Điều này đặt ra nhiều thách thức cho các kỹ sư xây dựng, các nhà quản lý, nhà hoạch định, phải nỗ lực không ngừng để tìm ra các giải pháp để xử lý vấn đề, bố trí xây dựng lại các vị trí
TỔNG QUAN NGHIÊN CỨU
Tổng quan về các phương pháp xử lý rác thải rắn trong quản lý xây dựng
“Rác thải là một vấn đề môi trường đang ngày càng trở nên nghiêm trọng trên khắp thế giới Trong đó, rác thải rắn (MSW) và rác thải rắn xây dựng (CDW) chiếm một tỷ trọng quan trọng, góp phần vào việc gây ô nhiễm môi trường và ảnh hưởng xấu đến sức khỏe con người cũng như động vật và thực vật Rác thải rắn, hay còn gọi là rác thải sinh hoạt, bao gồm các loại rác từ hộ gia đình, công nghiệp nhẹ và cơ sở dịch vụ Đây là loại rác thải phổ biến nhất và đa dạng, bao gồm các vật liệu như nhựa, giấy, kim loại, thủy tinh và hữu cơ Sự gia tăng của rác thải sinh hoạt không chỉ làm ô nhiễm môi trường mà còn ảnh hưởng đến cảnh quan và sinh thái Rác thải rắn xây dựng là loại rác được sinh ra từ các công trình xây dựng, sửa chữa hoặc tháo dỡ cấu trúc Điều này bao gồm các vật liệu xây dựng như bê tông, gạch, gỗ, kim loại, và các vật liệu phụ trợ như vật liệu đóng gói và sản phẩm hóa chất Rác thải rắn xây dựng
(CDW) thường không được xử lý đúng cách và thải ra môi trường một cách không kiểm soát, gây ra ô nhiễm đất đai, nước ngầm và không khí (Ofori-Boateng et al.,
2013; Yi et al., 2011) Với sự đô thị hóa nhanh chóng, phát triển kinh tế và tăng trưởng dân số, MSW đã tăng đáng kể (Magazzino et al., 2020), lượng rác thải trên toàn cầu sẽ tăng lên 2,2 tỷ tấn mỗi năm vào năm 2025 (Hoornweg & Bhada-Tata, 2012), riêng
Xây dựng luôn tạo ra lượng lớn chất thải xây dựng (CDW), chiếm hơn 30% tổng lượng chất thải rắn trên toàn cầu mỗi năm Lượng CDW khổng lồ này gây ra nhiều vấn đề nghiêm trọng, bao gồm đổ rác trái phép và ô nhiễm, đe dọa đến môi trường đô thị và hệ sinh thái xung quanh.
MSW được coi là một vấn đề môi trường toàn cầu quan trọng, đặc biệt là trong các nước đang phát triển (Nguyen et al., 2020) Do đó, việc phát triển hệ thống xử lý chất thải rắn trong quản lý xây dựng (CDWM) một cách hiệu quả là quan trọng để bảo vệ tài nguyên, môi trường và sức khỏe cộng đồng (Ceylan, 2020), nhưng các vấn đề môi trường của CDW thường khó giải quyết do tính đa dạng và không đồng nhất của chúng”(Bagheri et al., 2019) Với bối cảnh này, các hướng nghiên cứu quản lý chất thải được mô tả trong hình 2.1 đã tập trung vào việc sử dụng công nghệ thông tin tiên tiến để cải thiện rác thải, thúc đẩy hiệu suất trong quản lý chất thải xây dựng và phá hủy (C&D) và giảm nhẹ tác động môi trường và xã hội của việc xử lý chất thải trong những năm gần đây (Nowakowski & Pamuła, 2020).”Do khả năng hoàn thành xuất sắc trong việc mô hình các cơ chế phức tạp, các phương pháp học máy (ML) và trí tuệ nhân tạo (AI) gồm tám loại công nghệ tiên tiến được xác định như mô hình thông tin xây dựng (BIM), hệ thống thông tin địa lý (GIS), dữ liệu lớn (BD), nhận dạng tần số radio (RFID), công nghệ nhận dạng hình ảnh (IRT), phân tích hình ảnh (IA), hệ thống định vị toàn cầu (GPS) và công nghệ mã vạch (BT) đã được áp dụng thành công trong các lĩnh vực liên quan đến môi trường như nước thải, chất ô nhiễm không khí, xử lý chất thải rắn, quản lý chất thải C&D (Zamani Joharestani et al., 2019).”Hệ thống CDWM trong quản lý xây dựng bao gồm nhiều mối quan hệ phi tuyến, và mô hình tuyến tính truyền thống bị hạn chế (Chhay et al., 2018), do đó, các phương pháp học máy (ML) và trí tuệ nhân tạo (AI) được kỳ vọng sẽ đóng một vai trò quan trọng trong việc mô hình hóa, dự đoán và tối ưu hóa các vấn đề liên quan đến CDW trong quản lý xây dựng, (Ye et al., 2020) đã thảo luận về các mô hình trí tuệ nhân tạo (AI) khác nhau được sử dụng trong các ứng dụng chất thải rắn dựa trên 85 nghiên cứu được công bố từ năm 2004 đến năm 2019, và (Li et al., 2020) giới thiệu các công nghệ thông tin được sử dụng trong các ứng dụng quản lý chất thải xây dựng và phá hủy
Bên cạnh đó trong nước, cũng có một số đề tài được giới thiệu về tối ưu hóa rác thải rắn nhưng không nhiều, hầu như là rác thải rắn đô thị, không bao gồm rác thải xây dựng, với số lượng rất ít, thuộc một số địa phương cụ thể như (Nguyễn, 2023) tại Đà Nẵng, Việt Nam, áp dụng GIS trong xử lý rác thải (LÊ THU et al.), tối ưu hóa vận chuyển và thu gom (LÊ THU et al.; Tạ, 2017)
2.1.1 Dự đoán phát sinh chất thải rắn
Trang thiết bị và cơ sở vật chất liên quan đến xử lý chất thải rắn trong xây dựng thường đòi hỏi đầu tư lớn, và các cơ quan chức năng không chỉ tập trung vào tình hình hiện tại mà cần phải lập kế hoạch và triển khai trước dựa trên xu hướng phát sinh rác thải rắn Dự đoán đáng tin cậy về phát sinh rác thải rắn rất quan trọng vì nó có thể cung cấp dữ liệu hỗ trợ cho quy hoạch, vận hành và giám sát môi trường đô thị, cũng như hỗ trợ trong việc phát triển kế hoạch thực hiện hợp lý cho việc thu gom, vận chuyển và xử lý chất thải (Oguz Ekim, 2020) Do đó, dự báo phát sinh rác thải rắn là cơ sở cho quản lý chất thải Tuy nhiên, tính toán việc phát sinh rác thải rắn là một quá trình phức tạp, bị ảnh hưởng bởi nhiều yếu tố như dân số, tăng trưởng kinh tế và hành vi cá nhân (Ceylan et al., 2020) Mối quan hệ giữa các yếu tố ảnh hưởng và rác thải rắn phát sinh không đơn giản là tuyến tính, và các mô hình phi tuyến đã cho thấy độ chính xác cao hơn so với mô hình tuyến tính (F Wu et al., 2020) Nhiều phương pháp đã được phát triển để dự báo phát sinh chất thải rắn, với kết quả khả quan
Xem xét các thuật toán khác nhau được sử dụng và ứng dụng của chúng trong các quốc gia hoặc khu vực khác nhau, bảng 2.1 cung cấp một tóm tắt về các phương pháp sử dụng công nghệ thông tin ML và AI được sử dụng để dự đoán phát sinh chất thải rắn Theo độ dài của chu kỳ dự báo, các nghiên cứu hiện tại thường được chia thành dự báo ngắn hạn (từ hàng tuần đến hàng tháng), dự báo trung hạn (từ vài tháng đến 3-5 năm) và dự báo dài hạn (nhiều năm sau) (Ye et al., 2020) Quy mô dự đoán có thể bao gồm từ hộ gia đình, tòa nhà văn phòng đến thành phố và quốc gia
