Tối ưu bố trí cơ sở vật chất trên mặt bằng công trình xây dựng bằng cách sử dụng thuật toán kiến sư tử (alo)

Để hoàn thành đề cương luận “TỐI ƯU BỐ TRÍ CƠ SỞ VẬT CHẤT TRÊN MẶT BẰNG CÔNG TRÌNH XÂY DỰNG BẰNG CÁCH SỬ DỤNG THUẬT TOÁN KIẾN SƯ TỬ ALO”, ngoài sự cố gắng và nỗ lực của bản thân, tôi đã

TRƯỜNG ĐẠI HỌC BÁCH KHOA

TÔ DIỆU LÂM

TỐI ƯU BỐ TRÍ CƠ SỞ VẬT CHẤT TRÊN MẶT BẰNG CÔNG TRÌNH XÂY DỰNG BẰNG CÁCH SỬ DỤNG THUẬT

TOÁN KIẾN SƯ TỬ (ALO)

Mã số: 8580302

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 01 năm 2023

TRƯỜNG ĐẠI HỌC BACH KHOA – ĐHQG -HCM Cán bộ hướng dẫn khoa học 1: PGS.TS PHẠM VŨ HỒNG SƠN Chữ ký:

Cán bộ hướng dẫn khoa học 2: TS PHẠM HẢI CHIẾN Chữ ký:

Cán bộ chấm nhận xét 1: PGS.TS PHẠM HỒNG LUÂN Chữ ký:

Cán bộ chấm nhận xét 2: TS NGUYỄN THANH VIỆT Chữ ký:

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, Đại học Quốc gia Tp.HCM, ngày 09 tháng 01 năm 2023

Thành phần hội đồng đánh giá Luận văn thạc sĩ gồm:

1 Chủ tịch hội đồng: TS NGUYỄN ANH THƯ

2 Thư ký hội đồng : PGS.TS ĐỖ TIẾN SỸ

3 Uỷ viên phản biện 1: PGS TS PHẠM HỒNG LUÂN

4 Uỷ viên phản biện 2: TS NGUYỄN THANH VIỆT

Xác nhận của Chủ tịch Hội đồng đánh giá Luận văn và Trưởng Khoa quản lý chuyên ngành sau khi luận văn được sửa chữa (nếu có)

KỸ THUẬT XÂY DỰNG

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: TÔ DIỆU LÂM MSHV : 2070547

Ngày, tháng, năm sinh: 06/09/1989 Nơi sinh: TP HCM

Chuyên ngành: Quản lý xây dựng

I TÊN ĐỀ TÀI:

TỐI ƯU BỐ TRÍ CƠ SỞ VẬT CHẤT TRÊN MẶT BẰNG CÔNG TRÌNH XÂY

DỰNG BẰNG CÁCH SỬ DỤNG THUẬT TOÁN KIẾN SƯ TỬ (ALO)

OPTIMIZING FACILITIES ON CONSTRUCTION SITE LAYOUT BY USING

THE ANT LION OPTIMIZER (ALO)

II NHIỆM VỤ VÀ NỘI DUNG

1 Tìm hiểu vấn đề bố trí mặt bằng xây dựng, và mô phỏng vấn đề thành bài

toán phân công bậc 2 (Quadratic Assignment Problems – QAP)

2.Tìm hiểu thuật toán kiến sư tử (ALO), và phương pháp lai ghép (hybrid)

3 Xác định và giải quyết hàm mục tiêu bài toán ‘bố trí cơ sở vật chất’ bằng

thuật toán lai ghép mới (IALO-MOLT) So sánh các kết quả với các thuật

toán trước đây và ứng dụng vào hai trường hợp thật tế ở Việt Nam

III NGÀY GIAO NHIỆM VỤ : 05/09/2022

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 18/12/2022

V CÁN BỘ HƯỚNG DẪN : PGS.TS PHẠM VŨ HỒNG SƠN và TS PHẠM HẢI

CHIẾN

Tp Hồ Chí Minh, ngày … tháng … năm 2022

CÁN BỘ HƯỚNG DẪN CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

PGS.TS Phạm Vũ Hồng Sơn TS Phạm Hải Chiến

TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG

LỜI CẢM ƠN

Đề cương Luận văn thạc sĩ quản lý xây dựng nằm trong hệ thống bài luận cuối

khóa nhằm trang bị cho học viên cao học khả năng tự nghiên cứu, biết cách giải quyết

những vấn đề cụ thể đặt ra trong thực tế xây dựng Đó là trách nhiệm và niềm tự hào

của mỗi học viên cao học

Để hoàn thành đề cương luận “TỐI ƯU BỐ TRÍ CƠ SỞ VẬT CHẤT TRÊN

MẶT BẰNG CÔNG TRÌNH XÂY DỰNG BẰNG CÁCH SỬ DỤNG THUẬT

TOÁN KIẾN SƯ TỬ (ALO)”, ngoài sự cố gắng và nỗ lực của bản thân, tôi đã nhận

được nhiều sự giúp đỡ từ quý Thầy, quý Cô, bạn bè Tôi xin ghi nhận và tỏ lòng biết

ơn tới tập thể và các cá nhân đã dành cho tôi sự giúp đỡ quý báu đó

Đầu tiên tôi xin bày tỏ lòng biết ơn sâu sắc đến Thầy PGS.TS Phạm Vũ Hồng

Sơn và Thầy TS Phạm Hải Chiến đã tận tâm hướng dẫn Thầy đã đưa ra gợi ý đầu

tiên để hình thành nên ý tưởng của đề tài, góp ý cho tôi rất nhiều về cách nhận định

đúng đắn trong những vấn đề nghiên cứu, cách tiếp cận nghiên cứu hiệu quả

Tôi xin chân thành cảm ơn quý Thầy/Cô Khoa Kỹ Thuật Xây dựng, trường

Đại học Bách Khoa Thành phố Hồ Chí Minh đã truyền dạy những kiến thức quý giá

cho tôi, đó cũng là những kiến thức không thể thiếu trên con đường nghiên cứu khoa

học và sự nghiệp của tôi sau này

Đề cương Luận văn thạc sĩ đã hoàn thành trong thời gian quy định với sự nỗ

lực của bản thân, tuy nhiên không thể không có những thiếu sót Kính mong quý

Thầy, Cô chỉ dẫn thêm để tôi bổ sung những kiến thức và hoàn thiện bản thân mình

hơn

Xin trân trọng cảm ơn

Tp Hồ Chí Minh, ngày … tháng … năm 2022

Tô Diệu Lâm

di truyền (GA), (MIP), và thuật toán gốc (ALO), kết quả cho thấy thuât toán mới đã vượt trội hơn về tốc độ hội tụ, kết quả tìm kiếm với độ chính xác cao hơn các thuật toán nghiên cứu giải quyết vấn đề (QAP) trước đây Để chứng minh sư cải thiện về hiệu xuất và tốc độ xử lý bài toán, nghiên cứu này đã so sánh với các kết quả các nghiên cứu trước đây và đồng thời áp dụng vào 2 dự án thật tế tại Việt Nam

ABSTRACT

Construction site layout planning (CSLP) problem is important in construction management Facilities have conflicting purposes in the available space on the construction site, increasing the inefficient transportation of facilities This is the main cause leading to the loss of operational productivity and increasing project construction costs Therefore, the facilities planning and layout to be established in the appropriate locations to find an optimal solution in the available space is a problem to be solved using quadratic assignment problems (QAP) method In the past, there were several ways to solve the QAP problem using metaheuristic methods such as genetic algorithm (GA),mixed integer programming (M.I.P), and artificial bee colony (ABC) However, each method has both advantages and disadvantages Therefore, this study proposes a new algorithm that combines mutation and crossover (MC), tournament selection (TS), and opposition-based learning (OBL) with improved ant lion optimization based on ant lion optimizer (ALO) to solve the QAP problem of optimizing facilities layout on the construction site to find the most optimal results in the shortest time The comparison results in the research paper belowhave shown that the new, improved hybrid algorithm outperformed previous algorithms such as the GA, MIP, and original ALO algorithm The results show that the new algorithm has outperformed in terms of convergence speed and search results

with higher accuracy than previous QAP algorithms

LỜI CAM ĐOAN

Tôi xin cam đoan đây là luận văn do chính tôi thực hiện dưới sự hướng dẫn của PGS.TS Phạm Vũ Hồng Sơn và TS Phạm Hải Chiến

