‫توسعه و ارزیابی یک سیستم اطالعات مکانی عامل مبنا به‬
‫منظور تعیین تاثیر توده های آلودگی هوا بر روی‬
‫محدوده های ریسک زیست محیطی‬
Developing and evaluation of an agent-based GIS to identify the impacts of smoke
plumes over the environmental risk areas
‫ و‬3‫ مهندس عارفه شاد‬،2‫ دكتر محمد سعدي مسگري‬،1*‫دکتر روزبه شاد‬
4‫موالئی‬
‫مهندس دامون‬
Rouzbeh Shad*, Mohammad Saadi Mesgari, Arefeh Shad and Damoon Molaei
(Assistant Professor) ‫ استادیار دانشگاه‬-1
(Assistant Professor) ‫ استادیار دانشگاه‬-2
(MSc Student) ‫ دانشجوی کارشناسی ارشد‬-3
(MSc Student) ‫ فارغ التحصیل کارشناسی ارشد‬-4
1-Ph.D. student, Email: Rouzbeh_Shad@yahoo.com
2-Assistant professor, Email: mesgari@kntu.ac.ir
3- MSc Student, Email: Arefeh_Shad@yahoo.com
4- MSc graduated Student, Email: Damoon.molaei@gmail.com
-‫ دانشکده مهندسی‬-‫ دانشگاه فردوسی مشهد‬-‫میدان آزادی‬-‫ مشهد‬- ‫ایران‬-1
‫گروه مهندسی عمران‬
‫ روبروی برجهای‬-‫ باالتر از میدان ونک‬-‫خیابان ولیعصر‬-‫تهران‬-‫ایران‬-2
‫ دانشکده نقشه برداری دانشگاه خواجه نصیر الدین طوسی‬-‫اسکان‬
‫ دانشکده‬-‫ دانشگاه صنعتی امیرکبیر‬-‫ چهار راه ولیعصر‬-‫تهران‬-‫ ایران‬-3
‫مهندسی صنایع‬
1-Civil Dep., Faculty of Engineering, Ferdousi University, Mashhad, IRAN
2- No. 1346, Mirdamad cross, Valiasr st., Faculty of Geodesy and Geomatics Eng., K.N.Toosi
University of Technology, Tehran, IRAN
3- Valei asr Street, Industrial Dep., Amirkabir University, Tehran, Iran
(Assistant Professor) ‫استادیار دانشگاه‬
(Assistant Professor) ‫استادیار دانشگاه‬
(MSc Student) ‫دانشجوی ارشد‬
(MSc Student) ‫دانشجوی ارشد‬
1
-1
-2
-3
-4
‫توسعه و ارزیابی یک سیستم اطالعات مکانی عامل مبنا به‬
‫منظور تعیین تاثیر توده های آلودگی هوا بر روی‬
‫محدوده های ریسک زیست محیطی‬
‫خالصه‬
‫در این مقاله هدف اصلی آن است که با طراحی و ارزیابی یک سیستم‬
‫عامل مبنای مکانی‪ ،‬اطالعات مربوط بهه تهوده ههای آلهودگی زیسهت‬
‫محیطی به صورت آنی و از طریق تصاویر ماهواره ای ‪ NOAA‬استخراج‬
‫شده و سپس تاثیر آنها بر روی محدوده های زیست محیطی جنگلی بهه‬
‫صورت مناطق ریسک مشخص گردند‪ .‬آلودگی هوا در این کاربرد پدیهده‬
‫ایست که به اشکال گوناگون باعث به وجود آمدن ریسهک در محهدوده‬
‫های جنگلی میگردد‪ .‬به عنوان مثال یکی از اثرات مخرب این پدیده‬
‫بدین صورت است که حیوانات مقیم آن منطقه را به مناطق دیگر کوچ‬
‫داده و باعث بروز مشکالتی مانند‪ :‬کمبود مواد غهاایی‪ ،‬اخهتالل در‬
‫گونه های جانوری و فرسایش خاک میگردد‪ .‬لاا به دست آوردن تمامی‬
‫تاثیرات آلودگی هوا بر محدوده های جنگلهی کهاری صهع‬
‫و‬
‫مشهکل‬
‫میباشد‪ .‬با این وجود برخی از اثرات آن ماننهد تهاثیر بهر رشهد‬
‫پوشش گیاهی منطقه را میتهوان بهه عنهوان عهاملی ضهروری تهر در‬
‫فرایند تصمیم گیری وارد نمود‪ .‬لاا در این مقالهه بهرای بررسهی‬
‫این موضوع‪ ،‬کاربرد انتشار آلودگی ناشی از آتش سوزی چاههای نفت‬
‫کویت در سال ‪ 1991‬و تاثیر آن بر جنگلهای جنهوب غربهی کشهور در‬
‫نظر گرفته شده است‪ .‬در جنگ خلهی‬
‫فهارس کهه در ‪ 16‬ژانویهه ‪1991‬‬
‫شروع شد و در ‪ 28‬فوریه ‪ 1991‬خاتمه یافت‪ ،‬نزدیک به ‪ 700‬چاه نفهت‬
‫کویت در آتش سوختند که ‪ 607‬فقره از آنها بعد از جنگ نیز شهعله‬
‫ور بودند‪ .‬در طول دوره پیک آتهش سهوزی حهدودا ‪ 5000‬تهن دود در‬
‫محدودهای به طول ‪ 1280‬کیلومتر منتشر گردید که در نتیجهه‪ ،‬وارد‬
‫مرز همسایگان کویت از جمله ایران شد‪ .‬بها بررسهی تصهاویر نهیم‬
‫روزانه ‪ NOAA-AVHRR‬کامال محقق میگردد که آلودگی به سهمت مهرز‬
‫ایران حرکت کرده و منابع طبیعی و جنگلهای جنوب غربهی کشهور را‬
‫های‬
‫هه هه‬
‫هر روی مشخصه‬
‫هودگی به‬
‫هوده آله‬
‫هن ته‬
‫هت‪ .‬ایه‬
‫هوده اسه‬
‫هد نمه‬
‫تهدیه‬
‫بیولوژیکی‪ ،‬فیزیکی و شیمیایی منطقه تاثیر گهاار بهوده و در آن‬
‫‪2‬‬
‫زمان باعث بارش بارانهای اسیدی و افزایش غلظت فلزات سهنگین در‬
‫محدوده جنگلی جنوب غربی کشور گردید‪ .‬بها در نظهر گهرفتن چنهین‬
‫شواهدی‪ ،‬ردیابی‪ ،‬تخمین و ارزیابی سریع و آنی محدوده های ریسهک‬
‫حاصل از چنین پدیده هایی در محدوده های زیست محیطی مانند جنگل‬
‫امری ضروری میباشد‪ .‬این مقصود با طراحی یک سیستم هوشمند عامهل‬
‫مبنا که در آن ابزارهای مختلف مرتبط با سیستم اطالعات مکهانی و‬
‫سنجش از دور یکپارچه شده اند‪ ،‬محقق میگردد‪.‬‬
‫لاا‪ ،‬بها در نظهر‬
‫گرفتن خصوصیات کاربرد مورد نظر و معیارهای مکانی مهوثر در آن‪،‬‬
‫ابتدا پایگاه دانش اولیه‪ ،‬طبق نظرات متخصصهین اکولهوژی‪ ،‬محهیط‬
‫هتنتاجگری‬
‫زیست‪ ،‬هواشناس و منابع آب تعیین شده و سپس عملیات اسه‬
‫بر روی قوانین به همراه یادگیری ژنتیکهی قهوانین در قاله‬
‫یهک‬
‫هن سیسهتم‬
‫سیستم اطالعات مکانی عامل مبنا پیاده سازی میگردد‪ .‬ایه‬
‫شامل اجزائی مانند‪ :‬پایگهاه داده‪ ،‬پایگهاه دانهش‪ ،‬شهبیه سهاز‪،‬‬
‫یادگیری ژنتیکی قوانین و بخش تصمیم گیری میباشد‪ .‬در این سیستم‬
‫به منظور استنتاجگری‪ ،‬روشهای مختلهف یهادگیری ژنتیکهی قهوانین‬
‫هوانین بهینهه مشهخص میگردنهد‪ .‬بهدین مقصهود‪،‬‬
‫ارزیابی شهده و قه‬
‫هنگامیکه دامنه مشخصی از قوانین مورد انتظهار تهامین میگهردد‪،‬‬
‫روابط بین قوانین به همان نحوی که انسان راه حل یهک مسهاله را‬
‫می یابد‪ ،‬برقرار میگردد‪ .‬در اینحالت با در نظهر گهرفتن طبیعهت‬
‫هبات نهر‬
‫نامعین داده ها و دانش مکانی موجود اسهتفاده از محاسه‬
‫مانند روشهای محاسباتی فازی اجتناب ناپایر است‪ .‬محاسبات نهر‬
‫تلفیقی از روشهای محاسباتی هستند که توانائیهای ذهنی بشهری را‬