Theo các bài báo được xem xét, các thuật toán học máy (ML) khác nhau như
ANN, SVM, ANFIS đã được sử dụng để xây dựng mô hình dự đoán, và các yếu tố sinh rác thải rắn Dự đoán đáng tin cậy về phát sinh rác thải rắn rất quan trọng vì nó có thể cung cấp dữ liệu hỗ trợ cho quy hoạch, vận hành và giám sát môi trường đô thị, cũng như hỗ trợ trong việc phát triển kế hoạch thực hiện hợp lý cho việc thu gom, vận chuyển và xử lý chất thải (Oguz Ekim, 2020) Do đó, dự báo phát sinh rác thải rắn là cơ sở cho quản lý chất thải Tuy nhiên, tính toán việc phát sinh rác thải rắn là một quá trình phức tạp, bị ảnh hưởng bởi nhiều yếu tố như dân số, tăng trưởng kinh tế và hành vi cá nhân (Ceylan et al., 2020) Mối quan hệ giữa các yếu tố ảnh hưởng và rác thải rắn phát sinh không đơn giản là tuyến tính, và các mô hình phi tuyến đã cho thấy độ chính xác cao hơn so với mô hình tuyến tính (F Wu et al., 2020) Nhiều phương pháp đã được phát triển để dự báo phát sinh chất thải rắn, với kết quả khả quan
Xem xét các thuật toán khác nhau được sử dụng và ứng dụng của chúng trong các quốc gia hoặc khu vực khác nhau, bảng 2.1 cung cấp một tóm tắt về các phương pháp sử dụng công nghệ thông tin ML và AI được sử dụng để dự đoán phát sinh chất thải rắn Theo độ dài của chu kỳ dự báo, các nghiên cứu hiện tại thường được chia thành dự báo ngắn hạn (từ hàng tuần đến hàng tháng), dự báo trung hạn (từ vài tháng đến 3-5 năm) và dự báo dài hạn (nhiều năm sau) (Ye et al., 2020) Quy mô dự đoán có thể bao gồm từ hộ gia đình, tòa nhà văn phòng đến thành phố và quốc gia
Theo các bài báo được xem xét, các thuật toán học máy (ML) khác nhau như
ANN, SVM, ANFIS đã được sử dụng để xây dựng mô hình dự đoán, và các yếu tố như dữ liệu thời tiết và dân số học và kinh tế thường được chọn làm đặc điểm đầu vào Trong số đó, ANN là phương pháp phổ biến nhất, nhưng hiệu suất của nó bị ảnh hưởng bởi quá mức dữ liệu, các cực tiểu địa phương và tổng quát kém (Abbasi & El
Hanandeh, 2016) Tuy nhiên, GBRT được tạo thành từ nhiều cây hồi quy với tổng quát mạnh mẽ và dễ giải thích, thường đạt được kết quả tốt hơn so với ANN
Ngoài ra, lượng phát sinh chất thải rắn cũng có thể được phân tích theo chuỗi thời gian Các thuật toán học sâu (DL), chẳng hạn như LSTM, đã chứng minh hiệu quả trong dự đoán chuỗi thời gian (Chang và cộng sự, 2020) Do đó, nhiều nghiên cứu đã ứng dụng các thuật toán DL để dự đoán lượng chất thải rắn phát sinh trong tương lai.
LSTM để dự báo phát sinh chất thải rắn với độ chính xác cao, đặc biệt khi sử dụng lượng lớn dữ liệu (L Huang et al., 2020) Bên cạnh đó, các mô hình trí tuệ nhân tạo
(AI) khác cũng được áp dụng như mô hình thông tin công trình (BIM), một công nghệ mới nổi trong thập kỷ qua, đã nhận được sự quan tâm rộng rãi và trở thành một giải pháp quan trọng trong quản lý chất thải xây dựng và phá hủy”(C&D) (Li et al., 2017)
Cảm hứng về phương pháp kết hợp POA-GIS
Phép toán là phương pháp tính toán chính xác ( Exact methods) Kỹ thuật là liệt kê và có thể hiểu là thuật toán tìm kiếm cây ( tree search algorithm) Quá trình tìm kiếm này bao gồm toàn bộ khoảng không gian tìm kiếm và phân chia thành các vấn đề đơn giản hơn để giải quyết vấn đề chính Các phương pháp trong phép toán bao gồm:
➢ Phương pháp quy hoạch tuyến tính (Linear Programing): à một phương pháp mô hình toán học, mục tiêu là tìm ra kết quả tốt nhất dựa trên các mối quan hệ tuyến tính Mặc dù phương pháp này đã tồn tại từ thế kỷ XIX, nhưng phát triển mạnh mẽ vào những năm 1940, đặc biệt trong Thế chiến II để giải quyết các vấn đề chiến lược (Chang & Smyth, 1971) Quy hoạch tuyến tính có thể áp dụng cho nhiều lĩnh vực nghiên cứu khác nhau, bao gồm kinh doanh, kinh tế, và nhiều vấn đề kỹ thuật như lập kế hoạch, lập lịch, phân công, và thiết kế Nó đã được sử dụng rộng rãi trong nhiều ngành công nghiệp như sản xuất, năng lượng, viễn thông, và nhiều lĩnh vực khác Tuy nhiên, khi đối mặt với các vấn đề có số lượng biến và ràng buộc lớn, quy hoạch tuyến tính có thể không hiệu quả và không thể đưa ra kết quả trong khoảng thời gian chấp nhận được Trong các trường hợp phức tạp như vậy, nó thường được sử dụng như một công cụ hỗ trợ hoặc một phần của thuật toán giải quyết các vấn đề cụ thể
➢ Phương pháp quy hoạch động (Dynamic Programing): Là một kỹ thuật thiết kế thuật toán dựa trên việc phân chia bài toán lớn thành các bài toán con nhỏ hơn, sử dụng kết quả của các bài toán con để tìm lời giải cho bài toán toàn bộ
Richard Bellman đã giới thiệu phương pháp quy hoạch động vào năm 1957
Phương pháp lập trình động khắc phục hạn chế của lập trình tuyến tính khi không yêu cầu hàm mục tiêu và ràng buộc phải tuyến tính Bài toán được chia thành các giai đoạn và giải tối ưu từng giai đoạn Phương pháp này phù hợp với các mạng cấu thành từ các mạng con nối tiếp hoặc song song Tuy nhiên, hạn chế của lập trình động là công thức phức tạp và thiếu một thuật toán chung.
➢ Phương pháp nhánh và cận (Branch and Bound Algorithm): Thuật toán Branch and Bound (BB hoặc B & B) được đề xuất bởi A G Doig và A H Land để giải quyết vấn đề lập trình rời rạc vào những năm 1960 (Dakin, 1965) Đây là một thuật toán tổng quát được áp dụng để tìm kiếm các giải pháp tối ưu cho nhiều vấn đề tối ưu hóa, đặc biệt là trong các bài toán kết hợp và rời rạc Một thuật toán nhánh và cận bao gồm một bảng liệt kê có hệ thống của tất cả các giải pháp ứng cử viên Trong quá trình thực hiện, nó sử dụng các ràng buộc để loại bỏ các tập hợp lớn các ứng cử viên mà không có kết quả tối ưu Đồng thời, nó sử dụng các giới hạn ước tính cận trên và dưới để hạn chế số lượng giải pháp được tìm kiếm và cải thiện hiệu suất của thuật toán
2.2.2 Phương pháp tìm kiếm Heuristic
"Heuristic" xuất phát từ tiếng Hy Lạp, có nghĩa là tìm kiếm và khám phá
Phương pháp tìm kiếm Heuristic là một cách tiếp cận thực tế, dựa trên kinh nghiệm để giải quyết vấn đề Giải pháp thường đạt được thông qua quá trình học hỏi và khám phá Mặc dù thường là giải pháp tốt và có thể chấp nhận được, nhưng không có gì đảm bảo rằng đó là giải pháp tối ưu.
