بهینه سازی مکان فضایی چراغ های خیابان در جزیره بل، میشیگان

بهبود روشنایی خیابان می تواند استفاده بهتر از فضای عمومی را فراهم کند و به ارتقای ایمنی هنگام رانندگی یا پیاده روی کمک کند. از نظر تعادل منافع و اثرات، بر اساس صرفه جویی در هزینه، این تحقیق دو مدل ریاضی برجسته، مسئله مکان پوشش حداکثر و مسئله پوشش مجموعه مکان را برای بهینه‌سازی مکان‌های نور خیابانی اتخاذ می‌کند. مدل‌های ریاضی در این تحقیق با مقایسه با چراغ‌های نصب‌شده فعلی با رعایت قانون سرانگشتی، به تأثیر صرفه‌جویی در انرژی الکتریکی در عین رفع نیازهای ایمنی ترافیکی ساکنان و شرایط زندگی دست می‌یابند. علاوه بر این، مدل ها می توانند با استفاده از همان مقدار انرژی، پوشش بیشتری از روشنایی را ارائه دهند.

کلید واژه ها:

روشنایی خیابان ؛ GIS ; بهینه سازی ; مشکل مکان پوشش حداکثر ; مشکل پوشش مجموعه مکان

۱٫ مقدمه

نورپردازی خیابان ها که یکی از کاربردهای مهم نور مصنوعی است، محیط زندگی ما را از جنبه های مختلف تحت تاثیر قرار می دهد. مزایای درک شده عمیقی برای رفاه انسان وجود دارد که با روشنایی خیابان ها فراهم می شود، مانند افزایش فرصت ها برای فعالیت های اقتصادی مولد، فعالیت های صرفه جویی در انرژی، و فعالیت های تعامل اجتماعی [ ۱ ، ۲ ، ۳ ، ۴ ]. به عنوان مثال، روشنایی خیابان ها مصرف زمان برای کار و فعالیت های اجتماعی را کاهش می دهد، اوقات فراغت و فعالیت های تفریحی را تسهیل می کند، میزان جرم و جنایت و تصادفات وسایل نقلیه را کاهش می دهد و غیره [ ۵ ، ۶ ، ۷ ].]. البته برخی از اثرات منفی نیز با روشنایی خیابان ها همراه است، مانند تغییر و تغییر شکل اکوسیستم، مصرف انرژی، انتشار و تولید آلودگی و اختلالات فیزیولوژیکی. بنابراین، فرآیند طراحی روشنایی خیابان یک پیش شرط اساسی در ارزیابی تاثیرات فوق الذکر است. متغیرهای فرآیند طراحی روشنایی خیابان عبارتند از خروجی لامپ در لومن، اپتیک چراغ، ارتفاع و فاصله تیر چراغ، خطر بند، نوع سطح جاده، الزامات فضایی مکان یابی چراغ های خیابان و غیره. بر این اساس، استفاده از علم علمی روش‌ها (یعنی حداکثر مکان پوشش و پوشش مجموعه مکان) برای بهینه‌سازی مکان نور خیابان با در نظر گرفتن ترکیبی از پارامترها برای صرفه‌جویی در انرژی الکتریکی، ایمنی ترافیک ساکنان، شرایط زندگی و غیره بسیار ارزشمند است.۸ ، ۹ ، ۱۰ ، ۱۱ ، ۱۲ ].

روشنایی خیابان ها نقشی ضروری در حمایت از فعالیت های اقتصادی، اجتماعی و زیست محیطی ایفا می کند. ترکیب سیستم‌های اطلاعات جغرافیایی (GIS) با پوشش روشنایی خیابانی که در فعالیت‌های برنامه‌ریزی ایمنی جامعه اعمال می‌شود، به طور موثر احتمال رفتار مجرمانه را حذف کرده و ترس از جرم را کاهش داده است [ ۱۳ ، ۱۴ ، ۱۵ ، ۱۶ ]. علاوه بر این، پوشش نقطه لامپ و مواد طراحی روشنایی نیز عوامل غیرقابل انکاری هستند که بر توانایی بصری عابران پیاده و رانندگان برای جلوگیری از تصادفات جاده ای تأثیر می گذارند [ ۱۷ ].

بولاف و همکاران (۲۰۱۳) تجزیه و تحلیل منطقه پوشش بصری را با یک ارتباط آماری بین روشنایی و تصادفات شبانه ترکیب کرد و بهبود ایمنی ترافیک را نشان داد که در آن تغییرات در نسبت تصادف شب به روز از ۱۳٪ تجاوز نمی کرد [ ۱۸ ]. علاوه بر این، روشنایی خیابان ها انسجام محله، فعالیت اجتماعی و زندگی اجتماعی فرهنگی را افزایش می دهد [ ۱۹ ].

هزینه های روشنایی خیابان ها نیز از طریق برنامه ریزی و نظارت ناکارآمد شدیدتر است. _{انجمن بین‌المللی آسمان تاریک (IDSA) ادعا می‌کند که سالانه ۱۵} میلیون تن CO2 برای تامین برق روشنایی منازل مسکونی در ایالات متحده منتشر می‌شود و ۳۰ درصد از روشنایی فضای باز در ایالات متحده به‌تنهایی هدر می‌رود و ۳٫۳ میلیارد دلار هزینه دارد [ ۲۰ ].]. هفته آب و هوا نیویورک، رویدادی سالانه که از سال ۲۰۰۹ هر ساله برگزار می‌شود تا رهبران بین‌المللی کسب‌وکار، دولت و جامعه مدنی را به نمایش بگذارند تا اقدامات جهانی آب و هوا را به نمایش بگذارند، از همه شهرها و شرکت‌ها در سراسر جهان خواسته است تا روشنایی خیابان‌های خود را تغییر دهند. LED برای کاهش مصرف انرژی و آلودگی انتشار. برای حیوانات و دیگر موجودات طبیعی، تأثیر نور مصنوعی به طور بالقوه با تغییرات نامطلوب در الگوهای مهاجرت، تولید مثل و ارتباطات مرتبط است [ ۲۱ ]. از این نظر، کارایی فضایی برنامه‌ریزی مکان نور خیابان هم وسیله‌ای مؤثر و هم نیاز قانع‌کننده‌ای برای محققان برای بررسی تعادل بین مزایا و هزینه‌های بالقوه مشکل روشنایی خیابان است.

تحقیقات کمی در مورد مشکل مکان روشنایی خیابان انجام شده است. تا کنون، تنها چند مقاله تحقیقاتی بر روی مشکل مکان روشنایی خیابان تمرکز کرده اند [ ۲۲ ، ۲۳ ، ۲۴ ]. به طور کلی، تجزیه و تحلیل مکان به طور گسترده ای در زمینه های جغرافیا و علوم تحقیق/مدیریت عملیات (OR/MS) مورد مطالعه قرار گرفته است. تجزیه و تحلیل مکان در طول زمان با قدرت مدل های ریاضی از زمان کار اصلی کلاسیک وبر (۱۹۹۰) تکامل یافته است. خوانندگان علاقه مند ممکن است به چندین بررسی دقیق از مدل های مکان تاسیسات در طول دهه ها مراجعه کنند [ ۲۵ ، ۲۶ ، ۲۷ ، ۲۸ ].

بر اساس فضای تصمیم‌گیری مکان، مدل‌های مکان را اغلب می‌توان به دو دسته طبقه‌بندی کرد: مدل‌های فضای پیوسته در صفحه و مدل‌های فضای گسسته در یک شبکه. در یک فضای پیوسته، یک مکان توسط دو مختصات ارائه می شود که می تواند به عنوان متغیرهای تصمیم برای یک مدل ریاضی تعریف شود. با این حال، به دلیل شکل محاسبه فاصله سفر بین دو مکان، یک مدل فضای پیوسته اغلب غیرخطی است، که حل مسئله را بسیار سخت می کند. بنابراین، بیشتر مدل‌های مکان در OR/MS برای کاربردهای دنیای واقعی بر اساس شبکه‌ای که از گره‌ها و قوس‌ها تشکیل شده است، فرموله می‌شوند. به طور معمول، یک گره نشان دهنده یک منطقه تقاضا و/یا یک سایت کاندید برای مکان یابی یک تسهیلات است، در حالی که یک قوس نشان دهنده مسیر بین دو گره است. مسافت، زمان یا هزینه سفر ممکن است با هر قوس مرتبط باشد. از نظر ریاضی، تصمیم گیری مکان در هر گره کاندید می تواند به عنوان یک متغیر تصمیم گیری دودویی برای یک مدل ریاضی تعریف شود. توجه داشته باشید که یک کار ضروری قبل از ساختن چنین مدلی، یافتن مجموعه محدودی از مکان های نامزد است.

