Tiểu luận TỐI ƯU HÓA MẠNG TRUY NHẬP

TỐI ƯU HÓA MẠNG TRUY NHẬP MỤC LỤC CHƯƠNG 1 3 Giới thiệu kỹ thuật tính toán Heuristic và Adaptive trong viễn thông 3 1.1 Các vấn đề tối ưu hóa trong viễn thông 3 1.2 Bài toán động và thích ứng. 3 1.3 Các kỹ thuật Heuristic hiện đại 3 1.3.1. Tìm kiếm cục bộ 3 1.3.2 Tìm kiến dựa trên tập hợp (PopulationBased Search) 3 1.4 Kỹ thuật tính toán thích nghi 3 1.4.1. Tính toán hệ thần kinh 3 1.4.2 Logic mờ 3 1.4.3 Lý thuyết trò chơi 3 1.5 Tổng kết 3 CHƯƠNG 7 3 Tối ưu hóa mạng truy nhập 3 7.1. Giới thiệu 3 7.1.1 Kiến trúc mạng truy cập 3 7.1.2 Quy hoạch Mạng truy nhập 3 7.1.3 Công nghệ trong quy hoạch mạng 3 7.1.4 Bất ổn trong vấn đề quy hoạch 3 7.2 Phương pháp tiếp cận thuật toán di truyền 3 7.2.1 Forma Theory 3 7.2.2 Tìm kiếm Cục bộ 3 7.2.3 Phương pháp tiếp cận tổng thể 3 7.2.4 Biểu diễn gen di truyền 3 7.2.5 Sự giao nhau và đột biến 3 7.2.6 Tìm kiếm nội bộ 3 7.2.7 Mô phỏng luyện kim 3 7.2.8 Chiến lược cài đặt động 3 7.3 Kết quả 3 7.4 Sự không chắc chắn trong quy hoạch mạng 3 7.4.1 Kịch bản thế hệ 3 7.4.2 Kết quả 3 7.5 Thảo luận và kết luận 3 CHƯƠNG 1 Giới thiệu kỹ thuật tính toán Heuristic và Adaptive trong viễn thông 1.1 Các vấn đề tối ưu hóa trong viễn thông Sự phức tạp và kích thước của các mạng viễn thông hiện đại cung cấp cho chúng ta nhiều thách thức và cơ hội. Trong cuốn sách này, những thách thức mà chúng tôi tập trung vào là những liên quan đến việc tối ưu hóa. Điều này chỉ đơn giản đề cập tới những trường hợp mà trong đó chúng ta đang hướng tới tìm một cách tiếp cận phương án tốt nhất giữa nhiều phương án có thể có để giải quyết bài toán. Ví dụ, có một số lượng lớn cách để thiết kế các cấu trúc liên kết một mạng dữ liệu riêng cho một công ty lớn. Làm thế nào chúng ta có thể tìm thấy một thiết kế đặc biệt tốt trong tất cả các khả năng? Ngoài ra, chúng ta có thể thử tìm một cách tốt để gán kênh tần số cho nhiều người sử dụng mạng di động. Có một loạt các khó khăn phức tạp liên quan ở đây, số lượng các phương án có thể đáp ứng các khó khăn vẫn còn quá lớn để chúng tôi hy vọng sẽ kiểm tra lần lượt từng phương án trong số chúng. Vì vậy, một lần nữa, chúng ta cần một số cách để tìm ra giải pháp tốt trong tất cả các khả năng. Những thách thức hiện tại là cơ hội cho sự hợp tác giữa các kỹ sư viễn thông, các nhà nghiên cứu và phát triển trong khoa học máy tính và trí tuệ nhân tạo cộng đồng. Đặc biệt, có một bộ các công nghệ phần mềm mới nổi nhằm tối ưu hóa các vấn đề mà hiện nay đang được được sử dụng trong ngành công nghiệp, nhưng có tiềm năng lớn cho các giải pháp có lợi nhuận và hiệu quả cho nhiều bài toán trong ngành viễn thông. Phần lớn cuốn sách này tập trung vào các kỹ thuật tối ưu hóa, và các công trình nghiên cứu trong các chương sắp tới trình bày một phần việc áp dụng những kỹ thuật này cho các bài toán liên quan đến viễn thông. Các kỹ thuật sử dụng bao gồm các phương pháp tìm kiếm địa phương“ như ủ mô phỏng (Aarts và Korst, 1989) và tìm kiếm tabu (Glover, 1989; 1989a), và các kỹ thuật tìm kiếm dựa trên tập hợp như thuật toán di truyền (Hà Lan, 1975 ; Goldberg, 1989), chiến lược phát triển (Schwefel, 1981; Back, 1996), lập trình tiến hóa (Fogel, 1995) và lập trình di truyền (Koza, 1992). Mục 1.3 giới thiệu ngắn gọn và cơ bản các kỹ thuật trên, dành cho các kỹ sư viễn thông, quản lý hoặc nghiên cứu, những người hiểu biết quá nhiều về vấn đề này, nhưng chưa biết cách để giải quyết chúng. Chương sau thảo luận về việc sử dụng liên quan đến các bài toán đặc biệt trong viễn thông. 1.2 Bài toán động và thích ứng

