İmar uygulamalarında dağıtım ve parselasyon işlemlerinin yapay zeka optimizasyon algoritmaları kullanılarak gerçekleştirilmesi

Abstract

İmar uygulamalarındaki dağıtım ve parselasyon (LR – Land redistribution and readjustment) problemleri, birçok farklı kriterleri içerisinde barındıran karmaşık ve zor gerçek dünya problemleridir. Bu problemlerin çözülebilmesi için öncelikle ön parselasyon işlemlerinin başarıyla gerçekleştirilmesi gerekmektedir. Problemin çözümü için oluşturulan başlangıç popülasyonunda rastgele aday çözüm üretilirken veya çözümler üzerinde değişiklik yapılırken her aşamada parsellerin alanı güncellenmekte ve buna bağlı olarak da her bir parselin konumunun bir başka deyişle sınır noktalarının yeniden güncellenmesi gerekmektedir. Bu tez çalışmasında, imar mevzuatı ve örnek bir imar planı dikkate alınarak, Konya'nın bir bölgesi üzerinde ön parselasyon işlemi üç farklı şekilde otomatik olarak gerçekleştirilmektedir. Birincisi kenar uzunluklarına göre parselasyon, ikincisi alan değerlerine göre parselasyon ve üçüncüsü hem kenar hem de alan değerleri birlikte kullanılarak gerçekleştirilen parselasyon. Tüm bu parselasyon işlemleri için parselin alanı Gauss yöntemi kullanılarak hesaplanmaktadır. Ayrıca parselasyon işlemlerinde her bir parselin kenar noktalarını doğru bir şekilde belirlemek ve alanını hesaplamak için tüm yöntemlerde ikili arama tekniği kullanılmaktadır. Deneysel sonuçlar, ön parselasyon işlemlerinin çok hızlı ve başarılı bir şekilde gerçekleştirildiğini göstermektedir. LR problemleri yapısı itibariyle çizelgeleme ve gezgin satıcı problemlerine benzerlik gösteren ayrık optimizasyon problemleridir. Ayrıca bu problemler eş zamanlı olarak çözülmesi gereken çok fazla kritere sahiptir. Bundan dolayı bu problemlerin çözümü klasik yöntemler yerine yapay zeka optimizasyon algoritmaları gerektirmektedir. Bu problemleri çözmek için ilk olarak, algoritmaların doğru karar vermesini ve aday çözümler arasında çözümleri objektif olarak değerlendirilmesini sağlayacak bir amaç fonksiyona ihtiyaç duyulmaktadır. LR problemlerinin çözümünde temel kıstas olacak bu amaç fonksiyon sayesinde, dağıtım ve parselasyon planlarının kalitesi herhangi bir uzmana ihtiyaç duyulmadan değerlendirilebilmesi ve karşılaştırılabilmesi sağlanmaktadır. Bu tez çalışmasında tüm kriterleri dikkate alan bir amaç fonksiyon önerilmektedir. Ayrıca bu çalışmada, literatürdeki çaprazlama tekniklerinden farklı olarak, klasik ve zeki Parsel Tabanlı çaprazlama operatörleri olarak adlandırılan iki farklı harita tabanlı çaprazlama operatörü önerilmektedir. Önerilen amaç fonksiyonu ve çaprazlama operatörleri yardımıyla bu tez çalışmasında önerilen ayrık yapay arı koloni (ABC – artificial bee colony), diferansiyel gelişim (DE – differential evolution), genetik (GA – genetic algorithm), parçacık sürü optimizasyonu (PSO – particle swarm optimization) ve ağaç tohum (TSA – tree seed algorithm) algoritmaları gerçek bir proje alanı üzerinde uygulanmaktadır. Deneysel çalışmalardaki sonuçlar manuel olarak elde edilen resmi sonuçlarla karşılaştırılmaktadır. Bunların yanı sıra, geliştirilen uzman sistem sayesinde imar adalarındaki boşluk ve taşan alanlar tamamen ortadan kaldırılarak algoritmalardan elde edilen çözümler gerçek dünyada doğrudan kullanılabilir hale getirilmektedir. Deneysel sonuçlar incelendiğinde, yapay zeka algoritmaların elde ettiği tüm sonuçların hem çözüm kalitesi hem de hız açısından manuel olarak elde edilen resmi sonuçlardan çok daha etkili olduğu açıkça görülmektedir. Ayrıca PSO algoritmasının diğer algoritmalara göre çok daha etkili ve kararlı olduğu görülmektedir. Buna ilaveten önerilen zeki parsel tabanlı çaprazlama operatörünün klasik parsel tabanlı çaprazlama operatörüne göre çok daha etkin sonuçlar elde ettiği görülmektedir. İmar uygulamalarında gerçek dünya problemlerinin çok karmaşık bir yapıya sahip olmasından dolayı problemin uygunluk değeri tam olarak bilinememektedir. Bu yüzden LR problemlerinde test amaçlı kullanılmak üzere sentetik bir veri seti önerilmektedir. Önerilen veri setindeki problemlerin en iyi çözümü kesin olarak bilinmektedir. Bu veri seti parsel sayısına göre 20, 40, 60, 80 ve 100 olmak üzere 5 farklı problemden oluşmaktadır. Her bir problem seti parsel başına düşen malik sayısı bakımından 1, 2, 3 ve 4 olarak 4 farklı problem içermektedir. Bu nedenle, veri seti toplamda 20 farklı problemden oluşmaktadır. Sentetik veri seti kullanılarak gerçekleştirilen deneysel sonuçlar incelendiğinde, GA yönteminin hem hız hem de performans açısından en etkili algoritma olduğu görülmektedir. ABC birkaç problemde GA'dan daha iyi sonuçlara sahip olsa da ABC performans açısından GA yönteminden sonra en başarılı ikinci algoritmadır. Fakat zaman açısından ABC, neredeyse GA kadar başarılı bir algoritmadır. Diğer yandan, DE, PSO ve TSA algoritmalarının sonuçları, çözüm kalitesi açısından birbirine benzemektedir. Sonuç olarak, deneysel çalışmalar, GA yönteminin hız, performans ve kararlılık açısından LR problemlerinin çözümünde en etkili teknik olduğunu açıkça göstermektedir.

