1. Trang chủ
  2. » Luận Văn - Báo Cáo

ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường

113 0 0
Tài liệu đã được kiểm tra trùng lặp

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Tác giả Võ Duy Phước
Người hướng dẫn PGS. TS. Phạm Vũ Hồng Sơn, TS. Lưu Xuân Lộc
Trường học Trường Đại học Bách khoa - Đại học Quốc gia Tp. Hồ Chí Minh
Chuyên ngành Quản lý Xây dựng
Thể loại Luận văn thạc sĩ
Năm xuất bản 2024
Thành phố Tp. Hồ Chí Minh
Định dạng
Số trang 113
Dung lượng 1,97 MB

Cấu trúc

  • CHƯƠNG 1: GIỚI THIỆU (15)
    • 1.1 Lý do chọn đề tài (15)
    • 1.2 Đối tượng và phạm vi nghiên cứu (19)
    • 1.3 Phương pháp nghiên cứu (20)
    • 1.4 Mục tiêu nghiên cứu (21)
    • 1.5 Đóng góp của đề tài (21)
      • 1.5.1 Về mặt học thuật (21)
      • 1.5.2 Về mặt thực tiễn (22)
    • 1.6 Cấu trúc luận văn (22)
  • CHƯƠNG 2: CÁC NGHIÊN CỨU LIÊN QUAN (24)
    • 2.1 Các nghiên trong nước (24)
    • 2.2 Các nghiên cứu nước ngoài (31)
      • 2.2.1 Tối ưu chi phí, tiến độ và khí thải CO2 (31)
      • 2.2.2 Thuật toán châu chấu (GOA) (37)
      • 2.2.3 Phương pháp học dựa trên sự đối diện (OBL) (40)
      • 2.2.4 Phương pháp lựa chọn giải đấu (TS) (44)
    • 2.3 Kết luận (46)
  • CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU (48)
    • 3.1 Tính toán chi phí tiến độ và ước tính phát thải CO2 từ hoạt động xây dựng (48)
      • 3.1.1 Tính toán tiến độ chi phí dự án xây dựng (48)
      • 3.1.2 Mối quan hệ chi phí-tiến độ trong một dự án (49)
      • 3.1.3 Rút ngắn tiến độ của dự án (50)
      • 3.1.4 Phương pháp ước tính phát thải CO2 từ hoạt động xây dựng (52)
      • 3.1.5 Tối ưu chi phí vật liệu và phát thải CO2 (55)
    • 3.2 Thuật toán châu chấu - Grasshopper Optimisation Algorithm (GOA) (56)
    • 3.3 Kết luận (68)
  • CHƯƠNG 4: MÔ HÌNH TỐI ƯU HÓA VÀ TRƯỜNG HỢP ỨNG DỤNG (70)
    • 4.1 Phương pháp học dựa trên sự đối diện (Opposition-based learning) (70)
    • 4.2 Phương pháp lựa chọn giải đấu (TS) (72)
    • 4.3 Xây dựng thuật toán tối ưu mới eGOA (72)
    • 4.4 Case study 1 (75)
    • 4.5 Case study 2 (88)
    • 4.6 Kết luận (104)
  • CHƯƠNG 5: KẾT LUẬN, KIẾN NGHỊ VÀ HƯỚNG NGHIÊN CỨU TRONG TƯƠNG LAI (105)
    • 5.1 Kết luận (105)
    • 5.2 Hướng nghiên cứu trong tương lai (105)

Nội dung

Nghiên cứu này không chỉ tận dụng AI để tìm kiếm những giải pháp tối ưu cho những thách thức lớn như chi phí, tiến độ, và bảo vệ môi trường, mà còn góp phần đáng kể trong việc nâng cao h

GIỚI THIỆU

Lý do chọn đề tài

Hình 1.1 Sự phức tạp của một dự án xây dựng

Ngành xây dựng là một trong những ngành công nghiệp quan trọng nhất trên toàn cầu Tuy nhiên, nó cũng đối mặt với nhiều thách thức do tính chất đặc thù của mình Mỗi dự án xây dựng là duy nhất, có giá trị lớn, quy mô phức tạp và không thể thay đổi một cách dễ dàng (Hình 1.1) Trong quá trình xây dựng, thường xảy ra xung đột giữa các bên liên quan Tiến độ, chi phí và chất lượng là một trong những ràng buộc quan trọng đối với các dự án xây dựng Do đó, không chỉ chất lượng mà cả yếu tố thời gian và chi phí đều đóng vai trò quan trọng trong việc đạt được hiệu quả cho một dự án xây dựng (Hình 1.2) Tối ưu chi phí và tiến độ (TCT) là một trong những nhiệm vụ quan trọng và đầy thách thức trong quá trình quản lý dự án xây dựng Các nhà quản lý dự án thường gặp khó khăn khi tìm kiếm sự kết hợp hiệu quả giữa tiến độ và chi phí nhằm hoàn thành dự án theo thời gian mong muốn với chi phí tối thiểu [1]

Hình 1.2 Yếu tố trong quản lý xây dựng

Khi tối ưu hóa chi phí trong dự án xây dựng, có thể tiết kiệm nguyên vật liệu và nhân lực, giảm chi phí vận hành và bảo trì sau khi hoàn thành Điều này không chỉ giúp tối ưu hóa sự sử dụng nguồn lực mà còn tránh lãng phí Đồng thời, tối ưu hóa tiến độ đảm bảo rằng dự án hoàn thành đúng thời hạn Tuân thủ tiến độ giúp giảm thiểu rủi ro, tránh chậm trễ và phạt hợp đồng, tạo niềm tin cho các bên liên quan Khi hoàn thành dự án đúng hạn còn tạo thuận lợi cho khởi động hoạt động kinh doanh, mở ra cơ hội tiếp cận thị trường và tạo thu nhập sớm cho nhà đầu tư Tóm lại, TCT trong quản lý xây dựng mang lại nhiều lợi ích cho công ty xây dựng, từ tiết kiệm tài nguyên đến đảm bảo đúng tiến độ và tạo cơ hội kinh doanh [2]

Ngành xây dựng góp phần gây ra nhiều vấn đề môi trường liên quan đến hoạt động xây dựng và vận hành công trình [3, 4] Những quá trình này đóng vai trò chủ yếu trong ô nhiễm môi trường ngoài trời và thải ra khí nhà kính (Hình 1.3 và Hình

1.4) Trong đó, quá trình sản xuất vật liệu xây dựng tạo ra lượng khí carbon dioxide

(CO2) cao nhất Đối với hầu hết các dự án xây dựng, thành công được đo lường dựa trên các yếu tố quan trọng như thời gian, chi phí và chất lượng Tuy nhiên, việc quan tâm đến các vấn đề liên quan đến môi trường hiếm khi được nhà quản lý dự án chú ý Hiện nay, có rất ít nghiên cứu xoay quanh việc TCT có xem xét các vấn đề liên quan đến môi trường Một số nghiên cứu đã phát triển mô hình để đánh đổi giữa chi phí xây dựng và khí thải carbon dioxide bằng cách sử dụng các phương pháp tối ưu hóa đa mục tiêu dựa trên thuật toán tổ hợp [5]

Hầu hết các nghiên cứu trước đây chỉ sử dụng một loại quan hệ cơ bản là

"Finish to start" (FS), trong đó một hoạt động chỉ có thể bắt đầu sau khi các hoạt động trước đó đã hoàn thành Tuy nhiên, giả định hạn chế này không phù hợp với thực tế của các dự án Trong thực tế, các nhà quản lý dự án thường tối ưu hóa thời gian dự án bằng cách lập lịch các hoạt động đồng thời trong sơ đồ mạng [6, 7] Chẳng hạn, trong các dự án xây dựng tòa nhà cao tầng, việc xây tường và sơn nước có thể được thực hiện song song với nhau, thay vì tuân thủ sắp xếp tuần tự một cách logic cho từng hoạt động

Hình 1.3 Phát thải CO2 trực tiếp và gián tiếp của ngành xây dựng theo quốc gia/khu vực (Triệu tấn) năm 2009 [8]

Vấn đề TCT đã được nghiên cứu rộng rãi và thu hút sự quan tâm đáng kể trong lĩnh vực quản lý xây dựng trong hơn năm thập kỷ qua Ban đầu, Kelley Jr and Walker [9] đã đề xuất các phương pháp giải quyết vấn TCT bằng lập trình tuyến tính tham số Các kỹ thuật được phân loại thành hai nhóm chính: phương pháp lập trình toán học và phương pháp heuristic [10] Phương pháp lập trình toán học sử dụng quy hoạch nguyên hỗn hợp để giải quyết vấn đề TCT, có khả năng tìm ra các giải pháp tối ưu hoặc liệt kê tất cả các giải pháp để tìm kiếm giải pháp tối ưu Mặc dù phương pháp lập trình toán học thường tìm ra giải pháp tối ưu, nhưng chúng đòi hỏi chi phí tính toán cao [11] Trong khi đó, phương pháp heuristic được biết đến là các giải pháp gần đúng cho vấn đề, sử dụng quy tắc kinh nghiệm thay vì chứng minh toán học để giảm công sức tính toán [12, 13] Tuy nhiên, các phương pháp này chỉ mang lại giải pháp gần tối ưu mà không đảm bảo tìm được giải pháp tối ưu [14]

Mặc dù phương pháp lập trình toán học có thể tìm ra phương án tối ưu, nhưng nó đòi hỏi chi phí tính toán cao Đặc biệt, đối với bài toán tối ưu chi phí tiến độ xét đến yếu tố môi trường – TCTC (bao gồm ba tiêu chí tương quan), bài toán này có độ phức tạp cao với một số công việc lớn, với số lượng phương án khả thi là 1.63 x 10 10 cho Case study 1 và 2.07 x 10 26 cho công trình thực tế (Case study 2), việc sử dụng phương pháp lập trình toán học là không khả quan Vấn đề này đã thúc đẩy nghiên cứu khả năng của các thuật toán tối ưu dựa trên trí tuệ nhân tạo, nhằm đạt được tính toán hiệu quả và nhanh chóng cho bài toán TCTC Tuy nhiên, các phương pháp này chỉ mang lại giải pháp gần tối ưu mà không đảm bảo tìm được giải pháp tối ưu Do đó, để chứng minh hiệu quả của phương pháp mà học viên đề xuất, kết quả của luận văn sẽ được so sánh với các nghiên cứu trước đây

Hình 1.4 Cường độ phát thải CO2 trực tiếp và gián tiếp của ngành xây dựng theo quốc gia/khu vực (Kilotons/Triệu USD) năm 2009 [8]

Sau khi đánh giá được hiệu quả của việc áp dụng thuật toán tối ưu dựa trên trí tuệ nhân tạo để giải quyết bài toán TCTC, học viên hy vọng sẽ cung cấp cho các nhà quản lý dự án và nhà thầu một công cụ có khả năng lựa chọn các phương án tối ưu một cách có cơ sở, nhanh chóng và hiệu quả Với tầm quan trọng ngày càng gia tăng của việc TCT trong lĩnh vực xây dựng, cùng với sự quan tâm ngày càng lớn đến yếu tố môi trường trong quá trình xây dựng, các hạn chế của các phương pháp tối ưu truyền thống cũng như tiềm năng của các thuật toán dựa trên trí tuệ nhân tạo đã thúc đẩy học viên thực hiện đề tài này Điều này nhằm mục đích tìm ra các phương án tối ưu, không chỉ từ quan điểm kinh tế mà còn từ quan điểm môi trường, để đảm bảo sự phát triển bền vững và giảm thiểu tác động tiêu cực đến môi trường từ các hoạt động xây dựng Nhờ sự tiến bộ trong lĩnh vực này, học viên hy vọng có thể đạt được sự cân bằng giữa các yếu tố kinh tế, xã hội và môi trường trong các dự án xây dựng, góp phần thúc đẩy sự phát triển bền vững trong ngành công nghiệp xây dựng.

