Ứng dụng mạng mờ nơron và giải thuật ABC xác định mối quan hệ thực nghiệm giữa chế độ cắt và thông số đầu ra

Với cách tiếp cận ứng dụng giải pháp trí tuệ nhân tạo và qui hoạch thực nghiệm Taguchi đưa ra qui trình xác định chế độ cắt tối ưu như hình 3.1 Qui trình trên bao gồm các bước: Hình 3.1

CHƯƠNG 3: PHƯƠNG PHÁP XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI

ƯU KHI GIA CÔNG TRÊN MÁY PHAY CNC

3.1 Xây dựng mô hình xác định chế độ cắt tối ưu khi phay CNC

Giải các bài toán tối ưu trong công nghệ gia công cơ khí là lớp các bài toán thực nghiệm, vì vậy giải quyết vấn đề triệt để nên các hàm mục tiêu và giới hạn biên phải tiếp cận đến các hàm thực nghiệm Cách tiếp cận như vậy mới đáp ứng được yêu cầu công nghệ ngày càng chính xác và khắt khe hiện tại và trong thời gian tới Trên cơ sở thực hiện cho một loại vật liệu và hệ thống công nghệ cụ thể sẽ mở rộng cho lớp các dạng tương tự Với cách tiếp cận ứng dụng giải pháp trí tuệ nhân tạo và qui hoạch thực nghiệm Taguchi đưa ra qui trình xác định chế độ cắt tối ưu như hình 3.1

Qui trình trên bao gồm các bước:

Hình 3.1 Sơ đồ tiến trình xác định chế độ công nghệ tối ưu

Kết thúc Thành lập bài toán tối ưu

Thiết kế ma trận thí nghiệm trực giao

Taguchi Bắt đầu

Thực nghiệm và thu thập dữ liệu

Thiết lập mối quan hệ thực nghiệm: sử

dụng mạng mờ nơ ron và giải thuật lan

truyền ngược kết hợp ABC

Giải bài toán tối ưu: sử dụng giải thuật

trí tuệ bầy đàn ABC

In và lưu kết quả tối ưu

Xác định biến giải bài toán tối ưu

Phân tích thực nghiệm Taguchi: đánh giá mức độ ảnh hưởng của chế độ cắt đến đầu ra và nhiễu

Bước 1: thiết kế ma trận thí nghiệm trực giao Taguchi Ma trận thí nghiệm trực giao

Taguchi được thiết kế dựa trên nguyên tắc xác xuất xuất hiện của các yếu tố là như nhau, phụ thuộc vào số yếu tố và số mức cần khảo sát cho mối yếu tố [16], [17]

Bước 2: thực nghiệm và thu thập dữ liệu Tiến hành thực nghiệm trên máy và thu thập các

dữ liệu quan tâm (độ nhám bề mặt, khối lượng kim loại được bách tách, lực cắt, lượng mòn dụng cụ cắt)

Bước 3a: thiết lập mối quan hệ thực nghiệm Xây dựng hàm toán học quan hệ giữa chế độ

cắt với độ nhám bề mặt, năng suất cắt, lực cắt, lượng mòn dao theo phương pháp mạng mờ nơ ron sử dụng giải thuật lan truyền ngược và ABC xác định tham số

hệ thống mạng trong đó giải thuật ABC thực hiện tìm 1 bộ tham số tương đối tốt làm đầu vào (bộ trọng số ban đầu) cho giải thuật lan truyền ngược

Bước 3b: phân tích thực nghiệm Taguchi Mục đích để đánh giá, ước lượng mức độ ảnh

hưởng của chế độ cắt đến độ nhám bề mặt, năng suất cắt, lực cắt, lượng mòn dụng cụ và nhiễu Trên cơ sở tác động của nhiễu quyết định giữ thí nghiệm hay tiến hành lặp lại thí nghiệm với điều kiện thí nghiệm được cải thiện

