Nghiên cứu này đề xuất sử dụng một mô hình tối ưu hóa dựa trên một thuật toán được phát triển gần đây có tên Thuật toán Tối ưu hóa Số học Đàn mèo cát SC-AOA cho bài toán tối ưu hóa lập l
GIỚI THIỆU
Lý do chọn đề tài
Trong các dự án xây dựng, làm việc theo nhiều ca thường được áp dụng để đẩy nhanh tiến độ và đáp ứng thời hạn của dự án Việc sử dụng 2 hoặc 3 ca làm việc 8 tiếng mỗi ngày được cho là có những ưu điểm như cho phép số giờ làm việc tăng gấp đôi hoặc gấp ba, chi phí trả thêm cho ca chiều hoặc ca tối thường thấp hơn chi phí phải trả cho việc tăng ca và giảm thiểu tổn thất năng suất so với làm việc tăng ca do công nhân mệt mỏi [1]
Mặc dù có những ưu điểm trên nhưng việc sử dụng nhiều ca vẫn còn một số hạn chế, bao gồm tác động tiêu cực đến chi phí xây dựng, năng suất và an toàn lao động Việc sử dụng ca chiều và ca tối có thể dẫn đến phát sinh chi phí cho chiếu sáng, kiểm soát chất lượng và thực hiện các biện pháp an toàn lao động Ngoài ra, làm việc vào ban đêm được chứng minh là làm gián đoạn quá trình sinh học của con người, khiến người lao động phải cố gắng thích nghi với chu kỳ giấc ngủ mới Kết quả dẫn đến giảm năng suất lao động do người lao động mệt mỏi về thể chất lẫn tinh thần và tỉ lệ xảy ra tai nạn lao động cao hơn [2, 3] Các nghiên cứu trước đây đã cho biết nguy cơ chấn thương và tai nạn khi làm việc ca tối là cao nhất trong 3 ca [4] Hơn nữa, các nghiên cứu khác đã cho thấy việc sử dụng ca tối gây ra tỉ lệ luân chuyển lao động và tình trạng người lao động vắng mặt cao hơn, dẫn đến tiến độ dự án bị chậm trễ và chi phí tăng lên [5, 6, 7] Vì vậy, việc bố trí nhân sự làm việc ca tối là một vấn đề mà các nhà quản lí xây dựng nên quan tâm
Việc sử dụng nhiều ca làm việc cũng bị ràng buộc về hạn chế nguồn lao động sẵn có Luật pháp Việt Nam cũng quy định người lao động phải được nghỉ ít nhất 12 tiếng trước khi bắt đầu ca làm việc tiếp theo, vì vậy các nhà quản lí cần phân bổ và sử dụng lao động một cách hiệu quả nhất để tối đa hóa hiệu suất của dự án
Những vấn đề trên đề ra nhu cầu cần thiết đối với một mô hình tối ưu hóa lịch làm việc nhiều ca có khả năng đồng thời giảm thiểu thời gian, chi phí và tác động tiêu cực của ca tối trong khi vẫn đáp ứng được các hạn chế về nguồn lao động sẵn có Tuy rằng đã có các nghiên cứu trước đây về việc áp dụng các thuật toán trí tuệ nhân tạo vào việc giải quyết bài toán nêu trên [1, 10], các kết quả thu được vẫn chưa
2 đáp ứng được yêu cầu về kết quả tốt nhất cho bài toán cũng như thời gian thực hiện tính toán Điều này thúc đẩy việc áp dụng một thuật toán mới hơn và tối ưu hơn nhằm đáp ứng được với sự phát triển nhanh chóng của ngành xây dựng nói chung và công tác quản lý dự án xây dựng nói riêng Đây là lí do chính để học viên lựa chọn thuật toán Tối ưu hóa Số học Đàn mèo cát (SC-AOA) để áp dụng cho luận văn này SC-AOA đã được chứng minh là một thuật toán mới nổi bật nhờ tốc độ hội tụ tốt hơn, ưu thế về mặt thống kê, độ chính xác cao, tính ổn định, khả năng mở rộng và khả năng cân bằng hiệu quả giữa khám phá và khai thác, làm cho nó trở thành một thuật toán triển vọng cho việc giải quyết các vấn đề tối ưu hóa phức tạp.
Đối tượng và phạm vi nghiên cứu
+ Dự án xây dựng: Nghiên cứu tập trung vào các dự án trong lĩnh vực công nghiệp xây dựng
+ Chi phí xây dựng: Đối tượng nghiên cứu bao gồm các yếu tố liên quan đến chi phí trong quá trình xây dựng dự án, bao gồm kinh phí vật liệu, lao động, thiết bị, vận chuyển và quản lý chi phí tổng thể
+ Tiến độ xây dựng: Đối tượng nghiên cứu cũng bao gồm các yếu tố liên quan đến tiến độ của dự án, như thời gian hoàn thành các công việc, lịch trình thi công, và quản lý tiến độ để đảm bảo dự án được hoàn thành đúng hẹn
+ Yếu tố ca tối: Nghiên cứu đặt sự chú trọng đến tác động của ca tối đối với dự án cũng như sức khỏe của người lao động
+ Phương pháp tối ưu hóa: Nghiên cứu sẽ tập trung vào việc sử dụng phương pháp trí tuệ nhân tạo để tối ưu hóa thời gian-chi phí có xem xét đến ảnh hưởng của yếu tố ca tối đối với dự án xây dựng
+ Các yếu tố tối ưu: Nghiên cứu xem xét các yếu tố liên quan đến thời gian- chi phí và xem xét đến ảnh hưởng của yếu tố ca tối trong quá trình xây dựng cũng như các thuật toán tối ưu dựa trên trí tuệ nhân tạo
Phương pháp nghiên cứu
Để đạt được mục tiêu nghiên cứu của đề tài " Ứng dụng thuật toán số học - đàn mèo cát (SC-AOA) để tối ưu hoá lập lịch ca làm việc cho dự án xây dựng ", học viên sẽ sử dụng phương pháp nghiên cứu sau:
1 Tìm hiểu bài toán tối ưu thời gian-chi phí có xét đến ảnh hưởng của yếu tố ca tối: Học viên sẽ tiến hành tìm hiểu kỹ lưỡng về phương pháp tối ưu hóa thời gian-chi phí có xét đến ảnh hưởng của ca tối trong lĩnh vực quản lý xây dựng Điều này đảm bảo học viên có kiến thức sâu rộng về lĩnh vực nghiên cứu và cơ sở để tiến hành các phân tích sau này
2 Tìm hiểu về trí tuệ nhân tạo trong quản lý xây dựng: học viên sẽ tiến hành một đánh giá tổng quan về trí tuệ nhân tạo và ứng dụng của nó trong lĩnh vực quản lý xây dựng Qua đó, học viên sẽ tìm hiểu các phương pháp, công nghệ và công cụ trí tuệ nhân tạo phù hợp để áp dụng trong đề tài
3 Phát triển giải thuật tối ưu hóa: Học viên sẽ phát triển các giải thuật trí tuệ nhân tạo nhằm tối ưu hóa thời gian-chi phí của dự án xây dựng, đồng thời xét đến ảnh hưởng của yếu tố ca tối
4 Đánh giá và kiểm tra mô hình: Học viên sẽ thực hiện các thử nghiệm và kiểm tra hiệu quả của mô hình với các nghiên cứu trước Qua đó, học viên sẽ đánh giá hiệu suất và độ chính xác của mô hình, cũng như sự đóng góp của nó trong quản lý xây dựng
5 Phân tích kết quả và đưa ra đề xuất: Học viên sẽ phân tích kết quả thu được từ các thử nghiệm và đánh giá, đồng thời đưa ra những đề xuất và khuyến nghị để cải thiện quá trình quản lý xây dựng dựa trên ứng dụng trí tuệ nhân tạo
Phương pháp nghiên cứu này kết hợp giữa lý thuyết và thực tiễn, sử dụng các công cụ trí tuệ nhân tạo để tối ưu hóa thời gian-chi phí và giảm thiểu ảnh hưởng của yếu tố ca tối trong quản lý xây dựng Học viên hy vọng phương pháp này có thể mang lại những đóng góp quan trọng trong việc cải thiện hiệu suất và hiệu quả của các dự án xây dựng, đồng thời hạn chế các tác động tiêu cực khi làm việc ca tối trong ngành công nghiệp xây dựng
Mục tiêu nghiên cứu
Mục tiêu nghiên cứu của đề tài " Ứng dụng thuật toán số học - đàn mèo cát (SC- AOA) để tối ưu hoá lập lịch ca làm việc cho dự án xây dựng " là tìm hiểu, phát triển và áp dụng mô hình thuật toán trí tuệ nhân tạo để tối ưu hóa thời gian-chi phí của các dự án xây dựng, đồng thời có xem xét ảnh hưởng của yếu tố ca tối Học viên nhằm đạt đến các mục tiêu cụ thể sau:
1 Phân tích tầm quan trọng của yếu tố thời gian và chi phí trong quản lý xây dựng và ảnh hưởng của yếu tố ca tối trong dự án xây dựng
2 Xác định hàm mục tiêu tối ưu cho bài tối ưu hóa chi phí và tiến độ trong dự án xây dựng có xem xét đến ảnh hưởng của yếu tố ca tối
3 Tìm hiểu về trí tuệ nhân tạo trong quản lý xây dựng và phát triển thuật toán AI nhằm tối ưu chi phí và tiến độ trong dự án xây dựng có xem xét đến ảnh hưởng của yếu tố ca tối
4 So sánh, nhận xét, phân tích và đánh giá kết quả khi áp dụng thuật toán AI cho bài tối ưu hóa chi phí và tiến độ trong dự án xây dựng có xem xét đến ảnh hưởng của yếu tố ca tối
5 Đánh giá hiệu suất và hiệu quả của mô hình trí tuệ nhân tạo nhằm chứng minh sự đóng góp của đề tài này trong quản lý xây dựng hiện đại và an toàn.
Đóng góp của đề tài
Nghiên cứu này có những điểm mới nổi bật như sau:
Kết hợp các thuật toán tối ưu hóa tiên ti ến: Nghiên cứu đã kết hợp hai thuật toán tiên tiến là Sand Cat Swarm Optimization (SCSO) và Arithmetic Optimization Algorithm (AOA) để tạo ra SC-AOA, một thuật toán có khả năng vượt trội trong việc tìm kiếm giải pháp tối ưu mà không bị mắc kẹt ở các điểm tối ưu cục bộ
Cải thiện khả năng thăm dò và khai thác: Thuật toán SC-AOA cải thiện đáng kể khả năng thăm dò (exploration) và khai thác (exploitation) bằng cách điều chỉnh linh hoạt các thông số điều khiển, giúp tăng cường độ chính xác và tốc độ hội tụ của thuật toán Ứng dụng vào lập lịch ca làm việc: Đây là lần đầu tiên thuật toán SC-AOA được áp dụng vào bài toán tối ưu hóa lập lịch ca làm việc trong lĩnh vực xây dựng Nghiên cứu đã chỉ ra cách thuật toán này có thể tối ưu hóa thời gian và chi phí dự án đồng thời giảm thiểu số giờ làm việc ca tối, từ đó tăng cường hiệu suất và đảm bảo an toàn lao động
Kết quả thực nghiệm chi tiết và so sánh: So sánh chi tiết kết quả của SC-AOA với các thuật toán khác Kết quả cho thấy SC-AOA không chỉ đạt được thời gian hoàn thành dự án ngắn hơn mà còn duy trì chi phí hợp lý và giảm thiểu LHEN, làm nổi bật ưu điểm của thuật toán này
Tính ứng dụng cao: Thuật toán SC-AOA có tiềm năng ứng dụng cao trong quản lý xây dựng, giúp tối ưu hóa quy trình làm việc, giảm thiểu chi phí và thời gian, đồng thời đảm bảo sức khỏe và an toàn cho người lao động Việc áp dụng SC-AOA vào lập lịch ca làm việc trong xây dựng sẽ giúp các nhà quản lý dự án đạt được hiệu quả cao hơn trong việc sử dụng nguồn lực và quản lý tiến độ
