«Al-Farg’oniy avlodlari» («The descendants of Al-Fargani»)
Published December 10, 2023 | Version v1
Journal article Open

JAMOAT TRANSPORTI MARSHRUTLARINI QURISH INTELLEKTUAL ALGORITMLARI

Creators

  • 1. Muhammad al-Xorazmiy nomidagi TATU texnika fanlari bo'yicha fan doktori, professor
  • 2. Muhammad al-Xorazmiy nomidagi TATU FF texnika fanlar bo'yicha falsafa doktori(PhD) dosent
  • 3. Soliq qo'mitasi huzuridagi Fiskal institut texnika fanlar bo'yicha falsafa doktori(PhD) dosent

Description

Jamoat transportini rejalashtirish tizimlaridan foydalanishingiz mumkin bo'lgan muhim kuzatuv, minimal xarakat muddati bilan mumkin bo'lgan yo'lni topish oddiy qisqa yo'l muammosiga kelib qoladi. Ulardan biri transport tarmog'ining "vaqtni kengaytiradigan" versiyasini va har bir potensial voqea uchun uchlarni tashkil etadigan jadvalni yaratadi, bu yerda bir voqea ma'lum bir transportning ma'lum bir tugunga  kelishi yoki ketishi hisoblanadi. Rejalashtirilgan transport  yo'nalishining har bir tomoni uchun, transport kelishi haqidagi xabarni keyingi transportga kelishi bilanoq, uning vaqti belgilanadi. Agar rejalashtirilgan marshrutning kelib chiqishiga va boradigan joyiga mos keladigan maxsus tugunlarga ega bo'lgan bunday grafni mos ravishda kengaytiradigan bo'lsak, avvalgi safargacha bo'lgan eng qisqa yo'l eng kam yo'lning umumiy vaqti bilan bajariladigan yo'lga mos keladi. Maqolada jamoat transporti marshrutlarini qurish  intellektual algoritmlari va transport vositalari harakatlarini tartibga solish, shaharlarda tirbandliklarni kamaytirish uchun statik va dinamik parametrlarni inobatga olgan holda maqbul marshrutlar jadvalini tuzish algoritm va dasturiy vositalari ko'rilgan.

Files

18_78_95-103 Sotvoldiyev D-.pdf

Files (974.7 kB)

Name Size Download all
md5:9a6d06b3762d6f1e92939b0e13f113c6
974.7 kB Preview Download

Additional details

References

  • M. Muller-Hannemann, F. Schulz, D. Wagner, and C. Zaroliagis, Algorithmic methods for railway optimization. Lecture Notes in Computer Science, vol. 4359, ch. Timetable Information: Models and Algorithms, pp. 67-90, Springer Berlin / Heidelberg, September 2007.
  • K. Nachtigal, Time depending shortest-path problems with applications to railway networks, European Journal of Operations Research 83 (1995), 154-166.
  • E. Pyrga, F. Schulz, D. Wagner, and C. Zaroliagis, Experimental comparison of shortest path approaches for timetable information. Proceedings of the Sixth Workshop on Algorithm Engineering and Experiments (ALENEX), SIAM, 2004, pp. 88- 99.
  • U. Zwick, All pairs shortest paths using bridging sets and rectangular matrix multiplication. Journal of the ACM 49 (2002). no. 3, 289-317.
  • T. Hagerup, Improved. Shortest Paths in the Word RAM, 27th Int. Colloq. on Automata, Languages and Programming, Geneva, Switzerland, 2000, pp. 61-72.
  • U. Meyer, Single-Source Shortest Paths on Arbitrary Directed Graphs in Linear Average Time, 12th Symp. on Discr. Alg., 2001, pp. 797-806.
  • M. Thorup, Integer priority queues with decrease key in constant time and the single source shortest paths problem, J. Comput. Syst. Sci. 69 ( 2004), no. 3, 330-353.
  • Комашенский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. – М.: Горячая линия – Телеком, 2003.
  • Фальфушинский В.В. Параллельное обработка данных многокомпонентных системах наблюдений. // Кибернетика и системный анализ. Международный научно-теоретический журнал. – Украина. № 2, 2002.
  • Антонов А. Под законом Амдала (рус.) // Компьютерра. — 11.02.2002. — № 430
  • Quinn M.J Parallel Programming in C with MPI and OpenMP. — New York: NY: McGraw-Hill, 2004.
  • Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. –М.: Физматлит. 2001. - 224 с.
  • Ротштейн А. П. Нечеткий многокритериальный выбор альтернатив: метод наихудшего случая // Изв. РАН. Теория и системы управления. 2009. - № 3. - С. 51-55
  • Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. -Винница: УНИВЕРСУМ-Винница. 1999. - 320 с.
  • Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер.с польск. И.Д. Рудинского. -М.: Горячая линия-Телеком, 2004. -452 с.
  • Мухамедиева Д.Т., Примова Х.А. Модифицированный метод решения системы уравнений нейронной сетью // «Вестник ТашГТУ». -Вып.1. Ташкент, 2007. -С.25-29.
  • Субботин С.А., Олейник Ал.А. Мультиагентная оптимизация на основе метода пчелиной колонии // Межд. научно-теорет. Журнал «Кибернетика и системный анализ». – Киев, 2009. - №2. - С. 15-25.
  • Nakrani S., Tovey C. On honey bees and dynamic allocation in an internet server colony // Adaptive Behavior. – 2004. - №12. Р. 223-240.
  • Sotvoldiev D., Muhamediyeva D.T., Juraev Z. Deep learning neural networks in fuzzy modeling // IOP Conf. Series:Journal of Physics: Conference Series 1441 (2020) 012171. DOI: https://doi.org/10.1088/1742-6596/1441/1/012171[БВ-В-Ф4-011] https://iopscience.iop.org/article/10.1088/1742-6596/1441/1/012171/pdf
  • D T Muhamediyeva, A X Mirzaraxmedova and U U Khasanov. Development of a model for determining the optimal number of urban passenger transport // IOP Conf. Series:Journal of Physics: Conference Series, 2182 (2022) 012025 DOI https://doi.org/10.1088/1742-6596/2182/1/012025