اولین مسئله مکان یابی در یک شبکه با استفاده از یک مدل برنامه ریزی ریاضی به عنوان مسئله p -median [ ۲۹ ] شناخته می شد، که عبارت بود از یافتن مکان های بهینه امکانات p در یک شبکه برای به حداقل رساندن فاصله متوسط وزنی تقاضا بین گره های تقاضا و نزدیک ترین آنها. از امکانات انتخاب شده از آن زمان، مدل‌های برنامه‌ریزی ریاضی متعددی برای انواع مسائل مکان‌یابی پیشنهاد شده‌اند. یکی از محبوب ترین مدل های مکان یابی در شبکه، مشکل پوشش است که کاربردهای زیادی در دنیای واقعی دارد، مانند مکان یابی مدارس، ایستگاه های پلیس، ایستگاه های آتش نشانی، ایستگاه های آمبولانس، بیمارستان ها، دفاتر پست، شعب بانک ها و غیره. [ ۳۰]. یکی از الزامات اساسی برای پوشش مشکلات این است که یک گره تقاضا باید توسط حداقل یک تسهیلات در یک آستانه فاصله معین ارائه شود.

در میان مشکلات پوشش، دو نوع خاص به دلیل کاربرد گسترده‌ای که دارند توجه زیادی را به خود جلب کرده‌اند: مشکل مکان پوشش حداکثر (MCLP) [ ۲۵ ، ۳۱ ، ۳۲ ، ۳۳ ، ۳۴ ] و مشکل پوشش مجموعه مکان (LSCP) [ ۲۹ ، ۳۵ ، ۳۶ ]. هدف MCLP تعیین تعداد ثابتی از تسهیلات برای به حداکثر رساندن کل تقاضای تحت پوشش است، در حالی که هدف LSCP تعیین حداقل تعداد سرورها است به طوری که هر گره تقاضا باید تحت پوشش قرار گیرد. ما توجه می کنیم که هر دو MCLP و LSCP را می توان برای مشکل مکان روشنایی خیابان که در این مقاله بررسی می کنیم اعمال شود.

اخیراً، توجه فزاینده ای به تجزیه و تحلیل مشکلات مکان با استفاده از GIS در جغرافیا و OR/MS جلب شده است. بلوغ GIS و مدل‌های ریاضی با هم می‌تواند قابلیت‌های تحلیل فضایی را ارتقا دهد و پتانسیل قابل‌توجهی برای تکامل تئوری و تجربی مستمر و پایدار ارائه دهد. موری [ ۱۰ ] یک نمای کلی از پیوندهای بین تجزیه و تحلیل مکان و GIS ارائه کرد تا نشان دهد که GIS چگونه به علم مکان از نظر ورودی داده، تجسم، حل مسئله و پیشرفت های نظری کمک کرده است. الکساندریس و جیانیکوس [ ۳۷ ] مدلی از MCLP را با مفهوم پوشش جزئی مکمل پیشنهاد کردند و از GIS برای نمایش بهتر تقاضا استفاده کردند. راجاگوپالان و همکاران [ ۳۵] یک LSCP چند دوره ای را برای استقرار مجدد پویا خدمات فوریت های پزشکی مطالعه کرد تا حداقل تعداد آمبولانس ها و مکان ها را برای برآورده کردن الزامات پوشش تعیین کند و توسط یک ابزار جغرافیایی تجسم شود. موری و همکاران برای به حداکثر رساندن پوشش تقاضای مستمر در چندین تسهیلات مکان‌یابی. [ ۸ ] یک مطالعه موردی را با استفاده از یک اکتشافی ژئومحاسباتی بررسی کرد، که در آن تکنیک‌های هندسی دقیق می‌توانند برای حل یک مدل پیچیده MCLP استفاده شوند. کالدرین و همکاران [ ۳۸ ] توسعه نرم‌افزار GIS برای مدل‌سازی و حل MCLP، و همچنین مدیریت داده‌ها و تجسم راه‌حل‌ها توسط الگوریتم‌های فراابتکاری را مورد بحث قرار داد. GIS می‌تواند راه‌حل‌هایی را برای MCLP و LSCP در نقشه‌ها نمایش دهد و بر اساس تجسم، تحلیل‌های مختلفی را می‌توان انجام داد.

هدف این مقاله بررسی مشکل مکان روشنایی خیابان با استفاده از دو مدل پوشش: MCLP و LSCP است. اگرچه این مدل‌ها به طور گسترده در موقعیت‌های مختلف انتخاب مکان خدمات اضطراری استفاده می‌شوند، و تا آنجا که می‌دانیم، ادبیات بسیار محدودی وجود دارد که مدل‌های برنامه‌ریزی ریاضی را برای مسئله مکان روشنایی خیابان توسعه داده است. موری و فنگ (۲۰۱۶) یک مشکل کوچک را با بیش از ۳۰ چراغ خیابان مورد بررسی قرار دادند. در مقابل، ما یک روش کلی را برای کاربردهای بزرگ در نظر می گیریم و روش خود را در یک مطالعه موردی واقعی با حدود ۲۰۰ چراغ خیابان به کار می بریم.

سهم اصلی این مقاله در سه جنبه نهفته است. ابتدا، این مقاله به طور رسمی مسئله مکان پوشش حداکثری روشنایی خیابان (SLMCLP) و مسئله پوشش مجموعه مکان روشنایی خیابان (SLLSCP) را پیشنهاد می‌کند و فرمول‌های ریاضی مسائل را توسعه می‌دهد، که سپس می‌تواند توسط بسته‌های نرم‌افزاری حرفه‌ای (حل‌کننده) حل شود. دوم، ما کاربرد روش خود را از طریق یک مطالعه موردی واقعی با اندازه بزرگ توصیف می‌کنیم که مدل‌های ریاضی را با GIS ادغام می‌کند. سوم، ما تجزیه و تحلیل حساسیت را انجام می دهیم و بینش های مدیریتی را برای سیاست گذاران و طراحان شهری ارائه می دهیم.

بقیه مقاله به شرح زیر سازماندهی شده است: بخش ۲ دو مدل SLMCLP و SLLSCP و روش های حل را ارائه می دهد. بخش ۳ پیشینه این تحقیق و پردازش داده ها را مورد بحث قرار می دهد. نتایج و تحلیل حساسیت نیز در این بخش ارائه شده است. بخش آخر مقاله را با بحث و سخنان پایانی به پایان می رساند.

۲٫ مدل ها و روش های حل

اداره بزرگراه فدرال (FHWA)، آژانسی در وزارت حمل و نقل ایالات متحده، کتاب راهنمای نورپردازی FHWA را برای ارائه راهنمایی و پشتیبانی از دولت/دولت محلی و طراحان روشنایی تهیه کرد [ ۳۹ ]. از این کتاب راهنما، راهنمایی‌ها و توصیه‌های فدرال در رابطه با روشنایی جاده‌ها، و همچنین ملاحظات کلی نورپردازی، به تفصیل معرفی شده‌اند [ ۳۹ ]. استانداردها و دستورالعمل های روشنایی خیابان ها توسط سازمان های محلی تعیین شده و در بین شهرهای مختلف مشابه است. به عنوان مثال، شهر سن خوزه در سال ۲۰۱۶ راهنمای طراحی جایگزینی و نصب چراغ خیابان عمومی را طراحی کرد [ ۴۰ ]. شهر نشویل تیرهای چراغ خیابان را به دسته‌های مناظر خیابانی مسکونی و شهری جدا می‌کند.۴۱ ]. شهرهای دیگر، به عنوان مثال، لس آنجلس [ ۴۲ ]، سانتا باربارا [ ۴۳ ]، دنور [ ۴۴ ]، و واشنگتن دی سی [ ۴۵ ] نیز استانداردهای خود را دارند.

