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.
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.
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.
15
açık
| Takımlar | O | P |
|---|---|---|
| 1. Galatasaray | 10 | 28 |
| 2. Samsunspor | 11 | 25 |
| 3. Fenerbahçe | 10 | 23 |
| 4. Beşiktaş | 10 | 20 |
| 5. Eyüpspor | 11 | 19 |
| 6. Sivasspor | 11 | 17 |
| 7. Göztepe | 10 | 15 |
| 8. Başakşehir | 10 | 15 |
| 9. Kasımpasa | 11 | 14 |
| 10. Konyaspor | 11 | 14 |
| 11. Trabzonspor | 10 | 12 |
| 12. Gaziantep FK | 10 | 12 |
| 13. Bodrumspor | 11 | 11 |
| 14. Antalyaspor | 11 | 11 |
| 15. Alanyaspor | 11 | 10 |
| 16. Rizespor | 10 | 10 |
| 17. Kayserispor | 10 | 9 |
| 18. Hatayspor | 10 | 3 |
| 19. A.Demirspor | 10 | 2 |
| Takımlar | O | P |
|---|---|---|
| 1. Erzurumspor | 11 | 22 |
| 2. Kocaelispor | 11 | 22 |
| 3. Bandırmaspor | 11 | 21 |
| 4. Karagümrük | 11 | 18 |
| 5. Igdir FK | 11 | 18 |
| 6. Boluspor | 11 | 18 |
| 7. Esenler Erokspor | 11 | 17 |
| 8. Ümraniye | 11 | 17 |
| 9. Pendikspor | 11 | 17 |
| 10. Ankaragücü | 11 | 16 |
| 11. Ahlatçı Çorum FK | 11 | 16 |
| 12. Şanlıurfaspor | 11 | 15 |
| 13. Gençlerbirliği | 11 | 15 |
| 14. Manisa FK | 11 | 14 |
| 15. Keçiörengücü | 11 | 14 |
| 16. İstanbulspor | 11 | 13 |
| 17. Sakaryaspor | 11 | 13 |
| 18. Amed Sportif | 11 | 13 |
| 19. Adanaspor | 11 | 6 |
| 20. Yeni Malatyaspor | 11 | -3 |
| Takımlar | O | P |
|---|---|---|
| 1. Liverpool | 10 | 25 |
| 2. M.City | 10 | 23 |
| 3. Nottingham Forest | 10 | 19 |
| 4. Chelsea | 10 | 18 |
| 5. Arsenal | 10 | 18 |
| 6. Aston Villa | 10 | 18 |
| 7. Tottenham | 10 | 16 |
| 8. Brighton | 10 | 16 |
| 9. Fulham | 10 | 15 |
| 10. Bournemouth | 10 | 15 |
| 11. Newcastle | 10 | 15 |
| 12. Brentford | 10 | 13 |
| 13. M. United | 10 | 12 |
| 14. West Ham United | 10 | 11 |
| 15. Leicester City | 10 | 10 |
| 16. Everton | 10 | 9 |
| 17. Crystal Palace | 10 | 7 |
| 18. Ipswich Town | 10 | 5 |
| 19. Southampton | 10 | 4 |
| 20. Wolves | 10 | 3 |
| Takımlar | O | P |
|---|---|---|
| 1. Barcelona | 12 | 33 |
| 2. Real Madrid | 11 | 24 |
| 3. Atletico Madrid | 12 | 23 |
| 4. Villarreal | 11 | 21 |
| 5. Osasuna | 12 | 21 |
| 6. Athletic Bilbao | 12 | 19 |
| 7. Real Betis | 12 | 19 |
| 8. Mallorca | 12 | 18 |
| 9. Rayo Vallecano | 11 | 16 |
| 10. Celta Vigo | 12 | 16 |
| 11. Real Sociedad | 12 | 15 |
| 12. Girona | 12 | 15 |
| 13. Sevilla | 12 | 15 |
| 14. Deportivo Alaves | 12 | 13 |
| 15. Leganes | 12 | 11 |
| 16. Getafe | 12 | 10 |
| 17. Espanyol | 12 | 10 |
| 18. Las Palmas | 12 | 9 |
| 19. Real Valladolid | 12 | 8 |
| 20. Valencia | 11 | 7 |
