ứng dụng thuật toán sinh vật cộng sinh tìm kiếm kết hợp thuật toán bayesian optimization leveling để đưa ra phương án tối ưu chi phí nguồn lực

- Giải quyết vấn đề tối ưu tổng chi phí nguồn lực mà các nghiên cứu trước chưa xử lý: dựa vào việc tối ưu tiến độ bằng thuật toán sinh vật cộng sinh tìm kiếm cho nhiều tiêu chí nguồn lực

NGHIÊN CỨU TRƯỚC ĐÂY VỀ TỐI ƯU TÀI NGUYÊN

Các nghiên cứu trước đây về tối ưu tài nguyên

2.1.1 Các nghiên cứu liên quan đến vấn đề cân bằng tài nguyên

Trong lĩnh vực nghiên cứu, việc cân bằng tài nguyên đã trở thành một chủ đề ngày càng được quan tâm và đối tượng nghiên cứu của nhiều nhà nghiên cứu Các tác giả Christodoulou et al (2009) và El-Rayes và Jun (2009) đã tìm hiểu vấn đề này và đưa ra những công trình quan trọng trong lĩnh vực này Mục tiêu chính của việc cân bằng tài nguyên là giảm thiểu biến động và sự không ổn định trong việc sử dụng tài nguyên trong suốt quá trình thực hiện một dự án Phương pháp này tập trung vào việc giảm thiểu biến động trong hồ sơ tài nguyên bằng cách điều chỉnh các hoạt động không quan trọng ở các vị trí tương ứng, nhằm duy trì lịch trình dự án Trong lĩnh vực xây dựng, có nhiều phương pháp được áp dụng để giải quyết vấn đề cân bằng tài nguyên, bao gồm phương pháp toán học, phương pháp heuristics và phương pháp metaheuristics

Phương pháp heuristics hoạt động dựa trên các quy tắc được xác định trước và hiệu quả của chúng phụ thuộc vào từng vấn đề cụ thể và các quy tắc được áp dụng Tuy nhiên, không có đảm bảo cho giải pháp tối ưu nhất trong trường hợp này (Hegazy, 1999)

Với những hạn chế của cả phương pháp heuristics và toán học, ngày nay các nhà nghiên cứu đang tăng cường quan tâm đến việc áp dụng phương pháp siêuheuristics để giải quyết vấn đề cân bằng tài nguyên (Geng et al., 2011; Leu et al., 2000; Kaveh et al., 2016) Các thuật toán siêuheuristics, được lấy cảm hứng từ tự nhiên, đã được chứng minh hiệu quả trong lĩnh vực tối ưu hóa trong ngành xây dựng (Cheng et al., 2015; Kaveh, 2017) Các phương pháp này sử dụng quá trình lặp để tiến tới giải pháp tối ưu nhất bằng cách duy trì một tập hợp cá thể khởi tạo ngẫu nhiên Mặc dù các thuật toán siêuheuristics như thuật toán di truyền (GA) (Goldberg, 1989), tối ưu hóa đàn tử hướng bầy (PSO) vai trò quan trọng trong lĩnh vực tối ưu hóa, chúng vẫn còn một số hạn chế Một trong những thách thức chính là khả năng khai thác và sự hội tụ sớm trong việc xử lý các vấn đề tối ưu hóa phức tạp (Geng et al., 2011) Vì vậy, nhiều nghiên cứu đã tập trung vào cải tiến hiệu suất của các thuật toán này thông qua việc kết hợp chúng (Cheng et al., 2016b; Cheng và Prayogo, 2017; Kaveh và Nasrollahi, 2013; Kaveh và Ilchi Ghazaan, 2018; Prayogo et al., 2018)

2.1.2 Hình thành hàm mục tiêu cho vấn đề cân bằng tài nguyên

Mục tiêu của việc tìm giải pháp cho vấn đề cân bằng tài nguyên là giảm yêu cầu về tài nguyên đỉnh cao và tiêu thụ hàng ngày của tài nguyên đó trong khoảng thời gian dự án và với giả định rằng có sẵn một số lượng tài nguyên không giới hạn Nghiên cứu này xem xét cân bằng tài nguyên như một vấn đề tối ưu hóa Ở đây, hàm mục tiêu sau được tối thiểu hóa như sau (Hegazy 1999): trong đó T là thời gian dự án, y i đại diện cho yêu cầu tài nguyên của tất cả các hoạt động được thực hiện tại đơn vị thời gian i, và y u là một mức tài nguyên đồng đều được cung cấp bởi:

Son và Skibniewski (1999) đề xuất một công thức mới cho hàm mục tiêu như sau:

Trong đó, y u và là các hằng số vì tỷ lệ tài nguyên và thời gian hoạt động cho mỗi hoạt động đã được cố định Do đó, phương trình sau đây biểu thị hàm mục tiêu:

Nhìn chung, dựa trên Hình 1 và các tài liệu liên quan (Hegazy, 1999), ta có thể nhận thấy rằng Phương trình (4) biểu diễn giá trị nhỏ nhất trên biểu đồ tài nguyên theo trục thời gian Ngoài ra, hàm mục tiêu của vấn đề cân bằng tài nguyên cần được điều chỉnh do quá trình tối ưu hóa có thể tạo ra các cột mốc tiến độ khác nhau Thêm vào đó, giá trị của hàm mục tiêu có thể giống nhau, nhưng biến động tài nguyên có thể khác nhau Do đó, rất quan trọng phải xem xét sự chênh lệch giữa đỉnh nhu cầu tài nguyên và tiêu thụ tài nguyên trong các khoảng thời gian liên tiếp

Hình 2.1 Biểu đồ Mômen xoay quanh trục thời gian của nguồn lực [41]

