Hiện trạng giao thông tại Việt Nam
Theo báo cáo của Ủy ban An toàn Giao thông Quốc gia, hàng năm có từ 9.000 đến 13.000 người thiệt mạng do tai nạn giao thông, trong đó tai nạn đường bộ chiếm từ 97% đến 99% Tai nạn liên quan đến ô tô và xe máy chiếm hơn 70% tổng số vụ tai nạn trên cả nước Bên cạnh đó, tình trạng ùn tắc giao thông thường xuyên xảy ra tại các thành phố lớn vào giờ cao điểm và trong các dịp lễ, Tết, gây ảnh hưởng nghiêm trọng đến thời gian di chuyển và an toàn của người tham gia giao thông Trước thực trạng đáng buồn này, có thể nhận diện một số nguyên nhân chính.
Nhiều dự án xây dựng đang diễn ra tại các thành phố lớn như Hà Nội và Hồ Chí Minh, gây ra tình trạng cấm hoặc thu hẹp làn đường, từ đó làm tăng các điểm ùn tắc giao thông.
Hạ tầng giao thông của Việt Nam hiện nay đang gặp nhiều vấn đề, với quy hoạch thiếu khoa học và không đáp ứng nhu cầu di chuyển của người dân Theo báo cáo từ Bộ Giao thông Vận tải, số lượng phương tiện giao thông ngày càng tăng nhanh chóng Cụ thể, trong ba quý đầu năm 2015, Hà Nội đã ghi nhận 5,5 triệu phương tiện đăng ký mới, dẫn đến tổng số phương tiện tham gia giao thông tại đây gấp 6 lần khả năng chịu tải của hệ thống giao thông hiện có.
1 http://www.mt.gov.vn/m/tin-tuc/1006/26630/ha-noi–gia-tang-nhieu-diem-un-tac-giao- thong.aspx
Các giải pháp hỗ trợ cho người tham gia giao thông
Ý thức chấp hành nội quy giao thông của người dân còn hạn chế, với các lỗi phổ biến như vượt đèn đỏ và đi sai làn đường Những vi phạm này không chỉ ảnh hưởng đến an toàn giao thông mà còn làm tăng tình trạng ùn tắc vào giờ cao điểm.
Quản lý giao thông đô thị tại Việt Nam hiện còn nhiều hạn chế, với trang thiết bị kỹ thuật lạc hậu và thiếu các giải pháp giao thông hiệu quả Điều này dẫn đến việc chưa hỗ trợ tốt cho cả người quản lý lẫn người tham gia giao thông một cách thiết thực và trực tiếp.
Trước những thách thức và nguyên nhân hiện tại của ngành giao thông vận tải Việt Nam, việc đề xuất các giải pháp hợp lý là vô cùng cần thiết và cấp bách.
1.2 Các giải pháp hỗ trợ cho người tham gia giao thông
Hiện nay, kênh VOV Giao thông do đài VOV thành lập cung cấp thông tin về tình trạng giao thông tại Việt Nam, nhưng chủ yếu tập trung vào thành phố và dựa vào phản hồi từ lái xe, chưa hỗ trợ trực tiếp cho người tham gia giao thông Bên cạnh đó, người dùng có thể sử dụng các công cụ bản đồ như Google Map, Bing Map, Here Map và Vietmap để xác định lộ trình, nhưng các công cụ này chỉ cung cấp thông tin từ vệ tinh GPS và bản đồ số mà không tích hợp thông tin về lưu lượng xe và hiện trạng giao thông.
3 https://www.google.com/maps
4 https://www.bing.com/maps
Giải pháp đề xuất
Mô phỏng giao thông là một vấn đề quan trọng giúp xác định vị trí xây dựng và phân luồng giao thông hiệu quả Trên thế giới, nhiều nhóm nghiên cứu đã tập trung vào việc tìm kiếm lộ trình ngắn nhất, nhưng phần lớn vẫn chỉ áp dụng cho các bản đồ cố định và chủ yếu nghiên cứu về công cụ mô phỏng.
Hình 1.1: Các công cụ tìm đường
Để giải quyết vấn đề giao thông tại Việt Nam, cần có sự phối hợp chặt chẽ giữa các cơ quan quản lý và người tham gia giao thông Luận văn này tập trung vào nghiên cứu các thuật toán dẫn đường cho hệ thống mô phỏng giao thông tại các thành phố nhằm tối ưu hóa tình hình giao thông.
Giải pháp đề xuất 6 chi phí đi đường cho người dân khi tham gia giao thông có thể góp phần giải quyết tình trạng ách tắc giao thông tại các thành phố lớn Những chi phí này không chỉ giúp người dân nhận thức rõ hơn về giá trị của thời gian và tài nguyên mà còn khuyến khích họ lựa chọn phương tiện di chuyển hợp lý hơn Bằng cách này, việc quản lý và tối ưu hóa lưu lượng giao thông sẽ trở nên hiệu quả hơn, từ đó giảm thiểu ùn tắc và nâng cao chất lượng cuộc sống cho cư dân đô thị.
• Tiết kiệm được thời gian của người tham gia giao thông.
• Quãng đường đi lại giảm qua đó giảm được lượng nhiên liệu tiêu thụ và lượng khí thải khi tham gia giao thông của các phương tiện.
• Tiết kiệm các chi phí đi lại cho người dân.
Khi áp dụng kết quả của luận văn trong thời đại Internet-Of-Things (IOT), người tham gia giao thông sẽ được cung cấp thêm một lựa chọn hỗ trợ hữu ích, giúp nâng cao trải nghiệm và an toàn khi di chuyển trên đường.
Các kiến thức cơ sở
Trong chương này, chúng tôi sẽ giới thiệu kiến thức cơ bản về tác tử và tác tử thông minh, cũng như thông tin về mạng VANET Những kiến thức này là nền tảng để phát triển công cụ VANETsim, công cụ chính được sử dụng trong luận văn của chúng tôi.
Tác tử và hệ đa tác tử
Tác tử
Theo [9], tác tử (agent) là hệ thống máy tính hoạt động độc lập thay mặt người dùng để nhận biết và thực hiện các nhiệm vụ nhằm đạt được mục tiêu đã định Tác tử có khả năng cảm nhận và phản ứng liên tục với môi trường xung quanh, với một tập hợp các hành động để tương tác Tuy nhiên, không phải tất cả các hành động đều có thể thực hiện trong mọi trạng thái, do đó mỗi hành động cần có các tiền điều kiện xác định Hình 2.1 minh họa cách tác tử đưa ra hành động để tác động đến môi trường Một yếu tố quan trọng là tác tử phải quyết định hành động nào cần thực hiện để đạt được mục tiêu thiết kế Kiến trúc tác tử thực chất là kiến trúc phần mềm được thiết kế cho việc ra quyết định trong môi trường cụ thể.
2.1 Tác tử và hệ đa tác tử 8
Hình 2.1: Tác tử trong môi trường của nó Tác tử sẽ lấy thông tin từ môi trường và phản ứng lại
Môi trường
Kiến trúc tác tử là kiến trúc phần mềm cho hệ thống sinh quyết định, được thiết kế trong một môi trường cụ thể Tính phức tạp của quá trình sinh quyết định phụ thuộc vào các thuộc tính của môi trường Theo [6], môi trường có thể được phân loại dựa trên các thuộc tính này.
Môi trường tiếp cận được cho phép các tác tử nhận thông tin đầy đủ, chính xác và kịp thời về trạng thái của nó Tuy nhiên, hầu hết các môi trường trong thực tế lại thuộc loại không thể tiếp cận, gây khó khăn cho việc thu thập và xử lý thông tin.
