Phát triển thuật toán lai ghép nấm nhầy để tối ưu tiến độ, chi phí và các tiêu chí khác trong các dự án xây dựng

TỔNG QUAN

Giải thích vì sao thuật toán SMA đầy hứa hẹn giải quyết được vấn đề trong ngành quản lý xây dựng

Chương 3: Cơ sở lý thuyết

3.1 Giới thiệu chi tiết về thuật toán AI được sử dụng

3.2 Giới thiệu chi tiết về thuật toán AI mà mình định kết hợp

3.3 Giới thiệu về hybrid – đưa sơ đồ lai ghép ra

3.4 Giải thích vì sao cần hybrid (lai ghép)

3.5 Đưa mô hình lai ghép vào giải quyết vấn đề trọng tâm

Chương 4: Đánh giá mô hình đề xuất

4.1 Giới thiệu các giai đoạn của việc lai ghép mô hình

4.2 Giải bằng mô hình lai ghép

4.3 So sánh kết quả và rút ra nhận xét

Chương 5: Ứng dụng vào thực tiễn

5.1 Dữ liệu từ một dự án thực tiễn

5.2 Giải dự án thực tiễn bằng mô hình lai ghép

5.3 So sánh với dự án thực tế

5.4 Giải thích sự nổi bật của mô hình

Chương 6: Kết luận và những nghiên cứu tiếp theo

6.3 Những đóng góp của nghiên cứu

6.4 Đề xuất hướng phát triển

Trước khi tìm hiểu sâu vào thuật toán nấm nhầy, việc nghiên cứu các đề tài liên quan đến lĩnh vực luận văn là một yếu tố cần thiết để có thể áp dụng và so sánh mang tính khả quan và ưu việt của mô hình mà tác giả dự kiến áp dụng

2.1 Liệt kê các nghiên cứu trước đây về vấn đề của Luận văn

Bảng 2.1: Tóm tắt các nghiên cứu liên quan đến cân bằng tối ưu hoá

STT Tên bài báo Tác giả Năm Mô tả (Vấn đề, ưu/nhược điểm)

1 Using genetic algorithms to solve construction time–cost trade-off problems

1997 - Tác giả sử dụng thuật toán GA áp dụng và việc tìm kiếm giải pháp tối ưu của bài toán tối ưu hoá tiến độ-chi phí dự xây dựng

- Thuật toán GA được phát triển tối ưu hoá các yếu tố nhằm chứng tỏ được tính hiệu quả của mô hình bằng cách chỉ tìm kiếm một phần nhỏ trong tổng không gian tìm kiếm Độ chính xác của nó được xác minh bởi nhiều trường hợp thử nghiệm

- Bên cạnh đó, thuật toán còn quá khó và trừu tượng để sử dụng, khiến nhiều người sẽ ít thực hành được

2 Project scheduling by integration of time cost tradeoff và constrained resource scheduling

2015 - Bài nghiên cứu tập trung vào quy trình hai bước mà việc tối ưu hoá tiến độ-chi phí được áp dụng trên phần mềm Microsoft Excel để giải quyết vấn đề

- Phương pháp tiếp cận heuristic sử dụng

MS trên công cụ Excel và MSP đồng thời nhằm chứng minh khả năng tạo ra các giải pháp nhanh chóng, thiết thực để lập trình các ràng buộc

- Hứa hẹn nhiều tiềm năng mã hoá thuật toán để triển khai đến phần mềm độc lập để giải quyết bài toán tiến độ - chi phí và CRS đồng thời trên một môi trường biến duy nhất

3 Project management with time, cost, và quality considerations

1996 - Tác giả đề xuất mô hình lập trình tuyến tính để nghiên cứu sự cân bằng giữa tiến độ, chi phí và chất lượng trong dự án xây dựng

- Với tính đơn giản trong giả định tuyến tính, tác giả đã phát triển chương trình toán học có thể giải được dễ dàng bằng cách tổng hợp các mức đạt chất lượng tại các hoạt động theo ba cách khác nhau sử dụng trung bình cộng

- Tuy nhiên, các mô hình được phát triển trong nghiên cứu này vẫn cần được mở rộng để điểu chỉnh các mối quan hệ phi tuyến

4 Time, cost và quality tradeoff in project management: a case study

1999 - Nghiên cứu đề xuất một Phương pháp lập trình tuyến tính liên tục với nhau để giải quyết dự án xây dựng nhà máy xi măng thực tế

- Mô hình dễ hiểu về mặt khái niệm và tính toán để giải quyết Bên cạnh đó, mô hình còn được đánh giá phù hợp và thú vị

- Tuy nhiên, để có thể thấy trước tình huống trong đó đôi khi còn chủ quan và không chính xác để được coi là một hàm khách quan trong công thức

