Luận văn thạc sĩ Quản lý xây dựng: Áp dụng thuật toán lai ghép bầy ong nhân tạo vào tối ưu hóa bố trí cơ sở vật chất trên công trường xây dựng

NHIỆM VỤ VÀ NỘI DUNG:Áp dụng thuật toán lai ghép bầy ong nhân tạo vào tối ưu hóa các cơ sở vật chất trên công trường xây dựng qua hai trường hợp nghiên cứu: hoạt động nâng, dự trữ vật tư

TRAN LE ANH

AP DUNG THUAT TOAN LAI GHEP BAY ONGNHAN TAO VAO TOI UU HOA BO TRI CO SO VAT

CHAT TREN CONG TRUONG XAY DUNG

Chuyén nganh: Quan Ly Xay Dung

Mã Số : 60.58.03.02

LUẬN VĂN THẠC SĨ

TP HỎ CHÍ MINH, tháng 06 năm 2018

NHIỆM VỤ LUẬN VĂN THẠC SĨHọ và tên học viên: Trần Lê Anh MSHV: 1670120

Ngày, tháng, năm sinh: 02/12/1991 Nơi sinh: Khánh Hòa

Chuyên ngành: Quản lý Xây dựng Mã số: 60580302

I TÊN DE TÀI:Áp dụng thuật toán lai ghép bây ong nhân tạo vào tối ưu hóa bồ trí cơ sở vật chất trên

công trường xây dựng.

NHIỆM VỤ VÀ NỘI DUNG:Áp dụng thuật toán lai ghép bầy ong nhân tạo vào tối ưu hóa các cơ sở vật chất trên

công trường xây dựng qua hai trường hợp nghiên cứu: hoạt động nâng, dự trữ vật tư

tại tòa nha cao tang và lập kế hoạch bồ trí các cơ sở vật chất trên công trường xâydựng dựa trên chỉ số về mật độ nhằm cực tiểu chi phí xử lý giữa các luồng công việc.Il NGÀY GIAO NHIEM VU: 26/02/2018

Ill NGAY HOÀN THÀNH NHIEM VU: 17/06/2018IV CAN BO HUONG DAN: TS Phạm Vũ Hồng Son

Tp.HCM, ngay thang năm 20

CÁN BỘ HƯỚNG DÂN CHỦ NHIỆM BỘ MÔN

TS Phạm Vũ Hồng Sơn PGS.TS Lương Đức Long

TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG

Cán bộ hướng dẫn khoa học: TS Phạm Vũ Hồng SơnCán bộ cham nhận xét 1: TS Trần Đức Học

Cán bộ chấm nhận xét 2: TS Chu Việt Cường

Luận văn thạc sĩ được bảo vệ tại Trường Dai Học Bách Khoa, DHQG Tp HCMngày 24 tháng 07 năm 2018

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:

1 PGS TS Luong Đức Long

2 PGS TS Pham Hồng Luân3 TS Tran Đức Hoc

4 TS Chu Việt Cường

5 TS Đỗ Tiến SỹXác nhận của Chủ Tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên

ngành sau khi luận văn được sửa chữa (nêu có)

CHỦ TỊCH HỘI ĐÔNG TRUONG KHOA KY THUẬT XÂY DỰNG

PGS.TS Lương Đức Long

Tôi xin cam đoan đề tài: “Áp dụng thuật toán lai ghép bầy ong nhân tạo vào tốiưu hóa bố trí co sở vật chất trên công trường xây dựng” là công trình nghiêncứu khoa học của cá nhân tôi và chưa từng được công bồ trong bat cứ công trìnhkhoa học nào khác cho tới thời điểm hiện tại.

TP Hỗ Chí Minh, ngày 17 tháng 06 năm 2018

Tác giả luận văn

Trần Lê Anh

LỜI CÁM ƠN

Thời gian thắm thoát thoi đưa! Mới ngày nao tôi đậu cao học ngành Quan Lý

Xây Dựng - Đại học Bách Khoa TPHCM, cũng là lúc tôi bỡ ngỡ bước chân vào

nghé, giờ đây tôi đã hoan thành khóa học Tôi nhớ mãi lời của Thay Đức Longtrong budéi học đầu tiên hôm ay “ Các bạn thi môn Sức Bên Vật Liệu dé các ban kĩsư xây dựng cũng có thé tham gia va quan trong là các bạn phải có sức dé học vàphải bên bỉ để theo đuôi” Tôi học với niềm đam mê, sự nỗ lực, kiên trì để vượt quabiết bao nhiêu khó khăn trong học tập và cuộc sống

Tôi xin bày tỏ lòng biết ơn sâu sắc đến các Thầy Cô trong Bộ môn Thi Côngvà Quản Lý Xây Dựng, với sự giảng dạy tâm huyết và nhiệt tình của mình, họ đãtruyền đạt cho tôi những kiến thức bố ích mà nếu đi làm chưa chắc tôi có thể tiếp

cận được.

Dưới sự chỉ bảo tận tình, sự động viên, giúp đỡ của TS Phạm Vũ Hồng Sơnđã giúp tôi hoàn thành Luận văn tốt nghiệp với đề tài “4p dụng thuật toán lai ghépbay ong nhân tạo vào toi wu hóa bố trí cơ sở vật chất trên công trường xây dựng”.Trong quá trình thực hiện đề tài còn gặp nhiều khó khăn, tôi đã cô găng hết sức déhoàn thiện luận văn và do đó khó tránh khỏi những sai sót Tôi rất mong có đượcsự nhận xét của Thay Cô va các ban dé luận van của tôi được hoàn thiện hơn

Luận văn này như một món quả tôi gửi tặng tới Thầy, gia đình, đồng nghiệp,

bạn bè, những người luôn ủng hộ và ở bên tôi.Mot lân nữa xin chân thành cam on!

Tp HCM, ngày 17 thang 06 năm 2018

Tác giả luận văn

Trần Lê Anh

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

TÓM TẮT

Bồ trí công trường xây dựng là một phan quan trong của việc lập thiết kế thicông, nhằm mục đích xác định biện pháp thi công có hiệu quả nhất, giải quyết cácvan dé liên quan đến công tác lập tiễn độ và thiết kế công trường Việc bồ trí một tậphợp các cơ sở vật chất được xác định trước vào các vị trí thích hợp có sẵn để đạt đượcmột giải pháp tối ưu, thực sự là một bài toán khó đối với nhà quản lý xây dựng vì córất nhiều lựa chọn dé thay thé Nhiều nghiên cứu dựa trên phương pháp Meta-heuristicđược thực hiện dé giải quyết sự phức tạp của van dé này Tuy nhiên, những phươngpháp này đều có những ưu và nhược điểm riêng Để khắc phục những nhược điểmnày, nghiên cứu này dé xuất một mô hình lai ghép Meta-heuristic mới, thuật toánABC kết hợp với phân phối Levy Flights, Chaotic và Opposition-based learning.Thuật toán dé xuất được đặt tên là HMABC - Hybrid Model of Artificial Bee Colonycó cả hai khả năng tìm kiếm địa phương và toàn cục đồng thời Thuật toán Bay ongnhân tạo (ABC) có nhiều ưu điểm trong tìm kiếm địa phương và toàn cục Hệ thốnghỗn loạn (Chaotic System) và Phương pháp học dựa trên sự đối diện (Opposition-based learning) được áp dụng để tăng cường độ hội tụ toàn cục trong việc khởi tạoquan thé ban dau Kết hợp với phân phối Levy Flight trong giai đoạn ong trinh thámđể tăng tính ngẫu nhiên trong quá trình tìm kiếm địa phương Bên cạnh đó, phương

pháp phá hủy và xây dung (Destruction and Construction - DC) cũng được áp dung

dé tạo ra các nguồn thức ăn lân cận trong ABC, giải quyết các van đề rời rac của bài

toán phan công bậc hai (Quadratic Assignment Problem - QAP) Hơn nữa, nghiêncứu này so sánh hiệu quả của HMABC so với các nghiên cứu trước đây như thuật

toán GA, MIP, MMAS-GA về các van đề bố trí cơ sở vật chất trên công trường xâydựng Các kết quả cho thấy rằng hiệu quả của HMABC có phần vượt trội so với cácthuật toán tối ưu hóa hiện có trong việc giải quyết các vẫn đề trên Nghiên cứu nàyhỗ trợ các nha quản lý xây dựng có thé kết hợp những kinh nghiệm và thế mạnh củathuật toán HMABC để xử lý các tình huống thực tế nhằm nâng cao hiệu quả trong

công viéc.

