Đồ án xây dựng phiên bản mới của hệ trợ giúp quyết đinh DSPES

Cũng giống như một bài toán hệ TGQĐ, bài toán trợ giúp việc phân bố năng lượng cũng được bắt đầu bằng việc tìm hiểu bài toán để xác định các mục tiêu, tập hợp được dữ liệu, định hình bài

MỤC LỤC

MỤC LỤC i

DANH MỤC BẢNG iv

DANH MỤC HÌNH VẼ v

Chương 1 MỞ ĐẦU 1

1.1 Đặt vấn đề ……….1

1.2 Mục tiêu đề tài 1

1.3 Bố cục đồ án 2

Chương 2 GIỚI THIỆU HỆ THỐNG 3

2.1 Mô hình quyết định 3

2.1.1 Mô hình đa tầng, đa lớp 3

2.1.2 Tính chất đa mục tiêu 7

2.2 Phương pháp giải bài toán tối ưu tĩnh 8

2.2.1 Bài toán tối ưu tĩnh trong phân chia tài nguyên 8

2.2.2 Bài toán tối ưu tĩnh đa mục tiêu 10

2.3 Giải quyết bài toán động đa mục tiêu 15

2.3.1 Bài toán tối ưu động trong lập kế hoạch dài hạn 15

2.3.2 Giải bài toán tối ưu động đa mục tiêu 16

2.3.3 Tích hợp kỹ thuật Fuzzy để giải bài toán tối ưu động với thông tin mờ……… 19

2.3.5 Kết luận 23

Chương 3 KỸ THUẬT LẬP TRÌNH DSPES 24

3.1 Cơ sở kỹ thuật xây dựng phần mềm 24

3.1.1 Mô hình xây dựng phần mềm 25

3.1.2 Ngôn ngữ hợp nhất UML 25

3.1.3 Ngôn ngữ lập trình 26

3.1.4 Cơ sở dữ liệu 26

3.1.6 Kỹ thuật MultiThread 26

3.2 Xây dựng phần mềm 26

3.2.1 Đặc tả và phân tích yêu cầu bài toán 27

3.2.2 Use Case 29

3.2.3 Class 32

3.2.4 Thiết kế Database 35

3.2.5 Đánh giá 37

3.3 Vấn đề đồ án cần giải quyết 37

3.4 Kết luận ……… 37

Chương 4 NHỮNG SỬA ĐỔI BỔ SUNG 38

4.1 Ánh xạ kết quả 38

4.1.1 Tại sao phải ánh xạ kết quả? 38

4.1.2 Những khó khăn trong việc ánh xạ 39

4.1.3 Phương hướng giải quyết và cài đặt 40

4.2 Tool lựa chọn 46

4.2.1 Ra quyết định trong hoàn cảnh chắc chắn 46

4.2.2 Ra quyết định trong hoàn cảnh không chắc chắn 47

4.2.3 Cài đặt 49

4.3.4 Kết quả 50

4.3 Kết luận ……… 51

Chương 5 NÂNG CẤP 52

5.1 Đặt vấn đề ……… 52

5.2 Phương pháp giải 52

5.3 Thiết kế và cài đặt 53

5.4 Kết quả ……… 57

5.5 Kết luận ……… 59

Chương 6 KIỂM THỬ CHƯƠNG TRÌNH 60

6.1 Giới thiệu bài toán kiểm thử 60

6.1.1 Dự án thực tế 60

6.1.2 Số liệu đầu vào 60

6.1.3 Công nghệ và các phương án cung cấp năng lượng 61

6.1.4 Đồ thị của các hệ thống con 62

6.2 Giới thiệu các giao diện chính của chương trình 63

6.3 Kết luận ……… 66

Chương 7 KẾT LUẬN 67

7.1 Các kết quả đạt được 67

7.2 Hướng phát triển 68

7.3 Ứng dụng ……… 68

TÀI LIỆU THAM KHẢO 69

DANH MỤC BẢNG

5 6.1 Công nghệ và các phương án cung cấp năng lượng 65

DANH MỤC HÌNH VẼ

1 Hình 2.1: Mô hình ra quyết định của bài toán quy hoạch năng

3 Hình 2.3: Mô hình định lượng của bài toán tối ưu động 6

4 Hình 2.4: Mô hình định lượng của bài toán tối ưu tĩnh 7

5 Hình 2.5: Hàm liên thuộc của một điều kiện biên Fuzzy 13

6 Hình 2.6: Lời giải của bài toán tối ưu tĩnh đa mục tiêu bằng phương

10 Hình 2.10: So sánh N số Fuzzy dạng tam giác theo phương pháp

18 Hình 3.8: Quan hệ giữa các bảng trong cơ sở dữ liệu 38

24 Hình 4.6: Quan hệ giữa các lớp cài đặt nhiệm vụ tối ưu tĩnh đa mục

25 Hình 4.7: Tiến trình xử lí trong hàm Solve() của lớp DDPPDistance 45

26 Hình 4.8: Tiến trình xử lí một giai đoạn trong lớp DDPPDistance 46

27 Hình 4.9: Tiến trình giải trong phương thức SolveDistance() của

28 Hình 4.10: Quan hệ giữa các lớp trong xử lí ánh xạ 48

29 Hình 4.11: Form hiển thị kết quả trong ánh xạ mờ 49

32 Hình 4.14: Form hiển thị kết quả trong phần ánh xạ không mờ 54

33 Hình 5.1: Phương pháp minmax với các hệ số ưu tiên khác nhau 57

34 Hình 5.2: Quan hệ với các đối tượng khác của đối tượng SimplexF 59

35 Hình 5.3: Biều đồ trình tự giải bài toán tối ưu tĩnh đa mục tiêu 60

36 Hình 5.4: Quan hệ giữa lớp CDDPPWeight với các lớp khác 61

39 Hình 5.7: Kết quả ánh xạ khi giải bài toán bằng trọng số 63

44 Hình 6.5: Nhập và chỉnh sửa năng lượng tiêu dùng 70

45 Hình 6.6: Giao diện nhập đồ thị của chương trình 71

46 Hình 6.7: Form lựa chọn lời giải trong hoàn cảnh không chắc chắn 71

47 Hình 6.8: Form lựa chọn lời giải trong hoàn cảnh chắc chắn 72

Chương 1 MỞ ĐẦU

1.1.Đặt vấn đề

Trong điều kiện nền kinh tế cũng như đời sống xã hội đang có sự phát triển nhanh chóng, bài toán lập kế hoạch dài hạn việc phân bố năng lượng cho một khu vực là một bài toán rất thực tế Nhiều công trình nghiên cứu đã đi sâu vào các vấn đề cung cấp năng lượng và thu được những thành công đáng kể Một trong những công trình nghiên cứu mang tính ứng dụng cao là hệ thống hệ trợ giúp quyết định “Decision Support System for Planning of Energy Supply” (DSPES), luận án tiến sỹ của tiến sỹ Phạm Thiếu Nga ra đời năm 1999 Đây là một hệ trợ giúp quyết định trong quá trình kế hoạch hóa tổng thể việc phân bố năng lượng của khu vực DSPES có tính ứng dụng cao

do đã được kiểm thử qua các số liệu thực tế trên 2 thành phố của Đức

Dưới sự hướng dẫn của TS Phạm Thiếu Nga – tác giả đề tài DSPES nhóm DSS(K46 – CNTT – ĐHXD) đã tiến hành tìm hiểu hệ thống hệ TGQĐ để phát triển hệ thống DSPES phiên bản 2.0 và phiên bản 2.1 Hai phiên bản này được phát triển nhằm đáp ứng các đòi hỏi mới của sự phát triển công nghệ và đã đạt được những kết quả nhất định, tuy vẫn còn những hạn chế, tồn tại Trong đồ án này, em đã khắc phục một số vấn

