Tiểu luận TỐI ƯU HÓA MẠNG TRUY NHẬP

TỐI ƯU HÓA MẠNG TRUY NHẬP MỤC LỤC CHƯƠNG 1 3 Giới thiệu kỹ thuật tính toán Heuristic và 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 7 3 Tối ưu hóa mạng truy nhập 3 7.1. Giới thiệu 3 7.1.1 Kiến trúc mạng truy cập 3 7.1.2 Quy hoạch Mạng truy nhập 3 7.1.3 Công nghệ trong quy hoạch mạng 3 7.1.4 Bất ổn trong vấn đề quy hoạch 3 7.2 Phương pháp tiếp cận thuật toán di truyền 3 7.2.1 Forma Theory 3 7.2.2 Tìm kiếm Cục bộ 3 7.2.3 Phương pháp tiếp cận tổng thể 3 7.2.4 Biểu diễn gen di truyền 3 7.2.5 Sự giao nhau và đột biến 3 7.2.6 Tìm kiếm nội bộ 3 7.2.7 Mô phỏng luyện kim 3 7.2.8 Chiến lược cài đặt động 3 7.3 Kết quả 3 7.4 Sự không chắc chắn trong quy hoạch mạng 3 7.4.1 Kịch bản thế hệ 3 7.4.2 Kết quả 3 7.5 Thảo luận và kết luận 3 CHƯƠNG 1 Giới thiệu kỹ thuật tính toán Heuristic và 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

TỐI ƯU HÓA MẠNG TRUY NHẬP

MỤC LỤC

CHƯƠNG 1 3

Giới thiệu kỹ thuật tính toán Heuristic và 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 (Population-Based 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 7 3

Tối ưu hóa mạng truy nhập 3

7.1 Giới thiệu 3

7.1.1 Kiến trúc mạng truy cập 3

7.1.2 Quy hoạch Mạng truy nhập 3

7.1.3 Công nghệ trong quy hoạch mạng 3

7.1.4 Bất ổn trong vấn đề quy hoạch 3

7.2 Phương pháp tiếp cận thuật toán di truyền 3

7.2.1 Forma Theory 3

7.2.2 Tìm kiếm Cục bộ 3

7.2.3 Phương pháp tiếp cận tổng thể 3

7.2.4 Biểu diễn gen di truyền 3

7.2.5 Sự giao nhau và đột biến 3

7.2.6 Tìm kiếm nội bộ 3

7.2.7 Mô phỏng luyện kim 3

7.2.8 Chiến lược cài đặt động 3

7.3 Kết quả 3

7.4 Sự không chắc chắn trong quy hoạch mạng 3

7.4.1 Kịch bản thế hệ 3

7.4.2 Kết quả 3

7.5 Thảo luận và kết luận 3

CHƯƠNG 1 Giới thiệu kỹ thuật tính toán Heuristic và 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 nhiềuthách thức và cơ hội Trong cuốn sách này, những thách thức mà chúng tôi tập trung vào lànhững liên quan đến việc tối ưu hóa Điều này chỉ đơn giản đề cập tới những trường hợp màtrong 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 kếtmột mạng dữ liệu riêng cho một công ty lớn Làm thế nào chúng ta có thể tìm thấy một thiết kếđặc biệt tốt trong tất cả các khả năng? Ngoài ra, chúng ta có thể thử tìm một cách tốt để gán kênhtần số cho nhiều người sử dụng mạng di động Có một loạt các khó khăn phức tạp liên quan ởđây, 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 sốcách 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 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 nay đang được được sửdụng trong ngành công nghiệp, nhưng có tiềm năng lớn cho các giải pháp có lợi nhuận và hiệuquả 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 nghiêncứu trong các chương sắp tới trình bày một phần việc áp dụng những kỹ thuật này cho các bàitoán liên quan đến viễn thông Các kỹ thuật sử dụng bao gồm các phương pháp "tìm kiếm địaphương“ 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, nhưngchưa biết cách để giải quyết chúng Chương sau thảo luận về việc sử dụng liên quan đến các bàitoán đặc biệt trong 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 tế rằngcác giải pháp tối ưu là động Những gì có thể là giải pháp tốt nhất bây giờ có thể không phải làgiải 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 khách hàng Để làm điều này liên quan đến việcchuyển hướng cơ sở dữ liệu của khách hàng truy cập đến các máy chủ khác nhau tại các thờiđiểm khác nhau (khách hàng không thể nhận biết) để thực hiện phù hợp cân bằng tải giữa cácmáy chủ Kỹ thuật tối ưu hóa hiện đại có thể được sử dụng để phân phối tải trọng phù hợp trêncác máy chủ, tuy nhiên giải pháp này trở nên không hợp lệ ngay sau khi có sự thay đổi trung bìnhtrong mô hình truy cập cơ sở dữ liệu của khách hàng Một ví dụ khác là định tuyến gói chungtrong một mạng point-to-point Theo truyền thống, bảng định tuyến tại mỗi nút được sử dụng đểtìm kiếm 'bước kế tiếp' tốt nhất cho một gói dựa trên điểm đến cuối cùng của nó Chúng ta có thểtưởng tượng một kỹ thuật tối ưu hóa áp dụng cho vấn đề này, kỹ thuật này dựa vào mô hình tổngthể và xác định các bảng định tuyến thích hợp cho mỗi nút, do đó ùn tắc chung và sự chậm trễ cóthể được giảm thiểu, tức là trong nhiều trường hợp là “bước kế tiếp” tốt nhất có thể không tìmđược nút tiếp theo trên con đường ngắn nhất, vì liên kết này có thể được được sử dụng nhiều rồi.Tuy nhiên, đây rõ ràng là một chương trình cần được thực hiện lặp đi lặp lại như những biểu đồthay đổi lưu lượng truy cập