Phát triển phần mềm hỗ trợ: Nghiên cứu đề xuất phát triển các ứng dụng phần mềm dựa trên SC-AOA để hỗ trợ các nhà quản lý dự án trong việc lập kế hoạch và tối ưu hóa quy trình làm việc một cách dễ dàng và hiệu quả hơn, góp phần nâng cao hiệu suất và chất lượng công việc trong ngành xây dựng
+ Ứng dụng trí tuệ nhân tạo (AI): Nghiên cứu này áp dụng các giải thuật tính toán tối ưu để tối ưu hóa quy trình quản lý xây dựng Các thuật toán và mô hình được nghiên cứu và phát triển dựa trên cơ sở lý thuyết vững chắc và được đánh giá và kiểm chứng với các nghiên cứu đi trước
+ Xem xét ảnh hưởng của yếu tố ca tối: Một khía cạnh quan trọng của đề tài này là sự xem xét ảnh hưởng của yếu tố ca tối trong quyết định quản lý dự án xây dựng Bằng cách tích hợp nhiều sự lựa chọn ca làm việc vào quá trình tối ưu hóa, nghiên cứu này đảm bảo rằng các phương án quản lý xây dựng đạt được cân bằng giữa hiệu quả kinh tế, tiến độ công việc và an toàn lao động
+ Tối ưu hóa chi phí và tiến độ: Áp dụng trí tuệ nhân tạo trong quản lý xây dựng giúp tối ưu hóa chi phí và tiến độ dự án Các giải thuật tính toán tối ưu giúp dự đoán và điều chỉnh các yếu tố quyết định như lựa chọn vật liệu, phân bổ tài nguyên và kế hoạch thi công, từ đó giảm thiểu lãng phí và tăng hiệu suất
+ Lợi ích của dự án và an toàn của người lao động: Đề tài này đặc biệt quan tâm đến sự ảnh hưởng của yếu tố làm việc ca tối trong quyết định quản lý xây dựng Bằng cách tích hợp nhiều sự lựa chọn ca làm việc, nghiên cứu này giúp tạo ra các
6 phương án lập lịch ca làm việc hợp lý, tránh gây ảnh hưởng đến dự án cũng như đảm bảo sức khỏe, an toàn lao động của người lao động.
Cấu trúc luận văn
Chương 1 Giới thiệu: Trình bày mục tiêu, nội dung, tính cần thiết và ý nghĩa thực tiễn của nghiên cứu
Chương 2 Tổng quan: Trình bày các nghiên cứu trước đó có liên quan đến thuật toán AI được sử dụng trong nghiên cứu này cũng như liên quan đến tối ưu hóa lập lịch ca làm việc
Chương 3 Cơ sở lý thuyết: Trình bày các cơ sở lý thuyết về thuật toán sử dụng để giải bài toán tối ưu và mô hình thực hiện áp dụng
Chương 4 Mô hình mô phỏng và Trường hợp nghiên cứu: Thực hiện giải bài toán tối ưu hóa lập lịch ca làm việc bằng các thuật toán AI trên một ví dụ tính toán cụ thể (hoặc ví dụ về một dự án) So sánh, nhận xét và đánh giá kết quả thu được
Chương 5 Kết luận và kiến nghị: Trình bày những kết luận và kiến nghị của tác giả khi nghiên cứu về áp dụng, đề xuất những nghiên cứu trong tương lai
CÁC NGHIÊN CỨU LIÊN QUAN
Trong chương này, các nghiên cứu liên quan đến thuật toán đàn mèo cát cũng như liên quan đến việc tối ưu hóa lập lịch ca làm việc sẽ được liệt kê
1 Thuật toán Đàn mèo cát (SCSO)
Trong thời đại phát triển mạnh mẽ của các thuật toán AI, đã có nhiều thuật toán được phát triển lấy cảm hứng từ tập tính cũng các loài động vật trong tự nhiên, được gọi chung là các thuật toán sinh học Động vật đã tiến hóa qua hàng triệu năm để phát triển những chiến lược tối ưu trong việc sinh tồn, tìm kiếm thức ăn, và sinh sản Những chiến lược này, như sự hợp tác của bầy đàn hoặc hành vi săn mồi, thể hiện các giải pháp hiệu quả cho các bài toán phức tạp trong tự nhiên
Thế giới động vật đa dạng cung cấp nhiều nguồn cảm hứng với các chiến lược và hành vi phong phú, từ đó tạo ra nhiều loại thuật toán tối ưu hóa khác nhau như thuật toán di truyền (Genetic Algorithm), thuật toán bầy đàn (Swarm Optimization), thuật toán tối ưu hóa bầy ong (Bee Algorithm), và thuật toán tối ưu hóa đàn mèo cát (Sand Cat Swarm Optimization)
Thuật toán Đàn mèo cát là một thuật toán sinh học mới, được giới thiệu lần đầu bởi Seyyedabbasi, A và Kiani, F vào năm 2022 [8] Kể từ đó, đã có nhiều nghiên cứu liên quan đến thuật toán này bao gồm cả việc ứng dụng trong các lĩnh vực khác nhau từ tối ưu hóa kỹ thuật đến lựa chọn đặc trưng trong chẩn đoán y tế, và quản lý mạng cảm biến không dây cũng như các nghiên cứu cải tiến thuật toán bằng cách kết hợp với các thuật toán tối ưu hóa khác, các nghiên cứu này được liệt kê trong Bảng 2.1
Bảng 2.1 Các nghiên cứu liên quan đến thuật toán đàn mèo cát
STT Tên bài báo, nghiên cứu
Tác giả Năm Mô tả
Sand Cat swarm optimization: a nature- inspired algorithm to solve global optimization problems
Nghiên cứu này đề xuất một mô hình thuật toán tối ưu hóa đa mục tiêu mới được lấy ý tưởng từ cách thức tìm kiếm và
