22.04.2019, 11:03

Ulaştırma ve Toplu Taşıma Sistemlerinde Sıklık - 10

Dahası uygulama süresinin sabit kalacağı da kabul edilebilir. Sezgisel ötesi yaklaşımın mevcut versiyonu, başlangıç çözümleri dizisinde basit bir yol kullanmaktadır: aynı sıklık değerini bütün hatlara tayin etmektedir. Bununla beraber belirli bir sıklık algoritmanın parametresini teşkil etmekte ve sonucu ifade eden çeşitli ön testler sıklığa karşı hassasiyet göstermektedir. Bu gözlemin hesaba katılması ile Mandl şehri için algoritma çalıştırılmış, bütün hatlar θ dizisinin dördüncü sıklığı (8 değere sahip olan) ile başlatılmış olup ardından altıncı sıklığa geçilmiştir. İlk testte temel mantık, araştırmada hatayı engellemek için bütün hatlara θ’nın ortanca değerini tayin etmektir. Amaç değeri 187,40 olarak elde edilmiş olup ikinci testteki değer ise 140,99’dur. Optimal çözümün gözlemlenmesinde θ’nın ilk 4 sıklığından hiçbirisinin kullanılmadığı not edilmelidir. Dahası gerçekte ikinci test optimal çözümün bir parçası olarak sıklık aralıklarının ortasında yer alan sıklık dizisi ile başlatılmıştır. Bu durum; nispeten farklı sonuçlara neden olan farklı başlangıç çözümleri ve başlangıç sıklığının oluşturulmasında kullanılabilecek optimum çözümlerle ilgili bilgi temini anlamına gelmektedir. Bu noktada örneğin hatların başlangıç sıklığının kurulumu için kesin modelin (çözümü kolay olan) doğrusal esnekliğinin optimal çözümünden temin edilen bilgi kullanılabilir. Bu da hem kesin ve hem de yaklaşık çözümler arasında ihtimal dâhilindeki bir terkibi ifade etmektedir.
 
Bu kapsamda Montevideo şehrindeki duruma uygulanan sezgisel ötesi yaklaşımın sonuçları analiz ve rapor edilmiştir. Optimal çözümün ve mevcut sistemin sıklığı hakkında bilgi bulunmamaktadır. Ayrıca testin ana amacı bir başlangıç (gerçek) çözümü geliştirmek için algoritma yeterliliğinin ve bu gibi bir gelişime ulaşmak için gerekli uygulama süresinin gözlemlenmesidir. Başlangıç çözümü bütün hatlarda aynı sıklığa göre kurulmuş ve filo boyutuna karşılık gelen değer en yüksek sınırına (1500 otobüs) mümkün olduğunca yaklaştırılmıştır. Bu yolla bütün hatlara Montevideo şehir durumu θ dizisinin 4 numaralı sıklığı olarak 1/12 atanmış ve buna karşılık gelen filo boyutu 1524 olarak alınmış olup bu boyut nispeten fizibıl olmayan bir çözüm türetmektedir. 

Algoritma tekil olarak çalıştırılmış, iterasyon sayısı 500 olarak sabitlenmiş, her on iterasyonda yaklaşık 90 dakikalık işlem süresi gözlemlenmiştir. Başlangıç çözümüne göre gelişim oranı %1,7 olup geliştirilmiş çözümün birçok hattının sıklığı değişmiştir. Ayrıca ezgisel ötesi yaklaşım ile başlangıç çözümü geliştirilebilir iken gelişim kısmi araştırma iterasyon sayısındaki artışa nazaran daha yüksek olarak gerçekleşmektedir. Şekil 4 algoritmanın iterasyon sayısına göre gelişimini göstermektedir. Şekil 4’de hem modelin amaç değerleri (amaç fonksiyonu tarafından ortaya konan) ve hem de sezgisel ötesi yaklaşımın bir kısmi gelişim ile tamamlanan çeşitli döngülere sahip olduğu gözlemlenmektedir. Dolayısı ile Şekil 4’de kısıtlar tarafından empoze edilen maksimum değer çevresinde salınım gösteren bir filo boyutu gözlemlenmekte olup fizibıl alanın yanı sıra bir algoritma araştırmasına imkân veren bir mekanizma tasarımı ile sonuçlanmaktadır. 

Sonuç olarak Montevideo için elde edilen gelişim oranı Rivera için elde edilen gelişim oranından daha düşük çıktığı not edilmelidir. Her hâlükârda gelişim yüzdesi, referans çalışmalarından elde edilenler ile halen aynı aralıkta olup %1,2-%5,0’dir. Uygulama süresi ile ilgili olarak algoritma, metodoloji amacının (stratejik ve taktik planlama düzeylerinde) yanı sıra durumun detaylı derece ve boyutunu hesaba katan kabul edilebilir bir performansa sahiptir. 

