ایجاد برنامه Geospatial ترافیکی توسط ArcGIS AppStudio

 

شرکت های حمل و نقل در سراسر جهان کالاهای حیاتی مانند غذا ، لباس و وسایل الکترونیکی را تحویل می دهند و حمل و نقل باری جاده ای را به بخشی مهم از اقتصاد جهانی تبدیل می کنند. در فنلاند 40 درصد شرکت های حمل و نقل فقط از یک نفر و یک کامیون تشکیل شده اند و این افراد برای تحویل کالاهای اساسی بی وقفه کار می کنند.

برای اطمینان از اینکه رانندگان اطلاعات دقیق سفرها را دریافت می کنند ، شرکت مشاور حمل و نقل فنلاندی Tietorahti Oy اطلاعات صنعت حمل و نقل را در مورد همه چیز از ایستگاه های سوخت گرفته تا حداکثر وزن مجاز در جاده های مختلف جمع آوری و به روز می کند. اگرچه برخی از این داده ها قبلاً در دسترس بود ، رانندگان نمی توانستند در یک سیستم به آن دسترسی پیدا کنند. علاوه بر این ، داده هایی که به آنها دسترسی داشتند همیشه دقیق نبودند. این امر باعث می شد رانندگان نتوانند اطلاعات سفر موردنیاز خود را هنگام مسافرت در اختیار بگیرند.

به همین دلیل Janne Lausvaara ، یک برنامه تلفن همراه ایجاد کرد که رانندگان می توانند با استفاده از آن به راحتی به داده های مهم در جاده دسترسی پیدا کنند. Lausvaara با استفاده از الگوهای قابل تنظیم آماده برای استفاده که همراه با ArcGIS AppStudio هستند ، توانست برنامه ای را بسازد - بدون اینکه برنامه نویسی زیادی انجام دهد - این امر باعث می شود سفر رانندگان ایمن تر و حمل و نقل کالاهای حیاتی کارآمدتر باشد.

شبکه‌ی فازی- عصبی و GIS و اکتشاف دانش

پایش و پیش‌بینی پارامترهای کیفیت هوا در مناطق شهری  وابسته به عوامل متعددی مانند توپوگرافی، اقلیم، جمعیت، شبکه‌ی حمل ‌و ‌نقل می‌باشد که نحوه تعامل این عوامل مکانی به عنوان پدیده‌ ای دینامیک، غیر خطی و دارای ابهام عنوان شده است.

در این راستا تکنیک‌های هوش مصنوعی در مدل‌ کردن پدیده‌های غیر خطی و پیچیده دارای قابلیت فراوانی می‌باشند. شبکه‌ی فازی- عصبی این قابلیت را در اختیار ما می‌گذارد که با استفاده از توانایی یادگیری شبکه‌ی عصبی، دانش مورد نیاز در مورد پدیده‌ی مورد نظر را بدون نیاز به شخص خبره، در قالب قوانین مناسب بیان کنیم.

همچنین سیستم اطلاعات مکانی در قالب سیستمی توانمند، فرایند جمع آوری، ذخیره، پردازش و بصری سازی داده‌های مکانی را تسهیل می‌بخشد. به علت اهمیت پیش‌بینی و مدلسازی مکانی پارامترهای کیفیت هوا، با بهره‌گیری از مزایای شبکه‌ی فازی-عصبی و GIS، دانش حاکم بر محیط را در قالب قوانین فازی، از داده‌ها استخراج نموده و با استفاده از این قوانین، آلودگی هوا پیش‌بینی و مدلسازی میشود.

برای این منظور از شبکه‌ی فازی- عصبی و GIS در قالب دو مدل متفاوت استفاده میگردد. در مدل اول برای آموزش شبکه، داده‌های آموزشی (شامل پارامتر‌های هواشناسی و غلظت مونوکسید‌کربن) با استفاده از روش زمین آمار (کریجینگ) ایجاد و به کار میرود. برای هر ایستگاه ناحیه‌ای در نظر گرفته و از داده‌های موجود در آن ناحیه برای آموزش آن استفاده میشود. برای هر ناحیه قوانین فازی ممدانی و سوگنو استخراج و قوانین ایجاد شده به هر پیکسل آن ناحیه اعمال و میزان آلاینده تخمین زده می‌شود.

در مدل دوم هر ایستگاه به طور جداگانه با استفاده از داده‌های خود آموزش داده شده و برای هر ایستگاه قوانین فازی ممدانی و سوگنو آن استخراج شده و با استفاده از این قوانین غلظت آلاینده تخمین زده میشود. به علت اینکه پیش‌بینی در نقاط ایستگاه‌ها صورت می‌گیرد، در نهایت برای مدلسازی مکانی غلظت  از روش کریجینگ استفاده میگردد. برای انجام تست عملی، از داده‌های هواشناسی ایستگاه‌های واقع در سطح شهر استفاده میشود.

مدل اول با هدف به دست آوردن قوانین برای ناحیه توسعه داده شده که در این مدل گسستگی در نقشه ی غلظت آلاینده  به دلیل کمبود ایستگاه های پایش و گستردگی ناحیه ها  پایش هدف اصلی  که اکتشاف دانش است، برای ناحیه مرتفع میشود.

در مدل دوم  چون تعداد ایستگاه های پایش کم ،  مدلی مناسب‌تر از نظر مدلسازی می باشد.

فرایند WASPAS و ارجحیت منطق فازی در تعیین آسیب پذیری در GIS

بحران های طبیعی همچون زلزله، طوفان و سیل قادر به تحمیل خسارات جبران ناپذیری به انسان و محیط زیست هستند. از این رو ارزیابی ریسک به منظور مدیریت مناسب و کاهش خسارات، حیاتی است. ارزیابی ریسک با فرایند برآورد احتمال وقوع یک رویداد و اهمیت یا شدت اثرات زیان آور آن مشخص می شود.

 به منظور ارزیابی شدت آسیب پذیری از زلزله، پارامترهای مؤثر  با استفاده از فرایند WASPAS وزن دهی میشوند. نقشه آسیب پذیری به روش همپوشانی شاخص  و منطق فازی برای بلوک های آماری شهری تهیه و به صورت بصری در محیط سیستم اطلاعات مکانی ارایه میشوند.