đề còn tồn tại ở các phiên bản trước và tiến hành nâng cấp, xây dựng phiên bản mới của hệ trợ giúp quyết định DSPES

1.2.Mục tiêu đề tài

Đề tài phải đạt được các yêu cầu sau:

a) Tìm hiểu hệ thống, tìm hiểu phương pháp xây dựng DSPES:

‘ Tìm hiểu mô hình ra quyết định

‘ Phương pháp giải bài toán tối ưu tĩnh

‘ Phương pháp giải bài toán tối ưu động

‘ Phương pháp giải bài toán tối ưu đa mục tiêu

‘ Kỹ thuật Fuzzy và các phương pháp tích hợp kỹ thuật Fuzzy vào bài toán tối ưu tĩnh và động

‘ Đặc tả và phân tích yêu cầu bài toán

‘ Nghiên cứu tài liệu về thiết kế và cài đặt phần mềm DSPES

c) Bổ sung hoàn thiện bộ chương trình DSPES2.1 d) Nâng cấp phiên bản mới DSPES2.2

e) Kiểm thử : Kiểm thử phần mềm bằng dữ thực tế do Viện Kỹ thuật

hệ thống trường đại học Kỹ thuật Tổng hợp ILMENAU cung cấp

1.3.Bố cục đồ án

Chương 1 Trình bày lý do chọn đề tài, nêu khái quát đề tài và ý nghĩa của nó Chương 2 Trình bày tóm tắt hệ thống bài toán, những vấn đề đã được giải

quyết và đưa ra vấn đề cần giải quyết

Chương 3 Kỹ thuật lập trình DSPES, quá trình cài đặt phần mềm đã được

thực hiện Nêu ra vấn đề đồ án cần giải quyết

Chương 4 Chỉnh sửa, hoàn thiện phần mềm, nêu ra các vấn đề cần được hoàn

thiện, các khó khăn gặp phải và đề xuất hướng giải quyết Tiến hành cài đặt

Chương 5 Nâng cấp phần mềm, nêu ra phương pháp trọng số Phương pháp

luận, ý nghĩa của phương pháp với thực tế Thiết kế và tiến hành cài đặt

Chương 6 Giới thiệu chương trình và kiểm thử

Chương 7 Kết luận, nhắc lại nhiệm vụ của đồ án, từ đó đưa ra những kết quả

đạt được, nêu hướng phát triển tiếp theo

Phụ lục: Hướng dẫn sử dụng phần mềm, tài liệu thiết kế chi tiết chương trình

(quyển riêng)

Chương 2 GIỚI THIỆU HỆ THỐNG

Một hệ trợ giúp quyết định (Decision Support System ‘ DSS) thường được hiểu là một hệ thống phần mềm “trợ giúp các giai đoạn sáng tạo trong quá trình lập kế hoạch

và gắn bó tương tác với sự hiểu biết của người dùng” nhằm nâng cao hiệu quả quá trình

ra quyết định đối với một vấn đề nào đó

Cùng với sự phát triển kinh tế, nâng cao chất lượng của cuộc sống, năng lượng đóng một vai trò hết sức quan trọng Từ những năm 80, việc sử dụng năng lượng của cộng đồng sao cho có hiệu quả và ít ô nhiễm môi trường đã trở thành vấn đề được rất nhiều quốc gia quan tâm tới DSPES (Decision Support System for Planning of Energy Supply) là một hệ trợ giúp quyết định quá trình kế hoạch hóa tổng thể việc phân bố năng lượng của khu vực Bên cạnh các đặc điểm chung của một hệ trợ giúp quyết định, DSPES còn có những đặc điểm riêng của một hệ trợ giúp quyết định trong phân hoạch năng lượng

Cũng giống như một bài toán hệ TGQĐ, bài toán trợ giúp việc phân bố năng lượng cũng được bắt đầu bằng việc tìm hiểu bài toán để xác định các mục tiêu, tập hợp được dữ liệu, định hình bài toán và xác định được các thủ tục tìm và duyệt

Bài toán

Lập kế hoạch dài hạn việc cung cấp năng lượng đáp ứng các loại nhu cầu của một khu vực liên tục phát triển trong phạm vi giới hạn của một số tài nguyên hạn chế với giá thành thấp nhất, tiết kiệm nguyên liệu nhất mà vẫn đảm bảo giảm thiểu ô nhiễm môi trường

Sau đây là phần trình bày về mô hình quyết định và phương pháp giải bài toán trên

2.1 Mô hình quyết định

2.1.1 Mô hình đa tầng, đa lớp[5]

Mô hình ra quyết định của bài toán được biểu diễn ở Hình 2.1 Đó là một mô hình đa tầng đa lớp:

Hình 2.1: Mô hình ra quyết định của bài toán hoạch định năng lượng

Đa tầng: Bài toán phân chia tài nguyên tối ưu này có thể được chia làm 2 tầng:

• Tầng trên là tầng chiến lược, xác định đường đi tối ưu qua nhiều giai đoạn

• Tầng dưới thực hiện việc phân chia tối ưu nguồn tài nguyên mà vẫn đảm bảo đáp ứng nhu cầu năng lượng của từng hệ thống con

Đa lớp: Tầng dưới gồm hai lớp:

• Lớp dưới là các đơn vị quyết định cục bộ, có nhiệm vụ tối ưu cục bộ các hệ thống con

• Lớp trên là bộ điều phối Các hệ thống con có thể có những mối quan hệ trực tiếp (vào, ra) hoặc gián tiếp thông qua bộ điều phối Trong DSPES chỉ quan tâm đến mối quan hệ gián tiếp thông qua lượng tài nguyên hạn chế

Tác động qua lại giữa các tầng thông qua bốn bước hoạt động sau:

(1) Bước 1: Từ những đồ thị của các hệ thống con tạo ra đồ thị tổng của cả khu vực