Kỹ thuật tối ưu TỐI ƯU HÓA MẠNG TRUY NHẬP MỤC LỤC Nhóm 6 Page 1 Kỹ thuật tối ưu CHƯƠNG 1 Giới thiệu kỹ thuật tính toán Heuristic và Adaptive trong viễn thông 1.1 Các vấn đề tối ưu hóa trong viễn thông Sự phức tạp và kích thước của các mạng viễn thông hiện đại cung cấp cho chúng ta nhiều thách thức và cơ hội. Trong cuốn sách này, những thách thức mà chúng tôi tập trung vào là những liên quan đến việc tối ưu hóa. Điều này chỉ đơn giản đề cập tới những trường hợp mà trong đó chúng ta đang hướng tới tìm một cách tiếp cận phương án tốt nhất giữa nhiều phương án có thể có để giải quyết bài toán. Ví dụ, có một số lượng lớn cách để thiết kế các cấu trúc liên kết một mạng dữ liệu riêng cho một công ty lớn. Làm thế nào chúng ta có thể tìm thấy một thiết kế đặc biệt tốt trong tất cả các khả năng? Ngoài ra, chúng ta có thể thử tìm một cách tốt để gán kênh tần số cho nhiều người sử dụng mạng di động. Có một loạt các khó khăn phức tạp liên quan ở đây, số lượng các phương án có thể đáp ứng các khó khăn vẫn còn quá lớn để chúng tôi hy vọng sẽ kiểm tra lần lượt từng phương án trong số chúng. Vì vậy, một lần nữa, chúng ta cần một số cách để tìm ra giải pháp tốt trong tất cả các khả năng. Những thách thức hiện tại là cơ hội cho sự hợp tác giữa các kỹ sư viễn thông, các nhà nghiên cứu và phát triển trong khoa học máy tính và trí tuệ nhân tạo cộng đồng. Đặc biệt, có một bộ các công nghệ phần mềm mới nổi nhằm tối ưu hóa các vấn đề mà hiện nay đang được được sử dụng trong ngành công nghiệp, nhưng có tiềm năng lớn cho các giải pháp có lợi nhuận và hiệu quả cho nhiều bài toán trong ngành viễn thông. Phần lớn cuốn sách này tập trung vào các kỹ thuật tối ưu hóa, và các công trình nghiên cứu trong các chương sắp tới trình bày một phần việc áp dụng những kỹ thuật này cho các bài toán liên quan đến viễn thông. Các kỹ thuật sử dụng bao gồm các phương pháp "tìm kiếm địa phương“ như ủ mô phỏng (Aarts và Korst, 1989) và tìm kiếm tabu (Glover, 1989; 1989a), và các kỹ thuật tìm kiếm 'dựa trên tập hợp' như thuật toán di truyền (Hà Lan, 1975 ; Goldberg, 1989), chiến lược phát triển (Schwefel, 1981; Back, 1996), lập trình tiến hóa (Fogel, 1995) và lập trình di truyền (Koza, 1992). Mục 1.3 giới thiệu ngắn gọn và cơ bản các kỹ thuật trên, dành cho các kỹ sư viễn thông, quản lý hoặc nghiên cứu, những người hiểu biết quá nhiều về vấn đề này, nhưng chưa biết cách để giải quyết chúng. Chương sau thảo luận về việc sử dụng liên quan đến các bài toán đặc biệt trong viễn thông. Nhóm 6 Page 2 Kỹ thuật tối ưu 1.2 Bài toán động và thích ứng Một khía cạnh cơ bản của nhiều vấn đề tối ưu hóa trong viễn thông là một thực tế rằng các giải pháp tối ưu là động. Những gì có thể là giải pháp tốt nhất bây giờ có thể không phải là giải pháp lý tưởng trong một vài giờ, hoặc thậm chí một vài phút. Ví dụ, các nhà cung cấp dịch vụ của một cơ sở dữ liệu phân tán (như video theo yêu cầu , dịch vụ web - bộ nhớ đệm, vv) phải cố gắng để đảm bảo chất lượng dịch vụ cho mỗi khách hàng. Để làm điều này liên quan đến việc chuyển hướng cơ sở dữ liệu của khách hàng truy cập đến các máy chủ khác nhau tại các thời điểm khác nhau (khách hàng không thể nhận biết) để thực hiện phù hợp cân bằng tải giữa các máy chủ. Kỹ thuật tối ưu hóa hiện đại có thể được sử dụng để phân phối tải trọng phù hợp trên các máy chủ, tuy nhiên giải pháp này trở nên không hợp lệ ngay sau khi có sự thay đổi trung bình trong mô hình truy cập cơ sở dữ liệu của khách hàng. Một ví dụ khác là định tuyến gói chung trong một mạng point-to-point. Theo truyền thống, bảng định tuyến tại mỗi nút được sử dụng để tìm kiếm 'bước kế tiếp' tốt nhất cho một gói dựa trên điểm đến cuối cùng của nó. Chúng ta có thể tưởng tượng một kỹ thuật tối ưu hóa áp dụng cho vấn đề này, kỹ thuật này dựa vào mô hình tổng thể và xác định các bảng định tuyến thích hợp cho mỗi nút, do đó ùn tắc chung và sự chậm trễ có thể được giảm thiểu, tức là trong nhiều trường hợp là “bước kế tiếp” tốt nhất có thể không tìm được nút tiếp theo trên con đường ngắn nhất, vì liên kết này có thể được được sử dụng nhiều rồi. Tuy nhiên, đây rõ ràng là một chương trình cần được thực hiện lặp đi lặp lại như những biểu đồ thay đổi lưu lượng truy cập. Việc thực hiện lặp đi lặp lại của các kỹ thuật tối ưu hóa là một trong những cách có thể để tiếp cận các bài toán động, nó thường là một cách khá phù hợp, đặc biệt là khi các giải pháp tốt yêu cầu cần thiết phải rất nhanh, vì môi trường