد ( m > 0)
  • درخواست D j را با دقیقه انتخاب کنید ( TravellingDist )
  • اگر منابع در دسترس هستند، منابع ” w ” را ذخیره کرده و منابع رزرو شده را به روز کنید.

    {       R_R _       هقدیمی )) ≥آرnsهقدیمی )) –آرn  e�={       0       (�_����(old)+�_�����)≥���_����(old)+�_�����)−��  ��ℎ�����ه
    sهجدید )sهقدیمی )w�_����(new)=�_����(old)+�
  • اگر تاییدی از سایت تقاضا برای منابع رزرو شده رسید، منابع را به تقاضا و به روز رسانی منابع اختصاص داده شده و رزرو شده اختصاص دهید.

    oججدید )oجقدیمی )t�_�����(new)=�_�����(old)+تی
    sهجدید )sهقدیمی )– تیآر_آرهسه(جدید)=آر_آرهسه(قدیمی)-تی
  • پس از زمان Dt_total j واحدهای z آزاد شده دوباره به استخر سودمند اضافه می شوند

    oججدید )oجقدیمی )– zآر_آلل�ج(جدید)=آر_آلل�ج(قدیمی)-�
  • پایان در حالی که

4. شبیه سازی و نتایج

در مورد ما، ما از محیط NetLogo استفاده کردیم که شبیه‌ساز خوب ABM با کتابخانه‌ها برای افزودن داده‌های GIS است. ABM پدیده های در حال ظهور را ضبط می کند و یک محیط طبیعی برای تجزیه و تحلیل سیستم های خاص فراهم می کند. این یک تکنیک همه کاره به ویژه در رابطه با توسعه مدل جغرافیایی است.

4.1. RA در فضای GIS

GIS یکی از پیشرفته ترین فناوری هایی است که شیوه های استفاده از RA را در گذشته تغییر داده است. این فن‌آوری‌ها بر رویه‌های RA تأثیر گذاشته‌اند که مشخصاً به شیوه‌ای که منابع توسط آن منطقه تقاضا استفاده می‌شود. در فضای GIS، این اجازه می دهد تا عوامل به عنوان منابع و خواسته ها در شرایط جغرافیایی مورد استفاده قرار گیرند که توسط یک نقشه GIS مشخص می شود. این شامل تابعی برای تنظیم و دریافت فضای عامل فعلی، تخصیص منابع به فضای تقاضا طبق رویه RA، اجرای فعالیت بر حسب ظاهر، اجرای عامل در محیط از پیش تعریف شده خود، تنظیم تعامل وابسته به عوامل، طراحی و یک ویژگی دیگر
با استفاده از ABM پیشنهادی در بخش قبل، سناریویی را برای فاجعه در شهر راولپندی در پاکستان شبیه‌سازی کردیم. ما 65 شورای صنفی منطقه راولپندی را گرفتیم. یک فاجعه در یک ساختمان تصادفی ایجاد می شود که منطقه تقاضای ما است. برای کاهش اثرات فاجعه در منطقه به منابع متعددی نیاز دارد. شکل 3 مراحلی را نشان می دهد که در ایجاد یک سناریو نقش دارند.
در شکل 4 a، مرزهای منطقه انتخاب شده نشان داده شده است و مساحت کل آنها 122,982,339.2 متر مربع است . در حالی که شکل 4 ب شبکه راه این مناطق انتخاب شده را نشان می دهد. شبکه راه ها در نزدیکی ایستگاه منابع و ساختمان ایجاد می شود. ما چهار ایستگاه منبع/نجات و 186 ساختمان را برای ایجاد سناریو گرفتیم که در شکل 4 c,d نشان داده شده است. تصویری از ساختار لایه ArcGIS برای پیاده سازی NetLogo در شکل 5 نشان داده شده است . آزمایش های مختلف با توجه به عوامل ارائه شده در جدول 3 در محیط های NetLogo شبیه سازی شدند.

4.2. طراحی آزمایش

یک سناریوی آزمایشی برای شهر راولپندی در پاکستان طراحی شد، ما 65 شورای اتحادیه منطقه راولپندی را انتخاب کردیم و مساحت کل آنها 122,982,339.2 متر مربع است . همانطور که در شکل 6 نشان داده شده است، از محیط NetLogo برای شبیه سازی در این منطقه استفاده کردیم .
در شبیه سازی ها، عوامل را به دو دسته تقسیم کردیم. تقاضاها و منابع عوامل منبع با توجه به مکان واقعی مرکز منبع ثابت می شوند در حالی که عوامل تقاضا به طور تصادفی بر روی 186 گره ساختمان بر اساس شبیه سازی ایجاد می شوند. علاوه بر این، مسافت طی شده با استفاده از اطلاعات جاده GIS به جای فاصله اقلیدسی برآورد شد. هر سناریو با و بدون تصادفی کردن تاخیر ترافیک حداکثر 50 درصد از زمان سفر شبیه سازی شد. این سناریوها 150 بار برای هر آزمایش با توجه به عوامل داده شده در جدول 3 شبیه سازی شدند . نتایج آزمون ANOVA در جدول 4 ارائه شده است.

