Tối ưu hóa bình đồ công trường bằng thuật toán tối ưu đàn kiến (ACO)

Việc bố trí một tập hợp các cơ sở vật chất được xác định trong biê ̣n pháp và kế hoa ̣ch thi công của nhà thầu vào các vị trí thích hợp có sẵn để đạt được một giải pháp tốt nhất

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-****** -

LƯƠNG CÔNG LUẬT

TỐI ƯU HÓA BÌNH ĐỒ CÔNG TRƯỜNG BẰNG THUẬT TOÁN TỐI ƯU ĐÀN KIẾN (ACO)

Chuyên ngành : QUẢN LÝ XÂY DỰNG

Mã số ngành : 60580302

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 07 năm 2019

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-****** -

LƯƠNG CÔNG LUẬT

TỐI ƯU HÓA BÌNH ĐỒ CÔNG TRƯỜNG BẰNG THUẬT TOÁN TỐI ƯU ĐÀN KIẾN (ACO)

Chuyên ngành : QUẢN LÝ XÂY DỰNG

Mã số ngành : 60580302

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 07 năm 2019

TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên : Lương Công Luâ ̣t MSHV: 1570080

Ngày, tháng, năm sinh: 14/05/1991 Nơi sinh: Phú Yên

Chuyên ngành: Quản lý xây dựng Mã số : 60580302

I TÊN ĐỀ TÀI:

Tối ưu hóa bình đồ công trường bằng thuâ ̣t toán toán tối ưu đàn kiến (aco)

II NHIỆM VỤ VÀ NỘI DUNG : Áp dụng thuâ ̣t toán tối ưu đàn kiến để giải quyết bài toán bố trı́ tổng mă ̣t bằng công trường trong các giai đoạn thi công Đồng thời hỗ trợ các nhà quản lý xây dựng có thể kết hợp những kinh nghiệm và thế mạnh của thuật toán ACO để xử lý các tình huống thực tế nhằm nâng cao hiê ̣u quả trong công việc

III NGÀY GIAO NHIỆM VỤ : 11/02/2019

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 02/06/2019

V CÁN BỘ HƯỚNG DẪN (Ghi rõ học hàm, học vị, họ, tên): TS Pha ̣m Vũ Hồng Sơn

Tp HCM, ngày tháng năm 2019

CÁN BỘ HƯỚNG DẪN

(Họ tên và chữ ký) CHỦ NHIỆM BỘ MÔN ĐÀO TẠO (Họ tên và chữ ký)

TS Pha ̣m Vũ Hồng Sơn

TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG

(Họ tên và chữ ký)

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA-ĐHQG-HCM

Cán bộ hướng dẫn khoa học: TS Pha ̣m Vũ Hồng Sơn

(Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Cán bộ chấm nhận xét 1: TS Trần Đức Học

(Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Cán bộ chấm nhận xét 2: PSG TS Nguyễn Minh Hà

(Ghi rõ họ, tên, học hàm, học vị và chữ ký)

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp

HCM ngày tháng năm 2019 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1 ………

2 ………

3 ………

4 ………

5 ………

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRUỞNG KHOA KỸ THUẬT XÂY DỰNG

LỜI CẢM ƠN

Trong khoảng thời gian học tập ta ̣i trường ĐH BK TPHCM và nghiên cứu thực hiện luận văn cuối khóa, tôi đã đươ ̣c các quý thầy, cô thuộc Bộ Môn Thi Công và Quản lý xây dựng, Khoa Kỹ Thuật Xây Dựng, Phòng Đào Tạo Sau Đại Học của trường ĐH

BK TP HCM nhiệt tình giảng dạy và hướng dẫn Tôi xin đươ ̣c gửi lòng biết ơn chân thành của mình đối với quý thầy, cô Và hơn thế nữa tôi xin đươ ̣c bày tỏ lòng biết ơn sâu sắc đến thầy TS Pha ̣m Vũ Hồng Sơn đã tận tình chỉ bảo, hướng dẫn và giúp đỡ tôi trong suốt thời gian thực hiện khóa luâ ̣n tốt nghiệp

Tôi xin được cảm ơn gia đình của tôi đã luôn ủng hộ, chia sẻ, hỗ trợ cho tôi trong suốt thời gian học tập và nghiên cứu tại trường ĐH BK TPHCM

Trong thời gian học dưới mái trường ĐH BK TPHCM, tôi đã có nhưng trải nghiệm về ho ̣c tập và nghiên cứu Tôi cảm thấy yêu ngôi trường này hơn, và kı́nh tro ̣ng những người thầy cô ở đây

Qua việc nghiên cứu và hoàn thành luận văn, tôi đã có thêm nhiều kiến thức bổ ích trong chuyên môn cũng như phương pháp luận nghiên cứu khoa học Tuy nhiên do thời gian nghiên cứu chưa thể đi sâu, các vấn đề nghiên cứu còn ha ̣n he ̣p chı̉ nằm ở mô ̣t khı́a ca ̣nh nhỏ nên còn nhiều hạn chế về khối lươ ̣ng kiến thức cũng như kinh nghiệm thực hành nên tôi không thể tránh khỏi những thiếu sót nhất định trong bài nghiên cứu

mà chưa tôi chưa nghiên cứu sâu hơn rô ̣ng hơn trong nghiên cứu này và còn nhiếu vấn đề bản thân chưa thấy được Tôi rất vui khi nhận được sự góp ý của thầy cô cũng như các ba ̣n và các bạn đồng nghiệp để luận văn được hoàn chỉnh hơn

Cuối cùng, tôi chân thành gửi lời chúc sức khỏe và hạnh phúc đến quý thầy cô, gia đình, bạn bè và đồng nghiệp

TP HCM, ngày tháng 07 năm 2019

Tác giả luận văn

TÓM TẮT

TỐI ƯU HÓA BÌNH ĐỒ CÔNG TRƯỜNG BẰNG PHƯƠNG PHÁP TRÍ

TUỆ NHÂN TẠO

Bố trí công trường xây dựng là một bước quan trọng của việc lập thiết kế thi công, nhằm mục đích xác định biện pháp thi công có hiệu quả nhất, giải quyết các vấn

đề liên quan đến công tác lập tiến độ và thiết kế công trường Việc bố trí một tập hợp các cơ sở vật chất được xác định trong biê ̣n pháp và kế hoa ̣ch thi công của nhà thầu vào các vị trí thích hợp có sẵn để đạt được một giải pháp tốt nhất và tối ưu nhất, thực sự là một bài toán khó và cần lên phương án đối với nhà quản lý xây dựng vì có rất nhiều lựa chọn để thay thế Nhiều nghiên cứu dựa trên phương pháp Meta-heuristic được thực hiện để giải quyết sự phức tạp của vấn đề này Tuy nhiên, những phương pháp này đều

có những ưu và nhược điểm riêng mà người quản lý phải suy xét nhiều Để khắc phục những nhược điểm này, nghiên cứu này đề xuất một mô hình lai ghép Meta-heuristic

mới Thuật toán đề xuất được đặt tên là ACO có cả hai khả năng tìm kiếm địa phương

và toàn cục đồng thời Thuật toán đàn kiến nhân tạo (ACO) có nhiều ưu điểm trong tìm kiếm địa phương và toàn cục Hệ thống hỗn loạn (Chaotic system) và Phương pháp học dựa trên sự đối diện (Opposition-based learning) được áp dụng để tăng cường độ hội tụ toàn cục trong việc khởi tạo các quần thể ban đầu Hơn nữa, nghiên cứu này so sánh hiệu quả của ACO so với các nghiên cứu trước đây về các vấn đề bố trí cơ sở vật chất trên công trường xây dựng Các kết quả cho thấy rằng hiệu quả của ACO có phần vượt trội so với các thuật toán tối ưu hóa hiện có trong việc giải quyết các vấn đề trên Nghiên cứu này hỗ trợ các nhà quản lý xây dư ̣ng có thể kết hợp những kinh nghiệm và thế mạnh của thuật toán ACO để xử lý các tình huống thực tế nhằm nâng cao hiê ̣u quả trong công việc

