CÁC KĨ THUẬT TỐI ƯU GABased Verification of Network Protocols Performance

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG KHOA ĐÀO TẠO SAU ĐẠI HỌC  CÁC KĨ THUẬT TỐI ƯU GABased Verification of Network Protocols Performance Giáo viên hướng dẫn : PGS.TS Lê Nhật Thăng Học viên : Vân Thị Thu Trang Phạm Thành Trung Nguyễn Minh Tuấn Lớp : Khoa học máy tính Khóa : Cao học 2013 Đợt 1 Hà Nội, tháng 5 năm 2014 Mục lục LỜI NÓI ĐẦU 3 Các thuật ngữ viết tắt 3 Danh mục các hình vẽ 3 Danh mục các bảng biểu 3 Chương 1 Kỹ thuật tính toán Heuristic và thích ứng (Adaptive) trong viễn thông. 3 1.1 Các vấn đề tối ưu hóa trong viễn thông 3 1.2 Bài toán động và thích ứng 3 1.3 Các kỹ thuật Heuristic hiện đại 3 1.3.1. Tìm kiếm cục bộ 3 1.3.2 Tìm kiến dựa trên tập hợp (PopulationBased Search) 3 1.4 Kỹ thuật tính toán thích nghi 3 1.4.1. Tính toán hệ thần kinh 3 1.4.2 Logic mờ 3 1.4.3 Lý thuyết trò chơi 3 1.5 Tổng kết 3 Chương 11: GA Căn cứ xác nhận hiệu suất của giao thức mạng 3 11.1 Giới thiệu 3 11.2 Cách tiếp cận 3 11.3 Thuật toán GA 3 11.3.1. Các thuật toán di truyền trong Nepal: 3 11.3.2. Encoding: 3 11.3.3. Các loại lai chéo: 3 11.3.4. Đột biến 3 11.3.5. Diễn tả Univocal 3 11.4. Kết quả thực nghiệm 3 11.4.1.Topology Network 3 11.4.2. Giá trị các tham số 3 11.4.3. Kết quả 3 11.4.4. Phân tích 3 11.5. Kết luận 3 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 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. Thuật giải 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. Thuật giải 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 thuật giải di truyền để thiết kế mạng tối ưu. Các thuật ngữ viết tắt Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt CPU Central Processing Unit Bộ xử lý trung tâm FSM Finite State Machine Máy hữu hạn trạng thái GA Genetic Algorithm Thuật toán di truyền insane Internet Simulated ATM Networking Environment IP Internet Protocol Giao thức Internet Nepal Network Protocol Analysis Algorithm Thuật toán phân tích giao thức mạng TCP Transmission Control Protocol Giao thức điều khiển truyền vận UDP User Datagram Protocol Danh mục các hình vẽ Hình 11. 1 Thiết kế của hệ thống Nepal 3 Hình 11. 2 Mã giả của thuật toán GA trong Nepal 3 Hình 11. 3 Individual Encoding 3 Hình 11. 4 Các loại lai chéo 3 Hình 11. 5 Mô hình liên kết của một mạng 3 Hình 11. 6 Thông lượng của việc điều tra các kết nối 3 Hình 11. 7 Hiệu quả xáo trộn 3 Hình 11. 8 Kích thước cửa sổ điều khiển của một nguồn TCP 3 Danh mục các bảng biểu Bảng 11. 1 Giá trị các tham số của thuật toán di truyền 3 Chương 1 Kỹ thuật tính toán Heuristic và thích ứng (Adaptive) trong viễn thông. 1.1 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 ta nhiều thách thức và cơ hội. Trong cuốn sách này, những thách thức mà chúng tôi tập trung vào là những liên quan đến việc tối ưu hóa. Điều này chỉ đơn giản đề cập tới những 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 số lượng lớn cách để thiết kế các cấu trúc liên kết một mạng dữ liệu riêng cho một công ty lớn. Làm thế nào chúng ta có thể tìm thấy một thiết kế đặc biệt tốt trong tất cả các khả năng? Ngoài ra, chúng ta có thể thử tìm một cách tốt để gán kênh tần số cho nhiều người sử dụng mạng di động. Có một loạt các khó khăn phức tạp liên quan ở đây, số lượng các phương án có thể đáp ứng các khó khăn vẫn còn quá lớn để chúng tôi hy vọng 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, các nhà 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 mà hiện nay đang được được sử dụng trong ngành công nghiệp, nhưng có tiềm năng lớn cho 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 trình nghiên cứu trong các chương sắp tới trình bày một phần việc áp dụng những kỹ thuật này cho các bài toán liên quan đến viễn thông. Các kỹ thuật sử dụng bao gồm các phương pháp tìm kiếm địa phương “ như ủ mô phỏng (Aarts và Korst, 1989) và tìm kiếm tabu (Glover, 1989; 1989a), và các kỹ thuật tìm kiếm dựa trên tập hợp như thuật toán di truyền (Hà Lan, 1975 ; Goldberg, 1989), chiến lược phát triển (Schwefel, 1981; Back, 1996), lập trình tiến hóa (Fogel, 1995) và lập trình di truyền (Koza, 1992). Mục 1.3 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 chưa biết cách để giải quyết chúng. Chương sau thảo luận về việc sử dụng liên quan đến các bài toán đặc biệt trong viễn thông. 1.2 Bài toán động và thích ứng

