ĐỒ ÁN CƠ SỞ TÌM HIỂU GIẢI THUẬT DI TRUYỀN VÀ CÁC ỨNG DỤNG

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ TÌM HIỂU GIẢI THUẬT DI TRUYỀN VÀ CÁC ỨNG DỤNG Giảng viên hướng dẫn ThS VƯƠNG XUÂN CHÍ Sinh viên thực hiện TR. LỜI CẢM ƠN Trong suốt quá trình học tập em luôn được sự quan tâm, giúp đỡ tận tình của các Thầy, Cô trong Khoa Công nghệ thông tin cùng với sự giúp đỡ của bạn bè xung quanh. Lời đầu tiên, em xin trân trọng cảm ơn Thầy Vương Xuân Chí đã tận tình hướng dẫn trong quá trình học tập cũng như trong việc hoàn thành đồ án cơ sở này. Xin chân thành cảm ơn các Thầy Cô trong Khoa đã tận tình giảng dạy em trong thời gian học tập. Không quên cảm ơn bạn Trần Vĩnh Phúc đồng hành cùng tôi xuyên suốt quá trình học tập, bạn và tôi đã cùng nhau cố gắn hoàn thiện bài nghiên cứu này. Do giới hạn kiến thức và khả năng lý luận của bản thân còn nhiều thiếu sót và hạn chế, kính mong sự chỉ dẫn, đóng góp và phê bình của các Thầy, Cô để bài luận văn của em được hoàn thiện hơn. Và cuối cùng em xin cảm ơn Thầy Chí đã luôn giúp đỡ và hướng dẫn em tận tình trong thời gian qua. Em rất vui và vinh hạnh khi được làm việc với Thầy. Thật may mắn cho bọn em khi được làm việc cùng Thầy trong quãng thời gian vừa qua. Cảm ơn Thầy đã giúp đỡ và chỉ dạy cho bọn em nhiều điều bổ ích. Em chúc Thầy luôn khỏe mạnh, hạnh phúc, và đạt thêm nhiều thành công mới. Em xin trân trọng cảm ơn

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ TÌM HIỂU GIẢI THUẬT DI TRUYỀN VÀ CÁC ỨNG DỤNG Giảng viên hướng dẫn: ThS VƯƠNG XUÂN CHÍ Sinh viên thực hiện: THỊ BÉ QUYÊN TRẦN MSSV: 2000005977 Chuyên ngành: học liệu Môn học: Khoa Môn Đồ án sở Khoa học liệu Khóa: 2020 Tp.HCM, tháng năm 2022 Trường Đại học Nguyễn Tất Thành CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Khoa Cơng Nghệ Thông Tin Độc lập – Tự – Hạnh phúc � � � � � � � � NHIỆM VỤ ĐỒ ÁN CƠ SỞ Họ tên: Trần Thị Bé Quyên MSSV: 2000005977 Chuyên ngành: Khoa Học Dữ Liệu Lớp: 20DTH2A Email: tranthibequyen2408@gmail.com SĐT: 0353 432 913 Tên đề tài: Tìm hiểu giải thuật di truyền ứng dụng Giáo viên hướng dẫn: Vương Xuân Chí Thời gian thực hiện: 20/06/2022 đến 20/09/2022 MÔ TẢ ĐỀ TÀI: Thuật giải di truyền (genetic algorithm) kỹ thuật khoa học máy tính nhằm tìm kiếm giải pháp thích hợp cho toán tối ưu tổ hợp Thuật giải di truyền phân ngành giải thuật tiến hóa vận dụng nguyên lý tiến hóa di truyền, đột biến, chọn lọc tự nhiên, trao đổi chéo Thuật giải di truyền kỹ thuật tìm kiếm lời giải tối ưu đáp ứng yêu cầu nhiều toán ứng dụng NỘI DUNG VÀ PHƯƠNG PHÁP: - Tìm hiểu tổng quan giải thuật di truyền - Tìm hiểu phép toán giải thuật di truyền để giải toán tối ưu - Áp dụng vào tốn thực tế U CẦU: - Có kiến thức, đam mê, hiểu biết công nghệ Mạng neural, Machine Learning, Deep Learning… Đọc hiểu tài liệu tiếng Anh, kỹ trình bày văn máy tính tốt - Có tác phong làm việc chăm chỉ, tinh thần trách nhiệm cao, có khả làm việc độc lập làm việc nhóm tốt Nội dung yêu cầu thông qua Bộ môn TP.HCM, ngày 26 tháng năm 2022 Q TRƯỞNG BỘ MÔN GIÁO VIÊN HƯỚNG DẪN (Ký ghi rõ họ tên) (Ký ghi rõ họ tên) ThS Vương Xuân Chí ThS Vương Xn Chí LỜI CẢM ƠN Trong suốt q trình học tập em quan tâm, giúp đỡ tận tình Thầy, Cơ Khoa Cơng nghệ thơng tin với giúp đỡ bạn bè xung quanh Lời đầu tiên, em xin trân trọng cảm ơn Thầy Vương Xn Chí tận tình hướng dẫn q trình học tập việc hồn thành đồ án sở Xin chân thành cảm ơn Thầy Cơ Khoa tận tình giảng dạy em thời gian học tập Không quên cảm ơn bạn Trần Vĩnh Phúc đồng hành xuyên suốt q trình học tập, bạn tơi cố gắn hoàn thiện nghiên cứu Do giới hạn kiến thức khả lý luận thân cịn nhiều thiếu sót hạn chế, kính mong dẫn, đóng góp phê bình Thầy, Cơ để luận văn em hồn thiện Và cuối em xin cảm ơn Thầy Chí ln giúp đỡ hướng dẫn em tận tình thời gian qua Em vui vinh hạnh làm việc với Thầy Thật may mắn cho bọn em làm việc Thầy quãng thời gian vừa qua Cảm ơn Thầy giúp đỡ dạy cho bọn em nhiều điều bổ ích Em chúc Thầy khỏe mạnh, hạnh phúc, đạt thêm nhiều thành công Em xin trân trọng cảm ơn! LỜI MỞ ĐẦU Trong ngành khoa học máy tính, tìm kiếm lời giải tối ưu cho toán vấn đề nhà khoa học máy tính đặc biệt quan tâm Mục đích thuật tốn tìm kiếm lời giải tìm lời giải tối ưu cho toán thời gian nhỏ Trong trình sinh sản tổ hợp đặc tính tốt từ tổ tiên, sau vài hệ lồi tiến hóa tự nhiên thích nghi mơi trường phát triển Nhà bác học Charles Darwin nêu lý thuyết tiến hóa tự nhiên lồi vật, qua nhiều hệ sinh vật phát triển dựa nguyên lý chọn lọc tự nhiên “lồi thích nghi tồn tại”, ta thấy tự nhiên loài vật cạnh tranh nơi trú ẩn, thực phẩm,…các cá thể lồi cịn cạnh tranh để thu hút bạn tình mùa sinh sản cá thể thích nghi có hội tồn cá thể thích nghi phát triển cho nhiều Trong trình sinh sản tổ hợp đặc tính tốt từ tổ tiên, sau vài hệ lồi tiến hóa tự nhiên thích nghi mơi trường phát triển Dựa tảng lý thuyết tiến hóa tự nhiên này, đến năm 1975 Holland phát triển ý tưởng vào hệ thống nhân tạo, ông áp dụng nguyên tắc để tối ưu hóa vấn đề xây dựng thuật toán di truyền (GAs) Hiện GAs xem công cụ mạnh mẽ để giải vấn đề tìm kiếm tối ưu hóa phức tạp thời gian biểu, lập kế hoạch mua sắm, … Trong gần ba thập niên qua, giải thuật di truyền cải tiến phát triển gọi chung tính tốn tiến hóa thực tạo kết khả quan áp dụng giải toán tối ưu Giải thuật di truyền tính tốn tiến hóa mơ tiến hóa tự nhiên sinh học gần phương pháp tối ưu hóa đàn kiến Dorigo đề xuất hướng tiếp cận đại Cả hai loại giải thuật tỏ hiệu việc áp dụng giải toán tối ưu TRƯỜNG ĐH NGUYỄN TẤT THÀNH KỲ THI KẾT THÚC HỌC PHẦN TRUNG TÂM KHẢO THÍ HỌC KỲ III NĂM HỌC 2021 - 2022 PHIẾU CHẤM THI TIỂU LUẬN/ĐỒ ÁN Môn thi: Đồ án sở Khoa học liệu Lớp học phần: 20DTH2A Nhóm sinh viên thực hiện: 1.Trần Vĩnh Phúc Tham gia đóng góp: 2.Trần Thị Bé Quyên Tham gia đóng góp: Ngày thi: Phòng thi: Đề tài tiểu luận/báo cáo sinh viên: Tìm hiểu giải thuật di truyền ứng dụng Phần đánh giá giảng viên (căn thang rubrics mơn học): Tiêu chí (theo CĐR HP) Đánh giá GV Điểm tối đa Điểm đạt Cấu trúc báo cáo Nội dung - Các dung phần nội thành - Lập luận - Kết luận Trình bày TỔNG ĐIỂM Giảng viên chấm thi (ký, ghi rõ họ tên) PHẦN NHẬN XÉT + CHẤM ĐIỂM CỦA GIẢNG VIÊN Điểm giáo viên hướng dẫn: Điểm giảng viên chấm vòng 2: TPHCM, Ngày …… tháng …… năm Giáo viên chấm vòng Giáo viên hướng dẫn MỤC LỤC NHIỆM VỤ ĐỒ ÁN CƠ SỞ iii LỜI CẢM ƠN i LỜI MỞ ĐẦU ii PHIẾU CHẤM THI TIỂU LUẬN/ĐỒ ÁN iii PHẦN NHẬN XÉT + CHẤM ĐIỂM CỦA GIẢNG VIÊN iv MỤC LỤC vi DANH MỤC CÁC BẢNG BIỂU vii DANH MỤC CÁC BẢNG HÌNH viii DANH MỤC CÁC TỪ VIẾT TẮT ix Chương 1: Các khái niệm liên quan đến giải thuật di truyền 1.1 Di truyền gì? 1.2 Nhiễm sắc thể 1.3 Cá thể 1.4 Quần thể 1.5 Thế hệ 1.6 Tiến hóa 1.7 Giải thuật di truyền Chương 2: Giải thuật di truyền 2.1 Tổng quan giải thuật di truyền 3 2.1.1 Giới thiệu giải thuật di truyền 2.1.2 Các tính chất giải thuật di truyền 2.1.3 Các toán tử di truyền 2.2 Các bước thuật toán di truyền 2.2.1 Sơ đồ giải thuật di truyền 2.2.2 Giả lập thuật giải di truyền 2.3 Cách biểu diễn gene 8 10 12 2.3.1 Biểu diễn gene chuỗi nhị phân 12 2.3.2 Biểu diễn chuổi thập phân 14 2.4 Các tham số 15 2.5 Hàm mục tiêu 15 2.6 Xây dựng hàm thích nghi 17 2.7 Nguyên lý hoạt động 17 2.7.1 Cơ sở toán học giải thuật di truyền 17 2.7.2 Thuộc tính sơ đồ 18 2.8 So sách GAs với kỹ thuật tối ưu khác Chương 3: Ứng dụng 19 20 3.1 Bài toán người du lịch (TSP) 20 3.2 Bài toán lập lịch 21 3.3 Bài tốn lập thời khóa biểu cho trường học 23 3.4 Bài toán phân hoạch đối tượng đồ thị 23 3.5 Vạch đường cho robot di chuyển 24 3.6 Bài tốn đốn Password 24 3.7 Một số cơng trình nghiên cứu 27 Chương 4: Kết luận 29 TÀI LIỆU THAM KHẢO 32 Sơ đồ (*111100100) khớp với hai chuỗi: {(0111100100), (1111100100)} Và sơ đồ (*1*1100100) khớp với chuỗi {(0101100100), (0111100100), (1101100100), (1111100100)} Đương nhiên, sơ đồ (1001110001) khớp với nó, sơ đồ (**********) khớp với tất chuỗi có chiều dài 10 Rõ ràng sơ đồ cụ thể có tương ứng r chuỗi, với r số ký tự đại diện ‘*’ có sơ đồ Mặc khác, chuỗi chiều dài m khớp với 2m sơ đồ Một chuỗi chiều dài m, có tối đa m sơ đồ Trong quần thể kích thước n, có tương ứng từ m đến nx2m sơ đồ khác 2.7.2 Thuộc tính sơ đồ Các sơ đồ khác có đặc trưng khác Các đặc trưng thể qua hai thuộc tính quan trọng bậc chiều dài xác định Bậc sơ đồ S (ký hiệu σ(S)) chiều dài chuỗi trừ số ký tự đại diện Bậc xác định đặc trưng sơ đồ Ví dụ: ba sơ đồ chiều dài 10 S1= (***001*110) S2= (****00**0*) S3= (11101**001) Có bậc tương ứng: σ(S1)=6; σ(S2)=3; σ(S3)=8 Khái niệm bậc sơ đồ giúp cho việc tính xác suất sống sơ đồ ảnh hưởng đột biến Chiều dài xác định sơ đồ S (ký hiệu δ(S)) khoảng cách hai vị trí cố định đầu cuối Nó định nghĩa “độ nén” thông tin chứa sơ đồ 18 Ví dụ: δ(S1) =10 - = 6; δ(S2) = - =4; δ(S3) =10 - 1= Như vậy, sơ đồ có vị trí cố định có chiều dài xác định Khái niệm chiều dài xác định sơ đồ giúp tính xác suất sống cịn sơ đồ ảnh hưởng phép lai GAs sử dụng quần thể lời giải Mỗi lời giải đại diện NST, đại diện trừu tượng Các NST mã hóa thành chuỗi nhị phân, vị trí chuỗi tồn hai giá trị “1” “0” Chẳng hạn như: 0 1 1 Độ tốt cá thể đánh giá hàm mục tiêu g(x) với x NST Hàm mục tiêu g(x) sau tính tốn sở để đánh