ABSTRACT

Construction site layout is an important part of construction design, which aims

to determine the construction methods are most effective, addressing issues related to the work scheduling and design school The arrangement of a set of facilities predefined

in the appropriate position is available to achieve an optimal solution, is a difficult problem for the management of construction because there is so many choose instead Many studies based on Meta-heuristic method is done to solve the complexity of this issue However, these methods have advantages and disadvantages To overcome this drawback, this study proposes a hybrid model of new Meta-heuristic The proposed algorithm is named Ant Colony Optimization has the ability to search both locally and globally at the same time Artificial ant colony algorithm has many advantages in local search and global Chaotic system and learning method based on the opposite (Opposition-based learning) to be applied to enhance the global convergence in the initialization of the initial population Moreover, this study compared the effects of Ant Colony Optimization compared to previous studies on issues of infrastructure layout on the construction site The results show that the effectiveness of the ACO has outperformed the optimization algorithm is to solve the above problems This study supports the construction manager can combine the experience and strengths of the ACO algorithm to handle real-life situations in order to improve efficiency in the work Chaotic system and learning method based on the opposite (Opposition-based learning)

to be applied to enhance the global convergence in the initialization of the initial population Moreover, this study compared the effects of ACO compared to previous studies on issues of infrastructure layout on the construction site The results show that the effectiveness of the ACO has outperformed the optimization algorithm is to solve the above problems This study supports the construction manager can combine the experience and strengths of the ACO algorithm to handle real-life situations in order to improve efficiency in the work Chaotic system (Chaotic system) and learning method based on the opposite (Opposition-based learning) to be applied to enhance the global convergence in the initialization of the initial population Moreover, this study compared

the effects of ACO compared to previous studies on issues of infrastructure layout on the construction site The results show that the effectiveness of the ACO has outperformed the optimization algorithm is to solve the above problems This study supports the construction manager can combine the experience and strengths of the ACO algorithm to handle real-life situations in order to improve efficiency in the work This study compared the effects of ACO compared to previous studies on issues of infrastructure layout on the construction site The results show that the effectiveness of the ACO has outperformed the optimization algorithm is to solve the above problems This study supports the construction manager can combine the experience and strengths

of the ACO algorithm to handle real-life situations in order to improve efficiency in the work This study compared the effects of ACO compared to previous studies on issues

of infrastructure layout on the construction site The results show that the effectiveness

of the ACO has outperformed the optimization algorithm is to solve the above problems This study supports the construction manager can combine the experience and strengths

of the ACO algorithm to handle real-life situations in order to improve efficiency in the work

LỜI CAM ĐOAN

Tôi tên Lương Công Luâ ̣t, là một học viên cao ho ̣c của trường BK HCM, tôi xin cam đoan rằng luận văn thạc sĩ “Tối ưu hóa bình đồ công trường bằng thuâ ̣t toán ACO” là công trình nghiên cứu và thực hiê ̣n của cá nhân tôi với sự hướng dẫn dẫn dắt của thầy TS Pha ̣m Vũ Hồng Sơn Các số liệu trong nghiên cứu là trung thực Việc tham khảo tài liệu (nếu có) đều được trích dẫn theo đúng các quy định

Tôi xin chịu hoàn toàn trách nhiệm về nội dung của luận văn này

MỤC LỤC

LỜI CẢM ƠN 3

TÓM TẮT LUẬN VĂN 4

LỜI CAM ĐOAN 7

CHƯƠNG 1 12

ĐẶT VẤN ĐỀ 12

1.1 Giới thiê ̣u chung: 12

1.2 Nghiên cứu, mục tiêu và giả thiết 19

1.2.1.Phạm vi nghiên cứu 19

1.2.2.Giả thiết 19

1.2.3.Mục tiêu 19

1.2.4.Giả thuyết 21

1.3 Phương pháp nghiên cứu 22

1.4 Bố cục của luận văn 23

CHƯƠNG 2: TỔNG QUAN 24

2.1 Tổng quan các nghiên cứu về đàn kiến và tối ưu công trường 24

2.2 Nhận xét chung về các thuật toán ACO 28

2.3 Kết luận 29

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 30

3.1 Cơ sở lý thuyết 30

3.2 Từ kiến thực đến kiến nhân tạo 31

3.2.1.Kiến thực 32

3.2.2.Kiến nhân ta ̣o 34

3.3 Phương pháp thuâ ̣t toán ACO 36

3.4 Những kết quả đạt được từ thuật toán ACO từ các nghiên cứu: 43

CHƯƠNG 4: THUẬT TOÁN TỐI ƯU HÓA ĐÀN KIẾN 47

4.1 Khởi tạo giải pháp ban đầu trong thuật toán ACO 47

4.2 Mô hình thuật toán ACO 49

CHƯƠNG 5: BÀI TOÁN CỤ THỂ 52

5.1 Nghiên cứu đơn giản để minh họa vấn đề bố trí công trường xây dựng cho một dự án xây dư ̣ng 52

5.2 Xây dư ̣ng hàm chi phı́ cho bı̀nh đồ công trường 55

5.2.1 Mô tả bài toán: 55

5.3 Kết luận: 61

CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ 62

6.1 Kết luận 62

6.2 Kiến nghị 63

DANH MỤC BẢNG

Bảng 1 Danh sách các chữ viết tắt 11

Bảng 2 Thuật toán ACO theo thứ tự thời gian xuất hiện 25

Bảng 3 Nghiên cứu trước đây ở trong nước 26

Bảng 4 Nghiên cứu trước đây ở nước ngoài 27

Bảng 5 Chi phí lưu lượng 56

Bảng 6 Khoảng cách giữa các địa điểm 57

Bảng 7 Chi phí lắp đặt cơ sở vật chất ở các địa điểm khác nhau 57

Bảng 8 Chi phí loại bỏ các cơ sở ở các địa điểm khác nhau 58

Bảng 9 Bố cục tối ưu 59

Bảng 10 Kết quả tối ưu khi dùng với GA 61

MỤC LU ̣C HÌNH ẢNH

Hı̀nh 1 Sơ đồ các bước nghiên cứu 22

Hı̀nh 2 Sơ đồ chung của thuật toán 30

Hı̀nh 3 Sơ đồ các bước nghiên cứu 31

Hı̀nh 4 Thí nghiệm trên cây cầu đôi 33

Hı̀nh 5 Thí nghiệm ban đầu chỉ một nhánh dài và sau 30 phút thêm nhánh ngắn 34

Hı̀nh 6 Đồ thị cấu trúc tổng quát cho bài toán cực tri hàm f(x1,…xn) 35

Hı̀nh 7 Biểu diễn bài toán TCO dưới dạng TSP 44

Hı̀nh 8 Bố cục trường hợp nghiên cứu công trình xây dựng 53

Hı̀nh 9 Nghiên cứu điển hình: Khoảng cách giữa các cơ sở 54

Hı̀nh 10 Nghiên cứu trường hợp bố trí công trình xây dựng tối ưu 54

Hı̀nh 11 Thời gian biểu của sự hiện diện của các cơ sở trong công trường 56

Hı̀nh 12 Mô hı̀nh hô ̣i tu ̣ của giải gáp tối ưu 59

Hı̀nh 14 Mô hình hội tụ của các quần thể khác nhau 60

Bảng 1 Danh sách các chữ viết tắt

CHƯƠNG 1

ĐẶT VẤN ĐỀ

1.1 Giới thiê ̣u chung:

Việc xây dựng vấn đề lập kế CSLP liên quan đến việc đặt một tập hợp các cơ sở ở một số vị trí nhất định trong ranh giới công trình, trong khi tối ưu hóa các mục tiêu bố trí và đáp ứng các ràng buộc bố cục Bố trí công trình XD tối ưu là rất quan trọng để QLDA vì nó làm ı́t đi thời gian để vận chuyển và do đó các chi phí vâ ̣n hành của dự án

