(Tiểu luận) trí tuệ nhân tạo báo cáo đồ án cuối kì đề tài electric vehicle routing problems

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THƠNG TIN CS106 TRÍ TUỆ NHÂN TẠO BÁO CÁO ĐỒ ÁN CUỐI KÌ KHOA: KHOA HỌC MÁY TÍNH ĐỀ TÀI: ELECTRIC VEHICLE ROUTING PROBLEMS GV hướng dẫn: TS Lương Ngọc Hồng Nhóm thực hiện: Nguyễn Đức Anh Phúc – 20520276 Ngô Văn Tấn Lưu – 20521591 Huỳnh Viết Tuấn Kiệt – 20521494 Trương Thành Thắng – 20521907 TABLE OF CONTENTS TABLE OF CONTENTS ABSTRACT I INTRODUCTION II RELATED WORK III THE ELECTRICAL VEHICLE ROUTING PROBLEM 03.01 Problem Statement 03.02 Problem Formulation IV IMPLEMENTATION DETAIL 10 V GREEDY SEARCH ALGORITHM 11 04.01 Convex Clustering method 11 04.02 Local Search 14 04.02.01 2-opt 15 04.02.02 3-opt 16 04.03 Finding the charging station for each route 17 04.03.01 Add station 17 04.03.02 Add station 18 VI EVOLUTIONARY ALGORITHM 19 05.01 Representation 19 05.01.01 Encoding 20 05.01.02 Decoding 20 05.02 Initialization 20 05.03 Crossover operator 21 05.04 Selection method 22 05.05 Mutation operator 24 05.05.01 Heuristic-swap mutation (HSM) 24 05.05.02 Heuristic-move mutation (HMM) 25 VII EXPERIMENT RESULTS AND PERFORMANCE EVALUATION 26 07.01 Problem benchmark dataset 26 07.02 Experimental setup .27 07.03 Experimental results 27 VIII CONCLUSION & FUTURE WORK .30 REFERENCES 31 ĐÁNH GIÁ THÀNH VIÊN 32 LỜI CẢM ƠN 32 ABSTRACT Giao thông vận tải yếu tố đóng góp vào lượng khí thải cơng ty hậu cần tìm cách đầu tư để giảm lượng khí thải Việc sử dụng xe điện (Electric Vehicle) thay xe thơng thường góp phần giảm nhiễm mơi trường biến đổi khí hậu, trường hợp này, vấn đề định tuyến đội xe điện xuất gọi Electric Vehicle Routing Problem (EVRP) EVRP tốn tối ưu hóa tổ hợp phức tạp thách thức so với vấn đề định tuyến xe thông thường Chúng tơi triển khai lại mơ hình giải EVRP sử dụng thuật tốn tìm kiếm tham lam với ý tưởng phân cụm tuyến đường tìm kiếm (tham lam) trạm sạc kết hợp phương pháp Convex-hull Clustering để có tuyến đường đầu tối ưu Để đánh giá hiệu suất cải tiến mơ hình, chúng tơi sử dụng liệu tìm thấy thi CEC–12 Tram Routing Problem CEC–12 đại hội giới Trí tuệ tính tốn (WCCI) 2020 Thực nghiệm đánh giá hiệu Greedy Search – Convex-hull Clustering áp dụng cho thuật toán di truyền (Genetic Algorithm) Kết thực nghiệm cuối cho thấy mơ hình triển khai lại cải tiến chúng tơi có chất lượng giải pháp tốt vài thuật toán trước tiệm cận kết phương pháp Greedy Search Genetic Algorithm lựa chọn triển khai lại Keywords: Electric Vehicle Routing Problem ∙ Greedy Search ∙ Convex–hull Clustering ∙ Genetic Algorithm I INTRODUCTION Trong kinh tế ngày nay, thị trường có xu hướng ngày trở nên cởi mở cạnh tranh khốc liệt Sự hình thành tồn hệ thống vận tải hàng hóa hiệu quả, bền vững, nhanh chóng thân thiện với môi trường yếu tố quan trọng để công ty, doanh nghiệp thành công Các vấn đề môi trường vấn đề