8 săn bắt con mồi của mèo cát trong tự nhiên
Kết quả cho thấy thuật toán này thực hiện tốt về tốc độ hội tụ và xác định hầu hết hoặc tất cả các điểm tối ưu cục bộ/toàn cục vượt trội hơn các phương pháp được so sánh khác
Di Wu, Honghua Rao, Changsheng Wen, Heming Jia, Qingxin Liu and Laith Abualigah
Bài báo đề xuất thuật toán Tối Ưu Đàn Mèo Cát Cải Tiến (MSCSO) với hai chiến lược cải tiến chính: chiến lược đi lang thang và chiến lược học tập đối lập Kết quả thực nghiệm trên 23 hàm chuẩn và các hàm chuẩn CEC2014 cho thấy thuật toán MSCSO có khả năng thăm dò mạnh hơn và khả năng tối ưu hóa tốt hơn so với SCSO gốc Thuật toán cũng được kiểm tra trên bảy vấn đề kỹ thuật khác nhau, chứng minh tính thực tiễn cao trong ứng dụng kỹ thuật
Bài báo giới thiệu và cải tiến thuật toán Tối Ưu Đàn Mèo Cát (Sand Cat Swarm Optimization - SCSO) bằng cách đề xuất thuật toán Tối Ưu Đàn Mèo Cát Dựa Trên Biến Đổi Ngẫu Nhiên Với Sự Hợp Tác Của Elite (SE-SCSO) Kết quả thực nghiệm trên 21 hàm chuẩn và so sánh với bảy thuật toán meta- heuristic khác cho thấy SE-SCSO có độ ổn định cao, độ chính xác hội tụ và tốc độ hội tụ vượt trội SE-SCSO cũng được áp dụng vào ba bài toán tối ưu hóa kỹ thuật, chứng minh hiệu quả cao trong việc xử lý các vấn đề tối ưu hóa phức tạp
Sand cat arithmetic optimization algorithm for global optimization engineering design problems
Nghiên cứu này đề xuất kết hợp thuật toán tối ưu hóa số học (AOA) với thuật toán mèo cát để cho ra đời thuật toán SC-AOA
Kết quả cho thấy SC- AOA đã giải quyết được hạn chế của thuật toán mèo cát là độ chính xác hội tụ thấp và có xu hướng mắc kẹt trong tối ưu cục bộ
PSCSO: Enhanced sand cat swarm optimization inspired by the political system to solve complex problems
Farzad Kiani, Fateme Aysin Anka, Fahri Erenel
Nghiên cứu này đề xuất một phương pháp mới cho thuật toán SCSO dựa trên nguyên tắc đa ngành, lấy cảm hứng từ hệ thống chính trị (Nghị viện), gọi là PSCSO
Thuật toán đề xuất tăng cơ hội tìm ra giải pháp toàn cục bằng cách chọn ngẫu nhiên vị trí giữa vị trí của giải pháp tốt nhất hiện có của ứng cử viên và vị trí hiện tại trong giai đoạn khai thác Một hệ số mới được định nghĩa để ảnh hưởng đến các giai đoạn thăm dò và khai thác Ngoài ra, một mô hình toán học mới được giới thiệu để sử dụng trong giai đoạn khai thác
Farzad Kiani, Sajjad Nematzadeh, Fateme Aysin Anka, Mine Afacan Findikli
Bài báo đề xuất một thuật toán metaheuristic mới có tên là Chaotic Sand Cat Swarm Optimization (CSCSO), được thiết kế để xử lý các vấn đề tối ưu hóa phức tạp và bị ràng buộc Thuật toán này kết hợp các đặc điểm của Sand Cat Swarm Optimization (SCSO) với khái niệm chaos (hỗn loạn) nhằm cải thiện hiệu suất tìm kiếm toàn cầu và hành vi hội tụ CSCSO thay thế tính ngẫu nhiên trong SCSO bằng các bản đồ chaos, nhờ đó cải thiện các đặc tính thống kê và động lực của thuật toán
Optimization Algorithm for Wrapper Feature
Bài báo đề xuất một phiên bản nhị phân của thuật toán tối ưu hóa đàn mèo cát (SCSO) gọi là bSCSO, được thiết kế để xử lý vấn đề lựa chọn đặc trưng trong dữ liệu sinh học Thuật toán bSCSO sử dụng hàm
12 chuyển đổi hình chữ V và các toán tử nhị phân để chuyển đổi SCSO thành một dạng nhị phân, cho phép giải quyết các vấn đề tối ưu hóa rời rạc Bằng cách cân bằng giữa thăm dò và khai thác, bSCSO cải thiện hiệu quả tìm kiếm toàn cầu và cục bộ
Cat Swarm Optimization for Feature Selection in
Amjad Qtaish, Dheeb Albashish, Malik Braik, Mohammad T
Alshammari, Abdulrahman Alreshidi, Eissa Jaber Alreshidi
Bài báo giới thiệu thuật toán Memory-Based Sand Cat Swarm Optimization (BMSCSO) được thiết kế để cải thiện hiệu suất lựa chọn đặc trưng trong chẩn đoán y tế Thuật toán này tích hợp chiến lược dựa trên bộ nhớ vào quá trình cập nhật vị trí của Sand Cat Swarm Optimization (SCSO) để khai thác và bảo toàn các giải pháp tốt nhất
Youchun Pi, Yun Tan, Amir- Mohammad Golmohammadi, Yujing Guo,
Phiên bản nhị phân của SCSO, được gọi là BSCSO, được xây dựng bằng cách sử dụng hàm chuyển đổi hình chữ S
Yanfeng Xiao, Yan Chen để quản lý hiệu quả tính chất nhị phân trong miền
FS Tuy nhiên, BSCSO gặp phải chiến lược tìm kiếm kém vì không có bộ nhớ trong để duy trì vị trí tốt nhất, dẫn đến hội tụ nhanh đến cực tiểu cục bộ Do đó, phương pháp FS thứ hai được đề xuất là xây dựng BSCSO cải tiến gọi là SCSO dựa trên bộ nhớ nhị phân
PHƯƠNG PHÁP NGHIÊN CỨU
Thuật toán tối ưu hóa đàn mèo cát - Sand Cat Swarm Optimization (SCSO) 32