(2) Bước 2: Ở tầng dưới diễn ra việc phân chia tài nguyên để xác định giá trị mỗi nút của đồ thị tổng tại mỗi giai đoạn

(3) Bước 3: Bằng quy hoạch động tại tầng trên, con đường tối ưu được xác định trong đồ thị tổng

(4) Bước 4: Từ con đường tối ưu của đồ thị tổng ánh xạ ra các đường tối ưu tương ứng tại các đồ thị của hệ thống con

Cụ thể là, một khu vực được phân chia thành nhiều khu vực con (subsystems) Mỗi hệ thống con sẽ được mô hình hóa dưới dạng một đồ thị Mỗi đồ thị được tạo bởi các giai đoạn và các phương án Phương án ở đây được hiểu là tập hợp các công nghệ được áp dụng Cả khoảng thời gian dài từ 20‘25 năm được chia thành nhiều giai đoạn, mỗi giai đoạn ví dụ 5 năm Mỗi phương án thực hiện được coi là một nút Tại mỗi chu

kỳ có thể tồn tại nhiều phương án, nghĩa là bao gồm nhiều nút Các nút giữa các chu kỳ được nối với nhau bởi các cạnh Tại thời điểm đầu tiên chỉ gồm một phương án nghĩa

là trạng thái hiện tại đang có, làm điểm xuất phát cho các phương án trong tương lai Một phương án là một mô hình cung cấp năng lượng

Mô hình cung cấp năng lượng gồm bốn lớp, liên hệ giữa các lớp là các hệ số (hiệu suất) f; di là lượng năng lượng sử dụng mà mỗi công nghệ CNi sinh ra

Lớp 1 là các đại lượng chung như năng lượng nguyên thủy, giá thành, khí thải Lớp 2 là các tài nguyên bị hạn chế, ví dụ lượng năng lượng mặt trời trong năm, trữ lượng nước để làm thuỷ điện, lượng tiền hạn chế cho một dự án, khối lượng khí thải được phép…

Lớp 3 là các công nghệ cung cấp năng lượng cho người tiêu dùng

Lớp 4 là nhu cầu của người tiêu dùng ( nhiệt để sưởi, nước nóng, ánh sáng, nhu cầu dân dụng, nhu cầu sản xuất…) và d là thành phần vectơ điều khiển mô hình

Hình 2.2: Mô hình cung cấp năng lượng Như vậy, xuất hiện hai bài toán tối ưu trong DSPES: Bài toán tối ưu động và bài toán tối ưu tĩnh Hai bài toán này được mô hình hóa dưới dạng các mô hình định lượng như sau:

Mô hình định lượng của bài toán tối ưu động

Hình 2.3: Mô hình định lượng của bài toán tối ưu động Với :

xti : trạng thái của hệ thống con i trong chu kỳ t, xti = j, j=1(1)J

uti : cạnh nối giữa hai nút của hệ thống con i

r0 : giới hạn tài nguyên cho toàn bộ hệ thống tại mỗi chu kỳ

ri : lượng tài nguyên điều phối cho hệ thống con i tại mỗi chu kỳ

Qua mô hình định lượng của bài toán tối ưu động chúng ta có thể nhìn thấy rằng hệ thống sẽ xử lí dựa vào các trạng thái của hệ thống con trong các chu kỳ và cạnh nối giữa hai nút của hệ thống con để tối ưu theo ràng buộc của tài nguyên hạn chế điều phối cho hệ thống con

Mô hình định lượng của bài toán tối ưu tĩnh

Hình 2.4 : Mô hình định lượng của bài toán tối ưu tĩnh Trong đó,

d :vectơ điều khiển, dij > 0

Chính sách về năng lượng

Giảm sự tiêu thụ năng lượng thô Cải thiện hiệu quả sử dụng Đảm bảo sự an toàn

Chính sách về môi trường Giảm khí thải

Giảm rác thải Chính sách về phát triển nhà và thành phố

Tối ưu địa phương Cải thiện tiện nghi nhà ở Phân định giá

Quy hoạch lại thành phố

Chính sách kinh tế

Tiết kiệm Giá cả hợp lý Thiết bị an toàn cho sinh hoạt Giảm phụ thuộc vào nhập khẩu Bảng 2.1: Mục tiêu của bài toán phân bổ năng lượng

Tuy nhiên, nếu đưa vào quá nhiều mục tiêu để xem xét thì bài toán trở nên cồng kềnh, phức tạp và không cần thiết Chúng ta chỉ xét tới những mục tiêu quan trọng nhất

và trực tiếp nhất liên quan tới vấn đề đặt ra

• Đáp ứng đủ năng lượng tiêu dùng cho xã hội với giá thành thấp nhất

• Giảm thiểu ô nhiễm môi trường

• Giảm thiểu sự tiêu tốn tài nguyên dữ trữ

Bài toán tối ưu hệ thống được thực hiện thông qua 2 bài toán con đó là bài toán tối ưu tĩnh trong phân chia tài nguyên và bài toán tối ưu động trong lập kế hoạch dài hạn Nghĩa là trong từng giai đoạn của hệ thống (giả sử 5 năm ) thì tại mỗi nút của đồ thị tổng được tối ưu tĩnh, và để có những phương án tối ưu cho cả quá trình phát triển của hệ thốngthì sử dụng tối ưu động

2.2 Phương pháp giải bài toán tối ưu tĩnh

2.2.1 Bài toán tối ưu tĩnh trong phân chia tài nguyên [3]

Hệ thống được chia thành nhiều hệ thống con, phụ thuộc vào đặc điểm của từng vùng như nhu cầu năng lượng (mật độ năng lượng), vị trí địa lý, tài nguyên, giao thông vận tải,… việc phân chia này quyết định bởi các nhà hoạch định năng lượng Các hệ thống con phải đảm bảo đủ năng lượng tiêu dùng tại khu vực đó, như đảm bảo đủ mạng lưới điện, nước, gas,… Mặt khác, để sản xuất ra các loại năng lượng này, các công nghệ sản xuất phải sử dụng nguồn tài nguyên (tài nguyên thô hoặc đã qua chế biến thô) Các nguồn tài nguyên này là hữu hạn, và đối với cả hệ thống nó chỉ có một lượng nhất định để phân chia cho các khu vực con, do đó các hệ thống con có quan hệ với nhau bằng các ràng buộc về tài nguyên hạn chế cho toàn bộ hệ thống Nhiệm vụ ở đây

là lựa chọn một phương án sao cho mục tiêu đặt ra hiệu quả tối ưu nhất có thể và thỏa mãn nguồn tài nguyên hạn chế

Bởi vì trong bài toán đang giải quyết, mục tiêu được đặt ra là giảm giá thành, giảm ô nhiễm môi trường và giảm tiêu tốn tài nguyên hạn chế, do đó bài toán tối ưu ở đây là bài toán giảm thiểu vectơ giá trị của các hàm mục tiêu

