- Phát triển thuật toán lai ghép đa mục tiêu chuồn chuồn DA và tối ưu bầy đàn PSO để giải quyết bài toán tối ưu bố trí mặt bằng xây dựng công trường, kết hợp phương pháp lập luận chứng c
ĐẶT VẤN ĐỀ
Lý do chọn đề tài
Bố trí mặt bằng công trường xây dựng là bước quan trọng trong lập kế hoạch thi công, nhằm đảm bảo hiệu quả và hoàn thành mục tiêu dự án Việc xác định vị trí các cơ sở tạm thời phục vụ thi công sẽ khác nhau tùy theo yêu cầu của từng dự án, với mục tiêu giảm chi phí, giảm rủi ro giữa các luồng hoạt động và giảm ô nhiễm tiếng ồn.
Bố trí mặt bằng công trường đóng vai trò quan trọng trong hoạt động thi công của dự án, đặc biệt là đối với các dự án lớn và phức tạp Việc tối ưu hóa bố trí mặt bằng xây dựng không chỉ giúp nâng cao hiệu quả thi công mà còn giảm thiểu khoảng cách di chuyển và tránh tắc nghẽn trong quá trình thực hiện.
Bố trí mặt bằng xây dựng là quá trình xác định vị trí các khu vực thi công, vật tư, thiết bị, văn phòng, kho bãi, và các hạng mục giao thông tạm thời Nghiên cứu cho thấy, bố trí mặt bằng hiệu quả có thể giảm chi phí xử lý vật liệu từ 20% đến 60% và giảm chi phí ban đầu khoảng 6.2% đến 9.7%, đồng thời nâng cao chất lượng hoạt động xây dựng và giảm từ 20% đến 50% tổng chi phí vận chuyển Ngược lại, bố trí kém hiệu quả dẫn đến tích tụ vật liệu tồn kho, quá tải hệ thống xử lý, và làm tăng khoảng 36% chi phí xử lý nguyên vật liệu do hoạt động vận chuyển.
Bố trí mặt bằng xây dựng không chỉ ảnh hưởng đến chi phí mà còn tác động đến sự an toàn và rủi ro trong quá trình thi công Một mặt bằng công trường hiệu quả cần đạt được các mục tiêu về chi phí và đảm bảo an toàn, đồng thời giảm thiểu rủi ro giữa các luồng hoạt động Rủi ro từ mặt bằng bố trí được xem là yếu tố tổng hợp từ con người, nguồn lực, và tần suất vận chuyển Khoảng cách giữa các cơ sở trên mặt bằng càng xa, thời gian di chuyển càng lớn, làm tăng khả năng xảy ra giao chéo giữa các luồng hoạt động của con người và thiết bị.
Môi trường hiện nay đang trở thành vấn đề quan trọng trong mọi lĩnh vực, đặc biệt là trong xây dựng, với ô nhiễm tiếng ồn là một khía cạnh đáng chú ý Tiếng ồn từ máy móc thi công là nguyên nhân chính gây ô nhiễm trong ngành này, ảnh hưởng tiêu cực đến sức khỏe công nhân và làm giảm năng suất lao động Nhiều nghiên cứu trước đây, như của Fernandez (2009) và Kantova (2017), đã chỉ ra tác động xấu của ô nhiễm tiếng ồn đến môi trường và con người Các nghiên cứu cho thấy, công nhân làm việc trong môi trường tiếng ồn vượt mức cho phép có thể gặp phải các vấn đề sức khỏe như mất giọng, khiếm thính, căng thẳng, và các bệnh tim mạch Theo Bộ luật an toàn và sức khỏe nghề nghiệp tại Alberta, Canada, giới hạn tiếp xúc với tiếng ồn được quy định rõ ràng, nhằm bảo vệ sức khỏe công nhân khỏi những tác động tiêu cực của ô nhiễm tiếng ồn.
Mức độ tiếp xúc Thời gian tiếp xúc Mức độ tiếp xúc Thời gian tiếp xúc
83 dB(A) 12 giờ 41 phút 100 dB(A) 15 phút
84 dB(A) 10 giờ 4 phút 103 dB(A) 8 phút
Bảng 1.1: Giới hạn tiếp xúc nghề nghiệp ở Alberta, Canada
Tiêu chuẩn về giới hạn tiếp xúc với tiếng ồn theo Quy định về an toàn và sức khỏe nghề nghiệp (OSHR) quy định mức độ tiếp xúc hàng ngày là 85dB(A) trong thời gian 8 giờ Để làm rõ hơn tiêu chuẩn này, Ủy ban An toàn lao động Tây Úc (2002) đã công bố bảng cường độ tiếng ồn và giới hạn thời gian tiếp xúc, như thể hiện trong Bảng 1.2.
Cường độ tiếng ồn Thời gian tiếp xúc
Bảng 1.2: Giới hạn thời gian tiếp xúc theo UBATLĐ Tây Úc, 2022
Hiệu quả làm việc có thể bị suy giảm khi lao động trong môi trường có tiếng ồn vượt quá giới hạn cho phép Do đó, việc giảm thiểu ô nhiễm tiếng ồn là cần thiết để bảo vệ sức khỏe người lao động và nâng cao hiệu suất làm việc, từ đó góp phần vào thành công của dự án Ô nhiễm tiếng ồn có thể được cải thiện hiệu quả thông qua việc bố trí mặt bằng công trường thi công hợp lý.
Tối ưu hóa bố trí mặt bằng xây dựng đa mục tiêu là cần thiết để giảm chi phí vận chuyển, giảm rủi ro giữa các luồng hoạt động và giảm ô nhiễm tiếng ồn.
Ngày nay, việc ứng dụng các thuật toán để giải quyết vấn đề đã trở nên phổ biến, nhưng mỗi thuật toán đều có ưu điểm và nhược điểm riêng Thuật toán chuồn chuồn (DA) và thuật toán tối ưu bầy đàn (PSO) có thể bổ sung cho nhau, vì vậy tác giả đề xuất lai ghép hai thuật toán này Thuật toán chuồn chuồn (DA), được phát triển bởi Mirjalili vào năm 2016, dựa trên tập tính thông minh của đàn chuồn chuồn trong tự nhiên, với ưu điểm là vùng không gian tìm kiếm rộng lớn, nhưng nhược điểm là dễ rơi vào tối ưu cục bộ do không lưu trữ dữ liệu quá khứ Ngược lại, thuật toán tối ưu bầy đàn (PSO), được phát triển bởi Eberhart và Kennedy vào năm 1995, có ưu điểm trong việc khai thác dữ liệu tốt, mặc dù không gian tìm kiếm hẹp Việc kết hợp hai thuật toán này hứa hẹn sẽ khắc phục những hạn chế của từng thuật toán.
Hai thuật toán này bổ trợ cho nhau, hạn chế nhược điểm và tối đa hóa ưu thế của từng thuật toán Sự kết hợp giữa thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) được đánh giá là phù hợp và toàn diện, hứa hẹn mang lại hiệu quả cao trong giải quyết các bài toán tối ưu đa mục tiêu.
Mục tiêu nghiên cứu
(1) Nghiên cứu đề xuất hướng giải quyết bài toán tối ưu đa mục tiêu :
- Giảm thiểu chi phí vận chuyển giữa các cơ sở
- Giảm thiểu rủi ro giữa các luồng hoạt động
- Giảm thiểu ô nhiễm tiếng ồn
Phát triển thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) nhằm tận dụng tính cân bằng giữa tối ưu toàn cục và cục bộ, từ đó giải quyết hiệu quả vấn đề tối ưu đa mục tiêu.
(3) Ứng dụng thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) vào lĩnh vực xây dựng (tối ưu hóa bố trí mặt bằng xây dựng)
(4) Kết hợp phương pháp lập luận chứng cứ (ER) để hỗ trợ ra quyết định đa tiêu chí.