در مطالعه موردی ما، اداره روشنایی عمومی (PLA)، یک آژانس مستقل، بازسازی سیستم نور خیابان در دیترویت را مدیریت کرد. PLA عملیات و نگهداری سیستم را به ابزار خدمت رسانی، DTE Energy [ ۴۶ ] منتقل کرد. یکی از نویسندگان همکار از یک آژانس مهندسی محلی است که با DTE Energy برای طراحی و نصب چراغ های خیابانی در Belle Isle قرارداد بسته است. استانداردها / دستورالعمل های زیر در طول ساخت و ساز عملیاتی می شوند:

خطوط مرکزی جاده توسط چراغ های خیابان پوشانده می شود (فاصله بین یک نقطه در خط مرکزی جاده و نزدیکترین چراغ خیابان نباید از ۱۵۰ فوت تجاوز کند).
تقاطع های جاده ها باید حداقل با دو چراغ خیابان پوشانده شوند.

در مرحله بعد، دو مدل پوشش را ارائه می کنیم که برای مشکل مکان روشنایی خیابان قابل اجرا هستند.

۲٫۱٫ مشکل مکان پوشش حداکثری روشنایی خیابان (SLMCLP)

MCLP اولین بار توسط چرچ و ریول (۱۹۷۴) معرفی شد. هدف این مدل به حداکثر رساندن پوشش جمعیتی با منابع محدود است. MCLP مجموعه ای گسسته از گره های تقاضا و مجموعه ای گسسته از گره ها را در نظر می گیرد که در آن امکانات می توانند قرار گیرند. هر گره تقاضا دارای یک تقاضای مرتبط است که نشان دهنده سطح اهمیت آن است و برخی از گره ها می توانند بدون پوشش باقی بمانند. هدف MCLP یافتن مکان های بهینه است

p

تسهیلات برای پوشش حداکثری تقاضا

با استفاده از MCLP برای روشنایی خیابان، باید مدل اصلی را با در نظر گرفتن زیرساخت های جاده و استانداردها/راهنماهای روشنایی خیابان اصلاح کنیم. به طور خاص، ما مجموعه‌ای مجزا از مکان‌های نور خیابانی بالقوه را در نظر می‌گیریم که معمولاً در امتداد جاده هستند و می‌توانند به طور خودکار در GIS تولید شوند. علاوه بر این، ما مجموعه‌ای مجزا از نقاط را در خطوط مرکزی جاده به عنوان یادداشت‌های تقاضا در نظر می‌گیریم که می‌توانند دوباره به طور خودکار در GIS تولید شوند. جزئیات در مورد نحوه انتخاب مکان های بالقوه نور خیابان و نقاط روی خطوط مرکزی جاده برای مطالعه موردی در بخش ۳٫۳ توضیح داده شده است.. فاصله بین هر دو گره به‌عنوان کوتاه‌ترین جدایی در GIS محاسبه می‌شود، به عبارت دقیق‌تر، متریک اقلیدسی، که فاصله خط مستقیمی است که برای اندازه‌گیری فواصل بین گره‌ها استفاده می‌شود. با توجه به فاصله و آستانه فاصله پوشش، می‌توانیم تعیین کنیم که آیا هر نقطه در خطوط مرکزی جاده می‌تواند توسط هر مکان نور خیابانی بالقوه پوشش داده شود یا خیر. هدف SLMCLP یافتن مکان های بهینه است

p

چراغ های خیابانی برای به حداکثر رساندن پوشش، که به عنوان تعداد نقاط تحت پوشش در خطوط مرکزی جاده تعریف می شود.

به طور خلاصه، پارامترها و متغیرهای تصمیم برای SLMCLP به صورت زیر تعریف می شوند:

$i$ ( $k)$ ، $I$ : شاخص و مجموعه مکان های بالقوه نور خیابان.
$j$ ، $J$ : شاخص و مجموعه نقاط روی خطوط مرکزی جاده.
$D$ : فاصله پوشش (فاصله بین یک نقطه در خط مرکزی جاده و نزدیکترین چراغ خیابان آن) آستانه.
$d_{i j}$ : ${0; 1}$ یک پارامتر باینری که در صورت فاصله از نور بالقوه خیابان برابر با ۱ است $i$ به اشاره $j$ کوچکتر یا مساوی است $D$ , 0 در غیر این صورت;
$b_{j}$ : تعداد چراغ های خیابان مورد نیاز برای پوشش نقطه $j$ ;
$p$ : تعداد چراغ های خیابانی که قرار است قرار گیرند.
$x_{i}$ : ${0; 1}$ یک متغیر تصمیم باینری که در صورت پتانسیل روشنایی خیابان برابر با ۱ است $i$ واقع شده است، ۰ در غیر این صورت;
$y_{j}$ : ${0; 1}$ یک متغیر تصمیم باینری که برابر با ۱ نقطه اگر است $j$ توسط یک یا چند چراغ خیابانی که در فاصله ای از آن قرار دارند پوشیده شده است $D$ ، ۰ در غیر این صورت.

سپس SLMCLP می تواند به عنوان یک مدل برنامه نویسی عدد صحیح به صورت زیر فرموله شود:

م a x : \sum j \in J y j

(۱)

موضوع:

\sum من \in من د من ج ایکس من \geq ب j y j \forall j \in J

(۲)

\sum من \in من ایکس من = ص

(۳)

ایکس من = {۰, ۱}, \forall i \in I

(۴)

y j = {۰, ۱}, \forall j \in J

(۵)

تابع هدف (۱) به حداکثر رساندن تعداد نقاط تحت پوشش در خطوط مرکز جاده است. محدودیت (۲) بیان می کند که یک نقطه در خطوط مرکزی جاده تنها زمانی تحت پوشش قرار می گیرد که یک یا چند چراغ خیابان در فاصله ای قرار گرفته باشند.

D

از این نقطه توجه داشته باشید که برای یک نقطه معمولی j که در تقاطع جاده نیست،

b_{j}

= 1; در غیر این صورت،

b_{j}

= 2. محدودیت (۳) تضمین می کند که تعداد چراغ های خیابانی که قرار است قرار گیرند باشد

p

. قیود (۴) و (۵) مستلزم آن است که متغیرهای تصمیم باید مقادیر صحیحی داشته باشند.

توجه می کنیم که برنامه نویسی عدد صحیح متعلق به برنامه ریزی ریاضی است و همچنین این نوع مدل شامل بهینه سازی ترکیبی است. علاوه بر این، MCLP یک مسئله NP-hard (زمان چند جمله‌ای غیر قطعی) است (چرچ و ریول ۱۹۷۶)، و SLMCLP نیز همینطور است. این نشان می دهد که زمان محاسبه برای یافتن راه حل بهینه به طور تصاعدی با اندازه مسئله افزایش می یابد. بنابراین، از نظر محاسباتی یافتن راه حل بهینه برای مسائل بسیار بزرگ بسیار دشوار است.

۲٫۲٫ مشکل پوشش مجموعه مکان روشنایی خیابان (SLLSCP)

به دنبال LSCP، SLLSCP قرار است حداقل تعداد چراغ های خیابان را تعیین کند به طوری که هر گره در خطوط مرکزی جاده باید پوشش داده شود. با توجه به همان پارامترها و متغیرهای تصمیم تعریف شده در بخش ۲٫۱ ، SLLSCP را می توان به عنوان یک مدل برنامه نویسی عدد صحیح به صورت زیر فرموله کرد:

م من ن : \sum من \in من ایکس من

(۶)

موضوع: (۴)، (۵)، و

\sum من \in من د من ج ایکس من \geq ب j j \in J

(۷)

تابع هدف (۶) به حداقل رساندن تعداد چراغ های خیابانی است که باید قرار گیرند. محدودیت (۷) بیان می کند که هر نقطه در خطوط مرکزی جاده باید پوشش داده شود. به طور مشابه، SLLSCP نیز یک مشکل NP-hard است.