giá độ thích nghi cá thể Hàm thích nghi f(x) định khả cá thể chọn lọc vào hệ sau, việc ánh xạ g(x)→ f(x) có nhiều phương pháp ánh xạ khác phụ thuộc vào mục đích tốn 2.8 So sách GAs với kỹ thuật tối ưu khác Hoạt động GAs đơn giản việc mơ tiến hóa chọn lọc tự nhiên máy tính quần thể ngẫu nhiên Bên cạnh để tối ưu ta cần hàm lượng giá hàm thích nghi để chọn cá thể tốt loại bỏ cá thể xấu Thuật toán di truyền (GAs) khác với kĩ thuật tối ưu khác chỗ: - GAs làm việc với mã biến làm việc trực tiếp biến - Hầu hết kĩ thuật tối ưu thông thường tìm kiếm từ đỉnh, GAs hoạt động tập hợp đỉnh (điểm tối ưu), điều ưu điểm GAs giúp tăng hội tiếp cận tối ưu toàn cục tránh hội tụ sớm điểm cục địa phương - GAs đánh giá hàm mục tiêu để phục vụ trình tìm kiếm, ứng dụng cho tốn tối ưu (liên tục hay rời rạc) - GAs thuộc lớp thuật toán xác suất, thao tác GAs dựa khả tích hợp ngẫu nhiên q trình xử lý Trong số trường hợp, GAs khơng thể tìm lời giải tối ưu Lý do, GAs hội tụ sớm lời giải tối ưu cục Hội tụ sớm vấn đề giải thuật di truyền 19 giải thuật tối ưu khác Nếu hội tụ xảy q nhanh thơng tin đáng tin cậy phát triển quần thể thường bị bỏ qua Nguyên nhân hội tụ sớm liên quan tới hai vấn đề: • Quy mơ loại sai số chế tạo • Bản chất hàm mục tiêu Chương 3: Ứng dụng GA sử dụng cho tốn khó, ứng dụng thành cơng cho số tốn như: lập kế hoạch, điều khiển tương thích, chương trình trị chơi, toán vận tải, toán người du lịch,… 3.1 Bài tốn người du lịch (TSP) TSP mơ tả sau: du khách muốn thăm thành phố anh quan tâm, thành phố thăm qua lần, trở điểm khởi hành Biết trước chi phí di chuyển hai thành phố Yêu cầu toán xây dựng lộ trình thỏa điều kiện với tổng chi phí nhỏ TSP toán tối ưu tổ hợp, khơng gian tìm kiếm tập hốn vị n thành phố Bất hoán vị n thành phố lời giải chấp nhận Lời giải tối ưu hoán vị với chi phí tối thiểu hành trình Khơng gian tìm kiếm n! Có thể giải tốn nhiều phương pháp: phương pháp nhánh cận, phương pháp gần hay phương pháp tìm kiếm heuristic Phương pháp nhánh cận chứng minh đạt tối ưu lời giải, nhiên phương pháp lại nhiều thời gian số đỉnh đồ thị lớn Bài tốn TSP thuộc lớp tốn NP - Khó (lớp tốn khơng có giải thuật thời gian đa thức) 20 Việc thực liệt kê hết tất chu trình điều gần khơng thể với số đỉnh lớn (đồ thị n đỉnh phải duyệt n! chu trình Số chu trình phải duyệt tăng nhanh số đỉnh n lớn Ngay với đồ thị 100 đỉnh, việc duyệt toàn điều khó thực Trong năm gần đây, xuất nhiều thuật toán đạt gần đến lời giải tối ưu toán TSP: láng giềng gần nhất, đảo gần nhất, đảo xa nhất,… TSP trở thành đích ngắm cơng đồng GA Với toán đánh số thành phố dùng vector nguyên để biểu diễn mọt NST lộ trình v = biểu diễn lộ trình: từ i1 đến i2, từ in-1 đến in trở i1 (v hoán vị vector ), hàm lượng giá chi phí lộ trình Với quần thể khởi tạo ban đầu, chúng tiến hóa cách ngẫu nhiên thích nghi với điều kiện chọn lọc, cá thể thích nghi bị loại thải cá thể tốt chọn làm lời giải Việc tiến hóa diễn qua số hệ, hệ ta thực lai ghép đột biến ngẫu nhiên toàn quần thể Lai ghép: ngẫu nhiên 50% số cá thể đứng quần