MỤC LỤC

LỜI NÓI ĐẦU 3

CÁC THUẬT NGỮ VIẾT TẮT 4

DANH MỤC CÁC HÌNH VẼ 4

Chương 1: Kỹ thuật tính toán Heuristic và thích nghi trong viễn thông 5

1.1 Các vấn đề tối ưu hóa trong viễn thông 5

1.2 Bài toán động và thích ứng 6

1.3 Các kỹ thuật Heuristic hiện đại 7

1.4 Tìm kiếm cục bộ 8

1.5 Mô phỏng luyện kim 9

1.6 Tabu Search 11

1.7 Phương pháp tìm kiếm cục bộ Artful 11

1.8 Tìm kiến dựa trên quần thể (Population-Based Search) 13

1.9 Kỹ thuật tính toán thích nghi 15

1.10 Kỹ thuật tính toán thích nghi 16

1.11 Tính toán hệ thần kinh 17

1.12 Logic mờ 18

1.13 Lý thuyết trò chơi 19

1.14 Tổng kết 20

Chương 9: Thuật toán Genetic Adaptive Routing Algorithm 21

9.1 Giới thiệu 21

9.2 Các thuật toán định tuyến trên Internet 21

9.3 Giải thuật di truyền trong Quản lý tài nguyên mạng 22

9.4 Tổng quan về GARA 23

9.5 Path genetic operators (Toán tử di truyền) 24

9.5.1 Path mutation (Toán tử đột biến) 24

9.5.2 Path crossover (Toán tử lai ghép) 25

9.6 Maintaining Routing Tables (Duy trì bảng định tuyến) 27

9.7 Fitness Evaluation (Đánh giá độ thích nghi) 27

9.8 Execution Flow (Luồng thực hiện) 28

9.9 Kết quả thực nghiệm 29

9.10 Kết luận 37

TÀI LIỆU THAM KHẢO 38

LỜI NÓI ĐẦU

Trong ngành khoa học máy tính, tìm kiếm lời giải tối ưu cho các bài toán là vấn đềđược các nhà khoa học máy tính đặc biệt rất quan tâm Mục đích chính của các thuật toántìm kiếm lời giải là tìm ra lời giải tối ƣu nhất cho bài toán trong thời gian nhỏ nhất Cácthuật toán như tìm kiếm không có thông tin / vét cạn ( tìm kiếm trên danh sách, trên câyhoặc đồ thị ) sử dụng phương pháp đơn giản nhất và trực quan nhất hoặc các thuật toántìm kiếm có thông tin sử dụng heurictics để áp dụng các tri thức về cấu trúc của khônggian tìm kiếm nhằm giảm thời gian cần thiết cho việc tìm kiếm được sử dụng nhiềunhưng chỉ với không gian tìm kiếm nhỏ và không hiệu quả khi tìm kiếm trong không giantìm kiếm lớn Tuy nhiên, trong thực tiễn có rất nhiều bài toán tối ưu với không gian tìmkiếm 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 giantìm kiếm lớn Thuật giải di truyền (genetic algorithm) là một trong những kỹ thuật tìmkiếm lời giải tối ưu đã đáp ứng được yêu cầu của nhiều bài toán và ứng dụng

Thuật giải di truyền đã được phát minh ra để bắt chước quá trình phát triển tự nhiêntrong điều kiện quy định sẵn của môi trường Trong bài tiểu luận này chúng ta sẽ nghiêncứu về việc áp dụng thuật giải di truyền để thiết kế mạng tối ưu

CÁC THUẬT NGỮ VIẾT TẮT

DANH MỤC CÁC HÌNH VẼ

Hình 9.1: Overview of the GARA 23

Hình 9.2: Path mutation applied to a route 25

Hình 9.3: Path crossover applied to a pair of routes 26

Hình 9.4: A routing table 27

Hình 9.5: Pseudo PASCAL code for the GARA 30

Hình 9.6: A sample network for the experiment 31

Hình 9.7: Mean arrival time of packets 32

Hình 9.8: The number of packets sent by the routing algorithms 33

Hình 9.9: Load status of links (RIP) 34

Hình 9.10: Load status of links (SPF) 35

Hình 9.11: Load status of links (adaptive SPF, 30s interval) 35

Hình 9.12: Load status of links (GARA) 36

Hình 9.13: The routing table in node 0 generated after the simulation 36

Chương 1: Kỹ thuật tính toán Heuristic và thích nghi trong viễn thông

1.1 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 tới nhữngtrường hợp mà trong đó chúng ta đang hướng tới tìm một cách tiếp cận phương án tốtnhất giữa nhiều phương án có thể có để giải quyết bài toán Ví dụ, có một số lượng lớncách để thiết kế các cấu trúc liên kết một mạng dữ liệu riêng cho một công ty lớn Làmthế nào chúng ta có thể tìm thấy một thiết kế đặc biệt tốt trong tất cả các khả năng? Ngoài

ra, chúng ta có thể thử tìm một cách tốt để gán kênh tần số cho nhiều người sử dụngmạng di động Có một loạt các khó khăn phức tạp liên quan ở đây, số lượng các phương

án có thể đáp ứng các khó khăn vẫn còn quá lớn để chúng tôi hy vọng sẽ kiểm tra lần lượttừng phương án trong số chúng Vì vậy, một lần nữa, chúng ta cần một số cách để tìm ragiải 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, các nhànghiên 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 mà hiện nayđang được được sử dụng trong ngành công nghiệp, nhưng có tiềm năng lớn cho các giảipháp 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 thuật nàycho các bài toán liên quan đến viễn thông Các kỹ thuật sử dụng bao gồm các phươngpháp “tìm kiếm địa phương “ như ủ mô phỏng (Aarts và Korst, 1989) và tìm kiếm tabu(Glover, 1989; 1989a), và các kỹ thuật tìm kiếm 'dựa trên tập hợp' như thuật toán ditruyền (Hà Lan, 1975 ; Goldberg, 1989), chiến lược phát triển (Schwefel, 1981; Back,1996), lập trình tiến hóa (Fogel, 1995) và lập trình di truyền (Koza, 1992) Mục 1.3 giớithiệu ngắn gọn và cơ bản các kỹ thuật trên, dành cho các kỹ sư viễn thông, quản lý hoặcnghiên cứu, những người hiểu biết quá nhiều về vấn đề này, nhưng chưa biết cách để giảiquyết chúng Chương sau thảo luận về việc sử dụng liên quan đến các bài toán đặc biệttrong viễn thông

