عنوان پایان‌نامه
طرا حی کار تو گرام مستطیلی با استفاده از الگور یتمهای بهینه سازی مکانی
- رشته تحصیلی
- مهندسی عمران-سیستمهای اطلاعات جغرافیایی(GIS)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3201;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73352;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3201;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73352
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۴
- دانشجو
- وحید براتلو
- استاد راهنما
- رحیم علی عباسپور, پرهام پهلوانی
- چکیده
- کارتوگرام ها انواع مختلفی دارند که یکی از آن ها کارتوگرام مستطیلی نام دارد که نسبت به دیگر کارتوگرام ها برتری نسبی دارد. در یک کارتوگرام، اندازه مساحت مناطق با اندازه مساحت واقعی آنها متفاوت بوده، از این رو مناطق به طور کلی نمی توانند که هر دو خاصیت شکل و همسایگی را حفظ نمایند. در این نوع کارتوگرام، بدلیل اینکه به ازای هر منطقه یک مستطیل درنظرگرفته می شود؛ تخمین مساحت نسبت به انواع دیگر کارتوگرام، آسان تر خواهد بود. در هنگام طراحی و ایجاد کارتوگرام مستطیلی، می بایست یک سری از معیارها از قبیل خطای کارتوگرافی ، موقعیت نسبی صحیح و خطای هم پوشانی و حداکثر نسبت منظر وجود دارند که به یکدیگر وابسته می باشند. با توجه به وابستگی معیارها، خطای آن ها را نمی توان بصورت جداگانه و تک تک از بین برد و می بایست آن ها را با یکدیگر تلفیق نموده و خطای آن ها را بصورت همزمان از بین برد. در نتیجه برای از بین بردن خطای معیارهای مسئله، می بایست به موقعیت و ابعاد صحیح هر منطقه در نقشه دست یافت. حال با توجه به اینکه مسئله مورد نظر پاسخی منحصر به فرد ندارد؛ در نتیجه می توان به راه حلی بهینه دست یافت که اینگونه مسائل به کمک الگوریتم های بهینه سازی فراابتکاری قابل حل می باشد. در واقع، هدف در این پایان نامه، طراحی کارتوگرام مستطیلی ناپیوسته از طریق الگوریتم های بهینه سازی فرا ابتکاری دسته ذرات و ژنتیک بوده است. در اینجا ما برای اولین بار توانستیم که معیارهای وابسته موجود در طراحی کارتوگرام مستطیلی ناپیوسته را که باعث ایجاد موانع در طراحی آن می¬شد؛ بصورت هم زمان تلفیق کرده و در قالب یک فرمول گنجانده و تابع هدفی بوجودآوریم که تمامی معیارهای مسئله را دربرداشته باشد. در نهایت با داشتن این تابع هدف، برای اولین بار به کمک الگوریتم های بهینه سازی مکانی دسته ذرات و ژنتیک، توانستیم با کاستن خطاهای موجود در ایجاد کارتوگرام مستطیلی از نوع ناپیوسته، آن را طراحی و پیاده سازی نماییم. در انتها پس از ارزیابی نتایج، ملاحظه شد که الگوریتم دسته ذرات نسبت به الگوریتم ژنتیک از عملکرد مناسبتری برخوردار است و خروجی بدست آمده از آن مطلوب تر می باشد.
- Abstract
- Abstract There are different types of cartograms. One kind of cartograms, which is named “rectangular cartogram”, has a relative advantage compared to the other types. In cartograms, the size of regions’ area differs from the real size of their areas. Hence, regions generally cannot keep both shape and neighborhood characteristics. Since in these cartograms each region is represented by a rectangle, it is easier to estimate the area in comparison with other types of cartograms. In designing and creation of rectangular cartograms different dependent criteria such as cartographic error, correct relative position, overlapping error, and the maximum aspect ratio must be considered. However, since these criteria are dependent on each other, it is impossible to eradicate their errors separately and one by one. They must be combined and the errors must be removed simultaneously. As a result in order to eradicate criteria errors of the problem we must find out the correct location and dimensions in the map. Considering the fact that there is not a unique answer to the problem, we must get to an optimized solution to resolve these problems. It becomes possible by using meta-heuristic algorithms. As a matter of fact the goal of this thesis is to design discontinuous rectangular cartograms by using meta-heuristic optimization algorithms of swarm particles and genetics. Here, for the first time we succeeded in simultaneously combining the existing dependent criteria in designing of discontinuous rectangular cartograms, which made obstacles in the procedure, and include them all in a formula making an objective function which includes all criteria of the problems. Finally, using this objective function we managed to design and perform discontinuous rectangular cartograms for the first time, using swarm particles and genetics optimized locative algorithms and reducing the existing errors when creating them. Ultimately after assessing the results, it was observed that the swarm particles algorithm has better performance and a more eligible output than the genetics algorithm. Keywords: Rectangular cartogram, cartography error