thể (Lựa chọn cha mẹ ngẫu nhiên) Đột biến cho toàn quần thể 100% (uy điều trái tự nhiên việc tìm nguồn gen cần ưu tiên hết) Sau số hệ định trước (10,000 đến 10,000,000) chương trình dừng xuất kết Cải tiến đa luồng: Để tận dụng hiệu vi xử lý đa lõi giải thuật thiết kế với luồng chạy song song Mỗi luồng chạy độc lập, thực tiến hóa cho quần thể riêng biệt Kết trả lựa chọn từ kết tốt 3.2 Bài toán lập lịch 21 Lập lịch toán tổ chức sản xuất Một công ty cần sản xuất nhiều loại hàng hóa, hàng hóa sản xuất theo kế hoạch khác Mỗi kế hoạch xử lý gồm chuỗi thao tác, thao tác sử dụng số tài nguyên cần thời gian chạy máy Một lịch sản xuất kế hoạch thực đơn đặt hàng Trong đó, số đơn đặt hàng thực với thao tác tương đương Nhiệm vụ lên kế hoạch, lập lịch sản xuất, để thực đơn đặt hàng nhanh Được ứng dụng nhiều quản lý lịch thi, đề thi, thời khóa biểu, hệ thống cpu Các đặc trưng tốn lập lịch: Tài ngun: nguồn liệu đầu vào toán Các tài ngun phục hồi khơng Tác vụ: đánh giá qua tiêu chuẩn thực nhƣ thời gian thực hiện, chi phí, mức tiêu thụ nguồn tài nguyên Ràng buộc: điều kiện cần thỏa mãn để tốn đưa lời giải tốt Mục tiêu: đánh giá độ tối ưu lịch trình lời giải tốn Khi mục tiêu thỏa mãn ràng buộc phải thỏa mãn Bài toán lập lịch chọn chuỗi thao tác đồng thời định thời gian bắt đầu/ kết thúc tài nguyên cần thiết cho thao tác Điều cần quan tâm yếu chi phí thời gian máy rỗi, lực lao động đơn đặt hàng cần hồn thành hạn Ý tưởng phương pháp mã hóa biểu diễn lịch phân cơng toán tử di truyền phải thực theo cách có ý nghĩa, giải mã phải ln tạo lời giải hợp lệ cho toán Thủ tục giải mã mô thao tác cơng việc theo cách mà máy tính sẵn sàng chọn lựa, thao tác cho phép từ danh sách ưu tiên lấy Ví dụ danh sách ưu tiên máy m là: m1(40 o3 o1 o2 ‘chờ’ ‘nhàn rỗi’), thủ tục giải mã vào thời điểm 40 thực đơn đặt hàng o máy m1 Nếu không được, thủ tục giải mã thực đơn đặt hàng o o2 (nghĩa là, tìm o1 22 trước; khơng tìm o 2) Biểu diễn bảo đảm tạo lịch phân công hợp lệ Một số bước để giải toán lập lịch thi: Bước 1: khởi tạo liệu lịch thi Bước 2: nhập, điều chỉnh liệu lịch thi Bước 3: nhập, sửa, điều chỉnh ràng buộc lịch thi Bước 4: xếp tự động lịch thi Bước 5: điều chỉnh liệu lịch thi (nếu có thay đổi) Bước 6: hồn thiện lịch thi Bước 7: in lịch thi Bước 8: tổng hợp, thống kê truy vấn thông tin lịch thi 3.3 Bài tốn lập thời khóa biểu cho trường học Bài tốn thời khóa biểu tốn kết hợp nhiều ràng buộc khơng tầm thường thuộc nhiều loại Có nhiều phiên tốn thời khóa biểu, tốn mơ tả sau: Có danh sách giáo viên, danh sách khoảng thời gian, danh sách lớp Bài tốn cần tìm thời khóa biểu tối ưu (giáo viên – thời gian – lớp); hàm mục tiêu phải thỏa mục tiêu (các ràng buộc mềm) gồm: Có số xác định trước cho giáo viên lớp Chỉ giáo viên lớp vào định; Một giáo viên dạy hai lớp lúc; Đối với lớp xếp thời khóa biểu vào khoảng thời gian, phải có giáo viên Ngồi cịn có mục tiêu sư phạm trải số lớp nguyên tuần, mục tiêu thuộc cá nhân giáo viên hợp đồng dạy buổi chiều, mục tiêu tổ chức có giáo viên bổ sung sẵn sàng chỗ dạy