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

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA LƯU NGỌC QUỲNH KHÔI 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 DEVELOPMENT OF HYBRID SLIME MOLD ALGORITHM TO OPTIMIZE TIME, COST AND OTHERS CRITERIA IN CONSTRUCTION PROJECTS Chuyên ngành : QUẢN LÝ XÂY DỰNG Mã số : 8580302 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng năm 2023 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH Cán hướng dẫn khoa học: Cán hướng dẫn 1: PGS.TS Phạm Vũ Hồng Sơn Cán hướng dẫn 2: TS Chu Việt Cường Cán chấm nhận xét 1: TS Lê Xuân Đại Cán chấm nhận xét 2: TS Đặng Thị Trang Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh ngày 14 tháng 07 năm 2023 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: Chủ tịch Hội đồng: TS Lê Hoài Long Thư ký Hội đồng: PGS.TS Lương Đức Long Uỷ viên phản biện 1: TS Lê Xuân Đại Uỷ viên phản biện 2: TS Đặng Thị Trang Uỷ viên: TS Nguyễn Hoài Nghĩa Xác nhận Chủ tịch Hội đồng đánh giá luận văn Trưởng khoa quản lý chuyên ngành sau luận văn chỉnh sủa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG TS Lê Hoài Long PGS.TS Lê Anh Tuấn ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: LƯU NGỌC QUỲNH KHÔI MSHV: 2170257 Ngày, tháng, năm sinh: 25/04/1998 Nơi sinh: TPHCM Chuyên ngành: Quản lý xây dựng Mã số : 8580302 I TÊN ĐỀ TÀI: PHÁT TRIỂN THUẬT TOÁN LAI GHÉP NẤM NHẦY ĐỂ TỐI ƯU HỐ TIẾN ĐỘ, CHI PHÍ VÀ CÁC TIÊU CHÍ KHÁC TRONG CÁC DỰ ÁN XÂY DỰNG (DEVELOPMENT OF HYBRID SLIME MOLD ALGORITHM TO OPTIMIZE TIME, COST AND OTHERS CRITERIA IN CONSTRUCTION PROJECTS) II NHIỆM VỤ VÀ NỘI DUNG: Giới thiệu thuật toán gốc nấm nhầy (Slime Mold Algorithm – SMA) Lai ghép thuật toán SMA với phương pháp phổ biến (phương pháp đối ngẫu – OBL, phương pháp lựa chọn cạnh tranh – TS, phương pháp trao đổi chéo đột biến – M&C) để giải toán tối ưu yếu tố đồng thời Lập giải mơ hình tiến độ, chi phí tiêu chí khác dự án xây dựng Đạt kết tối ưu từ mơ hình phát triển So sánh với kết vừa tìm được, sử dụng thêm công thức đánh giá hiệu suất chất lượng mô hình với thuật tốn trước Phương hướng nghiên cứu tương lai III NGÀY GIAO NHIỆM VỤ : 06/02/2023 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 12/06/2023 V CÁN BỘ HƯỚNG DẪN : PGS.TS Phạm Vũ Hồng Sơn TS Chu Việt Cường Tp HCM, ngày CÁN BỘ HƯỚNG DẪN CÁN BỘ HƯỚNG DẪN PGS TS Phạm Vũ Hồng Sơn TS Chu Việt Cường tháng năm 2023 CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI LỜI CẢM ƠN Luận văn hành trang để giúp học viên tự nghiên cứu, giải vấn đề xoay quanh dự án xây dựng suốt học kỳ Cao học Để hoàn thành luận văn chỉnh chu đề tài “Phát triển thuật toán lai ghép nấm nhầy để tối ưu tiến độ, chi phí tiêu chí khác dự án xây dựng” em muốn gửi lời cảm ơn chân thành đến thầy PGS.TS Phạm Vũ Hồng Sơn TS Chu Việt Cường theo sát, hướng dẫn tận tình vấn đề trí tuệ nhân tạo áp dụng quản lý xây dựng, phát triển định hướng đề tài lên tầm cao tiếp cận trình nghiên cứu hiệu Để tiến tới giai đoạn thực Luận văn, em muốn gửi lời tri ân đến với Thầy/Cô giảng dạy em suốt học kỳ vừa qua, thầy cô cung cấp kiến thức bổ ích nhờ áp dụng vào đề tài Luận văn em Với nỗ lực tâm huyết thân, định hướng theo Thạc sĩ nghiên cứu ngành Quản lý xây dựng, Luận văn thạc sĩ hoàn chỉnh cách tốt cịn nhiều thiếu sót Qua đó, em hy vọng nhận dạy cập nhật kiến thức để hoàn chỉnh tương lai Xin trân trọng cảm ơn./ Tp Hồ Chí Minh, ngày tháng năm 2023 Lưu Ngọc Quỳnh Khôi GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang i LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHƠI TĨM TẮT Luận văn trình bày thuật tốn nấm nhầy (SMA) kết hợp với phương pháp đối ngẫu (OBL), lựa chọn cạnh tranh (TS) trao đổi chéo-đột biến (M&C) tạo mơ hình phát triển thuật tốn nấm nhầy đối lập thích ứng (Adaptive opposition Slimd Mold Algorithm – AOSMA), thuật toán nấm nhầy lựa chọn cạnh tranh (Adaptive selection Slime Mold Algorithm – ASSMA), thuật toán nấm nhầy trao đổi chéo – đột