Mục 3.3, học viên giải thích lí do vì sao cần phải kết hợp hai thuật toán SCSO và AOA lại với nhau và đưa ra sơ đồ kết hợp ở Mục 3.4 Cuối cùng, học viên trình bày về các mục tiêu tối ưu hóa của bài toán cũng như các biến quyết định và ràng buộc ở Mục 3.5
Các mục trong Chương 3 này sẽ đi từ việc nghiên cứu các thuật toán tối ưu hóa cũng như cách kết hợp chúng lại với nhau cho đến cơ sở lí thuyết của bài toán TCT có xét đến yếu tố ảnh hưởng của ca đêm Qua đó, học viên sẽ có cơ sở để ứng dụng thuật toán tối ưu hóa cho bài toán trong đề tài của mình
3.1 Thuật toán tối ưu hóa đàn mèo cát - Sand Cat Swarm Optimization (SCSO)
Sand Cat Swarm Optimization (SCSO) là một thuật toán tối ưu hóa được lấy cảm hứng từ hành vi tìm kiếm và săn bắt của loài mèo cát trong tự nhiên Thuật toán lấy cảm hứng từ khả năng đặc biệt của mèo cát, đó là khả năng phát hiện tiếng ồn tần số thấp Nhờ đặc điểm quan trọng này mà mèo cát có thể tìm và bắt được con mồi một cách nhanh chóng và chính xác, bất kể là con mồi đang ở trên mặt đất hay trong lòng đất Cần lưu ý, mèo cát sống đơn độc trong tự nhiên, thuật toán chỉ giả định chúng sống theo đàn để nhấn mạnh khái niệm trí tuệ bầy đàn Vì vậy trong quá trình khởi tạo thuật toán, số lượng mèo cát có thể được khai báo để tối ưu hóa bài toán Đối với điều này, bước đầu tiên là tạo dân số ban đầu và xác định vấn đề
Trong lời giải của một bài toán tối ưu hóa, giá trị của các biến liên quan cần được xác định phù hợp với lời giải của bài toán hiện tại Ví dụ, trong PSO nó được gọi là vị trí hạt và trong GWO nó được gọi là vị trí sói xám Trong thuật toán SCSO, nó được gọi là mèo cát và mỗi con mèo đại diện giá trị các biến trong bài toán SCSO là phương pháp dựa trên dân số, cấu trúc liên quan được định nghĩa là một vector Trong bài toán tối ưu hóa chiều d, mỗi con mèo cát là một mảng 1×d biểu thị lời giải của bài toán và được định nghĩa như trong Hình 3.1 Mỗi giá trị biến (x 1 , x 2 , …, x d ) là một số thập phân động Ở đây, mỗi giá trị x thuộc khoảng giá trị giới hạn dưới và giới hạn trên (∀xi ∈ [lower, upper]) Để bắt
33 đầu thuật toán SCSO, đầu tiên cần tạo một ma trận với quần thể mèo cát theo độ lớn của bài toán (N pop ×N d ), (pop = 1, ,n)
Ngoài ra, chi phí thích nghi (fitness cost) của mỗi con mèo cát có được bằng cách đánh giá hàm thích nghi đã xác định Hàm này xác định các tham số liên quan của bài toán và các giá trị tốt nhất của các tham số (biến) sẽ được SCSO thu thập Một giá trị cho hàm tương ứng sẽ được xuất ra từ mỗi con mèo cát Khi một vòng lặp kết thúc, mèo cát có chi phí tốt nhất trong lần lặp đó sẽ được chọn, giải pháp tốt nhất (nếu không có giải pháp nào tốt như thế này ở các lần lặp trước) và những con mèo cát khác cố gắng đi theo hướng con mèo được chọn tốt nhất này trong lần lặp tiếp theo, bởi vì giải pháp tốt nhất trong mỗi lần lặp có thể đại diện cho con mèo gần con mồi nhất Nếu không tìm thấy giải pháp tốt hơn trong các lần lặp tiếp theo thì giải pháp của lần lặp đó sẽ không được lưu trữ, điều này đảm bảo việc sử dụng bộ nhớ hiệu quả Quá trình thể hiện trong Hình 3.1 diễn ra ở mỗi lần lặp
Hình 3.1 Cơ chế hoạt động của SCSO trong giai đoạn ban đầu và giai đoạn xác định
3.1.2 Truy tìm con mồi (Thăm dò)
Phần này sẽ mô tả cơ chế tìm kiếm của thuật toán SCSO Cơ chế tìm kiếm con mồi của mèo cát dựa vào việc phát ra tiếng ồn tần số thấp Lời giải của mỗi con mèo cát được biểu diễn dưới dạng Xi = (xi1, xi2, xi3, …, xid) Thuật toán SCSO được “hưởng lợi” từ khả năng nghe trong việc phát hiện tần số thấp của mèo cát Bằng cách này, phạm vi độ nhạy của mỗi con mèo sẽ được khai báo Trong mô hình toán học, giá trị 𝑟⃗⃗⃗ sẽ giảm tuyến tính 𝐺 từ 2 xuống 0 khi các lần lặp tiến triển theo cơ chế làm việc của thuật toán để tiếp cận mục
34 tiêu mà nó đang tìm kiếm và không để mất hoặc bỏ qua nó (không bỏ đi) Vì vậy, để tìm kiếm con mồi, giả sử phạm vi độ nhạy của mèo cát bắt đầu từ 2 kHz đến 0 (Phương trình
3.1) Vì giá trị SM được lấy cảm hứng từ đặc điểm thính giác của mèo cát nên giá trị của nó được giả định là 2 Tuy nhiên, khi giải các bài toán khác nhau, giá trị này trong việc xác định tốc độ hành động của các tác nhân có thể được tùy chỉnh cho phù hợp Điều này chứng tỏ tính linh hoạt của phương trình được trình bày Ví dụ: nếu số lần lặp tối đa là 100 thì giá trị của 𝑟⃗⃗⃗ sẽ lớn hơn 1 trong nửa lần lặp đầu tiên và nhỏ hơn 1 trong 50 lần lặp cuối cùng 𝐺 Điều đáng nói là tham số cuối cùng và chính trong việc kiểm soát quá trình chuyển đổi giữa các giai đoạn thăm dò và khai thác là R R là một vectơ được lấy từ Phương trình