 نتایج  حاکی از ارجحیت منطق فازی در تعیین آسیب پذیری مناطق است. مدل همپوشانی شاخص با تعداد مناسب کلاس های وزنی برای هر فاکتور می تواند نتایج مشابه با منطق فازی به بار آورد. علاوه بر آن مدل همپوشانی شاخص از مزایای سادگی، سرعت بیشتر در حل مسئله و انعطاف پذیری در ترکیب ورودی ها و رتبه بندی خروجی ها بهره می برد. روش مناسب برای تهیه نقشه آسیب پذیری به میزان فازی بودن پارامترها، انتخاب مناسب تابع عضویت و ادغام بهینه لایه های اطلاعاتی بستگی دارد.

مدل سازی روابط مکانمند در محیط GIS با اسفاده از استنتاج گری فازی

روابط توپولوژیک میان عوارض مکانی فازی یکی از اطلاعات مهم و اساسی در سیستم های اطلاعات جغرافیایی (GIS) است. استخراج این نوع روابط، در کنار اطلاعات مکانی و توصیفی، می تواند در بسیاری از فرایندهای تصمیم گیری مورد استفاده قرار گیرد. برای مدل کردن این روابط مسائل و مشکلاتی وجود دارد؛ مانند متحرک بودن پدیده های مکانی، عدم قطعیت و ابهام در عوارض و ماهیت میان خود عوارض. این مشکلات باعث می شود استخراج این روابط پیچیدگی های زیادی داشته باشد.

روشی جدید برای مدل کردن این روابط و استخراج متغیرهای بیانی برای نواحی فازی قابل ارایه است. در این روش از محاسبه میزان شباهت میان ماتریس های  اشتراکی کرسپ و فازی برای استخراج متغیرهای بیانی استفاده می شود.

این متغیرها دربردارنده نوع روابط توپولوژیک و کمیت سنج هایی هستند که قدرت روابط را نشان می دهند. با توجه به اینکه استخراج این متغیرها به عمل گرهای فازی وابستگی مستقیم دارند، مقایسه ای میان عمل گرهای مختلف فازی برای به دست آوردن جواب بهینه میتوان انجام داد. در پایان، سیستم استنتاج گر فازی بر اساس نوع روابط استخراج شده قابل طراحی است. این سیستم میزان پیغام هشدار را برای یک کاربرد خاص براساس میزان فرکانس فازی به کاربر اعلام می کند.

سیستم استنتاج فازي(FIS ) و پایداری کاربری های شهری و GIS

روش های تحلیل و ارزیابی مسائل درGIS به دو دسته داده مبنا و دانش مبنا تقسیم می شوند. در روش های دانش مبنا بکارگیری و تلفیق داده های ورودی به وسیله کارشناسان و متخصصان تعیین می شود و این مدل ها عمومیت بیشتری نسبت به مدل داده مبنا دارند.

سیستم استنتاج فازي(FIS )، سیستمی دانش مبنا میباشد که با استفاده از مجموعه ای از قوانین و بکارگیری متغیر های زبانی(مانند خوب، متوسط، ضعیف و...) به عنوان ورودی، آن ها را به روابط های ریاضی تبدیل می کند و قادر به استخراج نتیجه گیری صحیح از این داده ها می باشد.

كل سیستم استنتاج فازي، بر پايه قوانين "اگر، آنگاه " استوار است كه روابط مختلفی را میان متغیرهای ورودی و خروجی بر قرار می سازد.  معیارهای موثر در پایداری کاربری های شهری نظیر امنیت در برابر زلزله، سازگاری کاربری ها و دسترسی به خدمات و...، را میتوان به صورت توابع فازی به عنوان متغیرهای ورودی وارد سیستم FIS کرده و با استفاده از قوانین موجود در پایگاه دانش، خروجی های مناسب که در واقع درجه تناسب هر منطقه نسبت به وضعیت ایده آل از نظر توسعه پایدار می باشد، بدست آورد. همچنین حساسیت نقشه های خروجی به معیارهای ورودی را نیز تحلیل کرد.

برنامه‌ریزی سناریو و سیستم استنتاج فازی

"در فرایند برنامه‌ریزی استراتژیک ، زمان و عدم قطعیت، نقش مهمی ایفا می‌کنند.تغییرات غیرقابل پیش‌بینی در محیط، بسیاری از صنایع را زمین‌گیر ساخته و یا از صحنه رقابت حذف کرده است و پیش‌بینیها در مورد آینده را با شکست روبه‌رو ساخته است. سازمانها به‌طور غیرقابل پیش‌بینی با تکنولوژیهای جدید، محصولات جدید و بازارهای جدید روبه‌رو می‌باشند و استراتژیهای تدوین شده، پاسخگوی نیاز آنها در چنین محیط پویا و متغیری نیست. این فشارها در آینده افزایش نیز خواهد یافت، زیرا که تغییرات تکنولوژیکی، اقتصادی و اجتماعی همچنان رو به گسترش است. بدیهی است که آینده قابل پیش‌بینی نیست. اما نکته قابل توجه این است که سازمانها می‌توانند خود را برای مقابله با آن آماده کنند و این آمادگی سبب ایجاد مزیت رقابتی برای آنها می‌شود. هر چه عدم قطعیتها تشدید شود، مزیت رقابتی سازمانهایی که استراتژیهای پایدار و مقاوم را در برابر تغییرات تدوین کرده‌اند، نیز افزایش می‌یابد. هدف این مقاله معرفی روشی است که به سازمانها قابلیت تدوین استراتژیهای استوار در شرایط عدم قطعیت را می‌بخشد و آنها را در جهت مصون کردن استراتژیهای خود در برابر تغییرات محیطی هدایت می‌کند. روش معرفی شده در این مقاله، از این جهت که روش عمومی تدوین استراتژی را با دو ابزار مقابله با عدم قطعیت، یعنی برنامه‌ریزی سناریو و سیستم استنتاج فازی ترکیب می‌کند، از تازگی و نوآوری برخوردار ساخته است. این روش با استفاده از عوامل غیرقطعی در محیط، اقدام به طراحی سناریوهای محتمل پیش روی سازمان کرده و با استفاده از اطلاعات فازی بیان شده به‌وسیله خبرگان در سیستم استنتاج فازی اقدام به انتخاب استوارترین استراتژی سازمان در مواجهه با سناریوهای طراحی شده می‌پردازد. این روش به مدیران و برنامه‌ریزان استراتژیک سازمانها، کمک می‌کند تا بتوانند با ارزیابی محیط آینده خویش، به بینش درستی در تدوین استراتژیهای سازمان دست یابند و مزیت رقابتی سازمان را در محیط آشفته و متغیر آینده حفظ کنند. این روش به مدیران و برنامه‌ریزان استراتژیک سازمانها، کمک می‌کند تا بتوانند با ارزیابی محیط آینده خویش به بینش درستی در تدوین استراتژیهای سازمان دست پیدا کنند و مزیت رقابتی سازمان را در محیط آشفته و متغیر آینده حفظ کنند."