Đối tượng và phạm vi nghiên cứu

+ Dự án xây dựng: Nghiên cứu tập trung vào các dự án xây dựng trong lĩnh vực công nghiệp xây dựng

+ Chi phí xây dựng: Đối tượng nghiên cứu bao gồm các yếu tố liên quan đến chi phí trong quá trình xây dựng dự án, bao gồm kinh phí vật liệu, lao động, thiết bị, vận chuyển và quản lý chi phí tổng thể

+ Tiến độ xây dựng: Đối tượng nghiên cứu cũng bao gồm các yếu tố liên quan đến tiến độ của dự án, như thời gian hoàn thành các công việc, lịch trình thi công, và quản lý tiến độ để đảm bảo dự án được hoàn thành đúng hạn

+ Yếu tố môi trường: Nghiên cứu đặt sự chú trọng đến yếu tố môi trường trong quá trình tối ưu hóa, đặt biệt nhấn mạnh việc giảm thiểu khí thải CO2

+ Phương pháp tối ưu hóa: Nghiên cứu sẽ tập trung vào việc phát triển các phương pháp trí tuệ nhân tạo giải quyết bài toán TCTC trong quá trình xây dựng

+ Các yếu tố tối ưu: Nghiên cứu xem xét các yếu tố liên quan đến chi phí, tiến độ và xem xét đến yếu tố môi trường trong quá trình xây dựng cũng như các thuật toán tối ưu dựa trên trí tuệ nhân tạo.

Phương pháp nghiên cứu

Để đạt được mục tiêu nghiên cứu của đề tài " Ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường ", học viên sẽ sử dụng phương pháp nghiên cứu sau:

1 Tìm hiểu bài toán TCTC: Học viên sẽ tiến hành tìm hiểu về phương pháp tối ưu hóa chi phí, tiến độ có xem xét đến yếu tố môi trường lĩnh vực quản lý xây dựng Điều này đảm bảo học viên có kiến thức sâu rộng về lĩnh vực nghiên cứu và cơ sở để tiến hành các phân tích sau này

2 Tìm hiểu về trí tuệ nhân tạo trong quản lý xây dựng: Học viên sẽ tiến hành một đánh giá tổng quan về trí tuệ nhân tạo và ứng dụng của nó trong lĩnh vực quản lý xây dựng Qua đó, học viên sẽ tìm hiểu các phương pháp, công nghệ và công cụ trí tuệ nhân tạo phù hợp để áp dụng trong đề tài

3 Phát triển giải thuật tối ưu hóa: Học viên sẽ phát triển các giải thuật trí tuệ nhân tạo nhằm giải quyết bài toán TCTC

4 Đánh giá và kiểm tra mô hình: Học viên sẽ thực hiện các thử nghiệm và kiểm tra hiệu quả của mô hình với các nghiên cứu trước Qua đó, học viên sẽ đánh giá hiệu suất và độ chính xác của mô hình, cũng như sự đóng góp của mô hình trong quản lý xây dựng

5 Phân tích kết quả và đưa ra đề xuất: Học viên sẽ phân tích kết quả thu được từ các thử nghiệm và đánh giá, đồng thời đưa ra những đề xuất và khuyến nghị để cải thiện quá trình giải quyết bài toán TCTC dựa trên thuật toán trí tuệ nhân tạo

Phương pháp nghiên cứu này kết hợp giữa lý thuyết và thực tiễn, sử dụng các công cụ trí tuệ nhân tạo để giải quyết bài toán TCTC trong quản lý xây dựng Học viên hy vọng phương pháp này có thể mang lại những đóng góp quan trọng trong việc cải thiện hiệu suất và hiệu quả của các dự án xây dựng, đồng thời bảo vệ môi trường và thúc đẩy phát triển bền vững trong ngành công nghiệp xây dựng.

Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của đề tài " Ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét tới yếu tố môi trường " là tìm hiểu, phát triển và áp dụng các phương pháp trí tuệ nhân tạo để giải quyết bài toán TCT, đồng thời xem xét yếu tố môi trường Học viên nhằm đạt đến các mục tiêu cụ thể sau:

1 Phân tích tầm quan trọng của yếu tố chi phí và tiến độ trong quản lý xây dựng và ảnh hưởng của yếu tố môi trường trong dự án xây dựng

2 Xác định hàm mục tiêu tối ưu cho bài toán TCTC

3 Tìm hiểu về trí tuệ nhân tạo trong quản lý xây dựng và phát triển thuật toán

AI cho vấn đề TCTC

4 So sánh, nhận xét, phân tích và đánh giá kết quả khi áp dụng thuật toán AI cho bài toán TCTC

5 Đánh giá hiệu suất và hiệu quả của mô hình trí tuệ nhân tạo nhằm chứng minh sự đóng góp của đề tài này trong quản lý xây dựng hiện đại và bền vững.

Đóng góp của đề tài

+ Ứng dụng trí tuệ nhân tạo (AI): Nghiên cứu này áp dụng các giải thuật tính toán tối ưu để tối ưu hóa quy trình quản lý xây dựng Các thuật toán và mô hình được nghiên cứu và phát triển dựa trên cơ sở lý thuyết vững chắc và được đánh giá và kiểm chứng với các nghiên cứu đi trước

+ Xem xét yếu tố môi trường: Một khía cạnh quan trọng của đề tài này là sự xem xét yếu tố môi trường trong quyết định quản lý dự án xây dựng Bằng cách tích hợp dữ liệu về phát thải CO2 vào quá trình tối ưu hóa, nghiên cứu này đảm bảo rằng các phương án quản lý xây dựng đạt được cân bằng giữa hiệu quả kinh tế và bảo vệ môi trường

+ Tối ưu hóa chi phí và tiến độ: Áp dụng trí tuệ nhân tạo trong quản lý xây dựng giúp tối ưu hóa chi phí và tiến độ dự án Các giải thuật tính toán tối ưu giúp dự đoán và điều chỉnh các yếu tố quyết định như lựa chọn vật liệu, phân bổ tài nguyên và kế hoạch thi công, từ đó giảm thiểu lãng phí và tăng hiệu suất

+ Bảo vệ môi trường và phát triển bền vững: Đề tài này đặc biệt quan tâm đến yếu tố môi trường trong quyết định quản lý xây dựng Bằng cách tích hợp thông tin về khí thải CO2, nghiên cứu này giúp tạo ra các phương án xây dựng thân thiện với môi trường, đồng thời thúc đẩy sự phát triển bền vững trong ngành xây dựng.

Cấu trúc luận văn

• CHƯƠNG 1: GIỚI THIỆU: Trình bày mục tiêu nghiên cứu, nội dung nghiên cứu, tính cần thiết và ý nghĩa thực tiễn của nghiên cứu

• CHƯƠNG 2: CÁC NGHIÊN CỨU LIÊN QUAN: Trình bày tình hình nghiên cứu ngoài nước, tình hình nghiên cứu trong nước và chỉ ra những vấn đề mà luận văn cần tập trung giải quyết

• CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU: Trình bày các cơ sở lý thuyết về tối ưu chi phí và khí thải CO2 trong dự án xây dựng và thuật toán tiến hóa giải bài toán tối ưu

• CHƯƠNG 4: CHƯƠNG 4: MÔ HÌNH TỐI ƯU HÓA VÀ TRƯỜNG HỢP ỨNG DỤNG: Xây dựng mô hình sử dụng thuật toán tiến hóa nhằm tối ưu chi phí, tiến độ và phát thải CO2 Thực hiện giải bài toán TCTC bằng các thuật toán AI trên các case study cụ thể So sánh, nhận xét và đánh giá kết quả thu được

• CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ: Trình bày những kết luận và kiến nghị của tác giả khi nghiên cứu về áp dụng, đề xuất và kiến nghị cho những nghiên cứu về sau.

CÁC NGHIÊN CỨU LIÊN QUAN

Các nghiên trong nước

Trong những năm gần đây tại Việt Nam, các thuật toán tối ưu đã được áp dụng rộng rãi vào việc giải quyết các bài toán tối ưu trong ngành xây dựng, mở ra một hướng tiếp cận mới và hiệu quả cho lĩnh vực này Sự phát triển của công nghệ thông tin và trí tuệ nhân tạo đã cho phép các nhà nghiên cứu sử dụng các thuật toán phức tạp để giải quyết các thách thức trong thiết kế, lập kế hoạch, và quản lý dự án

Những thuật toán này bao gồm các phương pháp tiến hóa, tối ưu hóa đa mục tiêu, và các kỹ thuật tối ưu hóa dựa trên quần thể như thuật toán di truyền, thuật toán bầy đàn, và thuật toán tối ưu hóa vi phân Chúng giúp tối ưu hóa từng phần của dự án xây dựng, bao gồm việc cân nhắc giữa chi phí, thời gian và chất lượng, cũng như tối ưu hóa sử dụng nguyên vật liệu và năng lượng, đóng góp vào việc xây dựng bền vững

Ngoài ra, việc tích hợp các thuật toán này với các công nghệ như mô hình thông tin xây dựng (BIM) cũng đang mở rộng khả năng và hiệu quả của quá trình thiết kế và quản lý dự án xây dựng Điều này không chỉ giúp tăng cường khả năng dự báo và quản lý rủi ro, mà còn cung cấp những hiểu biết sâu sắc hơn về cách thức các quyết định thiết kế ảnh hưởng đến hiệu suất và chi phí của dự án trong suốt vòng đời của nó

Sự áp dụng rộng rãi của các thuật toán tối ưu trong ngành xây dựng tại Việt Nam không chỉ chứng minh sự tiến bộ trong lĩnh vực kỹ thuật và công nghệ, mà còn phản ánh nhu cầu ngày càng tăng về việc xây dựng hiệu quả và bền vững trong bối cảnh phát triển đô thị nhanh chóng của đất nước Bảng 2.1 cung cấp các nghiên cứu liên quan đến việc sử dụng các thuật toán tối ưu nhằm giải quyết các bài toán tối ưu trong ngành xây dựng

