TÊN ĐỀ TÀI: Ứng dụng thuật toán lai báo ghê-pa hCO-CSBO vào bài toán tối ưu hóa đa mục tiêu có xét đến yếu tố môi trường và năng lượng trong quản lý xây dựng Applying the hybrid Cheetar
GIỚI THIỆU
Đặt vấn đề
Ngành xây dựng là một ngành nghề đa dạng và phát triển mạnh mẽ trong nền kinh tế của Việt Nam Nó bao gồm các hoạt động liên quan đến việc xây dựng, sửa chữa, cải tạo và duy tu các công trình như: nhà ở, tòa nhà, cầu đường, hầm mương, công trình hạ tầng và các dự án công trình công cộng, Theo số liệu từ Tổng cục Thống kê năm 2022, xét về quy mô và mối quan hệ, ngành bất động sản đóng góp 3.6% GDP và có tác động lan tỏa đến 40 ngành kinh tế quan trọng, trong đó có xây dựng, chứng khoán, ngân hàng - tài chính, du lịch, bảo hiểm, nông nghiệp,… Hoạt động của 3 khu vực này chiếm 22.4% GDP nếu kể đến 2 ngành nghề gắn liền nhất với bất động sản là: xây dựng (10.6% GDP) và tài chính - ngân hàng (8.2% GDP) [1] Vùng kinh tế trọng điểm phía Nam có quy mô GDP lớn nhất trong 4 vùng kinh tế lớn trong nửa đầu năm 2022, khoảng 982 nghìn tỷ đồng Trong đó, Tp.HCM chiếm nhiều nhất, đóng góp 52.14% GRDP của vùng, ước đạt 512 nghìn tỷ đồng Thành phố Hồ Chí Minh hiện đứng đầu trong 10 tỉnh, thành phố dẫn đầu cả nước về GRDP [2]
Hình 1.1 Tỷ trọng các ngành liên quan trực tiếp với ngành xây dựng Để đáp ứng nhu cầu cơ sở hạ tầng của xã hội và hỗ trợ tăng trưởng kinh tế và đô thị quốc gia, ngành xây dựng rất quan trọng Cùng với vật tư xây dựng, nó cũng mang lại cho nhiều cá nhân, bao gồm kỹ sư, người lao động, kiến trúc sư, nhà thầu và các chuyên gia khác một nguồn việc làm Cần phải tính đến nhiều yếu tố để ngành xây dựng tăng trưởng bền vững và đóng góp đáng kể vào phát triển kinh tế xã hội, bao gồm công trình xanh, phát triển cơ sở hạ tầng bền vững, đào tạo nguồn nhân lực có trình độ cao, cải thiện quy hoạch và quản lý đô thị, thúc đẩy phát triển đầu tư công nghệ, [3] Về mặt thị trường lao động, các vị trí trong lĩnh vực xây dựng và bất động sản sẽ chiếm 9.9% tổng số việc làm vào năm 2021, tương đương 4.8 triệu lao động Trong mười năm trước, số lượng lao động đã tăng đáng kể (3.3 triệu vào năm 2011, hay 6.6% tổng số việc làm) trong lĩnh vực kinh doanh bất động sản Với 9.3% tổng số việc làm, ngành xây dựng sử dụng nhiều lao động hơn ngành bất động sản
Hình 1.2 Thâm dụng lao động của ngành xây dựng, bất động sản năm 2021
Việc áp dụng các công nghệ mới như BIM, xây dựng thông minh, xây dựng xanh và sử dụng các nguồn năng lượng tái tạo cũng như luôn quan tâm đến an toàn và sức khỏe của người lao động đều góp phần vào sự phát triển không ngừng của ngành xây dựng Sức khỏe của người lao động và môi trường làm việc bị ảnh hưởng đáng kể bởi bệnh nghề nghiệp trong ngành xây dựng, ảnh hưởng dây chuyền đến chất lượng công việc, chất lượng dự án và tiến độ thực hiện dự án [4]
Từ quy mô và tầm ảnh hưởng, ngành xây dựng là một ngành có tiềm năng mở rộng to lớn Việt Nam nằm trong số nhiều quốc gia trên toàn thế giới có các lĩnh vực kinh tế xã hội bị ảnh hưởng nặng nề bởi đại dịch COVID-19 [5] Thị trường bất động sản bước vào vòng xoáy khủng hoảng và hầu như không có khả năng tiếp cận nguồn vốn xây dựng bắt đầu từ giữa năm 2022 Từ cuối năm 2022 đến nay, ảnh hưởng của lạm phát đã dẫn tới khủng hoảng, thách thức trên thị trường bất động sản trong nước Thị trường bất động sản dự kiến sẽ đi vào “vùng đáy” vào năm 2023 và chững lại vào năm 2024 - 2025 [6] Theo số liệu báo cáo của Bộ Xây dựng, ước tính có khoảng
1200 doanh nghiệp bất động sản nộp đơn xin phá sản hoặc giải thể trong cùng kỳ năm ngoái, tăng 38.7% Hậu quả là hàng triệu công nhân thất nghiệp, làm tăng thêm bất ổn xã hội, một số cơ sở sản xuất kinh doanh, nhà máy, xưởng thuộc hơn 30 ngành liên quan buộc phải đóng cửa
Từ quan điểm quản lý tài chính doanh nghiệp, việc giải quyết vấn đề nâng cao hiệu quả kinh doanh phải bắt đầu từ việc xác định các yếu tố ảnh hưởng trực tiếp hoặc gián tiếp đến hiệu quả kinh doanh [7] Việc cân bằng các yếu tố: thời gian, chi phí, chất lượng, năng lượng tiêu thụ và tác động môi trường trong quản lý dự án xây dựng là một thách thức phức tạp đòi hỏi sự cân nhắc kỹ lưỡng và giải pháp sáng tạo
Hình 1.3 Minh họa về việc cân bằng thời gian, chi phí, chất lượng, năng lượng và tác động môi trường
Thời gian cần thiết để hoàn thành một công việc hoặc công việc nhất định được xác định bởi nguồn lực sử dụng (biện pháp thi công của nhà thầu, điều kiện tạm ứng – thanh toán của Chủ đầu tư, ứng dụng công nghệ – kỹ thuật, khả năng huy động nguồn nhân – vật lực sẵn có tại chỗ hoặc từ nơi khác, điều kiện thời tiết – khí hậu, chính sách của chính quyền địa phương,…) Việc ưu tiên phân bổ nguồn lực cho một hoạt động thường giúp giảm thời gian thực hiện Điều này có thể dẫn đến tăng chi phí và ảnh hưởng đến chất lượng Mặt khác, việc tổ chức và giảm thiểu nguồn lực cho bất kỳ công việc nào thường dẫn đến thời gian thực hiện kéo dài hơn Tuy nhiên, cần xem xét cẩn trọng các yếu tố chi phí gián tiếp, thuê thiết bị, kho bãi,… để không xảy ra tác dụng phụ như: đội vốn, vượt ngân sách, phạt trễ tiến độ,… Chất lượng công trình xây dựng là yếu tố then chốt, quyết định đến tính an toàn, thẩm mỹ và độ bền của công trình Chất lượng tốt sẽ mang lại nhiều lợi ích cho dự án, bao gồm: Tăng tuổi thọ công trình, nâng cao giá trị công trình, tăng uy tín cho chủ đầu tư và nhà thầu Ngành xây dựng là một trong những ngành tiêu thụ năng lượng lớn nhất, chiếm khoảng 40% tổng lượng năng lượng tiêu thụ toàn cầu Việc sử dụng năng lượng hiệu quả trong dự án xây dựng mang lại nhiều lợi ích, bao gồm: Tiết kiệm chi phí, giảm thiểu tác động môi trường, nâng cao hình ảnh của chủ đầu tư và nhà thầu Ngành xây dựng cũng là một trong những ngành có tác động tiêu cực đến môi trường lớn nhất, bao gồm ô nhiễm không khí, ô nhiễm nước, ô nhiễm đất và phát thải khí nhà kính Việc giảm thiểu tác động môi trường trong dự án xây dựng mang lại nhiều lợi ích, bao gồm: Bảo vệ môi trường, tuân thủ quy định, nâng cao hình ảnh của chủ đầu tư và nhà thầu
Hình 1.4 Các yếu tố ảnh hưởng đến chất lượng tổng thể của một dự án xây dựng
Việc cân bằng các yếu tố, nguồn lực trong công tác quản lý xây dựng đã được chú trọng nghiên cứu trong nhiều tài liệu Để cân bằng các yếu tố, nhà quản lý có thể sử dụng các công cụ và phương pháp quản lý dự án truyền thống như đường biên chi phí (EVM) [8], cấu trúc phân chia công việc (WBS) [9], phân tích giá trị tiền (VA) [10] và cân bằng tài nguyên (RL) [11] Các phương pháp này giúp quản lý tiến độ dự án một cách hiệu quả và đưa ra các quyết định chính xác để đảm bảo cân bằng giữa các nguồn lực cần thiết Ví dụ, đường biên chi phí có thể được sử dụng để đánh giá chi phí cho mỗi đơn vị thời gian và giúp cân bằng giữa thời gian và chi phí Trong
Nguồn lực Rủi ro chuyển Vận
Pháp lý yếu tố Các khác khi đó, phân tích giá trị tiền giúp ước tính giá trị thực của tiền theo thời gian và đưa ra quyết định đúng đắn về việc sử dụng tài nguyên Tuy nhiên, các phương pháp truyền thống này chỉ tập trung vào một khía cạnh cụ thể của dự án để giải quyết các vấn đề cụ thể, chẳng hạn như chi phí, thời gian và tài nguyên Để giải quyết những hạn chế của các công cụ và phương pháp quản lý dự án truyền thống, các thuật toán tối ưu hóa đa mục tiêu đã được sử dụng trong quản lý xây dựng Kỹ thuật tối ưu hóa đa mục tiêu tối ưu hóa lợi thế của nhiều mục tiêu cùng một lúc Các thuật toán này giải quyết vấn đề đánh đổi giữa nhiều mục tiêu, nhưng chúng không tập trung vào bất kỳ nguồn lực, yếu tố cụ thể nào của dự án
Các phương pháp quản lý dự án truyền thống và thuật toán tối ưu đa mục tiêu có thể được sử dụng cùng nhau để giải quyết các vấn đề phức tạp trong quá trình quản lý dự án Thông thường, các tổ chức sẽ sử dụng các phương pháp truyền thống để giải quyết các vấn đề cụ thể trong dự án và các thuật toán tối ưu đa mục tiêu để tìm kiếm cân bằng giữa các mục tiêu rộng hơn và cố gắng tối ưu hóa tất cả các mục tiêu cùng một lúc
Tóm lại, việc cân bằng giữa thời gian, chi phí, chất lượng, năng lượng và môi trường là rất quan trọng trong quản lý dự án xây dựng để đảm bảo rằng dự án được hoàn thành đúng thời hạn, trong ngân sách, đạt yêu cầu, tiết kiệm năng lượng và bảo vệ môi trường
Hình 1.5 Loài báo ghê-pa (cheetah)
Thuật toán báo ghê-pa (Cheetah Optimizer - CO) là một thuật toán tối ưu hóa được đề xuất bởi nhóm tác giả Mohammad Amin Akbari và cộng sự dựa trên tập tính săn mồi của chúng CO là một thuật toán meta-heuristic lấy cảm hứng từ thiên nhiên cho các vấn đề tối ưu hóa quy mô lớn Nhóm tác giả đã thử nghiệm thuật toán CO trên các hàm thử nghiệm và bài toán tối ưu hóa với quy mô lớn Kết quả cho thấy CO có hiệu quả tìm kiếm giải pháp tối ưu cạnh tranh, thậm chí tốt hơn so với các thuật toán tối ưu hóa khác, như: Thuật toán tối ưu bầy đàn (PSO), thuật toán di truyền (GA), thuật toán tối ưu tiến hóa vi phân (DE), thuật toán tối ưu sói xám (GWO), thuật toán tối ưu dạy học (TLBO),… Kết quả cũng phản ánh CO có tiềm năng việc giải quyết tốt các vấn đề thực tế với không gian tìm kiếm không xác định, tạo ra sự cân bằng phù hợp giữa giai đoạn khám phá và khai thác không gian tìm kiếm và ngăn chặn sự hội tụ sớm, tối ưu cục bộ Thuật toán CO đã được đánh giá hiệu quả và đạt kết quả tốt trong việc giải quyết các bài toán tối ưu trong nhiều lĩnh vực khác nhau, bao gồm: kỹ thuật điều khiển, kỹ thuật điện tử, kỹ thuật cơ khí, kỹ thuật hóa học và kỹ thuật năng lượng Thuật toán CO là một trong những thuật toán đầy triển vọng và đang được nghiên cứu rộng rãi trong khoa học và công nghệ những năm trở lại đây [12]
Hình 1.6 Hệ thống tuần hoàn ở người
Cùng năm, Mojtaba Ghasemi và cộng sự đã giới thiệu một thuật toán tối ưu hóa được lấy cảm hứng từ hệ tuần hoàn ở người (Circulatory System Based Optimization
- CSBO) Thuật toán CSBO có khả năng giải quyết các bài toán tối ưu với quy mô lớn Kết quả thực nghiệm phản ánh CSBO có hiệu quả và ổn định hơn so với một số thuật toán tối ưu hóa khác, như: Thuật toán di truyền (GA), thuật toán bầy ong nhân tạo (ABC) và tối ưu bầy đàn (PSO) Kết quả cho thấy thuật toán đề xuất có thể khám phá các vùng khác nhau của không gian tìm kiếm, tránh tối ưu cục bộ, có khả năng hội tụ theo hướng tối ưu toàn cục và khai thác vùng hứa hẹn của không gian tìm kiếm trong quá trình tối ưu một cách hiệu quả [13]
Từ nhu cầu thực tế và phân tích trên, đề tài: “Ứng dụng thuật toán lai báo ghê- pa (hCO-CSBO) vào bài toán tối ưu hóa đa mục tiêu có xét đến yếu tố môi trường và năng lượng trong quản lý xây dựng” đã được học viên lựa chọn và triển khai thực hiện nghiên cứu.
Mục tiêu và nội dung nghiên cứu
Mục tiêu nghiên cứu là xây dựng thuật toán tối ưu hCO-CSBO từ việc lai ghép hai thuật toán CO và CSBO Thuật toán được đề xuất này cung cấp tập hợp các giải pháp tối ưu (tập Pareto) cho bài toán cân bằng tiến độ - chi phí - chất lượng - năng lượng - môi trường với số lượng công tác lớn trong thời gian ngắn
Các nội dung của nghiên cứu được thực hiện thông qua các bước cụ thể như sau:
1 Xây dựng mô hình thuật toán tích hợp hCO-CSBO dựa trên sự kết hợp giữa hai thuật toán CO và CSBO với sự hỗ trợ của phần mềm MATLAB và ngôn ngữ lập trình Python
2 Đánh giá sự hiệu quả và ổn định của thuật toán tích hợp hCO-CSBO so với hai thuật toán thành phần CO và CSBO, cũng như các thuật toán tối ưu khác được công bố ở những nghiên cứu trước đây thông qua 2 bài toán kiểm định, 3 chỉ số đánh giá và 23 hàm kiểm tra phổ biến
➢ Bài toán 1: cân bằng bốn yếu tố (tiến độ - chi phí - chất lượng - môi trường)
➢ Bài toán 2: cân bằng năm yếu tố (tiến độ - chi phí - chất lượng - năng lượng - môi trường)
3 Kiểm tra độ tin cậy của mô hình bằng cách so sánh kết quả của Luận văn với các kết quả các nghiên cứu của những tác giả khác
4 Kết luận và kiến nghị
1.2.3 Tính cần thiết và ý nghĩa của nghiên cứu
1.2.3.1 Trên phương diện học thuật
Việc lai ghép các thuật toán tối ưu hóa là một hướng đi thú vị trong nghiên cứu toán ứng dụng hiện nay, giúp tận dụng ưu điểm của mỗi thuật toán để tăng cường hiệu quả giải quyết bài toán Việc lai ghép hai thuật toán này có thể giúp tăng cường sức mạnh của CO nhờ khả năng khai thác không gian tìm kiếm tốt của CSBO, đồng thời nâng cao độ đa dạng của tập hợp cá thể Thuật toán hCO-CSBO đóng góp thêm vào kho tàng thuật toán tối ưu, tạo thêm nhiều sự đa dạng trong việc lựa chọn các mô hình giải quyết các vấn đề tối ưu đa mục tiêu trong các lĩnh vực khác nhau
1.2.3.2 Trên phương diện thực tiễn
Thông thường, trong một dự án xây dựng, các công tác có sự tương tác phức tạp Các công tác có thể liên kết với nhau theo một hoặc nhiều phương án khác nhau, gây khó khăn cho việc đánh giá và lựa chọn phương án tốt nhất Việc xây dựng bảng tiến độ, kế hoạch là bắt buộc trong mỗi dự án xây dựng Trong thời gian hạn định, nếu người lập kế hoạch chưa thể đưa ra quyết định kịp thời sẽ có thể đánh mất đi cơ hội tối ưu về mặt chi phí, tiến độ, chất lượng, năng lượng và tác động môi trường Việc áp dụng các thuật toán tối ưu đã cung cấp tập giải pháp khả thi một cách tự động kể cả khi số lượng công tác lớn, giúp nhà quản lý có thể đưa ra quyết định nhanh chóng và hiệu quả trong một khoảng thời gian giới hạn.
