تحلیل طراحی شبکه ترانزیت با استفاده از GIS و الگوریتم زنبور عسل در شهر سنندج، ایران

برنامه ریزی حمل و نقل عمومی یک مشکل کاربر محور است که به مسائل مالی احترام می گذارد و سهامداران مختلفی مانند عموم مردم، ارائه دهنده حمل و نقل و دولت محلی را درگیر می کند. یکی از اجزای اصلی برنامه ریزی حمل و نقل عمومی، مسئله طراحی شبکه حمل و نقل (TND) است. این پژوهش تلاشی است برای طراحی و تحلیل شبکه ترانزیتی در شهر سنندج با استفاده از قابلیت‌های GIS و الگوریتم زنبور عسل. اهداف این مطالعه فرموله کردن یک مدل چند هدفه از مسئله TND، توسعه یک روش مبتنی بر GIS برای حل مسئله TND و بررسی راه‌حل‌ها با استفاده از روش‌های فراابتکاری مصنوعی مانند الگوریتم زنبور عسل است. رویکرد طراحی شبکه حمل و نقل در این تحقیق با هدف کاهش مسافت پیاده روی، کل مسافت سفر و تعداد کل توقف های مورد نیاز برای یک سرویس حمل و نقل مناسب در سنندج، ایران. یکی از کمک های این پژوهش، توسعه طراحی شبکه ترانزیتی با استفاده از طیفی از قابلیت های مدل سازی نرم افزار GIS و استفاده از توانایی های هوش مصنوعی در مدل سازی و ارزیابی شبکه ترانزیتی است.

کلید واژه ها

طراحی شبکه ترانزیت (TND) ، GIS ، الگوریتم زنبور عسل ، پوشش ، برنامه ریزی

1. مقدمه

سیستم حمل و نقل عمومی در سنندج چند سالی است که در دست بررسی و اصلاح است تا ازدحام ترافیکی و سهم استفاده از خودروهای شخصی در شهر کاهش یابد و سهم بسیار پایین حمل و نقل عمومی افزایش یابد [ 1 ]. مسیرهای اتوبوس در سنندج به یکدیگر متصل نیستند و هسته مرکزی شهر را به حاشیه‌ها متصل می‌کنند، بدون اینکه گزینه‌های سفر برای مسافران بین حاشیه‌ها فراهم شود. فقدان خدمات در بسیاری از مناطق پرجمعیت سنندج و شهرستان های مجاور، سیستم حمل و نقل را محبوب و غیر قابل اعتماد می کند.

طراحی شبکه حمل و نقل یک مشکل برنامه ریزی استراتژیک است که هدف آن به حداکثر رساندن کیفیت خدمات تحت محدودیت های بودجه است. این روشی است برای یافتن مجموعه ای از مسیرها با برنامه زمانی مشخص برای ناوگان حمل و نقل [ 2 ]. به دلیل تعداد زیاد ایستگاه های اتوبوس، یافتن مجموعه ای از مسیرها با استفاده از رویکردهای سنتی دشوار است [ 3 ]. دو رویکرد اصلی برای TND وجود دارد: طراحی سطح مسیر و طراحی سطح شبکه [ 4 ]. طراحی سطح مسیر بر روی بخش کوچکی از شبکه یا یک مسیر ترانزیت واحد تمرکز دارد تا تقاضای سفر جدید را مدیریت کند و تعداد نقل و انتقالات و مدارها را کاهش دهد. رویکرد شبکه طراحی شبکه حمل و نقل به عنوان مجموعه ای از مسیرها برای پاسخگویی به تقاضای سفر فعلی است.

دسترسی برای جمعیت با دسترسی محدود به حمل و نقل خصوصی، هدف اصلی سیستم حمل و نقل عمومی است [ 5 ]. دسترس‌پذیری «سهولتی است که با آن می‌توان به فعالیت‌های یک مکان از مکان دیگر از طریق یک حالت سفر خاص رسید» [ 6 ]. دسترسی فضایی شامل دسترسی و پوشش جغرافیایی است (Murray & Wu, 2003). فاصله پیاده روی کمتر از شبکه حمل و نقل تا مقاصد جذاب، مانند مراکز خرید، یا مراکز جمعیتی سطح بالاتری از دسترسی را ایجاد می کند (S. Liu & Zhu, 2004). GIS به یافتن سطح دسترسی و پوشش جایگزین های شبکه ترانزیت طراحی شده بر اساس فاصله تا مراکز جمعیتی و مکان های جذاب کمک خواهد کرد.