Bảng 2.1 Các nghiên cứu liên quan đến tối ưu chi phí và khí thải CO2

STT Tên bài báo, nghiên cứu Tác giả Năm Mô tả

“Tối ưu chi phí xây dựng mạng lưới thoát nước thải sinh hoạt sử dụng trí tuệ nhân tạo”

- Nghiên cứu này kết hợp hai thuật toán, Bầy Salps (SSA) và Chuồn Chuồn (DA), để tạo ra một thuật toán lai nhằm mục tiêu cải thiện việc tối ưu hóa mạng lưới thoát nước thải Mục đích là để tận dụng ưu điểm và khắc phục nhược điểm của từng thuật toán, đồng thời tạo ra sự ổn định giữa khám phá và khai thác trong quá trình tối ưu hóa

- Hai case study đã được thực hiện để đánh giá hiệu quả của mô hình lai này Các kết quả thu được cho thấy, so với các phương pháp đã được áp dụng trong các nghiên cứu trước, thuật toán lai SSA-DA này cung cấp những giải pháp tối ưu hơn, cải thiện được các thông số kỹ thuật so với khi sử dụng SSA hoặc DA độc lập Ngoài ra, chi phí thu được cũng thấp hơn so với các nghiên cứu trước, làm nổi bật tiềm năng của phương pháp mới này

“Phát triển thuật toán chó rừng vằn hông để tối ưu hóa quá trình vận chuyển và giảm ô nhiễm khí thải CO2 trong công nghiệp và dân dụng”

- Nghiên cứu này giới thiệu một phương pháp mới trong lĩnh vực tối ưu hóa, lấy cảm hứng từ hành vi săn mồi của loài chó rừng vằn hông, nhằm phát triển một thuật toán tìm kiếm hiệu quả cao Cách tiếp cận này được thiết kế để vượt trội so với các thuật toán hiện có thông qua việc cung cấp các giải pháp không chỉ kinh tế hơn mà còn giảm thiểu lượng khí CO2 thải ra môi trường

- Khi so sánh với các thuật toán truyền thống, thuật toán mới này đã chứng minh được khả năng ưu việt của mình, không chỉ trong lý thuyết mà còn trong việc đối mặt với những thách thức thực tế như việc thay đổi lộ trình dựa trên các điều kiện cụ thể Điều này mở ra một hướng tiếp cận mới và hiệu quả hơn cho việc giải quyết các vấn đề tối ưu hóa trong các ứng dụng thực tế

“Phát triển thuật toán lai ghép kiến sư tử

(ALO) để tối ưu chi phí logistics cho cấu kiện bê tông đúc sẵn”

- Nghiên cứu này đã phát triển một thuật toán lai mới kết hợp giữa thuật toán kiến sư tử (ALO) và phương pháp OBL, cùng với các chiến lược đột biến và trao đổi chéo, nhằm mục đích tối ưu hóa chi phí dựa trên phương pháp tính giá dựa trên hoạt động

- Thuật toán lai này đã được so sánh với nhiều phương pháp khác như thuật toán sói xám (GWO), thuật toán PSO, thuật toán lai ghép DA- PSO và phiên bản nguyên bản của thuật toán ALO Kết quả đánh giá từ so sánh này cho thấy rằng thuật toán lai mới này vượt trội hơn hẳn trong việc giảm chi phí logistics cho cấu kiện bê tông đúc sẵn, một ứng dụng cụ thể trong lĩnh vực xây dựng, nhờ khả năng tìm kiếm hiệu quả và tối ưu hóa chi phí tốt hơn

“Tối ưu tiết diện ngang kết cấu dàn theo điều kiện bền và chuyển vị

- Bài báo này tập trung vào việc khám phá sự hiệu quả của thuật toán Rao trong việc giải quyết các bài toán tối ưu hóa tiến diện ngang của các cấu trúc dàn, với các điều kiện cần thiết về độ bền và độ bằng thuật toán Rao” chuyển vị Trong nghiên cứu, một kỹ thuật đặc biệt được áp dụng để xử lý các điều kiện ràng buộc - kỹ thuật tìm kiếm biên khả thi Sự hiệu quả của phương pháp này được kiểm nghiệm qua các ví dụ tính toán cụ thể, qua đó đánh giá và chứng minh khả năng áp dụng của thuật toán Rao trong việc tối ưu hóa thiết kế kết cấu, đặc biệt là trong lĩnh vực kỹ thuật xây dựng và cơ khí

“Phát triển thuật toán đa mục tiêu cá voi để cân bằng tài nguyên trong tiến độ dự án” Đức and Trình [19]

- Nghiên cứu này phát triển một mô hình mới kết hợp công nghệ mô hình thông tin tòa nhà - BIM với quá trình tối ưu hóa đa mục tiêu - MOO, nhằm tìm kiếm sự cân bằng tối ưu giữa các nguồn lực trong quá trình lập kế hoạch dự án xây dựng

Sự hiệu quả của mô hình kết hợp này đã được chứng minh thông qua việc áp dụng thực tế trên một dự án xây dựng cụ thể

- Để đánh giá mô hình, thuật toán Multi-Objective Whale

Optimization (MOWO) đã được sử dụng để tìm ra các giải pháp tối ưu, và kết quả được so sánh thông qua các chỉ số đánh giá hiệu suất chính: Độ phân bố (Diversity Metric - DM) với giá trị cao nhất đạt được là 28,113; Độ mở rộng (Spread - SP) với giá trị thấp nhất là 0,872; và Thể tích hình bao (Hypervolume - HV) với giá trị cao nhất là 0,875 Các số liệu này chứng tỏ mô hình lai ghép có khả năng tìm kiếm không gian giải pháp hiệu quả, tạo ra các phương án cân bằng nguồn lực cho dự án xây dựng một cách tối ưu

“Tối ưu cân bằng thời gian chi phí trong tiến độ các dự án có công tác lặp lại”

- Bài báo này giới thiệu một cách tiếp cận mới để tính toán tiến độ dự án xây dựng, đặc biệt áp dụng cho các dự án có quan hệ thứ tự giữa các công tác liên tục nhưng không theo dạng tuyến tính Điểm nhấn của nghiên cứu là thuật toán sinh học cộng sinh tìm kiếm tự điều chỉnh đa mục tiêu (Adaptive Multi- objective Symbiotic Organisms Search - AMOSOS), được phát triển để giải quyết vấn đề cân bằng giữa chi phí và thời gian trong các dự án xây dựng có các công tác được lặp lại

- Để minh họa cho phương pháp tính toán tiến độ, nghiên cứu đã sử dụng một ví dụ cụ thể, qua đó cũng chứng minh được hiệu quả của AMOSOS trong việc tối ưu hóa chi phí và thời gian Cách tiếp cận này đặc biệt hữu ích trong việc lập kế hoạch cho các dự án xây dựng phức tạp, nơi mà việc lặp lại công tác là một yếu tố cần được quản lý cẩn thận để đạt được sự cân bằng chi phí - thời gian tối ưu

“Tối ưu trọng lượng khung thép cột đặc dàn vì kèo sử dụng thuật toán tiến hóa vi phân”

Các nghiên cứu nước ngoài

2.2.1 Tối ưu chi phí, tiến độ và khí thải CO2

Trong ngành quản lý xây dựng, việc cân nhắc giữa việc cực tiểu hóa thời gian thi công và hạn chế chi phí luôn là một thách thức lớn Để giải quyết vấn đề này, nhiều phương pháp tối ưu hóa ngẫu nhiên đã được giới thiệu và áp dụng Tuy nhiên, xu hướng hiện nay không chỉ dừng lại ở việc giải quyết vấn đề TCT Các nhà quản lý dự án ngày càng nhận ra rằng, để đảm bảo sự thành công của dự án, cần phải xem xét nhiều yếu tố quyết định khác, bao gồm các vấn đề về môi trường, yếu tố xã hội và đạo đức Do đó, bài toán TCT đã được mở rộng ra ngoài hai yếu tố truyền thống là tiến độ và chi phí, nhằm xây dựng những dự án bền vững và mang lại giá trị lâu dài cho cộng đồng và xã hội Bảng 2.2 cung cấp các nghiên cứu liên quan đến vấn đề tối ưu tiến độ, chi phí và phát thải CO2

Bảng 2.2 Các nghiên cứu liên quan đến tối ưu chi phí và khí thải CO2

STT Tên bài báo, nghiên cứu Tác giả Năm Mô tả

“An LCA- based environmental impact assessment model for construction processes”

- Bài báo này trình bày mô hình đánh giá tác động môi trường suốt vòng đời dự án, áp dụng cho nghiên cứu giai đoạn xây dựng, trong đó các yếu tố tác động được xem xét dựa trên hai khía cạnh của quá trình xây dựng thông thường: thiết bị xây dựng và vật liệu phụ trợ

- Kết quả cho thấy mô hình được đề xuất có khả năng định lượng hiệu quả tác động môi trường của các quy trình xây dựng và có thể được sử dụng như một công cụ cho các nhà thầu chọn lựa các kế hoạch xây dựng thân thiện với môi trường

“Optimizing cost and CO2 emission for construction projects using

- Mục tiêu của nghiên cứu này là hỗ trợ người ra quyết định xác định giải pháp cân đối giữa chi phí xây dựng và khí thải CO2 particle swarm optimization”

- Một dự án thực tế về cải tạo công trình xây dựng được sử dụng để đánh giá tính khả thi của mô hình được đề xuất và kết quả chứng minh tính hợp lý và thực tế của mô hình này

“Building information modeling based building design optimization for sustainability”

- Trong nghiên cứu này, một phương pháp tối ưu hóa thiết kế tòa nhà dựa trên mô hình thông tin xây dựng (BIM) được đề xuất để giúp các nhà thiết kế tối ưu hóa thiết kế của họ và nâng cao tính bền vững của các tòa nhà

- Kết quả của nghiên cứu thực nghiệm cho thấy phương pháp này có thể mở rộng không gian tìm kiếm cho các giải pháp thiết kế tối ưu và rút ngắn thời gian xử lý để đạt được kết quả thiết kế tối ưu, điều này thực sự hữu ích cho các nhà thiết kế để đưa ra một kế hoạch thiết kế kinh tế và thân thiện với môi trường

- Nghiên cứu này trình bày một phương pháp mới được gọi là MOSGO để cân nhắc các yếu tố thời gian, chi phí, chất lượng và for Time–

Projects” khí thải carbon dioxide (TCQC) trong các dự án xây dựng tổng quát

- MOSGO đã cho thấy sự đa dạng và hội tụ tốt hơn, đạt được phân bố rộng hơn và mang lại sự đồng đều cao hơn của các giải pháp so với các thuật toán tiến hóa đa mục tiêu được so sánh

“Stochastic carbon emission estimation method for construction operation”

- Bài báo này đề xuất một phương pháp tính toán được gọi là "Ước lượng Khí thải Carbon Ngẫu nhiên" (SCE2) để đo lường sự biến động của các khí thải nhà kính

- Nghiên cứu này có giá trị đối với các nhà nghiên cứu vì SCE2 bổ sung công cụ trong việc mô hình hoá và phân tích hoạt động kinh tế sinh thái, đồng thời xem xét các điều kiện vận hành ở mức độ vi mô của các hoạt động xây dựng có nhiều công việc ngẫu nhiên