và cũng tăng cường năng suất và an toàn của điều kiện làm việc Vấn đề CSLP có thể được định nghĩa là một số cơ sở được xác định trước n, được gán tối ưu cho một số vị trí không được xác định trước m, trong đó m ≥ n Vấn đề CSLP nói chung có thể được

mô hình hóa như là cơ sở cho phân công vị trí hoặc cơ sở cho phân công công trình Việc đầu tiên gán một tập hợp các cơ sở được xác định trước cho một tập hợp các vị trí được xác định trước trên công trình Mặt khác, phương pháp phân bổ cơ sở cho công trình, gán một tập hợp các cơ sở được xác định trước cho bất kỳ không gian trống nào

có sẵn trên trang web và dẫn đến một công thức phức tạp hơn do một số hạn chế về không gian phải được thỏa mãn đồng thời Cả hai dạng vấn đề có thể được mô hình hóa thành CSLP diện tích bằng nhau hoặc CSLP diện tích không bằng nhau tùy thuộc vào việc tất cả các cơ sở có thể phù hợp với mọi vị trí có thể hay không Vấn đề CSLP cũng

có thể được phân biệt thành vấn đề tĩnh hay động tùy thuộc vào việc không thay đổi hoặc thay đổi cơ sở công trình và không gian công trình được xem xét trong các giai đoạn dự án khác nhau

Bố trí cơ sở vâ ̣t chất (CSVC) phù hợp dẫn đến năng suất cao và thành công dự án bằng cách giảm thiểu chi phí đi lại, giảm thời gian và chi phí cho việc xử lý vật liệu và cải thiện an toàn, đặc biệt là cho các công trường lớn

Trong thời gian trước, rất nhiều các công trı́nh nghiên cứu đã được thực hiện nhằm tı̀m hiểu mối liên hệ thời gian và chi phí, các kỹ thuật, phương pháp được ứng dụng từ các phương pháp tìm kiếm, các phương pháp toán học cho đến thuật giải di truyền Trong báo cáo này, phương pháp thuật toán tối ưu dựa trên các nền tảng của sự tiến hóa, với tên gọi tối ưu đàn kiến (ACO) được ứng dụng để mô phỏng và giải quyết bài toán tối ưu

đa mục tiêu để bố trí mặt bằng công trường dựa vào mối quan hê ̣ chi phı́ và thời gian

Quy hoạch không gian của tất cả các hoạt động thi công, quản lý trong dự án xây dựng là một điều cần thiết cơ bản để hoàn thành dự án thành công Bố trí công trình xây dựng liên quan đến việc phối hợp sử dụng không gian công trình hạn chế để chứa các

cơ sở tạm thời cần thiết để hỗ trợ vận hành xây dựng như cửa hàng chế tạo, rơ moóc, vật liệu hoặc thiết bị để chúng có thể hoạt động hiệu quả trên công trường Vấn đề bố trí thường được định nghĩa là vấn đề: (1) xác định hình dạng và kích thước của các cơ sở được đặt ra, (2) xác định các ràng buộc giữa các cơ sở và (3) xác định vị trí tương đối của các cơ sở này trong ranh giới của không gian có sẵn trên công trình để nó thỏa mãn các ràng buộc giữa chúng và cho phép chúng hoạt động hiệu quả Mặc dù tầm quan trọng của nó, việc lập kế hoạch bố trí công trình thường bị bỏ qua Thông thường, bố trí công trình xây dựng được lên kế hoạch hoàn toàn dựa trên kinh nghiệm trong quá khứ của người quản lý xây dựng Không thể xử lý hiệu quả và thận trọng một số lượng lớn các cơ sở, các yếu tố và sự phức tạp liên quan đến kế hoạch trang web chỉ dựa trên kiến thức thu được từ kinh nghiệm Việc thiếu kế hoạch bố trí công trình phù hợp này dẫn đến mất năng suất dưới dạng tăng chi phí vận chuyển, giảm an toàn, tăng tần suất chuyến

đi và tăng chi phí di dời Một công trình xây dựng được lên kế hoạch hiệu quả có thể dẫn đến (i) giảm chi phí dự án, (ii) giảm thời gian và nỗ lực dành cho xử lý vật liệu, (iii) cải thiện chất lượng công việc (iv) tăng năng suất, (v) cải thiện an toàn hoạt động của

dự án, và (vi) giảm thời gian hoàn thành dự án Một trong những cách chính để bố trí công trình xây dựng có thể đạt được mục tiêu là giảm thiểu thời gian di chuyển và loại

bỏ sự di chuyển không cần thiết của tài nguyên và xử lý tài liệu

Trong công việc hiện tại, một cách tiếp cận mới để tăng cường thực tiễn chung về lập

kế hoạch bố trí công trường để tạo bố cục hiệu quả được trình bày bằng cách sử dụng Ant Colony Optimization (ACO)

Điều kiện công trường thuận lợi sẽ hỗ trợ cho các công tác được thực hiện một cách suôn sẻ, nhanh chóng; bao gồm các công tác bố trí hệ thống các công trình giao thông tạm xung quanh khu vực xây dựng, văn phòng ban chỉ huy, lán trại cho công nhân, khu vực thi công, các khu tiện ích, thiết bị thi công

Bố trí hiệu quả sẽ nâng cao hiệu quả hoạt động tổng thể và có thể giảm từ 20% đến 50% tổng chi phí hoạt động (J A Tompkins, J A White, Y A Bozer, and J M A

Tanchoco, 2010) Mặt khác, bố trí không hiệu quả sẽ tăng khoảng 36% chi phí xử lý nguyên vật liệu (J Balakrishnan and C H Cheng, 2007)

Sự phức tạp của vấn đề sẽ tăng lên theo cấp số nhân với số lượng các cơ sở vật chất Nếu số lượng cơ sở vật chất nhiều, rất khó và không thể đưa ra giải pháp tối ưu trong thời gian hợp lý (K L Mak, Y S Wong, With F T S Chan, 1998) Với n cơ sở vật chất, số lượng các lựa chọn thay thế có thể là n! Ví dụ nếu ta có 10 cơ sở vật chất, số lượng các lựa chọn thay thế sẽ là 10! = 3.628.000

Vấn đề bố trí cơ sở vật chất trên công trường đã được hình thành như một vấn đề bài toán phân công bậc hai (Quadratic assignment problem-QAP) Công thức này, ban đầu được đề xuất bởi Koopmans và Beckmann năm 1957, chỉ định cơ sở vật chất phân

bổ vào n vị trí Vấn đề bố trí được xem xét ở đây giả định rằng mỗi cơ sở vật chất có thể chỉ định cùng một khu vực, và do đó bất kỳ cơ sở vật chất nào có thể được gán cho bất

kỳ vị trí nào (T Koopmans and M Beckmann, 1957) Ban đầu, có một số phương pháp được sử dụng để giải quyết vấn đề này, chẳng hạn như phương pháp nhánh cận (Simmons, 1969), quy hoạch động (J.-C Picard and M Queyranne, 1981), quy hoạch nửa xác định (M Anjos and A Vannelli, 2008), quy hoạch nguyên tuyến tính (R F Love and J Y Wong, 1976)

