Luận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dâyLuận án tiến sĩ: Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dây
BË GIO DƯC V O TO TR×ÍNG I HÅC BCH KHOA H NËI NGUYN THÀ HNH MËT SÈ THUT TON METAHEURISTIC GII BI TON BAO PHÕ DIN TCH V ÈI TìẹNG TRONG MNG CM BIN KHặNG DY LUN N TIN S KHOA HÅC MY TNH H Nëi - 2019 BË GIO DƯC V O TO TR×ÍNG I HÅC BCH KHOA H NËI NGUYN THÀ HNH MËT SÈ THUT TON METAHEURISTIC GII BI TON BAO PHÕ DIN TCH V ÈI T×ĐNG TRONG MNG CM BIN KHặNG DY Ngnh M số : : Khoa håc m¡y t½nh 9480101 LUN N TIN S KHOA HC MY TNH NGìI HìẻNG DN KHOA HC: PGS.TS Huýnh Th Thanh Bẳnh PGS.TS Nguyạn ực Nghắa H Nëi - 2019 Líi cam oan Nghi¶n cùu sinh cam oan luên Ăn ny l cổng trẳnh nghiản cựu cừa chẵnh mẳnh dữợi sỹ hữợng dăn cừa têp th cĂn bở hữợng dăn Luên Ăn cõ sỷ dửng thổng tin trẵch dăn tứ nhiÃu nguỗn tham khÊo khĂc v cĂc thổng tin trẵch dăn ữủc ghi ró nguỗn gốc CĂc số liằu, kát quÊ luên Ăn l trung thüc v ch÷a tøng ÷đc cỉng bè c¡c cổng trẳnh nghiản cựu cừa bĐt ký tĂc giÊ no kh¡c H Nëi, ng y 05 th¡ng 11 n«m 2019 Thay mt têp th giĂo viản hữợng dăn Nghiản cựu sinh PGS.TS Huýnh Th Thanh Bẳnh Nguyạn Th HÔnh ii Lới cÊm ỡn Lới Ưu tiản, tổi xin by tọ lỏng biát ỡn sƠu sưc tợi cĂc thƯy cổ giĂo hữợng dăn, PGS.TS Huýnh Th Thanh Bẳnh v PGS.TS Nguyạn ực Nghắa ,  nh hữợng khoa hồc v tên tƠm gióp ï, ch¿ b£o st qu¡ tr¼nh ho n th nh luên Ăn tÔi trữớng Ôi hồc BĂch Khoa H Nởi Tỉi xin ch¥n th nh c£m ìn Ban gi¡m hi»u, Ban lÂnh Ôo Viằn cổng nghằ thổng tin v truyÃn thổng, cĂc thƯy cổ bở mổn Khoa hồc mĂy tẵnh v cĂc bÔn nghiản cựu Mổ hẳnh hõa, mổ phọng v tối ữu hõa, trữớng Ôi hồc BĂch khoa H Nởi  tÔo iÃu kiằn thuên lủi nhĐt tổi hon thnh chữỡng trẳnh hồc têp v thỹc hiằn luên Ăn nghiản cựu khoa hồc cừa mẳnh Tổi xin chƠn thnh cÊm ỡn Ban giĂm hiằu trữớng Ôi hồc Phữỡng ổng, têp th cĂn bở, giÊng viản Khoa cổng ngh» thỉng tin v truy·n thỉng nìi nghi¶n cùu sinh cổng tĂc v cĂc bÔn b thƠn thiát  luổn tÔo iÃu kiằn, ởng viản, khuyán khẵch tổi hon thnh luên Ăn ny Cuối cũng, tổi chƠn thnh by tọ lỏng cÊm ỡn tợi gia ẳnh  kiản trẳ, chia s´, ëng vi¶n nghi¶n cùu sinh suèt qu¡ trẳnh hồc têp v hon thnh luên Ăn ny H Nởi, ngy 05 thĂng 11 nôm 2019 Nghiản cựu sinh Nguyạn Th HÔnh iii MệC LệC