Land redistribution and readjustment (LR) problems in urban areas are complex and difficult real-world problems involving many different criteria. In order to solve these problems, first of all, pre-parceling operations should be carried out successfully. While any random candidate solution in the initial population which is created for the solution of the problem is generating or it is updating, the area of the parcels is updated at each iteration and accordingly, the location of each parcel, in other words, its border points must be updated again. In this dissertation study, the pre-parceling process is automatically carried out in three different ways on a region of Konya considering the zoning legislation and a sample development plan: The first is the parceling process according to edge lengths, the second is parceling according to area values and third is parceling using both edge and area values together. In all these parceling operations, the areas of the parcels are calculated using the Gauss method. Moreover, the binary search technique is used in all methods to determine the boundaries of the parcel accurately and to calculate its area in the parceling process. Experimental results show that pre-parceling processes are carried out very quickly and successfully. LR problems are discrete optimization problems that are similar to scheduling and traveling salesman problems in terms of their nature. In addition, these problems have too many criteria to be dealt with simultaneously. Therefore, solving these problems requires artificial intelligence optimization algorithms instead of classical methods. For solving these problems, first of all, an objective function is needed that will enable the algorithms to make the right decision and evaluate the solutions objectively among the candidate solutions. Thanks to this objective function, which is the basic criterion in solving LR problems, the quality of distribution and subdivision plans can be evaluated and compared without the need for any specialist. In this study, an objective function that takes all criteria into account is proposed. In addition, in this dissertation, two different map-based crossover operators called classical and intelligent parcel-based crossover operators are proposed different from crossover techniques in the literature. The discrete artificial bee colony (ABC), differential evolution (DE), genetic (GA), particle swarm optimization (PSO) and tree seed (TSA) algorithms which are proposed in this dissertation study are implemented on a real project area with the help of the proposed objective function and these operators. The results in the experimental studies are compared with the official results obtained manually. In addition to these, thanks to the expert system developed, the gaps and overflowing areas in the urban blocks are completely eliminated and the solutions obtained by algorithms are made available in the real world. When the experimental results are examined, it is clearly seen that all the results obtained by the artificial intelligence algorithms are much more effective than the real results obtained manually in terms of both solution quality and speed. In addition, it is seen that the PSO algorithm is much more effective and robust than other algorithms. In addition, it is seen that the proposed intelligent parcel based crossover operator achieves much more effective results than the classical parcel based crossover operator. Due to the very complex structure of real world problems in zoning applications, the optimal value is not known exactly. Therefore, a synthetic data set is proposed to be used as a benchmarking data set in LR applications whose optimal solution of the problems is certainly known. This data set consists of 5 different problems, 20, 40, 60, 80 and 100, depending on the number of parcels. Each problem set contains 4 different problems as 1, 2, 3 and 4 in terms of the number of land owners per parcel. Therefore, the data set consists of 20 different problems in total. When the experimental results using the synthetic data set are examined, it is seen that the GA method is the most effective algorithm in terms of both speed and performance. Although ABC has better results than the GA in a few problems, ABC is the second most successful algorithm after the GA method in terms of performance. However in terms of time, ABC is an algorithm almost as successful as the genetic algorithm. On the other hand, the results of DE, PSO and TSA algorithms are similar in terms of solution quality. As a result, the experimental results clearly show that the GA method is the most effective technique in solving LR problems in terms of speed, performance and robustness.