دانلود ترجمه مقاله مسیریابی پهپادها در شهرهای هوشمند

1. مقدمه 2. کارهای مرتبط با مسائل جهت یابی 3. مفهوم بهینه سازی چابک 4. الگوریتم اکتشافی تا الگوریتم تصادفی مغرضانه 5. مسائل موازی سازی 6. آزمایشات محاسباتی 7. نتیجه گیری و کارهای آینده

چکیده – مفاهیم وسایل نقلیه هوایی بدون سرنشین و وسایل نقلیه خودران در محیط شهر هوشمند بسیار مهم است. این نوع وسایل نقلیه ممکن است از سیستم های فناوری مخابرانی بسیار مطمئن، فناوری های مبتنی بر اینترنت و خدمات ماهواره ای ناوبری به منظور تصمیم گیری درباره مسیرهایی که باید برای دستیابی به ماموریت خود و رسیدن به مقصد در زمان مقرر دنبال کنند، استفاده کند. هنگام کار در تیم های وسایل نقلیه، نیاز به هماهنگی عملیات های مسیریابی آن هاست. هنگام وقوع برخی وقایع پیش بینی نشده در شهر (به عنوان مثال، بعد از حادثه رانندگی، فاجعه طبیعی یا حمله تروریستی)، هماهنگی میان وسایل نقلیه ممکن است در زمان واقعی مورد نیاز باشد. با استفاده از مساله جهت یابی تیم به عنوان یک سناریوی موردی نمونه، این مقاله به آنالیز نحوه استفاده ترکیبی از محاسبات موازی و سلسله مراتبی تصادفی – سوگیری سریع برای بهینه سازی زیرکانه برنامه های مسیریابی برای بهپادها و دیگر وسایل نقلیه خودران می پردازد. مقدمه: شهرهای هوشمند نشان دهنده یک حوزه تحقیقاتی چند رشته ای است که تحت فرایند به روز رسانی مداوم با تکامل شهری، اجتماعی و فناوری قرار دارند (آگلودی، 2015). به واسطه افزایش کلی جمعیت، شهرهای مدرن از مشکلات ازدحام جمعیت و ترافیک رنج می برند و نیازمند بررسی کارامد به منظور تضمین پایداری بلند مدت خود هستند. روش های ریاضیاتی مختلف و الگوریتم های محاسباتی می تواند به ارائه بیش ها و تصمیم گیری خودکار در حوزه شهرهای هوشمند کمک کند. به عنوان مثال، الگوریتم های شبیه سازی، بهینه سازی و جستجو (مانند ریاضیاتی) می تواند در پردازش داده های جمع آوری شده مورد استفاده قرار گیرد، به طوری که بتوان از تصمیم گیری حمایت کرد.

The concepts of unmanned aerial vehicles and self-driving vehicles are gaining relevance inside the smart city environment. This type of vehicles might use ultra-reliable telecommunication systems, Internet-based technologies, and navigation satellite services to decide about the routes they must follow to efficiently accomplish their mission and reach their destinations in due time. When working in teams of vehicles, there is a need to coordinate their routing operations. When some unexpected events occur in the city (e.g., after a traffic accident, a natural disaster, or a terrorist attack), coordination among vehicles might need to be done in real-time. Using the team orienteering problem as an illustrative case scenario, this paper analyzes how the combined use of extremely fast biased-randomized heuristics and parallel computing allows for ‘agile’ optimization of routing plans for drones and other autonomous vehicles. Introduction: Smart cities represent a multidisciplinary research field that is under a continuous updating process driven by urban, social, and technology evolution (Angelidou, 2015). Due to a generalized raise in population, modern cities also suffer from pollution and traffic-congestion problems that need to be efficiently addressed to guarantee their longterm sustainability. Different mathematical methods and computational algorithms can contribute to provide insight and automated decision making in the field of smart cities. For example, simulation, optimization, and searching algorithms (e.g., metaheuristics) can be used in processing the gathered data so that decision-making can be supported.