روش گرادیان


خلاصه :
در گذشته تعداد زیادی مدلهای مختلف با استفاده از مطالب مشاهده شده در جهت برآورد یا تنظیم ماتریسهای OD پیشنهاد شده بود . در حالیکه این مدلها از نظر فرمولاسیون ریاضی متفاوت بودند و از نظر تفسیر نیز متفاوت بودند . تمامی آنها در این حقیقت که استفاده از آنها برای شبکه های در اندازه واقعی مشکل است مشترک بودند . این ناشی از پیچیدگی محاسبات که در آنها درگیر است و احتیاج برای نرم افزار خیلی تخصصی برای انجام دادن آنها است .
در این مقاله ما یک مدل بر پایه گرادیان که قابل اعمال در شبکه های در بعد بزرگ است ارائه می کنیم . از نظر زیاضی مدل به شکل یک مسئله حداقل سازی محدب در جائیکه توسط دنبال کردن جهت نزولی ترین شیب ما می توانیم تضمین کنیم که ماتریس OD اصلی بیش از حد لازم تغییر پیدا نکرده است ، فرموله شده است .
ما نمایش می دهیم که چگونه این تنظیم مدل درخواستی می تواند بدون احتیاج به گسترش هیچگونه نرم افزار جدید اجرا شود . بلکه تنها توسط استفاده از اقلام موجود از یک بسته برنامه ریزی حمل و نقل قابل اجرا خواهد بود . از آنجائیکه یک قلم از مراحل تنظیم اساساً در دو انتخاب تعادلی در شبکه م.ورد نظر وجود دارند ، این روش حتی در شبکه ها و ماتریس ها در مقیاس بزرگ قابل اعمال است . تا به اینجا ، مدلها بطور موفقی در چندین پروژه ملی و شهری در سوئیس ، سوئد و فنلاند با استفاده از شبکه هایی تا حد 522 منطقه ترافیکی و 12460 سفر اعمال شده است . برخی از نتایج این مطالعه نشان داده خواهد شد .
کلمات کلیدی : برآورد ماتریس O-D ، انتخاب تعادلی ، روش گرادیان .

مقدمه :
تقریباً در تمامی کاربردهای برنامه ریزی حمل و نقل ، اطلاعات ورودی که بدست
می آید نشان از همه چیز مشکل تر و گران تر است . ماتریس درخواست مبدا - مقصد است . از آنجائیکه اطلاعات درخواستی بطور مستقیم قابل مشاهده نیست ، باید توسط تحقیقات دقیق و گران قیمت جمع آوری شود که درگیر با مصاحبه های در منزل و در جاده ها یا روشهای پیچیده علامت گذاری یا نشانه گذاری است . برعکس حج سفرهای مشاهده شده به آسانی و با دقت قابل قبولی توسط شمارش در نقاط خاصی از سفر یا دستی یا اتوماتیک با استفاده از دستگاههای شمارنده مکانیکی یا القایی قابل بدست آمدن است . بنابراین تعجب آور نیست که مقدار چشم گیری از تحقیقات در جهت بررسی احتمال برآورد یا بهبود یک ماتریس درخواست مبدا - مقصد با
حجم های مشاهده شده روی سفرهایی در شبکه مورد نظر انجام می شود .
تعداد زیادی از مدلها در گذشته پیشنهاد شده است . Vanvilet - (1980) willumsen , vanzuylen و (1981)willumsen - (1982)Nguyen - Vanzuylen و Branston (1982) - (1987)spiess . این مدلها در حالیکه خیلی از لحاظ تئوریکی جالب هستند ، تاکنون از لحاظ عملی ارتباط کمی داشته اند . این ناشی از زمان زیادی است که صرف محاسبات می شود و کاربرد در مسائل در بعد کوچک است . آنچه که ما خیلی خوب می دانیم این است که هیچکدام از این روشها بطور موفق به شبکه های در ابعاد وسیع و بزرگ با صدها منطقه ترافیکی و هزاران سفر شبکه ای اعمال نشده است . اکثر این روشهای سنتی به شکل مسائل اپتیمم سازی که در آنها تابع هدف هماهنگ با برخی توابع فاصله بین یک ماتریس درخواست اولیه و درخواست نتیجه شده g قابل فرموله شدن هستند . سپس مسائل محدود کننده در جهت نزدیک کردن حجم های انتخاب شده به حجم های مشاهده شده در نقاط شمارش استفاده می شوند . (توجه داشته باشید که برخی فرمولاسیون ها VanZuylen و (1982)Branston مسائل محدود کننده در آنها دخیل می شوند و بنابراین بعنوان اصطلاحات اضافی در توابع هدف ظاهر می شوند . )
در بخشهای زیر ما یک مدل جدید که مناسب برای کاربردهای در مقیاس بزرگ است را تشریح می کنیم . ما نشان می دهیم که چگونه این مدل بدون احتیاج به گسترش هیچگونه برنامه جدیدی قابل اجرا است ، اما به جای آن با استفاده از نسخه استاندارد از بسته برنامه ریزی حمل و نقل EMME/2 استفاده می شود . در نهایت ما نتایج برخی کاربردهای در مقیاس شهری و ملی را که در آنها مدل جدید ما اخیراً استفاده شده را خلاصه می کنیم .