biến (Mutation&Crossover Slime Mold Algorithm) thuật toán nấm nhầy đối lập lựa chọn đột biến (Slime Mold Algorithm Opposition Tournament Mutation) để áp dụng vào toán tối ưu hoá tiến độ, chi phí tiêu chí khác dự án điển hình dự án xây dựng Việt Nam Đề xuất sử dụng mơ hình gốc SMA lai ghép nhằm nâng cao khả khám phá, tăng tốc độ hội tụ giảm khả tối ưu cục để tìm kết tốt làm mơ hình đề xuất tăng thêm độ phức tạp để xử lý liệu trình tối ưu Bài tốn đa mục tiêu thơng số quan trọng lĩnh vực xây dựng, thử thách khó khăn để đồng với nhau, xem xét tới hoạt động cụ thể dự án Độ phức tạp dự án thực tế giúp khai thác khả tiềm ẩn mơ hình đề xuất để mang đến giải pháp thực thành cơng dự án Bên cạnh đó, để tăng tính hiệu tính thuyết phục việc so sánh mơ hình đề xuất với mơ hình tiếng trước Dựa vào kết phân tích, mơ hình đề xuất cho thấy đo lường hiệu suất rộng tốt thông qua nghiên cứu điển hình cho liệu đầu cải tiến so với thuật toán khác GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang ii LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI ABSTRACT The slime mold algorithm (SMA) is coupled with crossover-mutant (M&C), tournament selection (TS), and opposition-based learning (OBL) in order to provide models of slime mold algorithm development The adaptive opposition slime mold algorithm (AOSMA), adaptive selection slime mold algorithm (ASSMA), mutation and crossover slime mold algorithm, and slime mold algorithm opposition tournament mutation algorithm were used by the researchers to address the optimization problem of time, cost, and other criteria in construction projects in Vietnam The original SMA and hybrid models are suggested to be combined; however, this will make the suggested model more complicated This is done in order to improve discoverability, speed convergence, and reduce local optimization to get the best results The data processing required for the optimization process is challenging A key element in the construction industry is the multi-objective problem, and it might be difficult to stay consistent while taking into consideration each specific project activity The complexity of the actual projects will make it feasible to use the recommended model's abilities to develop a successful project implementation solution A comparison between the proposed model and older, well-known models is also done to increase the recommended model's effectiveness and persuasiveness The recommended model, which is superior to other algorithms in terms of output data, is based on the analysis's conclusions, and case studies show that it can assess performance more accurately and broadly GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang iii LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHƠI LỜI CAM ĐOAN Tơi xin cam đoan Luận văn thạc sĩ thực hướng dẫn thầy PGS.TS Phạm Vũ Hồng Sơn TS Chu Việt Cường Các kết luận văn đáng tin cậy xin cảm kết chịu trách nhiệm công việc thực Tp Hồ Chí Minh, ngày tháng năm 2023 Lưu Ngọc Quỳnh Khôi GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang iv LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI MỤC LỤC LỜI CẢM ƠN i TÓM TẮT ii ABSTRACT iii LỜI CAM ĐOAN iv DANH MỤC HÌNH ẢNH vii DANH MỤC CÁC BẢNG BIỂU viii MỘT SỐ KÝ HIỆU VIẾT TẮT x Chương 1: MỞ ĐẦU 1.1 Lý chọn đề tài 1.2 Đối tượng phạm vi nghiên cứu 1.2.1 Đối tượng 1.2.2 Phạm vi nghiêm cứu 1.3 Phương pháp nghiên cứu 1.4 Đóng góp Luận văn 1.4.1 Về mặt học thuật 1.4.2 Về mặt thực tiễn 1.5 Bố cục Luận văn Chương 2: TỔNG QUAN 2.1 Liệt kê nghiên cứu trước vấn đề Luận văn 2.2 Liệt kê nghiên cứu trước thuật tốn áp dụng 12 2.3 Giải thích thuật toán SMA đầy hứa hẹn giải vấn đề ngành quản lý xây dựng 23 Chương 3: CƠ SỞ LÝ THUYẾT 23 3.1 Giới thiệu chi tiết thuật toán AI sử dụng 24 3.1.1 Định nghĩa 24 3.1.2 Giới thiệu 24 3.1.3 Quá trình tối ưu 24 3.1.4 Các biến công thức 26 3.1.5 Ưu điểm nhược điểm 32 3.1.6 Sơ đồ quy trình SMA 32 3.2 Giới