BNG THUT NG VIT TT vii DANH SCH BNG ix DANH SCH HNH V xi MÐ U 1 CÌ SÐ LÞ THUYT 1.1 1.2 1.3 1.4 15 MÔng cÊm bián khổng dƠy 15 1.1.1 C£m bi¸n 15 1.1.2 Nót c£m bi¸n 16 1.1.3 MÔng cÊm bi¸n 17 1.1.4 Nhúng v§n à thĂch thực mÔng cÊm bián 19 C¡c mỉ h¼nh bao phõ cõa cÊm bián v mÔng cÊm bián khổng dƠy 20 1.2.1 Mổ hẳnh bao phừ cừa cÊm bián 21 1.2.2 B i to¡n bao phõ mÔng cÊm bián khổng dƠy 22 B i to¡n tèi ÷u 25 1.3.1 B i to¡n tèi ÷u li¶n tưc 26 1.3.2 B i to¡n tèi ÷u tê hđp 27 1.3.3 Ph÷ìng ph¡p gi£i b i to¡n tèi ÷u 28 Kát luên chữỡng 36 BI TON CÜC I DIN TCH BAO PHÕ TRONG MNG CM BIN KHặNG DY KHặNG ầNG NHT 38 iv 2.1 Ph¡t biºu b i to¡n 39 2.2 GiÊi thuêt à xuĐt 39 2.3 2.4 2.2.1 Gi£i thuêt tẳm kiám chim cuckoo cÊi tián 40 2.2.2 Gi£i thuªt Democratic PSO 46 2.2.3 GiÊi thuêt thử phĐn cho hoa hộn tÔp 49 2.2.4 Gi£i thuªt di truy·n c£i ti¸n 53 K¸t qu£ thüc nghi»m 65 2.3.1 Dú li»u thüc nghi»m 65 2.3.2 Tham sè thüc nghi»m 65 2.3.3 So s¡nh ¡nh gi¡ k¸t qu£ thüc nghi»m 68 Kát luên ch÷ìng 75 BI TON CÜC I DIN TCH BAO PHÕ TRONG MNG CM BIN KHặNG DY KHặNG ầNG NHT C RNG BUậC CHìẻNG NGI VT 76 3.1 PhĂt biu bi to¡n 76 3.2 GiÊi thuêt à xuĐt 77 3.3 3.4 3.2.1 Gi£i thuªt di truy·n c£i ti¸n 77 3.2.2 GiÊi thuêt tối ữu hõa bƯy n cÊi ti¸n 86 K¸t qu£ thüc nghi»m 90 3.3.1 Kàch b£n thüc nghi»m 90 3.3.2 Tham sè thüc nghi»m 91 3.3.3 So s¡nh ¡nh gi¡ k¸t qu£ thüc nghi»m 93 Kát luên chữỡng 105 BI TON BAO PHÕ ÈI T×ĐNG M BO KT NÈI V CHÀU LÉI TRONG MNG CM BIN KHỈNG D Y V MNG CM BIN KHỈNG D Y C SÛ DÖNG IM THU PHT DI ËNG 107 4.1 B i toĂn bao phừ ối tữủng Êm bÊo kát nối v chu lội mÔng cÊm bián khổng dƠy 108 4.1.1 Ph¡t biºu b i to¡n 108 4.1.2 GiÊi thuêt à xuĐt 109 v 4.1.3 4.2 4.3 K¸t qu£ thüc nghi»m 114 Bi toĂn bao phừ ối tữủng Êm bÊo kát nối mÔng cÊm bián khổng dƠy cõ sỷ dửng c¡c iºm thu ph¡t di ëng 117 4.2.1 Ph¡t biºu b i to¡n 117 4.2.2 GiÊi thuêt à xuĐt 118 4.2.3 K¸t qu£ thüc nghi»m 126 Kát luên chữỡng 132 KT LUN 134 DANH MƯC CỈNG TRNH CỈNG BÈ 137 TI LIU THAM KHO 140 vi BNG THUT NG VIT TT Chỳ viát tưt Tản Ưy ừ IoT WSNs MWSNs SWSNS HWSNS LoS VFA MVFA GA PSO CS ICS FPA CFPA DPSO ACB MCT SCAN ITS MR RADA MDC ROM RAM LX AMXO TC NCFT SSCAT FS USP Internet of Things Wireless Sensor Networks Mobile Wireless Sensor