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

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.