ABSTRACTConstruction Site Layout (CSL) is an important part of construction design,with the aim of identifying the most effective construction methods, solving issuesrelated to scheduling and site design Placing a set of predetermined facilities into theappropriate locations available to achieve an optimal solution is really hard problemsfor the construction manager because there are a lot of possible alternatives Manystudies based on Meta-heuristic methods have been done to handle the complexity ofthese problems However, these methods have some advantages and disadvantages.To overcome these drawbacks, this study proposes a new hybrid Meta-heuristicmodel, ABC algorithm associated with the distribution of Levy Flights, Chaotic andOpposition-based learning The proposed algorithm is named HMABC - HybridModel of Artificial Bee Colony has both local and global search capabilitiessimultaneously Chaotic System and Opposition-based learning are applied toincrease global convergence in initial population of solutions Levy Flightdistribution in the scout bee phase to increase randomness during local search.Destruction and construction are also used to create neighbour food sources in ABC,solving the discrete problems of Quadratic Assignment Problem In addition, thisresearch compared the performance of HMABC with GA, MIP, and MMAS-GAalgorithms in site facilities layout problems The results show that the effectivenessof HMABC is better than existing optimization algorithms in solving these problems.This research supports construction manager who can combine the experiences andstrengths of the HMABC algorithm to handle real-world situations to improve workefficiency.

HVTH: Tran Lé Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Son

MỤC LỤC

90I0/9))90019)/9)0000)) 000010057 |1.1 Lý do chọn để tài - - - - S111 5 5 111cc HH1 HH H111 gu ưyg |

1.3 Phạm vi nghiên cứu, các giả định và giả thuyẾT s55 cxcxexeed 4

1.4 Phương pháp nghiÊn CỨU - << - G5 E3 3222331333199993111 1111 1111111111111 11183 332 5

1.5 Bỗ cục của luận văn - ST tt n 1S 1911318 1111111111111 E11 111111111111 E1 1 EEEeErrres 7CHƯƠNG 2 NGHIÊN CỨU TRƯỚC DAY VE BO TRÍ CƠ SỞ VAT CHÁT 8CHƯƠNG 3 CƠ SỞ LY THUY ÊƑT c2-5522c+‡cxtvExttrkterrtsrrrerrrrrrrrrrree 143.1 Bồ trí công trường xây dựng - k1 1g E1 ru 143.2 Kỹ thuật Meta-heuristic và trí thông minh bay đản - + 5s sex: 17

3.2.2 Trí thông minh bay đản «s31 EEEEEEEE E1 5E xExEerkei 183.3 Tối ưu bay dan (Particle Swarm Optimization - PSO) - scc sex: 18

3.4 Thuật toán dom dom (Firefly Algorithm-FA) cccscsscccccccceecceeeeeeeseeseees 20

3.5 Thuật toán bay ong nhân tạo (ABC) ceccsesesscscsesecessccsesesscscscssessveveveveeeeeee 223.6 Phân phối Levy F ligj]nfS - - - SE E9 SE SE Svcvc3 S311 1111111 1x xe 303.7 Phương pháp học dựa trên sự đối diện (Opposition-based learning) 313.8 Thuật toán hỗn loan (Chaotic algorithms) 0.ccc.cccccesesessssssesescsceseseeessscseeees 33

3.9 Kỹ thuật lai Meta-heurISẨICS - 1101011111111 1111111118883 x4 35

CHƯƠNG 4 THUẬT TOÁN LAI GHÉP HMABC ¿-c:©ccc+ccsccsree2 374.1 Khởi tạo giải pháp ban đầu trong thuật toán HMA.BC - - 5x5 374.2 Áp dụng kỹ thuật hoán đồi nhiều lần trong thuật toán HMABC 394.3 Áp dung phân phối Levy Flight trong thuật toán HMABC - 41

4.4 Mô hình thuật toán HMA BC, - 0 12111112111 1 11 10 11H ng vn rrg 43

CHƯƠNG 5 BÀI TOÁN CU THỂ - -cc2cc2xtsExtrrrtrrrrrrrrrrrtrrrrrrirrrrrek 485.1 Hoạt động nâng va dự trữ vật tư trong nhà cao tẦng - 55c sec: 485.1.1 Định nghĩa vẫn đỀ - - - s11 9E ST HH HH g1 11 xe 48

5.1.2 Hàm mục tIÊU - << << E1 1112218111330 199111 11111 net S1

5.1.3 Áp dụng thuật toán HMABC và kết quả thực hiện 55 5555: 55

5.2 Van dé lap kế hoạch bồ tri công trường dựa trên chỉ số về mật độ 625.2.1 Định nghĩa vẫn đỀ - - - - s11 5 ST TT TT HT HH1 g1 1 1xx 62

5.2.2 Hàm mục tiÊU - <5 <1 33161811013030 111111 111v ng re 63

5.2.3 Áp dụng mô hình và kết qua thử nghiệm - - - +E+E+E+E+EsEeEerereei 67CHUONG 6: KET LUẬN VÀ KIÊN NGHỊ 5c 5ccsrerrierrrrrrerrrerrea 74Sẽ 747.4.1 1 0 75

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

Hình 3 - 9: Phân loại kỹ thuật lai phép Meta-heuristic «5555 <<<<<<<++++2 35

Hình 4 - 1: Kỹ thuật hoán đổi nhiễu lần - 2-2 +22 +E+E+E+EeEeEErkrxererrered 40Hình 4- 2: Sơ đồ các bước của thuật toán HMABC -:-2 e2 se se£szsess2 43

Hình 5 - 1: Mặt cắt ngang của thang nâng câu vật liệu trong nha cao tầng 50Hình 5 - 2 : Bé trí tầng điển hình từ tầng 1 đến tầng 8 << scsrsrererees 51Hình 5 - 3: Biểu diễn cách thức phân bổ 10 loại vật liệu vào các vị trí dự trữ 5SHình 5 - 4: Biểu đồ thé hiện chi phí hoạt động nâng và dự trữ vật tư trong nhà cao5 59Hình 5 - 5: Bồ trí mặt bằng đơn giản của công trường xây dựng - 63Hình 5 - 6: Biểu diễn cách thức phân bổ 9 cơ sở tạm vào các vị trí ¿ 67Hình 5 - 7: Biểu đồ thé hiện điểm số tối ưu của luồng công việc của bài toán lập kếhoạch bố trí công trường dựa trên chỉ số về mật đỘ ¿+ se EE se sEsEEeEsesssez 70Hình 5 - 8: Bó trí tối ưu công trường xây dựng bang phương pháp GA 7]Hình 5 - 9: Bồ trí tối ưu công trường xây dựng tối ưu bằng phương pháp MMAS-

Hình 5 - 10: Bó trí tối ưu công trường xây dựng tối ưu bằng thuật toán HMABC 72

DANH MỤC BANG BIEU

Bảng 2 - 1: Nghiên cứu trước đây ở nước ngOàải << csseeresss 9Bảng 2 - 2: Nghiên cứu trước đây ở nước ngoàảI1(f†) - << << << << ssseeeeesss 10Bảng 2 - 3: Nghiên cứu trước đây ở nước ngoài (ft) - << << <ssseesss 11

Bảng 2 - 4: Nghiên cứu gần đây ở Việt Nam - - - k1 EEEEgEeEererrerees 13

Bang 3 - 1: Một số nghiên cứu từ năm 2012 — 2017 liên quan tới thuật toán ABC 28Bảng 3 - 2: Các chuỗi hỗn loạn ChaOotiC - s5 - 6S SE SEEEckckvEeEekrkrereree 34

Bảng 5- 1: Nhu cầu về số lượng của mỗi loại vật f ¿sex ceeseeerees 49

Bảng 5 - 2: Khoảng cách theo phương ngang từ ô k trên san | tới vi trí thang nângVật lIỆU - -L - G11 n9 v9 53

Bảng 5 - 3: Chi phi vận chuyển theo phương ngang, CH, «se sex: 53Bảng 5 - 4: Chi phí vận chuyển phương đứng (in $/kg) từ mặt đất tới tầng m, tang |

AT 54

Bang 5 - 5: Kết quả bai toán 1 ứng với giải pháp được chon ngẫu nhiên 57

Bảng 5 - 6: Tham số đầu vào của thuật toán HMABC để giải bai toán 1 57

Bang 5 - 7: Kết quả chi phí hoạt động nâng và dự trữ vật tư cua bài toán 1 58

Bang 5 - 8: Thống kê kết quả mô tả bài toán Ì - - - - +x+k+E£E+EeEsrsrerererees 59Bảng 5 - 9: So sánh kết quả bài toán 1 với các nghiên cứu trước đây 60

Bang 5 - 10: Dòng công việc giữa các cơ sở trên công frường -‹ -<<5 64Bảng 5 - 11: Khoảng cách g1ữa Các VỊ ẨTÍ -Gc S S1 111 11111111111188535511 111111 krrrree 65Bảng 5 - 12: Kết quả bài toán 2 ứng với giải pháp được chọn ngẫu nhiên 68

Bảng 5 - 13: Tham số đầu vào của thuật toán HMABC để giải bài toán 2 69

Bảng 5 - 14: Kết quả chạy tối ưu 30 lần của bài toán 2 - se csesrerrees 69Bảng 5 - 15: Thống kê mô tả kết quả của bài toán 2 - - 5 +c+E+x+EsesEsrererees 70Bảng 5 - 16: So sánh kết quả bài toán 2 với các nghiên cứu trước đây 72

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

DANH SÁCH CAC CHỮ VIET TAT

ABC Artificial Bee Colony Bay ong nhân taoACO _ | Ant Colony Optimization Tối uu hóa dan kiếnBA Bee Algorithm Thuật toán bầy ongBSA Bat Swarm Optimization Tối ưu hóa bay doi