- Mục đích chính của bài báo được trình bày là cung cấp một thuật toán D-OBNSGA III dựa trên robust multi- objective scheduling model for civil construction projects”

Trivedi [26] phương pháp RMOSM cho các dự án xây dựng quy mô nhỏ, vừa và lớn

- Hơn nữa, so sánh với các mô hình lập kế hoạch hiện có, phân tích đồ thị đường giá trị, phân tích tương quan và phân tích nhạy cảm của thuật toán thu hút các nhà quản lý xây dựng sử dụng mô hình phát triển trong lập kế hoạch các dự án xây dựng thực tế

“Time, cost, and energy consumption analysis on construction optimization in high-rise buildings”

- Đóng góp chính của nghiên cứu này là cung cấp một mô hình tối ưu hóa đa mục tiêu tiêu thụ thời gian-chi phí- tiêu thụ năng lượng có tính đến các ưu tiên quyết định khác nhau của các nhà quản lý dự án

- Nghiên cứu cũng có thể giúp các nhà quản lý dự án tạo ra sự kết hợp tốt nhất giữa các hoạt động xây dựng

“GA based multi-objective time-cost optimization in

- Đề xuất một phương pháp đa mục tiêu sử dụng thuật toán di truyền, kết hợp một phương pháp trọng số a project with resources consideration” thích nghi đã được sửa đổi dựa trên thời gian và đầu vào chi phí

- Điều này giúp xác định các giải pháp tối ưu và biên Pareto để cho phép ra quyết định dựa trên các kết quả đạt được

- Giới thiệu mô hình AEHO, một sự kết hợp của “Apriori-based swarm intelligence” và “elephant herding optimization”, tối ưu hóa thời gian xây dựng, chi phí và các yếu tố môi trường

- Mô hình này hoạt động hiệu quả hơn mô hình PSO hiện hành về hiệu suất

“Optimizing time and cost simultaneously in projects with multi- verse optimizer”

- Giới thiệu một mô hình tối ưu hóa đa vũ trụ lai kết hợp tối ưu hóa đa vũ trụ và thuật toán sine cosine

- Giải quyết hiệu quả tối ưu hóa hiệu quả thời gian xây dựng, chi phí trong quản lý dự án xây dựng, mang lại các giải pháp vượt trội cho các dự án quy mô lớn và phức tạp so với các thuật toán trước đó

2.2.2 Thuật toán châu chấu (GOA)

Kết luận

Phần này đã cung cấp các nghiên cứu ứng dụng các thuật toán trí tuệ nhân tạo trong lĩnh vực xây dựng, đặc biệt trong giải quyết các bài toán tối ưu hóa và bài toán TCTC Sự đa dạng của các phương pháp, từ thuật toán châu chấu (GOA) đến các kỹ thuật tiên tiến như học dựa trên sự đối diện (OBL) và kỹ thuật lựa chọn giải đấu (TS), cho thấy một sự phát triển mạnh mẽ và đa da dạng trong việc áp dụng trí tuệ nhân tạo để giải quyết các bài toán tối ưu

Những nghiên cứu này không chỉ góp phần mở rộng kiến thức về cách thức tối ưu hóa trong ngành xây dựng, mà còn cho thấy tiềm năng lớn trong việc trong việc nâng cao hiệu suất và chất lượng của các dự án xây dựng Những thuật toán được nghiên cứu không chỉ mang lại lợi ích trong việc tối ưu hóa các quy trình kỹ thuật mà còn đóng vai trò trợ giúp quan trọng trong việc đưa ra những quyết định chính xác, giúp tiết kiệm chi phí và thời gian cho các dự án.

PHƯƠNG PHÁP NGHIÊN CỨU

Tính toán chi phí tiến độ và ước tính phát thải CO2 từ hoạt động xây dựng

Vấn đề TCT đặt ra một thách thức đáng kể cho các nhà quản lý dự án, yêu cầu xác định các phương án ứng với mỗi hoạt động để đạt được lịch trình hiệu quả Các yếu tố như công nghệ, sự có sẵn của nguồn lực và yêu cầu thiết bị ảnh hưởng đến những lựa chọn này Đồng thời, việc đạt được sự cân bằng giữa hai mục tiêu là tiến độ thực hiện dự án và chi phí là điều cần thiết trong việc giải quyết bài toán TCT

Mục tiêu đầu tiên là giảm thời gian hoàn thành dự án (PD), được xác định bằng cách xem xét thời gian bắt đầu (T S,i ) và thời gian kết thúc (T F,i ) của mỗi hoạt động, cùng với thời gian thực hiện của từng hoạt động (d i ), như được biểu thị trong

Mục tiêu thứ hai là giảm tổng chi phí dự án (PC), bao gồm hai thành phần, gồm tổng chi phí trực tiếp (C D ) và tổng chi phí gián tiếp (C I ) Công thức 3.2 xem xét chi phí gián tiếp [49] hàng ngày (c i ) là một thành phần của tổng chi phí gián tiếp, trong khi chi phí trực tiếp (c d,i ) của mỗi hoạt động được coi là một thành phần của tổng chi phí trực tiếp

3.1.2 Mối quan hệ chi phí-tiến độ trong một dự án

Tổng chi phí dự án được tính bằng tổng cộng chi phí trực tiếp và chi phí gián tiếp Chi phí trực tiếp là những chi phí liên quan trực tiếp đến việc thực hiện dự án như vật liệu, nhân công, thiết bị và nhà thầu phụ Trong khi đó, chi phí gián tiếp, có thể hiểu như là chi phí hành chính hoặc chi phí hoạt động, không phụ thuộc vào một hoạt động cụ thể nào của dự án

Hình 3.1 Mối quan hệ chi phí-tiến độ trong một dự án

Nếu chúng ta chỉ tập trung vào việc giảm chi phí trực tiếp bằng cách kéo dài thời gian dự án, thì rõ ràng chi phí gián tiếp sẽ tăng lên do thời gian kéo dài Ngược lại, nếu cố gắng rút ngắn thời gian dự án quá mức, chi phí trực tiếp có thể tăng vọt (ví dụ: phải làm việc ngoài giờ hành chính, thuê thêm nhân công, mua vật liệu với giá cao hơn )

Vì vậy, việc quan trọng là tìm ra một điểm cân bằng giữa chi phí trực tiếp và gián tiếp sao cho tổng chi phí dự án là thấp nhất Điều này yêu cầu một phân tích chi tiết và kỹ lưỡng để đảm bảo rằng dự án không chỉ được hoàn thành đúng hạn mà còn được thực hiện với chi phí hợp lý nhất (Hình 3.1)

3.1.3 Rút ngắn tiến độ của dự án

Thời gian cần thiết ngắn nhất để hoàn tất một dự án được xác định là tiến độ tối thiểu Để xác định thời gian này, chúng ta có thể lập ra các đường Gantt dựa trên sơ đồ mạng của dự án Khi đã xác định tiến độ tối thiểu, chúng ta có thể sử dụng nó như một tiêu chuẩn để đánh giá chi phí khi cần rút ngắn tiến độ thực tế của dự án Cần lưu ý rằng một số hoạt động không nằm trên đường Gantt có thể được kéo dài mà không ảnh hưởng đến tiến độ chung, giúp tối ưu hóa chi phí

Một phương pháp đơn giản là xây dựng sơ đồ mạng dựa trên thời gian thực hiện tối đa cho mỗi hoạt động, đảm bảo chi phí trực tiếp là tối thiểu Sau đó, chúng ta có thể xem xét các hoạt động trên đường Gantt, chọn những hoạt động có mức chi phí gia tăng thấp nhất khi giảm thời gian thực hiện Thực tế, quy trình này yêu cầu sắp xếp các hoạt động dựa trên sự gia tăng chi phí so với thời gian giảm đi và tập trung vào những hoạt động có tỷ lệ này thấp nhất Khi thời gian của những hoạt động này được giảm, tiến độ dự án tổng thể cũng sẽ được rút ngắn Tuy nhiên, khi tiếp tục quá trình này, một đường Gantt khác sẽ xuất hiện, dẫn đến việc cần phải xem xét nhiều công tác hơn nhằm xác định việc rút ngắn công tác nào là hợp lý nhất Dựa vào phương pháp này, chúng ta có thể xác định một loạt các tiến độ hiệu quả, dù chúng không nhất thiết phải là tiến độ tối ưu

Quá trình rút ngắn thời gian dự án có thể được tóm tắt theo các bước sau:

1 Xây dựng sơ đồ mạng: vẽ một sơ đồ mạng (còn gọi là biểu đồ PERT/CPM) để biểu diễn toàn bộ dự án, bao gồm tất cả các hoạt động và mối quan hệ giữa chúng

2 Thực hiện tính toán CPM và xác định đường Gantt: Dựa vào sơ đồ mạng, dùng phương pháp CPM (Critical Path Method) để xác định đường Gantt (critical path) của dự án

3 Xác định độ dốc chi phí cho từng hoạt động: dùng phương trình sau để tính độ dốc chi phí cho từng hoạt động: độ dốc chi phí = (chi phí khi rút ngắn tiến độ - chi phí bình thường) /

(thời lượng bình thường - thời lượng trút ngắn)

4 Chọn lựa hoạt động để rút ngắn: Bắt đầu bằng việc rút ngắn thời lượng của những hoạt động trên đường Gantt mà có độ dốc chi phí thấp nhất Lưu ý không nên giảm thời lượng của một hoạt động nếu nó đã được rút ngắn trước đó

5 Lặp lại quá trình: Tiếp tục giảm thời lượng của các hoạt động trên biểu đồ Gantt mà có độ dốc chi phí ít nhất, cho đến khi hoạt động đó đạt đến thời lượng tối thiểu của nó hoặc cho đến khi một đường Gantt mới xuất hiện

6 So sánh độ dốc chi phí khi có nhiều đường Gantt: Xác định hoạt động cần rút ngắn bằng cách so sánh độ dốc chi phí của công tác Gantt với tổng độ dốc chi phí của một nhóm công tác

7 Điều chỉnh thời gian thực hiện và dự trữ: Khi một đường Gantt được rút ngắn, điều chỉnh thời lượng và thời gian dự trữ của các hoạt động khác

8 Tính chi phí tăng thêm: Mức tăng chi phí do rút ngắn thời gian thực hiện công tác bằng độ dốc chi phí nhân với thời gian rút ngắn

9 Lặp lại cho đến khi đạt điểm rút ngắn: Tiếp tục rút ngắn thời gian cho đến khi không thể rút ngắn thêm được

Thuật toán châu chấu - Grasshopper Optimisation Algorithm (GOA)

Hình 3.2 (a) Châu chấu trưởng thành (b) Vòng đời của châu chấu [31]