Môi trường tĩnh được định nghĩa là môi trường không thay đổi ngoại trừ tác động từ các tác tử, trong khi môi trường động là môi trường có sự vận động và tự thay đổi mà không cần tác động bên ngoài Thực tế, môi trường mà chúng ta đang sống chủ yếu là môi trường động, điển hình là mạng Internet, nơi diễn ra nhiều biến đổi liên tục và không ngừng.
Môi trường rời rạc và môi trường liên tục có những đặc điểm khác nhau Môi trường rời rạc có số lượng hành động và tri giác hữu hạn, như trong trò chơi cờ, trong khi môi trường liên tục, chẳng hạn như giao thông, có tính chất không giới hạn Việc thiết kế các tác tử trong môi trường rời rạc thường dễ dàng hơn so với môi trường liên tục.
2.1 Tác tử và hệ đa tác tử 9
Môi trường có thể được chia thành hai loại: phân đoạn và không phân đoạn Trong môi trường phân đoạn, hoạt động của tác tử chỉ phụ thuộc vào số lượng các đoạn rời rạc, không liên quan đến các hoạt động của tác tử ở các đoạn khác Các chuyên gia cho rằng môi trường phân đoạn đơn giản hơn, vì tác tử có thể dễ dàng quyết định hành vi của mình dựa trên phân đoạn hiện tại mà không cần lo lắng về sự giao tiếp giữa các phân đoạn khác nhau.
Hầu hết các môi trường đều không truy cập được, không xác định, động và liên tục, điều này ảnh hưởng đến độ phức tạp của quá trình thiết kế tác tử Tuy nhiên, các thuộc tính của môi trường không phải là yếu tố duy nhất quyết định sự phức tạp này Sự tương tác giữa tác tử và môi trường cũng đóng vai trò quan trọng trong quá trình thiết kế.
Tác tử thông minh
Tác tử thông minh là một hệ thống có khả năng hoạt động linh hoạt và mềm dẻo nhằm đạt được các mục tiêu cụ thể Theo nghiên cứu, tác tử này cần sở hữu các hành vi đặc biệt như khả năng phản ứng nhanh, chủ động trong các tình huống và khả năng cộng tác xã hội hiệu quả.
Khả năng phản ứng của tác tử là khả năng đáp ứng kịp thời trước những thay đổi của môi trường, nhằm đạt được các mục tiêu đã được xác định trước.
Khả năng chủ động của tác tử là việc luôn tìm kiếm cách thức để đạt được mục tiêu đã được giao, thay vì chỉ phản ứng theo các sự kiện diễn ra Chủ động không chỉ đơn thuần là hành động mà còn là việc xác định và hướng đến mục tiêu một cách rõ ràng Để thành công, tác tử cần kết hợp và cân bằng giữa hai đặc điểm quan trọng: phản xạ và chủ động một cách hợp lý.
Khả năng cộng tác của tác tử xã hội là yếu tố quan trọng giúp tương tác với các tác tử khác, bao gồm cả con người, nhằm đạt được những mục tiêu đã định Trong một thế giới đa tác tử, việc chỉ tập trung vào mục tiêu cá nhân mà không chú ý đến các tác tử xung quanh là không khả thi Để các tác tử trong hệ thống này có thể tương tác hiệu quả, chúng cần phát triển khả năng hợp tác, phối hợp và đàm phán lẫn nhau.
2.1 Tác tử và hệ đa tác tử 10
Hệ thống đa tác tử
Hệ thống đa tác tử (multiagent system) là một cấu trúc bao gồm nhiều tác tử tự chủ, tương tác với nhau nhằm đạt được những mục tiêu khác nhau Các hệ đa tác tử mang lại lợi ích thiết thực, giúp giải quyết những bài toán phức tạp mà các hệ thống đồng nhất không thể xử lý, như dự báo thiên tai và mô phỏng cấu trúc xã hội Hiện nay, nghiên cứu và ứng dụng hệ đa tác tử chủ yếu tập trung vào các tác tử phần mềm.
Hệ đa tác tử là tập hợp các tác tử hoạt động trong một môi trường chung, trong đó thông tin và khả năng giải quyết vấn đề của từng tác tử là hạn chế và không đầy đủ Hệ thống không có sự điều khiển tập trung, dữ liệu được phân tán trên các thành phần khác nhau, và quá trình tính toán diễn ra không đồng bộ Khi cài đặt hệ đa tác tử, cần xem xét nhiều tính chất quan trọng, trong đó ba tính chất cơ bản bao gồm tính tự chủ (autonomy), tầm nhìn địa phương (local views) và tính phân tán (decentralization).
Tính tự chủ là yếu tố quan trọng, cho phép mỗi tác tử đưa ra quyết định độc lập dựa trên các tín hiệu đầu vào hoặc sự kiện xảy ra Điều này đảm bảo rằng tác tử có khả năng phản ứng linh hoạt và hiệu quả trong môi trường của mình.
Tầm nhìn địa phương cho phép mỗi tác tử chỉ cần hiểu một phần kiến thức của hệ thống, thay vì phải nắm hết mọi thông tin có sẵn Điều này giúp đơn giản hóa mô hình hóa các hoạt động, tránh việc hệ thống trở nên quá phức tạp và khó khăn trong việc tái hiện thực tế.
Tính phân tán của các tác tử trong hệ thống là rất quan trọng, vì không có tác tử nào nắm quyền kiểm soát các tác tử khác Nếu một tác tử kiểm soát toàn bộ, hệ thống sẽ trở nên đồng nhất, dẫn đến hiệu suất giảm sút đáng kể so với kỳ vọng.
Các tác tử trong hệ thống đa tác tử có thể trao đổi tri thức thông qua ngôn ngữ chung, tạo điều kiện cho việc truyền tải thông tin hiệu quả Những ngôn ngữ này bao gồm KQML (Knowledge Query Manipulation Language) và FIPA’s ACL (Agent Communications Language) Mỗi hệ đa tác tử có khả năng tự tổ chức, cho phép chúng hoạt động một cách linh hoạt và hiệu quả trong môi trường của mình.
Hệ thống Vanet
hành động rất phức tạp, mặc dù mỗi tác tử cá thể thường có chiến lược rất đơn giản.
Mạng VANET (Vehicular Ad Hoc Network) là công nghệ biến mỗi xe di chuyển thành một nút trong mạng, cho phép kết nối giữa các xe trong phạm vi 100 đến 300 mét, tạo ra một mạng di động rộng lớn Nhờ vào khả năng di chuyển của các phương tiện, mạng này có thể thay đổi liên tục khi xe ra khỏi hoặc tham gia vào vùng phủ sóng Công nghệ này lần đầu tiên được áp dụng trong các xe cảnh sát và lính cứu hỏa, giúp họ trao đổi thông tin hiệu quả trong công tác cứu hộ và bảo đảm an ninh trật tự.
Trong mạng VANET, thông tin trao đổi bao gồm lưu lượng xe, tình trạng kẹt xe, thông tin về tai nạn giao thông, các tình huống nguy hiểm cần tránh, cùng với các dịch vụ thông thường như đa phương tiện và Internet.
Hình 2.2: Ví dụ minh họa về mạng VANET
Mục đích chính của VANET là đảm bảo an toàn và thoải mái cho hành khách thông qua việc sử dụng các thiết bị điện tử trong phương tiện giao thông Những thiết bị này tạo ra mạng Adhoc, cho phép kết nối đơn giản mà không cần hạ tầng cố định Mỗi thiết bị trong mạng VANET hoạt động như một nút mạng, có khả năng gửi, nhận hoặc làm trung gian trong các phiên kết nối qua mạng không dây.
