Các vấn đề tối ưu địa chỉ trong quy hoạch mạng lưới với tính toán tiến hóa

Trong ngành khoa học máy tính, tìm kiếm lời giải tối ưu cho các bài toán là vấn đề được các nhà khoa học máy tính đặc biệt rất quan tâm. Mục đích chính của các thuật toán tìm kiếm lời giải là tìm ra lời giải tối ƣu nhất cho bài toán trong thời gian nhỏ nhất. Các thuật toán như tìm kiếm không có thông tin / vét cạn ( tìm kiếm trên danh sách, trên cây hoặc đồ thị ) sử dụng phương pháp đơn giản nhất và trực quan nhất hoặc các thuật toán tìm kiếm có thông tin sử dụng heurictics để áp dụng các tri thức về cấu trúc của không gian tìm kiếm nhằm giảm thời gian cần thiết cho việc tìm kiếm được sử dụng nhiều nhưng chỉ với không gian tìm kiếm nhỏ và không hiệu quả khi tìm kiếm trong không gian tìm kiếm lớn. Tuy nhiên, trong thực tiễn có rất nhiều bài toán tối ưu với không gian tìm kiếm rất lớn cần phải giải quyết. Vì vậy, việc đòi hỏi thuật giải chất lượng cao và sử dụng kỹ thuật trí tuệ nhân tạo đặc biệt rất cần thiết khi giải quyết các bài toán có không gian tìm kiếm lớn. Giải thuật di truyền (genetic algorithm) là một trong những kỹ thuật tìm kiếm lời giải tối ưu đã đáp ứng được yêu cầu của nhiều bài toán và ứng dụng. Giải thuật di truyền đã được phát minh ra để bắt chước quá trình phát triển tự nhiên trong điều kiện quy định sẵn của môi trường. Trong bài tiểu luận này chúng ta sẽ nghiên cứu về việc áp dụng giải thuật di truyền để thiết kế mạng tối ưu. MỤC LỤC LỜI NÓI ĐẦU 4 CÁC THUẬT NGỮ VIẾT TẮT 5 DANH MỤC HÌNH VẼ 6 DANH MỤC CÁC BẢNG 7 Chương 1: Các kỹ thuật tính toán thích ứng và heuristic trong viễn thông 8 1.1 Các vấn đề tối ưu hóa trong viễn thông 8 1.2 Bài toán động và thích ứng. 9 1.3 Các kỹ thuật Heuristic hiện đại 10 1.3.1 Tìm kiếm cục bộ 12 1.3.2 Tìm kiến dựa trên tập hợp (Population-Based Search) 18 1.4 Kỹ thuật tính toán thích nghi 21 1.4.1 Tính toán hệ thần kinh 22 1.4.2 Logic mờ 23 1.4.3 Lý thuyết trò chơi 24 1.5 Tổng kết 24 Chương 5: Các vấn đề tối ưu địa chỉ trong quy hoạch mạng lưới với tính toán tiến hóa 26 5.1. Giới thiệu 26 5.2. Mạng truy nhập 28 5.2.1. Tổng quan về Greenfield CPP 29 5.2.2. Mô hình đối tượng mạng 31 5.2.3. Module phân tích kiến trúc 33 5.3. Công cụ quy hoạch cáp đồng 34 5.4. Phát biểu vấn đề tối ưu mạng 35 5.5. Các giải thuật di truyền 38 5.5.1. EC Search Engine 40 5.5.2. Khởi tạo EA 41 5.5.3. Thuật toán tìm kiếm chính- Optimiser Kernel 42 5.6. Kết quả thực tế 45 5.7. Thảo luận 48 5.8. Các lợi ích cho quản lý 50 5.9. Các vấn đề định hướng 51 5.10. Kết luận 51 KẾT LUẬN 53 TÀI LIỆU THAM KHẢO 54

MỤC LỤC

YLỜI NÓI Đ

CÁC THUẬT NGỮ VIẾT TẮT 5

DANH MỤC HÌNH VẼ 6

DANH MỤC CÁC BẢNG 7

Chương 1: Các kỹ thuật tính toán thích ứng và heuristic trong viễn thông 8

1.1 Các vấn đề tối ưu hóa trong viễn thông 8

1.2 Bài toán động và thích ứng 9

1.3 Các kỹ thuật Heuristic hiện đại 10

1.3.1 Tìm kiếm cục bộ 12

1.3.2 Tìm kiến dựa trên tập hợp (Population-Based Search) 18

1.4 Kỹ thuật tính toán thích nghi 21

1.4.1 Tính toán hệ thần kinh 22

1.4.2 Logic mờ 23

1.4.3 Lý thuyết trò chơi 24

1.5 Tổng kết 24

Chương 5: Các vấn đề tối ưu địa chỉ trong quy hoạch mạng lưới với tính toán tiến hóa 26

5.1 Giới thiệu 26

5.2 Mạng truy nhập 28

5.2.1 Tổng quan về Greenfield CPP 29

5.2.2 Mô hình đối tượng mạng 31

5.2.3 Module phân tích kiến trúc 33

5.3 Công cụ quy hoạch cáp đồng 34

5.4 Phát biểu vấn đề tối ưu mạng 35

5.5 Các giải thuật di truyền 38

5.5.1 EC Search Engine 40

5.5.2 Khởi tạo EA 41

5.5.3 Thuật toán tìm kiếm chính- Optimiser Kernel 42

5.6 Kết quả thực tế 45

5.7 Thảo luận 48

5.8 Các lợi ích cho quản lý 50

5.9 Các vấn đề định hướng 51

5.10 Kết luận 51

KẾT LUẬN 53

TÀI LIỆU THAM KHẢO 54

LỜI NÓI ĐẦU

Trong ngành khoa học máy tính, tìm kiếm lời giải tối ưu cho các bài toán là vấn

đề được các nhà khoa học máy tính đặc biệt rất quan tâm Mục đích chính của các thuậttoán tìm kiếm lời giải là tìm ra lời giải tối ƣu nhất cho bài toán trong thời gian nhỏnhất Các thuật toán như tìm kiếm không có thông tin / vét cạn ( tìm kiếm trên danhsách, trên cây hoặc đồ thị ) sử dụng phương pháp đơn giản nhất và trực quan nhất hoặccác thuật toán tìm kiếm có thông tin sử dụng heurictics để áp dụng các tri thức về cấutrúc của không gian tìm kiếm nhằm giảm thời gian cần thiết cho việc tìm kiếm được sửdụng nhiều nhưng chỉ với không gian tìm kiếm nhỏ và không hiệu quả khi tìm kiếmtrong không gian tìm kiếm lớn Tuy nhiên, trong thực tiễn có rất nhiều bài toán tối ưuvới không gian tìm kiếm rất lớn cần phải giải quyết Vì vậy, việc đòi hỏi thuật giải chấtlượng cao và sử dụng kỹ thuật trí tuệ nhân tạo đặc biệt rất cần thiết khi giải quyết cácbài toán có không gian tìm kiếm lớn Giải thuật di truyền (genetic algorithm) là mộttrong những kỹ thuật tìm kiếm lời giải tối ưu đã đáp ứng được yêu cầu của nhiều bàitoán và ứng dụng

Giải thuật di truyền đã được phát minh ra để bắt chước quá trình phát triển tựnhiên trong điều kiện quy định sẵn của môi trường Trong bài tiểu luận này chúng ta sẽnghiên cứu về việc áp dụng giải thuật di truyền để thiết kế mạng tối ưu

CÁC THUẬT NGỮ VIẾT TẮT

ADSL Asymmetric Digital Subscriber Line Đường dây thuê bao số bất đối xứngCPP Copper Planning Problem Vấn đề quy hoạch cáp đồng

