Luận văn thạc sĩ Quản lý xây dựng: Tối ưu hóa bố trí mặt bằng xây dựng bằng thuật toán lai ghép chuồn chuồn (DA) và tối ưu bầy đàn (PSO)

ĐẶT VẤN ĐỀ

Lý do chọn đề tài

Bố trí mặt bằng công trường xây dựng là vấn đề bước đầu quan trọng trong công tác lập kế hoạch cho quá trình thi công xây dựng của dự án với mục đích đảm bảo thi công có hiệu quả cao và hoàn thành tốt các mục tiêu mà dự án đặt ra Bố trí mặt bằng công trường xây dựng được định nghĩa là xác định vị trí các cơ sở tạm thời phục vụ quá trình thi công của dự án Tùy theo yêu cầu của dự án khác nhau mà bố trí mặt bằng công trường khác nhau nhằm đạt mục tiêu dự án như giảm thiểu chi phí, giảm thiểu rủi ro giữa các luồng hoạt động và giảm thiểu ô nhiễm tiếng ồn

Việc bố trí mặt bằng công trường có ảnh hưởng quan trọng đến hoạt động xây dựng thi công của dự án, đặc biệt khi thực hiện đối với các dự án có quy mô lớn và phức tạp Vì vậy, bài toán tối ưu bố trí mặt bằng xây dựng được giải quyết sẽ tạo điều kiện để công tác thi công được hiệu quả hơn, giảm thiểu quảng đường di chuyển, tránh tắc nghẽn trong quá trình thi công xây dựng

Bố trí mặt bằng xây dựng bao gồm xác định vị trí các các khu vực thi công, vật tư thiết bị, văn phòng thi công, các kho bãi, lán trại xây dựng tạm thời, hệ thống các hạng mục giao thông tạm và các hạng mục bổ trợ phục vụ cho quá trình thi công Dựa trên một số nghiên cứu trước đây trong ngành xây dựng, việc bố trí mặt bằng xây dựng hiệu quả có thể giúp dự án giảm chi phí xử lý vật liệu từ 20% đến 60%[1] Hơn nữa, một mặt bằng xây dựng công trường được bố trí hiệu quả có thể giúp dự án giảm chi phí ban đầu khoảng 6.2% đến 9.7% [2], qua đó nâng cao chất lượng các hoạt động xây dựng tổng thể, đồng thời có thể giảm từ 20% đến 50% tổng chi phí vận chuyển trên công trường [3] Ngược lại, bố trí mặt bằng kém hiệu quả sẽ dấn đến sự tích tụ của vật liệu tồn kho trong quá trình thực hiện dự án, làm hệ thống xử lý vật liệu bị quá tải dẫn đến các hoạt động thi công kém hiệu quả và có thể gây tắc nghẽn dẫn đến tốn thời gian chờ đợi hơn [4] Cùng với đó, việc bố trí mặt bằng kém hiệu quả sẽ làm tăng khoảng 36% chi phí xử lý nguyên vật liệu trên công trường do hoạt động vận chuyển [5]

Vấn đề bố trí mặt bằng xây dựng ngoài tác động lớn đến mặt chi phí còn tác động đến nhiều khía cạnh khác như: sự rủi ro giữa các luồng hoạt động trên công trường vì vậy đây cũng là 1 khía cận được nghiên cứu và đánh giá Một mặt bằng công trường tốt phải đảm bảo cho tất cả mục tiêu đề ra ban đầu về chi phí đạt hiệu quả đồng thời đảm bảo an toàn trong thi công, giảm thiểu rủi ro giữa các luồng hoạt động trên công trường [6] Rủi ro từ mặt bằng bố trí công trường xây dựng được xem là yếu tố rủi ro tổng hợp từ các nhân tố con người, nguồn lực từ tần suất vận chuyển, luồng vật tư - thiết bị di chuyển [7] Khoảng giữa các cơ sở được bố trí trên mặt bằng xây dựng càng xa thì thời gian di chuyển càng lớn và khả năng xảy ra sự giao chéo giữa các luồng hoạt động của con người, thiết bị máy móc càng dễ xảy ra [8]

Mặt khác, ngày nay môi trường là vấn đề được quan tâm hàng đầu trong tất cả các lĩnh vực, đặc biệt trong hoạt động xây dựng Ô nhiễm tiếng ồn là một khía cạnh rất quan trọng trong vấn đề môi trường, tiếng ồn ảnh hưởng rất tiêu cực đến công nhân trên công trường [9] Hoạt động của máy móc thi công trên công trường là nguyên nhân chính làm ô nhiễm tiếng ồn trong ngành xây dựng Có 2 nhân tố quan trọng chịu ảnh hưởng chính từ ô nhiễm tiếng ồn trên công trường là ô nhiễm môi trường tự nhiên và làm ảnh hướng suy giảm sức khỏe của công nhân làm việc trên công trường, từ đó dẫn đến làm giảm sự hiệu quả và giảm năng suất lao động [10] Trước đây đã có một số nghiên cứu về ảnh hưởng của ô nhiễm tiếng ồn trong ngành xây dựng đến môi trường tự nhiên và con người như Fernandez năm 2009 [11], Kantova năm 2017 [12] Các nghiên cứu về tác động tiêu cực của tiếng ồn đến sức khỏe của con người đã chứng minh rằng nếu người lao động làm việc trong môi trường bị ô nhiễm tiếng ồn vượt quá giới hạn cho phép sẽ chịu ảnh hưởng xấu đến sức khỏe về nhiều mặt như: mất giọng nói, khiếm thính, căng thẳng, mất tập trung, tăng huyết áp và các bệnh về tim mạch….[11], [13], ngoài ra cũng gây rối loạn giấc ngủ và các bệnh về vấn đề lưu thông máu [14], [15] Theo Bộ luật an toàn và sức khỏe nghề nghiệp giới hạn tiếp xúc nghề nghiệp đối với tiếng ồn ở Alberta, Canada, giới hạn tiếp xúc nghề nghiệp được định nghĩa là mức thời gian tối đa cho phép hàng ngày của một công nhân đối với tiếng ồn mà không có thiết bị bảo hộ thính giác (Bảng 1.1) Giới hạn tiếp xúc tiếng ồn là hàm của tiếng ồn được đo bằng dBA và thời gian tiếp xúc được tính bằng giờ mỗi ngày

Mức độ tiếp xúc Thời gian tiếp xúc Mức độ tiếp xúc Thời gian tiếp xúc

83 dB(A) 12 giờ 41 phút 100 dB(A) 15 phút

84 dB(A) 10 giờ 4 phút 103 dB(A) 8 phút

Bảng 1.1: Giới hạn tiếp xúc nghề nghiệp ở Alberta, Canada

Tiêu chuẩn về giới hạn tiếp xúc với tiếng ồn cũng được nêu trong Quy định về an toàn và sức khỏe nghề nghiệp (OSHR) là mức độ tiếp xúc hàng ngày ở cường độ tiếng ồn 85dB(A) và trong khoảng thời gian 8 giờ Để thể hiện rõ hơn tiêu chuẩn OSHR, Ủy ban An toàn lao động Tây Úc (2002) đã công bố bảng cường độ tiếng ồn và giới hạn thời gian tiếp xúc như ở Bảng 1.2

Cường độ tiếng ồn Thời gian tiếp xúc

Bảng 1.2: Giới hạn thời gian tiếp xúc theo UBATLĐ Tây Úc, 2022

Ngoài ra, hiệu quả làm việc cũng bị suy giảm nếu lao động trong môi trường có tiếng ồn ở mức cường độ cao vượt quá giới hạn cho phép cũng đã được nghiên cứu [9] Do đó, giảm thiểu ô nhiễm tiếng ồn là một vấn đề cần được nghiên cứu để giảm thiểu tác hại của tiếng ồn đến sức khỏe cho người làm việc trên công trường góp phần nâng cao hiệu suất lao động, nâng cao hiệu quả và thành công của dự án Ô nhiễm tiếng ồn có thể được cải thiện một cách hiệu quả thông qua việc bố trí mặt bằng công trường thi công trong hoạt động xây dựng

Vì vậy, tối ưu bố trí mặt bằng xây dựng đa mục tiêu: giảm thiểu chi phí vận chuyển, giảm thiểu rủi ro giữa các luồng hoạt động và giảm thiểu ô nhiễm tiếng ồn là đề tài cần nghiên cứu

Ngày nay, việc giải quyết vấn đề bằng cách ứng dụng các thuật toán đã được nghiên cứu và ứng dụng phát triển rộng rãi Tuy nhiên mỗi thuật toán đều có những mặt ưu hiểm và khuyết điểm riêng Nhận thấy thuật toán chuồn chuồn (DA) và tối ưu bầy đàn (PSO) là sự bổ sung cho nhau Vì vậy tác giả đề xuất lai ghép 2 thuật toán này vào việc giải quyết vấn đề này Nguyên nhân của việc lai ghép thuật toán này là gì? Thuật toán chuồn chuồn (DA) là một thuật toán tương đối mới, được phát triển bới Mirjalili vào năm 2016, bắt nguồn từ tập tính thông minh của đàn chuồn chuồn trong thế giới tự nhiên Đàn chuồn chuồn trong quá trình tìm kiếm nguồn thức ăn và né tránh kẻ thù sẽ ở duy trì bầy đàn ở 2 trạng thái tĩnh và động tương ứng với 2 quá trình trong tối ưu hóa là tìm kiếm và khám phá dữ liệu (Trình bày chi tiết ở chương Cơ sở lý thuyết) Tuy nhiên có thể giới thiệu ngắn gọn ưu điểm của thuật toán chuồn chuồn (DA) là vùng không gian tìm kiếm rộng lớn, hạn chế là không có lưu trữ dữ liệu quá khứ của cá thể tốt nhất nên dẫn đến dễ rơi vào tối ưu cục bộ, mặt khác không gian tìm kiếm rộng cũng có mặt hạn chế là thời gian tối ưu lâu hơn Để khắc phục khuyết điểm này thì thuật toán tối ưu bầy đàn (PSO) là một lựa chọn hoàn toàn phù hợp Thuật toán tối ưu bầy đàn (PSO) mặc dù được phát triển từ lâu bởi Eberhart và Kennedy vào năm 1995 có ưu điểm trong việc khai thác dữ liệu tốt (hạn chế không gian tìm kiếm hẹp)

Từ đó hai thuật toán này là sự bổ trợ cho nhau về mặt hạn chế đồng thời khai thác tối đa ưu thế của mỗi thuật toán riêng lẻ Vì vậy thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) là một sự kết hợp được đánh giá là phù hợp, toàn diện, kỳ vọng mang đến hiệu quả cao trong việc giải quyết các bài toán tối ưu đa mục tiêu.

Mục tiêu nghiên cứu

(1) Nghiên cứu đề xuất hướng giải quyết bài toán tối ưu đa mục tiêu :

- Giảm thiểu chi phí vận chuyển giữa các cơ sở

- Giảm thiểu rủi ro giữa các luồng hoạt động

- Giảm thiểu ô nhiễm tiếng ồn

(2) Phát triển thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) nhằm mục đích tận dụng tính cân bằng trong tối ưu toàn cục và cục bộ để giải quyết vấn đề tối ưu đa mục tiêu

(3) Ứng dụng thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) vào lĩnh vực xây dựng (tối ưu hóa bố trí mặt bằng xây dựng)

(4) Kết hợp phương pháp lập luận chứng cứ (ER) để hỗ trợ ra quyết định đa tiêu chí.

Phạm vi nghiên cứu

- Kiểm nghiệm tính hiệu quả của thuật toán lai ghép trên vào lĩnh vực xây dựng

- Nghiên cứu có xét đến yếu tố ràng buộc về vị trí của các cơ sở cố định và tạm thời trong dự án

- Thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO)

- Phương pháp lập luận chứng cứ ER hỗ trợ ra quyết định đa tiêu chí

Một số giả định được quy định trong mô hình thuật toán:

- Tất cả các yếu tố ảnh hưởng đã được xác định, bỏ qua các yếu tố chưa xác định

- Tất cả các thông số vần thiết cho nghiên cứu đã được đồng nhất

- Chi phí vận chuyển được giả định tỷ lệ thuận với cự ly, tài nguyên giả định là tuyến tính

- Bỏ qua rủi ro về các yếu tố như thiên tai hoặc không lường trước Bỏ qua sự nhiễu và hấp thụ tiếng ồn của môi trường.