Các vấn đề còn tồn tại – hướng phát triển của đề tài

Trong lĩnh vực quản lý xây dựng, việc lập kế hoạch tài nguyên được xem là một vấn đề quan trọng và được xem xét một cách cận kề Trong đó, việc cân bằng tài nguyên là một trong những vấn đề lớn do tính phức tạp của nó (Hegazy, 1999) Mặc dù đã sử dụng mô hình toán học để cố gắng giải quyết vấn đề này (Easa, 1989), nhưng mô hình này không thể đáp ứng các vấn đề phức tạp và quy mô lớn trong thực tế Do đó, các quy tắc heuristics đã được áp dụng để giải quyết tính phức tạp của việc cân bằng tài nguyên (Martinez và Loannou, 1993) Tuy nhiên, có vẻ như phương pháp này chỉ hoạt động để giải quyết một số vấn đề cụ thể Quy tắc heuristics không luôn đảm bảo tìm được giải pháp, điều này thực sự là một vấn đề đối với một số người thực hành Do đó, những hiểu biết này thúc đẩy các nhà nghiên cứu tìm ra các kỹ thuật hiện đại khác

Các thuật toán metaheuristic, nhằm tìm kiếm giải pháp cho các vấn đề cụ thể, đã được áp dụng trong lĩnh vực xây dựng (Geng et al 2011; Leu et al 2000) Trong thập kỷ qua, đã có nhiều nghiên cứu được đề xuất để nghiên cứu hiệu suất của các thuật toán tối ưu hóa metaheuristic trong việc giải quyết các vấn đề cân bằng tài nguyên khác nhau trong dự án xây dựng Trong một nỗ lực đầu tiên, Hegazy (1999) đề xuất một thuật toán di truyền (GA) để giải quyết mô hình cân bằng tài nguyên dựa trên moment tối thiểu của biểu đồ tài nguyên Son và Skibniewski (1999) phát triển một mô hình kết hợp tìm kiếm gia nhiệt giả lập (SA) để tìm ra giải pháp tốt nhất cho các vấn đề cân bằng tài nguyên đã cho Để giảm thiểu tổng sai số tuyệt đối giữa mỗi lượng tài nguyên và lượng trung bình, Leu et al (2000) sử dụng một thuật toán di truyền (GA) và giới thiệu thêm một nguyên mẫu hệ thống hỗ trợ quyết định cho cân bằng tài nguyên Khanzadi et al (2016) áp dụng các thuật toán mới phát triển - tối ưu hóa sự va chạm giữa các vật thể (CBO) và tìm kiếm hệ thống điện tích (CSS) - để đồng thời giải quyết các vấn đề phân bổ tài nguyên và cân bằng tài nguyên Gần đây, Cheng et al (2016a) áp dụng thuật toán tìm kiếm sinh vật cộng sinh tiềm năng (SOS) để giải quyết các vấn đề cân bằng tài nguyên đa nguồn lực trong nhiều dự án xây dựng Mặc dù đã có một số thuật toán metaheuristic được áp dụng thành công trong việc giải quyết các vấn đề cân bằng tài nguyên trong quá khứ, vẫn cần cải thiện về chất lượng và hiệu suất của giải pháp, đặc biệt khi vấn đề trở nên phức tạp hơn.

CƠ SỞ LÝ THUYẾT

Tổng quan về thuật toán SOS

Thuật toán tìm kiếm sinh vật cộng sinh tiềm năng (SOS) SOS là một thuật toán metaheuristic dựa trên quần thể được đề xuất bởi Cheng và Prayogo (Cheng và Prayogo 2014) và được thiết kế cho tối ưu hóa liên tục Trong thuật toán SOS, ba pha (lấy cảm hứng từ tương tác cộng sinh) được thực hiện để đưa một quần thể (hệ sinh thái) các giải pháp ứng cử viên (các sinh vật) đến vùng tối ưu toàn cầu trong không gian tìm kiếm Pha tương trợ, pha cộng sinh và pha ký sinh là ba pha tương tác cộng sinh mà SOS sử dụng để điều chỉnh các giải pháp ứng cử viên Dự kiến rằng việc mô phỏng tương tác cộng sinh qua các thế hệ liên tiếp cải thiện giá trị thích nghi của các sinh vật

Mỗi giai đoạn bao gồm hai toán tử, gọi là "toán tử tương tác" và "toán tử lựa chọn" Cơ bản, toán tử tương tác trong mỗi giai đoạn dựa trên sự kết hợp tuyến tính của hai hoặc nhiều vector giải pháp/sinh vật khác nhau Toán tử tương tác đóng vai trò quan trọng trong việc cập nhật các giải pháp Trong khi đó, toán tử lựa chọn được sử dụng như một cơ chế để bảo tồn các giải pháp tốt nhất có thể cho thế hệ tiếp theo Mỗi giai đoạn tạo ra một hoặc nhiều vector "con" cạnh tranh với vector "cha" trong quá trình lựa chọn SOS sử dụng phương pháp lựa chọn tham lam, trong đó giá trị thích nghi tốt hơn được coi là tiêu chí duy nhất trong quá trình lựa chọn Do đó, nếu vector "con" có thể đạt được giá trị hàm mục tiêu thấp hơn so với vector "cha", thì vector "con" sẽ thay thế vector "cha" (xem hình 2)

Hình 3.1 Lựa chọn dựa trên tiêu chí tham lam [41]

Pha tương trợ - Mutualism phase

• Toán tử tương trợ – Interaction operator:

• Lựa chọn toán tử – Selection operator:

Trong đó x i là vector cơ quan thứ i của hệ sinh thái, x ii là vector cơ quan thứ ii của hệ sinh thái với ii ≠ i, x best đại diện cho cơ quan tốt nhất trong thế hệ hiện tại, x i new và x ii new đại diện cho các giải pháp ứng viên cho x i và x ii sau khi tương tác, tương ứng, f(x i ) là giá trị thích nghi của x i , f(x ii ) là giá trị thích nghi của x ii , f(x ii new ) là giá trị thích nghi của x i new và f(x ii new ) là giá trị thích nghi của x ii new

Pha cộng sinh (Commensalism phase)

• Lựa chọn toán tử – Selection operator:

Trong đó, x i đại diện cho vector của sinh vật thứ i trong hệ sinh thái, xii đại diện cho vector của sinh vật thứ ii trong hệ sinh thái với ii ≠ i, x best biểu thị cho sinh vật tốt nhất trong thế hệ hiện tại, và x i new đại diện cho các giải pháp ứng viên cho x i sau khi tương tác, f(xi) là giá trị thích nghi của xi, và f(xi new) là giá trị thích nghi của xi new.

Pha ký sinh – Paratism phase

• Lựa chọn toán tử – Selection operator: trong đó x i là vector tổ chức số học thứ i của hệ sinh thái, x ii là vector tổ chức số học thứ ii của hệ sinh thái trong đó ii = i, x parasite là tổ chức giả tạo đóng vai trò kẻ thù được tạo ra để cạnh tranh với tổ chức chủ x ii , x i new đại diện cho các giải pháp ứng viên cho xi sau quá trình tương tác, f(x ii ) là giá trị thích nghi của x ii , f(x parasite ) là giá trị thích nghi của x parasite , và UB và LB là giới hạn trên và dưới của bài toán, tương ứng

Khi tiêu chí dừng đã được đáp ứng, quá trình tối ưu hóa được coi là hoàn tất Người dùng có thể quy định tiêu chí dừng này, thường được xác định là số lần lặp tối đa (maxIter) Khi quá trình hoàn tất, người dùng sẽ thấy được giải pháp tốt nhất cho vấn đề.

KẾT HỢP THUẬT TOÁN MSOS ĐỀ XUẤT VÀ THUẬT TOÁN BOL ĐỂ GIẢI QUYẾT BÀI TOÁN TỐI ƯU

Thuật toán tìm kiếm các sinh vật cộng sinh sửa đổi đề xuất (MSOS)

Trong phần này, thuật toán MSOS được đề xuất được mô tả chi tiết Nhận thấy rằng thuật toán của chúng tôi được phát triển dựa trên SOS tiêu chuẩn (Cheng và Prayogo 2014) [1] với công thức sửa đổi của giai đoạn parasitism Tìm kiếm cục bộ đã chứng minh thành công trong việc cải thiện kết quả của các thuật toán meta-heuristic (Yu et al 2017) Trong những nghiên cứu đó, giai đoạn cải thiện tìm kiếm cục bộ sử dụng nhiều toán tử hàng xóm để tăng chất lượng của giải pháp để thu được giá trị hàm mục tiêu tốt hơn [1]

Các sửa đổi trong giai đoạn ký sinh:

Trong giai đoạn này, x parasite được tạo ra từ x i Trong tình huống này, x si sẽ được lựa chọn từ giữa x i và x ii Trong giai đoạn ký sinh mới này, phương trình (14) được đề xuất để nâng cao khả năng tìm kiếm cục bộ Toán tử lựa chọn được cập nhật theo khái niệm crowding thích ứng được đề xuất

Trong đó, x i đại diện cho vector sinh vật thứ i trong hệ sinh thái, xii đại diện cho vector sinh vật thứ ii trong hệ sinh thái với ii ≠ i x parasite là sinh vật ký sinh nhân tạo được tạo ra để cạnh tranh với sinh vật chủ x si , x si đại diện cho cha mẹ tương tự nhất đối với x parasite , f(x si ) là giá trị thích nghi của x si , f(x parasite ) là giá trị thích nghi của x parasite , UB và LB tương ứng là giới hạn trên và giới hạn dưới của vấn đề, và F là một hệ số tỷ lệ để xác định kích thước đột biến với giá trị khởi tạo ban đầu là 10 -5

• Toán tử lựa chọn dựa trên cụm

Như đã được trình bày trước đó trong Phương trình (15), nghiên cứu này đề xuất thay thế toán tử lựa chọn gốc trong SOS bằng toán tử lựa chọn dựa trên cụm (Jong 1975; Mahfoud 1995) Quá trình lựa chọn mới được đề xuất nhằm làm chậm quá trình hội tụ và bảo tồn sự đa dạng của quần thể Hiệu quả của nó trong việc xử lý các vấn đề tối ưu hóa đa chế độ nhằm định vị đồng thời nhiều giải pháp toàn cầu tối ưu hoặc tối ưu phụ đã được chứng minh (Das et al 2011) Nhìn chung, khi xem xét chính sách thay thế trong quá trình xếp chồng, một giải pháp ứng cử viên (vector con cái) và phụ huynh tương tự nhất cạnh tranh để có một vị trí trong quần thể (Mahfoud 1995) Độ tương tự được đo bằng cách sử dụng khoảng cách Euclidean

Nếu một vector con cái tốt hơn phụ huynh tương tự nhất, mà không nhất thiết phải là vector phụ huynh trực tiếp, thì phụ huynh sẽ được thay thế; ngược lại, giải pháp ứng cử viên sẽ bị loại bỏ (xem Hình 3) Do đó, ngoài giá trị thích ứng, toán tử lựa chọn dựa trên cụm xem xét sự tương tự của cá thể dưới dạng khoảng cách giữa chúng Thuật toán ưu tiên sự cạnh tranh giữa các cá thể tương tự và duy trì sự đa dạng của quần thể Quá trình lựa chọn này giúp thuật toán khám phá không gian tìm kiếm một cách toàn diện Mặt khác, việc duy trì toán tử lựa chọn tham lam truyền thống trong các giai đoạn cộng sinh và cộng sinh bình đẳng trước đó nhằm khai thác các giải pháp đã tìm thấy hiện tại cũng rất có lợi.