thiệu chi tiết phương pháp đề xuất 33 GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang v LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI 3.2.1 Phương pháp việc học tập dựa đối lập (Opposition-based learning) 33 3.2.2 Phương pháp lựa chọn cạnh tranh (Tournament Selection) 34 3.2.3 Phương pháp trao đổi chéo – đột biến (Mutation and Crossover) 36 3.3 Giới thiệu mơ hình lai ghép 37 3.3.1 Thuật toán SMA kết hợp với phương pháp OBL (AOSMA) 37 3.3.2 Thuật toán SMA kết hợp với phương pháp TS (ASSMA) 38 3.3.3 Thuật toán SMA kết hợp với phương pháp M&C (MCSMA) 39 3.3.4 Thuật toán SMA kết hợp với phương pháp OBL+TS+M&C (SMAOTM) 41 3.4 Mục đích lai ghép mơ hình 41 3.5 Quy trình giải vấn đề toán 42 Chương 4: ĐÁNH GIÁ MƠ HÌNH ĐỀ XUẤT 43 4.1 Giới thiệu giai đoạn việc lai ghép mơ hình 44 4.1.1 Giai đoạn 1: Áp dụng SMA giải TCQ 44 4.1.2 Giai đoạn 2: Áp dụng AOSMA giải TCQS 57 4.1.3 Giai đoạn 3: Áp dụng ASSMA giải TCQE 71 4.1.4 Giai đoạn 4: Áp dụng MCSMA giải TCQC 78 4.2 So sánh kết rút nhận xét 88 Chương 5: ỨNG DỤNG VÀO THỰC TIỄN 89 5.1 Dữ liệu từ dự án thực tiễn 89 5.2 Giải dự án thực tiễn 100 5.3 So sánh với thuật toán trước 105 5.4 Giải thích bật mơ hình 107 5.5 Những hạn chế 108 Chương 6: KẾT LUẬN VÀ KIẾN NGHỊ NHỮNG NGHIÊN CỨU TIẾP THEO 110 6.1 Kết luận 110 6.2 Những đóng góp nghiên cứu 110 6.3 Đề xuất hướng phát triển 110 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC 112 DANH MỤC TÀI LIỆU THAM KHẢO 113 GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang vi LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHƠI DANH MỤC HÌNH ẢNH Hình 1.1: Lưu đồ phương pháp nghiên cứu Hình 2.1: Phân loại phương pháp tiến hoá SI 22 Hình 3.1: Hình thái kiếm ăn P Polycephalum 25 Hình 3.2: Hình thái di chuyển P Polycephalum 25 Hình 3.3: Cách thức tìm nguồn thức ăn P Polycephalum 26 Hình 3.4: Các vị trí khơng gian chiều chiều 28 Hình 3.5: Đánh giá phù hợp 29 Hình 3.6: Xu hướng vb vc 31 Hình 3.7: Sơ đồ SMA 32 Hình 3.8: Quy trình bước SMA 33 Hình 3.9: Mơ TS 34 Hình 3.10: Shift Mutation 36 Hình 3.11: Shift Crossover 37 Hình 3.12: Lưu đồ AOSMA 38 Hình 3.13: Lưu đồ ASSMA 39 Hình 3.14: Lưu đồ MCSMA 41 Hình 3.15: Lưu đồ của SMAOTM 41 Hình 4.1: Mạng lưới dự án 45 Hình 4.2: Mạng lưới dự án 45 Hình 4.3: Hình pareto 3D có giá trị tiến độ tốt (dự án 1) 53 Hình 4.4: Hình pareto 3D có giá trị chất lượng tốt (dự án 1) 53 Hình 4.5: Hình pareto 3D có giá trị chi phí tốt (dự án 1) 53 Hình 4.6: Hình pareto 3D tốt (dự án 2) 55 Hình 4.7: Hình chuỗi giá trị tốt (dự án 2) 55 Hình 4.8: Mạng lưới dự án 57 Hình 4.9: Mạng lưới dự án 58 Hình 4.10: Mạng lưới dự án 71 Hình 4.11: Mạng lưới dự án 79 Hình 4.12: Mạng lưới dự án 79 GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang vii LUẬN VĂN THẠC SĨ Spread (SP): SP =  HVTH: LƯU NGỌC QUỲNH KHÔI − d ( E1 , ) +  x d ( X , ) − d i =1 k −  i =1 d ( E1 , ) + (  − k ) d k Bảng 5.6 trình bày giá trị SP cho mơ hình Theo đó, SMAOTM có kết tốt Bảng 5.6: So sánh Spread GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 106 LUẬN VĂN THẠC SĨ Hyper-Volume (HV): HV = HVTH: LƯU NGỌC QUỲNH KHÔI  i =1 vi Sau chuẩn hóa, giá trị HV nằm khoảng [0,1] Bảng 5.7 trình bày giá trị HV cho mơ hình Theo đó, SMAOTM có kết tốt Bảng 5.6: So sánh HV 5.4 Giải thích bật mơ hình Mặc dù tình định có kết cao chút khơng có ý nghĩa thống kê, kết tìm thấy sử dụng mơ hình SMAOTM có giá trị tốt Tác giả sử dụng phương pháp tiếp cận số đánh giá chất lượng để so sánh mơ hình đề xuất với mơ hình trước nhằm tạo khn khổ để kiểm tra đối chiếu hiệu hiệu suất mơ hình Bảng 5.5 cho thấy Dự án 1, SMAOTM vượt trội so với MOSGO, MODE, MOPSO, NSGA-II CAMODE lần GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 107 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI lượt 80,6%, 74,7%, 64,2%, 68,3% 49,3% Trong Dự án 2, SMAOTM vượt trội so với MOSGO, MODE, MOPSO, NSGA-II CAMODE 73,9%, 65,1%, 63,9%, 60,9% 54,9% Trong Dự án 3, SMAOTM vượt trội so với