پایش مخاطرات مناطق زلزله‌زده با بهره‌گیری از پرنده‌های بدون سرنشین بر مبنای الگوریتم فرااکتشافی پیشنهادی GPO

نوع مقاله : پژوهشی کاربردی

نویسندگان

1 کارشناس ارشد مهندسی سیستم‌های اطلاعات مکانی، گروه مهندسی نقشه‌برداری، پردیس دانشکده‌های فنی، دانشگاه تهران

2 استادیار مهندسی سیستم‌های اطلاعات مکانی، گروه مهندسی نقشه‌برداری، پردیس دانشکده‌های فنی، دانشگاه تهران

چکیده

پس از رخداد زلزله، اغلب، نقشۀ به‌هنگام و قابل‌اعتمادی از محیط در دسترس نیست، زیرساخت‌های زمینی مجهز نیستند یا ویران‌شده‌اند و زمان به عاملی حیاتی برای مدیریت مخاطرات، جست‌وجو و اکتشاف مجروحان زیر آوار تبدیل می‌شود. ازاین‌رو، مدیریت مخاطرات و پایش مناطق زلزله‌زده یکی از باارزش‌ترین زمینه‌هایی است که به‌کارگیری سیستم‌های خودکار موجب کیفیت‌بخشی مأموریت‌های امدادرسانی و بهبود بازدهی عملیات جست‌وجو می‌شود. به‌کارگیری پرنده‌های بدون سرنشین به‌عنوان سکوهای حامل سنجنده‌های چندمنظوره در پایش ویرانی‌های برآمده از زلزله به رویکردی نوین و اقتصادی با هدف  ارتقای خودکاری، بهره‌وری و کارایی مدیریت مخاطرات طبیعی تبدیل شده است‌. روند تکامل پرنده‌های بدون سرنشین از سیستم‌های کنترل‌شوندۀ از راه دور به سمت ناوبری خودکار یا ترکیبی است. در این زمینه، توسعۀ الگوریتم‌های جامع، کارامد و پایدار برای مسیریابی، کنترل، ناوبری و پردازش اطلاعات سنجنده‌های پرنده‌های بدون سرنشین، به‌عنوان یکی از بنیادی‌ترین گام‌ها در توسعۀ سیستم‌های خودکار مورد توجه پژوهشگران است. در این پژوهش، یک الگوریتم فرا‌اکتشافی جدید براساس مفاهیم گرانی‌سنجی در ژئودزی فیزیکی پیشنهاد شده است. هدف از طراحی این الگوریتم جدید دستیابی به روشی کاراتر در حل مسائل پیچیده با قیود مختلف نظیر مسائل مطرح در زمینۀ پایش مخاطرات است. ارزیابی دقت و کیفیت نتایج، نرخ موفقیت و همچنین زمان اجرای الگوریتم‌های پیاده‌شده، مبین کسب نتایج برتر الگوریتم پیشنهادی نسبت به روش‌های پیشین در شبیه‌سازی پایش مناطق زلزله‌زده است.