Phương pháp nghiên cứu

Quy trình nghiên cứu của luận văn được thể hiện theo lưu đồ sau Đề tài nghiên cứu cần:

1 Xác định vấn đề nghiên cứu

2 Xác định mục tiêu nghiên cứu

3 Xác định phạm vi nghiên cứu

Nghiên cứu về bố trí mặt bằng công trường xây dựng

Tìm kiếm dữ liệu, case study để ứng dụng vào đề tài nghiên cứu

Xác định các hàm mục tiêu của bài toán

Công cụ lập trình giải bài toán

Tập hợp Pareto của bài toán Áp dụng phương pháp ra quyết định đa tiêu chí đểlựa chọn giải pháp tối ưu

Lựa chọn giải pháp tối ưu, đánh giá kết quả và kết luận Case study 1:

Tập hợp Pareto của bài toán

So sánh kết quả với thuật toán khác Đánh giá kết quả và kết luận

Nghiên cứu cơ sở lý thuyết:

1 Tối ưu hóa đa mục tiêu

2 Thuật toán chuồn chuồn (DA)

3 Thuật toán tối ưu bầy đàn (PSO)

4 Phương pháp ra quyết định đa tiêu chí

Phát triển thuật toán lai ghép chuồn chuôn và tối ưu bầy đàn (DA-PSO) đa mục tiêu để giải quyết bài toán tối ưu bố trí mặt bằng

Lập trình giải bài toán đa mục biêu bằng thuật toán lai ghép DA-PSO

Hình 1.1 Quy trình nghiên cứu

Đóng góp dự kiến của nghiên cứu

Phát triển và ứng dụng thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) dựa trên cơ sở 2 thuật toán gốc để giải quyết bài toán đa mục tiêu Ứng dụng phương pháp lập luận chứng cứ (ER) trong việc hỗ trợ ra quyết định đa tiêu chí để đảm bảo tính cân bằng giữa các mục tiêu

Nghiên cứu này giải quyết được vấn đề thực tiễn về tối ưu đa mục tiêu bố trí mặt bằng xây dựng Giúp nhà thầu, nhà quản lý giải quyết vấn cụ thể là bố trí mặt bằng đồng thời hỗ trợ trong việc đưa ra quyết định đa tiêu chí bằng phương pháp lập luận chứng cứ ER Mặt khác góp phần phát triển ngành xây dựng theo xu hướng phát triển bền vững.

Bố cục luận văn

Luận văn thực hiện được chia làm 6 chương với nội dung như sau:

 Chương 2: Tổng quan vè đề tài nghiên cứu

 Chương 3: Cơ sở lý thuyết

 Chương 4: Phát triển thuật toán lai ghép DA-PSO đa mục tiêu để giải quyết bài toán tối ưu

 Chương 5: Phát triển thuật toán lai ghép DA-PSO đa mục tiêu kết hợp phương pháp ra quyết định đa tiêu chí để giải quyết bài toán tối ưu

 Chương 6: Kết luận và định hướng

TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

Các nghiên cứu trước đây liên quan về tối ưu bố trí mặt bằng xây dựng

Việc bố trí mặt bằng xây dựng là sự bao gồm của nhiều yếu tố khác nhau, để thực hiện điều này một cách nhanh chóng và hiệu quả đòi hỏi sử dụng các thuật toán với cấu hình máy tính đủ mạnh để giải quyết được nhanh nhất Có những phương pháp chính xác để giải quyết chính xác vấn đề như thuật toán kết hợp, rẽ nhánh, ràng buộc mặt phẳng cắt hay các phương pháp khác Tuy nhiên những phương pháp chính xác này này cần nhiều thời gian và độ phức tạp cực kỳ lớn vì vậy phương pháp tối ưu Heuristic và Metaheuristic đã được nghiên cứu và ứng dụng để giải quyết các vấn đề này, giúp tìm ra những giải pháp gần với giá trị tối ưu nhất, phù hợp với yêu cầu trong một giưới hạn khoảng thời gian nhất định Việc giải quyết các vấn đề CSLP dưới dạng mô hình toán học đã đạt những độ tin cậy trong thực tế Một số bài toán có thể giải quyết được bằng các mô hình như lập trình số nguyên, lập trình tuyến tính và lập trình tuyến tính hỗn hợp số nguyên Lập trình ràng buộc cũng đã được nghiên cứu để áp dụng cho các dự án lớn để sử dụng hiệu quả tài nguyên như Menesi và Hagasy (2015) [16]

Khi ràng buộc thay đổi và mục tiêu bài toán cũng thay đổi trở nên đa mục tiêu nên độ phức tạp của bài toán ngày càng tăng Vì vậy để giải quyết vấn đề khác nhau cần có những thuật toán phù hợp với những mô hình khác nhau Thuật toán Heuristic cũng đã được ứng dụng các mô hình như thứ tự của Fondahl năm 1961 [17], cấu trúc của Prager năm 1963 [18], xấp xỉ độ dốc chi phí hiệu quả của Siemens năm 1971 [19], độ cứng của cấu trúc chi phí Moselhi năm 1993 [20] với ưu điểm là có thể thực hiện thủ công không cần sự hỗ trợ của máy tính tuy nhiên chỉ có thể thực hiện với bài toán đơn mục tiêu, do bài toán đa mục tiêu phức tạp và không thể tổng quát cho các bài toán khá nhau.Vì thế, thuật toán Metaheuristic đã được nghiên cứu và phát triển nhằm giải quyết những hạn chế trên Thuật toán này phổ biến lấy cảm hứng từ tính thông minh trong tự nhiên phổ biến như thuật toán di truyền GA phát triển bởi Holland [21], thuật toán tối ưu đàn kiến (ACO) được giới thiệu lần đầu bởi Dorigo và cộng sự [22], thuật toán tối ưu bầy đàn đề xuất bởi Eberhart và Kennedy [23], thuật toán tiến hóa vi phân đề xuất bởi Storm và Price [24], thuật toán bầy ong nhân tạo ABC phát triển bởi Karaboga và Basturk [25] Một số nghiên cứu về bố trí mặt bằng như Bảng 2.1

Năm Tác giả Hướng nghiên cứu

Lập hệ thống bố trí mặt bằng xây dựng dựa trên kết hợp CAD và thuật toán di truyền [26]

Nghiên cứu này ứng dụng phần mềm CAD và thuật toán di truyền để giải quyết bài toán tổng hợp các mục tiêu mà không cụ thể mục tiêu nào, Trên cơ sở ràng buộc chồng chéo và ranh giới của mặt bằng để giải quyết vấn đề tối ưu Đòi hỏi sự kết hợp phức tạp của bản vẽ, công thức và thuật toán

2008 Hong Zhang and Jia Yuan Wang Ứng dụng PSO giải quyết những bất bình đẳng khu vực vấn đề bố trí cơ sở vật chất không đồng đều trên công trường xây dựng [27]

Nghiên cứu này giải quyết bài toán tối ưu chi phí của mặt bằng Các cớ sở tạm và các vị trí có thể bố trí đã được xác định trước Có 9 cơ sở tạm cần bố trí vào 11 vị trí khả thi cho trước

Sử dụng Hệ thống bầy kiến Max-Min giải quyết vấn đề quy hoạch bố trí công trường xây dựng trong một khu vực giả định của một dự án quy mô vừa, với mục tiêu giảm thiểu việc vận chuyển giữa các luồng công việc [2]

Nghiên cứu này giải quyết vấn đề tối ưu chi phí luồng vận chuyển, sử dụng thuật toán đàn kiến trên cơ sở bài toán với 9 cơ sở trong đó có 3 cơ sở cố định vị trí

Kiểm soát an toàn công trường sử dụng mô hình ACO [28]

Nghiên cứu này tập trung giải quyết vấn đề quản lý an toàn, trên cơ sở ứng dụng thuật toán ACO

Sử dụng chung bài toán với nghiên cứu ở trên đồng thời sử dụng giá trị tương đương SE trong vấn đề an toàn

Lập kế hoạch bố trí công trường xây dựng động đa mục tiêu ứng dụng Fuzzy ngẫu nhiên [29]

Nghiên cứu này giải quyết vấn đề giảm thiểu chi phí và đảm bảo an toàn cho mặt bằng công trường

Sử dụng thuật toán MOPSO và Fuzzy ngẫu nhiên Trên cơ sở các vị trí đã được lường trước Chỉ đưa ra giải pháp dựa trên việc tối thiểu 1 mục tiêu và tối đa mục tiêu còn lại

Lập kế hoạch bố trí mặt bằng công trường sử dụng thuật toán bầy ong nhân tạo [30]

Nghiên cứu này giải quyết bài toán đa mục tiêu chi phí và an toàn dựa trên thuật toán gốc MOABC Chỉ đưa ra 3 giải pháp hiệu quả hơn so với dữ liệu gốc đại diện dựa trên quan điểm chủ quan của tác giả

Mô hình lập trình phi tuyến số nguyên hỗn hợp đa mục tiêu cho quy hoạch mặt bằng xây dựng để giảm thiểu ô nhiễm tiếng ồn và chi phí vận chuyển [9] Nghiên cứu này giải quyết vấn đề tối ưu chi phí vận chuyển và giảm thiểu tiếng ồn sử dụng mô hình phi tuyến số nguyên hỗn hợp đa mục tiêu

Sử dụng phương pháp ↋- ràng buộc để giải quyết vấn đề đa mục tiêu

Mô hình đánh giá rủi ro an toàn cho lập kế hoạch bố trí mặt bằng xây dựng [31]

Nghiên cứu này giải quyết vấn đề tối ưu mặt bằng với mục tiêu giảm thiểu rủi ro bao gồm luồng tương tác và mối quan tâm về an toàn Trên cơ sở yếu tố định tính và yếu tố định lượng Sau đó phân tích đánh giá yếu tố rủi ro

Jinggyan Qi Chulin Wu Wenjuan Wang

Giảm thiểu tiếng ồn thông qua bố trí mặt bằng xây dựng đa mục tiêu Sử dụng GA-ACO kêt hợp trọng số (AHP) [32]

Nghiên cứu này giải quyết bài toán đa mục tiêu băng thuật toán GA-ACO Tuy nhiên tác giả đưa ra 5 giải pháp trong tập Pareto theo yếu tố chủ quan Sau đó sử dụng AHP để chuyển đổi các giải pháp này về trọng số quy đổi để đưa ra giải pháp ưu thế nhất Chưa có phương pháp thống nhất để đưa ra giải pháp đáng tin cậy nhất

Tối ưu hóa mặt bằng xây dựng xem xét chi phí và an toàn trong môi trường động Sử dụng phần mềm LINGO [33]

Nghiên cứu này giải quyết tối ưu mặt bằng để giải quyết 2 mục tiêu chi phí và rủi ro Phần mềm Lingo được sử dụng Bài toán nghiên cứu là 10 vị trí được đánh giá khả thi để bố trí 10 cơ sở sao cho phù hợp với mỗi giai đoạn khác nhau của dự án Các ràng buộc về tính chồng chéo cơ sở và đảm bảo vị trí có thể xây dựng được cơ sở tạm về mặt diện tích Bảng 2.1: Một số nghiên cứu trước đây về tối ưu mặt bằng công trường

Nhận xét: Tối ưu bố trí mặt bằng xây dựng đã đượ nghiên cứu trong thời gian qua, trên nhiều khía cạnh Sử dụng nhiều phương pháp khác nhau trong đó các thuật toán đã được ứng dụng cho thấy sự hiệu quả cao Tuy nhiên vẫn còn nhiều hạn chế như các thuật toán được sử dụng ở dạng nguyên bản nên vẫn còn những hạn chế của chính thuật toán đó như không gian tìm kiếm nhỏ, rủi ro cao dẫn đến tối ưu cục bộ Tập trung vào một mục tiêu hoặc 1 vấn đề cụ thể Sử dụng các phương trình toán học phức tạp Vấn đề đa mục tiêu thường được giải quyết bằng cách quy về đơn mục tiêu hoặc đưa giải pháp dựa theo yêu cầu nhất định của một mục tiêu nhất định Vì thế đề tài nghiên cứu hướng đến sử dụng thuật toán mới, hiệu quả hơn giải quyết bài toán đa mục tiêu và ra quyết định đa tiêu chí một cách chính xác nhất.