Các kết quả của luận văn là đúng sự thật và chưa được công bố ở các nghiên cứu khác

Tôi xin chịu trách nhiệm về công việc thực hiện của mình

Tp Hồ Chí Minh, ngày … tháng … năm 2022

Tô Diệu Lâm

MỤC LỤC

LỜI CẢM ƠN i

TÓM TẮT ii

ABSTRACT iii

LỜI CAM ĐOAN iv

DANH MỤC CÁC HÌNH viii

DANH MỤC CÁC BẢNG x

DANH MỤC CÁC CHỮ VIẾT TẮT xii

CHƯƠNG 1 MỞ ĐẦU 13

1.1 Lựa chọn đề tài 13

1.2 Mục tiêu nghiên cứu 14

1.3 Phạm vi nghiên cứu 14

1.4 Ý nghĩa và đóng góp của nghiên cứu 15

1.5 Phương pháp nghiên cứu 15

1.6 Bố cục luận văn 18

CHƯƠNG 2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 19

2.1 Đưa vấn đề bố trí mặt bằng về bài toán (QAP) 19

2.2 Sử dụng thuật toán Meta-heuristic 19

2.3 Sử dụng thuật toán Heuristic 20

2.4 Hạn chế của các nghiên cứu nước ngoài trước đây 24

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT 25

3.1 Khái niệm thuật toán meta-heuristic 25

3.2 Thuật toán kiến sư tử (ALO) 26

3.2.1 Cảm hứng từ thuật toán (ALO) 26

3.2.2 Mô hình toán học của thuật toán (ALO) 27

3.2.3 Lưu đồ thuật toán (ALO) 31

3.3 Cải tiến thuật toán Improved ALO (IALO) 31

3.4 Phương pháp lựa chọn cạnh tranh – Tournament Selection (TS) 32

3.4.1 Lai ghép phương pháp Tournament Selection vào thuật toán kiến sư tử 33

3.5 Phương pháp đột biến và trao đổi chéo - Mutation and Crossover (MC) 34

3.5.1 Crosover – trao đổi chéo 34

3.5.2 Mutation – đột biến 34

3.5.3 Lai ghép vào thuật toán (ALO) 34

3.6 Phương pháp học dựa trên sự đối diện - Opposition-based learning (OBL) 35

3.6.1 Định nghĩa 1 35

3.6.2 Định nghĩa 2 35

3.6.3 Lai ghép phương pháp (OBL) vào (ALO) 36

3.7 Bố trí mặt bằng công trình xây dựng -CSLP 38

CHƯƠNG 4 TRƯỜNG HỢP NGHIÊN CỨU 41

4.1 Tối ưu hóa các hoạt động lưu trữ và nâng các vật liệu trong xây dựng nhà cao tầng 41

4.1.1 Khái niệm vấn đề 41

4.1.2 Hàm mục tiêu, giả định về mô hình, thông tin đầu vào 42

4.1.2.1 Hàm mục tiêu 42

4.1.2.2 Các giả định về mô hình 43

4.1.2.3 Thông tin đầu vào 43

4.1.3 Trường hợp case study 1 44

4.1.3.1 Áp dụng thuật toán IALO-MOLT vào trường hợp case study 1 49

4.1.3.2 So sánh kết quả các thuật toán trong trường hợp case study 1 53

4.1.4 Trường hợp case study 2 Công trình: “Pacific Place – Hà Nội” 56

4.1.4.1 Áp dụng thuật toán IALO-MOLT vào trường hợp case study 2 60

4.1.3.2 So sánh kết quả các thuật toán trong trường hợp case study 2 66

4.2.1 Khái niệm vấn đề 68

4.2.2 Hàm mục tiêu, giả định về mô hình, thông tin đầu vào 69

4.2.2.1 Hàm mục tiêu 69

4.2.2.2 Giả định về mô hình 69

4.2.3 Trường hợp case study 3 70

4.2.3.1 Áp dụng thuật toán IALO-MOLT vào trường hợp case study 3 72

4.2.3.2 So sánh kết quả các thuật toán trong trường hợp case study 2 76

4.2.4 Trường hợp case study 4 Công trình: “Nhà Văn Phòng Hải Âu-Gói Thầu Số 2-TP.HCM” 79

4.2.4.1 Áp dụng thuật toán IALO-MOLT vào trường hợp case study 4 85

4.2.4.2 So sánh kết quả các thuật thuật toán trong trường hợp case study 4 89

4.2.4.3 So sánh kết quả thuật toán (IALO-MOLT) với kết quả thực tiễn case study 4 94

CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ 98

5.1 Kết luận 98

5.2 Hạn chế 98

5.3 Kiến nghị 98

TÀI LIỆU THAM KHẢO 100

DANH MỤC CÁC HÌNH

Hình 1-1: Sơ đồ nghiên cứu đề tài 16

Hình 3-1: Hố bẫy hình nón do kiến sư tử antlion đào (Petrović et al., 2015) 26

Hình 3-2 Kiến sư tử antlion chờ kiến ants trong hố bẫy (Petrović et al., 2015) 27

Hình 3-3 Năm lần bò ngẫu nhiên của ants (Kilic et al., 2020) 28

Hình 3-4 Lưu đồ thuật toán ALO (Filali et al., 2019) 31

Hình 3-5 Phương pháp Selection với Tourament 33

Hình 3-6 Hình minh họa điểm đối diện trong một, hai, và ba chiều 36

Hình 3-7 Lưu đồ thuật toán lai ghép IALO-MOLT 38

Hình 4- 1 Mặt cắt qua vận thăng công trình 45

Hình 4- 2 Mặt bằng tầng l điển hình, với 5 ô chứa vật liệu 45

Hình 4- 3 Ma trận hoán vị 5 cơ sở 49

Hình 4- 4 Kết quả của thuật toán IALO-MOLT trên Pycharm 2022a 54

Hình 4-5 So sánh kết quả và tôc độ hội tụ giữa các thuật toán 55

Hình 4- 6 Mặt cắt qua vận thăng công trình 56

Hình 4- 7 Mặt bằng tầng l điển hình, bố trí 7 ô chứa vật liệu 57

Hình 4- 8 kết quả tối ưu của thuật toán IALO-MOLT qua Pycharm 2022.1.3 66

Hình 4- 9 Sánh kết quả và tôc độ hội tụ giữa các thuật toán 67

Hình 4- 10 Bố trí mặt bằng xây dựng giả định đơn giản 70

Hình 4- 11 kết quả tối ưu của thuật toán IALO-MOLT qua Pycharm 2022.1.3 76

Hình 4- 12 Sánh kết quả và tôc độ hội tụ giữa các thuật toán 77

Hình 4- 13 Tối ưu vị trí trên mặt bằng xây dựng băng phương pháp GA 77

Hình 4- 14 Tối ưu vị trí trên mặt bằng xây dựng băng phương pháp MMAS-GA 78

Hình 4- 15 Tối ưu vị trí trên mặt bằng xây dựng băng phương pháp ALO 78

Hình 4- 16 Tối ưu vị trí trên mặt bằng xây dựng băng phương pháp IALO-MOLT 79

Hình 4- 17 Bố trí mặt bằng xây dựng giả định đơn giản 81

Hình 4- 18 Sánh kết quả và tôc độ hội tụ giữa các thuật toán 90

Hình 4- 19 Tối ưu vị trí trên mặt bằng xây dựng bằng phương pháp GA 91

Hình 4- 20 Tối ưu vị trí trên mặt bằng xây dựng băng phương pháp ALO 92

Hình 4- 21 Tối ưu vị trí trên mặt bằng xây dựng băng phương pháp IALO-MOLT 93Hình 4- 22 Tổng mặt bằng bố trí cơ sở vật chất công trình Nhà Văn Phòng Hải Âu-Gói Thầu Số 2 94