Bố cục luận văn
Trong Luận văn này, nội dung chính được học viên trình bày qua 6 chương cụ thể như sau:
➢ Mục tiêu và nội dung nghiên cứu
➢ Tính cần thiết và ý nghĩa của nghiên cứu
➢ Các công trình nghiên cứu cân bằng yếu tố thời gian - chi phí và các yếu tố khác
➢ Các công trình nghiên cứu về CO
➢ Các công trình nghiên cứu về CSBO
• Chương 3 Cơ sở lý thuyết
➢ Mối tương quan giữa tiến độ - chi phí của một công tác thi công xây lắp điển hình
➢ Mối tương quan giữa tiến độ - chi phí trong một dự án xây dựng
➢ Bài toán cân bằng tiến độ - chi phí - chất lượng - năng lượng - môi trường
➢ Phương pháp lai ghép thuật toán
• Chương 4 Mô hình nghiên cứu
➢ Thuật toán Báo ghê-pa (Cheetah Optimizer – CO)
➢ Thuật toán dựa trên hệ tuần hoàn ở người (Circulatory System Based Optimization – CSBO)
➢ Thuật toán lai báo ghê-pa (hCO-CSBO)
➢ Các chỉ số đánh giá
• Chương 5 Bài toán phân tích
➢ Đánh giá hiệu quả của mô hình hCO-CSBO thông qua bài toán phân tích 1 (TCQP Trade-off) và 3 chỉ số đánh giá (C-metric, SP và HV)
➢ Đánh giá hiệu quả của mô hình hCO-CSBO thông qua bài toán phân tích 2 (TCQEP Trade-off) và 3 chỉ số đánh giá (C-metric, SP và HV)
➢ Đánh giá hiệu suất của mô hình hCO-CSBO thông qua 23 hàm kiểm tra phổ biến
• Chương 6 Kết luận và kiến nghị
➢ Kết luận (Đóng góp và hạn chế của nghiên cứu)
➢ Kiến nghị (Hướng nghiên cứu trong tương lai)
TỔNG QUAN
Các công trình nghiên cứu cân bằng yếu tố thời gian - chi phí và các yếu tố khác
Đã có nhiều nghiên cứu viết về chủ đề cân đối thời gian và chi phí trong quản lý xây dựng Các sáng kiến nghiên cứu về cân bằng thời gian và chi phí lần lượt được đưa ra, cung cấp các phương pháp, mô hình và công cụ để giải quyết vấn đề nói trên Việc giải quyết vấn đề cân bằng tiến độ - chi phí sẽ cho phép các doanh nghiệp xây dựng có được lợi thế cạnh tranh so với các đối thủ cạnh tranh [14] Tối ưu hóa thời gian và chi phí là một vấn đề rất quan trọng trong xây dựng, giữa thời gian hoàn thành xây dựng công trình và tổng chi phí có mối quan hệ chặt chẽ Hoàn thành dự án đúng thời hạn với chi phí thấp nhất sẽ mang lại những kết quả to lớn về kinh tế và chính trị [15] Trong thời kỳ kinh tế khó khăn, các tập đoàn, doanh nghiệp đặc biệt quan tâm đến vấn đề dòng tiền thu - chi, cân đối tài chính Ba bài toán thông dụng giải quyết vấn đề cân bằng thời gian - chi phí, bao gồm: Tối ưu yếu tố chi phí; tối ưu yếu tố tiến độ và tối ưu đa mục tiêu cả chi phí - tiến độ (bài toán Pareto front) [16] Bên cạnh hai yếu tố cốt lõi trên, ngày nay, theo tiến trình phát triển của ngành xây dựng, bất động sản và kinh tế - chính trị - xã hội và mối quan tâm của công chúng, các yếu tố khác được xem xét đến như chất lượng, môi trường, năng lượng, rủi ro, nguồn lực, kho bãi, vận chuyển,… Điều này đã thôi thúc các nhà nghiên cứu tiếp tục khai thác và mở rộng bài toán kinh điển, tạo nên nhiều biến thể Từ đó, nó mang đến cho các nhà quản trị, người quản lý dự án một bức tranh đầy đủ hơn về các khía cạnh có thể ảnh hưởng đến chất lượng tổng thể của các dự án xây dựng
Kandil và cộng sự đã trình bày nghiên cứu áp dụng thuật toán tối ưu hóa đa mục tiêu (MOAs) trong lĩnh vực xây dựng và phân tích chi tiết về trường hợp quy mô lớn để đánh giá tính bền vững của các MOAs mang tính phân tích và lấy cảm hứng từ tự nhiên Nghiên cứu điển hình đầu tiên nhằm mục đích tối ưu hóa quy hoạch nhà ở tạm thời sau thảm họa Nghiên cứu điển hình này lần đầu tiên sử dụng MOGA, tuy nhiên thời gian xử lý được cho là rất lớn Nghiên cứu điển hình sau đó đã sử dụng thuật toán tối ưu hóa phân tích được cho là hoạt động tốt hơn MOGA cả về hiệu quả và hiệu suất Nghiên cứu điển hình thứ hai nhằm tối ưu hóa việc sử dụng tài nguyên xây dựng trong các dự án cơ sở hạ tầng quy mô lớn Trong nghiên cứu điển hình này, MOGA đã được sử dụng để thực hiện quá trình tối ưu hóa Để tăng tính mạnh mẽ của thuật toán này, hai phương pháp tính toán song song đã được sử dụng Kết quả của những cách tiếp cận này cho thấy rằng có thể đạt được sự gia tăng hiệu quả đáng kể và trong một số trường hợp, có sự cân bằng giữa hiệu suất và hiệu quả Tuy nhiên cần nghiên cứu thêm để phân tích và giải quyết các nguyên nhân khác vẫn hạn chế việc sử dụng rộng rãi các kỹ thuật tối ưu hóa trong ngành xây dựng [17]
Luan và Nhan đã sử dụng phương pháp tối ưu hóa đàn kiến (ACO) để giải quyết bài toán đa mục tiêu về chi phí - thời gian Mô hình xác định các giải pháp tối ưu khi kết hợp với phương pháp trọng số thích ứng sửa đổi (MAWA) (Zheng và cộng sự, 2004) [18] bắt nguồn từ phương pháp trọng số thích ứng (AWA) do Gen và Cheng (2000) [19] đề xuất và được sử dụng trong việc áp dụng thuật toán di truyền cho bài toán TCO Mô hình ACO-TCO sẽ được tạo bằng Visual Basic Một ví dụ sẽ được nghiên cứu để chứng minh khả năng của mô hình và so sánh nó với các phương pháp trước đó Kết quả cho thấy phương pháp này có thể tạo ra kết quả tốt hơn trong khi sử dụng ít tài nguyên máy tính hơn, khiến nó trở thành một công cụ có giá trị cho các nhà lập kế hoạch và quản lý trong việc đưa ra các quyết định kịp thời và tiết kiệm chi phí [20]
Shankar và cộng sự đã trình bày nghiên cứu về bài toán cân bằng giữa thời gian, chi phí và chất lượng rời rạc Số lượng phân bổ nguồn lực dự án có hạn, nhóm tác giả đã phải đối mặt với vấn đề ra quyết định rời rạc tiềm ẩn rủi ro Nhóm tác giả đã đề xuất một phương pháp mới để giải quyết vấn đề này Quy trình được đề xuất bao gồm ba bước Đầu tiên, việc đánh giá các dự án theo các tiêu chí được đưa ra Tiếp theo, những đánh giá này được so sánh với các tiêu chí Cuối cùng, kỹ thuật tương tác được sử dụng để lựa chọn cách phân bổ nguồn lực mong muốn nhất Các khả năng áp dụng quy trình được trình bày trong nghiên cứu không chỉ giới hạn ở việc xây dựng, lập kế hoạch dự án Nó có thể hữu ích cho nhiều vấn đề khác nhau, như: trong mô hình kiểm kê, đánh giá dự án đầu tư, kiểm soát quá trình sản xuất,… [21]
Rezaian đề xuất kim tự tháp sinh tồn bao gồm thời gian, chi phí, chất lượng và rủi ro trong các dự án đầu tư xây dựng và phát triển Có thể sử dụng kết quả cho các ngành công nghiệp khác như ô tô, thiết bị và thiết bị điện tử, các ngành công nghiệp hàng đầu,… Mục đích của việc xem xét chúng là tạo ra sự cân bằng giữa thời gian, chi phí, chất lượng và rủi ro nhằm mang lại mức độ hài lòng tốt nhất cho khách hàng và người dùng cuối, đồng thời đạt được mức giá trị tối ưu nhất cho tổ chức Việc xem xét mối quan hệ giữa lợi thế cạnh tranh trong các ngành công nghiệp hàng đầu và các nước công nghiệp hóa vẫn đang được thảo luận Hàng năm các công ty lớn đều chi một khoản tiền lớn cho việc nghiên cứu và phát triển về sự kết hợp sản xuất tối ưu nhất hoặc chức năng và tính năng tối ưu nhất của sản phẩm và dịch vụ của họ Tác động của chất lượng kém đến giá sản phẩm và thu nhập của tổ chức cũng như số chi phí phải trả cho chất lượng cao đã đặt ra nhiều vấn đề quan trọng ảnh hưởng đến kế toán chi phí, kiểm soát chất lượng, sửa chữa và bảo trì, chuỗi cung ứng, quản lý sản xuất, cửa hàng, an toàn và sức khỏe, giáo dục và cải tiến, [22]
Cheng và Hoc đã phát triển một thuật toán tối ưu hóa mới, tiến hóa vi phân đa mục tiêu dựa trên đối lập (OMODE), để giải quyết vấn đề đánh đổi chi phí - thời gian
- tác động môi trường (TCET) Thuật toán mới này sử dụng kỹ thuật học tập dựa trên sự đối lập để khởi tạo quần thể và nhảy thế hệ Các số đối lập được sử dụng để cải thiện hiệu suất thăm dò và hội tụ của quá trình tối ưu hóa Một nghiên cứu điển hình bằng số về việc xây dựng đường hầm chứng minh khả năng của các giải pháp không bị chi phối do OMODE tạo ra để hỗ trợ các nhà quản lý dự án trong việc lựa chọn kế hoạch tối ưu hóa TCET, một hoạt động rất khó khăn và tốn thời gian So sánh với thuật toán di truyền sắp xếp không vượt trội II (NSGA-II), tối ưu hóa nhóm hạt đa mục tiêu (MOPSO) và tiến hóa vi phân đa mục tiêu (MODE) xác minh tính hiệu quả và hiệu quả của thuật toán đề xuất [23]
Cheng và Hoc đã trình bày mô hình tiến hóa vi phân hai pha (DE) để giải quyết những vấn đề này Mô hình này có thể xem xét hiệu quả cả tác động về thời gian - chi phí và hạn chế về nguồn lực Nhóm tác giả giới thiệu một thuật toán đa mục tiêu mới, quá trình phát triển vi phân đa mục tiêu được khởi tạo hỗn loạn với sự cân bằng thời gian - chi phí dựa trên chiến lược đột biến thích ứng, để xác định chế độ thực hiện tối ưu hóa tốt nhất cân bằng chi phí - thời gian Sau đó, tiếp tục giới thiệu một phương pháp ràng buộc nguồn lực dựa trên DE để tạo ra một lịch trình khả thi Sau đó, một nghiên cứu trường hợp xây dựng thực tế sẽ được sử dụng để minh họa việc áp dụng thuật toán đề xuất So sánh hiệu suất được thực hiện với thuật toán di truyền sắp xếp không vượt trội II, tối ưu hóa bầy đàn đa mục tiêu và tiến hóa vi phân đa mục tiêu xác minh thêm hiệu quả và hiệu quả của thuật toán đề xuất [24]
Hoc và cộng sự đã phát triển thuật toán lai MOABCDE để giải bài toán TCQT cho các dự án xây dựng Thuật toán lai này có hai đóng góp quan trọng: Thứ nhất, nó cải thiện đáng kể tốc độ hội tụ quy trình MOABCDE và độ chính xác của giải pháp bằng cách sử dụng các toán tử DE trong sơ đồ MOABC Thứ hai, MOABCDE đạt hiệu suất và hiệu quả cạnh tranh so với các thuật toán tiến hóa đa mục tiêu trong cùng thời điểm đó MOABCDE vượt trội hơn thuật toán di truyền sắp xếp không vượt trội
II, tối ưu hóa bầy đàn đa mục tiêu, tiến hóa vi phân đa mục tiêu và đàn ong nhân tạo đa mục tiêu về tính đa dạng của đặc điểm, giải pháp thỏa hiệp và mức độ hài lòng Kết quả cho thấy mô hình MOABCDE được đề xuất giải quyết bài toán Pareto tốt MOABCDE được đề xuất không áp đặt bất kỳ giới hạn nào về số lượng mục tiêu và có thể được mở rộng các mục tiêu bổ sung Thuật toán có tiềm năng giải quyết các vấn đề tối ưu hóa đa mục tiêu khác trong lĩnh vực quản lý xây dựng, như: sự cân bằng giữa hiệu suất, chi phí và độ tin cậy trong công việc thiết kế kỹ thuật cũng như ràng buộc về tài nguyên và cân bằng tài nguyên trong hoạt động lập kế hoạch dự án Tuy nhiên, trong thực tế, tính chủ quan, mơ hồ, không chắc chắn và không chính xác của các chuyên gia, nhà thầu, kỹ sư và người quản lý có thể làm ảnh hưởng đánh giá hiệu suất bằng cách sử dụng ngôn ngữ và các thuật ngữ không chính xác [25]
Cheng và cộng sự đã phát triển một mô hình tối ưu hóa mới, được đặt tên là Tiến hóa vi phân đa mục tiêu được khởi tạo hỗn loạn với Chiến lược đột biến thích ứng (CA-MODE) để giải quyết các vấn đề đánh đổi chất lượng-chi phí-thời gian Thuật toán đề xuất sử dụng các ưu điểm của chuỗi hỗn loạn để tạo ra quần thể ban đầu và kho lưu trữ tinh hoa bên ngoài để lưu trữ các giải pháp không bị chi phối được tìm thấy trong quá trình tiến hóa Để duy trì khả năng thăm dò và khai thác trong các giai đoạn khác nhau của quá trình tối ưu hóa, một hoạt động đột biến thích ứng được đưa ra Một nghiên cứu điển hình bằng số về xây dựng đường cao tốc được sử dụng để minh họa việc áp dụng CA-MODE Người ta đã chứng minh rằng các giải pháp không bị chi phối do CA-MODE tạo ra sẽ hỗ trợ các nhà quản lý dự án trong việc lựa chọn kế hoạch phù hợp mà khó có được và tốn thời gian Các so sánh với thuật toán di truyền sắp xếp không vượt trội II (NSGA-II), tối ưu hóa bầy đàn đa mục tiêu (MOPSO), tiến hóa vi phân đa mục tiêu (MODE) và các kết quả trước đó xác minh tính hiệu suất và hiệu quả của thuật toán đề xuất [26]
Hoc và cộng sự đã giới thiệu thuật toán vi phân tiến hóa đa mục tiêu để giải quyết các vấn đề về thời gian và chi phí trong các dự án xây dựng Thuật toán đề xuất tạo ra các giải pháp không vượt trội tốt hơn so với các lời giải của các các kỹ thuật được sử dụng để so sánh Tập tối ưu tạo ra bởi thuật toán được đề xuất cung cấp những thông tin hữu ích, hỗ trợ người quản lý dự án đưa ra các quyết định nhằm tối ưu hóa thời gian và chi phí xây dựng Khi so sánh với thuật toán sắp xếp di truyền không vượt trội II (NSGA-II) và thuật toán bầy đàn đa mục tiêu (MOPSO), kết quả nghiên cứu cho thấy thuật toán đề xuất hội tụ nhanh chóng và phân phối các giải pháp không trội một cách đồng đều và đa dạng Thuật toán được đề xuất rất đơn giản và dễ sử dụng, với số lượng biến và hàm mục tiêu không giới hạn Thuật toán này có thể được sử dụng để giải quyết các thách thức tối ưu hóa trong ngành xây dựng, chẳng hạn như quản lý nguồn nhân lực và giảm thời gian hoàn thành công trình với nguồn lực hạn chế [15]
Hoc và cộng sự đã trình bày một phương pháp mới gọi là “Tìm kiếm sinh vật cộng sinh đa mục tiêu” (MOSOS) để giải quyết vấn đề nhiều ca làm việc Thuật toán MOSOS là các kỹ thuật tối ưu hóa đa mục tiêu dựa trên cảm hứng từ các chiến lược tương tác cộng sinh mà các sinh vật sử dụng để tồn tại trong hệ sinh thái Một nghiên cứu trường hợp bằng số về các dự án xây dựng đã được nghiên cứu và hiệu suất của MOSOS được đánh giá so với các thuật toán được sử dụng rộng rãi khác bao gồm thuật toán di truyền sắp xếp không vượt trội II (NSGA-II), tối ưu hóa bầy đàn đa mục tiêu (MOPSO), thuật toán tối ưu tiến hóa vi phân đa mục tiêu (MODE) và đàn ong nhân tạo đa mục tiêu (MOABC) Các kết quả bằng số cho thấy phương pháp MOSOS là một kỹ thuật tìm kiếm và tối ưu hóa mạnh mẽ trong việc tìm kiếm sự tối ưu hóa lịch trình ca làm việc, nó có thể hỗ trợ các nhà quản lý dự án lựa chọn kế hoạch phù hợp [27]
Abbasy và cộng sự đã trình bày sự phát triển của một mô hình tối ưu hóa lập kế hoạch đa mục tiêu mới cho nhiều dự án xây dựng Tính mới nảy sinh thông qua việc xem xét cả khía cạnh tài chính và nguồn lực trong một nền tảng duy nhất Những khía cạnh này được xem xét bằng cách tích hợp khái niệm lập kế hoạch dựa trên tài chính với việc phân bổ nguồn lực cho nhiều dự án đồng thời Nhiều mục tiêu trong mô hình tối ưu hóa được phát triển là tổng thời gian, tổng chi phí, chi phí tài chính, tín dụng cần thiết, lợi nhuận, biến động nguồn lực và nhu cầu cao nhất Mô hình đã được thử nghiệm để giải quyết vấn đề TCT trong các điều kiện tài nguyên không bị ràng buộc và tài nguyên bị ràng buộc Kết quả nghiên cứu được so sánh với kết quả ban đầu và mô hình đã chứng minh được độ hiệu quả của nó trong việc giải quyết các vấn đề như vậy Hơn nữa, mô hình này đã được áp dụng trong hai nghiên cứu điển hình để chứng minh khả năng của nó trong việc giải quyết các vấn đề về lập kế hoạch dựa trên tài chính, phân bổ nguồn lực và cân bằng nguồn lực tích hợp cho một và nhiều dự án trong các giới hạn nguồn lực không bị ràng buộc và nguồn lực bị hạn chế Mô hình này cho phép các công ty xây dựng giải quyết các vấn đề về ưu tiên các dự án có xung đột về nguồn lực, phân bổ hợp lý các nguồn lực hạn chế giữa nhiều dự án để đáp ứng yêu cầu về nguồn lực của các dự án khác nhau và tối ưu hóa tất cả các mục tiêu đa dạng của dự án trong giới hạn nguồn tiền mặt [28]