Các nghiên cứu ứng dụng thuật toán chuồn chuồn (DA)

Thuật toán chuồn chuồn DA là một thuật toán tương đối mới và đã được ứng dụng hiệu quả trong một số lĩnh vực khác nhau gần đây được thể hiện ở bảng sau

Năm Tác giả Đề tài nghiên cứu

Thuật toán chuồn chuồn: Kỹ thuật tối ưu hóa meta-heuristic mới - giải quyết các vấn đề đơn mục tiêu, rời rạc và đa mục tiêu [34]

Raid M Khalil, Mohammed Azmi Al-B,

Thuật toán chuồn chuồn để giải quyết vấn đề di chuyển của viên bán hàng [35]

Thuật toán tối ưu hóa DA-PSO để giải quyết vấn đề đa mục tiêu dòng công suất [36]

Tối ưu hóa thời gian, chi phí và độ nhám trong quá trình mài sử dụng thuật toán chuồn chuồn đa mục tiêu [37]

Thuât toán chuồn chuồn để giải quyết bài toán tải trọng kinh tế theo xác xuất [38] Bảng 2.2: Các nghiên cứu liên quan đến DA

Thuật toán PSO đã được phát triển từ sớm và có nhiều ứng dụng trong nhiều lĩnh vực như hàng không vũ trụ, công nghệ sinh học, kỹ thuật hóa học, xây dựng dân dụng, khai thác dữ liệu, kỹ thuật điện, cơ khí … và nhiều lĩnh vực khác Một số nghiên cứu như: Thuật toán MOPSO và ứng dụng trong vận hành đa năng hồ chứa [39], Một cách tiếp cận dựa trên PSO đa mục tiêu để xác định các dấu hiệu gen không dư thừa từ dữ liệu biểu hiện gen [40], Vectơ đồng bộ song song dựa trên MPI được đánh giá tối ưu hóa bầy hạt để tối ưu hóa thiết kế đa mục tiêu của các cấu trúc tổng hợp [41], Thuật toán PSO được sửa đổi để quản lý năng lượng theo thời gian thực trong các lưới điện siêu nhỏ được kết nối với lưới điện [42], Tối ưu hóa công suất hệ thống năng lượng mặt trời/pin nhiên liệu nối lưới sử dụng thuật toán lai ABC-PSO [43], Một thuật toán PSO được cải tiến để lập kế hoạch đường đi trơn tru cho robot di động bằng cách sử dụng đường cong Bezier liên tục ở mức độ cao [44]

Qua nhiều nghiên cứu, đã chứng minh rằng các phương pháp Metaheuristic đã cho thấy sự ưu thế vượt bậc của mình trong việc giải quyết các vấn đề tối ưu đa mục tiêu Tuy nhiên mỗi thuật toán có điểm mạnh riêng giải quyết cho các vấn đề khác nhau

Do đó, các thuật toán tiên tiến hơn vẫn tiếp tục được nghiên cứu và phát triển để ứng dụng cho các vấn đề khác nhau một cách hiệu quả hơn Thuật toán DA đã được ứng dụng và cho thấy hiệu quả trong 1 số lĩnh vực nhất định, trong một số nghiên cứu trên cũng chỉ ra rằng DA là thuật toán có tính vượt trội trong một số bài toán nhất đinh Tuy nhiên vẫn còn những hạn chế mà thuật toán này gặp phải như không có sợ lưu trữ quá khứ, không gian tìm kiếm rộng cũng chính là nhược điểm khi đó thời gian tìm kiếm có thể lâu hơn và dẫn đến tối ưu cục bộ Vì thế để khắc phục điều này sự kết hợp lai ghép thuật toán là cách bổ sung và khắc phục hạn chế của các thuật toán khác nhau Đề tài nghiên cứu này nhằm mục đích phát triển một thuật toán lai ghép và ứng dụng để giải quyết bài toán tối ưu đa mục tiêu bố trí mặt bằng xây dựng Áp dụng thuật toán lai ghép DA-PSO vào lĩnh vực xây dưng cụ thể trong tối ưu bố trí mặt bằng xây dựng Mô hình được áp dụng cho bài toán cụ thể, từ đó thấy được hiệu quả và tính khả thi ứng dụng của mô hình được đề xuất Đồng thời kết hợp phương pháp ra quyết định đa tiêu chí để đưa ra giải pháp tốt nhất cân bằng giữa các mục tiêu.

CƠ SỞ LÝ THUYẾT

Bố trí mặt bằng xây dựng

Trong thi công công trình, lập kế hoạch bố trí mặt bằng công trường là một nhiệm vụ quan trọng, có tác động lớn đến chi phí công trình, hiệu suất lao động và sự an toàn của người làm việc trên công trường Bố trí mặt bằng xây dựng có nghĩa là xác định vị trí của các cơ sở tạm thời để thực hiện và hỗ trợ cho các hoạt động thi công khác nhau trên công trường, một số cơ sở tạm thời như phòng làm việc của ban chỉ huy, địa điểm nghỉ ngơi của người lao động, khu vực thi công, kho dự trữ vật tư, thiết bị, giám sát cổng ra vào và các khu tiện ích khác phục vụ cho quá trình thi công Bố trí mặt bằng công trường có thể được định nghĩa bao gồm các công việc sau:

 Xác định kích thước phù hợp nhất của các cơ sở được bố trí trên mặt bằng

 Xác định các ràng buộc (nếu có) của các sơ sở này

 Xác định vị trí của các cơ sở trên mặt bằng công trường phù hợp các điều kiện ràng buộc đồng thời tối ưu được mục tiêu đề ra

Bố trí mặt bằng công trường là công việc liên quan đến quản lý không gian trong giới hạn công trường để bố trí các cơ sở hợp lý nhất, có hiệu quả nhất [45]

Việc bố trí mặt bằng công trường là vấn đề phức tạp, tuy nhiên trước đây người quản lý xây dựng, nhà quản lý thầu thi công thường thực hiện bằng kinh nghiệm của bản thân, hoạt động nào thực hiện trước thì bố trí cơ sở tương ứng trước, rồi đến các cơ sở tiếp theo dẫn đến việc bố trí là mơ hồ có thể dẫn đến sự không chính xác và chưa hiệu quả nhất [46]

Bố trí mặt bằng công trường còn nhằm đạt được sự mạch lạc, thống nhất trên công trường, tránh tình trạng xung khắc hoạt động, mất an toàn khi thi công xây dựng Ngoài ra mặt bằng hợp lý thể dẫn tránh phải thay đổi vị trí của các cơ sở trên công trường làm hiệu quả dự án bị suy giảm Vì vậy nhiều nghiên cứu và nhiều phương pháp đã được sử dụng để nhằm mục tiêu tối ưu chi phí bố trí mặt bằng công trường Mục tiêu của bố trí mặt bằng xây dựng là đa dạng và khác nhau thùy theo dự án, tuy nhiên có thể kể đến một số mục đích chính như sau

 Giảm thiểu chi phí (giảm thiểu thời gian thi công)

 Giảm thiểu rủi ro giữa các luồng hoạt động

 Tăng mức độ an toàn trên công trường

 Tăng hiệu quả làm việc và năng suất lao động

 Giảm thiểu ô nhiễm môi trường

Tối ưu đa mục tiêu

Tối ưu hóa là quá trình tìm ra kết quả tốt nhất hoặc kết quả gần tốt nhất trong giới hạn khả năng của vấn đề Vấn đề tối ưu hóa cơ bản bao gồm tìm giá trị lớn nhất hoặc nhỏ nhất, vấn đề đơn mục tiêu hoặc đa mục tiêu

Tối ưu đa mục tiêu (MOO) là tối ưu một số lượng các hàm mục tiêu có tính chất xung đột lẫn nhau và cần được tối ưu hóa đồng thời Trong thực tế, tối ưu hóa đa mục tiêu là một phần chiếm tỷ trọng lớn trong hoạt động tối ưu hóa và có tầm quan trọng rất lớn vì mô hình hóa các mục tiêu xung đột là phù hợp với các vấn đề trong cuộc sống Các phương pháp truyền thống giải quyết vấn đề đa mục tiêu bằng cách chuyển đổi chúng thành đơn mục tiêu và giải quyết vấn đề, song song với đó nhiều thuật toán đã được phát triển để giải quyết vấn đề tối ưu đa mục tiêu [47]

Các vấn đề MOO khác nhau đã được nghiên cứu và giải quyết bới nhiều phương pháp khác nhau như phương pháp tiêu chí toàn cục (Miettinen 1999; Zeleny 1973) đã sử dụng chuyển đổi từ tối ưu nhiều vấn đề thành 1 vấn đề bằng cách giảm thiểu các tham chiếu và khu vực khả thi [48] Điểm tham chiếu là là giải pháp trong trường hợp lý tưởng

Trong phương pháp tổng trọng số được nghiên cứu bởi nhiều tác giả như Das và Dennis năm 1997, Triantaphyllou và cộng sự năm 1998, Kim và Weck năm 2005 Odu và Charles-Owaba năm 2013 và nhiều tác giả khác thì tất cả các vấn đề được kết hợp thành một vấn đề bằng véc tơ trọng số Phương pháp này có ưu điểm là dễ sử dụng nhưng sẽ gặp hạn chế trong vấn đề định lượng trọng số và đối với nhưng ràng buộc phức tạp sẽ xuất hiện nhiều vấn đề Phương pháp ε -ràng buộc cũng đã được ứng dụng để giải quyết bài toán đa mục tiêu bằng cách tối ưu từng mục tiêu và giới hạn các mục tiêu còn lại (Haimes,Lasdon và Wismer 1971) Ngoài ra một số phương pháp khác cũng đã được sử dụng tuy nhiên cho thấy sự phức tạp và hạn chế trong việc sử dụng các phương trình toán học Vì vậy để khắc phục vấn đề trên, phương pháp Pareto với ưu thế không yêu cầu các phương trình phức tạp mà có thể giải quyết vấn đề một cách hiệu quả

Việc giải quyết vấn đề với các mục tiêu mâu thuẫn đồng thời, giải pháp tối ưu đa mục tiêu MOO là tập hợp các giải pháp tối ưu không ưu thế (bộ Pareto) thay vì tìm ra chỉ một giải pháp tối ưu nhất Bất kỳ một giải pháp tối ưu nào là sự đánh đổi giữa mục tiêu này cho sự cải thiện của mục tiêu khác Không tìm ra được giải pháp ưu thế tuyệt đối tất cả các hàm mục tiêu Vấn đề tối ưu hóa đa mục tiêu với số lượng hàm mục tiêu k, số đẳng thức ràng buộc m và số lượng dạng ràng buộc bất đẳng thức p được thể hiện dưới dạng công thức toán học như sau [49, 50]

Thỏa mãn các ràng buộc:

Trong đó f( )X là véc tơ hàm mục tiêu, số lượng hàm mục tiêu là k, g X i ( ) là tập ràng buộc bất bình đẳng, ( )h X i là tập ràng buộc bình đẳng, m và p là số lượng ràng buộc bất bình đẳng và bình đẳng tương ứng Các giải pháp X x x( , 1 2 , ,x n ) T là một véc tơ của n biến quyết định trong không gian tương thích D Giải quyết bài toán tối ưu đa mục tiêu là xác định tập hợp véc tơ X mang lại giá trị tối ưu cho tất cả các hàm mục tiêu từ tập D của tất cả các véc tơ thỏa điều kiện (3.2) và (3.3)

Trong tối ưu hóa chúng ta luôn mong muốn xác định được giải pháp tối ưu nhất tuy nhiên trong tối ưu hóa đa mục tiêu, giải pháp là một tập hợp các giải pháp từ tập Pareto, vì vậy để lựa chọn giải pháp tốt hơn người ta sử dụng khái niệm ưu thế Khái niệm ưu thế được định nghĩa như sau [51]

Giải pháp X a (x , x a,1 a,2 , , x a,n ) T ưu thế hơn X b (x , x b,1 b,2 , , x b,n ) T nếu thỏa mãn cả 2 điều kiện sau:

1  i (1, 2, , k) : f ( i X a ) f X i ( b ) Giải pháp Xa không kém hơn Xb trong tất cả các hàm mục tiêu

2  m (1, 2, , ) : f (k i X a ) f X i ( b ) Giải pháp Xa là nghiệm tốt hơn Xb trong ít nhất một hàm mục tiêu

Khi so sánh hai giải pháp khác nhau Xa và Xb, có ba khả năng về mối quan hệ ưu thế giữa chúng

 Xa ưu thế hơn Xb

 Xa bị chi phối bởi Xb

 Cả Xa và Xb đều không bị chi phối bởi nhau

Một giải pháp không bị ưu thế có nghĩa là không có giải pháp mới được tìm ra ưu thế hơn giải pháp cũ Tập hợp các giải pháp không bị chi phối của toàn bộ quyết định khả thi không gian gọi là tập tối ưu Pareto Đường bao xác định tập hợp tất cả các điểm ánh xạ từ tập tối ưu Pareto được gọi là mặt trước tối ưu Pareto

Hình 3.1: Mặt trước tập tối ưu Pareto

Tổng quan về thuật toán chuồn chuồn (DA)

Trong lịch sử phát triển của tối ưu hóa, nhiều phương pháp tối ưu bao gồm các thuật toán chính xác và gần đúng đã được nghiên cứu để giải quyết các vấn đề tối ưu hóa Trong đó, phương pháp Meta-heuristic được đề xuất lần đầu tiên bởi Glover năm

1986 và tiếp tục phát triển và mở rộng cho đến ngày nay Phương pháp này được sử dụng để tìm ra giải pháp tốt nhất hoặc gần tốt nhất của vấn đề cần tối ưu hóa trong khoảng giới hạn thời gian Nguyên lý cấu trúc cơ bản của Meta-heuristic là mô phỏng trí thông minh tự nhiên kết hợp với công cụ máy móc của trí tuệ nhân tạo

Meta-heuristic có thể chia thành một số nhóm như thuật toán thông minh bầy đàn, thuật toán dựa vật lý hay thuật toán tiến hóa