Grasshopper Optimization Algorithm (GOA) là một thuật toán tối ưu hóa được lấy cảm hứng từ hành vi tụ họp của châu chấu trong tự nhiên Vòng đời của châu chấu được thể hiện trong Hình 3.2 GOA đã được phát triển nhằm giải quyết các bài toán tối ưu trong nhiều lĩnh vực, bao gồm kỹ thuật, khoa học, kinh tế và nhiều lĩnh vực khác GOA sử dụng các nguyên lý cơ bản của tụ họp châu chấu để tìm kiếm giải pháp tối ưu Trong tự nhiên, châu chấu có khả năng tìm ra các nguồn thức ăn và tập hợp thành đàn để di chuyển và sinh sản Đặc điểm đáng chú ý của GOA là tính toán vị trí và vận tốc của các "châu chấu ảo" trong không gian tìm kiếm, nhằm tối ưu hóa giá trị hàm mục tiêu của bài toán

𝑋 𝑖 = 𝑆 𝑖 + 𝐺 𝑖 + 𝐴 𝑖 (3.10) trong đó X i xác định vị trí của con châu chấu thứ i, S i đại diện cho tương tác xã hội, tức là tương tác giữa châu chấu thứ i với các châu chấu khác trong đàn, G i biểu thị lực hấp dẫn của trọng lực đối với châu chấu thứ i, và A i cho thấy sự ảnh hưởng của gió và tuần hoàn không khí đối với châu chấu thứ i Lưu ý rằng để cung cấp hành vi ngẫu nhiên, phương trình có thể được viết là X i = r 1 S i + r 2 G i +r 3 A i trong đó r 1 , r 2 và r 3 là các số ngẫu nhiên trong [0,1]

(3.11) trong đó d ij là khoảng cách giữa con châu chấu thứ i và con thứ j, được tính như sau

𝑑 𝑖𝑗 = |𝑥 𝑗− 𝑥 𝑖 |, s là một hàm xác định sức mạnh của các lực tương tác xã hội và 𝑑̂ = 𝑖𝑗

𝑑 𝑖𝑗 là vector đơn vị từ châu chấu thứ i đến châu chấu thứ j

Hình 3.3 Phạm vi của hàm s khi l=1,5 và f=0,5 (phải) của hàm s khi x nằm trong

Hàm s xác định sức mạnh của các lực tương tác xã hội, được tính như sau:

𝑠(𝑟) = 𝑓𝑒 −𝑟 𝑙 − 𝑒 −𝑟 (3.12) trong đó f đại diện cho cường độ của sức hút tương tác xã hội Giá trị này xác định mức độ mà các châu chấu tương tác và thu hút nhau Khi f tăng, sức hút tương tác cũng tăng lên; l là tham số quy định tỷ lệ thu nhỏ của lực tương tác xã hội theo khoảng cách Nó là thước đo của sự thu hẹp của lực tương tác khi khoảng cách r tăng lên

Hình 3.4 Hành vi của hàm s khi thay đổi l hoặc f [31]

Hàm s được minh họa trong Hình 3.3 để mô tả cách nó ảnh hưởng đến tương tác xã hội (sức hút và sự đẩy lùi) của châu chấu Trong hình này, khoảng cách từ 0 đến 15 được xem xét Sự đẩy lùi xảy ra trong khoảng [0 2.079] Khi một con châu chấu cách xa một con châu chấu khác 2.079 đơn vị, không có sự hút hoặc sự đẩy lùi xảy ra Đây được gọi là vùng thoải mái hoặc khoảng cách thoải mái Hình 3.3 cũng cho thấy rằng sự hút tăng từ khoảng cách 2.079 đơn vị gần đến 4 và sau đó giảm dần Thay đổi các tham số l và f trong Công thức (3.12) dẫn đến các hành vi xã hội khác nhau ở châu chấu nhân tạo Để xem hiệu ứng của hai tham số này, hàm s được vẽ lại trong Hình 3.4 với l và f biến thiên độc lập Hình này cho thấy rằng các tham số l và f thay đổi vùng thoải mái, vùng hút và vùng đẩy lùi một cách đáng kể Lưu ý rằng các vùng hút hoặc vùng đẩy lùi rất nhỏ đối với một số giá trị (ví dụ l= 1.0 hoặc f = 1.0)

Từ tất cả các giá trị này, l = 1.5 và f = 0.5 đã được chọn [31]

Mô hình về tương tác giữa các con châu chấu và vùng thoải mái sử dụng hàm s được minh họa trong Hình 3.5 Mặc dù hàm s có khả năng chia không gian giữa hai con châu chấu thành vùng đẩy lùi, vùng thoải mái và vùng hút, nhưng như Hình 3.3 và 3.4 cho thấy, hàm này trả về giá trị gần bằng không với khoảng cách lớn hơn 10

Do đó, hàm này không thể tạo ra lực mạnh giữa các con châu chấu có khoảng cách lớn giữa chúng Để giải quyết khó khăn này, ánh xạ khoảng cách giữa các con châu chấu trong khoảng [1,4] được sử dụng Hình dạng của hàm s trong khoảng này được thể hiện trong Hình 3.3 (bên phải)

Hình 3.5 Mô hình điều chỉnh giữa các cá thể trong một bầy châu chấu [31]

Thành phần G trong Công thức (3.10) được tính như sau:

𝐺 𝑖 = −𝑔𝑒̂ 𝑔 (3.13) trong công thức trên, g là hằng số trọng lực và 𝑒̂ 𝑔 biểu thị một vector đơn vị hướng về trung tâm của Trái Đất

Trong Công thức (3.10), thành phần A được tính như sau:

𝐴 𝑖 = 𝑢𝑒̂ 𝑤 (3.14) trong đó u là một hằng số điều chỉnh và 𝑒̂ 𝑤 là một vector đơn vị trong hướng của gió

Châu chấu nhộng không có cánh nên sự di chuyển của chúng có mối tương quan cao với hướng gió Thay S, G và A vào Công thức (3.10), công thức này trở thành:

𝑢𝑒̂ 𝑤 (3.15) trong đó 𝑠(𝑟) = 𝑓𝑒 −𝑟 𝑙 − 𝑒 −𝑟 và N là số lượng châu chấu

Hình 3.6 Hành vi của bầy đàn trong không gian 2D [31]

Vì ấu trùng châu chấu thường đáp xuống mặt đất, vị trí của chúng không nên điều chỉnh xuống một ngưỡng nhất định Tuy nhiên, phương trình này sẽ không được sử dụng trong mô phỏng đàn và thuật toán tối ưu hóa vì nó ngăn cản thuật toán khám phá và khai thác không gian tìm kiếm xung quanh một phương án Trong thực tế, mô hình được sử dụng cho đàn châu chấu là không gian tự do Do đó, Công thức (3.15) được sử dụng và có thể mô phỏng tương tác giữa các châu chấu trong một đàn Hình

3.6 và 3.7 minh họa hành vi của hai đàn châu chấu trong không gian 2D và 3D sử dụng công thức này Trong hai hình này, cần 20 châu chấu nhân tạo di chuyển trong

Hình 3.5 minh họa cách Công thức (3.15) đưa quẩn thể ngẫu nhiên ban đầu lại gần nhau cho đến khi chúng hình thành một đàn châu chấu thống nhất Sau 10 vòng lặp, tất cả châu chấu đều đạt đến vùng an toàn và không di chuyển nữa Cùng hành vi này được quan sát trong không gian 3D trong Hình 3.7 Điều này cho thấy mô hình toán học có khả năng mô phỏng một đàn châu chấu trong không gian 2D, 3D và không gian siêu chiều (nhiều chiều)

Hình 3.7 Hành vi của bầy đàn trong không gian 3D [31]

Tuy nhiên, mô hình toán học này không thể được áp dụng trực tiếp để giải quyết các bài toán tối ưu, chủ yếu là do châu chấu nhanh chóng đạt đến vùng an toàn và chúng không hội tụ tới một điểm cụ thể Một phiên bản được sửa đổi của phương trình này được đề xuất như sau để giải quyết các bài toán tối ưu:

(3.16) trong đó ub d là giới hạn trên trong chiều thứ D, lb d là giới hạn dưới trong chiều thứ

D, 𝑠(𝑟) = 𝑓𝑒 −𝑟 𝑙 − 𝑒 −𝑟 , 𝑇̂ 𝑑 là giá trị của chiều thứ D trong mục tiêu (giải pháp tốt nhất đã tìm thấy cho đến nay), và c là một hệ số giảm để thu hẹp vùng an toàn, vùng đẩy và vùng hút Lưu ý rằng S gần giống với thành phần S trong Công thức (3.10) Tuy nhiên, không xem xét trọng lực (không có thành phần G) và giả định rằng hướng gió (thành phần A) luôn hướng về mục tiêu 𝑇̂ 𝑑 Điều đáng nói ở đây là tham số thích ứng c đã được sử dụng hai lần trong

Công thức (3.16) vì những lý do sau:

+ Tham số c đầu tiên giảm sự di chuyển của châu chấu xung quanh mục tiêu Nói cách khác, tham số này cân bằng sự khám phá và khai thác của toàn bộ đàn châu chấu xung quanh mục tiêu

+ Tham số c thứ hai giảm kích thước vùng hấp dẫn, vùng thoải mái và vùng đẩy lùi giữa các châu chấu Xem xét thành phần 𝑐 𝑢𝑏 𝑑 −𝑙𝑏 𝑑

2 giảm tuyến tính không gian mà các châu chấu cần khám phá và khai thác Thành phần 𝑠(|𝑥 𝑗− 𝑥 𝑖 |) cho biết liệu một châu chấu có nên bị đẩy lùi (khám phá) hoặc được hấp dẫn (khai thác) đến mục tiêu

Cần lưu ý rằng tham số c bên trong giúp giảm lực đẩy/hấp dẫn giữa các châu chấu tỷ lệ thuận với số lần lặp, trong khi tham số c bên ngoài giảm phạm vi tìm kiếm xung quanh mục tiêu khi số lần lặp tăng lên

Kết luận

Phần này đã cung cấp một cái nhìn toàn diện về phương pháp nghiên cứu được sử dụng trong đề tài Cụ thể, phương pháp tính toán chi phí, tiến độ và ước tính phát thải CO2 - những yếu tố then chốt trong quản lý dự án xây dựng - được trình bày một cách tỉ mỉ và chi tiết Sự tập trung vào các yếu tố này không chỉ tập trung vào việc nâng cao hiệu suất và chất lượng của các dự án xây dựng, mà còn phản ánh một ý thức trách nhiệm đối với môi trường Đồng thời, phần cũng đi sâu vào việc giới thiệu và phân tích thuật toán tối ưu dựa trên trí tuệ nhân tạo - thuật toán châu chấu (GOA) Những phân tích này nhằm cung cấp một cái nhìn rõ ràng về bản chất và cơ chế hoạt động của GOA, mà còn mở ra những lối giải quyết mới mẻ và sáng tạo cho bài toán tối ưu hóa chi phí và tiến độ, đồng thời tích hợp yếu tố môi trường Sự nghiên cứu kỹ lưỡng về lý thuyết cũng như sự hiểu biết sâu rộng về ứng dụng của trí tuệ nhân tạo không chỉ làm phong phú thêm kiến thức của học viên trong lĩnh vực xây dựng, mà còn đóng góp vào việc tìm ra các giải pháp tối ưu, cân nhắc một cách cẩn thận giữa các yếu tố kinh tế và môi trường.