Long và cộng sự đã trình bày thuật toán tối ưu hóa Tiến hóa vi phân đa mục tiêu dựa trên đối lập (Opposition-based Multiple Objective Differential Evolution - OMODE) để giải quyết vấn đề đánh đổi chất lượng - chi phí - thời gian (TCQT) Thuật toán mới này sử dụng kỹ thuật học tập dựa trên sự đối lập để khởi tạo quần thể và nhảy thế hệ Các số đối lập được sử dụng để cải thiện hiệu suất thăm dò và hội tụ của quá trình tối ưu hóa Một nghiên cứu điển hình về dự án xây dựng đường cao tốc bằng số được phân tích để minh họa việc sử dụng thuật toán và chứng minh khả năng của nó trong việc tạo ra các giải pháp không bị chi phối So sánh với thuật toán di truyền sắp xếp không vượt trội II (NSGA-II), tối ưu hóa bầy đàn đa mục tiêu (MOPSO), tiến hóa vi phân đa mục tiêu (MODE) và các kết quả trước đó xác minh tính hiệu quả và hiệu suất của thuật toán đề xuất Nghiên cứu này được kỳ vọng sẽ cung cấp một phương pháp giải quyết thay thế cho bài toán TCQT và giúp người quản lý dự án lập kế hoạch cho các phương pháp xây dựng với sự cân bằng tối ưu về thời gian, chi phí và chất lượng [29]
Các công trình nghiên cứu về CO
Cheetah Optimizer là một thuật toán tối ưu hóa được phát triển dựa trên hành vi săn mồi của báo Cheetah Thuật toán này đã được sử dụng trong nhiều lĩnh vực khác nhau để giải quyết các bài toán tối ưu hóa Dưới đây là một số công trình nghiên cứu về Cheetah Optimizer
Klein và cộng sự đã đề xuất một mô hình mô phỏng hành vi xã hội và hệ thống phân cấp của loài báo ghê-pa châu Phi, với tên gọi là CBA Nó không có thông số điều khiển nào cần điều chỉnh một khi tất cả những thông số cần thiết đều dựa trên quan sát tự nhiên So sánh kết quả thử nghiệm với các thuật toán đã biết, lấy cảm hứng từ sinh học và không lấy cảm hứng từ sinh học, CBA đưa ra kết quả trung bình toàn cục CBA cho thấy đây là một phương pháp tối ưu hóa sinh học đầy hứa hẹn [58]
Akbari và cộng sự đã đề xuất một thuật toán tối ưu hóa có tên là Cheetah Optimizer (CO) dựa trên quá trình săn mồi của báo săn trong tự nhiên Thuật toán được đề xuất dựa trên một số chiến lược săn mồi được báo săn sử dụng thay vì sử dụng các phương pháp phức tạp về mặt toán học Về vấn đề này, mỗi biến quyết định được coi là sự sắp xếp có thể có của một nhóm báo săn Do đó, mỗi quần thể có thể được coi là một sự sắp xếp có thể xảy ra của loài báo Việc tìm kiếm, ngồi chờ và tấn công được mô hình hóa toán học như những chiến lược chính của thuật toán CO được đề xuất Chiến lược rời khỏi con mồi và trở về nhà cũng được triển khai để nâng cao khả năng của thuật toán trong việc tránh sự hội tụ sớm và tối ưu cục bộ Những khái niệm này được mô hình hóa trong khuôn khổ CO để trở thành một phương pháp tiến hóa dễ dàng, nhanh chóng và mạnh mẽ Các kết quả thực nghiệm đã xác nhận tính chất đơn điệu của thuật toán CO trong việc xử lý các bài toán tối ưu hóa ở quy mô thấp và quy mô lớn Cuối cùng, nhóm tác giả đã xác nhận hiệu suất của thuật toán
CO đối với bài toán ELD thực tế Kết quả cho thấy thuật toán đề xuất vượt trội hơn các thuật toán tiên tiến hiện có trong việc giải quyết các vấn đề tối ưu hóa phức tạp và đầy thách thức Hướng chính cho các công việc trong tương lai là phát triển CO đa mục tiêu, ứng dụng CO cho một số vấn đề kỹ thuật phức tạp và kết hợp các chiến lược săn bắt được đề xuất với các phương pháp tiến hóa khác [12]
Ghaedi và cộng sự đã áp dụng thuật toán CO trong việc phát hiện hành vi trộm cắp điện Kỹ thuật xếp chồng hai cấp với lựa chọn tính năng được sử dụng để phát hiện hành vi trộm cắp điện Cấp độ đầu tiên của kỹ thuật này sử dụng các bộ phân loại cơ sở như máy vectơ hỗ trợ (support vector machine - SVM), nạve Bayes (NB) và AdaBoost được chọn bằng cách đánh giá điểm F và tiêu chí đa dạng Các tính năng thích hợp của bộ phân loại cơ sở được chọn bằng thuật toán chọn tính năng mới dựa trên thuật toán tối ưu hóa báo ghê-pa (Cheetah Optimization Algorithm - CHOA) Thuật toán này đảm bảo sự đa dạng hóa và cường độ trong từng bước chạy bằng cách điều chỉnh tham số Chú ý (the Attention parameter) của loài báo Ở cấp độ thứ hai, mô hình single-layer perceptron (SLP) được sử dụng để thu được trọng số của các bộ phân loại cơ sở và kết hợp các dự đoán của chúng Khung đề xuất được đánh giá trên bộ dữ liệu Lưu trữ dữ liệu khoa học xã hội Ireland (the Irish Social Science Data Archive - ISSDA) và MATLAB R2020b được sử dụng để mô phỏng và đánh giá Kết quả của các tiêu chí về độ chính xác, thu hồi, độ chính xác và điểm F, độ đặc hiệu và đặc tính vận hành máy thu (Receiver Operating Characteristic - ROC) cho thấy hiệu quả cao của khung đề xuất trong việc phát hiện hành vi trộm cắp điện [59]
Memon và cộng sự đã giới thiệu một phiên bản đơn giản và cải tiến của thuật toán CO và nghiên cứu hiệu suất của nó khi xác định các thông số chưa biết của tế bào và mô-đun quang điện Một loạt thử nghiệm mở rộng đã được tiến hành để đánh giá hiệu suất của CO và ICO khi xác định các thông số của các mô hình PV khác nhau, bao gồm SDM, DDM và PVMM Nhóm tác giả đã kiểm tra xem quy mô dân số ban đầu ảnh hưởng như thế nào đến hiệu suất của ICO Kết quả cho thấy thuật toán hoạt động tốt đối với các quần thể có số lượng lớn hơn 10 Kết quả thu được từ ICO và CO cũng được so sánh với kết quả thu được từ các thuật toán nổi tiếng khác về độ chính xác, độ mạnh, thời gian tính toán và đặc điểm hội tụ Dựa trên bài toán thử nghiệm Wilcoxon và Friedman, hiệu suất của các thuật toán được so sánh và xác định Kết quả của các thử nghiệm này cho thấy tính ưu việt của ICO so với các thuật toán cạnh tranh khác về độ chính xác, độ tin cậy, tốc độ hội tụ và tính toán tốt Hơn nữa, cải tiến hơn nữa được thực hiện trong CO cho thấy ICO có thể giảm đáng kể thời gian tính toán bằng cách duy trì hoặc cải thiện các tính năng của nó và nó cũng cho thấy hiệu suất được nâng cao ICO và CO đã đạt được kết quả xếp hạng tổng tốt nhất trong số 12 thuật toán được áp dụng cho các mô hình PV được nghiên cứu Tuy nhiên, thuật toán ICO đã giảm thời gian tính toán của CO khoảng 40% Điều đáng chú ý là tốc độ hội tụ của ICO rất cao, đạt được giải pháp tối ưu trong vài nghìn đánh giá chức năng trong hầu hết các trường hợp Theo đó, ICO có thể được coi là một phương pháp ứng cử viên đầy triển vọng để trích xuất các tham số mô hình của tế bào và mô-đun quang điện Do đó, ICO sẽ được áp dụng trong các nghiên cứu trong tương lai để giải quyết nhiều vấn đề tối ưu hóa quy hoạch và vận hành hệ thống điện, bao gồm việc bố trí các thế hệ phân phối tái tạo, điều phối tải kinh tế và cấu hình lại lộ tuyến [60]
Sharma và Kumar đã trình bày phương pháp báo ghê-pa để truyền cảm hứng cho kỹ thuật tối ưu hóa đa mục tiêu (MOCO) Ba phương pháp quan trọng đã được đưa vào thuật toán đề xuất với sự trợ giúp của toán tử CO Đầu tiên, phương pháp sắp xếp không vượt trội được giới thiệu để cập nhật các giải pháp được giới thiệu Tiếp theo, một tệp lưu trữ có kích thước bằng một nửa kích thước quần thể để lưu trữ các giải pháp không chiếm ưu thế thu được đã được sử dụng Sau đó, lựa chọn bánh xe roulette được tích hợp để duy trì sự đa dạng và lựa chọn của người quản lý MOCO đề xuất đã được đánh giá cao các chức năng kiểm tra điểm chuẩn Ngoài ra, tính hiệu quả của MOCO được xác minh bằng ba vấn đề thiết kế kỹ thuật Các kết quả thử nghiệm đã chứng minh rằng thuật toán đề xuất có khả năng cạnh tranh với các thuật toán tối ưu hóa tiên tiến nhất trong phần lớn các bài toán thử nghiệm [61]
Elaziz và cộng sự đã trình bày một cách tiếp cận để tránh tác động sai lầm của khí gas lên việc xác định hoặc dự đoán các thông số vật lý đá, chẳng hạn như hệ số Poisson, mà không loại bỏ các điểm khí khỏi dữ liệu nhật ký giếng Điều này có thể đạt được bằng cách sử dụng phương pháp thay thế chất lỏng trước khi áp dụng các mô hình ML được đề xuất Nghiên cứu này đã chứng minh hiệu quả của các mô hình
ML bị ảnh hưởng như thế nào bởi sự hiện diện của các vùng khí Điều này đạt được bằng cách sử dụng phiên bản sửa đổi của mô hình RVFL cho mỗi người vận hành
CO Ba mô hình thay thế chất lỏng (khí, dầu và nước) đã được đề xuất cho đá sa thạch nguyên chất và được sử dụng để đo hành vi bão hòa đá sa thạch khác nhau Sự cải thiện đáng kể đã được quan sát thấy trong thông số hệ số Poissons khi độ bão hòa khí ban đầu được thay thế bằng nước trong giếng Scarab-Db Việc loại bỏ dữ liệu nhật ký của các vùng chứa khí làm tăng hệ số tương quan của mô hình CO-RVFL và việc thay thế chất lỏng từ khí sang dầu hoặc nước giúp nâng cao hơn nữa hệ số tương quan của tất cả các mô hình và tối ưu hóa phần lớn nó cho mô hình CO-RVFL Sự thay thế chất lỏng Gassmanns được sử dụng để dự báo hành vi của hệ số Poisson của đá và nhóm tác giả quan sát thấy rằng giá trị phù hợp của hệ số Poisson dự đoán đã tăng lên khi bão hòa dầu và nước 100% Việc tích hợp kỹ thuật thay thế chất lỏng và ML giúp cải thiện chất lượng và độ tin cậy của kết quả [62]
Keyimu và cộng sự đã phát triển thuật toán CO nhằm dự báo chính xác số lượng bệnh nhân ngoại trú trong quản lý bệnh viện Nó cho phép các bệnh viện phân bổ nguồn lực hiệu quả, đặc biệt khi số lượng bệnh nhân thấp hơn Để giải quyết thách thức về việc lựa chọn tham số không phù hợp ảnh hưởng đến độ chính xác dự đoán của mô hình GRU, mô hình dự đoán thể tích ngoại trú dựa trên GRU, được tối ưu hóa bằng thuật toán MCO đã được giới thiệu trong nghiên cứu này Việc cải thiện vị trí của CO tiêu chuẩn trong giai đoạn tìm kiếm đã đạt được thông qua việc sử dụng thuật toán hỗn loạn Tent, cải thiện khả năng thăm dò của thuật toán MCO Khi so sánh với
CO tiêu chuẩn, kỹ thuật MCO đã chứng minh tác động có lợi trong việc tối ưu hóa các thông số của GRU Việc sử dụng kỹ thuật MCO để tối ưu hóa các tham số của GRU đã mang lại những cải tiến đáng kể Kết quả cho thấy mô hình đề xuất là hiệu quả, đáng tin cậy và ổn định Trong nghiên cứu hiện tại, chỉ dữ liệu lịch sử ngoại trú được sử dụng làm dữ liệu thử nghiệm và được mô hình MCO-GRU dự đoán Nhiều yếu tố khác nhau, bao gồm vị trí địa lý của bệnh viện, công nghệ y tế, cơ sở hạ tầng chăm sóc sức khỏe, chất lượng dịch vụ, tuổi bệnh nhân, điều kiện khí tượng và mạng lưới giao thông, có khả năng ảnh hưởng đến lượng bệnh nhân ngoại trú của bệnh viện tại bất kỳ thời điểm nào Sự nhanh chóng, phi tuyến tính rõ rệt và sự không chắc chắn vốn có trong sự biến động của số lượng bệnh nhân ngoại trú là do các yếu tố này Vì vậy, các yếu tố này cần được tính đến một cách hợp lý trong quá trình xây dựng mô hình dự đoán [63]
Sait và cộng sự đã giải quyết bài toán tối ưu hóa kinh tế của bộ trao đổi nhiệt dạng tấm sử dụng thuật toán tối ưu hóa báo ghê-pa (CO) Tối ưu hóa hệ thống nhiệt luôn là một nhiệm vụ đầy thách thức do một số hạn chế và khái niệm quan trọng về khía cạnh nhiệt - thủy lực Bộ trao đổi nhiệt là một trong những thiết bị được áp dụng rộng rãi trong các ngành công nghiệp nhiệt cho các ứng dụng khác nhau như ứng dụng đông lạnh, thu hồi nhiệt và truyền nhiệt Theo cấu hình dòng chảy và sự cải tiến của cánh tản nhiệt, bộ trao đổi nhiệt được phân loại thành bộ trao đổi nhiệt dạng tấm, bộ trao đổi nhiệt vỏ và ống và bộ trao đổi nhiệt dạng ống Các biến thiết kế được tối ưu hóa bằng thuật toán CO và kết quả thống kê được so sánh với 8 thuật toán đã được thiết lập tốt Nghiên cứu cho thấy thuật toán báo ghê-pa nổi bật trong việc hiện thực hóa việc giảm thiểu chi phí tổng thể của bộ trao đổi nhiệt dạng tấm với tỷ lệ thành công 100% Hơn nữa, nghiên cứu đề xuất áp dụng trình tối ưu hóa báo ghê-pa để giải quyết các thách thức tối ưu hóa trong các lĩnh vực khác nhau [64]
Romeh và Mirjalili giới thiệu thuật toán báo ghê-pa lai với cấu hình ban đầu thông minh (HCETIIC), một chiến lược mới được thiết kế rõ ràng để tối ưu hóa hiệu quả thăm dò trên các cấu hình bắt đầu ban đầu khác nhau: phân bố đồng đều, vị trí tập trung, vị trí ngẫu nhiên, vị trí chu vi, vị trí cụm và vị trí chiến lược Việc thăm dò hiệu quả trong hệ thống nhiều robot bị ảnh hưởng đáng kể bởi vị trí xuất phát ban đầu của robot Để xác định tính hiệu quả của HCETIIC, nhóm tác giả phân tích so sánh với bốn phương pháp kết hợp phổ biến khác trong miền Những phương pháp này hợp nhất các nguyên tắc thăm dò đa robot phối hợp (CME) với các thuật toán siêu dữ liệu khác nhau và đã chứng minh kết quả thuyết phục trong các nghiên cứu tương ứng của chúng Việc so sánh hiệu suất dựa trên các thước đo thiết yếu như thời gian chạy, phần trăm diện tích được khám phá và tỷ lệ thất bại Các kết quả thực nghiệm cho thấy phương pháp HCETIIC được đề xuất luôn vượt trội hơn các chiến lược được so sánh ở các vị trí xuất phát khác nhau, từ đó nhấn mạnh tiềm năng đáng kể của nó trong việc nâng cao hiệu quả trong các nhiệm vụ khám phá nhiều robot trong nhiều tình huống thực tế Nghiên cứu này nhấn mạnh vai trò quan trọng nhưng thường bị bỏ qua của cấu hình robot ban đầu trong việc khám phá nhiều robot, thiết lập một hướng đi mới cho những cải tiến hơn nữa trong lĩnh vực này [65]
Vijay và cộng sự đề xuất thuật toán tối ưu hóa Hybrid Cat Cheetah (Hybrid Cat Cheetah optimization algorithm - HC 2 OA) nhằm cung cấp định tuyến dựa trên phân cụm hiệu quả về năng lượng Để bảo tồn và sử dụng bền vững môi trường đại dương, việc giám sát các khu vực dưới nước là không thể tránh khỏi và được thực hiện với sự trợ giúp của mạng cảm biến không dây dưới nước Nó được trang bị thiết bị, phương tiện và cảm biến thông minh và được sử dụng để truyền dữ liệu thu được từ khu vực giám sát và chuyển tiếp đến các nút chìm (the sink nodes - SN) nơi dữ liệu được lấy ra Hơn nữa, việc truyền dữ liệu từ các nút cảm biến đến SN rất phức tạp do tính phức tạp vốn có của môi trường nước Sau đó, mạng được phân chia thành nhiều cụm, mỗi cụm được dẫn dắt bởi một cụm trưởng (cluster head - CH) và bao gồm nhiều cụm con (sub‑clusters - CM) Dựa trên các yếu tố như khoảng cách và năng lượng dư, việc lựa chọn CH được tối ưu hóa và thu thập dữ liệu từ các CM tương ứng rồi chuyển tiếp đến SN bằng phương pháp truyền dẫn nhiều bước nhảy HC 2 OA được đề xuất chọn tuyến đường đa bước nhảy được tối ưu hóa từ CH đến SN Do đó giảm thiểu sự phức tạp trong việc định tuyến nhiều bước nhảy và lựa chọn CH Mô phỏng được thực hiện trong trình mô phỏng NS2 và phân tích hiệu suất Kết quả nghiên cứu cho thấy công việc được đề xuất có lợi thế đáng kể so với công việc tiên tiến về thời gian tồn tại của mạng, tỷ lệ phân phối gói và mức tiêu thụ năng lượng Mức tiêu thụ năng lượng của công việc được đề xuất là 0,2 J với tỷ lệ phân phối gói là 95% Thời gian tồn tại của mạng của công việc được đề xuất, đối với vùng phủ sóng khoảng 14 km là khoảng 60 giờ [66]
Một số nghiên cứu tiêu biểu về thuật toán CO được tổng hợp và thể hiện trong Phụ lục 01.