thay đổi rất nhanh chóng. Thay vào đó, một phạm vi khác của các kỹ thuật tính toán hiện đại thường thích hợp cho các bài toán như vậy. Chúng ta có thể gọi chung lớp này là kỹ thuật "thích ứng", mặc dù việc sử dụng ở các chương sau trong cuốn sách này thực sự khá đa dạng. Đặc biệt, chương sau sẽ sử dụng tính toán thần kinh (neural), logic mờ và lý thuyết trò chơi để giải quyết tối ưu hóa thích nghi trong môi trường động, trong một số trường hợp kết hợp với tìm kiếm cụ bộ hoặc dựa vào tập hợp. Về cơ bản, một kỹ thuật tối ưu hóa cung cấp một cách nhanh chóng và hiệu quả để tìm một giải pháp tốt trong nhiều giải pháp, một kỹ thuật thích ứng phải cung cấp một giải pháp tốt gần như là ngay lập tức. Thủ thuật ở đây đó là các phương pháp sử dụng tiến trình “off-line” để học về vấn đề đang giải quyết sao cho khi mà các kết quả tốt và nhanh được yêu cầu thì chúng sẽ được chuyển đi. Ví dụ, một cách tiếp cận thích hợp cho việc định tuyến gói tin trong các mặt thay đổi trong mô Nhóm 6 Page 3 Kỹ thuật tối ưu hình giao thông sẽ bao gồm một số liên tục nhưng tôi thiểu hóa xử lý mà được cập nhật liên tục trong bảng định tuyến tại mỗi nút dựa trên thông tin hiện tại về độ trễ và mức độ giao thông. Trong phần còn lại của chương này chúng ta sẽ giới thiệu ngắn gọn về sự tối ưu và và các kỹ thuật thích ứng mà chúng ta đã đề cập ở trên. Chi tiết sẽ được nói ở các chương sau. Sau đó chúng ta sẽ nói một chút về ba phần trong cuốn sách này trong các chương tiếp theo. Sau cùng, chúng ta sẽ chỉ ra tại sao những kỹ thuật này là quan trọng trong viễn thông, và chúng sẽ ngày càng phát triển theo thời gian. 1.3 Các kỹ thuật Heuristic hiện đại Có một loạt các phương pháp nổi tiếng trong hoạt động nghiên cứu như là: quy hoạch động (DynamicProgramming), quy hoạch tuyến tính (Integer Programming). v v đã được sử dụng để giải quyết các lọa vấn đề tối ưu khác nhau. Tuy nhiên, một cộng đồng lớn của các nhà khoa học máy tính và các nhà nghiên cứu trí tuệ nhân tạo ngày nay đang dành rất nhiều nỗ lực vào những ý tưởng hiện đại hơn được gọi là “metaheuristics” hay còn gọi là “heuristic”. Vấn đề khác nhau cơ bản giữa các phương pháp hiên đại và phương pháp cổ điển đó là nó dễ áp dụng hơn. Tực là nếu đưa ra một vấn đề thực tế điển hình và phức tạp thì nó sẽ cần ít công sức để phát triển cách tiếp cận mô hình tôi thép để giải quyết vấn đề đó hơn là trình bày vấn đề theo cách quy hoạch tuyến tính có thể áp dụng trên nó. Điều này không nói rằng các phương pháp hiện đại sẽ làm tốt hơn phương pháp cổ điển. Trên thực tế, kịch bản thực tế và điển hình khi mà cả hai loại phương pháp được áp dụng đó là : • Một chuyên gia metaheuristics so sánh hại loại kỹ thuật: phương pháp hiện đại làm tốt hơn phương pháp cổ điện • Một chuyên gia nghiên cứu các hoạt động cổ điển so sánh hai loại kỹ thuật: phương pháp cổ điển vượt trội hơn phương pháp hiện đại Mặc dù sự quan sát này dựa trên một khía cạnh quan trọng trong việc giải quyết các vấn đề tối ưu, bạn càng hiểu rõ các kỹ thuật riêng biệt mà bạn đang áp dụng thì bạn càng có khả sử dụng và khai thác nó để đạt được kết quả tốt hơn. Trong phần này chúng tôi chỉ cung cấp khái quát về một số thuật toán tối ưu hiện đại, và do đó không cung cấp khá đầy đủ thông tin cho một người đọc để có thể chỉnh cho phù hợp với các vấn đề cụ thể. Mặc dù chúng tôi không chỉ cho bạn cách để sáng tạo với chúng, nhưng chúng tôi chỉ ra điểm mấu chốt ở đâu. Làm cách nào để áp dụng sáng tạo chúng thì phụ thuộc và rất nhiều vấn đề, nhưng chương sau sẽ cung cấp các thông tin cho từng trường hợp cụ thể. Những gì Nhóm 6 Page 4 Kỹ thuật tối ưu sẽ trở nên rõ ràng từ chương này, tuy nhiên, đó là những kỹ thuật được đánh giá cao chung trong ứng dụng của chúng. Trong thực tế, bất cứ khi nào cũng có một số cách khá sẵn để đánh giá hoặc tính điểm giải pháp ứng cử viên cho vấn đề của bạn, sau đó các kỹ thuật này có thể được áp dụng. Về bản chất các kỹ thuật này được chia làm 2 nhóm: tìm kiếm địa phương, tìm kiếm dựa trên dân