DANH MỤC CÁC BẢNG

Bảng 2- 1 Các nghiên cứu trước đây ở nước ngoài sử dụng thuật toán Meta-heuristic

19

Bảng 2- 2 Các nghiên cứu trước đây ở nước ngoài sử dụng thuật toán Heuristic 20

Bảng 2- 3 Các nghiên cứu trước đây dùng thuật toán giải quyết vấn đề (CSLP) 21

Bảng 2- 4 Các nghiên cứu trước đây ở nước ngoài 23

Bảng 3- 1 Ưu và nhược điểm của các phương pháp sau khi lai ghép (IALO-MOLT) 37

Bảng 4- 1 Nhu cầu về số lượng vật liệu 46

Bảng 4- 2 Khoảng cách theo phương ngang từ ô k trên tầng 1 đến vận thăng 46

Bảng 4- 3 Chi phí vận tải ngang Cjh 47

Bảng 4- 4 Chi phí vận chuyển dọc (tính bằng USD / kg) từ mặt đất lên tầng l, Cv j,l 47

Bảng 4- 5 Chi phí vận chuyển phương đứng (in $/kg) từ mặt đất tới tầng m, tầng l CV j,m 47

Bảng 4- 6 Ma trận hoán vị (40x10) giải từ vetor → 49

Bảng 4- 7 Kết quả vị trí ô vật liệu được chọn ngẫu nhiên 51

Bảng 4- 8 Kết quả tối ưu 30 lần tổng chi phí hoạt động nâng và lưu trữ vật tư thu được từ thuật toán IALO-MOLT 51

Bảng 4- 9 Thống kê tổng chi phí sau 30 lần chạy 53

Bảng 4- 10 Thông số trong thuật toán 54

Bảng 4- 11 Kết quả tối ưu 54

Bảng 4- 12 Nhu cầu về số lượng vật liệu 57

Bảng 4- 13 Khoảng cách theo phương ngang từ ô k trên tầng 1 đến vận thăng 58

Bảng 4- 14 Chi phí vận tải ngang Cjh 59

Bảng 4- 15 Chi phí vận chuyển dọc (tính bằng USD / kg) từ mặt đất lên tầng l, Cv j,l 59

Bảng 4- 16 Chi phí vận chuyển phương đứng (in $/kg) từ mặt đất tới tầng m, tầng l CV j,m 60

Bảng 4- 17 Ma trận hoán vị (63x15) giải từ vetor → 61

Bảng 4- 19 Kết quả tối ưu 30 lần tổng chi phí hoạt động nâng và lưu trữ vật tư thu

được từ thuật toán IALO-MOLT 64

Bảng 4- 20 Thống kê tổng chi phí sau 30 lần chạy 66

Bảng 4- 21 Thông số trong thuật toán 66

Bảng 4- 22 So sánh kết quả tối ưu 67

Bảng 4- 23 Khoảng cách vị trí trên mặt bằng xây dựng 71

Bảng 4- 24 Quy trình công việc giữa các cơ sở của công trường 72

Bảng 4- 25 Ma trận hoán vị (27x9) giải từ vetor → 73

Bảng 4- 26 Kết quả vị trí ô vật liệu được chọn ngẫu nhiên 74

Bảng 4- 27 Kết quả tối ưu 30 lần giá trị vận chuyển giữa các cơ sở vật chất 74

Bảng 4- 28 Thống kê chi phí sau 30 lần chạy 75

Bảng 4- 29 Thông số trong thuật toán 76

Bảng 4- 30 So sánh kết quả tối ưu 76

Bảng 4- 31 Khoảng cách vị trí trên mặt bằng xây dựng 82

Bảng 4- 32 Khoảng cách vị trí trên mặt bằng xây dựng.(tiếp theo) 83

Bảng 4- 33 Quy trình công việc giữa các cơ sở của công trường 85

Bảng 4- 34 Ma trận hoán vị (50x15) giải từ vetor → 86

Bảng 4- 35 Kết quả vị trí ô vật liệu được chọn ngẫu nhiên 88

Bảng 4- 36 Kết quả tối ưu 30 lần giá trị vận chuyển giữa các cơ sở vật chất 88

Bảng 4- 37 Thống kê chi phí sau 30 lần chạy 89

Bảng 4- 38 Thông số trong thuật toán 90

Bảng 4- 39 So sánh kết quả với các thuật toán trước đây 90

Bảng 4- 40 Ma trận hoán vị (50x15) quy đổi từ công trình thực tiễn 95

Bảng 4- 41 Kết giá trị vận chuyển giữa các cơ sở vật chất của công trình 96

DANH MỤC CÁC CHỮ VIẾT TẮT

ALO Ant Lion optimizer

GA Genetic algorithm

MIP Mixed Integer Programming

DC Destruction and construction

QAP Quadratic Assignment Problems

CSLP Construction site layout planning

SOS Symbiotic organisms search

PSO Particle Swarm Optimization

NP-hard Non-polynomial hard

MMAS Max-min Ant System

TS Tournament Selection

OBL Opposition-Based Learning

MC Mutation and Crossover

Môi trường sản xuất sẽ tiếp tục thay đổi, vấn đề bố trí cơ sở đã trở thành một phần đáng kể trong thiết kế cơ sở vật chất tổng thể Thiết kế cơ sở vật chất phù hợp cho phép hệ thống dịch vụ phản ứng nhanh với những thay đổi trong quy trình sản xuất (Kochhar et al., 1998)

Bố trí cơ sở vật chất trên công trường kém có thể dẫn đến sự tích tụ của hàng tồn kho trong quá trình làm việc, quá tải của các hệ thống xử lý vật liệu, các thiết lập không hiệu quả và hàng đợi dài hơn Việc lập kế hoạch bố trí mặt bằng hiệu quả sẽ tiết kiệm được khoảng 10% đến 30% trong tổng 50% chi phí sản xuất (Tompkins et al., 2010) và ngược lại sự không hiệu quả trong việc bố trí mặt bằng xây dựng sẽ tăng khoảng 36% chi phí vật liệu (Jang et al., 2007) Cho thấy rằng việc bố trí mặt bằng rất quan trọng trong sản xuất, ảnh hưởng trược tiếp đến kết quả kinh doanh về chi phí, thời gian kết thúc quy trình và năng suất (Kouvelis et al., 1992) và tính kinh tế vì nó có ảnh hưởng trực tiếp đến hiệu quả kinh doanh, chẳng hạn như chi phí sản xuất, khoảng thời gian từ lúc bắt đầu cho tới khi kết thúc của một quy trình sản xuất, năng suất công việc Bố trí hiệu quả sẽ nâng cao hiệu quả hoạt động tổng thể và có thể giảm từ 20% đến 50% tổng chi phí hoạt động

Vấn đề bố trí cơ sở vật chất được mô hình lên không chỉ là ở khía cạnh khoa học máy tính, mà cũng được biết đến là tập hợp các bài toán có lý thuyết tính toán phức tạp (nondeterminitic polynimial-hard) NP-khó, bài toán không được giải quyết trong thời gian ngắn, độ phức tạp có thể tăng lên theo cấp số nhân với số lượng n cân được giải quyết (Sahni and Gonzalez, 1976) Ví dụ như bố trí 20 cơ sở vật chất thí số lượng lựa chon là

20!=2,432902e+18 (Mak et al., 1998), số lượng cơ sở vật chất rất nhiều và rất khó trong giải quyết toàn bộ trong một thời gian ngắn

Bài toán bố trí cơ sở vật chất được xây dựng đưa về bài toán phân công bậc hai (QAP) (Quadratic assignment problem) là có hai vấn đề giải quyết trong việc phân bổ nguồn lực Cả hai vấn đề này được chỉ định sẵn vị trí trên mặt bằng, công thức giải quyết vấn đề này được đề xuất bởi Koopmans và Beckmann năm 1957 (Koopmans and Beckmann, 1957), với giả định được đưa ra là hình dạng và kích thước của các cơ sở và các ràng buộc giữa chúng n cơ sở vật chất được phân bổ vào m vị trí Các cơ sở có thể có các ràng buộc hình học 2D (bố cục hình chữ nhật) về vị trí tương đối của chúng cùng với

mô tả mức độ tương tác hoặc quy trình giữa chúng trên tổng mặt bằng xây dựng Ngoài ra cũng có các phương pháp khác như quy hoạch động (Picard and Queyranne, 1981), phương pháp nhánh cận (Simmons, 1969), quy hoạch nguyên tuyến tính (Love et al., 1976)