Việc thực hiện lặp đi lặp lại của các kỹ thuật tối ưu hóa là một trong những cách có thể đểtiếp cận các bài toán động, nó thường là một cách khá phù hợp, đặc biệt là khi các giải pháp tốtyêu 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 cho các bài toán như vậy Chúng ta

có thể gọi chung lớp này là kỹ thuật "thích ứng", mặc dù việc sử dụng ở các chương sau trongcuốn 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 giải quyết tối ưu hóa thích nghi trong môi trường động, trongmột số trường hợp kết hợp với tìm kiếm cụ bộ hoặc dựa vào tập hợp Về cơ bản, một kỹ thuật tối

ưu hóa cung cấp một cách nhanh chóng và hiệu quả để tìm một giải pháp tốt trong nhiều giảipháp, một kỹ thuật 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 mặt thay đổi trong mô

hình giao thông sẽ bao gồm một số liên tục nhưng tôi thiểu hóa xử lý mà được cập nhật liên tụctrong bảng định tuyến tại mỗi nút 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 và các

kỹ thuật thích ứng mà chúng ta đã đề cập ở trên Chi tiết sẽ được nói ở các chương sau Sau đóchúng ta sẽ nói một chút về ba phần trong cuốn sách này trong các chương tiếp theo Sau cùng,chúng ta sẽ chỉ ra tại sao những kỹ thuật này là quan trọng trong viễn thông, và chúng sẽ ngàycàng 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: quy hoạchđộng (DynamicProgramming), quy hoạch tuyến tính (Integer Programming) v v đã được sửdụng để giải quyết các lọa vấn đề tối ưu khác nhau Tuy nhiên, một cộng đồng lớn của các nhàkhoa học máy tính và các nhà nghiên cứu trí tuệ nhân tạo ngày nay đang dành rất nhiều nỗ lựcvào những ý tưởng hiện đại hơn được gọi là “metaheuristics” hay còn gọi là “heuristic” Vấn đềkhác nhau cơ bản giữa các phương pháp hiên đại và phương pháp cổ điển đó là nó dễ áp dụnghơn Tực là nếu đưa ra một vấn đề thực tế điển hình và phức tạp thì nó sẽ cần ít công sức để pháttriển cách tiếp cận mô hình tôi thép để giải quyết vấn đề đó hơn là trình bày vấn đề theo cách quyhoạch tuyến tính có thể áp dụng trên nó

Điều này không nói rằng các phương pháp hiện đại sẽ làm tốt hơn phương pháp cổ điển.Trên thực tế, kịch bản thực tế và điển hình khi mà cả hai loại phương pháp được áp dụng đó là :

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

 Một chuyên gia nghiên cứu các hoạt động cổ điển so sánh hai loại kỹ thuật: phương pháp

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 các vấn

đề tối ưu, bạn càng hiểu rõ các kỹ thuật riêng biệt mà bạn đang áp dụng thì bạn càng có khả sửdụng và khai thác nó để đạt được kết quả tốt hơn

Trong phần này chúng tôi chỉ cung cấp khái 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 cho phù hợp vớicác vấn đề cụ thể Mặc dù chúng tôi không chỉ cho bạn cách để sáng tạo với chúng, nhưng chúngtôi chỉ ra điểm mấu chốt ở đâu Làm cách nào để áp dụng sáng tạo chúng thì phụ thuộc và rấtnhiều vấn đề, nhưng chương sau sẽ cung cấp các thông tin cho từng trường hợp cụ thể Những gì

sẽ trở nên rõ ràng từ chương này, tuy nhiên, đó là những kỹ thuật được đánh giá cao chung trongứng dụng của chúng Trong thực tế, bất cứ khi nào cũng có một số cách khá sẵn để đánh giá hoặctính điểm giải pháp ứng cử viên cho vấn đề của bạn, sau đó các kỹ thuật này có thể được áp dụng.

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

1.3.1 Tìm kiếm cục bộ

Giả sử rằng bạn đang cố gắng để giải quyết một vấn đề P, và bạn có một tập hợp S là các giải pháp tiềm năng cho vấn đề này Bạn không nhất thiết phải có tập S, vì 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 là giải 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 nút đặc biệt quan trọng Trong trường hợp chúng ta muốn sử dụng

nghịch đảo của giá trị này nếu chúng ta thực sự muốn gọi nó là “chuẩn hóa” (fitness) Trong những trường hợp khi mà kết quả thấp hơn, thì tốt hơn và thường 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 “chamẹ”, hoặc cũng có thể là giống như nhau Ngoài ra, biến cố có thể loại bỏ hoặc di chuyển mộtliên kết

Bây giờ chúng ta có thể mô tả một cách cơ bản về tìm kiếm cục bộ Trước tiên, hãy xemxét 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 làgiải 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 kỳbước 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 cậngiống như là với một giải pháp hiện tại mới Ý tưởng căn bản đằng sau điều này, và đằng sauphương pháp tìm kiếm cục bộ nói chung, đó là sự hội tụ của các giải pháp tốt Bạn có thể khôngthực sự mong đợi một cấu trúc liên kết đáng tin cậy xuất hiện, ví dụ, thêm một liên kết đơn vàomột cấu trúc liên kết không đáng tin cậy Tuy nhiên, bạn có thể mong đợi rằng một sự thay đổinhư vậy có thể biến một cấu trúc liên kết đáng tin cậy thành một cấu trúc liên kết đáng tin cậyhơn

Trong tìm kiếm cục bộ, chúng ta khai thác ý tưởng này bằng cách liên tục tìm kiếm trongvùng lân cận của giải pháp hiện tại Sau đó chúng ta sẽ chuyển đến một giải pháp phù hợp, và táithực thi quá trình này Sự nguy hiểm ở đây là chúng ta có thể gặp khó khăn trong với cái gọi là

