![[09127409082]](https://barast.com/wp-content/uploads/2021/01/newlogo.png){kind=small}
یک چارچوب یادگیری تقویتی با استفاده از شبکههای اشارهگر برای رسیدگی به دستکاری سیستمهای کنترل آلاینده در حمل و نقل بار
حمل و نقل جادهای بار، که به شدت به سوختهای دیزلی وابسته است، منبع اصلی انتشار گازهای گلخانهای (یعنی آلایندههای هوا و گازهای گلخانهای) است. برای رسیدگی به این موضوع، دولتها مقرراتی مانند تأیید نوع، آزمایشهای منظم سلامت جاده و بازرسیهای فنی کنار جادهای را اجرا میکنند. در حالی که تأیید نوع تضمین میکند که وسایل نقلیه جدید مطابق با استانداردهای انتشار گازهای گلخانهای باشند، انتشار گازهای گلخانهای با افزایش سن وسایل نقلیه یا زمانی که سیستمهای کنترل انتشار گازهای گلخانهای دستکاری یا حذف میشوند، بدتر میشود. به طور مشابه، غربالگری کنار جادهای روشی به موقع و مقرون به صرفه برای تشخیص وسایل نقلیه با انتشار گازهای گلخانهای بالا است. مقامات همچنین میتوانند وسایل نقلیه دستکاری شدهای را که به طور متقلبانه از بازرسیها عبور میکنند اما در شرایط واقعی انتشار گازهای گلخانهای زیادی دارند، شناسایی کنند. با این حال، ارائه دهندگان خدمات لجستیک (LSP) اغلب صرفهجویی در هزینه را بر نگرانیهای زیستمحیطی اولویت میدهند و به جای ارتقاء ناوگان، به دستکاری وسایل نقلیه متوسل میشوند. این مقاله با استفاده از بازی استاکلبرگ برای تجزیه و تحلیل رفتار تصمیمگیرندگان، به بررسی تضاد بین LSPها و سازمانهای دولتی میپردازد. یک الگوریتم یادگیری تقویتی عمیق (DRL) با شبکههای اشارهگر (PN) برای حل این مشکل پیچیده پیشنهاد شده است. نتایج محاسباتی از نمونههای تصادفی تولید شده نشان میدهد که این الگوریتم به طور قابل توجهی از روشهای موجود بهتر عمل میکند و به همگرایی معقولی دست مییابد.
مقدمه
حمل و نقل بار به عنوان یکی از محرکهای اصلی رشد انتشار گازهای گلخانهای جهانی (GHGs) شناخته میشود. تأثیر گازهای گلخانهای بر محیط زیست و انسانها، با رشد جمعیت، دیگر پایدار نیست. سهم حمل و نقل جادهای در گرمایش جهانی یک نگرانی رو به رشد است. اگر رشد مسافر و بار با نرخ فعلی و بدون مداخله مؤثر دولت ادامه یابد، انتشار گازهای گلخانهای مرتبط با حمل و نقل میتواند تا سال 2050 دو برابر شود (سیمز و همکاران، 2014). کاهش انتشار گازهای گلخانهای در حمل و نقل میتواند تأثیر مثبتی بر محیط زیست و سلامت افراد داشته باشد و درمانی برای تهدیدات تغییرات اقلیمی باشد.
برای کاهش انتشار گازهای گلخانهای مرتبط با وسایل نقلیه در کشورهای توسعهیافته، مقررات زیستمحیطی مختلفی از جمله شناسایی و طبقهبندی آلایندههای هوا، تعیین محدودیتهای انتشار گازهای گلخانهای و اعمال استفاده از فناوریهای مناسب کاهش، محدودیتهای دسترسی یا ممنوعیتهای جزئی و کلی وسایل نقلیه مورد آزمایش قرار گرفتهاند. به عنوان مثال، توافقنامه سبز اروپا، که با توافقنامه پاریس همسو است، با هدف دستیابی به انتشار خالص صفر گازهای گلخانهای در اتحادیه اروپا تا سال 2050 (توافقنامه پاریس، 2021) انجام شده است. برای این منظور، چندین کشور از جمله آلمان، انگلستان و نروژ در حال برنامهریزی برای پایان دادن به فروش خودروهای دیزلی در کشورهای خود در دهه آینده هستند. به عنوان مثال، آلمان از اواخر سال 2018 خودروهای دیزلی قدیمیتر با آلایندههای بیشتر را ممنوع کرده است. نروژ قصد دارد اولین کشوری باشد که فروش وسایل نقلیه جدید با سوخت فسیلی را تا سال 2025 ممنوع میکند (آکاش جاگادیش بابو و سامانتا ماچادو، 2020). در کنار این ابتکارات، دولتها و شرکتهای تولیدکننده خودرو قصد دارند وسایل نقلیه سازگار با محیط زیست را که با سوخت غیر دیزلی مانند اتانول، هیدروژن، بیودیزل، متانول و برق کار میکنند، ترویج دهند (آلدریچ، 1995). این وسایل نقلیه به عنوان وسایل نقلیه با سوخت جایگزین (AFV) شناخته میشوند. علیرغم مزایای زیستمحیطی متعدد، AFVها با چالشهای قابل توجهی روبرو هستند، از جمله نیاز به زیرساختهای سوختگیری مدرن و پرهزینه (آگنولوچی، 2007)، نیاز به مخازن حجیمتر، سنگینتر و گرانتر از مخازن مورد استفاده برای بنزین یا دیزل (گاندهیداسان و همکاران، 1991) و محدودیتهایی در برد رانندگی و ظرفیت بار (هی و همکاران، 2019). این عوامل AFVها را برای حمل و نقل طولانی مدت غیرعملی میکند و علاقه LSPها را به جایگزینی ناوگان خودروهای موجود خود محدود میکند.