5 Time-cost- quality tradeoff analysis for highway construction

2005 - Nghiên cứu trình bày mô hình tối ưu hoá đa mục tiêu hỗ trợ những người ra quyết định thực hiện nhiệm vụ đầy thách thức

- Mô hình được thiết kế để tìm kiếm việc sử dụng tài nguyên tối ưu theo kế hoạch giảm thiểu tiến độ và chi phí xây dựng trong khi tối đa hoá chất lượng của dữ liệu Mô hình được tối ưu hoá theo sự phát triển của 03 giai đoạn đơn giản

- Những khả năng mới này sẽ tỏ ra hữu ích cho những người ra quyết định trong các dự

STT Tên bài báo Tác giả Năm Mô tả (Vấn đề, ưu/nhược điểm) án xây dựng, đặc biệt là những đơn vị tham gia vào các loại hợp đồng đòi hỏi hiệu suất chất lượng cao

6 Optimizing multi-mode time-cost- quality tradeoff of construction project using opposition multiple objective difference evolution

Duc-Long Luong, Duc-Hoc Tran &

2018 - Nghiên cứu tập trung việc phát triển một thuật toán tối ưu hoá mới, Tiến hoá vi phân đa mục tiêu dựa trên đối lập (OMODE) để giải quyết tiến độ-chi phí- chất lượng trong dự án xây dựng

- Nghiên cứu cung cấp một phương pháp luận dựa trên DE thay thế để giải quyết các vấn đề TCQT, nghĩa là xác định một tập hợp xây dựng tối ưu các phương pháp cho tất cả các hoạt động tương ứng với từng yếu tố

- Mô hình OMODE giải quyết đa mục tiêu một các hiệu quả và tìm ra Pareto đa mục tiêu các giải pháp tối ưu trong các lần chạy mô phỏng, đa dạng tốt hơn, mang lại hiệu quả tốt trong việc thoả hiệp và đạt được mức độ cao hơn

- Tuy nhiên, công cụ lập kế hoạch trong nghiên cứu này chỉ xem xét dữ liệu đầu vào xác định và tĩnh và giả định rằng mối quan hệ logic giữa các hoạt động

7 Multi- objective optimization of time–cost– safety using genetic algorithm

2014 - Để giải quyết bài toán tối ưu hoá tiến độ, chi phí và rủi ro, tác giả đề xuất phát triển mô hình rủi ro an toàn dựa trên hoạt động định tính (QASR)

- Mô hình được phát triển như một cách tiếp cận thích hợp để xem xét các đánh giá rủi ro an toàn trong môi trường rời rạc

- Mô hình được kết luận ràng chống lại mạnh mẽ trôi dạt di truyền và kết thúc với những cải tiến kể trong các chức năng mục tiêu và cân bằng phân phối các giải pháp tối

STT Tên bài báo Tác giả Năm Mô tả (Vấn đề, ưu/nhược điểm) ưu về pareto cuối cùng,

8 The LP/IP hybrid method for construction time-cost trade-off analysis

CƠ SỞ LÝ THUYẾT

Giới thiệu chi tiết về thuật toán AI được sử dụng

3.2 Giới thiệu chi tiết về thuật toán AI mà mình định kết hợp

3.3 Giới thiệu về hybrid – đưa sơ đồ lai ghép ra

3.4 Giải thích vì sao cần hybrid (lai ghép)

3.5 Đưa mô hình lai ghép vào giải quyết vấn đề trọng tâm

Chương 4: Đánh giá mô hình đề xuất

4.1 Giới thiệu các giai đoạn của việc lai ghép mô hình

Giới thiệu về mô hình lai ghép

3.3.1 Thuật toán SMA kết hợp với phương pháp OBL (AOSMA)

Bảng 3.3: Mã giải của AOSMA

Bắt đầu Đầu vào: N, d, T,  và [LB,UB] Đầu ra: XGB và fGB

Khởi tạo: Tạo ra ngẫu nhiên nấm nhầy X i = ( , x x 1 i i 2 , , x i d ),   i [1, N ] với UB and LB cho vòng lặp t=1

Tính toán giá trị N nấm nhầy

Lọc ra các giá trị tốt nhất

Cập nhật giá trị fLB và XLB

Cập nhật giá trị fLW

Cập nhật giá trị fGB và XGB

Cập nhật giá trị b và c

Ngẫu nhiên giá trị r1 và r2

Ngẫu nhiên giá trị pi Đánh giá vị trí mới theo giá trị Xni Đánh giá chất lượng của nấm nhầy f(Xni)