‫به منظور استنتاج و یادگیری در محیط نامعین یکسو مینمایند‪ .‬با‬
‫توجه به اینکه دو پدیده مورد نظر (آلودگی هوا و محدوده ریسهک‬
‫دارای مرز نامعلو‬
‫و ماهیتی نامعین هستند‪ ،‬الز‬
‫است که وضهعیتی‬
‫قابل پیش بینی از قوانین برای آنها در نظر گرفته شده و مطهابق‬
‫آن برای هر دوره محاسباتی عمل تنظیم و یادگیری قوانین استنتاج‬
‫در شرایط نامعین اجرا گردد‪ .‬لاا در قال‬
‫یک سیستم عامهل مبنها‬
‫مناطق ریسک به صورت آنی و هوشمند تعیین شهده و روشههای مختلهف‬
‫یادگیری ژنتیکی به همراه استنتاجگری مکانی فازی با استفاده از‬
‫داده های استخراجی از تصاویر ماهواره ای لندست™ مورد ارزیابی‬
‫قرار میگیرند‪.‬‬
‫‪3‬‬
،‫ تهوده آلهودگی‬،‫ یهادگیری‬،‫ اسهتنتاج‬،‫ عامل پایهه‬:‫کلمات کلیدی‬
.‫سیستم اطالعات مکانی‬
Developing and evaluation of an agent-based GIS to identify the impacts of
air pollution over the environmental risk areas
Abstract
The main aim of this paper is designing and evaluating an agent based GIS for
identifying environmental risk areas based on derived smoke plumes of NOAA satellite
images and online modeling of their impacts over an environmental phenomenon. Air
pollution is an event that produces risk and effects the forest environment in many
ways. For example, as a consequence of the air pollution, animals move to unpolluted
areas, then, caused overgrazing, uprooting of species, starvation of livestock, erosion of
soil, and extension of desert areas. Therefore, it is not easy to determine the full impact
of this phenomenon completely for assessing risks. Whereas, several aspects of this
problem such as the growth change of vegetation covers, can be considered as an urgent
application for making spatial decision. To solve this problem, we use the application of
environmental damages of the smoke plumes of the Kuwait's oil well fire on the
southwest forest lands of Iran's territory during the 1991 Persian Golf war. It has been
reported that nearly 700 oil wells were set on fire starting on 19 February 1991 for
which the last fir extinguished on 2th November 1991. During the peak period of the
fires, the wells were emitting about 5000 tones of smoke per day. Oil pollution
movement via south west of Iran could be confirmed using NOAA-AVHRR midday
4
images. The polluted inland areas can be outline as natural resources such as forest
lands. This pollutant impacts on the: biological, physical and chemical characteristics of
soil, the amount of acid rain falls and increasing heavy metals through the forest lands.
Then, it is necessary to track, estimate and evaluate the risk values in terms of natural
forest cover due to the mentioned atmospheric pollution quickly. This purpose would be
possible if an integrated intelligent system designed using a variety of tools for making
decision available. Thus, using GIS and remote sensing data are essential for the
identification of dangerous sites prior to undertaking further analyses or field
investigations. In this paper, one of objectives is to evaluate different methods in a
spatial agent based system in order to assess environmental risks for air pollution
application arising from oil well fires. Then, by considering the geographical
characteristics of application and its effective criteria, firstly, primary knowledge is
defined based on ecological, weather, water resource and environmental expert's
judgments, and secondly, inference process with the genetic learning are applied on the
existed rules in an agent based GIS framework. This system is consisted of: a spatial
data base, a knowledge based, a simulator, a genetic learning and a decision making
components. In this system, different genetic learning methods are evaluated to
determine proper rules for reasoning. For this purpose, when a desirable domain of
knowledge is provided, it is made possible to inference on a set of realities in the same
manner human finds solution of the problem. Consequently, with respect to the
uncertain nature of the spatial data and topological knowledge base, it is essential to use
soft computing solutions. Soft computing is a combination of computational methods
that rectify human mental capabilities to inference and learn in an uncertain
environment. With respect to the uncertain nature and indeterminate boundaries of input
spatial data (pollution plumes and risk area), it is necessary to use predictive mode of
knowledge base for inference. Then, for each snapshot, inference rules are learned and
tuned considering the uncertain condition. Thus, it is essential to design appropriate
agent based system to use in the final inference process to obtain risk areas. Therefore,
risk areas are determined intelligently and different genetic learning methods with
reasoning process are evaluated using sample points driven of Landsat TM satellite
images.
5
‫‪Keywords: agent based, inference, learning, smoke plumes, GIS.‬‬
‫‪-1‬مقدمه‬
‫همند شهاخه‬
‫در چند دهه اخیر با افزایش توجهات بهه محاسهبات هوشه‬
‫جدیدی از سیستمهای هوشمند به نا‬
‫سیستمهای هوشمند عامهل مبنها‬
‫شکل گرفته است‪ .‬در ایهن حهوزه بهه حهل مسهائل توسهط گروههی از‬
‫موجودیتهای خودمختار به نا‬
‫عامل پرداخته میشود که هر عامل در‬
‫آن دارای اهداف‪ ،‬باورها‪ ،‬قابلیتها و ویژگیهای خاصی میباشد‪ .‬در‬
‫این راستا‪ ،‬در سال ‪ 2001‬در سیستمی به نا‬
‫‪ GXGIS‬یک واسط کاربر‬
‫عامل‪ -‬مبنا با تلفیق اطالعات کمی و کیفهی بهه تهراکنش کهاربر و‬
‫محیط داخلی کمک مینمود ]‪ .[Tang et al., 2001‬در همان سال با توجه به‬
‫اهمیت ارتباط ‪ GIS‬با سیستمهای پشتیبانی تصمیم گیهری‪ ،‬از عامهل‬
‫جهت کلی سازی فرا داده ها در طراحی پایگاه دانهش اسهتفاده شهد‬
‫]‪ .[Lawrence et al., 2002‬دو سال بعد در همین ارتباط متخصصهین ‪ GIS‬از‬
‫طریق تلفیق قابلیتهای نهر‬
‫افزارههای ‪ Prolog ، VC++‬و ‪ Access‬یهک‬
‫سیستم تصمیم گیری عامل پایه را جهت مدیریت اکوسیستم جنگلها به‬
‫کار گرفتند ]‪ .[Nude,2003‬در سال ‪ 2006‬از تصمیم گیری چنهد معیهاره‬
‫برای تعیین پارامترهای یک مدل عامل مبنا‪ ،‬جهت شبیه سازی نحهوه‬
‫توسعه مناطق مسکونی در شهر استفاده شد ]‪ .[Xia and Xiaoping, 2007‬در‬
‫سال ‪ 2007‬از عامل نقشه ای هوشمند )‪ (IMA‬برای تعریف دسترسهیها و‬
‫پشتیبانی از تغییرات مکهانی اسهتفاده شهد]‪ . [Gervac et al., 2007‬بها‬
‫‪6‬‬
‫بررسی تحقیقات فوق مشخص میگردد که هر چه از زمان گاشته به حال‬
‫نزدیک میشویم‪ ،‬تمایل به اسهتفاده از تصهمیم گیهری در عاملههای‬
‫مکانی افزایش یافته و گرایشها بهه اسهتفاده از متهدهای تصهمیم‬
‫گیری هوشمند مکانی‪ ،‬گسترش یافته اند‪ .‬معمهوال در چنهین مسهائلی‬
‫هه ممکهن اسهت در پردازشهها‪،‬‬
‫ماهیهت داده هها بهه نحهوی اسهت که‬
‫مدلسازیها و تحلیلها‪ ،‬عد‬
‫محاسبات نر‬
‫هتفاده از‬
‫قطعیت به وجود آید‪ .‬لاا اسه‬
‫مانند محاسبات فازی در برخی از کاربردههای مکهانی‬
‫اجتناب ناپایر خواهد بود‪ .‬چنین محاسباتی‪ ،‬تلفیقهی از روشهها و‬
‫الگوریتمهای ریاضی هستند که توانائیها و مولفه های ذهنهی بشهر‬
‫را در اسههتنتاجگری و یههادگیری در فضههاهای نههامعین مدلسههازی‬
‫میکنند]‪ .[Kortenkamp, 1998‬در واقع این شاخه از علم شامل تکنیکهها‬
‫و ابزارهای محاسباتی مانند‪ :‬منطق فازی‪ ،‬شبکه عصهبی‪ ،‬الگهوریتم‬
‫ژنتیک‪ ،‬جبر باورها و برنامه نویسی منطهق قیاسهی میباشهد ‪[Konar,‬‬
‫]‪ .2005‬در سیستمهای اطالعات مکانی مناس‬
‫نر‬
‫تهرین زمینهه محاسهباتی‬
‫شامل دانش و روابط مکانی موجود است‪ .‬دانش متشکل از مجموعه‬
‫قواعد "اگر‪ -‬آنگاه" مکانی اسهت کهه بهه دو شهکل توصهیفگرانه و‬
‫پیشگویانه در فرایند استنتاجگری و یادگیری وارد میشهوند ‪[Lavrac,‬‬
‫]‪ .2004‬سیستمهای‬
‫ژنتیک‪ -‬فازی مکانی از جمله سیسهتمهایی هسهتند‬
‫که قادرند به شیوه ای هوشمندانه با محاسبات بر روی هر دو نهوع‬
‫هط متغیهر بهین پدیهده ههای‬
‫دانش توصیفگرانه و پیشگویانه‪ ،‬روابه‬
‫مکهانی را بیابنهد]‪.[Cordón, et. al., 2001a‬‬
‫تحقیقهات مفصهلی در ایهن‬
‫زمینه توسط محققین کاربردهای مختلف مانند‪ :‬طراحی و پیاده سازی‬
‫هه ارائهه‬
‫پایگاه دانش‪ ،‬انتخاب قوانین و تصمیم گیریهای چند هدفه‬
‫هت‬
‫هده اسه‬
‫شه‬
‫;‪[Wang, et. al., 2005; Sánchez, et. al., 2005; Cordón, et. al., 2004‬‬
‫]‪ . Freitas,2002 ; Setzkorn and Paton, 2005‬عهالوه بهر آن‪ ،‬نتهای‬
‫حاصهل از‬
‫هان میدههد کهه بهر روی عملکهرد الگوریتمههای‬
‫مطالعات دیگهر نشه‬
‫هرا نشهده‬
‫استنتاجگری و یادگیری مکانی ارزیابی درست و صحیحی اجه‬
‫است ]‪ [Sánchez, et. al., 2001; Mikut, et.al., 2005; Ishibuchi and Yamamoto, 2004‬لهاا‬
‫در این مقاله سعی بر آن است کهه یهادگیری و اسهتنتاج در عامهل‬
‫مکانی توسعه یافته و در یک کاربرد نمونه مهورد ارزیهابی قهرار‬
‫گیرد‪ .‬بدین منظور "تعیین مناطق ریسک در محدوده های زیست محیطی‬
‫های نفهت"‬
‫جنگلی برای مساله آلودگی هوای ناشی از آتش سوزی چاههه‬
‫‪7‬‬
‫به عنوان کاربرد مطلوب در نظر گرفته شده است‪ .‬در این مساله دو‬
‫پدیده دینامیک و نامعین به نا‬
‫جنگلی وجود دارند کهه موجه‬
‫توده های آلودگی و محدوده ههای‬
‫رخهدادها و روابهط نهامعین مکهانی‬
‫میگردند‪ .‬لاا در این کاربرد استفاده از یک تئوری مجاسباتی قوی‬
‫مانند تئوری فازی برای مدلسازی عد‬
‫قطعیت ضرورت دارد‪ .‬با کمهک‬
‫محاسبات فازی و قابلیتهای یادگیری ژنتیکی‪ ،‬بهه راحتهی میتهوان‬
‫روابط نامعین موجود را استخراج و قوانین ذخیره شده در پایگهاه‬
‫دانش را به روز نمود‪.‬‬
‫‪-2‬مواد و روشها‬
‫یکی از مهمترین مولفه هایی که باعث میگردند یهک عامهل عملکهرد‬
‫هوشمندی داشته باشد‪ ،‬قابلیتهای استنتاجگری و یادگیری آن اسهت‪.‬‬
‫در این راستا از اهداف طراحی عامل هوشمند‪ ،‬دستیابي به سیسهتمی‬
‫است که در محیط مکانمند قادر به استخراج و ذخیره سازی دانهش و‬
‫انجا‬
‫اعمالی مثل استنتاج و یادگیری بوده و بتوانهد بهر اسهاس‬
‫یافته های خود تصمیم گیری نماید‪ .‬دانش موجود در چنین عاملی دو‬
‫نوع است‪ :‬دانشی که حاصل تجربه است و دانشهی کهه حاصهل مشهاهده‬
‫محیطی عامل میباشد‪.‬‬
‫هنگامیکه حوزه مطلوبی از دانهش در سیسهتم‬
‫هی یابهد‪،‬‬
‫حاصل گردد‪ ،‬به همان روشی که انسان راه حل مساله را مه‬
‫عامل نیز عمل استنتاج و یادگیری را انجا‬
‫میدههد‪ .‬در اینحالهت‬
‫هش حاصهل از مشهاهده تضهادی‬
‫اگر در دانش حاصل از تجربیات و دانه‬
‫وجود داشته باشد‪ ،‬سیستم مشاهدات را مالک قهرار میدههد‪ .‬در ایهن‬
‫بخش مبانی و مفاهیم مرتبط بها سیسهتمهای اطالعهات مکهانی عامهل‬
‫مبنای ژنتیک‪ -‬فازی و نحوه عملکرد آنها به صورت هوشهمند توصهیف‬