۲٫۳٫ روش های حل

تعدادی راه برای حل یک مسئله برنامه ریزی ریاضی وجود دارد [ ۴۷ ]. بسته‌های نرم‌افزاری حرفه‌ای که به عنوان حل‌کننده شناخته می‌شوند، برای حل یک مسئله برنامه‌نویسی ریاضی عمومی وجود دارند. حل‌کننده‌های مبتنی بر الگوریتم‌های دقیق یا اکتشافی می‌توانند مستقیماً راه‌حل بهینه یا تقریباً بهینه را پیدا کنند. روش دیگر، محققان الگوریتم‌های اکتشافی خود را توسعه می‌دهند که به نوع خاصی از مسئله اختصاص داده شده است، مانند اکتشافی حریصانه، جستجوی تابو، الگوریتم ژنتیک و غیره [ ۴۸ ].

برای مطالعه موردی بررسی شده در بخش ۳ ، ما از GAMS/CPLEX 12.0 (GAMS Development Corp., Fairfax, VA) استفاده کردیم که یکی از قدرتمندترین حل کننده های حرفه ای برای برنامه نویسی عدد صحیح است ( https://www.gams.com/، قابل دسترسی در ۲۹ ژانویه ۲۰۲۲). GAMS یک محیط مدل‌سازی را فراهم می‌کند، یعنی برنامه‌های عدد صحیح را تولید می‌کند و CPLEX بهینه‌سازی است که برای یافتن راه‌حل‌های بهینه استفاده می‌شود. این نرم افزار به دو دلیل اصلی مورد استفاده قرار گرفت. اولاً این نرم افزار تجاری و یکی از پرکاربردترین نرم افزارهای بهینه سازی در دانشگاه و صنعت در تحقیقات عملیاتی است. دوم، یکی از نویسندگان تجربه زیادی در استفاده از این نرم افزار دارد. همه اجراها در رایانه شخصی با چهار هسته ای Intel Core i5-3470 3.2 گیگاهرتز و ۸ گیگابایت رم انجام شد. توجه می کنیم که مطالعه موردی در واقع یک مشکل با اندازه متوسط است و بنابراین، GAMS/CPLEX می تواند مشکل را در عرض یک ساعت به طور بهینه حل کند. با این حال، برای مسائل بسیار بزرگ، ممکن است نیاز به توسعه الگوریتم‌های اکتشافی کارآمد وجود داشته باشد.

۳٫ مطالعه موردی

۳٫۱٫ زمینه

معروف است که شهر دیترویت میشیگان در سال ۲۰۱۳ اعلام ورشکستگی کرد و برای مدت طولانی با وضعیت بد اقتصادی دست و پنجه نرم کرد. در نتیجه، شهر دیترویت برای مدت طولانی از زیرساخت های قدیمی و ضعیف رنج می برد. در سال ۲۰۱۴، اداره روشنایی عمومی (PLA) تمام چراغ‌های خیابانی را در ۱۳۹ مایل مربع از مرز شهر بازرسی کرد و دریافت که تقریباً ۴۰ درصد از چراغ‌های خیابانی شهر کار نمی‌کنند [ ۴۶ ]]. از سال ۲۰۱۴، PLA پروژه ای به نام “روشن سازی دیترویت” را با بودجه ۱۸۵ میلیون دلاری آغاز کرد که یک همکاری بین شهر و ایالت برای روشن کردن خیابان های شهر با چراغ های LED بود. PLA با جایگزینی چراغ‌های سدیم فشار بالا قدیمی، کاشت پایه‌ها و تیرهای جدید و ساخت چراغ‌های جدید در کمتر از ۳ سال، ادعا می‌کند که ۹۹ درصد از چراغ‌های خیابانی در هر زمان روشن هستند [ ۴۹ ، ۵۰ ].

به عنوان یک جواهر دیترویت، Belle Isle Park طرح نورپردازی خود را در سال ۲۰۱۶ دریافت کرد. با محدودیت بودجه، PLA سعی کرد با کمترین هزینه منطقه بیشتری را در جزیره پوشش دهد. قبل از طرح روشنایی، ۵۰۶ چراغ خیابان با لامپ های سدیمی پرفشار وجود داشت که جاده ها و خیابان های اصلی جزیره را پوشش می داد. با توجه به مصرف انرژی، برنامه‌ریزی سیستم کابل برق و هزینه ساخت، تماشای فانتزی و دلایل حفاظت از محیط زیست، PLA تصمیم به ساخت چراغ‌های خیابانی خورشیدی جدید در جزیره گرفت.

۳٫۲٫ منبع اطلاعات

بر اساس داده های PLA، ۶۶۱ چراغ سدیم فشار بالا در طرف دیگر پل داگلاس مک آرتور در جزیره بل وجود داشت. در میان آنها، ۵۰۶ چراغ در جاده اصلی که PLA قصد دارد در پروژه نورپردازی روشن کند، قرار داده شد. اطلاعات جاده از اداره سرشماری ایالات متحده آمده است و طول کل جاده اصلی ۱۰٫۶۵ مایل است. با توجه به پارامتر لامپ خورشیدی و الزامات PLA، ما موافق هستیم که هر تیر چراغ خیابان خورشیدی حداکثر برد موثر ۱۵۰ فوتی دارد. ۱۹۳ چراغ خیابان خورشیدی جدید که توسط مهندسان برق با تجربه طراحی شده است در کنار جاده اصلی کاشته شد. پنج چراغ جدید برای پوشش مکان های خاص قرار داده شد، دو تای آنها برای پارکینگ و یکی برای مسیر پیاده روی. شکل ۱پیکربندی فعلی تمام چراغ های خیابانی خورشیدی در Belle Isle را نشان می دهد که بر اساس تجربه طراحی شده اند.

۳٫۳٫ پیش پردازش داده ها

همه چراغ‌های خیابان باید در سمت راست (ROW) که متعلق به ایالت میشیگان است، قرار گیرند. حق تقدم نوعی حق ارتفاق است که برای حمل و نقل یا برق به زمین اعطا یا محفوظ است. در میشیگان می توان از آن برای ساخت چراغ های خیابانی و خطوط برق استفاده کرد. بر اساس اطلاعات و نقشه حق راه از ایالت میشیگان و وین کانتی، جمع‌آورنده داده دستی Trimble Geo7X را برای جمع‌آوری داده‌های حق راه در میدان استفاده کردیم. میانگین خطا برای داده‌های Right of Way کمتر از ۸ اینچ بود. در فاصله ۲۰٫۹۳ مایلی Right of Way، ما ۳۷۱۲۵ مکان نور خیابانی را با انتخاب یک مکان در هر ۵ فوت در طول جاده ایجاد کردیم. بنابراین، آنها به طور یکنواخت در طول جاده توزیع می شوند. این نقاط با استفاده از Create Random Points ایجاد شده اندابزار که مجموعه ای از ابزارهای Sampling در نرم افزار ArcGIS است. ArcGIS Collector برای جمع آوری داده های میدانی با کمک دستگاه Trimble Geo7X استفاده شد. می تواند دقتی به اندازه ۱٫۵ اینچ ارائه دهد.

برای ارائه پوشش جاده توسط مکان‌های نور خیابان، ما همچنین با انتخاب یک نقطه در هر ۵ فوت در طول جاده، ۱۵۲۸۰ نقطه را در خط مرکزی جاده اصلی ایجاد کردیم. به منظور دقت هر چه بیشتر، ضمن در نظر گرفتن قدرت محاسباتی، محدوده ۵ فوت به عنوان مقدار آزمون در این تحقیق انتخاب شد. ما یک ماتریس فاصله بین هر مکان نور خیابانی کاندید و هر نقطه از خط مرکزی جاده (۳۷۱۲۵ × ۱۵۲۸۰) را با استفاده از فاصله اقلیدسی، که نحوه حرکت نور است، محاسبه کردیم. بر اساس این ماتریس فاصله محاسبه کردیم

d_{i j}

برای SLMCLP و SLLSCP.

برای به دست آوردن تقاطع های جاده اصلی، از ابزار Intersect از ArcMap 10.6.1 برای یافتن ۱۸ نقطه تقاطع جاده اصلی استفاده کردیم که باید حداقل با دو چراغ پوشانده شوند. داده های سمت راست و تقاطع ها در شکل ۲ نشان داده شده است.