Phạm vi nghiên cứu
- Kiểm nghiệm tính hiệu quả của thuật toán lai ghép trên vào lĩnh vực xây dựng
- Nghiên cứu có xét đến yếu tố ràng buộc về vị trí của các cơ sở cố định và tạm thời trong dự án
- Thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO)
- Phương pháp lập luận chứng cứ ER hỗ trợ ra quyết định đa tiêu chí
Một số giả định được quy định trong mô hình thuật toán:
- Tất cả các yếu tố ảnh hưởng đã được xác định, bỏ qua các yếu tố chưa xác định
- Tất cả các thông số vần thiết cho nghiên cứu đã được đồng nhất
- Chi phí vận chuyển được giả định tỷ lệ thuận với cự ly, tài nguyên giả định là tuyến tính
- Bỏ qua rủi ro về các yếu tố như thiên tai hoặc không lường trước Bỏ qua sự nhiễu và hấp thụ tiếng ồn của môi trường.
Phương pháp nghiên cứu
Quy trình nghiên cứu của luận văn được thể hiện theo lưu đồ sau Đề tài nghiên cứu cần:
1 Xác định vấn đề nghiên cứu
2 Xác định mục tiêu nghiên cứu
3 Xác định phạm vi nghiên cứu
Nghiên cứu về bố trí mặt bằng công trường xây dựng
Tìm kiếm dữ liệu, case study để ứng dụng vào đề tài nghiên cứu
Xác định các hàm mục tiêu của bài toán
Công cụ lập trình giải bài toán
Tập hợp Pareto của bài toán Áp dụng phương pháp ra quyết định đa tiêu chí đểlựa chọn giải pháp tối ưu
Lựa chọn giải pháp tối ưu, đánh giá kết quả và kết luận
Tập hợp Pareto của bài toán
So sánh kết quả với thuật toán khác Đánh giá kết quả và kết luận
Nghiên cứu cơ sở lý thuyết:
1 Tối ưu hóa đa mục tiêu
2 Thuật toán chuồn chuồn (DA)
3 Thuật toán tối ưu bầy đàn (PSO)
4 Phương pháp ra quyết định đa tiêu chí
Phát triển thuật toán lai ghép chuồn chuôn và tối ưu bầy đàn (DA-PSO) đa mục tiêu để giải quyết bài toán tối ưu bố trí mặt bằng
Lập trình giải bài toán đa mục biêu bằng thuật toán lai ghép DA-PSO
Hình 1.1 Quy trình nghiên cứu
Đóng góp dự kiến của nghiên cứu
Phát triển và ứng dụng thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) dựa trên hai thuật toán gốc nhằm giải quyết bài toán đa mục tiêu Phương pháp lập luận chứng cứ (ER) được áp dụng để hỗ trợ ra quyết định đa tiêu chí, đảm bảo tính cân bằng giữa các mục tiêu.
Nghiên cứu này tập trung vào tối ưu hóa đa mục tiêu trong bố trí mặt bằng xây dựng, hỗ trợ nhà thầu và nhà quản lý trong việc ra quyết định đa tiêu chí thông qua phương pháp lập luận chứng cứ ER Đồng thời, nghiên cứu cũng góp phần thúc đẩy sự phát triển bền vững cho ngành xây dựng.
Bố cục luận văn
Luận văn thực hiện được chia làm 6 chương với nội dung như sau:
Chương 2: Tổng quan vè đề tài nghiên cứu
Chương 3: Cơ sở lý thuyết
Chương 4: Phát triển thuật toán lai ghép DA-PSO đa mục tiêu để giải quyết bài toán tối ưu
Chương 5: Phát triển thuật toán lai ghép DA-PSO đa mục tiêu kết hợp phương pháp ra quyết định đa tiêu chí để giải quyết bài toán tối ưu
Chương 6: Kết luận và định hướng
TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
Các nghiên cứu trước đây liên quan về tối ưu bố trí mặt bằng xây dựng
Việc bố trí mặt bằng xây dựng yêu cầu nhiều yếu tố và cần sử dụng các thuật toán với cấu hình máy tính mạnh để thực hiện nhanh chóng và hiệu quả Các phương pháp chính xác như thuật toán kết hợp, rẽ nhánh và ràng buộc mặt phẳng cắt tuy hiệu quả nhưng đòi hỏi thời gian và độ phức tạp cao Do đó, các phương pháp tối ưu Heuristic và Metaheuristic đã được nghiên cứu để tìm ra giải pháp gần với giá trị tối ưu trong thời gian hạn chế Giải quyết các vấn đề CSLP dưới dạng mô hình toán học đã chứng minh độ tin cậy trong thực tế, với các mô hình như lập trình số nguyên, lập trình tuyến tính và lập trình tuyến tính hỗn hợp số nguyên Lập trình ràng buộc cũng đã được áp dụng cho các dự án lớn nhằm sử dụng hiệu quả tài nguyên.
Khi ràng buộc và mục tiêu bài toán thay đổi thành đa mục tiêu, độ phức tạp của bài toán tăng lên, đòi hỏi các thuật toán phù hợp với từng mô hình khác nhau Thuật toán Heuristic đã được áp dụng cho nhiều mô hình như thứ tự của Fondahl (1961), cấu trúc của Prager (1963), xấp xỉ độ dốc chi phí hiệu quả của Siemens (1971), và độ cứng của cấu trúc chi phí Moselhi (1993) Mặc dù có thể thực hiện thủ công mà không cần máy tính, thuật toán Heuristic chỉ phù hợp với bài toán đơn mục tiêu do tính phức tạp của bài toán đa mục tiêu Để khắc phục những hạn chế này, thuật toán Metaheuristic đã được nghiên cứu và phát triển, lấy cảm hứng từ tính thông minh trong tự nhiên, bao gồm thuật toán di truyền GA của Holland, thuật toán tối ưu đàn kiến (ACO) của Dorigo, thuật toán tối ưu bầy đàn của Eberhart và Kennedy, thuật toán tiến hóa vi phân của Storm và Price, và thuật toán bầy ong nhân tạo ABC của Karaboga và Basturk Một số nghiên cứu về bố trí mặt bằng cũng đã được thực hiện.
Năm Tác giả Hướng nghiên cứu
Lập hệ thống bố trí mặt bằng xây dựng dựa trên kết hợp CAD và thuật toán di truyền [26]
Nghiên cứu này áp dụng phần mềm CAD và thuật toán di truyền để giải quyết bài toán tổng hợp các mục tiêu mà không xác định rõ mục tiêu cụ thể Phương pháp này dựa trên các ràng buộc chồng chéo và ranh giới của mặt bằng nhằm tối ưu hóa vấn đề Quá trình này yêu cầu sự kết hợp phức tạp giữa bản vẽ, công thức và thuật toán.
Năm 2008, Hong Zhang và Jia Yuan Wang đã ứng dụng thuật toán Tối ưu hóa bầy đàn (PSO) để giải quyết vấn đề bất bình đẳng khu vực liên quan đến việc bố trí cơ sở vật chất không đồng đều trên công trường xây dựng.
Nghiên cứu này tập trung vào việc tối ưu hóa chi phí cho mặt bằng bằng cách xác định 9 cơ sở tạm cần bố trí vào 11 vị trí khả thi đã được chỉ định trước.
Hệ thống bầy kiến Max-Min được áp dụng để giải quyết vấn đề quy hoạch bố trí công trường xây dựng trong một khu vực giả định của dự án quy mô vừa, nhằm mục tiêu giảm thiểu việc vận chuyển giữa các luồng công việc.
Nghiên cứu này tập trung vào việc tối ưu hóa chi phí luồng vận chuyển bằng cách áp dụng thuật toán đàn kiến, dựa trên bài toán có 9 cơ sở, trong đó có 3 cơ sở có vị trí cố định.