tạm thời 3.4 Bài toán phân hoạch đối tượng đồ thị 23 Bài toán phân hoạch cần chia n đối tượng thành k loại Lớp toán gồm nhiều toán tiếng toán đóng thùng (gán mặt hàng vào thùng), tốn tơ màu đồ thị (gán nút đồ thị vào màu cụ thể ) Bài tốn đóng thùng (Bin Packing – BP) phát biểu sau: Cho danh sách gồm n đồ vật L=a1, a2, a3 , an thùng giống với sức chứa B Kích thước đồ vật si thỏa mãn Vấn đề đặt tìm cách xếp đồ vật vào thùng cho số lượng thùng cần phải sử dụng 3.5 Vạch đường cho robot di chuyển Tìm đường hướng dẫn robot di chuyển đến đích mà khơng bị lạc hay va vào đối tượng khác Trong toán này, lộ trình lập trước để robot theo, lộ trình dẫn dắt robot tới đích cách hồn hảo Tuy nhiên, nhà khoa học muốn cải tiến cách vạch lộ trình nội tại, phụ thuộc vào tri thức thu từ việc cảm nhận môi trường cục để xử lý chướng ngại chưa biết Bộ tìm đường tiến hóa (EN) đề xuất Phần đầu thuật giải tìm lộ trình tồn cục tối ưu từ điểm khởi đầu đến đến đích, phần thứ hai có trách nhiệm xử lý va chạm xảy hay vật cản chưa biết trước cách thay phần lộ trình tồn cục lộ trình tối ưu Bài tốn áp dụng ứng dụng robot lau nhà (cleaning robot), roboắtcco (lawn mowing), robot thu hoạch mùa vụ (harvesting), robot tìm kiếm tài ngun (mine hunting) Bài tốn thực hệ thống đơn robot (single - robot system) hệ thống đa robot (multi - robot system) xem xét tối ưu theo tiêu chuẩn tỷ lệ bao phủ thời gian bao phủ Ở mức cao, tốn bao phủ hồn chỉnh giải theo phương pháp: gián tiếp (offline) trựctiếp (online) Hiện nay, công ty Samsung, LG iRobotāđưa sản phẩm robot lau nhà Samsung SR8845, LG VR6170LVM iRobot Roomba 880 Các robot cài 24 đặt thuật toán bao phủ dựa đường ngẫu nhiên đường quét theo đường cày (boustrophedon path) đường xoắn ốc (spiral path) 3.6 Bài toán đoán Password Về toán đoán password (Guessing Password), sử dụng ký tự bảng chữ để tái tạo lại mật Cụ thể, bắt đầu với ký tự: a-z, AZ, ! để tái tạo nên mật khẩu: “Hello Word!” Các bước giải toán: Khởi tạo quần thể: Sinh ngẫu nhiên đoạn dài 11 ký tự (dài với mục tiêu "Hello World" Tính giá trị thích nghi: Đếm số ký tự trùng đoạn tạo "Hello World" Điều kiện dừng: Kiểm tra xem số ký tự trùng 11 hay không Chọn lọc: Chọn hai cá thể bố mẹ từ quần thể cũ theo độ thích nghi chúng (cá thể có độ thích nghi cao có nhiều khả chọn) Trao đổi chéo (Khơng thực tốn này): Với xác suất chọn, trao đổi chéo hai cá thể bố mẹ để tạo cá thể Đột biến: Với xác suất đột biến chọn, biến đổi cá thể Chọn kết quả: Khi số ký tự trùng 11 dừng thuật tốn Tất trình tự đoạn 11 ký tự ( độ dài với "Hello World") gọi Chromosomes (NST) Và loại ký tự đại diện cho loại Gene khác Đầu tiên khai báo biến geneSet chứa ký tự bảng chữ cái, ký tự đại diện cho loại Gene Cùng với đó, khai báo biến target đoạn ký tự mục tiêu “Hello Word” Bước 1: Tạo tập thể ban đầu Sử dụng random.sample để tạo ngẫu nhiên từ geneSet theo độ dài cho trước Chúng ta có test initialize_chromosomes(11) Kết có dạng: 'yTtumWSgfkM' 25 Chú ý: Vòng While sinh nhằm xử lý vấn đề độ dài Chromosomes dài số lượng loại gene ban