Bước 4a: thành lập bài toán tối ưu nhằm làm rõ mục đích của người làm công nghệ Tối ưu

hàm mục tiêu đạt giá trị lớn nhất hay nhỏ nhất với điều kiện biên rõ ràng

Bước 4b: xác định biến cho bài toán tối ưu Dựa vào phân tích Taguchi xác định yếu tố ảnh

hưởng mạnh nhất, yếu nhất đến hàm mục tiêu Trên cơ sở đó quyết định chọn những biến nào đưa vào làm biến cho bài toán tối ưu Bước này thể hiện tính kinh tế khi tham gia vào điều khiển các thông số công nghệ

Bước 5: giải bài toán tối ưu Sử dụng giải thuật trí tuệ bầy đàn ABC thực hiện quá trình

tìm kiếm nghiệm tối ưu hay nghiệm hợp lý

Bước 6: xác định bộ thông số chế độ cắt tối ưu và đưa ra kết quả kết thúc quá trình

Cách thức tiếp cận nghiệm tối ưu trong tối ưu hóa quá trình gia công cơ khí trên đã khắc phục được 2 nhược điểm so với mô hình truyền thống và bổ sung 2 giai đoạn mới

- Khắc phục 2 nhược điểm:

o Thiết lập mối quan hệ thực nghiệm: sử dụng phương pháp trí tuệ nhân tạo mạng mờ nơ ron và giải thuật lan truyền ngược kết hợp ABC làm tăng khả năng dự đoán chính xác mối quan hệ toán học mạng

o Ứng dụng giải thuật trí tuệ bầy đàn ABC giải bài toán tối ưu mà cả hàm mục tiêu, các hàm biên được thiết lập từ mạng mờ nơ ron nên tăng độ chính xác

dự đoán chế độ cắt tối ưu

- Bổ sung 2 giai đoạn:

o Sử dụng phương pháp thiết kế thực nghiệm Taguchi và phân tích thực nghiệm Taguchi xác định mức độ ảnh hưởng của chế độ cắt đến đầu ra và ảnh hưởng của nhiễu để xác thực độ tin cậy của quá trình thực hiện thí nghiệm và thu thập dữ liệu

o Sử dụng phân tích Taguchi xác định biến cho bài toán tối ưu thể hiện quan điểm kinh tế khi tham gia điều khiển một thông số chế độ cắt nào đó

3.2 Ứng dụng mạng mờ nơron và giải thuật ABC xác định mối quan hệ thực nghiệm giữa chế độ cắt và thông số đầu ra

Sử dụng mô hình mạng mờ nơ ron làm mô hình toán học xác định mối quan hệ thực nghiệm giữa chế độ cắt với các yếu tố đầu ra quan tâm như: độ nhám bề mặt (Rz, Ra), bước nhám (Rsn), bước sóng (S), lực cắt (F), nhiệt cắt (), lượng mòn dao (hs), năng suất cắt Q…

Mục đích của mạng là tìm một qui luật toán học thể hiện mối quan hệ giữa yếu tố đầu vào

và đầu ra tốt nhất

3.2.1 Các chỉ tiêu đánh giá chất lượng mô hình toán học mạng

Các tham số mạng đã được xác định khi thiết lập mạng mờ nơ ron Do vậy cần tìm các thông số mạng để giá trị kết xuất bởi mạng ra y luôn bám được giá trị đo thực tế d với một tiêu chuẩn xác định Tiêu chuẩn đó phải phản ánh được bản chất của mối quan hệ thực nghiệm chính xác

Gọi bộ thông số giá trị đo thực tế là: x(i),d(i)) với i=1,2…n

Trong đó:

x là bộ giá trị đầu vào:  T

i x i x i x i

x( ) 1(), 2(), 3( )

x1 là biến đầu vào của mạng thể hiện vận tốc cắt: x1=V (m/phút)

x2 là biến đầu vào của mạng thể hiện lượng tiến dao S: x2=S (mm/răng)

x3 là biến đầu vào của mạng thể hiện chiều sâu cắt t: x3=t (mm)

d là bộ giá trị đầu ra tương ứng với x(i):  T

i d i d i d i d i

d( ) 1(), 2(), 3( ), 4( )

d1 là đầu ra đo nhấp nhô tế vi Rz (hay Ra)

d2 là đầu ra năng suất cắt Q

d3 là lực cắt F

d4 là lượng mòn dao hs

- Gọi i là sai lệch phần trăm tương đối giữa giá trị kết xuất của mạng và giá trị thực