Kiểm soát an toàn công trường sử dụng mô hình ACO [28]
Nghiên cứu này tập trung giải quyết vấn đề quản lý an toàn, trên cơ sở ứng dụng thuật toán ACO
Sử dụng chung bài toán với nghiên cứu ở trên đồng thời sử dụng giá trị tương đương SE trong vấn đề an toàn
Lập kế hoạch bố trí công trường xây dựng động đa mục tiêu ứng dụng Fuzzy ngẫu nhiên [29]
Nghiên cứu này giải quyết vấn đề giảm thiểu chi phí và đảm bảo an toàn cho mặt bằng công trường
Sử dụng thuật toán MOPSO kết hợp với Fuzzy ngẫu nhiên, bài viết này tập trung vào việc tối ưu hóa các vị trí đã được xác định trước Giải pháp được đưa ra nhằm tối thiểu hóa một mục tiêu trong khi tối đa hóa các mục tiêu còn lại.
Lập kế hoạch bố trí mặt bằng công trường sử dụng thuật toán bầy ong nhân tạo [30]
Nghiên cứu này tập trung vào việc giải quyết bài toán đa mục tiêu liên quan đến chi phí và an toàn thông qua thuật toán MOABC Kết quả cho thấy có ba giải pháp hiệu quả hơn so với dữ liệu gốc, dựa trên quan điểm chủ quan của tác giả.
Mô hình lập trình phi tuyến số nguyên hỗn hợp đa mục tiêu được áp dụng trong quy hoạch mặt bằng xây dựng nhằm giảm thiểu ô nhiễm tiếng ồn và chi phí vận chuyển.
Nghiên cứu này tập trung vào việc tối ưu hóa chi phí vận chuyển và giảm thiểu tiếng ồn thông qua việc áp dụng mô hình phi tuyến số nguyên hỗn hợp đa mục tiêu.
Sử dụng phương pháp ↋- ràng buộc để giải quyết vấn đề đa mục tiêu
Mô hình đánh giá rủi ro an toàn cho lập kế hoạch bố trí mặt bằng xây dựng [31]
Nghiên cứu này tập trung vào việc tối ưu hóa mặt bằng nhằm giảm thiểu rủi ro, bao gồm cả luồng tương tác và mối quan tâm về an toàn Phân tích được thực hiện dựa trên các yếu tố định tính và định lượng, từ đó đánh giá các yếu tố rủi ro một cách hiệu quả.
Jinggyan Qi Chulin Wu Wenjuan Wang
Giảm thiểu tiếng ồn thông qua bố trí mặt bằng xây dựng đa mục tiêu Sử dụng GA-ACO kêt hợp trọng số (AHP) [32]
Nghiên cứu này tập trung vào bài toán đa mục tiêu bằng cách áp dụng thuật toán GA-ACO, trong đó tác giả đã đề xuất 5 giải pháp trong tập Pareto dựa trên các yếu tố chủ quan Tiếp theo, AHP được sử dụng để chuyển đổi các giải pháp này thành trọng số quy đổi nhằm xác định giải pháp ưu thế nhất Tuy nhiên, hiện tại vẫn chưa có phương pháp thống nhất nào để xác định giải pháp đáng tin cậy nhất.
Tối ưu hóa mặt bằng xây dựng xem xét chi phí và an toàn trong môi trường động Sử dụng phần mềm LINGO [33]
Nghiên cứu này tập trung vào việc tối ưu hóa mặt bằng nhằm đạt được hai mục tiêu chính là giảm chi phí và giảm rủi ro Phần mềm Lingo được sử dụng để giải quyết bài toán liên quan đến 10 vị trí khả thi cho việc bố trí 10 cơ sở, phù hợp với từng giai đoạn của dự án Các ràng buộc bao gồm tính chồng chéo của các cơ sở và đảm bảo rằng vị trí có thể xây dựng được cơ sở tạm về mặt diện tích.
Tối ưu bố trí mặt bằng xây dựng đã được nghiên cứu sâu rộng, với nhiều phương pháp và thuật toán cho thấy hiệu quả cao Tuy nhiên, các thuật toán hiện tại vẫn còn hạn chế do sử dụng ở dạng nguyên bản, dẫn đến không gian tìm kiếm nhỏ và rủi ro cao, gây ra tối ưu cục bộ Nghiên cứu thường tập trung vào một mục tiêu cụ thể và sử dụng các phương trình toán học phức tạp Vấn đề đa mục tiêu thường được quy về đơn mục tiêu hoặc dựa trên yêu cầu của một mục tiêu nhất định Do đó, nghiên cứu này hướng đến việc áp dụng thuật toán mới, hiệu quả hơn để giải quyết bài toán đa mục tiêu và ra quyết định đa tiêu chí một cách chính xác.
Các nghiên cứu ứng dụng thuật toán chuồn chuồn (DA)
Thuật toán chuồn chuồn DA là một phương pháp mới, đã chứng minh hiệu quả trong nhiều lĩnh vực khác nhau gần đây, như được thể hiện trong bảng dưới đây.
Năm Tác giả Đề tài nghiên cứu
Thuật toán chuồn chuồn: Kỹ thuật tối ưu hóa meta-heuristic mới - giải quyết các vấn đề đơn mục tiêu, rời rạc và đa mục tiêu [34]
Raid M Khalil, Mohammed Azmi Al-B,
Thuật toán chuồn chuồn để giải quyết vấn đề di chuyển của viên bán hàng [35]
Thuật toán tối ưu hóa DA-PSO để giải quyết vấn đề đa mục tiêu dòng công suất [36]
Tối ưu hóa thời gian, chi phí và độ nhám trong quá trình mài sử dụng thuật toán chuồn chuồn đa mục tiêu [37]
Thuât toán chuồn chuồn để giải quyết bài toán tải trọng kinh tế theo xác xuất [38] Bảng 2.2: Các nghiên cứu liên quan đến DA
Thuật toán PSO, được phát triển từ sớm, đã chứng tỏ tính ứng dụng rộng rãi trong nhiều lĩnh vực như hàng không vũ trụ, công nghệ sinh học, kỹ thuật hóa học, và khai thác dữ liệu Nhiều nghiên cứu đã chỉ ra sự đa dạng trong ứng dụng của PSO, chẳng hạn như thuật toán MOPSO trong vận hành đa năng hồ chứa, hay việc xác định các dấu hiệu gen không dư thừa từ dữ liệu biểu hiện gen Ngoài ra, PSO còn được áp dụng để tối ưu hóa thiết kế đa mục tiêu cho các cấu trúc tổng hợp và quản lý năng lượng trong các lưới điện siêu nhỏ Các nghiên cứu khác cũng cho thấy khả năng tối ưu hóa công suất hệ thống năng lượng mặt trời/pin nhiên liệu và lập kế hoạch đường đi cho robot di động bằng cách sử dụng đường cong Bezier.
Nhiều nghiên cứu đã chỉ ra rằng các phương pháp Metaheuristic nổi bật trong việc giải quyết các vấn đề tối ưu đa mục tiêu Mỗi thuật toán đều có những ưu điểm riêng, phù hợp với từng loại vấn đề khác nhau.
Các thuật toán tiên tiến đang được nghiên cứu và phát triển để giải quyết hiệu quả các vấn đề khác nhau Thuật toán DA đã chứng minh tính hiệu quả trong một số lĩnh vực và cho thấy sự vượt trội trong một số bài toán nhất định Tuy nhiên, thuật toán này vẫn gặp phải những hạn chế như không lưu trữ quá khứ và không gian tìm kiếm rộng, dẫn đến thời gian tìm kiếm lâu hơn và tối ưu cục bộ Để khắc phục, việc kết hợp lai ghép các thuật toán là cần thiết Nghiên cứu này nhằm phát triển một thuật toán lai ghép và ứng dụng vào bài toán tối ưu đa mục tiêu trong bố trí mặt bằng xây dựng Áp dụng thuật toán lai ghép DA-PSO trong lĩnh vực xây dựng cho thấy hiệu quả và tính khả thi của mô hình, đồng thời kết hợp phương pháp ra quyết định đa tiêu chí để tìm ra giải pháp tối ưu giữa các mục tiêu.