‫میگردد‪ .‬سیستمهای مکانی ژنتیک‪ -‬فهازی دارای دو بخهش اصهلی بهه‬
‫نامهای استنتاج قوانین مکانی و یادگیری زنتیکی هستند که هریهک‬
‫به اختصار در ذیل توضیح داده شده اند‪.‬‬
‫‪ -1-2‬استنتاج قوانین مکانی‬
‫هدرت اسهت‪ ،‬یعنهی بها اسهتفاده از آن میتهوان‬
‫دانش بهه معنهی قه‬
‫متغیرهای بهینه را‬
‫یافت‪ ،‬چیزهای جدیدی آموخهت‪ ،‬مسهائل را حهل‬
‫نمود‪ ،‬یک مرکزیت کامل ایجاد کرد‪ ،‬و شرایط جدیدی را با توجه به‬
‫زمان حال و آینده تعریف کرد‪ .‬وقتی که عامهل بها مسهاله تصهمیم‬
‫گیری تحت شرایط متغیر و معیارهای گوناگون مواجه میشود‪ ،‬بایستی‬
‫‪8‬‬
‫قادر باشد که اوال قوانین الز‬
‫دوما دانش موجود را بهنگا‬
‫جههت اسهتنتاج را ذخیهره نمایهد‪،‬‬
‫نموده و طبق شرایط تغییر دهد‪ .‬یعنی‬
‫اگر حوزه دانش و تغییر آن برای عامل مشخص گردد‪ ،‬قادر اسهت کهه‬
‫همانند یک فرد خبره راه حل مساله را بیابد و استنتاج و استدالل‬
‫نماید‪ .‬در حقیقت یک سیستم مبتنی بر دانش شهامل مجموعهه برنامهه‬
‫هایی است که در یک حوزه مشخص تعریف شده اند و دانش مربهوط بهه‬
‫اشیاء و رشته فعالیتهای مورد نیاز برای تصهمیم گیهری یهک فهرد‬
‫خبره را دربر میگیرند‪.‬‬
‫هد اگهر و‬
‫هاز از طریهق قواعه‬
‫در سیستم مطلوب‪ ،‬متغیرهای تصهمیم سه‬
‫آنگاه وارد پایگاه دانش میشوند‪ .‬این متغیرها با توجه به ماهیت‬
‫نامعین و ناپایدار عوارض‪ ،‬بهه صهورت فهازی تعریهف شهده و وارد‬
‫کنترل کننده میگردنهد‪ .‬در اینحالهت فراینهد ارزیهابی توصهیفات‬
‫زبانی حاصله‪ ،‬اصطالحا به نا‬
‫استنتاج فازی معروف اسهت‪ .‬در ایهن‬
‫فرایند دو مساله مهم وجود دارند‪ ،‬اول اینکه با توجه بهه مقهد‬
‫فازی ‪ A‬چگونه تالی فازی ‪ B‬به دست میاید‪ ،‬دو‬
‫تالی فازی ‪ B‬چگونه مقد‬
‫اینکه بها وجهود‬
‫فازی ‪ A‬بدست میاید‪ .‬در واقع قواعد اگر‬
‫و آنگاه فازی مجموعه شرایطی هستند که وابستگی چند متغیر زبانی‬
‫را به یکدیگر نشان میدهند‪ .‬شکل تحلیلی یک قاعده اگهر و آنگهاه‬
‫فازی در واقع رابطه ای فازی است کهه اسهتلزا‬
‫نامیده میشود‪ .‬استلزا‬
‫)‪(Implication Relation‬‬
‫عالوه بر در نظهر گهرفتن نیهاز کهاربردی‬
‫عامل‪ ،‬تفسیری را که از عبارات "و" ‪ " ،‬یا" و "در غیر اینصورت"‬
‫دارد منعکس مینماید‪ .‬یک استلزا ‪ ،‬شامل دو متغیر کالمهی میباشهد‬
‫که هر کدا‬
‫در یک طرف آن قرار گرفته اند‪ .‬بهه عنهوان مثهال در‬
‫عبارت "اگر ‪ x‬برابر ‪ A‬است‪ ،‬آنگهاه ‪ y‬برابهر ‪ B‬اسهت" متغیرههای‬
‫زبانی ‪ x‬و ‪ y‬ارزشهای ‪ A‬و ‪ B‬هستند‪.‬‬
‫هه ی عملیهاتی بها نامههای‪:‬‬
‫الیه‬
‫استنتاج قوانین مکانی شامل پهن‬
‫نودهای لینگویستیک ورودی‪ ،1‬نودهای تر‬
‫نودهای تر‬
‫ورودی‪ ،2‬نودهای قهانون‪،3‬‬
‫خروجی و نودهای لینگویستیک خروجی می باشد کهه الیهه‬
‫های اول و دو‬
‫آن را اصطالحا الیه ههای مقهد‬
‫و دو الیهه آخهر را‬
‫تالی گویند‪ .‬در الیه اول‪ ،‬ابتدا متغیرهای مکانی مورد نیاز برای‬
‫‪1‬‬
‫‪Input Linguistic Nodes‬‬
‫‪Input Term Nodes‬‬
‫‪3‬‬
‫‪Rule Nodes‬‬
‫‪2‬‬
‫‪9‬‬
‫تعیین ریسک در محدوده جنگلی‪ ،‬با تکمیل پرسشنامه های کارشناسهی‬
‫مشخص شده و سپس به صورت متغیرهای نامعین در پایگاه دانش سیستم‬
‫ذخیره سازی میشوند‪ .‬به عنوان مثال در کاربرد مطلوب‪ ،‬متغیرهایی‬
‫مانند‪ :‬فاصله‪ ،‬پایهداری دود‪ ،‬مقهدار آلهودگی‪ ،‬جههت حرکهت دود‪،‬‬
‫رابطه توپولوژیک محهدوده دودی و نظیهر آن‪ ،‬بهه عنهوان نودههای‬
‫لینگویستیک ورودی در نظر گرفته شده اند‪.‬‬
‫کل ‪ -1‬ارتباط بین الیه های یک بخش استنتاج قوانین مکانی‬
‫پس از معرفی الیه اول خروجیهای آن به الیه دو‬
‫الیه دو‬
‫متصهل شهده و در‬
‫با توجه به پرسشنامه های تخصصی مشهخص میگهردد کهه چهه‬
‫ترمهایی بایستی معرفی گردند‪ .‬به عنوان مثهال یهک متغیهر فهازی‬
‫هاد نشهان‬
‫فاصله را میتوان با ترمهایی مانند‪ :‬کهم‪ ،‬متوسهط و زیه‬
‫داد‪ .‬در واقع این ترمها قادر هستند که مقادیر صفر و یهک بهودن‬
‫یک متغیر را به مجموعه پیوسته ای بین صفر و یک انتقهال دهنهد‪.‬‬
‫بدین منظور میتوان از توابع فازی مثلثی‪ ،‬ذوزنقه ای و نظیهر آن‬
‫استفاده نمود‪ .‬در شکل ‪ 2‬متغیرهای فازی مربوط به پایداری دود و‬
‫جهت باد ذخیره شده در پایگاه دانش بخش استنتاجگر سیستم مشاهده‬
‫میشوند‪.‬‬
‫‪10‬‬
‫شکل ‪ -2‬معرفی ترمهای مرتبط با متغیرهای فازی در الیه دو‬
‫در الیه سو ‪ ،‬مجموعه قوانین مهور نیهاز سیسهتم‪ ،‬بها توجهه بهه‬
‫پرسشنامه های فنی تدوین شده و معرفی میگردند‪ .‬به عنوان نمونهه‬
‫هله تهوده‬
‫عبارت "اگر جهت باد به سمت محدوده جنگلی بهوده و فاصه‬
‫نسبت به آن کم باشد و آلودگی توده مورد نظر زیاد باشد‪ ،‬آنگهاه‬
‫مقدار ریسک زیاد است" شامل یک قانون اگر‪-‬آنگاه در سیستم مطلوب‬
‫هانی و بها‬
‫است‪ .‬این قوانین بها توجهه بهه شهرایط ورودیههای مکه‬
‫استفاده از اپراتورهای فازی با یکدیگر تلفیق شهده و منجهر بهه‬
‫ارائه یک نتیجه نهایی میگردند‪ .‬وظیفه الیه های چهار‬
‫معرفی خروجی مورد نظر (همان مقدار ریسک‬
‫و پنجم هم‬
‫هک متغیهر‬
‫بهه صهورت یه‬
‫فازی میباشد (شکل ‪ . 3‬در این دو الیه مقدار ریسک به عنهوان یهک‬
‫متغیر نتیجه بین صفر و یک و با پن‬
‫تر‬
‫اصلی "خیلی کم"‪" ،‬کم"‪،‬‬
‫"متوسط"‪" ،‬زیاد" و "خیلی زیاد" در نظر گرفته شده است‪ .‬لاا بها‬
‫اتصال الیه های چهار‬
‫و پنجم به الیه سو‬
‫امکان نمایش خروجیههای‬
‫استنتاج شده در متغیر فازی خروجی به صورت آنی وجود دارد‪.‬‬
‫شکل ‪ -3‬معرفی مقدار ریسک نهایی به صورت یک متغیر فازی خروجی‬
‫‪ -2-2‬یادگیری قوانین مکانی‬
‫الگوریتم ژنتیک ابزاری قوی برای انجا‬
‫اعمهالی ماننهد‪ :‬تولیهد‬
‫قوانین فازی‪ ،‬بهینه سازی آنهها‪ ،‬تولیهد توابهع تعلهق و تنظهیم‬
‫توابع تعلق میباشد]‪ .[Cordón, et. al., 2004‬از منظر کلهی‪ ،‬اسهتفاده از‬