3.2 Nhờ chiến lược thích ứng này, các chuyển đổi và khả năng trong hai giai đoạn sẽ được cân bằng hơn
Không gian tìm kiếm được khởi tạo ngẫu nhiên giữa các ranh giới được xác định Trong bước tìm kiếm, việc cập nhật vị trí của từng tác nhân tìm kiếm hiện tại dựa trên vị trí ngẫu nhiên Bằng cách này, các tác nhân tìm kiếm có thể khám phá những không gian mới trong không gian tìm kiếm Phạm vi độ nhạy của mỗi con mèo cát là khác nhau để tránh bẫy tối ưu cục bộ và được thể hiện bằng Phương trình 3.3 Do đó, 𝑟⃗⃗⃗ biểu thị phạm 𝐺 vi độ nhạy chung được giảm tuyến tính từ 2 xuống 0 Ngoài ra 𝑟 còn thể hiện phạm vi nhạy cảm của từng con mèo 𝑟 được sử dụng cho các hoạt động trong giai đoạn thăm dò hoặc khai thác trong khi 𝑟⃗⃗⃗ hướng dẫn tham số R để điều khiển chuyển tiếp trong các giai đoạn 𝐺 này Ngoài ra, iterc là lần lặp hiện tại và iterMax là số lần lặp tối đa
Mỗi tác nhân tìm kiếm (mèo cát) cập nhật vị trí của riêng mình dựa trên vị trí ứng viên tốt nhất (𝑃𝑜𝑠⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗⃗ ) và vị trí hiện tại của nó (𝑃𝑜𝑠 𝑏𝑐 ⃗⃗⃗⃗⃗⃗⃗⃗⃗ ) và phạm vi độ nhạy của nó (𝑟 ) Do đó mèo 𝑐 cát có thể tìm thấy vị trí con mồi tốt nhất khác (Phương trình 3.4) Phương trình này mang lại một cơ hội khác cho thuật toán để tìm tối ưu cục bộ mới trong vùng tìm kiếm Do đó, vị trí thu được nằm giữa vị trí hiện tại và vị trí của con mồi Hơn nữa, điều này đạt được bằng cách ngẫu nhiên chứ không phải bằng phương pháp chính xác Bằng cách này, các
35 tác nhân tìm kiếm trong thuật toán được hưởng lợi từ tính ngẫu nhiên, khiến thuật toán có chi phí vận hành thấp và hiệu quả
3.1.3 Tấn công con mồi (Khai thác)
Như đề cập trước đó, mèo cát phát hiện con mồi dựa vào khả năng của đôi tai Để mô hình toán học trong giai đoạn tấn công của SCSO, khoảng cách giữa vị trí tốt nhất
(𝑃𝑜𝑠⃗⃗⃗⃗⃗⃗⃗⃗⃗ ) (giải pháp tốt nhất) và vị trí hiện tại 𝑏 (𝑃𝑜𝑠⃗⃗⃗⃗⃗⃗⃗⃗⃗ ) của mèo cát được tính theo Phương 𝑐 trình 3.5 Hơn nữa, phạm vi độ nhạy của mèo cát được coi là một vòng tròn, theo cách này, hướng di chuyển được xác định bởi một góc ngẫu nhiên (𝜃) của vòng tròn Tất nhiên, khi xác định hướng di chuyển, cũng có tác động của các tham số khác như trong Phương trình 3.5 Vì góc ngẫu nhiên được chọn nằm trong khoảng từ 0 đến 360 nên giá trị của nó sẽ nằm trong khoảng -1 đến 1 Theo cách này, mỗi thành viên trong quần thể có thể di chuyển theo một hướng vòng tròn khác nhau trong không gian tìm kiếm SCSO tận dụng thuật toán chọn Bánh xe Roulette để chọn một góc ngẫu nhiên cho mỗi con mèo cát Bằng cách này, con mèo cát có thể tiếp cận vị trí săn mồi Góc ngẫu nhiên cũng được sử dụng để tránh bẫy tối ưu cục bộ Sử dụng góc ngẫu nhiên trong Phương trình 3.5 sẽ có tác động tích cực đến cách tiếp cận của những con mèo trong cuộc săn và hướng dẫn chúng 𝑃𝑜𝑠 𝑟𝑛𝑑 chỉ ra vị trí ngẫu nhiên và đảm bảo rằng những con mèo liên quan có thể đến gần con mồi Việc cập nhật vị trí trong SCSO trong hai lần lặp liên tiếp được hiển thị trong Hình 3.2
Khi các lần lặp tiến triển, có vẻ như những con mèo sẽ tiếp cận cuộc săn Ngoài ra, ví dụ về cách vận hành của SCSO từ đầu đến lần lặp cuối cùng được thể hiện trong Hình 3.3 𝑃𝑜𝑠 𝑟𝑛𝑑
Hình 3.2 Cơ chế cập nhật vị trí trong SCSO (a) lần lặp i (b) lần lặp i+1 [8]
Hình 3.3 Ví dụ hoạt động của SCSO từ lần lặp đầu tiên đến lần lặp cuối cùng [8]
3.1.4 Thăm dò và Khai thác
Việc thăm dò và khai thác được đảm bảo bởi các giá trị thích ứng của tham số r G và R
Các thông số này cho phép SCSO chuyển đổi liền mạch giữa hai giai đoạn Do tham số R phụ thuộc vào r G nên phạm vi dao động của nó cũng sẽ giảm Như đã nêu ở trên, khi các giá trị của tham số r G được phân bố một cách cân bằng thì giá trị R cũng sẽ được cân bằng tốt và do đó cơ hội vận hành giữa hai giai đoạn sẽ phù hợp tùy theo bài toán Nói cách khác, R là một giá trị ngẫu nhiên trong khoảng [-2r G , 2r G ] trong đó r G giảm từ 2 xuống 0 qua các lần lặp tuyến tính Khi các giá trị ngẫu nhiên của R nằm trong [-1, 1], vị
37 trí tiếp theo của mèo cát có thể ở bất kỳ vị trí nào giữa vị trí hiện tại và vị trí săn mồi
Thuật toán SCSO buộc tác nhân tìm kiếm khai thác khi R thấp hơn hoặc bằng 1, nếu không, tác nhân tìm kiếm buộc phải khám phá và tìm con mồi Trong giai đoạn tìm kiếm con mồi (thăm dò), bán kính khác nhau của mỗi con mèo sẽ tránh được bẫy tối ưu cục bộ Đặc điểm này cũng là một trong những thông số hữu hiệu trong việc tấn công con mồi