روش گرادیان :
در این مقاله یک نوع جدید از مدلها پیشنهاد شده است . همچنین بعنوان یک مسئله اپتیمم سازی فرموله شده است . اما در اینجا تابع هدف برای اینکه حداقل سازی شود آنرا در فاصله بین حجمه ی مشاهده شده و انتخاب شده در نظر گرفته ایم . آسان ترین تابع از این نوع جذر جمع اختلاف ها ، که به مسئله حداقل سازی هدایتمان می کند می باشد .

کاربرد روش L1 – تقریب در معادلات انتگرال تکین


- مقدمه: معادلات انتگرال را می‌توان با استفاده از فن LP – تقریب (به ویژه L1 تقریب) به طور موثری حل کرد. در این متن فن کلی را مورد بحث قرار می‌دهیم و سپس آن را با حل چند معادله انتگرال مختلف توضیح می‌دهیم. علاوه برامتیازات دیگر، این روش به طور موفقیت آمیزی در مورد معادلات انتگرال تکین و همین طور معادلات انتگرال قویاً تکین (نظیر انتگرال های آدامار یا متناهی – قسمت) تعمیم داده شده و به کار رفته است. در بحث حاضر، مروری بر این مطالعه ارائه می‌شود.


2- مقدمات ریاضی :
به طور کلی هدف این متن عبارت است از کاربرد فن LP- تقریب در حل یک معادله انتگرال فردهولم (خطی یا غیر خطی) نوع اول یا دوم به صورت

در معادلة بالا تابع هدایتگر و هسته K توابعی معلوم اند، در حالی که تابع مجهول است که باید آن را بیابیم پارامتر نیز معلوم است. مساله کلی LP- تقریب پیوسته را می‌توان به صورت زیر فرمول بندی کرد:
تابع f معین روی یک بازة حقیقی مانند x همراه با یک تابع تقریب مانند F(A)، که به متغیر n پارامتری A=(a1 , …,an) در Rn وابسته است، مفروض اند.
در این صورت مساله LP- تقریب پیوسته به این معنی است که باید برداری مانند به گونه ای بیابیم که به ازای هر رابطة :

برقرار باشد.
جنبة اصلی مساله که باید مورد بحث واقع شود فرمول بندی مجدد مساله معادله انتگرال به صورت یک مساله LP- تقریب است. برای این منظور، فرض کنیم بتوان تابع جواب را با تابع F(A)، که ممکن است خطی یا غیر خطی باشد، تقریب زد. اگر این تقریب را در معادله انتگرال بگذاریم، رابطة زیر به دست می‌آید:

در آن صورت مساله تقریب را می‌توان بر حسب LP- نرم به صورت:

بیان کرد که در آن F(A,x) نسبت به A روی Rn و نسبت به x روی [a,b] تعریف شده است. توجه داشته باشید که می‌توان عبارت

را تابعی مانند تلقی کنیم که فقط به A بستگی دارد. پس می‌توان مسأله تقریب را به عنوان یک مسأله مینیمم سازی غیر مقید وابسته به n متغیر an,...,a1 در نظر گرفت. بنابراین، J فقط باید نسبت به این متغیرها مینیمم شود. در نتیجه، با حل مسأله مینیمم سازی بالا امکان حل تقریبی معادله انتگرال وجود دارد.
برای مطالعة درباره جزئیات این فن (و از جمله آنالیز ریاضی) مراجع [19] , [18] تالیف De Klerk را ببینید.
در این مرحله دو تفسیرزیر ضروری اند:
مقادیر مخلتف P را می‌توان مورد استفاده قرار داد. برای مثال به ازای P=1 مسأله منجر می‌شود به مسأله کمترین قدر مطلق و به ازای P=2 مسأله منجر می‌شود به مسألة کمترین مربعات. دلیلی وجودندارد که مقادیر مثبت دیگر P را در نظر نگیریم. حالت P=2 را بیشتر می شناسیم، در حالی که حالت P=1 کمتر آشناست. بنابراین احساس می‌شد که این حالت باید حاوی چالش های عددی جالبی (در رابطه با قدر مطلقی که در انتگرالده ایجاد می شود) باشد. توجه داشته باشید که خطی یا غیر خطی بودن انتگرالده بالا نسبت به A بستگی به تابع تقریب F(A) و هسته K دارد. در روش عددی ای که در اینجا مورد بحث قرار می‌گیرد تمایز خاصی بین خطی یا غیر خطی بودن قائل نمی‌شویم.