BIM Building Information Modeling Mô hình hóa thông tin xây dựng

CSL Construction Site Layout Bố tri công trường xây dựngCSLP | Construction Site Layout Problem | Vấn dé bố tri công trường xây dựngDE Differential Evolution Tiến hóa vi phân

EA Evolutionary Algorithm Thuật toán tiến hóaEP Evolutionary Programming Lập trình tiền hóaES Evolutionary Strategy Chiến lược tiễn hóa

FA Firefly Algorithm Thuật toán đom đóm

FSA Fish Swarm Algorithm Thuật toán bay cáGA Genetic Algorithm Thuật toán di truyềnMIP Mix Integer Programming Chương trình hỗn hop số nguyênMMAS | Max-min Ant System Hệ thống đàn kiến Max-min

NP- Non - Polynomial hard Bai toán khó trong tap hợp các bàihard toán quyết định được giải trong thời

gian đa thức

NEB Number of Employed Bee Số lượng ong làm việcNOB Number of Onlooker Bee Số lượng ong quan sátNSB Number of Scout Bee Số lượng ong trinh thámPSO Particle Swarm Optimization Tối uu hóa bay dan

QAP Quadratic Assignment Problem Bài toán phan công bac hai

5A Simulated Annealing M6 phong luyén kim

SS Scatter Search Tim kiém phan tanTS Tabu Search Tim kiém TabuCRAFT : Phần mềm phân bồ vi trí các sơ sở vật chat (Buffa, 1963).ALDEP: Phần mềm tự động hóa phân bổ vị trí các cơ sở vật chất (Seehof, Evans,

1967).

CORELAP: Kết quả tin hoc hóa phương pháp quy hoạch động (Lee, Moore, 1976).DISCON : Kết quả tin học hóa của phương pháp phân bồ vị trí các đối tượng quy

hoạch (Drezner, 1980).

COFAD: Phần mém cải tiến phương pháp CRAFT (Tompkin,1984)

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

CHUONG 1 GIỚI THIEU

1.1 Ly do chon dé taiQuản ly hiệu qua, tối ưu hóa việc sử dung các nguồn tài nguyên trong xây dựnglà một trong những yếu tố co bản mang lại thành công đối với bất kỳ dự án Cácnguôn tai nguyên chính trong xây dựng cần được quan tâm như: thời gian, nguồn vốn,lao động, thiết bị và vật tư Gần đây, mô hình hóa thông tin của dự án (BuildingInformation Modeling - BIM) được biết đến như là một nguồn tài nguyên rất quan

trọng Bên cạnh đó, không gian làm việc trên công trường cũng được xem như là một

nguôn tài nguyên chính, góp phan không nhỏ dem lại hiệu quả cao trong quá trình thicông các công trình xây dựng Tuy nhiên, từ trước đến nay, nguồn tài nguyên nàythường ít được quan tâm bởi các nhà quản lý Ở các công trường có không gian làmviệc chật hẹp, nếu không được hoạch định và sử dụng tốt sẽ gây cản trở cho các côngtác Mặt khác, ở các công trường có không gian rộng lớn, vị trí của các cơ sở vật chấtđối với nhau sẽ ảnh hưởng rất lớn đến hiệu quả của luéng công việc giữa các cơ sở

trên công trường.

Bồ trí công trường tôi ưu sẽ mang lại hiệu quả trong hoạt động giảm thiêu nhữngnguy cơ gây mất an toàn lao động, giảm thiểu thời gian đi lại, chi phí xử lý vật liệu,tránh gây ra những ùn tắc của việc vận chuyển vật tư và thiết bị, đặc biệt đối với các

dự án có quy mô lớn.

Van dé bồ trí công trường xây dựng (Construction Site Layout Problems - CSLP)đề cập tới van dé tối ưu hóa cách bố trí các cơ sở vật chất trên công trường xây dựng.Vấn đề này đã được nghiên cứu và tìm hiểu bởi nhiều chuyên gia trong nhiều lĩnhvực, ví dụ như quan lý công nghiệp và kiến trúc xây dựng Điều kiện công trườngthuận lợi sẽ hỗ trợ cho các công tác được thực hiện một cách suôn sẻ, nhanh chóng:bao gồm các công tác bồ trí hệ thống giao thông tạm xung quanh khu vực xây dựng,

văn phòng ban chỉ huy, lan trại cho công nhân, khu vực thi công, các khu tiện ich,

thiết bị thi công.Môi trường sản xuất sẽ luôn thay đôi, vẫn đề bó trí các cơ sở vật chất đã trở thànhmột phan đáng ké trong thiết kế cơ sở vật chất tong thé Thiết kế cơ sở vật chất phù

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

hợp cho phép hệ thống dịch vụ phản ứng nhanh với những thay đổi trong quy trìnhsản xuất (J S Koehhar, B T Foster, and S S Heragu, 1998).

Bồ trí cơ sở vật chất trên công trường kém có thé dẫn đến sự tập trung của cácloại vật tư tồn kho trên công trường, sự quá tải của các hệ thống xử lý vật liệu xâydựng, các thiết lập không hiệu quả và gây trì trệ cho cả hệ thông công việc (S Jajodia,I Minis, G Harhalakis, and J.-M Proth, 1992) Do đó, bồ trí cơ sở vật chất trên côngtrường được biết đến là rất quan trọng đối với hiệu quả hoạt động (P Kouvelis, A A.Kurawarwala, and G J Gutiérrez, 1992) và tính kinh tế vì nó có ảnh hưởng trực tiếpđến hiệu quả kinh doanh, chăng hạn như chi phí hoạt động khoảng thời gian từ lúcbắt đầu cho tới khi kết thúc của một quy trình hoạt động, năng suất công việc

Bố trí hiệu quả sẽ nâng cao hiệu quả quan lý và cung cấp vật tư trên công trườngvà giúp giảm từ 20% đến 50% tổng chỉ phí hoạt động (J A Tompkins, J A White,Y A Bozer, and J M A Tanchoco, 2010) Mặt khác, bồ tri không hiệu qua sé tang

khoảng 36% chi phi xu lý nguyên vật liệu (J Balakrishnan and C H Cheng, 2007).

Tuy nhiên, van đề bố trí co sở vật chất trên xây dựng không chỉ là một van dékhoa học máy tính cô điển mà cũng đã được biết đến là một tập hợp các bài toántrong lý thuyết độ phức tạp tính toán (Non-Polynomial hard - NP-khó) (S Sahni andT Gonzalez, 1976), những bài toán này không thé giải quyết được trong thời gianngăn Sự phức tạp của vẫn đề sẽ tăng lên theo cấp số nhân với số lượng các cơ sở vậtchất Nếu số lượng cơ sở vật chất nhiều, rất khó va không thé đưa ra giải pháp tôi ưu

trong thời gian hợp lý (K L Mak, Y S Wong, and F T S Chan, 1998) Với n cơ

sở vật chất, số lượng các lựa chọn thay thé có thé là n! Ví dụ nếu ta có 10 cơ sở vậtchất, số lượng các lựa chọn thay thé sẽ là 10! = 3.628.000

Van đề bồ trí cơ sở vật chất trên công trường đã được hình thành như một van đề

bài toán phân công bậc hai (Quadratic Assignment Problem - QAP) Công thức nay,

ban đầu được đề xuất bởi Koopmans va Beckmann năm 1957, chỉ định n cơ sở vatchất phân bồ vao n vị trí Van đề bố trí được xem xét ở đây giả định rang mỗi co sở

vật chất có thể chỉ định cùng một khu vực, và do đó bất kỳ cơ sở vật chất nào có thé

được gan cho bất kỳ vị trí nào (T Koopmans and M Beckmann, 1957) Ban dau, cómột số phương pháp được sử dụng để giải quyết van dé này, chang hạn như phương

pháp nhánh cận (Simmons, 1969), quy hoạch động (J.-C Picard and M Queyranne,1981), quy hoạch nửa xác định (M Anjos and A Vannelli, 2008), quy hoạch nguyên

tuyến tính (R F Love and J Y Wong, 1976).(Liao, 2011) đã tóm tắt các phương pháp sử dụng thuật toán Meta-heuristics tronglĩnh vực quản lý xây dựng và xếp hang GA là thuật toán được sử dụng rộng rãi nhấttrong việc giải quyết van đề bồ trí các cơ sở vật chất trên công trường, tiếp theo làthuật toán Bây đàn (PSO) và Tối ưu hóa bay biến (ACO) là hai phương pháp lấy cảmhứng từ trí thông minh bầy đàn phổ biến trong lĩnh vực tính toán thông minh Baphương pháp này có nhiệm vụ là tìm ra giải pháp cho một hoặc nhiều ham mục tiêunhất định nhưng sử dụng các chiến lược tìm kiếm khác nhau với phương pháp tínhkhác nhau Mặc dù là các phương pháp phổ biến hiện nay Tuy nhiên, các thuật toánnày vẫn có khả năng bị mắc kẹt ở các tối ưu địa phương