EC Evolutionary Computation Tính toán tiến hóa

EAs Evolutionary Algorithms Giải thuật tiến hóa

LTU Line Termination Unit

MOGA Multiple Objective Genetic

Algorithm Thuật toán di truyền đa mục tiêuPCP Primary Connection Point Điểm kết nối chính

OMT Object Modelling Technology Công nghệ mô hình hóa đối

tượng

POTS Plain Old Telephone System Hệ thống điện thoại analog

DANH MỤC HÌNH VẼ

Hình 5.1: Mạng truy nhập cáp đồng 30

Hình 5.2: Mạng cáp đồng sơ cấp 31

Hình 5.3: Tổng quan mô hình mạng viễn thông 33

Hình 5.4: Tổng quan hệ thống quy hoạch cáp đồng 35

Hình 5.5: Biểu diễn tập vị trí DP 37

Hình 5.6: Mạng tối ưu biểu diễn thông tin vị trí DP và tree trong mỗi mạng con 38

Hình 5.7: Kiến trúc lớp GA 40

Hình 5.8: Kiến trúc cơ bản của công cụ quy hoạch thông minh 42

Hình 5.9: Giao diện công cụ quy hoạch cáp đồng 46

Hình 5.10: Bố trí hoàn thiện cho mạng thực tế 46

Hình 5.11: Giải pháp tối ưu ví trí DP với yếu tố độ sai lệch phân bố nhu cầu được bỏ đi 47

Hình 5.12: Giải pháp tối ưu hóa ví trí DP với yếu tố độ sai lệch phân bố nhu cầu được kích hoạt 48

DANH MỤC CÁC BẢNG

Bảng 5.1: Tóm tắt kết quả và cấu hình EA 45

Chương 1: Các kỹ thuật tính toán thích ứng và heuristic trong viễn thông1.1 Các vấn đề tối ưu hóa trong viễn thông

Sự phức tạp và kích thước của các mạng viễn thông hiện đại cung cấp cho chúng tanhiều thách thức và cơ hội Trong cuốn sách này, những thách thức mà chúng tôi tậptrung vào là những liên quan đến việc tối ưu hóa Điều này chỉ đơn giản đề cập tớinhững trường hợp mà trong đó chúng ta đang hướng tới tìm một cách tiếp cận phương

án tốt nhất giữa nhiều phương án có thể có để giải quyết bài toán Ví dụ, có một sốlượng lớn cách để thiết kế các cấu trúc liên kết một mạng dữ liệu riêng cho một công tylớn Làm thế nào chúng ta có thể tìm thấy một thiết kế đặc biệt tốt trong tất cả các khảnăng? Ngoài ra, chúng ta có thể thử tìm một cách tốt để gán kênh tần số cho nhiềungười sử dụng mạng di động Có một loạt các khó khăn phức tạp liên quan ở đây, sốlượng các phương án có thể đáp ứng các khó khăn vẫn còn quá lớn để chúng tôi hyvọng sẽ kiểm tra lần lượt từng phương án trong số chúng Vì vậy, một lần nữa, chúng

ta cần một số cách để tìm ra giải pháp tốt trong tất cả các khả năng

Những thách thức hiện tại là cơ hội cho sự hợp tác giữa các kỹ sư viễn thông, cácnhà nghiên cứu và phát triển trong khoa học máy tính và trí tuệ nhân tạo cộng đồng.Đặc biệt, có một bộ các công nghệ phần mềm mới nổi nhằm tối ưu hóa các vấn đề màhiện nay đang được được sử dụng trong ngành công nghiệp, nhưng có tiềm năng lớncho các giải pháp có lợi nhuận và hiệu quả cho nhiều bài toán trong ngành viễn thông.Phần lớn cuốn sách này tập trung vào các kỹ thuật tối ưu hóa, và các công trìnhnghiên cứu trong các chương sắp tới trình bày một phần việc áp dụng những kỹ thuậtnày cho các bài toán liên quan đến viễn thông Các kỹ thuật sử dụng bao gồm cácphương pháp "tìm kiếm địa phương “ như ủ mô phỏng (Aarts và Korst, 1989) và tìmkiếm tabu (Glover, 1989; 1989a), và các kỹ thuật tìm kiếm 'dựa trên tập hợp' như thuậttoán di truyền (Poland, 1975 ; Goldberg, 1989), chiến lược phát triển (Schwefel, 1981;

Back, 1996), lập trình tiến hóa (Fogel, 1995) và lập trình di truyền (Koza, 1992) Mục1.3 giới thiệu ngắn gọn và cơ bản các kỹ thuật trên, dành cho các kỹ sư viễn thông,quản lý hoặc nghiên cứu, những người hiểu biết quá nhiều về vấn đề này, nhưng chưabiết cách để giải quyết chúng Chương sau thảo luận về việc sử dụng liên quan đến cácbài toán đặc biệt trong viễn thông.

1.2 Bài toán đ ng và thích ng ộng và thích ứng ứng.

Một khía cạnh cơ bản của nhiều vấn đề tối ưu hóa trong viễn thông là một thực tếrằng các giải pháp tối ưu là động Những gì có thể là giải pháp tốt nhất bây giờ có thểkhông phải là giải pháp lý tưởng trong một vài giờ, hoặc thậm chí một vài phút Ví dụ,các nhà cung cấp dịch vụ của một cơ sở dữ liệu phân tán ( như video theo yêu cầu, dịch

vụ web - bộ nhớ đệm, vv) phải cố gắng để đảm bảo chất lượng dịch vụ cho mỗi kháchhàng Để làm điều này liên quan đến việc chuyển hướng cơ sở dữ liệu của khách hàngtruy cập đến các máy chủ khác nhau tại các thời điểm khác nhau ( khách hàng khôngthể nhận biết) để thực hiện phù hợp cân bằng tải giữa các máy chủ Kỹ thuật tối ưu hóahiện đại có thể được sử dụng để phân phối tải trọng phù hợp trên các máy chủ, tuynhiên giải pháp này trở nên không hợp lệ ngay sau khi có sự thay đổi trung bình trong

mô hình truy cập cơ sở dữ liệu của khách hàng Một ví dụ khác là định tuyến gói chungtrong một mạng point-to -point Theo truyền thống, bảng định tuyến tại mỗi nút được

sử dụng để tìm kiếm ' bước kế tiếp ' tốt nhất cho một gói dựa trên điểm đến cuối cùngcủa nó Chúng ta có thể tưởng tượng một kỹ thuật tối ưu hóa áp dụng cho vấn đề này,

kỹ thuật này dựa vào mô hình tổng thể và xác định các bảng định tuyến thích hợp chomỗi nút, do đó ùn tắc chung và sự chậm trễ có thể được giảm thiểu, tức là trong nhiềutrường hợp là ‘bước kế tiếp’ tốt nhất có thể không tìm được nút tiếp theo trên conđường ngắn nhất, vì liên kết này có thể được được sử dụng nhiều rồi Tuy nhiên, đây rõràng là một chương trình cần được thực hiện lặp đi lặp lại như những biểu đồ thay đổilưu lượng truy cập

Việc thực hiện lặp đi lặp lại của các kỹ thuật tối ưu hóa là một trong những cách cóthể để tiếp cận các bài toán động, nó thường là một cách khá phù hợp, đặc biệt là khicác giải pháp tốt yêu cầu cần thiết phải rất nhanh, vì môi trường thay đổi rất nhanhchóng Thay vào đó, một phạm vi khác của các kỹ thuật tính toán hiện đại thường thíchhợp cho các bài toán như vậy Chúng ta có thể gọi chung lớp này là kỹ thuật "thíchứng", mặc dù việc sử dụng ở các chương sau trong cuốn sách này thực sự khá đa dạng.Đặc biệt, chương sau sẽ sử dụng tính toán thần kinh (neural), logic mờ và lý thuyết tròchơi để giải quyết tối ưu hóa thích nghi trong môi trường động, trong một số trườnghợp kết hợp với tìm kiếm cụ bộ hoặc dựa vào tập hợp Về cơ bản, một kỹ thuật tối ưuhóa cung cấp một cách nhanh chóng và hiệu quả để tìm một giải pháp tốt trong nhiềugiải pháp, một kỹ thuật thích ứng phải cung cấp một giải pháp tốt gần như là ngay lậptức.