Hệ thống VANET cho phép các phương tiện trên đường giao tiếp và gửi tín hiệu cảnh báo khi xảy ra sự cố, giúp đảm bảo an toàn cho các phương tiện khác Người tham gia giao thông có thể kết nối Internet và sử dụng các dịch vụ đa phương tiện như chia sẻ hình ảnh, video và gọi điện video Thêm vào đó, mạng VANET hỗ trợ tự động thanh toán các khoản phí như phí gửi xe và phí cầu đường Mạng VANET có đặc điểm tương tự như mạng MANET với khả năng tự tổ chức và quản lý, nhưng khác biệt ở chỗ các node mạng (xe cộ) di chuyển với tốc độ cao và không xác định Do đó, cần nghiên cứu và đánh giá giao thức định tuyến cho mạng VANET dựa trên kiến trúc MANET để phù hợp với tính di động của các node trong mạng.
VANET là một mạng độc lập không cần cơ sở hạ tầng như các hệ thống vô tuyến khác, giúp khắc phục giới hạn khoảng cách nhờ vào các nút trung gian Tuy nhiên, việc giao tiếp không cần cơ sở hạ tầng và sử dụng biến đổi định tuyến qua nhiều tầng có thể dẫn đến nguy cơ bị “nghe trộm” hoặc thông tin bị sai lệch Việc truyền tin tức giao thông giữa các xe là rất quan trọng, có thể mang lại lợi ích nếu thông tin chính xác, nhưng cũng có thể gây ra tác động nguy hiểm nếu thông tin sai lệch Thiết kế mạng này thường cho phép thông tin được phát quảng bá và trung chuyển qua nhiều nút, dẫn đến hiệu ứng “phản ứng dây chuyền”.
Các đặc điểm của mạng VANET
Các node mạng di chuyển với tốc độ cao, ví dụ như hai xe di chuyển ngược chiều với tốc độ 25m/s (90km/h), sẽ chỉ duy trì kết nối trong khoảng 5 giây nếu phạm vi truyền dẫn là 250m.
Để đảm bảo kết nối mạng ổn định giữa hai chiếc xe, cần thường xuyên kiểm tra và duy trì kết nối, vì theo giả thiết, sau 5 giây, hai xe có thể bị ngắt kết nối với nhau.
Công cụ mô phỏng mạng VANET - VANETsim
Thiết lập liên kết mạng cho xe gần nhau là rất quan trọng, đặc biệt trong các khu vực có mật độ xe thấp Trong những trường hợp xảy ra ngắt kết nối, việc duy trì kết nối mạng là cần thiết, và giải pháp hiệu quả là triển khai các node mạng chuyển tiếp để đảm bảo sự ổn định và liên tục của mạng.
Để tối ưu hóa hiệu quả của kiến trúc mạng, việc nghiên cứu mô hình chuyển động và dự đoán chuyển động của các node là rất quan trọng Chúng ta cần thu thập thông tin về vị trí và chuyển động của các xe, tuy nhiên, việc dự đoán chuyển động của chúng vẫn gặp nhiều khó khăn.
Mô hình truyền thông tin trong môi trường giao thông được thể hiện qua sự di chuyển của các node (xe) trên hệ thống đường cao tốc, nơi mà chuyển động một chiều giúp dự đoán dễ dàng Tuy nhiên, cấu trúc đường phố, mật độ xe cộ, cùng với sự hiện diện của tòa nhà và cây cối lại tạo ra những cản trở đáng kể cho quá trình truyền thông tin.
Trong mạng xe cộ (VANET), việc hạn chế trễ cứng là rất quan trọng để đảm bảo an toàn, như thông báo kịp thời về các sự cố như tai nạn hoặc phanh xe đến các nút mạng liên quan Tốc độ dữ liệu cao không phải là yếu tố chính, mà việc khắc phục các vấn đề liên quan đến sự chậm trễ cứng mới là ưu tiên hàng đầu để nâng cao tính an toàn trong môi trường này.
Cảm biến onboard tương tác đóng vai trò quan trọng trong việc cung cấp vị trí nút và chuyển động của các node, từ đó hỗ trợ cho việc thiết lập liên kết truyền thông hiệu quả và tối ưu hóa quy trình định tuyến.
2.3 Công cụ mô phỏng mạng VANET - VANET- sim
VANETsim 1, được giới thiệu bởi Andreas Tomandl và các cộng sự, là công cụ mô phỏng mạng VANET, giúp các nhà nghiên cứu đánh giá và so sánh phương pháp của họ một cách hiệu quả Công cụ này nổi bật với khả năng trực quan, khác biệt so với các công cụ khác như Transim 2, MATSim 3 hay SimTRAVEL 4.
- những công cụ thiên về mô phỏng hệ thông giao thông dựa trên hệ thống tác tử
1 http://svs.informatik.uni-hamburg.de/vanet
2 https://code.google.com/p/transims/
4 http://simtravel.wikispaces.asu.edu/
VANETsim là công cụ mô phỏng mạng VANET thông minh, dễ dàng sửa đổi và thêm mới kịch bản, cho phép người dùng thiết lập nhiều tình huống khác nhau Các tính năng chính của VANETsim bao gồm khả năng tùy chỉnh linh hoạt và hỗ trợ đa dạng các kịch bản mô phỏng.
Hình 2.3: Công cụ mô phỏng VANETsim
Bài viết này giới thiệu tính năng tích hợp bộ tạo kịch bản, giúp người nghiên cứu dễ dàng lặp lại các thực nghiệm với các tham số đầu vào khác nhau Điều này cho phép họ đánh giá kết quả một cách chính xác hơn mà không cần thực hiện nhiều thao tác phức tạp.
VANETsim là công cụ mô phỏng tiên tiến, cho phép tái hiện chân thực các tình huống giao thông trong thế giới thực Bằng cách áp dụng mô hình giao thông micro-traffic, VANETsim giúp phân tích và dự đoán các quyết định lái xe của từng phương tiện, từ đó mang lại kết quả gần gũi với thực tế nhất.
VANETsim tận dụng bản đồ từ OpenStreetMap 5 để xây dựng bản đồ, giúp các nhà nghiên cứu dễ dàng tiếp cận và không gặp khó khăn trong việc thu thập bản đồ chi tiết cho từng thành phố.
• VANETsim cho phép làm thực nghiệm với số lượng lớn phương tiện giả lập lên tới 16000 phương tiện và mạng lưới giao thông lớn.
• Công cụ này hỗ trợ chạy trên hệ thống đơn lẻ như desktop đến những hệ thống sử dụng nhiều bộ vi xử lý.
• VANETsim hỗ trợ đồ họa, tạo sự thuận tiện cho những nhà nghiên cứu có thể phân tích lỗi trong các thực nghiệm của mình.
2.3 Công cụ mô phỏng mạng VANET - VANETsim 15
VANETsim là một công cụ mô phỏng giao thông được phát triển trên nền Java, nổi bật với việc tiết kiệm bộ nhớ khi hoạt động Công cụ này cung cấp tài liệu phát triển chi tiết, hỗ trợ các nhà nghiên cứu thực hiện những sửa đổi sâu hơn Trong nghiên cứu này, chúng tôi chủ yếu sử dụng VANETsim để mô phỏng hệ thống giao thông và khảo sát các thuật toán tìm đường trong những điều kiện giả định.
Các giải thuật tìm đường
Trong phần này, chúng tôi sẽ giới thiệu các thuật toán cơ bản dùng để tìm kiếm đường đi trên đồ thị, cùng với việc áp dụng thuật toán thuộc về đàn kiến (ant colony) vào hệ thống Vannet.