Triển khai thực tế của MSOS cho việc cân đối các nguồn lực

Phần này mô tả mô hình tối ưu hóa đề xuất trong việc giải quyết vấn đề cân đối nguồn lực như được hiển thị trong Hình 4 Mục tiêu của mô hình tối ưu hóa này là giảm thiểu biến động hàng ngày trong việc sử dụng nguồn lực mà không làm thay đổi tổng thời gian dự án Vấn đề cân đối nguồn lực trong các dự án xây dựng được chứng minh là phức tạp vì cảnh quan hàm mục tiêu có thể chứa nhiều giải pháp tối ưu phụ (Cheng et al 2017; Geng et al 2011) Hơn nữa, có thể có nhiều giải pháp lập lịch có các hồ sơ nguồn lực giống nhau (Christodoulou et al 2009) Do đó, vấn đề cân đối nguồn lực được chứng minh là phức tạp và đa chế độ Vì vậy, MSOS đề xuất có thể cung cấp một lựa chọn tiềm năng để giải quyết vấn đề hiện tại

Cân đối nguồn lực được thực hiện bằng cách giảm thiểu biến động giữa mức đồng nhất mong muốn của nguồn lực và yêu cầu nguồn lực Quan hệ hoạt động, yêu cầu nguồn lực và thời gian hoạt động cần được bao gồm trong mô hình Người dùng cũng phải chỉ định cài đặt thông số của công cụ tìm kiếm như kích thước quần thể (NP) và số lần lặp tối đa (maxIter) Các thông số này cho phép thành phần lập lịch thực hiện tính toán để đạt được lịch trình dựa trên phương pháp đường dẫn quan trọng (CPM), và thời gian bắt đầu sớm và muộn của mỗi hoạt động Khi tất cả thông tin đã được cung cấp, mô hình có thể hoạt động hiệu quả mà không cần sự can thiệp của con người Một loại giải pháp có thể được tạo ra bằng trình tạo số ngẫu nhiên đồng nhất được yêu cầu để bắt đầu quá trình tìm kiếm Một vector với D trong đó D đại diện cho số lượng biến quyết định liên quan đến vấn đề Nó cũng chỉ ra số lượng hoạt động trong mạng dự án Chỉ số i tham chiếu đến cá nhân thứ i trong quần thể X đại diện cho thời gian bắt đầu của D hoạt động SOS hoạt động trên các biến giá trị thực để thay đổi thời gian bắt đầu thành các giá trị nguyên cho miền khả thi trong đó X i,j biểu thị thời gian bắt đầu của hoạt động j trong cá nhân thứ i rand(0,1) là một số ngẫu nhiên phân phối đều trong khoảng từ 0 đến 1 LB(j) và UB(j) cung cấp thời gian bắt đầu sớm và thời gian bắt đầu muộn của hoạt động j Để tìm lịch trình dự án tối ưu nhất, SOS xem xét kết quả từ thành phần lập lịch và sự thay đổi trong các hoạt động không quan trọng trong khoảng thời gian trôi để tìm lịch trình dự án tốt nhất có thể

Hình 4.1 Lựa chọn dựa trên nguyên tắc chen lấn [41]

Hình 4.2: Flowchart của phương pháp tìm kiếm các hợp chất cộng sinh đã được sửa đổi (MSOS) cho việc cân bằng nguồn lực [41]

Bảng 4.1 Các chỉ số đo lường hiệu suất

Chỉ số hiệu suất Ký hiệu Công thức

Giá trị chức năng thích ứng tổng thể f

Thời điểm của biểu đồ tài nguyên Mx

Nhu cầu tài nguyên tối đa Rdmax

Thay đổi tích luỹ nhu cầu tài nguyên tối đa giai đoạn liên tiếp

Thay đổi lớn nhất về nhu cầu tài nguyên giữa hai giai đoạn kế tiếp

Trong nghiên cứu này, các ràng buộc và hàm mục tiêu được áp dụng từ công trình của Cheng et al (2017) như sau:

Trong ngành xây dựng, biểu thức sau đây được sử dụng để đại diện cho thời gian dự án (T), trong đó y k đề cập đến tất cả các yêu cầu tài nguyên của các hoạt động được thực hiện trong khoảng thời gian k, và yu đại diện cho mức đồng nhất của tài nguyờn α, ò và ɣ là các hệ số trọng số và được thiết lập là 1, 1 và 10 tương ứng, như được đề xuất bởi Cheng và đồng nghiệp (2017) (y k+1 - y k ) xác định việc sử dụng tài nguyên biến đổi giữa hai khoảng thời gian liên tiếp y max đại diện cho mức đỉnh của nhu cầu tài nguyên trong toàn bộ dự án ST i là thời gian bắt đầu của hoạt động i Cả ES i và TF i đều đại diện cho thời gian bắt đầu sớm và tổng thời gian trôi chảy của hoạt động i tương ứng D là số lượng hoạt động trong mạng lưới

Sau khi quá trình tìm kiếm kết thúc, một giải pháp tối ưu được xác định Lịch trình dự án và biểu đồ tài nguyên tương ứng được xây dựng dựa trên thời gian bắt đầu của các hoạt động tối ưu Người dùng có thể đánh giá chất lượng lịch trình dự án bằng cách sử dụng một tập hợp các chỉ số (xem Bảng 1).