Phương pháp tối ưu đàn kiến (ACO) là thuật toán mô phỏng cách tìm đường đi tới tổ của kiến tự nhiên để giải các bài toán TƯTH khó Phương pháp này được Dorigo giới thiệu vào năm 1991 dưới dạng hệ kiến (Ant System) ngày nay đã được phát triển dưới nhiều biến thể và được ứng dụng rộng rãi

Kiến TN và kiến nhân tạo Kiến NT: ( kiến tư ̣ nhiên và kiến nhân ta ̣o)

Trên đường đi đến các nguồn thức ăn và mang thức ăn trở về tổ, mỗi con kiến TN để lại một vết hoá chất trên tuyến đường chúng đi gọi là vết mùi (pheromone trail) và theo dấu vết mùi này, các con con kiến khác trong bầy sẽ theo và lâ ̣p la ̣i tuyến đường mà con kiên trước đó đã đi Đường có nồng độ vết mùi càng cao thì càng có nhiều khả năng được các con kiến chọn để đi Nhờ cách giao tiếp gián tiếp này đàn kiến dần sẽ tìm được đường đi ngắn nhất và gần như là tối ưu nhất từ tổ tới nguồn thức ăn

Việc dò tìm đường đi đến các nguồn thức ăn của các con kiến TN dựa trên nồng độ vết mùi trên các tuyến đường đi mà bầy đàn để la ̣i làm ta liên tưởng tới cách học tăng cường cho bài toán chọn tác động tối ưu, gợi mở một mô hình mô phỏng cho các con

kiến TN để tìm đường đi ngắn nhất giữa hai nút hoă ̣c qua nhiều nút (tương ứng là tổ và nguồn thức ăn) trên đồ thị Trên cơ sở đó, mở rộng thành phương pháp ACO để giải các bài toán tối ưu tổ hợp khó Kiến NT

Khi mô phỏng hành vi bày đàn và vết mùi của đàn kiến để giải các bài toán thực, người ta dùng đa tác tử (multiagent) làm đàn kiến NT, trong đó mỗi con kiến NT sẽ là một tác tử, có nhiều khả năng hơn kiến TN Kiến NT (về sau sẽ gọi là kiến) có bộ nhớ riêng, có khả năng mở rộng, chẳng hạn, ghi nhớ các đỉnh đã thăm trong hành trình và tính được độ dài đường đi nó chọn Ngoài ra các con kiến có thể trao đổi các thông tin vết mùi có được với nhau, thực hiện các tính toán cần thiết, cập nhật mùi…

Nhờ các khả năng mở rộng mà mỗi đàn kiến có thể thực hiện lặp quá trình tìm lời giải nhờ thủ tục bước tuần tự trên đồ thị cấu trúc tương ứng của mỗi bài toán và cập nhật mùi theo phương thức học tăng cường để tìm lời giải chấp nhận được và xác định lời giải đủ tốt toàn cục

 Những ưu điểm và ứng dụng của thuật toán

Trước khi nói về nội dung thuật toán đàn kiến ta đi tìm hiểu các thuô ̣c tính TN về đàn kiến trong tự nhiên, xem các đặc điểm tư ̣ nhiên và cách hoạt động của đàn kiến TN Từ

đó có thể đưa ra các đặc điểm cần thiết, tác động tới thuật toán đàn kiến

Đàn kiến TN: Kiến là một loài có tổ chức cao, trong TN mỗi con kiến sẽ đánh hơi vết

mùi của bầy đàn khi di chuyển sẽ để lại một lượng thông tin pheromone trên mặt đất Đây là phương tiện để đánh dấu và để đàn kiến trao đổi thông tin khi tìm kiếm đường đi đến nguồn thức ăn Khi đi tìm kiếm thức ăn: Sau khi từ tổ và đến nguồn thức ăn, mỗi con kiến sẽ thiết lập ra mô ̣t con đường đi riêng của nó để đi từ tổ tới các nguồn thức ăn Các vết mùi đươ ̣c thiết lâ ̣p và trao đổi thông tin giữa các có thể diễn ra, sau một khoảng thời gian cả đàn kiến gần như tìm ra và đi theo con đường ngắn nhất từ tổ tới nguồn thức

ăn

Sau khi quan sát và nghiên cứu cho thấy cơ chế hoạt động của đàn kiến tự nhiên trong quá trình tìm đuờng đi ngắn nhất từ tổ tới nguồn thức ăn dựa trên các nguyên tắc sau:

 Đường đi ngắn nhất là được xác định thông qua các thông tin về Pheromone,

là một loại hóa chất mà các con kiến dùng để trao đổi thông tin về đường đi với nhau

 Khi di chuyển, mỗi con kiến sẽ tiết ra và lưu lại một lượng Pheromone trên đường

chúng đi qua đã đi qua

 Trong quá trình đánh mùi và di chuyển tìm đường đi, các con đường dì thı̀ lượng mùi vơi dần, trái lại thı̀ những con đường ngắn mà đă ̣c biê ̣t là ngắn nhất sẽ có có lượng mùi tâ ̣p trung lướn nhất vı̀ thế con kiến sẽ được định hướng bởi các thông tin pheromone

đã được để lại trên đường đi

 Mỗi cá thể kiến khi di chuyển một cách ngẫu nhiên khi không có thông tin về pheromone trên đoạn đường đi

 Các đường đi có lượng pheromone lớn, xác suất được chọn càng cao Ngược lại các đoạn đường có lượng pheromone thấp, xác suất được chọn càng thấp

Từ việc nghiên cứu cơ chế hành động của đàn kiến TN đã cho ra đời thuật toán đàn kiến Một cách không chính thức có thể nói ACO mô phỏng một bầy kiến nhân tạo để tı̀m lời giải cho bài toán đặt ra

Hệ thống Ant Colony – Thuật toán đàn kiến: Là một đàn kiến phi tư ̣ nhiên (Artificial Ants) đươ ̣c mô phỏng và xây dựng dựa trên các hoạt động của các đàn kiến tự nhiên Và các mô phỏng này sẽ có nhiều thay đổi, điều chı̉nh so với bày đàn tự nhiêu đẻ hiê ̣u quả của thuâ ̣t toán đươ ̣c nâng lên và tin câ ̣y cao Trong đó các hoạt động chính của các con kiến nhân tạo là phải tìm đường đi dựa vào dữ liê ̣u lượng thông tin Pheromone đã để lại trên mỗi đoạn đường Chi tiết về hoạt động của đàn kiến nhân tạo như sau:

Bài toán cần giải sẽ được đưa về dạng một đồ thị đầy đủ với các ràng buộc của bài toán được thể hiện bằng các công thức toán học Việc giải bài toán đặt ta có sẽ đưa về

là tìm ra mô ̣t đường đi tı̀m kiếm thức ăn (hoặc tập các đỉnh) thỏa mãn các ràng buộc của bài toán Các nguyên tắc sau được đưa ra:

 Chi tiết vết mùi pheromone được tính toán và đặt trên mỗi đoạn đường

 Điểm khởi đầu của mỗi con kiến được chọn tự do một cách ngẫu nhiên

 Các nguyên tắc lựa cho ̣n đường đi:

o Đươ ̣c xây dư ̣ng trên thông tin vết mùi (pheromone) mà các con kiến để lại, xác suất của các vết mùi này mà các con kiến sẽ thiết lâ ̣p đường đi chı́nh xác và ta ̣o ra đường