دولتها و مقامات محلی در تلاشند تا استانداردهای انتشار گازهای گلخانهای خودروهای بنزینی و دیزلی را بهبود بخشند و در عین حال زیرساختهای لازم را برای به حداکثر رساندن استفاده از خودروهای سوخت فسیلی (AFV) توسعه دهند. با توجه به برنامهها و مقررات مختلف کنترل آلودگی در کشورهای مختلف، تولیدکنندگان خودروهای سبک و سنگین ملزم به تجهیز خودروهای خود به سیستمهای کنترل آلودگی هوا هستند. به عنوان مثال، برنامه MassDEP Low Emission Vehicle (LEV) را در نظر بگیرید. طبق این برنامه، تولیدکننده باید سیستمهای پیشرفته کنترل انتشار گازهای گلخانهای را روی خودروهای جدید نصب کند. در غیر این صورت، این خودروها مجاز به فروش نیستند. علاوه بر این، برای خودروهایی که مجهز به سیستمهای تشخیصی داخلی هستند و در پانزده سال گذشته تولید شدهاند، لازم است که سالانه بررسیهای انتشار گازهای گلخانهای و آزمایشهای ایمنی در برخی از ایستگاههای دارای مجوز انجام شود. علیرغم این مقررات، علاقه فزایندهای به دستکاری سیستمهای کنترل آلاینده و استفاده از دستگاههای مخرب (که اغلب به عنوان “دستگاههای حذف” یا “کیتهای حذف” شناخته میشوند) در کامیونهای دیزلی، وسایل نقلیه سنگین و تجهیزات خارج از جاده وجود داشته است. این امر منجر به افزایش ۳۶ برابری انتشار اکسید نیتروژن در سالهای اخیر نسبت به حد مجاز شده است. صاحبان خودرو گاهی اوقات به دلایل مختلف سیستمهای کنترل آلاینده را دستکاری میکنند. برخی از انگیزههای اصلی آنها شامل بهبود مسافت پیموده شده، قدرت و گشتاور، کمک به صرفهجویی در هزینه از طریق کاهش مصرف سوخت، افزایش طول عمر قطعات یدکی گرانقیمت، کاهش هزینههای نگهداری و غیره است. دو شکل شناخته شده از دستکاری شامل (۱) حذف سختافزار، فیلترها و کاتالیزورها در سیستم کنترل آلایندههای موجود، و (۲) نصب یا دستکاری نرمافزاری است که سیستم کنترل آلایندههای خودرو را غیرفعال میکند یا منجر به تأیید تقلبی خودروهای دیزلی در آزمایش آلایندهها میشود. از سال ۲۰۰۹، گزارش شده است که بیش از ۵۰۰۰۰۰ کامیون – که ۱۳٪ از کامیونهای دارای گواهینامه در آزمایشهای انتشار گازهای گلخانهای را تشکیل میدهند – به طور غیرقانونی اصلاح شدهاند که منجر به انتشار اکسید نیتروژن معادل اضافه شدن نه میلیون کامیون دیزلی به ناوگان شده است. نکته قابل توجه این است که آلودگی منتشر شده توسط یک وانت دیزلی سنگین مدرن با “حذف کامل” کنترلهای انتشار گازهای گلخانهای به اندازه آلودگی منتشر شده توسط ۳۰۰ کامیون دست نخورده مضر است. این افزایش سطح آلایندهها به مسائل مختلف بهداشت عمومی و زیستمحیطی کمک میکند.