هدف اصلی این تحقیق توسعه یک روش مبتنی بر GIS چند هدفه برای مسئله TND و به کارگیری رویکرد پیشنهادی برای ساخت و ارزیابی چندین جایگزین شبکه اتوبوسرانی در سنندج است. برای رسیدن به هدف ذکر شده، اهداف زیر از این مطالعه تعیین شده است:

1) برای فرموله کردن یک مدل چند هدفه از مسئله TND.

2) توسعه یک روش مبتنی بر GIS برای حل مشکل TND.

3) بررسی راه حل ها (شبکه های حمل و نقل جایگزین) با استفاده از روش های فراابتکاری مانند الگوریتم زنبور عسل.

2. منطقه مطالعه

استان کردستان با مساحت 28203 کیلومتر مربع که 1.7 درصد از خاک ایران را تشکیل می دهد. این استان از دشت ها و دره هایی در رشته کوه های زاگرس تشکیل شده است. این استان از شمال با آذربایجان، از شرق با استان های همدان و زنجان و از جنوب با استان کرمانشاه همسایه است. استان کردستان نیز در مرز عراق قرار دارد و از غرب به عراق متصل است.

سنندج مرکز استان کردستان است. جمعیت این شهر در سرشماری سال 2011، 432330 نفر بود [ 1 ]. فاصله سنندج از تهران (پایتخت) 520 کیلومتر است. شکل 1 شبکه خیابان های سنندج را نشان می دهد. شکل 2 همچنین جاده ها و چندین مقصد محبوب سنندج را نشان می دهد که مردم در طول روز از آن مکان ها بازدید، کار یا خرید می کنند. این مقاصد شامل بیمارستان‌ها، پارک‌ها، سالن‌های سینما، بازار، ادارات دولتی، بازار خرده‌فروشی، مکان‌های صنعتی و سایر مکان‌های محبوب در شهر است. به دلیل عدم سرویس دهی کارآمد اتوبوس، تنها دو درصد از سفرها به این مکان ها از سیستم اتوبوس فعلی سنندج استفاده می کنند ( شکل 3).). بنابراین نیاز مبرمی به بازطراحی شبکه اتوبوسرانی شهر سنندج به منظور ارائه خدمات بهتر به مراکز جمعیتی و مقاصد جذاب و کاهش ازدحام ترافیکی شهر سنندج وجود دارد [ 1 ].

3. روش شناسی

در این بخش از ترکیبی از ابزارهای GIS و الگوریتم Honeybee برای طراحی مسیرها برای هر سناریوی شبکه اتوبوس و ارزیابی نتایج که طرح‌های شبکه ترانزیت پیشنهادی هستند، استفاده شده است. شبکه اتوبوسرانی امکان دسترسی به خدمات را برای مقاصد جذاب و مراکز عمده جمعیتی در سنندج فراهم می کند. در مرحله اول طراحی، از GIS برای ترسیم خطوط اتوبوسرانی با توجه به شبکه خیابان و موقعیت بلوک های مقصد اصلی و سرشماری استفاده می شود. در مرحله بعد مسیرهای اتوبوس به هم متصل می شوند تا یک شبکه اتوبوس تشکیل شود. سپس تجزیه و تحلیل پوشش توسط GIS به منظور تعیین دسترسی به طرح های پیشنهادی انجام می شود. علاوه بر این، الگوریتم زنبور عسل طرح‌ها را بر اساس اهداف طراحی شبکه، تعداد توقف‌ها و کل مسافت طی شده در شبکه ارزیابی می‌کند.

3.1. الگوریتم زنبور عسل

Karaboga [ 7 ] یک روش هوش ازدحام را بر اساس جستجوی زنبور عسل برای غذا در طبیعت و تبادل اطلاعات بین زنبورها برای حداقل انتخاب علوفه پیشنهاد کرد که منجر به رفتار جمعی ازدحام می شود. این مدل از چندین جزء تشکیل شده است: منبع غذا، جوینده شاغل ( یعنی زنبور استخدام کننده) و جوینده بیکار ( یعنی زنبور غیرمتعهد ) ، و مدلی که دو حالت رفتاری را تعیین می کند .

