Xây dựng phần mềm ứng dụng vào dự báo nhu cầu sử dụng điện trên địa bàn thị xã thủ dầu một

Mục tiêu: - Nghiên cứu, phân tích chuỗi dữ liệu thời gian để xác định bản chất của chuỗi dữ liệu, dự đoán các giá trị tương lai dựa trên các cơ chế phát sinh chuỗi - Xây dựng phần mềm tr

TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT

KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO TÔNG KÉT

ĐÈ TÀI KHOA HỌC VÀ CÔNG NGHỆ CÁP TRƯỜNG

TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT

KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO TỔNG KẾT

ĐÈ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP TRƯỜNG

XÂY DựNG PHẦN MÈM ỨNG DỤNG VÀO

Dự BÁÕ NHU CẦU SỬ DỤNG ĐIỆN TRÊN

ĐỊA BÀN THỊ XÃ THU DẦU MỘT

Mã sổ:

Xác nhận của đon vị chủ trì đề tài

Bình Du ong, 10/2012

Chủ nhiệm đề tài

DANH SÁCH THÀNH VIÊN THAM GIA NGHIÊN cửu ĐỀ TÀI

VÀ ĐƠN VỊ PHỐI HỢP CHÍNH

1 ThS Nguyễn Thị Ánh Tuyết: chủ nhiệm đề tài

2 TS Lư Nhật Vinh: phối hợp thực hiện đề tài

3 Đơn vị phối hợp: Khoa Công nghệ thông tin

TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT

Đon vị: Khoa Công nghệ Thông tin

THÔNG TIN KẾT QUẢ NGHIÊN cứu

1 Thông tin chung:

- Tên đê tài: Xây dựng phần mềm ứng dụng vào dự báo nhu cầu sử dụng điện

trên địa bàn Thị xã Thủ Dầu Một

-Mã số: KT-02.11.02

- Chủ nhiệm: ThS Nguyễn Thị Ánh Tuyết

- Đơn vị chủ trì: Khoa Công nghệ Thông tin

- Thời gian thực hiện: 1 năm

2 Mục tiêu:

- Nghiên cứu, phân tích chuỗi dữ liệu thời gian để xác định bản chất của chuỗi dữ liệu,

dự đoán các giá trị tương lai dựa trên các cơ chế phát sinh chuỗi

- Xây dựng phần mềm trên cơ sở kết hợp giải thuật luyện kim và giải thuật di truyền

để dự đoán chuỗi dữ liệu thời gian

- Thực nghiệm các số liệu kw điện thống kê được trên phần mềm để đưa ra kết quả dự

báo

- Phục vụ công tác giảng dạy và nghiên cứu khoa học trong khoa

3 Tính mói và sáng tạo: Dựa vào thuật toán tối ưu để xây dựng phần mềm cho kết quả

dự báo có sai số thấp hơn việc áp dụng một số thuật toán khác trên cùng bộ dữ liệu lấy từ Time Series Data Library

4 Kết quả nghiên cứu: Xây dụng được phần mềm ứng dụng vào dự báo nhu cầu sử dụng

điện trên địa bàn Thị xã Thủ Dầu Một và có thể dùng dự báo cho một số chuỗi dữ liệu thời gian về một số lĩnh vực ngành nghề khác

5 Sản phẩm: Phần mềm

6 Hiệu quả, phuong thức chuyển giao kết quả nghiên cứu và khả năng áp dụng: Đạt

mục đích đề ra trong đề cương, chuyển giao khoa Công nghệ Thông tin để ứng dụng trong giảng dạy và nghiên cứu khoa học

THU DAU MOT UNIVERSITY

Implementing institution: Faculty of Information Technology

INFORMATION ON RESEARCH RESULTS

1 General information:

Project title: Developing an application software in forecasting demand for electricity

in Thu Dau Mot Town

Code number: KT-02.11.02

Coordinator: Tuyet Nguyen Thi Anh

Implementing institution: Faculty of Information Technology

Duration: 1 year

2 Objective(s):

Research and analyze time data string to determine the nature of data string, andpredict future values based on the mechanism of string arising

- Develop software based on the combination of metallurgical algorithms and

genetic algorithms to predict the time data string

- Experimentalize kw power data list on the software to make the prediction

results

- Support teaching and research in faculty

3 Creativeness and innovativeness: Based on the optimal algorithm for developing

software for prediction results with errors less than the application of other algorithms on the same set of data taken from the Time Series Data Library

4 Research results: An application software is developed to forecast demand for

electricity in Thu Dau Mot Town and this software can be used to forecast a time data string on other industries

5 Products: software

6 Effects, transfer alternatives of reserach results and applicability: Achieve the

purposes set out in the outline, and transfer to Faculty of Information Technology for applying in teaching and scientific research

Tuyet Nguyen Thi Anh

Implementing institution

Sept 25, 2012Coordinator

Huong Dinh Thi Thu

MỤC LỤC

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT iii

DANH MỤC CÁC BẢNG V DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ vi

MỜ ĐẦU I Chương 1:TỐNG QUAN 5

1.1 TỔNG QUAN VỀ NĂNG LUỢNG ĐIỆN 5

1.1.1 Khái niệm về điện năng 5

1.1.2 Thực trạng thị trường điện lực Việt Nam 5

1.1.3 Phương hướng xây dựng mô hình thị trường điện lực tại Việt Nam 6

1.1.4 Tình hình sản xuất kinh doanh trên địa bàn tỉnh Bình Duong 7

1.2 KHẢO SÁT CÁC CÔNG TRÌNH, BÀI BÁO ĐÃ ĐĂNG TẢI LIÊN QUAN ĐẾN ĐỀ TÀI 7

1.2.1 Các thuật toán di truyền và tiến hóa dùng dự báo chuỗi thời gian 8

1.2.2 Sử dụng thuật giải di truyền đa cấp dự báo chuỗi thòi gian 1 I 1.2.3 Giải thuật lai cho bài toán sắp hàng đa trình tự sinh học 15

