بهینه‌سازی تخصیص منابع برای مدیریت بلایا مبتنی بر هوش مصنوعی و شهر هوشمند

کاوه, فرشاد; کرباسیان, مهدی; بویر, امید; شیرویه زاد, هادی

doi:10.61882/jii.2.3.301

بهینه‌سازی تخصیص منابع برای مدیریت بلایا مبتنی بر هوش مصنوعی و شهر هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان

فرشاد کاوه ¹

مهدی کرباسیان ²

امید بویر ¹

هادی شیرویه زاد ¹

¹ گروه مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

² گروه مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران

10.61882/jii.2.3.301

چکیده

مدیریت بحران در کلان‌شهرها، به‌ویژه در مواجهه با زلزله، از چالش‌های حیاتی عصر حاضر محسوب می‌شود و نیازمند راهکارهایی برای تخصیص بهینه منابع است. در این پژوهش، مدلی ترکیبی بر پایه هوش مصنوعی و الگوریتم‌های فراابتکاری توسعه یافته که با رویکرد چندهدفه به بهینه‌سازی تخصیص منابع می‌پردازد. هدف اصلی این مدل کاهش ریسک، هزینه و زمان واکنش در شرایط بحرانی است. در گام نخست، الگوریتم‌های یادگیری ماشین KNN و XGBoost برای پیش‌بینی شدت اثر زلزله در مناطق ۲۲ گانه شهر تهران به کار گرفته شده‌اند. این پیش‌بینی بر اساس سه شاخص کلیدی؛ میزان فرسودگی بافت، تراکم جمعیت و تعداد زیرساخت‌ها انجام شده است. سپس با ارزیابی معیارهای طبقه‌بندی نظیر accuracy، precision، recall و f1-score، الگوریتم برتر انتخاب و داده‌های حاصل به عنوان ورودی مدل ریاضی استفاده گردید. مدل ریاضی پیشنهادی با بهره‌گیری از ترکیب روش دقیق و الگوریتم فراابتکاری NSGA-II حل شد. یافته‌ها نشان دادند؛ که NSGA-II از نظر زمان محاسباتی عملکرد کارآمدتری دارد. همچنین ادغام روش‌های یادگیری ماشین با مدل بهینه‌سازی منجر به بهبود معنادار در توابع هدف، شامل کاهش ریسک، هزینه و زمان خدمت‌رسانی شد. نتایج تحلیل حساسیت نشان داد که افزایش نیاز به منابع بیشترین تأثیر را بر تابع هدف ریسک دارد. علاوه بر این، بررسی متغیرها بیانگر آن است که تراکم جمعیت مهم‌ترین عامل در پیش‌بینی شدت اثر زلزله محسوب می‌شود، در حالی که دو متغیر فرسودگی و زیرساخت‌ها اثر مشابهی داشته و در رتبه‌های بعدی قرار می‌گیرند. بدین ترتیب، تراکم جمعیت به‌عنوان اثرگذارترین ویژگی در مدل یادگیری ماشین معرفی می‌شود.

کلیدواژه‌ها

هوش مصنوعی

الگوریتم‌ فرا ابتکاری

شهر هوشمند

بهینه‌سازی چندهدفه

مدیریت بلایا

عنوان مقاله English

Optimization of Resource Allocation for Disaster Management Based on Artificial Intelligence and Smart Cities

نویسندگان English

Farshad Kaveh ¹

Mahdi Karbasian ²

Omid Boyer ¹

Hadi Shirouyehzad ¹

¹ Department of Industrial Engineering, Na.C., Islamic Azad University, Najafabad, Iran

² Department of Industrial Engineering, Malek ashtar University of Technology, Tehran, Iran

چکیده English

Disaster management in metropolitan areas, particularly in the context of earthquakes, is a major challenge in the modern era that requires effective strategies for optimal resource allocation. This study presents a hybrid model that integrates artificial intelligence and metaheuristic algorithms with a multi-objective framework to improve decision-making in disaster scenarios. The primary objective of the model is to minimize risk, cost, and response time simultaneously. In the first stage, two machine learning algorithms, namely K-Nearest Neighbor (KNN) and Extreme Gradient Boosting (XGBoost), are applied to predict earthquake impacts across the 22 districts of Tehran. The prediction process considers three critical indicators: degree of urban deterioration, population density, and infrastructure intensity. After assessing classification performance using accuracy, precision, recall, and f1-score, the best-performing algorithm is selected, and its outputs are employed as inputs to the mathematical optimization model. The proposed mathematical model is solved using a combination of exact optimization methods and the Non-dominated Sorting Genetic Algorithm II (NSGA-II). The findings demonstrate that NSGA-II outperforms the exact approach in terms of computational efficiency. Furthermore, integrating machine learning predictions into the optimization framework significantly improves the objective functions by reducing risk, lowering total costs, and enhancing service response time during post-disaster operations. Sensitivity analysis further reveals that increased resource demand exerts the most substantial influence on the risk objective function. Among the predictive features, population density is identified as the most dominant factor in determining earthquake impact, while urban deterioration and infrastructure intensity exhibit relatively equal but less significant effects. Consequently, population density emerges as the most influential feature in the proposed machine learning-based disaster management model for smart cities.