Thủ thuật ở đây đó là các phương pháp sử dụng tiến trình “off-line” để học về vấn

đề đang giải quyết sao cho khi mà các kết quả tốt và nhanh được yêu cầu thì chúng sẽđược chuyển đi Ví dụ, một cách tiếp cận thích hợp cho việc định tuyến gói tin trongcác mặt thay đổi trong mô hình giao thông sẽ bao gồm một số liên tục nhưng tôi thiểuhóa xử lý mà được cập nhật liên tục trong bảng định tuyến tại mỗi nút dựa trên thôngtin hiện tại về độ trễ và mức độ giao thông

Trong phần còn lai của chương này chúng ta sẽ giới thiệu ngắn gọn về sự tối ưu và

và các kỹ thuật thích ứng mà chúng ta đã đề cập ở trên Chi tiết sẽ được nói ở cácchương sau Sau đó chúng ta sẽ nói một chút về ba phần trong cuốn sách này trong cácchương tiếp theo Sau cùng, chúng ta sẽ chỉ ra tại sao những kỹ thuật này là quan trọngtrong viễn thông, và chúng sẽ ngày càng phát triển theo thời gian

1.3 Các kỹ thuật Heuristic hiện đại

Có một loạt các phương pháp nổi tiếng trong hoạt động nghiên cứu, như là : quyhoạch động (DynamicProgramming), quy hoạch tuyến tính (Integer Programming ).V v đã được sử dụng để giải quyết các lọa vấn đề tối ưu khác nhau Tuy nhiên , một

cộng đồng lớn của các nhà khoa học máy tính và các nhà nghiên cứu trí tuệ nhân tạongày nay đang dành rất nhiều nỗ lực vào những ý tưởng hiện đại hơn được gọi là

“metaheuristics” hay còn gọi là “heuristic” Vấn đề khác nhau cơ bản giữa các phươngpháp hiên đại và phương pháp cổ điển đó là , nó dễ áp dụng hơn Tực là nếu đưa ra mộtvấn đề thực tế điển hình và phức tạp thì nó sẽ cần ít công sức để phát triển cách tiếpcận mô hình tôi thép để giải quyết vấn đề đó hơn là trình bày vấn đề theo cách quyhoạch tuyến tính có thể áp dụng trên nó

Điều này không nói rằng các phương pháp hiện đại sẽ làm tốt hơn phương pháp cổđiển Trên thực tế, kịch bản thực tế và điển hình khi mà cả hai loại phương pháp được

Trong phần này chúng tôi chỉ cung cấp khía quát về một số thuật toán tối ưu hiệnđại, và do đó không cung cấp khá đầy đủ thông tin cho một người đọc để có thể chỉnhcho phù hợp với các vấn đề cụ thể Mặc dù chúng tôi không chỉ cho bạn cách để sángtạo với chúng, nhưng chúng tôi chỉ ra điểm mấu chốt ở đâu Làm cách nào để áp dụngsáng tạo chúng thì phụ thuộc và rất nhiều vấn đề, nhưng chương sau sẽ cung cấp cácthông tin cho từng trường hợp cụ thể Những gì sẽ trở nên rõ ràng từ chương này, tuynhiên, đó là những kỹ thuật được đánh giá cao chung trong ứng dụng của chúng Trongthực tế, bất cứ khi nào cũng có một số cách khá sẵn để đánh giá hoặc tính điểm giảipháp ứng cử viên cho vấn đề của bạn, sau đó các kỹ thuật này có thể được áp dụng

Về bản chất các kỹ thuật này được chia làm 2 nhóm : tìm kiếm địa phương, tìmkiếm dựa trên dân số Đó sẽ là những thứ sẽ được bàn đến tiếp theo đây.

1.3.1 Tìm kiếm cục bộ

Giả sử rằng bạn đang cố gắng để giải quyết một vấn đề P, và bạn có một tập hợp S

là các giải pháp tiềm năng cho vấn đề này Bạn không nhất thiết phải có tập S, vì nóquá lớn để có thể hiểu rõ toàn bộ Tuy nhiên, bạn có một số cách để tạo ra các giảipháp từ nó Ví dụ, S có thể là một tập hợp các cấu trúc liên kết cho một mạng, và cácgiải pháp ứng cử s, s ', s'',… là các đề cử cấu trúc kết nối cụ thể mà bạn đã đưa ra theocách nào đó Thêm vào đó, hãy tưởng tượng rằng bạn có một hàm chuẩn hóa f(s)(fitness function) có chức năng đưa ra kết quả của một giải pháp đề cử Kết quả tốt hơnđồng nghĩa với việc đó là giải pháp tốt hơn Lấy ví dụ, chúng ta đang cố gắng tìm ranhững cấu trúc liên kết mạng đáng tin cậy nhất, sau đó f (s) có thể tính toán xác suấtthất bại của liên kết giữa hai nút đặc biệt quan trọng Trong trường hợp chúng ta muốn

sử dụng nghịch đảo của giá trị này nếu chúng ta thực sự muốn gọi nó là ‘chuẩn hóa’(fitness) Trong những trường hợp khi mà kết quả thấp hơn, thì tốt hơn và thường thìthích hợp hơn đó là coi f(s) là một hàm chi phí

Chúng ta còn cần thêm một điều nữa, mà chúng ta gọi là một toán tử lân cận(neighbourhood operator) Đây là hàm có chức năng lấy ra một giải pháp đề cử s, vàtạo ra một giải pháp đề cử mới s’ - thường chỉ hơi khác một chút so với s Chúng ta sẽ

sử dụng thuật ngữ ‘biến cố’ (mutation) để mô tả cho toán tử này Ví dụ, nếu chúng tabiến đổi một cấu trúc liên kết mạng, kết quả biến đổi có thể bao gồm một liên kết thêmkhông có trong cấu trúc liên kết ‘cha mẹ’, hoặc cũng có thể là giống như nhau Ngoài

ra, biến cố có thể loại bỏ, hoặc di chuyển, một liên kết

Bây giờ chúng ta có thể mô tả một cách cơ bản về tìm kiếm cục bộ Trước tiên,hãy xem xét một trong những phương pháp tìm kiếm cục bộ đơn giản nhất, được gọi làphương pháp leo đồi (hillclimbing), thực hiện theo các bước dưới đây:

1 Bắt đầu: tạo ra một giải pháp đề cử ban đầu (có thể bằng một cách ngẫu nhiên);gọi đây là giải pháp hiện tại, c Đánh giá nó.

2 Biến đổi c để tạo ra một biến cố m, sau đó đánh giá m

3 Nếu f(m) là tốt hơn hơn hoặc tương đương f(c), vậy thì cần thay thế c với m (Ví

dụ c bây giờ là một bản sao của m).