đi phù hơ ̣p

o Đường đi có nhiều lượng pheromone hơn sẽ được gán xác suất lớn hơn Các đường đi có lượng thông tin pheromone nhỏ hoă ̣c kiến ı́t đi sẽ có xác suất được chọn

thấp hơn

 Các con kiến sẽ tiếp tục câ ̣p nhâ ̣t việc tìm đường đi và câ ̣p nhâ ̣t cho tới khi chúng kết thúc một cung đường đi theo lịch trình từ tổ đến nguồn thức ăn của nó (thỏa mãn các điều kiện kết thúc của con kiến)

 Mỗi một tuyến đường đi đươ ̣c lâ ̣p ra từ mỗi con kiến được gọi là một lời giải giải pháp cho bài toán đã đặt ra Các lời giải được tổng hơ ̣p la ̣i và sẽ được phân tích, so sánh

và đánh giá la ̣i các lời giải với nhau để tìm phương án tối ưu nhất có thể Đó là lời giải đươ ̣c xem như là gần đúng và tối ưu nhất có thể của bài toán

 Sau khi con tất cả kiến trong đàn thư ̣c hiện xong mô ̣t lô ̣ trı̀nh tı̀m kiếm, chúng sẽ

lâ ̣p nên mô ̣t số lời giải cho bài toán, tiếp tu ̣c tiến hành cập nhật thông tin pheromone cho các cung, tuyến đường của tất cả các cá thể trong bầy đàn Số lượng của pheromone sẽ được tính toán và điều chỉnh để tìm được phương án tối ưu tốt hơn

 Những lời giải tốt đươ ̣c hình dung là sẽ có khối lượng pheromone lớn hơn để đặt trên các cung đã được đi qua Ngược lại, các lời giải tồi hơn sẽ có khối lượng pheromone

bé hơn

 Xác suất cho ̣n sẽ cao hơn cho một con kiến chọn đường đi có pheromone lớn

 Quá trình lặp ở đây là các lâ ̣p các con đường như mô ̣t lời giải, quá trı̀nh lâ ̣p sẽ đươ ̣c thư ̣c hiê ̣n cho tới khi cập nhâ ̣t đươ ̣c cung đường ngắn nhất

 Các ứng dụng của thuật toán

 Tồn tại tập các ràng buộc cho bài toán Ω: Thông thường là các điều kiện để giải bài toán, các ràng buộc về giá trị và quan hệ giữa các đại lượng Ví dụ như trong bài toán CPMP đó là các ràng buộc về khả năng phục vụ của các tâm phục vụ, hoặc là mỗi tâm phục vụ có thể phục vụ nhiều khách hàng khác nhau nhưng mỗi một khách hàng chỉ được phục vụ bởi một tâm phục vụ

 Tập hữu hạn các thành phần N = {n1, n2, nn} Các thành phần này có thể chuyển

về tương ứng các đỉnh của một đồ thị Trong bài toán CPMP các thành phần n1, n2,

nn tương ứng với các địa điểm có thể trở thành tâm phục vụ

 Bài toán được biểu diễn bởi các trạng thái, các trạng thái được định nghĩa dựa trên chuỗi có thứ tự các thành phần б = <nr, ns, …nu, …> của tập các thành phần N Nếu ta

kí hiệu ∆ là tập các chuỗi có thể thì ta kí hiệu ∆’ là chuỗi các kí hiệu khả thi (feasible sequence) với các ràng buộc trong tập Ω Các thành phần trong ∆’ là các trạng thái khả

thi (feasible state) Và |б| là độ dài chuỗi trạng thái б Trong bài toán CPMP thì các trạng thái này là tập các đỉnh mà con kiến đã đi qua khi xây dựng một lời giải (tức là các đỉnh được xác định trở thành tâm phục vụ) Các trạng thái là phù hợp ở đây là không có đỉnh nào đi qua quá một lần trong một lời giải

 Cấu trúc láng giềng được định nghĩa như sau : б2 là láng giềng của б1 nếu và chỉ nếu:

o б1 và б2 đều thuộc vào tập ∆

o Trạng thái б2 có thể tới được từ б1 bằng một di chuyển logic Ví dụ: nếu r là thành phần cuối cùng trong chuỗi trạng thái б1, tồn tại một trạng thái s trong N mà б2 = <б1, s> và đường đi r → s là tồn tại Tập các láng giềng khả thi của б1 là tập chứa tất cả các chuỗi б2 thuộc ∆’ Nếu ngược lại ta gọi là láng giềng không khả thi của б1

 Lời giải S là một thành phần của ∆’ thỏa mãn toàn bộ các ràng buộc của bài toán đưa ra Trong bài toán CPMP, đó là tập đủ p thành phần là các đỉnh khác nhau trên đồ thị đã được con kiến đi qua, tức là đủ p tâm phục vụ

 Hàm đánh giá giá trị (cost) C(s) gắn với mỗi lời giải Trong một số bài toán, giá hoặc ước lượng của được gắn với trạng thái thay cho lời giải Trong bài toán CPMP chính là hàm tính tổng khoảng cách phục vụ

Ta có thể thấy ngay một mô hình tiêu biểu để áp dụng cho bài toán chính là biểu diễn dưới dạng đồ thị có trọng số G = (V, E), trong đó E là tập các cạnh nối các thành phần

là đỉnh trong V Cụ thể về đồ thị có trọng số như sau:

 Có thể tồn tại hàm đánh giá dịch chuyển crs cho mỗi cạnh

 Các thành phần và đường nối có thể gắn với một thông tin pheromone trail τ và một giá trị thuật toán η

Giải thuật ACO được áp dụng cho một số lượng lớn các bài toán tối ưu hóa tổ

hợp khác nhau Các ứng dụng của giải thuật này được chia vào hai lớp ứng dụng sau:

 Đầu tiên là các bài toán tối ưu hóa tổ hợp NP-khó Với lớp ứng dụng này, thuật toán cho hiệu năng ở mức thấp Đặc điểm của các ứng dụng áp dụng thành công giải thuật ACO là đàn kiến được gắn kết với một giải thuật tìm kiếm cục bộ để tinh chỉnh các lời giải

 Lớp bài toán ứng dụng thứ hai là các bài toán đường đi ngắn nhất động, nghĩa là các thông số của bài toán thay đổi theo thời điểm thực hiện của giải thuật Một ví dụ điển hình là dùng giải thuật ACO để định hướng giao tiếp trong mạng

Một số bài toán cụ thể đã áp dụng giải thuật đàn kiến:

 Bài toán dùng cho người du lịch (Traveling salesman problem)

 Bài toán gán bậc hai (Quadratic assignment problems)

 Bài toán dùng để lập lịch (Scheduling Problem)

 Bài toán định tuyến động (Dynamic routing problem in networks)

 Bài toán tô màu (Graph Coloring)

1.2 Nghiên cứu, mục tiêu và giả thiết

1.2.1 Phạm vi nghiên cứu

1 Áp dụng thuâ ̣t toán đã đề xuất để giải quyết CSLP được xây dựng như QAP

2 Các phương pháp tập trung vào các phương pháp Meta-heuristic

3 Mục tiêu của CSLP là việc giảm thiểu chi phí của các luồng công việc

4 Rủi ro về các vấn đề động, những tình huống khẩn cấp có thể xảy ra trong quá trình xây dựng không được đề cập trong nghiên cứu này

1.2.2 Giả thiết

 Tất cả các thông số cần thiết trong ACO được xác định đồng nhất

 Giải pháp xử lý các vấn đề bố trí các cơ sở vật chất trên công trường xây dựng

có thể được cải tiến bởi ACO

 Việc ra quyết định trong các vấn đề bố trí của các cơ sở vật chất trên công trường có thể được thực hiện bởi ACO