quản lí mối quan tâm quan trọng với công ty đại Ngành giao thông vận tải chịu khoảng 30% lượng khí thải tỷ lệ đạt 40% khu vực thành thị Vì lý đó, nỗ lực cải tiến công nghệ đổi giao thông vận tải tăng lên thập kỉ qua xe giao hàng điện xu hướng quốc gia phát triển có lợi cho môi trường Gần đây, việc sử dụng xe điện (EVs: Electric vehicles) trở nên quan trọng cơng ty vận tải tốn chi phí thấp, tiêu thụ lượng thấp thân thiện với mơi trường, góp phần làm giảm khí tải EV kèm với pin sạc lại, số vấn đề phát sinh không đủ lượng pin yếu hạn chế số lượng trạm sạc Nhu cầu quản lý lượng pin EV làm tăng phức tạp khó khăn vấn đề thiết lập tuyến đường cho xe điện Trong nghiên cứu gần vấn đề định tuyến đội xe điện, M Mavrovouniotis [1] trình bày vấn đề định tuyến xe điện (EVRP: Electric Vehicle Routing Problem) cho xe điện chạy pin Anh trình bày tập liệu tiêu chuẩn để đánh giá độ hiệu thuật toán đề xuất Yêu cầu toán thiết kế tập hợp tuyến đường đáp ứng yêu cầu giao hàng nhóm khách hàng phân tán rộng rãi mặt địa lý với mục tiêu tối thiểu hóa tổng khoảng cách di chuyển trình phân phối hàng hóa để giảm thiểu tổng chi phí định tuyến Tác giả chứng minh EVRP tốn tối ưu hóa tổ hợp − ℎ Hình minh họa cho tốn định tuyến xe điện (EVRP) với xe điện (EV), trạm sạc (Station) khách hàng (Customer) Như thách thức vấn đề − ℎ , EVRP với lượng lớn khách hàng coi vấn đề nhiều phức tạp thách thức, cần phải tính tốn đáng kể để đạt giải pháp chất lượng cao trường họp quy mô trung bình Tuy nhiên, vấn đề giải hiệu thuật toán meta – heuristic Một thuật toán meta – heuristic phổ biến nghiên cứu rộng rãi cộng đồng khoa học thuật toán di truyền (GA: Genetic Algorithm) [2], [3] Thuật toán di truyền thuật tốn siêu hình học phổ biến giới thiệu John Holland [4] lấy cảm hứng từ trình chọn lọc tự nhiên di truyền học [5] Giả định thuật tốn di truyền cá thể/ nhiễm sắc thể mạnh sống lâu Bắt đầu với quần thể cá thể tạo ngẫu nhiên, trải qua trình sinh sản đột biến để tạo Việc thực thi quy trình lặp lặp lại chấm dứt điều kiện cho trước thỏa mãn với mục đích tìm giải pháp có kết cao gần với giải pháp tối ưu Do khả tìm kiếm mạnh mẽ dễ sử dụng, thập kỉ qua, GA đạt thành công đáng ý để có giải pháp tối ưu gần tối ưu nhiều vấn đề tối ưu hóa giới thực phức tạp, bao gồm tối ưu hóa tổ hợp, tối ưu hóa liên tục tối ưu hóa ràng buộc Mục tiêu báo cáo phát triển lại mơ hình dựa nghiên cứu có sẵn để nắm bắt hạn chế thực tế vấn đề đồng thời thảo luận xác định xu hướng gần lĩnh vực giao thông vận tải liên quan đến xe điện Do đó, dựa giải pháp đề xuất Hien et al [6], áp dụng lại phương pháp Greedy Search Genetic Algorithm kết hợp phương pháp Convex Clustering để giải toán định tuyến xe điện (EVRP) Hình Minh hoạ tuyến đường EVRP Phần lại báo cáo xếp sau: Phần II giới thiệu cơng việc liên quan, phần III phát biểu tốn EVRP, phần IV mơ tả quy trình lắp ghép module để giải toán, phần V đề