Miền xác định của bài toán là x ∈ X

Tất cả các hàm mục tiêu và ràng buộc là tuyến tính

z(x) = C x với C ‘ Ma trận hệ số hàm mục tiêu, C ∈ ℜm x n

CT = (c1,c2, ,cM)

| A x = b, x ≥ 0 }, Vậy, bài toán min { z(x) | x ∈ X } được gọi là bài toán tối ưu véc tơ tuyến tính, được biểu diễn như sau:

min z(x) = C x Với các ràng buộc là:

1

z c

d

N i

ij đ

d ‘ Vec‘tơ điều khiển , dij ≥0,

c,U ‘ Vec‘tơ, ma trận hệ số công nghệ,

A P Ma trận tổng hợp các thành phần công nghệ đáp ứng nhu cầu,

b ‘ Vec‘tơ nhu cầu năng lượng tiêu dùng

Yêu cầu đặt ra là tìm véctơ điều khiển d sao cho thỏa mãn các ràng buộc(2.1),(2.2),(2.3) và hàm mục tiêu z* trên toàn hệ thống đạt min

Ta thấy ngoài việc tìm vectơ điều khiển d chúng ta giải quyết các ràng buộc về nguồn tài nguyên hạn chế ri, ở đây ta mới biết tổng nguồn tài nguyên hạn chế của cả hệ thống mà không biết các ri trên các hệ thống con Trên thực tế để tìm các ri này người

ta có thể thiết lập các ràng buộc trên bàng các phương trình phi tuyến Tuy nhiên, để

xây dựng các hàm phi tuyến không phải là việc đơn giản, mặt khác chúng ta hoàn toàn

có thể dùng quy hoạch tuyến tính để giải quyết vấn đề trên bằng nhận xét sau:

‘ Các hàm mục tiêu của các hệ thống con là các hàm tuyến tính Vectơ c là vectơ hệ số chuyển đổi từ công nghệ tới mục tiêu đang xét, các phần tử của nó thể hiện hiệu suất của công nghệ đó để đạt mục tiêu, nên mỗi hệ số đó là một hằng số d là vectơ điều khiển, thể hiện lượng công nghệ được dùng, nên nó là một vectơ hằng

‘ Tương tự như vậy, các ràng buộc Ai * di = bi cũng là các phương trình tuyến tính, ở đây ma trận A là ma trận hệ số công nghệ với năng lượng tiêu dùng, nó cũng là thể hiện hiệu suất của công nghệ để sản xuất ra nguồn năng lượng tiêu dùng đó

Đây là một bài toán quy hoạch tuyến tính rất đặc trưng Để giải quyết vấn đề trên ta phải đi tổng hợp các phương án từ các khu vực con, (thể hiện qua các đồ thị con của hệ thống) sang khu vực tổng, (thể hiện bằng đồ thị tổng) Sau đó chúng ta sẽ tối ưu hóa các nút trên đồ thị tổng bằng cách giải bài toán tối ưu trên Phương pháp Simplex được sử dụng để giải bài toán này

2.2.2 Bài toán tối ưu tĩnh đa mục tiêu

Bởi vì hệ thống là ổn định trong mỗi giai đoạn nên việc tối ưu tĩnh đa mục tiêu

sẽ được thực hiện trong mỗi giai đoạn, trên mỗi nút của đồ thị tổng Trong đồ án của các nhóm trước đã chọn phương pháp khoảng cách để giải bài toán tối ưu đa mục tiêu tĩnh trong trường hợp số liệu chính xác và cách tích hợp kỹ thuật Fuzzy để giải quyết bài toán trong trường hợp xử lý với số liệu mờ

2.2.2.1 Giải bài toán tối ưu tĩnh đa mục tiêu với số liệu chính xác bằng phương pháp khoảng cách [5]

Trong phương pháp này, giả sử rằng các đích mà tất cả các mục tiêu đang hướng tới là những giá trị lý tưởng mà người ra quyết định mong muốn đạt được càng gần càng tốt

Bởi vì thông thường trong thực tế không thể tìm thấy lời giải thỏa mãn đồng thời nhiều mục tiêu Như vậy, sự xa rời điểm lý tưởng không thể tránh khỏi Khoảng cách từ một điểm tới điểm mong muốn được tính theo công thức sau:

p M

k

P k R

k x z xz

e

/ 1

1

)()

0z

ze

1

1

x,)

x()x(min

p / M

k

p k

R k

(2.4)

R –(Reference) Điểm tham chiếu

p=1 : ∑

=

−

= Mk

k

R

k (x) (x)1

zz

e

(2.5)

p=2:

2 1 2 1

zz

e

/ k

R k M k

))x()x(

M , ,

01w0z

zwe

1

1

1

x,,

,w

|)x()x(

|min

M k k

p / M

k

p k

UT k k

(2.8) Với wk là hệ số ưu tiên (trọng số)

UT: Điểm lý tưởng

Với p ∞ ,theo (2.7) trên chuẩn Tschebyscheff, ta có phương pháp minimax:

w0z

zwe

1

x,,

w

|)x()x(

|max

min

M k k k

UT k k

(2.9) Tăng trọng số wk trong công thức (2.8) là nhằm mục đích tăng tính quan trọng của zk(x)

Để trung lập giữa các mục tiêu, thuật ngữ “khoảng cách tương đối” được sử dụng:

0,)(z,)

(z

)(z)(z

)

(

R k k

R k

x

xx

x

(2.10) Hàm khoảng cách có các tiện lợi sau so với phương pháp trọng số và phương pháp tối ưu từng bước, vì:

• Lời giải tối ưu có khoảng cách ngắn nhất so với điểm lý tưởng nên người

ra quyết định dễ hình dung ra lời giải thỏa hiệp của họ đang ở vị trí nào

• Không cần chuẩn hóa đơn vị

• Có thể mở rộng phương pháp bằng trọng số

Với những yêu cầu đặt ra cho một bài toán thực hiện với dữ liệu rõ thì phương pháp này là thích hợp, và thực tế thì các bài tốt nghiệp trước đã sử dụng phương pháp này để tối ưu

2.2.2.2 Xử lý số liệu mờ bằng kỹ thuật Fuzzy [4]

Do số liệu thu thập từ thực tế phải trải qua nhiều quá trình phức tạp, nhiều số liệu phải phỏng đoán cho tương lai, nên sẽ có những sai lệch nhất định Để xử lý những thông tin mờ kỹ thuật Fuzzy đã được sử dụng khi giải bài toán Phương pháp được sử dụng ở đây là phương pháp Zimmermann

Bài toán:

Z = cTx → min

X ≥ 0, x ∈ Rn Zimmermann xem các mối quan hệ =, <, > … là các quan hệ mờ với các hàm liên thuộc tuyến tính và từ đó đề xuất cách giải như sau:

a) Thay thế các giới hạn bằng các quan hệ mờ phù hợp có dạng ” thường thì nhỏ hơn, cao nhất là bằng”