Các công trình nghiên cứu về CSBO
Circulatory System Based Optimization (CSBO) là một thuật toán tối ưu hóa được lấy cảm hứng từ hệ thống tuần hoàn của con người Thuật toán này đã được áp dụng trong nhiều lĩnh vực khác nhau để giải quyết các bài toán tối ưu hóa Dưới đây là một số công trình nghiên cứu về CSBO
Ghasemi và cộng sự đã trình bày một thuật toán tối ưu hóa siêu kinh nghiệm mới lấy cảm hứng từ chức năng của hệ thống tuần hoàn trong cơ thể con người có tên là thuật toán Tối ưu hóa dựa trên hệ thống tuần hoàn (CSBO) Hiệu suất và mô hình toán học của CSBO cũng như chức năng của nó như một trình tối ưu hóa đã được trình bày CSBO đã được thử nghiệm và tối ưu hóa trên nhiều hàm phức tạp trong thế giới thực so với nhiều thuật toán tối ưu hóa nổi tiếng Các chức năng kiểm tra khác nhau, bao gồm các điểm chuẩn tiêu chuẩn đơn phương thức, đa phương thức, kết hợp và thành phần của CEC 2005, CEC 2014 và CEC 2017 đã được sử dụng để kiểm tra hiệu suất của thuật toán được đề xuất Kết quả cho thấy CSBO có hiệu suất cao hơn so với các thuật toán tiên tiến về thăm dò, khai thác, tránh tối ưu cục bộ và cách thức hội tụ Ngoài ra, phân tích khả năng mở rộng theo chiều đã được tiến hành cho CSBO, bao gồm các chiều 30 và 50 của CEC2014, và kết quả chỉ ra rằng CSBO có thể tìm kiếm không gian khả thi một cách hiệu quả để tìm ra giải pháp tối ưu hoặc gần tối ưu Cuối cùng, CSBO đã được áp dụng cho một số vấn đề kỹ thuật thực tế khác nhau Các vấn đề kỹ thuật này bao gồm: thiết kế lò xo căng/nén, thiết kế giàn ba thanh, thiết kế bình chịu áp, ước tính tham số cho sóng âm FM và tối ưu hóa phân bổ độ tin cậy
- dự phòng Kết quả mô phỏng chỉ ra rằng CSBO khá cạnh tranh và mạnh mẽ cho các bài toán thiết kế tối ưu so với nhiều thuật toán tối ưu hóa hiện đại và tiên tiến trong các tài liệu gần đây Vì vậy, CSBO có thể được coi là một thuật toán hiện đại và mạnh mẽ cho các nghiên cứu và ứng dụng tối ưu hóa trong tương lai [13]
Ghasemi và cộng sự đã nghiên cứu giải quyết vấn đề Dòng năng lượng tối ưu (OPF) bằng cách sử dụng thuật toán tiến hóa đã được sửa đổi có tên là Tối ưu hóa dựa trên hệ thống tuần hoàn Gaussian Bare-bone Levy (GBLCSBO) thông qua các chiến lược dòng dân số Levy và Gaussian Bare-bone được đề xuất Bốn mục tiêu khác nhau được tối ưu hóa cho vấn đề này trong năm trường hợp, bao gồm giảm thiểu chi phí phát điện, tổn thất truyền tải, mức phát xạ và độ lệch điện áp trong mạng thử nghiệm IEEE 30-bus tiêu chuẩn đã phát triển với công suất nhiệt và ngẫu nhiên và tiêu chuẩn IEEE 118-bus Ngoài ra, vấn đề OPF ngẫu nhiên đã được giải quyết bằng cách xem xét các Nguồn năng lượng tái tạo (RES) thông qua các trạm quang điện và tua-bin gió được kết nối với mạng thử nghiệm IEEE 30-bus đang được nghiên cứu Tua bin gió và nhà máy quang điện được kết nối với mạng điện Các phát hiện cho thấy GBLCSBO cung cấp hiệu suất mong muốn hơn các thuật toán tương tự như SOA, TLBO, GWO, MVO và CSBO gốc trong tất cả các nghiên cứu trường hợp, trong đó GBLCSBO đã đạt được các giải pháp tốt nhất trong OPF Do đó, phương pháp GBLCSBO được đề xuất cho thấy hiệu quả và hiệu quả tốt nhất trong việc giải quyết OPF ngẫu nhiên Do đó, GBLCSBO được coi là giải pháp thay thế phù hợp để giải quyết các vấn đề OPF Ngoài ra, để thể hiện hiệu suất của GBLCSBO trong phạm vi bài toán tối ưu hóa rộng hơn so với các thuật toán hiện đại, GBLCSBO đã được sử dụng để tối ưu hóa các chức năng kiểm tra tham số thực trong CEC 2017, được mô hình hóa dựa trên các bài toán trong thế giới thực Dựa trên kết quả thu được, có thể nói GBLCSBO có hiệu suất phù hợp và đáng được quan tâm đối với các vấn đề tối ưu hóa khác nhau Nghiên cứu trong tương lai cũng có thể tập trung vào việc ứng dụng thuật toán đề xuất cho các bài toán OPF với các công nghệ mới nổi của trạm Bộ biến đổi nguồn điện áp (VSC) trong hệ thống điện lưới xoay chiều Ngoài ra, giải quyết vấn đề OPF bằng cách xem xét Hệ thống truyền dòng điện xoay chiều linh hoạt (FACTS) như Bộ bù biến áp tĩnh (SVC), Bộ dịch pha điều khiển bằng thyristor (TCPS) và Bộ bù nối tiếp điều khiển bằng thyristor (TCSC) Ngoài ra, GBLCSBO được đề xuất có thể được sử dụng để giải quyết các vấn đề OPF khác nhau như OPF bị ràng buộc an ninh (SCOPF) khi xem xét độ ổn định điện áp, OPF trong các hệ thống dòng điện một chiều (DC), OPF trong các mạng thử nghiệm nhiệt điện gió-mặt trời-thủy điện tích hợp có xem xét đến độ không chắc chắn của bức xạ mặt trời và tốc độ gió [67]
Kai và cộng sự đề xuất một phương pháp tối ưu hóa cho hệ thống quang điện (photovoltaic - PV) và hệ thống lưu trữ năng lượng (energy storage system - ESS) Thiết lập mô hình tối ưu hóa giúp giảm thiểu biến động điện áp trong mạng lưới phân phối, tối đa hóa tỷ lệ thâm nhập của PV và tối ưu hóa chi phí lập kế hoạch Do tính phức tạp của việc giải các bài toán đa mục tiêu phi tuyến nhiều chiều trong mô hình nên thuật toán Tối ưu hóa dựa trên hệ thống tuần hoàn (CSBO) được sử dụng để giảm độ khó khi giải Để tăng khả năng thích ứng của thuật toán với mô hình giải quyết vấn đề, một cơ chế lựa chọn chiến lược ưu tú được giới thiệu và thuật toán được cải tiến dựa trên việc sắp xếp nhanh không bị chi phối Cuối cùng, phương pháp trọng lượng entropy được sử dụng để chọn giải pháp tối ưu Phân tích mô phỏng cho thấy rằng việc sử dụng CSBO cải tiến có thể đạt được sơ đồ cấu hình PV-ESS tối ưu trong mạng phân phối So với việc tối ưu hóa công suất quang điện trước rồi tối ưu hóa ESS, phương pháp tối ưu hóa cộng tác đã tăng công suất lắp đặt quang điện lên 18,5% mà không làm tăng chi phí [68]
Bakir đã trình bày phân tích so sánh hiệu suất của các thuật toán metaheuristic trong việc tối ưu hóa các bài toán OPF đơn mục tiêu và đa mục tiêu Theo hướng này, các thuật toán CSBO, ARO, AVOA, CGO được áp dụng để thu được giải pháp OPF của hệ thống điện IEEE 57 và 118-bus Trong nghiên cứu, chi phí nhiên liệu, độ lệch điện áp, tổn thất công suất tác dụng và nâng cao mục tiêu ổn định điện áp được tối ưu hóa Trong hệ thống điện IEEE 57-bus, CSBO đã đạt được kết quả 1,9473 $/h và 2,3777% tốt hơn về mặt mục tiêu chi phí nhiên liệu và độ lệch điện áp so với thuật toán CGO, cho thấy hiệu suất tốt thứ hai Thuật toán CSBO đã giảm chi phí nhiên liệu và tổn thất điện năng của hệ thống điện IEEE 118-bus lần lượt là 51,4275 $/h và 5,0773% Xem xét các kết quả mô phỏng, có thể thấy rằng thuật toán CSBO thu được kết quả tốt nhất cho tất cả các nghiên cứu trường hợp OPF đang được nghiên cứu Các đường cong hội tụ, biểu đồ hình hộp và kết quả kiểm tra Wilcoxon cho thấy thuật toán CSBO thể hiện thành công hội tụ tốt hơn so với các trình tối ưu hóa khác được xem xét trong nghiên cứu Các giải pháp OPF thu được từ CSBO được so sánh với các nghiên cứu tài liệu và nhận thấy rằng thuật toán đề xuất cho các giải pháp tốt hơn [69]
Batmaz và Ugur áp dụng thuật toán tối ưu hóa dựa trên hệ thống tuần hoàn (CSBO) giúp giảm thiểu nhu cầu về các tham số dành riêng cho thuật toán và đạt được thiết kế tối ưu trên các mạng lưới phân phối nước (Water distribution networks – WDN) ở quy mô khác nhau Tác động của hàm phạt động được điều chỉnh theo các ràng buộc áp suất đối với thiết kế tối ưu cũng được nghiên cứu Nghiên cứu này bao gồm việc tối ưu hóa mạng lưới trọng lực kết hợp và Goyang cũng như mạng lưới thủy lợi Balerma quy mô lớn và mạng lưới Kang và Lansey trong các điều kiện giống hệt nhau Kết quả của các phương pháp tiếp cận CSBO tiêu chuẩn và động chứng tỏ các thuật toán đề xuất có hiệu suất vượt trội, đặc biệt về tốc độ hội tụ và độ ổn định so với các phương pháp trước đây [70]
Elnaghi và cộng sự trình bày một kỹ thuật tối ưu hóa mới gọi là phương pháp tối ưu hóa dựa trên hệ thống tuần hoàn (CSBO) để phát triển sáu bộ điều khiển logic mờ thích ứng (adaptive fuzzy logic controller - AFLC) với 30 tham số và so sánh chúng với tối ưu hóa bida hỗn loạn (chaotic-billiards optimization - C-BO) và thuật toán di truyền (GA) Bộ điều khiển đề xuất cũng được so sánh với bộ điều khiển vi sai tích phân tỷ lệ (proportional-integral differential - PID) dựa trên tìm kiếm hài hòa tốt nhất toàn cầu tự thích ứng (self-adaptive global-best harmony search - SGHS)
AFLC dựa trên CSBO được nghiên cứu đầy đủ trong các tình huống khác nhau và được thử nghiệm bằng cách sử dụng giao diện thời gian thực DSP1104 Kết quả của việc sử dụng CSBO–AFLC cho thấy thời gian đáp ứng nhanh, độ hội tụ nhanh, ít vượt quá và sai số tối thiểu so với kết quả đạt được với C-BO–AFLC, SGHS–PID và GA–AFLC trong các nghiên cứu trường hợp khác nhau AFLC dựa trên CSBO đảm bảo công suất tối đa từ máy phát điện cảm ứng hai nguồn nối lưới (double-fed induction generator – DFIG) trong nhà máy điện cột nước dao động (oscillating water column power plant - OWCPP) và tăng cường phản hồi động với sai số rất thấp Kết quả cho thấy CSBO cho thấy khả năng theo dõi công suất tốt hơn 25% so với C-BO, 45% khi so sánh với GA và 56% khi so sánh với PID Hơn nữa, sai số tuyệt đối tích phân của sáu bộ điều khiển được nghiên cứu để chứng minh tính khả thi của CSBO– AFLC Bình phương trung bình sai số của sáu bộ điều khiển sử dụng CSBO được cải thiện 68,27% khi so sánh với GA, 22,57% khi so sánh với C-BO và 38,42% khi so sánh với PID Các chỉ số này thể hiện tính khả thi của CSBO khi so sánh với các thuật toán khác có cùng OWCPP [71]
Một số nghiên cứu tiêu biểu về thuật toán CSBO được tổng hợp và thể hiện trong Phụ lục 01.
Tổng kết
Trong nhiều thập kỷ, một số nghiên cứu trong lĩnh vực quản lý xây dựng đã đề cập đến chủ đề cân bằng chi phí-thời gian và các biến thể mở rộng Các nghiên cứu chủ yếu tập trung vào việc giải quyết hai khó khăn lớn Đầu tiên là xác định các tiêu chí đánh giá chính xác và hiệu quả hơn Thứ hai là nâng cao độ chính xác và thời gian tính toán của thuật toán
Wolpert & Macready đã đưa ra định lý Không có bữa trưa nào là miễn phí (No Free Lunch - NFL) Định lý này khẳng định rằng không có phương pháp hay thuật toán tối ưu hóa nào có thể giải quyết được mọi vấn đề tối ưu hóa [72] Định lý NFL mở đường cho các học giả phát triển các thuật toán mới cũng như sửa đổi và nâng cao các thuật toán hiện tại Các nhà nghiên cứu gần đây đã tập trung nhiều hơn vào việc phát minh ra các thuật toán mới hoặc cải tiến các thuật toán cũ Các thuật toán mới liên tục được công bố và cung cấp cho các nhà quản lý công cụ, phương pháp cạnh tranh để giải quyết các vấn đề tối ưu đa dạng trong nhiều lĩnh vực, ngành nghề
Chương 2 đã hệ thống các nghiên cứu trong nước và quốc tế về vấn đề tối ưu hóa tiến độ dự án xây dựng Qua đó, thể hiện các khía cạnh nổi bật trong các nghiên cứu trước đây về các chủ đề, lĩnh vực kinh tế và các phương pháp nghiên cứu đã được áp dụng Luận văn đã xác định các ưu - nhược điểm của từng phương pháp Từ đó, hướng đến cách tận dụng các ưu điểm và khắc phục các nhược điểm của từng phương pháp nhằm hoàn thiện mô hình đề xuất đề giải quyết các vấn đề khó khăn trong việc cân bằng các yếu tố của một dự án xây dựng
Xem xét các điều kiện nêu trên, Luận văn này trình bày phương pháp cải tiến và ứng dụng thuật toán lai báo ghê-pa (hCO-CSBO) vào bài toán tối ưu hóa tiến độ - chi phí - chất lượng - năng lượng - tác động môi trường (TCQEPT) để đánh giá được mức độ hiệu quả và hiệu suất của thuật toán đề xuất so với các nghiên cứu trước đây.
CƠ SỞ LÝ THUYẾT
Mối tương quan giữa tiến độ - chi phí của một công tác thi công xây lắp điển hình
Hình 3.1 Mối tương quan tuyến tính giữa tiến độ - chi phí cho một công tác thi công xây lắp điển hình [41]
Trong một công tác thi công xây lắp điển hình, mối tương quan giữa tiến độ và chi phí thường được biểu thị bằng một hàm tuyến tính và đây là hàm số nghịch biến (Hình 3.1) Hiểu một cách đơn giản, lượng tài nguyên được phân bổ cho công tác thi công càng ít, công tác đó sẽ càng kéo dài thời gian thực hiện Trái lại, lượng tài nguyên được bổ sung, phân phối nhiều hơn bình thường sẽ rút ngắn thời gian thực hiện công tác Tuy nhiên, mối quan hệ này không phải lúc nào cũng hoàn toàn chính xác và có thể bị ảnh hưởng bởi nhiều yếu tố khác nhau Chẳng hạn, cần xem xét cẩn trọng các yếu tố chi phí gián tiếp, thuê thiết bị, kho bãi, vận chuyển,… để không xảy ra tác dụng phụ như: đội vốn, vượt ngân sách, phạt trễ tiến độ,…
Xem xét riêng lẻ một công tác thi công điển hình, khi công tác đó có nhiều hơn một phương án thực hiện, ở đây xét 2 trường hợp: bình thường và khẩn trương Trường hợp, nhà quản lý lựa chọn phương án bình thường, khi đó, chi phí và thời gian để thực hiện công tác thi công ở mức bình thường (Thời lượng và chi phí bình thường) Tuy nhiên, vì một lý do khách quan hoặc chủ quan nào đó, nhà quản lý cần rút ngắn thời gian thi công, khi đó, thời gian được rút ngắn (Thời lượng rút ngắn) nhưng đồng thời phát sinh tăng chi phí (Chi phí rút ngắn)
Mối tương quan tuyến tính giữa hai điểm bình thường và khẩn trương thể hiện rằng bất kỳ một điểm trung gian nào cũng có thể được chọn Tại đó, điểm trung gian này thể hiện sự cân bằng lý tưởng, tối ưu giữa tiến độ và chi phí mà nhà quản lý sẵn sàng thỏa hiệp, cân nhắc Độ dốc của đường nối điểm Bình thường và điểm Khần trương được gọi là độ dốc chi phí của công tác Độ dốc của đường này có thể được tính toán bằng toán học khi biết tọa độ của điểm Bình thường và điểm Khẩn trương Độ dốc chi phí =Chi phí khi rút ngắn tiến độ − Chi phí bình thường
Thời lượng bình thường − thời lượng rút ngắn
Hình 3.2 Mối tương quan phi tuyến giữa tiến độ - chi phí cho một công tác thi công xây lắp điển hình [41]
Hình 3.3 Mối tương quan giữa tiến độ - chi phí rời rạc cho một công tác thi công xây lắp điển hình [41]
Ngoài ra, mối tương quan có thể có giữa tiến độ - chi phí bao gồm phi tuyến và rời rạc Nhìn chung, điểm chung giữa hình 3.1, 3.2 và 3.3, chi phí ít nhất để hoàn thành một công tác được quy ước là chi phí bình thường (chi phí tối thiểu) và khoảng thời gian tương ứng được quy ước là thời lượng bình thường (thời lượng tối đa) Khoảng thời gian ngắn nhất để hoàn thành hoạt động được quy ước là thời lượng rút ngắn (thời lượng tối thiểu) và chi phí tương ứng được quy ước là chi phí rút ngắn (chi phí tối đa) Thông thường, nhà quản lý dự án bắt đầu quá trình lập kế hoạch của mình bằng cách giả định phương án ít tốn kém nhất.
Mối tương quan giữa tiến độ - chi phí trong một dự án xây dựng
Thông thường, với vai trò là nhà thầu thi công, khi lập ngân sách cho dự án, nhà quản lý dự án sẽ quan tâm đến tám đầu mục chi phí chính như sau:
+ Chi phí cho công tác giao thầu nhân công: Nhà thầu thi công sẽ tự cung cấp vật tư và tổ chức thi công Nhà thầu phụ sẽ phụ trách mảng nhân lực (nhân công) để triển khai công tác
+ Chi phí cho công tác giao thầu trọn gói: Nhà thầu thi công sẽ giao khoán vật tư và nhân công cho nhà thầu phụ
+ Chi phí cho vật tư chính: Vật tư chính được hiểu là các vật tư được quy định, liệt kê theo Danh mục vật liệu trong Hợp đồng xây dựng được ký kết giữa các bên Tùy vào cơ cấu tổ chức của mỗi công ty, thông thường, Phòng Vật tư cung cấp vật tư chính
+ Chi phí cho vật tư phụ: Các vật tư nằm ngoài Danh mục vật liệu trong Hợp đồng xây dựng được ký kết giữa các bên nhưng lại cần thiết trong thi công, phục vụ biện pháp thi công,… Tùy vào cơ cấu tổ chức của mỗi công ty, thông thường, Phòng Vật tư cung cấp hoặc mua bằng công tác phí
+ Chi phí dành cho máy móc - thiết bị - công cụ - dụng cụ: Nhà thầu tự mua sắm hoặc thuê ngoài
+ Chi phí lương thưởng cán bộ công – nhân viên và công nhân: Khoản chi phí lương thưởng được xác định từ định biên nhân sự, kế hoạch nhân sự cho dự án Thông thường, tùy vào mỗi giai đoạn thi công, nhà quản lý sẽ điều chỉnh nhân sự (luân chuyển, tăng, giảm) nhằm tối thiểu chi phí, tối đa lợi nhuận
+ Chi phí hỗ trợ công tác thi công: Các khoản chi phí chung phục vụ cho công tác thi công, bao gồm: trang - thiết bị bảo hộ an toàn lao động, các tiện ích công trường, văn phòng phẩm, cước phí các loại (điện thoại, vân chuyển,…), an ninh trật tự - bảo vệ,
+ Các chi phí khác: Các khoản chi phí phục vụ bên ngoài cho công trường:
Lễ khởi công, lễ đóng nắp hầm, lễ cất nóc, thí nghiệm vật tư, thẩm tra hồ sơ, chi phí dự phòng, bảo hiểm, bảo trì - bảo hành,
Khi phân loại dựa trên tiêu chí tác động ảnh hưởng, tổng chi phí dự án bao gồm hai thành phần: chi phí trực tiếp và chi phí gián tiếp Chi phí trực tiếp được hiểu là chi phí dành cho các khoản tác động trực tiếp vào công tác thi công, bao gồm chi phí nguyên - vật liệu, nhân công, máy móc - thiết bị - công cụ - dụng cụ và nhà thầu phụ/ nhà cung cấp, Trái lại, chi phí gián tiếp là những chi phí cần thiết, tác động gián tiếp để thực hiện công tác, có thể kể đến nhân sự ở các Khối/Phòng/Ban, hồ sơ,…
Trong trường hợp, chi phí trực tiếp của công trình bằng tổng chi phí trực tiếp của các công tác thực hiện, chi phí trực tiếp sẽ tăng khi giảm thời gian hoàn thành Trái lại, chi phí gián tiếp gần như là một hàm số tuyến tính, chi phí gián tiếp sẽ giảm khi giảm thời gian của dự án Hình 3.4 minh họa các mối quan hệ chi phí trực tiếp và gián tiếp với thời gian của dự án
Hình 3.4 Mối quan hệ chi phí - tiến độ trong một dự án [41]
Mối quan hệ tổng thời gian - chi phí của dự án có thể được xác định bằng cách cộng các giá trị chi phí trực tiếp và chi phí gián tiếp với nhau như thể hiện trong Hình 3.4 Tiến độ dự án tối ưu có thể được xác định là tiến độ có tổng chi phí ít nhất.