Nghiên cứu nảy tập trung vào việc phát triển và xây dựng mô hình thuật toán mớidựa trên những ưu điểm của các thuật toán trước đó dé tìm ra phương án bồ trí các cosở vật chất trên công trường tối ưu nhất với mục tiêu là giảm thiểu chi phí vận chuyền

1.2 Mục tiêu nghiên cứu

Các thuật toán trước, ví dụ như GA, DE, PSO, BA, FA và ABC đều có nhữnghạn chế riêng Do đó, để cải thiện hiệu suất, nghiên cứu này dé xuất thuật toán laiMeta-heuristic mới kết hợp giữa thuật toán Bay ong nhân tao, Levy Flight, Phươngpháp học dựa trên sự đối diện và Hệ thống hỗn loạn (Chaotic System) dé tăng cườngsự hội tụ toàn cục Thuật toán dé xuất được đặt tên là HMABC - Hybrid Model ofArtificial Bee Colony có cả hai khả năng tìm kiếm địa phương và toàn cục đồng thời.Thuật toán Bay ong nhân tạo được áp dụng vì thuật toán có nhiều ưu điểm trong cảtìm kiếm địa phương va toan cau Phân phối Levy Flight được kết hợp dé tăng tínhngẫu nhiên trong quá trình tìm kiếm Hệ thống hỗn loạn (Chaotic System) và Phươngpháp học dựa trên sự đối diện (Opposition-based learning) được áp dụng dé tăngcường độ hội tụ toàn cục trong việc khởi tạo quân thể ban đầu Bên cạnh đó, phương

pháp phá hủy và xây dung (Destruction and Construction - DC) cũng được áp dung

để tạo ra các nguồn thức ăn lân cận trong ABC, giải quyết các van dé rời rac trong

QAP.

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

HMABC có gắng để tích hợp mỗi thế mạnh của mỗi thuật toán để đạt được hiệu

suat tot hơn trong việc giải quyét van đê bô trí cơ sở vat chat trên công trường xây

dựng Dé chứng minh rằng HMABC đóng góp va cải thiện, nghiên cứu nay cũng sosánh HMABC với các kết quả nghiên cứu trước đó

1.3 Phạm vi nghiên cứu, các giá định và giả thuyết

Phạm vi của nghiên cứu:1. Ap dụng phương pháp dé xuất dé giải quyết CSLP được xây dựng như

QAP.Các phương pháp tập trung vào các phương pháp Meta-heuristic Mục tiêu của CSLP là việc giảm thiêu chi phí của các luông công việc.

Rui ro về các vân đê động, những tình huông khan cap có thê xảy ra trong

quá trình xây dựng không được đề cập trong nghiên cứu này.Một số giả định và giả thuyết khi xây dựng mô hình:

1 Tất cả các thông số cần thiết trong HMABC được xác định đồng nhất.2 Giải pháp xử lý các van đề bồ trí các co sở vật chất trên công trường xây

dựng có thể được cải tiễn bởi HMABC.3 Việc ra quyết định trong các van đề bó trí của các cơ sở vật chất trên công

trường có thể được thực hiện bởi HMABC

1.4 Phương pháp nghiên cứu

Hình 1-1: Trình bày sơ đồ các bước nghiên cứu tổng quát.Hình 1 -2: Trình bay sơ đồ các bước nghiên cứu chỉ tiết

1 XÁC ĐỊNH CAC VAN DEa Đánh giá tầm quan trọng của nghiên cứu

b Xác định mục tiêu nghiên cứuc Xác định phạm vi nghiên cứu

|2 ĐÁNH GIÁ TÀI LIỆUa Nghiên cứu khái niệm, lý thuyết liên quan

b Xem xét các nghiên cứu trước đây

|3 XÂY DỰNG MÔ HÌNHa Thiết lập mô hình

b Phát triển mô hình

ĐÁNH GIÁ MÔ HÌNH VÀ ÁP DỤNG Dé xuất khả năng áp dụng

b Kết luận và đưa ra kiến nghị

o ®

Hình 1 - 1: Sơ đồ các bước nghiên cứu

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

Lá1 GIỚI THIEU

1 LÝ DO CHỌN DE TÀI- Xác định các vấn đề nghiên cứu

v

2 MỤC TIỂU NGHIÊN CỨU- Những đóng góp tiềm năng- Xác định các đối tượng nghiên cứu

v

3 PHAM VI NGHIEN CUU- Giới han của phạm vi nghiên cứu- Các giả định của nghiên cứu

v

6 ĐÁNH GIA NGHIÊN CỨU TRƯỚC- PSO, Levy Flights, Chaotic system- FA, ABC, Opposition based learning

Ô HÌNHA

6 KET LUẬN Ad

10 KET LUAN VA KIEN NGHI

Cac van dé trong bô trí các coSở vật chat

- Mục tiêu chính- Mục tiêu phụ

- Xác định phạm vi- Xác định các giả định và giớihạn

Áp dụng:- Phương pháp tiến hóa- Phương pháp bay dan thôngminh

- Khái niệm cơ bản- Áp dụng- Nghiên cứu trước đây

t ttt?

Y nghĩa công trình nghiên cứu

- Levy Flight- Artifical bee colony- Chaotic system- Opposition based learning- Destruction and construction

Lap trinh Pseudo

Đề xuất áp dụng tiềm năng

- Xem lai muc dich NC- Tổng hợp

- Kiến nghị

Ỉ

Hình 1 - 2: Sơ đỗ các bước nghiên cứu chỉ tiết

1.5 Bồ cục của luận vănKết cấu luận văn gồm 6 chươngChương Ï giới thiệu ly do chọn dé tài, mục tiêu nghiên cứu, phạm vi nghiên cứu,các giả định, giả thiết và bố cục của luận văn.

Chương 2 trình bày một số nghiên cứu trước đây về van đề bố trí các cơ sở vậtchất

Chương 3 trình bảy CSLP giống như QAP và đánh giá các phương pháp hiện có.Chương này giới thiệu các khái niệm về các thuật toán khác nhau, ví dụ như PSO,

FA, ABC, Levy Flights, Chaotic System, Opposition Based Learning Bên cạnh đó,

những ứng dung, ưu điểm và nhược điểm của mỗi thuật toán.Chương 4 trình bày sự phát triển của thuật toán được đề xuất bao gồm cấu trúcchính Sự cải tiễn của thuật toán mới được đóng góp bởi sự lai ghép các thuật toánkhác nhau Các bước chỉ tiết của phương pháp đề xuất được trình bảy

Chương 5 xác minh hiệu quả của mô hình HMABC giải quyết hai tình huốngnghiên cứu khác nhau được thông qua dé chứng minh rằng HMABC có thé được tincậy dé giải quyết van đề bố trí cơ sở vật chất trên công trường xây dựng ngoài thực

Chương 6 trình bày kết luận, đóng góp và kiến nghị hướng đi mới cho các nghiên

cứu trong tương lai.

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

CHUONG 2 NGHIÊN CỨU TRƯỚC DAY VE BO TRÍ CƠ SO VAT CHATCác bài toán về bố trí các cơ sở vat chất có khối lượng tính toán rất lớn, mất ratnhiều thời gian, công sức va đòi hỏi một bộ máy tính có cau hình mạnh dé giải quyếttat cả các trường hợp tính toán của bai toán Do đó chúng ta có thé xem xét phươngpháp Heuristic, phương pháp không chính xác dé tìm được giải pháp gần tối ưu trong

thời gian hợp lý.

Những nghiên cứu dựa trên phương pháp tiếp cận lặp Meta-heuristic như thuật

toán lai mô phỏng luyện kim (S S Heragu and A S Alfa, 1992), Heuristic thuật toántham lam trong xây dung (K Ravi Kumar, G C Hadjinicola, and T.-l Lin, 1995),

cac thuat toan di truyén (islier, 1998), các kỹ thuật dựa trên Meta-heuristic (A Gomesde Alvarenga, F Negreiros-Gomes, and M r Mestria, 2000) va thuật toán bay kiến

(M Solimanpur, 2005).

Các nghiên cứu gan đây với Heuristic liên quan tới van dé bồ tri co sở vật chatbao gồm tìm kiếm phân tán (R M Satheesh Kumar, P Asokan, S Kumanan, and B.Varma, 2008), tôi ưu hóa bây đàn (H Samarghandi, P Taabayan, and F F Jahantigh,2010), và tìm kiếm Tabu (H Samarghandi and K Eshghi, 2010) Những nghiên cứunày giải quyết các van dé tối ưu hóa khác nhau băng cách áp dụng các thuật toán dướinhững ràng buộc khác nhau, hiệu quả của các giải pháp tìm được có thé bị hạn chế

bởi khả năng của các thuật toán.

Meta-heuristic được phân thành hai loại, phương pháp tiễn hóa và phương phápbây đàn thông minh

e Phương pháp tiễn hóa bao gém lập trình tiến hóa (EP), chiến lược tiễn hóa (ES)và các thuật toán di truyền (GA), đã đạt được thành công lớn vào năm 1980, giảiquyết các vấn đề tối ưu hóa phức tạp, là một phương pháp dùng để giải quyết cácvan dé (Anon., 1997)

Các thuật toán tiễn hóa (EAs) đã được chứng minh là có hiệu quả trong việc giảiquyết các bài toán NP-khó và khám phá các không gian tìm kiếm phức tạp phituyến (H Shinn-Ying, S Li-Sun, and C Jian-Hung, 2004) Thuật toán tiến hóa

như GA va DE được sử dụng rộng rãi cho các van dé tôi ưu hóa.