số. Đó sẽ là những thứ sẽ được bàn đến tiếp theo đây. 1.3.1. Tìm kiếm cục bộ Giả sử rằng bạn đang cố gắng để giải quyết một vấn đề P, và bạn có một tập hợp S là các giải pháp tiềm năng cho vấn đề này. Bạn không nhất thiết phải có tập S, vì nó quá lớn để có thể hiểu rõ toàn bộ. Tuy nhiên, bạn có một số cách để tạo ra các giải pháp từ nó. Ví dụ, S có thể là một tập hợp các cấu trúc liên kết cho một mạng, và các giải pháp ứng cử s, s ', s'',… là các đề cử cấu trúc kết nối cụ thể mà bạn đã đưa ra theo cách nào đó. Thêm vào đó, hãy tưởng tượng rằng bạn có một hàm chuẩn hóa f(s) (fitness function) có chức năng đưa ra kết quả của một giải pháp đề cử. Kết quả tốt hơn đồng nghĩa với việc đó là giải pháp tốt hơn. Lấy ví dụ, chúng ta đang cố gắng tìm ra những cấu trúc liên kết mạng đáng tin cậy nhất, sau đó f (s) có thể tính toán xác suất thất bại của liên kết giữa hai nút đặc biệt quan trọng. Trong trường hợp chúng ta muốn sử dụng nghịch đảo của giá trị này nếu chúng ta thực sự muốn gọi nó là “chuẩn hóa” (fitness). Trong những trường hợp khi mà kết quả thấp hơn, thì tốt hơn và thường thì thích hợp hơn đó là coi f(s) là một hàm chi phí. Chúng ta còn cần thêm một điều nữa, mà chúng ta gọi là một toán tử lân cận (neighbourhood operator). Đây là hàm có chức năng lấy ra một giải pháp đề cử s, và tạo ra một giải pháp đề cử mới s’ - thường chỉ hơi khác một chút so với s. Chúng ta sẽ sử dụng thuật ngữ “biến cố” (mutation) để mô tả cho toán tử này. Ví dụ, nếu chúng ta biến đổi một cấu trúc liên kết mạng, kết quả biến đổi có thể bao gồm một liên kết thêm không có trong cấu trúc liên kết “cha mẹ”, hoặc cũng có thể là giống như nhau. Ngoài ra, biến cố có thể loại bỏ hoặc di chuyển một liên kết. Bây giờ chúng ta có thể mô tả một cách cơ bản về tìm kiếm cục bộ. Trước tiên, hãy xem xét một trong những phương pháp tìm kiếm cục bộ đơn giản nhất, được gọi là phương pháp leo đồi (hillclimbing), thực hiện theo các bước dưới đây: 1. Bắt đầu: tạo ra một giải pháp đề cử ban đầu (có thể bằng một cách ngẫu nhiên); gọi đây là giải pháp hiện tại, c. Đánh giá nó. 2. Biến đổi c để tạo ra một biến cố m, sau đó đánh giá m. Nhóm 6 Page 5 Kỹ thuật tối ưu 3. Nếu f(m) là tốt hơn hơn hoặc tương đương f(c), vậy thì cần thay thế c với m. (Ví dụ c bây giờ là một bản sao của m). 4. Lặp lại bước 2, cho đến khi nào đạt tới một tiêu chí kết thúc. Ý tưởng của hillclimbing nên được trình bày rõ ràng theo thuật toán nêu trên. Ở bất kỳ bước nào, chúng ta có một giải pháp hiện tại, và khi chúng ta nhìn vào một ân cận của giải pháp này - có vài điểm khác nhau. Nếu giải pháp lân cận là một bộ lọc (fitter) (hoặc tương đương), vậy thì có vẻ như là đây một ý tưởng tốt để chuyển sang lân cận đó; do đó, cần bắt đầu lại với lân cận giống như là với một giải pháp hiện tại mới. Ý tưởng căn bản đằng sau điều này, và đằng sau phương pháp tìm kiếm cục bộ nói chung, đó là sự hội tụ của các giải pháp tốt. Bạn có thể không thực sự mong đợi một cấu trúc liên kết đáng tin cậy xuất hiện, ví dụ, thêm một liên kết đơn vào một cấu trúc liên kết không đáng tin cậy. Tuy nhiên, bạn có thể mong đợi rằng một sự thay đổi như vậy có thể biến một cấu trúc liên kết đáng tin cậy thành một cấu trúc liên kết đáng tin cậy hơn. Trong tìm kiếm cục bộ, chúng ta khai thác ý tưởng này bằng cách liên tục tìm kiếm trong vùng lân cận của giải pháp hiện tại. Sau đó chúng ta sẽ chuyển đến một giải pháp phù hợp, và tái thực thi quá trình này. Sự nguy hiểm ở đây là chúng ta có thể gặp khó khăn trong với cái gọi là “tối ưu cục bộ”, tức là giải pháp hiện tại là không đủ tốt cho mục đích của chúng ta, nhưng tất cả các phương án lân cận của nó thậm chí còn tồi hơn. Đây là điểm không tốt đối với thuật toán leo đồi (hillclimbing), vì đơn giản là nó sẽ bị mắc kẹt ở đó. Các phương pháp tìm kiếm cục bộ khác ngoài hillclimbing, có cách để giải quyết chính xác tình huống này. Các phương pháp tìm kiếm cục bộ khác được phân biệt chúng với hillclimbing, tuy nhiên, có một số cách để giải quyết tình