Networks Sparse Wireless Sensor Networks Hybrid Wireless Sensor Networks Line-of-Sight Virtual Force Algorithm Modify Virtual Force Algorithm Genetic Algorithm Particle Swarm Optimization Cuckoo Search Improve Cuckoo Search Flower Pollination Algorithm Chaotic Flower Pollination Algorithm Democratic Particle Swarm Optimization Artificial Bee Colony Maximum Cover Tree Spreadable Connected Automomic Network Intelligent Transportation System Mobile Relay Resource Aware Data Accumulation Mobile Data Collector Read only Memory Random Access Memory Laplace Crossover Arithmetic Crossover Target Coverage Network Connectivity Fault Tolerance Sensor Set Covering All Targets Final Solution Using Spanning Tree vii UTSP TSP SSFTP PGA SGA HCG MRP MEST EMST Using Travelling Salesman Problem Travelling Salesman Problem Sensors Set for Two Paths Pure Greedy Approach Spanning tree and Greedy Approach Heuristic Clustering Greedy Minimum Relay Node Placement Mest Problem in Steiner Tree Euclide Minimum Spanning Tree viii DANH SCH BNG 2.1 Dú li»u thüc nghi»m 65 2.2 B£ng tham sè thüc nghi»m cõa c¡c gi£i thuªt DPSO 66 2.3 B£ng tham sè thüc nghi»m cõa gi£i thuªt ICS 66 2.4 B£ng tham sè thüc nghi»m cõa gi£i thuªt CFPA 67 2.5 Tham sè thüc nghi»m cõa gi£i thuªt MIGA 67 2.6 Kát quÊ mổ hẳnh thự nhĐt 69 2.7 Trung bẳnh diằn tẵch bao phừ v ở lằch chuân cừa cĂc giÊi thuêt IGA, DPSO, ICS, CFPA v MIGA tr¶n 15 bë dú li»u v mội bở dỳ liằu chÔy thỹc nghiằm 30 lƯn lĐy trung bẳnh (Avg: Trung bẳnh diằn tẵch bao phừ, ở lằch chuân (SD) v Upper Bound: diằn tẵch lợn nhĐt cừa tứng bở dỳ liằu Ôt ữủc.) 73 3.1 Kàch b£n 91 3.2 Kàch b£n 91 3.3 Kàch b£n 91 3.4 Kàch b£n 92 3.5 Kàch b£n 92 3.6 Tham sè thüc nghi»m cõa gi£i thuªt MGA 92 3.7 Tham sè thüc nghi»m cõa gi£i thuªt PSO 92 3.8 Tham sè thüc nghi»m cõa gi£i thuªt IPSO 93 4.1 Dú li»u thüc nghi»m b i to¡n tèi ÷u bao phõ £m b£o k¸t nèi v chàu léi WSNs 114 4.2 Dú li»u ¦u v o cõa b i to¡n tèi ÷u bao phõ £m b£o k¸t nèi v chàu léi WSNs 114 4.3 Tham sè thüc nghi»m cho gi£i thuªt UTSP 114 ix H¼nh 3.4: CĂc trữớng hủp ở chỗng cừa cÊm bián vợi biản n¬m ð ngo i vịng gi¡m s¡t A câ nhi·u trẵ cừa chữợng ngÔi vêt miÃn quan tƠm, nản tẵnh chẵnh xĂc ở chỗng ny quĂ trẳnh lêp trẳnh l mởt thĂch thực lợn Do õ, tĂc giÊ sỷ dửng phữỡng phĂp tẵnh gƯn úng ữợc l÷đng gi¡ trà cõa overlap (si , oq ) º tẵnh toĂn ở chỗng ny chia vũng chựa chữợng ngÔi vêt thnh chẵn phƯn ữủc th hiằn hẳnh 3.5 Nhẳn vo hẳnh 3.5 nhên thĐy cõ sỹ gièng vịng II, IV, VI, VIII cơng nh÷ vũng III, V, VII, IX Vẳ vêy, giÊm thiu cổng viằc tẵnh toĂn ở chỗng ny s thÊo luên cĂch tẵnh ở chỗng cĂc vũng I, II v III CĂc vũng cỏn lÔi tẵnh hon ton tữỡng tỹ Sau Ơy tĂc giÊ s trẳnh by chi tiát cĂch tẵnh cừa tứng vũng I, II v III CĂch tẵnh ở chỗng vũng I: ở chỗng cừa cÊm bián si vợi chữợng ngÔi vêt oq ữủc mỉ t£ vịng I cõa h¼nh 3.6(a )) ë chỗng ny ữủc tẵnh toĂn nhữ sau: overlap (si , oq ) = {min (rsi , AD) + (rsi , AE)} {min (rsi , AG) + (rsi , AH)} (3.8) CĂch tẵnh ở chỗng vũng II: ở chỗng cừa cÊm bián si vợi chữợng ngÔi vêt oq ữủc mổ tÊ vũng II cừa hẳnh 3.6(b )) ở chỗng ny ữủc tẵnh toĂn nhữ sau: p o n p overlap (si , oq ) = γ · (rsi − AD) rs2i − AD2 , DB + rs2i − AD2 , DC (3.9) CĂch tẵnh ở chỗng vũng III: ở chỗng cừa cÊm bián si vợi chữợng 82 Hẳnh 3.5: PhƠn chia chẵn vũng cừa chữợng ngÔi vêt ngÔi vêt oq ữủc mổ tÊ vũng III cừa hẳnh 3.6(c )) ở chỗng ny ữủc tẵnh toĂn nhữ sau: np o np o 2 2 · overlap (si , oq ) = rsi − AF − AE rsi − AE − AF , (3.10) 2δ õ, < l hơng số ữủc thảm vo lm tông tẵnh chẵnh xĂc cừa cổng thực Trong trữớng hủp ny tẵnh ở chỗng vũng III ữủc tẵnh xĐp x bơng diằn tẵch cừa tam giĂc BDC (hẳnh 3.6(c )) Hẳnh 3.6: ở chỗng cừa mởt phƯn diằn tẵch cừa cÊm bián vợi chữợng ngÔi vêt Tứ nhỳng tẵnh toĂn trản ta cõ th rút cổng thực tẵnh hm thẵch nghi cừa cĂ th S nhữ sau: f itness (S) = OSlap (S) (3.11) ở phực tÔp cừa php tẵnh OSlap (S) tiảu tốn m§t thíi gian l O n2 + n.m â n l số lữủng cĂc cÊm bián v m l số lữủng cĂc chữợng ngÔi vêt Do õ, hm thẵch nghi cõ ở phực tÔp tẵnh toĂn l O n + n.m 83 d To¡n tû di truyÃn Lai ghp: Trong giÊi thuêt MGA à xuĐt tĂc giÊ sỷ dửng php lai ghp l BLX  ữủc sû dưng [34], â thc t½ch v tr½ cõa méi sinh düa v o kho£ng c¡ch cừa cha mà KhoÊng cĂch giỳa cha mà cng lợn dăn án khoÊng cĂch cừa cĂc ữủc sinh so vợi cha mà cng lợn BLX cho php thôm dỏ nhỳng yáu tố ngău nhiản quĂ trẳnh lai gh²p [75] Cư thº hai cha mµ S1 = (xi , yi ), i = 1, n v S2 = (xi , yi ), i = 1, n Con tÔo l Z = (ui , vi ), i = 1, n , cho gen cừa sinh ữủc xƠy dỹng bơng cĂch lĐy mởt số ngău nhiản nơm khoÊng lƠn cên giỳa cĂc gen cừa hai cha mà ữủc thº hi»n bði cæng thùc sau: ( 0 0 0 ui ∈ xi , xi − αIx , max xi , xi + αIx , vi ∈ yi , yi − αIy , max yi , yi + αIy , (3.12) 0 â Ix = xi − xi , Iy = yi − yi , v α l h» sè gi¢n nð cõa BLXα Gi¡ trà cõa l 0.5 [75] QuĂ trẳnh lai ghp ữủc mổ t£ h¼nh 3.7 H¼nh 3.7: Qu¡ tr¼nh lai gh²p sû dưng ph²p lai BLXα giúa hai cha mµ S1 v S2 sinh Z ët bi¸n: Con Z = {(u1 ,v1 ), (u2 , v2 ), , (u sau qu¡ n , )} ÷đc sinh trẳnh lai ghp cừa hai 0 cha mà S1 = (xi , yi ), i = 1, n v S2 = (xi , yi ), i = 1, n s ữủc ởt bián bi phữỡng phĂp Gauss ởng [34] Chi tiát cừa php ởt bián Gauss ởng ữủc th hiằn bi cổng thực (2.28) v (2.29) ữủc trẳnh by chữỡng CĂc cĂ th quƯn th ữủc sinh sau quĂ trẳnh lai ghp v ởt bián s xuĐt hiằn thảm mởt số cĂ th cõ c tẵnh di truyÃn khổng tốt dăn án chĐt lữủng líi gi£i thu ÷đc cơng khỉng tèt l sau thỹc hiằn quĂ trẳnh lai ghp v ởt bián v trẵ cừa mởt số cÊm bián b nơm ngoi biản cừa miÃn A v rỡi vo vũng chữợng ngÔi vêt Vẳ vêy, vữủt qua nhỳng tr ngÔi ny tĂc giÊ Ăp dửng thuêt toĂn lỹc ây Êo (Virtual Force Algorithm - VFA)  ữủc sỷ dửng [34] cÊi tián chĐt lữủng lới giÊi thu ữủc Vẳ mổ hẳnh bi toĂn cõ chữợng ngÔi vêt nản tĂc giÊ cÊi tián thuêt toĂn VFA t tản l (Modified Virtual Force 84 Algorithm - MVFA) MVFA bao gỗm: Lỹc ây Êo cừa giỳa cĂc cÊm bián, giỳa cÊm bián vợi biản A v cừa cÊm bián vợi chữợng ngÔi vêt Chi tiát cừa MVFA ữủc trẳnh by thuªt to¡n 10 : Modified Virtual Force Algorithm-MVFA Algorithm 10 Input C¡ thº S = [(x1 , y1 ), (x2 , y2 ), , (xn , yn )] CĂ th S  ữủc hiằu chnh : Output : while si = (xi , yi ) ∈ S F~r = ~0 Lüc ©y , Lüc hút F~a = ~0 Số lƯn ây nr = 0, Sè l¦n hót na = sj ∈ S & sj 6= si d(si , sj ) < rsi + rsj then rs +rs F~r = F~r + (1 − d(si i ,sjj) ).(sj − si ) nr = nr + while if end if 10 11 12 13 14 15 16 17 18 19 20 d(si , sj ) > rsi + rsj then rs +rs F~a = F~a + (1 − d(si i ,sjj) ).(sj − si ) na = na + end end while if b ∈ {(xi , 0), (xi , H), (0, yi ), (W, yi )} d(si , b) < rsi then r F~r = F~r + (1 − d(ssii,b) ).(b − si ) nr = nr + end if d(si , b) > rsi then r F~a = F~a + (1 − d(ssii,b) ).