روش‌های بهینه‌سازی زنبور عسل مبتنی بر مفهوم جمعیتی از عوامل است که در جستجوی یافتن راه‌حل بهینه هستند. هدف روش‌ها ایجاد مجموعه‌ای از راه‌حل در تعداد تکرار از پیش تعیین‌شده است و جستجو برای بهترین راه‌حل زمانی پایان می‌یابد که معیارهای خاصی برآورده شوند [ 8 ]. زنبورهای عسل از دو عملیات برای یافتن بهترین راه حل استفاده می کنند: عبور به جلو و پاس به عقب [ 9 ] [ 10 ].

در مرحله اول این روش زنبورها فضای راه حل را با تعداد حرکات از پیش تعریف شده جستجو می کنند و یک مسیر جزئی ( یعنی پاس رو به جلو) می سازند یا بهبود می بخشند. پس از آن به کندو برمی گردند ( یعنی پاس عقب) . در مرحله دوم، زنبورها برای دانستن مقادیر تابع هدف یکدیگر تعامل و تبادل اطلاعات می کنند. به احتمال زیاد، هر زنبور یا راه حل جدیدی را انتخاب می کند و راه حل ناتمام خود را دور می اندازد تا پیرو غیر متعهد زنبورهای دیگر باشد، یا می رقصد تا دیگران را برای دنبال کردن راه حل جزئی خود استخدام کند. پیروان از راه حل جزئی به عنوان پایه ای برای ساختن مسیر خود از نقطه پایانی آن استفاده می کنند [ 8 ] [ 10 ]]. دو فاز گذر به جلو و پاس به عقب چندین بار برای ارائه یک راه حل کامل انجام می شود و الگوریتم تا زمانی که یک شرط توقف مانند تعداد تکرار از پیش تعریف شده یا تکرارهایی بدون بهبود در مقدار تابع هدف برآورده شود به کار خود ادامه می دهد.

3.2. مدل TND

مدل سازی مشکل TND شامل فرآیند جستجوی مسیرهای حمل و نقل کارآمد بر اساس ترجیحات شرکت های حمل و نقل و کاربران است [ 4 ] [ 11 ] [ 12 ] [ 13 ] [ 14 ]]. در طراحی شبکه چند هدفه، می توان چندین هدف را به منظور عملیاتی کردن ترجیحات اپراتور و کاربر تعریف کرد. وزنی به هر هدف اختصاص داده می شود که نشان دهنده اهمیت آن هدف برای تصمیم گیرنده است. هر تصمیم گیرنده بر اساس ترجیح خود، مقادیر متفاوتی را برای وزن اهداف تعیین می کند. پس از تعیین وزن، یک راه حل متمایز تولید می شود. راه حل هایی که به این روش توسط کارشناسان و ذینفعان ایجاد می شوند، مجموعه ای از راه حل های بهینه بدون تسلط یا پارتو را ایجاد می کنند که یک مرز پارتو در فضای راه حل ایجاد می کند (به بخش 3.1 مراجعه کنید). این مطالعه بر اهداف زیر تمرکز دارد:

1) تعداد توقف در شبکه حمل و نقل.

2) فاصله پیاده روی تا ایستگاه حمل و نقل.

3) مسافت سفر مسافران در سیستم ترانزیت.

هدف اول بر اساس دیدگاه اپراتور برای به حداقل رساندن تعداد توقف ها در شبکه حمل و نقل است. فرمول هدف هدف به شرح زیر است:

f2(نr n) =∑کr = 1∑مترn = 1 نr nf2(نrn)=∑r=1ک∑n=1متر نrn(1)