Mô tả về thuật toán BOL

Trong quá trình thiết kế thuật toán Tối Ưu Hóa Bayesian (BOA) đa mục tiêu, một số khía cạnh quan trọng phải được xem xét, một số do sự tồn tại của nhiều mục tiêu, một số khác từ sự cần thiết của các kỹ thuật xây dựng mô hình xác suất Các thử nghiệm sơ bộ với chiến lược (μ + λ) đơn giản và việc gán fitness dựa trên mức độ chiếm ưu thế đã chỉ ra rằng sự mở rộng đơn giản cho tối ưu hóa đa mục tiêu dẫn đến hiệu suất kém Quần thể có khả năng hội tụ vào một khu vực "dễ tìm thấy" của tập Pareto, gây ra các giải pháp trùng lặp một cách lặp đi lặp lại Sự mất mát đa dạng này dẫn đến sự xấp xỉ không đủ của tập Pareto và đặc biệt có hại cho việc xây dựng mô hình xác suất hữu ích

Do đó, các yêu cầu thiết kế sau đây là quan trọng:

1 Elitism (Ưu tú): Để ngăn chặn vấn đề tồi tệ dần dần và tạo điều kiện cho sự hội tụ vào tập Pareto

2 Bảo dưỡng sự đa dạng trong không gian mục tiêu: Đảm bảo một sự xấp xỉ mạnh mẽ của toàn bộ tập Pareto

3 Bảo dưỡng sự đa dạng trong không gian quyết định: Ngăn chặn sự trùng lặp và cung cấp đủ thông tin để xây dựng một mô hình xác suất hữu ích

Thuật toán được đề xuất, được mô tả trong Các Thuật toán 1 và 2, giải quyết những yêu cầu thiết kế này Nó tích hợp các cơ chế cho ưu tú, bảo dưỡng sự đa dạng cả trong không gian mục tiêu và không gian quyết định, và tận dụng các mô hình xác suất để cải thiện hiệu suất tối ưu hóa đa mục tiêu Thuật toán điều chỉnh động bộ cha mẹ, thúc đẩy sự hội tụ vào tập Pareto trong khi duy trì đa dạng quan trọng cho độ chính xác của mô hình

Thuật Toán 1: Chọn(A, P, μ, ∈) Thuật toán này cập nhật một cách chọn lọc bộ cha mẹ A dựa trên các giải pháp ứng cử P, tuân theo các tiêu chí xác định cho sự đa dạng và ưu tú Đầu vào: tập cha mẹ cũ A, tập ứng cử viên P , kích thước tối thiểu μ, hệ số gần đúng ∈ Đầu ra: tập cha mẹ mới A′

Cho tất cả x ∈ P ta có:

Quy trình triển khai thuật toán MSOS kết hợp thuật toán BOL

Hình 4.3 Quy trình triển khai lai ghép thuật toán MSOS-BOL

TRƯỜNG HỢP NGHIÊN CỨU DỰ ÁN THỰC TẾ (DỰ KIẾN)

Trường hợp nghiên cứu

Dữ liệu cần để nghiên cứu:

- Tiến độ dự án thực tế đã thi công

- Chi phí thiết bị theo tiến độ thực tế thi công

Dự án Trường học tọa lạc tại thành phố Hà Nội Dữ liệu dự án được thu thập từ Công ty Cổ phần Đầu Tư Xây dựng Newtecons Dự án bao gồm 302 công tác với quy mô một tầng hầm và năm tầng văn phòng với tổng thời gian thi công là 933 ngày

Thông số nguồn lực được đề cập trong nghiên cứu như sau:

- Nguồn nhân lực: Chi phí sử dụng lực lượng thi công với đơn giá thời điểm 375.000VND/nhân công, thể hiện trong bảng Case study bằng số lượng nhân công

- Nguồn lực thiết bị: Chi phí sử dụng thiết bị cẩu tháp với phí thuê khoảng 5.000.000VND/bộ/ngày, thể hiện trong bảng Case study bằng số lượng bộ được thuê theo hạng mục thi công.

Kết quả nghiên cứu (dự kiến)

(1) Mô hình phương pháp lập tiến độ tối ưu chi phí thiết bị

(2) Bảng so sánh chi phí thiết bị sau khi được tối ưu

(3) Giá trị tối ưu trung bình dự kiến

(4) Mục tiêu tối ưu dự kiến: 5%-10%

BẢNG 5.1: BẢNG CASE STUDY TIẾN ĐỘ DỰ ÁN THỰC TẾ

STT Công tác Thời gian

Mối quan hệ giữa các công tác

Nguồ n lực thiết bị (đơn vị cái)