پیش‌بینی ترافیک توسط ماتریس مبدا- مقصد (O-D Matrix)

یک دستاورد مهم و با ارزش آمارگیری مبدا-مقصد، که با صرف و قت و هزینه بسیار، پس از جمع‌آوری اطلاعات سفر و تحلیل آن‌ها به دست می‌آید، ارائه‌ی ماتریس یا ماتریس‌های مبدا-مقصد است.

این ماتریس معمولا مربعی و ابعاد آن به اندازه‌ی تعداد نواحی منطقه‌ی مورد مطالعه می‌باشد و نشان می دهد هر ناحیه مانند i به هر ناحیه مانند  j  چه تعداد سفر صورت می‌گیرد.

                       

                                                                                                                                    

می‌توان ماتریس های مبدا-مقصد جزیی نیز با تحلیل آمار سفر‌ها ارائه داد؛ مثلا " ماتریس مبدا- مقصد سفر‌های اوج صبح با وسیله نقلیه شخصی".

با توجه به تعداد زیاد نواحی در مطالعات عملی، این ماتریس دارای ابعاد بزرگی خواهد بود. در صورت در اختیار داشتن ماتریس‌های مبدا- مقصد خوب و نزدیک به واقعیت، علاوه بر توصیف وضع موجود، می‌توان مدل‌های واقع بینانه‌ای برای تولید و جذب سفر و انتخاب وسیله با آن ساخت و سال‌ها از آن برای پیش‌بینی ترافیک یک شهر استفاده نمود.

چون تعداد سفر ها اصولا با گذشت زمان افزایش می یابد لازم است پس از هر چند سال این ماتریس به هنگام update)) شود.

در ماتریس مبدا- مقصد، جمع درایه‌های هر سطر مانند i، تولید سفر i را نشان می‌دهد:

و جمع درایه‌های هر ستون مانند j نیز، جذب سفر ناحیه ی j را نشان می‌دهد:

از آنجا که هر سفر دارای یک مبدا و یک مقصد است و سفری گم نمی‌شود داریم:

ارایه خدمات پژوهشی پروپوزال،پایان نامه،مقاله در وبلاگ http://semnantez.blog.ir/

 

قابل توجه دانشجویان (تمامی رشته ها و گرایشها) :

وبلاگ (سمنان تز . بلاگ.آی آر SEMNANTEZ.BLOG) با بروزترین موضوعات تحقیقاتی و پژوهشی در قالب پروپوزال ، پایان نامه، مقاله و... آماده ارایه خدمات به شما عزیزان میباشد. آدرس وبلاگ در عنوان این مطلب قرار داده شده است.

نکته قابل ذکر اینکه علاوه بر تهیه فایل های پژوهشی خود از این وبلاگ، میتوانید پروپوزال، پایان نامهف مقاله خودرا نیز با هماهنگی مدیر وبلاگ، بصورت رایگان و یا فروش، در اختیار دیگران قرار دهید.

سمنان تز . بلاگ.آی آر

SEMNANTEZ.BLOG

 

سپاسگذارم.

بهینه‌سازی با استفاده از الگوریتم‌های فراابتکاری

در مفاهیم بهینه‌سازی ریاضی و هوش مصنوعی، روش‌های هیوریستیک یا الگوریتم‌های فراابتکاری، تکنیک‌های طراحی شده برای حل سریعتر مسایل است که روش‌های حل معمولی در آنها بسیار کند است یا نمی تواند جواب درستی ارایه کند. در واقع الگوریتم‌های فراابتکاری میانبری جهت رسیدن به جواب مسئله است.

در این راستا  این موسسه میتواند با بکارگیری الگوریتم فراابتکاری مناسب، هر محقق، دانشجو ویا سازمان را در تولید جوابی منطقی در مدت زمان معقول یاری می‌رساند.

مزایا و معیارهای بکارگیری الگوریتم‌های فراابتکاری:

بهینگی: وقتی چندین جواب برای یک مسئله موجود است، الگوریتم هیوریستیک می‌تواند بهترینِ جواب‌ها، از میان این تعداد را پیدا کند.

کامل بودن: هنگامی که چندین جواب برای مسئله موجود است، الگوریتم فراابتکاری می‌تواند اکثر آنها را پیدا کند.

دقت: هیوریستیک مربوطه می‌تواند جوابی با دقت بالا و خطای کم پیدا کند.

مدت زمان اجرا: زمان حل مسائل به کمک الگوریتم‌­های فراابتکاری بسیار کمتر از روش‌های دستی است.

 

به ادامه مطلب مراجعه کنید

 

ادامه نوشته

جی آی اس و الگوریتم زنبور عسل

الگوریتم زنبور شامل گروهی مبتنی بر الگوریتم جستجو است که اولین بار در سال 2005 توسعه یافت ؛ این الگوریتم شبیه سازی رفتار جستجوی غذای گروههای زنبور عسل است. در نسخه ابتدایی این الگوریتم، الگوریتم نوعی از جستجوی محلی انجام می دهد که با جستجوی کتره ای (Random) ترکیب شده و می تواند برای بهینه سازی ترکیبی {زمانی که بخواهیم چند متغیر را همزمان بهینه کنیم.}یا بهینه سازی تابعی به کار رود.