“tối ưu cục bộ”, tức là giải pháp hiện tại là không đủ tốt cho mục đích của chúng ta, nhưng tất cảcác 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 quyết chính xác tình huống này

Các phương pháp tìm kiếm cục bộ khác được phân biệt chúng với hillclimbing, tuy nhiên,

có một số cách để giải quyết tình trạng này một cách chính xác Chúng ta sẽ xem xét lại 2 phươngpháp ở đây, đây là những phương pháp được sử dụng phổ biến và được sử dụng ở phần sau trongcuốn sách này Dưới đây là mô phỏng luyện kim (simulated annealing) và tìm kiếm tabu (tabusearch)

Simulated annealing

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

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

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

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

3 Nếu đánh giá test(f(m), f(c), T) là đúng, thì thay thế c bằng m (c bây giờ là bản sao củam).

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 rathường xuyên và khả năng kết quả của việc biến đổi kém hơn là rất thấp Ngoài ra, chúng ta có ítkhả năng làm như vậy trong thời gian tới Kết quả tổng thể là thuật toán có cơ hội tốt để thoátkhỏi tối ưu cục bộ, do đó có thể tìm kiếm các miền tốt hơn của không gian sau này Tuy nhiên,hướng cơ bản của sự dịch chuyển về các miền tốt hơn được duy trì Tất cả những điều này đượcthực hiện trong chức năng test của bước 3 Một ví dụ về loại sử dụng test là đầu tiên thực hiện:

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

Giả thiết rằng chúng ta thực hiện tối ưu hóa chi phí (nếu không chúng ta chỉ cần chuyểndổi f(m) và f(c)) Nếu kết quả của việc biến đổi tốt hơn hoặc tương đương giải pháp hiện tại, thìbiểu thức trên sẽ lớn hơn hoặc bằng 1 Nếu kết quả của việc biến đổi kém hơn, thì kết quả sẽ nhỏhơn 1 và kém hơn kết quả biến đổi là gần bằng 0 Do đó, kết quả của biểu thức được sử dụng nhưmột 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 Nếu vậy (luôn luôn được như vậy nếu kết quảbiến đổi tốt hơn hoặc tương đương), chúng ta chấp nhận kết quả biến đổi T là tham số nhiệt độ.Với bắt đầu lớn và giảm dần (xem bước 4) theo thời gian Điều bạn có thể nói từ biểu thức trên,

là xác suất của kết quả biến đổi kém chấp nhận được cũng sẽ giảm dần theo thời gian

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

Tabu Search

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

Phương pháp tìm kiểm Tabu, như nhiều phương pháp tìm kiếm cục bộ khác không bàn vàxem xét về các láng giềng của giải pháp hiện tại và thậm chí chọn một trong láng giềng đểchuyển 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 láng giềng nào phù hợp nhất trong

số những láng giềng đã được kiểm tra Phương pháp tìm kiếm Tabu tính đến cả sự biến đổi(mutation) mà cho chúng ta kết quả Ví dụ, nếu láng giềng tốt nhất trong giải pháp của bạn là

láng giềng mà kết nối bằng việc thay đổi liên kết từ nút 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 Tìmkiếm tabu cung cấp một cơ chế dựa trên chỉ tiêu nguyện vọng cho phép ta chọn nhiều hơn nếuláng giềng đang được xem xét mà phù hợp hơn so với láng giềng hiện tại

Do vậy, bất kỳ việc cài đặt phướng pháp tìm kiếm tabu nào đều duy trì một vài dạng bộnhớ ghi lại những thuộc tính nhất định của những di chuyển gần đây Những thuộc tính này phụthuộc nhiều vào vấn đề đang xem xét và đây là một phần của việc áp dụng phương pháp tìm kiếmtabu Ví dụ, nếu chúng ta cố gắng tối ưu hóa topo mạng, một dạng của bộ biến đổi sẽ phải thayđổi đường cáp liên kết giữa nút a và nút b Hoặc là trong việc cài đặt phương pháp tìm kiếm tabu,

chúng ta có lẽ chỉ ghi lại sự kiện thay đổi đường cáp ở lần lặp thứ i, hoặc là đơn giản chỉ ghi lại

sự thay đổi trong liên kết giữa nút a với một nút mà liên kết với nút b Nếu chúng ta chỉ ghi lạikiểu thuộc tính trước đó thì những di chuyển có thể xảy ra gần thời điểm đó có thể không đượcchấp nhận và không phụ thuộc vào các nút có liên quan Nếu chúng ta chỉ ghi lại thuộc tính sau

đó thì những thay đổi tiềm năng bao gồm nút a và (hoặc) nút b có thể không được chấp nhậnnhưng những di chuyển thay đổi cáp có thể được chấp nhận

Phương pháp tìm kiếm cục bộ Artful

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

có thể có một giải pháp tốt hơn nữa

Tuy nhiên, rõ ràng là thỉnh thoảng (có lẽ là thường xuyên) chúng ta phải chấp nhận thực

tế là chúng ta chỉ có thể tìm kiếm các giải pháp được cải tiến bằng cách tạm thời thực hiện cácgiải pháp khác tồi hơn Thuật toán mô phỏng luyện kim và phương pháp tìm kiếm tabu là haicách tiếp cận để giải quyết vấn đề này Tuy nhiên, đối với một vấn đề cụ thể thì cách tốt nhấttrong triển khai và thiết kế hai cách tiếp cận trên là không rõ ràng Có nhiều sự lựa chọn có thểđưa ra: cách đầu tiên có thể là làm cách nào để trình bày một giải pháp đưa ra tại vị trí đầu tiên.Lấy ví dụ, một topo mạng có thể được biểu diễn dưới dạng cách danh sách của các liên kết trong