cập phương pháp tìm kiếm tham lam việc phân cụm thêm trạm sạc, mơ hình di truyền học (Genetic Algorithm) trình bày phần V I, thực nghiệm đánh giá kết trình bày phần VII, cuối kết luận phần VIII II RELATED WORK Nhu cầu xe điện tăng lên, vấn đề thay đổi biến thể ràng buộc khác Một nhược điểm lớn xe điện dung lượng pin hạn chế, đó, xe điện yêu cầu đến trạm sạc để sạc lại pin Mức độ thách thức tốn tìm kiếm sơ đồ định tuyến tối ưu xe điện thu hút ý đặc biệt từ nhiều nhà nghiên cứu chuyên gia Rất nhiều cơng trình liên quan gần nghiên cứu, phân tích đưa kết EVRP Trong báo Electric vehicle routing problem with recharging stations for minimizing energy consumption [7], vấn đề giới thiệu xây dựng cơng thức tốn học Mục đích báo để giảm thiểu mức tiêu thụ lượng xe điện Hơn nữa, tác giả áp dụng thuật toán Ant Colony (AC) dựa meta-heuristics để giải vấn đề EVRP Trong The electric vehicle routing problem with nonlinear charging function [8], Montoya et al đề xuất phương pháp siêu hình học lai kết hợp thành phần thiết kế đặc biệt cho vấn đề Để đánh giá tầm quan trọng hàm sạc phi tuyến, họ trình bày nghiên cứu tính tốn so sánh giả định với Yang et al trình bày trạm hoán đổi pin xe điện EVRP gọi BSS-EVRP (Battery Swap Stations EVRP) [9] Mục tiêu vấn đề xác định vị trí chiến lược trạm hoán đổi pin (BSS) kế hoạch định tuyến đội xe điện điều kiện giới hạn phạm vi lái xe mức pin Hơn nữa, tác giả đề xuất hai phương pháp để giải vấn đề Đầu tiên phương pháp heuristics bốn pha gọi SIGALNS, giai đoạn vị trí BSSs giai đoạn định tuyến phương tiện xen kẽ lặp lặp lại Phương pháp thứ hai phương pháp hai pha Clarke Wright Savings heuristics tinh chỉnh Tabu Search (TS-MCWS) Các thuật toán đề xuất chứng minh có hiệu việc tìm kiếm giải pháp tốt mà khơng cần q nhiều tính tốn trường hợp trung bình lớn so sánh với giải MIP CPLEX Trong nghiên cứu A hybrid ACO algorithm for capacitated vehicle routing problems [10], tác giả đề xuất phương pháp dựa kết hợp thuật toán Ant Colony Simulation Annealing, gọi SACO Thuật toán SACO so sánh với phương pháp dựa thuật toán Ant Colony cho thấy kết tốt so với phương pháp sở Tuy nhiên, hạn chế thuật toán SACO thời gian thực tương đối dài, đặc biệt trường hợp quy mô vấn đề lớn Một vấn đề tương tự, [11] trình bày mơ hình EVRP xem xét ảnh hưởng tải trọng xe đến mức tiêu thụ pin để tìm chiến lược định tuyến tối ưu với chi phí thời gian di chuyển, chi phí lượng, số lượng xe gửi tối thiểu Trong [12], mơ hình EVRP với nhu cầu sạc, tiêu thụ lượng, ràng buộc phạm vi hoạt động, ràng buộc sức chứa xe trình bày Mục tiêu tối ưu hóa mơ hình tìm tổng chi phí tối thiểu, bao gồm chi phí sửa chữa phương tiện chi phí lại chi phí sạc Tóm lại, có nhiều biến thể EVRP với số mơ hình phương pháp đề xuất để giải mơ hình Trong báo cáo này, chúng tơi thực lại thuật tốn tìm Greedy Search, Genetic Algorithm theo [6] thực số điều chỉnh để giải