1.2.3 Mục tiêu

Với sự ra đời của các sáng kiến cũng như các kỹ thuật xây dựng hiệu quả, các sáng kiến trong quản lý và các phương pháp phân phát, thời gian xây dựng đã được cải thiện

một cách rõ rệt trong vòng vài thập kỷ gần đây Trên quan điểm của chủ đầu tư, một dự

án kết thúc sớm sẽ giúp giảm bớt khoản nợ về tài chính và cho phép họ thu lại nguồn vốn đầu tư sớm hơn Mặt khác, các nhà thầu sẽ tiết kiệm được chi phí gián tiếp và giảm thiểu được nguy cơ lạm phát cũng như số lượng nhân công nếu thời gian của dự án có thể được rút ngắn Trên cơ sở này, các nhà lập kế hoạch và quản lý dự án đều cố gắng bảo đảm rằng tất cả các hoạt động xây dựng đều phải hoàn thành không những đúng thời gian tiến độ mà phải vượt tiến độ đề ra

Bài toán rút ngắn (tối ưu) thời gian và giảm các khoản chi phí (time- cost optimization – TCO) là một trong những bài toán quan trọng nhất của việc lập và quản lý dự án Các nhà quản lý dự án phải lựa chọn những nguồn tài nguyên thích hợp, bao gồm: kích cỡ

tổ đội, vật tư thiết bị, máy móc… cũng như phương pháp và kỹ thuật thi công để thực hiện các công tác của dự án Nói chung, có một mối quan hệ tương quan giữa thời gian

và chi phí để hoàn thành một công tác; chi phí thấp thì thời gian để thực hiện công tác

sẽ kéo dài, và ngược lại Những bài toán loại này thường rất khó giải quyết bởi vì chúng không có một đáp án duy nhất Vì vậy, nhiệm vụ của các nhà quản lý dự án là phải xem xét, đánh giá một cách kỹ lưỡng nhiều phương pháp khác nhau nhằm đạt được một kết quả cân bằng tối ưu giữa TCO

Vào đầu thập niên 90, một thuật toán ACO đã được đề xuất là một phương pháp mới trong việc tìm kiếm lời giải tối ưu cho những bài toán tối ưu đa mục tiêu ACO lần tiên được ứng dụng để giải quyết bài toán người bán hàng - thương gia TSP (Traveling Salesmen Problem), và gần đây nó đã được mở rộng và cải tiến để áp dụng tı́nh toán cho nhiều bài toán tối ưu khác nhau

Bài báo này sẽ đi sâu nghiên cứu và ứng dụng thuật toán ACO - là một phương pháp tìm kiếm nên cũng là một dạng heuristic - để giải quyết bài toán tối ưu đa mục tiêu TCO trong một dự án xây dựng Việc phát triển một chương trình máy tính dựa trên mô hình thuật toán được nghiên cứu, nhằm kiểm tra kết quả dựa trên số liệu của một dự án xây dựng thực tế, cũng như so sánh với những phương pháp trước đây

Các thuật toán trước, ví dụ như GA, DE, PSO, BA, FA và ABC đều có những hạn chế riêng Do đó, để cải thiện hiệu suất, nghiên cứu này đề xuất thuật toán lai Meta-heuristic mới kết hợp giữa thuật toán tối ưu hóa đàn kiến, Levy Flight, Phương pháp học dựa trên sự đối diện và Hệ thống hỗn loạn (Chaotic system) để tăng cường sự hội tụ toàn

cục ACO cố gắng để tích hợp mỗi thế mạnh của mỗi thuật toán để đạt được hiệu suất tốt hơn trong việc giải quyết vấn đề bố trí cơ sở vật chất trên công trường xây dựng Để chứng minh rằng ACO đóng góp và cải thiện, nghiên cứu này cũng so sánh ACO với các kết quả nghiên cứu ở trước đó

2 Tất cả các thông số cần thiết trong ACO được xác định đồng nhất

3 Giải pháp xử lý các vấn đề bố trí các cơ sở vật chất trên công trường xây dựng có thể được cải tiến bởi ACO

4 Việc ra quyết định trong các vấn đề bố trí của các cơ sở vật chất trên công trường

có thể được thực hiện bởi ACO

 Hướng nghiên cứu các chương:

Chương 1: Giới thiệu lý do chọn đề tài, mục tiêu nghiên cứu, phạm vi nghiên cứu,

các giả định, giả thiết và bố cục của luận văn

Chương 2: Trình bày một số nghiên cứu trước đây về vấn đề bố trí các cơ sở vật chất Chương 3: Trình bày CSLP giống như QAP và đánh giá các phương pháp hiện có

Chương này giới thiệu các khái niệm về các thuật toán khác nhau Bên cạnh đó, những ứng dụng, ưu điểm và nhược điểm của mỗi thuật toán

Chương 4: Trình bày sự phát triển của thuật toán được đề xuất bao gồm cấu trúc

chính Các bước chi tiết của phương pháp đề xuất được trình bày

Chương 5: Xác minh hiệu quả của mô hình ACO giải quyết hai tình huống nghiên

cứu khác nhau được thông qua để chứng minh rằng ACO có thể được tin cậy để giải quyết vấn đề bố trí cơ sở vật chất trên công trường xây dựng ngoài thực tế

Chương 6: Trình bày kết luận, đóng góp và kiến nghị hướng đi mới cho các nghiên

cứu trong tương lai

1.3 Phương pháp nghiên cứu

Hı̀nh 1 Sơ đồ các bước nghiên cứu

1.4 Bố cục của luận văn

Kết cấu luận văn gồm 6 chương:

Chương 1: Giới thiệu lý do chọn đề tài, mục tiêu nghiên cứu, phạm vi nghiên cứu,

các giả định, giả thiết và bố cục của luận văn

Chương 2: Trình bày một số nghiên cứu trước đây về vấn đề bố trí các cơ sở vật

chất

Chương 3: Trình bày CSLP giống như QAP và đánh giá các phương pháp hiện có

Chương này giới thiệu các khái niệm về các thuật toán khác nhau

Chương 4: Trình bày sự phát triển của thuật toán được đề xuất bao gồm cấu trúc

chính Các bước chi tiết của phương pháp đề xuất được trình bày

Chương 5: Xác minh hiệu quả của mô hình ACO giải quyết hai tình huống nghiên

cứu khác nhau được thông qua để chứng minh rằng ACO có thể được tin cậy để giải quyết vấn đề bố trí cơ sở vật chất trên công trường xây dựng ngoài thực tế

Chương 6: Trình bày kết luận, đóng góp và kiến nghị hướng đi mới cho các nghiên

cứu trong tương lai

CHƯƠNG 2: TỔNG QUAN

Thuật toán ACO là mô ̣t mô hı̀nh nghiên cứu lấy cảm hứng từ việc mô phỏng các hoạt

đô ̣ng thói quen của bầy đàn kiến sống trong tự nhiên ở đó nhằm mục đích giải quyết và nghiên cứu các bài toán tối ưu phức tạp trong thực tế Các cá thể kiến trao đổi thông tin trên đường đi thông qua mùi của các con kiến đi trước (Pheromone) để lại trên đường

đi Các đường đi có nồng độ mùi thấp hơn sẽ được loại bỏ, cuối cùng tất cả đàn kiến sẽ

đi trên con đường có khả năng trở thành con đường ngắn nhất từ đươ ̣c đi từ tổ đến nguồn thức ăn

