Mehdi Ghatee

1. مهدی قطعی استادیار گروه علوم کامپیوتر مدیر طرح کلان سیستمهای حمل و نقل هوشمند مدیرگروه علوم کامپیوتر مجازی مدیر انفورماتیک دانشکده www.aut.ac.ir/ghatee Mehdi Ghatee

2. Network Optimization Research Center http://math-cs.aut.ac.ir/norc Contact Address: Laboratory 214, Faculty of Mathematics and Computer Science, Amirkabir University of Technology, No. 424, Hafez Ave, Tehran, 15875-4413, Iran. Email: aut_norc@yahoo.com Fax: +98 21 66497930

3. فعاليتهاي ارتباط با صنعت • مدير طرح كلان ايجاد سيستمهاي حمل و نقل هوشمند • مدير پروژه: انجام مطالعات طراحي شبکه يکپارچه حمل و نقل عمومي شهر تهران بر اساس شرح خدمات پيوست، كارفرما: سازمان حمل و نقل و ترافيک تهران • مدير پروژه: مطالعات مديريت هوشمند بزرگراهي شهر تهران، كارفرما: شركت كنترل ترافيك تهران • مشاور در پروژه: مطالعه،تحقيق و طراحي شبکه پر سرعت ناوگان اتوبوسراني شهر تهران(BRT)، كارفرما: شرکت واحد اتوبوسراني تهران و حومه • مشاور در پروژه: بررسي علل و شناخت ريشه هاي بروز حوادث نفتكشها و ارائه راهكارهاي علمي و عملي در جهت كاهش آن (شركت ملي پخش فرآورئه‌هاي نفتي ايران) • مشاور در پروژه: بهينه سازي تخصيص و ذخيره سازي نفت خام ( شركت ملي نفت خام، برنامه ريزي تلفيقي)

4. Where Network Flows Arise • Transportation • Transportation of goods over transportation networks • Scheduling of fleets of airplanes: time/space networks • Manufacturing • Scheduling of goods for manufacturing • Flow of manufactured items within inventory systems • Communications • Design, expansion of communication systems and routing • Flow of information across networks • Personnel Assignment • Assignment of crews to airline schedules • Assignment of drivers to vehicles

5. Network Optimization: Basics and Applications Shortest Path Problem Maximum Flow Problem Minimum Spanning Tree Problem Minimum Cost Flow Problem Routing Problem Assignment Problem Location Problem Traffic Assignment ….

6. 4 2 4 2 2 2 1 3 1 1 6 4 2 3 3 5 The shortest path problem i j Consider a network G = (N, A) in which there is an origin node s and a destination node t. What is the shortest path from s to t?

7. 1 8, 8 9 10 , s t 1, 1 2 6, 6 10, 7 The Maximum Flow Problem • Directed Graph G = (N, A). • Source s • Sink t • Capacities uij on arc (i,j) • Maximize the flow out of s, subject to • Flow out of i= Flow into i, for i  s & i  t. i j A Network with Arc Capacities and Flows

8. 4 2 4 2 2 2 1 3 1 1 6 4 2 3 3 5 The Minimum Spanning Tree Problem i j Consider a network G = (N, A) whose links consist weighs as labels. What is a tree covering (=spanning) all of the nodes whose weight is minimum?

9. Min Cost Flow Problem (MCFP) 20 Flow out of i - Flow into i = b(i) $5 ,12 2 $4 ,10 Each arc has a linear cost and a capacity $3 ,10 1 -14 4 $2 ,20 $7 ,15 3 i j -6 min Si,j cijxij s.t Sj xij – Sj xji = b(i) for each i lij  xij uij for all (i,j)

10. Network Algorithms • Polynomial Algorithms • Non-Polynomial (=exponential) Algorithms • Heuristic • Meta-Heuristic • Approximate

11. Genetic Algorithm (GA)

12. Simulated annealing

13. Ant Colony Optimization (ACO)

14. Constructing Validating Polynomial Algorithms Heuristics Meta-Heuristic Schemes Network Optimization in Uncertain Environment • Modeling • Solving Uncertain Problems

15. Type of Algorithm • Off-line • On-line • Parallel • Decomposition

16. Mathematical Programming • Probabilistic Programming • Chance-Constraint Programming • Fuzzy Programming • Stochastic Process