الگوریتم زنبور هر نقطه را در فضای پارامتری_ متشکل از پاسخ های ممکن_به عنوان منبع غذا تحت بررسی قرار می دهد."زنبور های دیده بان"_ کارگزاران شبیه سازی شده _به صورت کتره ای (Random) فضای پاسخ ها را ساده می کنند و به وسیله ی تابع شایستگی کیفیت موقعیت های بازدید شده را گزار ش می دهند. جواب های ساده شده رتبه بندی می شوند، و دیگر "زنبورها" نیروهای تازه ای هستند که فضای پاسخ ها را در پیرامون خود برای یافتن بالا ترین رتبه محل ها جستجو می کنند(که "گلزار" نامیده می شود) الگوریتم به صورت گزینشی دیگر گلزار ها را برای یافتن نقطه ی بیشینه ی تابع شایستگی جستجو می کند.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

 

جی آی اس و الگوریتم جهش ترکیبیِ قورباغه (SFLA)

 یک الگوریتم مبتنی بر ممتیک متاهیوریستیک است. این الگوریتم در سال­های اخیر توسط Eusuff و Lansey ایجاد شد. الگوریتم SFLA از نحوه­ی جستجوی غذای گروه­ های­ قورباغه­ سرچشمه می­گیرد. این الگوریتم برای جستجوی محلی میان زیرگروه­­های قورباغه از روش نمو ممتیک استفاده می­کند. SFLA  از استراتژیِ ترکیب استفاده می­کند و امکان مبادله پیام در جستجوی محلی را فراهم می­سازد. این الگوریتم مزایای الگوریتم نمو ممتیک و بهینه ­سازیِ گروه ذرات (PSO) را ترکیب می­کند. در SFLA نه تنها در جستجوی محلی بلکه در جستجوی سراسری نیز پیام­ها مبادله می­شوند. بدین ترتیب جستجوی محلی و سراسری به خوبی در این الگوریتم ترکیب می­شوند. جستجوی محلی امکان انتقال مم را میان افراد ممکن می­سازد و استراتژیِ ترکیب امکان انتقال مم را میان کل جمعیت ممکن می­سازد. مانند الگوریتم ژنتیک (GA) و بهینه ­سازی گروه ذرات (PSO) الگوریتم جهش ترکیبیِ قورباغه یک الگوریتم بهینه­ سازیِ مبتنی بر کولونی است. SFLA قابلیت بالایی برای جستجوی سراسری دارد و پیاده ­سازیِ آن آسان است. الگوریتم SFLA می­تواند بسیاری از مسائل غیرخطی، غیرقابل­تشخیص  و چندحالته  را حل کند. 

الگوریتم SFLA ترکیب روش قطعی و روش تصادفی است. روش قطعی به الگوریتم امکان می­دهد تا پیام­ها را به صورت کارایی مبادله کند. روش تصادفی انعطاف­پذیری و مقاومت الگوریتم را تضمین می­­کند. الگوریتم با انتخاب تصادفی گروه ­های قورباغه شروع می­شود. گروه­های قورباغه به چندین زیرگروه تقسیم می­شوند. هر یک از این زیرگروه­ها می­توانند جستجوی محلی را به صورت مستقل و با روش­ متفاوتی انجام دهند. قورباغه­های موجود در یک زیرگروه می­توانند بر روی سایر قورباغه ­های موجود در همان زیرگروه اثر بگذارند. بدین تریب قورباغه­ های موجود در یک زیرگروه تکامل می­یابند. تکامل ممتیک کیفیت ممتیکِ قورباغه­ های منفرد را بهبود و قابلیت دستیابی به هدف را افزایش می­دهد. برای رسیدن به یک هدف خوب می­توان وزنِ قورباغه­ ها­ی خوب را افزایش و وزن قورباغه ­های بد را کاهش داد. بعد از تکامل برخی از ممتیک­ها، زیرگروه­ها با هم ترکیب می­شوند. بواسطه­ی ترکیب ممتیک­ها در حوزه­ی سراسری بهینه می­شوند و بوسیله­  مکانیزم ترکیب زیرگروه­های قورباغه­  جدیدی ایجاد می­شود. ترکیب، کیفیتِ ممتیک­هایی که تحت تاثیرِ زیرگروه­های مختلف قرار می­گیرند را افزایش می­دهد. جستجوی محلی و جستجوی سراسری تا برآورده شدن شرط همگرایی ترکیب می­شوند. توازن بین مبادله پیام سراسری و جستجوی محلی به الگوریتم امکان می­دهد تا به راحتی از مینیمم محلی پرش کند  و تا دستیابی به بهینه­ سازی توسعه یابد. یکی از خصیصه­ های  الگوریتم SFLA همگرایی سریع آن است.

 

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

جی آی اس و الگوريتم دسته ماهي هاي مصنوعي (AFSA)

الگوريتم دسته ماهي هاي مصنوعي (AFSA) يك مدل محاسباتي تكاملي است كه مبتني بر الگوريتم هاي هوش جمعي و بر گرفته شده از طبيعت مي باشد.عملكرد اين الگوريتم بر اساس جستجوي تصادفي است

الگوریتم دسته‌ی ماهی‌هاي مصنوعی یکی از الگوریتم‌هاي هوش جمعی است که بر اساس جمعیت و جستجوي تصادفی کار می‌کند. این الگوریتم در سال 2002 توسط دکتر Li Xiao Lei ارائه گردید. اساس کار AFSA از روي رفتارهاي اجتماعی ماهی‌ها برگرفته شده و بر مبناي جستجوي تصادفی، جمعیت و رفتارگرایی کار می‌کند. این الگوریتم داراي خصوصیاتی از جمله سرعت همگرایی بالا، حساس نبودن به مقادیر اولیه‌ی ماهی‌هاي مصنوعی، انعطاف‌پذیري و تحمل‌پذیري خطا میباشد که آن را براي حل مسائل بهینه‌سازي قابل قبول می‌کند.

اساس کار AFSA   بر پایه‌ی توابعی است که از رفتارهاي اجتماعی دسته‌ی ماهی‌ها در طبیعت برگرفته شده‌اند. در دنیاي زیر آب، ماهی‌ها می‌توانند مناطقی را پیدا کنند که داراي غذاي بیشتري است، که این امر با جستجوي فردي یا گروهی ماهی‌ها محقق می‌شود. مطابق با این ویژگی، مدل ماهی مصنوعی با رفتارهاي حرکت آزادانه، جستجوي غذا، حرکت گروهی و دنباله‌روي ارائه شده است که به وسیله‌ی آنها فضاي مسئله جستجو می‌شود.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

 

 

 

جی آی اس و الگوریتم کرم شب تاب (FA)

الگوریتم کرم شب تاب (FA) یک الگوریتم metaheuristic، با الهام از رفتار های رایانه ای از کرم شب تاب است.

هدف اصلی برای فلش کرم شب تاب است که به عنوان یک سیستم سیگنال عمل می کنند برای جذب دیگر کرم شب تاب ها است .