2.1 Tổng quan các nghiên cứu về đàn kiến và tối ưu công trường

Các luâ ̣n văn đã đi nghiên cứu và áp du ̣ng cho thuâ ̣t toán bày đàn, đàn kiến (Ant System AS) đã thu được các kết quả rất đúng đắn, thiết thực và chı́nh xác từ việc nghiên cứu, quan sát thực tế hành vi và cách tı̀m đường của loài kiến, theo dõi các mô hình mô phỏng dư ̣a trên đàn kiến TN và áp lên đàn kiến NT Các nhà nghiên cứu, ho ̣c giả đã sử dụng các mô hình này như là một nguồn cảm hứng để ra các ý tưởng cho việc thiết kế các thuật toán, đưa ra giải pháp gần đúng và dưa tối ưu hóa và phân phối kiểm soát các vấn đề trong thực tế

ACO lần đầu tiên được Marco Dorigo trı̀nh bày và giới thiệu vào năm 1992, hay còn được gọi là Hệ thống đàn kiến AS (Ant System) AS ban đầu được áp dụng cho bài toán người bán hàng (TSP)

Dorigo, Gambardella và Sttützle (1995) đã phát triển các sơ đồ dư ̣a theo AS khác nhau Dorigo, Gambardella đã đề xuất khái niê ̣m ACS (Hệ thống bầy kiến - Ant Colony System) trong khi đó Sttützle và Hoos đã đề xuất mô ̣t da ̣ng hệ thống khác Max-Min Ant System (MMAS) MMAS là một cải tiến hệ thống AS ban đầu và đươ ̣c các nhà nghiên cứu đánh giá là da ̣ng cải tiến hệ thống tính toán sau này và trong tương lai Tất cả đều

áp dụng tı̀m lời giải và giải bài toán người bán hàng đối xứng hay không đối xứng và cho kết quả tối ưu

Vào năm 1996, trong mô ̣t bài báo về công nghệ của của bản thân M Dorigo và L.M Gambardella đã công bố ACS

Tiếp đó, trong năm 1997, G DiCaro và M Dorigo cũng đã đã đưa ra hệ thống AntNet Đây là cách tiếp cận về định hướng có hướng của sự thích nghi Và phiên bản cuối cùng của hệ thống AntNet về điều khiển mạng truyền thông đã được công bố vào năm 1998

Vào năm 2001, C Blum, A Roli, và M Dorigo đã cho công bố về hệ thống đàn kiến mới đươ ̣c go ̣i là Hyper Cube - ACO Phiên bản mở rộng và tiếp theo đã được công bố vào năm 2004

Cac bài toán đều tâ ̣p trung giải quyết đi tı̀m và câ ̣p nhâ ̣t các lời giải tối ưu qua từng thời kỳ

Hầu hết bài toán tối ưu đươ ̣c nghiên cứu gần đây về ACO đã tập trung vào việc phát triển các thuật toán cải tiến và biến thể để làm tăng hiệu năng tính toán của thuật toán

AS ban đầu để ứng dụng thâ ̣t rô ̣ng rãi và ngày càng nhiều vào các lĩnh vực cụ thể

Bảng 2 Thuật toán ACO theo thứ tự thời gian xuất hiện

Bảng 3 Nghiên cứu trước đây ở trong nước

Bảng 4 Nghiên cứu trước đây ở nước ngoài

Trong các thuật toán ACO hiện nay thông dụng nhất là hệ kiến MMAS và ACS, tuy hiệu quả của chúng như nhau nhưng MAX-MIN dễ dùng hơn còn ACS được nhóm của Dorigo quan tâm hơn Dưới đây, chúng tôi giới thiệu các thuật toán AS, MMAS và ACS theo trình

tự thời gian xuất hiện

Bài toán CSLP được phân loại là bài toán phân loại bậc hai và nó đã được chứng minh

là NP-khó Có rất nhiều phương pháp khác nhau để giải quyết bài toán bao gồm cả việc áp dụng các thuật toán chính xác chẳng hạn như nhánh cận…hay các thuật toán gần đúng như: PSO, GA, và ACO…

Phương pháp GA đã được áp dụng phổ biến và rộng rãi cho việc giải quyết bài toán CSLP Mawdesley cùng các cộng sự đã đề xuất một giải thuật mà các chi phí di chuyển được mô phỏng sử dụng thuật toán GA tăng cường (augmented GA) Ka Chi Lam cùng các cộng sự đã đề xuất một thuật toán kết hợp MMAS với GA

Thuật toán PSO dựa trên quá trình tối ưu hóa ngẫu nhiên được lấy cảm hứng từ hành vi

tự nhiên của các con vật như chim, ong, cá Mỗi cá thể trong đàn có thể được sử dụng làm đại diện cho một lời giải của bài toán Một bầy đàn gồm rất nhiều cá thể được khởi tạo ở các vị trí ngẫu nhiên sẽ bay về phía vị trí tối ưu theo một con đường mà luôn được cập nhật lặp đi lặp lại dựa trên vị trí hiện tại tốt nhất của các cá thể Trong Zhang và Wang đã

đề xuất một phương pháp đươ ̣c phát triển trên thuật toán PSO để giải quyết các công trình xây dựng không đồng đều, bài toán vị trí cơ sở

Thuật toán dư ̣a trên ACO là một thuật toán da ̣ng metaheuristic được lấy cảm hứng từ sinh học bắt chước hoa ̣t đông hành vi của kiến trong quá trình tìm kiếm thức ăn Thuật toán này đã được Dorigo cùng các cộng sự đề xuất dựa trên quan sát từ đàn kiến thực Trong thực tế tự nhiên, các con kiến bắt đầu tìm kiếm thức ăn một cách ngẫu nhiên Mỗi

con kiến sẽ chọn các hướng đi khác nhau và con kiến đi trên con đường ngắn nhất sẽ có

xu hướng để lại vết mùi pheromone với nồng độ cao hơn các con đường khác, như vậy, các con kiến lân cận sẽ ngửi thấy vết mùi ở các đường đi có nồng độ cao và có xu hướng tham gia vào con đường ngắn nhất và tiếp tục làm tăng vết mùi lên Các con kiến sẽ tiếp tục tham gia quá trình này cho đến khi phần lớn lượng vết mùi được hội tụ trên con đường ngắn nhất Để áp dụng ACO, các bài toán tối ưu hóa được chuyển thành bài toán tìm con đường tốt nhất trên một đồ thị có trọng số Ning và Liu đã sử dụng thuật toán MMAS như một cải tiến của thuật toán ACO để giải quyết bài toán CSLP Gharaie cùng các cộng sự

đã áp dụng ACO để giải quyết bài toán CSLP tĩnh trong một dự án xây dựng

Gulben Calis và Orhan Yuksel trình bày một thuật toán lai giữa ACO và tìm kiếm địa phương (2-opt) Trong Gulben Calis và Orhan Yuksel đề xuất một thuật toán kết hợp giữa ACO với Phân tích Parametric (PA) và tìm kiếm địa phương (2-opt) cho kết quả tốt hơn

so với những nghiên cứu trước đây Adrian đã đề xuất cách thức lựa chọn tham số tối ưu cho 3 thuật toán GA, PSO và ACO Qua thực nghiệm, ông kết luận rằng ACO được xem

là nhanh nhất trong số ba thuật toán khi áp dụng vào bài toán CSLP

2.2 Nhận xét chung về các thuật toán ACO

Nhờ kết hợp thông tin heuristic, thông tin học tăng cường và mô hı̀nh hóa các hoạt động bầy đàn của đàn kiến TN, ACO có các ưu điểm sau:

1) Tìm ra đường đi dư ̣a trên các thông tin đa mu ̣c điểm Các điểm thông tin mang tính ngẫu nhiên, dư ̣a vào các thông tin heuristic Miền tim kiếm rô ̣ng hơn Phương pháp tı̀m kiếm linh động và linh hoa ̣t sẽ có tác du ̣ng tìm ra lời giải gần như chı́nh xác, tối ưu