Sıklık optimizasyon problemi ile ilgili olarak yeni bir formülasyon ve yeni bir çözüm yöntemi önerilmiştir. Referans çalışmasında önerilmiş olan modele dayalı olarak, bu tarz çalışmalarda önerilen aynı düzeyli doğrusal olmayan yaklaşımlara denk olan bir karma tam sayılı doğrusal programlama (MILP) formülasyonu türetilmiştir. Formülasyonun yapısı karma tam sayılı doğrusal programlama (MILP) tekniklerini kullanarak probleme kesin çözüm getirmeye elverişlidir. 

Önerilen model vasıtası ile gerçek zamanlı küçük boyutlu şehirler ile ilgili durumlar için, optimal ya da optimale yakın çözümler (hassasiyet hesaplamaları ile) geliştirilebilir. Dikkate alınan toplu ulaştırma sistemi 13 hattan oluşmasına karşın, modelin uygulanması ile %3 civarında bir gelişim kaydedilmiştir. Bu nokta, küçük durumlarda bile sistemin verimliliğin arttırılması için açık bir kapı olduğunu göstermektedir. Plancının deneyimlerinden kaynaklı manuel çözümlere karşın, bu çözümler gerektiği ölçüde optimal değildir ayrıca optimizasyon modeli değişimler önerebilir, zira kesin ya da sezgisel değildirler. Ayrıca kaydedilen gelişim yüzdelerinin literatürdeki raporlanan örnekleri ile benzer olduğu da vurgulanmalıdır. 
Yorumlar (0)
banner117
5
kısa süreli hafif yoğunluklu yağmur
banner153
Puan Durumu
Takımlar O P
1. Galatasaray 28 71
2. Fenerbahçe 27 65
3. Samsunspor 29 52
4. Beşiktaş 27 47
5. Eyüpspor 28 44
6. Başakşehir 28 42
7. Göztepe 27 38
8. Gaziantep FK 27 38
9. Kasımpaşa 28 38
10. Antalyaspor 29 37
11. Trabzonspor 27 36
12. Konyaspor 29 34
13. Rizespor 28 34
14. Kayserispor 28 33
15. Sivasspor 29 31
16. Alanyaspor 28 31
17. Bodrum FK 28 30
18. Hatayspor 27 19
19. A.Demirspor 28 -2
Takımlar O P
1. Kocaelispor 31 62
2. Karagümrük 32 57
3. Erzurumspor 32 55
4. İstanbulspor 32 52
5. Gençlerbirliği 31 51
6. Bandırmaspor 31 51
7. Esenler Erokspor 32 47
8. Amed Sportif 32 47
9. Ahlatçı Çorum FK 32 46
10. Keçiörengücü 32 45
11. Ümraniye 31 45
12. Boluspor 32 45
13. Iğdır FK 32 45
14. Sakaryaspor 32 42
15. Pendikspor 31 41
16. Ankaragücü 31 38
17. Şanlıurfaspor 32 37
18. Manisa FK 32 37
19. Adanaspor 32 27
20. Yeni Malatyaspor 32 -21
Takımlar O P
1. Liverpool 30 73
2. Arsenal 31 62
3. Nottingham Forest 31 57
4. Chelsea 30 52
5. M.City 30 51
6. Aston Villa 31 51
7. Newcastle 29 50
8. Brighton 31 47
9. Bournemouth 31 45
10. Fulham 30 45
11. Crystal Palace 30 43
12. Brentford 30 41
13. M. United 30 37
14. Everton 31 35
15. West Ham United 31 35
16. Tottenham 30 34
17. Wolves 31 32
18. Ipswich Town 31 20
19. Leicester City 30 17
20. Southampton 30 10
Takımlar O P
1. Barcelona 29 66
2. Real Madrid 30 63
3. Atletico Madrid 29 57
4. Athletic Bilbao 29 53
5. Villarreal 28 47
6. Real Betis 29 47
7. Mallorca 30 43
8. Celta Vigo 30 40
9. Rayo Vallecano 30 40
10. Real Sociedad 29 38
11. Getafe 29 36
12. Sevilla 29 36
13. Girona 30 34
14. Osasuna 29 34
15. Valencia 30 34
16. Espanyol 29 32
17. Deportivo Alaves 30 30
18. Leganes 29 27
19. Las Palmas 29 26
20. Real Valladolid 29 16