که در آن N _rn یک متغیر تصمیم است، و N _rn = 1 اگر توقف n در مسیر r -ام قرار داشته باشد، در غیر این صورت N _rn = 0. n عدد توقف و k عدد مسیر است. تابع هدف تحت برخی محدودیت ها قرار دارد. به منظور محدود كردن حداقل و حداكثر تعداد توقفها، بايد يك محدوديت فاصله بين دو ايستگاه در نظر گرفته شود. حداقل و حداکثر فاصله بین دو ایستگاه به ترتیب 300 و 600 متر تعیین شده است. اینها بر اساس الگوی مشاهده شده توقف شبکه های حمل و نقل شعاعی است [ 15]. همچنین تعداد توقف های هر مسیر اتوبوس باید بیشتر از صفر باشد. تابع هدف به شکل زیر است:

f2( WDr n) =∑کr = 1∑مترn = 1 دبلیوDr nf2(دبلیوDrn)=∑r=1ک∑n=1متر دبلیوDrn(2)

که در آن WD _rn یک متغیر تصمیم گیری از فاصله پیاده روی تا توقف n در مسیر r- امین است، 0 ≤ WD _rn ≤ 300 متر. به منظور به حداقل رساندن کل مسافت سفر یا زمان مسافران در سیستم حمل و نقل ( به عنوان مثال ، کل هزینه برای کاربر) هدف دیگری پیشنهاد شده است. هدف به حداقل رساندن اختلاف زمان سفر بین دو توقف و کوتاه ترین زمان مسیر است. تابع هدف به صورت زیر بیان می شود:

f3(تیr n l) =∑کr = 1∑مترn = 1∑ol = 1 دr n l( tدr n l− s pدr n l)f3(تیrnل)=∑r=1ک∑n=1متر∑ل=1o دrnل(تیدrnل-سپدrnل)(3)

که در آن t _rnl تفاوت بین tt _rnl (زمان سفر بین توقف های l و n در مسیر r -ام ) و spt _rnl (کوتاه ترین مسیر بین توقف های l و n در مسیر r -ام) است [ 4 ]. زمان سفر می‌تواند کوتاه‌ترین زمان مسیر باشد، اما در اکثر شبکه‌های ترانزیت طولانی‌تر از کوتاه‌ترین زمان است تا پوشش بهتری برای مناطق دورافتاده شهر فراهم شود. d _rnl تقاضای سفر بین ایستگاه های l و n روی r است-مین مسیر؛ تقاضای سفر در این مطالعه ثابت است. از آنجایی که داده‌های بی‌درنگ ترافیک در دسترس نیست، تقاضا بر اساس جمعیت بلوک‌های سرشماری در مبدا در نظر گرفته می‌شود.

4. نتایج

مجموعه داده های جغرافیایی که در تجزیه و تحلیل در اینجا استفاده می شوند شامل فایل های شکل ArcGIS شبکه جاده ها، مقاصد جذاب و بلوک های سرشماری می باشد. شبکه راه‌های شهر سنندج از طبقات مختلف راه‌های آسفالته به‌عنوان بزرگراه اصلی، خیابان‌های شریانی، خیابان‌های کلکسیونی و معابر و کوچه‌های مسکونی تشکیل شده است. تعداد محدودی بزرگراه در سنندج است که بیشتر از کمربندی های اطراف شهر تشکیل شده است.

داده های مورد استفاده برای طراحی شبکه حمل و نقل شامل فایل شکل شبکه جاده در GIS، بلوک های سرشماری جغرافیایی مرجع و داده های ویژگی سرشماری، مقاصد جذاب، موقعیت شهرهای پیرامونی است. با استفاده از داده های موجود، سناریوهای متعددی به منظور بررسی بیشتر تولید می شود. هر TND بر اساس اهداف پیشنهادی مانند به حداقل رساندن مسافت پیاده روی، مسافت سفر و تعداد توقف ها ارزیابی می شود. بین به حداقل رساندن هزینه ها و افزایش دسترسی به خدمات حمل و نقل، یک مبادله وجود دارد. به حداقل رساندن هزینه عملیاتی می تواند دسترسی را کاهش دهد، در حالی که افزایش دسترسی به سیستم حمل و نقل به دلیل نیاز به ناوگان بزرگتر و تعداد مسیرها پرهزینه است.

4.1. طرح‌های شبکه حمل و نقل پیشنهادی (TND)

TND های پیشنهادی در شکل 4 تا شکل 14 نمایش داده شده اند . شبکه های پیشنهادی، به جز شبکه اول، شامل کمربندی برای افزایش پوشش سیستم نسبت به سیستم اتوبوس فعلی است، زیرا در سیستم اتوبوس موجود سنندج، کمربندی وجود ندارد [ 1 ]. در مورد سنندج، اکثر مردم به CBD سفر می کنند و خطوط اتوبوسرانی کمربندی به عنوان خطوط تغذیه کننده بین شعاعی عمل می کنند.