4 Lặp lại bước 2, cho đến khi nào đạt tới một tiêu chí kết thúc

Ý tưởng của hillclimbing nên được trình bày rõ ràng theo thuật toán nêu trên Ởbất kỳ bước nào, chúng ta có một giải pháp hiện tại, và khi chúng ta nhìn vào một âncận của giải pháp này – có vài điểm khác nhau Nếu giải pháp lân cận là một bộ lọc(fitter) (hoặc tương đương), vậy thì có vẻ như là đây một ý tưởng tốt để chuyển sanglân cận đó; do đó, cần bắt đầu lại với lân cận giống như là với một giải pháp hiện tạimới Ý tưởng căn bản đằng sau điều này, và đằng sau phương pháp tìm kiếm cục bộnói chung, đó là sự hội tụ của các giải pháp tốt Bạn có thể không thực sự mong đợimột cấu trúc liên kết đáng tin cậy xuất hiện, ví dụ, thêm một liên kết đơn vào một cấutrúc liên kết không đáng tin cậy Tuy nhiên, bạn có thể mong đợi rằng một sự thay đổinhư vậy có thể biến một cấu trúc liên kết đáng tin cậy thành một cấu trúc liên kết đángtin cậy hơn

Trong tìm kiếm cục bộ, chúng ta khai thác ý tưởng này bằng cách liên tục tìm kiếmtrong vùng lân cận của giải pháp hiện tại Sau đó chúng ta sẽ chuyển đến một giải phápphù hợp, và tái thực thi quá trình này Sự nguy hiểm ở đây là chúng ta có thể gặp khókhăn trong với cái gọi là ‘tối ưu cục bộ’, tức là giải pháp hiện tại là không đủ tốt chomục đích của chúng ta, nhưng tất cả các phương án lân cận của nó thậm chí còn tồihơn Đây là điểm không tốt đối với thuật toán leo đồi (hillclimbing), vì đơn giản là nó

sẽ bị mắc kẹt ở đó Các phương pháp tìm kiếm cục bộ khác ngoài hillclimbing, có cách

để giải quyết chính xác tình huống này

Các phương pháp tìm kiếm cục bộ khác được phân biệt chúng với hillclimbing, tuynhiên, có một số cách để giải quyết tình trạng này một cách chính xác Chúng ta sẽ

xem xét lại 2 phương pháp ở đây, đây là những phương pháp được sử dụng phổ biến vàđược sử dụng ở phần sau trong cuốn sách này Dưới đây là mô phỏng luyện kim(simulated annealing) và tìm kiếm tabu (tabu search).

Simulated annealing

Simulated anneling giống với hillclimbing Sự khác biệt duy nhất là việc thêm vàocủa 1 cặp tham số, một bước phụ mà một số cuốn sách thực hiện với những tham sốnày, và đây là điểm chính, bước 3 được thay đổi để sử dụng các tham số này:

1 Bắt đầu: Tạo và đánh giá giải pháp ứng cử ban đầu (một cách ngẫu nhiên); gọi

đây là giải pháp hiện tại c Khởi tạo tham số nhiệt độ T và độ làm mát r (0<r<1).

2 Biến đổi c tạo ra m, kết quả của việc biến đổi c, và đánh giá m

3 Nếu đánh giá test(f(m), f(c), T) là đúng, thì thay thế c bằng m (c bây giờ là bảnsao của m)

4 Cập nhật tham số nhiệt độ (T thành rT)

5 Lặp lại bước 2, cho tới khi đạt được tiêu chí kết thúc

Vấn đề xảy ra trong mô phỏng luyện kim đó là đôi khi chúng ta chấp nhận kết quảcủa việc biến đổi ngay cả khi nó kém hơn cả giải pháp hiện tại Tuy nhiên, chúngkhông xảy ra thường xuyên và khả năng kết quả của việc biến đổi kém hơn là rất thấp.Ngoài ra, chúng ta có ít khả năng làm như vậy trong thời gian tới Kết quả tổng thể làthuật toán có cơ hội tốt để thoát khỏi optima cục bộ, do đó có thể tìm kiếm các miền tốthơn của không gian sau này Tuy nhiên, hướng cơ bản của sự dịch chuyển về các miềntốt hơn được duy trì Tất cả những điều này được thực hiện trong chức năng test củabước 3 Một ví dụ về loại sử dụng test là đầu tiên thực hiện:

( ( )f m f c T( ))/

Giả thiết rằng chúng ta thực hiện tối ưu hóa cost (nếu không chúng ta chỉ cầnchuyển dổi f(m) và f(c)) Nếu kết quả của việc biến đổi tốt hơn hoặc tương đương giảipháp hiện tại, thì biểu thức trên sẽ lớn hơn hoặc bằng 1 Nếu kết quả của việc biến đổi

kém hơn, thì kết quả sẽ nhỏ hơn 1 và kém hơn kết quả biến đổi là gần bằng 0 Do đó,kết quả của biểu thức được sử dụng như một xác suất Tạo ngẫu nhiên 1 số rand, với0<rand<1 và thực hiện test trong bước 3 chỉ đơn giản là kiểm tra có hay không biểuthức nhỏ hơn rand Nếu vậy (luôn luôn được như vậy nếu kết quả biến đổi tốt hơn hoặctương đương), chúng ta chấp nhận kết quả biến đổi T là tham số nhiệt độ Với bắt đầulớn và giảm dần (xem bước 4) theo thời gian Điều bạn có thể nói từ biểu thức trên, làxác suất của kết quả biến đổi kém chấp nhận được cũng sẽ giảm dần theo thời gian.

Mô phỏng luyện kim tạo ra một phương pháp mạnh, mặc dù nó khá khó khăn đểđạt được những tham số đúng Tham khảo A good modern account, Dowsland (1995)

Tabu Search

Một cách khác để thoát khỏi optima cục bộ được cung cấp bởi tìm kiếm tabu(Glover 1989; 1989a; Glover and Laguna, 1997) Có nhiều khía cạnh tinh vi để tìmkiếm tabu, ở đây chúng ta chỉ tìm hiểu về bản chất của kỹ thuật Giới thiệu một cách rõràng và đầy đủ được cung cấp trong Glover and Laguna (1995; 1997)

Phương pháp tìm kiểm Tabu, như nhiều phương pháp tìm kiếm cục bộ khác khôngbàn và xem xét về các láng giềng của giải pháp hiện tại và thậm chí chọn một trongláng giềng để chuyển đến Đặc tính có tính phân biệt này của phương pháp tìm kiếmTabu là về vấn đề đưa ra sự lựa chọn như thế nào Đây không đơn giản là việc lựa chọnláng giềng nào phù hợp nhất trong số những láng giềng đã được kiểm tra Phương pháptìm kiếm Tabu tính đến cả sự biến đổi (mutation) mà cho chúng ta kết quả Ví dụ, nếuláng giềng tốt nhất trong giải pháp của bạn là láng giềng mà kết nối bằng việc thay đổiliên kết từ nút k, nhưng chúng ta đã thực hiện việc kết nối đó trong lần lặp trước thì cóthể một láng giềng khác sẽ được lựa chọn thay thế, thậm chí nếu sự di chuyển tốt nhấthiện tại là di chuyển gần đây nhất cũng có thể không được chấp nhận Tìm kiếm tabucung cấp một cơ chế dựa trên chỉ tiêu nguyện vọng cho phép ta chọn nhiều hơn nếuláng giềng đang được xem xét mà phù hợp hơn so với láng giềng hiện tại

Do vậy, bất kỳ việc cài đặt phướng pháp tìm kiếm tabu nào đều duy trì một vàidạng bộ nhớ ghi lại những thuộc tính nhất định của những di chuyển gần đây Nhữngthuộc tính này phụ thuộc nhiều vào vấn đề đang xem xét và đây là một phần của việc