MÔ HÌNH TỐI ƯU HÓA VÀ TRƯỜNG HỢP ỨNG DỤNG

Phương pháp học dựa trên sự đối diện (Opposition-based learning)

Trong các phương pháp tối ưu tiến hóa, thường bắt đầu với một số giải pháp ban đầu và cố gắng tìm ra các giải pháp tốt hơn dựa trên các tiêu chí đã định Quá trình tìm kiếm giải pháp mới thường kết thúc khi đạt được tiêu chí dừng Trong trường hợp không có thông tin ưu tiên về giải pháp, thì giải pháp ban đầu thường là một dự đoán ngẫu nhiên Tuy nhiên, để cải thiện khả năng bắt đầu gần với giải pháp tối ưu toàn cục hơn, một phương pháp phổ biến là kiểm tra giải pháp đối diện với giải pháp ban đầu Điều này giúp tăng cơ hội tìm ra giải pháp tốt hơn từ đầu và tăng khả năng tiếp cận tới giải pháp tối ưu toàn cục

Dựa trên lý thuyết xác suất, nếu không chọn giải pháp đối diện, có 50% khả năng rằng dự đoán ban đầu sẽ là một giải pháp xa giải pháp tối ưu toàn cục hơn Trong trường hợp này, việc bắt đầu với giải pháp ngược lại có thể tăng tốc độ hội tụ của thuật toán Phương pháp tiếp cận này không chỉ áp dụng cho các giải pháp ban đầu mà còn liên tục áp dụng với mỗi giải pháp mới được tạo ra trong quá trình tối ưu

Giá trị đối diện 𝑥 ∗ của một số thực 𝑥 ∈ [𝑙𝑏, 𝑢𝑏] có thể được định nghĩa như sau [38]:

𝑥 ∗ = 𝑢𝑏 + 𝑙𝑏 − 𝑥 (4.1) trong đó lb và ub đại diện cho giới hạn dưới và giới hạn trên của khoảng giá trị của x

Trong không gian nhiều chiều, cho một điểm 𝑋 = (𝑥 1 , 𝑥 2 , 𝑥 3 , … , 𝑥 𝑑 ), trong đó

𝑥 𝑖 ∈ [𝑙𝑏 𝑖 , 𝑢𝑏 𝑗 ], điểm đối diện 𝑋 ∗ = (𝑥 1 ∗ , 𝑥 2 ∗ , 𝑥 3 ∗ , … , 𝑥 𝑑 ∗ ) có thể được định nghĩa bởi:

𝑥 𝑗 ∗ = 𝑢𝑏 𝑗 + 𝑙𝑏 𝑗 − 𝑥 𝑗 (4.2) trong đó lb i và ub i đại diện cho giới hạn dưới và giới hạn trên của chiều thứ j

Hình 4.1 Phương pháp OBL Điểm đối diện được thu được bằng cách phản chiếu từng tọa độ của điểm ban đầu 𝑋 qua trung điểm giữa giới hạn dưới và giới hạn trên tương ứng, như được minh họa trong Hình 4.1 Trong quá trình tối ưu hóa, cả 𝑋 và điểm đối diện 𝑋 ∗ được đánh giá bằng điểm thích nghi Giữa hai giải pháp này, giải pháp tốt hơn được lựa chọn và lưu giữ, trong khi giải pháp kém hơn bị loại bỏ Phương pháp này cho phép khám phá toàn diện hơn trong không gian giải pháp, giúp giảm thiểu vấn đề hội tụ sớm của các kỹ thuật tối ưu hóa.

Phương pháp lựa chọn giải đấu (TS)

Trong phương pháp này, một nhóm con gồm k giải pháp được chọn một cách ngẫu nhiên từ tổng số giải pháp hiện tại Sau đó, giải pháp mang tính thích nghi nhất được xác định để tích hợp vào quần thể cho thế hệ sau (Hình 4.2) Độ lớn của giải đấu, hay còn được gọi là kích thước giải đấu, đóng một vai trò quan trọng trong chiến lược này Tuy nhiên, điều cần lưu ý là việc gia tăng kích thước giải đấu có thể dẫn đến việc giảm sự đa dạng của các giải pháp được lựa chọn, như được chỉ ra trong [53] Trong luận văn này, kích thước giải đấu k=5 được đánh giá là tối ưu nhất.

Xây dựng thuật toán tối ưu mới eGOA

Các giải pháp và vị trí của chúng trong không gian giải pháp được tổ chức một cách có hệ thống trong một ma trận, như minh họa sau đây:

Trong mô hình eGOA, cơ chế TS được áp dụng nhằm xác định sự lựa chọn tối ưu từ một tập hợp k giải pháp lấy từ tập giải pháp Ở những giai đoạn sau, Công thức

(4.4) nhằm hỗ trợ quá trình tiến hóa của chỉ số thích nghi trong toàn bộ bộ giải pháp

Công thức được sử dụng nhằm kết hợp với các phần tử (𝑥 1 𝑗 ) từ giải pháp xuất sắc nhất được xác định thông qua TS, tạo ra một môi trường trong đó mỗi giải pháp có cơ hội phát triển và tăng cường chỉ số thích nghi của mình Giai đoạn này đặc biệt quan trọng, đóng vai trò chủ chốt trong việc khuyến khích sự khám phá và duy trì đa dạng trong quần thể

𝐿) (4.5) trong đó, 𝑥 𝑖 𝑗 là phần tử thứ j của giải pháp i, trong khi 𝑥 𝑇 𝑗 biểu thị tham số thứ j của giải pháp được chọn thông qua quá trình TS r 4 là một giá trị được tạo ra ngẫu nhiên trong phạm vi từ 0 đến 1

Phương pháp OBL được sử dụng để tạo ra các phương án đối diện (xem Bảng

4.1) Hàm thích nghi được áp dụng cho cả phương án được tạo ngẫu nhiên ban đầu và phương án đối diện, và giải pháp tốt hơn được giữ lại trong khi giải pháp kém hơn bị loại bỏ, đảm bảo kích thước quần thể duy trì không đổi Lưu đồ của mô hình eGOA được thể hiện trong Hình 4.3, đồng thời mã giả (pseudo code) của eGOA được thể hiện trong Bảng 4.1

Bảng 4.1 Pseudo code của eGOA

Khởi tạo bầy đàn Xi (i = 1, 2, …, n)

Tính toán mức độ phù hợp của từng tác nhân tìm kiếm (châu chấu)

Cập nhật bầy đàn mới

Khởi tạo c_max, c_min và số lần lặp tối đa

T = tác nhân tìm kiếm tốt nhất

While (l < số lần lặp tối đa) do

Chuẩn hoá khoảng cách giữa các châu chấu

Cập nhật vị trí của tác nhân tìm kiếm hiện tại Đưa tác nhân tìm kiếm trở lại nếu nó nằm ngoài điều kiện biên trên, dưới

Kiểm tra điều kiện JC

Tạo các phương án đối diện

Cập nhật bầy đàn mới

Xác định phương án tốt nhất thông qua phương pháp TS

Sử dụng phương pháp OBL để tạo các phương án đối diện Cập nhật lại tập hợp các phương án

Cập nhật T nếu là giải pháp tốt nhất l=l+1

Case study 1

Học viên phân tích hai case study là hai dự án xây dựng thực tế để chứng minh tính hiệu quả và khả năng của mô hình đề xuất trong xử lý bài toán chi phí tiến độ có xét đến yếu tố môi trường Case study 1 là một dự án xây dựng đường cao tốc với 29 hoạt động với dữ liệu được thu thập từ nghiên cứu của Huynh, et al [24]

Bảng 4.2 Dữ liệu case study 1 [24]

Lựa chọn 1 Lựa chọn 2 Lựa chọn 3

Bảng 4.3 Thông số của các thuật toán eGOA, GOA, DA, ALO và SMA

Thuật toán Thông số eGOA c max = 1; c min = 0.00001; k = 5;

ALO l: vòng lặp hiện tại; L: số vòng lặp tối đa; w = 2 khi t > 0.1L; w = 3 khi l > 0.5L; w = 4 khi l > 0.75L; w = 5 khi l >

(a) Đường hội tụ của mục tiêu chi phí (b) Đường hội tụ của mục tiêu tiến độ

(c) Đường hội tụ của mục tiêu phát thải CO2 Hình 4.4 Khả năng hội tụ của eGOA và các thuật toán khác ứng với Case study 1

Bảng 4.4 Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau

(được sắp xếp theo tiến độ) ứng với Case study 1

Thuật toán Giải pháp Tiến độ

Ghi chú: [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1] thể hiện lựa chọn của các công tác, trong trường hợp này, lựa chọn 1 được sử dụng cho tất cả các công tác Để đánh giá hiệu quả của mô hình đề xuất trong việc giải quyết bài toán tối ưu chi phí, tiến độ và phát thải CO2, học viên đã thực hiện một phân tích chi tiết dựa trên một dự án xây dựng đường cao tốc, bao gồm tổng cộng 29 hoạt động riêng biệt, dữ liệu về các hoạt động được cung cấp trong Bảng 4.2 Bảng này không chỉ mô tả các hoạt động và sự phụ thuộc giữa chúng, mà còn cung cấp thông tin về thời gian thực hiện, chi phí liên quan và lượng khí thải CO2 cho mỗi hoạt động Những thông tin này đều rất quan trọng khi xem xét và đánh giá các giải pháp và phương án thực hiện khác nhau trong dự án

Dựa trên dữ liệu đã được cung cấp, một phân tích so sánh được thực hiện giữa eGOA và bốn thuật toán tối ưu hóa khác là: dragonfly algorithm (DA) [54], ant lion optimizer (ALO) [55], slime mould algorithm (SMA) [56] và thuật toán GOA gốc, thông số của các thuật toán này được thể hiện trong Bảng 4.3 Để đảm bảo tính công bằng trong phân tích, các tham số như kích thước quần thể và số vòng lặp tối đa đều được đặt giống nhau (kích thước quần thể: 100; số vòng lặp tối đa: 150) Mỗi thuật toán đã được thử nghiệm 30 lần Kết quả tối ưu nhất từ tất cả những thử nghiệm này sẽ được dùng để phân tích chi tiết Hình 4.4 cho thấy các đường hội tụ cho ba chỉ số quan trọng: chi phí, thời gian và lượng khí thải CO2 Qua hình đó, ta có thể thấy hiệu suất vượt trội của eGOA khi so sánh với các thuật toán DA, ALO, SMA, và GOA

Dựa trên dữ liệu thực nghiệm, eGOA đã cho thấy một lợi thế rõ ràng so với bốn thuật toán còn lại trong tất cả các tiêu chí đánh giá Để minh họa rõ hơn, các giải pháp trội hoàn toàn thu được bởi các thuật toán đã được liệt kê và chi tiết trong Bảng 4.4, 4.5 và 4.6