Trong trường hợp đơn giản nhất ta có thể mô tả quan hệ trên bằng những hàm liên thuộc trong giới hạn [bi, bi + di], i = 1,2, ,R ,trong đó bi là các hàm thành phần của véc‘tơ b và di là các thành phần của véc‘tơ d được cho trước bởi người dùng Véc‘tơ này cho biết bi được phép giao động trong khoảng nào Hàm liên thuộc của phần tử thứ

i

i i i i

i

i i

i i

i

)(Adb , 0

db)(Ab , d

b

‘)(A1

b)(A , 1)

(A

x

xx

xx

i

∀i, i= 1,2,…,R Với hàm liên thuộc đó ta có hình mô tả như sau:

Hình 2.5: Hàm liên thuộc của một điều kiện biên Fuzzy

b) Thay thế yêu cầu tối ưu bằng yêu cầu rằng hàm mục tiêu z(x) không được vượt quá một giới hạn zs, cho trước giới hạn này có thể xác định nhờ giải bài toán tối ưu cho trường hợp “xấu nhất”: Ax = b + d

Như vậy bài toán tối ưu (2.11) có dạng đối xứng: Tiêu chuẩn tối ưu và điều kiện biên có cùng cùng một cấu trúc toán học:

Z = cTx ≤ zS

x ≥ 0 Giới hạn z(x) ≤ zS được coi là quan hệ mờ nhờ hàm liên thuộc tuyến tính:

zxcz ,zz

z)xc(1

zxc 1

)xc(

T S

S T 0 0

S 0 T

0 T

T Z

Hiệu zS – z0 tạo ra giới hạn d0 Đồ thị của #Z(cTx) tương tự như của #i(Ax)i Với λ =#L(x),0 ≤ λ ≤ 1, bài toán sẽ có dạng:

λ→ max sao cho: λ ≤#Z(x)

λ ≤#S(x)

#

0 1

Với (2.12) và (2.14) lời giải bài toán trên hoàn toàn tương ứng với lời giải của bài toán sau:

λ→ max

λd +Ax ≤ b + d

λd0 + cTx ≤ z0 + d0 (2.15)

x ≥ 0, 0 ≤λ ≤ 1 trong đó λ là độ hài lòng của giá trị tối ưu x*

Masatoshi Sakawa đã chứng minh rằng những vấn đề tối ưu với điều kiện biên

Ax ≥ b hoặc Ax = b đều có thể giải như với điều kiện Ax ≤ b

Áp dụng phương pháp Zimmermann để giải bài toán tối ưu đa mục tiêu

Ở trên ta đã trình bày cách giải bài toán tối ưu mờ đơn mục tiêu của Zimermann Bằng cách này cũng hoàn toàn có thể giải được bài toán tối ưu với nhiều hàm mục tiêu tuyến tính Để tìm được hàm liên thuộc của các hàm mục tiêu trong bài toán tối ưu đa mục tiêu tuyến tính (MODM), Lai và Hwang đã đề xuất cách xác định chúng từ các giá trị của bảng quyết định:

)(z)(z)(

*z , )(

*z

‘)(

z

)(z

‘)(

'

z

)(z)(z , 1)

(

k k

' k k

k k

'

k

k k

* k k

Zk

xx

xx

xx

x

xx

xx

x

Trong đó:

zk*(x) – Giá trị tối ưu riêng của hàm thứ k’

zk’(x) ‘ Giá trị lớn nhất của mỗi cột trong bảng quyết định (bảng 2.2) nếu zK(x)→min

hoặc giá trị nhỏ nhất của mỗi cột trong bảng quyết định nếu zK(x)→max

z’k(x) – z*k(x) = d0 Mục tiêu 1 Mục tiêu 2 Mục tiêu

Với (2.13) thì giải bài toán (2.16) Tương đương giải bài toán sau:

λ → max

λλλλd +Ax ≤≤≤≤ b + d

x ≥ 0, 0 ≤ λ ≤ 1

Hình 2.6: Lời giải của bài toán tối ưu tĩnh đa mục tiêu bằng phương pháp Fuzzy

2.3 Giải quyết bài toán động đa mục tiêu

2.3.1 Bài toán tối ưu động trong lập kế hoạch dài hạn

Bài toán tối ưu động được thực hiện tại tầng chiến lược của hệ thống nhằm xác định quỹ đạo phát triển cho một khoảng thời gian dài (từ 20‘25 năm) gồm nhiều giai đoạn Bài toán có dạng như sau :

i

ti

QuxQ

1 1

),(min

t N

‘ N ‘ Là số khu vực con, T số giai đoạn

‘ xti ‘ Trạng thái của hệ thống con i trong giai đoạn t

‘ uti ‘ Cạnh nối giữa 2 nút của hệ thống con I trong giai đoạn t

‘ r0t ‘ Giới hạn tài nguyên cho toàn bộ hệ thống tại mỗi giai đoạn

‘ rtiK ‘ Lượng tài nguyên điều phối cho hệ thống con I tại mỗi giai đoạn

), ,,

( t 1 K t 2 K tNK tiK r r r

2.3.2 Giải bài toán tối ưu động đa mục tiêu

Các vấn đề lập kế hoạch trên một khoảng thời gian dài bản thân nó đã mang tính chất động Bài toán của chúng ta là bài toán đa mục tiêu Để giải bài toán này ta áp dụng phương pháp quy hoạch Pareto động rời rạc (discrete dynamic Pareto programming, viết tắt là DDPP: Cải tiến quy hoạch động rời rạc theo nguyên tắc tập hợp Pareto [5]

Nguyên tắc Pareto được phát biểu là: Nếu một lựa chọn có một giá trị tốt nhất hoặc không tồi hơn các giá trị trong lựa chọn khác thì nó thuộc vào tập hợp Pareto

Hình 2.7: Tập hợp Pareto trong ℜ2

Bài toán phát triển nhiều bước trong dự án này là đa mục tiêu Để thực hiện cách tính ngược Bellman, cần phải đánh giá tất cả các cạnh của đồ thị Sau khi tối ưu tĩnh trên mỗi giai đoạn, mỗi cạnh của đồ thị sẽ có một véc tơ giá trị các hàm mục tiêu Nếu sử dụng phương pháp trọng số các giá trị này có thể được kết hợp với mức ưu tiên thành một giá trị thay thế Nhưng phương pháp này chỉ xác định được các điểm trên miền lồi của tập Pareto Do đó, các lời giải khả thi không nằm trên miền lồi có thể bị

bỏ qua Trong khi đó, miền kết quả của bài toán nhiều giai đoạn này có thể là một số điểm rời rạc không nằm trên miền lồi Do đó, phương pháp trọng số ưu tiên không thích hợp cho việc đánh giá các cạnh trên đồ thị