‫‪11‬‬
‫این الگوریتم در یادگیری اتوماتیهک دانهش را میتهوان یهک عمهل‬
‫بهینه سازی در راستای رفع نواقص تعریف دانش از طریق کارشناسان‬
‫دانست‪ .‬این الگوریتم با کد گااری قوانین و پارامترههای مکهانی‬
‫معرفی شده در بخش استنتاج و با استفاده از اپراتورهای تکهاملی‬
‫مانند‪ :‬انتخاب‪ ،1‬ادغا‬
‫‪2‬‬
‫و جهش‪ 3‬قادر است کهه قهوانین بهینهه را‬
‫تعیین نموده و متغیرهای فازی تعریف شده را تعدیل و تنظیم کند‪.‬‬
‫هات یهادگیری بها اجهرای دو‬
‫برای دستیابی به ایهن مقصهود‪ ،‬عملیه‬
‫فرایند بر روی دو بخش قوانین دانش پایه و پایگاه داده‪ ،‬انجها‬
‫میگیرد‪ .‬در اینحالت روند یادگیری با این شرط انجا‬
‫میگیرد کهه‬
‫"هر آنگاه که پایگاه داده با اجرای فرایند تنظیم ژنتیکی بدسهت‬
‫آمد‪ ،‬عمل یادگیری به منظور استخراج و بهینه سازی قوانین انجا‬
‫شود"‪ .‬لاا از روش محاسبه خطا برای ارزیابی و اعتبار سهنجی کهل‬
‫فرایند استفاده میشود‪.‬‬
‫شکل ‪ -4‬یادگیری ژنتیکی پایگاه داده‬
‫‪-3‬نتایج و بحث‬
‫وقایع مهمی در خلی‬
‫فارس اتفاق افتاده اسهت کهه بهر روی محهیط‬
‫زیست محدوده های اطراف تأثیرگاار بوده اند‪ .‬در ژانویه ‪ 1991‬در‬
‫کمتر از یک ماه نزدیک به ‪ 700‬چاه‪ ،‬تانکر و پاالیشگاه کویتی آتش‬
‫گرفته و ‪ 900‬میلیون بشکه نفهت سهوزانده شهدند‪ .‬در نتیجهه ایهن‬
‫موضوع در طول ‪ 9‬ماه تودههای دود چنهد صهد مایهل از محهدودههای‬
‫اطراف را فرا گرفتند(شکل ‪5‬‬
‫]‪.[Price, 1993‬‬
‫‪1‬‬
‫‪Select‬‬
‫‪Crossover‬‬
‫‪3‬‬
‫‪Mutation‬‬
‫‪2‬‬
‫‪12‬‬
‫شکل ‪ -5‬حرکت دود حاصل از آتش سوزی چاههای نفت کویت به سمت‬
‫قلمرو ایران‬
‫یکی از محدوده های تحت تاثیر این حادثهه‪ ،‬منطقهه ای جنگلهی در‬
‫جنوب غرب ایران است که در نتیجه انتشار آلودگی حاصل از چاههای‬
‫نفت کویت‪ ،‬افت چشمگیری در رشد گیاهان‪ ،‬کیفیت خاک و گونهه ههای‬
‫گیاهی موجود در آن مشاهده شده اسهت‪ .‬شهرایط هواشناسهی در ایهن‬
‫منطقه باعث گردید که تهوده دود از جنهوب بهه شهمال (بهه صهورت‬
‫پریودیک‬
‫وارد الیههای اتمسفریک گردد‪ .‬در بازه زمانی مهارس تها‬
‫جوالی بادهای شدیدی شروع به وزیدن کردند که در نتیجه باعث پخهش‬
‫آلودگی در منطقه جنگلی شدند‪ .‬بررسیهای دمائی از فوریه تا مارس‬
‫نشان داد که در آن زمان دما در حدود ‪ 8‬درجهه سهانتیگراد تها ‪4‬‬
‫درجه سانتیگراد کاهش یافت‪ .‬همچنین نتیجه تحقیقات نشهان دادنهد‬
‫که توده دود متحرک باعث بلوکه شدن نور خورشید و محهدودیت نهور‬
‫برای انجا‬
‫فتوسنتر گیاهان در منطقه جنگلی مورد نظر شده بهود‪.‬‬
‫هل از دود‬
‫عالوه بر این دی اکسید سلفور و اکسیدهای نیتهروژن حاصه‬
‫به اتمسفر تزریق شده و به صورت بارانهای اسیدی بارش نمودند‪.‬‬
‫با در نظر گرفتن شواهد فوق مشخص میگردد یکی از مهمترین دغدغهه‬
‫های سازمان حفاظت از محیط زیست کشور‪ ،‬تخمین ریسک به صورت آنهی‬
‫و فوری در حوادثی نظیر حوادث فوق میباشد‪ .‬محدوده مطالعهاتی در‬
‫نظر گرفته شده (شکل ‪6‬‬
‫که در ‪32N‬‬
‫و‬
‫‪ 53E‬خاورمیانه واقع شهده‬
‫است‪ ،‬دارای منابعی شامل‪ :‬جنگلها‪ ،‬منابع آبهی‪ ،‬زمینههای بهایر‪،‬‬
‫زمینهای کشاورزی‪ ،‬چمنزارها و غیهره اسهت‪ .‬در ایهن منطقهه عکهس‬
‫هه میهزان‬
‫العمل خاک نسبت به اسیدی شدن خیلی کم است که در نتیجه‬
‫تأثیر بارانهای اسیدی بر روی کشاورزی این مناطق بسهیار خواههد‬
‫بود‪ .‬همچنین بارانهای اسیدی منابع آبی منطقه را آلوده ساخته و‬
‫باعث به خطر افتادن زندگی جانوران و ساکنین این منطقه میشوند‪.‬‬
‫‪13‬‬
‫شکل ‪-6‬محدوده تاثیر در نظر گرفته شده‬
‫لاا از اهداف کاربردی این مقاله در‬
‫راستای کمک به تصمیم گیری‬
‫هتفاده از‬
‫هادر باشهد بها اسه‬
‫و تحلیل‪ ،‬طراحی سیسهتمی اسهت کهه قه‬
‫قابلیتهای عامل مبنا ( استنتاج و یادگیری‬
‫مقهدار ریسهک را در‬
‫محدوده مطالعاتی تعیین نموده و منطقه مورد نظر را رتبهه بنهدی‬
‫کند‪ .‬برای حصول بدین مقصود یک سیستم مکانی عامل مبنای ژنتیهک‪-‬‬
‫فازی (شکل ‪7‬‬
‫شامل اجزائی مانند‪ :‬اسهتخراجگر داده‪ ،‬شهبیه سهاز‬
‫هک و بخهش‬
‫روابهط توپولوژیهک‪ ،‬اسهتنتاجگر فهازی‪ ،‬یهادگیری ژنتیه‬
‫گزارشگیری و نمایش طراحی و پیاده سازی گردید‪ .‬ایهن سیسهتم بها‬
‫استفاده از معماری نشان داده شده در شکل ‪ 7‬مقادیر ریسهک را در‬
‫مساله "آتش سوزی چاههای نفهت کویهت در سهال ‪ 1991‬و تهاثیر دود‬
‫حاصل از آن بر محدوده جنگلهای جنوب غربی ایران" بدسهت آورده و‬
‫محدوده های جنگلی در معرض خطر را مشخص میکند‪.‬‬
‫شکل ‪ -7‬معماری سیستم ژنتیک فازی پیشنهادی‬
‫برای اجرای این سیستم‪ ،‬ابتدا یک پایگاه داده مکانی حاوی مولفه‬
‫های استنتاج مانند‪:‬‬
‫تصاویر ‪ ، NOAA‬ثبات دود‪ ،‬جهت باد غاله ‪،‬‬
‫بارانهای اسیدی‪ ،‬نوع خهاک‪ ،‬ارتفهاع درختهان‪ ،‬ضهخامت دود‪ ،‬مهدل‬
‫رقومی زمین‪ ،‬نمونه های رشد منفی گیاهی و میزان دود منتشر شهده‬
‫تشکیل میشود‪ .‬این داده ها با فرمتهی بهه نها‬
‫‪ ASCII‬کهه دارای‬
‫خصوصیاتی مانند حجم کم و سرعت فراخوانی زیاد است‪ ،‬ذخیره سهازی‬
‫شده اند‪.‬‬
‫‪14‬‬
‫شکل ‪ -8‬نمونه ای از داده های مورد استفاده‬
‫هه نویسهی‬
‫بخش استخراجگر داده با استفاده از مولفه ای از برنامه‬
‫شیء گرا به نا‬
‫هات مهورد‬
‫اشاره گر به پایگاه داده متصل و اطالعه‬
‫نیاز را در هر دوره زمانی تغییر‪ ،‬سنجش و استخراج میکنهد‪ .‬ایهن‬
‫بخش قادر است که اطالعات دریافتی پورتال را در ههر دوره زمهانی‬
‫دریافت و پردازش نماید‪ .‬در کاربرد مطلوب یک دوره زمانی تغییهر‬
‫به مفهو‬
‫اطالعات ماهیانه ای است که در آن رفتهار مکهانی دود و‬
‫محدوده جنگلی شامل نوساناتی مهم و در حد نیاز به منظور تصهمیم‬
‫گیری هستند‪ .‬از آنجائیکه در ماههای فوریه‪ ،‬مهارس‪ ،‬مهی‪ ،‬ژوئهن‪،‬‬