Bảng 4.5 Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau

(được sắp xếp theo chi phí) ứng với Case study 1

Thuật toán Giải pháp Tiến độ

Ghi chú: [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1] thể hiện lựa chọn của các công tác, trong trường hợp này, lựa chọn 1 được sử dụng cho tất cả các công tác

Dựa trên dữ liệu được trình bày trong Bảng 4.4, khi phân loại các giải pháp trội hoàn toàn theo tiêu chí tiến độ, eGOA đã thể hiện sự vượt trội so với các giải pháp khác khi tìm ra phương án có thời gian hoàn thành ngắn nhất, chỉ cần 70 ngày Tiếp theo, từ Bảng 4.5, có thể rõ ràng thấy được hiệu quả của eGOA từ góc độ chi phí Cụ thể, eGOA chỉ cần một chi phí hoàn thành là 31.890 USD, đây là mức chi phí thấp nhất so với tất cả các giải pháp khác trong bảng Cuối cùng, với mục tiêu hướng tới một giải pháp thân thiện với môi trường, Bảng 4.6 đã chỉ ra rằng eGOA lại một lần nữa chứng tỏ sự ưu việt của mình Giải pháp này chỉ ghi nhận mức khí thải CO2 là 3918,3 kg - một con số khá tốt khi so sánh với các giải pháp khác Mặc dù eGOA và MOSGO cùng cho kết quả cạnh tranh cho cả 3 tiêu chí, tuy nhiên eGOA chỉ cần tính toán 12.500 phương án trong không gian giải pháp để tìm được phương án tối ưu, trong khi MOSGO cần tính toán đến 15.000 phương án trong không gian giải pháp [24] Nhìn chung, eGOA đã thể hiện sự tối ưu trong ba tiêu chí: tiến độ, chi phí và phát thải CO2

Bảng 4.6 Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau

(được sắp xếp theo phát thải CO2) ứng với Case study 1

Thuật toán Giải pháp Tiến độ

Ghi chú: [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1] thể hiện lựa chọn của các công tác, trong trường hợp này, lựa chọn 1 được sử dụng cho tất cả các công tác

Hình 4.5 minh họa mối quan hệ giữa ba mục tiêu quan trọng: tiến độ, chi phí và phát thải CO2 Trong đó, Hình 4.5a thể hiện biên Pareto, biểu diễn sự tương tác giữa ba mục tiêu trên thu được bằng eGOA Tuy nhiên, để dễ dàng thấy sự tương tác giữa mỗi cặp mục tiêu, Hình 4.5a tiếp tục được chia thành ba hình riêng biệt, tương ứng với ba mặt phẳng hai chiều Mỗi hình này biểu diễn mối quan hệ giữa hai mục tiêu, cụ thể Hình 4.5b phân tích sự tương tác giữa thời gian và chi phí Tương tự, Hình 4.5c và Hình 4.5d sẽ tập trung vào mối quan hệ giữa các cặp mục tiêu còn lại, như chi phí và khí thải CO2 và thời gian và khí thải CO2 Nhờ có các biểu đồ này, có thể đánh giá đồng thời hai mục tiêu và xác định các giải pháp tối ưu phù hợp với các tiêu chí đã đề ra Bảng 4.7 cung cấp các công tác gantt ứng với các phương án thu được bởi eGOA trong Case study 1

(a) Tối ưu chi phí – tiến độ – phát thải CO2 (b) Tối ưu chi phí – phát thải CO2

(c) Tối ưu chi phí – tiến độ (d) Tối ưu tiến độ – phát thải CO2

Hình 4.5 Pareto front thu được bằng mô hình eGOA ứng với Case study 1

Bảng 4.7 Công tác gantt ứng với các phương án thu được bởi eGOA trong Case study 1

Sắp xếp theo thời gian

Sắp xếp theo chi phí

Sắp xếp theo phát thải

Hiệu quả của eGOA khi giải quyết bài toán TCTC được đánh giá bằng C- metric (C) [57], một chỉ số đánh giá được công nhận rộng rãi, được tính toán như sau:

Cho A và B là hai tập nghiệm riêng biệt, C-metric đánh giá mức độ vượt trội giữa các phương án trong tập hợp này, như được mô tả bằng Công thức 4.6 Kết quả C(A, B) bằng 1 chỉ ra rằng mỗi phương án trong tập hợp A vượt trội mọi giải pháp trong tập hợp B Ngược lại, giá trị C(A, B) bằng 0 cho thấy rằng không có phương án nào của tập hợp B kém hơn những phương án của tập A Do tính chất bất đối xứng của C-metric, việc tính toán cả C(A, B) và C(B, A) trở nên bắt buộc [58]

Bảng 4.8 cung cấp sự so sánh về hiệu quả của eGOA (M1) với các thuật toán khác, bao gồm GOA (M2), DA (M3), ALO (M4) và SMA (M5) dựa trên chỉ số C- metric ứng với case study 1 Dễ dàng nhận thấy từ Bảng 4.8, eGOA luôn đạt hiệu quả cao, vượt xa đáng kể so với các thuật toán khác Bảng 4.8 cung cấp giá trị C-metric tốt nhất, kém nhất, trung bình và độ lệch chuẩn tương ứng với 30 lần chạy Khi xem xét giá trị C-metric trung bình, eGOA có khả năng tìm ra các phương án tốt hơn GOA,

DA, ALO và SMA đưa ra, với tỷ lệ phương án tốt hơn đạt tương ứng là 87%, 76%, 73% và 69%

Bảng 4.8 C-metric của các thuật toán khác nhau ứng với case study 1

Giá trị trung bình 0,87 0,07 0,76 0,18 0,73 0,15 0,69 0,22 Độ lệch chuẩn 0,06 0,03 0,11 0,08 0,07 0,04 0,08 0,04

Case study 2

Case study 2 là một dự án tòa nhà văn phòng gồm 69 hoạt động, bao gồm một tầng hầm và sáu tầng Dự án thứ hai nằm tại thành phố Hồ Chí Minh, Việt Nam và được xây dựng bởi Công Ty Cổ Phần Xây Dựng Coteccons Group (Bảng 4.9) với dữ liệu được lấy từ nghiên cứu của Huynh, et al [24]

Bảng 4.9 Dữ liệu case study 2

Lựa chọn 1 Lựa chọn 2 Lựa chọn 3

Nhằm tiếp tục đánh giá hiệu suất của mô hình đề xuất trong việc giải quyết ba khía cạnh chính: tối ưu chi phí, tiến độ và giảm thiểu lượng phát thải CO2, học viên đã tiến hành một phân tích chi tiết dựa trên một dự án thực tế liên quan đến việc xây dựng một tòa nhà văn phòng ở Việt Nam Dự án này bao gồm tổng cộng 69 hoạt động, với cấu trúc gồm một tầng hầm và sáu tầng cao Toàn bộ thông tin chi tiết về các hoạt động trong dự án được tổng hợp trong Bảng 4.9, trong đó không chỉ mô tả từng hoạt động và mối quan hệ phụ thuộc giữa chúng mà còn cung cấp dữ liệu về thời gian thực hiện, chi phí liên quan và lượng khí thải CO2 của từng hoạt động

Bốn thuật toán tối ưu hóa bao gồm dragonfly algorithm (DA) [59], ant lion optimizer (ALO) [55], slime mould algorithm (SMA) [56] và thuật toánGOA gốc tiếp tục được sử dụng để đánh giá hiệu quả của mô hình eGOA Để đảm bảo một sự so sánh chính xác và công bằng, học viên đã thiết lập các tham số đồng nhất cho tất cả các thuật toán Cụ thể, kích thước quần thể được đặt là 100 và số vòng lặp tối đa là

350 Học viên thực hiện 30 lần chạy cho mỗi thuật toán Kết quả tối ưu nhất từ những thử nghiệm này đã được lựa chọn để thực hiện phân tích chi tiết Trong Hình 4.6, học viên trình bày các đường hội tụ liên quan đến ba mục tiêu quan trọng: chi phí, thời gian và lượng khí thải CO2 ứng với Case study 2 Hình 4.6 cho thấy eGOA đã thể hiện sự vượt trội so với bốn thuật toán còn lại Mô hình eGOA không chỉ nhanh chóng hội tụ mà còn đạt được kết quả tối ưu hơn trong tất cả ba tiêu chí đã đề cập Dựa trên kết quả thực nghiệm, eGOA đã chứng minh rằng nó có lợi thế đáng kể so với DA, ALO, SMA và GOA gốc Để cung cấp một cái nhìn chi tiết hơn về những giải pháp trội hoàn toàn mà mỗi thuật toán đưa ra, học viên đã liệt kê chúng trong Bảng 4.10,

(a) Đường hội tụ của mục tiêu chi phí (b) Đường hội tụ của mục tiêu tiến độ

(c) Đường hội tụ của mục tiêu phát thải CO2 Hình 4.6 Khả năng hội tụ của eGOA và các thuật toán khác ứng với Case study 2

Với kết quả được thể hiện trong Bảng 4.10, eGOA đã chứng minh sự vượt trội của mình trong việc tìm ra giải pháp tối ưu về tiến độ Thuật toán này đã đề xuất một phương án hoàn thành dự án chỉ trong vòng 314 ngày - thời gian ngắn nhất so với tất cả các giải pháp khác Với mục tiêu tối thiểu chi phí dự án, eGOA lại tiếp tục thể hiện sự ưu thế của mình với chi phí hoàn thành dự án là 182.265 USD (Bảng 4.11) Bên cạnh đó, theo xu hướng phát triển bền vững và thân thiện với môi trường, việc giảm lượng khí thải CO2 trong quá trình thi công là một yếu tố quan trọng Dựa trên Bảng

4.12, eGOA một lần nữa đã khẳng định hiệu quả của mình khi giải pháp mà thuật toán này đưa ra chỉ phát thải 7816,51 kg CO2 - mức thấp nhất so với các thuật toán khác Một điểm đáng chú ý khác là, mặc dù eGOA và MOSGO đều đưa ra các giải pháp cạnh tranh cho ba tiêu chí đã nêu, eGOA lại hiệu quả hơn về mặt hiệu suất tính toán Cụ thể, eGOA chỉ cần xem xét 34.000 phương án trong không gian giải pháp để đạt được kết quả tối ưu, trong khi MOSGO cần phải tính toán 40.000 phương án [24]

Bảng 4.10 Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau

(được sắp xếp theo tiến độ) ứng với Case study 2

Thuật toán Giải pháp Tiến độ

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1] thể hiện lựa chọn của các công tác, trong trường hợp này, lựa chọn 1 được sử dụng cho tất cả các công tác

Bảng 4.11 Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau

(được sắp xếp theo chi phí) ứng với Case study 2

Thuật toán Giải pháp Tiến độ

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1] thể hiện lựa chọn của các công tác, trong trường hợp này, lựa chọn 1 được sử dụng cho tất cả các công tác

Bảng 4.12 Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau

(được sắp xếp theo phát thải CO2) ứng với Case study 2

Thuật toán Giải pháp Tiến độ

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1] thể hiện lựa chọn của các công tác, trong trường hợp này, lựa chọn 1 được sử dụng cho tất cả các công tác