Bài toán cân bằng tiến độ - chi phí - chất lượng - năng lượng - môi trường
Mục tiêu của bài toán cân bằng yếu tố tiến độ - chi phí hay các biến thể mở rộng là giảm thiểu thời gian hoàn thành dự án theo kế hoạch nhằm đáp ứng một thời hạn cụ thể với chi phí bỏ ra thấp nhất, đồng thời đảm bảo các chỉ tiêu về chất lượng thi công, năng lượng và tác động đến môi trường, Nhìn chung, việc rút ngắn thời gian thực hiện nhằm đáp ứng một số mục đích như sau:
+ Nghiệm thu chuyển bước và bàn giao mặt bằng cho đơn vị khác;
+ Bù đắp thời gian, lấy lại tiến độ cho các các công tác trễ trước đó;
+ Tranh thủ những tài nguyên quan trọng cho các dự án khác;
+ Tránh các điều kiện thời tiết bất lợi ảnh hưởng đến năng suất lao động; + Cải thiện dòng tiền của dự án;
+ Đẩy nhanh các công tác liên quan đến điều kiện nghiệm thu PCCC, nghiệm thu công trình với Cục Giám định Nhà nước về Chất lượng công trình xây dựng - Bộ Xây dựng;
+ Bàn giao căn hộ đến Chủ đầu tư sớm để khách hàng kịp trang hoàng, sửa soạn đón Tết Âm lịch,…
Công tác rút ngắn thời gian hoàn thành dự án có thể được thực hiện bằng cách điều chỉnh sự chồng chéo giữa các công tác hoặc giảm số ngày thực hiện Thông thường, việc tăng cường làm việc vào cuối tuần hoặc buổi tối sẽ khiến thời gian hoàn thành một công tác bất kì sẽ giảm xuống, đồng thời phát sinh tăng chi phí về lương thưởng cho nhân lực được điều phối Nhìn chung, tiến độ thi công có thể rút ngắn bằng một trong những cách dưới đây:
+ Áp dụng nhiều ca làm việc;
+ Kéo dài thời gian làm việc (tăng ca);
+ Đề xuất các khoản tiền thưởng để tăng năng suất;
+ Làm việc vào cuối tuần và ngày lễ;
+ Sử dụng các tài nguyên bổ sung;
+ Sử dụng các vật liệu với phương pháp lắp đặt nhanh hơn;
+ Sử dụng các phương pháp hoặc trình tự thi công thay thế
3.3.2 Quy trình thực hiện bài toán
Thời gian tối thiểu để hoàn thành một dự án được gọi là tiến độ tối thiểu của dự án Thời gian hoàn thành tối thiểu này có thể được tìm thấy bằng cách hình thành các đường Gantt mới trong sơ đồ mạng Sau đó, thời gian hoàn thành dự án tối thiểu này có thể được sử dụng để xác định chi phí khi rút ngắn tiến độ của dự án Vì có một số hoạt động không nằm đường Gantt có thể được ấn định thời gian dài hơn mà không làm chậm trễ dự án nên việc rút ngắn tiến độ tổng thể sẽ có lợi và từ đó giảm chi phí
Các phương pháp tiếp cận heuristic hoặc meta-heuristic được sử dụng để giải quyết vấn đề cân bằng chi phí - tiến độ - chất lượng - năng lượng - môi trường Đặc biệt, một cách tiếp cận đơn giản trước tiên là áp dụng sơ đồ mạng với tất cả các thời gian thực hiện công tác được giả định với chi phí tối thiểu Tiếp theo, nhà quản lý có thể kiểm tra các hoạt động trên đường Gantt và giảm thời gian dự kiến của các hoạt động có mức tăng chi phí thấp nhất Người quản lý lập một danh sách các hoạt động trên đường theo độ dốc chi phí của chúng Giải pháp heuristic hoặc meta-heuristic tiến hành bằng cách rút ngắn các hoạt động theo độ dốc chi phí thấp nhất của chúng Khi thời lượng của các hoạt động trên đường Gantt được rút ngắn, thời lượng của dự án cũng giảm xuống Cuối cùng, một đường Gantt khác trở nên quan trọng và một danh sách các hoạt động mới trên đường Gantt này phải được chuẩn bị cho các quá trình rút ngắn tiếp theo Sử dụng cách này, có thể xác định được các tiến độ tốt nhưng không nhất thiết là tối ưu
Quy trình rút ngắn thời gian dự án có thể được tóm tắt theo các bước sau:
2 Thực hiện tính toán theo phương pháp đường tới hạn (Critical path method - CPM) và xác định đường Gantt, sử dụng thời lượng và chi phí ở chế độ bình thường cho tất cả các hoạt động
3 Tính độ dốc chi phí cho từng hoạt động theo phương trình sau: Độ dốc chi phí =Chi phí khi rút ngắn tiến độ − Chi phí bình thường
Thời lượng bình thường − thời lượng rút ngắn
4 Bắt đầu rút ngắn thời gian thực hiện công tác trên đường Gantt có độ dốc chi phí thấp nhất và không được tiếp tục giảm thời gian của công tác đã được rút ngắn trước đó
5 Giảm thời lượng của các công tác Gantt với độ dốc chi phí ít nhất cho đến khi đạt đến thời lượng tối thiểu của nó hoặc cho đến khi một đường Gantt mới xuất hiện
6 Khi xuất hiện nhiều đường Gantt, các hoạt động cần rút ngắn được xác định bằng cách so sánh độ dốc chi phí của công tác Gantt (nếu có), với tổng độ dốc chi phí cho một nhóm công tác nằm trên một hoặc nhiều đường Gantt
7 Sau khi rút ngắn một đường Gantt, cần điều chỉnh thời gian thực hiện và thời gian dự trữ của các công tác
8 Mức tăng chi phí do rút ngắn thời gian thực hiện công tác được tính bằng độ dốc chi phí nhân với thời gian được rút ngắn
9 Tiếp tục cho đến khi không thể rút ngắn được nữa và sau đó đạt được điểm rút ngắn
10 Các kết quả có thể được biểu diễn thông qua đồ thị bằng cách vẽ biểu đồ thời gian hoàn thành dự án với sự tăng chi phí tích lũy Đây là mối quan hệ chi phí trực tiếp - thời gian của dự án Bằng cách thêm chi phí gián tiếp của dự án vào đường cong này để có được đường cong thời gian - chi phí của dự án Đường cong này cho thời gian tối ưu và chi phí tối thiểu tương ứng Đối với các yếu tố về chất lượng, năng lượng, tác động môi trường, các bước thực hiện tương tự như mối tương quan giữa tiến độ và chi phí
3.3.3 Tính toán các yếu tố chi phí - tiến độ - chất lượng - năng lượng - môi trường
Giả định, một dự án xây dựng được thể hiện qua sơ đồ mạng 𝐺 = (𝐴), trong đó các công việc được thể hiện ở trên các nút của sơ đồ mạng Các công việc được đánh số từ 1 đến N P là tập hợp tất cả các công việc trong dự án Mỗi công việc 𝑖 ∈ 𝐴 có nhiều phương án thi công Mỗi phương án thi công đều có thời gian thi công là 𝑇 𝑖 , chi phí 𝐶 𝑖 , chất lượng 𝑄 𝑖 , năng lượng 𝐸 𝑖 và tác động môi trường 𝑃 𝑖 Vấn đề đặt ra cho bài toán cân bằng chi phí - tiến độ - chất lượng - năng lượng - tác động môi trường (TCQEPP) của dự án là lựa chọn các phương án thi công để đưa ra một tổ hợp phương án thi công của các công việc đơn lẻ, nhằm giảm thiểu tác động về thời gian, chi phí, năng lượng, môi trường trong khi vẫn đảm bảo chất lượng công trình cao nhất
3.3.3.1 Tính toán thời gian hoàn thành
Mục tiêu đầu tiên là rút ngắn thời gian dự án được thể hiện qua công thức dưới đây:
Trong đó, 𝑇 𝑛 là thời gian thực hiện của các công việc 𝑛 = {1; 2; … ; 𝑙} trên đường Gantt; l là tổng số các công việc trên đường Gantt; 𝐸𝑆 𝑛 là thời gian khởi sớm của công việc n; 𝑑 𝑛 là thời gian thực hiện của công việc n Một cách tổng quát, tổng thời gian của dự án được tính dựa trên mối quan hệ công việc và thời gian của các công việc Thông tin dự án xác định mối quan hệ công việc và sự lựa chọn phương án thi công xác định thời gian thực hiện của công việc
3.3.3.2 Tính toán chi phí của dự án
Tổng chi phí của một dự án bao gồm chi phí trực tiếp, chi phí gián tiếp và chi phí do sự chậm trễ Chi phí gián tiếp tính theo thời gian hoàn thành dự án Theo yêu cầu của hợp đồng, các nhà thầu sẽ chịu một phần chi phí do chậm trễ thời gian hoàn thành Mục tiêu thứ hai là giảm thiểu chi phí công trình được thể hiện qua công thức dưới đây:
Trong đó, 𝐷𝐶 𝑖 𝑆𝑖 , 𝐼𝐶 𝑖 𝑆𝑖 , 𝑇𝐶 𝑖 𝑆𝑖 lần lượt là chi phí trực tiếp, chi phí gián tiếp và chi phí chậm trễ của từng công việc, N là tổng số công việc trong dự án
3.3.3.3 Tính toán chất lượng của dự án
Mục tiêu thứ ba là tối đa chất lượng công trình được thể hiện qua công thức dưới đây:
Trong đó, 𝑞 𝑖 là chất lượng hoàn thành của từng công việc, N là tổng số công việc trong dự án
Chất lượng của mỗi công tác được xác định theo công thức sau:
Trong đó, 𝑄 𝑖,𝑘 𝑛 là hiệu quả của chỉ số chất lượng k trong hoạt động i sử dụng việc sử dụng tài nguyên n; 𝑤𝑡 𝑖,𝑘 là trọng số của chỉ tiêu chất lượng k so với các chỉ tiêu khác trong hoạt động i; và 𝑤𝑡 𝑖 là trọng số của hoạt động i so với các hoạt động khác trong dự án
Các phương pháp lai ghép thuật toán
Lai ghép thuật toán tối ưu là việc kết hợp hai hoặc nhiều thuật toán tối ưu khác nhau để tạo ra một thuật toán mới có hiệu quả cao hơn trong việc giải quyết các bài toán phức tạp Các phương pháp lai ghép phổ biến bao gồm:
➢ Bước 1: Áp dụng thuật toán A để tìm kiếm giải pháp ban đầu
➢ Bước 2: Sử dụng giải pháp ban đầu làm đầu vào cho thuật toán B để cải thiện giải pháp
➢ Bước 3: Lặp lại bước 2 cho đến khi đạt được tiêu chí dừng
➢ Bước 1: Chia nhỏ bài toán thành các phần con
➢ Bước 2: Áp dụng đồng thời các thuật toán A và B để giải quyết các phần con
➢ Bước 3: Kết hợp các giải pháp thu được từ A và B để tạo thành giải pháp cho toàn bộ bài toán
• Lai ghép theo cấp độ:
➢ Bước 1: Sử dụng thuật toán A để giải quyết các vấn đề ở cấp độ cao hơn
➢ Bước 2: Sử dụng thuật toán B để giải quyết các vấn đề ở cấp độ thấp hơn
➢ Bước 3: Kết hợp các giải pháp thu được từ A và B để tạo thành giải pháp cho toàn bộ bài toán
• Lai ghép dựa trên kiến thức:
➢ Bước 1: Sử dụng kiến thức chuyên môn về bài toán để thiết kế thuật toán lai ghép
➢ Bước 2: Kết hợp các điểm mạnh của các thuật toán khác nhau để giải quyết các vấn đề cụ thể của bài toán
Việc lựa chọn phương pháp lai ghép phù hợp phụ thuộc vào nhiều yếu tố, bao gồm:
• Đặc điểm của bài toán
• Hiệu quả của các thuật toán A và B
• Nguồn lực tính toán có sẵn
Lai ghép thuật toán tối ưu là một lĩnh vực nghiên cứu đang phát triển mạnh mẽ với nhiều tiềm năng ứng dụng trong các lĩnh vực khác nhau Việc lựa chọn phương pháp lai ghép phù hợp có thể giúp cải thiện đáng kể hiệu quả giải quyết các bài toán phức tạp.
MÔ HÌNH NGHIÊN CỨU
Thuật toán Báo ghê-pa (Cheetah Optimizer – CO)
Cheetah (Acinonyx jubatus) thuộc họ Mèo và động vật trên cạn nhanh nhất sống ở khu vực miền trung Iran và Châu Phi Tốc độ của báo ghê-pa có thể đạt tới hơn 120 km/h Sự nhanh nhẹn và tốc độ cùng với chiếc đuôi dài, chân dài và gầy, cột sống nhẹ và linh hoạt, bộ lông đốm đặc trưng là những đặc điểm thể chất dễ nhận dạng của chúng Báo ghê-pa là loài động vật ăn thịt có khả năng ẩn mình khéo léo trong quá trình di chuyển khi săn mồi Bên cạnh đó, những con mèo lớn này có thể dễ dàng hòa mình vào đám cỏ khô và cao nhờ bộ lông đặc trưng của chúng Tuy nhiên, những chú báo này không thể duy trì hành động tốc độ cao trong thời gian dài Vì vậy, cuộc rượt đuổi thường không quá nửa phút Ngoài ra, tốc độ của chúng giảm đáng kể từ 93 km/h xuống 23 km/h chỉ trong ba sải chân sau khi bắt được con mồi Do hạn chế trong việc duy trì tốc độ, chúng thường quan sát môi trường xung quanh trên những cành cây hoặc ngọn đồi nhỏ để xác định vị trí con mồi [12]
Hình 4.1 Loài báo cheetah với đặc điểm sinh học đặc trưng [73]
Những con mồi ưa thích của chúng thường là linh dương Thomson, linh dương Impala, linh dương Antelopes, thỏ rừng, chim, loài gặm nhấm,… Đầu tiên, chúng di chuyển chậm rãi về phía con mồi với tư thế cúi người để ẩn nấp Khi đạt khoảng cách tối thiểu, chúng dừng lại ẩn nấp và chờ đợi con mồi tiếp cận, tránh con mồi phát hiện Khoảng cách tối thiểu được đề cập là gần 60 ~ 70 m Tuy nhiên, khoảng cách này được xác định là 200 m nếu chúng không thể ẩn thân một cách thích hợp Cụ thể, thời gian truy đuổi là 60 giây với khoảng cách trung bình từ 173 m đến 559 m Sau đó, con mồi mất thăng bằng sau khi bị báo ghê-pa dùng chân trước vồ vào mông Kẻ săn mồi dùng quá nhiều lực để hạ gục con mồi và khiến con mồi đổi hướng để cố gắng trốn thoát Chuyển động tới lui của chiếc đuôi cơ bắp cũng giúp báo ghê-pa có những cú xoay người chuyển hướng sắc nét Việc săn bắt những con mồi di chuyển xa đàn hoặc ít cảnh giác hơn sẽ dễ dàng hơn nhiều Cần lưu ý rằng có nhiều yếu tố quyết định khác nhau liên quan đến việc săn mồi, bao gồm: độ trưởng thành, giới tính, số lượng kẻ săn mồi và sự bất cẩn của con mồi Ngoài ra, việc săn mồi theo đàn có xu hướng săn thành công nhiều loài động vật khổng lồ hơn Tuy nhiên, không phải tất cả các cuộc săn mồi đều thành công [12]
Hình 4.2 Báo cheetah săn mồi [73]
Theo các nghiên cứu về sinh học, các nhà khoa học phát hiện ra rằng loài báo có cột sống linh hoạt đáng kinh ngạc và chiếc đuôi dài giúp chúng giữ thăng bằng về thể chất Hơn nữa, chúng có xương bả vai được tách biệt bằng xương đòn tạo điều kiện cho vai chuyển động dễ dàng hơn Tất cả những đặc điểm được đề cập trên khiến những con mèo lớn này được xem là loài săn mồi đáng chú ý [12]
(a) Searching for prey (scanning mode) Tìm kiếm con mồi (Chế độ quét)
(b) Sitting-and-waiting (hiding) Ngồi chờ (Ẩn náu)
(d) Capturing Bắt giữ con mồi
Hình 4.3 Hành vi săn mồi của loài báo ghê-pa [12]
Thuật toán CO là một thuật toán lấy cảm hứng từ trí thông minh bầy đàn dựa trên hành vi săn bắt và kiếm ăn của loài báo ghê-pa trong tự nhiên Một số cá thể báo có thể săn mồi riêng lẻ hoặc theo đàn với số lượng nhất định, còn những cá thể khác có thể không tham gia vào quá trình săn mồi Trong một số trường hợp, một số ít cá thể báo có thể bao quát một khu vực săn bắt rộng lớn Những đặc điểm đặc biệt này của loài báo ghê-pa đã thúc đẩy phát triển một thuật toán tối ưu hóa Quá trình săn mồi được mô hình hóa theo hai chiến lược đơn giản là chế độ “ngồi và chờ đợi” và chế độ “tấn công” Mặc dù các phương pháp khác sử dụng một số phương trình phức tạp trong quá trình tiến hóa, trình tối ưu hóa Cheetah Optimizer (CO) sử dụng một số kỹ thuật đơn giản Các chiến lược săn mồi của báo ghê-pa giúp tăng hiệu quả của thuật toán Ngồi và chờ đợi để nhận định, đánh giá trạng thái con mồi Trở về nhà trong trường hợp quá trình săn bắt không thành công Quay lại lần săn thành công gần nhất nếu đôi khi không tìm thấy con mồi Đây là những chiến lược chính trong trình tối ưu hóa CO [12]
Khi báo ghê-pa đang tuần tra hoặc quan sát xung quanh, nó có thể phát hiện ra con mồi Khi nhìn thấy con mồi, báo ghê-pa có thể ngồi tại chỗ và đợi cho đến khi con mồi đến gần hơn rồi mới bắt đầu tấn công Chế độ tấn công bao gồm các giai đoạn lao tới và bắt giữ Báo ghê-pa có thể từ bỏ cuộc đi săn vì một số lý do, chẳng hạn như: giới hạn về năng lượng, con mồi chạy trốn nhanh, Sau đó, chúng có thể trở về nhà để nghỉ ngơi và bắt đầu cuộc săn mới Bằng cách đánh giá con mồi, tình trạng của nó, diện tích và khoảng cách đến con mồi, báo ghê-pa có thể chọn một trong những chiến lược này (Hình 4.3) Nhìn chung, thuật toán CO dựa trên việc sử dụng một cách thông minh các chiến lược săn mồi này trong thời gian săn mồi (số lần lặp) [12]
Chiến lược và hành vi săn mồi của báo ghê-pa được khái quát qua các giai đoạn như sau:
• Tìm kiếm con mồi (Searching): Báo ghê-pa cần tìm kiếm, bao gồm quan sát hoặc tìm kiếm tích cực trong lãnh địa của chúng (không gian tìm kiếm) hoặc khu vực xung quanh để tìm con mồi;