Nó thường được áp dụng khi không có thuật toán nào tồn tại cho một vấn đề cụ thể hoặc khi thuật toán hiện tại không tạo ra một lời giải Phương pháp tìm kiếm Heuristic cũng được sử dụng để giảm thời gian tính toán cho các bài toán đã có thuật toán, nhưng thời gian giải quá lớn và không chấp nhận được Nó thường thể hiện sự tự nhiên và gần gũi với cách tư duy và hành động của con người, do được xây dựng dựa trên kinh nghiệm Có nhiều phương pháp heuristic khác nhau, và chúng khó có thể được mô tả và phân loại đầy đủ Nhiều trong số chúng được thiết kế để giải quyết các vấn đề cụ thể mà không thể áp dụng hoặc khái quát hóa cho các vấn đề tương tự Tuy nhiên, các phương pháp heuristic thường được xây dựng dựa trên nguyên tắc cơ bản như nguyên tắc vét cạn thông minh, nguyên tắc tham lam, nguyên tắc tuần tự, và hàm heuristic, …
2.2.3 Phương pháp tìm kiếm mở rộng Metaheuristic
Phương pháp tìm kiếm mở rộng Metaheuristic được áp dụng thông qua các thuật toán dựa trên trí tuệ bầy đàn, cơ chế sinh học và hành vi của các loài vật trong tự nhiên Các thuật toán này được phát triển đề tìm ra giải pháp tối ưu hoặc gần với giải pháp tối ưu đối với các bài toán có quy mô lớn với không gian tìm kiếm lớn Một số thuật toán thường được áp dụng của phương pháp tìm kiếm mở rộng Metaheuristic như sau: Thuật toán di truyền (GA), thuật toán tối ưu đàn kiến (ACO), thuật toán tối ưu bầy đàn (PSO), thuật toán tiến hóa vi phân (DE)
➢ Thuật toán bầy đàn (PSO):”PSO được giới thiệu tại một hội nghị của IEEE bởi
James Kennedy và Russell C Eberhart vào năm 1995 (Kennedy & Eberhart,
1995) PSO một trong những đại diện tiêu biểu về những thuật toán được xây dựng dựa trên khái niệm trí tuệ bầy đàn Thuật toán này được phát triển dựa vào mô phỏng hóa quá trình đàn chim tìm kiếm thức ăn Quá trình tìm kiếm thức ăn bắt đầu, các thành viên trong đàn sẽ bay đi một cách ngẫu nhiên trong không gian tìm kiếm Sau một thời gian, một số thành viên trong đàn bắt đầu tìm kiếm được nơi có thức ăn Thông tin nhanh chóng về số lượng thức ăn kiếm được sẽ lan truyền cho các thành viên lân cận trong bầy đàn Từ các cá thể lân cận thông tin sẽ được truyền đi khắp quần thể Dựa vào thông tin nhận được các thành viên khác sẽ điều chỉnh hướng bay cũng như vận tốc bay cho phủ hợp đề tìm kiếm được nhiều thức ăn nhất Quá trình truyền tin giữa các thành viên để tìm kiếm nhiều thức ăn hơn được xem là quá trình vận dụng trí tuệ bầy đàn Thuật toán bầy đàn được áp dụng trong nhiều lĩnh lực khác nhau trong các vấn đề khác nhau đề giải quyết bài toán tối ưu hóa
➢ Thuật toán đàn kiến (ACO): Thuật toán tối ưu đường đi của loài kiến do nhà khoa học người Bỉ Mareo Dorigo giới thiệu vào năm 1996 (Dorigo et al.,
2006) Thuật toán đàn kiến là một thuật toán hiệu quả trong việc tìm lời giải cho các bài toán tối ưu hóa Hiện nay, thuật toán đàn kiến đã được ứng dụng vào thực tế ở nhiều lĩnh vực khác nhau như: ứng dụng việc kinh doanh của nhiều hãng giao thông vận tải lớn, ứng dụng vào quá trình kinh doanh trong ngành bưu chính,”ứng dụng trong quá tìm kiếm thông tin qua mạng internet
Trong thế giới tự nhiên, hành vi tìm kiếm thức ăn của đàn kiến khởi nguồn từ việc lựa chọn đường đi ngẫu nhiên Trong quá trình di chuyển, một lượng nhỏ Pheromone được giải phóng, tạo nên các dấu vết dẫn đường Thay vì tiếp tục chọn đường đi ngẫu nhiên, các con kiến đi sau tận dụng những dấu vết này, giúp chúng tối ưu hóa quá trình tìm kiếm thức ăn.
Pheromone do các con kiến trước để lại đề tìm đường về tổ hoặc đến nơi tìm kiểm thức và tiếp tục để lại một lượng nhỏ Pheromone trên hành trình đi qua.”
➢ Thuật toán tiến hóa vi phân (DE) lần đầu tiên được Stom and Price công bố vào năm 1997 là một thuật toán cho thấy tính ưu việt trong việc giải quyết những bài toán tối ưu Thuật toán này được “lấy ý tưởng từ học thuyết tiến hóa của Darwin và mô phỏng quá trình tiến hóa trong giới tự nhiên Thuật toán tính hóa vi phân cũng là các quá trình lai ghép và đột biến để tạo ra các thể mới bổ sung vào quần thể như các thuật toán tiến hóa khác Tuy nhiên, bản chất quá trình này có khác biệt so với các thuật toán tiến hóa khác Trong quá trình chọn lọc tự nhiên, cá thể nào thích nghi sẽ được giữ lại, cá thể nào không thích ứng được sẽ bị đào thải Từ đó, thuật toán tiến hóa vi phân sẽ đưa quân thể được khởi tạo ngẫu nhiên ban đầu đến một giải pháp tối ưu Nhờ vào những ưu điểm này, thuật toán tiến hóa vi phân được áp dụng vào nhiều lĩnh vực như xây dựng, cơ khí, điện tử, máy tính để giải quyết các bài toán tối ưu phức tạp với kết quả vượt trội.”
2.2.4 Thuật toán tối ưu hóa chim bồ nông (POA)
Tối ưu hóa là nghiên cứu về việc chọn lựa giải pháp tối ưu từ một tập hợp các giải pháp thay thế cho một vấn đề (Rahkar Farshi, 2020) Trong thực tế, một vấn đề có nhiều hơn một giải pháp khả thi được coi là một vấn đề tối ưu hóa Biến quyết định, ràng buộc và hàm mục tiêu là ba phần chính của mỗi vấn đề tối ưu hóa để mô hình hóa (Ray & Liew, 2003) Từ quan điểm tổng quan, các phương pháp giải quyết vấn đề tối ưu hóa được phân loại thành hai nhóm: phương pháp xác định và phương pháp ngẫu nhiên (Francisco, 2005) Các phương pháp xác định gặp khó khăn trong việc giải quyết các vấn đề tối ưu hóa phức tạp với hàm mục tiêu không liên tục, chiều cao, không lồi và không có đạo hàm Tuy nhiên, các phương pháp ngẫu nhiên có thể vượt qua những khó khăn của các phương pháp xác định và cung cấp các giải pháp thích hợp cho các vấn đề tối ưu hóa dựa trên tìm kiếm ngẫu nhiên trong không gian giải quyết vấn đề mà không sử dụng thông tin đạo hàm và gradient từ hàm mục tiêu của vấn đề tối ưu hóa (Hashim et al., 2021)
Thuật toán tối ưu hóa dựa trên quần thể là một phương pháp tối ưu hóa mạnh mẽ được lấy cảm hứng từ hành vi tự nhiên, vật lý và các nguyên tắc trò chơi Các thuật toán này ngẫu nhiên tạo ra các giải pháp khả thi trong phạm vi ràng buộc của bài toán Sau đó, các giải pháp này được cải thiện thông qua quá trình lặp lại và thuật toán kết thúc bằng giải pháp tốt nhất, được gọi là gần tối ưu Xu hướng tìm kiếm các giải pháp gần tối ưu tốt hơn đã thúc đẩy sự phát triển của nhiều thuật toán tối ưu hóa khác nhau được sử dụng trong các lĩnh vực như xử lý ảnh, mạng cảm biến, kỹ thuật và không gian metric.