3- شیوة عددی و مثال ها :
فن عددی در اصل از دو شیوة عددی تشکیل شده است، یعنی شیوة مینیمم سازی و شیوة انتگرال گیری.
مینیمم سازی با استفاده ازیک الگوریتم استاندارد بهینه سازی انجام می‌گیرد. الگوریتم UMPOL در IMSL Library که بر پایة روش «سیمپلکس داون هیل» از نلدر و مید (به مثال [37] تالیف Press مراجعه کنید)، که گر چه زیاد سریع نیست اما این مزیت را دارد که بسیار قوی است و به مشتق گیری ها نیازی ندارد. در واقع ماشین سر به زیری است که معمولاً مقدار مینیمم یک تابع را به درستی می‌یابد . همچنین
De Klerk در [20] متذکر شده است که روش لووس- جاکولا [34] نیز روشی قوی است که به مشتق گیری ها نیازی ندارد و بررسی بیشتر جواب هایی که با بهره گیری ازاین روش بدست می آیند را مفید دانسته است.
انتگرال گیری عددی با استفاده از فن کوادراتور اتوماتیکی که ونتر و لاوری [3] با یک انتگرالده به صورت g(|f(x)|) آورده اند، انجام می‌شود. برای بدست آوردن این شیوه این محققین رویة انتگرال گیری تطبیقی استاندارد QAGE را تغییر داده اند (از QUAD PACK تالیف [35] Piessens ). در حین فرایند انتگرال گیری، با استفاده ازمقادیر موجود برای تابع، صفرهای تابع پیدا می‌شوند که از آنها (صفرهای تابع) به عنوان نقاط تقسیم در انتگرال گیری استفاده می‌کنیم.
در [20] ذکر شده است که ونتر ولاوری این روش را با موفقیت بالایی امتحان کرده اند، همچنین در پایان نامه دکتری ونتر نیز از بکارگیری این روش نتایج خوبی بدست آمده است [8].
De Klerk در [18] نتایج رضایت بخشی را با استفاده از این استراتژی تقریب بدست آورده است.
بر خلاف بسیاری روش های دیگر، با استفاده از روشی تقریبی نظیر روش یاد شده،‌ در ساختن جواب نیز آزادی عمل بیشتری داریم (مثلا می توان توابع گویا و توابع مثلثاتی را بکار برد).
با اینکه داشتن تجربه در ارتباط با انتخاب یک تابع تقریب لازم است اما این امر موجب کنار گذاردن روش مذکور نمی شود.
De Klerk با در نظر گرفتن مثال های زیر، برخی از نتایج اصلی سال های گذشته را به بحث می‌گذارد.
مثال (1- ) پارامتر به سمت یکی از مقادیر ویژه مسأله میل می‌کند.
هسته جدایی پذیر زیر را در نظر بگیرید، داریم :

که در آن دو مجموعه از توابع مستقل خطی هستند.
در این حالت معادله انتگرال فردهولم به طور کلی یک و فقط یک جواب دارد. تنها استثنا وقتی است که یکی از مقادیر ویژه هسته را به خود می‌گیرد که در این حالت مسأله جواب ندارد (Tricomi [9]) . مثال بعد کارایی فن مذکور را نشان می‌دهد. معادله انتگرال فردهولم نوع دوم زیررا در نظر بگیرید.

عدد طلایی


دنیای اعداد بسیار زیباست و ما می توانیم در آن شگفتی های بسیاری را بیابیم. در میان برخی از آنها اهمیت فوق العاده ای دارند، یکی از این اعداد که سابقه ی آشنایی بشر با آن به هزاران سال پیش از میلاد می رسد، عددی است به نام نسبت طلایی یا Golden Ratio.
اگر پاره خطی را در نظر بگیریم و فرض کنیم که آنرا بگونه ای تقسیم کنیم که نسبت بزرگ به کوچک معادل کل پاره خط به قسمت بزرگ باشد، اگر معادله ساده یعنی را حل کنیم. ( کافی است به جای b عدد یک قرار دهیم، بعد a را بدست آوریم)، به نسبتی معدل تقریباً 1/61803399 یا 1/618 خواهیم رسید. شاید باور کردنی نباشد، اما بسیاری از طراحان و معماران بزرگ برای طراحی محصولات خود امروز از این نسبت طلایی استفاده می کنند، چرا که به نظر می رسد ذهن انسان با این نسبت انس دارد و راحت تر آن را می پذیرد.
این نسبت نه تنها توسط معماران و مهندسان برای طراحی استفاده می شود، بلکه در طبیعت نیز کاربردهای بسیاری دارد.
به نسبت بین خط های صورت این تصویرها نسبت طلایی گفته می شود.