trạng này một cách chính xác. Chúng ta sẽ xem xét lại 2 phương pháp ở đây, đây là những phương pháp được sử dụng phổ biến và được sử dụng ở phần sau trong cuốn sách này. Dưới đây là mô phỏng luyện kim (simulated annealing) và tìm kiếm tabu (tabu search). Simulated annealing Simulated anneling giống với hillclimbing. Sự khác biệt duy nhất là việc thêm vào của 1 cặp tham số, một bước phụ mà một số cuốn sách thực hiện với những tham số này, và đây là điểm chính, bước 3 được thay đổi để sử dụng các tham số này: 1. Bắt đầu: Tạo và đánh giá giải pháp ứng cử ban đầu (một cách ngẫu nhiên); gọi đây là giải pháp hiện tại c. Khởi tạo tham số nhiệt độ T và độ làm mát r (0<r<1). 2. Biến đổi c tạo ra m, kết quả của việc biến đổi c, và đánh giá m. Nhóm 6 Page 6 Kỹ thuật tối ưu 3. Nếu đánh giá test(f(m), f(c), T) là đúng, thì thay thế c bằng m (c bây giờ là bản sao của m). 4. Cập nhật tham số nhiệt độ (T thành rT). 5. Lặp lại bước 2, cho tới khi đạt được tiêu chí kết thúc. Vấn đề xảy ra trong mô phỏng luyện kim đó là đôi khi chúng ta chấp nhận kết quả của việc biến đổi ngay cả khi nó kém hơn cả giải pháp hiện tại. Tuy nhiên, chúng không xảy ra thường xuyên và khả năng kết quả của việc biến đổi kém hơn là rất thấp. Ngoài ra, chúng ta có ít khả năng làm như vậy trong thời gian tới. Kết quả tổng thể là thuật toán có cơ hội tốt để thoát khỏi tối ưu cục bộ, do đó có thể tìm kiếm các miền tốt hơn của không gian sau này. Tuy nhiên, hướng cơ bản của sự dịch chuyển về các miền tốt hơn được duy trì. Tất cả những điều này được thực hiện trong chức năng test của bước 3. Một ví dụ về loại sử dụng test là đầu tiên thực hiện: ( ( ) ( ))/f m f c T e − Giả thiết rằng chúng ta thực hiện tối ưu hóa chi phí (nếu không chúng ta chỉ cần chuyển dổi f(m) và f(c)). Nếu kết quả của việc biến đổi tốt hơn hoặc tương đương giải pháp hiện tại, thì biểu thức trên sẽ lớn hơn hoặc bằng 1. Nếu kết quả của việc biến đổi kém hơn, thì kết quả sẽ nhỏ hơn 1 và kém hơn kết quả biến đổi là gần bằng 0. Do đó, kết quả của biểu thức được sử dụng như một xác suất. Tạo ngẫu nhiên 1 số rand, với 0<rand<1 và thực hiện test trong bước 3 chỉ đơn giản là kiểm tra có hay không biểu thức nhỏ hơn rand. Nếu vậy (luôn luôn được như vậy nếu kết quả biến đổi tốt hơn hoặc tương đương), chúng ta chấp nhận kết quả biến đổi. T là tham số nhiệt độ. Với bắt đầu lớn và giảm dần (xem bước 4) theo thời gian. Điều bạn có thể nói từ biểu thức trên, là xác suất của kết quả biến đổi kém chấp nhận được cũng sẽ giảm dần theo thời gian. Mô phỏng luyện kim tạo ra một phương pháp mạnh, mặc dù nó khá khó khăn để đạt được những tham số đúng. Tham khảo A good modern account, Dowsland (1995). Tabu Search Một cách khác để thoát khỏi optima cục bộ được cung cấp bởi tìm kiếm tabu (Glover 1989; 1989a; Glover and Laguna, 1997). Có nhiều khía cạnh tinh vi để tìm kiếm tabu, ở đây chúng ta chỉ tìm hiểu về bản chất của kỹ thuật. Giới thiệu một cách rõ ràng và đầy đủ được cung cấp trong Glover and Laguna (1995; 1997). Phương pháp tìm kiểm Tabu, như nhiều phương pháp tìm kiếm cục bộ khác không bàn và xem xét về các láng giềng của giải pháp hiện tại và thậm chí chọn một trong láng giềng để chuyển đến. Đặc tính có tính phân biệt này của phương pháp tìm kiếm Tabu là về vấn đề đưa ra Nhóm 6 Page 7 Kỹ thuật tối ưu sự lựa chọn như thế nào. Đây không đơn giản là việc lựa chọn láng giềng nào phù hợp nhất trong số những láng giềng đã được kiểm tra. Phương pháp tìm kiếm Tabu tính đến cả sự biến đổi (mutation) mà cho chúng ta kết quả. Ví dụ, nếu láng giềng tốt nhất trong giải pháp của bạn là láng giềng mà kết nối bằng việc thay đổi liên kết từ nút k, nhưng chúng ta đã thực hiện việc kết nối đó trong lần lặp trước thì có thể một láng giềng khác sẽ được lựa chọn thay thế, thậm chí nếu sự di chuyển tốt nhất hiện tại là di chuyển gần đây nhất cũng có thể không được chấp nhận. Tìm kiếm tabu cung cấp một cơ chế dựa trên chỉ tiêu nguyện vọng cho phép ta chọn nhiều hơn nếu láng giềng đang được xem xét mà