Mối quan hệ giữa ba mục tiêu quan trọng là tiến độ, chi phí và phát thải CO2 cũng được thể hiện (Hình 4.7) Trong đó, biên Pareto biểu diễn sự tương tác giữa ba mục tiêu trên thu được bằng eGOA được thể hiện trong Hình 4.7a Mối quan hệ giữa hai mục tiêu được thể hiện trong Hình 4.7b, Hình 4.7c và Hình 4.7d Cụ thể, Hình 4.7b tập trung vào việc phân tích sự tương tác giữa tiến độ và chi phí Biểu đồ này giúp chúng ta hiểu rõ hơn về mối quan hệ giữa thời gian hoàn thành dự án và mức chi phí phát sinh Tương tự,

Hình 4.7c là biểu đồ mô tả mối quan hệ giữa chi phí và lượng phát thải CO2 Trong khi đó, Hình 4.7d miêu tả mối quan hệ giữa tiến độ và lượng phát thải CO2 Nhờ có các biểu đồ này, các nhà quản lý dự án và các nhà nghiên cứu có thể dễ dàng xác định và lựa chọn giải pháp tối ưu phù hợp với các tiêu chí đặt ra, giúp họ đưa ra quyết định thông minh và hiệu quả Bảng 4.13 cung cấp các công tác gantt ứng với các phương án thu được bởi eGOA trong Case study 2

(a) Tối ưu chi phí – tiến độ – phát thải CO2 (b) Tối ưu chi phí – phát thải CO2

(c) Tối ưu chi phí – tiến độ (d) Tối ưu tiến độ – phát thải CO2 Hình 4.7 Pareto front thu được bằng mô hình eGOA của ứng với Case study 2

Bảng 4.13 Công tác gantt ứng với các phương án thu được bởi eGOA trong Case study 2

Sắp xếp theo thời gian

Sắp xếp theo chi phí

Sắp xếp theo phát thải

Bảng 4.14 C-metric của các thuật toán khác nhau ứng với case study 2

Bảng 4.14 so sánh hiệu quả của thuật toán eGOA (M1) với một số thuật toán khác: GOA (M2), DA (M3), ALO (M4) và SMA (M5) Sự so sánh dựa trên chỉ số C- metric cho case study 2 Theo bảng này, eGOA cho thấy một hiệu suất vượt trội so với những thuật toán khác Cụ thể, bảng này cung cấp giá trị C-metric tốt nhất, kém nhất, trung bình và độ lệch chuẩn dựa trên kết quả từ 30 lần chạy Khi xét về giá trị C-metric trung bình, eGOA tìm ra các phương án tốt hơn so với các thuật toán còn lại Thống kê cho thấy eGOA tìm ra phương án tốt hơn GOA, DA, ALO và SMA với tỷ lệ lần lượt là 89%, 89%, 87% và 75%.

Kết luận

Kết quả thu được từ 2 case study đã cho thấy hiệu quả của eGOA (được xây dựng từ sự kết hợp giữa GOA, TS và OBL), khi so sánh với thuật toán gốc GOA cũng như các thuật toán tối ưu khác chẳng hạn DA, ALO, SMA và đặc biệt là MOSGO [24] về cả khả năng hội tụ lẫn hiệu quả tính toán (sử dụng ít tài nguyên tính toán hơn) Ngoài ra, eGOA cũng có khả năng cung cấp các biên Pareto với tập hợp khá đầy đủ các phương án trội hoàn toàn Từ những kết quả trên, có thể thấy rằng eGOA có hiệu quả trong việc giải quyết bài toán TCTC

Tuy nhiên, eGOA cũng tồn tại những hạn chế nhất định Trong thực tế, một dự án xây dựng bao gồm nhiều công tác với các mối quan hệ phức tạp Mặc dù có xem xét đến các mối quan khác nhau giữa các công tác (FS, FF và SS) trong một dự án xây dựng quy mô nhỏ và trung bình, nhưng sự xem xét các mối quan hệ này vẫn chưa đầy đủ (thiếu mối quan hệ SF) Do đó, khi giải quyết bài toán thực tế ở quy mô lớn với các mối quan hệ phức tạp, mô hình eGOA có thể hội tụ chậm Do đó, nghiên cứu trong tương lai có thể xem xét thực hiện các điều chỉnh dành riêng cho bài toán TCTC ở quy mô lớn, nhằm nâng cao hiệu quả của eGOA trong bài toán tối ưu này.

Ngày đăng: 22/05/2024, 11:18

HÌNH ẢNH LIÊN QUAN

Hình 1.1. Sự phức tạp của một dự án xây dựng - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 1.1. Sự phức tạp của một dự án xây dựng (Trang 15)
Hình 1.3. Phát thải CO2 trực tiếp và gián tiếp của ngành xây dựng theo quốc  gia/khu vực (Triệu tấn) năm 2009 [8] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 1.3. Phát thải CO2 trực tiếp và gián tiếp của ngành xây dựng theo quốc gia/khu vực (Triệu tấn) năm 2009 [8] (Trang 17)
Hình 1.4. Cường độ phát thải CO2 trực tiếp và gián tiếp của ngành xây dựng theo  quốc gia/khu vực (Kilotons/Triệu USD) năm 2009 [8] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 1.4. Cường độ phát thải CO2 trực tiếp và gián tiếp của ngành xây dựng theo quốc gia/khu vực (Kilotons/Triệu USD) năm 2009 [8] (Trang 18)
Bảng 2.3. Các nghiên cứu liên quan đến thuật toán châu chấu - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 2.3. Các nghiên cứu liên quan đến thuật toán châu chấu (Trang 37)
Hình 3.1. Mối quan hệ chi phí-tiến độ trong một dự án - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.1. Mối quan hệ chi phí-tiến độ trong một dự án (Trang 49)
Bảng 3.1. Dấu chân CO2 của các phương thức phát điện khác nhau (POST, 2006) - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 3.1. Dấu chân CO2 của các phương thức phát điện khác nhau (POST, 2006) (Trang 53)
Hình 3.2. (a) Châu chấu trưởng thành (b) Vòng đời của châu chấu [31] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.2. (a) Châu chấu trưởng thành (b) Vòng đời của châu chấu [31] (Trang 56)
Hình 3.3. Phạm vi của hàm s khi l=1,5 và f=0,5 (phải) của hàm s khi x nằm trong  [1,4] [31] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.3. Phạm vi của hàm s khi l=1,5 và f=0,5 (phải) của hàm s khi x nằm trong [1,4] [31] (Trang 57)
Hình 3.4. Hành vi của hàm s khi thay đổi l hoặc f [31] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.4. Hành vi của hàm s khi thay đổi l hoặc f [31] (Trang 58)
Hình 3.5. Mô hình điều chỉnh giữa các cá thể trong một bầy châu chấu [31] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.5. Mô hình điều chỉnh giữa các cá thể trong một bầy châu chấu [31] (Trang 59)
Hình 3.6. Hành vi của bầy đàn trong không gian 2D [31] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.6. Hành vi của bầy đàn trong không gian 2D [31] (Trang 60)
Hình 3.7. Hành vi của bầy đàn trong không gian 3D [31] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.7. Hành vi của bầy đàn trong không gian 3D [31] (Trang 61)
Hình 3.8. Hành vi của châu chấu xung quanh mục tiêu cố định và di động trong  không gian 2D [31] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.8. Hành vi của châu chấu xung quanh mục tiêu cố định và di động trong không gian 2D [31] (Trang 63)
Hình 3.9. Hành vi của châu chấu xung quanh mục tiêu cố định và di động trong  không gian 3D [31] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.9. Hành vi của châu chấu xung quanh mục tiêu cố định và di động trong không gian 3D [31] (Trang 64)
Hình 3.8, 3.9 và 3.10 bao gồm hai hàm thử nghiệm và cho thấy rằng mô hình đề xuất - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 3.8 3.9 và 3.10 bao gồm hai hàm thử nghiệm và cho thấy rằng mô hình đề xuất (Trang 65)
Hình 4.1. Phương pháp OBL - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 4.1. Phương pháp OBL (Trang 71)
Hình 4.3. Lưu đồ eGOA - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 4.3. Lưu đồ eGOA (Trang 73)
Bảng 4.1. Pseudo code của eGOA - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.1. Pseudo code của eGOA (Trang 74)
Bảng 4.2. Dữ liệu case study 1 [24] - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.2. Dữ liệu case study 1 [24] (Trang 75)
Hình 4.4.  Khả năng hội tụ của eGOA và các thuật toán khác ứng với Case study 1 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 4.4. Khả năng hội tụ của eGOA và các thuật toán khác ứng với Case study 1 (Trang 78)
Bảng 4.5. Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau  (được sắp xếp theo chi phí) ứng với Case study 1 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.5. Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau (được sắp xếp theo chi phí) ứng với Case study 1 (Trang 81)
Hình 4.5  minh họa mối quan hệ giữa ba mục tiêu quan trọng: tiến độ, chi phí  và phát thải CO2 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 4.5 minh họa mối quan hệ giữa ba mục tiêu quan trọng: tiến độ, chi phí và phát thải CO2 (Trang 84)
Bảng 4.8 cung cấp sự so sánh về hiệu quả của eGOA (M1) với các thuật toán - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.8 cung cấp sự so sánh về hiệu quả của eGOA (M1) với các thuật toán (Trang 87)
Bảng 4.8. C-metric của các thuật toán khác nhau ứng với case study 1 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.8. C-metric của các thuật toán khác nhau ứng với case study 1 (Trang 88)
Bảng 4.9. Dữ liệu case study 2 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.9. Dữ liệu case study 2 (Trang 89)
Hình 4.6.  Khả năng hội tụ của eGOA và các thuật toán khác ứng với Case study 2 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Hình 4.6. Khả năng hội tụ của eGOA và các thuật toán khác ứng với Case study 2 (Trang 95)
Bảng 4.10. Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau  (được sắp xếp theo tiến độ) ứng với Case study 2 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.10. Các giải pháp trội tốt nhất thu được bằng các thuật toán khác nhau (được sắp xếp theo tiến độ) ứng với Case study 2 (Trang 96)
Hình  4.7 c là biểu đồ mô tả mối quan hệ giữa chi phí và lượng phát thải CO2. Trong - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
nh 4.7 c là biểu đồ mô tả mối quan hệ giữa chi phí và lượng phát thải CO2. Trong (Trang 102)
Bảng 4.14. C-metric của các thuật toán khác nhau ứng với case study 2 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.14. C-metric của các thuật toán khác nhau ứng với case study 2 (Trang 103)
Bảng 4.13. Công tác gantt ứng với các phương án thu được bởi eGOA trong Case  study 2 - ứng dụng trí tuệ nhân tạo trong tối ưu chi phí tiến độ dự án xây dựng có xét đến yếu tố môi trường
Bảng 4.13. Công tác gantt ứng với các phương án thu được bởi eGOA trong Case study 2 (Trang 103)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w