Thuật toán GA đã được sử dung để giải quyết bồ trí các co sở vật chất trên cùngmột mặt bằng va trên các cao độ khác nhau (H Li and P E D Love, 2000) (S.-O.

Cheung, T K.-L Tong, and C.-M Tam, 2002) (K Lam, X Ning, and M Lam, 2009),

bài toán bồ tri vi trí lưu trữ vat tư trên các tầng của tòa nha (C Huang, C K Wong,

and C M Tam, 2010).

Bang 2 - 1: Nghiên cứu trước đây ở nước ngoài.

H LiP.E D.

Love

Mot thuat toan di truyén duatrên lý thuyết tiễn hóa củaDarwin được sử dụng để giảiquyết van dé bố trí cơ sở vậtchất trên công trường xây

dựng, được trình bày như việc

phân bố các cơ sở vào một tậphợp các địa điểm xác địnhtrước và đồng thời đáp ứng

các ràng buộc.

Thuật toán GA ít có khả năng

tìm kiếm địa phương, nghiêncứu không kiểm tra ảnhhưởng của các tham số nhưxác suất hoán đối chéo và xác

suât đột biên trên sự hội tụ.

CheungT K.-L.

Tong

C.-M.Tam

Mô hình thuật toán di truyềnGA được phát triển để tìmkiếm một giải pháp gần nhưtối ưu trong việc bồ tri các cơsở vật chất của xưởng chế tạobê tông lắp ghép trên công

trường với các chi phí vận

Bảng 2 - 2: Nghiên cứu trước đây ở nước ngoai(tt).

Năm | Tác giả Hướng nghiên cứu Hạn chế của nghiên cứu2009 | K.Lam | Hệ thống bay kiến Max-min | Thuật toán MMAS-GA được

X Ning MMAS khởi tao quan thé ban | đề xuất chi được áp dung cho

dau tot hon so với quan thê | một nghiên cứu điên hình,M Lam ` ~ `

ban đâu được khởi tạo ngâu | hiệu quả của thuật toán cân

nhiên của GA, thuật toán | được kiểm tra với các nghiên

MMAS-GA được hình thành | cứu khác trong lĩnh vực quản

băng cách kết nối MMAS | lý xây dựng

trong bước khởi tạo của GA

được dé xuất dé giải quyết cácvan đề bé trí các cơ sở vật chat

trên công trường xây dựng.

2010 | C Huang Đề xuất việc tối ưu hóa hoạt Nghiên cứu cần mở rộng việc

CK động sử dung vận thăng dé | xây dựng các van dé bangWong vận chuyển vật liệu và vi trí | cách thêm các ràng buộc

lưu trữ vật liệu trong nhà cao | tuyên tính bô sung đê xem xét

cM tang bằng chương trình số | các tình huống phức tap hơn.

tạm nguyên hỗn hợp MIP.

Thuật toán DE có hiệu suất tốt, có thé vượt trội các thuật toán tiễn hóa khác (O.Hrstka, 2003) DE được áp dung trong các van đề khác nhau, như van đề hình thànhnhà máy sản xuất và kết quả cho thay rằng DE thực hiện tốt hơn so với GA (A

Noktehdan, B Karimi, and A Husseinzadeh Kashan, 2010).

e Phương pháp bay đàn thông minh cũng giống như phương pháp tiến hóa.ACO đã được sử dụng dé bó trí tối ưu công trường xây dựng (Lam, 2007).PSO đã được sử dụng để giải quyết vấn đề thiết kế bố trí nhà kho, PSO tốt hơnphương pháp phân nhánh và liên kết (S Oniit, U R Tuzkaya, and B Dogac, 2008)

Bang 2 - 3: Nghiên cứu trước đây ở nước ngoài (tt).

phí vận chuyển hàng nămtrong một nhà kho phân phối,các sản phẩm khác nhau đượctiếp nhận từ các nhà cung cấp

khác nhau, lưu trữ trong khotrong một khoảng thời gian

xác định và phân phối cho các

tối ưu công trường xây dung | Giá trị thích hợp của p cầncho một dự án giả thuyết có | được kiểm tra trong các

quy mô trung bình nghiên cứu tương lai.

2008 | S Oniit U | Thuật toán tối ưu hóa bay đàn | Thuật toán PSO sửa đổi có

R Tuzkaya | (PSO) được phát triển để bố | một số thiếu sót liên quan

B Dogac trí tôi ưu giúp giảm thiêu chi | đên thời gian tim ra các giải

pháp khi vấn đề cần đượcgiải quyết là các biến số sử

dụng dữ liệu thập phân liêntục.

Thuật toán bầy ong nhân tạo (ABC) đã được kiểm tra và so sánh với các thuậttoán khác, kết quả thực nghiệm chỉ ra rằng thuật toán ABC vượt trội hơn so với GA

cho hàm đa thức hoặc hàm phức tạp (B Basturk and D Karaboga, 2006).

Thuật toán ong nguyên ban (BA) dé xuất bởi Phạm (D T Pham, A.Ghanbarzadeh, E Koc, S Otri, S Rahim, and M Zaidi, 2006), két qua cho thay BAtìm thấy các giải pháp rat gần với GA tối ưu và tốt hơn

Thuật toán dom đóm (FA) được phát triển bởi Xin-She Yang năm 2007 (Yang,2010) Các nghiên cứu so sánh FA va PSO với các van dé tối ưu hóa không tuyến

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

tính, kết qua cho thay FA có xu hướng tốt hơn PSO và FA có tốc độ hội tụ tốt hơn so

với PSO (S K Pal, A I Rai, and A P Singh, 2012).

Meta-heuristic chỉ ra một phương pháp tính toán dé tối ưu hóa một van dé bangcách lặp đi lặp lại cố găng dé cải thiện các giải pháp ứng viên Meta-heuristic đượcsử dụng cho van đề tối ưu hoá tổ hop trong đó một giải pháp tối ưu được tìm kiếmtrên các khoảng rộng các giải pháp ứng viên Meta-heuristic được thiết kế chủ yếu dégiải quyết các van dé không thé giải quyết thông qua các thuật toán tối ưu hóa truyềnthống

Thực tế rất khó để giải quyết mọi vẫn đề mà không sử dụng một số kiến thứcchuyên môn liên quan tới van dé cần giải quyết, van cần đến các phương pháp laighép có khả năng tối ưu hóa các giải pháp, trong khi vẫn cần có kiến thức sẵn có của

chuyền gia (A Drira, H Pierreval, and S Hajri-Gabouj, 2007).

Gan day, nhiều thuật toán không thực hiện như một Meta-heuristic truyền thống,

chúng kết hợp các thuật toán khác nhau Phương pháp này được gọi là lai ghép heuristic Mục tiêu của sự lai ghép các thuật toán thuật toán khác nhau là để đạt đượcmột thuật toán mới tốt hơn, có thể khai thác và kết hợp từng lợi thế của các thuật toánriêng lẻ Tuy nhiên, không phải tất cả các thuật toán có thể được chọn ngẫu nhiên.Lựa chọn một cách tiếp cận lai ghép phù hợp là yếu tố quyết định dé đạt được kết quatốt nhất trong việc giải quyết một van đề khó khăn (Raidl, 2006)

Meta-Nghiên cứu gan đây ở Việt Nam về van dé bố trí co sở vật chất trên công trường

xây dựng (Cuong, 2007), (Nam, 2010), (Hoan, 2012).

Bảng 2 - 4: Nghiên cứu gan đây ở Việt Nam.

Trần Thế

Cường

Mô hình động tích hợp khả

năng đồ hoa của phần mém

Autocad với khả năng tìm

kiếm và tối ưu hóa của thuậttoán di truyền GA nhằm mụcđích giải quyết van đề bó tri

công trường xây dựng sẽ

thay đối theo thời gian của

quá trình thi công xây dựng.

Hệ thống chỉ xác định các cơsở vật chất có hình dạng chữnhật, cần cải thiện mô hìnhđể có thé nhận ra các cơ sởcó hình dạng gân với thực tếhơn Bên cạnh đó có thể kếthợp với phần mềm độ họa3D dé nâng cao hiệu quả của

phương pháp.

Nam

Ứng dụng thuật giải ditruyền GA để dé xuất mộtphương án dự trữ vật tư tốtnhất, đồng thời tối ưu hóa chỉ

phí dự trữ vật tư trên côngtrường xây dựng.

Việc tạo ra các cá thể controng khởi tao quan thé banđầu thỏa mãn được các điềukiện ràng buộc yêu câu làthiếu 6n định, cần cải tiến tốc

độ hội tụ của thuật toán di

truyền GA

2012 Nguyễn

Trọng Hoan

Ứng dụng lý thuyết Phântích hệ thống, xem xét cácyếu tô trên công trường cómối quan hệ chặt ché vớinhau Tối ưu khi thiết kế bốtrí mặt băng công trình thủy

lợi, thủy điện ở Việt Nam.