CƠ SỞ LÝ THUYẾT
Bố trí mặt bằng xây dựng
Trong thi công công trình, lập kế hoạch bố trí mặt bằng công trường là nhiệm vụ quan trọng, ảnh hưởng lớn đến chi phí, hiệu suất lao động và an toàn của người lao động Bố trí mặt bằng xây dựng xác định vị trí các cơ sở tạm thời như phòng làm việc, khu vực nghỉ ngơi, khu thi công, kho vật tư, thiết bị, và giám sát cổng ra vào Việc này bao gồm các công việc cần thiết để hỗ trợ cho các hoạt động thi công khác nhau trên công trường.
Xác định kích thước phù hợp nhất của các cơ sở được bố trí trên mặt bằng
Xác định các ràng buộc (nếu có) của các sơ sở này
Xác định vị trí của các cơ sở trên mặt bằng công trường phù hợp các điều kiện ràng buộc đồng thời tối ưu được mục tiêu đề ra
Bố trí mặt bằng công trường là nhiệm vụ quan trọng trong quản lý không gian, nhằm sắp xếp các cơ sở một cách hợp lý và hiệu quả nhất trong giới hạn của công trường.
Bố trí mặt bằng công trường là một vấn đề phức tạp, thường được thực hiện dựa trên kinh nghiệm cá nhân của người quản lý xây dựng và nhà thầu Họ thường sắp xếp các cơ sở theo thứ tự thực hiện, dẫn đến sự mơ hồ và có thể gây ra sự không chính xác cũng như hiệu quả chưa cao trong quá trình thi công.
Bố trí mặt bằng công trường là yếu tố quan trọng để đảm bảo sự mạch lạc và thống nhất trong quá trình thi công, giúp tránh xung khắc hoạt động và nâng cao an toàn Một mặt bằng hợp lý không chỉ giảm thiểu việc thay đổi vị trí các cơ sở mà còn bảo đảm hiệu quả dự án Do đó, nhiều nghiên cứu và phương pháp đã được áp dụng nhằm tối ưu hóa chi phí bố trí mặt bằng công trường Mục tiêu của việc bố trí mặt bằng xây dựng có sự đa dạng và khác nhau tùy theo từng dự án, nhưng có thể nêu ra một số mục đích chính.
Giảm thiểu chi phí (giảm thiểu thời gian thi công)
Giảm thiểu rủi ro giữa các luồng hoạt động
Tăng mức độ an toàn trên công trường
Tăng hiệu quả làm việc và năng suất lao động
Giảm thiểu ô nhiễm môi trường
Tối ưu đa mục tiêu
Tối ưu hóa là quá trình xác định kết quả tốt nhất hoặc gần nhất trong giới hạn của một vấn đề Các vấn đề tối ưu hóa cơ bản thường liên quan đến việc tìm kiếm giá trị lớn nhất hoặc nhỏ nhất, bao gồm cả các bài toán đơn mục tiêu và đa mục tiêu.
Tối ưu đa mục tiêu (MOO) là quá trình tối ưu hóa đồng thời nhiều hàm mục tiêu có tính chất xung đột, đóng vai trò quan trọng trong các vấn đề thực tiễn Việc mô hình hóa các mục tiêu xung đột giúp phản ánh chính xác các thách thức trong cuộc sống Mặc dù các phương pháp truyền thống thường chuyển đổi vấn đề đa mục tiêu thành đơn mục tiêu để giải quyết, nhiều thuật toán hiện đại đã được phát triển nhằm tối ưu hóa hiệu quả hơn cho các bài toán đa mục tiêu.
Các vấn đề tối ưu hóa đa mục tiêu (MOO) đã được nghiên cứu và giải quyết bằng nhiều phương pháp khác nhau Một trong những phương pháp nổi bật là phương pháp tiêu chí toàn cục, được đề xuất bởi Miettinen (1999) và Zeleny (1973), cho phép chuyển đổi các vấn đề MOO thành một vấn đề duy nhất thông qua việc giảm thiểu các tham chiếu và khu vực khả thi Điểm tham chiếu trong phương pháp này được coi là giải pháp lý tưởng.
Phương pháp tổng trọng số, được nghiên cứu bởi nhiều tác giả như Das và Dennis (1997), Triantaphyllou và cộng sự (1998), Kim và Weck (2005), Odu và Charles-Owaba (2013), kết hợp tất cả các vấn đề thành một vấn đề duy nhất thông qua véc tơ trọng số Mặc dù phương pháp này dễ sử dụng, nhưng nó gặp khó khăn trong việc định lượng trọng số và có thể phát sinh vấn đề với các ràng buộc phức tạp Phương pháp ε-ràng buộc cũng đã được áp dụng để giải quyết bài toán đa mục tiêu bằng cách tối ưu từng mục tiêu trong khi giới hạn các mục tiêu còn lại (Haimes, Lasdon và Wismer, 1971) Một số phương pháp khác cũng đã được sử dụng, nhưng chúng cho thấy sự phức tạp và hạn chế trong việc áp dụng các phương trình toán học Do đó, phương pháp Pareto nổi bật với ưu điểm không yêu cầu các phương trình phức tạp và có khả năng giải quyết vấn đề một cách hiệu quả.
Giải quyết vấn đề với các mục tiêu mâu thuẫn đồng thời thông qua giải pháp tối ưu đa mục tiêu (MOO) dẫn đến một tập hợp các giải pháp tối ưu không ưu thế, hay còn gọi là bộ Pareto, thay vì chỉ tìm ra một giải pháp tối ưu nhất Mỗi giải pháp tối ưu đều là sự đánh đổi giữa các mục tiêu khác nhau, và không thể tìm ra giải pháp ưu thế tuyệt đối cho tất cả các hàm mục tiêu Vấn đề tối ưu hóa đa mục tiêu với k hàm mục tiêu, m đẳng thức ràng buộc và p dạng ràng buộc bất đẳng thức có thể được biểu diễn bằng công thức toán học.
Thỏa mãn các ràng buộc:
Trong bài toán tối ưu đa mục tiêu, véc tơ hàm mục tiêu được ký hiệu là \$f(X)\$, với số lượng hàm mục tiêu là \$k\$ Các ràng buộc bất bình đẳng được biểu diễn bằng \$g_i(X) \geq 0\$ và các ràng buộc bình đẳng bằng \$h_i(X) = 0\$ Số lượng ràng buộc bất bình đẳng và bình đẳng lần lượt là \$m\$ và \$p\$ Các giải pháp được ký hiệu là \$X = (x_1, x_2, \ldots, x_n)^T\$, là véc tơ của \$n\$ biến quyết định trong không gian tương thích \$D\$ Mục tiêu của việc giải quyết bài toán này là xác định tập hợp véc tơ \$X\$ mang lại giá trị tối ưu cho tất cả các hàm mục tiêu từ tập \$D\$ của tất cả các véc tơ thỏa mãn các điều kiện ràng buộc.
Trong tối ưu hóa, mục tiêu là tìm ra giải pháp tối ưu nhất Tuy nhiên, trong tối ưu hóa đa mục tiêu, giải pháp được xác định từ tập hợp Pareto Để lựa chọn giải pháp tốt hơn, khái niệm ưu thế được sử dụng, được định nghĩa như sau [51].