đầu Bước 2: Tính giá trị thích nghi Chúng ta thấy rằng, Chromosomes có khả trường hợp như: Sekmo xosmd Seklo Wocle Fello Wosld Gello World Hello World Có thể nhận đoạn cuối đoạn xác Nhưng "đo" độ tối ưu Chromosomes Hàm lỗi (error function/ cost function/loss function) hàm số giúp đo độ tối ưu Chromosome Ở hàm này, hướng tới giá trị nhỏ tốt Với toán “Đoán mật khẩu”, để đo độ tối ưu, đếm số kí tự sai khác vị trí Chromosome đoạn kí tự mục tiêu "Hello World" Vì vậy, hàm lỗi tối ưu số kí tự sai khác Dùng quy luật để tính sai khác cho trường hợp Chromosomes trên: Sekmo xosmd(6) Seklo Wocle(4) Fello Wosld(2) Gello World(1) Hello World(0) 26 Hàm error_function tính số ký tự sai khác vị trí Chromosome "Hello World" Có thể test hàm sau: error_function("Hello World") cho kết Bước 3: Điều kiện dừng Kiểm tra điều kiện điểm dừng error_function có hay khơng Bước 4: Tiến hóa Trong bước này, gộp chung kỹ thuật: chọn lọc, trao đổi chéo đột biến Mục tiêu bước tạo hệ tối ưu hệ cũ Độ tối ưu đo theo hàm lỗi Chúng ta mường tượng rằng, vòng lặp, vòng lặp thực kỹ thuật trên, sau check điều kiện dừng Nếu khơng đáp ứng vịng lặp tiếp tục đáp ứng thơi Index số chọn ngẫu nhiên tức đột biến xảy cách ngẫu nhiên Chromosome newGene alternate ngẫu nhiên tạo từ geneSet Vì lại phải tạo tận đột biến? Câu trả lời đột biến vơ nghĩa điểm nên cần đột biến khác thay Hàm hổ trợ Xây dựng hàm display giúp hiển thị thay đổi qua hệ thời gian chạy tương ứng 3.7 Một số cơng trình nghiên cứu Về mặt tổng qt, GAs thuật tốn tốt, nhiên khơng phải thuật tốn thành cơng số miền đặc biệt Do đó, người ta mong muốn tìm lời giải tốt cách kết hợp GAs với số thuật toán kĩ thuật khác ❖ Bài tốn lập lịch: Trình bày thuật toán di truyền cho toán lập lịch job shop (Jobshop Scheduling Problem - JSP) Thuật toán có số đổi sau đây: Một lịch biểu mã hóa số tự nhiện; luật ưu tiên Giffler Thompson dùng để 27 tạo lịch biểu tích cực; phép đột biến thực cá thể tiềm kết hợp với kĩ thuật tìm kiếm lân cận; phép trao đổi chéo kết hợp trao đổi chéo đồng với thuật toán GAs thực cá thể cha ❖ Nghiên cứu tốn thời khóa biểu: Giới thiệu phương án tiến hóa cho tốn lập thời khóa biểu trường phổ thơng Bài tốn thời khóa biểu trường hợp riêng tốn lập lịch, đưa chuỗi kiện (các môn học, giảng môn thi) bao gồm giáo viên học sinh khoảng thời gian định trước tập ràng buộc phải thỏa mãn loại thời khóa biểu khác Hiện giải thuật di truyền phương pháp sử dụng nhiều để giải tốn lập thời khóa biểu Vì đồ án để đơn giản em sử dụng giải thuật di truyền để giải tốn lập thời khóa biểu cho đào tạo tín ❖ Bài viết tốn đóng thùng: Trình bày số kết liên quan đến việc xây dựng, cài đặt thử nghiệm thuật toán di truyền kết hợp với thuật tốn tìm kiếm trực tuyến oristic ❖ Bài toán phân hoạch: Giải thuật di truyền áp dụng cho tốn tách từ tiếng Việt tóm tắt sau: Xét văn t gồm n tiếng t = s1s2…sn Mục tiêu GAs xác định cách tách hợp lý văn t thành m đọan t= w 1w2…wm với wk=si…sj (1 ≤ k≤ m, 1≤ i, j≤ n) từ đơn hay từ phức ❖ Ứng dụng GAs học tham số cho mạng noron: “Điều