‫جوالی‪ ،‬آگوست و سپتامبر سال ‪ 1991‬تغییرات زیهادی در رشهد گونهه‬
‫های گیاهان جنگلهای جنوب غربی کشور رخ داده است‪ ،‬بنابراین هفت‬
‫دوره به عنوان دوره های تغییر رفتار مکانی در نظر گرفتهه شهده‬
‫هاط اسهتخراجگر بها پایگهاه‬
‫اند‪ .‬در هر یک از این دوره ها ارتبه‬
‫داده درسه مرحله عملیاتی‬
‫ذیل برقرار میگردد‪.‬‬
‫الف‪ -‬استخراج توده های دود فازی و محدوده های فازی جنگلهی در‬
‫هر دوره زمانی تغییر رفتار و ارسال آنها به شبیه ساز روابط‪.‬‬
‫ب‪ -‬ردیابی و ثبت تغییرات مربوط به داده هایی ماننهد‪ :‬پایهداری‬
‫دود‪ ،‬جهت باد غال‬
‫و میزان دود در هر دوره و ارسهال آنهها بهه‬
‫پایگاه دانش بخش استنتاجگر جهت فازی سازی‪.‬‬
‫ج‪ -‬سنجش متغیرهایی مانند‪ :‬بارانهای اسیدی‪ ،‬نهوع خهاک و مقهدار‬
‫ریسک محاسباتی و ارسال آنها بهه پایگهاه دانهش اسهتنتاجگر بهه‬
‫منظور انجا‬
‫فرایندهای فازی سازی‪ ،‬استنتاج و یادگیری‪.‬‬
‫در بخش شبیه ساز روابط توپولوژیک که مهمتهرین وظیفهه آن سهنجش‬
‫تغییر رفتارهای مکانی نامعین با توجهه بهه اطالعهات ارسهالی از‬
‫استخراجگر داده میباشد‪ ،‬به طور کلی سه عمل اصلی اجرا میگردد‪.‬‬
‫الف‪ -‬شبیه سازی روابط توپولوژیک فازی بین محدوده های فازی دود‬
‫و محدوده فازی جنگل در هر دوره و استخراج متغیرهای تصمیم سهاز‬
‫مربوط به روابط توپولوژیک جهت ارسال به پایگاه دانش‪.‬‬
‫‪15‬‬
‫ب‪ -‬محاسبه فاصله تقریبی توده های دود تا محدوده فهازی جنگهل و‬
‫فازی سازی آن در پایگاه دانش‪.‬‬
‫هت تشهخیص‬
‫ج‪-‬توجیه امتداد حرکتی توده ها بها محهدوده جنگلهی جهه‬
‫تاثیر امتداد حرکتی دود‪.‬‬
‫به طور خالصه بخش شبیه ساز به صورت پیوسهته اطالعهات مربهوط بهه‬
‫متغیرهای نامعین مکانی را از طریق شبیه سازی تحلیل نموده و به‬
‫منظور تحلیل بر روی قوانین مرتبط به آنها بهه بخهش اسهتنتاجگر‬
‫ارسال میکند‪.‬‬
‫شکل ‪– 9‬قوانین معرفی شده در بخش استنتاج قوانین سیستم‬
‫بخش استنتاجگر قوانین با تقلید از عملکرد مغز انسان‪ ،‬قادر است‬
‫که بر روی اطالعات تحلیل شده (دانهش‬
‫کهه همهان قهوانین "اگهر‪-‬‬
‫آنگاه" هستند‪ ،‬نتیجه گیری نماید‪ .‬برای این منظور قوانین مهورد‬
‫نیاز به صورت تجربی و با تکمیهل پرسشهنامه ههای کارشناسهی بهه‬
‫عنوان پیش شرطهای اولیهه در پایگهاه دانهش معرفهی میشهوند‪ .‬در‬
‫اینجا الز‬
‫هن تعهداد‬
‫به ذکر است که توانایی سیستم‪ ،‬محدود به ایه‬
‫قوانین خاص نیست و طرح ارائه شده قادر اسهت کهه بها توجهه بهه‬
‫هاهش دههد‬
‫کاربرد مورد نظر خود تعداد قوانین را افزایش و یها که‬
‫(شکل ‪. 9‬‬
‫‪16‬‬
‫شکل ‪ – 10‬نتای‬
‫استنتاج در سیستم ژنتیک فازی پیشنهادی‬
‫به منظور تقویت فرایند استنتاج و اینکه ممکن است نتوان تمهامی‬
‫قوانین مفید و بهینه را از طریق پرسشنامه های کارشناسهی بدسهت‬
‫آورد‪ ،‬الگوریتم یادگیری ژنتیک در این مرحله وارد عمهل میشهود‪.‬‬
‫لاا در هر دوره تغییر مکانی پدیده ها‪ ،‬بخش یادگیری ژنتیک فورا‬
‫به پایگاه داده متصل شده و داده های آموزشی را استخراج میکند‪.‬‬
‫داده های آموزشی در واقع الیه های مکانی مربوط بهه نمونهه ههای‬
‫هق آنهالیز‬
‫رشد منفی گیاهان به صورت ماهانهه هسهتند کهه از طریه‬
‫تصاویر لندست و ترسیم پروفیلهای ماهیانه ‪ NDVI‬در نقاط نمونهه‬
‫بدست آمده اند‪.‬‬
‫الگوریتم ژنتیک با توجه به توضیحات ارائه شده در بخهش ‪ 2-2‬بهه‬
‫قسمت اسهتنتاج قهوانین متصهل شهده و متغیرههای آن را تنظهیم و‬
‫هی بهینهه‬
‫قوانین تعریف شده را با اسهتفاده از داده ههای آموزشه‬
‫سازی میکند‪ .‬در شکل ‪ 10‬نتای‬
‫حاصل از عملکرد تهوا‬
‫اسهتنتاج و‬
‫یادگیری ژنتیکی قوانین به منظور محاسبه ریسک به صورت ماهیانهه‬
‫آورده شده است که در آن مناطق با ریسک زیاد به صهورت چشهمک زن‬
‫نمایش داده میشوند‪ .‬در الگوریتم یادگیری ژنتیک مهورد اسهتفاده‬
‫دو جزء کدبندی شامل‪ :‬توابع تعلق متغیرهای فازی مکانی و تغییهر‬
‫دهندگان قوانین فازی میباشند‪ .‬در نتیجه هر کروموزو‬
‫تعریف شده‬
‫شامل این دو بخش خواهد بود‪ .‬در اینحالت برای کدبندی قوانین از‬
‫یک تغییردهنهده لینگویسهتیک بهه صهورت تهابعی بها پهارامتر ‪‬‬
‫استفاده میشود که به بخش یادگیری ژنتیک امکان میدهد تا توابهع‬
‫تعلق مرتبط با ترمهای لینگویستیک مورد نظر را تنظیم کنهد‪ .‬بهه‬
‫‪17‬‬
‫هوع اصهلی از ایهن تغییردهنهدگان شهامل خیلهی‬
‫عنوان مثهال دو نه‬
‫هه‬
‫هت اولیه‬
‫هند‪ .‬جمعیه‬
‫هیش )‪ (u( x) ,   0.5‬میباشه‬
‫هم و به‬
‫)‪ (u( x)  ,   2‬و که‬
‫ها ژنههای‬
‫انتخاب شده برای تشکیل استخر ژن شهامل چههار گهروه به‬
‫یکسان از ‪ Ca, Cb‬به صورت ذیل هستند‪.‬‬
‫‪ ‬گروه اول‪ :‬شامل ‪ Ca‬های اصلی و ‪ Cb‬ها با تغییر دهنده ‪  1‬‬
‫میباشد‪.‬‬
‫‪‬‬
‫‪‬‬
‫گروه دو ‪ :‬شامل ‪ Ca‬های اصلی و ‪ Cb‬های رند‬
‫گروه سو ‪ :‬شامل ‪ Ca‬های رند‬
‫میباشد‪.‬‬
‫و ‪ Cb‬ها با تغییر دهنده ‪  1‬‬
‫میباشد‪.‬‬
‫‪‬‬
‫گروه چهار ‪ :‬شامل ‪ Ca‬های رند‬
‫و ‪ Cb‬های رند‬
‫ها‬
‫بخش یادگیری ژنتیکی قوانین بها انجه‬
‫میباشد‪.‬‬
‫عمهل کدگهااری و معرفهی‬
‫محدودیتها‪ ،‬جمعیت اولیه را مشخص نموده و جمعیت آغهازین را بهه‬
‫عنوان جمعیت جاری ذخیره سازی میکند‪ .‬در جمعیت جاری کروموزومها‬
‫توسط تابع مطلوبیت ارزیابی میشوند‪ .‬اگر ارزیابی مورد نظر تابع‬
‫تطابق را ارضا نکرد‪ ،‬یادگیری ژنتیک نسل موجود را پردازش کهرده‬
‫و از مکانیزیم برگزینش استفاده میکند‪ .‬بدین صورت که در شهروع‪،‬‬
‫دو کرموزو‬
‫هت جدیهد‪،‬‬
‫بهینه از جمعیت جاری بهرای ورود بهه جمعیه‬
‫بههدون دخالههت اپراتورهههای ادغهها‬
‫و جهههش انتخههاب میشههوند‪.‬‬
‫کروموزومهای باقیمانده توسط مکانیز‬
‫انتخهاب چهرخ رولهت بهرای‬
‫هد‪ .‬وقتهی تعهداد المانههای‬
‫ورود به جمعیت جدید انتخهاب میگردنه‬