4.2. تجزیه و تحلیل پوشش TND های پیشنهادی

افزایش پوشش سیستم اتوبوسرانی بلوک های سرشماری و ارائه خدمات اتوبوسرانی در فاصله پیاده روی بلوک ها از اهداف طراحی شبکه حمل و نقل در این تحقیق است. با استفاده از ابزارهای موجود در GIS، پوشش در محلات مختلف شهر و حومه مورد تجزیه و تحلیل قرار گرفته است. تحلیل پوشش یک رویکرد دو مرحله ای است. در مرحله اول مناطق حائل 100 متری و 300 متری در اطراف شبکه های پیشنهادی ایجاد می شود. در مرحله دوم، مرکز بلوک‌های داخل مناطق حائل به عنوان جمعیت در فاصله پیاده‌روی شبکه در نظر گرفته می‌شوند.

محدودیت های حداقل و حداکثر فاصله پیاده روی متفاوت در ادبیات ارائه شده است. نمونه ها حداکثر فاصله بین 300 و 400 متر توسط Alterkawi [ 16 ] و 400 متر توسط Demetsky و Lin [ 17 ] هستند. فارول و مارکس [ 18 ] پیشنهاد می کنند که مسافت پیاده روی بیش از 400 متر برای کاربران حمل و نقل بسیار ناخوشایند است. بنابراین، مطالعه محدوده مقادیر ممکن برای فاصله پیاده‌روی تا ایستگاه‌ها در این تحقیق به دلیل ساختار شهری متراکم منطقه مورد مطالعه به 300 متر محدود شده است [ 1 ].

شکل 15 جمعیت تحت پوشش 11 شبکه حمل و نقل پیشنهادی برای دو سناریو فاصله پیاده روی به و از شبکه اتوبوس را نشان می دهد. همچنین شکل 15 تعداد مقاصد اصلی مانند بازار، سینما، بیمارستان ها را نشان می دهد که تحت پوشش 11 طرح شبکه ترانزیت پیشنهادی قرار گرفته اند.

^شبکه 6 و 5 ^پوشش نسبتاً مشابهی را برای مسافت های 100 متری و 300 متری پیاده روی ایجاد می کنند. با در نظر گرفتن دو سناریو مسافت پیاده روی، ^{طرح های شبکه پنجم} و ششم در مقایسه با سایر طرح ها، پوشش بهتری را برای سیستم ترانزیتی سنندج فراهم می کند. ^{سناریوی} یازدهم به دلیل مسیرهای پراکنده و نبود خطوط اتوبوس کافی که از مرکز شهر عبور می کنند، دسترسی کمتری به مقاصد اصلی شهر ارائه می دهد.

4.3. ارزیابی TND ها با استفاده از بهینه سازی زنبور عسل

هدف از این مطالعه یافتن شبکه اتوبوسرانی با مسافت سفر نسبتا کم و تعداد توقف با پوشش بالا از بلوک های سرشماری شهر سنندج می باشد. الگوریتم زنبور عسل یک مقدار نهایی برای هر هدف، تعداد توقف ها و مسافت سفر، برای طرح های شبکه پیشنهادی ایجاد می کند. در شکل 16 ، ارزیابی زنبور عسل از شبکه های حمل و نقل نمایش داده شده است. تعداد کل توقف ها و مسافت کل سفر توسط الگوریتم زنبور عسل تخمین زده می شود. ^شبکه 8 و 10 ^کمترین تعداد توقف را در بین سناریوهای پیشنهادی دارند. همچنین، ^اول و ^نهمشبکه‌ها تعداد توقف‌های نسبتاً کمی دارند، در حالی که بقیه سناریوهای TND بر اساس ارزیابی زنبور عسل بیش از 600 توقف دارند. سناریوهایی مانند طراحی شبکه ^هشتم ، نهم و دهم ^{بر اساس سه هدف مورد استفاده برای ارزیابی} شبکه های پیشنهادی، گزینه های مناسب تری برای سیستم ترانزیت سنندج هستند. سیستم اتوبوس موجود در سنندج از عملکرد پایینی برخوردار بوده و گزینه بهینه ای برای سیستم حمل و نقل محسوب نمی شود و چندین شبکه اتوبوس پیشنهادی در اینجا با توجه به اهداف طراحی مناسب تری دارند.