đo đạc được tại bộ giá trị thí nghiệm thứ i là:

%100

i

i i i d

Trong đó m là số bộ dữ liệu đưa vào mạng

- Độ phân tán sai số dự đoán  của các sai số i quanh giá trị sai số trung bình là:

- Độ lệch trung bình bình phương của toàn bộ tập dữ liệu E:

Gọi e là độ lệch của mỗi điểm dữ liệu:

i i

e E

- So sánh bộ giá trị (tb, ) của mỗi bộ tham số mạng

- So sánh độ lệch trung bình bình phương E

Nếu sử dụng chỉ số E làm tiêu chuẩn so sánh, đánh giá độ tốt xấu của mỗi bộ tham số mạng như một điều kiện dừng cho bài toán tìm tham số mạng thì có thể xảy ra tại một số điểm nào đó trong bộ dữ liệu sẽ có sai lệch giữa giá trị kết xuất ra bởi mạng và giá trị thực

là lớn Nó không phản ánh được độ tập trung của sai số hay phân tán của sai số Nếu hai bộ tham số đều cho E như nhau nhưng có thể cho độ phân tán của sai số là khác nhau Ở đây mong muốn sai lệch cho các điểm dữ liệu phải nhỏ và các sai lệch đó không được phân tán quá rộng Nếu phân tán quá rộng thì độ chênh lệch giữa sai số lớn nhất và nhỏ nhất sẽ rất lớn gây ra độ chính xác dự đoán mối quan hệ cũng không cao Ngược lại ưu điểm khi dùng tiêu chuẩn E làm tiêu chuẩn dừng thì quá trình tính toán sẽ đơn giản hơn, nhanh hơn Nếu sử dụng giá trị sai số trung bình và độ phân tán sai số làm tiêu chuẩn dừng cho bài toán, qúa trình tính toán nhiều hơn nhưng lại cho khả năng điều chỉnh mô hình mạng chính xác với mô hình thực tế hơn Trong luận án sử dụng sai lệch E làm công cụ giảm sai số toàn bộ mẫu và dùng sai số trung bình, phương sai của sai số làm tiêu chuẩn dừng cho bài toán

3.2.2 Giải thuật ABC và lan truyền ngược xác định các tham số hệ thống

mạng

Các tham số toán học của mô hình mạng đã được xác định cụ thể khi chọn các hàm liên thuộc và số biến đầu vào cụ thể Giá trị hàm sai lệch E, sai số i, sai số trung bình tb, độ phân tán sai số  là hàm quan hệ phụ thuộc vào các tham số hệ thống của mạng Gọi các tham số của mạng là một vector w mà các thành phần wi là các thông số xác định các hàm liên thuộc và các trọng số pi Bộ tham số hệ thống của mạng w được xác định qua vector tham số:

T n

i w w w w

w[ 1, 2, , , , ] (3.6) Giá trị kết xuất đầu ra của mạng là hàm quan hệ phụ thuộc vào bộ tham số mạng:

 w f

a) Sơ đồ giải thuật lan truyền ngược

Từ phân tích và sử dụng phương pháp giảm dốc Gradient trong chương 2, thiết lập sơ

đồ thuật toán lan truyền ngược điều chỉnh các tham số hệ thống mạng thể hiện như hình 3.2 Quá trình bắt đầu bởi việc khởi tạo ngẫu nhiên bộ tham số hệ thống mô hình mạng Bộ tham số đầu tiên này thực chất là một nghiệm w0 trong không gian nghiệm và xác định một

mô hình toán học mạng Với bộ tham số nghiệm ban đầu w0 tính toán các giá trị đầu ra kết xuất bởi mạng tương ứng yi Tính toán các giá trị sai lệch ei, i,  tương ứng với các bộ dữ liệu và cả tập dữ liệu vào, thực hiện quá trình lặp và kiểm tra điều kiện dừng Nếu điều kiện dừng không thỏa mãn thì thực hiện quá trình điều chỉnh cập nhật các giá trị tham số