Giải pháp X a (x , x a,1 a,2 , , x a,n ) T ưu thế hơn X b (x , x b,1 b,2 , , x b,n ) T nếu thỏa mãn cả 2 điều kiện sau:
1 i (1, 2, , k) : f ( i X a ) f X i ( b ) Giải pháp Xa không kém hơn Xb trong tất cả các hàm mục tiêu
2 m (1, 2, , ) : f (k i X a ) f X i ( b ) Giải pháp Xa là nghiệm tốt hơn Xb trong ít nhất một hàm mục tiêu
Khi so sánh hai giải pháp khác nhau Xa và Xb, có ba khả năng về mối quan hệ ưu thế giữa chúng
Xa ưu thế hơn Xb
Xa bị chi phối bởi Xb
Cả Xa và Xb đều không bị chi phối bởi nhau
Giải pháp không bị ưu thế chỉ ra rằng không có giải pháp mới nào vượt trội hơn giải pháp cũ Tập hợp các giải pháp không bị chi phối trong không gian quyết định khả thi được gọi là tập tối ưu Pareto Đường bao xác định tập hợp tất cả các điểm từ tập tối ưu Pareto được gọi là mặt trước tối ưu Pareto.
Hình 3.1: Mặt trước tập tối ưu Pareto
Tổng quan về thuật toán chuồn chuồn (DA)
Trong lịch sử tối ưu hóa, nhiều phương pháp, bao gồm cả thuật toán chính xác và gần đúng, đã được nghiên cứu để giải quyết các vấn đề tối ưu hóa Đặc biệt, phương pháp Meta-heuristic được Glover đề xuất lần đầu tiên.
Phương pháp Meta-heuristic, được phát triển từ năm 1986 và vẫn đang mở rộng cho đến nay, nhằm tìm ra giải pháp tối ưu hoặc gần tối ưu cho các vấn đề trong giới hạn thời gian Nguyên lý cơ bản của phương pháp này là mô phỏng trí thông minh tự nhiên kết hợp với công cụ của trí tuệ nhân tạo.
Meta-heuristic có thể chia thành một số nhóm như thuật toán thông minh bầy đàn, thuật toán dựa vật lý hay thuật toán tiến hóa
Thuật toán tiến hóa Thuật toán dựa trên bầy đàn Thuật toán dựa trên vật lý
Tối ưu hóa bầy đàn
Tối ưu hóa đàn kiến
Tối ưu hóa đàn ong
Tối ưu hóa đàn cá
Tối ưu hóa bầy dơi
Phản ứng hóa học nhân tạo
Hình 3.2 Các thuật toán tối ưu Meta-heurstic
Thuật toán chuồn chuồn DA, được phát triển bởi Mirjalii vào năm 2016, là một trong những thuật toán mới nổi Thuật toán này dựa trên hành vi thông minh tự nhiên của đàn chuồn chuồn trong việc tìm kiếm thức ăn và né tránh kẻ thù.
Chuồn chuồn là loài côn trùng đã sinh sống trên trái đất với lịch sử lâu đời, khoảng
Trong suốt 300 triệu năm, có hơn 4500 loài chuồn chuồn trên toàn cầu, trong đó Việt Nam sở hữu gần 500 loài Vòng đời của chuồn chuồn trải qua 3 giai đoạn: trứng, ấu trùng và chuồn chuồn trưởng thành.
Hình 3.3: Vòng đời chuồn chuồn
Chuồn chuồn là loài côn trùng nhỏ nhưng là những kẻ săn mồi hiệu quả, chủ yếu ăn các loại côn trùng như sâu, ruồi, muỗi và cá nhỏ Chúng sống thành bầy đàn, với hai hình thức di chuyển: bầy tĩnh và bầy động Trong bầy tĩnh, chuồn chuồn chia thành các nhóm nhỏ, bay trong khu vực nhất định và có sự khác biệt về chuyển động, ảnh hưởng đến toàn bộ đàn Ngược lại, trong bầy động, chúng di chuyển theo một hướng chung trong thời gian dài Hành vi bầy đàn của chuồn chuồn đã được các nhà khoa học nghiên cứu để ứng dụng vào tối ưu hóa, tương tự như cơ sở của thuật toán meta-heuristic với các giai đoạn thăm dò và khai thác dữ liệu.
3.3.2 Thuật toán chuồn chuồn DA
Theo Reynolds, có 3 nguyên tắc cơ bản của bầy đàn được thể hiện như sau [52]:
Tách biệt, tránh va chạm giữa các cá thể trong khu vực lân cận
Căn chỉnh, điều chỉnh sự phù hợp về tốc độ của các cá thể cho phù hợp với các cá thể khác trong bầy đàn
Liên kết xu hướng của các cá thể đối với trung tâm của bầy đàn
Mục đích chính của bầy đàn là sinh tồn và phát triển, thể hiện qua hai quá trình quan trọng: tìm kiếm nguồn thức ăn và tránh xa kẻ thù Đàn chuồn chuồn có thể được phân tích qua 5 yếu tố, như được minh họa trong hình.
Hình 3.4: Năm yếu tố cấu thành tập tính đàn chuồn chuồn Trong đó:
- Attraction to food: Sự thu hút đến nguồn thức ăn
- Distraction from enemy: Sự tránh né kẻ thù
Công thức toán học của đàn chuồn chuồn được thể hiện như sau:
Trong đó: X là vị trí của cá thể hiện tại, Xj là vị trí của cá thể lân cận thứ j, và N là số lượng cá thể lân cận
Trong đó: Vj thể hiện vận tốc cá thể lân cận thứ j
Trong đó: X là vị trí của cá thể hiện tại, Xj là vị trí của cá thể lân cận thứ j, và N là số lượng cá thể lân cận
Sự thu hút đến nguồn thức ăn
Sự thu hút đến nguồn thức ăn được tính theo công thức sau:
Trong đó: X là vị trí của cá thể hiện tại, X + thể hiện vị trí của nguồn thức ăn
Vị trí nguồn thức ăn đóng vai trò quan trọng trong bài toán tối ưu bố trí mặt bằng, vì đây là vị trí ưu thế nhất hiện tại của bầy chuồn chuồn Sự hấp dẫn của vị trí này sẽ thu hút bầy chuồn chuồn, khiến chúng có xu hướng tập trung về đây.
Sự tránh né kẻ thù
Trong đó: X là vị trí của cá thể hiện tại, X - thể hiện vị trí của kẻ thù
Hành vi của chuồn chuồn được phân tích qua 5 mô hình khác nhau Để theo dõi vị trí của chuồn chuồn nhân tạo trong không gian tìm kiếm, chúng ta sử dụng mô phỏng chuyển động dựa trên hai véc tơ: véc tơ bước (∆X) và véc tơ vị trí.
(X) Véc tơ bước thể hiện hướng chuyển động của chuồn chuồn và vị trí được xác định như sau:
Công thức \$\Delta X_{t+1} = (sS_i + \alpha A_i + cC_i + fF_i + eE_i) + \Delta w X_t\$ (3.3.6) mô tả sự thay đổi của biến \$X\$ tại thời điểm bước lặp \$t\$ Trong đó, \$s\$ là trọng số tách biệt, \$\alpha\$ là trọng số căn chỉnh, \$c\$ là trọng số gắn kết, \$f\$ là nhân tố thức ăn, \$e\$ là nhân tố kẻ thù, và \$w\$ là trọng số quán tính.
Si là sự tách biệt của cá thể thứ i, Ai là sự căn chỉnh của cá thể thứ i, Ci là sự gắn kết của cá thể thứ i, Fi là nguồn thức ăn của cá thể thứ i, và Ei là vị trí của kẻ thù của cá thể thứ i.
Sau khi tính toán véc tơ bước của độ dich chuyển, véc tơ vị trí được cập nhật theo công thức sau:
Trong đó: t là lần lặp hiện tại
Trong suốt quá trình tối ưu các trọng số được tìm kiếm và khai thác theo mỗi vòng lặp cho đến khi kết thúc quá trình tìm kiếm
Hai trạng thái tĩnh và động của đàn chuồn chuồn được thể hiện như hình dưới
Trong trạng thái động, chuồn chuồn bay thẳng hàng, duy trì sự tách biệt và gắn kết trong đàn, trong khi ở trạng thái tĩnh, sự căn chỉnh thấp nhưng gắn kết cao để tấn công con mồi Điều này dẫn đến việc sử dụng trọng số điều chỉnh cao và trọng số gắn kết thấp khi khám phá không gian tìm kiếm, ngược lại với trọng số điều chỉnh thấp và trọng số gắn kết cao khi khai thác Quá trình chuyển đổi giữa tham dò và khai thác liên quan đến việc tăng khoảng cách của các vùng lân cận theo tỷ lệ thuận với số vòng lặp Trong tối ưu hóa, chúng ta có thể điều chỉnh trọng số để thích nghi với quá trình thăm dò và khai thác dữ liệu.