Thuật toán tiến hóa Thuật toán dựa trên bầy đàn Thuật toán dựa trên vật lý

 Tối ưu hóa bầy đàn

 Tối ưu hóa đàn kiến

 Tối ưu hóa đàn ong

 Tối ưu hóa đàn cá

 Tối ưu hóa bầy dơi

 Phản ứng hóa học nhân tạo

Hình 3.2 Các thuật toán tối ưu Meta-heurstic

Thuật toán chuồn chuồn DA là một trong những thuật toán tương đối mới gần đây, được phát triển đầu tiên bởi Mirjalii vào năm 2016 Thuật toán bắt nguồn từ hành vi thông minh tự nhiên của đàn chuồn chuồn trong quá trình tìm kiếm nguồn thức ăn và tránh né kẻ thù [34]

Chuồn chuồn là loài côn trùng đã sinh sống trên trái đất với lịch sử lâu đời, khoảng

300 triệu năm với hơn 4500 loài trên toàn cầu, riêng ở Việt Nam gần 500 loài Vòng đời của chuồn chuồn gồm 3 giai đoạn là trứng, ấu trùng và chuồn chuồn trưởng thành

Hình 3.3: Vòng đời chuồn chuồn

Chuồn chuồn là một loài côn trùng có kích thước nhỏ nhưng là loài săn mồi Thức ăn của chuồn chuồn chuồn là các loài côn trùng khác như sâu, ruồi, muỗi thậm chí là các loài cá nhỏ Chuồn chuồn là loài bầy đàn, chúng săn mồi và di chuyển theo bầy đàn Trong bầy tĩnh: Đàn chuồn chuồn chia thành những đàn nhỏ hơn và bay trong những khu vực nhất định để săn mồi Mỗi đàn sẽ có sự khác biệt nhau về chuyển động cục bộ và hướng chuyển đột ngột Các thay đổi của đàn nhỏ này sẽ ảnh hưởng đến thay đổi trong di chuồn của đàn lớn Ngược lại trong bầy động, đàn chuồn chuồn di chuyển theo một hướng chung trong một khoảng thời gian dài Nguồn cảm hứng từ hành vi bầy đàn động và tĩnh của chuồn chuồn đã được nghiên cứu và phát triển bởi các nhà khoa học để ứng dụng vào tối ưu hóa Hành vi bầy đàn này tương tự với cơ sở của thuật toán meta-heuristic gồm giai đoạn là thăm dò và khai thác dữ liệu

3.3.2 Thuật toán chuồn chuồn DA

Theo Reynolds, có 3 nguyên tắc cơ bản của bầy đàn được thể hiện như sau [52]:

 Tách biệt, tránh va chạm giữa các cá thể trong khu vực lân cận

 Căn chỉnh, điều chỉnh sự phù hợp về tốc độ của các cá thể cho phù hợp với các cá thể khác trong bầy đàn

 Liên kết xu hướng của các cá thể đối với trung tâm của bầy đàn

Mục đích chủ đạo của bầy đàn là sinh tồn và phát triển, chúng được cụ thể bằng 2 quá trình tìm kiếm đến nguồn thức ăn và tránh xa kẻ thù Đàn chuồn chuồn có thể phân tích thành 5 yếu tố được minh họa như hình sau:

Hình 3.4: Năm yếu tố cấu thành tập tính đàn chuồn chuồn Trong đó:

- Attraction to food: Sự thu hút đến nguồn thức ăn

- Distraction from enemy: Sự tránh né kẻ thù

Công thức toán học của đàn chuồn chuồn được thể hiện như sau:

Trong đó: X là vị trí của cá thể hiện tại, Xj là vị trí của cá thể lân cận thứ j, và N là số lượng cá thể lân cận

Trong đó: Vj thể hiện vận tốc cá thể lân cận thứ j

Trong đó: X là vị trí của cá thể hiện tại, Xj là vị trí của cá thể lân cận thứ j, và N là số lượng cá thể lân cận

 Sự thu hút đến nguồn thức ăn

Sự thu hút đến nguồn thức ăn được tính theo công thức sau:

Trong đó: X là vị trí của cá thể hiện tại, X + thể hiện vị trí của nguồn thức ăn

Vị trí của nguồn thức ăn là trong bài toán tối ưu bố trí mặt bằng là vị trí ưu thế nhất hiện tại của bầy chuồn chuồn, vị trí ưu thế nhất của bầy sẽ thu hút bầy chuồn chuồn có xu hướng tập trung về vị trí này (vị trí nguồn thức ăn của chuồn chuồn)

 Sự tránh né kẻ thù

Trong đó: X là vị trí của cá thể hiện tại, X - thể hiện vị trí của kẻ thù

Hành vi của chuồn chuồn được xem là tổ hợp của 5 mô hình trên Để cập nhật vị trí của chuồn chuồn nhân tạo trong mô hình không gian tìm kiếm và mô phỏng chuyển động của chúng bằng cách 2 véc tơ được xem xét là véc tơ bước (∆X) và véc tơ vị trí

(X) Véc tơ bước thể hiện hướng chuyển động của chuồn chuồn và vị trí được xác định như sau:

''  X t  1  ( sS i  A i  cC i  fF i  eE i )   w X t " (3.3.6) Trong đó: s là trọng số tách biệt, α là trọng số căn chỉnh, c là trọng số gắn kết, f là nhân tố thức ăn, e là nhân tố kẻ thù, w là trọng số quán tính và t là tại thời điểm bước lặp

Si là sự tách biệt của cá thể thứ i, Ai là sự căn chỉnh của cá thể thứ i, Ci là sự gắn kết của cá thể thứ i, Fi là nguồn thức ăn của cá thể thứ i, Ei là vị trí của kẻ thù của cá thể thứ i

Sau khi tính toán véc tơ bước của độ dich chuyển, véc tơ vị trí được cập nhật theo công thức sau:

Trong đó: t là lần lặp hiện tại

Trong suốt quá trình tối ưu các trọng số được tìm kiếm và khai thác theo mỗi vòng lặp cho đến khi kết thúc quá trình tìm kiếm

Hai trạng thái tĩnh và động của đàn chuồn chuồn được thể hiện như hình dưới

Hình 3.5: Trạng thái động (bên trái) và tĩnh (bên phải) của chuồn chuồn Chúng ta có thể thấy trong trạng thái động chuồn chuồn có xu hướng bay thẳng hàng trong khi vẫn duy trì sự tách biệt và sự gắn kết thích hợp trong đàn Còn trong trạng thái tĩnh, sự căn chỉnh là rất thấp trong khi sự gắn kết lại cao để tấn công con mồi Do đó chúng ta có trọng số điều chỉnh cao và trọng số gắn kết thấp khi khám phá không gian tìm kiếm và ngược lại trọng số điều chỉnh thấp, trọng số liên kết cao khi khai thác không gian tìm kiếm Đối với chuyển đổi giữa quá trình tham dò và khai thác, khoảng cách của các vùng lân cận được tăng lên theo tỷ lệ thuận với số vòng lặp Trong quá trình tối ưu hóa chúng ta có thể thay đổi trọng số để điều chỉnh sự thích nghi của quá trình thăm dò và khai thác dữ liêu

Trong đàn chuồn chuồn, các cá thể chuồn chuồn đơn lẻ luôn thay đổi một cách thích ứng để chuyển đổi giữa 2 quá trình khám phá và khai thác không gian tìm kiếm Mặt khác trong quá trình tối ưu hóa chuồn chuồn cũng có xu hướng làm tăng kích thước đàn chuồn chuồn để điều chỉnh dự di chuyển Vì vậy, khu vực lân cận cũng được tăng lên, đàn chuồn chuồn có xu hướng tạo thành một nhóm ở giai đoạn cuối của quá trình tối ưu hóa để hội tụ tới mức tối ưu toàn cục Các giải pháp tốt nhất hoặc xấu nhất được tìm thấy, điều này dẫn đến sự hội tụ về phía tìm năng của không gian tìm kiếm và phân kỳ ở các khu vực không hứa hẹn của không gian tìm kiếm Để cải thiện tính ngẫu nhiên, hành vi ngẫu nhiên và khám phá của chuồn chuồn nhân tạo, chuồn chuồn được yêu cầu bay quanh không gian tìm kiếm bằng cách đi bộ ngẫu nhiên (Levy flight) khi không có giải pháp lân cận Trong trường hợp này, vị trí của chuồn chuồn sẽ được cập nhật theo công thức sau:

X   X  Levy d  X (3.3.8) Trong đó: t là vòng lặp hiện tại, d là khoảng cách của véc tơ vị trí

Levy flight được tính theo công thức sau:

Trong đó: r1, r2 là hệ số ngẫu nhiên trong khoảng [0,1], β là hằng số và σ được tính bởi công thức sau:

Các bước cơ bản của thuật toán chuồn chuồn DA có thể được tóm tắt dưới dạng pseudo-code như sau:

Khởi tạo quần thể chuồn chuồn X i (i=1,2,3, n)

Khởi tạo véc tơ bước X i ) (i=1,2,3, n)

While i u i n cu i c ng chưa th a n>

- nh gi t c tiêu c a t t c chuồn chuồn.

- p nh t nguồn th c ăn v th

- nh to n S, A, C, F, v E b ng c c công th c từ 3.3.1) đến 3.3.5)

- p nh t b n nh lân c n if chuồn chuồn c t nh t 1 chuồn chuồn lân c n>

- p nh t véc tơ bước ng công th c (3.3.6)

- p nh t véc tơ v t ng công th c (3.3.7) Else p nh t véc t v t b ng công th c (3.3.8) End if

Kiểm tra v chu n c v t ới a trên ranh giới c a c c biến.

Hình 3.6: Pseudo-codes của thuật toán chuồn chuồn

Tổng quan về thuật toán tối ưu bầy đàn (PSO)

Thuật toán tối ưu bầy đàn (PSO) là một trong những thuật toán thuộc kỹ thuật metaheuristic bắt nguồn hành vi thông minh của bầy đàn của một số loài vật như đàn chim, đàn cá, đàn côn trùng,…Thuật toán tối ưu PSO là thuật toán được nghiên cứu và phát triển sớm bởi Kenedy và Eberhart vào năm 1995 [23] Trong khoảng thời gian đã qua, thuật toán đã được ứng dụng rộng rãi trong lĩnh vực khoa học máy tính và nhiều lĩnh vực ngành nghề khác nhau trong cuộc sống Thuật toán này cũng như các thuật toán thuộc meta-heuristic khác đã được ứng dụng phổ biến bởi tính chất đơn giản, linh hoạt và có thể hạn chế tối ưu cục bộ Trí thông minh bầy đàn được xem là khả năng thích ứng của bầy đàn trong môi trường sống Các cá thể trong bầy đàn thích ứng theo nguyên tắc hợp tác lẫn nhau để tìm kiếm thức ăn, đồng thời mỗi cá thể đều có khả năng tự học hoặc thay đổi theo cá thể khác để hướng đến vị trí tốt hơn Để nghiên cứu hành vi bầy đàn trong thuật toán tối ưu PSO phù hợp với hành vi của máy tính, 5 nguyên tắc cơ bản sau được tuân thủ:

 Gần nhau: Bầy đàn có thể thực hiện như các phép tính không gian và thời gian đơn giản

 Chất lượng: Bầy đàn phải có sự nhận thức về sự thay đổi của môi trường và phản ứng với nó

 Phản ứng đa dạng: Bầy đàn không nên giới hạn cách thức của mình để lấy nguồn tài nguyên trong phạm vi hẹp

 Tính ổn định: Không phải với bất kỳ thay đổi nào của môi trường đều làm thay đổi hành vi của bầy đàn

 Khả năng thích ứng: Bầy đàn nên thay đổi thích ứng hành vi của mình khi mà sự thay đổi của môi trường này là xứng đáng

Trong thuật toán PSO các cá thể có thể được cập nhật vị trí và vận tốc của chúng theo sự thay đổi đủ lớn của môi trường xung quanh

Hình 3.7: Eberhart (bên trái) và Kenedy (bên phải)

3.4.2 Thuật toán tối ưu bầy đàn PSO

PSO là một thuật kỹ thuật mô phỏng theo hình thức di chuyển của bầy đàn, mỗi cá thể sẽ tự dịch chuyển một cách thông minh nhất để hướng đến vị trí tốt nhất theo Marini và Walczak 2015 [53], Jia và Guo 2016 [54] Trong PSO, kết quả giải pháp tối ưu được tìm kiếm thông qua quá trình dịch chuyển thông minh của các cá thể trong không gian tìm kiếm Mỗi cá thể tự điều chỉnh hướng và di chuyển về vị trí tốt nhất của nó hoặc của cá thể tốt nhất trong bầy đàn tại thời điểm hiện tại Kết qur là sự tổng hợp của việc tìm ra vị trí tốt nhất của chính mình trên cơ sở vị trí tốt nhất của một bầy đàn, ở đó có sự trao đổi thông tin giữa các cá thể với nhau Đây là sự tự học tập chính mình và học tập xã hội từ các cá thể khác trong bầy đàn