1.2 Bài toán động và thích 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 không thểnhận biết) để thực hiện phù hợp cân bằng tải giữa các máy chủ Kỹ thuật tối ưu hóa hiệnđại có thể được sử dụng để phân phối tải trọng phù hợp trên các máy chủ, tuy nhiên giảipháp này trở nên không hợp lệ ngay sau khi có sự thay đổi trung bình trong mô hình truycập cơ sở dữ liệu của khách hàng Một ví dụ khác là định tuyến gói chung trong mộtmạng point-to-point Theo truyền thống, routing table tại mỗi node được sử dụng để tìmkiếm ' bước kế tiếp ' tốt nhất cho một gói dựa trên điểm đến cuối cùng của 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 routing table thích hợp cho mỗi node, do đó ùn tắcchung và sự chậm trễ có thể được giảm thiểu, tức là trong nhiều trường hợp là ' bước kếtiếp “tốt nhất có thể không tìm được node tiếp theo trên con đường ngắn nhất, vì liên kếtnày có thể được được sử dụng nhiều rồi Tuy nhiên, đây rõ ràng là một chương trình cầnđược thực hiện lặp đi lặp lại như những biểu đồ thay đổi lưu 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 khi cácgiải pháp tốt yêu cầu cần thiết phải rất nhanh, vì môi trường thay đổi rất nhanh chóng.Thay vào đó, một phạm vi khác của các kỹ thuật tính toán hiện đại thường thích hợp chocác bài toán như vậy Chúng ta có thể gọi chung lớp này là kỹ thuật “thích ứng”, mặc dùviệc 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 trò chơi để giảiquyết tối ưu hóa thích nghi trong môi trường động, trong một số trường hợp kết hợp vớitìm kiếm cụ bộ hoặc dựa vào tập hợp Về cơ bản, một kỹ thuật tối ưu hóa cung cấp mộtcách nhanh chóng và hiệu quả để tìm một giải pháp tốt trong nhiều giải pháp, một kỹthuật thích ứng phải cung cấp một giải pháp tốt gần như là ngay lập tức

Thủ thuật ở đây đó là các phương pháp sử dụng tiến trình “off-line” để học về vấn đềđang giải quyết sao cho khi mà các kết quả tốt và nhanh được yêu cầu thì chúng sẽ được

chuyển đi Ví dụ, một cách tiếp cận thích hợp cho việc định tuyến gói tin trong các mặtthay đổi trong mô hình giao thông sẽ bao gồm một số liên tục nhưng tôi thiểu hóa xử lý

mà được cập nhật liên tục trong routing table tại mỗi node dựa trên thông tin hiện tại về

độ trễ và mức độ giao thông

Trong phần còn lại của chương này chúng ta sẽ giới thiệu ngắn gọn về sự tối ưu và vàcác kỹ thuật thích ứng mà chúng ta đã đề cập ở trên Chi tiết sẽ được nói ở các chươngsau Sau đó chúng ta sẽ nói một chút về ba phần trong cuốn sách này trong các chươngtiếp theo Sau cùng, chúng ta sẽ chỉ ra tại sao những kỹ thuật này là quan trọng trong viễnthông, 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) đãđược sử dụng để giải quyết các lọa vấn đề tối ưu khác nhau Tuy nhiên , một cộng đồnglớn của các nhà khoa học máy tính và các nhà nghiên cứu trí tuệ nhân tạo ngày nay đangdành rất nhiều nỗ lực vào những ý tưởng hiện đại hơn được gọi là “metaheuristics” haycòn gọi là “heuristic” Vấn đề khác nhau cơ bản giữa các phương pháp hiên đại vàphương pháp cổ điển đó là, nó dễ áp dụng hơn Tực là nếu đưa ra một vấn đề thực tế điểnhình và phức tạp thì nó sẽ cần ít công sức để phát triển cách tiếp cận mô hình tôi thép đểgiải quyết vấn đề đó hơn là trình bày vấn đề theo cách quy hoạch tuyến tính có thể ápdụng 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 ápdụng đó là :

 Một chuyên gia metaheuristics so sánh hại loại kỹ thuật : phương pháp hiện đại làmtốt hơn phương pháp cổ điện

 Một chuyên gia nghiên cứu các hoạt động cổ điển so sánh hai loại kỹ thuật : phươngpháp cổ điển vượt trội hơn phương pháp hiện đại

Mặc dù sự quan sát này dựa trên một khía cạnh quan trọng trong việc giải quyết cácvấn đề tối ưu, bạn càng hiểu rõ các kỹ thuật riêng biệt mà bạn đang áp dụng thì bạn càng

có khả sử dụng và khai thác nó để đạt được kết quả tốt hơn

Trong phần này chúng tôi chỉ cung cấp khía quát về một số thuật toán tối ưu hiện đại,

và do đó không cung cấp khá đầy đủ thông tin cho một người đọc để có thể chỉnh chophù hợp với các vấn đề cụ thể Mặc dù chúng tôi không chỉ cho bạn cách để sáng tạo với

chúng, nhưng chúng tôi chỉ ra điểm mấu chốt ở đâu Làm cách nào để áp dụng sáng tạochúng thì phụ thuộc và rất nhiều vấn đề, nhưng chương sau sẽ cung cấp các thông tin chotừng trường hợp cụ thể Những gì sẽ trở nên rõ ràng từ chương này, tuy nhiên, đó lànhững kỹ thuật được đánh giá cao chung trong ứng dụng của chúng Trong thực tế, bất cứkhi nào cũng có một số cách khá sẵn để đánh giá hoặc tính điểm giải pháp ứng cử viêncho 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 cục bộ, tìm kiếm dựatrên quần thể Đó sẽ là những thứ sẽ được bàn đến tiếp theo đây