đó mỗi cặp liên kết là một cặp nút (a,b) Việc giải mã danh sách đó thành một topo mạng đơn

giản là vẽ liên kết cho mỗi cặp nút trong danh sách đó Nói cách khác, chúng ta có thể biểu diễnmột topo mạng như là một chuỗi nhị phân chứa thông tin về các liên kết có thể có Mỗi vị trítrong chuỗi bit này sẽ có thể thể hiện một liên kết điểm tới điểm Do vậy, một giải pháp đưa ra là

“10010 ” có thể chỉ ra một liên kết điểm tới điểm giữa nút 1 và 2, không có liên kết giữa nút 1

và nút 3 hoặc là giữa nút 1 và nút 4 hoặc là có một liên kết giữa nút 1 và nút 5

Nói chung, trên đây là những cách để đưa ra một phương pháp đại diện cho các giải phápcủa vấn đề Tất nhiên sự lựa chọn cũng ảnh hưởng đến thiết kế của các “operator hàng xóm”.Trong ví dụ trên, loại bỏ 1 liên kết từ topology liên quan đến 2 loại hoạt động khác nhau trong 2đại 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 0 trong một vị trí cụ thể trongchuỗi

Đề ra các đại diện và vận hành tốt là một phần của nghệ thuật sử dụng hiệu quả tìm kiếmđịa phương để giải quyết các vấn đề tối ưu hóa cứng Tuy nhiên một phần quan trọng khác củanghệ thuật này là vấn đề sử dụng tri thức cụ thể hoặc chuẩn đoán tồn tại khi có thể Ví dụ, mộtvấn đề với một trong hai đại diện mà chúng ta đã ghi nhận cho đến nay cho topology mạng là mộttopology được tạo ngẫu nhiên điển hình cũng có thể là không kết nối Đó là một giải pháp ứng cử

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

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

Tuy nhiên vấn đề chúng ta giải quyết sẽ liên quan đến vấn đề chi phí, do đó chi phí của

các liên kết cụ thể sẽ đóng vai trò quan trọng trong fitness function 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 phínhỏ nhất (Kruskal, 1956; Prim, 1957) Do đó nó có thể làm cho ý nghĩa tốt, tùy thuộc vào các chi

tiết khác nhau của vấn đề, để khởi tạo mỗi giải pháp ứng viên với cây chi phí nhỏ nhất, và tất cảnhững gì chúng ta cần là đại diện cho các liên kết chúng ta thêm vào cây này.

Có rất rất nhiều cách trong đó miền tri thức hoặc chuẩn đoán tồn tại có thể được sử dụng

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 hơn dẫn đến hàng xóm tốt.Một phương thức chuẩn đoán hiện có cho biết nhanh chóng giao các kênh trong mạng di động, cóthể được sử dụng để cung cấp điểm khởi tạo cho tìm kiếm địa phương mà cố gắng để tìm ra giảipháp tốt hơn

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

Một lựa chọn khác của thuật toán, hiện giờ đang rất phổ biến, được xây dựng dựa trên ýtưởng về tìm kiếm địa phương bằng cách sử dụng tập hợp các giải pháp “hiện tại” thay vì chỉmột Có 2 cách mà điều này có khả năng tương cường cơ hội tìm kiếm giải pháp tốt Đầu tiên, khichúng ta có 1 tập hợp, chúng ta có thể dành thời gian 1 cách hiệu quả để tìm kiếm trong nhiềukhu 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 relative fitness của chúng.

Đó là, nhiều thời gian sẽ được dùng để tìm kiếm các vùng lân cận của các giải pháp tốt hơn là cácgiải pháp trung bình

Tuy nhiên, tối thiểu cần một ít thời gian cho việc tìm kiếm trong những miền nghiệm ônhòa hoặc thô, nên điều này dẫn đến việc tìm kiếm một đột biến đặc biệt tốt trên đường đi, sau đócác 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 sửdụng toán tử tái tổ hợp Đây là cách để tạo ra những đột biến, nhưng lần này từ 2 hoặc nhiều cácnghiệm cha chứ không phải chỉ 1 Do đó kết quả được gọi là một tổ hợp chứ không phải là mộtđột biến Tái tổ hợp cung cấp một cách có nguyên tắc tưởng đối để giải thích sự dịch chuyển củamột vùng lân cận lớn Một trong những khó khăn của tìm kiếm cục bộ là ngay cả các kỹ thuậttiên tiến như mô phỏng và tìm kiếm cũng khó khăn để tối ưu cục bộ, nó chỉ “thoát” trừ khi nó cóthể là một đột biến khá quyết liệt Đó là thuật toán có thể thử tất cả các chuyển động cục bộ cóthể, và do đó phải bắt đầu thử với các di chuyển phi cục bộ nếu nó có bất kỳ cơ hội nào để đạtđược bất kỳ nơi nào Vấn đề thực tế ở đây là có rất nhiều khả năng di chuyển phi cục bộ Thậtvậy 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 phí cục bộ tốt từmột không gian lớn các khả năng Ví dụ, nếu 2 nghiệm cha là mỗi vector của k phần tử, một toán

tử tái tổ hợp được gọi là giao đơn điệu (uniform crossover), sẽ tạo ra một nghiệm con từ 2nghiệm cha này bằng cách, với mỗi phần tử được trả ra lấy ngẫu nhiên giá trị của nó tử một trong

2 điểm Mỗi nghiệm con có thể khác biệt tới 50% cha mẹ của nó, và lớn hơn rất nhiều so với sựkhác biệt điển hình giữa một nghiệm cha đơn với một vài hàng xóm cục bộ của nó