Đề xuất phương án tính toán

chi phí và đưa ra đường vận

chuyền tối ưu, lập trình tinh

toán và ứng dụng kiêm tra.

Nghiên cứu chỉ mới áp dụngvào công trường Cửa Đại -

Thanh Hóa Vì vậy, cần đầu

tư nghiên cứu Phương pháp

phân tích hệ thống để tối ưuhóa vào thực tiễn các côngtrình khác dé kiểm chứng sự

hiệu quả của phương pháp.

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

CHUONG 3 CO SO LÝ THUYET

Chương này trình bay tong quan về CSLP bao gồm xây dung van dé, định nghĩavà giải pháp về Vấn đề bố trí công trường xây dựng (mục 3.1) Khái niệm kỹ thuậtMeta-heuristic và trí thông minh bầy đàn, thuật toán PSO, FA, ABC, Levy Flights,

Opposition based learning, Chaotic System, sẽ được giới thiệu trong mục 3.2, mục3.3, mục 3.4, mục 3.5, mục 3.6, mục 3.7, mục 3.8 Bên cạnh đó, ứng dụng của các

thuật toán, ưu khuyết điểm của các phương pháp cũng được trình bảy Phân 3.9 giớithiệu về khái niệm và ứng dụng của sự lai ghép

3.1 Bồ trí công trường xây dựngBố trí công trường xây dựng (Construction Site Layout - CSL) dé cập đến sự sắpxếp vật lý của văn phòng làm việc ban chỉ huy công trường, khu vực nghỉ ngơi chocông nhân, khu vực thi cong, khu vực dự trữ vat tư, các khu tiện ich, khu vực để cáctrang thiết bị phục vụ thi công trên một mặt bằng hiện trạng nhất định

Bồ trí cơ sở vật chất định nghĩa:e Xác định hình dang và kích thước của các cơ sở vật chất được bố trí.e Xác định những ràng buộc giữa các cơ sở vật chất

e Xác định vị trí tương đối của các cơ sở vật chất dé đáp ứng các ràng buộcgiữa các cơ sở vật chất, tạo điều kiện cho luồng công việc giữa các cơ sở vậtchất hoạt động có hiệu quả

Cơ sở vật chất có thé là văn phòng làm việc, xưởng sản xuất, khu vực chứa máy

móc, nhà kho, láng trại công nhân (Heragu, 1997).

Bồ trí công trường xây dựng liên quan đến việc điều phối không gian giới hạntrong phạm vi công trường dé bố trí hợp lý các co sở vật chất, dé chúng hoạt động

một cách có hiệu quả trên công trường (P Zouein, H Harmanani, and A Hajar,2002).

Việc lập kế hoạch tốt của một công ty thi công xây dựng là một nhân tố ảnhhưởng trực tiếp tới hiệu quả kinh doanh của doanh nghiệp B6 tri CSL là một trongnhững hoạt động quan trọng trong việc lên kế hoạch xây dựng được thực hiện bởi cácnhà quản lý xây dựng Một cách bố trí hiệu quả sẽ giúp công ty cải thiện hiệu quả dựán Việc bố trí có ảnh hưởng đến kết quả hoạt động của công ty Thực tế thi từ 20%

đến 50% tong chi phí hoạt động trong sản xuất là do việc xử lý vật liệu (J A.

Tompkins, J A White, Y A Bozer, and J M A Tanchoco, 2010).

Nhiều nghiên cứu đã tìm ra các phương pháp dé giảm thiểu chi phí xử lý nguyênvật liệu Bên cạnh đó, vẫn đề bố trí cơ sở vật chất liên quan tới một khoản đầu tư tốnkém, lâu dài, những thay đổi can rất nhiều chi phí và không dé dàng thực hiện Việcthay đôi cách bố trí các cơ sở vật chất không chỉ tốn nhiều thời gian mà còn làm giánđoạn các công việc của cán bộ kỹ thuật, công nhân và làm trì trệ các luồng cungcấp nguyên vật liệu

Một kế hoạch CSL tốt giúp giảm chi phí xây dựng (nha tạm, lao động và nguyênvật liệu), tăng năng suất lao động và sử dụng thiết bị hiệu quả, cải thiện an toàn và

sức khoẻ cho người lao động tại công trường.

Bố trí công trường xây dựng được trình bảy là một van dé bài toán phân công bậchai (QAP) Bài toán chỉ định n các cơ sở gan vào n các vị trí có san Vấn đề bố tri

được giả định rằng mỗi cơ sở có thể sử dụng cùng một khu vực, và do đó bất kỳ cơ

sở nào có thể được gán cho bất kỳ vị trí nảo.Tên “Vẫn đề phân công bậc hai” đã được chọn vì hàm mục tiêu là hàm đa thứcbậc hai của các biến Mục tiêu của QAP là tìm ra sự phân công tối ưu cho các cơ sởvật chất (kho dự trữ, văn phòng làm việc, khu tiện ích ) đến các địa điểm có sẵn đểgiảm thiểu chi phí xử lý vật liệu Đề cực tiểu chi phí xử lý nguyên vật liệu bang cáchgiảm thiểu chỉ phí để tạo ra sản phẩm giữa các cơ sở vật chất và khoảng cách giữa

TONG CHI PHi CUA SU’ PHAN CONG LA NHO NHAT

Hinh 3 - 1: Bai toan phan cong bac hai

HVTH: Tran Lé Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Son

Công thức QAP được đưa ra bởi (Lawler, 1963) (J F a C Pierce, W B., 1971)(Rosenblatt, 1979):

min z = Tường "Aiton Xp Xim — @.11)

Trong đó:

- Xx¡= l, nếu cơ sở ¡ được gan cho địa điểm j, nếu không thì bang 0- xkm= 1, nếu cơ sở k được gan cho địa điểm m, nếu không thì bang 0- cj = chỉ phí cố định (vị tri) liên quan đến chỉ định cơ sở i tới địa điểm j- đdm= khoảng cách giữa vị trí j và m (tỉ lệ với chi phí vận chuyển), dị = 0- fix =luéng công việc giữa các cơ sở ¡ và k, fii = 0

- Aijkm =Ïk dim nếu ¡ +k hoặc j zm- Aiikm = Ci nếu i=k hoặc j=mKé tir dau những năm 1960, QAP đã được áp dung cho nhiều vẫn đề tương tựkhác nhau Ví dụ như bố cục bảng điều khiến, bàn phím máy đánh chữ

Có hai phương pháp tiếp cận để giải quyết QAP là phương pháp chính xác vàphương pháp gần đúng

Cách tiếp cận chính xác như phương pháp nhánh cận (Simmons, 1969), quyhoạch nguyên tuyến tính (R F Love and J Y Wong, 1976), quy hoạch động (J.-C

Picard and M Queyranne, 1981), quy hoạch nửa xác định (M Anjos and A Vannelli,2008).

Các phương pháp gần đúng gồm kỹ thuật Heuristic và Meta-heuristics Heuristicsví dụ như CORELAP, ALDEP Heuristics cải tiễn như CRAFT và DISCON Những phát triển gần đây dựa trên các phương pháp tiếp cận Meta-heuristic là thuật

toán lai m6 phỏng luyện kim (S S Heragu and A S Alfa, 1992), Heuristic tham lamxây dựng (K Ravi Kumar, G C Hadjinicola, and T.-l Lin, 1995), GAs (Islier, 1998),kỹ thuật dựa trên Meta-heuristic (A Gomes de Alvarenga, F Negreiros-Gomes, and

M r Mestria, 2000) và thuật toán dan kiến (M Solimanpur, 2005), tìm kiếm phântán (R M Satheesh Kumar, P Asokan, S Kumanan, and B Varma, 2008), tôi ưu

bay dan PSO (H Samarghandi, P Taabayan, and F F Jahantigh, 2010), và tìm kiếm

Tabu (H Samarghandi and K Eshghi, 2010).

3.2 Kỹ thuật Meta-heuristic va trí thông minh bay dan

3.2.1 Kỹ thuật Meta-heuristic

Thuật ngữ heuristic lần dau tiên được đề xuất bởi Glover (1986) heuristie là phương pháp tìm kiếm toàn cầu bao gồm tất cả các phương phápHeuristics, phương pháp nay được sử dụng là dé tìm ra các giải pháp có chất lượngtốt cho van dé quan tâm trong một khoảng thời gian chấp nhận được Các cấu trúc

Meta-Meta-heuristics chủ yêu dựa trên mô phỏng tự nhiên và công cụ trí tuệ nhân tạo.