1.4 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 nó quá lớn

để có thể hiểu rõ toàn bộ Tuy nhiên, bạn có một số cách để tạo ra các giải pháp từ nó Ví

dụ, S có thể là một tập hợp các cấu trúc liên kết cho một mạng, và các giải pháp ứng cử s,

s’, s”, … là các đề cử cấu trúc kết nối cụ thể mà bạn đã đưa ra theo cách 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 hơn đồng nghĩa với việc đó làgiải pháp tốt hơn Lấy ví dụ, chúng ta đang cố gắng tìm ra những cấu trúc liên kết mạng

đáng tin cậy nhất, sau đó f (s) có thể tính toán xác suất thất bại của liên kết giữa hai node

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 thì thích 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, và tạo

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 ta biến

đổi một cấu trúc liên kết mạng, kết quả biến đổi có thể bao gồm một liên kết thêm không

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, hãyxem xét một trong những phương pháp tìm kiếm cục bộ đơn giản nhất, được gọi là

phương 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 Ở bất

kỳ bước nào, chúng ta có một giải pháp hiện tại, và khi chúng ta nhìn vào một ân cận 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 sang lân cận đó; do đó,cần bắt đầu lại với lân cận giống như là với một giải pháp hiện tại mới Ý tưởng căn bảnđằng sau điều này, và đằng sau phương pháp tìm kiếm cục bộ nói chung, đó là sự hội tụcủa các giải pháp tốt Bạn có thể không thực sự mong đợi một cấu trúc liên kết đáng tincậy xuất hiện, ví dụ, thêm một liên kết đơn vào một cấu trúc liên kết không đáng tin cậy.Tuy nhiên, bạn có thể mong đợi rằng một sự thay đổi như vậy có thể biến một cấu trúcliên kết đáng tin cậy thành một cấu trúc liên kết đáng tin 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 cho mụcđích của chúng ta, nhưng tất cả các phương án lân cận của nó thậm chí còn tồi hơn 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 quyếtchính 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 xemxét lại 2 phương pháp ở đây, đây là những phương pháp được sử dụng phổ biến và được

sử dụng ở phần sau trong cuốn sách này Dưới đây là mô phỏng luyện kim (simulatedannealing) và tìm kiếm tabu (tabu search)

1.5 Mô phỏng luyện kim

Thuật toán Mô phỏng luyện kim giống với thuật toán leo đồi Sự khác biệt duy nhất làviệc thêm vào của 1 cặp tham số, một bước phụ mà một số cuốn sách thực hiện với

những tham số này, và đây là điểm chính, bước 3 được thay đổi để sử dụng các tham sốnày:

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 bản sao 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 quả củaviệc biến đổi ngay cả khi nó kém hơn cả giải pháp hiện tại Tuy nhiên, chúng không 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 là thuật toán có

cơ hội tốt để thoát khỏi optima cục bộ, do đó có thể tìm kiếm các miền tốt hơn của khônggian sau này Tuy nhiên, hướng cơ bản của sự dịch chuyển về các miền tốt hơn được duytrì Tất cả những điều này được thực hiện trong chức năng test của bước 3 Một ví dụ vềloại 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 cần chuyển

đổi f(m) và f(c)) Nếu kết quả của việc biến đổi tốt hơn hoặc tương đương giải pháp hiện

tại, thì biểu thức trên sẽ lớn hơn hoặc bằng 1 Nếu kết quả của việc biến đổi kém hơn, thìkết 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, với 0<rand<1 và thực

hiện test trong bước 3 chỉ đơn giản là kiểm tra có hay không biểu thức nhỏ hơn rand Nếuvậy (luôn luôn được như vậy nếu kết quả biến đổi tốt hơn hoặc tương đương), chúng tachấp nhận kết quả biến đổi T là tham số nhiệt độ Với bắt đầu lớn và giảm dần (xembước 4) theo thời gian Điều bạn có thể nói từ biểu thức trên, là xác suất của kết quả biếnđổi 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 để đạtđược những tham số đúng Tham khảo cuốn A good modern account, Dowsland (1995)

1.6 Tabu Search

Một cách khác để thoát khỏi optima cục bộ được cung cấp bởi tìm kiếm tabu (Glover1989; 1989a; Glover and Laguna, 1997) Có nhiều khía cạnh tinh vi để tìm kiếm tabu, ởđây chúng ta chỉ tìm hiểu về bản chất của kỹ thuật Giới thiệu một cách rõ ràng và đầy đủđược cung cấp trong Glover and Laguna (1995; 1997)