Sơ đồ kết hợp SCSO và AOA
Bảng 3.3 Mã giải của thuật toán SCSO kết hợp thuật toán AOA [9]
Thuật toán 3: Mã giải của SC-AOA
Input: Số lượng đánh giá chức năng tối đa, thứ nguyên D, kích thước quần thể N
Output: Giải pháp tối ưu
Khởi tạo các giải pháp đề xuất bằng cách sử dụng học tập dựa trên đối lập
While số lượng đánh giá chức năng tối đa không thỏa do
Tính toán các giá trị thích hợp dựa trên hàm mục tiêu
Cập nhật vị trí mèo cát theo Phương trình 3.12
Cập nhật vị trí mèo cát theo Phương trình 3.13
Cập nhật vị trí mèo cát theo Phương trình 3.14
Cập nhật vị trí mèo cát bằng cách sử dụng chiến lược chéo dựa trên Phương trình
Cập nhật số lượng đánh giá chức năng
End while Đưa ra giải pháp tối ưu
Hình 3.6 Sơ đồ của SC-AOA [9]
Mục tiêu tối ưu hóa
Mục đích chính của luận văn này là xác định các biến quyết định chính và xây dựng phương án tối ưu hóa giảm thiểu thời gian, chi phí và những tác động tiêu cực của làm việc ca tối Do điều kiệu thực hiện luận văn còn hạn chế, các yếu tố khác ảnh hưởng đến thời gian, chi phí và thời gian làm việc ca tối như năng suất, máy móc, vật tư,… sẽ không được xét đến trong quá trình tính toán
Mô hình tối ưu hóa trong luận văn này được thiết kế để xem xét tất cả các biến số quyết định liên quan trong việc lập kế hoạch làm việc nhiều ca có ảnh hưởng đến thời gian, chi phí và việc sử dụng lao động của dự án Điều này bao gồm: Tùy chọn ca (S n ) thể hiện các phương án khả thi khi sử dụng nhiều ca cho mỗi công tác n, Giá trị ưu tiên (P n ) ưu tiên từng công tác n và xác định trình tự lập kế hoạch của nó để giải quyết các xung đột về nguồn lực do vấn đề hạn chế nguồn lao động có sẵn, Ràng buộc lao động (L j ) phân bổ số lượng lao động hàng ngày có hạn cho các ca để giảm thiểu tác động tiêu cực của việc hạn chế nguồn cung lao động đối với hiệu suất dự án Số lượng các phương án tùy chọn ca làm việc được trình bày trong Bảng 3.4 Bảng 3.4 minh họa một ví dụ về các phương án ca làm việc khả thi và số giờ làm việc hàng ngày điển hình Như vậy, mỗi phương án sử dụng ca làm việc có số giờ làm việc hàng ngày, năng suất và chi phí khác nhau, do đó dẫn đến thời gian và chi phí cho mỗi công tác n là khác nhau Các nhà quản lí xây dựng có thể xác định số phương án ca làm việc cho mỗi công tác n dựa trên loại hệ thống ca làm việc được sử dụng cho dự án (2 hoặc 3 ca)
Trong luận văn, tác giả gọi tên các ca làm việc theo thời gian bắt đầu của ca đó, vì vậy sẽ có 3 ca làm việc lần lượt là ca sáng, ca chiều và ca tối Ngoài ra, để có thể thuận tiện thực hiện so sánh hiệu quả của thuật toán được đề xuất với các nghiên cứu trước đây, tác giả giả định giờ làm việc của từng ca sáng, chiều và tối lần lượt là 8 tiếng, 7.5 tiếng và 7 tiếng
Bảng 3.4 Tùy chọn nhiều ca làm việc
Hệ thống làm việc 2 ca (SS=2)
Số giờ làm việc/ngày
Hệ thống làm việc 3 ca (SS=3)
Số giờ làm việc/ngày
1 Hai ca (sáng và chiều) 15.5 Ba ca (sáng, chiều, tối) 22.5
2 Một ca (sáng) 8 Hai ca (sáng, chiều) 15.5
3 Một ca (chiều) 7.5 Hai ca (sáng, tối) 15
3.5.1 Giảm thiểu thời gian thực hiện dự án (𝐌𝐢𝐧{𝐓})
EFn = Thời gian kết thúc sớm của công tác n
ESn = Thời gian bắt đầu sớm của công tác n
PREn = Công tác đứng trước trực tiếp của công tác n
DSn = Thời lượng của công tác n trong tùy chọn ca Sn được làm tròn tới số nguyên gần nhất
Qn = Số lượng công việc của công tác n
PDSn = Năng suất sản phẩm hàng ngày của công nhân (đơn vị/ngày) cho công tác n trong tùy chọn ca Sn j = Loại ca làm việc (j=1: ca sáng, j=2: ca chiều, j=3: ca tối)
𝑝𝑑 𝑛 𝑗 = Năng suất sản phẩm hàng ngày của công nhân (đơn vị/ngày) cho ca j của công tác n
SHSn = Ca đã chọn trong tùy chọn ca Sn
Aj = Hệ số điều chỉnh cần xem xét để giảm làm việc ca chiều (j=2) và ca tối (j=3)
Mô hình hiện tại được xây dựng để xem xét tác động của việc tổn thất năng suất dự kiến sẽ gặp phải vào ca chiều và ca tối, như thể hiện ở Phương trình 3.24 Các nhà quản lí có thể chỉ định hệ số điều chỉnh năng suất A j trong Phương trình 3.24 dựa trên các dữ liệu lịch sử, quy định của công ty hoặc khuyến nghị của cơ quan chính phủ Việc xem xét các tổn thất năng suất dự kiến này cho phép các nhà quản lí xây dựng tạo ra nhiều ước tính đáng tin cậy về thời lượng các công tác khi có nhiều ca được sử dụng Cần lưu ý rằng các tính toán trên được dựa trên giả định rằng quy mô và thành phần đội công nhân được sử dụng trong mỗi ca cho công tác n là giống nhau
3.5.2 Giảm thiểu chi phí trực tiếp của dự án (𝐌𝐢𝐧{𝐃𝐂})