شین، او یانگ این الگوریتم کرم شب تاب با فرض فرموله زیر را ارائه کرد :

1. همه کرم شب تاب ها تمایل جنسی دارند، به طوری که یک کرم شب تاب به تمام کرم شب تاب های دیگر را جذب میکند .

2. جذابیت متناسب است به روشنایی خود، و برای هر دو کرم شب تاب یکی کمتر روشن خواهد شد جذب (و در نتیجه به حرکت می افتد ) یکی روشن تر، با این حال، روشنایی می تواند به عنوان فاصله آنها افزایش و یا کاهش یابد .

3. اگر کرم شب تابی روشن تر از کرم شب تاب داده شده وجود داشته باشد آن را به طور تصادفی حرکت خواهد داد.

روشنایی باید با تابع هدف در ارتباط باشد .

الگوریتم کرم شب تاب یک الگوریتم بهینه سازی است که از طبیعت الهام گرفته است.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

 

جی آی اس و شبکه عصبی انجمنی

شبکه عصبی انجمنی به منظور ذخیره داده‌ها و به خصوص تصاویر متناظر یا هم معنی با محتوا طراحی شده اند. رفتار این شبکه عصبی که با نام انگلیسی associative memory شناخته می‌شود شبیه به حافظه انسان است. شما به فوتبال فکر می‌کنید و بلافاصله پرچم تیم دلخواهتان در ذهنتان نقش می‌بندد. شبکه عصبی انجمنی به ازای یک تصویر یا ورودی  باید یک تصویر هم معنی یا هر چیز دیگر را به طور کامل شبیه سازی کرده و به خروجی ببرد. ابن شبکه عصبی در کاربردهای تداعی کردن اشیا و یا شبیه سازی حافظه بسیار پرکاربرد است. در سال‌های اخیر نسخه‌های بسیار قوی و با حافظه بالا(در تئوری بی‌نهایت) نیز به اسم MBAM طراحی و ساخته شده اند.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

 

 

جی آی اس و َشبکه عصبی خود سازمان‌ده

شبکه عصبی رقابتی یا خود سازمان‌ده، نمونه‌ای دیگر از شبکه‌ عصبی‌های پرکاربرد هستند که با هدف خوشه‌بندی هوشمند طراحی شده‌اند. برای مثال چندین تصویر و 4 رده دارید ولی قادر به جداسازی تصاویر به طور دستی نیستید. این شبکه براساس ویزگی‌های هر تصویر و هر رده ارتباطی بین ورودی و خروجی پیدا کرده و از این به بعد نمونه های جدید را براین اساس سازماندهی می‌کند. نام رقابتی به این دلیل برای این شبکه عصبی برگزیده شده است که هر نرون برای تصاحب نمونه ورودی بیشتر باید با دیگر نرون‌ها رقابت کرده و مکان خود را تا حد امکان تغییر دهد. در عین رقابت باید یک تعامل نیز بین نرون‌ها برای ارتباط بین رده‌ها و یا عدم ارتباط برقرار شود. معروف‌ترین شبکه عصبی خود سازمان‌ده شبکه عصبی کوهونن یا Kohonen است.

 

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

جی آی اس و شبکه عصبی بولتزمن

بکه عصبی بولتزمن که در اواخر صده 1900 رو به فراموشی بود پس از احیای الگوریتم همگرایی و افزایش فوق العاده سرعت آموزش، سریع به یک مدل پرمخاطب تبدیل شد، تا جایی که مدل‌های پیچیده یادگیری عمقی(عمیق) یا deep learning براساس آن ابداع شدند.

شبکه عصبی بولتزمن برخلاف شبکه پس انتشار دارای یک لایه است و وزن‌های میانی دارای معنی هستند. همین ویژگی بولتزمن باعث شد که شبکه‌های عمیق به وجود آمده و بتوان بر روی وزن‌های میانی یک شبکه بولتزمن دیگر آموزش داد. اساس کار این شبکه فراگیری توزیع داده‌های ورودی و ارتباط ان با خروجی نمونه‌هاست به نحوی که نمونه‌های جدید ورودی با توزیع استخراج شده با حداقل خطا بتوانند به تولید الگوی خروجی بپردازند.

برای انجام طرح و تحقیق و پایان نامه بااستفاده از این مدل در محیط GIS با شماره همراه و یا ایمیل ذکر شده در این وبلاگ تماس بگیرید.

عناصر اصلی نقشه مبنا

در نقشه‌های مبنا عناصر مختلفی وجود دارد که بعضی از آن‌ها دارای اهمیت بیشتری می‌باشند. موارد زیر برخی از عناصر اصلی نقشه مبنا به شمار می‌رود.

 

 

به ادامه مطلب مراجعه فرمایید..

ادامه نوشته

دانلود داده های مکانی رایگان

 شما باید قادر به پیدا کردن داده های GIS در سایتهای اینترنتی باشید.

 

ادامه مطلب مراجعه فرمایید...

ادامه نوشته

کاربردهای عکس و نقشه و نقشه‌های تصویری

 یکی از روش‌های تولید نقشه استفاده از عکس‌های هوایی است. عکس‌های هوایی یک منطقه پس از اعمال تصحیحات مختلف با روش‌های فتوگرامتری ترسیم‌شده و به یک نقشه تبدیل می‌شوند. امکان تهیه نقشه از روی عکس هوایی این فکر را به وجود می‌آورد  که آیا می‌توان از خود عکس هوایی بجای یک نقشه استفاده کرد؟ آیا تفاوت عکس و نقشه در حدی است که دیگر با نقشه‌های قدیمی خود خداحافظی نماییم؟

 

ادامه نوشته

میزان خطای بین دو مجموعه داده مکانی

 RMSE که از آن به عنوان خطای RMSE نیز یاد میکنند، مخفف کلمه Root Mean Square Error و به معنی میانگین مربع خطاها میباشد. این واژه یکی از پرکاربردترین پارامترهای آماری در GIS است و میتواند بعنوان یکی از پارامترهای تاثیرگذار در کاربردهای زمین آمار استفاده گردد.

RMSE میزان خطای بین دو مجموعه داده را اندازه گیری میکند. این پارامتر معمولاً مقادیر پیش بینی شده و مقادیر اندازه گیری شده را با یکدیگر مقایسه میکند. برای مثال ارتفاع نقاط به دست آمده از LiDAR را با ارتفاعی که از نقشه برداری زمینی به دست آمده، مقایسه میکند.