Phương pháp tìm kiếm 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 trong lánggiềng để chuyển đến Đặc tính có tính phân biệt này của phương pháp tìm kiếm Tabu là

về vấn đề đưa ra sự lựa chọn như thế nào Đây không đơn giản là việc lựa chọn lánggiềng nào phù hợp nhất trong số những láng giềng đã được kiểm tra Phương pháp tìmkiếm Tabu tính đến cả sự biến đổi (mutation) mà cho chúng ta kết quả Ví dụ, nếu lánggiềng tốt nhất trong giải pháp của bạn là láng giềng mà kết nối bằng việc thay đổi liên kết

từ node k, nhưng chúng ta đã thực hiện việc kết nối đó trong lần lặp trước thì có thể một

láng giềng khác sẽ được lựa chọn thay thế, thậm chí nếu sự di chuyển tốt nhất hiện tại là

di chuyển gần đây nhất cũng có thể không được chấp nhận Tìm kiếm tabu cung cấp một

cơ chế dựa trên chỉ tiêu nguyện vọng cho phép ta chọn nhiều hơn nếu láng giềng đangđược 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 vài dạng

bộ nhớ ghi lại những thuộc tính nhất định của những di chuyển gần đây Những thuộctính này phụ thuộc nhiều vào vấn đề đang xem xét và đây là một phần của việc áp dụngphương pháp tìm kiếm tabu Ví dụ, nếu chúng ta cố gắng tối ưu hóa topo mạng, một dạngcủa bộ biến đổi sẽ phải thay đổi đường cáp liên kết giữa node a và node b Hoặc là trongviệc cài đặt phương pháp tìm kiếm tabu, chúng ta có lẽ chỉ ghi lại sự kiện thay đổi đường

cáp ở lần lặp thứ i, hoặc là đơn giản chỉ ghi lại sự thay đổi trong liên kết giữa node a với

một node mà liên kết với node b Nếu chúng ta chỉ ghi lại kiểu thuộc tính trước đó thìnhững di chuyển có thể xảy ra gần thời điểm đó có thể không được chấp nhận và khôngphụ thuộc vào các node có liên quan Nếu chúng ta chỉ ghi lại thuộc tính sau đó thì nhữngthay đổi tiềm năng bao gồm node a và (hoặc) node b có thể không được chấp nhận nhưngnhững di chuyển thay đổi cáp có thể được chấp nhận

1.7 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 chuyển cục bộ

đều là những ý tưởng tốt Ví dụ, nếu giải pháp hiện tại của bạn tốt thì có thể có một giảipháp 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 pháp tìmkiếm tabu là hai cách tiếp cận để giải quyết vấn đề này Tuy nhiên, đối với một vấn đề cụthể thì cách tốt nhất trong triển khai và thiết kế hai cách tiếp cận trên là không rõ ràng Cónhiều sự lựa chọn có thể đưa ra: cách đầu tiên có thể là làm cách nào để trình bày mộtgiải pháp đưa ra tại vị trí đầu tiên Lấy ví dụ, một topo mạng có thể được biểu diễn dướidạng cách danh sách của các liên kết trong đó mỗi cặp liên kết là một cặp node (a, b).Việc giải mã danh sách đó thành một topo mạng đơn giản là vẽ liên kết cho mỗi cặp nodetrong danh sách đó Nói cách khác, chúng ta có thể biểu diễn một topo mạng như là mộtchuỗi nhị phân chứa thông tin về các liên kết có thể có Mỗi vị trí trong chuỗi bit này sẽ

có thể thể hiện một liên kết điểm tới điểm Do vậy, một giải pháp đưa ra là “10010 ” cóthể chỉ ra một liên kết điểm tới điểm giữa node 1 và 2, không có liên kết giữa node 1 vànode 3 hoặc là giữa node 1 và node 4 hoặc là có một liên kết giữa node 1 và node 5 Nói chung, trên đây là những cách để đưa ra một phương pháp đại diện cho các giảipháp của vấn đề Tất nhiên sự lựa chọn cũng ảnh hưởng đến thiết kế của các toán tử lánggiềng Trong ví dụ trên, loại bỏ 1 liên kết từ topology liên quan đến 2 loại hoạt động khácnhau 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 ta thay đổi một bit 1 đến một bit 0trong 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 cho đếnnay cho topology mạng là một topology được tạo ngẫu nhiên điển hình cũng có thể làkhông kết nối Đó là một giải pháp ứng cử có thể chỉ đơn giản là không chứa các đườngdẫn giữa mỗi cặp node Thông thường, chúng ta chỉ quan tâm đến các mạng hướng kếtnối, vì vậy bất kỳ thuật toán tìm kiếm nào mà effort dành cho kết nối với các mạng hướngkhông kết nối thẩm định thì có vẻ khá lãng phí Đây là nơi mà miền tri thức cơ bản vànhững chuẩn đoán tồn tại sẽ có ích Đầu tiên, bất kỳ một nhà thiết kế mạng tốt nào đều sẽbiết 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 đại diện danh sách cặp node là

đã kết nối, đảm bảo rằng tất cả các giải pháp ứng viên s chứa 1 cây spanning cho mạng.Một cách để làm điều này là liên quan đến việc giải thích những cặp node đầu tiên giántiếp 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 không kết nối Bằng cách này, mọi cặp node tiếptheo cho thấy làm thế nào để tham gia như 1 node chưa được sử dụng để phát triển câyspanning Khi tất cả các node đã được kết nối như vậy, cặp node còn lại có thể được giảithích 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 thích nghi” (fitnessfunction) Miền tri thức cho chúng ta biết một số thuật toán nổi tiếng và nhanh chóng đưa

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 tạomỗi giải pháp ứng viên với cây chi phí nhỏ nhất, và tất cả những gì chúng ta cần là đạidiện 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 tốt hơndẫn đến hàng xóm tốt Một phương thức chuẩn đoán hiện có cho biết nhanh chóng giaocác kênh trong mạng di động, có thể được sử dụng để cung cấp điểm khởi tạo cho tìmkiếm địa phương mà cố gắng để tìm ra giải pháp tốt hơn

1.8 Tìm kiến dựa trên quần thể (Population-Based Search)

Một lựa chọn khác của thuật toán, hiện giờ đang rất phổ biến, được xây dựng dựa trên