Trong đàn chuồn chuồn, các cá thể luôn thay đổi để chuyển đổi giữa hai quá trình khám phá và khai thác không gian tìm kiếm Quá trình tối ưu hóa cũng làm tăng kích thước đàn chuồn chuồn, điều chỉnh sự di chuyển và mở rộng khu vực lân cận Ở giai đoạn cuối, đàn chuồn chuồn thường tạo thành nhóm để hội tụ tới mức tối ưu toàn cục Các giải pháp tốt nhất và xấu nhất được tìm thấy, dẫn đến sự hội tụ về phía tiềm năng của không gian tìm kiếm và phân kỳ ở các khu vực không hứa hẹn Để cải thiện tính ngẫu nhiên và hành vi khám phá của chuồn chuồn nhân tạo, chúng được yêu cầu bay quanh không gian tìm kiếm bằng cách đi bộ ngẫu nhiên (Levy flight) khi không có giải pháp lân cận Vị trí của chuồn chuồn sẽ được cập nhật theo công thức cụ thể.
X X Levy d X (3.3.8) Trong đó: t là vòng lặp hiện tại, d là khoảng cách của véc tơ vị trí
Levy flight được tính theo công thức sau:
Trong đó: r1, r2 là hệ số ngẫu nhiên trong khoảng [0,1], β là hằng số và σ được tính bởi công thức sau:
Các bước cơ bản của thuật toán chuồn chuồn DA có thể được tóm tắt dưới dạng pseudo-code như sau:
Khởi tạo quần thể chuồn chuồn X i (i=1,2,3, n)
Khởi tạo véc tơ bước X i ) (i=1,2,3, n)
While i u i n cu i c ng chưa th a n>
- nh gi t c tiêu c a t t c chuồn chuồn.
- p nh t nguồn th c ăn v th
- nh to n S, A, C, F, v E b ng c c công th c từ 3.3.1) đến 3.3.5)
- p nh t b n nh lân c n if chuồn chuồn c t nh t 1 chuồn chuồn lân c n>
- p nh t véc tơ bước ng công th c (3.3.6)
- p nh t véc tơ v t ng công th c (3.3.7) Else p nh t véc t v t b ng công th c (3.3.8) End if
Kiểm tra v chu n c v t ới a trên ranh giới c a c c biến.
Hình 3.6: Pseudo-codes của thuật toán chuồn chuồn
Tổng quan về thuật toán tối ưu bầy đàn (PSO)
Thuật toán tối ưu bầy đàn (PSO) là một kỹ thuật meta-heuristic, được phát triển bởi Kenedy và Eberhart vào năm 1995, dựa trên hành vi thông minh của các bầy đàn như chim, cá và côn trùng PSO đã được ứng dụng rộng rãi trong khoa học máy tính và nhiều lĩnh vực khác nhờ vào tính đơn giản, linh hoạt và khả năng hạn chế tối ưu cục bộ Trí thông minh bầy đàn thể hiện khả năng thích ứng của các cá thể trong môi trường sống thông qua sự hợp tác để tìm kiếm thức ăn, đồng thời mỗi cá thể có khả năng tự học và điều chỉnh theo cá thể khác nhằm đạt được vị trí tốt hơn Để nghiên cứu hành vi bầy đàn trong PSO, năm nguyên tắc cơ bản được tuân thủ.
Gần nhau: Bầy đàn có thể thực hiện như các phép tính không gian và thời gian đơn giản
Chất lượng: Bầy đàn phải có sự nhận thức về sự thay đổi của môi trường và phản ứng với nó
Phản ứng đa dạng: Bầy đàn không nên giới hạn cách thức của mình để lấy nguồn tài nguyên trong phạm vi hẹp
Tính ổn định: Không phải với bất kỳ thay đổi nào của môi trường đều làm thay đổi hành vi của bầy đàn
Khả năng thích ứng: Bầy đàn nên thay đổi thích ứng hành vi của mình khi mà sự thay đổi của môi trường này là xứng đáng
Trong thuật toán PSO, các cá thể có khả năng cập nhật vị trí và vận tốc của mình dựa trên sự thay đổi đáng kể của môi trường xung quanh.
Hình 3.7: Eberhart (bên trái) và Kenedy (bên phải)
3.4.2 Thuật toán tối ưu bầy đàn PSO
PSO (Particle Swarm Optimization) là một thuật toán tối ưu hóa mô phỏng theo hành vi di chuyển của bầy đàn, trong đó mỗi cá thể tự điều chỉnh để tìm kiếm vị trí tốt nhất Theo Marini và Walczak (2015) và Jia và Guo (2016), quá trình này diễn ra thông qua sự di chuyển thông minh của các cá thể trong không gian tìm kiếm Mỗi cá thể không chỉ tìm kiếm vị trí tối ưu của riêng mình mà còn dựa vào vị trí tốt nhất của cá thể khác trong bầy đàn Kết quả đạt được là sự kết hợp giữa việc tự học hỏi và học hỏi từ các cá thể khác, tạo ra một mạng lưới trao đổi thông tin hiệu quả trong bầy đàn.
Khởi tạo quần thể bầy đ n ban đầu Đánh giá giá trị của hàm thích nghi
Cập nhật giá trị Điều kiện kết thúc
Khởi tạo các cá thể ban đầu
Tính giá trị pbest và gbest
Hình 3.8: Lưu đồ cơ bản của thuật toán PSO
Thuật toán PSO tối ưu hóa thông qua việc cập nhật vị trí của các cá thể trong bầy đàn Mỗi cá thể được coi là một điểm trong không gian tìm kiếm, với vị trí và tốc độ riêng Các cá thể khởi đầu với vị trí và vận tốc ngẫu nhiên, sau đó được cập nhật liên tục để đạt được các vị trí tốt hơn Quá trình này dựa vào vị trí tốt nhất mà cá thể đã đạt được trong quá khứ (personal best) và vị trí tốt nhất của toàn bầy đàn (global best).
Trong không gian tìm kiếm D-chiều, vị trí của cá thể thứ i tại vòng lặp thứ t được xác định bởi véc tơ vị trí \$\mathbf{x}_{i}^{t} = (x_{i1}^{t}, x_{i2}^{t}, \ldots, x_{iD}^{t})\$ và véc tơ vận tốc \$\mathbf{v}_{i}^{t} = (v_{i1}^{t}, v_{i2}^{t}, \ldots, v_{iD}^{t})\$.
Vị trí tốt nhất của cá thể thứ i tại vòng lặp thứ t được biểu diễn là \$p_{i}^{t} = (p_{i1}^{t}, p_{i2}^{t}, \ldots, p_{iD}^{t})\$ và vị trí tốt nhất của bầy đàn là vị trí mà bất kỳ cá thể nào trong bầy đã trải qua trong khoảng thời gian 'g'.
Khi đó vận tốc của cá thể thứ i được tính toán theo công thưc sau:
+ ( t ) ( t ) t t t t id id c r p id id c r p gd id v v x x (3.4.1)
Khi đó vị trí được tính toán cập nhật theo công thức:
Trong đó, \(d=1,2,…,D\) đại diện cho chiều và \(i=1,2,…,S\) đại diện cho chỉ số cá thể, với \(S\) là kích thước của bầy đàn Các hằng số nhận thức và xã hội được ký hiệu là \(c_1\) và \(c_2\), trong khi \(r_1\) và \(r_2\) là các số ngẫu nhiên trong khoảng \([0,1]\) Theo các công thức (3.4.1) và (3.4.2), các cá thể được cập nhật độc lập với nhau, và liên kết duy nhất giữa chúng là hàm mục tiêu thông qua các vị trí tốt nhất \(gbest\) và \(pbest\).