۳٫۴٫ نتایج

۳٫۴٫۱٫ سناریوی ۱: تمام نقاط خط مرکزی جاده را با حداقل تعداد چراغ پوشش دهید

SLLSCP برای این سناریو اعمال می شود. استانداردها و دستورالعمل های زیر باید رعایت شوند: (۱) تمام نقاط از خط مرکزی جاده باید به طور موثر توسط حداقل یک چراغ خیابان در ۱۵۰ فوت پوشانده شود. (۲) تقاطع ها باید با حداقل دو چراغ خیابان پوشانده شوند.

GAMS/CPLEX این مشکل را در عرض یک ساعت تا حد بهینه حل می کند. از شکل ۳ ، راه حل بهینه نشان می دهد که ۱۷۰ مکان نور خیابان می توانند کل خط مرکزی جاده در Belle Isle را پوشش دهند. بنابراین، با استفاده از روش ما می‌توان تعداد چراغ‌های خیابانی را بیش از ۱۰ درصد از ۱۹۳ به ۱۷۰ کاهش داد. با توجه به هزینه نصب هر تیر چراغ خیابانی حدود ۲۰۰۰ تا ۳۰۰۰ دلار آمریکا ( https://www.ledsmaster.com/channel/How-Much-Do-Street-Lights-Cost-Replacing-and-Running-the-Street-Lamp –77.html) (در ۲۵ ژوئیه ۲۰۲۱ قابل دسترسی است)، این نتیجه نشان دهنده صرفه جویی در هزینه حدود ۴۶۰۰۰ تا ۶۹۰۰۰ دلار است. این صرفه جویی در هزینه فقط برای خود چراغ های خیابان است، بدون احتساب طرح چراغ ها، هزینه های مدیریت، و هزینه های مربوط به پشتیبانی و نگهداری. بر اساس اطلاعات یکی از نویسندگان مشترک که در پروژه های واقعی شرکت کرده است، صرفه جویی در هزینه تخمین زده شده می تواند بین ۸۰۰۰۰ تا ۱۰۳۵۰۰ دلار باشد.

با مقایسه دقیق راه‌حل بهینه و راه‌حل فعلی، می‌توان دریافت که اگرچه الگوهای توزیع چراغ‌های خیابانی مشابه است، اما بیشتر مکان‌های فعلی نور خیابان در راه‌حل بهینه ما نیستند. بسیاری از مکان‌های بهینه اغلب بین ۱۰ تا ۵۰ فوت از مکان‌های فعلی جابه‌جا می‌شوند. ما همچنین متوجه شدیم که راه حل فعلی در واقع هر دو بخش از الزامات فوق را برآورده نمی کند. برای مثال، در مقایسه با پوشش ۱۰۰ درصدی راه حل های بهینه، برنامه ریزی فعلی تنها ۹۶٫۳ درصد از خط مرکزی جاده را پوشش می دهد. به یاد بیاورید که راه حل فعلی توسط مهندسین روشنایی با تجربه طراحی شده است. این مقایسه به وضوح قدرت یک مدل ریاضی پیچیده را بر تجربه انسان برای این نوع مسائل نشان می دهد.

برای تأیید مدل ما، دستگاه Trimble GPS برای جمع آوری مکان های نور موجود و مسیر ROW در جزیره Belle Isle استفاده شد. ما پوشش نور را برای جاده مکان‌های روشنایی خیابان فعلی و مکان‌های بهینه‌سازی شده با همان پارامترها محاسبه کردیم. ما دریافتیم که راه‌حل بهینه می‌تواند پوشش نور بهتری را با چراغ‌های خیابانی کمتر فراهم کند. منظور ما استفاده ۱۰۰% از راه حل های بهینه برای ساخت چراغ های خیابانی نبود، زیرا هر طرح ساختمانی باید توسط مهندسین مجرب و سایر متخصصان تایید و تایید شود. با این وجود، این ابزار یا ایده بسیار خوبی برای مهندسین با تجربه یا یک مرجع شروع در طول فرآیند برنامه ریزی خواهد بود.

۳٫۴٫۲٫ سناریوی ۲: پوشش تمام نقاط خط مرکزی جاده با حداقل تعداد چراغ بدون محدودیت تقاطع

برای بررسی تاثیر محدودیت تقاطع، SLLSCP را بدون محدودیت حل می کنیم. راه حل نشان می دهد که ۱۶۵ چراغ خیابان قرار می گیرند، یعنی ۵ مکان کاهش می یابد. این حداقل تعداد چراغ های خیابانی است که کل خط مرکزی جاده در جزیره بل را پوشش می دهد. در صورت وجود مشکل بودجه برای سیاستگذاران، این سناریو می تواند راه حل جایگزینی برای آنها باشد. هزینه های کمتر دستورالعمل ها و الزامات اساسی پوشش چراغ های خیابانی در منطقه مورد مطالعه را برآورده می کند. شکل ۴ توزیع مکان های نور خیابانی بهینه شده را بدون محدودیت تقاطع ها با حداقل دو چراغ خیابان نشان می دهد.

۳٫۵٫ تجزیه و تحلیل میزان حساسیت

در این تجزیه و تحلیل حساسیت، ما SLMCLP را برای مطالعه اینکه چه مقدار کل خط مرکزی جاده حداکثر می تواند با مکان یابی تعداد معینی از چراغ های خیابان پوشش داده شود، اعمال می کنیم. شکل ۵ زیر درصد پوشش خط مرکزی جاده را با توجه به تعداد چراغ های خیابان نشان می دهد. درصد پوشش معمولاً به طور خطی با تعداد چراغ‌های خیابانی در زمانی که کمتر از ۱۶۰ است مرتبط است، که در حال حاضر تقریباً ۹۹ درصد از پوشش را ارائه می‌دهد. این ممکن است برای برنامه ریزان شهری برای تخمین نتیجه با توجه به بودجه محدود مفید باشد.

۴٫ بحث

مشکل مکان پوشش حداکثری روشنایی خیابان (SLMCLP) و مشکل پوشش مجموعه مکان روشنایی خیابان (SLLSCP) در این مقاله مورد بحث و توسعه قرار گرفته است. از طریق نتایج مدل های ریاضی، امکان پذیر بودن این راه حل به اثبات رسیده است. راه حل های بهینه شده در مقایسه با دستکاری دستی، یک منطقه روشنایی بزرگتر یا جاده های بیشتری را با کارایی بیشتر و هزینه کمتر پوشش می دهند. اول از همه، چراغ های خیابانی بهینه شده، پوشش روشنایی را افزایش داد. بسیاری از اشتباهات و خطاهای اجتناب ناپذیر در برنامه ریزی دستی وجود دارد، در حالی که مدل های بهینه سازی ریاضی می توانند بدون هیچ گونه حذفی به پوشش ۱۰۰ درصدی همه جاده ها بر اساس خواسته های ما برسند. ثانیاً، مکان‌های روشنایی خیابانی که از نظر ریاضی بهینه شده‌اند می‌توانند در هزینه‌های زیادی صرفه‌جویی کنند و از ضایعات غیرضروری جلوگیری کنند و در عین حال پوشش بیشتری را ارائه دهند. باید به این نکته اشاره کنیم که برنامه ریزی دستی به دلیل عدم دقت، با رعایت قوانین و محدودیت های یکسان، به طور اجتناب ناپذیری منجر به تکرار بسیاری از پوشش های بی دلیل می شود. به این معنا که بسیاری از مکان ها و جاده ها بدون اهمیت خاصی تحت پوشش چراغ های خیابانی مختلف قرار می گیرند. ثالثاً، هزینه زمانی الگوریتم بهینه سازی نور خیابان بسیار کمتر از برنامه ریزی دستی است. حتی اگر بپذیریم که برنامه‌ریزی دستی می‌تواند ظریف‌تر باشد، می‌توانیم پس از استفاده از مدل‌های بهینه‌سازی ریاضی، مکان‌های چراغ خیابان را به صورت دستی تأیید کنیم، که همچنان می‌تواند با مقایسه آن با برنامه‌ریزی دستی از ابتدا در زمان زیادی صرفه‌جویی کند. به این معنا که بسیاری از مکان ها و جاده ها بدون اهمیت خاصی تحت پوشش چراغ های خیابانی مختلف قرار می گیرند. ثالثاً، هزینه زمانی الگوریتم بهینه سازی نور خیابان بسیار کمتر از برنامه ریزی دستی است. حتی اگر بپذیریم که برنامه‌ریزی دستی می‌تواند ظریف‌تر باشد، می‌توانیم پس از استفاده از مدل‌های بهینه‌سازی ریاضی، مکان‌های چراغ خیابان را به صورت دستی تأیید کنیم، که همچنان می‌تواند با مقایسه آن با برنامه‌ریزی دستی از ابتدا در زمان زیادی صرفه‌جویی کند. به این معنا که بسیاری از مکان ها و جاده ها بدون اهمیت خاصی تحت پوشش چراغ های خیابانی مختلف قرار می گیرند. ثالثاً، هزینه زمانی الگوریتم بهینه سازی نور خیابان بسیار کمتر از برنامه ریزی دستی است. حتی اگر بپذیریم که برنامه‌ریزی دستی می‌تواند ظریف‌تر باشد، می‌توانیم پس از استفاده از مدل‌های بهینه‌سازی ریاضی، مکان‌های چراغ خیابان را به صورت دستی تأیید کنیم، که همچنان می‌تواند با مقایسه آن با برنامه‌ریزی دستی از ابتدا در زمان زیادی صرفه‌جویی کند.