4.3. تجزیه و تحلیل نتایج

نتایج شبیه سازی هر الگوریتم در استودیوی R با چندین آزمایش که در جدول 3 آورده شده است، تجزیه و تحلیل شد . برای ارزیابی شبیه سازی، تجزیه و تحلیل را بر روی داده های زیر انجام دادیم:
(1) اثرات الگوریتم انتخاب HSL در مقابل FCFS.
(2) اثرات حداکثر مدت زمان تقاضا بر تخصیص تقاضا.
(3) اثر ترافیک بر تخصیص تقاضا.
دو الگوریتم، FCFS و HSL برای رفتار به طور قابل توجهی متفاوت مورد تجزیه و تحلیل قرار گرفتند. همانطور که در شکل 7 الف نشان داده شده است، HSL کمی بهتر از FCFS رفتار می کند. تقاضاهای تخصیص نیافته در HSL کمی کمتر از تخصیص FCFS است. دلیل این عملکرد تخصیص انتخابی HSL است. در HSL، تقاضا با شدت بالا در ابتدا تخصیص داده می شود، بنابراین تعداد معینی از تقاضاها زودتر برآورده می شوند. در مرحله دوم، اثرات مدت زمان تقاضا یعنی مشاغل کوتاه یا طولانی بر الگوریتم تخصیص مشاهده می شود. مشاهده می شود ( شکل 7ب) اینکه HSL در مقایسه با FCFS نسبت به مدت زمان تقاضا حساس تر است. از آنجایی که شبیه سازی تخصیص غیر پیشگیرانه را نشان می دهد، کارهای انتظار با اولویت پایین با مدت زمان طولانی تر در صف های انتظار HSL می مانند و در نهایت منبع مورد نیاز را دریافت می کنند و این باعث بهبود درصد مشاغل تخصیصی می شود. در اینجا هر اندازه شغل 150 بار برای تعداد سایت های تقاضا به ترتیب 5، 10، 15، 20، 25، 30 و 35 شبیه سازی شده است. مقدار درخواستی آنها در هر سایت بین 1 ≤ تصادفی ≤ 10 قرار دارد.
اثرات تاخیر ترافیک بر تخصیص منابع در شکل 7 c,d ارائه شده است. تاخیر تصادفی حداکثر 50٪ از زمان سفر برای هر دو FCFS و HSL معرفی شد. افزایش تقاضاهای تخصیص نشده به دلیل تاخیر در ترافیک مشاهده می شود زیرا این تاخیرها مدت زمان تعهد منابع را افزایش می دهد.
متوسط ​​زمان انتظار کمتر خواهد بود اگر تعداد منابعی را که مقادیر تقاضا را در چارچوب زمانی خود برآورده می کنند افزایش دهیم. میانگین زمان انتظار نیز به چرخه RA بستگی دارد. اگر منابع را در اسرع وقت قبل از درخواست سایر تقاضاها آزاد کند، به نوبه خود بر میانگین کلی زمان انتظار نیز تأثیر می گذارد.
افزایش تعداد تقاضاها بر تخصیص کلی منابع تأثیر می گذارد. اگر تعداد تقاضاها کمتر یا مساوی تعداد منابع باشد، میانگین زمان آن تقریبا نزدیک به صفر است. برای تمام داده های تجربی نشان داده شده در جدول 3 ، گره تقاضا را افزایش دادیم در حالی که منابع با مقدار یکسانی بین 1 ≤ تصادفی ≤ 10 برای هر دو الگوریتم ثابت ماندند. از تمام آزمایش‌ها، ما تحلیل کردیم که وقتی تقاضاهای بیشتری در مقایسه با منابع موجود داریم، تقاضاهای بیشتری تخصیص نمی‌یابند.