Những thuật toán cơ bản
Giải thuật Djkstra
Giải thuật Dijkstra, được phát triển bởi Edsger W Dijkstra vào năm 1956 và công bố năm 1959, là một phương pháp tìm đường đi ngắn nhất giữa các điểm trong đồ thị Thuật toán này có nhiều biến thể, trong đó phiên bản gốc tập trung vào việc xác định đường đi ngắn nhất giữa hai điểm Một biến thể phổ biến khác là biến đổi một đỉnh thành đỉnh nguồn và tìm kiếm tất cả các đường đi ngắn nhất từ đỉnh nguồn đến các đỉnh khác trong đồ thị, được gọi là cây đường đi ngắn nhất.
Bài toán đặt ra là tìm đường đi ngắn nhất từ một đỉnh nguồn s đến tất cả các đỉnh trong đồ thị có hướng G=(V, E) với hàm trọng số w: E −→ [0, ∞ ) Ví dụ, trong một thành phố, các đỉnh của đồ thị có thể đại diện cho các điểm giao cắt, và chúng ta cần di chuyển từ điểm s đến điểm t Thuật toán Dijkstra sẽ giúp xác định cây đường đi ngắn nhất từ đỉnh s đến mọi điểm trong thành phố, từ đó tìm ra đường đi ngắn nhất từ s đến t.
Thuật toán Dijkstra được mô tả dưới đây theo [2].
3.1 Những thuật toán cơ bản 17
Algorithm 1Giải thuật tìm đường đi ngắn nhất Dijkstra Đầu vào: một đồ thị liên thông có trọng số G và đỉnh bắt đầu s
Kết quả: cây đường đi ngắn nhất T với gốc là s
1: Khởi tạo: Cây T với đỉnh s
2: Khởi tạo: Tập S là tập các cạnh liên kết với s
5: Gọi w là đỉnh không kết thúc của cạnh e
6: Thêm cạnh e và đỉnh w vào trong cây T
7: Thực hiện cập nhật đồ thị G và tập S
Hàm Dijkstra-nextEdge được định nghĩa là một hàm lựa chọn và trả lại giá trị các cạnh biên không có đỉnh cuối thuộc cây nào gần nhất với đỉnh bắt đầu s trong tập hợp các cạnh biên hiện tại S Trong trường hợp có nhiều giá trị cạnh như vậy, hàm này sẽ ưu tiên giá trị được chọn lựa mặc định theo một tiêu chí đưa ra trước.
Giải thuật A*
Giải thuật A* là một trong những phương pháp phổ biến trong tìm đường đi và duyệt đồ thị, nổi bật với khả năng cân bằng giữa hiệu năng và độ chính xác Được giới thiệu bởi Peter Hart, Nils Nilsson và Bertram Raphael tại viện nghiên cứu Stanford vào năm 1968, A* được coi là sự mở rộng của thuật toán Dijkstra từ năm 1959 Thuật toán A* cải thiện hiệu suất so với Dijkstra nhờ vào việc sử dụng heuristics trong quá trình tìm kiếm A* tìm kiếm con đường tốn ít chi phí nhất từ đỉnh khởi đầu đến đỉnh mục tiêu, xây dựng một cây cục bộ chứa các con đường Các lá của cây này được lưu trữ trong một cấu trúc hàng đợi ưu tiên, sắp xếp các nút theo hàm giá trị f(n) = g(n) + h(n), trong đó g(n) là giá trị đạt được từ điểm khởi đầu đến điểm n, và h(n) là hàm ước lượng giá trị từ điểm n đến các điểm mục tiêu.
Các thuật toán tìm đường nâng cao
Giải thuật di truyền
Giải thuật di truyền (GA) là một phương pháp tối ưu hóa dựa trên nguyên lý di truyền và chọn lọc tự nhiên Nó cho phép một quần thể gồm nhiều cá thể hoạt động cùng nhau để tìm ra giải pháp tốt nhất cho các vấn đề phức tạp.
3.2 Các thuật toán tìm đường nâng cao 19 cá thể có thể tiến hóa dưới các quy luật chọn lọc nhất định tới một giai đoạn tối đa hóa “tính phù hợp” (hay tối thiểu hóa hàm chi phí) Nguyên lý cơ bản của chọn lọc tự nhiên, đồng thời cũng là nguyên lý của quá trình tiến hóa đã được xây dựng bởi Charles Darwin dù chưa có nhiều hiểu biết về cơ chế di truyền Sau nhiều năm nghiên cứu, Darwin đã giả thuyết rằng những đặc điểm của cha mẹ sẽ được trộn lẫn trong cơ thể của con Những biến dị có lợi sẽ được giữ lại; đồng thời những biến dị có hại bị đào thải Số lượng cá thể được sinh ra luôn lớn hơn số lượng có thể sống sót, sau đó chúng sẽ phải tiếp tục đấu tranh sinh tồn Những cá thể có các đặc tính tốt sẽ có cơ hội sống sót cao hơn, được gọi là “sự sống sót của những cá thể phù hợp nhất”.
Giải thuật di truyền (GA) được phát triển bởi John Holland vào những năm 1960 và 1970, nhằm mô tả quá trình tiến hóa sinh học Năm 1975, Holland giới thiệu GA như một khung lý thuyết cho quá trình thích nghi, sử dụng quần thể "nhiễm sắc thể" để tạo ra quần thể mới thông qua "chọn lọc tự nhiên" và các toán tử lai ghép, đột biến, đảo ngược Sự kết hợp này đánh dấu một bước đột phá trong nghiên cứu về thích nghi và tiến hóa.
Holland là người tiên phong trong việc xây dựng nền tảng lý thuyết cho tiến hóa tính toán, với khái niệm “lược đồ” làm cơ sở cho nhiều nghiên cứu sau này về giải thuật di truyền Hiện nay, thuật ngữ “giải thuật di truyền” đã được các nhà nghiên cứu sử dụng rộng rãi để mở rộng những ý tưởng cơ bản mà Holland đã phát triển.
3.2.1.2 Giải thuật di truyền đơn giản
Chuỗi giải pháp tối ưu hóa giúp xác định giải pháp phù hợp nhất trong số các lựa chọn khả thi Khi vùng tìm kiếm được mở rộng, việc áp dụng các kỹ thuật chuyên biệt là cần thiết để tìm ra giải pháp tối ưu nhất.
GA cung cấp một giải pháp hiệu quả cho vấn đề này, với cơ chế hoạt động tương tự nhau Chúng thích nghi từ cơ chế di truyền đơn giản đến các thuật toán phức tạp, cho phép tối ưu hóa và cải thiện hiệu suất.
GA xử lý các nhóm giải pháp Mỗi giải pháp được đại diện bởi một bộ nhiễm sắc thể.
Mã hóa tất cả các giải pháp khả thi thành bộ nhiễm sắc thể là bước đầu tiên quan trọng trong thuật toán di truyền (GA), tuy nhiên, điều này không nhất thiết là phương pháp nhanh nhất Ngoài ra, việc sử dụng bộ toán tử sinh sản cũng cần được xem xét để tối ưu hóa quá trình tìm kiếm giải pháp.
3.2 Các thuật toán tìm đường nâng cao 20 được xác định Các toán tử sinh sản được ứng dụng trực tiếp trên các nhiễm sắc thể, và được sử dụng để thực hiện quá trình chọn lọc cha mẹ, bằng việc sử dụng chức năng phù hợp (thường là phù hợp nhất với khả năng xả ra cao), tái tổ hợp (lai ghép), đột biến và thông qua các giải pháp của vấn đề.