1.2 Mục tiêu nghiên cứu

Sử dụng thuật toán lai ghép mới IALO-MOLT để giải quyết bài toán phân công

bậc 2 (QAP)

Nghiên cứu đề xuất ra một thuật toán lai ghép meta-heuristic mới IALO-MOLT kết hợp từ thuật toán Kiến sư tử (ALO), phương pháp lựa chọn cạnh tranh (TS), đột biến và trao đổi chéo (MC), cải tiến thuật toán (IALO) và phương pháp học dựa trên sự đối diện (OBL)

Thuật toán lai ghép mới IALO-MOLT phải tốt hơn các thuật toán cũ Các nghiên

cứu trước đây thường sử dụng: Genetic algorithm_GA (Mirjalili, 2019), particle swarm optimization_PSO (Poli et al., 2007) , artificial bee colony_ABC (Karaboga et al., 2014), mixed integer programming (M.I.P) để giải quyết vấn đề rời rạc trong (QAP)

Để chứng minh sư cải thiện về hiệu xuất và tốc độ xử lý bài toán, nghiên cứu này

đã so sánh với các kết quả các nghiên cứu trước đây và đồng thời áp dụng vào 2 công trình thật tế tại Việt Nam

1.3 Phạm vi nghiên cứu

- Đưa vấn đề bố trí công trình xây dựng (Contruction site layuot problems – CLSP)

về bài toán phân công bậc 2 QAP

- Giảm thiểu chi phí vận chuyển giữa quy trình công việc của các cơ sở trên mặt bằng xây dựng

- Các yếu tố xây dựng vấn đề nghiên cứu đã có dữ liệu trước

- Trường hợp nghiên cứu không hạn chế về kích thước khu vực, địa điểm chứa cơ sở vật chất, các rủi ro khuẩn cấp trên công trinh xây dựng không được đề cập trong nghiên cứu

1.4 Ý nghĩa và đóng góp của nghiên cứu

Về ý nghĩa khoa học

- Giới thiệu phương pháp giải quyết vấn đề bố trí măt bằng xây dựng bằng bài toán phân công bậc hai (QAP)

- Giới thiệu thuật toán kiến sư tử (ALO), phát triển thuật toán lai ghép (IALO-MOLT)

từ thuật toán gốc (ALO) và chưa được ứng dụng nhiều để giải quyết các vấn đề quản

lý xây dựng, mở ra hướng phát triển mới với thuật toán này

- So sánh thuật toán lai ghép mới với các thuật toán thông dụng trước đây do các tác giả trên thế giới sử dụng Đưa ra đánh giá ưu và nhược điểm khi áp dụng vào giải quyết bài toán rời rạc

- Nghiên cứu thuật toán lai ghép meta-heuristic mới (ALO-MOLT) đề xuất một công

cụ tìm kiếm tối ưu hóa mới trong việc giải quyết vấn đề mặt bằng xây dựng

Về mặt thực tiễn

- Mục tiêu giải quyết vấn đề bố trí cơ sở vật chất trên mặt bằng-CLSP để giảm thiểu quy trình công việc, tiết kiệm chi phí vận hành dự án xây dựng Và được ứng dụng vào hai công trình tại Việt Nam

- Bố trí mặt bằng xây dựng thực tế chủ yếu dựa vào kinh nghiệm của người quản lý xây dựng Nghiên cứu này giúp họ có thêm phương pháp lựa chọn mới, và hướng nhìn mới trong công tác bố trí mặt bằng xây dựng

1.5 Phương pháp nghiên cứu

1.5.1 Trình bày các bước nghiên cứu tổng quát bằng sơ đồ

Xác định vấn đề

(Mục tiêu, nghiên cứu)

Nghiên cứu lý thuyết

- Tìm hiểu các bài báo nghiên cứu trước đây

trong và ngoài nước.

- Tìm hiểu lý thuyết các bài toán từng giải quyết

vấn đề.

- Tìm hiểu các thuật toán áp dụng (GA), (IALO),

(ABC), (ALO), (MC), (OBL), (TS).

Chọn hướng nghiên cứu

- Lựa chọn phương pháp.

- Lựa chọn thuật toán

Tính khả thi của nghiên cứu

1.5.2.2 Mục tiêu nghiên cứu

Xác định đối tượng nghiên cứu,

Các giả định trong bài nghiên cứu

 Xác định phạm vi và giới hạn trong nghiên cứu

1.5.2.4 Nghiên cứu trước đây về vấn đề bố trí mặt bằng CLSP

Xem xét các nghiên cứu trước đây

 Mục tiêu, ý nghĩa và hạn chế của các nghiên cứu trước đây

1.5.2.5 Cơ sở lý thuyết

Xác định các khái niệm lý thuyết liên quan về vấn đề bố trí măt bằng

 Tìm hiểu các phương pháp heurictis, meta-heurictis

 Khái niệm phương pháp lai ghép meta-heurictic

1.5.2.6 Xây dựng mô hình

Nghiên cứu thuật toán lai ghép IALO-MOLT

 Ant Lion optimizer

Ý nghĩa khoa học

 Áp dụng IALO-MOLT vào case study 1, case study 3 so sánh kết quả với

các nghiên cứu trước đây

Ý nghĩa thực tiễn

 Áp dụng IALO-MOLT vào case study 2, case study 4 so sánh kết quả với

kết quả thực tế

1.5.2.8 Kết luận và kiến nghị

 Kiểm tra lại khối lượng đã thực hiện trong mục tiêu đề ra

 Nêu ra hạn chế trong bài nghiên cứu

Chương 2 Tổng quan tình hình nghiên cứu:

Trình bày các nghiên cứu trước dây về vấn đề bố trí mặt bằng, giải quyết bằng thuật toán meta-heuristic, heuristic

Chương 3 Cơ sở lý thuyết:

Giới thiệu lý thuyết về vấn đề bố trí mặt bằng như bài toán bậc hai QAP, lý thuyết

kỹ thuật Meta-heuristic, trình bày khái niệm thuật toán kiến sư tử (ALO) và cách áp dụng giải quyết vấn đề, cải tiến kiến sư tử (Improved ALO), Phương pháp đột biến và trao đổi chéo – Mutation & Crossover (MC), Phương pháp lựa chọn cạnh tranh - Tournament selection (TS), Phương pháp học dựa trên sự đối diện - Opposition-based learning (OBL)

Chương 4 Các trường hợp nghiên cứu:

Giới thiệu và áp dụng thuật toán tối ưu hóa mới vào các tình huống khác nhau trên các nghiên cứu trước đây và ngoài thực tiễn, so sánh các kết quả giữa các thuật toán cũ và mới, ứng dụng vào trường hợp thật tế

Chương 5 Kết luận và kiến nghị:

CHƯƠNG 2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU

2.1 Đưa vấn đề bố trí mặt bằng về bài toán (QAP)

Bố trí mặt bằng xây dựng có thể được mô hình hóa rời rạc, các chuyên gia sẽ xác định vi trí, bố trí cơ sở theo kinh nghiệm và các vị trí được xác định trước, chia làm các khối hình chữ nhật, mỗi khối được gán cho một cơ sở Chi phí liên quan đến quy trình công việc giữa các cơ sở và khoàng cách di chuyển, bài toán được xây dựng dưới dạng phân công bậc hai (QAP) (QAP) được biết đến như một bài toán tổ hợp phức tạp (NP-hard) Ví

dụ, đối với n cơ sở, số lượng cấu trúc khả thi là n! với mức tăng trưởng lớn hơn en, Đối với

10 cơ sở, số lượng các phương án thay thế có thể đã là hơn 3.628.000, với 15 cơ sở, đó là một con số có 12 chữ số Sự phức tạp của bài toán đã thúc đẩy các nhà nghiên cứu áp dụng các thuật toán heuristic và meta-heuristic khác nhau để có được các giải pháp tối ưu hoặc gần tối ưu cho các bài toán bố trí công trường