phù hợp hơn so với láng giềng hiện tại. Do vậy, bất kỳ việc cài đặt phướng pháp tìm kiếm tabu nào đều duy trì một vài dạng bộ nhớ ghi lại những thuộc tính nhất định của những di chuyển gần đây. Những thuộc tính này phụ thuộc nhiều vào vấn đề đang xem xét và đây là một phần của việc áp dụng phương pháp tìm kiếm tabu. Ví dụ, nếu chúng ta cố gắng tối ưu hóa topo mạng, một dạng của bộ biến đổi sẽ phải thay đổi đường cáp liên kết giữa nút a và nút b. Hoặc là trong việc cài đặt phương pháp tìm kiếm tabu, chúng ta có lẽ chỉ ghi lại sự kiện thay đổi đường cáp ở lần lặp thứ i, hoặc là đơn giản chỉ ghi lại sự thay đổi trong liên kết giữa nút a với một nút mà liên kết với nút b. Nếu chúng ta chỉ ghi lại kiểu thuộc tính trước đó thì những di chuyển có thể xảy ra gần thời điểm đó có thể không được chấp nhận và không phụ thuộc vào các nút có liên quan. Nếu chúng ta chỉ ghi lại thuộc tính sau đó thì những thay đổi tiềm năng bao gồm nút a và (hoặc) nút b có thể không được chấp nhận nhưng những di chuyển thay đổi cáp có thể được chấp nhận. Phương pháp tìm kiếm cục bộ Artful Có một vài điểm chú ý về việc thuật toán tabu minh họa đó là khía cạnh quan trọng của phương pháp tìm kiểm cục bộ tốt là quyết định láng giềng nào cần di chuyển đến. Tất cả các phương pháp tìm kiếm cục bộ thực hiện các ý tưởng cơ bản về di chuyển cục bộ đều là những ý tưởng tốt. Ví dụ, nếu giải pháp hiện tại của bạn tốt thì có thể có một giải pháp tốt hơn gần đó và có thể có một giải pháp tốt hơn nữa Tuy nhiên, rõ ràng là thỉnh thoảng (có lẽ là thường xuyên) chúng ta phải chấp nhận thực tế là chúng ta chỉ có thể tìm kiếm các giải pháp được cải tiến bằng cách tạm thời thực hiện các giải pháp khác tồi hơn. Thuật toán mô phỏng luyện kim và phương pháp tìm kiếm tabu là hai cách tiếp cận để giải quyết vấn đề này. Tuy nhiên, đối với một vấn đề cụ thể thì cách tốt nhất trong triển khai và thiết kế hai cách tiếp cận trên là không rõ ràng. Có nhiều sự lựa chọn có thể đưa ra: cách đầu tiên có thể là làm cách nào để trình bày một giải pháp đưa ra tại vị trí đầu tiên. Lấy ví dụ, một topo mạng có thể được biểu diễn dưới dạng cách danh sách của các liên kết trong Nhóm 6 Page 8 Kỹ thuật tối ưu đó mỗi cặp liên kết là một cặp nút (a,b). Việc giải mã danh sách đó thành một topo mạng đơn giản là vẽ liên kết cho mỗi cặp nút trong danh sách đó. Nói cách khác, chúng ta có thể biểu diễn một topo mạng như là một chuỗi nhị phân chứa thông tin về các liên kết có thể có. Mỗi vị trí trong chuỗi bit này sẽ có thể thể hiện một liên kết điểm tới điểm. Do vậy, một giải pháp đưa ra là “10010 ” có thể chỉ ra một liên kết điểm tới điểm giữa nút 1 và 2, không có liên kết giữa nút 1 và nút 3 hoặc là giữa nút 1 và nút 4 hoặc là có một liên kết giữa nút 1 và nút 5. Nói chung, trên đây là những cách để đưa ra một phương pháp đại diện cho các giải pháp của vấn đề. Tất nhiên sự lựa chọn cũng ảnh hưởng đến thiết kế của các “operator hàng xóm”. Trong ví dụ trên, loại bỏ 1 liên kết từ topology liên quan đến 2 loại hoạt động khác nhau trong 2 đại diện. Trong trường hợp danh sách cặp node, chúng ta cần thực sự loại bỏ 1 cặp từ danh sách. Trong trường hợp nhị phân, chúng ta thay đổi một bit 1 đến một bit 0 trong một vị trí cụ thể trong chuỗi. Đề ra các đại diện và vận hành tốt là một phần của nghệ thuật sử dụng hiệu quả tìm kiếm địa phương để giải quyết các vấn đề tối ưu hóa cứng. Tuy nhiên một phần quan trọng khác của nghệ thuật này là vấn đề sử dụng tri thức cụ thể hoặc chuẩn đoán tồn tại khi có thể. Ví dụ, một vấn đề với một trong hai đại diện mà chúng ta đã ghi nhận cho đến nay cho topology mạng là một topology được tạo ngẫu nhiên điển hình cũng có thể là không kết nối. Đó là một giải pháp ứng cử có thể chỉ đơn giản là không chứa các đường dẫn giữa mỗi cặp nút. Thông thường, chúng ta chỉ quan tâm đến các mạng hướng kết nối, vì vậy bất kỳ thuật toán tìm kiếm nào mà effort dành cho kết nối với các mạng hướng không kết nối thẩm định thì có vẻ khá lãng phí. Đây là nơi mà miền