hệ thống mới theo thuật toán Quá trình cập nhật này tạo ra một bộ tham số hệ thống mới chính là một nghiệm w mới trong không gian nghiệm Thực hiện kiểm tra vòng lặp giới hạn và sai số trung bình Nếu sai số trung bình lớn hơn sai số trung bình cho phép hay số lần lặp không vượt quá giới hạn dừng thì tiếp tục quá trình lặp còn ngược lại thì kết thúc và

cập nhật lại bộ tham số hệ thống, lưu kết quả và thoát khỏi vòng lặp Thuật toán sử dụng 2 tiêu chuẩn dừng là sai số trung bình và số lần lặp Mục đích sử dụng 2 tiêu chuẩn lặp là nhằm tránh máy bị treo khi không thỏa mãn điều kiện dừng sai số trung bình nhỏ hơn sai

Nhược điểm lớn nhất của giải thuật lan truyền ngược là khả năng làm giảm sai lệch E phụ thuộc nhiều vào điểm khởi tạo ban đầu w0 và hệ số học như đã được phân tích trong chương 2 nhưng ưu điểm là tốc độ hội tụ nhanh Nếu có điểm khởi tạo nghiệm ban đầu tốt cho đầu vào thuật toán lan truyền ngược thì quá trình hội tụ về các tiêu chuẩn dừng sẽ nhanh hơn

b) Sơ đồ giải thuật trí tuệ bầy ong nhân tạo

Giải thuật bầy ong nhân tạo thuộc lớp trí tuệ bầy đàn, dựa trên quan sát tự nhiên của bầy ong khi tìm mật hoa Đàn ong với các cá thể được chia làm 3 nhóm ong khác nhau: ong thợ, ong tìm kiếm, ong giám sát Các cá thể ong luôn giữ mối liên hệ với nhau thông qua khu vực trao đổi thông tin Ong thợ được điều đi khắp nơi để tìm kiếm nguồn mật hoa, một nguồn mật hoa là đại diện cho một nghiệm w của bài toán và do một ong thợ đảm nhiệm

Số lượng ong thợ trong quần thể bầy ong cũng chính là số lượng nghiệm sử dụng để khám phá nghiệm tối ưu Ong giám sát ở tại trung tâm trao đổi thông tin đón nhận thông tin từ ong thợ đưa về, so sánh lượng mật hoa tại các nguồn thức ăn và sẽ ra quyết định chọn nguồn mật để khai thác tiếp theo căn cứ độ giàu có của nguồn mật Nguồn mật càng giàu

có thì càng có cơ hội được chọn để khai thác Ong tìm kiếm là ong sẽ đi theo một hướng bất kỳ để tìm nguồn thức ăn mới, và khi tìm thấy nguồn thức ăn mới thì con ong này sẽ biến thành ong thợ Qui trình tìm mật hoa được sử dụng để tìm nghiệm tối ưu cho bài toán tối ưu Với lý thuyết qui trình tìm kiếm mật hoa của đàn ong nhưng ứng dụng nó để thành giải thuật thì tùy vào mục đích và mức độ phức tạp của bài toán để thiết lập gải thuật cho tối ưu về chiến lược thời gian thực khi thực hiện thuật toán Gải thuật trong luận án sử dụng giải các bài toán tối ưu trong cơ khí với cách tiếp cận làm giảm thời gian thực khi thực hiện thuật toán

Hàm sai lệch E=E(w), trong đó w là vector tham số hệ thống mạng Cũng giống như thuật toán lan truyền ngược là cần tìm bộ tham số w* để giá trị hàm sai lệch hay sai lệch trung bình tb, độ phân tán sai số  đạt giá trị nhỏ nhất Bản chất của bài toán ở đây cũng là bài toán tối ưu sử dụng phương pháp lặp số với giải thuật trí tuệ bầy đàn của loài ong Dựa trên quy trình của bầy ong như ở trên, thuật toán ABC được thiết lập theo sơ đồ giải thuật như hình 3.3 và bao gồm các bước chính sau đây:

Bước 1: Khởi tạo quần thể nghiệm ban đầu

Khái niệm nghiệm ở đây được hiểu chính là nguồn thức ăn trong quá trình tìm kiếm, vì con ong luôn có xu hướng tìm nguồn thức ăn nhiều mật nhất hay chính là tìm nghiệm tối