Ta thấy trong trong công thức gồm có 3 thành phần:
Thành phần đầu tiên là véc tơ vận tốc v quá khứ, một thuật ngữ động lượng giúp lưu trữ hướng chuyển động trước đó, ngăn cản cá thể thay đổi hướng một cách đột ngột.
Thành phần thứ hai trong quá trình tìm kiếm là bản ngã, giúp cá thể ghi nhớ vị trí tốt nhất mà nó đã đạt được trước đó Nhờ vào thành phần này, vị trí hiện tại của cá thể được kéo về phía vị trí tốt nhất, ngăn chặn việc di chuyển lang thang và đảm bảo hiệu quả trong quá trình tìm kiếm.
Thành phần xã hội trong bầy đàn đóng vai trò quan trọng trong việc chia sẻ thông tin, giúp các cá thể thu hút về phía tốt nhất của nhóm Mỗi cá thể có khả năng tự học hỏi từ những thành viên khác, từ đó nâng cao khả năng sinh tồn và phát triển của cả bầy.
Để nâng cao hiệu quả tối ưu hóa và tăng tốc độ hội tụ của thuật toán, Shi và Eberthart [56] đã đề xuất điều chỉnh bằng hệ số $\omega$.
+ ( t ) ( t ) t t t t id id c r p id id c r p gd id v v x x (3.4.3)
Bài toán đa mục tiêu bố trí mặt bằng xây dựng
3.5.1 Tối ưu hóa mục tiêu tiếng ồn Ô nhiễm mỗi trường và đặc biệt là ô nhiễm tiếng ồn từ thi công xây dựng là một trong những nhân tố chính ảnh hưởng đến sức khỏe người lao động và môi trường sống tự nhiên Tuy nhiên trước đây, trong quá trình đô thị hóa chúng ta thường không quan tâm đến vấn đề này cho đến những năm gần đây Tối ưu bố trí mặt bằng công trường là một trong những giải pháp nhằm giảm thiểu ô nhiễm tiếng ồn trên công trường Để giải quyết vấn đề tiếng ồn bằng toán học cần giả thiết rằng, cùng một loại công việc được đặt tại trung tâm của các cơ sở tương ứng Khoảng cách giữa nguồn gây ra tiếng ồn và loại công việc trong hoạt động xây dựng trong cơ sở (cơ sở nhận tiếng ồn) là cơ sở xác định mức độ ô nhiễm của tiếng ồn Mối quan hệ giữa nguồn tiếng ồn và khoảng cách đến sơ sở nhận tiếng ồn là một mối quan hệ suy giảm Để thể hiện mức độ tiếng ồn ở các mức độ khác nhau, đã sử dụng mức độ tiếng ồn tương đương LA eq được xem xét [12]
LA eq được sử dụng để đo mức độ tiếng ồn từ các cơ sở do hoạt động của thiết bị và máy móc xây dựng Mỗi cơ sở tạm thời i đều tạo ra các nguồn tiếng ồn, do đó, tổng mức độ tiếng ồn không chỉ phụ thuộc vào nguồn chính tại i mà còn bị ảnh hưởng bởi các nguồn tiếng ồn lân cận.
Mức độ tiếng ồn tổng thể của một cơ sở được xác định bởi tất cả các nguồn tiếng ồn từ cơ sở đó và các cơ sở lân cận Đối với mức độ tiếng ồn của loại công việc trong cơ sở i (i=1,2,…,m) phát sinh từ cơ sở j (j=1,2,…,m), nó được tính bằng logarit của mỗi nguồn tiếng ồn, được thể hiện qua các công thức cụ thể.
Mức độ tiếng ồn của hoạt động công việc loại s được ký hiệu là t s, với s = 1, 2, , n Biến e đại diện cho nguồn phát ra tiếng ồn trong cơ sở tương ứng, với e = 1, 2, , r Mức độ âm thanh của nguồn tiếng ồn được thể hiện qua công thức (3.5.2) Nếu loại công việc và nguồn tiếng ồn cùng nằm trong một cơ sở i (i = j), thì mức độ tiếng ồn của nguồn này là tổng logarit của mỗi mức độ nguồn tiếng ồn với chính nó, và giá trị L e được xác định là L A eq.
Trong trường hợp i≠j, mức độ ô nhiễm tiếng ồn được tính bằng tổng logarit của từng mức độ tiếng ồn tại cơ sở j, với giá trị L e < LA eq Điều này phản ánh sự suy giảm tiếng ồn do khoảng cách giữa các cơ sở khác nhau, và giá trị này có thể được xác định thông qua phương trình (3.5.3).
Y là giá trị thể hiện sự suy giảm tiếng ồn theo khoảng cách giữa các cơ sở Khoảng cách Ecuulid, ký hiệu là \(d_{ij}\), luôn lớn hơn hoặc bằng 0 và được tính toán theo công thức sau:
Với x i , y , i x j , y j là tọa độ trung tâm của các cơ sở tương ứng
Tọa độ các cơ sở trên mặt bằng công trường được chia thành lưới ô kích thước 5x5 Tổng ô nhiễm tiếng ồn từ các loại công việc khác nhau được xác định bằng tổng tiếng ồn của từng loại công việc tại cơ sở tương ứng Để giảm thiểu ô nhiễm tiếng ồn tổng thể trên công trường, hàm mục tiêu F1 được tính theo công thức cụ thể.
Để giảm thiểu ô nhiễm tiếng ồn, các cơ sở cần được đặt xa những nguồn phát tiếng ồn cao Công thức suy giảm tiếng ồn được xác định thông qua việc bố trí máy đo giám sát tiếng ồn tại các vị trí khác nhau, sau đó thực hiện phân tích thống kê và hồi quy Nghiên cứu này chỉ tập trung vào sự suy giảm tiếng ồn do khoảng cách, bỏ qua ảnh hưởng của chướng ngại vật và khả năng hấp thụ của môi trường.
3.5.2 Tối ưu hóa mục tiêu rủi ro giữa các luồng hoạt động
Các luồng tương tác giữa các cơ sở trên công trường xây dựng là nguyên nhân chính dẫn đến tai nạn Sơ đồ bố trí các cơ sở tạm thời cùng với các luồng tương tác trong một khu vực có thể được đơn giản hóa như hình dưới đây.
Hình 3.9: Luồng tương tác giữa các cơ sở tạm trên công trường
Luồng tương tác trên công trường bao gồm việc vận chuyển vật liệu, thiết bị và di chuyển của con người Các yếu tố này có thể được định lượng thông qua lượng vật liệu lưu thông hàng ngày, số lượng thiết bị di chuyển và dòng người trên công trường mỗi ngày.
Tần suất tương tác cao làm tăng xác suất va chạm, và số lượng giao cắt giữa các đường đi càng nhiều thì nguy cơ tai nạn càng lớn Việc bố trí hợp lý các vị trí của cơ sở tạm trên công trường có thể nâng cao an toàn và tạo điều kiện thuận lợi cho việc di chuyển.
Hàm mục tiêu thứ 2 được định nghĩa nhằm tối thiểu hóa tổng rủi ro trong các luồng hoạt động chính, với mục tiêu chính là đảm bảo an toàn trên công trường.
2 1 1 1 ij ij ij min np n n 1 p p i j p
Khoảng cách Euclidian giữa các cơ sở i và j được ký hiệu là \$d_{ij}\$, trong đó \$p\$ là giai đoạn hoạt động và \$n\$ là số lượng cơ sở tạm trên công trường Ma trận hoán vị của cơ sở i và j ở giai đoạn thứ \$p\$ được biểu diễn bởi \$P_{ijp}\$ Tuy nhiên, việc xác định chính xác giá trị vận chuyển giữa các cơ sở trong thực tế gặp nhiều khó khăn, điều này dẫn đến việc cần sử dụng các trọng số quy đổi.