1.3 CÁC MÔ HÌNH THƯỜNG ÁP DỤNG TRONG Dự BÁO, ĐÁNH GIÁ 17

1.3.1 Khái niệm về dự báo, đánh giá 17

1.3.2 Các mô hình dự báo 17

1.3.3 Mô hình dự báo dựa trên chuỗi thời gian 18

1.4 KẾT LUẬN CHƯƠNG 19

Chương 2: cơ SỞ LÝ THUYẾT 20

2.1 GIẢI THUẬT LUYỆN KIM (SA:SIMULATED ANNEALING) 20

2.1.1 Giới thiệu chung về giải thuật luyện kim 20

2.1.2 Hàm nhiệt độ và quá trình hoạt động 24

2.1.3 Hàm chi phí và hàm mục tiêu 27

2.1.4 Cấu trúc của lời giải lân cận 27

2.1.5 Các bước của bài toán SA và điều kiện dừng 28

2.1.6 Ưu điểm và khuyết điểm 29

2.2 GIẢI THUẬT DI TRUYỀN (GA: GENETIC ALGORITHMS) 29

2.2.1 Giới thiệu chung về giải thuật di truyền 29

2.2.2 Thực hiện giải thuật di truyền 33

2.2.3 Chương trình tổng quát 38

2.3 CHUỖI THỜI GIAN VÀ MÔ HÌNH Tự HÔI QUY 40

2.3.1 Thể nào là chuỗi thời gian 40

2.3.2 Dự báo chuỗi thời gian 41

2.3.3 Mô hình tự hồi quy 42

2.3.4 Mô hình trung bình trưọt 43

2.3.5 Quá trình tự hồi quy trung bình trưọt cấp p,q: ARMA(p,q) 43

2.4 KẾT LUẬN CHƯƠNG 44

Chương 3: XÂY DỤNG VÀ THỤC NGHIỆM MÔ HÌNH Dự BÁO 45

3.1 PHÂN TÍCH CHỈ TIÊU ĐÁNH GIÁ HIỆU QUẢ CỦA MÔ HÌNH 45

3.2 CẤU TRÚC BẢNG DỮ LIỆU 46

3.3 MÔHÌNHARMA 46

3.3.1 Mục đích của việc kết hợp hai mô hình 46

3.3.2 Mô tả giải thuật 47

3.4 KÉT LUẬN CHƯƠNG 50

Chương 4: KẾT QUẢ THựC NGHIỆM 51

4.1 THỬ NGHIỆM MÔ HÌNH ARMA TRÊN CÁC CHUỖI DỮ LIỆU MÃU LÁY TÙ' TIME SERIES DATA LIBRARY ’ 51

4.1.1 Các chỉ tiêu đạt được trên mô hình ARMA 51

4.1.2 Thực nghiệm mô hình ARMA trên chuỗi dữ liệu mẫu lấy từ TS Library 52

4.1.3 Nhận định kết quả 57

4.2 THỤC NGHIỆM MÔ HÌNH ARMA CHO CÁC CHUỖI DỮ LIỆU TRONG LĨNH Vực NGÀNH ĐIỆN: 58

4.2.1 Dự báo nhu cầu sử dụng điện theo từng khu vực huyện, thị trong tỉnh: 58

4.2.2 Dự báo nhu cầu sử dụng điện theo từng nhóm ngành nghề trong tinh: 59

KẾT LUẬN 63

KIẾN NGHỊ CÁC HƯỚNG NGHIÊN cứu TIẾP THEO 63

DANH MỤC TÀI LIỆU THAM KHẢO 64

PHỤ LỤC 66

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT

Intergrated

Moving Average

Trung bình trượt tích hợp tự hồi qui

EvolutionaryAlgorithms

Thuật toán di truyền và tiến hóa

I V

DANH MỤC CÁC BẢNG

Bảng 1.1: Time Series Data Library 9

Bảng 1.2: So sánh giữa các phương pháp TSF khác nhau 11

Bảng 1.3: Đặt giá trị tham số thuật toán Meta-GAs 14

Bảng 1.4: Mô hình ARMA tối ưu thu được bởi thuật toán Meta-GAs 14

Bảng 1.5: So sánh phương pháp Meta-GAs với các phương pháp truyền thống 14

Bảng 2.1: So sánh tương quan giữa luyện kim vật lý và giải thuật luyện kim 21

Bảng 2.2: So sánh giải thuật di truyền với các phương pháp truyền thống 32

Bảng 2.3 Chọn lọc dùng bánh xe 34

Bảng 2.4 Sự tương ứng các số ngẫu nhiên và chuỗi nhiễm sãc thế 35 Bảng 4.1: So sánh phương pháp SA-GA với các phương pháp truyền thống 5 1

DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ

Hình 1.1: Ví dụ về giải mã thuật toán Meta-GAs 12

Hình 1.2: The Meta-Ecolutionary Approach 13

Hình 1.3: Biểu đồ mô tả mức độ ổn định của nghiệm được chọn 16

Hình 2.1: Sơ đồ không gian lời giải 21

Hình 2.2: Lưu đồ biểu diễn giải thuật luyện kim 24

Hình 2.3: Biểu diễn quá trình hoạt động của hàm nhiệt độ 25

Hình 2.4: Biểu diễn quan hệ giữa hàm chi phí và hàm mục tiêu 27

Hình 2.5: Sơ đồ tổng quát của giải thuật di truyền 31

Hình 2.6: Bánh xe Roulette 35

Hình 2.7: Lai ghép 36

Hình 2.8: Lai ghép biểu diễn theo cây 37

Hình 2.9: Giải thuật di truyền 40

Hình 2.10: Phân tích chuỗi số liệu trong dự báo 42

Hình 2.11: Phương pháp luận dự báo chuỗi thời gian 42

Hình 3.1: cấu trúc lời giải của phương pháp SA-GA 46

Hình 3.2: Giải thuật SA-GA cho mô hình ARMA 48

Hình 4.1 Giao diện chính 52

Hình 4.2: Đồ thị biểu diễn chuỗi Passengers 53

Hình 4.3: Đồ thị biểu diễn chuỗi Paper 54

Hình 4.4: Đồ thị biểu diễn chuỗi Deaths 54

Hình 4.5: Đồ thị biểu diễn chuỗi Maxtemp 55

Hình 4.6: Đồ thị biểu diễn chuỗi Chemical 55

Hình 4.7: Đồ thị biểu diễn chuỗi Prices 56

Hình 4.8: Đồ thị biểu diễn chuỗi Sunspots 57

Hình 4.9: Đồ thị biểu diễn chuỗi Kobe 57

Hình 4.10: Đồ thị biểu diễn chuỗi TDM 59

Hình 4.11: Đồ thị biểu diễn chuỗi NLT 59

Hình 4.12: Đồ thị biểu diễn chuỗi CN-XD 60

Hình 4.13: Đồ thị biểu diễn chuỗi KD-DV 61

Hình 4.14: Đồ thị biểu diễn chuỗi AS 61

Hình 4.15: Đồ thị biểu diễn chuỗi KHAC 62

Dự báo là một khoa học và nghệ thuật tiên đoán những sự việc sẽ xảy ra trongtương lai, trên cơ sở phân tích khoa học về các dữ liệu đã thu thập được và có thể nóirằng không có những dự báo khoa học thì những dự định tương lai mà con người vạch

ra sẽ không có sự thuyết phục đáng kể Khi tiến hành dự báo căn cứ vào việc thu thập

xử lý số liệu trong quá khứ và hiện tại để xác định xu hướng vận động của các hiệntượng trong tương lai nhờ vào một số mô hình toán học

Các phần mềm máy tính giúp xây dựng các mô hình mô tả các dữ liệu theo một quyluật nhất định dựa trên việc xử lý các dữ liệu đầu vào Nhờ vào các công nghệ của khoahọc máy tính mà các nhà nghiên cứu có thể phát triển các mô hình phức tạp áp dụngvào thực tế phục vụ cho việc hỗ trợ ra quyết định trong việc quản lý, định hướng phát

triển và sử dụng năng lượng điện Đe tài "Xây dựng phần mềm ứng dụng vào dự báo

nhu cầu sử dụng điện trển địa bàn Thị xã Thu Dâu Một" sẽ góp phần nhỏ tham khảo cho

việc định hướng phát triển ngành điện nhũng năm tới

2 Mục tiêu của đề tài

- Khảo sát xây dựng cơ sở dữ liệu về tình hình sử dụng năng lượng điện, thống kê,

xử lý dữ liệu số kw điện hàng tháng trong nhũng năm trước để làm dữ liệu dan vàocung cấp thông tin hỗ trợ ra quyết định trong việc quản lý, định hướng phát triển và sửdụng năng lượng điện