ý tưởng về tìm kiếm địa phương bằng cách sử dụng tập hợp các giải pháp “hiện tại” thay

vì chỉ một Có 2 cách mà điều này có khả năng tương cường cơ hội tìm kiếm giải pháptốt Đầu tiên, khi chúng ta có 1 tập hợp, chúng ta có thể dành thời gian 1 cách hiệu quả đểtìm kiếm trong nhiều khu vực lân cận khác nhau như một Thuật toán dựa trên tập hợp có

xu hướng chia sẻ effort tính toán đến các giải pháp ứng viên khác nhau trong 1 cách thiên

vị bởi “mối quan hệ thích ứng” (relative fitness) của chúng Đó là, nhiều thời gian sẽđược dùng để tìm kiếm các vùng lân cận của các giải pháp tốt hơn là các giải pháp trungbình

Tuy nhiên, tối thiểu cần một ít thời gian cho việc tìm kiếm trong những miền nghiệm

ôn hòa hoặc thô, nên điều này dẫn đến việc tìm kiếm một đột biến đặc biệt tốt trên đường

đi, sau đó các cân bằng tải của nỗ lực tính toán sẽ được sửa đổi cho phù hợp

Một hướng tiếp cận khác được cung cấp bởi kỹ thuật dựa trên tổ hợp là chúng ta thử

sử dụng toán tử tái tổ hợp Đây là cách để tạo ra những đột biến, nhưng lần này từ 2 hoặcnhiều các nghiệm cha chứ không phải chỉ 1 Do đó kết quả được gọi là một tổ hợp chứkhông phải là một đột biến Tái tổ hợp cung cấp một cách có nguyên tắc tưởng đối để giảithích sự dịch chuyển của một vùng lân cận lớn Một trong những khó khăn của tìm kiếmcục bộ là ngay cả các kỹ thuật tiên tiến như mô phỏng và tìm kiếm cũng khó khăn 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 đầu thử với các dichuyển phi cục bộ nếu nó có bất kỳ cơ hội nào để đạt được bất kỳ nơi nào Vấn đề thực tế

ở đây là có rất nhiều khả năng di chuyển phi cục bộ Thật vậy các hàng 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 bộ tốt

từ một không gian lớn các khả năng Ví dụ, nếu 2 nghiệm cha là mỗi vécto của k phần tử,một toán tử tái tổ hợp được gọi là giao đơn điệu (uniform crossover), sẽ tạo ra mộtnghiệm con từ 2 nghiệm cha này bằng cách, với mỗi phần tử được trả ra lấy ngẫu nhiêngiá 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 đơn với mộtvài 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) Đánhgiá chúng

2 Lựa chọn một vài tập làm cha

3 Áp dụng toán tử tái tổ hợp và đột biến để từ các bộ cha mẹ tạo ra các bộ con

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 như sau.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 Các nghiệm ứngviên được tạo thành, càng nhiều cơ hội nó trở thành cha, và do đó có nhiều cơ hội hơn đểthuật toán tìm ra các vùng lân cận của nó Có những kỹ thuật chọn lựa khác nhau, hầu hếtđều được tham số hóa để thay đổi mức độ để các tổ hợp cha được tạo ra ưa thích hơn (các

áp lực chọn lọc) Bước 3 áp dụng các toán tử tái tổ hợp hoặc đột biến, hoặc cả hai Đây cótất cả các toán tử tái tổ hợp và đột biến, nhưng như chúng tôi gợi ý trên, những lợi íchthực sự đến khi một vài suy nghĩ đã được đưa vào thiết kế cụ thể các loại toán tử sử dụngmiền tri thức Trong bước 4, nhớ rằng chúng ta luôn duy trì một kích thước tổ hợp cốđịnh Vì vậy, nếu chúng ta có một tổ hợp 100, nhưng 20 phần tử con được thêm vào, thì

20 của 120 phần tử phải được loại bỏ Một cách tiếp cận phổ biến nhất là chỉ đơn giảnloại bò 20 phần tử ít phù hợp nhất với các nhóm kết hợp, nhưng có một vài phương phápkhác; 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 muốn loại bỏ solution s để có lợi cho solution t ít phù hợp hơn, nếu xảy ra trường hợp s đã có một bản sao trong quần thể còn t là ‘mới’ Cuối cùng, chúng ta

sẽ chỉ ra vài vấn đề về thuật ngữ Thực tế, có nhiều thuật toán dựa trên quần thể (population based) (hay còn gọi là thuật toán tiến hóa (evolutionary algorithms – EAs)).

Một thuật ngữ phổ biến khác được sử dụng là thuật ngữ “thuật toán di truyền” (geneticalgorithm), liên quan đến một họ các phương pháp sử dụng toán tử tái tổ hợp(recombination operator) (Holland, 1965; Goldberg, 1989), trong khi đó, các họ kháccủa thuật toán đó lại được gọi là lập trình tiến hóa (evolutionary programming) (Fogel,1995) và chiến lược tiến hóa (Bäck, 1996), có xu hướng sử dụng đột biến một mình(mutable alone) Trong mọi trường hợp, một solution ứng viên được gọi là NST, và cácthành phần của nó được gọi là các gene

1.9 Kỹ thuật tính toán thích nghi

Để giải quyết nhu cầu tối ưu trong môi trường viễn thông luôn luôn thay đổi, sử dụngtrực tiếp các kỹ thuật tối ưu cục bộ (local optimization) hoặc tối ưu quần thể cho kết quảkhông phù hợp Lý do là nó mất nhiều thời gian để hội tụ về một solution tốt, vì thế thờiđiểm 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 định xem