کلیدواژه‌ها English

Artificial Intelligence

Metaheuristic Algorithm

Smart City

Multi-objective Optimization

Disaster Management

[1] Safikhani H, Rafiee M, Ashtiani D. Numerical study of flow field in new design cyclones with different wall temperature profiles: Comparison with conventional ones. Advanced Powder Technology. 2021;32:3268-77.
[2] Suresh N, Karthikeyan M, Sridhar G, Selvakumar A. Sustainable urban planning through AI-driven smart infrastructure: A comprehensive review. Digital Transformation and Sustainability of Business. 2025:178-80.
[3] Yigitcanlar T, Desouza KC, Butler L, Roozkhosh F. Contributions and risks of artificial intelligence (AI) in building smarter cities: Insights from a systematic review of the literature. Energies. 2020;13:1473.
[4] Han C, Zang S. A comprehensive review of disruptive technologies in disaster risk management of smart cities. Climate Risk Management. 2025:100703.
[5] Bajwa A. AI-based emergency response systems: A systematic literature review on smart infrastructure safety. Available at SSRN 5171521. 2025.
[6] Sudhi M, Aishwarya T, Shetty DK, Balakrishnan JM, Ahmad S, Sankaran PP. AI-driven innovations in emergency and disaster response: Strategies for effective planning. Proceedings on Engineering. 2025;7:1293-304.
[7] Emmanuel O, Aria J, Jose D, Diego C. Cyber-Resilient Smart Cities: The Power of AI and Big Data in Defending Urban Landscapes.
[8] Kaveh F, Karbasian M, Boyer O, Shirouyehzad H. Humanitarian Relief Logistics Network Design Using Distributional Robust Optimization for Disaster Management. International Journal of Engineering. 2025;38:2288-311.
[9] Rane N, Choudhary S, Rane J. Artificial intelligence for enhancing resilience. Journal of Applied Artificial Intelligence. 2024;5:1-33.
[10] Zia H, Fteiha B, Alrifaee N, Yousaf J, Ghazal M, Harris N. Advancing Smart Cities with Artificial Intelligence: A Systematic Literature Review of Challenges and Future Directions. Available at SSRN 5156689.
[11] Shahrabani MMN, Apanaviciene R. An AI-based evaluation framework for smart building integration into smart city. Sustainability. 2024;16:8032.
[12] Yigitcanlar T, Mehmood R, Corchado JM. Green artificial intelligence: Towards an efficient, sustainable and equitable technology for smart cities and futures. Sustainability. 2021;13:8952.
[13] Chakrabarty S, Engels DW. Secure smart cities framework using IoT and AI. 2020 IEEE global conference on artificial intelligence and Internet of Things (GCAIoT): IEEE; 2020. p. 1-6.
[14] Ali J, Singh SK, Jiang W, Alenezi AM, Islam M, Daradkeh YI, et al. A deep dive into cybersecurity solutions for AI-driven IoT-enabled smart cities in advanced communication networks. Computer Communications. 2025;229:108000.
[15] Hilal AM, Alfurhood BS, Al-Wesabi FN, Hamza MA, Duhayyim MA, Iskandar HG. Artificial Intelligence Based Sentiment Analysis for Health Crisis Management in Smart Cities. Computers, Materials & Continua. 2022;71.
[16] Van Hoang T. Impact of integrated artificial intelligence and internet of things technologies on smart city transformation. Journal of technical education science. 2024;19:64-73.
[17] Agarwal D. Energy Consumption Forecasting in Smart Cities Using Predictive Analysis. International Journal on Engineering Artificial Intelligence Management, Decision Support, and Policies. 2024;1:9-17.
[18] Wolniak R, Stecuła K. Artificial intelligence in smart cities—applications, barriers, and future directions: a review. Smart cities. 2024;7:1346-89.
[19] Jagatheesaperumal SK, Bibri SE, Huang J, Rajapandian J, Parthiban B. Artificial intelligence of things for smart cities: advanced solutions for enhancing transportation safety. Computational Urban Science. 2024;4:10.
[20] Camacho JdJ, Aguirre B, Ponce P, Anthony B, Molina A. Leveraging artificial intelligence to bolster the energy sector in smart cities: A literature review. Energies. 2024;17:353.
[21] Cong Y, Inazumi S. Integration of smart city technologies with advanced predictive analytics for geotechnical investigations. Smart cities. 2024;7:1089-108.
[22] Hammoumi L, Maanan M, Rhinane H. Characterizing smart cities based on artificial intelligence. Smart cities. 2024;7:1330-45.
[23] Yedalla J. Building cyber-Resilient Smart Cities: The role of AI and big data in urban security. International Journal of Science and Research (IJSR). 2025;14:648-52.
[24] Ogundare E. Understanding the mediating role of artificial intelligence in urban transportation planning for smart city development and its implications for the United States. International Journal of Innovative Science and Research Technology. 2024;9:10.5281.
[25] Rahman S, Islam M, Hossain I, Ahmed A. Utilizing AI and data analytics for optimizing resource allocation in smart cities: A US based study. International journal of artificial intelligence. 2024;4:70-95.