Optimization of Resource Allocation for Disaster Management Based on Artificial Intelligence and Smart Cities

Le résumé fourni par la source

مدیریت بحران در کلان‌شهرها، به‌ویژه در مواجهه با زلزله، از چالش‌های حیاتی عصر حاضر محسوب می‌شود و نیازمند راهکارهایی برای تخصیص بهینه منابع است. در این پژوهش، مدلی ترکیبی بر پایه هوش مصنوعی و الگوریتم‌های فراابتکاری توسعه یافته که با رویکرد چندهدفه به بهینه‌سازی تخصیص منابع می‌پردازد. هدف اصلی این مدل کاهش ریسک، هزینه و زمان واکنش در شرایط بحرانی است. در گام نخست، الگوریتم‌های یادگیری ماشین KNN و XGBoost برای پیش‌بینی شدت اثر زلزله در مناطق ۲۲ گانه شهر تهران به کار گرفته شده‌اند. این پیش‌بینی بر اساس سه شاخص کلیدی؛ میزان فرسودگی بافت، تراکم جمعیت و تعداد زیرساخت‌ها انجام شده است. سپس با ارزیابی معیارهای طبقه‌بندی نظیر accuracy، precision، recall و f1-score، الگوریتم برتر انتخاب و داده‌های حاصل به عنوان ورودی مدل ریاضی استفاده گردید. مدل ریاضی پیشنهادی با بهره‌گیری از ترکیب روش دقیق و الگوریتم فراابتکاری NSGA-II حل شد. یافته‌ها نشان دادند؛ که NSGA-II از نظر زمان محاسباتی عملکرد کارآمدتری دارد. همچنین ادغام روش‌های یادگیری ماشین با مدل بهینه‌سازی منجر به بهبود معنادار در توابع هدف، شامل کاهش ریسک، هزینه و زمان خدمت‌رسانی شد. نتایج تحلیل حساسیت نشان داد که افزایش نیاز به منابع بیشترین تأثیر را بر تابع هدف ریسک دارد. علاوه بر این، بررسی متغیرها بیانگر آن است که تراکم جمعیت مهم‌ترین عامل در پیش‌بینی شدت اثر زلزله محسوب می‌شود، در حالی که دو متغیر فرسودگی و زیرساخت‌ها اثر مشابهی داشته و در رتبه‌های بعدی قرار می‌گیرند. بدین ترتیب، تراکم جمعیت به‌عنوان اثرگذارترین ویژگی در مدل یادگیری ماشین معرفی می‌شود.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.