‫جمعیت در دو وضعیت جاری و جدید یکسان شد‪ ،‬جمعیت جدید جهایگزین‬
‫جمعیت جاری میگردد‪.‬‬
‫سپس اپراتور ادغا‬
‫وارد عمل شده و روش ادغا‬
‫یافته و یک نقطه ادغا‬
‫به صورت رند‬
‫تک نقطه ای تطبیق‬
‫هه منظهور‬
‫تعریف میشهود‪ .‬به‬
‫شکل گیری کروموزومهای جدید‪ ،‬بخشهایی از دو کروموزو‬
‫مجاور بها‬
‫سمت راست مبادله میشوند‪ .‬در اینحالت نرخ عملکردی بین ‪ 0.6‬تها ‪1‬‬
‫به عنوان احتمال ادغا‬
‫اپراتور ادغا‬
‫مورد استفاده قرار میگیرد‪ .‬پس از اجرای‬
‫فرایند جهش برای هر کروموزو‬
‫جدید به صورت مجزا‬
‫اجرا میشود‪ .‬این عملگر هر ژن را به صهورت رنهد‬
‫کمتر از ‪ 0.1‬تغییر میدهد‪ .‬البتهه الز‬
‫احتماالت ادغا‬
‫واقهع مکهانیز‬
‫و بها احتمهال‬
‫بهه ذکهر اسهت کهه معرفهی‬
‫و جهش وابسته به تابع هدف میباشد‪ .‬تابع ههدف در‬
‫انهدازه گیهری اسهت کهه بهرای ارزیهابی وضهعیت‬
‫‪18‬‬
‫کروموزومها به کار میرود‪ .‬در سیستم ژنتیک‪-‬فازی پیشنهادی تهابع‬
‫هدف به صورت ذیل تعریف شده است‪.‬‬
‫(رابطه ‪10‬‬
‫‪ y itd ) 2‬‬
‫‪T‬‬
‫‪it‬‬
‫‪(y‬‬
‫‪t 1‬‬
‫‪1‬‬
‫‪2T‬‬
‫‪MSE ‬‬
‫در رابطه ‪ T ،10‬تعداد داده های آموزشی در حالهت ‪i‬ا ‪ yit ،‬خروجهی‬
‫استنتاجگر برای ‪t‬امین داده آموزشی (مقادیر ریسهک‬
‫خروجی مورد انتظار (مقادیر نمونه‬
‫مقدار ریسک محاسباتی‬
‫است‪ .‬الز‬
‫و ‪ yidt‬مقهدار‬
‫بهه ذکهر اسهت کهه‬
‫در هر دوره به عنوان متغیهر فهازی ورودی‬
‫دوره بعدی وارد فرایند استنتاج میگردد‪ .‬لهاا میتهوان گفهت کهه‬
‫نتای‬
‫محاسباتی در دوره های مختلف به یکهدیگر وابسهته خواهنهد‬
‫بود‪.‬‬
‫شکل ‪ – 13‬نحوه همگرایی الگوریتم ژنتیک در دوره چهار‬
‫شکل ‪– 14‬محدوده های ریسک بدست آمده از استنتاج‬
‫پهس از اعمهال الگوریتمههای مختلفهی ماننهد‪[Cordón, et. al., 2001b] :‬‬
‫‪ GL(0.9,0.1),GL(0.9,0.05), GL(0.6,0.1), GL(0.6,0.05) ،Cordon‬الگوریتم بهینهه‬
‫هرای ایهن‬
‫برای استفاده در فرایند یادگیری سیستم معین گردید‪ .‬به‬
‫‪19‬‬
‫منظههور در واسههط کههاربر بخشههی بههرای گههزارش دهههی از عملکههرد‬
‫الگوریتمهای مختلف ژنتیک و نحوه همگرایی آنها طراحی شهد‪ .‬شهکل‬
‫‪ 13‬نحوه همگرائی الگوریتمهای مختلهف ژنتیهک را در دوره چههار‬
‫(ماه ژوئهن‬
‫نشهان میدهنهد‪ .‬در شهکل ‪ 13‬بهرای ‪ 55‬نسهل نمهودار‬
‫میانگین مربع خطای الگوریتمهای مختلهف ژنتیهک بها اسهتفاده از‬
‫داده های تست ترسیم شده است‪ .‬در بیشتر این الگوریتمها بعهد از‬
‫‪ 10‬تا ‪ 20‬نسل‪ ،‬همگرایی اتفاق میافتهد‪ .‬میهانگین مربهع خطاههای‬
‫بدست آمده در جدول ‪ 1‬نشان میدهد که روشهای یهادگیری ژنتیهک ‪GL‬‬
‫بهتر از ‪ Cordon‬عمل میکننهد‪ ،‬همچنهین )‪ GL(0.9,0.05‬عملکهرد بهتهری‬
‫نسبت به بقیه داشته است‪ .‬پس از طی یهک دوره محاسهباتی یکسهاله‬
‫نتیجه ریسک نهایی‬
‫و محدوده های خطر به صورت شکل ‪ 14‬بدسهت مهی‬
‫آید‪.‬‬
‫جدول ‪ MSE -1‬نهایی بدست آمده از هفت دوره‬
‫‪Total‬‬
‫‪Method‬‬
‫‪MSE‬‬
‫‪0.031696‬‬
‫)‪GL(0.9-0.1‬‬
‫‪0.028174‬‬
‫)‪GL(0.9-0.05‬‬
‫‪0.030425‬‬
‫)‪GL(0.6-0.1‬‬
‫در هههههر دوره‬
‫‪0.030630‬‬
‫)‪GL(0.6-0.05‬‬
‫زمانی‪ ،‬پهس از‬
‫مراحل استنتاج‬
‫‪0.095162‬‬
‫‪Cordon‬‬
‫و یهههههادگیری‬
‫نقشه های ریسک در محدوده مطالعاتی بدست میایند‪ .‬بعد از طی یهک‬
‫دوره محاسباتی یکساله نتیجه ریسک نهایی در پایگاه داده ذخیهره‬
‫سازی میگردد‪ .‬در این حالهت‪ ،‬زیهر عامهل اسهتخراجگر داده فهورا‬
‫منطقه ریسک را بر اساس مقادیر بزرگتهرین ریسهکهای بدسهت آمهده‬
‫تقسیم بندی میکند(شکل ‪ . 14‬سپس بخش تصمیم گیری با اسهتفاده از‬
‫معیارهههایی (بههه غیههر از پارامترهههای اسههتنتاج‬
‫بههر روی‬
‫هورد نظهر‬
‫هردد‪ .‬معیارههای مه‬
‫آلترناتیوهای استخراج شده اجرا میگه‬
‫شامل‪ :‬مقدار ریسک‪ ،‬میزان بارانهای اسیدی و نوع خاک میباشند که‬
‫به صورت متغیرهای فازی تعریف میشوند‪ .‬این متغیرهها در پایگهاه‬
‫دانش ذخیره سهازی شهده و مقهادیر متنهاظر داده ای آنهها توسهط‬
‫استخراجگر داده و اشاره گری که آنها را به پایگهاه داده متصهل‬
‫‪20‬‬
‫هری مشهخص‬
‫میکند‪ ،‬بدست میاید‪ .‬در نهایت با اعمال بخش تصهمیم گیه‬
‫میگردد که پرخطرترین آلترناتیو ‪ A1‬و کم خطرتهرین آلترناتیوهها‬
‫‪ A5‬است‪.‬‬
‫‪ -5‬نتیجه گیری‬
‫در کاربردهای دینامیکی و پیچیده مکانی مانند مدلسازی تهاثیرات‬
‫هه ماهیهت‬
‫توده آلودگی بر محدوده های زیست محیطهی‪ ،‬بها توجهه به‬
‫هر گهرفتن‬
‫نامعین و مرزهای نامشخص داده ههای ورودی و بها در نظه‬
‫نیازمندیها به مدلسازی تفکر مکانی هوشمندانه‪ ،‬الز‬
‫هت کهه از‬
‫اسه‬
‫هادگیری در سیسهتمهای عامهل‬
‫قابلیتهایی مانند‪ :‬اسهتنتاجگری و یه‬
‫مبنا استفاده شود‪ .‬با در نظر گرفتن این موضوع‪ ،‬طراحهی سیسهتمی‬
‫که بتواند با معرفی و یادگیری قوانین حهاکم در جههان واقعهی و‬
‫سنجش تغییرات رفتار مکانی‪ ،‬تصمیم گیری آنهی در راسهتای تعیهین‬
‫مناطق ریسک انجا‬
‫دهد‪ ،‬گامی موثر در راسهتای کنتهرل و مهدیریت‬
‫هوشمندانه تاثیرات مکانی بر هم خواهد بود‪.‬‬
‫لاا در این مقاله از یک عامل مکانی جهت استنتاجگری و یهادگیری‬
‫بر روی قوانین نامعین در کاربرد "تعیین محدوده های ریسک حاصهل‬
‫از چاههای نفت کویت بر روی جنگلهای جنوب غربی ایران" اسهتفاده‬
‫شد‪ .‬در کاربرد مطلوب‪ ،‬با در نظر گرفتن تغییر رفتارها‪ ،‬قهوانین‬
‫استنتاج به صورت نامعین بر روی داده هها اعمهال شهده و منهاطق‬
‫ریسک به دست می آیند‪ .‬سیستم پیشنهادی قادر است ابزارهاي مختلف‬
‫را به صورت یكپارچه و هوشمند در فراینهد تصهمیم بهراي مهدیریت‬
‫تاثیر آلودگی بر روی محدوده های جنگلی مورد استفاده قرار دهد‪.‬‬
‫عامههل هوشههمند شههامل ‪ :‬اسههتخراجگر داده‪ ،‬شههبیه سههاز روابههط‬