áp dụng phương pháp tìm kiếm tabu Ví dụ, nếu chúng ta cố gắng tối ưu hóa topomạng, một dạng của bộ biến đổi sẽ phải thay đổi đường cáp liên kết giữa nút a và nút b.Hoặc là trong việc cài đặt phương pháp tìm kiếm tabu, chúng ta có lẽ chỉ ghi lại sự kiệnthay đổi đường cáp ở lần lặp thứ i, hoặc là đơn giản chỉ ghi lại sự thay đổi trong liênkết giữa nút a với một nút mà liên kết với nút b Nếu chúng ta chỉ ghi lại kiểu thuộctính trước đó thì những di chuyển có thể xảy ra gần thời điểm đó có thể không đượcchấp nhận và không phụ thuộc vào các nút có liên quan Nếu chúng ta chỉ ghi lại thuộctính sau đó thì những thay đổi tiềm năng bao gồm nút a và (hoặc) nút b có thể khôngđược chấp nhận nhưng những di chuyển thay đổi cáp có thể được chấp nhận

Phương pháp tìm kiếm cục bộ Artful

Có một vài điểm chú ý về việc thuật toán tabu minh họa đó là khía cạnh quan trọngcủa phương pháp tìm kiểm cục bộ tốt là quyết định láng giềng nào cần di chuyển đến.Tất cả các phương pháp tìm kiếm cục bộ thực hiện các ý tưởng cơ bản về di chuyểncục bộ đều là những ý tưởng tốt Ví dụ, nếu giải pháp hiện tại của bạn tốt thì có thể cómột giải pháp tốt hơn gần đó và có thể có một giải pháp tốt hơn nữa

Tuy nhiên, rõ ràng là thỉnh thoảng (có lẽ là thường xuyên) chúng ta phải chấp nhậnthực tế là chúng ta chỉ có thể tìm kiếm các giải pháp được cải tiến bằng cách tạm thờithực hiện các giải pháp khác tồi hơn Thuật toán mô phỏng annealing và phương pháptìm kiếm tabu là hai cách tiếp cận để giải quyết vấn đề này Tuy nhiên, đối với một vấn

đề cụ thể thì cách tốt nhất trong triển khai và thiết kế hai cách tiếp cận trên là không rõràng Có nhiều sự lựa chọn có thể đưa ra: cách đầu tiên có thể là làm cách nào để trìnhbày một giải pháp đưa ra tại vị trí đầu tiên Lấy ví dụ, một topo mạng có thể được biểudiễn dưới dạng cách danh sách của các liên kết trong đó mỗi cặp liên kết là một cặp nút(a,b) Việc giải mã danh sách đó thành một topo mạng đơn giản là vẽ liên kết cho mỗi

cặp nút trong danh sách đó Nói cách khác, chúng ta có thể biểu diễn một topo mạngnhư là một chuỗi nhị phân chứa thông tin về các liên kết có thể có Mỗi vị trí trongchuỗi bit này sẽ có thể thể hiện một liên kết điểm tới điểm Do vậy, một giải pháp đưa

ra là “10010 ” có thể chỉ ra một liên kết điểm tới điểm giữa nút 1 và 2, không có liênkết giữa nút 1 và nút 3 hoặc là giữa nút 1 và nút 4 hoặc là có một liên kết giữa nút 1 vànút 5

Nói chung, trên đây là những cách để đưa ra một phương pháp đại diện cho cácgiải pháp của vấn đề Tất nhiên sự lựa chọn cũng ảnh hưởng đến thiết kế của các

“operator hàng xóm” Trong ví dụ trên, loại bỏ 1 liên kết từ topology liên quan đến 2loại hoạt động khác nhau trong 2 đại diện Trong trường hợp danh sách cặp node,chúng ta cần thực sự loại bỏ 1 cặp từ danh sách Trong trường hợp nhị phân, chúng tathay đổi một bit 1 đến một bit 0 trong một vị trí cụ thể trong chuỗi

Đề ra các đại diện và vận hành tốt là một phần của nghệ thuật sử dụng hiệu quả tìmkiếm địa phương để giải quyết các vấn đề tối ưu hóa cứng Tuy nhiên một phần quantrọng khác của nghệ thuật này là vấn đề sử dụng tri thức cụ thể hoặc chuẩn đoán tồn tạikhi có thể Ví dụ, một vấn đề với một trong hai đại diện mà chúng ta đã ghi nhận chođến nay cho topology mạng là một topology được tạo ngẫu nhiên điển hình cũng có thể

là không kết nối Đó là một giải pháp ứng cử có thể chỉ đơn giản là không chứa cácđường dẫn giữa mỗi cặp nút Thông thường, chúng ta chỉ quan tâm đến các mạnghướng kết nối, vì vậy bất kỳ thuật toán tìm kiếm nào mà effort dành cho kết nối với cácmạng hướng không kết nối thẩm định thì có vẻ khá lãng phí Đây là nơi mà miền trithức cơ bản và những chuẩn đoán tồn tại sẽ có ích Đầu tiên, bất kỳ một nhà thiết kếmạng tốt nào đều sẽ biết các khái niệm lý thuyết đồ thị khác nhau, chẳng hạn như là:cây spanning, thuật toán đường đi ngắn nhất… Nó không khó để đưa ra 1 thay đổi đạidiện danh sách cặp node là đã kết nối, đảm bảo rằng tất cả các giải pháp ứng viên schứa 1 cây spanning cho mạng Một cách để làm điều này là liên quan đến việc giảithích những cặp node đầu tiên gián tiếp Thay vì (a, b) chỉ ra rằng mạng này chứa liên

kết giữa a và b, nó sẽ có nghĩa là node a đã kết nối sẽ được liên kết với node b khôngkết nối Bằng cách này, mọi cặp node tiếp theo cho thấy làm thế nào để tham gia như 1node chưa được sử dụng để phát triển cây spanning Khi tất cả các node đã được kếtnối như vậy, cặp node còn lại có thể được giải thích trực tiếp.

Tuy nhiên vấn đề chúng ta giải quyết sẽ liên quan đến vấn đề chi phí, do đó chi phícủa các liên kết cụ thể sẽ đóng vai trò quan trọng trong “hàm vừa đủ” (fitnessfunction) Miền tri thức cho chúng ta biết một số thuật toán nổi tiếng và nhanh chóngđưa ra đáp án cho việc tìm cây spanning chi phí nhỏ nhất (Kruskal, 1956; Prim, 1957)

Do đó nó có thể làm cho ý nghĩa tốt, tùy thuộc vào các chi tiết khác nhau của vấn đề,

để khởi tạo mỗi giải pháp ứng viên với cây chi phí nhỏ nhất, và tất cả những gì chúng

ta cần là đại diện cho các liên kết chúng ta thêm vào cây này

Có rất rất nhiều cách trong đó miền tri thức hoặc chuẩn đoán tồn tại có thể được sửdụng để hưởng lợi từ phương pháp tiếp cận tìm kiếm địa phương cho vấn đề tối ưu hóa.Một số về vấn đề này có thể cho chúng ta biết, ví dụ những loại biến đổi có cơ hội tốthơn dẫn đến hàng xóm tốt Một phương thức chuẩn đoán hiện có cho biết nhanh chónggiao các kênh trong mạng di động, có thể được sử dụng để cung cấp điểm khởi tạo chotìm kiếm địa phương mà cố gắng để tìm ra giải pháp tốt hơn

1.3.2 Tìm kiến dựa trên tập hợp (Population-Based Search)

Một lựa chọn khác của thuật toán, hiện giờ đang rất phổ biến, được xây dựng dựatrên ý tưởng về tìm kiếm địa phương bằng cách sử dụng tập hợp các giải pháp “hiệntại” thay vì chỉ một Có 2 cách mà điều này có khả năng tương cường cơ hội tìm kiếmgiải pháp tốt Đầu tiên, khi chúng ta có 1 tập hợp, chúng ta có thể dành thời gian 1 cáchhiệu quả để tìm kiếm trong nhiều khu vực lân cận khác nhau như một Thuật toán dựatrên tập hợp có xu hướng chia sẻ effort tính toán đến các giải pháp ứng viên khác nhautrong 1 cách thiên vị bởi “tương quan vừa đủ” (relative fitness) của chúng Đó là, nhiềuthời gian sẽ được dùng để tìm kiếm các vùng lân cận của các giải pháp tốt hơn là cácgiải pháp trung bình

Tuy nhiên, tối thiểu cần một ít thời gian cho việc tìm kiếm trong những miềnnghiệm ôn hòa hoặc thô, nên điều này dẫn đến việc tìm kiếm một đột biến đặc biệt tốttrên đường đi, sau đó các cân bằng tải của nỗ lực tính toán sẽ được sửa đổi cho phùhợp.