از لحاظ عملی، این تحقیق یک وضعیت واقعی برنامه ریزی روشنایی خیابان را نشان می دهد. PLA در سال ۲۰۱۶ ۱۹۳ لامپ خورشیدی خیابانی را در Belle Isle، میشیگان نصب کرد که حدود ۹۶٪ از جاده های اصلی را پوشش می دهد. اگر روش بهینه‌سازی در این مقاله برای برنامه‌ریزی روشنایی خیابان‌ها اتخاذ شود، با ارضای شرایط یکسان، تنها به ۱۷۰ چراغ خیابان برای پوشش ۱۰۰ درصدی کل تقاطع‌ها و جاده‌ها نیاز است. راه حل های بهینه سازی می تواند ۱۲ درصد از تعداد چراغ های خیابان و حدود ۱۰۰۰۰۰ دلار در هزینه صرفه جویی کند. هدف از این مقاله ارائه یک ایده با استفاده از مدل های ریاضی با داده های واقعی بود. واقعیت ممکن است بسیار پیچیده تر از مدل های ریاضی ما باشد. بنابراین، تمام مراحل ساخت و ساز باید توسط متخصصان انسانی، مهندسان و برنامه ریزان فضایی تأیید شود.

شدت صرفه جویی بسیار قابل توجه است. اگر منطقه مورد مطالعه به کل منطقه دیترویت گسترش یابد، جایی که PLA 65000 چراغ خیابان را در سال ۲۰۱۶ بازسازی کرد ( http://www.publiclightingauthority.org/construction-schedule/) (دسترسی در ۲۵ نوامبر ۲۰۱۹)، میزان صرفه جویی در تعداد چراغ های خیابانی می تواند ۷۸۰۰ باشد. حتی اگر ۵ درصد از مکان های خاص در نظر گرفته نشده باشد و ۵ درصد از تحمل خطا مجاز باشد، دیترویت در واقع می تواند حدود ۷۰۰۰ چراغ خیابان را ذخیره کند. که حداقل ۲۸ میلیون دلار پس انداز مالیات دهندگان است. این هزینه ها و منابع صرفه جویی شده می تواند صرف پروژه های زیربنایی دیگر شود. حتی اگر به طور کامل در پروژه‌های چراغ‌های خیابانی سرمایه‌گذاری کنیم، می‌توانیم از منابع صرفه‌جویی شده برای بهبود تراکم لامپ خیابانی یا شدت نور در مناطق یا مکان‌های خاص با میزان جرم و جنایت بالا، جایی که وقوع حوادث ترافیکی بالا است یا جاهایی که وجود دارد استفاده کنیم. بسیاری از عابران پیاده در شب

آنچه مهم‌تر است این است که این مقاله با استفاده از مدل‌ها و روش‌های پیشرفته مکان‌یابی با GIS و روش بهینه‌سازی، به دنبال یافتن و حل نیازهای حیاتی اجتماعی است که بر زندگی روزمره افراد تأثیر می‌گذارد. این ایده همچنین می تواند به سایر خدمات بخش عمومی مانند انتخاب مکان برای ایستگاه های آتش نشانی و آمبولانس ها نیز گسترش یابد. همانطور که قبلاً در بسیاری از صنایع مشاهده شد، تجزیه و تحلیل و هوش مصنوعی بر اساس مدل‌ها و الگوریتم‌های ریاضی تأثیر بسزایی در تصمیم‌گیری داشته‌اند. ما معتقدیم که این روند برای برنامه ریزی شهری نیز وجود دارد. اگرچه این یک پروژه تمام شده است، بازدید از سایت و اعتبارسنجی به منظور تأیید مدل ریاضی انجام شد. صرف نظر از وضعیت واقعی، این مدل می تواند به عنوان یک مرجع مهم قبل از ساخت واقعی در آینده مورد استفاده قرار گیرد.

۵٫ نتیجه گیری ها

چندین محدودیت در این تحقیق باید اذعان شود. اول از همه، این مطالعه بر روی مدل‌های فضای گسسته متمرکز شد. اگرچه این مدل ها، از جمله SLMCLP و SLLSCP، می توانند به طور موثر برای حل مشکل مکان استفاده شوند، قرار دادن نور خیابان یک مشکل نشستن تسهیلات در فضای پیوسته است زیرا روشنایی خیابان به عنوان یک موجودیت می تواند در هر نقطه از جاده قرار گیرد. در تحقیقات آتی، مدل‌های فضای پیوسته باید برای حل مشکل مکان‌یابی روشنایی خیابان در نظر گرفته شود. علاوه بر این، هدف این تحقیق تنها کاهش هزینه‌ها بود که ممکن است در زندگی واقعی جامع نباشد. برای حفظ توسعه پایدار و تعادل اکولوژیکی شهر می توان اهداف بیشتری را برای مثال کاهش میزان جرم و جنایت یا ایجاد محیط های دلپذیر در نظر گرفت.

در حالی که برنامه های مربوط به روشنایی خیابان ها را در نظر می گیریم، منابع زیادی برای استفاده از سازمان های محلی یا استانداردها و دستورالعمل های ایالتی/فدرال وجود دارد. با توجه به ویژگی روشنایی شبانه خیابان ها در زمینه فضای باز، این منابع به طور مداوم در حال به روز رسانی و تغییر هستند. فضای زیادی برای یادگیری در مورد بهینه سازی دید برای رانندگان و عابران پیاده و در عین حال هماهنگ یا متعادل کردن رابطه بین اثرات جانبی محیطی و اثربخشی هزینه بهینه بهبود ایمنی وجود دارد. حقایق نشان می‌دهند که قانون سرانگشتی همیشه دقیق یا کارآمد نیست. یافته ها و نتایج ما بهبود بهتر انرژی الکتریکی را در منطقه مورد مطالعه Belle Isle، میشیگان نشان می دهد. اگرچه چراغ ها قبلاً نصب شده اند، این تحقیق به فرآیند تصمیم گیری در پروژه های طراحی شهری آینده کمک خواهد کرد. بدون شک، محققان به بهبود مدل‌ها و ارائه رویکردهای بهتر برای بهینه‌سازی مکان‌هایی که روشنایی خیابان بیشترین سود را دارد، ادامه خواهند داد.