Giải thuật di truyền (GA) bắt đầu bằng việc tạo ra một quần thể nhiễm sắc thể ngẫu nhiên để đảm bảo sự đa dạng di truyền Qua quá trình lặp đi lặp lại, GA phát triển các thế hệ tiếp theo thông qua các bước như đánh giá hàm mục tiêu, lựa chọn, lai ghép, đột biến và đánh giá lại thế hệ con Cuối cùng, quần thể được thay thế bằng các nhiễm sắc thể mới Tiêu chí dừng của quá trình có thể dựa vào số lần lặp lại hoặc sự hội tụ của các nhiễm sắc thể tốt nhất nhằm tìm ra giải pháp tối ưu.
Biểu diễn giải pháp là một yếu tố quan trọng trong thiết kế thuật toán di truyền, ảnh hưởng đến việc áp dụng các toán tử tiến hóa Một trong những phương pháp biểu diễn phổ biến trong thuật toán di truyền (GA) là biểu diễn nhị phân, trong đó giải pháp cho bài toán được thể hiện dưới dạng vector bit, hay còn gọi là nhiễm sắc thể Mỗi nhiễm sắc thể bao gồm nhiều gen, với mỗi gen đại diện cho một tham số thành phần của giải pháp.
Lựa chọn cá thể là quá trình quan trọng trong việc xác định những cá thể phù hợp để sinh sản, nhằm tạo ra thế hệ tiếp theo Mỗi cá thể sở hữu một giá trị thích nghi (fitness) riêng, và giá trị này đóng vai trò quyết định trong việc lựa chọn cá thể nào sẽ được sử dụng trong quá trình sinh sản.
Toán tử lai ghép được sử dụng để tạo ra các cá thể con mới từ các cá thể cha mẹ, giúp các cá thể con này thừa hưởng những đặc tính tốt Trong lĩnh vực tìm kiếm, toán tử lai ghép thực hiện việc tìm kiếm xung quanh khu vực của các giải pháp được biểu diễn bởi các cá thể cha mẹ.
Giải thuật tối ưu bầy đàn
Giải thuật tối ưu bầy đàn (Particle Swarm Optimization - PSO) là một phương pháp hiệu quả để giải quyết các bài toán tối ưu trong mô hình quần thể thông minh, được giới thiệu lần đầu bởi Kennedy và Eberhart vào năm 1995 PSO đã phát triển các phương pháp đơn giản nhưng hiệu quả cho tối ưu hóa các hàm mục tiêu phi tuyến liên tục, đồng thời được áp dụng thành công trong việc giải quyết nhiều bài toán cực trị và tối ưu đa mục tiêu Thuật toán này dựa trên ý tưởng quan sát các quần thể sinh học, mang lại những kết quả ấn tượng trong lĩnh vực tối ưu hóa.
3.2 Các thuật toán tìm đường nâng cao 21 tự nhiên, Eberhart và Kennedy đưa thêm giả thuyết về quá trình tìm về tổ của bầy đàn theo các quy luật:
• Tất cả các phần tử trong bầy đàn đều có xu hướng chuyển động về tổ
• Mỗi phần tử đều ghi nhớ vị trí gần tổ nhất nó đã đạt tới
Hai nhà nghiên cứu đã đưa ra giả thuyết về quá trình tìm mồi của bầy đàn trong không gian, nơi các phần tử đều nắm rõ vị trí thức ăn Để tìm thức ăn hiệu quả, các phần tử nên theo sau những cá thể gần nguồn thức ăn nhất Từ đó, họ phát triển thuật toán Tối ưu hóa Bầy đàn (PSO) dựa trên kịch bản này để giải quyết các bài toán tối ưu Trong PSO, mỗi giải pháp được xem như một phần tử (particle) với hai tham số chính: vị trí hiện tại và vận tốc, được biểu diễn bằng các vectơ trong không gian thực Mỗi phần tử cũng có giá trị thích nghi (fitness value) được đánh giá qua hàm đo độ thích nghi (fitness function) Ban đầu, vị trí của các phần tử được khởi tạo ngẫu nhiên hoặc dựa trên kiến thức có sẵn về bài toán Trong quá trình di chuyển, mỗi phần tử chịu ảnh hưởng từ vị trí tốt nhất mà nó đã đạt được (pBest) và vị trí tốt nhất của toàn bầy (gBest) Các phần tử cập nhật vận tốc và vị trí của mình theo các công thức cụ thể sau mỗi khoảng thời gian Các điều kiện dừng phổ biến trong PSO bao gồm số lần cập nhật, không có cải thiện trong kết quả, hoặc sự thay đổi giữa các lần cập nhật nhỏ hơn một ngưỡng nhất định.
3.2 Các thuật toán tìm đường nâng cao 22
Algorithm 3Giải thuật tối ưu bầy đàn (PSO)
6: Tính giá trị fitness value
7: if fitness value < pBest then pBest = fitness value
9: if pBest < gBest then gBest = pBest
13: Tính vận tốc theo công thức 3.1
14: Cập nhật vị trí theo công thức3.2
16: while chưa thỏa mãn điều kiện dừng
Phiên bản tối ưu toàn cục (global best) của PSO cho thấy vận tốc của mỗi cá thể bị ảnh hưởng bởi hai yếu tố chính: vị trí tốt nhất mà cá thể đã đạt được và vị trí tốt nhất của toàn bầy đàn Để cải tiến thuật toán, PSO đã bổ sung yếu tố "cục bộ", trong đó vận tốc của mỗi cá thể còn bị ảnh hưởng bởi vị trí tốt nhất trong số những hàng xóm gần nhất Công thức cập nhật vận tốc mới được điều chỉnh như sau: v i k+1 = v k i + c 1 rand()(p best − present k i ) + c 2 rand()(g best − present k i ) + c 2 rand()(l k best − present k i ).
Giải thuật đàn kiến
Tối ưu đàn kiến (Ant Colony Optimization - ACO) là một phương pháp tối ưu hóa dựa trên việc mô phỏng hành vi tự nhiên của đàn kiến, nhằm giải quyết các bài toán tối ưu phức tạp Phương pháp này lần đầu tiên được giới thiệu vào năm
Giải thuật tối ưu đàn kiến (ACO), được phát triển vào năm 1991 bởi A Colorni và M Dorigo, đã thu hút sự chú ý lớn nhờ khả năng tối ưu hóa trong nhiều lĩnh vực Khái niệm ACO được lấy cảm hứng từ hành vi của đàn kiến khi tìm kiếm nguồn thức ăn, cho thấy sự hiệu quả trong việc tìm ra đường đi tối ưu.
3.2 Các thuật toán tìm đường nâng cao 23 đường đi ngắn nhất từ tổ của chúng đến nguồn thức ăn Phương tiện truyền đạt tín hiệu được kiến sử dụng để thông báo cho những con khác trong việc tìm đường đi hiệu quả nhất chính là mùi của chúng (pheromone) Kiến để lại vệt mùi trên mặt đất khi chúng di chuyển với mục đích đánh dấu đường đi cho các con theo sau Vệt mùi này sẽ bay hơi dần và mất đi theo thời gian, nhưng nó cũng có thể được củng cố nếu những con kiến khác tiếp tục đi trên con đường đó lần nữa Dần dần, các con kiến theo sau sẽ lựa chọn đường đi với lượng mùi dày đặc hơn, và chúng sẽ làm gia tăng hơn nữa nồng độ mùi trên những đường đi được yêu thích hơn Các đường đi với nồng độ mùi ít hơn rốt cuộc sẽ bị loại bỏ và cuối cùng, tất cả đàn kiến sẽ cùng kéo về một đường đi mà có khuynh hướng trở thành đường đi ngắn nhất từ tổ đến nguồn thức ăn của chúng theo [1] Để bắt chước hành vi của các con kiến thực, Dorigo xây dựng các con kiến nhân tạo (artificial ants) cũng có đặc trưng sản sinh ra vết mùi để lại trên đường đi và khả năng lần vết theo nồng độ mùi để lựa chọn con đường có nồng độ mùi cao hơn để đi Các nguyên tắc được kiến nhân tạo sử dụng bao gồm:
• Thông tin vết mùi được tính toán và đặt trên mỗi đoạn đường Nút ban đầu cho đường đi của mỗi con kiến được chọn ngẫu nhiên.