 اهرام مصر
یکی از قدیمی ترین ساخته های بشری است که در آن هندسه و ریاضیات بکار رفته شده است.
مجموعه اهرام GIZA در مصر که قدمت آنها به بیش از 2500 سال پیش از میلاد می رسد، یکی از شاهکارهای بشری است، در آن نسبت طلایی بکار رفته است. به این شکل نگاه کنید که در آن بزرگترین هرم از مجموعه ی هرم GIZA خیلی ساده کشیده شده است.
مثلث قائم الزاویه ای که با نسبت های این هرم شکل گرفته شده باشد به مثلث قائم مصری یا Egyptian Triangle معرف هست و جالب اینجاست که بدانید نسبت وتر به ضلع هم کف هرم معادل با نسبت طلایی یعنی دقیقاً 1/61804 میباشد. این نسبت با عدد طلایی تنها در رقم پنجم اعشار اختلاف دارد، یعنی چیزی حدود یک صد هزارم . حال توجه شما را به این نکته جلب می کنیم که اگر معامله فیثاغورث را برای این مثلث قائم الزاویه بنویسیم به معادله ای مانند خواهیم رسید که حاصل جواب آن همان عدد معروف طلایی خواهد بود. معمولاً عدد طلایی را با نمایش می دهند.
طول وتر برای هرم واقعی حدود 356 متر و طول ضلع مربع قاعده حدوداً معادل 440 متر می باشد، بنابریان نسبت 356 بر 320 معادل نیم ضلع مربع، برابر با عدد 1/618 خواهد شد.

 کپلر ( Gohannes Kepler 1571-1630)
منجم معروف نیز علاقه ی بسیاری به نسبت طلایی داشت، به گونه ای که در یکی از کتاب های خود اینگونه نوشت: "هندسه دارای دو گنج بسیار با اهمیت می باشد که یکی از آنها قضیه ی فیثاغورث و دومی رابطه ی تقسیم یک پاره

خط به نسبت طلایی می باشد. اولین گنج را به طلا و دومی را به جواهر تشبیه کرد."
تحقیقاتی که کپلر راجع به مثلثی که اضلاع آن به نسبت اضلاع مثلث مصری باشد به حدی بود که امروزه این مثلث به مثلث کپلر نیز معروف می باشد. کپلر پی به روابط بسیار زیبایی میان اجرام آسمانی و این نسبت طلایی پیدا کرد.

 آشنایی با سری فیبونانچی
باورکردنی نیست، اما در سال 1202 لئونارد فیبونانچی توانست به یک سری از اعداد دست پیدا کند، که بعدها به عنوان پایه برای بسیاری از رابطه های فیزیک و ریاضی استفاده شد، کافی است از عدد صفر و یک شروع کنید، آنها را کنار هم بگذارید و عدد بعدی را از جمع کردن دو عدد قبل بدست آورید، به سادگی به این رشته از اعداد خواهید رسید:

البته برخی از ریاضی دانان عدد صفر را جزو رشته فیبونانچی نمی دانند و یا حداقل آن را جمله ی صفرم سری می دانند، نکته ای که تعجب برانگیز است آنکه اگر از عدد سوم نسبت اعداد این سری را به عدد قبلی حساب کنیم خواهیم داشت:
1/1, 2/1, 3/2, 5/3, 8/5, 13/8, 21/13, 34/21, 55/34, 89/55, 144/89.000
و یا :
1, 2, 1.5, 1,666, 1.6, 1,625, 1.6153, 1.6190, 1.6176, 1.6181, 1.6179
بله بنظر می رسد که این رشته به سمت همان عدد طلایی معروف میل میکند. بگونه ای که اگر نرخ عدد چهلم این رشته را به عدد قبلی حساب کنیم به عدد 1.618033988749895 می رسیم که با تقریب 14 رقم اعشار نسبت طلایی را نشان می دهد.
بعدها محاسبات و استدلال های ریاضی نشان داد که این سری همگرا به سمت نسبت طلایی می باشد و جمله عمومی آنرا با بتقریب می توان اینگونه نمایش داد :