Các nghiên cứu trước đây liên quan đến thuật toán POA 36 1 Giải thích vì sao phương pháp sử dụng thuật toán này hứa hẹn giải quyết được
Thuật toán tối ưu hóa chim bồ nông (POA) là một thuật toán mới được nghiên cứu gần đây từ năm 2022 và được phát triển lên trong năm 2023 (P Trojovský & M
Dehghani, 2022), do đó số lượng các nghiên cứu có liên quan đến thuật toán này hiện có rất ít (Abdelhamid et al., 2023; Al-Wesabi et al., 2023; Alamir et al., 2023; Eluri
& Devarakonda, 2023; Ge et al., 2023; J Li et al., 2023; S Li et al., 2023; Mohammed et al., 2022; Rasool et al., 2023; SeyedGarmroudi et al., 2024; Song et al., 2023;
Tuerxun et al., 2022; Xiong et al., 2023; Ye & Wei, 2023; Zhang et al., 2023), đặc biệt là khi đưa vào để giải các bài toán với cấp độ từ trung bình và lớn (Alonazi et al.,
2023; Wang et al., 2023) Đây cũng là nguồn cảm hứng cho tác giả muốn ứng dụng thuật toán và mô hình hóa vào giải quyết vấn đề thực tế được đề cập tại chương 5 trong luận vận này, nhằm góp phần vào sự nhìn nhận, đánh giá tổng quan những ưu, nhược điểm mà phương pháp này mang lại, so sánh đối chiếu thêm về tính ứng dụng của thuật toán với các thuật toán cùng loại khác khi giải quyết các bài toán thực tế quy mô lớn với độ phức tạp cao
Bảng 2.2 Các phương pháp nghiên cứu trước đây liên quan đến thuật toán POA
STT Tên bài báo Tác giả Năm Mô tả (Vấn đề, ưu/nhược điểm)
Pavel Trojovský and Mohammad Dehghani
- Nghiên cứu này giới thiệu một thuật toán tối ưu hóa mới gọi là Pelican Optimization Algorithm (POA), lấy cảm hứng từ chiến lược săn mồi của chim bồ nông POA đã được kiểm thử trên nhiều hàm mục tiêu và so sánh với tám thuật toán khác, cho thấy khả năng xuất sắc của POA trong giải quyết cả các vấn đề đơn cử và đa chiều Kết quả mô phỏng cũng chỉ ra hiệu suất tốt của POA khi áp dụng cho các vấn đề thiết kế kỹ thuật thực tế
Samriti Sharma and Gurvinder Singh
- Nghiên cứu này giới thiệu Pelican Optimization Algorithm (POA), một thuật toán tối ưu hóa mới được kết hợp với sáu biến thể động lực để giải quyết vấn đề lựa chọn đặc trưng cho căng thẳng nghề nghiệp Kết quả cho thấy biến thể CPOA_4 đạt hiệu suất tốt nhất, với độ chính xác và thời gian thực hiện vượt trội so với POA gốc và các biến thể khác
- Mô phỏng cũng chỉ ra rằng POA dựa trên biến thể động lực Piecewise map làm tốt nhất trong việc giải quyết vấn đề lựa chọn đặc trưng cho căng thẳng nghề nghiệp Đề xuất này có tiềm năng mở rộng và áp dụng rộng rãi trong các ứng dụng thực tế khác nhau
- Nghiên cứu giới thiệu phương pháp POAFL-DDC, kết hợp giải thuật tối ưu hóa Pelican (POA) với học máy phi tập trung (Federated Learning - FL) để nhận diện và phân loại tấn công trong Internet of Things (IoT)
Phương pháp POAFL-DDC sử dụng dữ liệu từ thiết bị IoT để phát hiện tấn công网络 Mô hình mạng niềm tin sâu (DBN) được ứng dụng trong quá trình nhận dạng tấn công Tối ưu hóa đàn ong hạt (POA) được áp dụng để tối ưu hóa siêu tham số của DBN Sự kết hợp này giúp POAFL-DDC đạt được kết quả cao trên tập dữ liệu TON_IOT.
- Nghiên cứu này đề xuất sử dụng giải thuật tối ưu hóa Pelican (POA) cho Quản lý Năng lượng trong Lưới điện nhỏ (MG) với chương trình Đáp ứng Nhu cầu (DRP) Kỹ thuật DRP Hybrid được đề xuất để tối ưu hóa lợi nhuận MGO và giảm chi phí, sử dụng IDR để giảm tải đỉnh và đảm bảo độ tin cậy Hệ thống DRP Hybrid động dựa trên hồ sơ tải và giá trị tải trung bình, với sự hỗ trợ của POA Kết quả mô phỏng cho thấy POA hiệu quả trong giải quyết vấn đề quản lý năng lượng và DRP, với giảm tải đỉnh đáng kể và cải thiện độ tin cậy của
- Nghiên cứu này giới thiệu một phiên bản cải tiến của thuật toán tối ưu hóa Pelican, gọi là POAFL-DDC, được áp dụng cho việc phát hiện và phân loại tấn công trong môi trường Internet of Things (IoT) POAFL-DDC sử dụng học máy phân tán để xử lý dữ liệu tại thiết bị IoT và giảm bớt các vấn đề liên quan đến bảo mật và chi phí tính toán Thuật toán được thử nghiệm trên tập dữ liệu TON_IOT, và kết quả thực nghiệm cho thấy POAFL-DDC có hiệu suất vượt trội so với các mô hình khác
Pelican optimization algorithm for solving load dispatch problems”
Nghiên cứu đề xuất một phiên bản cải tiến của thuật toán Tối ưu hóa Tập hợp hạt (PSO) có tên là Pelican Optimization Algorithm (IPOA) để giải quyết những hạn chế của PSO như dễ bị hội tụ sớm, mất cân bằng giữa khám phá và khai thác, và thiếu đa dạng quần thể.
- IPOA sử dụng ba chiến lược di chuyển, các yếu tố chia sẻ kiến thức được xác định trước để mô tả hành vi săn mồi của pelicans một cách tốt hơn, và một hành vi săn mồi dựa trên việc học chiều của chiều chiều (DHL) được sửa đổi để duy trì đa dạng Kết quả xác nhận hiệu suất cạnh tranh và gần như xuất sắc của IPOA ở nhiều trường hợp, chứng minh tính ứng dụng và hiệu quả của phương pháp đề xuất trong việc giải quyết vấn đề thực tế
- Nghiên cứu này giới thiệu phương pháp EPOA-CHS, một cách hiện đại để quản lý năng lượng trong mạng cảm biến không dây có hạn chế
Phương pháp này sử dụng bản đồ hỗn loạn hàm sine để khởi tạo dân số, cải thiện sự ngẫu nhiên và đa dạng EPOA-CHS chọn các đầu cụm dựa trên hàm thích ứng và tích hợp hàm Levy để nâng cao khả năng thăm dò và hội tụ Kết quả mô phỏng cho thấy EPOA-CHS hiệu quả về năng lượng và hiệu suất mạng
- Nghiên cứu này giới thiệu thuật toán tối ưu hóa chim bồ nông (POA) cải tiến, gọi là CBPOA, sử dụng lý thuyết hỗn loạn để giải quyết vấn đề chọn lọc đặc trưng CBPOA kết hợp tìm kiếm nhị phân và tìm kiếm hỗn loạn để cải thiện quá trình thăm dò và khai thác, giải quyết vấn đề tốc độ hội tụ chậm và rơi vào các điểm tối ưu cục bộ của POA Với sự tích hợp của mười bản đồ hỗn loạn khác nhau, CBPOA hiển thị hiệu suất xuất sắc trên 18 bộ dữ liệu UCI và vượt trội so với các phương pháp khác trong việc giải quyết vấn đề chọn lọc đặc trưng
“Symmetric cross-entropy multi-threshold color image segmentation based on improved pelican optimization algorithm”
- Nghiên cứu giới thiệu phương pháp phân đoạn hình ảnh mới (MSIPOA) sử dụng thuật toán tối ưu hóa chim bồ nông cải tiến để cải thiện độ chính xác và tốc độ hội tụ
Giải quyết vấn đề bằng thuật toán POA-GIS
3.3.1 Dữ liệu đầu vào và kết quả đầu ra