Khởi tạo quần thể bầy đ n ban đầu Đánh giá giá trị của hàm thích nghi

Cập nhật giá trị Điều kiện kết thúc

Khởi tạo các cá thể ban đầu

Tính giá trị pbest và gbest

Hình 3.8: Lưu đồ cơ bản của thuật toán PSO

Cơ chế giải pháp tối ưu được tìm ra bởi thuật toán PSO là thông qua việc cập nhật vị trí của cá thể (particle) trong bầy đàn (swarm) Mỗi cá thể được xem là 1 điểm trong không gian tìm kiếm cà được đặc trưng bởi vị trí và tốc độ riêng Mỗi cá thể được tạo ra ngẫu nhiên vị trí và vận tốc ban đầu và được cập nhật đến các vị trí tốt hơn theo quỹ đạo, được cập nhật liên tục qua các vòng lặp dựa vào vị trí tốt nhất trong quá khứ của cá thể từng đạt được (personal best hay local best) và vị trí bầy đàn tốt nhất từng đạt được (global best)

Trong không gian tìm kiếm D-chiều, vị trí của cá thể thứ i ở vòng lặp thứ t được định nghĩa bởi véc tơ vị trí x i t  (x ,x , ,x ) t i 1 t i 2 t iD T và véc tơ vận tốc v i t  (v ,v , ,v ) t i 1 t i 2 t iD T

Vị trí tốt nhất từng có của cá thể thứ i tại vòng lặp thứ t là p i t  (p ,p , ,p ) t i 1 t i 2 t iD T và vị trí tốt nhất của bầy đàn là vị trí mà bất cứ cá thể nào trong đàn đã trải qua ‘g’

Khi đó vận tốc của cá thể thứ i được tính toán theo công thưc sau:

+ ( t ) ( t ) t t t t id id c r p id id c r p gd id v   v   x    x (3.4.1)

Khi đó vị trí được tính toán cập nhật theo công thức:

Trong đó: d=1,2,…,D đại diện cho chiều và i=1,2,…,S đại diện cho chỉ số cá thể S là kích thước của bầy đàn và c1, c2 là các hằng số nhận thức và xã hội r1, r2 là số ngẫu nhiên trong khoảng [0,1] Từ các công thức (3.4.1) và (3.4.2) các cá thể được cập nhật một cách độc lập với các cá thể khác Liên kết duy nhất giữa chúng là hàm mục tiêu thông qua các vị trí tốt nhất gbest và pbest [55]

Ta thấy trong trong công thức gồm có 3 thành phần:

 Thành phần thứ nhất là véc tơ vận tốc v quá khứ, là một thuật ngữ động lượng có khả năng lưu trữ hướng của chuyển động trước đó Điều này ngăn không cho cá thể thay đổi hướng một cách mạnh mẽ

 Thành phần thứ 2 là thành phần nhận thức hay là bản ngã Do thành phần này, vị trí hiện tại của nó bị hút về phía vị trí tốt nhất trước đó của nó Bằng cách này mỗi cá thể luôn ghi nhớ vị trí tốt nhất của nó và ngăn cản việc di chuyển lang thang của cá thể trong suốt quá trình tìm kiếm

 Thành phần thứ 3 được gọi là thành phần xã hội và chịu trách nhiệm chia sẻ thông tin trong bầy đàn Yếu tố này giúp một cá thể bị thu hút về phía tốt nhất của bầy, mỗi cá thể tự học hỏi từ những cá thể khác trong bầy đàn

Trong quá trình phát trển, để tăng hiệu quả trong quá trình tối ưu hóa, tăng tốc độ hội tụ và đảm bảo sự hội tụ của thuật toán, Shi và Eberthart [56] đã đề xuất điều chỉnh bằng hệ số 

+ ( t ) ( t ) t t t t id id c r p id id c r p gd id v     v   x    x (3.4.3)

Bài toán đa mục tiêu bố trí mặt bằng xây dựng

3.5.1 Tối ưu hóa mục tiêu tiếng ồn Ô nhiễm mỗi trường và đặc biệt là ô nhiễm tiếng ồn từ thi công xây dựng là một trong những nhân tố chính ảnh hưởng đến sức khỏe người lao động và môi trường sống tự nhiên Tuy nhiên trước đây, trong quá trình đô thị hóa chúng ta thường không quan tâm đến vấn đề này cho đến những năm gần đây Tối ưu bố trí mặt bằng công trường là một trong những giải pháp nhằm giảm thiểu ô nhiễm tiếng ồn trên công trường Để giải quyết vấn đề tiếng ồn bằng toán học cần giả thiết rằng, cùng một loại công việc được đặt tại trung tâm của các cơ sở tương ứng Khoảng cách giữa nguồn gây ra tiếng ồn và loại công việc trong hoạt động xây dựng trong cơ sở (cơ sở nhận tiếng ồn) là cơ sở xác định mức độ ô nhiễm của tiếng ồn Mối quan hệ giữa nguồn tiếng ồn và khoảng cách đến sơ sở nhận tiếng ồn là một mối quan hệ suy giảm Để thể hiện mức độ tiếng ồn ở các mức độ khác nhau, đã sử dụng mức độ tiếng ồn tương đương LA eq được xem xét [12]

LA eq được dùng để đo mức độ tiếng ồn từ các cơ sở bắt nguồn từ sự hoạt động của các thiết bị, máy móc xây dựng khác nhau Vì mỗi cơ sở tạm thời thứ i hoạt động đều tạo ra các nguồn tiếng ồn Vì thế mức độ tổng của tiếng ồn không chỉ phụ thuộc vào nguồn chính gây ra tiếng ồn tại i mà còn ảnh hưởng bởi các nguồn tiếng ồn lân cận

Do đó, nó là tổng thể của tất các các nguồn tiếng ồn của cơ sở và các cơ sở lân cận Đối với mức độ tiếng ồn của loại công việc trong cơ sở i (i=1,2,…,m) bắt nguồn từ cơ sở j (j=1,2,…,m), mức độ tiếng ồn của loại công việc là logarit của mỗi nguồn tiếng ồn và được thể hiện qua các công thức sau:

Trong đó: t s là mức độ tiếng ồn của hoạt động loại công việc s, s= 1,2,….,n; e đại diện cho nguồn phát ra tiếng ồn trong cơ sở tương ứng, e=1,2,…,r; L e là mức độ âm thanh của nguồn tiếng ồn; được thể hiện ở công thức (3.5.2) Ở công thức (3.5.2) nếu loại công công việc và nguồn tiếng ồn cùng nằm trong một cơ sở i (i=j), thì mức độ tiếng ồn của nguồn tiếng ồn là tổng logarit của mỗi mức độ nguồn tiếng ồn với chính nó và giá trị L e LA eq

Trường hợp i≠j, thì mức độ ô nhiễm của nguồn tiếng ồn là tổng logarit của mỗi mức độ tiếng ồn trong cơ sở j với giá trị L e LA eq vì sự suy giảm của tiếng ồn do khoảng cách giữa các cơ sở khác nhau, giá trị có thể được tính bằng phương trình (3.5.3)

Y là giá trị đại diện cho sự suy giảm tiếng ồn theo khoảng cách giữa các cơ sở và d ij là khoảng cách Ecuulid, d ij 0và được tính toán bằng công thức sau:

Với x i , y , i x j , y j là tọa độ trung tâm của các cơ sở tương ứng

Tọa độ của các cơ sở trên mặt bằng công trường đượ chia theo dạng lưới với các ô kích thức 5x5 Tổng ô nhiễm tiếng ồn của các loại công việc khác nhau được tính bằng tổng tiếng ồn của từng loại công việc trong cơ sở tương ứng Để giảm thiểu tổng ô nhiễm của tiếng ồn trên công trường, hàm mục tiêu F1 được tính theo công thức sau:

Nhận thấy để giảm thiểu ô nhiễm tiếng ồn tổng thể, các cơ sở nên được bố trí xa các cơ sở có nguồn tiếng ồn cao Công thức suy giảm tiếng ồn đã được xác định bằng cách bố trí máy đo giám sát tiếng ồn ở các cơ sở khác nhau, sau đó tiến hành phân tích thống kê và phân tích hồi quy để đưa ra công thức trên Ở nghiên cứu này vấn đề suy giảm tiếng ồn bởi chướng ngại vật và hấp thụ của môi trường đã được giả định là bỏ qua, chỉ xét sự suy giảm bởi khoảng cách

3.5.2 Tối ưu hóa mục tiêu rủi ro giữa các luồng hoạt động

Các luồng tương tác từ hoạt động xây dựng giữa các cơ sở trên công trường là nguyên nhân chính gây ra tai nạn giữa chúng Sơ đồ bố trí các cơ sở tạm thời với các luồng tương tác cho một khu vực có thể đơn giản hóa như hình sau:

Hình 3.9: Luồng tương tác giữa các cơ sở tạm trên công trường

Luồng tương tác trên công trường bao gồm các luồng vận chuyển vật liệu, thiết bị và con người di chuyển trên công trường có thể được định lượng bởi lượng vật liệu lưu thông trên ngày, số lượng thiết bị lưu thông và dòng dịch chuyển của con người mỗi ngày trên công trường [29, 31]

Tần suất của các luồng tương tác càng cao thì xác suất va chạm càng lớn Số lượng giao chéo giữa các đường đi càng nhiều, thì khả năng tai nạn càng dễ xảy ra Một mặt bằng bố trí mỗi vị trí thuận lợi của cơ sở tạm trên công trường có thể cải thiện sự an toàn và đảm bảo điều kiện thuận lợi cho việc di chuyển trên công trường

Hàm mục tiêu thứ 2 được thể hiện theo công thức sau, là tối thiểu tổng rủi ro giữa các luồng hoạt động chính là sự an toàn trên công trường

2 1 1 1 ij ij ij min np n n 1 p p i j p

     (3.5.6) Trong đó: d ij là khoảng cách Euclidian giữa cơ sở i và j, p là giai đoạn hoạt động, n là số lượng cơ sở tạm trên công trường,P ijp đại diện cho ma trận hoán vị của cơ sở i và j ở giai đoạn thứ p, tuy nhiên trong thực tế để xác định chính xác giá trị vận chuyển giữa các cơ sở là rất khó khăn [26], điều này thúc đẩy sử dụng các trọng số quy đổi [26, 57] SE ijp là giá trị đại diện cho mối quan hệ vè sự gần gũi trong mối quan tâm về an toàn và môi trường, dấu âm và nghịch đảo được sử dụng để tối đa hóa khoảng cách giữa các cơ sở có giá trị SE cao hơn

Trong nghiên cứu này sử dụng dữ liệu có sẵn được ứng dụng trong nhiều công trình bởi tháng đo tương đường Giá trị SE được tính toán trên cơ sở yếu tố định lượng và định tính do đó hệ thống theo quy tắc mờ là cần thiết Quy tắc tính toán được thể hiện qua 4 bước sau [57]:

Bước 1: Xác định các yếu tố ảnh hưởng đến mối quan hệ và quyết định xếp hạng mối quan hệ

Bước 2: Xác định trọng số của các nhân tố

Bước 3: Làm Fuzzy mờ hóa yếu tố và trọng số

Bước 4: Thiết lập logic ra quyết định

Bước 5: Giải quyết tập mờ

Từ đó đưa ra được mối quan hệ giữa các cơ sở theo trọng lượng quy đổi

Thang đo 6 giá trị được sử dụng để quy đổi trọng lượng trong công nghiệp bố trí mặt bằng công trường với các mức được thể hiện ở bảng sau:

Bảng 3.1: Bảng thang đo 6 giá trị

3.5.3 Tối ưu hóa mục tiêu chi phí

Chi phí là vấn đề hàng đầu được quan tâm từ sớm và là mục tiêu quan trọng bậc nhất trong quản lý xây dựng Trong các chi phí liên quan, mục tiêu giảm thiểu chi phí vận chuyển giữa các luồng hoạt động thông qua việc bố trí vị trí của các cơ sở tạm trên, ảnh hưởng sâu sắc bởi khoảng cách giữa các cơ sở tạm

Phương pháp ra quyết định đa tiêu chí

3.6.1 Tổng quan về phương pháp ra quyết định đa tiêu chí

Ra quyết định là yếu tố then chốt để đạt được thành công trong bất kỳ lĩnh vực nào, đặc biệt trong lĩnh vực xây dựng đòi hỏi xử lý nhiều thông tin Hầu hết các nhiệm vụ, các quy trình và yêu cầu đều xem xét đến nhiều khía cạnh, nhiều yếu tố nên việc đưa ra ruyết định trong môi trường như thế này là tương đối khó khăn Vì thế nhu cầu công cụ hỗ trợ ra quyết định đa tiêu chí là cần thiết Có rất nhiều phương pháp ra quyết định đa tiêu chí (MCDM) đã được nghiên cứu và ứng dụng để giải quyết các vấn đề khác nhau trong các lĩnh vực khác nhau của cuộc sống Các phương pháp này có thể hỗ trợ trong các vấn đề định lượng và cả vấn đề định tính Trong số các phương pháp ra quyết định đa tiêu chí có thể kể đến một số phương pháp nổi bật và phổ biến như: Kỹ thuật cấu trúc phân tích theo thang đo so sánh cặp (AHP), Quy trình mạng phân tích (ANP), MCDM hỗn hợp, Tập mờ (FSs), Phương pháp xếp hạng ưu tiên đẻ làm phong phú đánh giá (PROMETHEE), kỹ thuật sắp xếp thứ tự ưu tiên theo độ tương tự với giải pháp lý tưởng (TOPSIS), phương pháp trọng số đơn giản (SAW), phương pháp lý luận bằng chứng (ER), Theo thống kê của một số nghiên cứu về MCDM, phương pháp phân tích thứ bậc (AHP) trong các công cụ đơn lẻ và MCDM hỗn hợp là các phương pháp được xếp hạng đầu trong việc được sử dụng [59] Xét ví dụ tổng quát đơn giản của bài toán đa tiêu chí như sau:

1 2 min{y ( ), y ( ), y ( ) | x x x n x  D } (3.6.1) Trong đó D là tập hợp các giải pháp khả thi của x={x1, x2,…, xn} và

{y ( ), y ( ), y ( )} x x n x là một tập hợp tất cả hàm mục tiêu để đánh giá Mỗi hàm mục tiêu này có thể là hàm cực đại hoặc là hàm cực tiểu giá trị Sự mong muốn của người ra quyết định là tìm được một giải pháp tối ưu trên toàn bộ các tiêu chí đặt ra Tuy nhiên, trong thực tế việc tìm ra giải pháp tối ưu thỏa mãn tất cả các mục tiêu là không thể vì vậy tùy theo bài toán khác nhau mà người ra quyết định lựa chọn xem xét theo các yếu tố phù hợp Việc đưa ra quyết định đa mục tiêu không chỉ phụ thuộc vào dữ liệu phân tích mà còn ảnh hưởng tự sự chủ quan của người ra quyết định vì thế không có phương pháp nào là hoàn toàn vượt trội tuyệt đối nhất Mối quan hệ giữa các tiêu chí hàm mục tiêu được định nghĩa tương tự như mục 3.2

 X1 và X2 không bị chi phối lẫn nhau

Một giải pháp được xem là ưu thế hơn giải pháp khác khi tồn tại ít nhất một mục tiêu mà nó ưu thế hơn cùng với đó là tất cả các mục tiêu còn lại không kém hơn Trường hợp không ưu thế hơn thì 2 giải pháp không thể so sánh được với nhau về các mục tiêu Do đó để so sánh được cần có các thông tin bổ sung có thể có như sau:

 Sự thỏa hiệp mục tiêu

 Kết hợp hàm mục tiêu để trở thành vấn đề đơn mục tiêu

 Kết hợp trọng số cho các hàm mục tiêu để đánh giá

 Đặt ra ưu tiên cho các hàm mục tiêu

Trong bố trí mặt bằng xây dựng, có nhiều mục tiêu cần giải quyết Tuy nhiên trong nghiên cứu này là 3 mục tiêu giảm thiểu tiếng ồn, giảm thiểu rủi ro và chi phí giữa các luồng hoạt động Do tính chất mâu thuẫn mục tiêu với nhau được giải quyết bằng thuật toán đa mục tiêu, giải pháp được tìm ra là tập hợp tối ưu mặt trước Pareto Vì vậy cần có phương pháp hỗ trợ ra quyết định đa tiêu chí để giúp người quản lý đưa ra quyết định phù hợp trong tập hợp giải pháp, đưa đến hiệu quả cao nhất, hạn chế rủi ro khi đưa ra quyết định thỏa mãn cân bằng giữa tất cả các mục tiêu

3.6.2 Phương pháp lập lập chứng cứ (ER)

Vào năm 1967, Dempster là người đầu tiên đề xuất và nghiên cứu về lý thuyết lập luận chứng cứ Sau đó Shafer đã phát triển và hoàn thiện vào những năm 70 của thế kỷ 20 Lý thuyết này đưa ra một phương pháp hợp lý có thể lặp lại tổng hợp dữ liệu không chắc chắn, không đầy đủ và mơ hồ Lý thuyết lập luận chứng cứ có sự tương tự với lý thuyết xác suất của Bayes về việc cả 2 đều sử dụng lý thuyết niềm tin chủ quan để đưa ra chứng cứ mới Sự khác nhau của lập luận chứng cứ là sự kết hợp giữa chứng cứ và xử lý thiếu thông tin trong quá trình lập luận kết hợp với chứng cứ [60] Phương pháp lập luận chứng cứ được phát triển trên cơ sở lý thuyết của Dempster và Shafer (D-S) và được trình bày trong nghiên cứu Shafer năm 1976 [61], và được giải thích chi tiết bởi Yang và Xu năm 2002 [62] Trong giải quyết vấn đề có sự không chắc chắn khi có sự mô hình hóa bằng cách sử dụng các định nghĩa về cấu trúc niềm tin và ma trận quyết định niềm tin [63, 64] Ra quyết định đa tiêu chí có sự không chắc chắn và có tính chất kết hợp, phương pháp lập luận chứng cứ ER là một hướng tiếp cận hiệu quả [64, 65] Vì thế phương pháp ER đã được ứng dụng hiệu quả trong đa dạng lĩnh vực khác nhau Trong bài toán đa mục tiêu với tập giải pháp mặt trước Pareto, phương pháp lập luận chứng cứ ER sử dụng bằng cách xếp hạng các giải pháp không bị chi phối Cơ sở tiếp cận của phương pháp lập luận bằng chứng ER là tiếp cận phân tích nhiều vấn đề có sự không chắc chắn bằng cách quy về mức cấu trúc niềm tin theo một quy tắc thống nhất Kỹ thuật của phương pháp ER là việc tổng hợp thông tin và quy đổi thông tin theo quy tắc và thứ tự ưu tiên của vấn đề để giải quyết các thông tin định lượng và định tính theo quy tắc bình đẳng giá trị Phương pháp lập luận chứng cứ ER trong việc hỗ trợ giải quyết vấn đề MCDM được tóm tắt thành 4 bước cơ bản sau [66]:

(1) Xác định và phân tích các vấn đề ra quyết định đa tiêu chí

(2) Chuyển đổi cấu trục niềm tin khác nhau thành một cấu trúc niềm tin thống nhất bằng cách sử dụng quy tắc và thứ tự ưu tiên dựa trên kỹ thuật chuyển đổi (3) Tổng hợp thông tin bằng cách sử dụng lý thuyết phân tích lập luận (ER) (4) Tạo ra các kết quả phân phối, đánh giá, điểm số ưu tiên hoặc khoảng ưu tiên nếu thông tin bị thiếu Trong bước này, giải pháp với số điểm đánh giá ưu tiên cao nhất sẽ được đánh giá là hiệu quả hơn các giải pháp với giá trị thấp hơn

Trong bài nghiên cứu này, phương pháp lập luận chứng cứ (ER) được kết hợp với thuật toán lai ghép chuồn chuồn và tối ưu bầy đàn (DA-PSO) để tìm giải pháp tốt nhất cho bài toán tối ưu đa mục tiêu bố trí mặt bằng xây dựng với ba mục tiêu cân bằng: tối ưu tiếng ồn, an toàn và chi phí các luồng hoạt động Chi tiết quy trình áp dụng được trình bày trong Chương 4 của luận văn này.

PHÁT TRIỂN THUẬT TOÁN LAI GHÉP CHUỒN CHUỒN VÀ TỐI ƯU BẦY ĐÀN (DA-PSO) ĐA MỤC TIÊU ĐỂ GIẢI QUYẾT BÀI TOÁN TỐI ƯU

Trên cơ sở các nghiên cứu được tham khảo, trường hợp nghiên cứu tham khảo từ cơ sở bài báo về tối ưu bố trí mặt bằng của M.Yayha, M.P.Saka [30] Công trình là một bệnh viện tư nhân được xây dựng tại thành phố Riffa, Brahrain Tòa nhà là là công trình cao 3 tầng với các văn phòng công trường và các cơ sở tạm được xác định để phục vụ cho quá trình thi công Nhiệm vụ của mô hình là đề xuất vị trí của các cơ sở tạm thời trên công trường phù hợp với mục đích giảm thiểu rủi ro và chi phí giữa các luồn hoạt động Các cơ sở tạm thời trên công trường bao gồm cơ sở cố định và cơ sở không cố định Cơ sở cố định là những cơ sở đã xác định vị trí trên công trường và không thể thay đổi, cơ sở không cố định là cơ sở có thể thay đổi trên công trường để đạt được mục đích đề ra Công trình được thi công theo 3 giai đoạn:

 Giai đoạn 1: Phần móng và ngầm

 Giai đoạn 2: Phần kết cấu phía trên

 Giai đoạn 3: Phần hòan thiện

Mặt bằng công trường ban đầu được đề xuất bởi nhà thầu theo kinh nghiệm cũng như sự phỏng đoán chủ quan được thể hiện như hình dưới:

Hình 4.1: Bố trí mặt bằng xây dựng đề xuất của nhà thầu

Kích thước và giai đoạn tương ứng của các cơ sở tạm cùng với tọa độ tâm của cơ sở tạm cố định đã được xác định và được thể hiện ở trong bảng sau:

Bảng 4.1: Cơ sở tạm và các dữ liệu liên quan

Trong nghiên cứu này, dữ liệu của bải toán là dựa trên các nghiên cứu trước đây Vì thế kích thước phù hợp nhất của mỗi cơ sở trên bố trí mặt bằng đã được tính toán và xác định từ trước trên cơ sở giả định nhu cầu tài nguyên được là tuyến tính

No Ký hiệu Cơ sở tạm thời Loại cơ sở Kích thước m2 Giai đoạn phục vụ Tọa độ (x) Tọa độ (y)

1 F1 Bãi thép Không cố định 25x12 1,2

2 F2 Xưởng mộc Không cố định 25x12 1,2,3

3 F3 Bãi máy trộn Không cố định 20x12 1,2

4 F4 Khu vực để vật liệu Không cố định 25x12 1,2,3

5 F5 Nhà kho dụng cụ Không cố định 12x9 1,2,3

6 F6 Máy phát điện diesel Không cố định 10x4 1,2,3

7 F7 Phòng mẫu (thử) Cố định 10x10 3 44,5 110

8 F8 Phòng tắm rửa chung Cố định 12,5x12,5 1,2,3 145,5 108,75

9 F9 Văn phòng nhà thầu Cố định 9x12 1,2,3 31 110,5

10 F10 Văn phòng quản lý dự án Cố định 6x12 1,2,3 19 112

11 F11 Vận thăng vật liệu Cố định 5x10 2,3 91,5 92,5

14 F14 An ninh lối vào Cố định 3x3 1,2,3 3,5 111,5

15 F15 An ninh lối ra Cố định 3x3 1,2,3 19,75 10,25

16 F16 Tòa nhà chính Cố định 85x60 1,2,3 92,5 60

Tọa độ của cơ sở được định nghĩa là tọa độ trung tâm của cơ sở, cơ sở tạm thời được xem là 1 điểm trong mặt phẳng 2 chiều hệ tọa độ Descartes

Ngoài ra do mỗi cơ sở tạm khi xác định được tọa độ tâm đều có 2 khả năng khi bố trí trên mặt bằng (không xét đến hướng nằm theo chiều ngẫu nhiên) là nằm theo phương ngang hoặc chiều dọc vì vậy ta quy ước cơ sở nằm ngang nếu là 0 và ngược lại nằm dọc nếu là 1 và được minh họa ở hình dưới

Hình 4.2: Các phương án bố trí của cơ sở

Bài toán trong nghiên cứu này nhằm mục đích giải quyết vấn đề đa mục tiêu giảm thiểu rủi ro và chi phí giữa các luồng hoạt động Hàm mục tiêu này được trình bày ở Chương 3: Cơ sở lý thuyết và có thể được tóm tắt ngắn gọn hàm mục tiêu bằng 2 công thức toán học như sau:

2 1 1 1 ij ij ij min np n n 1 p p i j p

3 min np 1 n 1 n 1 ij p ij ij p p i j

Dựa trên thông tin từ người quản lý dự án, các ma trận trọng số tương ứng của chi phí và an toàn theo các giai đoạn thực hiện của dự án đã được xác định và được thể hiện chi tiết ở các bảng dưới đây (Bảng 5.2 đến Bảng 5.7) Giá trị quy đổi trọng số tương ứng theo thang đo 6 giá trị đã được trình bày ở Chương 3, Bảng 3.1

Bảng 4.2: Giai đoạn 1 – Các trọng số đại diện cho mối quan tâm về an toàn

Bảng 4.3: Giai đoạn 1 – Các trọng số đại diện cho tổng chi phí

Các điều kiện ràng buộc của vấn đề bao gồm 3 ràng buộc chính là không chồng chéo giữa các cơ sở tạm thời, cơ sở tạm thời nằm trong giới hạn biên của công trường và ràng buộc về khả năng của cần trục theo nhu cầu công việc đã được xác định trước Điều kiện các cơ sở tạm không bị chồng chéo lẫn nhau trên công trường được thể hiện bằng công thức toán học sau: ij ij

: min{0.5(b i b j ) h |x i x j |, 0.5(l i l j ) v |y i y j | } 0 (4.3) Trong đó: i1, 2, ,15tương ứng với các sơ sở tạm và i16 cho trường hợp tòa nhà chính Tương tự như thế đối với j1, 2, ,15 và j16; h v ij , ij tương ứng là khoảng cách từ tòa nhà đến các cơ sở tạm không cố đinh và xác định khi i16 hoặc j16là ij, ij 3 h v  m Điều kiện để các cơ sở không cố định thuộc mặt bằng công trường được thể hiện bởi

4 công thức toán học dưới đây:

Trong đó x i , y i là các số dương tương ứng với cơ sở tạm từ 1 đến 6, i1, 2, ,6 Ngoài ra trên công trường được bố trí 2 cẩu tháp (F12 và F13) với bán kính có thể hoạt động là 45m Theo nhu cầu công việc và đã được xác định trước thì cơ sở tạm thời bãi thép (F1), xưởng mộc (F2) cần nằm trong bán kính làm việc của cẩu tháp F12, tương tự là bãi máy trộn (F3) và khu vực để vật liệu (F4) phải nằm trong bán kính hoạt động của cẩu tháp F13 Do đó, ràng buộc về cẩu tháp được thể hiện bằng các công thức sau:

(4.8) Trong đó: TX 12 , TY 12 tương ứng là tọa độ tâm của cẩu tháp F12, FCX FCY i , i tương ứng là tọa độ góc xa nhất của cơ sở tương tứng thứ i

(4.9) Trong đó: TX 13 , TY 13 tương ứng là tọa độ tâm của cẩu tháp F13, FCX FCY i , i tương ứng là tọa độ góc xa nhất của cơ sở tương tứng thứ i.