ưu của hàm Khởi tạo một quần thể nghiệm ban đầu v0=(v1,v2, vj, vm)0 gồm m nghiệm ban đầu, tức là một tập hợp các nghiệm vj hay một cách khác là tập hợp các vector được khởi tạo một cách hoàn toàn ngẫu nhiên Mỗi vector vj là đại diện của một nghiệm, với số các thông số của vector chính là số biến của hàm mục tiêu là E(w) hay tb,  Các thông số của vector này là tọa độ của nghiệm đó

Số ong thợ bằng số ong giám sát và cũng chính là số lượng nghiệm trong quần thể vì mỗi một ong thợ chỉ đại diện được cho một nghiệm trong quá trình tìm kiếm nghiệm tối

ưu Tùy vào độ phức tạp của hàm mà khởi tạo số lượng nghiệm ban đầu Hàm càng phức tạp thì số lượng nghiệm hay số ong thợ khởi tạo càng lớn vì như vậy khoảng không gian tìm kiếm sẽ rộng hơn, thuận lợi hơn cho việc tìm đến nghiệm tối ưu

Khởi tạo quần thể nghiệm ban đầu

Tạo nghiệm mới do ong thợ

Đánh giá độ tốt-xấu của nghiệm

Tạo nghiệm mới do ong giám sát

Chuyển ong thợ thành ong tìm kiếm

Bắt đầu

Xét điều kiện dừng

Kết quả tối ưu

Kết thúc

Hình 3.3 Sơ đồ thuật toán ABC

Sai

Đúng

Một vector nghiệm vj được khởi tạo ngẫu nhiên:

vj=(w1j,w2j,w3j,…wij,…wnj) (3.8) trong đó:

wij là tham số thực được khởi tạo ngẫu nhiên trong khoảng [0,1]

Khởi tạo như vậy sẽ được một vector với các tham số thuộc không gian số thực Hình 3.4

là đồ thị minh họa việc khởi tạo quần thể nghiệm ban đầu với các nghiệm có giá trị khác nhau

Bước 2: Tạo nghiệm mới do ong thợ

Quy trình tìm nghiệm mới này được áp dụng cho tất cả các nghiệm trong quần thể khởi tạo thể hiện trong sơ đồ thuật toán 3.5 Ong thợ sẽ tìm nguồn thức ăn mới xung quanh nguồn thức ăn nó vừa tìm được và quá trình tìm kiếm đó được gọi là quá trình khai thác Quần thể nghiệm ban đầu có m nghiệm thì tương ứng cũng có m ong thợ Vị trí mỗi ong thợ là một vị trí nghiệm Vì vậy khi tạo các nghiệm mới do ong thợ chính là tạo ra một vị trí nghiệm mới Vị trí mới tìm được sẽ được so sánh với vị trí cũ về số lượng mật, do đó nếu vị trí mới tốt hơn thì thay vị trí cũ bằng vị trí mới, còn nếu ngược lại thì vị trí cũ vẫn sẽ giữ nguyên Tại vị trí nguồn thức ăn thứ j vector nghiệm là vj, khảo sát lân cận xung quanh nguồn thức ăn xem có vị trí nào tốt hơn hay không, tạo ra các nghiệm mới xung quanh nghiệm cũ vj là vj ’, các thông số của nghiệm mới dựa trên các giá trị của các thông số của nghiệm cũ vj và chỉ làm thay đổi một thông số tại vị trí thứ i nào đó:

vj ’

=(w1j,w2j,…,wij ’,…wnj), i=1÷n, j=1÷m (3.9) Trong đó:

wij ’=wij+rkj(wij-wik) (3.10)

- rkj là một số ngẫu nhiên trong khoảng [-1,1]

- wik là tham số thứ i vủa vector nghiệm thứ k là vk trong quần thể nghiệm đã có, vector nghiệm vk được chọn hoàn toàn ngẫu nhiên và khác với vector nghiệm vj Việc tạo nghiệm mới do ong thợ được tiến hành theo quy trình:

+ Tạo quần thể gồm m nghiệm do vậy có m ong thợ

+ Đặt biến i: là biến đếm ong thợ

+ Ban đầu i =0

Hình 3.4 Đồ thị minh họa quần thể nghiệm được khởi tạo ngẫu nhiên

Vector thứ 1, v1=(w11,w21,w31…wn1) Vector thứ j, vj=(w1j,w2j,w3j,…wnj)