Kỹ thuật Meta-heuristic

Trí thông minh bảy đàn Thuật toán tiến hóaTối ưu hóa bay đàn (PSO) Thuật toán di truyền (GA)Tối ưu hóa đàn kiến (ACO) Chiến lược tiến hóa (ES)Tối ưu hóa bay cá (FSO) Chương trình tiền hóa (EP)Tối ưu hóa bay doi (BSA) Tiến hóa vi phân (DE)

Tối ưu hóa bay ong nhân tạo(ABC) l Tìm kiếm phân tán (SA) |

Phương pháp dựa trên xác suất | Phương pháp dựa trên trí nhớ |

| ; |

Mô phỏng luyện kim (SA) L_LLìm kiêm [abu(T5) 4

Tìm kiếm các biến lân cậnPhương pháp lai ghép

Heuristic tìm kiếm lân cậnLai ghép meta-heuristic

Thuật toán Memetic

Hình 3 - 2: Phân loại kỹ thuật Meta-heuristic

Hai thành phần chính của phương pháp Meta-heuristic là:- Thăm dò (đa dạng hoá): Quá trình khám phá không gian tìm kiếm và tránh

bay trong các cực tiêu địa phương.- Khai thác (tăng cường): Quá trình cải thiện bat kỳ giải pháp hứa hen nao

đã thu được cho đến thời điểm hiện tại

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

3.2.2 Trí thông minh bay dan

Chúng ta có thé hiểu nôm na trí thông minh bay đàn như qua một câu chuyệnsau: Hãy tưởng tưởng bạn và một nhóm bạn đang tìm kiếm kim cương ở một vùngđất lạ Chúng ta chia làm nhiều nhóm khác nhau để phân công nhau tìm kiếm, mỗimột nhóm có một máy dò dé phát hiện ra kim cương qua đó có thé giao tiếp tín hiệuvà vị trí hiện tai cho những người bạn gần nhất Do đó mỗi người đều biết rằng mộttrong những người bạn khác của mình gần kho báu hơn chính mình Nếu đúng, bạncó thể tiễn gân đến người bạn đó Làm như vậy, cơ hội của bạn được cải thiện để tìmra kim cương Ngoài ra, kim cương có thể được tìm thấy nhanh hơn nếu bạn là người

tìm ra nó.

Trong tự nhiên, hầu hết các loài động vật cho thay hành vi bay dan Ở một sốloài, con đầu đàn của bay đàn dẫn dat tat cả con khác của bay đàn đó Hanh vi nay làrat rõ rang trong sư tử, chó sói Tuy nhiên, có nhiều loại động vật sống theo bay dannhưng không có con đầu đàn Các loài thuộc loại động vật này, mỗi con trong đàn cóhành vi tự tổ chức, cho phép nó di chuyển xung quanh môi trường va đáp ứng nhucầu tự nhiên của nó mà không cần con đầu đàn như chim, cá, ong Thay vào đó, cáccon vật có thé di chuyển trong môi trường thông qua trao đôi dữ liệu với các con khác

lan cận.

Một bầy đàn được định nghĩa là một tập hợp các sinh vật tương tác với nhau,cùng nhau hop tác để tìm kiếm nguôn thức ăn Trong nghiên cứu của trí thông minh

bây dan, các con vật bao gôm kiên, ong, cá, chim

3.3 Tối ưu bay đàn (Particle Swarm Optimization - PSO)Tối ưu hóa bay dan (PSO) là một phương pháp quân thé ngẫu nhiên để giải quyếtcác van dé tối ưu hóa liên tục và rời rac PSO thuộc về kỹ thuật trí thông minh bay

đàn PSO đã được giới thiệu bởi Kennedy và Eberhart (1995).

Trong PSO, điểm đơn được gọi là hạt, di chuyển trong không gian tìm kiếm củamột van dé tối ưu hoá Quan thé hat ban đầu được tạo ngẫu nhiên Mỗi hạt đại diện

cho một giải pháp tiềm năng và có một vi trí được đại diện bởi một vector vi trí Một

nhóm các hạt di chuyển qua không gian van dé, tìm kiếm các vị trí tốt hon trong

không gian tìm kiếm bang cách thay đồi vận tốc của nó theo các nguyên tac ban đầulay cảm hứng từ các mô hình hành vi của bay chim Tại mỗi bước thời gian, một hamđại diện cho một phép đo chất lượng được tính toán bang cách sử dung đữ liệu đầuvào Mỗi hạt đều theo dõi vị trí tốt nhất của nó (pBest), liên quan đến sự phù hợp tốtnhất mà nó đã đạt được trong một vector Hơn nữa, vi tri tốt nhất trong số tất cả cáchạt thu được trong quân thé (gBest) được giữ theo dõi đầu ra.

(1) Quan thê

ban dau

(2) Danh gia' Kết thúc

hàm phù hợp

Vv

(7) Kết thúc

vòng lặp(3) Tính toán

vận tôc

Vv

(4) Tinh toanvi tri moi

(5) Danh gia | (6) Cap nhậtham phu hop “| pBest va gBest

Hình 3 - 3: So đồ các bước của thuật toán PSO.Áp dụng thực tế đầu tiên của PSO là trong lĩnh vực đảo tạo mang nơ-ron (J.Kennedy and R Eberhart, 1995) Nhiều lĩnh vực ứng dụng đã được khám phá, baogồm viễn thông, kiểm soát, khai thác dữ liệu, thiết kế, tối ưu hóa tổ hop, hệ thông

điện, xử ly tín hiệu.

Trong quản lý xây dựng, PSO đã được thực hiện trong một số vẫn đề tối ưu hóanhư lập kế hoạch dự án bị ràng buộc tài nguyên (H Zhang, H Li, and C Tam, 2006),thiết kế bố trí cơ sở tối ưu (M Cheng and L Lien, 2012), thiết kế kết cấu (J P Paul,J.M Brian, and V C Charles, 2004), các van đề tối ưu hóa chi phí thời gian (TCRO)

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

(B Ashuri and M Tavakolan, 2011) va cách bố trí không đồng đều của khu vực thi

công (H Zhang and J Wang, 2008).

Theo Bai (2010), PSO có nhiều ưu điểm:(1) PSO dựa trên trí thong minh bay đàn Nó có thé được áp dụng cho cả

nghiên cứu khoa học và ứng dụng kỹ thuật.

(2) PSO không có tính lặp lại và tính đột biến Việc tìm kiếm có thé được thựchiện bởi tốc độ của hạt Trong quá trình phát triển của một vài thế hệ, chỉcó hạt ưu tú nhất mới có thể truyền tải thông tin lên các hạt khác, và tốcđộ hội tụ là rat nhanh

(3) Tính toán trong PSO rất đơn giản So với các tính toán đang phát triểnkhác, nó chiếm khả năng tối ưu hóa lớn hơn và nó có thé được hoàn thànhmột cách dễ dàng

Nhược điểm của PSO:(1) Phương pháp này dễ dàng bi ảnh hưởng bởi tối ưu cục bộ, điều nay không

chính xác khi điều chỉnh tốc độ và hướng của nó.(2) Phương pháp này không thể giải quyết được vẫn đề phân tán và tối ưu.(3) Phương pháp không thể giải quyết được các van dé của hệ thống không

phối hợp, chăng hạn như giải pháp cho lĩnh vực năng lượng và các quy tắcdi chuyền của các hạt trong trường năng lượng

3.4 Thuật toán dom dom (Firefly Algorithm-FA)

Thuật toán dom dom (FA) là một thuật toán Meta-heuristic lay cam hứng từ hành

vi tự nhiên cua dom đóm dựa trên hiện tượng sinh học phát quang Những con dom

dom tạo ra ánh sáng nhấp nháy bằng cách sử dụng hiện tượng nay Anh sáng này giúpchúng giao tiếp với nhau và thu hút con mỗi hay những con dom đóm khác Mô hìnhtrí thông minh bầy đàn đặc biệt đã được áp dụng trong một thuật toán được biết nhưlà thuật toán đom đóm Ý tưởng này được bà Xin -Ye Yang đưa ra lần đầu tiên trong

năm 2008.

(5) Kết thúc

vòng lặp

ỶỲ(3) So sánh

hàm phù hợp

Vv

(4) Di chuyéntheo hướng

Hình 3 - 4: So đồ các bước của thuật toán FA.Thuật toán FA sử dụng ba quy tắc lý tưởng hóa sau:

(1) Tất cả các dom đóm đều không mang giới tính để ma một con dom đómsẽ bị thu hút bởi những con dom đóm khác bất kế giới tính của con dom

đóm.

(2) Khả năng hấp dẫn tỷ lệ thuận với độ sáng của chúng, vì vậy đối với haicon dom dom nhấp nháy, con dom dom càng ít sáng sẽ di chuyển về hướngsáng hơn Sự hấp dẫn tỷ lệ với độ sáng và cả hai đều giảm khi khoảng cách

của chúng tăng.(3) Độ sáng của con đom đóm bị ảnh hưởng hoặc xác định bởi cảnh quan của

hàm mục tiêu.

Đối với một vẫn đề cực đại hoá, độ sáng ty lệ thuận với gia tri của hàm mục tiêu.Các hình thức khác của độ sáng có thể được định nghĩa theo cách tương tự như hàmphù hợp Trong thuật toán FA, tính hấp dẫn của con đom đóm được xác định bởi độ

sáng của nó găn liên với hàm mục tiêu.