Site office, temporary road, fabricate yard, gate…

Pilecap & erection for tower crane

Driving steel sheet pile Zone

Cutting pile head & lean concrete

Pile cap & GB rebar installation

Pilecap & GB formwork erection & casting concrete

Backfill, compaction & basement slab lean concrete

Basement slab rebar installation & casting concrete

Basement column & retaining wall rebar installation

Basement column & retaining wall formwork erection & casting concrete

Lắp đặt thép sàn trệt & đổ

& casting concrete / Lắp đặt thép sàn trệt

Lắp đặt coppha sàn trệt A.3

No.2 / Bể phốt phát sinh số 2

Lắp đặt coppha sàn trệt B.2

Basement column & retaining wall rebar installation B.3

/ Lắp đặt thep cột & vách hầm

Basement column & retaining wall rebar installation B.4

/ Lắp đặt thép cột & vách B.4

Thu 5/7/20 formwork erection & casting concrete

Cutting pile head & lean concrete 2A.1 /

Cắt đầu cọc & đổ BT đài & giằng móng

2A.1 / Lắp đặt thép đài & giằng móng

Backfill, compaction & ground slab lean concrete

& đổ BT lót sàn trệt 2A.1

2A.1 / Lắp đặt ống chờ và hệ thống ống âm nền 2A.1

Ground slab rebar & PT installation, casting concrete

2A.1 / Lắp đặt thép & cáp, đổ

Cutting pile head & lean concrete 2A.2 /

Cắt đầu cọc & đổ BT đài & giằng móng

2A.2 / Lắp đặt thép đài & giằng móng

2A.2 / Lắp đặt coppha đài & giằng móng

& đổ BT lót sàn trệt 2A.2

2A.2 / Lắp đặt ống chờ và hệ thống ống âm nền 2A.2

Cutting pile head & lean concrete 2B /

Tue 5/12/20 đổ BT đài & giằng móng 2B

Pile cap & GB rebar installation 2B /

2B / Lắp đặt coppha đài & giằng móng 2B

2B / Lấp đất & đổ BT lót sàn trệt 2B

2B / Lắp đặt thép & cáp, đổ

Cutting pile head & lean concrete 3A /

Cắt đầu cọc & đổ BT đài & giằng móng 3A

Pile cap & GB rebar installation 3A /

3A / Lấp đất & đổ BT lót sàn trệt 3A

Lắp đặt ống chờ và hệ thống ống âm nền 3A

3A / Lắp đặt thép & cáp, đổ

Cutting pile head & lean concrete 3B /

Sat 4/18/20 đổ BT đài & giằng móng 3B

Lắp đặt ống chờ và hệ thống ống âm nền 3B

Pile cap & GB rebar installation 3B /

& balance tank concrete / Thi công hồ bơi & bể cân bằng

3B / Lấp đất & đổ BT lót sàn trệt 3B

Ground slab rebar installation & casting concrete

3B / Lắp đặt thép đổ BT sàn trệt 3B

Cutting pile head & lean concrete 4.1 /

Cắt đầu cọc & đổ BT lót đài & giằng móng 4.1

Pile cap & GB rebar installation 4.1 /

4.1 / Lắp đặt coppha, đổ bê tông đài & giằng móng 4.1

Casting concrete manhole 4.1 / Đổ bê tông hố ga 4.1

4.1 / Lấp đất & đổ bê tông lót sàn hầm 4.1

Lắp đặt ống âm sàn hầm 4.1

4.1 / Lắp đặt thép & đổ bê tông sàn hầm

Basement column & retaining wall rebar installation 4.1 /

BT cột, vách tầng hầm 4.1

Lắp đặt coppha sàn trệt 4.1

Cutting pile head & lean concrete 4.2 /

Cắt đầu cọc & đổ BT lót đài & giằng móng 4.2

Pile cap & GB rebar installation 4.2 /

Casting concrete manhole 4.2 / Đổ bê tông hố ga 4.2

4.2 / Lấp đất & đổ bê tông lót sàn hầm 4.2

4.2 / Lắp đặt thép & đổ BT sàn hầm 4.2

Basement column & retaining wall rebar installation 4.2 /

BT cột, vách tầng hầm 4.2

& coppha cột, đổ bê tông

Slab rebar installation & casting concrete

/ Lắp đặt thép sàn & đổ bê tông

Main steel truss erection / Lắp đặt khung thép

Purlin & steel decking sheet installation /

5th decking slab rebar installation & casting concrete

Roof decking slab rebar installation & casting concrete

Lắp đặt thép sàn & đổ bê tông 2nd floor / tầng 2

Lắp đặt thép sàn & đổ bê tông 3rd floor / tầng 3

Lắp đặt thép sàn & đổ bê tông 4th floor / tầng 4

Lắp đặt thép sàn & đổ bê tông 5th floor / tầng 5

Lắp đặt thép sàn & đổ bê tông Roof floor

Steel truss erection / Lắp đặt khung thép

Purlin & roof metal sheet installation /

Lắp đặt sàn xà gồ & lợp tole cho mái

BẢNG 5.2: KẾT QUẢ TỐI ƯU HÓA VÀ SO SÁNH VỚI CÁC THUẬT TOÁN

TIẾN ĐỘ TỐI ƯU BẰNG MSOS- BOL

TIẾN ĐỘ TỐI ƯU BẰNG SMA

TIẾN ĐỘ TỐI ƯU BẰNG VCS

TIẾN ĐỘ TỐI ƯU BẰNG EOA

TIẾN ĐỘ TỐI ƯU BẰNG SOA

TIẾN ĐỘ TỐI ƯU BẰNG WHO

Site office, temporary road, fabricate yard, gate…

Pilecap & erection for tower crane TC1

Driving steel sheet pile Zone