MOSGO, MODE, MOPSO, NSGA-II CAMODE 72,9%, 57,8%, 64,2%, 67,7% 61,3% Ngồi ra, giá trị trung bình tốt SMAOTM SP HV ba dự án thể Bảng 5.6–5.7 Dựa kết phân tích, SP trung bình SMAOTM đạt 0,634, 0,676 0,587 Dự án 1–3 Ngoài ra, xét HV trung bình, SMAOTM vượt trội so với mơ hình khác 0,822, 0,848 0,796 Dự án 1–3 Dựa điều này, kết luận mơ hình SMAOTM hoạt động hiệu có đủ thời gian để khám phá phương án tốt nhằm đạt khả hoàn thành dự án không chậm trễ cao mà đạt kết tốt Để phát triển mơ hình kết hợp tồn diện, nghiên cứu đề xuất sử dụng Thuật toán nấm nhầy với ba kỹ thuật tiếng Học dựa đối lập, Lựa chọn cạnh tranh Đột biến & trao đổi chéo, gọi Đột biến Giải đấu đối lập thuật toán nấm nhầy Sự kết hợp cải thiện khả mơ hình để tìm giải pháp tốt cho vấn đề cách tăng tốc, cân thăm dị khai thác, giảm tối ưu hóa cục bộ, tăng hội tụ tất điều Thuật tốn khn Slime tạo phát triển vào năm 2021 Kể từ đó, thuật tốn sử dụng nhiều ngành Công nghệ thông tin Công nghệ sinh học nhà nghiên cứu từ khắp nơi giới kết hợp nhiều kỹ thuật khác 5.5 Những hạn chế Có nhiều giới hạn nghiên cứu thảo luận số vấn đề với mơ hình lai (1) Mơ hình thuật tốn khuôn Slime hầu hết sử dụng lĩnh vực công nghệ sinh học công nghệ thông tin; chưa trọng đến ngành xây dựng, cụ thể quản lý xây dựng Để có hướng nghiên cứu mới, nhóm tác giả giới thiệu mơ hình lai vào địa bàn (2) Thời gian xử lý thuật tốn khn Slime ban đầu nhanh so với thuật tốn so sánh tính chất số lượng tham số GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 108 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI hạn chế Thuật toán kết hợp làm tăng độ phức tạp tăng số lượng mã kết hợp nhiều cách tiếp cận khác (3) Chỉ thành phần dự án xây dựng có độ phức tạp trung bình bao phủ mơ hình kết hợp Để chứng minh tiềm mơ hình nghiên cứu sâu hơn, nên sử dụng cho nhiệm vụ lớn phức tạp (4) Nhóm tác giả tiếp tục cố gắng cải thiện nâng cao mơ hình nghiên cứu nhằm giảm thiểu sai sót mơ hình GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 109 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI Chương 6: KẾT LUẬN VÀ KIẾN NGHỊ NHỮNG NGHIÊN CỨU TIẾP THEO 6.1 Kết luận Mục đích nghiên cứu để đánh giá hiệu suất mơ hình áp dụng vào giải vấn đề tối ưu yếu tố lĩnh vực quản lý xây dựng Phạm vi vấn đề bắt nguồn từ khía cạnh thời gian, chi phí tiêu chí khác định, khía cạnh đặc điểm riêng biệt ảnh hưởng đến thành cơng dự án, nghĩa có số mối quan hệ khó khăn gặp phải Các giá trị lợi ích đưa vào hàm mục tiêu theo số hoạt động có xu hướng cao Các phép đo hiệu suất liên quan đến tối ưu hóa có khả chịu ảnh hưởng tiêu cực Điều cho thấy việc tính đến số lợi ích đồng lợi ích thay đổi đáng kể phạm vi lựa chọn tiềm Khi kiểm tra mơ hình kết hợp này, việc sử dụng tối ưu hóa đa mục tiêu quan trọng 6.2 Những đóng góp nghiên cứu Thuật toán SMA thường sử dụng lĩnh vực sinh học khoa học máy tính, nhiên sử dụng ngành xây dựng Đây điểm hoàn toàn cho phép sử dụng hết tiềm mơ hình cơng suất Mơ hình SMA kỹ thuật cải tiến rõ rệt so với mô hình đời trước đó, mang nhiều đặc tính kỹ thuật tham số điều khiển hơn; đó, việc áp dụng mơ hình SMA vào lĩnh vực tối ưu hóa cần thử nghiệm Mặc dù trước có nhiều mơ hình thành cơng lĩnh vực tối ưu hóa yếu tố xây dựng Hai đóng góp nghiên cứu có liên quan với Đầu tiên, để chứng minh phương pháp kết hợp SMAOTM có tiềm phát triển mạnh mẽ trở nên hiệu so với thuật tốn ban đầu Sau đó, kết tối ưu hóa nhanh hiệu tìm thấy người quản lý dự án sử dụng chúng cho dự án riêng họ Để chứng minh SMAOTM không phương pháp khả thi mà cịn có tính cạnh tranh so sánh với phương pháp tối ưu hóa hàn lâm khác 6.3 Đề xuất hướng phát triển GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 110 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI Do kết hợp phương pháp khác nhau, nghiên cứu tương lai nên tập trung vào việc giảm độ phức tạp mơ hình Ngồi ra, nhiều mơ hình khác sử dụng quản lý xây dựng, chẳng hạn mơ hình dự tốn chi phí mơ hình lập kế