- Nghiên cứu, phân tích chuỗi dữ liệu thời gian để xác định bản chát của chuỗi dữ

liệu, dự báo các giá trị tương lai dựa trên các cơ chế phát sinh chuỗi

- Xây dựng phần mềm trên cơ sở kết họp giải thuật luyện kim SA (Simulated

Annealing) và giải thuật di truyền GA (Genetic Algorithms) để dự báo chuỗi dữ liệuthời gian

- Thực nghiệm các số liệu thực tế đầu vào thống kê được trên phẩn mêm đè dưa ra

kết quả dự báo nhu cầu sử dụng điện

- Phục vụ công tác giảng dạy và nghiên cứu khoa học trong khoa Công nghệ

Thông tin

3 Tình hình nghiên cứu có liên quan đến lĩnh vực nghiên cứu của đề tài

3.1 Các thuật toán di truyền và tiến hóa dùng dự báo chuỗi thòi gian (Genetic andEvolutionary Algorithms Time Series Forecasting) của Paulo Cortez, Miguel Rocha,and Josel Neves [12]

3.2 Sử dụng thuật giải di truyền đa cấp dự báo chuỗi thời gian (A Meta-GeneticAlgorithms for Time Series Forecasting) của p.Cortez, M Rocha, J.Neves [11]

3.3 Giải thuật lai cho bài toán sắp hàng đa trình tự sinh học [8]

Trong nước, có một số nghiên cứu liên quan đến lĩnh vực về dự báo nhưng theonhững hướng khác nhau, chưa có nghiên cứu nào theo hướng đã trinh bày cùa dê lái về

dự báo tình hình sử dụng điện tại Thị xã Thủ Dầu Một

4 Cách tiếp cận

- Phân tích chuỗi dữ liệu thời gian nhằm hai mục đích:

+ Xác định bản chất của chuỗi dữ liệu

+ Dự báo các giá trị tương lai dựa trên các cơ chế phát sinh chuỗi

- Thu thập số liệu về kw điện sử dụng trên địa bàn Thị xã Dầu Một

5 Phuoug pháp nghiên cứu:

5.1 Phương pháp nghiên cứu lý thuyết:

- Nghiên cứu giải thuật di truyền SA (Simulated Annealing)

- Nghiên cứu giải thuật luyện kim GA (Genetic Algorithms)

- Nghiên cứu mô hình ARMA (AutoRegressive Moving Average model)

phân tích và dự báo chuỗi dữ liệu thời gian

5.2 Phương pháp thu thập dữ liệu:

- Thu thập số liệu về kw điện sử dụng trên địa bàn Thị xã

- Phân loại các đơn vị sử dụng điện theo thuộc tính ngành nghề

5.3 Phương pháp thực nghiệm:

- Thực nghiệm số liệu thống kê được trên phần mềm để có kết quả dự báo

tình hình sử dụng điện

6 Đối tượng và phạm vi nghiên cứu

phần mềm dự báo

giải thuật tối ưu và kết họp các giải thuật ứng dụng vào mô hình ARMA để dự báo mứctiêu thụ điện, từ kết quả dự báo tiến hành đánh giá tình hình sử dụng diện trẽn địa bàntỉnh Bình Dương Do các ảnh hưởng phụ đến tình hình sử dụng điện như tình hình kinh

tế, chính trị, xã hội trong nước, tình hình phát triển mới các khu công nghiệp, trườnghọc, tăng dân số cơ học rất khó xác định cả về định tính lẫn dịnh lượng và không dễthu thập dữ liệu một cách đầy đủ trong thời gian ngắn, nên đề tài chỉ tập trung trongphạm vi nghiên cứu chuỗi thời gian dự báo chỉ số sử dụng năng lượng điện trên cơ sởchuỗi dữ liệu của những năm trưóc dự báo năm Iicp theo

7 Nội dung nghiên cứu

- Nghiên cứu các công trình có liên quan

- Nghiên cứu các giải thuật di truyền và giải thuật luyện kim, mô hình ARMA

- Thu thập dữ liệu, phân loại sử dụng điện theo thuộc tính ngành nghề.

- Xây dựng phần mềm, cài đặt thừ nghiệm và đưa ra kết quả dự báo nhu cầu sử

dụng điện trên địa bàn Thị xã Thủ Dầu Một

MỞ ĐẦU

Chương 1: TỒNG QUAN

Chương 2: cơ SỞ LÝ THUYẾT

Chương 3: XÂY DựNG PHẦN MỀM Dự BÁOChương 4: KẾT QUẢ THựC NGHIỆM

KẾT LUẬN

KIẾN NGHỊ CÁC HUỚNG NGHIÊN cứu TIẾP THEOTÀI LIỆU THAM KHẢO

PHỤ LỤC

Chuông 1 TÓNG QUAN

Chương một giới thiệu sơ lược về nguồn năng lượng điện, thực trụng nguồn cung cáp điện ở Việt Nam nói chung và Bình Dương nói riêng, phương hướng phát triến ngành điện trong nước Đồng thời khảo sát, phân tích một số công trĩnh nghiên cứu có liên quan để làm nền tảng nghiên cứu của để tài.

1.1 TỎNG QUAN VÈ NĂNG LƯỢNG ĐIỆN

1.1.1 Khái niệm về điện năng |20|

Điện là một dạng năng lượng, là dòng chuyển dời có hướng của các electron Tất

cả vật chất đều được cấu tạo bởi các nguyên tử, trong nguyên tử khi sự cân bằng lựcgiữa proton và electron bị phá vỡ bởi tác dụng của ngoại lực, các electron thoát ra khỏinguyên tử, sự chuyển dịch tự do của các electron cấu tạo nên dòng điện

Điện năng là dạng năng lượng thứ cấp, điện được tạo ra bằng cách chuyến hóa từcác nguồn năng lượng sơ cấp như dầu mỏ, nguồn nước, năng lượng nguyên tử và từ cácnguồn năng lượng sơ cấp khác Vào những năm giữa thế kỉ XIX, Thomas Edison đãlàm thay đổi cuộc sống mọi người bằng phát minh ra bóng đèn điện Phát minh củaEdison đã sử dụng điện năng để mang ánh sáng vào từng gia đình

Điện năng là một loại hàng hoá đặc biệt Quá trình kinh doanh điện năng bao gồm

3 khâu liên hoàn: Sản xuất - Truyền tải - Phân phối điện năng xảy ra đồng thời, khôngqua một khâu thương mại trung gian nào Điện năng được sản xuất ra khi đu khả năngtiêu thụ vì đặc điểm của hệ thống điện là ở bất kỳ thời điểm nào cũng có sự cân bằnggiữa công suất phát ra và công suất tiêu thụ (không để tồn đọng)

1.1.2. Thực trạng thị trường điện lực Việt Nam [13]

1.1.2.1 Sản xuất và phân phối điện năng

- về nguồn điện: Hiện tại, tổng công suất lắp đặt khả dụng 8.454 MW tập trung

chủ yếu vào các nhà máy thuộc Tập đoàn Điện lực Việt Nam (EVN: TheElectricity of VietNam)

- về lưó’i điện: EVN đã tập trung nhiều vào việc cải tạo nâng cấp hệ thống lưới

điện truyền tải Hiện tại lưới điện truyền tải cao áp toàn quốc bao gồm (1531 km

đường dây, 2700 Trạm biến áp (TBA) 500KV; 3839 lem dường dây, 8474 TBA220KV; 7703 km đường dây, 11004 TBA 110KV) do 4 Công ty Truyền tải điệnquản lý vận hành.

