Algorytm grupowania węzłów sieci transportowej z wykorzystaniem logiki rozmytej

• Autorzy: Król A.

Warianty tytułu

EN

The algorithm for the transportation network nodes aggregation using fuzzy logic

• Języki publikacji: PL

Abstrakty

PL

W wielu sytuacjach model sieci transportowej zawiera bardzo dużą liczbę węzłów i algorytmy operujące na takim modelu mogą być zbyt czasochłonne. Istnieje więc potrzeba uproszczenia modelu polegająca na redukcji liczby węzłów. Najprostsze podejście polegające na wykorzystaniu geograficznego sąsiedztwa węzłów i prostym zgrupowaniu pobliskich węzłów może być niewystarczające, gdyż nie uwzględnia różnych ról spełnianych przez węzły podlegające łączeniu. Niektóre z nich mają znaczenie lokalne i mogą być zgrupowane z sąsiadami bez zaburzania obrazu potoków ruchu w całej sieci. W przypadku innych węzłów potoki ruchu związane z odległymi geograficznie węzłami mogą być znacznie większe od potoków lokalnych. Węzły należące do tej grupy nie powinny być raczej grupowane z sąsiadami. W pracy przedstawiono algorytm grupujący węzły sieci transportowej wykorzystujący aparat logiki rozmytej, przetwarzający jakościowe charakterystyki węzłów.

EN

In many situations, the model of the transportation network contains a very large number of nodes so the algorithms operating on such a model may be too time-consuming. Therefore there is a need to simplify the model by reducing the number of nodes. The simplest approach using the physical neighborhood of the nodes and then aggregation nearby nodes may be insufficient, because it does not take into account the different roles played by the nodes subject to the merger. Some of them have local significance and can be aggregated without disturbing the traffic flows across the whole network. For other nodes the traffic flows associated with geographically distant nodes can be much larger than the local flows. The nodes of this kind should not be aggregated with their neighbors. This paper presents an algorithm for grouping the transportation network nodes using fuzzy logic, which processes the qualitative characteristics of nodes.

Słowa kluczowe

PL

sieć transportowa; węzeł transportowy; logika rozmyta

EN

transportation network; nodes aggregation; fuzzy logic; transport node

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Transport
• Rocznik: 2013
• Tom: z. 97
• Strony: 279--290
• Opis fizyczny: Bibliogr. 11 poz., rys., tab., wykr.

Twórcy

autor

Król A.

• Politechnika Śląska

Bibliografia

• 1. Bauer D., Daigle J.N., Iliadis I., Scotton P.: Topology aggregation for combined additive and restrictive metrics, Computer Networks 50 2006, s. 3284–3299.
• 2. Bjorke J.T., Nilsen S., Varga M.: Visualization of network structure by the application of hypernodes, International Journal of Approximate Reasoning 51 2010, s. 275–293.
• 3. Börner K., Sanyal S., Vespignani A.: Network science, in: B. Cronin (Ed.), Annual Review of Information Science and Technology, vol. 41, Information Today, Inc./American Society for Information Science and Technology, Medford, NJ 2007, s. 537–607.
• 4. Dupuy G., Stransky V., Cities and highway networks in Europe, Journal of Transport Geography Vol. 4, No. 2 1996, s. 107-121.
• 5. Gavriliouk E.O.: Aggregation in hub location problems, Computers & Operations Research 36 2009, s. 3136-3142.
• 6. Hartigan J.A., Wong M.A.: A K-Means Clustering Algorithm, Applied Statistics, Vol. 28, No. 1, 1979, s. 100-108.
• 7. Hoeppner F., Klawonn F., Kruse R., Runkler T.: Fuzzy cluster analysis. Methods for Classification, Data Analysis and Image Recognition, John Wiley & Sons, Chichester 1999.
• 8. Kashan A.H. et al. : A particle swarm optimizer for grouping problems, Inform. Sci. 2013, w druku http://dx.doi.org/10.1016/j.ins.2012.10.036.
• 9. Król A., Pamuła T.: Using a genetic algorithm for the design of an optimal transport network, Probl. Transp. 2009 t. 4 z. 4, s. 107-113.
• 10. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa 1999.
• 11. Schaeffer S.E.: Graph clustering, Computer Science Review, 1, 2007, s. 27 – 64.