khiển Robot với mạng Noron RBF có hệ số học tối ưu giải thuật di truyền” Đối với hệ thống điều khiển có tính phi tuyến cao độ bất định lớn, tham số hệ thống độ ma sát, thay đổi tải trọng thay đổi trong q trình điều khiển u cầu quan trọng trình học điều khiển nơrơn phải đảm bảo trình học online Trong nghiên cứu gần trình học mạng nơron dù phương pháp hàm bán kính sở hay phương 28 pháp EBP hệ số học h mạng nơron chọn theo kinh nghiệm người lập trình Trong báo tác giả đề cập đến việc sử dụng công cụ GAs để tối ưu hệ số học mạng nơron RBF thay lựa chọn kinh nghiệm Chương 4: Kết luận GA thuộc lớp giải thuật xuất sắc lại khác giải thuật ngẫu nhiên chúng kết hợp phần tử tìm kiếm trực tiếp ngẫu nhiên Khác biệt quan trọng tìm kiếm GA phương pháp tìm kiếm khác GA trì xử lý tập lời giải, gọi quần thể (population) Trong GA, việc tìm kiếm giả thuyết thích hợp bắt đầu với quần thể, hay tập hợp có chọn lọc ban đầu giả thuyết Các cá thể quần thể khởi nguồn cho quần thể hệ hoạt động lai ghép đột biến ngẫu nhiên – lấy mẫu sau q trình tiến hóa sinh học Ở bước, giả thuyết quần thể ước lượng liên hệ với đại lượng thích nghi, với giả thuyết phù hợp chọn theo xác suất hạt giống cho việc sản sinh hệ kế tiếp, gọi cá thể (individual) Cá thể phát triển hơn, thích ứng với mơi trường tồn ngược lại bị đào thải GA dị tìm hệ có độ thích nghi tốt GA giải tốn quy hoạch tốn học thơng qua q trình bản: lai tạo (crossover), đột biến (mutation) chọn lọc (selection) cho cá thể quần thể Dùng GA đòi hỏi phải xác định được: khởi tạo quần thể ban đầu, hàm đánh giá lời giải theo mức độ thích nghi – hàm mục tiêu, tốn tử di truyền tạo hàm sinh sản Bài toán tối ưu tốn tìm kiếm giải pháp (tốt nhất) không gian (vô lớn) giải pháp Khi không gian tìm kiếm nhỏ, phương pháp cổ điển đủ thích hợp; khơng gian lớn cần phải dùng đến kĩ thuật đặc biệt, GAs kĩ thuật GAs hệ thống dựa mô sống Thông qua chọn lọc, lai ghép, đột biến, GAs hội tụ qua nhiều hệ theo hướng tối ưu toàn cục GAs hi vọng hướng tới giải pháp tối ưu cách kết hợp thông tin tốt ẩn tập hợp giải pháp, để tạo giải pháp với thông tin tốt thừa hưởng từ cha mẹ Khả thuật toán khám phá khai thác, số 29 lượng lớn nghiên cứu thành cơng lí thuyết ứng dụng nhiều lĩnh vực giới thực chứng minh GAs kĩ thuật tối ưu mạnh mẽ thiết thực Giải thuật di truyền đề xuất phần lớn phụ thuộc vào “may mắn” đề tìm kết Do để tìm kết tối ưu với trường hợp số đỉnh lớn hạn chế Trong tương lai, nhóm tìm hiểu nghiên cứu giải thuật giúp tìm lời giải tối ưu với đồ thị có kích thước lớn, với cải tiến giải thuật GA quần thể động, đa quần thể tương tác 30 PHỤ LUC 31 TÀI LIỆU THAM KHẢO 32 ... 1.7 Giải thuật di truyền Chương 2: Giải thuật di truyền 2.1 Tổng quan giải thuật di truyền 3 2.1.1 Giới thiệu giải thuật di truyền 2.1.2 Các tính chất giải thuật di truyền 2.1.3 Các toán tử di truyền. .. lời giải tối ưu đáp ứng yêu cầu nhiều toán ứng dụng NỘI DUNG VÀ PHƯƠNG PHÁP: - Tìm hiểu tổng quan giải thuật di truyền - Tìm hiểu phép toán giải thuật di truyền để giải toán tối ưu - Áp dụng vào...