1.1.2.2 Phương thức tồ chức kinh doanh điện năng

Mô hình quản lý sản xuất kinh doanh của EVN vẫn đang thực hiện theo môhình Nhà nước độc quyền quản lý các khâu của quá trình: Sản xuất- Truyền tải

- Phân phối điện năng Mô hình này dẫn đến nhiều hạn chế về quản lý cũng như

hiệu quả đầu tư, không thúc đẩy phát triển sản xuất kinh doanh điện năng

1.1.3. Phưong hướng xây dựng mô hình thị trường điện lực tại Việt Nam[13J

1.1.3.1 Định hướng phát triển hoạt động sản xuất kinh doanh điện năng

- về nguồn điện: Tập trung xây dựng các nhà máy thuỷ điện tại hầu hết nhũng

nơi có khả năng xây dựng

- về lưói điện: Sẽ phát triển nhanh hệ thống truyền tải 220kV, 500 kv nhảm nâng

cao độ tin cậy và giảm tổn thất điện năng trên lưới truyền tải; phát triển lưới điện 1lOkV thành lưới điện cung cấp trực tiếp cho phụ tải

- về cơ cấu bộ máy tổ chức của EVN: Thực hiện đề án của Chính phủ về việc

thí điểm thành lập tập đoàn điện lực, EVN tiếp tục đẩy nhanh quá trinh cổ phầnhoá các đơn vị trực thuộc trong đó có các nhà máy điện, công ty phân phối điệnnăng phục vụ cho việc phát triển thị trường điện

1.1.3.2 Mô hình thị trường điện lực Việt Nam

- Đối vói EVN: cần chủ động điều tiết nguồn phát đảm bảo cân bằng hệ thống

- Đối với các nhà máy điện: Từng bước thực hiện cổ phần hoá các nhà máy

điện, chuyển các nhà máy điện thuộc EVN thành các nhà máy điện độc lập

- Đối với các công ty truyền tải: Với bản chất là độc quyền tự nhiên, do vậy Nhà

nước vẫn nắm giữ thực hiện các hoạt động truyền tải điện từ người mua duy nhất(EVN) đến các công ty điện lực

- Đối vóỆ i các công ty phân phối điện năng: Thực hiện chuyển đổi trở thành đơn

vị độc lập với EVN dưới hình thức Công ty mẹ - Công ty con

- Do cần đảm bảo tính phù họp của một số hoạt động độc quyền trong mô

hình như: EVN độc quyền mua điện từ các nhà máy điện độc lập, độc quyền bán

điện cho các công ty phân phối điện năng, các công ty phân phối độc quyền bánđiện cho khách hàng, do vậy cần thiết phải có một cơ quan đứng ra kiểm soát hoạtđộng này với tư cách hoàn toàn độc lập

- Đối với khách hàng: Tiếp tục chịu mua điện từ một công ty phân phối điện duy

nhất Tuy nhiên đối với các khách hàng cần phụ tải lớn có thể mua điện trực tiếp từcác nhà máy điện hoặc thông qua lưới truyền tải của EVN

1.1.4. Tình hình sản xuất kinh doanh trên địa bàn tỉnh Bình Duong (Phụ lục 1)

QUAN ĐẾN ĐÈ TÀI

Trong lĩnh vực dự báo thực trạng nhu cầu sử dụng điện dùng các phương pháp tốitru để xử lý số liệu thống kê, nhiều mô hình có thể sử dụng trong đó mô hình trung bìnhtrượt tự hồi quy ARMA luôn thể hiện là một trong những phương pháp phân tích hiệuquả nhất và thu hút được nhiều công trình nghiên cứu trong lĩnh vực phân tích và dựbáo chuỗi thời gian để đánh giá Có nhiều nghiên cứu liên quan đến chuỗi thời gian,đáng chú ý là một số phương pháp sau:

- Dùng các thuật toán di truyền và tiến hóa để dự báo chuỗi thời gian.

- Sử dụng thuật giải di truyền đa cấp dự báo chuỗi thời gian.

- Giải thuật lai cho bài toán sắp hàng đa trình tự sinh học.

- Dự báo chuỗi dữ liệu kinh tế vĩ mô dùng thuật giải di truyền tuyến tính.

- Dự báo chuỗi dữ liệu thời gian bởi thuật giải di truyền kết hợp với các hàm

thống kê và các hàm lượng giác

Phân tích một số công trình liên quan đến lĩnh vực đề tài đang nghiên cứu để có

cơ sờ khoa học đáng tin cậy cho việc nghiên cứu, đề tài chọn ba công trình có liên quanmật thiết nhất để phân tích và làm cơ sở nghiên cứu như sau:

1.2.1 Các thuật toán di truyền và tiến hóa dùng dự báo chuỗi thòi gian (Genetic and Evolutionary Algorithms Time Series Forecasting) của Paulo Cortez, Miguel Rocha, and Josel Neves [12]

Bài báo phân tích những khái niệm cơ bản về chuỗi thời gian (TS: time series),thuật toán di truyền và tiến hóa (GEAs: Genetic and Evolutionary Algorithms) sau đó

mô tả các mô hình khác nhau và đưa ra các kết quả thực nghiệm Cuối cùng, kết quảđược trình bày và so sánh với các phương pháp dự báo chuỗi thời gian truyền thống

Một chuỗi dữ liệu thời gian là tập hợp các quan sát theo thứ tự thời gian và được

hình quá khứ sẽ tái diễn trong tương lai gần Trong đó có sự khác biệt giữa giá trị thực

tế và giá trị dự báo gọi là sai số dự báo thể hiện bằng công thức:

Hiệu suất tổng thể của mô hình dự báo được đánh giá bởi thước đo chính xác, cựthể là Sum Squared Error (SSE), Root Mean Squared Error (RMSE) và NormalizedMean Square Error (NMSE), các chỉ tiêu trên được tính toán như sau:

với giá trị ngẫu nhiên bởi trung bình các giá trị trước đó Những lợi thế của mô hìnhnày như sử dụng đơn giản, giảm tính toán, tính chính xác cao của dự báo, đặc biệt vớichuỗi thời gian theo mùa.

Mô hình trung bình trượt tích hợp tự hồi quy ARIMA là một phương pháp quantrọng để dự báo chuỗi thời gian Ưu điểm chính của phương pháp này là dựa vào sựchính xác trên một miền rộng lớn của những chuỗi thời gian, nhưng phức tạp hơn vềkhả năng sử dụng và hiệu quả tính toán so với ES Mô hình dựa trên sự kết họp tuyếntính của giá trị trong quá khứ Mô hình có thể mặc nhiên công nhận như một mô hìnhtrung bình trượt tự hồi quy ARMA(P, Q), được đưa ra với hình thức:

ỉ •

i Ị t -4- ~ 1 ỉ — f -+- ~ * 7 — (1.5)

Trong đó p biểu thị bậc của AR và Q biểu thị bậc của MA, Aj và Mj là các hệ số của

AR và MA, p một giá trị không đổi Cả hai liên tục và các hệ số của mô hình được ướctính bằng cách sử dụng phương pháp tiếp cận thống kê

Bài báo này dùng bảng dữ liệu từ Time Series Data Library[16J ở bảng 1.1:

Bảng 1.1: Time Series Data Library [16]

Monthly international airline passengersMonthly sales of French paper

Chemical concentration readings Daily IBM common stock closing prices

EcologyGeology

Annual number of lynxSeismogragh of the Kobe earthquakeCác thí nghiệm được trình bày trong bài báo này, một bộ tám các chuỗi thời gian được lựa chọn (Bảng 1.1) từ Time Series Data Library lấy từ nhiều nguồn khác

nhau, có liên quan với các vấn đề thực tế Tất cả chuỗi thời gian được phân thành bốnloại chính gồm tất cả các chuỗi thời gian: theo mùa và xu hướng (Seasonal andTrended), theo mùa (Seasonal), theo xu hướng (Trended) và phi tuyến (Nonlinear).Các GEAs sử dụng một giải thuật nhị phân, một vấn đề nhất định được mã hóathành một tập ký tự {0,1} Tuy nhiên, một số tác giả đã cho ràng còn có nhưng xán đề

mà các tham số được đưa ra bởi giá trị thực, chiến lược tối ưu là sử dụng một biểu diễngiá trị thực (RVR: Real-Valued Representation.)