Một mô hình giải quyết thách thức tối ưu hóa trong việc thu gom rác, được biết đến là vấn đề định tuyến phương tiện (CVRP), đã được phát triển Mô hình này tích hợp thuật toán tối ưu hóa chim bồ nông (POA) hiệu quả để giải quyết vấn đề tối ưu hóa tuyến đường một cách hiệu quả Bằng cách tận dụng dữ liệu thời gian và không gian thực tế, mô hình dựa trên thuật toán tối ưu hóa chim bồ nông (POA) cải thiện đáng kể hiệu suất của quá trình thu gom rác trong các tình huống điển hình, từ quy mô nhỏ đến lớn Việc sử dụng thuật toán này, kết hợp với dữ liệu thời gian và không gian thực tế, hỗ trợ đưa ra quyết định có thông tin trong việc thu gom rác, dẫn đến việc giảm khoảng cách di chuyển, chi phí vận hành, tiêu thụ nhiên liệu và”ô nhiễm môi trường Ngoài ra, nó giúp giảm ùn tắc giao thông, đặc biệt là ở các quốc gia đang phát triển Mô tả chi tiết về mô hình và thuật toán tối ưu hóa chim bồ nông
(POA) được trình bày như sau:
Khởi nguồn của vấn đề định tuyến phương tiện (CVRP) là tối ưu hóa các tuyến đường để giảm thiểu tổng quãng đường di chuyển từ điểm xuất phát đến nơi xử lý rác, đồng thời xem xét đến số lượng phương tiện có sẵn, như được thảo luận bởi
(Kumari et al., 2023) Trong ngữ cảnh cụ thể của việc thu gom rác rắn được đề cập trong luận văn này, nó mang dạng của vấn đề định tuyến phương tiện cho chuyên chở xử lý rác thải rắn (CVRP-SW) Thách thức tối ưu hóa này nhằm mục đích điều hướng một đội xe một cách hiệu quả đến một tập hợp các điểm thu gom rác (thùng rác), đảm bảo rằng khả năng tối đa của mỗi phương tiện được sử dụng, đồng thời tuân theo các ràng buộc liên quan đến thời gian bắt đầu và kết thúc của tuyến đường của phương tiện tại nơi xử lý Các ràng buộc được mô tả bao gồm tất cả các phương tiện bắt đầu và kết thúc tuyến đường tại bãi đỗ được chỉ định, mỗi tuyến đường đảm bảo một thùng rác chỉ được phương tiện chở thăm một lần, và tổng dung tích rác thu gom bởi một phương tiện không vượt quá khả năng chứa tối đa của nó
Giả định trong tình huống này là sự phân phối đồng đều của các phương tiện, mỗi phương tiện có dung tích được gán và một lượng rác nhất định cần thu gom Vấn đề định tuyến và lập lịch cho các phương tiện bắt đầu bằng việc xác định những thùng rác gần nhất có trọng lượng phù hợp với trọng lượng tối đa tương ứng của chúng Sau đó, quá trình tối ưu hóa tuyến đường được thực hiện thông qua việc kiểm tra các nhóm cụ thể của những thùng rác này Mô hình cho vấn đề định tuyến và lập lịch được thể hiện, N đại diện cho số lượng thùng rác, và V là số lượng xe được xem xét Để thuận tiện cho việc so sánh và mô tả, luận văn xem xét trường hợp nghiên cứu trong chương 4 cho vấn đề đã được xác định Một đồ thị tiêu chuẩn G = (N, E) được xác định, trong đó N đề cập đến tập hợp tất cả các thùng rác, và E là tập hợp các cạnh kết nối những thùng rác này theo dạng khoảng cách tính chiều dài Euclidean
Tập N = {i} đại diện cho một tập hợp đồng đều các thùng rác, với i=0,1,2,…,n, tương ứng với các thùng rác có dung tích tối đa là cmax Ở đây, 0 chỉ điểm đến bãi xe Mỗi thùng rác node i được liên kết với một lượng rác không âm, được ký hiệu là ci Tập hợp các xe có sẵn tại bãi xe được ký hiệu là V = {1, 2 k} để thu gom rác, với dung tích tối đa của mỗi xe được biểu diễn bằng C Hơn nữa, mỗi cạnh (i, j) trong E được gán một khoảng cách không âm dij , biểu thị khoảng cách từ thùng rác node i đến j, trong đó i ≠ j Trong chương 5, bài toán sẽ được tính trong trường hợp thực tế và khoảng cách giữa các nút sẽ được tính toán dựa trên mô hình thông tin địa lý (GIS)
Bên cạnh đó khi lượng rác bị thay đổi theo thời gian vì khó sẽ cố định một mức độ theo ngày và việc rác khi quá ít thì sẽ không cần xe tới thu gom, khiến việc thu gom trở nên hao phí, tác giả sẽ tính cho trường hợp rác thải vượt ngưỡng (TWL) thông thường sẽ phụ thuộc vào thiết kế cụ thể của hệ thống quản lý rác thông minh và các yếu tố môi trường liên quan khác như:
Hệ thống thùng rác thông minh thường sử dụng cảm biến để đo lường mức độ rác Thông tin từ cảm biến, như mức độ đầy của thùng, được cung cấp cho hệ thống để xác định khi nào thùng rác cần được đổ.
⎯ Dung Tích Thùng Rác: Kích thước của thùng rác sẽ ảnh hưởng đến cách tính TWL Một thùng rác lớn có thể có một ngưỡng TWL khác so với một thùng nhỏ
⎯ Yêu Cầu Xử Lý Rác: Các yêu cầu về thu gom ưu tiên có thể ảnh hưởng đến cách tính TWL Nếu hệ thống cần đảm bảo rằng rác được xử lý ngay khi đạt đến một mức độ nhất định được cho trước, ngưỡng TWL có thể được đặt thấp
⎯ Dự Báo Sử Dụng: Các hệ thống thông minh có thể sử dụng dự báo sử dụng dựa trên dữ liệu lịch sử để dự đoán mức độ rác tương lai và đặt TWL dựa trên thông tin này
⎯ Yếu Tố Môi Trường: Những yếu tố như loại rác (có thể phân loại bởi cảm biến), tần suất thu gom rác, và điều kiện môi trường cũng có thể ảnh hưởng đến cách tính TWL
Trong khuôn khổ đề tài luận văn này, tác giả sẽ lựa chọn xem xét các mức 0
60 70 75 80 90, với mức 0 là mức rác thu gom tại tất cả các nút thùng rác, tương đương với rác đạt ngưỡng tối đa 100% của thùng, mức 60 tức chỉ gom những thùng rác đạt ngưỡng từ 60% lượng rác thải đạt mức này trở lên và lần lượt cho các mức 70
75 80 90 còn lại, để xem xét lựa chọn mức độ lượng rác đạt đến mức độ bao nhiêu của thùng chứa thì tuyến đường thu gom trở nên tối ưu nhất
3.3.2 Xác định các điều kiện ràng buộc
Các biến quyết định trong mô hình phụ thuộc vào dung tích chứa của xe (C) và lượng rác tại thùng rác các nút tiếp theo trong quá trình di chuyển tuần tự của xe Mối quan hệ này được biểu diễn bằng các phương trình sau:
𝑋 𝑖𝑗𝑘 = {1 Nếu phương tiện k đi từ nút thùng i tới nút thùng j
𝑌 𝑖𝑘 = {1 Nếu phương tiện k đi từ nút thùng i tới nút thùng j
0 ngược lại (7) Để tăng tính hiện thực của mô hình CVRP, các ràng buộc sau đây được xem xét:
Phương trình (8) xác lập rằng thùng rác nút i chỉ được ghé thu gom bởi tối đa một phương tiện k, trong khi cả phương trình (9) và phương trình (10) đảm bảo rằng một phương tiện rời khỏi bãi xe mà không mang theo rác ban đầu nào Phương trình
ĐỀ XUẤT MÔ HÌNH VÀO TRƯỜNG HỢP NGHIÊN CỨU TRƯỚC ĐÂY 67
Thông số đầu vào
Trong nghiên cứu này, độ hiệu quả của phương pháp đề xuất sử dụng thuật toán POA được đánh giá và so sánh với các phương pháp khác để giải quyết vấn đề, như được trình bày bởi (Hannan et al., 2018) Thuật toán được đề xuất đã trải qua thử nghiệm trên các bộ dữ liệu khác nhau với các kích thước khác nhau của các nút thùng rác để xác nhận tính hiệu quả và hiệu suất hoạt động của nó Bên cạnh đó, tác giả cũng dùng bộ dữ liệu M-n101-k10 để mô phỏng tính toán điển hình so sánh giữa thuật toán POA với các thuật toán cùng loại khác lần lượt là: AVOA, OOA, GWO và PSO