“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 điểm hiện tại và

ước lượng gần đúng thời điểm đến node d với các “bước kế tiếp” hiện tại của node a Tuy

nhiên, vì thời gian để có thể dựng mô phỏng với phần cứng của bộ chuyển mạch mạng(network switch) lên đến nhiều giờ nên ý tưởng chạy mô hình mô phỏng không phù hợp.Thay vào đó, chúng ta cần một cách khác Lý tưởng nhất, chúng ta đang tìm một “hộpđen” (black box), đầu vào là question và các điều kiện hiện tại còn đầu ra là answer hợp

lý và ngay lập tức VD về “hộp đen”: 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 cơbản là không linh hoạt (non-adaptive) Nếu một số giao thức quản lý mạng tiên tiến(advanced network management protocols) không hoạt 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 ta phải có khả năng thay đổi để thích hợpvới điều kiện hiện tại Chương 8 và chương 9 sẽ thảo luận về cách để thực thi vấn đề nàyliên quan đến routing table trong mạng chuyển mạch gói

Vì vậy, kỹ thuật thích ứng trong bối cảnh viễn thông có xu hướng liên quan đến cáchộp đen , hoặc các mô hình , mà bằng cách nào đó tìm hiểu và thích ứng với ' ẩn ' nhưng

có thể phản ứng rất nhanh chóng và thích hợp khi được hỏi cho một quyết định Trongmột số các chương có liên quan đến thích ứng, các kỹ thuật được sử dụng là những ngườichúng ta đã thảo luận đã có trong phần 1.3, nhưng thay đổi một cách thích hợp trong ánhsáng của sự cần thiết phải quyết định nhanh chóng Mặc dù vậy, ở những người khác,nhất định kỹ thuật quan trọng khác hiện đại được sử dụng, mà bây giờ chúng tôi sẽ giớithiệu một thời gian ngắn

Ví dụ, chúng ta muốn loại bỏ solution s để có lợi cho solution t ít phù hợp hơn, nếuxảy ra trường hợp s đã có một bản sao trong quần thể còn t là ‘mới’ Cuối cùng, chúng ta

sẽ chỉ ra vài vấn đề về thuật ngữ Thực tế, có nhiều thuật toán dựa trên quần thể (population based) (hay còn gọi là thuật toán tiến hóa (evolutionary algorithms – EAs)).

Một thuật ngữ phổ biến khác được sử dụng là thuật ngữ “thuật toán di truyền” (geneticalgorithm), liên quan đến một họ các phương pháp sử dụng toán tử tái tổ hợp(recombination operator) (Holland, 1965; Goldberg, 1989), trong khi đó, các họ kháccủa thuật toán đó lại được gọi là lập trình tiến hóa (evolutionary programming) (Fogel,1995) và chiến lược tiến hóa (Bäck, 1996), có xu hướng sử dụng đột biến một mình(mutable alone) Trong mọi trường hợp, một solution ứng viên được gọi là NST, và cácthành phần của nó được gọi là các gene

1.10 Kỹ thuật tính toán thích nghi

Để giải quyết nhu cầu tối ưu trong môi trường viễn thông luôn luôn thay đổi, sử dụngtrực tiếp các kỹ thuật tối ưu cục bộ (local optimization) hoặc tối ưu quần thể cho kết quảkhông phù hợp Lý do là nó mất nhiều thời gian để hội tụ về một solution tốt, vì thế thờiđiểm 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 định xem

“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 điểm hiện tại và

ước lượng gần đúng thời điểm đến node d với các “bước kế tiếp” hiện tại của node a Tuy

nhiên, vì thời gian để có thể dựng mô phỏng với phần cứng của bộ chuyển mạch mạng(network switch) lên đến nhiều giờ nên ý tưởng chạy mô hình mô phỏng không phù hợp.Thay vào đó, chúng ta cần một cách khác Lý tưởng nhất, chúng ta đang tìm một “hộpđen” (black box), đầu vào là question và các điều kiện hiện tại còn đầu ra là answer hợp

lý và ngay lập tức VD về “hộp đen”: Routing table (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 lýmạng tiên tiến (advanced network management protocols) không hoạt 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 ta phải có khả năng thay đổi đểthích hợp với điều kiện hiện tại Chương 8 và chương 9 sẽ thảo luận về cách để thực thivấn đề này liên quan đến routing table trong mạng chuyển mạch gói

Đây là sự ước lượng về thần kinh, logic mờ và lý thuyết trò chơi Vai trò của ướclượng thần kinh trong hoàn cảnh này là phát triển một mô hình ẩn, mô hình đó nghiêncứu (từ ví dụ) để làm thế nào có quyết định đúng đắn trong tập các trường hợp khác nhau.Kết quả tạo ra sẽ như một mạng lưới thần kinh, sau đó để làm việc trực tuyến như thế nàothì nhà sản xuất sẽ quyết định Vai trò của logic mờ là đưa ra cách để tạo ra các quy địnhvững chắc, đây là những quy định để ra quyết định Điều này về cơ bản là tạo ra cách giảiquyết của hộp đen, giống như một mạng lưới thần kinh nhưng với hoạt động bên trongkhác nhau Cuối cùng lý thuyết trò chơi sẽ đưa ra một cách nhìn khác, đó là một kịch bảnmạng năng động Về cơ bản, nếu chúng ta xem một số khía cạnh của quản lý mạng như làmột 'trò chơi', một tập hợp các phương trình và các mô hình được biết đến bắt đầu hoạtđộng, nó sẽ lần lượt cung cấp những phép tính gần đúng của mạng năng động thực sự