tri thức cơ bản và những chuẩn đoán tồn tại sẽ có ích. Đầu tiên, bất kỳ một nhà thiết kế mạng tốt nào đều sẽ biết các khái niệm lý thuyết đồ thị khác nhau, chẳng hạn như là: cây spanning, thuật toán đường đi ngắn nhất… Nó không khó để đưa ra 1 thay đổi đại diện danh sách cặp node là đã kết nối, đảm bảo rằng tất cả các giải pháp ứng viên s chứa 1 cây spanning cho mạng. Một cách để làm điều này là liên quan đến việc giải thích những cặp node đầu tiên gián tiếp. Thay vì (a, b) chỉ ra rằng mạng này chứa liên kết giữa a và b, nó sẽ có nghĩa là node a đã kết nối sẽ được liên kết với node b không kết nối. Bằng cách này, mọi cặp node tiếp theo cho thấy làm thế nào để tham gia như 1 node chưa được sử dụng để phát triển cây spanning. Khi tất cả các node đã được kết nối như vậy, cặp node còn lại có thể được giải thích trực tiếp. Tuy nhiên vấn đề chúng ta giải quyết sẽ liên quan đến vấn đề chi phí, do đó chi phí của các liên kết cụ thể sẽ đóng vai trò quan trọng trong fitness function. Miền tri thức cho chúng ta biết một số thuật toán nổi tiếng và nhanh chóng đưa ra đáp án cho việc tìm cây spanning chi phí Nhóm 6 Page 9 Kỹ thuật tối ưu nhỏ nhất (Kruskal, 1956; Prim, 1957). Do đó nó có thể làm cho ý nghĩa tốt, tùy thuộc vào các chi tiết khác nhau của vấn đề, để khởi tạo mỗi giải pháp ứng viên với cây chi phí nhỏ nhất, và tất cả những gì chúng ta cần là đại diện cho các liên kết chúng ta thêm vào cây này. Có rất rất nhiều cách trong đó miền tri thức hoặc chuẩn đoán tồn tại có thể được sử dụng để hưởng lợi từ phương pháp tiếp cận tìm kiếm địa phương cho vấn đề tối ưu hóa. Một số về vấn đề này có thể cho chúng ta biết, ví dụ những loại biến đổi có cơ hội tốt hơn dẫn đến hàng xóm tốt. Một phương thức chuẩn đoán hiện có cho biết nhanh chóng giao các kênh trong mạng di động, có thể được sử dụng để cung cấp điểm khởi tạo cho tìm kiếm địa phương mà cố gắng để tìm ra giải pháp tốt hơn. 1.3.2 Tìm kiến dựa trên tập hợp (Population-Based Search) Một lựa chọn khác của thuật toán, hiện giờ đang rất phổ biến, được xây dựng dựa trên ý tưởng về tìm kiếm địa phương bằng cách sử dụng tập hợp các giải pháp “hiện tại” thay vì chỉ một. Có 2 cách mà điều này có khả năng tương cường cơ hội tìm kiếm giải pháp tốt. Đầu tiên, khi chúng ta có 1 tập hợp, chúng ta có thể dành thời gian 1 cách hiệu quả để tìm kiếm trong nhiều khu vực lân cận khác nhau như một. Thuật toán dựa trên tập hợp có xu hướng chia sẻ effort tính toán đến các giải pháp ứng viên khác nhau trong 1 cách thiên vị bởi relative fitness của chúng. Đó là, nhiều thời gian sẽ được dùng để tìm kiếm các vùng lân cận của các giải pháp tốt hơn là các giải pháp trung bình. Tuy nhiên, tối thiểu cần một ít thời gian cho việc tìm kiếm trong những miền nghiệm ôn hòa hoặc thô, nên điều này dẫn đến việc tìm kiếm một đột biến đặc biệt tốt trên đường đi, sau đó các cân bằng tải của nỗ lực tính toán sẽ được sửa đổi cho phù hợp. Một hướng tiếp cận khác được cung cấp bởi kỹ thuật dựa trên tổ hợp là chúng ta thử sử dụng toán tử tái tổ hợp. Đây là cách để tạo ra những đột biến, nhưng lần này từ 2 hoặc nhiều các nghiệm cha chứ không phải chỉ 1. Do đó kết quả được gọi là một tổ hợp chứ không phải là một đột biến. Tái tổ hợp cung cấp một cách có nguyên tắc tưởng đối để giải thích sự dịch chuyển của một vùng lân cận lớn. Một trong những khó khăn của tìm kiếm cục bộ là ngay cả các kỹ thuật tiên tiến như mô phỏng và tìm kiếm cũng khó khăn để tối ưu cục bộ, nó chỉ “thoát” trừ khi nó có thể là một đột biến khá quyết liệt. Đó là thuật toán có thể thử tất cả các chuyển động cục bộ có thể, và do đó phải bắt đầu thử với các di chuyển phi cục bộ nếu nó có bất kỳ cơ hội nào để đạt được bất kỳ nơi nào. Vấn đề thực tế ở đây là có rất nhiều khả năng di chuyển phi cục bộ. Thật vậy các hàng xóm ”phi cục bộ” là toàn bộ không gian khả năng! Nhóm 6 Page 10 [...]