Optimización multiobjetivo de rutas de autobús urbanas resilientes, sostenibles y seguras para la promoción turística utilizando un algoritmo híbrido de aprendizaje por refuerzo
Autores: Sriprateep, Keartisak; Pitakaso, Rapeepan; Khonjun, Surajet; Srichok, Thanatkij; Luesak, Peerawat; Gonwirat, Sarayut; Kaewta, Chutchai; Kosacka-Olejnik, Monika; Enkvetchakul, Prem
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Optimización multiobjetivo de rutas de autobús urbanas resilientes, sostenibles y seguras para la promoción turística utilizando un algoritmo híbrido de aprendizaje por refuerzo
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Sistemas de transporte urbano
Optimización de rutas de autobús
Algoritmo H-RL-VaNSAS
Sostenibilidad
Resiliencia
Satisfacción turística
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
Los sistemas de transporte urbano en ciudades centradas en el turismo enfrentan desafíos debido a la rápida urbanización y el crecimiento de la población. La optimización eficiente, resiliente y sostenible de rutas de autobús es esencial para garantizar un servicio confiable, minimizar el impacto ambiental y mantener los estándares de seguridad. Este estudio presenta un novedoso algoritmo de Búsqueda Adaptativa de Estrategia de Vecindario Variable de Aprendizaje Reforzado Híbrido (H-RL-VaNSAS) para la optimización de rutas de autobús urbanas multiobjetivo. Nuestro modelo matemático maximiza la resiliencia, sostenibilidad, satisfacción del turista y accesibilidad, al tiempo que minimiza la distancia total de viaje. H-RL-VaNSAS se evalúa frente a los principales métodos de optimización, incluidos el Optimizador de Puercoespín Crestado (CPO), el Algoritmo del Rebaño de Krill (KHA) y el Algoritmo del Enjambre de Salp (SSA). Utilizando métricas como el Hipervolumen y la Proporción Promedio de Soluciones Óptimas de Pareto, H-RL-VaNSAS demuestra un rendimiento superior. Específicamente, H-RL-VaNSAS logró el índice de resiliencia más alto (550), el índice de sostenibilidad (370), la puntuación de seguridad (480), la puntuación de preferencias turísticas (300) y la puntuación de accesibilidad (2300), mientras minimiza la distancia total de viaje a 950 km. En comparación con otros métodos, H-RL-VaNSAS mejoró la resiliencia en un 12.24-17.02%, la sostenibilidad en un 5.71-12.12%, la seguridad en un 4.35-9.09%, las preferencias turísticas en un 7.14-13.21%, la accesibilidad en un 4.55-9.52% y redujo la distancia de viaje en un 9.52-17.39%. Esta investigación ofrece un marco para diseñar sistemas de transporte público eficientes, resilientes y sostenibles que se alinean con los objetivos de planificación urbana y transporte. La integración del aprendizaje reforzado con VaNSAS mejora significativamente las capacidades de optimización, proporcionando una herramienta valiosa para las comunidades de investigación matemática y de transporte urbano.
Descripción
Los sistemas de transporte urbano en ciudades centradas en el turismo enfrentan desafíos debido a la rápida urbanización y el crecimiento de la población. La optimización eficiente, resiliente y sostenible de rutas de autobús es esencial para garantizar un servicio confiable, minimizar el impacto ambiental y mantener los estándares de seguridad. Este estudio presenta un novedoso algoritmo de Búsqueda Adaptativa de Estrategia de Vecindario Variable de Aprendizaje Reforzado Híbrido (H-RL-VaNSAS) para la optimización de rutas de autobús urbanas multiobjetivo. Nuestro modelo matemático maximiza la resiliencia, sostenibilidad, satisfacción del turista y accesibilidad, al tiempo que minimiza la distancia total de viaje. H-RL-VaNSAS se evalúa frente a los principales métodos de optimización, incluidos el Optimizador de Puercoespín Crestado (CPO), el Algoritmo del Rebaño de Krill (KHA) y el Algoritmo del Enjambre de Salp (SSA). Utilizando métricas como el Hipervolumen y la Proporción Promedio de Soluciones Óptimas de Pareto, H-RL-VaNSAS demuestra un rendimiento superior. Específicamente, H-RL-VaNSAS logró el índice de resiliencia más alto (550), el índice de sostenibilidad (370), la puntuación de seguridad (480), la puntuación de preferencias turísticas (300) y la puntuación de accesibilidad (2300), mientras minimiza la distancia total de viaje a 950 km. En comparación con otros métodos, H-RL-VaNSAS mejoró la resiliencia en un 12.24-17.02%, la sostenibilidad en un 5.71-12.12%, la seguridad en un 4.35-9.09%, las preferencias turísticas en un 7.14-13.21%, la accesibilidad en un 4.55-9.52% y redujo la distancia de viaje en un 9.52-17.39%. Esta investigación ofrece un marco para diseñar sistemas de transporte público eficientes, resilientes y sostenibles que se alinean con los objetivos de planificación urbana y transporte. La integración del aprendizaje reforzado con VaNSAS mejora significativamente las capacidades de optimización, proporcionando una herramienta valiosa para las comunidades de investigación matemática y de transporte urbano.