17. Your viewpoint??? • Pessimistic • Optimistic • Risk Averse • Risk Neutral • Risk Seeker • Uncertainty • Ambiguity

18. Uncertainty in Real Problems • Cost • Demand • Supply • Capacity • Topology • Strategy (Goals, Needs, …)

19. Your decision time period??? • Short-term • Long-term • Learn • Estimate • Prediction

21. Neural Network

22. Neural Network for Data Fitting

25. Neural Network for Pattern Recognition

28. Neural Network for Clustering

29. See also: nctool

30. Neural Networks • Stochastic Neural Network • Fuzzy Neural Network • Hybrid Neural Network

31. Decision Support Systems

32. نمايشی از معماری DSS اينترنت، اينترانتها و اکسترانتها سيستم های مبتنی بر کامپيوتر ديگر داده: خارجی و داخلی مديريت داده مديريت مدل مدلهای خارجی زير سيستم های مبتنی بر دانش رابط کاربر پايگاه دانش سازمانی کاربر (مدير)

33. معماريDSS در4 فاز (Simon’s 4 Phase )

34. برخي از خصوصيات DSS تصميم گيري مستقل يا غير وابسته ارائه كند. بايد بتواند داده هاي نيم ساختيافته را پردازش كند. به روشهاي مختلف تصميمگيري دسترسي داشته باشد انعطاف پذير باشد برمبناي مدل باشد براي مديريت مورد استفاده قرار مي گيرد براي گروه و تصميم گيري آنان مؤثر باشد DSS بايد با توجه به اصول معماري Enterprise ساخته شود. واسط كاربري قابل استفاده براي همگان داشته باشد. بطور زايشي تكامل يابد (داراي قابليت Learningباشد) Effective باشد (كارش را درست انجام دهد) در كنترل كاربر باشد

35. معرفی و مقایسه زیر بخش های سیستم های حمل و نقل هوشمند

36. تعاریف مختلف ITS • USDOT سیستم حمل و نقل هوشمند شامل استفاده از پردازش پیشرفته اطلاعات (کامپیوترها ) ، ارتباطات ، تکنولوژی ها و مدیریت استراتژی ها در یک روش یکپارچه می باشد که جهت بهبود ایمنی ، ظرفیت و بازده سیستم های حمل و نقل به كار مي رود.

37. سرویسهای ITS

38. مثال 1Crash Prevention and Security • زیر سیستم پیش گیری از حادثه به منظور کشف خطر یا شرایط غیر ایمن، ارزیابی شدت خطر و اعلام هشدار به رانندگان استفاده می شوند. چند نمونه از سیستمهای به کار گرفته شده : • Environmental Road Hazard Warning Systems • Road Geometry Warning Systems • Intersection Crossing Detection Systems • Animal Warning Systems • Bicycle Warning Systems • Pedestrian Safety Systems

39. Road Geometry Warning Systems • این سیستم ها به منظور هشدار در زمینه ی هندسه ی جاده در هنگام نزدیک شدن به منحنی های تند در جاده • شناسايي به کمک فن آوری های پیشرفته، سنسورهای تشخیص شرایط جاده و همچنین وزن خودرو، ارتفاع و سرعت آن • هشدارها • به صورت عمومی • علائم پویا، • فلشر • محدودیت متغیر سرعت

40. مثال 2Traveler Information systems • زیر سیستم اطلاع رسانی به • رانندگان • مسافران • در شرایط مختلف

41. مثال 3:Transportation Management Centers • مراکز مدیریت حمل و نقل با 4 عملکرد اصلی زیر را دارا می باشند: • مدیریت حادثه • انتشار اطلاعات • دیدبانی • مدیریت حوادث خاص • نیمی از گزارش های TMC ، اطلاعات مسافران درون جاده ای، مدیریت اورژانس، و هماهنگی مدیریت حوادث غیر مترقبه فراهم میکنند. یک سوم سیستم ها از نظارت محیط زیست، نظارت اجرایی شبکه، و مدیریت راههای باریک را حمایت میکنند.

42. لیستی از سایت های پرکاربرد در زمینه ی ITS

43. لیستی از سایت های پرکاربرد در زمینه ی ITS

44. لیستی از سایت های پرکاربرد در زمینه ی ITS

45. Break with Questions

46. A Real Problem For More Discussion Urban Network Planning and Optimal Control Under Uncertainty ApplyingRegression As Meta-Model and Simulation Optimization

47. What Is Traffic assignment • Traffic assignment (TA) models predict the traffic policies influences • Traffic flows depend on independent drivers who only seek to optimize their own individual preference.

48. Traffic assignment kinds • Deterministic • Stochastic • Fuzzy Probit Logit

49. Logit TA

50. Optimal Flow of Logit