hoạch, nên áp dụng cho tốn tối ưu hóa Ngồi ra, kết hợp mơ hình tối ưu hóa khác để nâng cao khả định GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 111 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC Tạp chí quốc tế P V H Son and L N Q Khoi “Optimization in Construction Management Using Adaptive Opposition Slime Mould Algorithm,” Advances in Civil Engineering, vol.2023, 2023 P V H Son and L N Q Khoi “Utilizing artificial intelligence to solving time– cost–quality trade-off problem,” Scientific Reports, vol.12, pp.1-18, 2022 P V H Son and L N Q Khoi “Adaptive opposition slime mold algorithm for time–cost–quality–safety trade-off for construction projects,” Asian Journal of Civil Engineering, pp 1-16, 2023 P V H Son and L N Q Khoi “Building projects with time–cost–quality– environment trade-off optimization using adaptive selection slime mold algorithm,” Asian Journal of Civil Engineering, vol.24, pp.1-18, 2023 P V H Son and L N Q Khoi “Application of slime mold algorithm to optimize time, cost and quality in construction projects,” International Journal of Construction Management, pp.1-12, 2023 P V H Son and L N Q Khoi “Optimization of Construction Projects TimeCost-Quality-Environment Trade-off Problem Using Adaptive Selection Slime Mold Algorithm,” Journal of Soft Computing in Civil Engineering, (Articles in Press), pp.107-124, 2023 P V H Son and L N Q Khoi “Adaptive selection slime mould algorithm in time–cost–quality–environmental impact trade-off optimization,” Canadian Journal of Civil Engineering 2023 P V H Son and L N Q Khoi “Time–cost–quality–CO2 emissions optimization in construction management using slime mold algorithm opposition tournament mutation,” Soft Comput, 2023 GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 112 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI DANH MỤC TÀI LIỆU THAM KHẢO [1] D.-L Luong et al., “Optimizing multi-mode time-cost-quality trade-off of construction project using opposition multiple objective difference evolution,” International Journal of Construction Management, vol 21.3, pp.271-283, 2021 [2] H R Tizhoosh “Opposition-based learning: a new scheme for machine intelligence,” In: International conference on computational intelligence for modelling, control and automation and international conference on intelligent agents, web technologies internet commerce (CIMCA-IAWTIC’06), vol 1, pp 695–701, 2005 [3] K Sharma and M K Trivedi “Latin hypercube sampling-based NSGA-III optimization model for multimode resource constrained time–cost–quality– safety trade-off in construction projects,” International Journal of Construction Management, vol 22, pp.3158-3168, 2022 [4] Y Fang and J Li “A review of Tournament Selection in Genetic Programming” In International symposium on intelligence computation and applications, Berlin, Heidelberg: Springer Berlin Heidelberg, pp.181-192, 2010 [5] S A Banihashemi and M Khalilzadeh “Time-cost-quality-environmental impact trade-off resource-constrained project scheduling problem with DEA approach,” Engineering, Construction and Architectural Management, vol 28, pp.1979-2004, 2021 [6] J Gao et al., “A hybrid genetic and variable neighborhood descent algorithm for flexible job shop scheduling problems,” Computers & Operations Research, vol 35, pp.2892 – 2907, 2008 [7] L Sung, X Cheng and Y Liang “Solving Job Shop Scheduling problem Using Genetic Algorithm with Penalty Function”, International Journal of Intelligent Information Processing, vol 1, pp.65-77, 2010 [8] D-H Tran et al., “Opposition multiple objective symbiotic organisms search (OMOSOS) for time, cost, quality work continuity tradeoff in repetitive projects”, Journal of Computational Design Engineering, vol 5, pp.160172, 2018 [9] Reza Lotfi et al., “A Robust Time-Cost-Quality-Energy-Environment TradeOff with Resource Constrained In Project Management: A Case Study For A GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 113 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI Bridge Construction Project,” Journal Of Industrial and Management Optimization, vol 18, 2022 [10] C W Feng, L Liu and S A Burns “Using genetic algorithms to solve construction time–cost trade-off problems,” J Comput Civ Eng vol 11, pp.184–189, 1997 [11] S Tiwari and S Johari “Project scheduling by integration of time cost tradeoff and constrained resource scheduling” J Inst Eng India Ser A, vol 96, pp.37– 46 2015 [12] A.J.G Babu and N Suresh “Project management with time, cost, and quality considerations,” Eur J Oper Res, vol 88, pp.320–327, 1996 [13] D.B Khang and Y M Myint “Time, cost and quality tradeoff in project management: a case study,” Int J Pro Manage vol 17, pp.249–256, 1999 [14] K El-Rayes and A Kvail “Time-cost-quality trade-off analysis for highway construction,” J Constr Eng Manage, vol 131, pp.477–486, 2005 [15] A Afshar and H R Z Dolabi “Multi-objective optimization of time–cost– safety using genetic algorithm,” Int J Optim Civil Eng, vol 4, pp.433–450, 2014 [16] S A Burns, L Liu, C W Feng “The LP/IP hybrid method for construction time-cost trade-off analysis,” Constr Manage Econom, vol 14, pp.265–276, 1996 [17] P De et al., “The discrete time-cost tradeoff problem revisited,” Eur J Oper Res, vol 81, pp.225–238, 1995 [18] A Jiang and Y Zhu “A multi-stage approach to time-cost trade-off analysis using mathematical programming,” International Journal of Construction Management, vol 10, pp.13–27, 2010 [19] E Elbeltagi et al., “Overall multiobjective optimization of construction projects scheduling using particle swarm,” Eng, Const Arch Man, vol 23, pp.265–282, 2016 [20] A Panwar, K N Jha “A many-objective optimization model for construction scheduling,” Construct Manage Econ, vol 37, pp.727–739, 2019 [21] H Chen at el., “An opposition-based sine cosine approach with local search for parameter estimation of photovoltaic models,” Energy Convers Manage vol GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 114 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI 195, pp.927–942, 2019 [22] M Wang and H Chen “Chaotic multi-swarm whale optimizer boosted support vector machine for medical diagnosis,” Appl Soft Comput vol 88, 2020 [23] S M Mirjalili and A Hatamlou “Multi-verse optimizer: a natureinspired algorithm for global optimization,” Neural Comput Appl, vol 27, pp.495–513, 2016 [24] A Kaveh and S Talatahari “A novel heuristic optimization method: Charged system search,” Acta Mech, vol 213, pp.267–289, 2010 [25] E Rashedi, H Nezamabadi-pour and S Saryazdi “GSA: A Gravitational Search Algorithm,” Information sciences, vol 179, pp.2232–2248, 2009 [26] S Mirjalili “SCA: A Sine Cosine algorithm for solving optimization problems,” Knowl.-Based Syst, vol 96, pp.120–133, 2016 [27] R V Rao et al., “Teaching–Learning-Based Optimization: An Optimization Method for Continuous Non-Linear Large Scale Problems,” Information sciences, vol 183, pp 1–15, 2012 [28] R Formato “Central force optimization: A new deterministic gradient-like optimization metaheuristic,” Opsearch, vol 77, pp 425–491, 2009 [29] D Fogel Artificial Intelligence Through Simulated Evolution Wiley-IEEE Press, pp 227–296, 2009 [30] L B Booker, D E Goldberg and J H Holl “Classifier systems genetic algorithms,” Artificial Intelligence, vol 40, pp.235–248, 1989 [31] J R Koza and J P Rice “Automatic programming of robots using genetic programming,” in: Proceedings Tenth National Conference on Artificial Intelligence, vol 92, pp.194-2017, 1992 [32] N Hansen, S D Müller and P Koumoutsakos “Reducing the Time Complexity of the Dervomized Evolution Strategy with Covariance Matrix Adaptation (CMA-ES),” Evolutionary computation, vol 11, pp 1–18, 2003 [33] X Yao, Y Liu and G Lin “Evolutionary Programming Made Faster,” IEEE Transactions on Evolutionary computation, vol 3, pp 82–102, 1999 [34] R Storn and K Price “Differential Evolution - A Simple Efficient Heuristic for Global Optimization over Continuous Spaces,” Journal of global GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 115 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI optimization, vol 11, pp 341–359, 1997 [35] L Lin and M Gen “Auto-Tuning Strategy for Evolutionary Algorithms: Balancing Between Exploration and Exploitation,” Soft Computing, vol 13, pp 157–168, 2009 [36] D Wolpert and W Macready “No Free Lunch Theorems for Optimization,” IEEE transactions on evolutionary computation, vol 1, pp 67–82, 1997 [37] D Monismith and B Mayfield “Slime Mold as a Model for Numerical Optimization” In 2008 IEEE swarm intelligence symposium, IEEE, 2008, pp 1–8 [38] K Li et al., “Slime Mold Inspired Routing Protocols for Wireless Sensor Networks,” Swarm Intelligence, vol 5, pp 183–223, 2011 [39] T Qian et al., “An Ant Colony System Based on the Physarum Network,” In Advances in Swarm Intelligence: 4th International Conference, ICSI 2013, Harbin, China, June 12-15, 2013, Proceedings, Part I 4, Springer Berlin Heidelberg, pp 297–305, 2013 [40] T Schmickl and K Crailsheim “A Navigation Algorithm for Swarm Robotics Inspired by Slime Mold Aggregation” In International Workshop on Swarm Robotics (pp 1-13), Berlin Heidelberg: Springer Berlin Heidelberg, vol 4433, pp 1–13, 2006 [41] M Becker “On the Efficiency of Nature-Inspired Algorithms for Generation of Fault-Tolerant Graphs,” In 2015 IEEE International Conference on Systems, Man, and Cybernetics, IEEE, 2015 pp 1657–1663 [42] A Brabazon and S McGarraghy “Slime mould foraging: an inspiration for algorithmic design,” Int J Innovative Comput Appl, vol 11, pp.30–45, 2020 [43] Li S et al., “Slime mould algorithm: a new method for stochastic optimization.” Future Gener Comput Syst, vol 111, pp.300-323, 2020 [44] F L Howard, “The Life History of Physarum Polycephalum,” American journal of botany, vol 18, pp.116-133, 1931 [45] D Kessler “Plasmodial Structure Motility: an update,” Front Biosci, vol 17, 726-744, 2021 [46] N Kamiya et al., “The Control of Protoplasmic Streaming,” Science, vol 92, pp 462-463, 1940 GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 116 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI [47] T Nakagaki, H Yamada and T Ueda “Interaction Between Cell Shape and Contraction Pattern in the Physarum Plasmodium,” Biophysical chemistry, vol 84, pp 195-204, 2000 [48] T Latty and M Beekman “Food Quality and the Risk of Light Exposure Affect Patch-Choice Decisions in the Slime Mold Physarum Polycephalum,” Ecology, vol 91, pp 22-27, 2010 [49] T Latty and M Beekman “Speed-Accuracy Trade-Offs During Foraging Decisions in the Acellular Slime Mould Physarum Polycephalum,” Proceedings of the Royal Society B: Biological Sciences, vol 278, pp 539-545, 2011 [50] T Latty and M Beekman “Slime Moulds Use Heuristic Based on WithinPatch Experience to Decide when to Leave,” The Journal of experimental biology, vol 218, pp.1175-1179, 2015 [51] M Beekman and T Latty “Brainless but multi-headed: Decision making by the acellular slime mould physarum polycephalum,” J Mol Biol., vol.427, pp.3734-3743, 2015 [52] P Kareiva and G Odell “Swarms of Predators Exhibit Preytaxis if Individual Predators Use Area-Restricted Search,” The American Naturalist, vol 130, 1987 [53] T Latty and M Beekman “Food Quality affects search strategy in the acellular slime mould, Physarum Polycephalum,” The American Naturalist, vol 20, pp.1160-1167, 2009 [54] B L Miller and D E Goldberg “Genetic algorithms, tournament selection, and the effects of noise,” Complex systems, vol 9, pp.193-212, 1995 [55] D E Goldberg and K Deb “A comparative analysis of selection schemes used in genetic algorithms,” Foundations of Genetic Algorithms, vol 1, pp.69–93, 1991 [56] G R Harik “Finding multimodal solutions using restricted