Trong bài báo này, hai cách tiếp cận để dự báo, cả hai đều dựa trên GEAs vóiRVR Trong các mô hình dự báo là sự kết họp tuyến tính của các giá trị trước đó

Hai mô hình được quan tâm trong bài báo này đưa ra là:

Gl- Tuyến tính kết họp dựa trên GEAs là:

' <_ < 1 - " ì

gi là viết tắt gen thứ i của nhiễm sắc thể của các phần từ; n là kích thước phần tử

G2- ARMA dựa trên GEAs là:

Một giải pháp thay thế là sử dụng chỉ tiêu Bayesian Information Criterion (BIC)

Bảng 1.2 : So sánh giữa các phưoĩig pháp TSF khác nhau [12]

(1.7)

Các kết quả của việc áp dụng các GEAs trong lĩnh vực TSF là đáng khích lệ.Trong tương lai, việc lựa chọn mô hình được tự động hóa cụ thể là quá trình lựa chọncác cửa sổ thời gian trượt (STWs: Sliding Time Window) tối ưu Việc mở rộng những

số liệu tìm kiếm khác nhau của STWs trong không gian tìm kiếm là cách tốt hơn Vìđây là một nhiệm vụ tối ưu hóa, việc sử dụng GEAs có thể thuận lợi, tạo một kiến trúchai cấp Ngoài ra có thể dựa vào các chương trình làm tốt hơn các mô hình dự báo,bằng cách tích hợp các chức năng phi tuyến (ví dụ: logarit hay lượng giác)

I 2.2 Sử dụng thuật giải di truyền đa cấp dự báo chuỗi thòi gian (A Genetic Algorithms for Time Series Forecasting) của p Cortez, M Rocha, and

Meta-J Neves [11]

Bài báo này trình bày một phương pháp dự báo chuỗi thời gian bàng mô hình tựhồi quy trung bình trượt ARMA sử dụng thuật giải di truyền ở 2 cấp bậc, ở cấp thuậtgiải GA nhị phân sẽ tìm kiếm mô hình ARMA dự báo tối ưu và GA thập phân sẽ giúptìm ra bộ giá trị tham số tương ứng

Bài báo này được phát triển từ bài báo (mục 1.2.1) Do đó hàm đánh giá mô hìnhcũng tương tự bài báo trên.

Đối với các thí nghiệm được trình bày trong bài báo này, cũng gồm một bộ támcác chuỗi thời gian nhưng chuỗi dữ liệu Lynx được thay bâng Sunspots Việc sư dụngcửa sổ thời gian trượt lớn có thể tăng độ phức tạp hệ thống, giảm bót hiệu quả của các

mô hình, trong khi cửa sổ thời gian trượt nhỏ có thể chứa thông tin không đầy đủ

Thuật giải di truyền đa cấp (Meta-Gas: Meta-Genetic Algorithm) được sử dụngcho việc tối ưu hóa các tham sổ GA Trong bài báo này, sử dụng thuật giải di truyền 2cấp, bao gồm cấp cao (meta-level) GA sử dụng tìm kiếm mô hình ARMA dự báo tối ưu

và cấp thấp (low-level) GA giúp tìm ra bộ tham số tương úng

Đại diện cho mô hình là Meta-GAs nhị phân, mỗi gen đại diện cho một hệ số

nếu giá trị của nó là 1, nếu là 0 thì nó không được xem xét (Hình 1.1)

Hình 1.1 : Ví dụ về giải mã thuật toán Meta-GAs [11]

Mô hình này được tối ưu hóa bằng cách chạy một thuật toán di truyền RVR cấp thấp, với mỗi gen mã hóa một hệ số của mô hình ARMA, được cho bởi phương trình (1.9) Mỗi cá thể, được đánh giá bởi chỉ tiêu RMSE trong tập huấn luyện

Mặt khác, các hàm mục tiêu của mỗi cá thể trong meta-level thu được bâng cách giải mã nhiễm sắc thể của nó vào low-level GA chạy và cuối cùng tính toán giá trị BIC của mô hình tối ưu Hệ thống tổng thể được mô tả hình (1.2)

Các đề xuất của thuật toán Meta-GA đã được thử nghiệm trên các chuỗi dữ liệu

Meta-Level

Low-Level

í Selection of An< estors

Hình 1.2 : The Meta-Ecolutionary Approach [11]

Trong cả hai mô hình GA, quy tắc là xếp hạng các giá trị hàm mục tiêu của cá thểsau đó áp dụng chương trình bánh xe roulette Trong việc thiết lập GA cấp thấp, cácgen của quần thể ban đầu được phân ngẫu nhiên giá trị trong khoảng [-1,1], Kích thước

dữ liệu được chọn 50 cá thể Trong mỗi thế hệ, 40% cá thể được giữ nguyên trạng banđầu, 60% được tạo ra bởi các ứng dụng của các nhà khai thác di truyền (Bảng 1.3) chothấy tóm tắt của các giá trị tham số có liên quan và (Bảng 1.4) là mô hình tối ưu thuđược thuật toán Meta-GA

Bảng 1.3: Đặt giá trị tham số thuật toán Meta-Gas [11]

So sánh các mô hình trong (Bảng 1.5) Các giá trị sai số trong bảng được

chọn theo chuẩn RMSE và NMSE (trong ngoặc) Tiêu chuẩn này giúp dễ dàng so sánh giữa các dòng dữ liệu và phương pháp khác nhau Mỗi mô hình được sứ dụng các giá trị tối ưu từ TS Các thông số ES được tối ưu hóa cho các RMSE tối ưu

ES cho hiệu suất tốt hơn đối với dòng theo mùa, vì ES được phát triển đặc biệt cho các loại chuỗi này Tuy nhiên, chuỗi sự kiện tương lai sẽ khác khi xét hàng loạt kiểu chuỗi khác, cụ thể là những chuỗi theo xu hướng và phi tuyến, nơi mà Meta- GA tốt hơn phương pháp dự báo chuỗi thời gian thông thường Mặc dù sử dụng cùng một

mô hình cơ bản ARMA, nhưng với sự linh hoạt cao hơn hệ thống Meta- GA vượt hiệu suất của phương pháp ARIMA trong tất cả các chuỗi dữ liệu