Các mô phỏng được thực hiện bằng MATLAB 8.3 trên một máy tính trang bị bộ vi xử lý Intel Core i3 - 4160 @ 3.60 GHz và 16 GB RAM Trong nghiên cứu này, các tham số cho thuật toán POA đã được tác giả chọn như sau: kích thước tối đa số hạt và số lần lặp tối đa được đặt là 50 và 120, tương ứng Tất cả các thông số đầu vào của các bộ dữ liệu mô phỏng được sử dụng để đánh giá thuật toán có thể được truy cập tại: https://www.coin-or.org/SYMPHONY/branchandcut/VRP/data/index.htm
Mô hình đề xuất trong chương này cũng thể hiện được những ưu điểm của thuật toán POA, phương pháp mà tác giả lựa chọn để áp dụng vào giải quyết bài toán thực tế ở chương 5
Vì sự đơn giản trong thiết kế và tính toán, giá trị 10 đơn vị khoảng cách được coi là 1 km và 1 đơn vị chất thải được xem là 1 kg rác Mô hình này sử dụng một xe tải thu gom chất thải chạy bằng dầu diesel (không nén) với hiệu suất nhiên liệu là
Phân tích mô hình thuật toán
4.2.1 Kết quả giải thuật và so sánh, đánh giá
Trong nghiên cứu này, hiệu suất của phương pháp sử dụng thuật toán POA đã được đánh giá lần lượt so với các nghiên cứu khác (Chen et al., 2006; Kuo et al.,
2012; Wang et al., 2004) đánh giá tính hiệu quả của nó trong việc giải quyết vấn đề
CVRP với 6 bộ dữ liệu từ 33 đến 101 nút Trong đó, (Wang et al., 2004) sử dụng
Thuật toán di truyền (GA) trong các thử nghiệm của họ, đồng thời thực hiện thuật toán opt cho các cập nhật cục bộ (Chen et al., 2006) tích hợp tối ưu hóa bầy đàn rời rạc (DPSO) và mô phỏng dẻo (SA), trình bày kết quả đạt được thông qua việc áp dụng SA (Kuo et al., 2012) sử dụng một thuật toán lai, kết hợp tối ưu hóa bầy đàn
(PSO) và thuật toán di truyền (GA) cho nghiên cứu của họ Hơn nữa, các kết quả thu được với PSO đã được so sánh với một thuật toán tìm kiếm nghịch đảo được sửa đổi
(M Akhtar et al., 2017) để tối ưu hóa tuyến đường thu gom rác trong mô hình CVRP
Bảng 4.1 tóm tắt các kết quả tối ưu thu được sau 10 lần chạy của phương pháp sử dụng thuật toán POA đề xuất cho 6 bộ dữ liệu các nút từ nhỏ đến lớn, với kết quả được tính toán từ các phương pháp khác của (Chen et al., 2006; Kuo et al., 2012;
Wang et al., 2004) Kết quả cho thấy, mặc dù số bước tính toán của thuật toán POA kéo dài hơn so với các thuật toán khác, nhưng nó thể hiện thời gian hội tụ, để đưa ra kết quả tốt nhất Đáng chú ý, thuật toán không thể hiện sự gia tăng trong sai số, khi số lượng nút tăng lên Số lượng xe vận chuyển dù được giữ nguyên so với các giá trị tốt nhất (BKS) đã biết, nhưng quãng đường di chuyển tính toán của mô hình đề xuất giải bằng thuật toán POA trở nên ngắn hơn, tối ưu hơn gần bằng với kết quả tốt nhất được biết BKS Mô hình đề xuất vượt trội so với thuật toán PSO và GA, mang lại kết quả xuất sắc, đặc biệt là đối với bộ dữ liệu có khoảng 100 nút Mô hình đề xuất đạt được kết quả tối ưu cho tất cả sáu bộ dữ liệu, vượt trội so với các mô hình được đề xuất bởi (Wang et al., 2004), (Chen et al., 2006), (M Akhtar et al., 2017), đều đạt được ít kết quả tối ưu hơn trong số 6 bộ dữ liệu Mặc dù (Hannan et al., 2018) cũng đạt được bốn kết quả tối ưu trên sáu bộ dữ liệu, nhưng thời gian hội tụ và tổng quãng đường di chuyển của họ lại không tốt bằng so với phương pháp mà tác giả đã đề xuất
Do đó, mô hình luận văn được tác giả đề xuất cung cấp các giải pháp tốt hơn trong các trường hợp này, được quy đến tính ổn định của thuật toán, như mô tả trong hình
4.1 thể hiện tốc độ hội tụ khi sử dụng thuật toán POA trong tổng thể 6 bộ dữ liệu
Bảng 4.1 So sánh giữa các phương pháp (kết quả đạt được bởi phương pháp đề xuất được tô đậm)
Phương pháp đề xuất BKS e
Dist T(s) Dist T(s) Dist T(s) Dist T(s) Dist T(s) Dist T(s) A-n33- k5 32 5 661 39.6 661 32.3 661 20.6 661 71 661 27.6 661 3.3 661 0
⎯ N đại diện cho số nút
⎯ V biểu thị số lượng xe cần có
⎯ Dist là viết tắt của quãng đường,
⎯ T (s) biểu thị thời gian tính toán
⎯ Ave là trung bình giải pháp
⎯ Stdev chỉ ra độ lệch chuẩn
⎯ BKS là viết tắt của giải pháp tốt nhất đã biết
⎯ e biểu thị sự chênh lệch giữa giải pháp do phương pháp thuật toán POA đề xuất và giá trị tốt nhất đã biết
Hình 4.1 Giá trị tối ưu thu được bởi thuật toán POA sau 20 lần chạy trong nghiên cứu bao gồm 6 bộ dữ liệu
Hình 4.1 và bảng 4.1 ở trên cho thấy rằng phương pháp sử dụng thuật toán POA có thể nhanh chóng và hiệu quả tìm kiếm các giải pháp tối ưu, vượt trội hơn so với các phương pháp khác lai ghép các thuật toán với nhau của (Chen et al., 2006; Kuo et al.,
2012; Wang et al., 2004) Để cung cấp dữ liệu so sánh toán diện về phương pháp sử dụng thuật toán POA so với khi phương pháp sử dụng các thuật toán khác mới nhất cùng loại, trường hợp M- n101-k10 được phân tích làm điển hình, các kết quả liên quan đến số vòng xe di chuyển được trình bày theo thứ tự tuần tự, được thể hiện trong hình 4.2
Lượng rác thu mỗi vòng [190 160 190 170 200 170 170 200 160 200]
Hình 4.2 Mô phỏng tuyến đường tối ưu thu được bởi thuật toán POA sau 20 lần chạy trong trường hợp M-n101-k10
Tiếp theo, một phân tích so sánh sẽ được thực hiện, nghiên cứu dùng phương pháp tương tự kết hợp với các thuật toán cùng loại mới được công bố gần đây, lần lượt là AVOA (Abdollahzadeh et al., 2021), OOA (Dehghani & Trojovský, 2023),
GWO (Mirjalili et al., 2014) và PSO (Ling et al., 2009) để đánh giá khả năng thực tế của chúng với phương pháp sử dụng thuật toán POA đã đề xuất
Bảng 4.2 Kết quả tối ưu đạt được thông qua các thuật toán khác nhau sau 20 lần lặp
Thuật Toán AVOA OOA GWO PSO POA
Hình 4.3 Mô tả giải pháp tối ưu đạt được bằng phương pháp sử dụng thuật toán POA khi so sánh với phương pháp sử dụng các thuật toán khác cùng loại, và bảng 4.2 trình bày số lần lặp tối thiểu cần thiết, để đạt được kết quả tối ưu với các phương pháp khi sử dụng các thuật toán khác nhau Cả hình và bảng đều cho thấy
Qua 20 lần chạy thực nghiệm, phương pháp sử dụng thuật toán POA đã cho ra kết quả tìm kiếm giải pháp tối ưu nhanh và hiệu quả hơn so với các thuật toán OOA, AVOA, GWO và PSO Kết quả này thể hiện qua sự hội tụ nhanh hơn của POA trong quá trình tìm kiếm, thể hiện qua hình 4.3 so sánh giải pháp tốt nhất trung bình đạt được sau 50 lần lặp và 20 lần chạy Bảng 4.3 tóm tắt các kết quả khoảng cách thu được trong trường hợp thử nghiệm.