... phương pháp để tối ưu hóa chi phí lắp đặt của mạng truy nhập cáp quang Kế hoạch sản xuất chỉ định nơi các cột được xây dựng, kích thước các thành phần và khi nào các cột được lắp đặt Trong thực tế, hệ thống không giới hạn các mạng cáp quang và có thể dễ dàng được mở rộng để lên kế hoạch hầu hết các loại mạng Hai phương pháp tối ưu hóa được Nhóm 6 Page 18 Kỹ thuật tối ưu trình bày: thuật toán di truy n và... triển các kĩ thuật tính toán đã được tích hợp và cài đặt nhanh chóng trong lĩnh vực viễn thông Nhóm 6 Page 17 Kỹ thuật tối ưu CHƯƠNG 7 Tối ưu hóa mạng truy nhập 7.1 Giới thiệu Mạng truy cập viễn thông là phần của mạng lưới kết nối tổng đài nội hạt cho khách hàng Hiện nay hầu hết các mạng truy cập là cáp đồng băng thông thấp Thông tin liên lạc số đang trở thành một tính năng thiết yếu của cuộc sống cả ở... kế hoạch PON cố gắng tối ưu hóa để giảm thiểu tối đa số thiết bị chia tách được cài đặt Từ sơ đồ nó rõ ràng là hầu hết các thiết bị chia tách được kết nối với số lượng tối đa khách hàng Trong mạng PTP, các đơn vị ghép nối có chi phí thấp hơn và cáp tương đối đắt tiền, vì thế tối ưu hóa cố gắng để giảm tổng số lượng cáp phải cài đặt trong mạng Sự khác biệt này nghĩa là tìm kiếm tối ưu cho vấn đề PTP khó... tổng chi phí dự án Nó được xem xét tính chất động của vấn đề cho việc lắp đặt mạng lưới thân công suất cao (xem Minoux -1987) Có rất ít công việc xem xét để tối ưu hóa truy cập mạng, trường hợp ngoại lệ là Jack et al (1992) và Shulman và Vachini (1993), người đã mô tả một hệ thống được phát triển tại GTE để tối ưu hóa mạng lưới truy cáp đồng Chung cho công việc này là việc sử dụng các giá trị hiện tại... bằng tay mà có thể có nghĩa là mạng không phải là chi phí hiệu quả như chúng có thể Đã có nhiều nỗ lực để sản xuất các hệ thống tối ưu hóa cấu trúc liên kết mạng lưới đồng, mặc dù họ thường sử dụng nhiều mô hình mạng đơn giản Nhiệm vụ thiết kế các mạng quang học là khác biệt đáng kể với các mạng đồng và không nhiều việc được công khai trong lĩnh vực này Hầu hết các mạng truy cập được cài đặt dần dần,... chứa các mảnh nối thì nó là một mạng lưới điểm tới điểm và nếu chúng chứa các mảnh cắt thì nó là một mạng cáp quang thụ động 7.1.1 Kiến trúc mạng truy cập Kiến trúc khả thi đơn giản nhất của sợi cáp quang dành cho mạng truy nhập là mạng PTP trong đó mỗi khách hàng có một cặp cáp trao đổi từ tổng đài Những mạng này vẫn có cấu trúc liên kết giống với cấu trúc cây nhánh truy n thống (Hình 7.1) Có lợi thế... chung, • Tối ưu hóa tìm kiếm vị trí bộ tập trung Tài liệu mô tả các phương pháp tối ưu hóa mạng quang thụ động khá ít Kiến trúc mạng này là một phát triển gần đây, mà có lẽ giải thích điều này Phần lớn việc xuất bản là sản phẩm từ sự hợp tác giữa trường Đại học Sunderland và Anh Viễn thông Plc Paul và Tindle (1996), Paul et al (1996) và Poon et al (1997) mô tả hệ thống dựa trên thuật toán di truy n Đầu... trình quy hoạch mạng lưới Đặc biệt, ở đây sự quan tâm là các vấn đề về khả năng mở rộng, nơi có cột đang dần được cài đặt vào hệ thống mạng để đáp ứng nhu cầu (xem Luss (1982) cho một cuộc Nhóm 6 Page 22 Kỹ thuật tối ưu thảo luận chung của lĩnh vực mở rộng năng lực) Jack et al (1992) và Shulman và Vachini (1993) cả hai mô tả các thuật toán hình thành trên cơ sở của một hệ thống tối ưu hóa NETCAP TM phát... (Phadke, 1989) 7.2 Phương pháp tiếp cận thuật toán di truy n Giới thiệu về thuật toán di truy n được cung cấp trong Chương 1 Mục đích của phần này là giới thiệu các phương pháp được sử dụng trong chương này cho áp dụng chúng vào các vấn đề lập kế hoạch truy cập mạng Một quan niệm sai lầm phổ biến của thuật toán di truy n là chúng rất tốt “bên ngoài hộp” tối ưu hóa Đó là, một GA có thể được áp dụng trực tiếp... sản phẩm của cấp độ phân chia phải bằng 32 Điều này là do có giới hạn suy giảm tối đa và tối thiểu Ví dụ, nếu nút chính được chọn là 1:4 thì nút chia phụ phải là 1 × 8 Hạn chế này làm cho quy hoạch mạng lưới khó khăn hơn đáng kể 7.1.2 Quy hoạch Mạng truy nhập Phần này tóm tắt những vấn đề mà quá trình lập kế hoạch truy cập mạng trình bày Người ta cho rằng các thông tin ban đầu có sẵn cho một kế hoạch