2) Tăng cường vết mùi, thông qua các thông tin thu thập đươ ̣c về vết mùi có cường

đô ̣ cao sẽ giúp cho lời giải dần dần đươ ̣c tối ưu, miền tı̀m kiếm thu he ̣p la ̣i dần Lời giải thu đươ ̣c sẽ tốt, tối ưu và chı́nh xác hơn

Chú ý Khi áp dụng phương pháp ACO cho mỗi bài toán cụ thể, có ba yếu tố quyết

định hiệu quả thuật toán:

1) Xây dựng đồ thị cấu trúc thích hợp Việc xây dựng đồ thị cấu trúc để tìm được lời giải cho bài toán th o thủ tục tuần tự không khó Khó khăn chính là với các bài toán

cỡ lớn thì không gian tìm kiếm quá rộng, đòi hỏi ta sử dụng các ràng buộc một cách hợp

lý để giảm miền tìm kiếm cho mỗi con kiến Cách xử lý bài toán suy diễn haplotyp

2) Chọn thông tin heuristic Thông tin h uristic tốt sẽ tăng hiệu quả thuật toán Tuy nhiên, nhiều bài toán ta không có thông tin này thì có thể đánh giá chúng như nhau Khi

đó lúc ban đầu, thuật toán chỉ đơn thuần chạy theo phương thức tìm kiếm ngẫu nhiên, vết mùi thể hiện định hướng của học tăng cường và thuật toán vẫn thực hiện được

3) Chọn quy tắc cập nhật mùi Quy tắc cập nhật mùi thể hiện chiến lược học của thuật toán Nếu đồ thị cấu trúc và thông tin heuristic luôn phụ thuộc vào từng bài toán

cụ thể thì quy tắc cập nhật mùi là yếu tố phổ dụng và thường dùng để đặt tên cho thuật toán Có nhiều quy tắc cập nhật mùi đã được đề xuất, trong luận án này chúng tôi sẽ tìm quy tắc thích hợp cho hai loại bài toán tùy theo thông tin heuristic ảnh hưởng nhiều hay

ít tới thủ tục tìm kiếm lời giải

2.3 Kết luận

Phương pháp ACO là phương pháp tương đối mới mẻ và chứng minh đươ ̣c các ưu điểm của nó, điều này đã được chứng minh thông qua thực nghiệm Phương pháp ACO luôn được quan tâm, phát triển kể từ khi giới thiệu cho đến nay thể hiện qua sự phong phú,

đa dạng của các thuật toán Các thuật toán trực tiếp đưa ra hướng tiếp cận mới giải các bài toán tối ưu tổ hợp, qua đó có nhiều ứng dụng trong thực tiễn trên các lĩnh vực như: sản xuất, truyền thông, sinh học, hoạt động xã hội…

Bài toán vị trí cơ sở là một bài toán lớn bao hàm nhiều bài toán con có ứng dụng thực

tế cao, nó giúp chúng ta lựa chọn các vị trí cơ sở để đặt các trạm dịch vụ một cách tối ưu nhất

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Cơ sở lý thuyết

Hı̀nh 2 Sơ đồ chung của thuật toán

Hı̀nh 3 Sơ đồ các bước nghiên cứu

CSLP là một nhiệm vụ vô cùng quan trọng cần được xem xét cẩn thận trong công tác quy hoạch và lên BPTC trong xây dựng và QLDA Mục tiêu của bài toán CSLP là sắp xếp các cơ sở như: văn phòng, nhà kho, phòng trưng bày, … trong không gian của một dự

án xây dựng một cách hợp lý Thông thường nhiệm vụ này được thực hiện bởi các nhà quản lý xây dựng Tuy nhiên, quyết định này thường được đưa ra dựa trên trực giác, thí nghiệm và kinh nghiệm Việc bố trí hợp lý các cơ sở sẽ góp phần làm giảm thiểu chi phí xây dựng, thời gian vận chuyển, xử lý vật liệu và giảm thiểu việc di chuyển nguyên liệu hay trang thiết bị, đặc biệt đối với các dự án lớn

ACO là một cách thức, phương pháp metaheuristic dựa trên ý tưởng mô hı̀nh hóa cách tìm đường đi từ tổ tới các nguồn thức ăn của các con kiến tự nhiên Đến nay nó được cải tiến đa dạng và có nhiều ứng dụng Trước khi giới thiệu phương pháp ACO, cần giới thiệu phương thức trao đổi thông tin gián tiếp của các con kiến thực và mô hình kiến NT

3.2 Từ kiến TN đến Kiến NT

Khi tìm đường đi, đàn kiến trao đổi thông tin gián tiếp và hoạt động theo phương thức

tự tổ chức Mặc dù đơn giản nhưng phương thức này giúp cho đàn kiến có thể thực hiện

được những công việc phức tạp vượt xa khả năng của từng con kiến, đặc biệt là khả năng tìm đường đi ngắn nhất từ tổ đến nguồn thức ăn mặc dù chúng không có khả năng đo độ dài đường đi Trước hết ta xem các đàn kiến tìm đường đi như thể nào mà có thể giải quyết được các vấn đề tối ưu hóa

3.2.1 Kiến TN

Trên đường, mỗi con kiến để lại một chất hóa học gọi là vết mùi (pheromon) dùng để đánh dấu đường đi Bằng cách cảm nhận vết mùi, kiến có thể lần theo đường đi đến nguồn thức ăn được các con kiến khác khám phá theo phương thức chọn ngẫu nhiên có định hướng theo nồng độ vết mùi Các con kiến chịu ảnh hưởng của các vết mùi của các con kiến khác

là ý tưởng để thiết kế thuật toán ACO

Thí nghiệm trên cây cầu đôi

Có nhiều thực nghiệm nghiên cứu về hành vi để lại vết mùi và đi theo vết mùi của loài kiến Một thực nghiệm được thực hiê ̣n bởi Deneubourg và các đồng nghiệp (Deneubourg, Aron, Goss, & Pasteels, 1990; Goss et al., 1989) nhờ dùng một chiếc cầu đôi nối từ tổ của loài kiến tới nguồn thức ăn như minh họa trong hình 4 Họ đã thực nghiệm với tỉ lệ độ dài đường giữa hai nhánh của chiếc cầu đôi khác nhau, trong đó là độ dài của nhánh dài còn là độ dài của nhánh ngắn

Trong thực nghiệm thứ nhất, chiếc cầu đôi có hai nhánh bằng nhau ( = 1, hình 4.a) Ban đầu, kiến lựa chọn đường đi một cách tự do đi từ tổ đến nguồn thức ăn, cả hai nhánh đều có kiến đi, nhưng sau một thời gian các con kiến này tập trung đi theo cùng một nhánh Kết quả có thể được giải thích như sau: Ban đầu không có vết mùi nào trên cả hai nhánh,

do đó các kiến lựa chọn nhánh bất kỳ với xác suất như nhau Một cách ngẫu nhiên, sẽ có một nhánh có số lượng kiến lựa chọn nhiều hơn nhánh kia Do kiến để lại vết mùi trong quá trình di chuyển, nhánh có nhiều kiến lựa chọn sẽ có nồng độ mùi lớn hơn nồng độ mùi của nhánhcòn lại Nồng độ mùi trên cạnh lớn hơn sẽ ngày càng lớn hơn vì ngày càng có nhiều kiến lựa chọn Cuối cùng, hầu như tất cả các kiến sẽ tập trung trên cùng một nhánh Thực nghiệm này cho thấylà sự tương tác địa phương giữa các con kiến nhờ thông tin gián tiếp qua vết mùi để lại mà có thể điều chỉnh hoạt động vĩ mô của kiến