8 Driving steel sheet pile Zone 4 16 15 15 15 15 15 15 15

11 Pile cap & GB rebar installation 7 6 7 7 7 7 7 7

Lắp đặt thép sàn trệt & đổ BT

& casting concrete / Lắp đặt thép sàn trệt

Lắp đặt coppha sàn trệt A.3

Additional septic tank No.2 / Bể phốt phát sinh số

Lắp đặt thép sàn trệt & đổ BT A.3

Lắp đặt thép sàn trệt & đổ BT B.1

B.3 / Lắp đặt thep cột & vách hầm B.3

B.3 / Lắp đặt coppha & đổ BT cột vách B.3

B.4 / Lắp đặt thép cột & vách

B.4 / Lắp đặt coppha & đổ BT cột vách B.4

2A.1 / Cắt đầu cọc & đổ BT đài

2A.1 / Lắp đặt thép đài & giằng móng 2A.1

2A.1/ Lắp đặt coppha đài & giằng móng 2A.1

Backfill, compaction & ground slab lean concrete 2A.1 /

Lấp đất & đổ BT lót sàn trệt 2A.1

/ Lắp đặt ống chờ và hệ thống ống âm nền 2A.1

2A.2 / Cắt đầu cọc & đổ BT đài

2A.2 / Lắp đặt thép đài & giằng móng 2A.2

2A.2 / Lắp đặt coppha đài & giằng móng 2A.2

Backfill, compaction & ground slab lean concrete 2A.2 /

Lấp đất & đổ BT lót sàn trệt 2A.2

/ Lắp đặt ống chờ và hệ thống ống âm nền 2A.2

& đổ BT đài & giằng móng 2B

2B / Lắp đặt thép đài & giằng móng 2B

Backfill, compaction & ground slab lean concrete 2B /

Lấp đất & đổ BT lót sàn trệt 2B

& cáp, đổ BT sàn trệt 2B

& đổ BT đài & giằng móng 3A

3A / Lắp đặt thép đài & giằng móng 3A

3A / Lắp đặt coppha & đổ BT đài & giằng móng 3A

Backfill, compaction & ground slab lean concrete 3A /

Lấp đất & đổ BT lót sàn trệt 3A

Lắp đặt ống chờ và hệ thống ống âm nền 3A

& cáp, đổ BT sàn trệt 3A

& đổ BT đài & giằng móng 3B

Lắp đặt ống chờ và hệ thống ống âm nền 3B

3B / Lắp đặt thép đài & giằng móng 3B

& balance tank concrete / Thi công hồ bơi & bể cân bằng

Backfill, compaction & ground slab lean concrete 3B /

Lấp đất & đổ BT lót sàn trệt 3B

4.1 / Lắp đặt thép đài & giằng móng 4.1

Casting concrete manhole 4.1 / Đổ bê tông hố ga 4.1 7 7 6 7 7 7 7 6

Backfill, compaction & basement slab lean concrete 4.1

/ Lấp đất & đổ bê tông lót sàn hầm 4.1

Lắp đặt thép & đổ bê tông sàn hầm 4.1

4.1 / Lắp đặt thép cột & vách tầng hầm 4.1

4.1 / Lắp dựng coppha & đổ BT cột, vách tầng hầm 4.1

Lắp đặt thép sàn trệt & đổ BT 4.1

4.2 / Lắp đặt thép đài & giằng móng 4.2

Casting concrete manhole 4.2 / Đổ bê tông hố ga 4.2 7 6 7 7 7 7 7 7

Backfill, compaction & basement slab lean concrete 4.2

/ Lấp đất & đổ bê tông lót sàn hầm 4.2

Lắp đặt thép & đổ BT sàn hầm

4.2 / Lắp đặt thép cột & vách tầng hầm 4.2

4.2 / Lắp dựng coppha & đổ BT cột, vách tầng hầm 4.2

Lắp đặt thép sàn trệt & đổ BT 4.2

Column rebar & formwork installation, casting concrete /

Lắp đặt thép & coppha cột, đổ bê tông

Propping & slab formwork installation / Lắp đặt coppha sàn

Slab rebar installation / Lắp đặt thép sàn

Tendon installation / Lắp đặt cáp DUL 1 1 1 1 1 1 1 1

Sleeve installation / Lắp đặt ống chờ MEP

Slab rebar installation / Lắp đặt thép sàn 2 2 2 2 2 2 2 2

Tendon installation / Lắp đặt cáp DUL

3 3 3 3 3 3 3 3 coppha cột, đổ bê tông

Sleeve installation / Lắp đặt ống chờ MEP 1 1 1 1 1 1 1 1

Slab rebar installation & casting concrete /

236 Propping & slab formwork 3 3 3 3 3 3 3 3 installation / Lắp đặt coppha sàn

Main steel truss erection / Lắp đặt khung thép

Purlin & steel decking sheet installation / Lắp đặt sàn deck

5th decking slab rebar installation

& casting concrete / Lắp đặt thép sàn & đổ bê tông

Roof decking slab rebar installation & casting concrete /

& đổ bê tông 2nd floor / tầng 2

& đổ bê tông 3rd floor / tầng 3 3 3 3 3 3 3 3 3

& đổ bê tông 4th floor / tầng 4

& đổ bê tông 5th floor / tầng 5

259 Propping & slab formwork 6 6 6 6 6 6 6 6 installation / Lắp đặt coppha sàn

4 4 4 4 4 4 4 4 coppha cột, đổ bê tông

Steel truss erection / Lắp đặt khung thép

Purlin & roof metal sheet installation / Lắp đặt sàn xà gồ & lợp tole cho mái

Hình 5.1 Biểu đồ so sánh hiệu quả tối ưu các thuật toán

TH ỜI G IAN T H ỰC H IỆ N CÔNG TÁC

BIỂU ĐỒ SO SÁNH KẾT QUẢ TỐI ƯU HÓA

OriginalDuration MSOS-BOL MSOS SMA VCS EOA SOA WHO

Hình 5.2 Biểu đồ tương quan tiến độ và nguồn lực chưa tối ưu hoá

Hình 5.3 Biểu đồ tương quan tiến độ và nguồn lực tối ưu hoá bằng thuật toán MSOS-