منابع

نقاش، KA; Farrington، DP تأثیر بهبود روشنایی خیابان بر جرم، ترس و استفاده از خیابان عابر پیاده، پس از تاریکی. Landsc. طرح شهری. ۱۹۹۶ ، ۳۵ ، ۱۹۳-۲۰۱٫ [ Google Scholar ] [ CrossRef ]
گاستون، کی جی. گاستون، اس. بنی، جی. هاپکینز، جی. مزایا و هزینه های روشنایی مصنوعی شبانه محیط. محیط زیست Rev. ۲۰۱۴ , ۲۳ , ۱۴-۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رابازا، او. گومز-لورنته، دی. پرز-اوکن، اف. Peña-García، A. یک مدل ساده و دقیق برای طراحی روشنایی عمومی با توابع بهره وری انرژی بر اساس تحلیل رگرسیون. انرژی ۲۰۱۶ ، ۱۰۷ ، ۸۳۱-۸۴۲٫ [ Google Scholar ] [ CrossRef ]
بکالی، م. بونومولو، ام. لچس، اف. لیست، دی. سالوادوری، جی. در مورد تأثیر الزامات ایمنی، قیمت انرژی و هزینه های سرمایه گذاری در طراحی نوسازی روشنایی خیابان. انرژی ۲۰۱۸ ، ۱۶۵ ، ۷۳۹-۷۵۹٫ [ Google Scholar ] [ CrossRef ]
نقاش، KA; Farrington, DP مزایای مالی بهبود روشنایی خیابان ها بر اساس کاهش جرم و جنایت. ترانس. ایلوم مهندس Soc. ۲۰۰۱ ، ۳۳ ، ۳-۱۰٫ [ Google Scholar ] [ CrossRef ]
Eisenbeis، G. نور مصنوعی شبانه و حشرات: جذب حشرات به چراغ‌های خیابان در یک محیط روستایی در آلمان. Ecol. نتیجه آرتیف. Night Lighting ۲۰۰۶ , ۲ , ۱۹۱-۱۹۸٫ [ Google Scholar ]
Beyer، FR; کر، ک. روشنایی خیابان برای جلوگیری از آسیب های ترافیکی جاده ای. سیستم پایگاه داده کاکرین Rev. ۲۰۰۹ , ۱ , CD004728. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
موری، AT; Matisziw، TC; وی، اچ. دائوکین، تی. یک اکتشافی ژئومحاسباتی برای حداکثرسازی پوشش در مکان‌یابی تسهیلات خدماتی. ترانس. GIS ۲۰۰۸ ، ۱۲ ، ۷۵۷-۷۷۳٫ [ Google Scholar ] [ CrossRef ]
پاچامانوف، آ. Pachamanova، D. بهینه سازی توزیع نور چراغ های روشنایی تونل و خیابان. مهندس بهینه. ۲۰۰۸ ، ۴۰ ، ۴۷-۶۵٫ [ Google Scholar ] [ CrossRef ]
موری، AT پیشرفت‌ها در مدل‌سازی مکان: پیوندها و مشارکت‌های GIS. جی. جئوگر. سیستم ۲۰۱۰ ، ۱۲ ، ۳۳۵-۳۵۴٫ [ Google Scholar ] [ CrossRef ]
هیل، جی دی. دیویس، جی. Fairbrass, AJ; متیوز، تی جی; راجرز، سی دی; Sadler، JP Mapping lightscapes: الگوی فضایی نور مصنوعی در منظر شهری. PLoS ONE ۲۰۱۳ ، ۸ ، e61460. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Kaundinya، DP; بالاچاندرا، پ. Ravindranath، NH; آشوک، V. رویکرد داده کاوی فضایی مبتنی بر GIS (سیستم اطلاعات جغرافیایی) برای مکان یابی بهینه و برنامه ریزی ظرفیت تأسیسات تولید انرژی زیست توده توزیع شده: مطالعه موردی منطقه تومکور، هند. انرژی ۲۰۱۳ ، ۵۲ ، ۷۷-۸۸٫ [ Google Scholar ] [ CrossRef ]
درد، آر. مک فارلین، آر. ترنر، ک. گیل، اس. “وقتی، کجا، اگر، و اما”: واجد شرایط GIS و تأثیر روشنایی خیابان بر جرم و ترس. محیط زیست طرح. A ۲۰۰۶ , ۳۸ , ۲۰۵۵-۲۰۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ولز، BC; Farrington، DP اثرات بهبود روشنایی خیابان بر جرم و جنایت. کمبل سیست. Rev. ۲۰۰۸ , ۱۳ , ۱-۵۱٫ [ Google Scholar ] [ CrossRef ]
لاوسون، تی. راجرسون، آر. Barnacle, M. مقایسه ای بین اثربخشی هزینه دوربین مدار بسته و روشنایی بهبود یافته خیابان به عنوان وسیله ای برای کاهش جرم و جنایت. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۸ ، ۶۸ ، ۱۷-۲۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
خو، ی. فو، سی. کندی، ای. جیانگ، اس. Owusu-Agyemang، S. تاثیر چراغ های خیابان بر الگوهای مکانی-زمانی جرم در دیترویت، میشیگان. شهرها ۲۰۱۸ ، ۷۹ ، ۴۵-۵۲٫ [ Google Scholar ] [ CrossRef ]
فوتیوس، اس. Gibbons، R. تحقیقات روشنایی جاده برای رانندگان و عابران پیاده: اساس توصیه های روشنایی و روشنایی. نورپردازی Res. تکنولوژی ۲۰۱۸ ، ۵۰ ، ۱۵۴-۱۸۶٫ [ Google Scholar ] [ CrossRef ]
Bullough, JD; دانل، ای تی. Rea, MS برای روشن کردن یا روشن نشدن: روشنایی جاده ها به دلیل اینکه بر ایمنی ترافیک در تقاطع ها تأثیر می گذارد. اسید. مقعدی قبلی ۲۰۱۳ ، ۵۳ ، ۶۵-۷۷٫ [ Google Scholar ] [ CrossRef ]
دیویس، TW; بنی، جی. روشنایی خیابان Gaston، KJ ترکیب جوامع بی مهرگان را تغییر می دهد. Biol. Lett. ۲۰۱۲ ، ۸ ، ۷۶۴-۷۶۷٫ [ Google Scholar ] [ CrossRef ]
IDSA. ۱۵ میلیون تن دی اکسید کربن در سال ۲۰۱۶ از طریق روشنایی منازل مسکونی در ایالات متحده منتشر می شود. در دسترس آنلاین: https://www.darksky.org/15-million-tons-of-carbon-dioxide-emitted-each-year-on -روشنایی-مسکونی-خارجی-در-ما/ (دسترسی در ۲۱ دسامبر ۲۰۱۶).
سنگ، EL; جونز، جی. هریس، اس. نور خیابان خفاش های رفت و آمد را مختل می کند. Curr. Biol. ۲۰۰۹ ، ۱۹ ، ۱۱۲۳-۱۱۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
موری، AT; Feng, X. ارزیابی استاندارد خدمات روشنایی خیابان و دستاورد. اجتماعی-اقتصادی طرح. علمی ۲۰۱۶ ، ۵۳ ، ۱۴-۲۲٫ [ Google Scholar ] [ CrossRef ]
فنگ، ایکس. موری، AT تجزیه و تحلیل فضایی برای افزایش پوشش نور خیابان از فضاهای عمومی. Leukos ۲۰۱۸ ، ۱۴ ، ۱۳-۲۳٫ [ Google Scholar ] [ CrossRef ]
چو، ی. جونگ، اچ. چوی، ا. سانگ، ام. طراحی یک سیستم روشنایی امنیتی متصل برای ایمنی عابر پیاده در شهرهای هوشمند. پایداری ۲۰۱۹ ، ۱۱ ، ۱۳۰۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Daskin، MS حداکثر مدل محل پوشش مورد انتظار: فرمولاسیون، خواص و راه حل اکتشافی. ترانسپ علمی ۱۹۸۳ ، ۱۷ ، ۴۸-۷۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
درزنر، ز. Hamacher، HW Facility مکان: کاربردها و تئوری . Springer Science & Business Media: برلین/هایدلبرگ، آلمان، ۲۰۰۱٫ [ Google Scholar ]
آیزلت، HA; ماریانوف، وی. کاربردهای تحلیل مکان . Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۵; جلد ۲۳۲٫ [ Google Scholar ]
ReVelle، CS; Eiselt، HA تجزیه و تحلیل مکان: یک سنتز و بررسی. یورو جی. اوپر. Res. ۲۰۰۵ ، ۱۶۵ ، ۱-۱۹٫ [ Google Scholar ] [ CrossRef ]
حکیمی، SL مکان های بهینه مراکز سوئیچینگ و مراکز مطلق و میانه های یک نمودار. اپراتور Res. ۱۹۶۴ ، ۱۲ ، ۴۵۰-۴۵۹٫ [ Google Scholar ] [ CrossRef ]
فراهانی، رض. عسگری، ن. حیدری، ن. حسینی نیا، م. Goh, M. پوشش مشکلات در محل تاسیسات: یک بررسی. محاسبه کنید. مهندسی صنعتی ۲۰۱۲ ، ۶۲ ، ۳۶۸-۴۰۷٫ [ Google Scholar ] [ CrossRef ]
چانگ، سی.-اچ. کاربردهای اخیر مدل برنامه ریزی مکان پوشش حداکثر (MCLP). جی. اوپر. Res. Soc. ۱۹۸۶ ، ۳۷ ، ۷۳۵-۷۴۶٫ [ Google Scholar ] [ CrossRef ]
کلیسا، RL; ReVelle، CS پیوندهای نظری و محاسباتی بین p-median، محل پوشش مجموعه، و مشکل مکان پوشش حداکثر. Geogr. مقعدی ۱۹۷۶ ، ۸ ، ۴۰۶-۴۱۵٫ [ Google Scholar ] [ CrossRef ]
فعلی، جی. داسکین، م. شیلینگ، دی. مدل های مکان شبکه گسسته. آسان. مکان یابی کنید. Appl. نظریه ۲۰۰۲ ، ۱ ، ۸۱-۱۱۸٫ [ Google Scholar ]
زرندی، MHF; داوری، س. سی سخت، SAH مسئله مکان پوشش حداکثر پویا در مقیاس بزرگ. ریاضی. محاسبه کنید. مدل. ۲۰۱۳ ، ۵۷ ، ۷۱۰-۷۱۹٫ [ Google Scholar ] [ CrossRef ]
راجاگوپالان، هنگ کنگ؛ سیدام، سی. Xiao, J. مجموعه ای چند دوره ای که مدل مکان را برای استقرار مجدد پویا آمبولانس ها پوشش می دهد. محاسبه کنید. اپراتور Res. ۲۰۰۸ ، ۳۵ ، ۸۱۴-۸۲۶٫ [ Google Scholar ] [ CrossRef ]
تورگاس، سی. ReVelle, C. مکان بهینه تحت محدودیت زمانی یا فاصله. پاپ Reg. علمی ۱۹۷۲ ، ۲۸ ، ۱۳۳-۱۴۴٫ [ Google Scholar ] [ CrossRef ]
الکساندریس، جی. Giannikos، I. یک مدل جدید برای حداکثر پوشش با بهره‌برداری از قابلیت‌های GIS. یورو جی. اوپر. Res. ۲۰۱۰ ، ۲۰۲ ، ۳۲۸-۳۳۸٫ [ Google Scholar ] [ CrossRef ]
Calderín، JF; Nodarse, CP; Yera, LS; رودریگز، ابزار نرم‌افزار DEE برای مدل‌سازی و حل مشکل مکان پوشش حداکثر، مطالعه موردی: افسران پلیس مکان‌ها. تحقیق کنید. اپراتور ۲۰۱۸ ، ۳۸ ، ۱۴۱-۱۴۹٫ [ Google Scholar ]
لوتکویچ، پ. مک لین، دی. Cheung, J. FHWA Lighting Handbook ; دفتر ایمنی، اداره بزرگراه فدرال: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۲٫ [ Google Scholar ]
شهر سن خوزه راهنمای طراحی Strettlight عمومی ; Alta Planning + Design: Portland, OR, USA, 2016. [ Google Scholar ]
روشنایی خیابان NES راهنمای خدمات روشنایی خیابان نشویل الکتریک ; NES Street Lighting: Nashville, TN, USA, 2017. [ Google Scholar ]
شهر لس آنجلس. استانداردها و خطوط راهنمایی طراحی ; دفتر روشنایی خیابان: لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، ۲۰۰۷٫ [ Google Scholar ]
شهر سانتا باربارا رهنمودهای طراحی نورپردازی و نورپردازی در فضای باز The Planning Counter: سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، ۲۰۰۹٫ [ Google Scholar ]
شهر و شهرستان دنور دستورالعمل طراحی روشنایی خیابان شهر و شهرستان دنور بخش مهندسی: دنور، CO، ایالات متحده آمریکا، ۲۰۱۷٫ [ Google Scholar ]
منطقه کلمبیا. خط مشی و خطوط راهنمایی طراحی در ناحیه کلمبیا ناحیه کلمبیا: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۳٫ [ Google Scholar ]
Kinzey، B. بازیابی سیستم روشنایی خیابان دیترویت . برای وزارت انرژی ایالات متحده تحت قرارداد DE-AC05-76RL01830 آماده شده است. آزمایشگاه ملی شمال غرب اقیانوس آرام: ریچلند، WA، ایالات متحده آمریکا، ۲۰۱۵٫ [ Google Scholar ]
Sinha، SM برنامه نویسی ریاضی: نظریه و روش ها . الزویر: آمستردام، هلند، ۲۰۰۶٫ [ Google Scholar ]
گلاور، اف. Kochenberger, GA Handbook of Metaheuristics ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۳; جلد ۵۷٫ [ Google Scholar ]
آستین، دی. برگ، بی. اداره روشنایی عمومی نورپردازی دیترویت را تکمیل می کند . مرجع روشنایی عمومی: دیترویت، MI، ایالات متحده آمریکا، ۲۰۱۶٫ [ Google Scholar ]
اداره روشنایی عمومی ۲۰۱۶: چراغ ها روشن هستند! نورپردازی مجدد دیترویت ؛ گزارش سالانه سازمان روشنایی عمومی؛ مرجع روشنایی عمومی: دیترویت، MI، ایالات متحده آمریکا، ۲۰۱۶٫ [ Google Scholar ]