2.2 Sử dụng thuật toán Meta-heuristic

Meta-heuristic: được sử dụng rộng rãi để giải các bài toán CSLP vì bốn lý do chính (1) xem xét các bài toán tối ưu hóa tổ hợp, không tối ưu cục bộ (Ning et al., 2019), (2) thêm được nhiều mục tiêu và ràng buộc đối với các địa điểm xây dựng bị tắc nghẽn và các

dự án quy mô lớn (Kumar and Cheng, 2015), (3) các thuật toán meta-heuristic không giả định vấn đề cụ thể (Li et al., 2019), (4) giải quyết các mô hình toán học phức tạp (Song et al., 2016) Vì những lý do này, các thuật toán metaheuristic được đánh giá cao hơn trong các bài báo

Bảng 2- 1 Các nghiên cứu trước đây ở nước ngoài sử dụng thuật toán Meta-heuristic

STT Tên bài báo, nghiên cứu Tác giả Năm Mục tiêu

2019

- Nghiên cứu này cố gắng phân tích cách giảm ô nhiễm tiếng ồn cho công nhân bằng cách tối ưu hóa quy hoạch bố trí công trường trong giai đoạn tiền xây dựng

- Giải quyết vấn đề tối ưu hóa đa mục tiêu này, mô hình tối ưu hóa đàn kiến-thuật toán di truyền lai được áp dụng để thu được các giải pháp đánh đổi

- Nghiên cứu này trình bày một khung tự động tạo các mô hình bố cục trang động bằng cách sử dụng thông tin từ BIM Thuật toán A* được sử dụng cùng với các thuật toán di truyền để phát triển khung tối

ưu hóa xem xét lộ trình di chuyển thực tế của nhân viên và thiết bị tại chỗ

2019

- Nghiên cứu này đề xuất một phương pháp sắp xếp mới và linh hoạt cho các thành phần đến trong không gian mặt bằng hạn chế

- Do đó, mô hình lập kế hoạch khu vực lưu trữ cấu kiện xây dựng (CCSAP) được phát triển để phân bổ động các khu vực lưu trữ cấu kiện xây dựng Mô hình hóa thông tin tòa nhà (BIM) có thể được sử dụng để lập

kế hoạch yêu cầu vật liệu trước khi xây dựng theo các hoạt động xây dựng thực tế

2016

- Lập kế hoạch bố trí cơ sở tạm thời xây dựng (CTFLP) là quan trọng và phức tạp trong các dự án xây dựng quy mô lớn

- Một phương pháp mới dựa trên giải quyết xung đột giữa CTFLP và TRP được đề xuất, phương pháp này có thể được điều chỉnh cho CTFLP trong tương lai dựa trên việc giải quyết các loại xung đột khác

2.3 Sử dụng thuật toán Heuristic

Heuristic: sử dụng khi các giải pháp gần tối ưu là đủ và việc tìm kiếm một giải pháp toàn cầu là kém (Pém et al., 2016) Khác với quá trình tìm kiếm trong thuật toán meta-

heuristic tính ngẫu nhiên, thuật toán heuristic cố gắng kiểm tra tất cả các giải pháp lân cận và cải thiện chất lượng của các giải pháp Mặc dù các thuật toán heuristic có thể tìm kiếm trong một không gian quy mô lớn, chất lượng của các giải pháp phụ thuộc vào

vị trí của các giải pháp ban đầu và các quy tắc tìm kiếm trong không gian (Said and

El-Rayes, 2013)

Bảng 2- 2 Các nghiên cứu trước đây ở nước ngoài sử dụng thuật toán Heuristic

STT Tên bài báo, nghiên cứu Tác giả Năm Mục tiêu

2016

- Trong nghiên cứu này, chúng tôi giới thiệu một mô hình tối ưu hóa việc sắp xếp các kho vật liệu cuối cùng tại một công trường xây dựng Mục tiêu là giảm thiểu thời gian xây dựng, chi phí và nguồn lực bằng cách giảm thiểu tổng khoảng cách giao hàng

2013

- Bài viết này trình bày sự phát triển của mô hình lập kế hoạch hậu cần xây dựng tắc nghẽn (C2LP) mới có khả năng mô hình hóa

và sử dụng không gian bên trong của các tòa nhà đang được xây dựng để tạo ra các kế hoạch hậu cần tối ưu

- Mô hình C2LP này được triển khai bằng cách sử dụng các thuật toán di truyền đa mục tiêu để tạo ra các kế hoạch hậu cần tối ưu mang lại sự cân bằng tối ưu giữa việc giảm thiểu tổng chi phí hậu cần và giảm thiểu mức

độ quan trọng của lịch trình

Các nghiên cứu trước đây đã sử dụng Tối ưu hóa bầy đàn hạt (PSO) trong lĩnh vực bố trí công trường xây dựng Zhang và cộng sự đã đề xuất một mô hình PSO cho bài toán CSLP tĩnh, diện tích không bằng nhau trong một hàm mục tiêu duy nhất (Zhang et al., 2008) Li và cộng sự đã xem xét thuật toán tối ưu hóa hạt đa mục tiêu (MOPSO) để giải quyết vấn đề bố trí mặt bằng xây dựng trong môi trường ngẫu nhiên (Li et al., 2019).Liên

và Cheng đã đề xuất một thuật toán kết hợp giữa hạt-ong (PBA) để tối ưu hóa bố trí địa điểm xây dựng theo chức năng mục tiêu duy nhất để xác định vị trí các cơ sở ở các vị trí xác định trước (Lien and Cheng, 2012) Lam, Gharaie và cộng sự đã sử dụng đàn kiến để giải quyết vấn đề bố trí mặt bằng xây dựng tĩnh (Gharaie et al., 2006, Lam et al., 2007) Ning và cộng sự đã sử dụng hệ thống kiến MaxMin (MMAS), là một trong những biến thể tiêu chuẩn của thuật toán Tối ưu hóa đàn kiến (ACO), để giải quyết quy hoạch bố trí địa điểm xây dựng động (Ning et al., 2010) Lập trình số nguyên hỗn hợp (Wong et al., 2010), tìm kiếm Tabu (Liang and Chao, 2008), tìm kiếm hòa hợp (Kaveh et al., 2012) và tối ưu hóa các cơ quan va chạm (Kaveh et al., 2016) là các phương pháp khác được sử dụng trong trường này

Bảng 2- 3 Các nghiên cứu trước đây dùng thuật toán giải quyết vấn đề (CSLP)

STT Tên bài báo, nghiên cứu Tác giả Năm Mục tiêu

độ ưu tiên nên được chuyển đổi sang sơ đồ

bố trí cụ thể có cân nhắc đến các hạn chế hình học và không trùng lặp

- Một cách tiếp cận xử lý ranh giới không gian giải pháp đã sửa đổi được đề xuất để kiểm soát việc cập nhật hạt liên quan đến phạm vi giá trị ưu tiên

cơ sở ‘có nguy cơ cao’ và các cơ sở ‘bảo vệ cao’ để giảm khả năng xảy ra tai nạn về an toàn hoặc môi trường

- Một thuật toán tối ưu hóa bầy hạt đa mục tiêu (MOPSO) với biểu diễn dựa trên hoán vị được đề xuất để giải quyết vấn đề

4

The application of the

ant colony optimization

- Trong nghiên cứu, thuật toán ACO được sử dụng để giải quyết vấn đề quy hoạch bố trí địa điểm xây dựng trong một dự án xây dựng quy mô trung bình giả định Bằng cách áp dụng lý thuyết mờ và kỹ thuật entropy, nghiên cứu tính toán mối quan hệ chặt chẽ giữa các cơ sở, trong đó việc bố trí địa điểm tối ưu bị ảnh hưởng bởi sự tương tác lẫn nhau của các cơ sở

- Bài báo này cố gắng giải quyết vấn đề bố trí địa điểm cho một dự án xây dựng hưởng lợi

từ thuật toán Tối ưu hóa kiến trúc (ACO) Việc áp dụng mô hình tối ưu hóa bố cục trang web đã phát triển cho một vấn đề bố

site layout planning

using max-min ant

system (Ning et al.,

2010)