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

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

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 chia

sẻ tải (load sharing) được thảo luận ở trên sẽ được áp dụng Các nghiệm ứng viên được tạo thành,càng nhiều cơ hội nó trở thành cha, và do đó có nhiều cơ hội hơn để thuật toán tìm ra các vùnglân cận của nó Có những kỹ thuật chọn lựa khác nhau, hầu hết đều được tham số hóa để thay đổimức độ để các tổ hợp cha được tạo ra ưa thích hơn (các áp lực chọn lọc) Bước 3 áp dụng cáctoán tử tái tổ hợp hoặc đột biến, hoặc cả hai Đây có tất cả các toán tử tái tổ hợp và đột biến,nhưng như chung tôi gợi ý trên, những lợi ích thực sự đến khi một vài suy nghĩ đã được đưa vàothiết kế cụ thể các loại toán tử sử dụng miền tri thức Trong bước 4, nhớ rằng chúng ta luôn duytrì một kích thước tổ hợp cố định Vì vậy, nếu chúng ta có một tổ hợp 100, nhưng 20 phần tử conđược thêm vào, thì 20 của 120 phần tử phải được loại bỏ Một cách tiếp cận phổ biến nhất là chỉđơn giản loại bò 20 phần tử ít phù hợp nhất với các nhóm kết hợp, nhưng có một vài phươngpháp khác; chúng ta có thể sử dụng công nghệ được gọi là “dồn nén” (crowding), eg De Jonh(1975), trong đó đa dạng đóng vai trò quyết đinh về những giải pháp ứng viên để loại bỏ Ví dụ,chúng ta chắc chắn sẽ thích để loại bỏ giải pháp S có lợi và một giải pháp t ít phù hợp, nếu điều

đó xảy ra là trường hợp đó là một bản sao trong dân số, nhưng t là “mới”

Ví dụ, chúng tôi chắc chắn sẽ thích để loại bỏ giải pháp tội ủng hộ một giải pháp t ít phùhợp, nếu điều đó xảy ra là trường hợp đó salready có một bản sao trong dân số, nhưng tis “mới”.Cuối cùng, chúng ta phải chỉ ra một số vấn đề thuật ngữ Có rất nhiều thuật toán dựa trên dân số,

và trong thực tế, họ thường được gọi là thuật toán tiến hóa (địa bàn) Một thuật ngữ phổ biếnđược sử dụng là thuật toán di truyền, mà đúng đề cập đến một gia đình của các phương pháp nhưvậy mà luôn luôn sử dụng một nhà điều hành tái tổ hợp (Hà Lan , 1965; Goldberg , 1989), trongkhi các gia đình khác của thuật toán như vậy, gọi là lập trình tiến hóa (Fogel , 1995) và tiến hóachiến lược (trở lại, 1996) , xu hướng sử dụng đột biến một mình, nhưng khá thông minh về cách

họ sử dụng nó Trong mọi trường hợp, một giải pháp ứng cử viên có xu hướng được gọi là mộtphần tử của nó chromosomeand được gọi là gen

1.4 Kỹ thuật tính toán thích nghi

Để giải quyết các nhu cầu tối ưu hóa vốn có trong môi trường liên tục thay đổi viễn thông,

sử dụng trực tiếp của các kỹ thuật tối ưu hóa địa phương hoặc dân số dựa đôi khi có thể là kháphù hợp Điều này có thể bởi vì nó có thể mất quá lâu để hội tụ về một giải pháp tốt , và như vậyvào thời điểm các giải pháp đến , vấn đề đã thay đổi!

Những gì chúng ta cần thay vì trong bối cảnh này là một cách để đưa ra quyết định rấtnhanh, nhưng rất tốt Ví dụ, để quyết định những gì là tốt nhất “bước kế tiếp” là cho một gói tinđến tại nút một với điểm đến d, chúng ta có lẽ có thể chạy một mô phỏng của mạng lưới cho các

mô hình giao thông hiện hành hiện tại và ước tính thời gian đến khả năng tại điểm đến cho chobước nhảy tiếp theo có thể Kết quả của một mô phỏng như vậy sẽ cung cấp cho chúng ta một sựlựa chọn đầy đủ thông tin, và sau đó chúng tôi có thể gửi các gói dữ liệu phù hợp trên đường

Bây giờ, nếu chúng ta có thể ở trên trong một vài micro giây, chúng tôi sẽ có một chiếnlược gói tin định tuyến phù hợp và rất có lợi nhuận Tuy nhiên, vì nó có thể sẽ mất vài giờ để làmmột mô phỏng chính xác bằng cách sử dụng loại sức mạnh xử lý và bộ nhớ thường có sẵn tạimạng chuyển mạch, trong thực tế nó là một ý tưởng vô lý!

Thay vào đó, chúng ta cần một số cách để đưa ra quyết định tốt một cách nhanh chóng,nhưng nơi quyết định sẽ bằng cách nào đó có tính đến các hoàn cảnh hiện hành Lý tưởng nhất,chúng tôi đang tìm kiếm một “hộp đen” mà khi input với một câu hỏi và một số chỉ tiêu môitrường, cung cấp một câu trả lời hợp lý và ngay lập tức Một ví dụ về một hộp đen như là mộtbảng định tuyến của các loại thường được tìm thấy trong các mạng chuyển mạch gói Các câu hỏicủa một gói tin truyền thông là: “Cuối cùng tôi muốn để có được d, vì vậy mà tôi nên đi tiếptheo?” Bảng định tuyến, thông qua một tra cứu đơn giản lập chỉ mục của d, rất nhanh chóngcung cấp một câu trả lời và gửi nó trên đường Những rắc rối với điều này, tất nhiên, là nó về cơbản là không thích nghi Trừ một số giao thức quản lý mạng tiên tiến đang hoạt động, bảng định

tuyến sẽ luôn luôn cung cấp cho các câu trả lời tương tự, ngay cả khi liên kết trở đi từ đề nghịbước kế tiếp để lại rất nhiều tắc nghẽn tại thời điểm này Hộp đen của chúng tôi do đó phảithường xuyên thay đổi bằng cách nào đó, và thích ứng với các điều kiện hiện hành Trong thực tế,chương 8 và chương 9 thảo luận về cách để làm điều này liên quan đến các bảng định tuyến trongcác mạng chuyển mạch gói.