5. نتیجه گیری و مشارکت

شبکه‌های بزرگ‌تر پیشنهاد شده در این مطالعه، خطوط کمربندی متعددی را برای پوشش مناطق حاشیه‌ای ارائه می‌کنند و هزینه‌های بهره‌برداری را افزایش می‌دهند، اما دسترسی بالاتری به سرویس اتوبوسرانی در حاشیه شهر سنندج ایجاد می‌کنند. به عبارت دیگر، شبکه‌هایی با مسافت سفر طولانی‌تر، بر اساس نتایج، پوشش بهتری از بلوک سرشماری ارائه می‌دهند.

شبکه فعلی مسافت سفر کمی دارد، اما مسئله اصلی پوشش بسیار کم شبکه موجود است [ 1 ]. این به دلیل اندازه شبکه کوچک و دسترسی کمتر به سیستم اتوبوس فعلی در مراکز جمعیتی است که آن را به یک سیستم حمل و نقل نامناسب تبدیل می کند. شواهد این است که تنها 2 درصد

سفرهای انجام شده در سنندج با اتوبوس است [ 1 ]. چندین سناریو در این مطالعه دسترسی بهتر به شبکه اتوبوس را برای بلوک‌های سرشماری فراهم می‌کند. یکی از محدودیت‌های این تحقیق، محل دقیق توقف‌ها است که در تحلیل مورد توجه قرار نمی‌گیرد و تغییر مکان توقف‌ها می‌تواند تا حدودی پوشش سناریوها را تغییر دهد.

طرح‌های شعاعی مانند سناریوی اول به دلیل هزینه‌های عملیاتی پایین‌تر برای اپراتورها مطلوب‌تر هستند، اما سطح خدمات را در حاشیه‌ها نیز کاهش می‌دهند. بنابراین، شبکه شعاعی برای کاربران سیستم اتوبوس مطلوب نیست. سایر شبکه‌هایی که کمربندی‌های بیشتری دارند، هزینه بیشتری برای بهره‌برداری دارند، اما دسترسی بهتری به سیستم ترانزیت برای جمعیت سنندج فراهم می‌کنند. انتخاب شهر سنندج به محدودیت های بودجه ای مدیریت شهری بستگی دارد، زیرا افزودن کمربند به سیستم اتوبوسرانی دسترسی بهتری را ایجاد می کند اما هزینه عملیات را نیز افزایش می دهد.

این تحقیق با ارائه رویه‌ای که توانایی‌های GIS و الگوریتم Honeybee را در فرآیند طراحی ترکیب می‌کند، رویکرد جدیدی برای طراحی شبکه‌های ترانزیت ارائه می‌کند. مراحل طراحی و ارزیابی شبکه های اتوبوس در این روش می تواند بینش بهتری در مورد نحوه طراحی سیستم اتوبوس برای تحقیقات آینده ارائه دهد. همچنین برای مطالعات آتی، استفاده از اطلاعات دقیق داده‌های سرشماری و بررسی‌ها برای بررسی بیشتر تأثیر پیاده‌روی و مسافت طی شده بر انتخاب حالت سفر توصیه می‌شود.