Kiến lựa chọn lộ trình dựa trên thông tin từ vết mùi trên các đoạn đường, giúp tính toán xác suất cho đoạn đường tiếp theo Đoạn đường có nhiều vết mùi sẽ có xác suất cao hơn, trong khi đoạn đường ít vết mùi sẽ có xác suất thấp hơn.
Con kiến không ngừng tìm kiếm đường đi cho đến khi hoàn thành một lộ trình nhất định, được gọi là lời giải cho bài toán Các lời giải này sẽ được phân tích, so sánh và đánh giá để xác định phương án tối ưu nhất.
Sau khi đàn kiến tìm ra lời giải, chúng sẽ cập nhật lại vết mùi cho các cạnh, đồng thời tính toán và điều chỉnh để tìm ra phương án tối ưu hơn, trong đó xác suất lựa chọn cạnh tỉ lệ thuận với lượng vết mùi được để lại.
• Quá trình lặp lại cho đến khi phần lớn kiến trong đàn chọn cùng một đường đi.
Chúng ta đặt ra một số quy ước cho giải thuật đàn kiến:
• C =C1, C2 Cn là tập hữu hạn các đỉnh cần duyệt khi tìm kiếm
Lựa chọn thuật toán
Thuật toán Ant System
Ant System (AS) ban đầu có ba phiên bản chính: Ant-density, Ant-quantity và Ant-cycle Trong phiên bản Ant-density và Ant-quantity, các con kiến thực hiện việc cập nhật vết mùi trực tiếp lên đường đi của chúng.
3.3 Lựa chọn thuật toán 25 cạnh vừa đi, còn với Ant-cycle vết mùi được cập nhật sau khi kiến xây dựng xong hành trình và lượng mùi cập nhật được phụ thuộc vào độ dài hành trình tìm được. Tuy nhiên Ant-density, Ant-quantity không hiệu quả bằng Ant-cycle nên khi nói đến AS chúng ta thường sẽ chỉ quan tâm đến Ant-cycle Quá trình tìm lời giải được thực hiện với giá trị vết mùi được khởi tạo trên tất cả các cạnh làτ ij =τ 0 C m mn (với mlà số kiến,C mn là độ dài lời giải tìm được) Nếu khởi tạo vết mùi τ 0 quá thấp thì quá trình tìm kiếm có khuynh hướng hội tụ về hành trình đầu tiên tìm được dẫn đến việc làm cho chất lượng lời giải không tốt Ngược lại, nếu khởi tạo vết mùi quá cao thì sẽ tốn nhiều vòng lặp bay hơi mùi trên các cạnh không tốt và cập nhập bổ sung thêm mùi cho các cạnh tốt mới có thể hướng việc tìm kiếm đến vùng không gian có chất lượng tốt.
Lời giải được thiết lập từ việc đặt ngẫu nhiên m con kiến tại các đỉnh của đồ thị Tại mỗi bước, khi con kiến k đang ở đỉnh i, nó sẽ chọn đỉnh j với xác suất dựa trên tỉ lệ ngẫu nhiên, được tính theo công thức: p k ij = [τ ij ] α [η ij ] β.
Công thức xác suất (3.4) mô tả cách mà kiến k lựa chọn đỉnh i dựa trên giá trị thông tin tri thức η ij và vết mùi τ ij, với α và β là các tham số điều chỉnh tầm quan trọng của hai yếu tố này Khi α = 0, thuật toán ưu tiên đỉnh gần nhất mà không sử dụng thông tin tri thức, dẫn đến việc chọn ngẫu nhiên theo chiều dài cạnh Ngược lại, nếu β = 0, chỉ có thông tin từ vết mùi được xem xét Nếu α lớn, thuật toán có thể bị tắc nghẽn và chỉ tìm ra lời giải tối ưu cục bộ Mỗi kiến k sẽ lưu trữ một bộ nhớ M k để theo dõi các đỉnh đã đi qua và tính toán độ dài hành trình T k, từ đó cập nhật vết mùi Trong quá trình xây dựng giải pháp, kiến có thể di chuyển đồng thời hoặc tuần tự, tùy thuộc vào cách triển khai.
3.3 Lựa chọn thuật toán 26 cả các cạnh sẽ được cập nhật lại như sau: τ ij = (1 − ρ)τ ij + m
Hệ số bay hơi ρ (0 < ρ ≤ 1) trong công thức ∆τ ij k (3.5) giúp ngăn chặn sự tích tụ mùi trên các cạnh, đồng thời hỗ trợ các con kiến nhân tạo quên đi những quyết định sai lầm Khi một cạnh không được chọn, vết mùi trên đó sẽ giảm nhanh chóng theo cấp số nhân.
Lượng mùi do kiến tạo ra trên các cạnh được cập nhật dựa vào số lượng kiến đi qua và độ dài hành trình Cạnh nào có nhiều kiến đi qua và hành trình ngắn sẽ nhận được nhiều mùi hơn Tuy nhiên, hiệu quả của thuật toán Ant System (AS) so với các phương pháp Meta-heuristic khác giảm khi kích thước bài toán tăng lên.
Thuật toán Ant Colony System
Thuật toán Ant Colony System (ACS) được đề xuất với ba điểm khác biệt chính so với thuật toán Ant System là
• Khai thác kinh nghiệm mạnh hơn trong Ant System bằng cách sử dụng quy tắc lựa chọn trên thông tin tích lũy nhiều hơn
Cơ chế bay hơi mùi giúp giữ lại mùi chỉ ở các cạnh, dựa vào giải pháp tốt nhất toàn cục (G best - Global best), nhằm nâng cao khả năng thăm dò mới.
• Mỗi lần kiến đi qua cạnh (i, j) vết mùi sẽ bị giảm trên cạnh(i, j)
Khi con kiến k đứng ở đỉnh i, nó sẽ quyết định di chuyển đến đỉnh j dựa trên quy tắc tối ưu, trong đó j được xác định bằng cách tối đa hóa l trong tập hợp N k i, với điều kiện q ≤ q 0.
J là biến ngẫu nhiên phân bố đều, ngược lại với q ∈ [0,1], trong đó q 0 (0≤q 0 ≤ 1) là tham số đã được xác định trước Kiến sẽ lựa chọn khả năng tốt nhất bằng cách kết hợp thông tin học từ vết mùi và thông tin từ phân bố xác suất (3.4) với α = 1.
3.3 Lựa chọn thuật toán 27 tri thức với xác suấtq 0 và khám phá trên các cạnh với xác suất(1−q 0 ) Điều chỉnh tham sốq0 sẽ cho phép thay đổi mức độ khai thác và lựa chọn tập trung tìm kiếm quanh lời giảiG best hoặc khám phá các hành trình khác.