Ning, X., Lam, K.-C., and Lam, M.C.-K

Việc sử dụng các thuật toán tối ưu hóa thuận lợi cho việc giải quyết các vấn đề CSLP và cung cấp các giải pháp thông minh Tuy nhiên cần phải hiểu trạng thái của các thuật toán tối ưu hóa cho CLSP trong các lưu ý sau đây

 Tổng quan các vấn đề về các thuật toán tối ưu hóa cho CLSP

 Các thuật toán tối ưu hóa phổ biến cho xử lý vấn đề CSLP và phân loại

 Ưu và nhược điểm của các thuật toán tối ưu hóa này là gì? và làm thế nào để thỏa mãn sự cân bằng giữa khả năng tìm kiếm toàn cầu và tốc độ hội tụ để cải thiện chất lượng giải pháp

 Những khoảng trống nghiên cứu và hướng đi trong tương lai liên quan đến việc sử dụng các thuật toán tối ưu hóa cho CSLP

Theo ưu và nhược điểm, mức độ phức tạp của mục tiêu tối ưu hóa và sự lựa chon các giải pháp để tìm ra thuật toán tối ưu thích hợp, các hàm mục tiêu là giá trị đầu ra Đối với các bài toán có hàm mục tiêu tối ưu đơn hoặc đa mục tiêu thường sẽ sử dụng các thuật toán khác nhau cho phù hợp

Li and Love đã áp dụng Thuật toán di truyền (GA) để tìm ra giải pháp tối ưu trong bài toán bố trí cơ sở diện tích không bằng nhau ở cấp độ địa điểm (Li and Love, 2000) ; Ngoài ra, Cheung và cộng sự đã sử dụng mô hình GA để tối ưu hóa bãi đúc sẵn trên mặt bằng xây dựng (Cheung et al., 2002) Osman và cộng sự đề xuất một thuật toán dựa trên cad lai sử dụng thuật toán di truyền để tối ưu hóa vị trí của các cơ sở tạm thời trên một địa điểm (Osman et al., 2003) Elrayes và cộng sự đã sử dụng phiên bản GA đa mục tiêu để giải quyết vấn đề bố cục mặt bằng và đa mục tiêu (El-Rayes et al., 2005) Vấn đề bố trí mặt bằng xây dựng trước dây đa phần đều sử dụng thuật toán cũ (GA)

Bảng 2- 4 Các nghiên cứu trước đây ở nước ngoài

STT Tên bài báo, nghiên cứu Tác giả Năm Mục tiêu

- Hệ thống thuật toán di truyền, là một mô hình tính toán của thuyết tiến hóa Darwin, được sử dụng để giải bài toán bố trí cơ sở vật chất

2002

- Mô hình GA được phát triển để tìm kiếm giải pháp bố trí gần như tối ưu Chức năng phù hợp là để giảm thiểu tổng chi phí vận chuyển cho sản lượng hàng ngày được xác định trước

3

A hybrid CAD-based

construction site layout

planning system using

genetic algorithms

(Osman et al., 2003)

Hesham M

Osman, Maged E

Georgy, Moheeb E

Ibrahim

2003

- GA được sử dụng từ bên trong môi trường CAD để tối ưu hóa vị trí của các cơ sở tạm thời trên trang web Tương tác chức năng giữa GA và CAD và chi tiết về quy trình tối

ưu hóa bố cục dựa trên GA được trình bày

El-2005

- Bài viết này trình bày sự phát triển của một

mô hình lập kế hoạch bố trí mặt bằng mở rộng có khả năng tối đa hóa an toàn xây dựng

và đồng thời giảm thiểu chi phí đi lại của các nguồn lực trên công trường

- Triển khai mô hình dưới dạng thuật toán di truyền đa mục tiêu

2.4 Hạn chế của các nghiên cứu nước ngoài trước đây

Các nghiên cứu trước đây thường bị hạn chế nhiều mặt như là lập đi lập lại các thuật toán

cũ, không có sự cãi thiện thuật toán gốc nên sẽ không khắc phục được hạn chế trong thuật toán (Said and El-Rayes, 2013, Lien and Cheng, 2012) , (Cheung et al., 2002), (Ning et al., 2010), (Gharaie et al., 2006), (Lam et al., 2007) Thông tin đầu vào phức tạp (Song et al., 2016), (Li et al., 2019), (Ning et al., 2019) (El-Rayes et al., 2005), (Li and Love, 2000), (Osman et al., 2003), (Zhang et al., 2008) Hạn chế so sánh với các thuật toán khác (Ning

et al., 2010), (Xu and Li, 2012),

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT

3.1 Khái niệm thuật toán meta-heuristic

Các thuật toán tối ưu chính xác (exact algorithm) không thể giải quyết tối ưu hóa các bài toán có không gian tìm kiếm toàn diện với kích thước rộng theo cấp số nhân là không thể Ngoài ra, các phương pháp tối ưu cổ điển gần đúng như thuật toán tham lam (greedy algorithm) cần một số giả định để giải quyết vấn đề Tuy nhiên, việc xác nhận các giả định rất khó trong mỗi bài toán Ở hướng ngược lại, thuật toán meta-heuristic cần ít hoặc không cần thiết giải định một vấn đề và ưu điểm tìm kiếm không gian rất lớn, hiện nay các giải pháp được phát triển rộng rãi giải quyết vấn đề tối ưu hóa Một số thuật toán meta-heuristic dựa trên quần thể thích hợp cho việc tìm kiếm do khả năng thăm dò và khai thác cục bộ

Heuristic là các phương pháp tìm ra giải pháp (gần) tối ưu với tính toán hợp lý nhưng không đảm bảo tính chính xác hoặc tối ưu Meta-heuristic là phương pháp tìm kiếm khám phá ở cấp độ cao hơn, tập hợp các phương pháp thông minh hiệu quả cuả phương pháp heuristic Theo khái niệm (Voß et al., 2012) meta-heuristic là một quy trình tổng thể được lặp đi lặp lại, hướng dẫn, sửa đổi của các phương pháp heruristic để tìm ra giải pháp hiệu quả Xử lý đơn mục tiêu hoặc đa mục tiêu trong mỗi vòng lặp

Phần lớn thuật toán meta-heuristic lấy cảm hứng từ thiên nhiên như tối ưu đàn kiến (ACO), tối ưu bày đàn (PSO), thuật toán di truyền (GA), dựa trên tìm kiếm quần thể với nhiều cá thể ban đầu Các thuật toán bầy đàn có hai cách tiếp cận: khám phá toàn cầu và khai thác cục bộ

 Khám phá toàn cầu: mở rộng không gian tìm kiếm

 Khai thác: khả năng tìm ra giải pháp tối ưu xung quanh giải pháp đó

Cần có sự trao đổi tích hợp giữa thăm do và khai thác để tìm kiếm hiệu quả hơn trong quá trình khai thác và thăm dò Các cá thể trãi qua 3 giai đoạn trong mỗi bước tính toán:

 Điều chỉnh: mỗi cá thể trong thuật toán tự nâng cấp giá trị bản thân

 Cộng tác: sựu trao đổi qua lại trong giai đoạn hợp tác đến cuối cùng

 Cạnh tranh: cạnh tranh để chọn ra cá thể tốt nhất (tối ưu)

3.2 Thuật toán kiến sư tử (ALO)

3.2.1 Cảm hứng từ thuật toán (ALO)

Thuật toán kiến sư tử Ant Lion Optimizer (ALO) được đề xuất bởi nhà toán học Seyedali Mirjalili ( ALO) bắt chước hành vi thông minh của kiến sư tử Ant Lion trong việc săn kiến trong tự nhiên Năm bước chính trong việc săn mồi gồm:

(i) đi bộ ngẫu nhiên của kiến ants,

(ii) hố bẫy của kiến sư tử antlion,

(iii) nhốt kiến ants vào hố bẫy,

(iv) kiến ants trượt về kiến sư tử antlion,

(v) bắt mồi và xây dựng lại hố

Kiến sư tử antlion có hành vi săn mồi độc đáo với con mồi yêu thích của chúng antlion sẽ đào một cái hố hình nón trên cát bằng cách di chuyển theo một đường tròn và ném cát ra ngoài bằng chiếc hàm khổng lồ của nó Hình 2 cho thấy một số hố hình nón với các kích cỡ khác nhau và hình dạng Sau khi đào bẫy antlion ẩn bên dưới đáy hình nón (như một loài săn mồi ngồi chờ) và chờ côn trùng (tốt nhất là kiến ants) bị nhốt trong hố Hình 3-1, hình 3-2

Hình 3-1: Hố bẫy hình nón do kiến sư tử antlion đào (Petrović et al., 2015)

Hình 3-2 Kiến sư tử antlion chờ kiến ants trong hố bẫy (Petrović et al., 2015)

3.2.2 Mô hình toán học của thuật toán (ALO)

Kiến sư tử antlion đi săn mồi bắt đầu với các bước đi ngẫu nhiên của kiến ant trong không gian tìm kiếm, thể hiện qua phương trình sau:

Trong đó t bước đi ngâu nhiên (được lập lại trong nghiên cứu này) và rand là một số ngẫu

nhiên được phân phối đều trong khoảng [0,1] Hình 3-3 biểu diễn minh họa năm lần di chuyển ngẫu nhiên trên 1000 lần lập Hình này cho thấy bước đi ngẫu nhiên dao động đáng

kể xung quanh vị trí gốc, có xu hướng tăng hoặc có xu hướng giảm dần

Hình 3-3 Năm lần bò ngẫu nhiên của ants (Kilic et al., 2020)

Thuật toán (ALO) dựa trên số lượng những con kiến ants và trong quá trình tối ưu hóa trong ma trận sau:

trong đó n là số lượng kiến ants MAnt là ma trận lưu vi trí kiến ants, A i, j cho thấy giá trị của

chiều thứ j của con kiến ant thứ i, d là số lượng biến (chiều)

n là số lượng kiến sư tử antlion , MAntlion làma trận lưu vị trí kiến sư tử antlion, , AL i, j biểu

thị giá trị chiều thứ j của kiến sư tử antlion thứ i, n là số con kiến sư tử AntLion, d là số

biến (chiều)

Để đánh giá sức mạnh của từng con kiến ant và kiến sư tử AntLion, một hàm mục tiêu được sử dụng và lưu trữ trong ma trận sau:

::56* , * , * ,+78⎦⎥

::56*3 , *3 , *3 ,+78⎦⎥

trong đó MOA là ma trận để lưu giữ giá trị hàm thích nghi từng con kiến atn, A i, j cho thấy

giá trị của chiều thứ j của ant thứ i, n là số lượng ant

MOAL là là ma trận để lưu giữ giá trị hàm thích nghi từng con kiến sư tử, AL i, j giá trị kích

thước chiều thứ j của kiến sư tử antlion thứ i, n là số con AntLion, d là số biến và f là hàm

Khi những con kiến ants rơi vào bẫy của kiến sư tử anlion thì theo bản năng muốn thoát ra khỏi đó Con kiến sư tử bắt đầu ném cát vào những con kiến ants cản trở việc chạy trốn của chúng và đưa chúng về phía đáy hố Được thể hiện qua các phương trình (8), (9), (10), (11), (12)

& @<

& +<

F& 10G &

trong đó ct, dt lần lượt là giá trị nhỏ nhất và lớn nhất của tất cả các biến tại lần lặp thứ t, ct;

dt

i là giá trị nhỏ nhất và tối đa của tất cả các biến đối với kiến ant thứ i tương ứng, Antliont

cho biết vị trí kiến sư tử thứ j tại lần lặp thứ t, và I là tỷ lệ trượt thay đổi như trong phương

HO>P if 0.5Tmax X t X 0.75Tmax

1 B 10 HO>P& if 0.1Tmax X t X 0.5Tmax

1 otherwise

trong đó d e là lần lặp tối đa Các con kiến ants đi bộ và được định vị xung quanh kiến

sư tử ưu tú và kiến sư tử được chọn theo phương pháp roulette wheel với mô hình toán học sau

trong đó Rt

A là AntLion được chọn bằng roulette wheel ở lần lặp thứ t và Rt

E là kiến ưu tú elitist antlion thu được bằng phương trình (7) cho mỗi lần lặp thứ t Sau khi săn mồi, những con AntLion cập nhật vị trí của chúng với vị trí của những kiến ant theo fitness value bằng phương trình sau:

* C D 1& * 1& nếu * 1& X * C D 1& (15)

3.2.3 Lưu đồ thuật toán (ALO)

Tìm kiếm fitness value tốt nhất và lưu lại

thành giải pháp ưu tú

BẮT ĐẦU

Khởi tạo kiến ants và vị trí kiến sư tử

antlion trong không gian tìm kiếm

Tính toán fitness value cho vị trí kiến ant

Khởi tạo bước di chuyển ngẫu nhiên Tính toán và cập nhật vị trí mới

Nêú fitness value kiến ant tốt hơn antlion, thì vị trí ant là vị trí cập nhật mới

Cập nhật kiến antlion ưu tứu nhất(elite)

Antlion(elite) là kết quả tối ưu

nhất

KÉT THÚC

NO

YES

Hình 3-4 Lưu đồ thuật toán ALO (Filali et al., 2019)

3.3 Cải tiến thuật toán Improved ALO (IALO)

Giảm kích thước đi bộ ngẫu nhiên trong quần thể kiến ants đoạn đầu thuật toán (ALO), hiệu xuất thăm dò và khai thác của thuật toán (ALO) dưới 20% trong lần lập tối đa (Kılıç and Yuzgec, 2021) thể hiện trong phương trình sau đây:

( ) = [0, ⋯ , (2 ( ) - 1)], = 1,2, ⋯ , $ e_ n /5

Cải tiến cách lựa chọn con kiến sư tử trong giai đoạn roulette wheel bằng cách tăng

độ lớn (fitness value) và chọn luôn giá trị không tốt (negative fitness value) vào cuối thuật toán cập nhật kiến sư tử ưu tú (elitte), kết hợp tìm kiếm và sắp xếp quần thể, so sánh các cặp fitness value của kiến ant và kiến sư tử, nếu như fitness value của kiến ant tốt hơn fitness value của kiến sư tử thì vị trí kiến ant sẽ được cập nhật thành kiến sư tử được thể hiện qua đoạn code sau:

Chọn kiến sư tử bằng roulette wheel để xây dựng bẫy

op5% &012 ;qr8o

∑tuvrop5% &012 ;qr8o, 1,2, … , (17)

Những con kiến ants trượt vào bẫy

1& Antlion1&B &

1& Antlion 1&B &y 0.75 X Dz D X 1

1& Antlion1& &

1& Antlion1& &y 0.5 X Dz D X 0.75

1& Antlion1&B &

1

& Antlion1&B &y 0.25 X Dz D X 0.5

1& Antlion1& &

end for

Tính toán fitness value của kiến ant, so sánh fitness value kiến ant với AntLion, nếu kiến ant tốt hơn fitness value kiến su tử antlion thì vị trí kiến ant thành vị trí kiến sư tử antlion Nếu ngược lại thì kiến sư tử AntLion vẫn giữ nguyên vị trí

Antlion1& Ant1& * 1& X * C D 1& (21) cập nhật vị trí kiến sư tử

endwhile

Return elite antlion

3.4 Phương pháp lựa chọn cạnh tranh – Tournament Selection (TS)

Tournament selection là phương pháp lựa chọn đơn giản, n cá thể được chọn trong quần thể lớn, và cho cạnh tranh với nhau, cá thể có fitness cao nhất sẽ được chọn, mỗi lần chọn thường là Ts cá thể và sắp xếp vào nhóm mới (Razali and Geraghty, 2011) Xem hình 3-5

Hình 3-5 Phương pháp Selection với Tourament Trong thuật toán (ALO) việc lựa chọn kiến sư tử tại bước đi ngẫu nhiên được xác định lại với một hệ số sẽ làm chậm qua trình tối ưu Phương pháp Tournament selection cập nhật lại bước đi ngẫu nhiên vị trí kiến ant trong bẫy tại roulette wheel, viết lai qua đoạn code:

for every ant

Chọn kiến sư tử bằng Tournament selection để xây dựng bẫy

Kiến mồi trượt vào bẫy như (18)

trong đó, Tournament, nó chọn ngẫu nhiên 2 con kiến sư tử và chọn ra một con tốt nhất để tham gia vào nhóm