• Ngồi và chờ đợi (Sitting-and-waiting): Sau khi phát hiện được con mồi nhưng tình huống không thích hợp, báo ghê-pa có thể ngồi chờ con mồi đến gần hơn hoặc vị trí tốt hơn;
• Tấn công (Attacking): Chiến lược này có hai bước thiết yếu như sau:
➢ Lao tới (Rushing): Khi báo ghê-pa quyết định tấn công, chúng lao về phía con mồi với tốc độ tối đa;
➢ Bắt giữ con mồi (Capturing): Báo ghê-pa sử dụng tốc độ và sự linh hoạt để bắt con mồi bằng cách tiếp cận con mồi
• Rời khỏi con mồi và trở về nhà (Leave the prey and go back home): Hai tình huống được xem xét cho chiến lược này:
➢ Nếu báo ghê-pa không thành công trong việc săn con mồi, nó nên thay đổi vị trí hoặc quay trở lại lãnh thổ của mình;
➢ Trong trường hợp không có hành động săn mồi thành công trong một khoảng thời gian nào đó, nó có thể thay đổi vị trí của mình đến con mồi cuối cùng được phát hiện và tìm kiếm xung quanh nó
4.1.2.1 Chiến lược tìm kiếm (Search strategy)
Báo ghê-pa tìm kiếm con mồi theo hai cách: quan sát lãnh địa (quét môi trường) khi ngồi hoặc đứng; tích cực tuần tra khu vực xung quanh Chế độ quét phù hợp hơn khi con mồi dày đặc và gặm cỏ khi đi trên đồng bằng Mặt khác, chọn chế độ tuần tra cần nhiều năng lượng hơn chế độ quét và sẽ tốt hơn nếu con mồi nằm rải rác và di chuyển Do đó, trong thời gian săn mồi, tùy thuộc vào tình trạng của con mồi, phạm vi bao phủ của khu vực và tình trạng của bản thân, báo ghê-pa có thể chọn một chuỗi gồm hai chế độ tìm kiếm này Để lập mô hình toán học chiến lược tìm kiếm này của loài báo, gọi 𝑋 𝑖,𝑗 𝑡 biểu thị vị trí hiện tại của cá thể báo thứ 𝑖 (𝑖 = 1, 2, … , 𝑛) với trạng thái thứ 𝑗 (𝑗 = 1, 2, … , 𝐷), trong đó n là số lượng báo ghê-pa và D là số chiều của bài toán tối ưu hóa (số biến thiết kế) Mỗi con báo đều trải qua những tình huống khác nhau khi đối mặt với nhiều con mồi khác nhau Mỗi con mồi là một vị trí của một biến quyết định tương ứng với giải pháp tốt nhất trong các trạng thái của loài báo (các cách sắp xếp khác) [12]
Phương trình tìm kiếm ngẫu nhiên sau đây dùng cập nhật vị trí mới của báo ghê- pa i trong mỗi cách sắp xếp dựa trên vị trí hiện tại của chúng và kích thước bước tùy ý như sau:
𝑋 𝑖,𝑗 𝑡+1 , 𝑋 𝑖,𝑗 𝑡 : Vị trí tiếp theo và vị trí hiện tại của báo ghê-pa thứ i trong cách sắp xếp j; t : Chỉ số biểu thị thời gian săn hiện tại;
T : Thời gian săn tối đa;
𝑟̂ 𝑖,𝑗 −1 , 𝛼 𝑖,𝑗 𝑡 : Tham số ngẫu nhiên và độ dài bước của báo ghê-pa i trong cách sắp xếp j
Số hạng thứ hai là số hạng ngẫu nhiên Trong đó, tham số ngẫu nhiên 𝑟̂ 𝑖,𝑗 thường được phân phối ngẫu nhiên từ một phân phối chuẩn Độ dài bước 𝛼 𝑖,𝑗 𝑡 > 0 trong hầu hết các trường hợp có thể được đặt ở mức 0.001 × 𝑡/𝑇 vì báo ghê-pa là loài tìm kiếm đi bộ chậm Khi chạm trán với những kẻ đi săn (đối thủ) khác, báo ghê-pa có thể trốn thoát nhanh chóng và đổi hướng Để phản ánh hành vi như vậy cũng như chế độ tìm kiếm điểm đến gần/xa, số ngẫu nhiên 𝑟̂ 𝑖,𝑗 −1 được sử dụng ở đây cho mỗi con báo trong các giai đoạn đi săn khác nhau Trong một số trường hợp, 𝛼 𝑖,𝑗 𝑡 có thể được điều chỉnh bằng khoảng cách giữa con báo thứ i và hàng xóm hoặc con đầu đàn của nó Vị trí của một con báo (được chỉ định là con đầu đàn) trong mỗi cách sắp xếp báo săn được cập nhật bằng cách giả sử 𝛼 𝑖,𝑗 𝑡 bằng 0.001 × 𝑡/𝑇 nhân với kích thước bước tối đa (xem xét dựa trên các giới hạn thay đổi, tức là giới hạn trên trừ đi giới hạn dưới) Đối với các thành viên khác, 𝛼 𝑖,𝑗 𝑡 trong cách sắp xếp của mỗi con báo được tính bằng cách nhân khoảng cách giữa vị trí của con báo i và một con báo được chọn ngẫu nhiên Hình 4.4a minh họa chiến lược tìm kiếm [12]
Có một khoảng cách nhất định giữa con đầu đàn và con mồi (giải pháp tốt nhất) Như vậy, vị trí con đầu đàn được lựa chọn dựa trên vị trí con mồi bằng cách thay đổi một số biến số trong lời giải tốt nhất Dự đoán rằng con đầu đàn và con mồi sẽ ở gần nhau hơn trừ khi thời gian đi săn kết thúc, dẫn đến vị trí con đầu đàn được cập nhật Cần lưu ý rằng kích thước bước của báo ghê-pa là hoàn toàn ngẫu nhiên và thuật toán
CO sẽ xem xét điều này Do đó, thuật toán CO có thể giải quyết các vấn đề tối ưu hóa một cách hiệu quả một cách chính xác bằng cách sử dụng bất kỳ tham số ngẫu nhiên và kích thước bước ngẫu nhiên nào, tức là 𝑟̂ 𝑖,𝑗 −1 và 𝛼 𝑖,𝑗 𝑡 [12]
Hình 4.4 Minh họa về các chiến lược của thuật toán CO [12]
4.1.2.2 Chiến lược ngồi chờ đợi (Sit‑and‑wait strategy)
Trong chế độ tìm kiếm, con mồi có thể lọt vào tầm ngắm của báo ghê-pa Trong tình huống này, mọi chuyển động của báo ghê-pa có thể khiến con mồi nhận ra sự hiện diện của mình và dẫn đến việc con mồi trốn thoát Để tránh mối lo ngại này, báo ghê-pa có thể quyết định phục kích (bằng cách nằm trên mặt đất hoặc ẩn nấp trong bụi rậm) để đến đủ gần con mồi Do đó, ở chế độ này, báo ghê-pa vẫn giữ nguyên vị trí của mình và đợi con mồi đến gần hơn Hình 4.4b minh họa chiến lược ngồi và chờ đợi [12] Hành vi này có thể được mô hình hóa qua công thức sau:
𝑋 𝑖,𝑗 𝑡+1 , 𝑋 𝑖,𝑗 𝑡 : Vị trí cập nhật và hiện tại của báo ghê-pa i trong cách sắp xếp j
Chiến lược này yêu cầu thuật toán CO không thay đổi đồng thời tất cả các con báo trong mỗi nhóm để tăng khả năng săn mồi thành công (tìm giải pháp tốt hơn) Từ đó, có thể hỗ trợ nó tránh sự hội tụ sớm
4.1.2.3 Chiến lược tấn công (Attack strategy)
Thuật toán dựa trên hệ tuần hoàn ở người (Circulatory System Based
Hệ tim mạch được gọi là hệ tuần hoàn vì nó lưu thông máu qua các mạch máu (Hình 4.7) Hệ thống tim mạch bao gồm tim, động mạch, tĩnh mạch và mao mạch, là những cơ quan mang máu Máu chứa trong hệ tuần hoàn liên tục được thải ra ngoài mạch, lặp lại một “tuần hoàn” liên tục trong mạch Sự sống sót của không chỉ người lớn mà cả bào thai cũng phụ thuộc vào sự lưu thông máu bình thường, cùng nhiều yếu tố khác Hệ thống tim mạch xuất hiện sớm ở bào thai và bắt đầu hoạt động trước bất kỳ hệ thống cơ quan chính nào khác Vai trò quan trọng của hệ thống tim mạch trong việc duy trì sự ổn định của cơ thể con người phụ thuộc vào sự lưu thông liên tục của máu qua các mao mạch phân bố trên tất cả các tế bào mô trong cơ thể Cuối cùng, chính các mao mạch được phân bố nhiều lần đến từng bộ phận của cơ thể sẽ thực hiện các chức năng tuần hoàn của máu Bằng sự lưu thông máu, chất dinh dưỡng được chuyển đến từng tế bào mô thông qua các mao mạch Hệ thống tim mạch được kiểm soát và hoạt động thông qua nhiều chức năng khác nhau để cung cấp máu cho tất cả các bộ phận của cơ thể thông qua các cơ chế kiểm soát khác nhau Các cơ chế như vậy duy trì môi trường bên trong thông qua việc vận chuyển liên tục các chất dinh dưỡng hoặc chất thải [74]
Hình 4.7 Hệ thống tim mạch của cơ thể con người [74]
Hệ tuần hoàn là một hệ thống các cơ quan phối hợp nhịp nhàng với nhau để vận chuyển máu đi khắp cơ thể Hệ thống này được phân chia thành 2 loại: Vòng tuần hoàn phổi và vòng tuần hoàn hệ thống Hệ tuần hoàn bao gồm các cơ quan sau:
• Tim: Là cơ quan bơm máu, cung cấp sức mạnh cần thiết để lưu thông máu đến tất cả các mô của cơ thể (Hình 4.8 và 4.9)
• Máu: Chất lỏng vận chuyển oxy, chất dinh dưỡng, hormone và các tế bào máu đến tất cả các tế bào trong cơ thể
• Mạch máu: Các ống dẫn máu, bao gồm:
➢ Động mạch: Mang máu giàu oxy từ tim đến các mô và cơ quan
➢ Tĩnh mạch: Mang máu thiếu oxy từ các mô và cơ quan về tim
➢ Mao mạch: Mạng lưới mạch máu nhỏ nhất, nơi trao đổi oxy, chất dinh dưỡng và chất thải giữa máu và các tế bào
• Hệ bạch huyết: Hệ thống các mạch và cơ quan giúp vận chuyển chất lỏng dư thừa và tế bào miễn dịch ra khỏi các mô và đưa về máu [74]
Hình 4.8 Cấu trúc bên ngoài của tim và các mạch máu liên quan [74]
Hình 4.9 Cấu tạo trong của tim [74]
Hệ tuần hoàn có những chức năng chính sau:
• Vận chuyển oxy: Máu giàu oxy từ tim được vận chuyển đến tất cả các tế bào trong cơ thể để cung cấp năng lượng cho hoạt động của tế bào
• Vận chuyển chất dinh dưỡng: Chất dinh dưỡng được hấp thu từ thức ăn được vận chuyển qua máu đến tất cả các tế bào trong cơ thể để hỗ trợ cho quá trình sinh trưởng và sửa chữa
• Loại bỏ chất thải: Các sản phẩm thải do tế bào tạo ra được vận chuyển qua máu đến thận và gan để được lọc và bài tiết ra khỏi cơ thể
• Vận chuyển hormone: Hormone được sản xuất bởi các tuyến nội tiết được vận chuyển qua máu đến các cơ quan đích để điều hòa các chức năng cơ thể
• Chống lại nhiễm trùng: Hệ bạch huyết giúp vận chuyển tế bào miễn dịch để chống lại vi khuẩn, virus và các tác nhân gây bệnh khác
• Điều hòa thân nhiệt: Hệ tuần hoàn giúp điều hòa thân nhiệt bằng cách vận chuyển máu đến da để giải phóng nhiệt hoặc từ da vào các cơ quan nội tạng để giữ ấm cho cơ thể
Hình 4.10 Minh họa hình thái của các mạch máu trong cơ thể: động mạch, mao mạch và tĩnh mạch [74]
Hệ tuần hoàn hoạt động theo một chu trình liên tục:
• Tim: Nhận máu thiếu oxy từ tĩnh mạch qua nhĩ phải
• Tâm nhĩ phải: Bơm máu thiếu oxy qua van ba lá vào tâm thất phải
• Tâm thất phải: Bơm máu thiếu oxy qua van phổi vào động mạch phổi
• Động mạch phổi: Mang máu thiếu oxy đến phổi
• Phổi: Tại phổi, máu nhận oxy và thải carbon dioxide
• Tĩnh mạch phổi: Mang máu giàu oxy từ phổi về tim qua nhĩ trái
• Tâm nhĩ trái: Bơm máu giàu oxy qua van hai lá vào tâm thất trái
• Tâm thất trái: Bơm máu giàu oxy qua van động mạch chủ vào động mạch chủ
• Động mạch chủ: Mang máu giàu oxy đi khắp cơ thể
• Mô và cơ quan: Nhận oxy và chất dinh dưỡng từ máu, đồng thời thải carbon dioxide và chất thải vào máu
• Tĩnh mạch: Mang máu thiếu oxy từ mô và cơ quan về tim qua nhĩ phải [74]
Chu trình này được lặp đi lặp lại liên tục, đảm bảo rằng tất cả các tế bào trong cơ thể đều được cung cấp oxy và chất dinh dưỡng, đồng thời loại bỏ chất thải (Hình 4.10)
Hình 4.11 Một mô hình cảm hứng đơn giản từ hệ tuần hoàn để lập mô hình CSBO [13]
Theo Hình 4.11, các mạch máu của cơ thể được chia theo chức năng thành hai mạch đặc biệt: mạch phổi và mạch hệ thống
Vòng tuần hoàn phổi mang máu nghèo oxy từ tâm thất phải đến phổi, nơi máu được cung cấp máu mới Máu giàu oxy sau đó được đưa trở lại tâm nhĩ trái (Hình 4.12)
Vòng tuần hoàn hệ thống có chức năng cung cấp máu cho tất cả các mô cơ thể Nó mang oxy và chất dinh dưỡng đến các tế bào, đồng thời thu nhận carbon dioxide và chất thải Vòng tuần hoàn hệ thống mang máu giàu oxy qua tâm thất trái và động mạch đến các mao mạch trong các mô của cơ thể Trong các mao mạch mô, máu đã khử oxy sẽ quay trở lại tâm nhĩ phải của tim thông qua hệ thống tĩnh mạch (Hình 4.13) Động mạch vành là mạch duy nhất phân nhánh từ động mạch chủ lên Trong vòm động mạch chủ có động mạch cảnh trái, động mạch cảnh trái và nhánh động mạch cảnh trái Nguồn cung cấp máu cho não được thực hiện bởi động mạch cảnh trong và động mạch cột sống Động mạch đòn dưới cung cấp máu cho chi trên Các động mạch thân tạng, siêu mạc treo, siêu thận, thận, sinh dục và phần dưới phân nhánh từ động mạch chủ bụng để cấp máu cho các cơ quan nội tạng trong ổ bụng Động mạch thắt lưng cung cấp máu cho cơ và tủy sống Các nhánh của động mạch chậu ngoài cấp máu cho chi dưới [74]
Hình 4.12 Minh họa vòng tuần hoàn phổi ở người [74]
Hình 4.13 Minh họa vòng tuần hoàn hệ thống ở người [74]
Máu được xem là chất lỏng Newton trong hầu hết các trường hợp Các biến chính của hệ tuần hoàn là lưu lượng, áp suất và thể tích Mô hình dòng chảy áp lực của hệ thống tuần hoàn có thể được xem xét từ hai góc độ, đập và không đập, được xem xét trong một mô hình lấy cảm hứng từ góc độ đập [13] Động mạch và tĩnh mạch được coi là mạch hình trụ có thành có đặc tính đàn hồi Để kích thích lưu lượng máu trong hầu hết các mô hình, tính liên tục của động lượng [75], được gọi là phương trình Navier - Stokes [76], được sử dụng với giả định về mật độ và độ nhớt không đổi Chất lỏng Newton có thể được biểu diễn dưới dạng tổng quát sau đây, bất chấp một số lực hấp dẫn
Trong đó: ρ là mật độ chất lỏng, v là vectơ vận tốc, P là áp suất, t biểu thị thời gian và τ là tenxơ ứng suất
Vòng tuần hoàn hệ thống có chức năng cung cấp máu cho tất cả các mô cơ thể
Nó mang oxy và chất dinh dưỡng đến các tế bào, đồng thời thu hồi carbon dioxide và các chất thải Vòng tuần hoàn hệ thống mang máu giàu oxy từ tâm thất trái, qua các động mạch, đến các mao mạch trong các mô của cơ thể Từ các mao mạch mô, máu đã khử oxy sẽ quay trở lại tâm nhĩ phải của tim qua hệ thống tĩnh mạch Sau đó, nó di chuyển vào tâm thất phải và chu kỳ trên được lặp lại, tương đương với một lần lặp trong thuật toán CSBO [13]
Thuật toán CSBO đã mô hình hóa hai mạch phổi và hệ thống thành hai nhóm riêng biệt với hai chu kỳ tối ưu hóa khác nhau Chúng tương đương với các chức năng cụ thể được mô hình hóa trên một quần thể cụ thể Quá trình này của hệ tuần hoàn tương đương với việc tạo ra một quần thể đáng kể hơn và loại bỏ một quần thể yếu hơn trong thuật toán tối ưu hóa
4.2.2.1 Các khái niệm trong thuật toán
Thuật toán CSBO là một thuật toán lấy cảm hứng từ hiện tượng sinh học dựa trên quá trình hoạt động của hệ tuần hoàn ở người Trong thuật toán CSBO, giống như bất kỳ thuật toán tối ưu hóa meta-heuristic nào khác, một quần thể ban đầu được tạo ra dựa trên một hàm ngẫu nhiên trong phạm vi vấn đề, ở đây đại diện cho khối lượng giọt máu Vị trí của các giọt máu đại diện cho các giải pháp khả thi cho vấn đề tối ưu hóa trong không gian tìm kiếm và hệ thống tuần hoàn đóng vai trò là cỗ máy vận hành quần thể này để tinh chỉnh và củng cố chúng cũng như loại bỏ quần thể yếu hơn Nói cách khác, chất lượng giải pháp (máu) trong không gian tìm kiếm (cơ thể) được cải thiện trong suốt quá trình lặp đi lặp lại dựa trên chức năng của hệ thống tuần hoàn máu trong cơ thể
Thuật toán lai báo ghê-pa (hCO-CSBO)
Nhằm tận dụng ưu điểm của cả 2 thuật toán gốc CO và CSBO, mô hình hCO- CSBO được xây dựng Mô hình được đề xuất kết hợp cơ chế khai thác không gian tìm kiếm xung quanh giải pháp tiềm năng vượt trội của CSBO và CO, khả năng khai thác không gian của CO
4.3.1 Khai báo thông số và khởi tạo quần thể Đầu tiên, bắt đầu với quần thể hoặc khối máu ban đầu 𝐵𝑀 𝑖 (𝐵𝑚 𝑖,1 , 𝐵𝑚 𝑖,2 , … , 𝐵𝑚 𝑖,𝐷 ) cho một bài toán điển hình với số chiều D (𝑗 = 1: 𝐷), khởi tạo ngẫu nhiên quần thể theo công thức sau:
𝐵𝑀 𝑚𝑖𝑛 , 𝐵𝑀 𝑚𝑎𝑥 : Giá trị nhỏ nhất và lớn nhất của biến thứ 𝐵𝑚 𝑖,𝑗 , được xác định từ quần thể ban đầu, như sau:
𝐵𝑀 𝑚𝑎𝑥 = (𝐵𝑚 𝑚𝑎𝑥,1 , 𝐵𝑚 𝑚𝑎𝑥,2 , … , 𝐵𝑚 𝑚𝑎𝑥,𝐷 ) 𝑟𝑎𝑛𝑑(1, 𝐷) : Hàm phân bố chuẩn trong đoạn 1 và D