ادامه نوشته

بهینه سازی رستر-روش هرم تصویری

عموماً دو نوع چالش هنگام ارائه و نمایش داده‌های مکانی حجیم و در رابطه با بهینه سازی ذخیره و بازیابی داده های رستری ، مطرح می‌باشند:

 1-نمایش تمام داده‌ها با مقیاس کوچک   2- نمایش بخشی از داده‌ها با مقیاس بزرگ،

و برای هر مورد، روش بهینه‌سازی ویژه‌ای پیش بینی می‌گردد. در این مقاله به روش‌های بهینه‌سازی داده‌های رستری برای هریک از دو مورد فوق خواهیم پرداخت و موضوع بهینه سازی داده های برداری را به مقاله ای مجزا اختصاص خواهیم داد.

نمایش قسمتی از داد‌ه با مقیاس بزرگ

   با استفاده از روش تکه‌های تصویری (Image Tiling)، حجم عظیمی از داده‌های رستری می‌توانند ذخیره‌سازی شده، با سرعت بسیار مناسبی بازیابی گردند. در این روش، تصاویر به تکه‌های کوچک تقسیم شده، ذخیره می‌گردند. عموماً از تکه‌هایی به ابعاد 128در 128 و یا 256 در 256 پیکسل استفاده می‌شود.  تصاویر گوگل در تکه‌های 256‌ در‌ 256 پیکسل ذخیره می‌گردند.

 

به ادامه مطلب مراجعه کنید

ادامه نوشته

موضوعات جدید برای پایان نامه های جغرافیا،بازرگانی،بازاریابی،شهری،مکان یابی،مسیریابی،gis

توسعه کالبدی شهر با استفاده از برنامه ریزی سناریو و gis

توسعه شهری با استفاده از سیستم دینامیک (سیستم پویا)

مسیر یابی شبکه های خودرویی با استفاده از الگوریتم های زنبور عسل

شناسایی ،برنامه ریزی و پیش بینی نقاط کانونی حوادث با استفاده ازالگوریتم کلونی حشرات

استفاده از الگوریتم جغرافیای زیستی bbo در مکان یابی و مسیریابی

استفاده از الگوریتم جهش قورباغهSFLA در مسیریابی و مکان یابی

برنامه ریزی توسعه تولید با رائه الگوریتم جهش قورباغه

مکان یابی تولیدات پراکنده باهدف کاهش تلفات با استفاده از الگوریتم جهش قورباغه

بررسی ارتباط عملکرد زیست محیطس و کارآفرینی با تاکید برحکمرانی خوب با استفاده از مدلهای مبتنی برسناریو

اریابی شاخص های جهانی کارافرینی در ایران با تاکید بر متغیرهای نهادی با استفاده از مدل آینده پژوهی

پیشرانها و موانع اساسی کلیدی حاکم بر تطور کشور به اقتصاد دیجیتالی با استنفاده از شاخص تکاملی تافتز

پیمایش و بهبود شرایط کارآفرینی با سیاستهای ترکیبی جهانی،ملی،منطقه ای 

ارزیابی سیاستهای موثر بر اکوسیستم کارآفرینی در ایران

ارائه مدل تعاملی نهادین و پویا میان گرایش کارآفرینانه ،توانایی کارآفرینانه ،اشتیاق کارافرینانه باتاکید بر سرمایه گذاری مخاطره آمیز

شبیه سازی متقابل ارکان کارافرینی به روش تاوان گلوگاه

بررسی عملکرد اکوسیستم کارافرینی ایران درمقایسه با جهان و منطقه منا 

چیمایش و بهبود شرایط کارافرنی با سنجه های ترکیبی بروندادمحور،گرایش محور،چارچوب محور

ارزیابی و پشتیانی از کارافرینی با تاکید بر سنجه های چارچوب محور

اثر محیط نهادی و محیط کسب و کار بر پیچیدگی اقتصادی در کشورهای منتخب

اثر پیچیدگی اقتصادی بر حجم اقتصاد غیر رسمی در کشورهای منهخب 

اثرات جهانی شدن بر بازارهای مالی

الگوهای رفتار مشتری درخرید با توجه مدل خرید کاتلز/هورادشیث/انگل کولارت

اثر عوامل روانی بر سرمایه گذاری در بورس با توجه به عوامل بیوریتمک

جمعیت شناسی اقتصادی با تاکید بر اثرات اقتصادی رشد سریع جمعیت

الگوهای نامحسوس حاکمبر مخارج مصرف کنندگان با استفاده از مدل کارکنان خلاق

بررسی عوامل بنیادین در دستیابی به کیفیت محصول

ارزیابی اثرات عملکرد بازار ،اختصاص به موقع سرمایه و حاملهای سرمایه گذاری  بر سرمایه گذاری با میانجی گری رفتارهای موثر بر سرمایه گذاری

استفاده از مدلهای داده کاوی در جلوگیری از خطاهای سرمایه گذاری ناشی از سرمایه گذاری رفتاری

 

توسعه کالبدی شهر با استفاده از برنامه ریزی سناریو و gis

سناریونویسی روشی جدید در برنامه‌ریزی است که به عنوان ابزاری در برنامه‌ریزی استراتژیک کارآ برای برنامه‌ریزی بلند مدت در شرایط عدم قطعیت مورد استفاده قرار می‌گیرد. هدف اصلی سناریو بالا بردن کارآیی و کیفیت برنامه‌ریزی‌ها در شرایط عدم اطمینان در آینده می‌باشد. پیچیده‌گی و افزایش عدم قطعیت در محیط‌های شهری موجب شده است تا برنامه-ریزان و مدیران شهری در چنین شرایطی به برنامه‌ریزی سناریو روی آورند. انطباق روشهای آینده‌شناسی در برنامه‌ریزی شهری، رویکردی جامع و خیلی دقیق را به سوی یک مدیریت شهری راهنمایی می‌کند، که بیشتر بر روی درون‌یابی، مشارکت و وفق‌پذیری استوار است.

با استفاده از نرم افزار MICMAC به تحلیل داده ها پرداخته میشود و سناریو نویسی به شیوه شوارتز انجام میگیردو سپس با استفاده از نرم افزار Arcmap نتایج نهایی تصویرسازی میگردد. نتایج تحقیق نشان دهنده این است میزان رشد فضایی – کالبدی شهر چند درصد بوده و به صورت خطی یا غیر خطی  در طول یا عرض محور اصلی شهر توسعه پیدا کرده است .