Giá trị SE ijp thể hiện mối quan hệ về sự gần gũi trong các vấn đề an toàn và môi trường Dấu âm và nghịch đảo được áp dụng nhằm tối đa hóa khoảng cách giữa các cơ sở có giá trị SE cao hơn.
Nghiên cứu này sử dụng dữ liệu có sẵn từ nhiều công trình thông qua tháng đo tương đường Giá trị SE được tính toán dựa trên yếu tố định lượng và định tính, do đó việc áp dụng hệ thống theo quy tắc mờ là cần thiết Quy trình tính toán được thực hiện qua 4 bước.
Bước 1: Xác định các yếu tố ảnh hưởng đến mối quan hệ và quyết định xếp hạng mối quan hệ
Bước 2: Xác định trọng số của các nhân tố
Bước 3: Làm Fuzzy mờ hóa yếu tố và trọng số
Bước 4: Thiết lập logic ra quyết định
Bước 5: Giải quyết tập mờ
Từ đó đưa ra được mối quan hệ giữa các cơ sở theo trọng lượng quy đổi
Thang đo 6 giá trị được sử dụng để quy đổi trọng lượng trong công nghiệp bố trí mặt bằng công trường với các mức được thể hiện ở bảng sau:
Bảng 3.1: Bảng thang đo 6 giá trị
3.5.3 Tối ưu hóa mục tiêu chi phí
Phương pháp ra quyết định đa tiêu chí
3.6.1 Tổng quan về phương pháp ra quyết định đa tiêu chí
Ra quyết định là yếu tố then chốt cho thành công trong lĩnh vực xây dựng, nơi cần xử lý nhiều thông tin và khía cạnh khác nhau Việc đưa ra quyết định trong môi trường phức tạp này là khó khăn, do đó, công cụ hỗ trợ ra quyết định đa tiêu chí (MCDM) trở nên cần thiết Nhiều phương pháp MCDM đã được nghiên cứu và ứng dụng để giải quyết các vấn đề định lượng và định tính trong cuộc sống Một số phương pháp nổi bật bao gồm Kỹ thuật cấu trúc phân tích theo thang đo so sánh cặp (AHP), Quy trình mạng phân tích (ANP), MCDM hỗn hợp, Tập mờ (FSs), Phương pháp xếp hạng ưu tiên đẻ làm phong phú đánh giá (PROMETHEE), kỹ thuật sắp xếp thứ tự ưu tiên theo độ tương tự với giải pháp lý tưởng (TOPSIS), và phương pháp trọng số đơn giản (SAW) Theo thống kê, AHP và MCDM hỗn hợp là những phương pháp được sử dụng nhiều nhất trong các công cụ ra quyết định.
1 2 min{y ( ), y ( ), y ( ) | xx x n x D} (3.6.1) Trong đó D là tập hợp các giải pháp khả thi của x={x1, x2,…, xn} và
Tập hợp các hàm mục tiêu \$\{y(x_1), y(x_2), \ldots, y(x_n)\}\$ được sử dụng để đánh giá và có thể là hàm cực đại hoặc cực tiểu Mục tiêu của người ra quyết định là tìm ra giải pháp tối ưu cho tất cả các tiêu chí Tuy nhiên, việc đạt được giải pháp tối ưu cho mọi mục tiêu là điều không khả thi trong thực tế Do đó, người ra quyết định cần lựa chọn các yếu tố phù hợp tùy theo từng bài toán cụ thể Quy trình ra quyết định đa mục tiêu không chỉ dựa vào dữ liệu phân tích mà còn bị ảnh hưởng bởi sự chủ quan của người ra quyết định, vì vậy không có phương pháp nào là hoàn toàn vượt trội Mối quan hệ giữa các tiêu chí hàm mục tiêu được định nghĩa tương tự như trong mục 3.2.
X1 và X2 không bị chi phối lẫn nhau
Một giải pháp được coi là ưu thế hơn giải pháp khác khi nó vượt trội ít nhất một mục tiêu, trong khi tất cả các mục tiêu khác không kém hơn Nếu không có sự ưu thế, hai giải pháp sẽ không thể so sánh được về các mục tiêu Do đó, để thực hiện so sánh, cần có thêm thông tin bổ sung.
Sự thỏa hiệp mục tiêu
Kết hợp hàm mục tiêu để trở thành vấn đề đơn mục tiêu
Kết hợp trọng số cho các hàm mục tiêu để đánh giá
Đặt ra ưu tiên cho các hàm mục tiêu
Trong bố trí mặt bằng xây dựng, ba mục tiêu chính cần giải quyết là giảm thiểu tiếng ồn, giảm thiểu rủi ro và chi phí giữa các luồng hoạt động Để giải quyết mâu thuẫn giữa các mục tiêu này, thuật toán đa mục tiêu được áp dụng, cho ra giải pháp tối ưu là tập hợp mặt trước Pareto Do đó, cần có phương pháp hỗ trợ ra quyết định đa tiêu chí để giúp người quản lý lựa chọn giải pháp phù hợp, đạt hiệu quả cao nhất và hạn chế rủi ro, đồng thời đảm bảo sự cân bằng giữa các mục tiêu.
3.6.2 Phương pháp lập lập chứng cứ (ER)
Vào năm 1967, Dempster đã đề xuất lý thuyết lập luận chứng cứ, sau đó được Shafer phát triển vào những năm 70 Lý thuyết này cung cấp phương pháp hợp lý để tổng hợp dữ liệu không chắc chắn và mơ hồ, tương tự như lý thuyết xác suất Bayes Sự khác biệt của lập luận chứng cứ là khả năng kết hợp chứng cứ và xử lý thông tin thiếu hụt Phương pháp này, được trình bày trong nghiên cứu của Shafer năm 1976 và giải thích bởi Yang và Xu năm 2002, giúp giải quyết vấn đề không chắc chắn thông qua cấu trúc niềm tin và ma trận quyết định niềm tin Phương pháp lập luận chứng cứ ER đã được áp dụng hiệu quả trong nhiều lĩnh vực, đặc biệt trong ra quyết định đa tiêu chí với tập giải pháp mặt trước Pareto, bằng cách xếp hạng các giải pháp không bị chi phối Kỹ thuật của phương pháp ER tổng hợp thông tin theo quy tắc và thứ tự ưu tiên, giúp giải quyết thông tin định lượng và định tính Quy trình hỗ trợ giải quyết vấn đề MCDM bằng phương pháp lập luận chứng cứ ER được tóm tắt thành 4 bước cơ bản.
(1) Xác định và phân tích các vấn đề ra quyết định đa tiêu chí
Chuyển đổi các cấu trúc niềm tin khác nhau thành một cấu trúc niềm tin thống nhất có thể thực hiện thông qua việc áp dụng quy tắc và thứ tự ưu tiên dựa trên kỹ thuật chuyển đổi.
(3) Tổng hợp thông tin bằng cách sử dụng lý thuyết phân tích lập luận (ER)
Tạo ra các kết quả phân phối và đánh giá điểm số ưu tiên khi thông tin bị thiếu Trong bước này, giải pháp có điểm đánh giá ưu tiên cao nhất sẽ được coi là hiệu quả hơn so với các giải pháp có giá trị thấp hơn.
Trong nghiên cứu này, chúng tôi kết hợp phương pháp lập luận chứng cứ (ER) với thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) nhằm tìm ra giải pháp tối ưu cho bài toán tối ưu đa mục tiêu trong bố trí mặt bằng xây dựng Ba mục tiêu chính được cân bằng bao gồm tối ưu tiếng ồn, an toàn và chi phí các luồng hoạt động Quy trình áp dụng chi tiết được trình bày trong Chương 4 của luận văn.