Quần thể ban đầu này đóng vai trò tương tự như các giọt hoặc khối máu trong cơ thể
4.3.2 Sự di chuyển của khối máu trong tĩnh mạch
Khối máu thứ i trong tĩnh mạch (𝐵𝑀 𝑖 ) di chuyển dựa trên lực hoặc áp lực Khối máu luôn chuyển động theo hướng có điều kiện tối ưu hơn Do đó, giá trị của hàm mục tiêu của nó (độ lớn lực hoặc áp suất) giảm Có thể mô hình hóa các động mạch bị tắc trong tim như bị mắc kẹt trong các giải pháp tối ưu cục bộ Khi cơ thể tiếp tục hoạt động, thuật toán sẽ tiếp tục quá trình tối ưu hóa tốt Bước này của chu trình tuần hoàn được mô hình hóa dựa trên vị trí các giọt máu và các giá trị hàm mục tiêu của chúng như sau:
Trong đó, 𝐾 𝑖𝑗 xác định hướng di chuyển của khối máu thứ i (𝐵𝑀 𝑖 ) trong động mạch 𝜌 𝑖 là một giá trị nằm trong khoảng từ 0 đến 1 và phụ thuộc vào chiều của bài toán, tức 𝜌 𝑖 ∈ [1; 𝐷] Nó xác định lượng dịch chuyển và hướng tới giá trị tốt hơn trong mỗi chu kỳ tuần hoàn
4.3.3 Quần thể hoặc khối máu trong vòng tuần hoàn phổi
Tuần hoàn phổi xử lý máu bị khử oxy, tương đương với nhóm quần thể yếu hơn trong điều kiện tối ưu hóa Trong CSBO, tại mỗi lần lặp, quần thể được sắp xếp và số lượng NR của quần thể yếu nhất sẽ đi vào tuần hoàn phổi và được dẫn đến phổi để lấy oxy
Trong đó, randn biểu thị số bình thường ngẫu nhiên nằm trong đoạn [0,1], it biểu thị vòng lặp thuật toán hiện tại, randc biểu thị vectơ ngẫu nhiên từ phân bố xác suất Cauchy và D là số thứ nguyên của bài toán tối ưu hóa Tuần hoàn phổi cũng thay đổi số 𝜌 𝑖 của nhóm quần thể này như sau:
4.3.4 Quần thể hoặc khối máu vòng tuần hoàn hệ thống
Như đã đề cập, số lượng NR của quần thể được sắp xếp yếu nhất sẽ đi vào vòng tuần hoàn phổi Phần còn lại của quần thể (𝑁𝐿 = 𝑁𝑝𝑜𝑝 − 𝑁𝑅) có giá trị phù hợp hơn sẽ đi vào hệ tuần hoàn hệ thống với lượng mới để lưu thông trong cơ thể, như mô hình dưới đây:
𝐵𝑀 𝑖,𝑗 𝑛𝑒𝑤 = 𝐵𝑀 1,𝑗 + 𝜌 𝑖 × (𝐵𝑀 3,𝑗 − 𝐵𝑀 2,𝑗 ) (4.12) Vòng tuần hoàn hệ thống cũng điều chỉnh số 𝜌 𝑖 cho nhóm quần thể này như sau:
Trong đó: 𝐹 𝑊𝑜𝑟𝑠𝑡 ; 𝐹 𝐵𝑒𝑠𝑡 là các giá trị tệ nhất và tốt nhất của hàm mục tiêu thu được cho đến lần lặp hiện tại
4.3.5 Chuyển sang cơ chế hoạt động của thuật toán CO
Khai báo tham số 𝑆 𝑟𝑎𝑡𝑒 là tham số chuyển đổi cơ chế hoạt động, có giá trị ngẫu nhiên từ 0 đến 1 Nếu 𝑆 𝑟𝑎𝑡𝑒 ≤ 0.5, quần thể khối máu thu được từ thuật toán CSBO sẽ bắt đầu chuyển sang cơ chế hoạt động theo cơ chế của thuật toán CO Từ các chiến lược săn mồi của báo ghê-pa, vị trí cá thể báo tốt nhất được thể hiện qua công thức dưới đây
𝑋 𝑖,𝑗 𝑡+1 , 𝑋 𝑖,𝑗 𝑡 : Vị trí tiếp theo và vị trí hiện tại của báo ghê-pa thứ i trong cách sắp xếp j; t : Chỉ số biểu thị thời gian săn hiện tại;
T : Thời gian săn tối đa;
𝑟̂ 𝑖,𝑗 −1 , 𝛼 𝑖,𝑗 𝑡 : Tham số ngẫu nhiên và độ dài bước của báo ghê-pa i trong cách sắp xếp j
𝑋 𝐵,𝑗 𝑡 : Vị trí hiện tại của con mồi trong sắp xếp j (vị trí tốt nhất hiện tại của quần thể)
𝑟̌ 𝑖,𝑗 , 𝛽 𝑖,𝑗 𝑡 : Hệ số chuyển hướng và hệ số tương tác liên quan đến con báo i trong sự sắp xếp j
Chu kỳ tối ưu hóa sẽ được tiếp tục với số lần lặp được chỉ định Tương tự như các thuật toán meta-heuristic khác, mỗi cá thể của quần thể sẽ chấp nhận vị trí mới nếu nó nhận được giá trị tốt hơn của hàm thích nghi
Mã giả (pseudo-code) của thuật toán lai hCO-CSBO được thể hiện như Hình 4.17 bên dưới
Lưu đồ của thuật toán lai hCO-CSBO được thể hiện trong Hình 4.18
Thông số đầu vào (Input): Kích thước quần thể ban đầu Npop, quần thể tham gia vào vòng tuần hoàn phổi NR, quần thể tham gia vào vòng tuần hoàn hệ thống NL, số chiều bài toán D, số vòng lặp tối đa và các tham số khác của thuật toán
Kết quả đầu ra (Output): Hiển thị giải pháp tốt nhất và giá trị của hàm mục tiêu
Hình 4.17 Mã giả (pseudo-code) của thuật toán hCO-CSBO
Bắt đầu Khởi tạo các tham số của CSBO
Khởi tạo quần thể khối máu ngẫu nhiên theo công thức 4.6)
Tính toán hàm mục tiêu ứng các khối máu
Khởi tạo giá trị ban đầu theo công thức 4.9)
Tính toán theo công thức (4.8) Điều kiện dừng
Kết thúc Đúng Cập nhật vị trí khối máu tốt nhất Sai
Khai báo các giá trị FE, it
Khởi tạo quẩn thể khối máu theo công thức 4.7) Tính toán hàm mục tiêu tương ứng
Cập nhật vị trí khối máu
Cập nhật vị trí khối máu Đúng Đúng
Khởi tạo quẩn thể khối máu theo công thức 4.1 ) Tính toán hàm mục tiêu tương ứng Đúng
Khởi tạo giá trị ban đầu theo công thức 4.11)
Khởi tạo giá trị ban đầu theo công thức 4.13)
Khởi tạo quẩn thể khối máu theo công thức 4.1 ) Tính toán hàm mục tiêu tương ứng
Rand > 0.9 Khối máu giữ nguyên vị trí
Cập nhật vị trí khối máu
Cập nhật vị trí khối máu Đúng Đúng
Cập nhật vị trí khối máu
Cập nhật vị trí khối máu Đúng Đúng
Quần thể hoặc khối máu trong vòng tuần hoàn phổi
(Population or blood mass flow in pulmonary circulation)
Quần thể hoặc khối máu trong vòng tuần hoàn hệ thống
(Population or blood mass flow in systematic circulation)
Sự di chuyển của khối máu trong tĩnh mạch
(Movement of blood mass in the veins)
Chọn ngẫu nhiên số lượng cá thể m m n)
Xác định các giá trị
Cập nhật vị trí cá thể thứ i theo công thức (4.3) Đúng Đúng
Cập nhật vị trí cá thể thứ i theo công thức (4.1) Sai
Cập nhật vị trí cá thể thứ i theo công thức (4.2) Sai
Cập nhật phương án vị trí cá thể i và con đầu đàn
Chọn ngẫu nhiên cá thể hàng xóm k j > D
Chuyển sang cơ chế hoạt động của thuật toán CO
(Moving on to the operating mechanism of the CO algorithm)
Hình 4.18 Lưu đồ thuật toán lai Báo ghê-pa (hCO-CSBO)
Thuật toán hCO-CSBO được triển khai qua các bước như sau:
➢ Bước 1: Khởi tạo các tham số của thuật toán;
➢ Bước 2: Khởi tạo quần thể khối máu ngẫu nhiên;
➢ Bước 3: Khởi tạo giải pháp khối máu tốt nhất (giải pháp tốt nhất), tính toán hàm mục tiêu;
➢ Bước 4: Khai báo các tham số của thuật toán;
➢ Bước 5: Tính toán các giá trị 𝜌 𝑖 , 𝐾 𝑖𝑗 ; // S ự di chuy ể n c ủ a kh ố i máu trong tĩnh mạ ch
➢ Bước 6: Khởi tạo quần thể khối máu theo công thức (4.7) và tính toán hàm mục tiêu tương ứng;
➢ Bước 7: So sánh với khối máu tốt nhất và hiện tại, cập nhật vị trí khối máu
➢ Bước 8: Lặp lại bước 5 đến khi thỏa điều kiện dừng của vòng lặp
➢ Bước 9: Khởi tạo quần thể khối máu theo công thức (4.10) hoặc giữa nguyên vị trí và tính toán hàm mục tiêu tương ứng; // Qu ầ n th ể ho ặ c kh ố i máu trong vòng tu ầ n hoàn ph ổ i
➢ Bước 10: Tính toán giá trị 𝜌 𝑖 theo công thức (4.11);
➢ Bước 11: So sánh với khối máu tốt nhất và hiện tại, cập nhật vị trí khối máu
➢ Bước 12: Lặp lại bước 9 đến khi thỏa điều kiện dừng của vòng lặp
➢ Bước 13: Tính toán giá trị 𝜌 𝑖 theo công thức (4.13); // Qu ầ n th ể ho ặ c kh ố i máu trong vòng tu ầ n hoàn h ệ th ố ng
➢ Bước 14: Khởi tạo quần thể khối máu theo công thức (4.12) và tính toán hàm mục tiêu tương ứng;
➢ Bước 15: So sánh với khối máu tốt nhất và hiện tại, cập nhật vị trí khối máu;
➢ Bước 16: Lặp lại bước 13 đến khi thỏa điều kiện dừng của vòng lặp;
➢ Bước 17: Kiểm tra điều kiện tham số chuyển đổi cơ chế 𝑆 𝑟𝑎𝑡𝑒 Nếu thỏa thì thực hiện bước 18 Thực hiện bước 23 trong trường hợp không thỏa;
➢ Bước 18: Chọn ngẫu nhiên 1 nhóm báo tham gia cuộc đi săn Đồng thời, xác định ngẫu nhiên 1 chú báo hàng xóm; // Chuy ển sang cơ chế ho ạ t độ ng c ủ a thu ậ t toán CO
➢ Bước 19: Tính toán các tham số ngẫu nhiên, hệ số tương tác, hệ số chuyển hướng để xác định xác định áp dụng chiến lược Tìm kiếm (Search) hay Tấn công (Attack) hay Ngồi và chờ đợi (Sit and wait);
➢ Bước 20: Cập nhật vị trí con báo đang xét và con đầu đàn;
➢ Bước 21: Lặp lại bước 18 đến khi thỏa điều kiện dừng của vòng lặp;
➢ Bước 22: Lặp lại bước 5 đến bước 21 đến khi thỏa mãn điều kiện dừng;
➢ Bước 23: Cập nhật giải pháp tốt nhất và giá trị hàm mục tiêu.
Các chỉ số đánh giá
Trong những năm gần đây, sự phát triển của các thuật toán mới để tối ưu hóa đa mục tiêu đã phát triển đáng kể Một số lượng lớn các chỉ số hiệu suất đã được giới thiệu để đo lường chất lượng của các phép tính gần đúng của tập giải pháp Pareto được tạo ra bởi các thuật toán này Audet và cộng sự đề xuất đánh giá tổng cộng 57 chỉ số hiệu suất, được chia thành bốn nhóm theo thuộc tính của chúng: số lượng (cardinality), độ hội tụ (convergence), phân phối (distribution) và mức độ lan truyền (spread) [78] Việc đánh giá các thuật toán đa mục tiêu phức tạp hơn đáng kể so với các thuật toán đơn mục tiêu [15] Có ba vấn đề cần được cân nhắc:
• Sự hội tụ về tập giải pháp;
• Sự đa dạng trong tập giải pháp;
• Sự phân bố rộng miền biên của tập giải pháp
Có nhiều đánh giá được đề xuất trong các nghiên cứu trước đây và được phân ra thành ba tiêu chí cơ bản là sự chính xác, đa dạng và phân bố rộng [79] Trong Luận văn này, ba tiêu chí cơ bản được áp dụng để so sánh
C-metric (C): Chỉ số này được sử dụng để kiểm tra khi mà ta không biết tập tối ưu tốt nhất 𝑆 1 , 𝑆 2 ⊆ 𝑆 là hai tập hợp các giải pháp tối ưu của hai thuật toán được so sánh
Tử số trong công thức (4.15) cho biết số lượng giải pháp trong 𝑆 2 bị vượt trội bởi ít nhất một giải pháp trong 𝑆 1 và mẫu số bằng tổng số giải pháp trong 𝑆 2
Spread (SP): Chỉ số này đo sự phân bố rộng và đều của tập tối ưu mà thuật toán đạt được [79] Chỉ số SP được xác định theo công thức sau
∑ 𝑘 𝑖=1 𝑑(𝐸 𝑖 ,Ω) +(|Ω|−𝑘)𝑑 (4.16) Trong đó: Ω là tập giải pháp, |Ω| là số lượng giải pháp trong tập Omega (𝐸 𝑖 , … , 𝐸 𝑘 ) là các điểm biên trong tập tối ưu 𝑑(𝑋, Ω) = min
𝑌∈Ω,𝑌≠𝑋‖𝐹(𝑋) − 𝐹(𝑌)‖ là khoảng cách nhỏ nhất từ giải pháp X đến các giải pháp gần nó 𝑑 = 1 Ω∑ 𝑋∈Ω 𝑑(𝑋, Ω) giá trị trung bình của tất cả các giá trị 𝑑(𝑋, Ω) Giá trị SP càng nhỏ chứng tỏ sự phân bố trong tập giải pháp là đều
Hyper-volume (HV): Chỉ số này tính thể tích của hình bao bởi các giải pháp không vượt trong tập Về mặt toán học, mỗi giải pháp 𝑋 𝑖 ∈ Ω là một hình lập phương
𝜈 𝑖 được xây dựng dựa vào vector tham thảo W và 𝑋 𝑖 là ở một đỉnh của hình lập phương Một điểm tham chiếu được chọn để tính toán thể tích này [80] Chỉ số HV được xác định theo công thức sau:
Sau khi tiêu chuẩn hóa, các giá trị HV sẽ thuộc khoảng [0,1].
BÀI TOÁN PHÂN TÍCH
Đánh giá hiệu quả của mô hình hCO-CSBO thông qua bài toán phân tích
5.1.1 Thông số đầu vào Để đánh giá hiệu quả của mô hình lai ghép hCO-CSBO, bài toán phân tích (case study) từ nghiên cứu “Adaptive selection slime mould algorithm in time-cost- quality-environmental impact trade-off optimization” [53] Dự án xây dựng trong nghiên cứu bao gồm 18 công tác thi công Mỗi công tác gồm từ 2 đến 5 phương án triển khai, dẫn đến có đến khoảng 3.49 18 phương án tiềm năng có thể xảy ra Mối quan hệ giữa các công tác được thể hiện qua sơ đồ mạng của dự án (Hình 5.1) Các giá trị về thời gian, chi phí, chất lượng, tác động môi trường ứng với từng phương án thi công được thể hiện tại Bảng 5.1 Số lượng phương án khả thi được tính như sau:
= 5 904 900 000 ≈ 3.49 18 (Phương án khả thi) (Năm tỷ chín trăm linh bốn triệu chín trăm nghìn phương án khả thi)
Hình 5.1 Sơ đồ mạng của dự án, bài toán phân tích 1
Bảng 5.1 Dữ liệu bài toán phân tích 1 (TCQP Trade-off) [53]
Mã công tác Công tác trước Phương án Thời gian Chi phí Chất lượng Môi trường
Mã công tác Công tác trước Phương án Thời gian Chi phí Chất lượng Môi trường
Bảng 5.2 Giải pháp tối ưu cho bài toán 1
Phương án thi công Thời gian Chi phí Chất lượng
Phương án thi công Thời gian Chi phí Chất lượng Môi trường
Ghi chú: Giải pháp tối ưu tham chiếu
Bảng 5.3 Thông số của CO, CSBO, hCO-CSBO cho bài toán 1
Thuật toán Ký hiệu Mô tả Giá trị
CO MaxIT Số vòng lặp tối đa 100 m Số lượng cá thể báo hàng xóm 2 n Kích thước quần thể báo 6
NFE Số lượng phương án tối đa 10000
CSBO MaxIT Số vòng lặp tối đa 100
Npop Kích thước quần thể 45
NFE Số lượng phương án tối đa 10000
NR Kích thước quần thể vào vòng tuần hoàn phổi 15
NL Kích thước quần thể vào vòng tuần hệ thống 30 hCO-CSBO MaxIT Số vòng lặp tối đa 100
Npop Kích thước quần thể 45
NFE Số lượng phương án tối đa 10000 m Số lượng cá thể báo hàng xóm 2
Thuật toán Ký hiệu Mô tả Giá trị n Kích thước quần thể báo 6
Chi tiết kết quả sau 10 lần chạy bài toán 1 khi áp dụng mô hình CO, CSBO và hCO-CSBO được trình bày cụ thể trong Phụ lục 02 Dưới đây là kết quả tổng hợp sau
10 lần chạy bài toán 1 và so sánh với kết quả từ nghiên cứu trước (Bảng 5.4)
Bảng 5.4 Giải pháp tối ưu cho bài toán 1
Thuật toán Phương án thi công
Th ờ i gian hoàn thành (Tmin)
Chi phí th ự c hi ệ n (Cmin)
Thuật toán Phương án thi công
Ch ấ t lượ ng thi công (Qmax)
Tác động môi trườ ng (EImin)
Hình 5.2 Tập Pareto T-C-Q, mô hình CO, CSBO và hCO-CSBO, bài toán 1
Hình 5.3 Tập Pareto C-Q-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 1
Hình 5.4 Tập Pareto T-Q-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 1
Hình 5.5 Tập Pareto T-C-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 1
So sánh với kết quả tham chiếu, mô hình hCO-CSBO cho kết quả cạnh tranh rõ rệt đối với cả bốn mục tiêu đang xét, bao gồm: Thời gian hoàn thành dự án, Chi phí thực hiện dự án, Chất lượng xây dựng công trình và Tác nhân tác động đến môi trường Về thời gian, mô hình đề xuất cho giải pháp thời gian ngắn hơn Về chi phí, mô hình đề xuất cho giải pháp giảm thiểu hơn Về chất lượng, mô hình cũng đề xuất các giải pháp cho kết quả tốt hơn Sau cùng, mô hình hCO-CSBO cũng cho tập giải pháp tác động đến môi trường ít nhất khi hoàn thành dự án
Các hình 5.2- 5.5 thể hiện biểu đồ Pareto 3 chiều Với 4 yếu tố được xem xét, có thể tồn tại tối đa 4 biểu đồ Biểu thức tính toán tổ hợp gồm chập k của số lượng n phần tử như sau:
Bảng 5.5 Tổ hợp các biểu đồ Pareto cho bài toán 1
Tổ hợp Yếu tố xem xét ảnh hưởng đến dự án xây dựng
Bảng 5.6 Chỉ số C-metric giữa hCO-CSBO và 2 thuật toán gốc
Bảng 5.7 Chỉ số SP giữa hCO-CSBO và 2 thuật toán gốc
Tiêu chí CO CSBO hCO-CSBO
Bảng 5.8 Chỉ số HV giữa hCO-CSBO và 2 thuật toán gốc
Tiêu chí CO CSBO hCO-CSBO
Tiêu chí CO CSBO hCO-CSBO
Bảng 5.6, 5.7 và 5.8 thể hiện hiệu quả về tập giải pháp từ 3 thuật toán CO, CSBO và hCO-CSBO Kết quả cho thấy, theo chỉ số đánh giá C-metric, mô hình hCO-CSBO vượt trội hơn 64% so với thuật toán CO, vượt trội hơn 44% so với thuật toán CSBO theo tiêu chuẩn trung bình Xét về chỉ số SP, giá trị SP càng nhỏ sự phân bố trong tập giải pháp càng đều Mô hình hCO-CSBO cho kết quả cạnh tranh nhất Xét về chỉ số
HV, mô hình hCO-CSBO cũng cho kết quả cạnh tranh nhất
Trong bảng tiến độ dự án, có thể tồn tại nhiều đường Gantt, việc giải tay cho từng trường hợp sẽ rất mất thời gian Để thuận tiện, nghiên cứu này sử dụng phần mềm MS Project và Primavera 6 để xác định các công tác trên đường Gantt Vui lòng tham khảo chi tiết tại Phụ lục 05.