Vì vậy, kỹ thuật thích ứng trong bối cảnh viễn thông có xu hướng liên quan đến các hộpđen, hoặc các mô hình, mà bằng cách nào đó tìm hiểu và thích ứng với “ẩn” nhưng có thể phảnứng rất nhanh chóng và thích hợp khi được hỏi cho một quyết định Trong một số các chương cóliên quan đến thích ứng, các kỹ thuật được sử dụng là những người chúng ta đã thảo luận đã cótrong phần 1.3, nhưng thay đổi một cách thích hợp trong ánh sáng của sự cần thiết phải quyếtđịnh nhanh chóng Mặc dù vậy, ở những người khác, nhất định kỹ thuật quan trọng khác hiện đạiđược sử dụng, mà bây giờ chúng tôi sẽ giới thiệu một thời gian ngắn

Ví dụ, chúng ta muốn loại bỏ solution s để có lợi cho solution t ít phù hợp hơn, nếu xảy ratrường 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 sửdụng là thuật ngữ “thuật toán di truyền” (genetic algorithm), liên quan đến một họ các phươngpháp sử dụng toán tử tái tổ hợp (recombination operator) (Holland, 1965; Goldberg, 1989),trong khi đó, các họ khác của thuật toán đó lại được gọi là lập trình tiến hóa (evolutionaryprogramming) (Fogel, 1995) và chiến lược tiến hóa (Bäck, 1996), có xu hướng sử dụng đột biếnmột 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

Cái chúng ta cần là một cách đưa ra các decision nhanh và tốt Ví dụ, 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 đếnnhiều 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 vàngay lập tức Ví dụ về “hộp đen”: Bảng định tuyến (Routing table) Question được hỏi bởi gói tin

là: “Tôi muốn đi đến node d, vậy bước tiếp theo tôi nên đi như thế nào?” Routing table đưa ra

một cách nhanh chóng câu trả lời nhanh chóng và gửi gói tin đi Cách làm này về cơ bản là khônglinh hoạt (non-adaptive) Nếu một số giao thức quản lý mạng tiên tiến (advanced networkmanagement 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 hợp với điều kiện hiện tại Chương 8 và chương 9 sẽthảo luận về cách để thực thi vấn đề này liên quan đến routing table trong mạng chuyển mạchgói

Đây là sự ước lượng về thần kinh, logic mờ và lý thuyết trò chơi Vai trò của ước lượngthần kinh trong hoàn cảnh này là phát triển một mô hình ẩn, mô hình đó nghiên cứu (từ ví dụ) đểlàm thế nào có quyết định đúng đắn trong tập các trường hợp khác nhau Kết quả tạo ra sẽ nhưmột mạng lưới thần kinh, sau đó để làm việc trực tuyến như thế nào thì nhà sản xuất sẽ quyếtđịnh Vai trò của logic mờ là đưa ra cách để tạo ra các quy định vững chắc, đây là những quyđịnh để ra quyết định Điều này về cơ bản là tạo ra cách giải quyết của hộp đen, giống như mộtmạng lưới thần kinh nhưng với hoạt động bên trong khác nhau Cuối cùng lý thuyết trò chơi sẽđưa ra một cách nhìn khác, đó là một kịch bản mạng năng động Về cơ bản, nếu chúng ta xemmột số khía cạnh của quản lý mạng như là một “trò chơi”, một tập hợp các phương trình và các

mô hình được biết đến bắt đầu hoạt động, nó sẽ lần lượt cung cấp những phép tính gần đúng củamạng năng động thực sự

1.4.1 Tính toán hệ thần kinh

Tính toán hệ thần kinh (Rumelhart và MacClelland năm 1989; Haykin, 1998) về cơ bản làmột kỹ thuật phân loại mô hình, nhưng ngay từ cái nhìn đầu tiên nó đã cho thấy khả năng ứngdụng rộng rãi hơn Sức mạnh thực sự của phương pháp này nằm trong thực tế và chúng ta khôngcần phải biết cách phân biệt các loại mô hình Ta cần xây dựng một hệ thống chuyên gia dựa trênnguyên tắc cổ điển, ví dụ chúng ta cần phải có các quy tắc rồi mới xây dựng thành hệ thống Nếuchúng ta sử dụng cách tính toán hệ thần kinh, tuy nhiên một loại đặc biệt của hộp đen được gọi là

“mạng lưới thần kinh” sẽ chủ yếu học các quy tắc cơ bản bằng ví dụ Một ứng dụng điển hình của

kỹ thuật này là đánh giá rủi ro tín dụng Các quy tắc là cơ sở ra quyết định về người sẽ hoặc sẽkhông thể là một rủi ro tín dụng, giả định rằng chúng ta bỏ qua trường hợp những người có tàisản thế chấp cao nhưng lương thấp, nó tương đối phức tạp Chúng ta có thể đào tạo một mạnglưới thần kinh 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 cho khoản vay

kích cỡ m; người q với mức lương t và vv Với p, r, s, vv, như đầu vào, các mạng lưới thầnkinh dần dần tự điều chỉnh trong nội bộ một cách hợp lý để cuối cùng sẽ cho kết quả chính xác(chỉ khả năng mặc định của khoản vay) và đó chính là những ví dụ đã được đào tạo trước Đángchú ý, và rất hữu ích, chúng ta có thể hi vọng là các mạng lưới thần kinh có thể đưa là các dựđoán một cách nhanh chóng và tốt khi chúng ta cung cấp thông tin đầu vào mà trước đó chưa cótrong dữ liệu