1.11 Tính toán hệ thần kinh

Tính toán hệ thần kinh (Rumelhart và MacClelland năm 1989; Haykin, 1998) về cơbản là một kỹ thuật phân loại mô hình, nhưng ngay từ cái nhìn đầu tiên nó đã cho thấykhả năng ứng dụng rộng rãi hơn Sức mạnh thực sự của phương pháp này nằm trong thực

tế và chúng ta không cần phải biết cách phân biệt các loại mô hình Ta cần xây dựng một

hệ thống chuyên gia dựa trên nguyên tắc cổ điển, ví dụ chúng ta cần phải có các quy tắcrồi mới xây dựng thành hệ thống Nếu chúng ta sử dụng cách tính toán hệ thần kinh, tuy

nhiên một loại đặc biệt của hộp đen được gọi là “mạng lưới thấn kinh” sẽ chủ yếu học cácquy tắc cơ bản bằng ví dụ Một ứng dụng điển hình của kỹ thuật này là đánh giá rủi ro tíndụng Các quy tắc là cơ sở ra quyết định về người sẽ hoặc sẽ không thể là một rủi ro tíndụng, giả định rằng chúng ta bỏ qua trường hợp những người có tài sản thế chấp caonhưng lương thấp, nó tương đối phức tạp Chúng ta có thể đào tạo một mạng lưới thầnkinh để dự đoán rủi ro xấu, tuy nhiên, chỉ đơn giản bằng cách cung cấp một bộ các ví dụđược biết trước, chẳng hạn như “người p từ vùng r với lương s và nghề y trả chokhoản vay kích cỡ m; người q với mức lương t và vv Với p, r, s, vv, như đầu vào, cácmạng lưới thần kinh dần dần tự điều chỉnh trong nội bộ một cách hợp lý để cuối cùng sẽcho kết quả chính xác (chỉ khả năng mặc định của khoản vay) và đó chính là những ví dụ

đã được đào tạo trước Đáng chú ý, và rất hữu ích, chúng ta có thể hi vọng là các mạnglưới thần kinh có thể đưa là các dự đoán một cách nhanh chóng và tốt khi chúng ta cungcấp thông tin đầu vào mà trước đó chưa có trong dữ liệu

Trong nội bộ, một mạng lưới thần kinh là một cấu trúc rất đơn giản; nó chỉ là một tậphợp các node (đôi khi được gọi là “tế bào thần kinh nhân tạo”) với các liên kết đầu vào vàđầu ra, mỗi node trong số đó có cách xử lý khá đơn giản nó thêm các số thông qua cácliên kết đầu vào của nó, mỗi trọng số bằng một giá trị mạnh (gọi là trọng lượng) liên quanđến việc liên kết giữa nó với đối tượng khác, sau đó nó sẽ xử lý tổng hợp và gửi kết quảlên liên kết đầu ra của nó Với cách gọi là “feed-forward” mạng lưới thần kinh là một tậphợp các node như vậy, tổ chức thành lớp Vấn đề sẽ được đưa vào lớp đầu tiên, sau đó nó

xử lý và kết quả sẽ được đưa vào lớp thứ 2, và cứ như vậy, mặc dù chúng thường chỉ có 3lớp Rõ ràng những con số đi ra ở cuối (kết quả) sẽ phụ thuộc vào những gì đã đi vào đầuvào, nó liên quan mật thiết và được xác định bởi trọng số của các liên kết

Cách cổ điển, đây là một phương pháp gọi là lan truyền ngược (Rumelhart vàMacClelland 1989), nhưng cũng có nhiều phiên bản hiện đại Trên thực tế, các loạimạng mà chúng tôi đã mô tả ngắn gọn ở đây chỉ là một trong nhiều loại có sẵn (Haykin,1999)1989), nhưng có rất nhiều biến thể hiện đại Trên thực tế, các loại mạng chúng ta đã

mô tả một cách ngắn gọn ở đây chỉ là một trong nhiều loại có sẵn

1.12 Logic mờ

Trong một số trường hợp chúng ta có thể nghĩ về các quy tắc hợp lệ cho miền giá trịcủa vấn đề Ví dụ, “nếu lưu lượng đông đúc, sử dụng node a’ và ‘nếu lưu lượng rất đôngđúc, sử dụng node b’ Tuy nhiên, những quy luật như vậy không thực sự hữu ích nếukhông 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 dụng ngưỡngđược xác định trước cho những cái gọi là “biến ngôn ngữ”, và quyết định, ví dụ, “lưulượng 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 nguyênnhân gây ra các vấn đề; trong một kịch bản như vậy, quy luật có điều kiện là “lưu lượngtrung bình” (có thể là từ 55% đến 70%) sẽ được sử dụng, nhưng nó có thể thích 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 cầu ngưỡng,thay vì giới thiệu những thứ gọi là “các chức năng thành viên” Chúng ta không còn cólưu lượng đông đúc hay trung bình Thay vào đó, một giá trị lưu lượng nhất định cho lưulượng ở mức đông đúc và một giá trị cho mức độ trung bình Các mức độ phụ thuộc vàocác giá trị số thực tế bằng cách các chức năng thành phần, thường đơn giản là “chức nănghình 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 lại giảm xuống 0 giữa 75% và 90%.Chức năng thành phần (membership function) cho biến ngôn ngữ “rất nặng” sẽ chồngchéo nhau với điều này, bởi vậy một giá trị lưu lượng 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 đềnày

Sức mạnh chính của logic mờ là chúng ta chỉ cần đảm bảo rằng các chức năng thànhphần là hợp lý Hệ thống kết quả, với các quyết định phù hợp, hướng tới các biến thểtrong các chức năng thành phần, trong giới hạn hợp lý Tuy nhiên chúng ta có thể phảilàm 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 thích nghi Đôi khi,các thuật toán di truyền có thể được sử dụng cho nhiệm vụ xây dựng một tập các quy luậttốt

1.13 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 cung