Nếu đánh giá mỗi cạnh của đồ thị tổng vẫn dựa trên véc tơ, để xác định các cạnh tối ưu theo Pareto cần cải tiến phương pháp tính ngược Bellman Nguyên tắc cơ bản của phương pháp tính ngược vẫn không thay đổi, quá trình tối ưu vẫn được thực

hiện theo cách cũ Sự khác nhau nằm ở cách chọn lời giải tối ưu Nguyên tắc chọn theo Pareto là: Nếu một lựa chọn có một giá trị tốt nhất hoặc không tồi hơn các giá trị trong lựa chọn khác thì nó thuộc vào tập hợp Pareto Quay lại với bài toán của chúng ta, xét một nút, và các cạnh xuất phát từ nút đó, nếu một cạnh có một mục tiêu mà giá trị mục tiêu là nhỏ nhất thì cạnh đó thuộc tập hợp Pareto Bởi vì phương pháp này không phụ thuộc vào trọng số, các điểm tối ưu Pareto không nằm trong miền lồi vẫn có thể được tìm ra Ví dụ sau minh họa quá trình thực hiện DDPP

Hình 2.8: Đồ thị tổng với các véc tơ giá trị Ngược lại với cách tính ngược Bellman, DDPP đưa ra nhiều hơn một kết quả Sau đây là quá trình giải bài toán trên bằng phương pháp DDPP

Q

Qua các kết quả đạt được chúng ta có nhiều hơn một kết quả tối ưu

2.3.3 Tích hợp kỹ thuật Fuzzy để giải bài toán tối ưu động với thông tin mờ [4]

Để giải được bài toán tối ưu động và rời rạc bằng kỹ thuật Fuzzy cần cải tiến nguyên tắc BELLMAN Khi đó nảy sinh hai câu hỏi sau đây:

− Phép biến đổi giữa các chu kỳ trong sơ đồ mạng sẽ diễn ra như thế nào nếu giá trị các nút là các số Fuzzy, nghĩa là bên cạnh một giá trị xác định còn có độ hài lòng tương ứng?

− Làm thế nào để xác định được con đường nào tốt hơn nếu giá trị của các con đường đó là các số Fuzzy?

a) Trả lời câu hỏi thứ nhất ta có thể dùng nguyên lý mở rộng của ZADEH đối với các số Fuzzy (ZADEH 1975)

Phép biến đổi giữa các chu kỳ trong sơ đồ mạng là phép cộng các giá trị của từng nút, nếu với số rõ thông thường thì không có vấn đề gì nhưng bây giờ chúng ta phải cộng các số mờ Trong nhiều phương pháp cộng các số mờ thì nguyên lý mở rộng của Zadeh đối với các số Fuzzy là phương pháp tương đối hiệu quả và là nền tảng cho mọi phép biến đổi khác Trước tiên chúng ta xem xét qua nội dung nguyên lý mở rộng của Zadeh sau:

Cho trước:

(i) Tập hợp X1, , Xn, Y

(ii) n tập mờ Ai thuộc Xi, với các hàm quan hệ thành viên #i(x), i =1, ,n (iii) một hàm f : X x x X → Y, trong đó (x , ,x ) → y = f(x, ,x ) và y∈Y

Thì ánh xạ f(A1, ,An) đưa lại một tập mờ B thuộc Y với

B = {(y, #B(y)) | y = f(x1, ,xn), (x1, ,xn) ∈ X1 x x Xn}, (2.19a) trong đó hàm quan hệ thành viên #B(y) có dạng:

)x, ,f(xyNÕu )),(x), ,(xmin(

Sup

B

n 1

n 1

#

#

Theo nguyên lý mở rộng của Zadeh áp dụng cụ thể cho bài toán này chúng ta

sử dụng phép cộng và hàm f ở đây là hàm cộng 2 số fuzzy 2 số mờ tam giác có dạng

A1 = (c1, a1, d1, h1) và A2 = (c2 ,a2 ,d2 ,h2) thì hàm liên số mờ B = A1 + A2 có dạng B = (c,a,d,h) với điều kiện :

‘ c = c1 + c2

‘ a = a1 + a2

‘ d = d1 + d2

‘ h =min( h1, h2)

ví dụ: cho 2 số mờ tam giác A1 = (1,3,5,0.6) và số mờ A2 = (2,5,6,0.8) ta có B =

A1 +A2 được biểu diễn thông qua hình 2.9

Hình 2.9 Biểu diễn số mờ B = A1 + A2

B = (3,8,11,0.6)

Vậy vấn đề áp dụng nguyên lý mở rộng của Zadeh vào quy hoạch động khi tính giá trị của hàm cộng đã hoàn toàn thực hiện được

b) Trả lời câu hỏi thứ hai ta có thể dùng phương pháp sắp xếp các số Fuzzy của CHEN [1]

Để có quyết định hợp lý, điều cần thiết đầu tiên là cụ thể hoá mục tiêu của người ra quyết định, sau đó đánh giá các phương án theo tiêu chuẩn của các mục tiêu này Các phương án thường được đánh giá theo giá trị sử dụng của nó Trong trường hợp lý tưởng, nếu mỗi phương án ai có thể được đánh giá chính xác thông qua một giá trị sử dụng u(ai) thì ta sẽ có mối quan hệ sau:

ai aj ⇔ u(ai) > u(aj) (2.20a)

Ý tưởng chính của các phương pháp sắp xếp các số Fuzzy là với mỗi phương án

ai cần tính toán được một giá trị quan hệ thành viên để thoả mãn mối quan hệ:

ai aj ⇔ #C(i) > #C(j) (2.20b) CHEN đề xuất cách tính giá trị quan hệ thành viên đó như sau:

Sup

U u

UInfUSup

UInf

UInfUSup

uUSup

, dua , )d(a

)d(uh

, auc , )c(a

)c(uh

i i

i i

i i

i i

i i

Ai

u u

, )u

‘(u

)u

‘h(u

min max

min M

u

u u

, )u

‘(u

)u

‘h(u

max min

max M

với h = Inf hi, umin = Inf S, umax = Sup S, S =

n

1 i i

S

=, Si = {u | #Ai(u) > 0} (2.27c)

Hình 2.10 : So sánh N số Fuzzy dạng tam giác theo phương pháp của CHEN

Từ (2.22) và (2.23) ta có

)dh(a)u(u

h

)u(dh.h(u))

(u)(

Sup(i)

i i min

max i

min i i M

Ai U u

)ch(a)u(u

h

)c(uh.h(u))

(u)(

Sup(i)

i i min

max i

i max i G

Ai U u

−

−+

cuh

1)dh(a)u(uh

ud2

h.h(i)

i i min

max i

i max

i i i min max i

min i i

d1; h1) và A2 = (c2, a2, d2; h2) áp dụng phương pháp so sánh số Fuzzy tam giác của CHEN ta có

h = min(h1, h2)

umax = max(d1, d2)

umin = min(c1, c2)

và các hàm liên thuộc được tính như sau:

Hàm liên thuộc của A1:

−

−

−+

)(

1)(

)(

2

*)

1

(

1 1 min

max 1

1 max

1 1 1 min

max 1

min 1 1

cahu

uh

cuh

dahu

uh

udh

hT

−

−

−+

)(

1)(

)(

2

*)

2

(

2 2 min

max 2

2 max

2 2 2 min

max 2

min 2 2

cahu

uh

cuh

dahu

uh

udh

hT

Trong chương này chúng ta đã đi vào tìm hiểu hệ thống, mô hình quyết định của

hệ thống, các lý thuyết áp dụng cho việc giải bài toán Đó chính là những điều kiện tiên quyết để ta tiến hành tìm hiểu về kỹ thuật lập trình DSPES cũng như hướng đến mục tiêu nâng cấp phiên bản

Chương 3 KỸ THUẬT LẬP TRÌNH DSPES

Trong kỷ nguyên công nghệ thông tin hiện nay, áp dụng các công cụ phần mềm vào các bài toán thực tế là một xu hướng của sự phát triển công nghệ Việc áp dụng công nghệ thông tin vào việc lập kế hoạch dài hạn việc phân bố năng lượng cũng không nằm ngoài xu hướng đó Phần mềm DSPES (Decision Support System for Planning of Energy Supply) ra đời nhằm thay thế việc tính toán thủ công bài toán lập

kế hoạch dài hạn việc phân bổ năng luợng cho khu vực

DSPES 1.0 là một sản phẩm phần mềm trợ giúp quyết định trong việc lập kế hoạch dài hạn việc phân bổ năng lượng Được xây dựng từ năm 1999, DSPES version 1.0 xây dựng trên ngôn ngữ lập trình Delphi và cơ sở dữ liệu DBase Tuy nhiên với sự phát triển nhanh chóng của ngành công nghệ phần mềm thì DSPES 1.0 cần phải nâng cấp để dễ dàng tích hợp với các hệ thống phần mềm phổ biến hiện nay

DSPES 2.0 được phát triển theo mô hình phù hợp với khả năng nâng cấp mở rộng liên tục và bằng những kỹ thuật, công cụ lập trình mới nhất chứng minh tính khả thi của mô hình thiết kế này

DSPES 2.1 được phát triển dựa trên nền tảng phần mềm DSPES 2.0 khắc phục một số yếu điểm của phần mềm DSPES 2.0 Các yếu điểm của DSPES 2.0 được phát hiện ra trong quá trình phát triển đó là việc xử lý với số liệu lớn mà không sử dụng kỹ thuật multithread để hạn chế việc chương trình ngừng giữa chừng, tận dụng hiệu quả tài nguyên của máy Ngoài ra DSPES2.1 đã đề cập đến việc xử lý các thông tin mờ do việc thu thập số liệu đưa lại, giúp cho người ra quyết định có thêm sự lựa chọn cho quyết định của mình

Trong hai phiên bản DSPES 2.0 và DSPES 2.1, nhóm DSS đã thực hiện cài đặt các module nhằm giải quyết hai bài toán phân chia tài nguyên tối ưu và bài toán quy hoạch động đa mục tiêu Kết quả đã đưa ra được con đường tối ưu của cả hệ thống Tuy nhiên, trong hai phiên bản này còn có một số thiếu sót đòi hỏi hoàn thiện bổ xung

và nâng cấp

Sau đây sẽ trình bày một số cơ sở kỹ thuật để xây dựng phần mềm DSPES và hệ thống phần mềm DSPES phiên bản trước

3.1 Cơ sở kỹ thuật xây dựng phần mềm [3] [4]

Các công nghệ, công cụ và kỹ thuật được trình bày gồm:

Mô hình xây dựng phần mềm Ngôn ngữ mô hình hợp nhất UML

Ngôn ngữ lập trình

Cơ sở dữ liệu Tool xây dựng bộ cài

Hình 3.1: Mô hình lặp tăng dần

3.1.2 Ngôn ngữ hợp nhất UML

Với mô hình phát triển phần mềm nêu trên, điều cần thiết để có thể lặp được đó

là một bản phân tích thiết kế dành cho chương trình Trên thế giới có rất nhiều chuẩn

để xây dựng một bản phân tích thiết kế dành cho phần mềm, trong đó việc phân tích thiết kế phần mềm thông qua chuẩn UML2.0 là một lựa chọn tốt cho tương Chương

Chu Kỳ con 1

Phân tích yêu cầu và tài liệu đặc

Kiểm thử (Test)

Chu Kỳ con 2

Phân tích yêu cầu và tài liệu đặc

Kiểm thử (Test)

Chu Kỳ con cuối cùng

trình này cũng chưa là một chương trình hoàn thiện tất cả các chức năng, giao diện nên việc cần phải có bản thiết kế tốt là điều tất yếu việc sử dụng ngôn ngữ hợp nhất UML

là sự lựa chọn đúng cho việc phát triển này

3.1.3 Ngôn ngữ lập trình

Việc chọn ngôn ngữ lập trình cho chương trình là một vấn đề phức tạp cần xem xét đến nhiều điều kiện khác nhau từ con người, quy mô, tài chính… vấn đề chọn ngôn ngữ lập trình cho DSPES2.0, DSPES2.1 là ngôn ngữ C# nên với điều kiện hạn chế về lập trình nên phần mềm chọn C# là ngôn ngữ để viết là việc làm đúng đắn C# là một ngôn ngữ lập trình chặt chẽ về cấu trúc, số từ khóa ít lại hỗ trợ mạnh tới các hệ quản lý

cơ sở dữ liệu của Microsoft … nên việc dùng C# để lập trình sẽ mất ít thời gian và công sức cho người lập trình viên

3.1.4 Cơ sở dữ liệu

Với việc DSPES2.0, DSPES 2.1 sử dụng hệ quản trị cơ sở dữ liệu MS SQL server cho việc lưu cơ sở dữ liệu cho mình Tuy rằng MS SQL server cần phải đầu tư ban đầu khá lớn nhưng với cơ sở dữ liệu của một hệ trợ giúp thì việc đó là cần thiết do

cơ sở dữ liệu của một hệ trợ giúp quyết định là rất lớn nên cần một hệ quản trị cơ sở dữ liệu đủ mạnh để lưu trữ và xử lý

3.1.5 Kỹ thuật multilanguage

Với việc toàn cầu hóa hiện nay thì ngôn ngữ là vấn đề quan trọng trong sự phát triển, một phần mềm muốn vươn xa được thì cần phải hỗ trợ nhiều ngôn ngữ khác nhau Kỹ thuật này cũng được DSPES2.0, DSPES 2.1 áp dụng và dần hoàn thiện