Một hướng tiếp cận khác được cung cấp bởi kỹ thuật dựa trên tổ hợp là chúng tathử sử dụng toán tử tái tổ hợp Đây là cách để tạo ra những đột biến, nhưng lần này từ 2hoặc nhiều các nghiệm cha chứ không phải chỉ 1 Do đó kết quả được gọi là một tổ hợpchứ không phải là một đột biến Tái tổ hợp cung cấp một cách có nguyên tắc tưởng đối

để giải thích sự dịch chuyển của một vùng lân cận lớn Một trong những khó khăn củatìm kiếm cục bộ là ngay cả các kỹ thuật tiên tiến như mô phỏng và tìm kiếm cũng khókhăn để tối ưu cục bộ, nó chỉ “thoát” trừ khi nó có thể là một đột biến khá quyết liệt

Đó là thuật toán có thể thử tất cả các chuyển động cục bộ có thể, và do đó phải bắt đầuthử với các di chuyển phi cục bộ nếu nó có bất kỳ cơ hội nào để đạt được bất kỳ nơinào Vấn đề thực tế ở đây là có rất nhiều khả năng di chuyển phi cục bộ Thật vậy cáchàng xóm ”phi cục bộ” là toàn bộ không gian khả năng!

Tái tổ hợp là một phương pháp cung cấp một cách lựa chọn di chuyển phi cục bộtốt từ một không gian lớn các khả năng Ví dụ, nếu 2 nghiệm cha là mỗi vécto của kphần tử, một toán tử tái tổ hợp được gọi là giao đơn điệu (uniform crossover), sẽ tạo ramột nghiệm con từ 2 nghiệm cha này bằng cách, với mỗi phần tử được trả ra lấy ngẫunhiên giá trị của nó tử một trong 2 điểm Mỗi nghiệm con có thể khác biệt tới 50% cha

mẹ của nó, và lớn hơn rất nhiều so với sự khác biệt điển hình giữa một nghiệm cha đơnvới một vài hàng xóm cục bộ của nó

Dưới đây là những bước cho một thuật toán dựa trên tổ hợp chung:

1 Bắt đầu: sinh ra một tập ban đâu các giải pháp có khả năng nhất (candidate).Đánh giá chúng

2 Lựa chọn một vài tập làm cha

4 Kết hợp các bộ con được sinh ra vào tập hợp.

5 Cho đến khi đạt được tiêu chí kết thúc, thì quay trở lại bước 2

Có rất nhiều cách để thực hiện ở mỗi bước, nhưng có những điểm quan trọng nhưsau Bước 2 thường sử dụng chiến lược chọn lọc tự nhiên (survival of the fittest), đây

là nơi mà các tải chia sẻ (load sharing) được thảo luận ở trên sẽ được áp dụng Cácnghiệm ứng viên được tạo thành, càng nhiều cơ hội nó trở thành cha, và do đó có nhiều

cơ hội hơn để thuật toán tìm ra các vùng lân cận của nó Có những kỹ thuật chọn lựakhác nhau, hầu hết đều được tham số hóa để thay đổi mức độ để các tổ hợp cha đượctạo ra ưa thích hơn (các áp lực chọn lọc) Bước 3 áp dụng các toán tử tái tổ hợp hoặcđột biến, hoặc cả hai Đây có tất cả các toán tử tái tổ hợp và đột biến, nhưng như chungtôi gợi ý trên, những lợi ích thực sự đến khi một vài suy nghĩ đã được đưa vào thiết kế

cụ thể các loại toán tử sử dụng miền tri thức Trong bước 4, nhớ rằng chúng ta luôn duytrì một kích thước tổ hợp cố định Vì vậy, nếu chúng ta có một tổ hợp 100, nhưng 20phần tử con được thêm vào, thì 20 của 120 phần tử phải được loại bỏ Một cách tiếpcận phổ biến nhất là chỉ đơn giản loại bò 20 phần tử ít phù hợp nhất với các nhóm kếthợp, nhưng có một vài phương pháp khác; chúng ta có thể sử dụng công nghệ được gọi

là “dồn nén” (crowding), eg De Jonh (1975), trong đó đa dạng đóng vai trò quyết đinh

về những giải pháp ứng viên để loại bỏ Ví dụ, chúng ta chắc chắn sẽ thích để loại bỏgiải pháp S có lợi và một giải pháp t ít phù hợp, nếu điều đó xảy ra là trường hợp đó làmột bản sao trong dân số, nhưng t là “mới”

Ví dụ, chúng tôi chắc chắn sẽ thích để loại bỏ giải pháp tội ủng hộ một giải pháp t

ít phù hợp, nếu điều đó xảy ra là trường hợp đó salready có một bản sao trong dân số ,nhưng tis 'mới' Cuối cùng, chúng ta phải chỉ ra một số vấn đề thuật ngữ Có rất nhiềuthuật toán dựa trên dân số , và trong thực tế, họ thường được gọi là giải thuật di truyền( địa bàn ) Một thuật ngữ phổ biến được sử dụng là thuật toán di truyền , mà đúng đềcập đến một gia đình của các phương pháp như vậy mà luôn luôn sử dụng một nhà điềuhành tái tổ hợp (Hà Lan , 1965; Goldberg , 1989) , trong khi các gia đình khác của

thuật toán như vậy, gọi là lập trình tiến hóa ( Fogel , 1995) và tiến hóa chiến lược ( trởlại, 1996), xu hướng sử dụng đột biến một mình, nhưng khá thông minh về cách họ sửdụng nó Trong mọi trường hợp , một giải pháp ứng cử viên có xu hướng được gọi làmột phần tử của nó chromosomeand được gọi là gen.