Thuật toán DA-PSO đa mục tiêu cho bải toán tối ưu

Ở mục này trình bày mô phỏng thuật toán lai ghép DA-PSO đa mục tiêu, thuật toán này được phát triển trên cơ sở lai ghép 2 thuật toán chuồn chuồn (DA) và tối ưu bầy đàn (PSO) để giải quyết bài toán tối ưu mặt bằng công trường đa mục tiêu

Cơ sở của thuật toán được chia làm 2 giai đoạn khám phá và khai thác tương ứng với

2 thuật toán đơn lẻ Ở giai đoạn đầu, để tận dụng ưu thế của thuật toán chuồn chuồn là tính khám phá toàn cục, rộng lớn nên thuật toán DA được áp dụng Từ đó thu được vị trí tốt nhất bởi DA Vị trí tốt nhất của DA được gán thành vị trí tốt nhất toàn cục trong thuật toán PSO Sau đó chuyển sang giai đoạn thứ 2, giai đoạn khai thác để tận dụng ưu thế khai thác nhanh của thuật toán PSO Ở giai đoạn này, giái trị tốt nhất của

DA được tính là giá trị hiện tại tốt nhất toàn cục để làm cơ sở cho việc cập nhật vận tốc và vị trí của các cá thể trong bầy đàn của thuật toán PSO

Mô tả quá trình này được thể hiện ở lưu đồ dưới đây và được thực hiện tính toán trên phần mềm MATLAB

Cài đặt các thông số hệ thống

Bắt đầu Khởi tạo quần thể DA.

Khởi tạo quần thể PSO

Kiểm tra điều kiện ràng buộc t< Max vòng lặp

Tính các thông số của DA (s,a,c,f,e, )

Cập nhật nguồn thức ăn và kẻ thù

Tính toán các giá trị S, A,C,F và E theo công thức (3.3.1) đến (3.3.5)

Nếu có cá thể lân cận

Cập nhật X theo công thức

XDA theo công thức (3.3.7) Cập nhật

Kiểm tra điều kiện biên của các cá thể nếu ngoài giới hạn thì đưa về giá trị giới hạn Kết thúc Đúng Sai

Thiết lập XDA làm giá trị tốt nhất gbest của PSO Cập nhật V theo công thức

Cập nhật Xpbest Tính giá trị hàm mục tiêu Tìm giải pháp không ưu thế tuyệt đối và lưu vào mặt trước Pareto Đúng

Hình 4.3: Lưu đồ thuật toán DA-PSO cho bài toán đa mục tiêu

Các bước thực hiện có thể được diễn tả như sau:

Bước 1 Thiết lập các thông số hệ thống như điều kiện biên của bài toán, các thông số của thuật toán như số vòng lặp, số lượng chuồn chuồn và kích thước bầy đàn và kích thước kho lưu trữ của bài toán Một số thông số khác như:

Bước 2 Khởi tạo quần thể chuồn chuồn và bầy đàn ban đầu

Bước 3 Kiểm tra điều kiện ràng buộc của bài toán

Bước 4 Nếu vòng lặp chưa đạt giá trị Max ban đầu thì chuyển sang quá trình khám phá bằng thuật toán DA, tính toán các thông số của DA (s, a, c, f và e).Cập nhật nguồn thức ăn và kẻ thù theo công thức ở mục lý thuyết

Bước 5 Cập nhật tính toán các giá trị S, A, C, F, E theo các công thức từ (3.3.1) đến (3.3.5)

Bước 6 Kiểm tra chuồn chuồn nếu tồn tại các cá thể lân cận thì cập nhật véc tơ bước

X và véc tơ vị trí chuồn chuồn X DA theo công thức (3.3.6) và (3.3.7); đối với trường hợp không có cá thể lân cận thì cập nhật véc tơ vị trí chuồn chuồn X DA theo công thức (3.3.8) đồng thời lúc đó  X 0

Bước 7 Kiểm tra điều kiện biên của các các thể trong bầy đàn, nếu vượt ra ngoài giới hạn biên thì đưa về giá trị lớn nhất hoặc nhỏ nhất tương ứng

Bước 8 Thiết lập vị trí tốt nhất của DA làm giá trị tốt nhất toàn cục của PSO X gbest Bước 9 Câp nhật véc tơ vận tốc và vị trí của các các thể trong bầy đàn theo công thức (3.4.2) và (3.4.3)

Bước 10 Tính toán các giá trị hàm mục tiêu

Bước 11 Tìm giải pháp tối ưu không ưu thế theo phương pháp Pareto và lưu vào kho lưu trữ

Lặp lại cho đến khi số vòng lặp đạt đến giá trị lớn nhất Max và đưa ra tập tối ưu không ưu thế mặt trước Pareto.

Kết quả và đánh giá

Bài toán được đưa vào lập trình và tính toán bằng phần mềm MATLAB với các thông số đã cho và được thể hiện ở hình dưới Trên cơ sở lý thuật ở Chương 3 Mục tiêu giảm thiểu tiếng ồn được xác định theo các trình tự sau

Dựa theo thông số số vòng lặp và số lượng cá thể của bài báo để có thể so sánh tương đương, thiết lập thông số đầu vào với số vòng lặp là 1500, kích thước bầy đàn là 50 tương ứng

Hình 4.4: Thông số đầu vào cho thuật toán DA-PSO

Từ bài toán ta thấy mục đích của bài toán là xác định vị trí của 6 cơ sở không cố định và định hướng vị trí của cơ sở sao cho thỏa mãn mục đích tối ưu hóa đa mục tiêu của vấn đề Cùng với đó là khả năng bố trí ngăn dọc trên mặt bằng, bài toán trờ thành tìm

18 thông số chưa biết dựa trên các ràng buộc của bài toán

Kết quả chạy thực hiện ta thu được kết quả là tập mặt trước Pareto có các giải pháp khác nhau và trên cơ sở đó ta chọn các giá trị tương ứng để so sánh với lời giải trên cơ sở của thuật toán MOABC Giải pháp của MOABC đưa ra là 3 trường hợp L1, L2, L3 tốt hơn giải pháp gốc ban đầu Trên cơ sở thực hiện tính toán bằng DA-PSO, kết quả cho thấy tìm được rất nhiều giá trị ưu thế hơn, một số giá trị ưu thế hơn được thể hiện ở bảng dưới

Bảng 4.8: Kết quả tối ưu được thực hiện bởi MOABC Trong đó:  % F 1  ( ( 1) F ( ))/ | F L 1  1 O F O 1 ( ) |; %  F 2  ( F L 2 ( 1) F ( )) /  2 O F O 2 ( )

Giải pháp so sánh với L1

Bảng 4.9: Một số kết quả tối ưu so sánh với L1 thực hiện bởi MODA-PSO

Từ kết quả cho thấy thực hiện bằng mô hình thuật toán DA-PSO tìm được các giải pháp tương ứng với các trường hợp của thuật toán ABC là ưu thế hơn Chi tết được thể hiện cụ thể như sau:

Giải pháp được tìm ra với giá trị hàm mục tiêu 1 và 2 tương ứng là F1= -6777,44 và F2 = 266702,19 lần lượt tốt hơn kết quả L1 được tính toán là giá trị F1 giảm -3,9% tốt hơn so với tăng 0,1% của L1, đồng thời giá trị F2 cũng giảm -15,83% so với L1 giảm -15,5%

Bảng 4.10: Một số kết quả tối ưu so sánh với L2 thực hiện bởi MODA-PSO

Giải pháp được tìm ra với giá trị hàm mục tiêu 1 và 2 tương ứng là F1= -7818,66 và F2 = 285069,78 lần lượt tốt hơn kết quả L2 được tính toán là giá trị F1 giảm -19,86% tốt hơn so với giảm -19.2% của L2, đồng thời giá trị F2 cũng giảm -10,04% so với L2 giảm -10%

Giải pháp được tìm ra với giá trị hàm mục tiêu 1 và 2 tương ứng là F1= -7785,09 và F2 = 284269,2 lần lượt tốt hơn kết quả L2 được tính toán là giá trị F1 giảm -19,35% tốt hơn so với giảm -19.2% của L2, đồng thời giá trị F2 cũng giảm -10,29% so với L2 giảm -10%

Bảng 4.11: Một số kết quả tối ưu so sánh với L3 được hiện bởi MODA-PSO

Giải pháp được tìm ra với giá trị hàm mục tiêu 1 và 2 tương ứng là F1= -7937,62 và F2 = 295980,57 lần lượt tốt hơn kết quả L3 được tính toán là giá trị F1 giảm -21,69% tốt hơn so với giảm -21,4% của L3, đồng thời giá trị F2 cũng giảm -6,59% so với L3 giảm -2,8%

Giải pháp được tìm ra với giá trị hàm mục tiêu 1 và 2 tương ứng là F1= -7994,78 và F2 = 306617,57 lần lượt tốt hơn kết quả L3 được tính toán là giá trị F1 giảm -22,56% tốt hơn so với giảm -21,4% của L3, đồng thời giá trị F2 cũng giảm -3,24% so với L3 giảm -2,8%

Kết quả so sánh có thể được minh họa bằng các hình biểu đồ sau:

Hình 4.5: So sánh kết quả thuật toán MOABC và MODA-PSO về chi phí

Hình 4.6: So sánh kết quả thuật toán MOABC và MODA-PSO về an toàn

Giá trị tập Pareto mặt trước tương ứng 3 trường hợp được thể hiện ở hình dưới

Hình 4.7: So sánh kết quả tương ứng của thuật toán MOABC và MODA-PSO

Hình 4.8: Mặt phẳng bố trí mặt bằng trường hợp 1

Hình 4.9: Mặt phẳng bố trí mặt bằng trường hợp 2.1

Kết quả cho thấy thuật toán DA-PSO cho thấy được sự tối ưu với tập giải pháp với giá trị phân bố rộng hơn, đồng thời tìm được giải pháp tốt hơn Điều này chứng minh sự kết hợp phù hợp và hiệu quả của 2 thuật toán DA và PSO cho 2 quá trình khám phá và khai thác đã tận dụng được ưu thế của mỗi thuật toán đồng thời khắc phục hạn chế của chính nó khi hoạt động riêng lẻ Từ đó khẳng định sự hiệu quả của sự kết hợp DA-PSO này, mang lại hiệu quả cao, kỳ vọng có thể giải quyết được các bài toán một cách hiệu quả nhất.