Cập nhật mùi toàn cục: Trong ACS, chỉ có duy nhất một con kiến tìm được lời giải
Trong thuật toán G best, mỗi lần lặp, mùi sẽ được lưu lại để cập nhật các cạnh (i, j) của lời giải Công thức cập nhật được thực hiện như sau: τ ij = (1 − ρ)τ ij + ρ∆τ ij best, với ∆τ ij best = 1.
C Gbest và C G best đại diện cho độ dài của lời giải G best Vết mùi của ACS chỉ được cập nhật trên các cạnh thuộc T best G, không giống như Ant System, nơi vết mùi được cập nhật cho tất cả các cạnh Tham số τ trong ASC không giống như trong Ant System; việc cập nhật vết mùi dựa trên trung bình trọng số của vết mùi cũ và lượng mùi mới Trong quá trình thực nghiệm, lời giải tốt nhất trong bước lặp hiện tại I best được chọn để cập nhật mùi Bên cạnh việc cập nhật mùi toàn cục, ACS cũng thực hiện cập nhật mùi cục bộ ngay khi có kiến đi qua cạnh (i,j) theo công thức τ ij = (1 − ξ)τ ij + ξτ 0, trong đó τ 0 là giá trị mùi khởi tạo cho tất cả các cạnh và ξ nằm trong khoảng (0,1) Các giá trị tối ưu cho ξ và τ0 được xác định là ξ = 0.1 và τ0 = nC 1 mn, với n là số đỉnh và C mn là độ dài hành trình theo thuật toán tham lam sử dụng kinh nghiệm.
Quy tắc cập nhật mùi cục bộ trong thuật toán ACS giúp giảm giá trị vết mùi mỗi khi kiến đi qua, từ đó khuyến khích việc khám phá các cạnh chưa được sử dụng và ngăn chặn tình trạng tắc nghẽn Điều này đảm bảo rằng đàn kiến không bị dồn vào một lộ trình duy nhất, như trong Ant System Thuật toán ACS yêu cầu tất cả các con kiến xây dựng hành trình đồng thời, mặc dù chưa có thực nghiệm nào chứng minh sự lựa chọn nào là tốt hơn Đặc biệt, ACS là thuật toán ACO đầu tiên áp dụng danh sách ứng cử viên để hạn chế số lượng lựa chọn trong quá trình xây dựng giải pháp, điều này giúp nâng cao chất lượng giải pháp và giảm độ phức tạp của thuật toán.
Thực nghiệm và các kết quả
Áp dụng Ant Colony System cho vấn đề tìm đường đi
Hệ thống tổng quan
Hệ thống Vanetsim được mô hình hoá thành các khối độc lập, trong suốt với nhau và có chức năng riêng biệt, bao gồm các thành phần chính như mô hình hoá giao thông, mô hình hoá mạng, mô hình hoá ứng dụng và môi trường mô phỏng Mỗi khối này hoạt động độc lập nhưng vẫn tương tác với nhau để tạo nên một hệ thống tổng quan hoàn chỉnh.
Hình 4.1: Mô hình hệ thống Vanetsim
Phần Map đảm nhiệm việc quản lý và tải bản đồ vào hệ thống mô phỏng, đồng thời hiển thị chúng một cách hiệu quả Ngoài ra, phần này còn cho phép người dùng thiết lập và chỉnh sửa bản đồ theo nhu cầu.
4.1 Áp dụng Ant Colony System cho vấn đề tìm đường đi 29 những tham số cho phương tiện và tuyến đường cụ thể Như vận tốc tối đa của phương tiện, vận tốc cho phép của tuyến đường, đặt thêm đèn giao thông vào một giao lộ bất kỳ hoặc gỡ bỏ nó đi,
Phần mềm Agent đảm nhiệm vai trò mô phỏng và quản lý các phương tiện giao thông, đồng thời điều chỉnh các tương tác giữa chúng Nó cũng phân tích hành vi của các phương tiện trong các điều kiện đường khác nhau, bao gồm tình trạng ùn tắc và thông thoáng.
• Phần GUI quản lý việc hiển thị các thành phần đồ hoạ của hệ thống, giúp chúng ta tương tác được với hệ mô phỏng.
• Phần Routing chịu trách nhiệm xử lý và lựa chọn tuyến đường tối ưu cho phương tiện thông qua việc sử dụng các thuật toán dẫn đường khác nhau.
Các tác giả của Vanetsim hiện đang áp dụng thuật toán A* cho định tuyến của các tác tử Mặc dù thuật toán này mang lại hiệu suất tốt cho hệ thống, nhưng đôi khi không tìm được lộ trình tối ưu nhất cho phương tiện giao thông Do đó, trong luận văn này, chúng tôi nghiên cứu một thuật toán dẫn đường mới nhằm nâng cao khả năng tìm đường tối ưu cho hệ thống Vanetsim.
Cải tiến hệ thống với Ant colony System
Hệ thống vanetsim được thiết kế với các phần riêng biệt, cho phép việc thêm mới hoặc chỉnh sửa dễ dàng Chúng tôi sẽ tích hợp một thuật toán dẫn đường mới vào phần định tuyến bên cạnh thuật toán A* hiện có, nhằm mục đích so sánh và đánh giá hiệu quả giữa hai thuật toán Thuật toán Ant Colony System sẽ được sử dụng để thay thế A* do tính ưu việt của nó trong việc tìm kiếm tối ưu Mô hình mới của hệ thống được thể hiện trong hình 4.2.
Theo thuật toán Ant, đường đi của mỗi con kiến thể hiện việc cập nhật mùi trên các cạnh của đồ thị Mỗi cạnh mô tả mức độ mùi được lưu lại, và tại mỗi nút, con kiến sẽ quyết định nút tiếp theo dựa vào vị trí hiện tại tại nút i Xác suất lựa chọn nút tiếp theo được xác định bởi công thức 3.4 Chúng tôi đã thực hiện nhiều lần thí nghiệm và lựa chọn các tham số phù hợp với bài toán của mình.
4.1 Áp dụng Ant Colony System cho vấn đề tìm đường đi 30
Hình 4.2: Mô hình hệ thống Vanetsim với Ant Colony System
• Hệ số điều chỉnh ảnh hưởng của vết mùi α = 1
• Hệ số ảnh hưởng của thông tin heuristic β = 1
Thông tin heuristic đóng vai trò quan trọng trong việc đánh giá chính xác sự lựa chọn của con kiến khi di chuyển, được biểu diễn qua công thức η ij = 1/d ij, trong đó d ij là khoảng cách từ nút i đến nút j, tức là độ dài của tuyến đường đang được xem xét.
• N i k là số đoạn đường mà con kiến k chưa thăm khi nó ở vị trí nút i.
Để tối ưu hóa thuật toán cho điều kiện thực thi trong thời gian thực, khi xảy ra ùn tắc, đoạn đường đó sẽ không được lựa chọn bởi thuật toán Chúng tôi áp dụng cơ chế bay hơi mùi, chỉ giữ lại mùi trên các cạnh thuộc vào lời giải tốt nhất toàn cục (G best - Global-best) của hệ thống thuật toán Ant Colony, kết hợp với cơ chế xác định tắc nghẽn nhằm cập nhật mùi hiệu quả hơn theo thời gian thực.
• Đối với cơ chế xác định ùn, tắc Chúng tôi tính toán dựa vào mật độ giao thông và vận tốc của phương tiện tại một thời điểm.
Chúng tôi phát triển hàm mục tiêu f(k) nhằm tính toán thời gian tối ưu cho con kiến k di chuyển từ điểm xuất phát đến điểm đích, đồng thời phản ánh thời gian mà phương tiện cần để đến nơi Trong trường hợp xảy ra ùn tắc trên đoạn đường, sẽ có các phương án xử lý khác nhau cho mỗi phương tiện.