4.4. بحث در مورد نتایج

کار ما بر تقاضاهای تخصیص نشده متمرکز است، زیرا اینها تعدادی از منابع کمبود مورد نیاز در موارد اضطراری و فاجعه هستند. مشاهده می شود که حتی با تعداد مساوی مطالبات و سایت های منبع، احتمال عدم پاسخگویی تا 10 درصد از مطالبات وجود دارد. پاکستان نسبت جمعیت به مراکز درمانی 1:11413 است. مدل ما نشان می دهد که در مورد فاجعه، نسبت منبع به تقاضا 1:7 است. تمام طرح های تخصیص منجر به کمبود تا 90٪ می شود. مشاهده می شود که در پاکستان تنها 4 درصد از بیماران [ 20] هنگام رسیدن به بیمارستان از خدمات اورژانس مانند آمبولانس استفاده کنید. این به دلیل کمبود مزمن منابع است که منجر به بی اعتمادی به سیستم شده است، بنابراین، اکثر موارد اورژانسی به صورت خودیاری و بدون متخصص پزشکی در محل انجام می شود. مطالعه ما اولین گام در جهت ایجاد اثرات چندین عامل است که منجر به مدیریت ضعیف بلایا می شود. در کارمان نشان دادیم که سیاست‌های مدیریت یا تخصیص منابع بر مدیریت منابع تأثیر می‌گذارد. با این حال، این تفاوت در مقایسه با کمبودهای سیستم ناچیز است. در کارهای آینده، مناطقی را که به دلیل کمبود امکانات و فاصله تا مراکز منابع در معرض خطر شدید قرار دارند، برجسته خواهیم کرد.

5. نتیجه گیری ها

مطالعه ما برای اولین بار از نوع خود برای پرداختن به کاهش بلایا به طور کلی و تخصیص منابع، به طور خاص، با استفاده از ABM برای تجزیه و تحلیل استراتژی های مدیریت بلایا در محل شهری پاکستان است. ما از دو الگوریتم مختلف استفاده کردیم. HSL و FCFS هر دو بر اساس تخصیص عملکرد کمی متفاوت دارند. ما سیستم پیشنهادی خود را در شوراهای اتحادیه چندگانه شهر راولپندی آزمایش کردیم. این سناریو نتیجه قابل توجهی را برای هر دو الگوریتم تخصیص نشان می دهد. در حالی که نتایج الگوریتم FCFS را با الگوریتم HSL مقایسه می کنیم، می بینیم که HSL نتایج RA بهتری ارائه می دهد. میزان واکنش درخواست‌ها و منابع به زمان انتظار بسیار اساسی است. اگر تعداد درخواست‌ها بیشتر باشد، زمان کلی انتظار افزایش می‌یابد و بسیاری از درخواست‌ها در طول زمان اجرای خود تخصیص نمی‌یابند.