toán EVRP III THE ELECTRICAL VEHICLE ROUTING PROBLEM 03.01 Problem Statement Bài toán biểu diễn dạng đồ thị = ( , ) với = { , , } tập đỉnh = {( , ), , ∈ , ≠ } tập cạnh nối có đỉnh với Tập = { 1, 2, … , } tập đỉnh khách hàng, điểm kho hàng, = { 1, 2, … , } tập trạm sạc Khoảng cách cạnh ( , ) số thực không âm ký hiệu biểu diễn khoảng cách Euclidean từ đỉnh đến đỉnh Quy tắc sạc điện định nghĩa sau: EV qua trạm sạc hay qua kho hàng lượng đầy trở lại Một EV sạc lại hay nhiều lần tùy thích đường Mục tiêu EVRP tìm tập đường cho tổng khoảng cách đường nhỏ phải thỏa mãn nguyên tắc sau: Các EV đồng đường EV bắt đầu kết thúc kho hàng (depot) Mỗi trạm sạc qua nhiều lần khơng qua lần tập đường Mỗi đỉnh khách hàng qua lần EV Tổng lượng vịng đường EV khơng vượt tổng lượng tối đa EV ký hiệu Tổng hàng giao vòng đường EV không vượt tổng lượng hàng tối đa EV ký hiệu Xét lời giải cho tốn EVRP có dạng = ( 1, 2, … , ) mục tiêu lời giải sau: (∑ =1 ∑ ∈ , ≠ ) với ∈ {0,1}, ,∈ 03.02 Problem Formulation EVRP tìm cách tìm tập hợp tuyến đường EV EV đến thăm khách hàng lần để tổng khoảng cách giảm thiểu Các ràng buộc toán EVRP phát biểu thành công thức sau: (1) Các đỉnh khách hàng qua lần EV ∑ = ∑ , ≠ (2) = 1, ∀ ∈ , , ≠ Các EV phải xuất phát từ kho hàng kết thúc kho hàng ≥ 1,∀ ∈ ∑ , ≠ (3) Các trạm sạc qua nhiều lần không lần ≥ 0,∀ ∈ ∑ , ≠ (4) Ở đỉnh, số cạnh vào phải số cạnh ∑ − ∑ , ≠ (5) = 0,∀ ∈ , ≠ Miền giá trị lượng hàng EV ∑ ≤ ,0≤ ≤ ∈ 0≤ (6) Miền giá trị lượng điện EV ≤ −ℎ (7) , ∈ ≤ ),∀ ∈ ,∀ ∈ , ≠ + (1− ≤ −ℎ ,∀ ∈ ,∀ ∈ , ≠ 0≤≤ , ∈ Biến Boolean kiểm tra trạng thái cạnh Nếu cạnh qua có giá trị 1, khơng qua có giá trị ∈ {0,1}, ∈ ,∀ ∈ , ≠ IV IMPLEMENTATION DETAIL Quy trình thực nghiệm chúng tơi tn theo bước mơ hình thuật tốn di truyền, biểu diễn sau: Hình Pipeline triển khai thuật tốn GSGA-CC 10 05.01.01 Encoding Trong phương pháp encoding, biểu diễn ban đầu phương án cần có thơng tin khách hàng thứ tự khách hàng định tuyến Vì phương án mảng chiều có kích thước cố định, giá trị phần tử mảng tương ứng với id khách hàng, thứ tự giá trị phần tử mảng thứ tự truy cập đến khách hàng phương án (a) Một phương án (b) phương án khả thi 05.01.02 Biểu diễn phương án hình a Hình 10 Encoding Decoding Theo encoding mô tả trên, phương pháp decoding đơn giản để có giải pháp tương ứng chèn trạm sạc vào tuyến có Do đó, chiến lược tìm kiếm trạm sạc trình bày phần để tạo phương án hoàn chỉnh bao gồm thứ tự truy cập khách hàng trạm sạc tuyến 05.02 Initialization Dựa cách mã hóa cá thể (chromosome encoding), cá thể biểu diễn hoán vị khách hàng Lưu ý cá thể mã hóa thứ tự khách hàng qua đó, để đảm bảo tập đường có thứ tự cho có chi phí thấp hiệu phương pháp chúng tơi sử dụng thuật tốn Local Search 2opt Local Search 3opt Ngồi ra, lúc này, chúng tơi sử dụng phương pháp Convex-hull trình bày sử dụng phép thêm trạm xăng để thêm trạm xăng vào bên đường cho chi phí tốt 20