از نظر توسعه فضایی در چند دهه آینده با چه سناریو هایی رو به رو خواهد شد همانند سناریو اول: توسعه فشرده شهر در مرزهای کنونی شهر،

سناریو دوم : توسعه خطی یا عیر خطی در محور اصلی یا فرعی شهر همراه با تراکم کم یا زیاد،

سناریو سوم : توسعه پراکنده و آشفته در همه جهات شهری.

 

برای انجام پایان نامه یا مقاله با استفاده از برنامه ریزی های مبتنی بر سناریو در در کلیه رشته ها و گرایشهای مرتبط با آنها  با 09301359119 تماس گرفته و یا تلگرام بزنید همچنین میتوانید با ایمیل[e-mail] تماس بگیرید.

 

توسعه شهری با استفاده از سیستم دینامیک (سیستم پویا)

رویکرد پویایی سیستم یا سیستم دینامیک، فرصتی برای بررسی اثرات متقابل زیرسیستمهای شهری بر روی یکدیگر، در طول زمان، جهت اتخاذ سیاستها و تصمیمات بهینه برای توسعه شهری بوجود می آورد. همانند طراحی یک مدل کلی برای پیش بینی روند توسعه یک منطقه شهری.

 بدین منظور پس از شناسایی عوامل تأثیرگذار در فرایند توسعه، مهمترین زیرسیستمها انتخاب شده - انتخاب زیرسیستمها، با توجه به شرایط خاص محدوده مورد مطالعه صورت انجام میشود و طی مراحل توسعه مدل، دینامیکهای مربوط به هر یک از آنها ترسیم گردید. زیرسیستمهای بکار رفته در مدل شامل جمعیت، اقتصاد و زمین در قالب کاربریهای مسکونی، کاربریهای غیرمسکونی و اراضی ذخیره شهری خواهد بود.

سپس با تلفیق دینامیکهای زیرسیستم ها و تبیین روابط بین آنها، مدل کلی توسعه منطقه طراحی، و با استفاده از آزمونهای مربوطه، معتبرسازی میشوند.

در نهایت سناریوهای محتمل در منطقه با استفاده از سیاستهای مختلف در مدل اجرا میشوند. با اجرای سناریوها در مدل، مشخص خواهد شد که کدام عامل ، نقش موثری در میزان استفاده از زمین منطقه و در نتیجه توسعه ایفا میکند. بنابراین با اتخاذ سیاستهای مناسب، می توان با ایجاد تعادل بین عرضه و تقاضای زمین در یک منطقه، به توسعه ای پایدار دست یافت. 

 

 

 

 

 

 

 

 

 

 

برای انجام پایان نامه یا مقاله با استفاده از سیستمهای دیمنامیک و پویا در در رشته های جغرافیای و برنامه ریزی شهری و گردشگری و... همینطور رشته های صنایع و مدیریت با 09301359119 تماس گرفته و یا تلگرام بزنید همچنین میتوانید با ایمیل[e-mail] تماس بگیرید.

 

مسیر یابی شبکه های خودرویی با استفاده از الگوریتم های زنبور عسل

شبکه های خودروئی زیرشاخه ای از شبکه های سیار موردی هستند، که با هدف برقراری امنیت سرنشینان خودرو، و ... مطرح شده اند. بر خلاف شبکه های سیار موردی در شبکه های خودرویی گره ها مرتبا مکان خود را با سرعت بسیار بالایی تغییر می دهند، بنابراین بر پایی ارتباطات در این شبکه ها موقتی است. ارسال های چند پخشی به منظور ایجاد برخی از کاربردها از قبیل خدمات چند رسانه ای و دیگر کارهای گروهی در جاده ها مانند ارتباطات گروهی در ماموریت های پلیسی و امدادی آتش نشان کاملا ضروری است. ارسال های چند پخشی موجب بهینگی در مسیریابی ارسالهای گروهی می شود. برای دستیابی به قابلیت مسیر یابی مناسب چند پخشی در شبکه هاب خودرویی باید راهی پیدا کرد که از گراف همبندی های شبکه ی موجود، درختی را به عنوان مسیر ارسال ها انتخاب کند. این درخت باید تمام مقصدهای گروه چند پخشی را پوشش دهد. علاوه بر آن پیوندهای موجود از مبدا تا عضوهای گروه مقصد چندپخشی در درخت انتخاب شده از لحاظ پارامترهای کیفیت سرویس به بهینه ترین مقدار ممکن نزدیک باشد. میزان تاخیر، میزان جیتر، هزینه؛ پهنای باند و نرخ بسته های گمشده به عنوان پارامترهای کیفیت سرویس در نظر گرفته میشوند. انتخاب درختی با چنین ویژگی ها از گراف شبکه موجود، با روش های سنتی از مسائل NP کامل است.  ترکیبی از رفتارهای جستار غذا و ازدواج زنبورها در کندو با تابع متقاطع الگوریتم ژنتیک در جهت حل این مشکل بکار گرفته میشود، و الگوریتم ذکر شده با عنوان HGBA نامگذاری میگردد. الگوریتم HGBA با پیچیدگی زمانی خطی اجرا می شود. برای ارزیابی کارایی الگوریتم پیشنهادی، الگوریتم فوق با الگوریتم های GA و BA در محیط شبیه سازی NS2 پیاده سازی و مقایسه شده اند.

 

 

 

 

 

 

 

 

 

 

 

از این الگوریتم میتوان در رشته های مختلف برای بهینه سازی استفاده کرد

برای انجام پایان نامه یا مقاله با استفاده از این الگوریتم در در رشته های جغرافیای و برنامه ریزی شهری و گردشگری و... همینطور رشته های صنایع و مدیریت با 09301359119 تماس گرفته و یا تلگرام بزنید همچنین میتوانید با ایمیل[e-mail] تماس بگیرید.