Đánh giá hiệu quả của mô hình hCO-CSBO thông qua bài toán phân tích
Hình 5.6 Sơ đồ mạng của dự án, bài toán phân tích 2 (Lotfi & cộng sự, 2022)
[44] Để đánh giá hiệu quả của mô hình lai ghép hCO-CSBO, bài toán phân tích (case study) từ nghiên cứu “A robust time-cost-quality-energy-environment trade-off with resource-constrained in project management: A case study for a bridge construction project” [44] Dự án xây dựng trong nghiên cứu bao gồm 24 công tác thi công Mỗi công tác gồm 2 trường hợp triển khai: Bình thường và Khẩn trương, dẫn đến có đến
2 24 = 16 777 216 phương án khả thi có thể xảy ra Mối quan hệ giữa các công tác được thể hiện qua sơ đồ mạng của dự án (Hình 5.6) Các giá trị về thời gian, chi phí, chất lượng, năng lượng, tác động môi trường ứng với từng phương án thi công được thể hiện tại Bảng 5.9
Bảng 5.9 Dữ liệu bài toán phân tích 2 (TCQEP Trade-off) [44]
Công tác trước Phương án Thời gian (Ngày) Chi phí (Triệu Toman) Chất lượng (%) Năng lượng (kJ) Môi trường (Tấn CO 2 )
(Thiết lập nơi làm việc)
(Công tác ván khuôn bản)
Công tác trước Phương án Thời gian (Ngày) Chi phí (Triệu Toman) Chất lượng (%) Năng lượng (kJ) Môi trường (Tấn CO 2 )
(Công tác ván khuôn dầm console)
(Công tác gia cường cốt thép)
(Công tác cốp pha dầm console)
(Ram dốc phía đông) 16FS 1 10 40 100 600 300
Ramp and deck guard rail installation
(Lắp đặt lan can an toàn giữa ram dốc và bản cầu)
(Ram dốc phía tây) 19FS 1 10 40 100 200 100
Ramp and desk curb installation
(Lắp đặt gờ chắn giữa ram dốc và bản cầu)
Ramp and deck side walk implementation
(Triển khai lối đi dọc bản cầu và dốc)
Công tác trước Phương án Thời gian (Ngày) Chi phí (Triệu Toman) Chất lượng (%) Năng lượng (kJ) Môi trường (Tấn CO 2 )
(Đổ bêtông nhựa bản cầu và ram dốc)
Bảng 5.10 Giải pháp tối ưu cho bài toán 2
Mô hình Thời gian Chi phí Chất lượng
Ghi chú: Giải pháp tối ưu tham chiếu
Bảng 5.11 Thông số của CO, CSBO, hCO-CSBO cho bài toán 2
Thuật toán Ký hiệu Mô tả Giá trị
CO MaxIT Số vòng lặp tối đa 100 m Số lượng cá thể báo hàng xóm 2 n Kích thước quần thể báo 6
NFE Số lượng phương án tối đa 10000
CSBO MaxIT Số vòng lặp tối đa 100
Npop Kích thước quần thể 45
NFE Số lượng phương án tối đa 10000
NR Kích thước quần thể vào vòng tuần hoàn phổi 15
NL Kích thước quần thể vào vòng tuần hệ thống 30 hCO-CSBO MaxIT Số vòng lặp tối đa 100
Thuật toán Ký hiệu Mô tả Giá trị
Npop Kích thước quần thể 45
NFE Số lượng phương án tối đa 10000 m Số lượng cá thể báo hàng xóm 2 n Kích thước quần thể báo 6
Chi tiết kết quả sau 10 lần chạy bài toán 2 khi áp dụng mô hình CO, CSBO và hCO-CSBO được trình bày cụ thể trong Phụ lục 03 Dưới đây là kết quả tổng hợp sau
10 lần chạy bài toán 2 và so sánh với kết quả từ nghiên cứu trước (Bảng 5.12)
Bảng 5.12 Giải pháp tối ưu cho bài toán 2
Thuật toán Phương án thi công Thời gian Chi phí Chất lượng Năng lượng Môi trường
Th ờ i gian hoàn thành (Tmin)
Chi phí th ự c hi ệ n (Cmin)
Chất lượng thi công (Qmax)
Năng lượ ng tiêu th ụ (Emin)
Thuật toán Phương án thi công Thời gian Chi phí Chất lượng Năng lượng Môi trường
Tác động môi trườ ng (EImin)
So sánh với kết quả tham chiếu, mô hình hCO-CSBO cho kết quả cạnh tranh rõ rệt đối với cả năm mục tiêu đang xét, bao gồm Thời gian hoàn thành dự án, Chi phí thực hiện dự án, Chất lượng xây dựng công trình, Năng lượng tiêu thụ và Tác nhân tác động đến môi trường Về thời gian, mô hình đề xuất cho giải pháp thời gian ngắn hơn Về chi phí, mô hình đề xuất cho giải pháp giảm thiểu hơn Về chất lượng, mô hình cũng đề xuất các giải pháp cho kết quả tốt hơn Về năng lượng tiêu thụ trong quá trình thi công, mô hình cũng đề xuất các giải pháp cho kết quả tốt hơn Sau cùng, mô hình hCO-CSBO cũng cho tập giải pháp tác động đến môi trường ít nhất khi hoàn thành dự án
Các hình 5.7-5.16 và Phụ lục 03 thể hiện biểu đồ Pareto 3 chiều Với 5 yếu tố được xem xét, có thể tồn tại tối đa 10 biểu đồ Biểu thức tính toán tổ hợp gồm chập k của số lượng n phần tử như sau:
Bảng 5.13 Tổ hợp các biểu đồ Pareto cho bài toán 2
Tổ hợp Yếu tố xem xét ảnh hưởng đến dự án xây dựng
Bảng 5.14 Chỉ số C-metric giữa hCO-CSBO và 2 thuật toán gốc
Bảng 5.15 Chỉ số SP giữa hCO-CSBO và 2 thuật toán gốc
Tiêu chí CO CSBO hCO-CSBO
Bảng 5.16 Chỉ số HV giữa hCO-CSBO và 2 thuật toán gốc
Tiêu chí CO CSBO hCO-CSBO
Bảng 5.14, 5.15 và 5.16 thể hiện hiệu quả về tập giải pháp từ 3 thuật toán CO, CSBO và hCO-CSBO Kết quả cho thấy, theo chỉ số đánh giá C-metric, mô hình hCO-CSBO vượt trội 100% so với thuật toán CO, vượt trội hơn 99% so với thuật toán CSBO theo tiêu chuẩn trung bình Xét về chỉ số SP, giá trị SP càng nhỏ sự phân bố trong tập giải pháp càng đều Mô hình hCO-CSBO cho kết quả cạnh tranh nhất Xét về chỉ số HV, mô hình hCO-CSBO cũng cho kết quả cạnh tranh nhất
Trong bảng tiến độ dự án, có thể tồn tại nhiều đường Gantt, việc giải tay cho từng trường hợp sẽ rất mất thời gian Để thuận tiện, nghiên cứu này sử dụng phần mềm MS Project và Primavera 6 để xác định các công tác trên đường Gantt Vui lòng tham khảo chi tiết tại Phụ lục 06
Hình 5.7 Tập Pareto T-C-Q, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.8 Tập Pareto C-Q-E, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.9 Tập Pareto Q-E-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.10 Tập Pareto T-E-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.11 Tập Pareto T-C-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.12 Tập Pareto T-C-E, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.13 Tập Pareto T-Q-E, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.14 Tập Pareto T-Q-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.15 Tập Pareto C-Q-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Hình 5.16 Tập Pareto C-E-EI, mô hình CO, CSBO và hCO-CSBO, bài toán 2
Đánh giá hiệu quả của mô hình hCO-CSBO thông qua các hàm kiểm tra phổ biến
Để đánh giá khả năng của thuật toán hCO-CSBO, 23 hàm đánh giá được sử dụng Kết quả được so sánh với CO và CSBO Các hàm kiểm tra được chia làm 3 nhóm bao gồm: đơn phương thức, đa phương thức và các hàm tổng hợp [81] Các hàm kiểm tra đơn phương thức không tồn tại các tối ưu cục bộ và chỉ có một giải pháp tối ưu toàn cục Hàm đa phương thức còn có nhiều tối ưu cục bộ, bên cạnh tối ưu toàn cục Những đặc điểm này có lợi cho việc kiểm tra khả năng tránh tối ưu cục bộ và khả năng khám phá của thuật toán Hàm tổng hợp là phiên bản xoay, dịch chuyển, sai lệch và kết hợp của một số chức năng kiểm tra đơn phương thức và đa phương thức Hàm tổng hợp chứa nhiều tối ưu cục bộ cũng như tồn tại các dạng khác nhau của không gian tìm kiếm, đặc điểm này phù hợp để kiểm tra sự cân bằng của quá trình khám phá và khai thác không gian tìm kiếm của thuật toán đang xét Chi tiết về các hàm kiểm tra được thể hiện trong Bảng 5.17 dưới đây
Bảng 5.17 Chi tiết 23 hàm kiểm tra đơn phương thức, đa phương thức và tổng hợp
Hàm kiểm tra Dim Range 𝑭 𝒎𝒊𝒏
I Hàm kiểm tra đơn phương thức
II Hàm kiểm tra đa phương thức
Hàm kiểm tra Dim Range 𝑭 𝒎𝒊𝒏
Hàm kiểm tra Dim Range 𝑭 𝒎𝒊𝒏
III Hàm kiểm tra tổng hợp
Hàm kiểm tra Dim Range 𝑭 𝒎𝒊𝒏 F21 𝑓(𝑥) = − ∑ [(𝑋 − 𝑎 𝑖 )(𝑋 − 𝑎 𝑖 ) 𝑇
4 [0,10] 𝑑 -10.5363 Ứng mới mỗi hàm đánh giá phổ biến, các thuật toán CO, CSBO, hCO-CSBO sẽ được chạy 30 lần, với 30 phương án và tối đa 500 vòng lặp Sau đó, giá trị nhỏ nhất (Minimum), giá trị lớn nhất (Maximum), giá trị trung bình (Average) và giá trị độ lệch chuẩn (Standard Deviation) được tính toán Trong đó, giá trị trung bình (Average) và giá trị độ lệch chuẩn (Standard Deviation) là 2 tiêu chí chính được xem xét để so sánh tính hiệu quả giữa các thuật toán Mặt khác, giá trị nhỏ nhất (Minimum) cũng được xem xét cẩn trọng Kết quả tính toán được thể hiện trong các Bảng 5.18- 5.20
Bảng 5.18 Kết quả với các hàm kiểm tra đơn phương thức
Hàm Tiêu chí Thuật toán/ Mô hình
Hàm Tiêu chí Thuật toán/ Mô hình
STD 0.0025 0.0027 0.0036 Đối với 7 hàm kiểm tra phổ biến đơn phương thức (F1 - F7), kết quả cho thấy mô hình lai ghép hCO-CSBO cho kết quả vượt trội hơn trong cả 7 hàm kiểm tra Các hàm kiểm tra đơn phương thức không tồn tại các tối ưu cục bộ và chỉ có một giải pháp tối ưu toàn cục Vì thế, có thể khẳng định mô hình đề xuất hCO-CSBO có khả năng khai thác vùng tìm kiếm một cách vượt trội
Bảng 5.19 Kết quả với các hàm kiểm tra đa phương thức
Hàm Tiêu chí Thuật toán/ Mô hình
Hàm Tiêu chí Thuật toán/ Mô hình
STD 3.89E-28 2.99E-32 2.89E-48 Đối với 6 hàm kiểm tra phổ biến đa phương thức (F8 - F13), kết quả cho thấy mô hình lai ghép hCO-CSBO cho kết quả vượt trội hơn trong cả 6 hàm kiểm tra Bên cạnh tối ưu toàn cục, các hàm đa phương thức tồn tại nhiều tối ưu cục bộ Những đặc điểm này có tác dụng trong việc kiểm tra khả năng tránh tối ưu cục bộ và khả năng khám phá không gian tìm kiếm Do đó, có thể khẳng định rằng hCO-CSBO có khả năng vượt trội trong việc tránh tối ưu cục bộ cũng như khả năng khám phá không gian tìm kiếm tốt hơn các thuật toán gốc, từ đó có thể hướng đến mục tiêu tối ưu toàn cục
Bảng 5.20 Kết quả với các hàm kiểm tra tổng hợp
Hàm Tiêu chí Thuật toán/ Mô hình
Hàm Tiêu chí Thuật toán/ Mô hình
STD 2.5624 2.119 1.87E-15 Đối với 10 hàm kiểm tra phổ biến tổng hợp F14 đến F23, kết quả cho thấy mô hình lai ghép hCO-CSBO cho kết quả vượt trội hầu hết trong 10 hàm kiểm tra Cụ thể, kết quả thu được từ hCO-CSBO vượt trội 6 trên 10 hàm và 4 hàm cho kết quả cạnh tranh đối với hai thuật toán gốc Điều này chỉ ra rằng thuật toán lai ghép hCO-CSBO đạt được một sự cân bằng hợp lý giữa quá trình khám phá và quá trình khai thác không gian tìm kiếm Ngoài ra, giá trị độ lệch chuẩn nhỏ cũng cho thấy tính ổn định của mô hình hCO-CSBO so với hai các thuật toán còn lại
First dimension in first particle
Hình 5.17 Khả năng hội tụ, giá trị tối ưu trung bình, quỹ đạo của thành phần đầu tiên và lịch sử tìm kiếm của CO, CSBO và hCO-CSBO qua hàm F4
First dimension in first particle
Hình 5.18 Khả năng hội tụ, giá trị tối ưu trung bình, quỹ đạo của thành phần đầu tiên và lịch sử tìm kiếm của CO, CSBO và hCO-CSBO qua hàm F11
First dimension in first particle
Hình 5.19 Khả năng hội tụ, giá trị tối ưu trung bình, quỹ đạo của thành phần đầu tiên và lịch sử tìm kiếm của CO, CSBO và hCO-CSBO qua hàm F23 Để đánh giá hiệu suất của thuật toán đề xuất, bốn phương diện sau được xem xét: Đường cong hội tụ (Convergence curve), giá trị trung bình (Average objectives of all), quỹ đạo của thành phần đầu tiên (First dimension in first particle) và lịch sử tìm kiếm (Search history) Đường cong hội tụ thể hiện khả năng đã đạt được mức tối ưu qua từng vòng lặp Giá trị trung bình của các phương án trong từng vòng lặp thể hiện độ ổn định của thuật toán Quỹ đạo của thành phần đầu tiên được sử dụng để quan sát chuyển động của các giải pháp ứng cử viên từ lần lặp đầu tiên đến lần lặp cuối cùng Biểu đồ lịch sử tìm kiếm thể hiện vị trí của các phương án từ lần lặp đầu tiên đến lần lặp cuối cùng, thể hiện hành vi của thuật toán khi khám phá và khai thác không gian tìm kiếm trong quá trình tối ưu hóa
Ba hàm F4, F11, F23 được chọn đại diện cho ba nhóm hàm kiểm tra phổ biến để đánh giá khả năng của mô hình hCO-CSBO (Hình 5.17 - 5.19) Biểu đồ các hàm kiểm tra còn lại được thể hiện trong Phụ lục 04 Kết quả thu được cho thấy khả năng hội tụ cạnh tranh của hCO-CSBO khi so với CO và CSBO Từ đó, có thể khẳng định khả năng khai thác không gian tìm kiếm của hCO-CSBO đã được cải thiện đáng kể khi so với hai thuật toán gốc Sự dao động đáng kể trong các vòng lặp đầu và giảm dần ở các vòng lặp tiếp theo đảm bảo khả năng hội tụ và khả năng tìm kiếm cục bộ của thuật toán đề xuất [82] Từ lịch sử tìm kiếm của F4, F11 và F23, hCO-CSBO có xu hướng khám phá các khu vực đầy hứa hẹn của không gian tìm kiếm, cho thấy hiệu quả của thuật toán này trong khám phá không gian tìm kiếm
Hình 5.20 - 5.21 và Phụ lục 04 cho thấy khả năng hội tụ của mô hình hCO-CSBO có phần vượt trội và cạnh tranh hơn so với các thuật toán như GWO, SSA, MFO, CO và CSBO trong đa số hàm kiểm tra phổ biến
Hình 5.20 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F1
Hình 5.21 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F2
Hình 5.22 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F3
Hình 5.23 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F4
Hình 5.24 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F5
Hình 5.25 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F6
Hình 5.26 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F7
Hình 5.27 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F8
Hình 5.28 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F9
Hình 5.29 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F10
Hình 5.30 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F11
Hình 5.31 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F12
Hình 5.32 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F13
Hình 5.33 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F14
Hình 5.34 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F15
Hình 5.35 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F16
Hình 5.36 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F17
Hình 5.37 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F18
Hình 5.38 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F19
Hình 5.39 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F20
Hình 5.40 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F21
Hình 5.41 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F22
Hình 5.42 So sánh khả năng hội tụ của hCO-CSBO với các thuật toán khác qua hàm F23