1.4 Kỹ thuật tính toán thích nghi

Để giải quyết nhu cầu tối ưu trong môi trường viễn thông luôn luôn thay đổi, sửdụng trực tiếp các kỹ thuật tối ưu cục bộ (local optimization) hoặc tối ưu quần thể chokết quả không phù hợp Lý do là nó mất nhiều thời gian để hội tụ về một solution tốt,

vì thế thời điểm mà nó đưa ra solution thì bài toán đã thay đổi

Cái chúng ta cần là một cách đưa ra các decision nhanh và tốt VD, để xác địnhxem “bước kế tiếp”(next hop) cho một gói tin từ node a (đích đến là node d ), chúng ta

có thể chạy mô phỏng mô hình giao thông mạng (network traffic model) ở thời điểmhiện tại và ước lượng gần đúng thời điểm đến node d với các “bước kế tiếp” hiện tạicủa node a Tuy nhiên, vì thời gian để có thể dựng mô phỏng với phần cứng của bộchuyển mạch mạng (network switch) lên đến nhiều giờ nên ý tưởng chạy mô hình môphỏng không phù hợp

Thay vào đó, chúng ta cần một cách khác Lý tưởng nhất, chúng ta đang tìm một

“hộp đen” (black box), đầu vào là question và các điều kiện hiện tại còn đầu ra làanswer hợp lý và ngay lập tức VD về “hộp đen”: Bảng định tuyến (Routing table).Question được hỏi bởi gói tin là: “Tôi muốn đi đến node d, vậy bước tiếp theo tôi nên

đi như thế nào?” Routing table đưa ra một cách nhanh chóng câu trả lời nhanh chóng

và gửi gói tin đi Cách làm này về cơ bản là không linh hoạt (non-adaptive) Nếu một

số giao thức quản lý mạng tiên tiến (advanced network management protocols) khônghoạt động, routing table luôn đưa ra cùng 1 answer, thậm chí ngay cả khi đường đi đến

d mà nó suggest đang bị tắc nghẽn ở thời điểm hiện tại Vì thế, hộp đen của chúng taphải có khả năng thay đổi để thích hợp với điều kiện hiện tại Chương 8 và chương 9 sẽ

thảo luận về cách để thực thi vấn đề này liên quan đến routing table trong mạng chuyểnmạch gói.

Đây là sự ước lượng về thần kinh, logic mờ và lý thuyết trò chơi Vai trò củaước lượng thần kinh trong hoàn cảnh này là phát triển một mô hình ẩn, mô hình đónghiên cứu ( từ ví dụ) để làm thế nào có quyết định đúng đắn trong tập các trường hợpkhác nhau Kết quả tạo ra sẽ như một mạng lưới thần kinh, sau đó để làm việc trựctuyến như thế nào thì nhà sản xuất sẽ quyết định Vai trò của logic mờ là đưa ra cách đểtạo ra các quy định vững chắc, đây là những quy định để ra quyết định Điều này về cơbản là tạo ra cách giải quyết của hộp đen, giống như một mạng lưới thần kinh nhưngvới hoạt động bên trong khác nhau Cuối cùng lý thuyết trò chơi sẽ đưa ra một cáchnhìn khác, đó là một kịch bản mạng năng động Về cơ bản, nếu chúng ta xem một sốkhía cạnh của quản lý mạng như là một 'trò chơi', một tập hợp các phương trình và các

mô hình được biết đến bắt đầu hoạt động, nó sẽ lần lượt cung cấp những phép tính gầnđúng của mạng năng động thực sự

1.4.1 Tính toán hệ thần kinh

Viễn thông là một lĩnh vực quan trọng và đang phát triển Không chỉ vậy, nó còncung cấp các dịch vụ cho những lĩnh vực khác nhau của đời sống con người Hơn nữahiện nay tồn tại nhu cầu đối với tập các dịch vụ viễn thông ngày càng mở rộng cùngvới băng thông ngày càng gia tăng Một công nghệ cụ thể có khả năng cung cấp băngthông lớn nếu các dịch vụ viễn thông băng thông rộng như trên được áp dụng rộng rãi

đó là các mạng truyền dẫn quang đa bước sóng (Mukherjee, 1977) Tuy nhiên, sự pháttriển của mạng như vậy mang đến cho các nhà khoa học và các kỹ sư hàng loạt nhữngkhó khăn trong bài toán thiết kế và tối ưu

1.4.2 Logic mờ

Trong một số trường hợp chúng ta có thể nghĩ về các quy tắc hợp lệ cho miền giátrị của vấn đề Ví dụ, “nếu lưu lượng đông đúc, sử dụng node a’ và ‘nếu lưu lượng rất

đông đúc, sử dụng node b’ Tuy nhiên, những quy luật như vậy không thực sự hữu íchnếu không có một cách tốt để quyết định rằng “đông đúc” hay “rất đông đúc” thực sự

có ý nghĩa gì Trong cách tiếp cận hệ thống chuyên gia cổ điển, chúng ta sẽ áp dụngngưỡng được xác định trước cho những cái gọi là “biến ngôn ngữ”, và quyết định, ví

dụ, “lưu lượng đông đúc” có nghĩa là việc sử dụng liên kết trong câu hỏi là giữa 70%

và 85% Điều này có vẻ tốt, nhưng không khó để thấy rằng việc sử dụng 69.5% có thể

là nguyên nhân gây ra các vấn đề; trong một kịch bản như vậy, quy luật có điều kiện là

“lưu lượng trung bình” (có thể là từ 55% đến 70%) sẽ được sử dụng, nhưng nó có thểthích hợp hơn, và mang lại một kết quả tốt hơn là sử dụng “lưu lượng đông đúc”

Logic mờ cung cấp một cách để sử dụng các biến ngôn ngữ để giải quyết vấn đềngưỡng một cách rất tự nhiên và mạnh mẽ Thực tế, nó gần như loại bỏ nhu cầungưỡng, thay vì giới thiệu những thứ gọi là “các chức năng thành viên” Chúng takhông còn có lưu lượng đông đúc hay trung bình Thay vào đó, một giá trị lưu lượngnhất định cho lưu lượng ở mức đông đúc và một giá trị cho mức độ trung bình Cácmức độ phụ thuộc vào các giá trị số thực tế bằng cách các chức năng thành phần,thường đơn giản là “chức năng hình tam giác” Ví dụ, mức độ lưu lượng nặng có thể là

0 giữa 0% và 35% sử dụng, sau đó nó có thể tăng lên 1 giữa 35% và 75%, và sau đó lạigiảm xuống 0 giữa 75% và 90% Chức năng thành phần (membership function) chobiến ngôn ngữ “rất nặng” sẽ chồng chéo nhau với điều này, bởi vậy một giá trị lưulượng 82.5% có thể là ‘nặng’ đến mức 0.5 và ‘rất nặng’ đến mức 0.7

Với mỗi điều kiện môi trường nhất định, các quy tắc khác nhau sẽ áp dụng nhữngmức độ khác nhau Đặc biệt, logic mờ cung cấp nhiều cách để xác định mức độ mà cácquy luật khác nhau được áp dụng khi các thành phần điều kiện trong quy luật liên quanđến nhiều biến ngôn ngữ Chương 8 sử dụng logic mờ, sẽ thảo luận chi tiết hơn về vấn

đề này

Sức mạnh chính của logic mờ là chúng ta chỉ cần đảm bảo rằng các chức năngthành phần là hợp lý Hệ thống kết quả, với các quyết định phù hợp, hướng tới các biến

thể trong các chức năng thành phần, trong giới hạn hợp lý Tuy nhiên chúng ta có thểphải làm một số việc, là xây dựng các nguyên tắc hoạt động Đây là nơi việc học

‘offline’ đưa ra trong khi chúng ta đang sử dụng logic mờ trong một môi trường thíchnghi Đôi khi, các thuật toán di truyền có thể được sử dụng cho nhiệm vụ xây dựng mộttập các quy luật tốt

1.4.3 Lý thuyết trò chơi

Cuối cùng, lý thuyết trò chơi cung cấp một cách khác để nhìn vào các vấn đề phứctạp, dynamic và liên quan đến giao tiếp, đặc biệt là liên quan đến quản lý mạng và cungcấp dịch vụ Xem xét các quá trình ra quyết định phức tạp liên quan trong việc quyếtđịnh những gì để thiết lập cho lời gọi kết nối hoặc cung cấp dịch vụ dữ liệu trong mộtmôi trường mạng động, liên quan đến cạnh tranh với nhiều nhà cung cấp dịch vụ khác