کلیدواژه‌ها


 
منابع
[1]. آزموده اردلان، ع؛ صفری، ع (1388). ژئودزی و گرانی، انتشارات دانشگاه تهران:56.
[2]. صفری، ع (1391). ژئودزی فیزیکی، انتشارات دانشگاه تهران:94.
[3]. مقیمی، الف (1393). دانش مخاطرات، انتشارات دانشگاه تهران:79.
[4]. Baiocchi, V., Dominici, D., Milone, M. V., & Mormile, M. (2013). Development of a Software to Plan UAVs Stereoscopic Flight: An Application on Post-Earthquake Scenario in L’Aquila City. In Computational Science and Its Apps–ICCSA 2013. Springer Berlin Heidelberg. (pp. 150-165).
[5]. Besada-Portas, E., de la Torre, L., de la Cruz, J. M., and de Andres-Toro, B. (2010). “Evolutionary trajectory planner for multiple UAVs in realistic scenarios.” IEEE Transactions on Robotics. Vol.26, No.4, PP.619-634.
[6]. Doherty, P. and Rudol, P. (2007). "A UAV search and rescue scenario with human body detection and geolocalization." in AI 2007: Advances in Artificial Intelligence (PP.1-13), Springer Berlin Heidelberg.
[7]. Duan, H. and Huang, L. (2014). "Imperialist competitive algorithm optimized artificial neural networks for UCAV global path planning." Neurocomputing. Vol.125, PP.166-171.
[8]. Duan, H. and Li, P. (2014). "Bio-inspired Computation in Unmanned Aerial Vehicles." Springer. Berlin, Heidelberg.
[9]. Ergezer, H. and Leblebicioğlu, K. (2013). "Path planning for UAVs for maximum information collection using evolutionary computation". IEEE Trans. Aerosp. Electron. Syst. Vol 49, No.1, PP.502–520.
[10]. Goerzen, C., Kong, Z. and Mettler, B. (2010). "A survey of motion planning algorithms from the perspective of autonomous UAV guidance." Journal of Intelligent and Robotic Systems. Vol.57, No.1-4, PP.65-100.
[11]. Goodrich, M., Morse, B., Gerhardt, D., Cooper, J., Quigley, M., Adams, J. and Humphrey, C. (2008). “Supporting wilderness search and rescue using a camera-equipped mini UAV” J. Field Robot. Vol. 25, No.1-2, PP.89–110.
[12]. Hargraves, C. R. and Paris, S. W. (1987). "Direct trajectory optimization using nonlinear programming and collocation." Journal of Guidance, Control, and Dynamics. Vol.10, No.4, PP.338-342.
[13]. Kapucu, N., Arslan, T., Demiroz, F. (2010)."Collaborative emergency management and national emergency management network." Disaster Prevention and Management. Vol.19, No.4, PP.452-468.
[14]. Karaboga, D., and Basturk, B. (2008). “On the performance of artificial bee colony (ABC) algorithm.” Applied soft computing. Vol.8, No.1, PP.687-697.
[15]. Pehlivanoglu, Y. V. (2012). "A new vibrational genetic algorithm enhanced with a Voronoi diagram for path planning of autonomous UAV." Aerospace Science and Technology. Vol.16, No.1, PP.47-55.
[16]. Tisdale, J., Kim, Z. and Hedrick, J. K. (2009). "Autonomous UAV path planning and estimation." Robotics & Automation Magazine, IEEE. Vol.16, No.2, PP.35-42.
[17]. Tomic, T., Schmid, K., Lutz, P., Domel, A., Kassecker, M., Mair, E. and Burschka, D. (2012). "Toward a fully autonomous uav: Research platform for indoor and outdoor urban search and rescue." Robotics & Automation Magazine, IEEE. Vol.19, No.3, PP.46-56.
[18]. Zengin, U. and Dogan, A. (2007). "Real-time target tracking for autonomous UAVs in adversarial environments: a gradient search algorithm." IEEE Transactions on Robotics. Vol.23, No.2, PP.294-307.
[20]. Zhan, Z. H., Zhang, J., Li, Y., Liu, O., Kwok, S. K., Ip, W. H., & Kaynak, O. (2010). “An efficient ant colony system based on receding horizon control for the aircraft arrival sequencing and scheduling problem.” Intelligent Transportation Systems, IEEE Transactions on, Vol.11, No.2, PP.399-412.
[20]. Zhang, B., Liu, W., Mao, Z., Liu, J. and Shen, L. (2014). "Cooperative and geometric learning algorithm (CGLA) for path planning of UAVs with limited information." Automatica. Vol.50, No.3, PP.809-820.
[21]. Zhuoning, D., Rulin, Z., Zongji, C., and Rui, Z. (2010). “Study on UAV path planning approach based on fuzzy virtual force.” Chinese Journal of Aeronautics. Vol 23, No.3, PP. 341-350.