ارائه روشی جدید برای مسیریابی و کاهش زمان سفر در شبکه های موردی بین خودرویی با ترکیب الگوریتم های یادگیری ماشین و فراابتکاری

شبکه موردی بین خودرویی، به منظور هوشمندسازی فرآیندهای مبادله اطلاعات در وسائل نقلیه عمومی و شخصی، برای سیستم های حمل و نقل هوشمند طراحی شده و توانایی تجهیز امکانات متعددی به سیستم حمل ونقل را دارند. در این شبکه، خودروها با به کارگیری سامانه اطلاعات ترافیکی بی سیم بین خودرویی و بدون نیاز به زیرساخت، مرکز کنترل و صرف هزینه های کلان، می توانند اطلاعات مورد نیاز برای انتخاب مناسب ترین مسیر را بدست آورند. هدف اصلی چنین شبکه هایی مسیردهی مطلوب خودرها می باشد؛ بنحوی که از انتقال ازدحام از مسیری به مسیری دیگر جلوگیری شود و همچنین در مصرف منابع انرژی، زمان، هزینه های مصرفی خودرو و ... صرفه جویی شود. در این مقاله با ترکیب الگوریتم های یادگیری ماشین و فراابتکاری سعی شد برای مسئله کاهش زمان و مسافت سفر در شبکه های موردی بین خودرویی که یک چالش مطرح می باشد؛ راه حلی ارائه شود. بر همین اساس در فاز نخست با بهره گیری از سری های زمانی و مدل یادگیری ماشین، تغییرات ترافیکی معابر برای بازه های زمانی آتی پیش بینی شد. سپس با تکیه بر ترافیک معابر، مساله کاهش مسافت و زمان سفر به عنوان یک مساله بهینه سازی در نظر گرفته شده و برای آن از الگوریتم بهینه سازی شاهین هریس استفاده شد. در این مقاله، کارایی روش پیشنهادی با طراحی دو سناریو (بررسی تاثیر تعداد خودروها و بررسی تعداد بسته ها) در چهار شاخص زمان سفر، تاخیر انتها به انتها، طول مسیر و توان عملیاتی، تجزیه و تحلیل شده و نتایج با طرح پایه که یک روش مبتنی بر الگوریتم بهینه سازی کلونی مورچه می باشد؛ مقایسه گردید؛ بررسی نتایج نشان داد که روش پیشنهادی، زمان سفر، مسافت سفر و نرخ تاخیر انتها به انتها را به ترتیب ۱۸، ۱۱ و ۱۲ درصد کاهش و توان عملیاتی شبکه ۷ درصد نسبت به طرح پایه بهبود داشته است. داده است.