1.5 Tổng kết

Phương pháp Heuristic và các kĩ thuật thích hợp được ứng dụng trong rất nhiềutrong viễn thông liên quan tới việc tối ưu Nó được chia làm 3 phần chính , tươngđương với 3 vấn đề thường gặp Thứ nhất, đó là vấn đề thiết kế và tổ chức mạng Trongthực tế, có rất nhiều hoạt động sử dụng kĩ thuật Heuristic hiện đại, việc thiết kế mạng

sẽ đơn giản với các vấn đề tối ưu do các vấn đề này đã được xác định rõ rang.Điều đó

có nghĩa là Chúng ta có thể tiết kiệm nhiều thời gian và công sức để phát triển 1 kĩthuật tối ưu tốt nhờ sử dụng các thuật toán và cơ chế đặc tả Khi một giải pháp đượcthiết kế, nó có thể được thực hiện cài đặt trong vài tuần hoặc vài tháng

Ngược lại, với vấn đề định tuyến và sử dụng giao thức được nói đến trong phần 2,bao gồm các kĩ thuật tối ưu động gồm 2 vấn đề liên quan đến tối ưu thời gian tiêuthụ.vấn đề chính ở phần này là tập trung vào các phương thức để thực thi và tích hợp

mô hình “hộp đen” Trong một trường hợp , hộp đen là mạng tự nhiên , trường hợpkhác, nó là tập luật logic mờ hay 1 form được đặc tả trong bảng định tuyến

Phần 3 xem xét phạm vi vấn đề, bao gồm phần mềm, chiến thuật, phương thứcquản lý lưu lượng Phát triển phần mềm cũng có nhiều vấn đề trong lĩnh vực viễnthông tuy nhiên nó cũng cung cấp nhiều giải pháp hợp lý trong việc cung cấp dịch vụ.Các vấn đề cung cấp dịch vụ, trang bị trong mạng, đều cần tới những ưu điểm và tínhlinh động của các phần mềm Tuy nhiên các phần mềm cần nhiều thời gian để pháttriển Phần 3 cũng chỉ ra tầm quan trọng của “chiến lược” bang cách xem xét các vấn

đề của việc quản lý 1 mạng động phức tạp Các vấn đề bao gồm cấp phát dịch vụ , quảntrị luồng dữ liệu Trong mỗi trường hợp , một cách tiếp cận dựa vào lý thuyết gameđược tích hợp Cuối cùng, ở phần 3 cũng chỉ ra vẫn đề quản lý băng thông trong cảmạng cố định và mạng di động

Chính vì vậy, chúng tôi đã bao quát một phạm vi rộng của các vấn đề tối ưu mạngviễn thông trong quyển sách này Chúng tôi đã trình bày một tập các vấn đề cần đượchoàn thiện Các vấn đề tương tự trong việc kết nối các kĩ thuật lại cũng được nhắc đến.Việc phát triển các kĩ thuật tính toán đã được tích hợp và cài đặt nhanh chóng tronglĩnh vực viễn thông

Chương 5: Các vấn đề tối ưu địa chỉ trong quy hoạch mạng lưới với tính

toán tiến hóa

5.1 Giới thiệu

Để phù hợp với sự phát triển nhanh chóng của các mạng viễn thông ngày nay, đã

có sự gia tăng về mức độ phức độ phức tạp của mạng viễn thông Do đó, hiên nay đã

có sự chấp nhận việc máy tính hỗ trợ cho mô phỏng và các phương pháp phân tích hỗtrợ chủ yếu cho quản lý các mạng lớn

Nhớ lại vào những năm 1990, thập kỷ của quá trình tái cấu trúc kinh doanh Hầuhết các tổ chức chế tạo truyền thống lớn đã áp dụng một số biện pháp tái cấu trúc nhằmtăng hiệu quả của toàn bộ hoạt động của họ, dẫn đến việc thành lập các kiến trúc quản

lý phù hợp, các quy hoạch và cơ sở hạ tầng sản xuất tối ưu, giảm nhân công và kiểmsoát chặt chẽ hơn với ngân sách hoạt động và chi tiêu của các dự án quan trọng

Quá trình tái cấu trúc tương tự hiện nay đang diễn ra trong lĩnh vực viễn thông.Trong tương lai, thông tin sẽ đảm nhiệm mức độ quan trọng lớn hơn nhiều Ngày càngtrở nên rõ ràng rằng nhiều doanh nghiệp sẽ đạt được và duy trì lợi thế cạnh tranh bằngcách liên tục thu thập, phần tích và khai thác dữ liệu hoạt động với cách thức mới và lạthường Các mô hình hệ thống quy mô lớn có thể được tạo ra và tri thức đã tiến hóa đểtạo ra các kiến trúc tôpô gần như tối ưu Việc phân tích hệ thống mạng vĩ mô có thểthực hiện được nhờ sự phát triển của các phương pháp heuristic, toán học và trí thôngminh, và sự sẵn có của các máy tính cá nhân hiệu suất cao nhưng giá thành thấp Cácmáy trạm cá nhân ngày nay có thể giải quyết các vấn đề phức tạp bằng cách xử lý mộtlượng dữ liệu lớn sử dụng các thuật toán thông minh mới, từ đó cung cấp các giải pháptốt hơn và cái nhìn sâu hơn vào các vấn đề của cấu trúc phúc tạp của mạng Các mục

tiêu chính cho các nhà khai thác mạng viễn thông là phát triển các phương pháp luậnsau đây:

Phương pháp quy hoạch tối ưu được yêu cầu để giảm chi phí xây dựng các kiếntrúc mạng mới

Phân tích tác động là cần thiết để dự đoán tác động của các hệ thống và thành phầnmới sẽ có trong mạng và hoạt động kinh doanh

Mô hình kinh doanh cần thiết để đánh giá những tác động của việc lựa chọn, cánhân và nhóm thay đổi sẽ có khi thực hiện kinh doanh và tổ chức thực hiện

Phân tích lỗi là cần thiết để xác định và sửa lỗi với sự gián đoạn tối thiểu tới hiệusuất của mạng

Chương này sẽ xem xét về vấn đề quy hoạch mạng và phân tích tác động của hệthống điện thoại analog (POTS) Trong quá khứ, các thiết kế mạng lưới được thực hiệnchủ yếu bởi người quy hoạch bằng cách sử dụng các phương pháp thủ công đơn giảnhay tự động một phần Với việc sử dụng các phương pháp này thì năng suất lao độngtương đối thấp Người quy hoạch, ví dụ, thường dự kiến đưa ra được thiết kế mạng vật

lý trong 3 ngày làm việc Nói chung, công việc này bao gồm 2 giai đoạn hay giai đoạnthiết kế được lặp lại nhiều hơn, mỗi giai đoạn chiếm 12 tiếng đồng hồ Trong hầu hếtcác trường hợp, các giải pháp được tạo ra chỉ tối ưu một phần, và do đó chi phí đầu tưcuối cùng thường cao hơn so với cần thiết Điều này đã đưa ra một nhu cầu cấp thiết vềcác công cụ quy hoạch tự động để xử lý các vấn đề phức tạp và hỗ trợ người thiết kếmạng

Henderson (1970) đưa ra một nghiên cứu rất thú vị và ví dụ minh họa Dự án nàyliên quan tới việc lặp đặt mạng SDH quốc gia cho Energis UK Ông nói rằng, “Xâydựng mạng lưới bắt đầu trước khi thiết kế hoàn tất Sự thật là, thiết kế đã không hoànthành cho đến một thời gian sau khi mạng lưới được xây dựng và hoạt động! Trongthực tế việc thực hiện thiết kế và xây dựng song song đang trở nên phổ biến hơn khi áp