Nếu f Xn ( i )  f X ( i ) // Adaptive decision strategy

Dự đoán Xoi // Opposition-based learning Chọn Xsi

Cập nhật vòng lặp tiếp theo Xi

Kết quả: tìm kiếm XGB

Hình 3.12: Lưu đồ của AOSMA

3.3.2 Thuật toán SMA kết hợp với phương pháp TS (ASSMA)

Bảng 3.4: Mã giải của ASSMA

Bắt đầu Đầu vào: N, d, T, , LB, UBS Đầu ra: XGB and fGB

Nếu SortedFitness (Temp(i)) < Best [temp(i) (Randi(size(sortedFitness,2),1), N)] (Tournament Selection strategy) Best = SortedFitness(temp(i));

Hình 3.13: Lưu đồ của ASSMA

3.3.3 Thuật toán SMA kết hợp với phương pháp M&C (MCSMA)

Bảng 3.5: Mã giải của MCSMA

Bắt đầu Đầu vào: N, d, T, , LB, UBS Đầu ra: XGB and fGB

Nếu rand  p c // Mutation strategy Estimate uij // Mutation

Nếu rand  CR //Crossover strategy

Cập nhật vị trí mới Xi

Hình 3.14: Lưu đồ của MCSMA 3.3.4 Thuật toán SMA kết hợp với phương pháp OBL+TS+M&C (SMAOTM)

Hình 3.15: Lưu đồ của của SMAOTM

Mục đích lai ghép các mô hình

Việc đề xuất thử nghiệm mô hình SMA kết hợp với ba phương pháp phổ biến là OBL,

TS và M&C để xem xét cải tiến và hiệu quả mà mô hình phát triển đem lại như thế nào, cụ thể như sau:

- Đối với mô hình AOSMA: việc lai ghép SMA và phương pháp OBL giúp mô hình tăng thêm độ phong phú trong việc khám phá bất ký thuật toán tối ưu hoá nào, bởi vì khi lai ghép như này thì việc sử dụng thông tin về các mối quan hệ đối lập giữa các thực theer để chọn ra kết quả tốt nhất Ngoài ra, còn đảm bảo tối đa hoá giai đoạn khai thác bằng các thay thế tác nhân tìm kiếm ngẫu nhiên bằng các tác nhân tốt nhất trong việc cập nhật vị trí

- Đối với mô hình ASSMA: lai ghép SMA với phương pháp TS giúp tăng tốc độ hội tụ, từ việc chọn ngẫu nhiên tới việc chọn ra ứng viên tốt nhất để tìm kiếm kết quả tốt nhất Việc kết hợp này sẽ giúp cho thuật toán gốc có thể cải tiến và hạn chế được những rủi ro của thuật toán, đồng thời giúp cho việc tìm ra kết quả nhanh hơn và mang đến độ hội tụ tốt thông qua pareto front

- Đối với mô hình MCSMA: lai ghép SMA với phương pháp M&C giúp cải thiện thuật toán gốc và tìm kiếm tác nhân tốt hơn thông qua đột biến, tăng độ hội tụ và trao đổi chéo với những kết quả chưa tốt trong quá trình tối ưu hoá

Tuy nhiên, khi lai ghép SMA với từng phương pháp độc lập, tôi nhận thấy vẫn chưa đạt được kết quả như mong muốn và đôi khi còn bị cục bộ trong quá trình tối ưu để giải quyết các yếu tố đồng thời Do đó, tôi tiếp tục đề xuất lai ghép SMA với cả ba phương pháp với nhau tạo thành mô hình SMAOTM nhằm cải thiện đáng kể và phát huy hết khả năng của mô hình lai ghép mới vào việc tối ưu hoá các yếu tố Mô hình SMAOTM là thuật toán tiến hoá rất hữu hiệu trong việc giải quyết các bài toán tối ưu toàn cục và bài toán trong nghiên cứu này rất phù hợp với các tính năng của mô hình nhằm khai thác và chứng minh những điểm mạnh và vượt trội so với các thuật toán tiến hoá trước đây.

Quy trình giải quyết vấn đề trong bài toán

Phương pháp tối ưu hóa của các mô hình đề xuất được sử dụng với chương trình Matlab R2019b để cung cấp tất cả thông tin, bao gồm các tham số và các giá trị khác nhau, đồng thời thuật toán lai sẽ giúp xác định kết quả tốt nhất Các tham số đầu vào của các mô hình với tất cả các thuật toán khác được liệt kê, được các tác giả đề xuất là giống nhau Hơn nữa, các kết quả sẽ đạt được khi các thuật toán được triển khai đồng bộ Để so sánh với các thử nghiệm khác, kết quả có thể chấp nhận được Các tác giả đã chạy các mô hình 20 lần để ngăn tối ưu hóa ngẫu nhiên và trùng lặp Trong đó, các mô hình của SMA đều có số lượng quần thể là 100, số vòng lặp tối đa là 200, biến là 25, tham số z là 0.03, cặn trên và cặn dưới lần lượt là 100 và -100