M-n101-k10 khi sử dụng các thuật toán khác nhau qua 500 lần lặp Giá trị trung bình của quãng đường đạt được với POA (tức là 822 đơn vị) thấp hơn so với các thuật toán khác, tức ra kết quả tốt hơn khi sử dụng các thuật toán khác
Bảng 4.3 Giải pháp khoảng cách tốt nhất thu được trong trường hợp M-n101-k10 bằng các thuật toán khác nhau sau 20 lần chạy và 500 lần lặp
Thuật toán AVOA OOA GWO PSO POA
Bảng 4.4 Dữ liệu thu gom khi số lượng rác thay đổi theo TWL
Sức chứa của xe (Đơn vị)
Sức chứa của thùng rác (Đơn vị)
Khoảng cách (Đơn vị) Độ cải Thiện (%)
Phần trăm rác thu (%) Độ kín (Lượng rác/sức chứa)
Phương pháp sử dụng thuật toán tối ưu hóa chim bồ nông POA đề xuất cũng cho thấy kết quả ấn tượng về hiệu quả thu gom rác thông minh thông qua việc áp dụng TWL Bảng 4.4 mô tả các kết quả khi mà rác tại các nút có sự thay đổi, TWL lần lượt là 0 60 70 75 80 90 Các kết quả thu được cũng cho thấy rằng hiệu quả tốt nhất được tạo ra từ 60% đến 70% của TWL cho tất cả các bộ dữ liệu, vượt quá 90% độ kín đáo Do đó, nếu rác được thu gom giữa 60% và 70% của TWL, thì có thể đạt được sự tiết kiệm đáng kể về khoảng cách bằng cách thu gom một tỷ lệ cao của rác
Nếu xem xét 80-90% của TWL, thì khoảng cách giảm theo sự tăng của TWL; tuy nhiên, trong hầu hết các trường hợp, tỷ lệ thu gom rác thải là thấp hơn 60% trong tất cả các bộ dữ liệu, điều này sẽ gây khó khăn cho các cơ quan quản lý dịch vụ thu gom rác Do đó, nghiên cứu này cũng phát triển góp phần cung cấp thêm một quyết định tối ưu dựa trên phần trăm TWL, hiệu quả thu gom rác tốt nhất, độ kín đáo, khoảng cách đi lại và cải thiện của nó Ví dụ, trong bộ dữ liệu số 5 P-n40-k5, nếu rác được thu gom ở 60% của TWL, thì giá trị độ kín đáo cao nhất được thu được 97%; tuy nhiên, nếu chúng ta xem xét qua hai điểm khác, thì khoảng cách di chuyển và độ cải thiện của nó, tỷ lệ hiệu quả thu gom rác và độ kín đáo đều khá tốt ở 70% của TWL
Tại 70-75% của TWL, hệ thống thu gom cung cấp các giá trị hiệu quả và tối ưu nhất
(a) Số lượng xe (b) Độ cải thiện
(c) Phần trăm rác thu gom (d) Độ kín
Hình 4.4 Sự thay đổi của các bộ dữ liệu theo TWL Hình 4.4 cho thấy mức độ biến đổi của các tham số khác nhau với sự thay đổi của TWL Hình 4.4 (a) và (b) cho thấy rằng, với sự giảm số nút, độ dài tuyến đường giảm; do đó, chỉ cần ít xe hơn Hình 4.4 (c) mô tả rằng, với sự giảm nút thu gom, tổng lượng rác thu gom giảm đi Hình 4.4 (d) cho thấy rằng, ở 80-90% của TWL, có được ít xe và khoảng cách đi lại tối thiểu; tuy nhiên, độ kín đáo của phạm vi này cũng là thấp nhất Ở 80-90% của TWL, lượng rác thu gom trong tất cả các trường hợp đều dưới 80% tổng lượng rác Thực tế, TWL liên quan trực tiếp đến số lượng xe, giảm khoảng cách và rác thu gom Do đó, việc thu gom rác và tuyến đường sẽ được tối ưu hóa một cách không cần thiết với tuyến đường có chi phí thấp nhất Tuy nhiên, hình
4.4 cho thấy tất cả các kết quả thu được đều khá tốt ở 70-75% của TWL trong hầu hết các bộ dữ liệu
ỨNG DỤNG VÀO THỰC TIỄN
Thông số đầu vào
Phương pháp sử dụng thuật toán kết hợp POA-GIS được tác giả đề xuất là phương pháp kết hợp giữa thuật toán tối ưu hóa chim bồ nông (POA) và triển khai xử lý thông số toạ độ định vị các nút đầu vào, các bãi tập kết bằng các công cụ hệ thống thông tin địa lý (GIS) như phần mô hình bản đồ dùng công cụ UMAP, phần vẽ tuyến đường thì dùng công cụ OPENTREETMAP, phần thể hiện toạ độ khoảng cách dùng
Các mô phỏng được thực hiện trong MATLAB 8.3 trên máy tính có bộ xử lý Intel Core i3-4160 @ 3,60 GHz và RAM 16 GB Thuật toán tối ưu hóa chim bồ nông POA được áp dụng với 50 hạt và 500 lần lặp.
Nghiên cứu được tiến hành tính toán bằng cách lấy dữ liệu thu thập thực tế của
Cục Thống kê Thành phố Hồ Chí Minh – Công Ty Dịch vụ Công Ích Quận 2 năm
2023 Bộ dữ liệu bao gồm nguồn rác thải rắn trong xây dựng từ 247 khách sạn, 623 nhà hàng và 230 tòa nhà thương mại, tổng cộng 1100 điểm thu gom Các điểm này được phân phối đều, rải khắp 11 phường trong khu vực Quận 2 của Thành phố Hồ
Chí Minh Hệ thống xử lý rác thải rắn trong xây dựng bao gồm 1 bãi chôn lấp rác xử lý bằng phương pháp chôn và đốt rác, 2 trạm trung chuyển rác (Thạnh Mỹ Lợi và
Bình Trưng Tây), và 28 xe hook-lift với dung tích chuyên chở 10 tấn mỗi chiếc Bảng
5.1 cung cấp một tóm tắt toàn diện về dữ liệu thực tế được sử dụng Dựa trên mạng lưới thu gom rác hiện tại, các xe xuất phát từ trạm trung chuyển, sau đó được lên lịch vận chuyển rác từ các điểm bãi thu gom, đến trạm trung chuyển, sau đó rác sẽ được chuyển đến bãi chôn rác và quay ngược lại trạm trung chuyển để vệ sinh và chuẩn bị cho chuyến di chuyển tiếp theo Kết quả thử nghiệm được so sánh với các tuyến đường thực tế thu gom được lấy từ Cục Thống kê Thành phố Hồ Chí Minh – Công
Ty Dịch vụ Công Ích Quận 2 (2023) và tính toán từ mô hình GIS (Sanjeevi &
Shahabudeen, 2015) So sánh được thực hiện dựa trên tổng lượng rác thu gom, quãng đường di chuyển và thời gian hoạt động của các chuyến xe
Bảng 5.1 Tổng quan thông tin
Số Thứ Tự Tên Thông số
Phương pháp xử lý Đốt và chôn rác
Hook-lift - Sức chứa: 10,000 kg
Phân tích mô hình thuật toán
5.2.1 Kết quả giải thuật và so sánh, đánh giá
Một phân tích chi tiết của các kết quả nghiên cứu được trình bày trong bảng
5.2 thể hiện rằng phương pháp kết hợp đề xuất POA-GIS đem lại quãng đường di chuyển là 1,269 km, tuyến xe thu gom 274,324 kg, thời gian di chuyển là 2,7 giờ, số lượng xe chuyên chở là 28 chiếc, đạt kết quả gần như tốt nhất trong cả ba phương pháp được đề cập
Bảng 5.2 Kết quả So sánh: Các giá trị đậm nổi bật là những kết quả đạt được bằng phương pháp đề xuất
Truyền thống (Văn phòng thống kế Hồ Chí Minh-Dịch Vụ Công Ích quận
Tổng lượng rác thu gom
Số lượng xe chuyên chở
Hình 5.1 Lượng rác thu được theo phương pháp (kg)
Truyền thống (Cục thống kê thành phố
Hồ Chí Minh - Dịch Vụ Công Ích Quận 2, 2023)
Hình 5.3 Thời gian di chuyển theo từng phương pháp (Giờ)
Truyền thống (Cục thống kê thành phố Hồ
Chí Minh - Dịch Vụ Công Ích
Hình 5.2 Quãng đường di chuyển theo từng phương pháp (km)
Truyền thống (Cục thống kê thành phố Hồ Chí Minh - Dịch Vụ Công Ích Quận 2, 2023)
Kết quả thử nghiệm trong bảng 5.2 cho thấy tổng lượng rác thu gom bởi phương pháp kết hợp POA-GIS vượt trội hơn cả khi so với các tuyến đường thực tế và việc sử dụng độc lập của GIS thông qua GIS Network Analyst Bằng cách tích hợp thuật toán tối ưu hóa chim bồ nông POA với thuật toán SR-1 và các công cụ thông tin địa lý GIS trong hoạt động của POA-GIS, thuật toán đề xuất đã thu gom thành công 274,324 kg rác, vượt trội so với các tuyến đường thực tế và giống với kết quả của GIS được sử dụng độc lập Khi GIS được sử dụng độc lập, nó chủ yếu dựa vào thuật toán Dijkstra để tìm các tuyến đường tối ưu từ mô hình VR cho trước, cho nên khi xét về khoảng cách tuyến đường di chuyển, nó không tối ưu bằng phương pháp kết hợp POA-GIS Các tuyến đường thực tế, được tính thông qua các phương pháp truyền thống và kinh nghiệm cá nhân thu thập từ Cục thống kê thành phố Hồ Chí
Với ưu điểm tích hợp thuật toán SR-1, phương pháp POA-GIS có khả năng dịch mã, hỗ trợ đưa ra kết quả hội tụ đến giải pháp toàn cầu tốt hơn trong thời gian ngắn hơn so với những phương pháp khác Nhờ đó, lượng rác thu gom và quãng đường thu gom rác của phương pháp POA-GIS là tối ưu hơn so với tất cả các lựa chọn khác được minh họa qua Hình 5.1, Hình 5.2 và Hình 5.3.