Quá trình tìm ra nghiệm mới không đảm bảo được nghiệm mới là tốt hơn nghiệm cũ nên phải thực hiện so sánh tác động của nghiệm cũ và nghiệm mới để lựa chọn Tính giá trị của hàm mục tiêu E(v) cho hai giá trị nghiệm cũ và mới là: E(vj) và E(vj ’)

- Nếu E(vj ’) <E(vj) thì nghiệm mới vj ’ tốt hơn nghiệm cũ do vậy sẽ thay thế nghiệm cũ

vj trong quần thể nghiệm bằng vj ’

Bước 3: Đánh giá mức độ - tốt xấu của nghiệm

Mỗi ong thợ khi quay trở về tổ truyền đạt lại cho ong giám sát thông tin về nguồn thức

ăn mà nó tìm được Ong giám sát thông qua những thông tin từ tất cả ong thợ mang về sẽ đánh giá được mức độ giàu có của nguồn thức ăn hay nói cách khác là mức độ tốt –xấu của nghiệm

Đối với bài toán tìm tối ưu cực đại, nên ưu tiên tìm những nghiệm cho giá trị càng lớn càng tốt, còn bài toán tối ưu cực tiểu thì ưu tiên tìm những nghiệm cho giá trị càng nhỏ càng tốt Khi tìm bộ thông số mạng mong muốn giá trị sai lệch E càng nhỏ càng tốt còn khi giải bài toán tối ưu năng suất gia công thì mong muốn giá trị Q càng lớn càng tốt Dưới đây trình bày đánh giá mức độ tốt xấu của nghiệm cho bài toán E càng nhỏ càng tốt với bài toán năng suất thì cũng tương tự chỉ khác thay vì xét p thì xét (1-p) Việc đánh giá mức độ tốt- xấu của nghiệm được thông qua quy trình sau:

Gọi Ej là giá trị của hàm E(v) tương ứng với vector nghiệm vj: Ej=E(vj) với j=1÷m

Đúng

Hình 3.5 Qui trình tạo nghiệm mới do ong thợ

Gọi E là tổng giá trị của các vector trong quần thể





 m

j j

E E

j j

j

E

E E

E p

sự tập trung của các ong giám sát đến sẽ lớn hơn các đoạn khác nghĩa là xác suất được chọn sẽ cao hơn

Bước 4: Tạo nghiệm mới do ong giám sát

Tại tổ ong, ong giám sát sẽ đánh giá những thông tin đưa về từ ong thợ để chọn ra những nghiệm nào tốt và những nghiệm nào xấu Nghiệm càng tốt tức kj càng lớn thì xác suất để ong giám sát tập trung tìm kiếm xung quanh nghiệm đó càng cao, và ngược lại, nghiệm càng xấu tức kj càng nhỏ thì xác suất để ong giám sát tập trung tìm kiếm xung quanh nghiệm đó càng thấp

Như đã trình bày ở bước 1, số lượng ong giám sát bằng số lượng ong thợ cũng như số lượng nghiệm Vì vậy, mỗi ong giám sát sẽ tập trung tìm kiếm cùng ong thợ xung quanh nghiệm mà ong thợ đó tìm thấy Tuy nhiên, do giá trị của nghiệm hay độ tốt –xấu của nghiệm do ong thợ đưa về là khác nhau, nên ong giám sát sẽ ưu tiên tìm kiếm xung quanh những nghiệm tốt hơn Việc ong giám sát tìm kiếm, khảo sát xung quanh một nghiệm nào

đó không đồng nghĩa với việc nó bay đến vị trí nghiệm đó và khảo sát, mà nó sẽ truyền đạt quyết định đến ong thợ tại vị trí nghiệm đó và ong thợ đó sẽ có nhiệm vụ khảo sát xung quanh nghiệm theo chỉ dẫn của ong giám sát

Việc tạo nghiệm mới do ong giám sát được thực hiện theo các bước sau:

+ Quần thể nghiệm bao gồm m nghiệm do đó có m ong giám sát

+ Mỗi nghiệm trong quần thể có một giá trị kj được tính trong bước 3

Hình 3.6 Biểu đồ phân bố độ thích nghi

Bước tạo nghiệm mới được thực hiện tương tự như bước tạo nghiệm mới do ong thợ được trình bày tại bước 2:

Từ sơ đồ giải thuật hình 3.7 trên thấy, nếu nghiệm thứ j có giá trị lớn hơn giá trị của các nghiệm còn lại, tức là kj bé thì xác suất để phát sinh một số r sao cho r < kj là càng bé Hay nói cách khác là xác suất để ong giám sát tập trung tìm kiếm xung quanh nghiệm đó là càng thấp, dẫn tới việc nghiệm này không có nhiều cơ hội để được cải thiện thành nghiệm tốt hơn Và ngược lại, nghiệm nào càng tốt thì kj càng lớn xác suất ong giám sát tập trung tìm kiếm càng nhiều, dẫn tới nghiệm này càng có nhiều cơ hội để trở thành nghiệm tốt hơn

Bước 5: Xét điều kiện chuyển ong thợ thành ong tìm kiếm

Các bước 2 và bước 4 đã thể hiện quá trình tìm kiếm xung quanh vị trí nghiệm của ong thợ và ong giám sát để tìm kiếm nghiệm mới tốt hơn nghiệm cũ Mỗi nghiệm đều có ít nhất

r < kj

j=j+1 Nếu (j= m) thì j=1

t=m (Số ong giám sát)

Tạo một số r ngẫu nhiên trong khoảng (0,1)

Tạo nghiệm mớivà t=t+1

Quần thể đầu vào j=1 và t=1

một lần được ong thợ tìm kiếm theo bước 2 và tùy theo giá trị nghiệm ong thợ tìm được mà còn có thể được ong giám sát tìm kiếm thêm các lần khác, nghiệm càng tốt thì khả năng được ong giám sát tìm kiếm là càng cao Tuy nhiên nếu nghiệm này rơi vào vị trí cục bộ địa phương như hình vẽ 3.8

Nếu rơi vào trường hợp này thì việc tìm kiếm xung quanh điểm tối ưu cục bộ là vô ích Vậy cần có một giới hạn để có thể phán đoán xem điểm đang được tìm kiếm có phải là cục

bộ địa phương hay không Giới hạn được hiểu là số lần tìm kiếm không thành công liên tiếp xunh quanh một nghiệm hay là số lần nghiệm mới tìm ra không tốt hơn nghiệm cũ Ở đây dùng thuật ngữ liên tiếp vì nếu chỉ cần tìm ra một nghiệm mới tốt hơn nghiệm cũ thì ong thợ sẽ xóa số lần thử không thành công trước đó Giới hạn này tùy thuộc vào mức độ phức tạp của bài toán.Tuy nhiên có thể lấy giới hạn này theo kinh nghiệm là:

Trong đó:

Lgh là số lần tìm kiếm không thành công hay số lần nghiệm mới không tốt hơn nghiệm

cũ

m là số vector nghiệm của quần thể nghiệm

n là số biến của hàm cần tối ưu

Việc ong thợ tìm kiếm nghiệm mới xung quanh nghiệm cũ là quá trình khai thác và khi

số lần tìm kiếm không thành công vượt quá giới hạn thì gọi nghiệm đó là đến cục bộ địa phương hay nguồn thức ăn này đã cạn kiệt Như vậy ong thợ cần phải tìm một nguồn thức

ăn mới hay nghiệm mới, những ong thợ trong khi tìm kiếm nghiệm mới như vậy được gọi

là ong tìm kiếm Hình 3.9 minh họa cho quá trình ong thợ chuyển thành ong tìm kiếm Ở nghiệm mới B có khả năng cao để tiến tới giá trị tối ưu toàn cục là điểm C

Giải thuật biểu diễn quá trình chuyển ong thợ thành ong tìm kiếm:

- Quần thể có m vector nghiệm nên có m ong thợ

- Đặt biến i là biến đếm ong thợ, i=1÷m

- Giới hạn tìm kiếm Lgh=m.n

Hình 3.10 thể hiện sơ đồ thuật toán cho quá trình chuyển ong thợ thành ong tìm kiếm để thoát khỏi điểm cục bộ địa phương Sau khi ong thợ đã kiểm tra số lần thử nghiệm mới

Hình 3.9 Đồ thị minh họa việc ong thợ chuyển thành ong tìm kiếm

Điểm tối ưu cục bộ Điểm tối ưu toàn cục

C

A

B

Hình 3.8 Điểm tối ưu toàn cục

Điểm tối ưu toàn cục

Điểm tối ưu cục bộ

không thành công liên tiếp vượt quá giới hạn Thì ong thợ được chuyển thành ong tìm kiếm

Giả sử nghiệm thứ j là vj đã được khai thác hết, nghĩa là số lần khai thác đã vượt quá giới hạn cho phép Lgh: vj = (w1j,w2j,…,wij,…wnj)

wij=wimin+rij.(wimax- wimin) với i=1÷m (3.16) trong đó:

- wij là tham số hệ thống mô hình mạng thứ i của vector nghiệm thứ j trong quần thể nghiệm

- wimin là giá trị nhỏ nhất của các giá trị wi trong quẩn thể nghiệm: wimin=min{wij} với j=1÷m

Li≥ Lgh

Quần thể đầu vào

Tạo ong thợ từ ong tìm kiếm

i=i+1

i=m (Đủ

số ong thợ) i=1

- wimax là giá trị lớn nhất của các giá trị wi trong quần thể nghiệm: wimax=max{wij} với j=1÷m

- rij là số ngẫu nhiên trong khoảng (0,1)

Bước 6: Ghi nhớ giá trị nghiệm tốt nhất và xét điều kiện dừng

Với bài toán tìm tham số hệ thống mạng thì không thể biết trước nghiệm tốt nhất có giá trị là bao nhiêu Do vậy điều kiện dừng của thuật toán là các điều kiện đánh giá chất lượng

mô hình như đa trình bày Nếu điều kiện đánh giá chất lượng mô hình mạng không được thỏa mãn mà không kiểm soát quá trình lặp thì sẽ rơi vào trạng thái lặp không dừng và treo máy Vì vậy điều kiện dừng ngoài điều kiện là chất lượng mô hình bao gồm sai số trung bình cho phép và độ phân tán sai số quan sát thêm số vòng lặp tối đa cho trước để dừng chương trình Tuy nhiên, cũng do việc không biết trước nghiệm tốt nhất là bao nhiêu dẫn đến việc không thể phân biệt được đâu là điểm tốt tiệm cận với điểm tối ưu cục bộ và hay tiệm cận điểm tối ưu toàn cục Do vậy sau khi kết thúc một vòng lặp cần phải tìm kiếm và lưu giá trị nghiệm tốt nhất của vòng lặp đó làm cơ sở so sánh với điều kiện dừng và các vòng lặp tiếp theo

3.2.3 Qui trình xác định mối quan hệ thực nghiệm

Tham số hệ thống mô hình toán học mạng xác định mối quan hệ giữa chế độ cắt và các đầu ra quan tâm là các giá trị trọng số w bao gồm các tham số của hàm liên thuộc và các giá trị tham số đánh giá mức độ tác động của các biến vào Quá trình luyện mạng là quá trình thực hiện hai thuật toán ABC và lan truyền ngược điều chỉnh các giá trị trọng số để giá trị kết xuất ra khỏi mạng bám được giá trị thực đưa vào từ bộ dữ liệu Sơ đồ thuật toán được thể hiện như trong hình 3.11

Bước 1: đọc dữ liệu vào

Quá trình đọc dữ liệu đầu vào từ một file được lưu trữ dưới dạng đuôi chấm txt Bố cục dữ liệu được sắp xếp theo thứ tự từ các biến vào đến đầu ra, các biến đầu vào ký hiệu gọi là x và các biến đầu ra quan tâm gọi là y:

Hình 3.11 Sơ đồ giải thuật xác định mối quan hệ thực nghiệm giữa chế độ

và dữ liệu kiểm tra

Nạp dữ liệu vào luyện mạng mờ nơron

Huấn luyện mạng tìm bộ tham số hợp lý