Trong nội bộ, một mạng lưới thần kinh là một cấu trúc rất đơn giản; nó chỉ là một tập hợpcác nút (đôi khi được gọi là “tế bào thần kinh nhân tạo”) với các liên kết đầu vào và đầu ra, mỗinút trong số đó có cách xử lý khá đơn giản Nó thêm các số thông qua các liên kết đầu vào của

nó, mỗi trọng số bằng một giá trị mạnh (gọi là trọng lượng) liên quan đến việc liên kết giữa nóvới đối tượng khác, sau đó nó sẽ xử lý tổng hợp và gửi kết quả lên liên kết đầu ra của nó Vớicách gọi là “feed-forward” mạng lưới thần kinh là một tập hợp các nút như vậy, tổ chức thànhlớp 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 3 lớp Rõ ràng những con số đi ra ở cuối (kết quả) sẽphụ thuộc vào những gì đã đi vào đầu vào, nó liên quan mật thiết và được xác định bởi trọng sốcủa 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 loại mạng màchúng tôi đã mô tả ngắn gọn ở đây chỉ là một trong nhiều loại có sẵn (Haykin 1989), nhưng có rấtnhiều biến thể hiện đại Trên thực tế, các loại mạng chúng ta đã mô tả một cách ngắn gọn ở đâychỉ là một trong nhiều loại có sẵn

1.4.2 Logic mờ

Trong một số trường hợp chúng ta có thể nghĩ về các quy tắc hợp lệ cho miền giá trị củavấn đề Ví dụ, “nếu lưu lượng đông đúc, sử dụng node a” và “nếu lưu lượng rất đông đúc, sửdụng node b” Tuy nhiên, những quy luật như vậy không thực sự hữu ích nếu không có một cáchtốt 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 ngưỡng được xác định trước cho những cái gọi

là “biến ngôn ngữ”, và quyết định, ví dụ, “lưu lượng đông đúc” có nghĩa là việc sử dụng liên kếttrong câu hỏi là giữa 70% và 85% Điều này có vẻ tốt, nhưng không khó để thấy rằng việc sửdụng 69.5% có thể là nguyên nhân gây ra các vấn đề; trong một kịch bản như vậy, quy luật có

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

Logic mờ cung cấp một cách để sử dụng các biến ngôn ngữ để giải quyết vấn đề ngưỡngmột cách rất tự nhiên và mạnh mẽ Thực tế, nó gần như loại bỏ nhu cầu ngưỡng, thay vì giớithiệu những thứ gọi là “các chức năng thành viên” Chúng ta không còn có lưu lượng đông đúchay trung bình Thay vào đó, một giá trị lưu lượng nhất định cho lưu lượng ở mức đông đúc vàmột giá trị cho mức độ trung bình Các mức độ phụ thuộc vào các giá trị số thực tế bằng cách cácchức năng thành phần, thường đơn giản là “chức năng hình tam giác” Ví dụ, mức độ lưu lượngnặng 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 biếnngôn ngữ “rất nặng” sẽ chồng chéo 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 những mức độkhác nhau Đặc biệt, logic mờ cung cấp nhiều cách để xác định mức độ mà các quy luật khácnhau được áp dụng khi các thành phần điều kiện trong quy luật liên quan đến nhiều biến ngônngữ Chương 8 sử dụng logic mờ, sẽ thảo luận chi tiết hơn về vấn đề này

Sức mạnh chính của logic mờ là chúng ta chỉ cần đảm bảo rằng các chức năng thành phần

là hợp lý Hệ thống kết quả, với các quyết định phù hợp, hướng tới các biến thể trong các chứcnăng thành phần, trong giới hạn hợp lý Tuy nhiên chúng ta có thể phải làm một số việc, là xâydựng các nguyên tắc hoạt động Đây là nơi việc học “offline” đưa ra trong khi chúng ta đang sửdụng logic mờ trong một môi trường thích nghi Đôi khi, các thuật toán di truyền có thể được sửdụng cho nhiệm vụ xây dựng một tập các quy luật tốt

1.4.3 Lý thuyết trò chơi

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

1.5 Tổng kết

Phương pháp Heuristic và các kĩ thuật thích hợp được ứng dụng trong rất nhiều trong viễnthông liên quan tới việc tối ưu Nó được chia làm 3 phần chính, tương đương với 3 vấn đề thườnggặp Thứ nhất, đó là vấn đề thiết kế và tổ chức mạng Trong thực tế, có rất nhiều hoạt động sửdụng kĩ thuật Heuristic hiện đại, việc thiết kế mạng sẽ đơn giản với các vấn đề tối ưu do các vấn

đề này đã được xác định rõ ràng Điều đó có nghĩa là chúng ta có thể tiết kiệm nhiều thời gian vàcông sức để phát triển 1 kĩ thuật tối ưu tốt nhờ sử dụng các thuật toán và cơ chế đặc tả Khi mộtgiải pháp được thiết kế, nó có thể được thực hiện cài đặt trong vài tuần hoặc vài tháng

Ngược lại, với vấn đề định tuyến và sử dụng giao thức được nói đến trong phần 2, baogồm các kĩ thuật tối ưu động gồm 2 vấn đề liên quan đến tối ưu thời gian tiêu thụ Vấn đề chính ởphần này là tập trung vào các phương thức để thực thi và tích hợp mô hình “hộp đen” Trong mộttrường hợp, hộp đen là mạng tự nhiên, trường hợp khác, nó là tập luật logic mờ hay 1 form đượcđặc tả trong bảng định tuyến