3.4.1 Lai ghép phương pháp Tournament Selection vào thuật toán kiến sư tử

Đầu vào: Số con kiến sư tử antlion, số kiến ants, hàm mục tiêu, số vòng lập

Xuất: Vị trí kiến ưu tú (elitte) và fitness value

1: Khởi tạo vị trí kiến sư tử và bước đi ngẫu nhiên của kiến ants

2: Tính fitess value của kiến sư tử

3: Lấy fitness value tốt nhất của kiến sư tử thành kiến ưu tú (elitte)

Vòng lập tính toán không dừng lại nếu không tìm ra kiến tốt nhất

4: Chọn kiến sư tử dựa vào thuật toán Tourament Selection để xây dựng bẫy

5: Tạo bước đi ngẫu nhiên của các kiến ants xung quanh kiến ưu tú (elitte)

6: Cập nhật vị trí mỗi con kiến băng cách trung bình cộng của 2 bước đi ngẫu nhiên 7: Tính fitness value của mỗi con kiến

8: Thay thế vị trí kiến sư tử mới bằng cách so sánh fitness value kiến sư tử và kiến ant

9: Cập nhật kiến sư tử ưu tú (elitte)

10 Kết thúc vòng lập

3.5 Phương pháp đột biến và trao đổi chéo - Mutation and Crossover (MC)

Phương pháp này tạo ra một số biến thể của thuật toán di chuyền trong các giai đoạn của quá trình tối ưu hóa (Abdoun et al., 2012)

3.5.1 Crosover – trao đổi chéo

Thuật toán di chuyền Genetic algorithm kết hợp hai nhiễm sắc thể (Parent A, Parent B) để

tạo ra một nhiễm sắc thể mới (offspring) với xác xuất trao đổi chéo Px tạo ra cá thể mới

3.5.3 Lai ghép vào thuật toán (ALO)

Đầu vào: Số con kiến sư tử antlion, số kiến ants, hàm mục tiêu, số vòng lập

Xuất: Vị trí kiến ưu tú (elitte) và fitness value

1: Khởi tạo vị trí kiến sư tử và bước đi ngẫu nhiên của kiến ants

2: Tính fitess value của kiến sư tử

3: Lấy fitness value tốt nhất của kiến sư tử thành kiến ưu tú (elitte)

Vòng lập tính toán không dừng lại nếu không tìm ra kiến tốt nhất

4: Chọn kiến sư tử dựa vào thuật toán Tourament Selection để xây dựng bẫy

5: Tạo bước đi ngẫu nhiên của các kiến ants xung quanh kiến ưu tú (elitte)

6: Cập nhật vị trí mỗi con kiến băng cách trung bình cộng của 2 bước đi ngẫu nhiên 7: Tính fitness value của mỗi con kiến

8: Đôt biến và trao đôi chéo

Cập nhật và so sánh vị trí kiến sư tử , vị trí kiến mới và kiến đột biến 9: cập nhật lại kiến ưu tú (elitte)

3.6 Phương pháp học dựa trên sự đối diện - Opposition-based learning (OBL)

Opposition-based learning (OBL) được giới thiệu bởi Tizoosh và cộng sự (Tizhoosh, 2005) đảm bảo sự tăng tốc trong quá trình hội tụ bằng cách so sánh số lượng đối diện với kết quả đã được chọn và tìm ra kết quả tốt hơn trong quần thể để giữ lại cho lần tiếp theo, đẩy nhanh sự hội tụ Chu kì hội tụ phụ thuộc vào khoản cách của điểm kết quả ban đầu đến điểm kết quả tối ưu hóa (Dinkar and Deep, 2018)

3.6.1 Định nghĩa 1

Opposition-based learning (OBL) được Rahnamayan và cộng sự (Rahnamayan et al., 2008) khái niệm rằng không gian tìm kiếm được chuyển đổi thành không gian đối diện mới, không gian tìm kiếm một chiều có thể đươc mở rộng nhiều chiều “Nếu у là điểm tìm kiếm trong không gian, trong đó p∈[LB,UB], thì một vị trí tìm kiếm mới là p* trong không gian đã biến đổi thể hiện qua công thức sau:

p*= LB+UB- p (24)

3.6.2 Định nghĩa 2

Opposition-based learning (OBL) cho thứ nguyên cao hơn (hight dimension) thì Rahnamayan và cộng sự khái nệm rằng, nếu P∈(p 1, p 2…, p D) thì D là một điểm trong không gian tìm kiếm, p 1, p 2…, p D∈R, trong dó R là space Euclidean và pi∈[LBi,UBi],

∀i∈(1, 2,…, D) thì điểm biến đổi mới được xác định bởi công thức (Rahnamayan et al., 2008):

pi*= LBi+UBi- pi (25) quần thể ban đầu và quần thể đối diện mới được đánh giá và chọn ra fitness value tốt nhất thông qua công thức

ƒ(p)≤ƒ(p*) (26) trong đó ƒ(p) xác định finess value tại điểm đầu và ƒ(p*) xác định fitness value điểm đối diện, nếu ƒ(p)≤ƒ(p*) thì y sẽ được thay thế bằng p* , nếu không thì tiếp tục tìm kiếm

Hình 3-6 Hình minh họa điểm đối diện trong một, hai, và ba chiều

3.6.3 Lai ghép phương pháp (OBL) vào (ALO)

Sau khi xác định giá trị hàm thích nghi của các kiến sư tử, một quần thể kiến mới được tạo ra bằng cách sử dụng thuật toán (OBL) có hệ số gia tốc Việc này giúp tăng khả năng khám phá ra các cá thể gần với lời giải tối ưu hơn Công thức như sau:

* 1,49Ž& 5|0owB |•€ * 1&8 (27)

Antlion1& Ant1& * 1& X * C D 1& (28)

Antlion1,•01&&•& Ant1,4Ž9& 5* 1,4Ž9& 8 X * C D 1& (29) Trong đó:

- Antlioni : vị trí kiến sư tử

- Antlion1,•01&•& : vị trí kiến sư tử ưu tú

- Antt

- blow , bup: biên dưới và biên trên của biến Anti

Sau đó, thực hiện so sánh giữa giá trị hàm thích nghi của các cá thể đối diện với giá

Bảng 3- 1 Ưu và nhược điểm của các phương pháp sau khi lai ghép (IALO-MOLT)

ALO

Dễ xử dụng, thông số đầu vào ít, có thể

mở rộng, tính hội tụ cao, linh hoạt, việc

thăm dò và khai thác được cân bằng

Tối ưu muộn, thời gian chạy thuật toán lâu do sự chuyển động của kiến

sử dụng mô hình đi bộ ngẫu nhiên, kết quả không chính xác

IALO

Giá trị trung bình giũa các kết quả có

độ lệch chuẩn tốt, tối ưu thời gian chạy,

không gian tìm kiếm rộng hơn

Giảm tôc độ hội tụ lúc đầu, hội tụ sớm khi quần thể đa dạng

TS

Được lựa chọn đa dang cá thể có value

fitness cao, hiệu xuất tốt về tối ưu hóa,

tăng tốc hội tụ

Tăng độ phức tạp trong quá trình tính toán so với thuật toán gốc ban đầu

MC

Tăng tốc khả năng lựa chọn và đột biến

trong quá trình tối ưu hóa, mở rộng

không gian tìm kiếm

OBL

Hạn chế tối ưu cục bộ, tăng không gian

và khả năng tìm kiếm đối tượng, tăng

tốc hội tụ, tránh tối ưu cục bộ

Sau khi lai ghép thuật toán gốc kiến sư tử (ALO) với các phương pháp Improved ALO (IALO),Tournament selection (TS), Mutation and crossover (MC), Opposition-based learning (OBL) Ta được một lưu đồ thuật toán mới IALO-MOLT xem hình 3-7