tournament selection,” In: Proceedings of the Sixth International Conference on Genetic Algorithms, IEEE, 1995, pp 24–31 [57] V Filipovi´c et al., “Fine grained tournament selection for the simple plant location problem,” In: 5th Online World Conference on Soft Computing Methods in Industrial Applications, IEEE, 2000, pp 152–158 GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 117 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI [58] S Luke and L Panait “Lexicographic parsimony pressure,” In: Proceedings of the Genetic and Evolutionary Computation Conference, IEEE, 2002, pp 829– 836 [59] K Matsui “New selection method to improve the population diversity in genetic algorithms,” In: Proceedings of 1999 IEEE International Conference on Systems, Man, and Cybernetics, IEEE, 1999, pp 625–630 [60] A Sokolov and D Whitley “Unbiased tournament selection,” In: Proceedings of Genetic and Evolutionary Computation Conference, IEEE, 2005, pp.1131– 1138 [61] T Back “Selective pressure in evolutionary algorithms: A characterization of selection mechanisms,” In: Proceedings of the First IEEE Conference on Evolutionary Computation, IEEE, 1994, pp 57–62 [62] R Poli and W B Langdon “Backward-chaining evolutionary algorithms,” Artificial Intelligence, vol 170, pp.953–982, 2006 [63] H Xie et al., “Another investigation on tournament selection: modelling and visualisation,” In: Proceedings of Genetic and Evolutionary Computation Conference, London, England, 2007, pp 1468–1475 [64] M Y Cheng and D H Tran, "Two-Phase Differential Evolution for the Multiobjective Optimization of Time–Cost Tradeoffs in Resource-Constrained Construction Projects,” IEEE Transactions On Engineering Management, vol 61, pp.450-461, 2014 [65] S Ramesh, D Kannan and S Baskar “Application of modified NSGA-II algorithm to multi-objective reactive power planning,” Appl Soft Comput vol 12, pp.741–753, 2012 [66] S Aminbakhsh and R Sonmez “Pareto front particle swarm optimizer for discrete time-cost trade-off problem,” J Comput Civ Eng, vol 31, 2017 [67] E Elbeltagi et al., “Overall multiobjective optimization of construction projects scheduling using particle swarm,” Eng Const Arch Man, vol 23, pp.265–282, 2016 [68] K Deb and H Jain “An evolutionary many objective optimization algorithm using reference-point-based nondominated sorting approach Part I: Solving problems with box constraints,” IEEE Trans Evol Comput., vol 18, pp.577– 601, 2014 GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 118 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI [69] D H Tran et al., “Opposition multiple objective symbiotic organisms search (OMOSOS) for time, cost, quality and work continuity tradeoff in repetitive projects,” Journal of Computational Design and Engineering, vol 5, pp.160172, 2018 [70] R Akbari et al., “A multi-objective artificial bee colony algorithm,” Swarm and Evolutionary Computation, vol 2, pp.39–52, 2012 GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 119 LUẬN VĂN THẠC SĨ HVTH: LƯU NGỌC QUỲNH KHÔI PHẦN LÝ LỊCH TRÍCH NGANG Họ tên: LƯU NGỌC QUỲNH KHƠI Ngày, tháng, năm sinh: 25/04/1998 Nơi sinh: TPHCM Địa liên lạc: 0775061183 Email: luungocquynkhoi@gmail.com (lnqkhoi.sdh21@hcmut.edu.vn) QUÁ TRÌNH ĐÀO TẠO Từ năm 2016 đến năm 2020: Học Đại học quy chuyên ngành Kỹ thuật Xây dựng Trường Đại học Tôn Đức Thắng Từ năm 2016 đến năm 2021: Học Đại học hệ vừa học vừa làm chuyên ngành Ngôn ngữ anh Trường Đại học Khoa học Xã hội Nhân văn Thành phố Từ năm 2021 đến nay: Học Thạc sĩ chuyên ngành Quản lý xây dựng Trường Đại học Bách Khoa – Đại học Quốc Gia Thành phố Hồ Chí Minh Q TRÌNH CƠNG TÁC Tháng 12/2021 đến tháng 5/2021: Làm Công ty Cổ phần Xây dựng Sài Gòn (COSACO) Tháng 5/2021 đến nay: Làm Ban Quản lý dự án đầu tư xây dựng cơng trình dân dụng cơng nghiệp trực thuộc Uỷ ban nhân dân Thành phố Hồ Chí Minh GVHD1: PGS.TS PHẠM VŨ HỒNG SƠN GVHD2: TS CHU VIỆT CƯỜNG Trang 120