منابع

[ 1 ]	دولت محلی کردستان (1390) طرح جامع ترافیک. حکومت محلی کردستان، سنندج، 1-200.
[ 2 ]	فن، ال و مامفورد، CL (2010) یک رویکرد فراابتکاری به مسئله مسیریابی حمل و نقل شهری. مجله اکتشافی، 16، 353-372. https://doi.org/10.1007/s10732-008-9089-8
[ 3 ]	زو، زی، و همکاران. (2017) مدل طراحی مسیر سرویس اتوبوس تغذیه کننده برای ایستگاه های حمل و نقل ریلی شهری. مسائل ریاضی مهندسی 1396 شناسه مقاله: 1090457. https://doi.org/10.1155/2017/1090457
[ 4 ]	Ceder, A. (2016) برنامه ریزی و عملیات حمل و نقل عمومی: مدل سازی، تمرین و رفتار. CRC Press، Abingdon. https://doi.org/10.1201/b18689
[ 5 ]	موری، AT و وو، X. (2003) مبادلات دسترسی در برنامه ریزی حمل و نقل عمومی. مجله نظام های جغرافیایی، 5، 93-107. https://doi.org/10.1007/s101090300105
[ 6 ]	لیو، اس و ژو، ایکس (2004) تحلیلگر دسترسی: ابزار یکپارچه GIS برای تجزیه و تحلیل دسترسی در برنامه ریزی حمل و نقل شهری. محیط و برنامه ریزی ب: برنامه ریزی و طراحی، 31، 105-124. https://doi.org/10.1068/b305
[ 7 ]	Karaboga, D. (2005) یک ایده بر اساس ازدحام زنبور عسل برای بهینه سازی عددی. دانشگاه Erciyes، دانشکده مهندسی، گروه مهندسی کامپیوتر، Kayseri.
[ 8 ]	نیکولیک، ام و تئودوروویچ، دی (2013) طراحی شبکه حمل و نقل توسط بهینه سازی کلونی زنبور عسل. سیستم های خبره با برنامه های کاربردی، 40، 5945-5955. https://doi.org/10.1016/j.eswa.2013.05.002
[ 9 ]	یانگ، X.-S.، و همکاران. (2013) هوش ازدحام و محاسبات الهام گرفته از زیستی: نظریه و کاربردها. نیونز، برلینگتون https://doi.org/10.1016/B978-0-12-405163-8.00001-6
[ 10 ]	نیکولیک، ام و تئودوروویچ، دی (2013) مطالعه تجربی الگوریتم بهینه سازی کلونی زنبور عسل (BCO). سیستم های خبره با برنامه های کاربردی، 40، 4609-4620. https://doi.org/10.1016/j.eswa.2013.01.063
[ 11 ]	پترلی، ام (2004) مدل طراحی شبکه حمل و نقل برای مناطق شهری. معاملات WIT در محیط ساخته شده، 75، 1-100.
[ 12 ]	Ceder, A. and Israeli, Y. (1998) دیدگاه های کاربر و اپراتور در طراحی شبکه حمل و نقل. پرونده تحقیقات حمل و نقل: مجله هیئت تحقیقات حمل و نقل، 1623، 3-7. https://doi.org/10.3141/1623-01
[ 13 ]	Bagloee, SA and Ceder, AA (2011) متدولوژی طراحی شبکه ترانزیت برای شبکه های جاده ای با اندازه واقعی. تحقیق حمل و نقل قسمت ب: روش شناختی، 45، 1787-1804. https://doi.org/10.1016/j.trb.2011.07.005
[ 14 ]	Fusco, G., Gori, S. and Petrelli, M. (2002) الگوریتم طراحی شبکه حمل و نقل اکتشافی برای شهرهای متوسط. مجموعه مقالات سیزدهمین کنفرانس مینی یورو، باری.
[ 15 ]	Badia, H., Estrada, M. and Robusté, F. (2014) طراحی شبکه حمل و نقل رقابتی در شهرهایی با الگوهای خیابانی شعاعی. تحقیق حمل و نقل قسمت ب: روش شناسی، 59، 161-181. https://doi.org/10.1016/j.trb.2013.11.006
[ 16 ]	Alterkawi، MM (2006) یک تحلیل شبیه سازی کامپیوتری برای بهینه سازی فاصله ایستگاه های اتوبوس: مورد ریاض، عربستان سعودی. Habitat International, 30, 500-508. https://doi.org/10.1016/j.habitatint.2004.12.005
[ 17 ]	دمتسکی، ام جی و لین، بی بی-ام. (1982) مکان و طراحی ایستگاه اتوبوس. مجله مهندسی حمل و نقل، 108، 313-327.
[ 18 ]	Farwell, R. and Marx, E. (1996) برنامه ریزی، پیاده سازی و ارزیابی عملیات حمل و نقل تقاضا محور OmniRide: خدمات تغذیه کننده و مسیر فلکس. پرونده تحقیقات حمل و نقل: مجله هیئت تحقیقات حمل و نقل، 1557، 1-9. https://doi.org/10.1177/0361198196155700101