Bảng 1.5: So sánh phương pháp Meta-GAs vó'i các phưong pháp truyền thống

Passengers

Paper

Deaths

16.5 (0.70%) 49.2 (4.4%)

Nhận xét: Phương pháp này có ưu điểm có thể áp dụng cho nhiều dạng chuồi dữ

liệu mà không cần quan tâm đến dạng của chuỗi dữ liệu vì chỉ thuần túy xử lý vê mặt sốliệu Tuy nhiên phương pháp này có một điểm bất tiện là khó có thể kết họp các phươngpháp tối ưu khác để tăng tính hiệu quả

1.2.3 Giải thuật lai cho bài toán sắp hàng đa trình tự sinh học [8]

Với bài toán sắp hàng đa trình tự, giải pháp giải quyết bài toán dựa trên sự kêthợp giải thuật di truyền và kỹ thuật luyện kim được thực hiện và được xem xét nhưthuật giải lai di truyền - luyện kim (SA-GA)

Kết hợp tạo giải thuật lai giữa hai giải thuật chính là giải thuật di truyền GA vàgiải thuật luyện kim SA Trong đó tận dụng ý tưởng tìm kiếm dựa trên quần thể nhưcủa giải thuật di truyền và biến đổi trạng thái như cua giai thuật luyện kim trên các “cáthể” quá trình phát sinh các cá thê không chi hoàn loàn là ngẫu nhiên mà còn dùng cácphép toán lai tạo, đột biến, chọn lọc của giải thuật di truyền để có thể kế thừa được cácgiải pháp tốt Bên cạnh đó nhờ có bước thực hiện ban đầu có thể tạo được quần thể banđầu tương đối tốt và làm cơ sở cho việc xét các bước chuyển trạng thái mới

Quá trình sẽ thực hiện một phần song song giữa GA và SA, một số phần tử tối ưucủa giải thuật GA chuyển sang thực hiện các biến đổi theo giải thuật SA Trong quátrình thực hiện từ SA, một số phát sinh có độ thích nghi tốt sẽ chuyển sang GA thựchiện lai ghép Kết hợp hai giải thuật còn nhằm mục đích “phá vỡ” một phần sự cứngnhắc và ít biến đổi khi giải thuật GA thực hiện giai đoạn cuối SA được thiết lập giúptăng khả năng chọn các vùng không gian nghiệm rộng hon Hình sau mô tả mức daođộng của không gian vùng nghiệm khi kết hợp SA-GA:

Hình 1.3: Biểu đồ mô tả mức độ ổn định của nghiệm đuọ‘c chọn |8|

Giải thuật của SA được áp dụng

Chọn lời giải ban đầu So;

Chọn nhiệt độ khởi đẩu to > 0;

Chọn hàm thu giảm nhiệt độ a;

Repeat

Repeat

Chọn ngẫu nhiên một lời giải lân cận s của lời giải hiện tại So; ô = f (s)-

giai sau tót hon lời giai trước

unltil so_lần lặp = nrep;

t = oc(t) ;

until Điều kiện dừng = TR UE;

Qua nghiên cứu các giải thuật trước, bài báo chọn hướng giải quyết kết hợp giải thuật ditruyền và kỹ thuật luyện kim, có sự hướng dẫn của một số thông tin phân tích ban đầu giúp giải quyết bài toán trong không gian giới hạn và có các bước chuyển tốt hơn Tuy nhiên, dù có những kết quả thực nghiệm khá tốt nhưng qua đó cho thấy cần phải kết hợp những ý nghĩa sinh học về sự tương đồng giữa các trình tự sinh học sâu rộng hơn mới có được những heuristic và phương pháp so sánh có kết quả giống như thực tế Bên

cạnh đó, việc chuyển sang thực thi song song giải thuật để giảm thời gian xử lý và tăng khả năng tìm nghiệm cho bài toán.

1.3.1 Khái niệm về dự báo

Dự báo là khả năng nhận thức được sự vận động của các đối tượng nghiên cứutrong tương lai dựa trên sự phân tích chuỗi thông tin quá khứ và hiện tại Cho đến nay,nhu cầu dự báo đã trở nên hết sức cần thiết ở tất cả các lĩnh vực Dự báo là tiên đoánkhoa học mang tính xác suất và tính phương án trong khoảng thời gian hữu hạn vềtương lai phát triển của đối tượng nghiên cứu

1.3.2 Các mô hình dự báo: [8]

- AR(p) Mô hình tự hồi quy (AutoRegressìve model): Có chứa một hay một số giá

trị trễ của biến phụ thuộc số các biến giải thích Giá trị ở thời điểm t của một biến, x(t),tuỳ thuộc vào tổng tỷ trọng của các giá trị p trong quá khứ cua biên [\(t- 1), x(t-2), ,x(t-p)} cộng với đại lượng ngẫu nhiên e(t):

- MA(q) Mô hình trung bình trượt (Moving Average model): Giá trị của một biến

ở thời điểm t bằng với giá trị trung bình tỹ trọng của tổng q+1 yếu lo ngẫu nhiên, độclập là e(t), e(t-l), , e(t-q):

- ARMA(p,q) Mô hình trung bình trượt tự hồi quy (AutoRegressive Moving Average model): là sự kết hợp của AR(p) và MA(q).

- ARIMA Mô hình trung bình trượt tích hợp tự hồi quy (AutoRegressive Intergrated Moving Average model): thay vì quan sát tỷ suất sinh lọi sẽ là quan sát sự

thay đổi của tỷ suất sinh lợi

- ARCH và GARCH Mô hình phương sai sai số thay đổi có điều kiện tụ hồi quy (AutoRegressive Conditional Heteroskedasticity) GARC11 (GeneralizedAutoRegressive Conditional Heteroskedasticity) là trường hợp tổng quát của ARCH.Mục tiêu của mô hình này là dự báo độ lệch chuẩn và tương quan của chuỗi thời giantài chính Mô hình này phù hợp với việc phân bổ tài sản

- ES Phương pháp san bằng số mũ (Exponential Smoothing method): Giá trị dự

báo mới không chỉ phụ thuộc vào giá trị giai đoạn trước mà còn phụ thuộc giá trị dựbáo của giai đoạn trước.

- NN Mạng Neural (Neural Network): Homik, Stinchcombe và White (1988) đã

chỉ ra rằng các mạng lưới Neural có thể xấp xỉ bất kỳ phương trình nào, là công cụ phântích và dự báo hữu hiệu Mô hình mạng Neural được ứng dụng rất nhiều vào việc dựbáo xếp hạng trái phiếu và dự báo tỷ suất sinh lợi trong tài chính

- GA Giải thuật di truyền (Genetic Algorithm): Là phương pháp tối ưu để tim

kiếm trực tiếp dựa trên kỹ thuật mô phỏng quá trình tiến hoá sinh học có sử dụng máy tính Phương pháp này có những ứng dụng thành công trong lãnh vực dự báo

- FL Logic mờ (Fuzzy Logic): Được sử dụng rất nhiều trong các hệ điều khiển

mờ Ưu điểm cơ bản của điều khiển mờ là không cần biết trước đặc tính của đối tượngmột cách chính xác Mô hình sử dụng Logic mờ thường được kết hợp vói giải thuật ditruyền hoặc mạng Neural để tối ưu tập các tham số trong hệ

1.3.3 Mô hình dự báo dựa trên chuỗi thời gian

Dự báo bằng phương pháp định lượng được sử dụng khá phổ biến trên thế giới.Nhiều quỹ đầu tư đã thiết lập hệ thống giao dịch tự động bằng phương pháp định lượng.Hiệu quả từ phương pháp này được chứng minh tại nhiều thị trường

ưu điểm của phương pháp dự báo định lượng là khá khách quan, dựa vào tiêu chícủa những chỉ tiêu thống kê từ mô hình Những đánh giá đưa ra dựa trên sự phân tíchkhách quan nên giảm sự sai sót do yếu tố con người.

