کاربرد الگوریتم های جمعی (مورچگان/زنبورها) در مدل سازی رفتار جمعی انسان ها در موقعیت های استرس
Publish place: The Third National Conference on Interdisciplinary Research in Educational Sciences, Psychology, Counseling and Cultural Studies
Publish Year: 1404
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 14
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ENSANI03_018
تاریخ نمایه سازی: 17 دی 1404
Abstract:
رفتار جمعی انسان ها در موقعیت های استرس زا یکی از پیچیده ترین و چالش برانگیزترین موضوعات در حوزه های روان شناسی اجتماعی، مدیریت بحران و مدل سازی رایانه ای است. در شرایطی مانند آتش سوزی، زلزله، ازدحام در مکان های عمومی یا موقعیت های اضطراری دیگر، افراد مجبور به اتخاذ تصمیم هایی سریع هستند که غالبا تحت تاثیر فشار روانی و محیطی شکل می گیرد. این تصمیم ها نه تنها بر سرنوشت فردی بلکه بر پویایی کل جمعیت نیز اثر می گذارند و می توانند منجر به بروز الگوهایی همچون انسداد خروجی ها، افزایش تراکم و حتی حوادث مرگبار شوند. در چنین بستری، نیاز به مدل هایی دقیق برای شبیه سازی رفتار جمعی و ارائه راهبردهای بهینه مدیریت بحران بیش ازپیش احساس می شود. یکی از رویکردهای نوین در این زمینه، استفاده از الگوریتم های جمعی الهام گرفته از طبیعت است. الگوریتم کلونی مورچگان(Ant Colony Optimization, ACO) و الگوریتم زنبور مصنوعی (Artificial Bee Colony, ABC) از مهم ترین الگوریتم های فراابتکاری هستند که نخستین بار برای حل مسائل پیچیده بهینه سازی طراحی شدند، اما به سرعت کاربردهای میان رشته ای متنوعی یافتند. ویژگی مشترک این الگوریتم ها، تکیه بر تعاملات محلی میان عامل ها برای تولید الگوهای خودسامانگر در سطح کلان است. این ویژگی شباهت زیادی به نحوه تصمیم گیری و حرکت گروه های انسانی در شرایط بحرانی دارد و زمینه ای مناسب برای شبیه سازی رفتار جمعی فراهم می کند (Dorigo & Stützle, ۲۰۰۴؛ Karaboga, ۲۰۰۵). در این پژوهش، ما از الگوریتم های ACO و ABC برای مدل سازی رفتار جمعی در یک محیط شبیه سازی شده تخلیه اضطراری استفاده کردیم و آن ها را با مدل کلاسیک نیروی اجتماعی (Helbing & Molnár, ۱۹۹۵) ترکیب نمودیم. سناریوهای مختلف شامل محیط هایی با چندین خروجی و سطوح متفاوت استرس طراحی شدند. سپس شاخص هایی مانند زمان کل تخلیه، تراکم حداکثر، نرخ عبور از خروجی ها و تعداد گلوگاه ها استخراج و مقایسه شدند. نتایج نشان داد که الگوریتم های جمعی نسبت به مدل پایه عملکرد بهتری دارند و به ویژه مدل ترکیبی ACO–ABC موجب کاهش چشمگیر زمان تخلیه و تراکم جمعیت شد. یافته ها نشان می دهند که استفاده از الگوریتم های جمعی می تواند ابزاری موثر برای طراحی سامانه های مدیریت بحران، بهینه سازی معماری فضاهای عمومی و توسعه نرم افزارهای آموزشی در حوزه ایمنی باشد. این مطالعه همچنین اهمیت پیوند میان علوم رایانه، روان شناسی اجتماعی و علوم تربیتی را در تحلیل و مدیریت رفتار جمعی انسان ها برجسته می سازد.
Keywords:
Authors
بیتا نوری
عضو هیئت علمی گروه مهندسی کامپیوتر، دانشگاه ملی و مهارت، تهران، ایران