‫توپولوژیک‪ ،‬استنتاجگر فازی و یادگیری ژنتیک‪ ،‬مقهادیر ریسهک را‬
‫بدست آورده و آنها را از لحاظ میزان خطر مشخص میکند‪ .‬هر یک از‬
‫هد کهه در‬
‫این اجزاء دارای وظهایف مسهتقل و عملکهردی خودمختارنه‬
‫نتیجه‪ ،‬توسعه آنها به صورت مستقل امکهان پهایر بهوده و سیسهتم‬
‫هردد‪ .‬اسهتفاده از منطهق فهازی در اسهتنتاج و‬
‫تغییر پایرتر میگه‬
‫یادگیری سیستم موج‬
‫میشود که نتهای‬
‫پرسهش و پاسهخها از جههان‬
‫واقعی با نیازهای ذهنی کاربران تطابق بیشتری داشته باشهند‪ .‬در‬
‫بخش اسهتنتاج سیسهتم ‪ 22‬قهانون بهه صهورت تجربهی و بها تکمیهل‬
‫پرسشنامه های کارشناسی به عنوان پیش شرطهای اولیه معرفی شدند‪،‬‬
‫اما توانایی عامل تنها محدود به این تعداد قوانین خاص نیسهت و‬
‫‪21‬‬
‫کاربر قادر است که با توجه به کهاربرد مهورد نظهر خهود تعهداد‬
‫قوانین را افزایش و یا کاهش دهد‪.‬‬
‫هد سیسهتم از صهحت عملیهاتی‬
‫بخش یادگیری ژنتیک که باعهث میگردیه‬
‫باالتری برخوردار باشد‪ ،‬متغیرها و قوانین فازی را تنظیم نمهوده‬
‫و آنها را بهینه سازی میکند‪ .‬اسهتفاده از الگوریتمههای مختلهف‬
‫یادگیری ژنتیکی جهت تخمین و تعیین محدوده های ریسک نشان میدهد‬
‫که الگوریتم )‪ GL(0.9,0.05‬دارای عملکرد مناس‬
‫تهری جههت تولیهد و‬
‫ها اجهرای‬
‫تنظیم قوانین در کاربرد مورد نظهر اسهت‪ .‬در نهایهت به‬
‫سیستم مشخص میگردد که پرخطرترین آلترنهاتیو ‪ A1‬و کهم خطرتهرین‬
‫آلترناتیو ‪ A5‬میباشد‪ .‬بررسی نتای‬
‫حاصل از مطالعات انجا‬
‫شهده‬
‫و مقایسه آنها با سیستم طراحهی شهده نشهان میدههد کهه عملکهرد‬
‫الگوریتمهای استنتاجگری و یادگیری مکانی در عامهل طراحهی شهده‬
‫دارای ویزگیهایی نظیر روباست بودن‪ ،‬اعتماد پایری و صحت عملکرد‬
‫باال میباشد‪ .‬لاا استفاده از این سیسهتم در کاربردههایی نظیهر‪:‬‬
‫کنترل موشکهای نظامی‪ ،‬ناوبری هوایی‪ ،‬مانیتورینهگ مسهائل زیسهت‬
‫محیطی و حوادث غیرمترقبه و همچنین پدافندهای غیرعامل پیشهنهاد‬
‫میگردد‪.‬‬
‫مراجع‬
‫‪Cordón O., Gomide F., Herrera F., Hoffmann F., Magdalena L., 2004. Ten years of‬‬
‫‪genetic fuzzy systems: Current framework and new trends, Fuzzy Sets and Systems,‬‬
‫‪vol. 41, pp. 5-31.‬‬
‫‪Cordón, O., Herrera F., Hoffmann F., Magdalena L., 2001a. Genetic Fuzzy Systems.‬‬
‫‪Evolutionary Tuning and Learning of Fuzzy Knowledge Bases. World Scientific.‬‬
‫‪Cordón O., Herrera F., Villar P., 2001b. Generating the knowledge base of a fuzzy rule‬‬‫)‪based system by the genetic learning of the data base, IEEE Trans. Fuzzy Systems 9 (4‬‬
‫‪pp. 667–674.‬‬
‫‪Freitas A.A., 2002. Data Mining and Knowledge Discovery with Evolutionary‬‬
‫‪Algorithms, Springer-Verlag.‬‬
‫‪22‬‬
Gervac E., Lui H., Nussbaum D., 2007. Y-S. Roh, J-R. Sack, Intelligent map agents An ubiquitous personalized GIS, Photogrammetry and Remote Sensing 62 347_365.
Ishibuchi H., Yamamoto T., 2004. Fuzzy rule selection by multi-objective genetic local
search algorithms and rule evaluation measures in data mining, Fuzzy Sets and Systems
141, pp. 59-88.
Konar, A., 2005. Computational Intelligence: Principles, Techniques and Applications.
Springer-Verlag.
Kortenkamp D., Bonasso R. P., and Murphy R., 1998. Artificial Intelligence and Mobile
Robots: Case Studies of Successful robot systems.
AAAI Press/ The MIT Press,
Cambridge, MA.
Lavrac N., Cestnik B., Gamberger D., & Flach P., 2004. Decision support through
subgroup discovery: Three case studies and the lessons learned. Machine Learning,
57(1-2), pp. 115–143.
Lawrence A., West Jr., Hess J., 2002. Metadata as Knowledge Management tool:
supporting intelligent agent and end user access to spatial data, Decision Support
Systems 32 247_ 264.
Mikut R., Jäkel J., Gröll L., 2005. Interpretability issues in data-based learning of fuzzy
systems, Fuzzy Sets and Systems, vol. 150, pp. 179-197.
Price A.R.G., 1993. The Gulf: Human Impacts and Management Initiatives. Marine
Pollution Bulletin, Volume 27.
Nude D., Potter W. D., Maier F., 2003. An agent based decision support system for
forest ecosystem management, Ecological Modelling and Software 19 831_843.
Sánchez L., Casillas J., Cordón O., del Jesus M.J., 2001. Some relationships between
fuzzy and random classifiers and models, Int. J. of Approximate Reasoning, vol. 29, pp.
175-213.
23
Sánchez L., Couso I., 2005. Advocating the use of imprecisely observed data in genetic
fuzzy systems, in Proc. of the First Int. Workshop on Genetic Fuzzy Systems (GFS
2005), Granada. Spain., pp. 124-129.
Setzkorn C., Paton R.C., 2005. On the use of multi-objective evolutionary algorithms
for the induction of fuzzy classification rule systems, BioSystems, vol. 81, pp.101-112.
Tang C., da Xu L., Feng S., 2001. An Agent bases Geographical Information System,
Knowledge based system 14(5–6) 233_ 242.
Wang H., Kwong S., Jin Y., Wei W., Man K.F., 2005. Multiobjective hierarchical
genetic algorithm for interpretable fuzzy rule-based knowledge extraction, Fuzzy Sets
and Systems, vol. 149, pp. 149-186.
Xia L., Xiaoping L., 2007. Defining agent behavior to simulate complex residential
development using multicriteria evaluation, Journal of environment management
1063_1075.
24
85