Các phương pháp định lượng dùng dự báo dựa trên mô hình toán học với giả địnhrằng liên hệ giữa các yếu tố được thiết lập trong quá khứ sẽ lặp lại trong tương lai Nóicách khác phương pháp định lượng dựa trên dữ liệu quá khứ để phát hiện chiều hướngvận động tương lai của các yếu tố theo một quy luật Đè dự báo diễn biến trong tươnglai của một biến, người ta có thể sử dụng mô hình chuỗi thời gian Một chuỗi thời gian

biến theo thời gian, khoảng cách là các khoảng thời gian

Chương một đã giới thiệu tổng quan về năng lượng điện, mối quan hệ giữa sánxuất và tiêu thụ điện, thực trạng nguồn năng lượng điện của nước ta nói chung và BìnhDương nói riêng Khảo sát các công trình nghiên cứu trước đó để có cơ sở và hướngnghiên cứu phù hợp, nhằm dự báo mức tiêu thụ điện, giúp các cơ quan hữu quan cóchiến lược sản xuất, tiêu thụ cũng như tiết kiệm điện hợp lý nhất

Chương 2

Cơ SỞ LÝ THUYẾT

Chương hai giới thiệu về giải thuật luyện kim và giải thuật di truyền đê thấy những ưu, khuyết điểm của các giải thuật này, đồng thời nghiên cứu ưu thể của sự kết họp hai giải thuật đế sử dụng hiệu quả các giải thuật trong mô hình dự bảo trên

2.1.1 Giói thiệu chung về giải thuật luyện kim

Tiền thân của giải thuật luyện kim là thuật toán Monte Carlo năm 1953 của nhómMetropolis Giải thuật luyện kim được đề xuất bởi s Kirkpatrick năm 1982 và công bốtrước công chúng năm 1983 SA là một nhánh của phương pháp tìm kiếm leo đồi trongbài toán cục bộ nhưng cho phép điều khiển các bước leo đồi

Giải thuật luyện kim có nguồn gốc từ cơ học hệ thống Giai thuật này gia lập quátrình làm lạnh kim loại sau khi nung SA thực thi đơn giản và tương tự quá trình luyệnkim vật lý Trong luyện kim vật lý kim loại được đốt nóng đến nhiệt độ cao và làm lạnh

từ từ để nó kết tinh ở cấu hình năng lượng thấp (tăng kích thước của tinh thể và làmgiảm những khuyết điểm của chúng) Một kim loại được nung đến nhiệt độ hóa lỏngsau đó giảm nhiệt từ từ, cấu trúc tinh thể sẽ được hình thành tùy theo mức độ làm lạnh.Nếu việc làm lạnh không xẩy ra từ từ thì chất rắn không đạt dược trạng thái có cấu hìnhnăng lượng thấp, sẽ đông lạnh đến trạng thái không ổn định (cấu trúc tối ưu địaphương)

Quá trình làm lạnh có thời gian phù hợp thì cấu trúc tinh thể sẽ hình thành Nếuquá trình làm lạnh quá nhanh thì cấu trúc tinh thể sẽ tồn tại những điểm không hoànhảo Giải thuật luyện kim giả lập quá trình làm lạnh bằng cách giảm nhiệt độ cứa hệthống một cách tuần tự cho đến khi nó hội tụ về trạng thái đông cứng Trạng

thái đông cứng là trạng thái có mức năng lượng thấp nhất tương ứng với lời giải có giátrị đánh giá tối ưu SA được sử dụng để tìm cực đại hay cực tiểu để giải một bài toán lối

ưu Khi quá trình luyện kim kết thúc, lời giải toi ưu được hội tụ vô cliinli la trạng tháikết tinh của bài toán.

So' đồ thể hiện trong một không gian lời giải thuật toán luyện kim sẽ tìm đến tối

ưu toàn cục với bước nhảy từ tối ưu địa phương

ỳ

Global Minimum

Solution Space Hình 2.1 Sơ đồ không gian lòi giải [17]

Sự tương đồng giữa quá trình luyện kim vật lý và giải thuật luyện kim (Bảng 2.1)

Bảng 2.1: So sánh tưo’ng quan giữa luyện kim vật lý và giải thuật luyện kim

Giải thuật luyện kim sử dụng một biến điều khiển toàn cục là biến nhiệt độ T Banđầu T ở giá trị rất cao và sau đó được giảm dần xuống Trong quá trình tìm kiểm SAthay lời giải hiện thời bằng cách chọn ngẫu nhiên lời giải láng giềng với xác suất phụthuộc sự chênh lệch giữa giá trị hàm mục tiêu và tham số điều khiến T

Quá trinh tối ưu hóa được tiếp tục cho tới cực tiểu toàn cục được tìm thấy hoặc

tổng các bước chuyển vượt quá một số tối đa các bướcchuyển đã dược định trước Sự chuyển tiếp ở một nhiệt độkết thúc khi đạt tới trạng thái cân bàng nhiệt Sau khiđạt tới trạng thái cân bằng nhiệt thì nhiệt độ được giảmthấp hơn Nếu hệ thống không đông lạnh và cũng không tìmđược cực tiểu toàn cục thì vòng lặp vẫn tiếp tục và chỉ số

do người dùng đưa ra Khi sử dụng giải thuật luyện kim,các vấn đề cần được làm rõ: Không gian lòi giải, cách xácđịnh lời giải lân cận và hàm đánh giá

Bản chất của giải thuật này cũng giống như thuật toán leo đồi nhưng khắc phụcđược vấn đề “local minimum” nhờ vào cách chọn ngẫu nhiên cho phép chuyển sangtrạng thái xấu hơn Thông thường, hệ thống sẽ chuyển sang trạng thái tối ưu tìm đượctại mỗi nhiệt độ T Tuy nhiên, nếu không tìm được trạng thái tốt, hệ thống vẫn có thểchuyển sang trạng thái xấu hơn dựa vào xác suất chấp nhận chuyển trạng thái Xác suấtchấp nhận một trạng thái xấu hơn được tính bằng công thức:

(2.1)

với: ổ- độ biếnđổi hàm giá trị;

Giải thuật luyện kim:

SA(S) {

loigiaitot = s //Gán lời giải tối ưu = lời giải s

giatritot=BIC(S) //Gán giá trị đảnh giả tối ưu = giá trị đánh giá lời giải s Khởi tạo nhiệt độ ban đầu t=to

Khởi tạo hệ so giảm nhiệt a

Giaidoan^O; //Khởi tạo hệ sổ giai đoạn luyện kim

while (giaidoan < giaidoan toida) { // Tiến hành quá trĩnh luyện kim

t - nhiệt độ hiện tại

solan=0 //Sổ lần luyện trong 1 giai đoạn while(solan<solan_toida) {

Tạo lời giải lân cận S’