TƯƠNG QUAN TIẾN ĐỘ VÀ NGUỒN LỰC CHƯA

THỜI GIAN Nguồn lực thiết bị Nguồn lực nhân công

TƯƠNG QUAN TIẾN ĐỘ VÀ NGUỒN LỰC TỐI ƯU

TIẾN ĐỘ TỐI ƯU BẰNG MSOS Nguồn lực thiết bịNguồn lực nhân công

Hình 5.4 Biểu đồ tương quan tiến độ và nguồn lực tối ưu hoá bằng thuật toán SMA

Hình 5.5 Biểu đồ tương quan tiến độ và nguồn lực tối ưu hoá bằng thuật toán VCS

TIẾN ĐỘ TỐI ƯU BẰNG SMA Nguồn lực thiết bị Nguồn lực nhân công

TIẾN ĐỘ TỐI ƯU BẰNG VCS Nguồn lực thiết bịNguồn lực nhân công

Hình 5.6 Biểu đồ tương quan tiến độ và nguồn lực tối ưu hoá bằng thuật toán EOA

Hình 5.7 Biểu đồ tương quan tiến độ và nguồn lực tối ưu hoá bằng thuật toán SOA

TIẾN ĐỘ TỐI ƯU BẰNG EOA Nguồn lực thiết bị Nguồn lực nhân công

TIẾN ĐỘ TỐI ƯU BẰNG SOA Nguồn lực thiết bịNguồn lực nhân công

Hình 5.8 Biểu đồ tương quan tiến độ và nguồn lực tối ưu hoá bằng thuật toán WHO

Hình 5.9 Biểu đồ tương quan tiến độ và nguồn lực tối ưu hoá bằng thuật toán MSOS

TƯƠNG QUAN TIẾN ĐỘ VÀ NGUỒN LỰC TỐI ƯU HÓA

TIẾN ĐỘ TỐI ƯU BẰNG WHO Nguồn lực thiết bị Nguồn lực nhân công

TƯƠNG QUAN TIẾN ĐỘ THIẾT BỊ TỐI ƯU HÓA BẰNG

TIẾN ĐỘ TỐI ƯU BẰNG MSOS Nguồn lực thiết bị Nguồn lực nhân công

BẢNG 5.3: BẢNG HIỆU SUẤT TỐI ƯU HÓA DỰA TRÊN HÀM MỤC TIÊU

PHƯƠNG ÁN THI CÔNG f Mx RD_max CRV RV_max

Hình 5.9 Biểu đồ so sánh hiệu quả tối ưu hoá f, Mx

Hình 5.10 Biểu đồ so sánh hiệu quả tối ưu hoá RDmax, CRV, RVmax

Kết quả tối ưu hóa: Áp dụng mô hình thuật toán MSOS đã giảm thiểu mức sử dụng thiết bị một cách đáng kể Bảng 1 trình bày các thiết lập tham số cho mô hình MSOS-BOL Các thuật toán SMA, VCS, EOA, SOA, WHO được sử dụng để so sánh hiệu suất để xác nhận hiệu suất của MSOS-BOL Thuật toán SOS được sử dụng trong nghiên cứu này là một sự chuyển giao rời rạc từ thuật toán SOS ban đầu được phát triển trước đó bởi Cheng et al (2016a)

NP và maxIter của mỗi thuật toán đánh giá được đặt sao cho tương đương với MSOS

Các giải pháp tối ưu, hoặc thời gian bắt đầu hoạt động tối ưu hóa từ MSOS và các thuật toán thử nghiệm khác, được liệt kê trong Bảng 2 Hiệu quả tối ưu hóa giữa các thuật toán được thể hiện trong Hinh1 Kết quả tối ưu cho nghiên cứu trường hợp này được tìm thấy bởi thuật toán MSOS-BOL với giá trị tốt nhất cho tổng giá trị thể chất (f) là 7981

Quan sát từ Bảng 3, hiệu suất của mô hình đề xuất rất cạnh tranh về mặt tính ổn định và chính xác Xét về giá trị tối ưu tổng thể, chỉ có MSOS có khả năng xác định được giá trị mục tiêu đáng mong đợi nhất là 6915 Kết quả của MSOS, SMA, VCS, EOA, SOA, WHO không tối ưu hơn với f lần lượt là 7991.5 8521.5, 8504.5, 8437.5, 8547.5, 8437.5 và 8484.5, tương ứng

RD_max CRV RV_max

Ngoài ra, xét về biểu đồ histogram nguồn lực (Mx), nhu cầu nguồn lực tối đa (RDmax) và sự biến động tối đa của nhu cầu nguồn lực giữa hai chu kỳ liên tiếp (RVmax), và tổng biến động của nhu cầu nguồn lực giữa các chu kỳ liên tiếp (CRV), tất cả năm thuật toán đều đã tìm ra giá trị tối ưu Kết quả tốt nhất của Mx, RDmax, RVmax và CRV lần lượt là 7742, 22, 19 và 20 Có thể nhận thấy rằng kết quả trung bình và độ lệch chuẩn của MSOS trong Mx có chút tốt hơn so với các phương pháp tối ưu hóa khác, trong khi vẫn thực hiện tốt nhất trong RDmax và RVmax so với các thuật toán khác Những sự thật này đã mạnh mẽ chứng minh tính ổn định và chính xác của mô hình MSOS mới thành lập.

Tiêu đề	Ứng Dụng Thuật Toán Sinh Vật Cộng Sinh Tìm Kiếm Kết Hợp Thuật Toán Bayesian Optimization Leveling Để Đưa Ra Phương Án Tối Ưu Chi Phí Nguồn Lực
Tác giả	Nguyễn Đức Công Minh
Người hướng dẫn	PGS. TS Phạm Vũ Hồng Sơn, TS. Huỳnh Nhật Minh
Trường học	Đại học Bách Khoa
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	120
Dung lượng	1,5 MB