Phần 3 xem xét phạm vi vấn đề, bao gồm phần mềm, chiến thuật, phương thức quản lýlưu lượng Phát triển phần mềm cũng có nhiều vấn đề trong lĩnh vực viễn thông tuy nhiên nócũng cung cấp nhiều giải pháp hợp lý trong việc cung cấp dịch vụ Các vấn đề cung cấp dịch vụ,trang bị trong mạng, đều cần tới những ưu điểm và tính linh động của các phần mềm Tuy nhiêncác phần mềm cần nhiều thời gian để phát triển Phần 3 cũng chỉ ra tầm quan trọng của “chiếnlược” bằng cách xem xét các vấn đề của việc quản lý 1 mạng động phức tạp Các vấn đề bao gồmcấp phát dịch vụ, quản trị luồng dữ liệu Trong mỗi trường hợp, một cách tiếp cận dựa vào lýthuyết gene được tích hợp Cuối cùng, ở phần 3 cũng chỉ ra vẫn đề quản lý băng thông trong cảmạng cố định và mạng di động

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

CHƯƠNG 7 Tối ưu hóa mạng truy nhập

7.1 Giới thiệu

Mạng truy cập viễn thông là phần của mạng lưới kết nối tổng đài nội hạt cho khách hàng.Hiện nay hầu hết các mạng truy cập là cáp đồng băng thông thấp Thông tin liên lạc số đang trởthành một tính năng thiết yếu của cuộc sống cả ở nhà và tại nơi làm việc Nhu cầu sử dụng cácứng dụng đòi hỏi băng thông lớn hơn (chẳng hạn như internet và video theo yêu cầu) tăng dầnđang làm cho cơ sở hạ tầng cáp đồng quá tải Những yêu cầu này có thể được đáp ứng bằng cách

sử dụng công nghệ cáp quang

Hiện nay, cáp quang là chủ yếu được sử dụng trong mạng trung gian để cung cấp kết nốigiữa các sàn giao dịch, và để phục vụ khách hàng có yêu cầu băng thông cao Liên kết trực tiếpđược sử dụng Trong mạng truy cập, khách hàng thường có yêu cầu băng thông thấp hơn và cũngđòi hỏi một dịch vụ hiệu quả Đối với họ, liên kết điểm tới điểm (PTP - Point to point) là khôngkhả thi và giá các thiết bị trao đổi chuyên dụng rất đắt đỏ Một mạng lưới dựa trên liên kết điểm-

đa điểm cung cấp một dịch vụ băng thông cao, cùng với việc chia sẻ chi phí thiết bị Mạng lướiđiểm-đa điểm có thể được tạo ra bằng cách sử dụng sợi quang học và thiết bị tách thụ động.Chúng được gọi là Passive Optical Networks (PONs)

Với kiến trúc mới này và một môi trường thương mại đang ngày càng cạnh tranh, cầnphải cải thiện phương pháp quy hoạch mạng lưới cung cấp mạng cho hiệu quả và đáng tin cậy.Hiện nay, phần lớn công việc quy hoạch truy cập mạng diễn ra được thực hiện bằng tay mà có thể

có nghĩa là mạng không phải là chi phí hiệu quả như chúng có thể Đã có nhiều nỗ lực để sảnxuất các hệ thống tối ưu hóa cấu trúc liên kết mạng lưới đồng, mặc dù họ thường sử dụng nhiều

mô hình mạng đơn giản Nhiệm vụ thiết kế các mạng quang học là khác biệt đáng kể với cácmạng đồng và không nhiều việc được công khai trong lĩnh vực này Hầu hết các mạng truy cậpđược cài đặt dần dần, theo thời gian, và do đó, một cách tiếp cận năng động để lập kế hoạch cũngđược yêu cầu

Chương này mô tả một phương pháp để tối ưu hóa chi phí lắp đặt của mạng truy nhập cápquang Kế hoạch sản xuất chỉ định nơi các cột được xây dựng, kích thước các thành phần và khinào các cột được lắp đặt Trong thực tế, hệ thống không giới hạn các mạng cáp quang và có thể

dễ dàng được mở rộng để lên kế hoạch hầu hết các loại mạng Hai phương pháp tối ưu hóa được

trình bày: thuật toán di truyền và mô phỏng huấn luyện; phương pháp đầu tiên trong số này đượctìm ra có hiệu suất tốt nhất trên các vấn đề được đề cập.

Chương này bắt đầu với một bài thuyết trình của vấn đề quy hoạch mạng lưới bằng cách

mô tả các công nghệ mạng có liên quan và các biến quyết định Tiếp theo là một đánh giá ngắngọn của thuật toán di truyền (GA) và mô phỏng huấn luyện (SA), và mô tả làm thế nào họ có thểđược áp dụng cho thiết kế một mạng; một số kết quả và so sánh sau đó được trình bày Cuốicùng, vấn đề bất ổn định trong quá trình lập kế hoạch được thảo luận

Hình 7.1 Sơ đồ tổng quát của một mạng cáp quang Nếu các nút chứa các mảnh nối thì nó là một

mạng lưới điểm tới điểm và nếu chúng chứa các mảnh cắt thì nó là một mạng cáp quang thụ động

7.1.1 Kiến trúc mạng truy cập

Kiến trúc khả thi đơn giản nhất của sợi cáp quang dành cho mạng truy nhập là mạng PTPtrong đó mỗi khách hàng có một cặp cáp trao đổi từ tổng đài Những mạng này vẫn có cấu trúcliên kết giống với cấu trúc cây nhánh truyền thống (Hình 7.1) Có lợi thế về chi phí trong việcgộp các sợi vào 1 cáp đơn duy nhất, vì chi phí vật liệu của cáp và lắp đặt Vì vậy một dây cáp đơnlớn hơn được chia thành cặp hoặc nhóm các sợi ở điểm đến Vấn đề này được gọi là bài toán quyhoạch PTP

Những bất lợi của các kiến trúc mạng PTP là chi phí hiện nay là quá cao đối với dịch vụviễn thông trong nước Một số lượng lớn các thiết bị trao đổi giá đắt phải được nhân đôi cho mọi