منابع

  1. حیدر، م. Badami، MG چالش های شهرنشینی و حکومت محلی در پاکستان. محیط زیست شهری. آسیا 2010 ، 1 ، 81-96. [ Google Scholar ] [ CrossRef ]
  2. ساخته شده برای ذهن. در دسترس آنلاین: https://www.dw.com/en/pakistans-urbanization-a-challenge-of-great-proportions/a-18163731 (در 8 سپتامبر 2019 قابل دسترسی است).
  3. رفیق، ل. بلاشکه، تی. خطر فاجعه و آسیب پذیری در پاکستان در سطح منطقه. Geomat. نات. خطر خطرات 2012 ، 3 ، 324-341. [ Google Scholar ] [ CrossRef ]
  4. رویکرد وحیده، MAA برای مدیریت بلایای مرتبط با آتش سوزی در مناطق شهری با تراکم بالا. Procedia Eng. 2014 ، 77 ، 61-69. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. Martínez-Graña، AM; رودریگز، سنجش از دور VV و GIS به کار گرفته شده در منظر برای احیای محیطی شهرنشینی با استفاده از بازسازی و تجسم مجازی سه بعدی (سالامانکا، اسپانیا). ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 2. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. Simonovic، رویکرد سیستم های SP به مدیریت بلایا – فرصتی از دست رفته؟ IDRIM J. 2015 ، 5 ، 70-81. [ Google Scholar ] [ CrossRef ]
  7. آراین، اف. رویکرد مبتنی بر دانش برای مدیریت فاجعه پایدار: توانمندسازی تیم مدیریت واکنش اضطراری. Procedia Eng. 2015 ، 118 ، 232-239. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. هوانگ، ال. گونگ، جی. لی، دبلیو. خو، تی. شن، اس. لیانگ، جی. فنگ، Q. ژانگ، دی. Sun, J. شبیه‌سازی رفتار گروهی مبتنی بر مدل نیروی اجتماعی در محیط‌های جغرافیایی مجازی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 79. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. اینان، دی. بیدون، جی. چارچوب تحلیل مدیریت دانش فاجعه با استفاده از مدل‌های مبتنی بر عامل: رویکرد تحقیق علم طراحی. Procedia Comput. علمی 2017 ، 124 ، 116-124. [ Google Scholar ] [ CrossRef ]
  10. هوانگ، ک. جیانگ، ی. یوان، ی. ژائو، ال. مدل سازی اهداف بشردوستانه متعدد در واکنش اضطراری به بلایای بزرگ مقیاس. ترانسپ Res. E Logist. ترانسپ Rev. 2015 , 75 , 1-17. [ Google Scholar ] [ CrossRef ]
  11. حکیم، اس. کروکس، آ. باتی، ام. حمل و نقل در مدل سازی شهری مبتنی بر عامل. در مجموعه مقالات کارگاه بین المللی مدل سازی سیستم های شهری مبتنی بر عامل، سنگاپور، 10 مه 2016; Springer: Cham, Switzerland, 2016; صص 129-148. [ Google Scholar ] [ CrossRef ]
  12. ماتویف، آ. ماکسیموف، آ. روش های بهبود در دسترس بودن خدمات امداد و نجات اضطراری برای واکنش اضطراری به حوادث حمل و نقل. ترانسپ Res. Procedia 2018 ، 36 ، 507-513. [ Google Scholar ] [ CrossRef ]
  13. بلانگر، وی. رویز، ا. سوریانو، پی. مدل‌های بهینه‌سازی اخیر و روندها در مکان، جابجایی، و اعزام خودروهای فوریت‌های پزشکی. یورو جی. اوپر. Res. 2019 ، 272 ، 1-23. [ Google Scholar ] [ CrossRef ]
  14. کنگ، ی. Pan, S. روش پیش بینی هوشمند برای تخصیص منابع حمل و نقل. حس ماتر. 2019 ، 31 ، 1917-1925. [ Google Scholar ] [ CrossRef ]
  15. کروکس، AT; Wise، S. GIS و مدل‌های مبتنی بر عامل برای کمک‌های بشردوستانه. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 41 ، 100-111. [ Google Scholar ] [ CrossRef ]
  16. کاودور، اف. کوزه کوچوک، م. سباطلی، الف. تخصیص امکانات موقت واکنش به بلایا تحت عدم قطعیت تقاضا: مطالعه موردی زلزله. بین المللی J. کاهش خطر بلایا. 2016 ، 19 ، 159-166. [ Google Scholar ] [ CrossRef ]
  17. منگ، ال. کانگ، کیو. هان، سی. ژو، ام. تعیین مکان بهینه امکانات واکنش به ترور تحت خطر اختلال. IEEE Trans. هوشمند ترانسپ سیستم 2017 ، 19 ، 476-486. [ Google Scholar ] [ CrossRef ]
  18. بانسال، م. کیانفر، ک. مشکل مکان پوشش حداکثر پلانار با پوشش جزئی و مستطیل شکل تقاضا و مناطق خدماتی. INFORMS J. Comput. 2017 ، 29 ، 152-169. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. کاراتاس، م. Yakıcı، E. یک رویکرد راه حل تکراری برای یک مشکل مکان یابی تسهیلات چند هدفه. Appl. محاسبات نرم. 2018 ، 62 ، 272-287. [ Google Scholar ] [ CrossRef ]
  20. ضیاء، ن. شهزاد، ح. باقر، س.م. شوکت، س. احمد، ح. رابینسون، سی. Hyder، AA; Razzak، J. استفاده از آمبولانس در پاکستان: تجزیه و تحلیل داده های نظارتی از بخش های اورژانس در پاکستان. BMC Emerg. پزشکی 2015 ، 15 ، S9. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
شکل 1. مدل مفهومی برای پیاده سازی مدل سازی مبتنی بر عامل (ABM) برای تخصیص منابع (RA).
شکل 2. فرآیند تخصیص منابع عمومی ( الف ) چرخه تخصیص کلی منابع با انتشار و تخصیص مجدد ( ب ).
شکل 3. مراحل ایجاد سناریو.
شکل 4. مرزهای منطقه ( a )، شبکه های جاده ( b )، مرکز منابع ( c )، و گره ساختمان دیجیتالی ( d ).
شکل 5. تصویری از محیط NetLogo برای آزمایش 1 که در جدول 3 ارائه شده است.
شکل 6. RA در پیاده سازی NetLogo فضایی سیستم اطلاعات جغرافیایی (GIS).
شکل 7. تأثیر تعداد سایت های تقاضا بر کل تقاضاهای تخصیص نشده. ( الف ). درصد مطالبات تخصیص یافته بر اساس طول مدت تعهدات ( ب ). تأثیر ترافیک بر درصد تقاضاهای تخصیص نیافته (اولین خدمت – FCFS) ( ج ). تأثیر ترافیک بر درصد تقاضاهای تخصیص نیافته (سطح شدت بالا-HSL) ( d ).

بدون دیدگاه

دیدگاهتان را بنویسید