GA (S’) // Tìm bộ tham sổ toi ưu cho s'

i ị

ỉ Lưu lại lời giải toi um solan++

ì

Trả về lời giải mô hình tối ưu sau quá trĩnh luyện kim

}

2.1.2 Hàm nhiệt độ và quá trình hoạt động J- Hàm nhiệt độ:

Đầu tiên khởi tạo nhiệt độ T là To Qui trình phổ biến nhất là quy trình làm cân xứng:

T,: Nhiệt độ vòng i khi i=l N

Hình 2.3: Biểu diễn quá trình hoạt động của hàm nhiệt độ [18]

4- Quá trình làm lạnh: Bao gồm bốn thành phần chính: Nhiệt độ ban đẩu, nhiệt độ

kết thúc, quá trình làm lạnh, các bước lặp tại mỗi nhiệt độ

■ Nhiệt độ ban đầu

Nhiệt độ ban đầu phải đủ cao để bao quát hết các lời giải Nếu không, lời giải cuốicùng sẽ rất gần với lời giải đầu tiên và giải thuật chỉ giống như một bài toán leo đồi đơngiản

Tuy nhiên, nếu nhiệt độ ban đầu quá cao, thì việc tìm kiếm sẽ giống như tìm kiếmngẫu nhiên cho tới khi nhiệt độ giảm đến một mức phù hợp với giải thuật luyện kim Khi

đó giải thuật sẽ tiến hành đúng theo hướng giải thuật luyện kim

Vấn đề là phải tìm được nhiệt độ ban đầu thích họp Hiện tại chưa có phương phápnào để tìm nhiệt độ ban đầu thích hợp cho tất cả các bài toán Nếu biết khoảng cách lớnnhất giữa một lân cận và một lân cận khác, chúng ta có thể dùng thông tin này để xác địnhnhiệt độ ban đầu

Một cách khác là đặt nhiệt độ ban đầu thật cao và làm lạnh nhanh cho đến khi 60%các lời giải xấu nhất được chấp nhận Tại điểm này mới là nhiệt độ ban đầu thực sự và quátrình làm lạnh nhanh sẽ giảm tốc độ lại

• Nhiệt độ cuối cùng

Thông thường thì nhiệt độ được giam về 0 Tuy nhiên, diêu này làm giai thuật chạy

lâu hơn, nhất là khi lịch trình làm lạnh hình học được dùng.

Trong thực nghiệm, không cần đế nhiệt độ giảm về 0 vì khi nhiệt độ về 0 thì khanăng chấp nhận chuyên sang các bước xấu hơn cũng bằng 0

Do đó, các điều kiện dừng có thể là một nhiệt độ chậm thích hợp hay khi hệ thốngkết tinh ở nhiệt độ hiện tại (không có di chuyển được chấp nhận)

Khi đã có nhiệt độ ban đầu và nhiệt độ cuối cùng, ta cần xác định quá trình làm lạnhgiúp chuyên hệ thống từ nhiệt độ ban đầu về đến nhiệt độ cuối cùng Do đó, nhiệt độ cầngiảm để điều kiện dừng xảy ra

Lý thuyết cho rằng số lần lặp tại mỗi nhiệt độ cần đủ để giúp cho hệ thống ổn địnhtại nhiệt độ đó và số lần lặp tại mỗi nhiệt độ là cấp số mũ so với khôi lượng bài toán Ta

có thể chọn:

Một số lượng lớn lần lặp tại vài nhiệt độ

Một số lượng nhỏ lần lặp tại nhiều nhiệt độ

Cân bằng tại tất cả các nhiệt độ

Phương pháp làm lạnh đơn giản nhất là theo phương pháp tuyến tính giàn đơn Mộtphương pháp khác là giảm theo hình học, trong đó t = t*a với |a|<l

Kinh nghiệm cho thấy rằng a trong khoảng 0.8-0.99, cho kết quả tòt hơn Tuy nhiên

hệ số a càng cao thì nhiệt độ tiến đến nhiệt độ cuối cùng càng lâu

Vấn đề cuối cùng là xác định lặp bao nhiêu tại mỗi nhiệt độ Phương pháp chia đềutại tất cả các nhiệt độ là phương pháp được sử dụng nhiều nhất

khi nhiệt độ giảm thể hiện ơ biểu đồ (hình 2.4)

Hình 2.4: Biểu diễn quan hệ giữa hàm chi phí và hàm mục tiêu [18]

2.1.4 Cấu trúc của lòi giải iân cận

Vấn đề cần giải quyết là làm sao chuyển từ một trạng thái sang trạng thái lân cận Điều

đó có nghĩa là cần xác định một trạng thái lân cận Một số kêt qua cho thấy rằng các cấu trúclân cận có tính đối xứng Có nghĩa là nếu hệ thống có thê chuyển từ trạng thái i sang trạngthái j thì hệ thống cũng có thể chuyển từ trạng thái j sang trạng thái i

Một điều kiện khác cần chú ý để bảo đảm tính hội tụ là tất cả các trạng thái đều có thểchuyển đến từ những trạng thái khác Với cấu trúc lời giải là một máng boolean, việc xácđịnh lân cận có thể dùng nhiều phương pháp khác nhau như đảo bit một hay nhiều vị trítrong mảng, đảo vị trí một hay nhiều lần các phần tử trong mảng, Để tăng xác suất tìm đếnlời giải tối ưu, chương trình sử dụng hồn hợp nhiều phương pháp bằng cách chọn ngẫu nhiênmột phương pháp trong một lần phát sinh lời giải lân cận

Giải thuật xác định lân cận:

theo neighbor-boolean -flip-full }

Trả về giải pháp lân cận

}

2.1.5 Các bước của bài toán SA và điều kiện dừng

♦ Các bước của bài toán SA: Các bài toán SA thường thực hiện theo các biróc

- Bước 1: Đầu tiên, tìm điểm xuất phát của bài toán

- Bước 2: Liệt kê các láng giềng có thể có của lời giải hiện thời

Bước 3: Ước lượng hàm mục tiêu hiện thời và láng giềng vừa tim được

- Bước 4: Sinh một biến ngẫu nhiên thường là phân bố mũ có các tham số phụ thuộc vào hiệu quả của các giá trị hàm mục tiêu và tham số T

- Bước 5: Nếu biến ngẫu nhiên lớn hơn hoặc nhỏ hơn một ngưỡng cho trước thì chấpnhận láng giềng vừa tìm được làm phương án hiện tại

- Bước 6: Giảm nhiệt độ T

- Bước 7: Quay trở lại từ đầu

♦ Điều kiện dừng Thuật toán dừng khi đã tìm được một lời giải đủ tốt và T là quá nhỏ

mà xác suất tránh được là không đáng kể

Một tiêu chuẩn kết thúc khác là chi phí trung bình thay đổi không đáng kê ở mộtvài giá trị liên tiếp nhau của T

2.1.6 Ưu điểm và khuyết điểm

♦ ưu điểm:

- Giải thuật SA có thể hoạt động với các mô hình phi tuyến, hỗn loạn, có nhiễu

và nhiều ràng buộc SA là một kỹ thuật bền vững và tổng quát

- Giải thuật SA linh động khả năng nhanh đạt đến lời giải tối ưu

- Giải thuật SA không phụ thuộc vào bất cứ đặc tính nào của mô hình

- Các phương thức SA rất dễ chỉnh

♦ Khuyết điểm-.

- Do SA là thuật toán tổng quát nên yêu cầu chuyển thành thuật toán thực dụng