شکل ۱٫ پیکربندی فعلی چراغ خیابانی خورشیدی در Belle Isle.

شکل ۲٫ تقاطع های سمت راست و جاده در Belle Isle.

شکل ۳٫ پیکربندی بهینه چراغ های خیابانی خورشیدی در Belle Isle.

شکل ۴٫ پیکربندی بهینه نور خیابان خورشیدی بدون محدودیت تقاطع.

ونوس نصیرفام

5 ژانویه 2023

مقالات

بهینه سازی مکان فضایی چراغ های خیابان در جزیره بل، میشیگان

کلید واژه ها:

۱٫ مقدمه

۲٫ مدل ها و روش های حل

۲٫۱٫ مشکل مکان پوشش حداکثری روشنایی خیابان (SLMCLP)

۲٫۲٫ مشکل پوشش مجموعه مکان روشنایی خیابان (SLLSCP)

۲٫۳٫ روش های حل

۳٫ مطالعه موردی

۳٫۱٫ زمینه

۳٫۲٫ منبع اطلاعات

۳٫۳٫ پیش پردازش داده ها

۳٫۴٫ نتایج

۳٫۴٫۱٫ سناریوی ۱: تمام نقاط خط مرکزی جاده را با حداقل تعداد چراغ پوشش دهید

۳٫۴٫۲٫ سناریوی ۲: پوشش تمام نقاط خط مرکزی جاده با حداقل تعداد چراغ بدون محدودیت تقاطع

۳٫۵٫ تجزیه و تحلیل میزان حساسیت

۴٫ بحث

۵٫ نتیجه گیری ها

منابع

قبلیویژگی های توپوگرافی تقسیمات زهکشی در مقیاس کوهستانی – مروری بر ابزارهای تحلیلی مبتنی بر DTM

بعدیچارچوبی برای مقیاس بندی تاب آوری تحول آفرین شهری از طریق استفاده از اطلاعات جغرافیایی داوطلبانه

نوشته های مرتبط ...

کوچینگ روانشناسی:رشد را به خودتان هدیه دهید!!

آموزش مقاله نویسی :۵۰ مهارت برتر جهت نوشتن مقالات حرفه‌ای

آموزش مقاله نویسی :۱۰۰ راز در یک کلاس (مدرس:دکتر سعید جوی زاده )

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