Hình 5.4 Số lượng xe (Chiếc)
Truyền thống (Cục thống kê thành phố Hồ
Chí Minh - Dịch Vụ Công Ích Quận 2, 2023)
Từ quãng đường di chuyển, chúng ta có thể giảm thiểu tổng thời gian vận hành của thuật toán Kết quả trong bảng 5.2 và hình 5.3 chứng minh rằng thời gian vận hành di chuyển của các phương tiện trong thuật toán kết hợp POA-GIS là 2,7 giờ, ít hơn so với thời gian thực tế của tuyến đường là 2,1 giờ do Cục thống kê thành phố
Hồ Chí Minh – Dịch vụ công ích quận 2 cung cấp, và cũng ít hơn so với thời gian tính toán bằng GIS độc lập là 1 giờ Bằng cách cải thiện, công cụ GIS để tạo ra các tuyến đường hiệu quả hơn và thích ứng với các tình huống thực tế, quãng đường di chuyển được xử lý bằng phương pháp kết hợp POA-GIS vượt trội so với các thuật toán khác, đặc biệt là khi xem xét chức năng của các hàm ràng buộc để đảm bảo, các phương tiện sẽ di chuyển qua tất cả các điểm thu gom Hình 5.4 mô tả số lượng xe cần thiết khi xem xét một lượng rác cố định cần thu gom ban đầu Cuối cùng, tác giả trình bày kết quả tuyến xe khi áp dụng phương pháp kết hợp POA-GIS trên bản đồ của Quận 2, Thành phố Hồ Chí Minh, Việt Nam, được thể hiện qua hình 5.5 và hình
Hình 5.5 Lộ trình tối ưu để xe hook-lift đến trạm trung chuyển Thạnh Mỹ Lợi
Bảng dữ liệu 5.3 cho thấy dữ liệu thu gom theo TWL, khi TWL ở mức 90% thì tỉ lệ cải thiện tuyến đường qua hai trạm trung chuyển trở nên tối ưu nhất, và ở mức
60% thì độ kín đáo đạt mức tối ưu nhất Từ đó, các cơ quan chức năng, có thể nghiên cứu tùy vào yếu tố mong muốn tối ưu, mà lựa chọn kịch bản tuyến đường phương tiện thu gom phù hợp nhất, đem lại sự giảm thiểu về khoảng cách, nhiên liệu tiêu thụ và phát sinh khí thải CO2
Hình 5.6 Lộ trình tối ưu để xe hook-lift đến trạm trung chuyển Bình Trưng Tây
Bảng 5.3 Dữ liệu thu gom khi số lượng rác thay đổi TWL tại trạm trung chuyển
Bình Trưng Tây và Thạnh Mỹ Lợi
Sức chứa của xe (Kg)
Sức chứa của thùng rác (Kg)
Phần trăm rác thu (%) Độ kín (Lượng rác/sức chứa)
Kết quả thu được với phương pháp kết hợp POA-GIS đã đem lại kết quả tốt hơn phương pháp thủ công dựa trên phán đoán bằng kinh nghiệm, đồng thời nó cũng cho thấy khả năng tự động tính toán lên lịch cụ thể cho tuyến xe khi có các dữ liệu đầu vào thay đổi, hoặc cần thay đổi kịch bản để lên các kế hoạch một cách nhanh chóng Phương pháp POA-GIS này khi áp dụng cho dạng toán CVRP đã chứng minh được khả năng của mình khi cho ra kết quả tính khá tốt ở hầu hết các trường hợp
Qua những đúc kết từ kết quả tính toán và quá trình thực hiện nghiên cứu giải quyết bài toán thực với quy mô lớn này, tác giả đã xem xét và nhận thấy một số vấn đề khi đánh giá phương pháp kết hợp POA-GIS, vẫn còn một vài hạn chế quan tâm và cải thiện như sau:
Thuật toán bầy chim bồ nông chưa thể đưa ra "kết quả chính xác nhất" mà cần chạy nhiều lần để tìm ra phiên bản tối ưu nhất tại thời điểm chạy giải thuật toán, do đó không phải là phương pháp chính xác Tuy nhiên, thuật toán này bù lại bằng việc rút ngắn thời gian giải trong các bài toán lớn vì các phương pháp chính xác cần giải tất cả các trường hợp nên yêu cầu thời gian giải rất lâu.
Sử dụng thuật toán lai chéo và tạo sự hỗn loạn đa vòng xe là những kỹ thuật quan trọng giúp tăng hiệu quả của các thuật toán tối ưu hóa Bằng cách kết hợp các ưu điểm của nhiều thuật toán khác nhau, thuật toán lai chéo có thể tránh rơi vào kết quả cục bộ và tìm ra giải pháp tối ưu hơn Tạo sự hỗn loạn đa vòng xe trong quá trình tìm kiếm cũng giúp mở rộng không gian tìm kiếm, tăng khả năng tìm ra các giải pháp mới và cải thiện hiệu suất của thuật toán.
⎯ Mô hình kết hợp mới này, khi áp dụng với SR-1 chỉ áp dụng cho dự án có một trạm trung chuyển đi và về, chưa áp dụng cho dạng trường hợp giải cho đa trạm trung chuyển, khi thực hiện được yêu cầu này sẽ thể hiện một kịch bản tối ưu hơn
⎯ Dạng thuật toán tối ưu hóa chim bồ nông POA thuộc dạng chuyên giải cho số liên tục, số thực R nên phải kết hợp để chuyển đổi cho phù hợp với loại bài toán CVRP khi kết quả cần yêu cầu là số tự nhiên nguyên dương, nên khi áp dụng thuật toán khác phù hợp hơn có thể ra kết quả tốt hơn, ví dụ khi dùng thuật toán tối ưu hóa đàn kiến (ACO) chuyên dùng để xử lý các vấn đề với kết quả là số rời rạc, số tự nhiên, bằng ma trận thì sẽ tốt hơn
Tóm lại, mặc dù mô hình kết hợp được tác giả đề xuất đã đem lại những kết quả tốt đáng chú ý trong luận văn này, đồng thời giải quyết vấn đề thực tế cấp thiết của thành phố hiện tại, nhưng vì thời gian nghiên cứu hạn chế, tác giả nhận thấy vẫn còn những hạn chế và những điểm cần cải thiện trong quá trình thực hiện nghiên cứu Vì vậy, để nâng cao việc tìm ra kết quả chính xác, tự động xử lý vấn đề một cách linh hoạt, trong khoảng thời gian ngắn nhất thì sự phát triển và cải tiến phương pháp kết hợp lai ghép POA-GIS trong tương lai là sự cần thiết.