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

Các nghiên cứu gần đây cho thấy răng FA rất hiệu quả (X.-S Yang, 2009), và cóthé vượt trội hơn các thuật toán Meta-heuristic khác, bao gồm tối ưu hóa các hạt bầyđàn (S Lukasik and S Zak, 2009) Thuật toán đom đóm FA đã được áp dụng trongcác van dé tôi ưu hóa không tuyến tính và kết quả cho thay FA dường như hoạt độngtốt hơn khi mức độ nhiễu tăng (N Chai-ead, P Aungkulanon, and P Luangpaiboon,

2011).

Trong lĩnh vực xây dựng, FA đã được sử dụng trong van đề tối ưu hóa kết cau(A H Gandomi, X.-S Yang, and A H Alavi, 2011) Kết quả tôi ưu cho thay FA

hiệu quả hơn các thuật toán Meta-heuristic khác như PSO, GA, SA và HS.

FA như một thuật toán phát triển mới tuyên bố rằng nó có nhiều ưu điểm, chăng

hạn như:

(1) Tỷ lệ hội tụ cao.

(2) Dom đóm làm việc riêng lẻ va tìm một vị trí tốt hơn cho mình trong việc

xem xét với vi trí hiện tai cua nó cũng như vi trí của những con dom

đóm khác Do đó, nó thoát khỏi tối ưu cục bộ và tim ra một tối ưu toàncầu với số lần lặp lại ít hơn

(3) Thuật toán mạnh mẽ.

Tuy nhiên, có một số nghiên cứu cho rằng FA cũng có một số nhược điểm (M

Farahani, A A Abshouri, B Nasiri, and M R Meybodi, 2011), như:

(1) FA có thé dé dang bị bay vào một số tối ưu cục bộ.(2) Các thông số FA được thiết lập cỗ định và chúng không thay đổi theo

dỡ xuống và vận chuyển tới nơi dự trữ thực phẩm (tổ ong) ABC là một thuật toánMeta-heuristic, các con ong trong một dan cùng với nhau hop tác dé tìm kiếm nhữngkhóm hoa có lượng mật tốt nhất.

Yonezawa va Kikuchi (1996) quan sát hành vi tìm kiếm thức ăn của bay ong vàxây dựng một thuật toán cho thấy tầm quan trọng của trí thông minh bay dan Thuậttoán mô phỏng quá trình kiếm ăn của một đến ba con ong và kết quả chỉ ra rang bacon ong kiếm ăn nhanh hơn so với một con ong trong giai đoạn ra quyết định

ABC là một trong những thuật toán được dé xuất mới nhất của Dervis Karaboganăm 2005 ABC đã được áp dụng rộng rãi để giải quyết các vẫn đề trong thực tế Một

cuộc khảo sát toàn diện cho các ứng dụng của thuật toán ABC đã được trình bày bởi

D Karaboga (D Karaboga, B Gorkemli, C Ozturk, 2012) Kết quả cho thấy răngthuật toán ABC là tốt hơn hoặc tương tự như các thuật toán dựa trên quân thể khác

(D Karaboga, 2009).

(D Karaboga, 2011) đề xuất phiên bản mới của thuật toán ABC để giải quyết vanđề tối ưu hóa với những ràng buộc dưới một hàm mục tiêu Các nghiên cứu mở rộngphiên bản chuẩn của ABC dé tìm kiếm sự tối ưu trong các van dé đa mục tiêu (R

Akbari, R Hedayatzadeh, K Ziarati, B Hassanizadeh, 2011).

e Y tưởng chính của thuật toán Bay ong nhân tao:Trong thuật toán ABC, một bầy ong được chia làm ba loại: ong làm việc, ongquan sát và ong trinh thám Một nửa số ong trong dan là ong làm việc và mỗi nguồnthức ăn sẽ được khai thác bởi một con ong làm việc Các nguồn thức ăn chứa thôngtin này sẽ được chia sẻ thông tin với những con ong khác dang chờ trong tổ Thôngtin được chia sẻ thông qua điệu nhảy của con ong Một nửa bay ong khác bao gồmnhững ong quan sát đang tìm kiếm nguồn thức ăn bang các nguồn thông tin do nhữngcon ong làm việc cung cấp Các nguồn thức ăn cạn kiệt sẽ bị bỏ rơi bởi những con

ong làm việc và những con ong này sẽ trở thành ong trinh thám Các con ong trinh

thám tìm kiếm ngẫu nhiên trong môi trường dé tìm nguồn thức ăn mới.Vị trí của một nguồn thức ăn sẽ tương ứng với giải pháp của van dé cần được tốiưu hóa Chất lượng của nguồn thức ăn tương ứng với chất lượng của giải pháp được

chọn.

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

Bài toán tối ưu trở thành bài toán tìm kiếm sự kết hợp tốt nhất giữa ong và nguồnthức ăn tương ứng Mỗi cặp nghiệm (ong, nguồn thức ăn) một giải pháp được lựa

chọn.

Bắt đầu „| Tìm vị trí nguồn thức ăn

j ban đâu ngẫu nhiên

ăn mớitìm nguôn thức ăn mới

SaiSai

Xác định các nguồn thức

ăn lân cận được lựa

chon bởi ong quan sát

được phân bônào đã hêt 2

Đúng % Kiểm tra nguồn thức ăn

đã tiêu thụ

Hình 3 - 5: Sơ đồ các bước thuật toán ABC.Trong thuật toán ABC, các con ong nhân tạo thực hiện hành vi tìm kiếm cácnguồn thức ăn nhân tạo Dé áp dụng thuật toán ABC thì các van dé cần tối ưu hóađược chuyển đồi thành bài toán tìm kiếm các vector tham số tốt nhất với một hoặcmột số hàm mục tiêu cụ thể

Những con ong nhân tạo tìm kiếm ngẫu nhiên trong không gian tìm kiếm, tìm ravecto giải pháp ban dau, thực hiện quá trình tìm kiếm này lặp đi lặp lại nhiều lần, cảithiện và nâng cao chất lượng của giải pháp băng cách sử dụng các chiến thuật như dichuyền tới các giải pháp tốt hơn bang quy trình tìm kiếm các giải pháp trong vùng

lân cận va từ bỏ nguôn thức ăn đã cạn kiét.

e Giai đoạn khởi tao quan thé ban đầuSN là kích thước giới hạn của nguồn thức ăn Xmi được khởi tao (m=1, SN) Ứngvới mỗi nguồn thức ăn, Xn là một vector cho vẫn dé tối ưu hóa, mỗi vector Xn giữcác giá trị Xmi (¡ = 1, 2 n) tương ứng với các tham số của một van dé tối ưu hóa (nlà số các tham số tối ưu).

Khởi tạo nguồn thức ăn ban đầu băng phương trình sau:

Xxni = Xmini + TANA(O, 1) (Xu — Xe; ) (3.5.1)

Trong đó:

- Xmaxi Va Xmini là rang buộc trên va rang buộc dưới của vector tham số Xmi

tương ứng.e Giai đoạn ong làm việc

° Ầ > ^ ^ 2 A Lá

Ong làm việc tìm nguồn thức ăn mới ( v„ ) trong khu vực lân cận của nguôn thức

ăn (Xm) đã được tim thấy trong kí ức của ching, sau đó đánh giá chất lượng củanguôn thức ăn đó

Ong làm việc có thé xác định một nguồn thức ăn lân cận (Vn) bang cách áp dungcông thức (3.5.2) va đánh giá chat lượng nguồn thức ăn minh đã chon thông qua

phương trình (3.5.3).

Vi =X +0,(X„—„) 5.2)Trong đó:

- ke{l,2, SN} ,¡e{l,2 m} là các chỉ số được chọn ngẫu nhiên, k phải

HVTH: Trần Lê Anh - MSHV:1670120 GVHD: TS Phạm Vũ Hồng Sơn

[ L— vs

/G„)=+ I fx, nên) (3.5.3)

[V+ abs( f, (Xn ))s /„(x„) <0

Trong do:

- ff (x ) là giá tri tính toán của ham mục tiêu cho giải pháp (x„).

e Giai đoạn ong quan sat

Ong làm việc chia sé thông tin về nguôn thức ăn của minh với ong quan sát đợitrong tổ, dựa vào các thông tin vừa được chia sẻ, các con ong quan sát lựa chọn nguồn

Sau khi một nguôn thức ăn x„ được con ong quan sát chọn, một nguôn thức ăn

khu vực lân cận vy, được xác định băng công thức (3.5.2) Sau đó tinh toán và so sánh

chất lượng của nguôn thức ăn mới này

Trong giai đoạn nay, một lựa cặp nghiệm được lựa chọn giữa x, va v

e Giai đoạn ong trinh thăm

Vai trò của ong trinh thám là tìm ra một nguôn thức ăn mới để sử dụng khi mànguôn thức ăn trước đó đã bị từ bỏ sau khi được khai thác

Trong ABC, nêu nguôn thức ăn x, không duoc cải thiện thông qua một số lần

thử nghiệm giới hạn thì nguôn thức ăn đó sẽ bị bỏ rơi Những con ong ứng với nguôn

thức ăn đó bat dau tìm kiêm ngâu nhiên các nguôn thức ăn mới.