JAMOAT TRANSPORTI MARSHRUTLARINI QURISH INTELLEKTUAL ALGORITMLARI
Keywords:
intellektual tizimlar, jamoat transporti, marshrut, neyron to‘rlar, Xopfil'd neyron to‘ri, rekkurrent neyron to‘ri., интеллектуальные системы, общественный транспорт, маршрутизация, нейронные сети, нейронная сеть Хопфилда, рекуррентная нейронная сеть., intelligent systems, public transport, routing, neural networks, Hopfield's neural network, recurrent neural network.Abstract
Izoh. Jamoat transportini rejalashtirish tizimlaridan foydalanishingiz mumkin bo'lgan muhim kuzatuv shundan iboratki, minimal zarar muddati bilan mumkin bo'lgan marshrutni topish oddiy qisqa yo'l muammosi bilan to'la. Ulardan biri transport tarmog'ining "vaqtni kengaytiruvchi" versiyasini va har bir potentsial hodisa uchun cho'qqilar jadvalini yaratadi, bunda hodisa muayyan transportning ma'lum bir tugunga kelishi yoki ketishidir. Rejalashtirilgan transport marshrutining har bir tomoni uchun transportning kelishi haqidagi xabar keyingi Transportga kelishi bilanoq uning vaqti belgilanadi. Agar siz bunday grafikni rejalashtirilgan marshrutning kelib chiqishi va boradigan joyiga mos keladigan maxsus tugunlar bilan mos ravishda kengaytirsangiz, u holda oldingi sayohatga eng qisqa yo'l yo'lning minimal umumiy vaqti bilan bajarilgan yo'lga to'g'ri keladi. Maqolada jamoat transporti marshrutlarini qurishning intellektual algoritmlari va transport vositalari harakatini tashkil etish algoritmi va dasturiy vositalari, shaharlardagi tirbandlikni kamaytirish uchun statik va dinamik parametrlarni hisobga olgan holda optimal marshrutlar jadvalini tuzish ko'rib chiqiladi.
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
Additional Files
Published
How to Cite
License
Copyright (c) 2023 Dilshodbek Sotvoldiyev, Dildora Muxamedieva, Farrux Muxtarov
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