4.1 Áp dụng Ant Colony System cho vấn đề tìm đường đi 31 tiện khác ở ngay đằng trước nó, do đó chúng tôi cộng thêm một tham số tắc nghẽn cho một phương tiện đằng trước là w = 15 (giá trị này có được là do thực nghiệm) Như vậy đối với đoạn đường đang có n phương tiện bị ùn tắc thì hàm mục tiêu f(k)sẽ được cộng thêm giá trị là n∗w Việc bổ xung thêm giá trị này sẽ giúp kiến tránh đi vào đoạn đường đang xảy hiện tượng tắc.Chi tiết của thuật toán được mô tả ở biểu đồ hình 4.3.
Thực nghiệm
Môi trường thực nghiệm
Chúng tôi tiến hành thực nghiệm của mình trên môi trường như sau:
• Bộ vi xử lý: Intel core i5 2.4 GHZ
• Bộ nhớ trong: DDR3 8GB 1600MHZ
• Môi trường Java: Open JDK 8
Các thực nghiệm
Chúng tôi thực hiện thí nghiệm trên hai bản đồ của thành phố Berlin, Đức và Hà Nội, Việt Nam Đối với mỗi bản đồ, chúng tôi phân tích hiệu suất của các thuật toán tìm đường dựa trên các tiêu chí cụ thể.
• Tổng khoảng cách của phương tiện đang xét đã đi qua từ nguồn tới đích.
• Quãng thời gian để phương tiện đi từ nguồn tới đích.
• Thời gian xử lý của thuật toán.
Hình 4.4: Thực nghiệm với bản đồ thành phố Berlin
Hình 4.5: Thực nghiệm với bản đồ thành phố Hà Nội
Bản đồ thành phố Berlin được sử dụng để xác định lộ trình từ điểm trên đường Holzmarktstraße (tọa độ x = 582858, y = 353950) đến điểm trên đường Littenstraße (tọa độ x = 550418, y = 320967) như trong hình 4.4 Môi trường giao thông được thiết lập chỉ bao gồm ô tô và xe máy, trong đó ô tô bao gồm các loại xe dưới 7 chỗ, xe bán tải, xe tải và xe buýt Số lượng phương tiện được giới hạn để thuận tiện cho việc so sánh các thuật toán.
Bản đồ thành phố Hà Nội cho phép chúng tôi xác định lộ trình từ điểm trên đường Trần Thái Tông (tọa độ x = 12971115, y = 10755648) đến điểm trên đường S1204 (tọa độ x = 12991416, y = 10810560) Môi trường được thiết lập tương tự như bản đồ thành phố Berlin.
Trong các thực nghiệm tiến hành, chúng tôi sử dụng các tham số sau cho thuật toán ACS của mình:
• Hệ số bay hơi mùi ρ = 0.1
Các công cụ dẫn đường hiện tại chưa tính đến yếu tố ùn tắc giao thông Trong nghiên cứu của chúng tôi, yếu tố ùn tắc đã được tích hợp để hướng dẫn người tham gia giao thông Khi xảy ra ùn tắc, hệ thống tự động nhận diện và tìm kiếm lộ trình thay thế Chúng tôi đã thực hiện thí nghiệm trên các tuyến đường cụ thể, tăng mật độ phương tiện để tạo ra tình trạng tắc nghẽn Tại Berlin, điểm ùn tắc được xác định là ngã tư giữa đường Littenstraße và đường Stralauer Straße Tương tự, tại Hà Nội, điểm gõy tắc nghẽn nằm ở ngã tư giữa đường Trần Thái Tông và đường S1583.
Hình 4.6: Điểm tắc nghẽn trên bản đồ Berlin
Kết quả
Hình 4.7: Điểm tắc nghẽn trên bản đồ Hà Nội
Dưới đây là kết quả thực nghiệm của chúng tôi đối với từng thực nghiệm mô tả ở trên như sau
Thuật toán A* và ACS đã được so sánh trong việc tìm đường đi cho phương tiện từ Holzmarktstraße tới Littenstraße Kết quả cho thấy thuật toán ACS cung cấp thời gian di chuyển nhanh hơn, chỉ mất 53,80 giây, ít hơn gần 5 giây so với A*, và quãng đường di chuyển cũng ngắn hơn với 541m so với 1060m của A* Điều này cho thấy ACS có chất lượng dẫn đường tốt hơn Tuy nhiên, thời gian thực thi của ACS lại lâu hơn, với 41 miligiây so với 25 miligiây của A* Bảng 4.1 trình bày các kết quả so sánh, bao gồm thêm một số tuyến đường khác để làm phong phú thêm dữ liệu.
Trong thực nghiệm nhằm tăng mật độ giao thông và gây tắc nghẽn tại ngã tư giữa đường Littenstraße và Stralauer Straße, tuyến đường mới được xác định sẽ bắt đầu từ Holzmarktstraße, sau đó đi đến Stralauer Straße, tiếp tục tới Dircksenstraße, rồi hướng tới Voltairestraße và cuối cùng là Littenstraße.
Hình 4.8: Kết quả chỉ dẫn đường đi của thuật toán A* trên bản đồ Berlin
Hình 4.9: Kết quả chỉ dẫn đường đi của thuật toán ACS trên bản đồ Berlin
Bảng 4.1: Kết quả thực nghiệm trên bản đồ thành phố Berlin
Tuyến đường Thuật toán Khoảng cách
Thời gian xử lý (mili giây)
Từ Leipziger Straòe tới Charlottenstraòe
Thuật toán A* đã đưa ra đường đi cho phương tiện từ Trần Thái Tông tới Thành
Thái và tới S1204 như hình4.10 Với thuật toán ACS, đường đi của phương tiện từ
Trần Thái Tông tới S1226 và tới S1204 như hình4.11.
Hình 4.10: Kết quả chỉ dẫn đường đi của thuật toán A* trên bản đồ thành phố Hà
Thuật toán ACS đã chứng minh hiệu quả vượt trội trong việc tối ưu hóa thời gian di chuyển của phương tiện theo dõi tại thành phố Berlin, với kết quả đạt 60,88 giây.
Hình 4.11: Kết quả chỉ dẫn đường đi của thuật toán ACS trên bản đồ thành phố
So với thuật toán A*, thuật toán ACS cho thấy thời gian di chuyển tại Hà Nội nhanh hơn gần 4 giây, với quãng đường ngắn hơn 802m so với 1150m của A* Điều này chứng tỏ chất lượng dẫn đường của ACS vượt trội hơn Tuy nhiên, thời gian xử lý của ACS là 31 miligiây, cao hơn so với 18 miligiây của A* Kết quả này được thể hiện rõ trong bảng 4.2 Trong thực nghiệm, khi tăng mật độ giao thông gây tắc nghẽn tại ngã tư Trần Thái Tông và S1583, lộ trình mới từ Trần Thái Tông đến Thành Thái và tiếp tục tới S1204 đã giúp tránh được điểm ách tắc.
Dựa trên kết quả mô phỏng từ thực nghiệm của chúng tôi, thuật toán ACS cho thấy hiệu quả vượt trội trong việc tìm kiếm đường đi ngắn nhất.
Bảng 4.2: Kết quả thực nghiệm trên bản đồ thành phố Hà Nội
Thời gian xử lý (mili giây)
Ant Colony 802 60,88 31 thời gian thực thi của thuật toán lại là một vấn đề cần phải lưu ý khi sử dụng ACS.
