Zastosowanie metod sztucznej inteligencji do wspomagania rozwoju sieci transportowej

Aktualny stan sieci transportowej ma kontekst historyczny i lokalny – z reguły dążono do zaspokojenia chwilowych potrzeb, bazując oczywiście na dotychczasowej strukturze sieci. Owe chwilowe potrzeby wynikały z różnych przyczyn, więc struktura sieci często nie jest optymalna dla obecnych potrzeb. Wzrost komunikacyjnych potrzeb ludności związany z intensyfikacją rozwoju gospodarczego, rosnącą zamożnością społeczeństwa, zwiększoną mobilnością, postępującą integracją państw członkowskich Unii Europejskiej i rozszerzaniem Unii o kolejne kraje zachęca do poszukiwania obiektywnych, naukowych metod umożliwiających podejmowanie racjonalnych decyzji o rozwoju sieci transportowej. Naturalnym matematycznym bytem modelującym sieć transportową jest graf. Do modelu takiego należy wprowadzić dane opisujące istotne parametry połączeń, węzłów, jak i dane charakteryzujące środowisko naturalne oraz potrzeby transportowe. Przy takich założeniach nawet najprostszy, realistyczny model staje się bardzo skomplikowany, a algorytmy operujące na nim skrajnie złożone obliczeniowo. Z reguły złożoność ścisłych algorytmów wyklucza ich praktyczne zastosowanie. Należy zatem poszukiwać algorytmów przybliżonych, pozwalających na uzyskanie rozwiązania bliskiego optymalnemu w akceptowalnym czasie. Obiecujące wydaje się zastosowanie metod sztucznej inteligencji, w tym algorytmów genetycznych. Naśladują one proces ewolucji w świecie istot żywych, a ich zastosowanie do optymalizacji opiera się na spostrzeżeniu, że żyjące obecnie organizmy wydają się być idealnie przystosowane do swojego otoczenia.

---

This article shows the attempt of the use of the artificial intelligence methods to find the optimum structure of the transportation network. This approach leads to the solution close to the optimum in a relatively short period of time, exploring only a small part of the solution space. Most appropriate seem to be the procedures using genetic algorithms, mimicking the process of evolution in the world of living. Due to the high computational complexity (the NP – hard problem), and often non-analytic form of the input data (characterizing the environment, the distribution of population centers and the intensity of communication) to find the optimal transportation network is a very time consuming task even using artificial intelligence methods. Thus the hierarchization of the problem was proposed in order to significantly reduce its complexity. The method presented in the article may be in the future scientific basis for both the development of trans-European network and the development of local transportation networks.