Sau khi thiết lập các đầu vào mô hình, các tính toán của phần mềm về các yếu tố thời gian, chi phí và các tiêu chí khác sẽ được thiết lập trong cung cấp các công thức về thời gian, chi phí và tiêu chí khác Thời gian hoàn thành ngắn, chi phí thấp nhất và đạt được các yếu tố tốt từ các mục tiêu khác phải được tìm thấy trong khi các nhà quản lý dự án duy trì các tiêu chuẩn chất lượng Tuy nhiên, các nhà quản lý dự án phải nhận thức được những khó khăn về độ trễ thời gian do tính phức tạp của dự án để tránh các hoạt động xảy ra đồng thời và làm trì hoãn các nhiệm vụ tiếp theo

3.5.3 Thiết lập nấm nhầy (Áp dụng các công thức)

3.5.4 Thiết lập phương pháp OBL (Áp dụng các công thức)

3.5.5 Thiết lập phương pháp M&C (Áp dụng các công thức)

3.5.6 Thiết lập TS (Áp dụng các công thức)

Chìa khóa để dừng tối ưu hóa sau khi mô hình đã được đánh giá là số lần lặp lại tối đa Quá trình mô phỏng dừng lại do bộ giải vượt quá số lần lặp lại tối đa mà không thể đạt được dung sai đã chỉ định trong một bước thời gian nhất định Tại thời điểm này, kết quả tốt nhất của các lần lặp lại sẽ bắt đầu hiển thị và tương quan với từng tùy chọn được chỉ định Hơn nữa, tối ưu hóa các yếu tố liên quan đến xây dựng mang lại kết quả pareto tốt Để tìm ra giải pháp tốt nhất cho vấn đề, cũng có thể so sánh thời gian chạy thử nghiệm mô hình với các thuật toán khác.

ĐÁNH GIÁ MÔ HÌNH ĐỀ XUẤT

Giới thiệu các giai đoạn của việc lai ghép mô hình

So sánh kết quả và rút ra nhận xét

Phương pháp này được sử dụng để cân bằng giữa khai thác và khám phá trong quy trình tối ưu hóa mà không phải thay đổi các tham số đầu vào của mô hình được đề xuất Tính năng này phù hợp với các vấn đề tối ưu hóa khác, giúp cải thiện tính ổn định và hiệu suất của các mô hình Ngoài ra, cả kết quả cũ và mới đều được lưu trữ trong giải pháp dân số Mô hình được thực hiện bằng cách tăng số lượng dân số để theo đuổi các kết quả lý tưởng nhất Các mô hình có thể dễ dàng thích ứng với bối cảnh đa mục tiêu trên nhiều lĩnh vực mà không bị hạn chế về số lượng biến quyết định và mục tiêu Kết quả từ các mô hình chứng minh rằng các thuật toán có thể xác định cách nhanh nhất để hoàn thành một dự án trong khi vẫn đảm bảo các yếu tố khác Để tiến hành thử nghiệm trong khi so sánh theo cách này, các tác giả đã chọn kích thước dân số là 100 và số lần lặp lại tối đa là 200 Mặc dù mặt trước 2D không cung cấp chi tiết về tất cả các mục tiêu, nhưng chúng có thể được vẽ dưới dạng kiểm tra sơ bộ để xem nhanh vào sự đánh đổi giữa hai bên Từ bất kỳ điểm nào trên phần tử, có thể thu được các tính năng hội tụ Để tìm các phẩm chất hội tụ, người ta có thể sử dụng các điểm của các phần tử.

ỨNG DỤNG VÀO THỰC TIỄN

Giải dự án thực tiễn

Những hạn chế

Tiêu đề	Phát Triển Thuật Toán Lai Ghép Nấm Nhầy Để Tối Ưu Tiến Độ, Chi Phí Và Các Tiêu Chí Khác Trong Các Dự Án Xây Dựng
Tác giả	Lưu Ngọc Quỳnh Khôi
Người hướng dẫn	PGS.TS. Phạm Vũ Hồng Sơn, TS. Chu Việt Cường
Trường học	Đại học Bách Khoa - Đại học Quốc Gia Thành Phố Hồ Chí Minh
Chuyên ngành	Quản lý xây dựng
Thể loại	luận văn thạc sĩ
Năm xuất bản	2023
Thành phố	Thành Phố Hồ Chí Minh

Định dạng
Số trang	135
Dung lượng	2,28 MB