به دلایلی که در بالا ذکر شد، دولتها به راحتی نمیتوانستند به اهداف کاهش آلودگی خود برسند. وضع مقررات برای کنترل ترافیک جادهای، جریمه کردن وسایل نقلیه متخلف و ممنوعیت عبور وسایل نقلیه، راههای موثری برای کمک به دولتها در کاهش انتشار گازهای گلخانهای حمل و نقل هستند. برای این منظور، بررسی این تضاد بین LSPها و دولتها در حمل و نقل، موضوع مهمی برای محققان است. دولتها میتوانند از طریق قوانینی مانند قانون هوای پاک، مجازاتهای سنگینی را برای این تخلفات اعمال کنند تا این کلاهبرداریها را ممنوع کنند. برای شناسایی وسایل نقلیه آلاینده، سازمانهای دولتی باید فناوریهای ضد دستکاری، مانند ایستگاههای بازرسی کنار جادهای هوشمند (SRIS) و تجهیزات سنجش از دور را برای تقویت موانع در برابر دستکاری، پیادهسازی کنند. برای اندازهگیری انتشار گازهای گلخانهای تولید شده توسط وسایل نقلیه در جاده در دنیای واقعی، رویکردهای مدلسازی ماکروسکوپی و میکروسکوپی در مقالات توسعه یافتهاند. رودریگز والیدو و همکاران (2022) یک سیستم میکروسکوپی نظارت بر آلودگی وسایل نقلیه بر اساس یک حسگر دوربین هوش مصنوعی که در جادههای استراتژیک قرار داده شده بود، توسعه دادند. دادههای جمعآوریشده از این دوربینها به یک تخمینگر مبتنی بر مدل برای پیشبینی انتشار گازهای گلخانهای ارسال میشوند. تجهیزات سنجش از دور ابزاری شناختهشده برای اندازهگیری غلظت مواد شیمیایی در اگزوز هنگام عبور وسیله نقلیه از حسگر است. از آنجایی که پلاک خودرو توسط دوربینها ثبت میشود، شناسایی وسایل نقلیه با انتشار بالا امکانپذیر است. هوانگ و همکاران (2018) یک برنامه سریع و مقرونبهصرفه را در هنگ کنگ اجرا کردند و به دنبال آن یک برنامه تعمیر اجباری اجرا شد. آنها با استفاده از 150 واحد سنجش از دور، 16365 وسیله نقلیه با انتشار بالا را از بین 2.9 میلیون وسیله نقلیه شناسایی کردند. این وسایل نقلیه اخطار تعمیر و آزمایش مجدد دریافت کردند و تقریباً 500 مورد از آنها به دلیل عدم تعمیر و قبولی در آزمایش انتشار، گواهینامههایشان باطل شد.
در میان تمام بخشهای حمل و نقل، LSPها به طور قابل توجهی تحت تأثیر این تضاد قرار دارند. با این حال، برخی از LSPها، به دلیل منافع مالی، ممکن است به جای سرمایهگذاری در نوسازی ناوگان، سیستمهای کنترل انتشار گازهای گلخانهای خودروهای خود را دستکاری کنند. در مقابل، دولت به دنبال شناسایی و جریمه چنین اقدامات متقلبانهای است. در این مقاله، تضاد ذکر شده به طور خاص برای مسئله مسیریابی خودرو (VRP) در نظر گرفته شده است. از اینجا به بعد، ما به این نوع VRP به عنوان VRP ممنوعه شبکهای (NIVRP) اشاره میکنیم. این موضوع را میتوان به عنوان یک بازی استکلبرگ در نظر گرفت، که در آن سازمانهای دولتی تلاش میکنند وسایل نقلیه دستکاری شده یا با مسافت پیموده شده بالا را که انتشار گازهای گلخانهای بیش از حد دارند، شناسایی و از فعالیت آنها جلوگیری کنند، در حالی که LSPها به دنبال استفاده از مسیرهای اقتصادی هستند که احتمال شناسایی آنها توسط مقامات کمتر است. تا آنجا که ما میدانیم، هیچ تحقیقی در مورد این تضاد در ادبیات موجود نیست و همین امر آن را به کانون توجه این مطالعه تبدیل میکند.
سهم تحقیقات ما دوگانه است. اول، ما این مسئله مسیریابی را بررسی میکنیم تا بینشهایی در مورد سوالات حیاتی، مانند: کدام جادهها باید توسط مهاجم (یعنی سازمانهای دولتی) به حسگر از راه دور مجهز شوند؟ کدام جادهها میتوانند توسط مدافع (یعنی LSP) انتخاب شوند تا مسافت طی شده از طریق شبکه مسدود شده را به حداقل برسانند؟ دوم، ما یک الگوریتم یادگیری تقویتی عمیق برای حل NIVRP مورد نظر برای اولین بار توسعه میدهیم. ساختار مقاله به شرح زیر است. ابتدا، مروری مختصر بر ادبیات در مورد NIVRPها و پیادهسازی الگوریتمهای یادگیری تقویتی عمیق برای VRPها در بخش 2 ارائه شده است. یک مدل برنامهنویسی دو سطحی برای VRP مسدود شده شبکه مختل کننده در بخش 3 پیشنهاد شده است. در بخش بعدی، یک الگوریتم تقویتی برای حل مدل توسعه داده شده است. در بخش 5، عملکرد الگوریتم توسعه داده شده ارزیابی میشود. بخش آخر این مقاله به نتیجهگیری و بحث در مورد جهتهای تحقیقاتی آینده اختصاص دارد.(منبع).