شناسایی ،برنامه ریزی و پیش بینی نقاط کانونی حوادث با استفاده ازالگوریتم کلونی حشرات

با توجه به گسترش حوادث طبیعی در جهان همانند زلزله یکی از دغدغه های کشور ها کاهش آثار منفی این رخدادها می باشد .برنامه ریزی و پیش بینی طرح های آینده بسیار در این امر سهیم می باشد .خوشه بندی یکی از مقوله هایی می باشد که مراکز وقوع حواث را در این امر یاری می رساند .در این تحقیق بر آن شدیم که با استفاده از کلونی حشرات و به خصوص کلونی زنبور عسل و مورچگان ،نوعی خوشه بندی را پیشنهاد دهیم که مناسب و کاربردی برای محیط های کانونی حوادث فعال یا پویا و متغیر باشد .در این راه با تلفیق کلونی زنبور عسل و مورچگان با شیوه های برخورد با محیط های پویا، سعی نموده که داده های پویا را خوشه بندی کنیم و در هر لحظه این خوشه بندی به روز رسانی شود و تغییرات محیطی در خوشه بندی اعمال شود .نتایج اعمال روش مذکور روی دو دسته الگوریتم خوشه بندی یعنی زنبوران عسل و مورچگان ،مناسب بودن روش مذکور برای برخورد با محیط های پویا را نشان می دهد. 

 

 

 

 

 

 

 

 

 

از این الگوریتم میتوان در رشته های مختلف برای بهینه سازی استفاده کرد

برای انجام پایان نامه یا مقاله با استفاده از این الگوریتم در در رشته های جغرافیای و برنامه ریزی شهری و گردشگری و... همینطور رشته های صنایع و مدیریت با 09301359119 تماس گرفته و یا تلگرام بزنید همچنین میتوانید با ایمیل[e-mail] تماس بگیرید.

استفاده از الگوریتم جغرافیای زیستی bbo در مکان یابی و مسیریابی

اساس توزيع و تخصيص كاربريها و تعيين استانداردها و سرانه‌هاي شهري بر پايه تقسيمات فضاي كالبدي شهر استوار است. براین اساس ، فرايندهاي شناخت شناسي، تحليل و ارزيابي كـاربريهـا امكـانپـذير شـده و درنهايـت براساس آن، رهيافتهاي لازم براي ساماندهي و برنامه ريزي كاربريهاي شهري ارائه مـيشـود.مشکل اصلی شیوه های مرسوم همچون استفاده از gis و تکنیک های چند معیاره در ارزیابی کاربری های اراضی این است که دراین مدلها ارتباط متقابل میان عملکردها در مجموعه اراضی هدف مورد سنجش قرار نمی گیرند.

الگوریتم های فراابتکاری سهم بسزایی را در حل تقریبی مسائل بهینه سازی دارا می باشند. روش حل پيشنهادي ما ، الگوريتم بهينه سازي جغرافياي زيستي bbo ميباشد. اين الگوريتم، الگوريتمي نشات گرفته شده ازطبيعت است كه از اصول علم جغرافياي زيستي براي جستجو در فضاي جواب استفاده ميكند.بطور خلاصه در این الگوریتم عملگرجهش شاخصهایی که برای ارتقای کاربری اراضی در یک منطقه نیاز می باشد و عملگر مهاجرت شاخصهایی از کاربری اراضی که نیاز به جابجایی دارند ،ارزیابی و بهینه میکنند. این شاخصها همگی در ابعاد جغرافیای زیستی و بعنوان شاخص های مطلوب siv بررسی میشوند که شامل 4 بعدمیباشد شامل:

1-ابعاد اقتصادی

2- ابعاد اجتماعی 

3- ابعادکالبدی-فیزیکی

4- ابعادمحیطی -اکولوژیکی 

 

 

 

 

 

 

 

 

از این الگوریتم میتوان در رشته های مختلف برای بهینه سازی استفاده کرد

برای انجام پایان نامه یا مقاله با استفاده از این الگوریتم در حوزه کاربری ازاضی، مکان یابی و مسیریابی در رشته های جغرافیای و برنامه ریزی شهری و همینطور رشته های صنایع و مدیریت با 09301359119 تماس گرفته و یا تلگرام بزنید همچنین میتوانید با ایمیل[e-mail] تماس بگیرید.

استفاده از الگوریتم جهش قورباغهSFLA در مسیریابی و مکان یابی

الگوریتم جهش ترکیبیِ قورباغه به انگلیسی Shuffled Frog Leaping Algorithm ، الگوریتمی برای بهینه‌سازی در هوش صتوعی می‌باشد.

مسأله مسیریابی وسایل نقلیه یکی از قدیمی‌ترین و پرکاربردترین مسائل در زمینه‌ی تحقیق در عملیات است. این مسأله به‌دنبال جستجوی یک برنامه‌ی کارا برای ناوگان وسایل نقلیه است. در این مسأله، وسایل نقلیه محموله‌ها را از یک انبار مرکزی بارگیری کرده و بعد از تأمین تقاضای همه‌ی مشتریان به انبار بازمی‌گردند، با این فرض که هر مشتری فقط یکبار ملاقات شود و محدودیت ظرفیت وسایل نقلیه نقض نشود. مسأله مسیریابی وسایل نقلیه یک مسأله NP-hard است. با توجه به اینکه هزینه‌ی اجاره و خرید وسایل نقلیه متفاوت می‌باشد و برخی شرکت‌ها قادرند وسایل نقلیه را متناسب با نیاز خود خریداری یا اجاره کنند، با فرض خرید یا اجاره‌ی وسایل نقلیه در مسیریابی مطرح شده‌است، چراکه تصمیم بر اجاره یا خرید وسایل نقلیه بر نحوه‌ی شکل‌گیری مسیرها اثرگذار است.بنابراین با اعمال این فرض در مسأله مسیریابی وسایل نقلیه با محدودیت ظرفیت، ...

 

برای انجام پایان نامه یا مقاله در حوزه مکان یابی و مسیریابی در رشته های جغرافیای و برنامه ریزی شهری و همینطور زشته های صنایع و مدیریت با 09301359119 تماس گرفته و یا تلگرام بزنید همچنین میتوانید با ایمیل [e-mail] تماس بگیرید.

 

برنامه نویسی ArcGIS با استفاده از کلاس های ArcObjects در محیط VS.NET

مجموعه فیلم آموزشی برنامه نویسی ArcGIS با استفاده از کلاس های ArcObjects در محیط VS.NET ..

 

به ادامه مطلب مراجعه کنید..

ادامه نوشته

پنجره تحلیل تصویر در ArcGIS

برای بسیاری از پردازشهای عادی تصاویر، نیازی به استفاده از نرم افزارهایی مانند ENVI یا ERDAS نداریم و می توانیم در داخل GIS این تحلیلها را انجام دهیم. 

 

به ادامه مطلب مراجعه شود...

ادامه نوشته