(b − si ) na = na + end end while if oj ∈ O d(si , oj ) < rsi then r i ).(oj − si ) F~r = F~r + (1 − d(sis,o j) nr = nr + 21 22 23 end 24 25 end end 26 Fa r si = si + αr F nr + αa na if d(si , oj ) > rsi then r i F~a = F~a + (1 − d(sis,o ).(oj − si ) j) na = na + ~ ~ 27 end 28 29 return S Hi»u ch¿nh tåa ë c£m bi¸n e Chån låc Sau ti¸n h nh lai gh²p, ët bi¸n, cĂc cĂ th s ữủc tẵnh ở thẵch nghi theo cỉng thùc (3.3) Sau â ti¸n h nh sp x¸p theo giĂ tr thẵch nghi thu ữủc sau mội thá hằ CĂc cĂ th tốt nhĐt s ữủc giỳ lÔi tiáp tửc quĂ trẳnh tián hõa cỏn nhỳng cĂ th tỗi hỡn s b loÔi bọ Ơy l phữỡng phĂp chồn lồc giỳ lÔi nhỳng cĂ th ữu tú 85 3.2.2 GiÊi thuêt tối ữu hõa bƯy n cÊi tián GiÊi thuêt tối ữu hõa bƯy n cÊi tián - Improved Particle Swarm Optimization (IPSO) l giÊi thuêt lĐy ỵ tững tứ thõi quen sinh hoÔt cừa bƯy n im kh¡c cì b£n giúa MGA v IPSO l c¡c cĂ th IPSO cõ sỹ tữỡng tĂc vợi v tữỡng tĂc vợi mổi trữớng c biằt cĂc cĂ th IPSO khổng b mĐt i sau quĂ trẳnh tián hõa Vẳ vêy, cõ nhỳng thay ời cừa bĐt ký cĂ th no n b Ênh hững bði c¡c c¡ thº kh¡c - i·u n y nâi l¶n IPSO l mët thuªt to¡n cëng t¡c [79] Trong IPSO, kinh nghi»m v ki¸n thùc cõa c¡c c¡ thº câ th ữủc dũng tẳm kiám nguỗn thực ôn hiằu quÊ cho cÊ n Thuêt toĂn IPSO bao gỗm cĂc bữợc: M hõa cĂ th, tÔo quƯn th, hm thẵch nghi v cêp nhêt cĂ th IPSO sỷ dửng hm thẵch nghi giống nhữ MGA l tẵnh OSLap ữủc giợi thiằu cổng thực (3.3) Chi tiát cừa tứng bữợc giÊi thuêt ữủc th hiằn cử th nhữ sau: a M hõa cĂ th Trong bi toĂn tối a diằn tẵch bao phừ mÔng cÊm bián khổng dƠy khổng ỗng nhĐt cõ rng buởc chữợng ngÔi vêt vợi n cÊm bián thuởc k loÔi khĂc phƯn m hõa cĂ th ữủc th hiằn nhữ sau: Méi qu¦n thº S câ N c¡ thº S = {S1 , S2 , , SN }, mội cĂ th Si s c trững bi vên tốc dàch chuyºn cõa c¡ thº â v tr½ cõa nõ trản miÃn A V trẵ cừa mởt cĂ th l lới giÊi cừa bi toĂn ữủc th hiằn bơng vector n chi·u U IPSO sû dưng c¡ch m¢ hâa c¡ thº gièng nh÷ MGA, â U hđp th nh tø n ph¦n tû {U1 , , Un } v ph¦n tû thù i câ tåa ë Ui = (xi , yi ) ch½nh l tåa ở cừa cÊm bián thự i ữủc trin khai mi·n A Trong â, vªn tèc cõa c¡ thº Si l v²c-tì n chi·u V = [(x1 , y1 ) , (x2 , y2 ) , , (xn , yn )] c trững cho ở lợn cừa quÂng ữớng dch chuyn cừa mởt cĂ th giỳa hai thá hằ liản tửc v v trẵ tốt nhĐt cừa cĂ th thự i cụng ữủc lữu lÔi, kỵ hiằu l P besti , Ôi diằn cho v trẵ m cĂ th õ Ôt giĂ tr thẵch nghi tốt nhĐt b Khi tÔo quƯn th Mội cĂ th ữủc tÔo ngău nhiản v trẵ ban Ưu U , vên tốc ban Ưu ữủc gĂn l V = v P best = U thäa m¢n r ng buởc (3.2) Sau mội thá hằ cĂ th tốt nhĐt mội quƯn th s ữủc lữu lÔi v kỵ hiằu l Gbest, cĂ th tốt nhĐt ny ữủc tẵnh theo cæng thùc (3.13) Gbest = arg f itness (Si ) si ∈S (3.13) M°c dị PSO ÷đc sỷ dửng rĐt phờ bián nhiÃu ựng dửng nõ văn cỏn tỗn tÔi mởt số yáu im nhữ xÊy hiằn tữủng hởi tử sợm cĂc cĂ th 86 Ãu i theo hữợng cừa cĂ th tốt nhĐt dăn án kát quÊ thu ữủc ch l cỹc tr a phữỡng Chẵnh vẳ thá tĂc giÊ Ã xuĐt mởt phữỡng phĂp tÔo dỹa trản phƠn cửm c¡c c¡ thº IPSO khỉng ch¿ nhªn kinh nghi»m cõa cĂ th tốt nhĐt thá hằ hiằn tÔi m cỏn nhên ữủc kinh nghiằm cừa mồi cĂ th khĂc quƯn th Do õ, vợi phữỡng phĂp tÔo ny s lm cho IPSO cõ khÊ nông tẳm kiám tốt hỡn phữỡng phĂp tÔo ngău nhiản Chi tiát cừa tÔo phƠn cửm s ữủc mổ tÊ bi hẳnh 3.8 v cĂc chián lữủc phƠn cửm tẳm c¡ thº ¦u cưm tøng qu¦n thº s³ ữủc trẳnh by nhữ sau: Mởt quƯn th ữủc chia thnh q quƯn th con, kỵ hiằu l Ci vợi i = 1, , q Méi qu¦n thº Ci câ mët c¡ thº ¦u cưm Cbesti C¡ th tốt nhĐt quƯn th kỵ hiằu l Gbest Hẳnh 3.8: Khi tÔo quƯn th IPSO sỷ dửng phƠn cửm Bữợc 1: Khi tÔo q quƯn th ngău nhiản Bữợc 2: Tẳm cĂ th tốt nhĐt Cbest tứng quƯn th bơng cĂch Ăp dửng ba chián lữủc sau: ã Chián lữủc (S1-IPSO): LĐy cÊm hựng tứ quan sĂt thá giợi tỹ nhiản náu mởt nỡi cõ nhiÃu thực ôn cho mởt loi thẳ ký vång r¬ng to n bë khu vüc xung quanh nâ cơng cõ khÊ nông cõ nguỗn thỹc phâm tốt, tĂc giÊ lüa chån cè ànhCbest düa tr¶n gi¡ trà cõa h m thẵch nghi sau quƯn th ữủc phƠn cửm thnh q quƯn th v giĂ tr Cbest ữủc cố nh qua cĂc thá hằ ã Chián lữủc (S2-IPSO): Nhên thĐy chián lữủc chữa xem xt án sỹ thoĂi hõa quƯn th CĂ th hiằn tÔi l tốt thẳ chữa chưc sau ny s tốt sau cêp nhêt Do õ tĂc giÊ Ã xuĐt cĂch cêp nhêt lÔi Cbest sau mội thá hằ Lúc ny sau mội thá hằ s tẵnh lÔi giĂ tr hm thẵch nghi º lüa chån Cbest c¡ thº n o câ gi¡ tr hm thẵch nghi cao nhĐt s ữủc chồn lm c¡ thº ¦u n cõa tøng qu¦n thº mội thá hằ v giĂ tr Cbest ữủc xĂc nh qua cæng thùc (3.14) Cbesti = x | f itness (x) = f itness (y) , (3.14) y∈subi 87 â subi l qu¦n thº thù i vợi i tứ án q ã Chián lữủc (S3-IPSO): ối vợi chián lữủc 2, cĂc cĂ th l cửm trững luổn luổn l cĂ th tốt nhĐt cửm Vẳ vêy, trĂnh mĐt i nhỳng kinh nghiằm cõ th hiằn tÔi chữa phÊi l tốt nhĐt lÔi cõ trin vồng tữỡng lai, tĂc giÊ Ã xuĐt lỹa chồn cĂ th Ưu cửm méi qu¦n thº düa v o b¡nh xe Roulette Theo õ, mội cĂ th cõ xĂc suĐt lỹa chồn ữủc lm cửm trững t lằ vợi hm thẵch nghi GiÊ sû qu¦n thº thù i câ m c¡ thº yj vỵi j = 1, , m Méi c¡ thº yj cõ xĂc suĐt P (yj ) ữủc lỹa chồn tr thnh cửm trững Cbest ữủc tẵnh theo cổng thực (3.15) P (yj ) = f itness(yj ) Pm ,j t=1 f itness(yt ) = 1, m (3.15) Hẳnh 3.9: XĂc suĐt cĂc cĂ th ữủc lỹa chồn tr thnh Cbest Bữợc 3: Tẳm cĂ th tốt nhĐt ton bở quƯn th dỹa vo giĂ tr tốt nhĐt cừa hm thẵch nghi Gbest v ữủc tẵnh theo cỉng thùc (3.13) c Cªp nhªt c¡ thº Trong PSO quĂ trẳnh cêp nhêt cĂ th  ữủc giợi thiằu bi [79] Mội cĂ th si s ữủc cêp nhêt vên tốc v v trẵ sau mội thá hằ düa v o cỉng thùc (1.9) v cỉng thùc (1.10) ¢ ữủc trẳnh by chi tiát Chữỡng cừa luên Ăn Tuy nhiản, IPSO à xuĐt giÊi quyát cho b i to¡n n y khỉng thº sû dưng cỉng thùc (1.9) v cổng thực (1.10), vẳ vên tốc cừa mội cĂ thº khỉng ch¿ chàu £nh h÷ðng bði kinh nghi»m cõa cĂ th hữợng theo cĂ th Ưu n v cĂ th Ưu cửm Vẳ vêy, phũ hủp vợi cĂc chián lữủc à xuĐt phƯn tÔo quƯn th tĂc giÊ Ã xuĐt cĂch tẵnh toĂn sỷa ời cổng thực tẵnh vên tốc v v trẵ quĂ trẳnh cêp nhêt cĂ th ữủc th hiằn nhữ sau: TÔi thá hằ thự t, cĂ th si cừa quƯn th j câ tr½ Uijt s³ di chuyºn v cêp nhêt vợi vên tốc Vijt+1 tợi v trẵ mợi Uijt+1 Cổng thực tẵnh vên tốc v v trẵ mợi s ữủc tẵnh bi (3.16) v (3.17) 88 ... mÔng cÊm bián thnh nhiÃu kián trúc mÔng khĂc Trong phƯn tiáp theo, tĂc giÊ s trẳnh by và cĂc kián trúc mÔng v mởt số ựng dửng cừa mÔng cÊm bián Mởt số kián trúc mÔng cÊm bián MÔng cÊm bián cõ th... thực mÔng cÊm bián 19 C¡c mỉ h¼nh bao phõ cừa cÊm bián v mÔng cÊm bián khổng dƠy 20 1.2.1 Mổ hẳnh bao phừ cừa cÊm bián 21 1.2.2 B i to¡n bao phõ mÔng cÊm bián khổng dƠy ... cêp án bi toĂn cỹc tiu số lữủng cÊm bián cƯn sỷ dửng vợi rng buởc bao phừ 100% diằn tẵch cừa miÃn cƯn quan sĂt Trong lợp c¡c b i to¡n bao phõ di»n t½ch c¡c t¡c gi£ trữợc õ mợi ch à cêp án vĐn