3.1.6 Kỹ thuật MultiThread

Với những bộ máy PC hiện nay tốc độ lớn nhưng đi kèm với nó không biết bao chương trình đang tiêu tốn tài nguyên của máy làm cho máy chạy chậm đi trông thấy

và hiện tượng treo xảy ra Khi đó chương trình sẽ làm việc không tốt nữa và gây những

ác cảm tới chương trình và hoài nghi kết quả tính toán của chương trình Để một chương trình chạy trơn tru là điều không dễ khi làm việc với dữ liệu lớn vậy vấn đề cần phải xem xét đến đó là việc hạn chế tối đa những việc trên thông qua kĩ thuật lập trình MultiThread

‘ Các Class

‘ Đánh giá

3.2.1 Đặc tả và phân tích yêu cầu bài toán

3.2.1.1 Bài toán

a) Phát biểu bài toán:

Lập kế hoạch dài hạn việc cung cấp đáp ứng các loại nhu cầu năng lượng của một khu vực liên tục phát triển trong phạm vi giới hạn của một số tài nguyên hạn chế với giá thành thấp nhất, tiết kiệm nguyên liệu nhất mà vẫn đảm bảo giảm thiểu ô nhiễm môi trường

b) Các dữ liệu đầu vào

Các dữ liệu đầu vào cho chương trình gồm có:

• Số nhu cầu năng lượng tiêu dùng

• Số công nghệ thỏa mãn nhu cầu năng lượng

• Lựa chọn giữa giải bài toán với số liệu chính xác và số liệu mờ

• Lượng năng lượng tiêu dùng đối với từng nhu cầu, tại mỗi giai đoạn, đối với từng khu vực con và dung sai của nó (nếu người dùng chọn xử lý với số liệu mờ)

• Giới hạn của từng tài nguyên bị hạn chế trên phạm vi toàn khu vực và dung sai của nó (nếu người dùng chọn xử lý với số liệu mờ)

• Đồ thị cụ thể của từng khu vực

• Mỗi phương án là tập hợp các công nghệ có thể sử dụng để đáp ứng từng loại nhu cầu tiêu dùng năng lượng

• Hệ số công nghệ

c) Yêu cầu: Giải quyết bài toán tối ưu tĩnh và động với hai trường hợp số liệu chính xác và số liệu mờ

3.2.1.2 Phân tích yêu cầu bài toán

Từ đặc tả yêu cẩu chúng ta có thể hình dung được yêu cầu xây dựng chương trình phải thỏa mãn các yêu cầu sau:

(1) Quản lý dữ liệu đầu vào của bài toán (Nhập , xuất, xửa chữa, xóa , truy vấn

dữ liệu)

• Danh sách công nghệ, mỗi công nghệ bao gồm các hệ số chuyển đổi tới tài nguyên hạn chế, năng lượng tiêu dùng, mục tiêu, và các thông tin khác về công nghệ (tên, đặc điểm ) vì thế để quản lý được cần phải quản lý được cả danh sách các tham số công nghệ (cộng nghệ‘Tài nguyên hạn chế, công nghệ‘Mục tiêu, công nghệ‘Năng lượng tiêu dùng)

• Danh sách các mục tiêu

• Danh sách các Tài nguyên hạn chế và danh sách tham số tương ứng Mỗi tài nguyên hạn chứa thông tin về lượng tài nguyên tối đa được dùng cho mỗi giai đoạn do đó mà mỗi tài nguyên hạn chế có một danh sách tham số (chính là lượng tài nguyên tối đa dùng tại mỗi giai đoạn của hệ thống)

• Danh sách các Năng lượng tiêu dùng và các danh sách tham số tương ứng Tương tự như tài nguyên hạn chế Ở mỗi một giai đoạn thì nhu cầu năng lượng tiêu dùng cũng khác nhau vì thế cũng có danh sách tham số (năng lượng tiêu dùng ở các giai đoạn) kèm theo

• Danh sách đồ thị : mỗi khu vực con sẽ một đồ thị trên đồ thị có nhiều cạnh như vậy để quản lý được đồ thị phải tính đến việc quản lý các cạnh của đồ thị

• Các phương án : phải quản lý được các công nghệ thuộc phương án

(2) Giải bài toán với số liệu chính xác [3]

(3) Giải bài toán với số liệu mờ [4]

(4) Quản lý dữ liệu đầu ra của bài toán :

• Lưu trữ được kết quả bài toán sau khi giải, việc lưu trữ này đảm bảo tính tối ưu của chương trình khi mà dữ liệu đầu vào không thay đổi thì việc giải lại là không cần thiết Đồng thời khi người sử dụng muốn xem lại kết quả của bất kỳ bài toán nào đã được giải trước đó thì có thể truy xuất ngay kết quả mà không cần giải lại

• Cung cấp công cụ để nhìn được chi tiết các kết quả của bài toán Các kết quả sau khi giải gồm rất nhiều lựa chọn theo các mục tiêu khác nhau Một cách nhìn kết quả thân thiện cho người sử dụng là một tiện ích tốt

• Cung cấp công cụ lựa chọn kết quả Việc cung cấp bộ lọc kết quả giúp người sử dụng có thể nhìn kết quả dưới nhiều góc độ và dễ dàng lựa chọn

(5) Quản lý dữ liệu động trong quá trình tiến hành giải bài toán

Trong quá trình giải bài toán yêu cầu lưu trữ dữ liệu trung gian là rất lớn và tăng theo cấp số nhân với số phương án và giai đoạn tại mỗi khu vực con Vì thế việc quản

lý dữ liệu động trong quá trình tiến hành giải bài toán là một yêu cầu quan trọng đảm bảo chất lượng của chương trình

(6) Các yêu cầu khác :

• Chương trình có chế độ multilanguage giúp người sử dụng lựa chọn ngôn ngữ phù hợp với ngôn ngữ của mình qua đó tăng cao tính thân thiện của chương trình

• Trong khi đang tiến hành giải bài toán có thể tiến hành đồng thời việc thay đổi

dữ liệu của một bài toán khác

• Cung cấp khả năng Import/Export toàn bộ dữ liệu (dữ liệu vào và kết quả giải bài toán) theo định dạng Excel Người sử dụng không nhất thiết phải làm việc với dữ liệu trên giao diện của chương trình Việc cung cấp khả năng Import/Export dữ liệu giúp người sử dụng có thể “Soạn thảo” dữ liệu trên công

cụ soạn thảo chuyên nghiệp khác

3.2.2 Use Case

Các UseCase cơ bản đã được trình bày ở phiên bản DSPES 2.0 và DSPES 2.1:

Hình 3.2 Nhóm use case thao tác dữ liệu

Hình 3.3: Nhóm UseCase giải bài toán

Hình 3.4: Nhóm UseCase kết quả

Hình 3.5: Nhóm UseCase trợ giúp