PHÁT TRIỂN THUẬT TOÁN LAI GHÉP CHUỒN CHUỒN VÀ TỐI ƯU BẦY ĐÀN (DA-PSO) ĐA MỤC TIÊU KẾT HỢP PHƯƠNG PHÁP RA QUYẾT ĐỊNH ĐA TIÊU CHÍ ĐỂ GIẢI QUYẾT BÀI TOÁN TỐI ƯU

Trên cơ sở bài toán được nghiên cứu ở chương 4 với 2 hàm mục tiêu giảm thiểu chi phí và giảm thiểu rủi ro Từ sự hiệu quả của thuật toán DA-PSO, bài toán nghiên cứu được kết hợp bổ sung mục tiêu giảm thiểu tiếng ồn, bài toán trở thành tối ưu đa mục tiêu bố trí mặt bằng xây dựng với 3 hàm mục tiêu Trên cơ sở các nghiên cứu về nguồn ồn và tiếng ồn của các loại máy xây dựng trên công trường, có thể tổng hợp về các nguồn tiếng ồn và cường độ tiếng ồn thể hiện ở bảng dưới

Nguồn dữ liệu được tổng hợp trên cơ sở cá nghiên cứu của Hamad năm 2016 [9] và Ning năm 2019 [32]

STT Máy trên công trường xây dựng Cường độ tiếng ồn (dBA)

9 Máy vận thăng vật liệu 68

Bảng 5.1: Cường độ của các loại máy xây dựng trên công trường Đây là bảng nguồn ồn của một số máy móc thiết bị chính hoạt động trên công trường xây dựng Nhận thấy theo số liệu nghiên cứu nguồn tiếng ồn từ 70dBA trở lên bắt đầu có hại với sức khỏe của con người, ngoài ra tác động của nguồn ồn còn phụ thuộc vào thời gian kéo dài của nguồn ồn Vì thế các nguồn ồn trên được đưa vào nghiên cứu này với mục tiêu giảm thiểu tiếng ồn

Cũng theo nghiên cứu này và trên cơ sở dữ liệu bài toán cần thực hiện bao gồm các cơ sở được bố trí trên mặt bằng công trường Các cơ sở tạm được bố trí trên mặt bằng với các nguồn ồn được tổng hợp và được thể hiện như bảng sau:

` Máy tên công trường xây dựng Cơ sở tạm thời

9 Máy vận thăng vật liệu F11

Bảng 5.2: Bảng nguồn ồn của các cơ sở trên mặt bằng

Dựa theo cơ sở lý thuyết đã được trình bày ở Chương 3, nguồn ồn ở các cơ sở được tổng hợp theo công thức 10 0.1

10 log r 1 10 L e s e t      , qua quá trình tính toán ta được nguồn ồn tổng hợp từ các cơ sở tạm trên mặt bằng công trường như sau:

Cường độ tiếng ồn tổng hợp dBA 80.04 96.98 80 70.4 50 50 68

Bảng 5.3: Nguồn ồn tổng hợp của các cơ sở tạm

Kết hợp thuật toán DA-PSO và phương pháp ra quyết định đa tiêu chi để giải quyết bài toán tối ưu cân bằng đa mục tiêu

Kết quả của bài toán đa mục tiêu theo phương pháp Pareto là tập hợp các giải pháp tối ưu mà không thể đánh giá để tìm ra giải pháp tối ưu nhất Do đó giải pháp được đưa ra là tiếp tục thực hiện kết hợp phương pháp ER tìm kiếm giải pháp tối ưu nhất theo hướng cân bằng các mục tiêu Ở phần này là bước tiếp theo của giải thuật DA-PSO vì vậy có thể trình bày các bước thực hiện như sau:

Bước 1: Thực hiện giải quyết bài toán bằng thuật toán lai ghép DA-PSO và đưa ra được kết quả là tập giải pháp tối ưu mặt trước Pareto

Bước 2: Thực hiện quy đổi để định lượng trọng số cho các hàm mục tiêu bằng kỹ thuật Entropy của Shannon

Kỹ thuật Entropy của Shannon là phương pháp chuẩn hóa xác định trọng số cho từng thuộc hàm mục tiêu [67, 68] Đối với mỗi hàm mục tiêu thứ z, giải pháp thứ t tham số entropy Shannon Eij có thể được xác định bởi các công thức sau:

* ln ; ; 1, ; 1, ln n zt zt zt z zt zt n z zt

(5.2) trong đó, f tz là hàm mục tiêu thứ z của giải pháp thứ t; P tz biểu thị chuẩn hóa tuyến tính của hàm mục tiêu thứ z cho giải pháp thứ t; m và n theo thứ tự là số lượng mục tiêu và số lượng giải pháp đang có Công thức (4.2) được tối ưu hóa để tính trọng số chuẩn hóa  z cho mỗi thuộc tính cơ bản (hàm mục tiêu)

Bước 3: Sử dụng kết hợp ra quyết định đa tiêu chí bằng lập luận chứng cứ ER để tính toán điểm ưu tiên và đưa ra bảng xếp hạng ưu tiên các giải pháp

Cấu trúc niềm tin cho các hàm mục tiêu sử dụng trong nghiên cứu này được xác định số lớp niềm tin được đánh giá là k=5, với các mức đánh giá là “tốt”, “khá”, “tiêu chuẩn”, “không tốt”, và “kém” Tập hợp toàn bộ các lớp được định nghĩa là { k , 1, 2,3, 4,5}

H  H k  Trong nghiên cứu này các lớp là như nhau nên cấu trúc niềm tin của các thuộc tính được chia thành 4 khoảng bằng nhau và thể hiện bởi thang đo như hình dưới

Kém Không tốt Tiêu chuẩn Khá Tốt

Hình 5.1: Thang đo cấu trúc niềm tin

Mức độ niềm tin kết hợp được tính toán theo công thức sau:

(5.3) trong đó  jk là mức biểu thị độ tin tưởng của thuộc tính thứ j đối với lớp thứ k Điểm ưu tiên của các giải pháp trong tập mặt trước Pareto được tính theo công thức:

Bước 4: Đưa ra quyết định đa tiêu chí dựa trên điểm ưu tiên cao nhất

Chi tiết của quy trình thực hiện được thể hiện theo lưu đồ dưới đây

Cài đặt các thông số hệ thống

Bắt đầu Khởi tạo quần thể DA.

Khởi tạo quần thể PSO

Kiểm tra điều kiện ràng buộc t< Max vòng lặp

Tính các thông số của DA (s,a,c,f,e, ) Cập nhật nguồn thức ăn và kẻ thù

Tính toán các giá trị S, A,C,F và E theo công thức (3.3.1) đến (3.3.5) Nếu có cá thể lân cận

Cập nhật X theo công thức

(3.3.6) và XDA theo công thức (3.3.7) Cập nhật

Kiểm tra điều kiện biên của các cá thể nếu ngoài giới hạn thì đưa về giá trị giới hạn

Thiết lập XDA làm giá trị tốt nhất gbest của PSO

Cập nhật V theo công thức

Cập nhật Xpbest Xuất ra tập hợp mặt trước

Xác định, tính toán trọng số cho mỗi hàm mục tiêu bằng kỹ thuật Entropy của

Xác định cấu trúc phân bậc đa tiêu chí

Chuyển đổi tất cả giải pháp

Pareto mặt trước về cấu trúc niềm tin và tính toán mức độ niềm tin kết hợp

Xác định điểm ưu tiên của tất cả giải pháp

Ra quyết định đa tiêu chí. Đúng Sai

Tính giá trị hàm mục tiêu

Tìm giải pháp không ưu thế tuyệt đối và lưu vào mặt trước Pareto

Phương pháp ER bằng kỹ thuật

Hình 5.2: Lưu đồ áp dụng kết hợp thuật toán DA-PSO và phương pháp ra quyết định đa tiêu chí (ER) để giải quyết bài toán tối ưu đa mục tiêu

Kết quả và nhận xét

Sử dụng mô hình DA-PSO đã được trình bày để giải quyết bài toán tối ưu trên ta thu được tập tối ưu mặt trước Pareto Kết quả thu được là tập hợp mặt trước pareto với

25 giải pháp được thể hiện như hình dưới

Hình 5.3: Tập hợp tối ưu mặt trước Pareto

Thông số của các giải pháp trong tập mặt trước Pareto bao gồm giá trị các hàm mục tiêu, điểm số ưu tiên của giải pháp cùng với tọa độ của 6 cơ sở, hướng định vị của chúng trong giải pháp đó được thể hiện chi tiết ở bảng sau

Bảng 5.4: Giá trị và tọa độ của tập hợp mặt trước Pareto

Thuật toán tối ưu đa mục tiêu cho kết quả dưới dạng một tập hợp các giải pháp không ưu thế được gọi là bộ mặt trước Pareto Do các mục tiêu trong vấn đề đa mục tiêu có sự mâu thuẫn xung đột lẫn nhau, bộ giải pháo có thể nhiều nên để người quản lý, người ra quyết định trong trường hợp này là rất khó khăn Thông thường người ra quyết định thường dựa vào cảm tính theo mục tiêu mà mình quan tâm và bỏ qua các hàm mục tiêu còn lại hoặc có sự đánh giá lựa chọn chưa phù hợp nhất Vì thế sử dụng MCDM để ra quyết định đa tiêu chí là thực sự cần thiết cho người ra quyết định Phương pháp MCDM có thể giúp người quản lý đánh giá xếp hạng tất cả các giải pháp theo thứ tự nhất định đòng thời giảm thiểu thời gian tính toán đánh giá, xem xét các trường hợp Có cơ sở rõ ràng để trình bày với cấp trên và đảm bảo sự phù hợp của lựa chọn tránh những rủi ro do lựa chọn cảm tính Để đánh giá điểm ưu tiên của các giải pháp, phương pháp lý luận chứng cứ ER được sử dụng để xếp hạng bộ giải pháp Pareto để ra quyết định đa tiêu chí theo trình tự [60, 69] Cơ sở lý thuyết đã được trình bày ở phần trên Ở phần này đi cụ thể vào bài toán ở 3 hàm mục tiêu với cấu trúc niềm tin được xác định như hình sau Số lớp niềm tin là 5 lớp với 3 hàm mục tiêu giảm thiểu tiếng ồn, giảm thiểu rủi ro giữa các luồng hoạt động và giảm thiểu chi phí vận chuyển giữa các cơ sở

Hình 5.4: Chuyển đổi thuộc tính sang cấu trúc niềm tin

Bước 4: Mức độ niềm tin kết hợp được tính bằng phương trình đã trình bày ở phần lý thuyết phần trên

(5.5) trong đó βjk biểu thị mức độ tin tưởng của thuộc tính thứ j đối với lớp thứ k

Bước 5: Điểm ưu tiên của giải pháp được chọn xác định theo phương trình:

Trong đó u(H k ) là hàm điểm ưu tiên của lớp thứ k Do số lớp N bằng 5, tất cả các lớp đều cách đều nhau với khoảng cố định là [0,1] là u(H k ) = {0,0.25,0.5,0.75,1}

MCDM đã được áp dụng để xếp hạng các giải pháp Pareto thu được liên quan đến hiệu suất dự án tổng thể hiển thị thứ hạng của bộ Pareto đã chọn từ kết quả tính toán bởi thuật toán DA-PSO theo điểm số ưu tiên cho trường hợp nghiên cứu Quyết định được đưa ra mang lại mức độ tin cậy cao hơn cho các nhà quản lý xây dựng để chọn giải pháp tốt nhất, và do đó hiệu quả hơn trong ngành quản lý xây dựng

Hình 5.5: Đánh giá điểm ưu tiên của mỗi giải pháp trong tập mặt trước Pareto

Hình 5.6: Tập hợp mặt trước Pareto và điểm ưu tiên của các giải pháp

Từ kết quả xếp hạng, giải pháp được xếp điểm ưu tiên cao nhất là 0.75 tương ứng với giá trị các hàm mục tiêu và tọa độ các cơ sở như sau:

Bảng 5.5: Kết quả tốt nhất và tọa độ tương ứng của các cơ sở

Hình 5.7: Mặt bằng bố trí cho trường hợp điểm ưu tiên cao nhất

Kết luận mô hình thuật toán lai ghép DA-PSO đã được ứng dụng hiệu quả để giải quyết bài toán đa mục tiêu bố trí mặt bằng xây dựng Đồng thời kết hợp với phương pháp lập luaanjc hứng cứ ER ra quyết định đa tiêu chí đã giúp người ra quyết định tìm được giải pháp có điểm ưu tiên cao nhất, đáp ứng yêu càu các hàm mục tiêu đồng thời đảm bảo tính cân bằng giữa các hàm mục tiêu

Nhận thấy so với bài toán 2 mục tiêu đã được giải quyết ở chương 4, ở chương này kết quả đạt được tối ưu 3 mục tiêu cân bằng, giải pháp được chọn so với trường hợp tối ưu 2 mục tiêu hướng về sự cân bằng của các mục tiêu Có sự đánh đổi bằng cách giữa các mục tiêu để thỏa mãn giảm thiểu tiếng ồn, đảm bảo là giải pháp tối ưu cân bằng và đạt điểm ưu tiên cao nhất trong tập mặt trước Pareto Nghĩa là để cân bằng trong giảm thiểu mục tiêu tiếng ồn, mục tiêu chi phí và an toàn đã được đánh đổi.

Tiêu đề	Tối ưu hóa bố trí mặt bằng xây dựng bằng thuật toán lai ghép chuồn chuồn (DA) và tối ưu bầy đàn (PSO)
Tác giả	Nguyễn Văn Hưng
Người hướng dẫn	TS. Ngô Ngọc Tri, PGS.TS. Phạm Vũ Hồng Sơn
Trường học	Đại học Quốc gia Thành phố Hồ Chí Minh, Trường Đại học Bách khoa
Chuyên ngành	Quản lý xây dựng
Thể loại	Luận văn thạc sĩ
Năm xuất bản	2023
Thành phố	Thành phố Hồ Chí Minh

Định dạng
Số trang	88
Dung lượng	2,27 MB