DC = Tổng chi phí trực tiếp của dự án
N = Tổng số công tác của dự án
𝑑𝑐 𝑛 𝑆 𝑛 = Chi phí trực tiếp của công tác n sử dụng tùy chọn ca Sn
Qn = Số lượng công việc tính theo đơn vị của công tác n
DSn = Thời lượng của công tác n dựa trên tùy chọn ca Sn
LCSn = Chi phí nhân công ($/ngày) dựa trên tùy chọn ca Sn
ECSn = Chi phí thiết bị ($/ngày) dựa trên tùy chọn ca Sn
IC = Tổng chi phí gián tiếp của dự án icSS = Chi phí gián tiếp hàng ngày của dự án dựa trên hệ thống ca SS (SS=1: hệ thống một ca, SS=2: hệ thống hai ca, SS=3: hệ thống ba ca)
TC = Tổng chi phí dự án
Mô hình hiện tại được xây dựng để xem xét chi phí tăng ca trong tỉ lệ chi phí lao động dựa trên tùy chọn ca S n Chi phí sử dụng và bảo trì thiết bị xây dựng cũng có thể được xem xét trong chi phí thiết bị dựa trên tổng số giờ làm việc mỗi ngày theo tùy chọn ca S n Mô hình này cho phép chi phí gián tiếp hàng ngày của dự án ic SS thay đổi dựa trên loại hệ thống ca SS được sử dụng trong dự án, vì việc vận hành hai và ba ca mỗi ngày đòi
49 hỏi nhiều giám sát hiện trường, hỗ trợ kỹ thuật và kiểm soát chất lượng hơn, và do đó nó dẫn đến chi phí gián tiếp cao hơn so với việc chỉ vận hành một ca mỗi ngày Mô hình hiện tại được thiết kế để giảm thiểu tổng chi phí trực tiếp DC của dự án Điều này cho phép mô hình tạo ra sự cân bằng tối ưu giữa chi phí DC và thời gian T của dự án, sau đó có thể được sử dụng để tính tổng chi phí dự án TC, như được thể hiện trong Phương trình 3.28
3.5.3 Giảm thiểu việc sử dụng lao động ca chiều và ca tối (𝑴𝒊𝒏{𝑳𝑯𝑬𝑵})
LHEN = Tổng số giờ lao động của ca chiều và ca tối
W = Trọng số thể hiện tầm quan trọng tương đối của việc giảm thiểu tổng số giờ lao động trong ca tối (W = 0% đến 100%)
LHE = Tổng số giờ lao động trong ca chiều
LHN = Tổng số giờ lao động trong ca tối
𝐷 𝑆 𝑛 = Thời lượng của công tác n dựa trên tùy chọn ca S n
𝑅 𝑛,𝑗 𝑆 𝑛 = Nhu cầu lao động hàng ngày của công tác n trong ca j theo tùy chọn ca S n j = Loại ca (j=1: ca sáng, j=2: ca chiều, j=3: ca tối)
HE = Số giờ làm việc hàng ngày của ca chiều (HE = 7.5 như trình bày ở trên)
HN = Số giờ làm việc hàng ngày của ca tối (HN = 7 như trình bày ở trên) Hàm mục tiêu LHEN cung cấp khả năng giảm thiểu tổng số giờ lao động cần thiết cho ca chiều và ca tối Cần lưu ý chức năng tối ưu hóa cho hệ thống ba ca (SS=3) được biểu thị ở Phương trình 3.29 được thiết kế để nhấn mạnh việc giảm thiểu số giờ làm việc trong ca tối bằng cách nhân nó với trọng số (1+W) được xác định bởi nhà quản lí để tăng tác động đến mục tiêu tối ưu hóa Vì vậy, Phương trình 3.29 không thể hiện số giờ lao động thực tế của ca chiều và ca tối Để phân tích số giờ lao động thực tế của ca chiều và
50 ca tối, Phương trình 3.31 và Phương trình 3.32 có thể được sử dụng sau khi đã xác định được các giải pháp tối ưu
3.5.4 Các biến quyết định và ràng buộc
Tùy chọn ca làm việc S n thể hiện các phương án ca làm việc khả thi cho công tác n Mỗi tùy chọn đều có thời gian, chi phí và nhu cầu lao động khác nhau, từ đó dẫn đến tổng thời gian, tổng chi phí và tổng số giờ lao động của dự án là khác nhau Trong Phương trình 3.33, S i,n là một số nguyên trong phạm vi [1,Usn] (n = 1 đến N), nghĩa là một vị trí trong các tùy chọn ca US n
𝑥 𝑖,𝑛 : Giá trị tùy chọn ca làm việc của công tác n tại cá thể thứ i
𝑈𝑆 𝑛 : Tổng số tùy chọn ca làm việc cho từng công tác
Round: Hàm chuyển đổi một số thực thành số nguyên gần nhất lớn hơn hoặc bằng nó
Giá trị ưu tiên P n thể hiện giá trị ưu tiên của từng công tác so với tất cả các công tác khác Phương trình 3.34 thể hiện ràng buộc cho biến này
Cùng với các ràng buộc về lao động và giá trị ưu tiên giữa các công tác, giá trị P n giúp xác định trình tự lập kế hoạch dự án và tính toán thời gian thực hiện dự án dựa trên hệ thống ràng buộc lao động được trình bày dưới đây
Ràng buộc lao động L j /RC thể hiện tỉ lệ phần trăm của tổng số lao động sẵn có mỗi ngày cho ca j Phương trình 3.35 thể hiện ràng buộc cho biến này
RC: Tổng số lao động trong ngày có thể phân bổ cho tất cả các ca j: Kiểu ca k: Số ca tối đa được phép làm trong ngày (k = 3 là 3 ca và k = 2 là 2 ca)
Biến quyết định này giới hạn số lượng công nhân mỗi ca và xác định việc phân bổ số lượng công nhân sẵn có
Lượng nhân công sẵn có RCS j cho mỗi ca trong hệ thống 3 ca có thể được tính như sau:
MRj: Số lượng công nhân tối thiểu cho ca j
REM: Số lượng công nhân sẵn có còn lại
PR1, PR2: Lần lượt là số lượng công nhân bổ sung có sẵn có thể phân bổ cho ca sáng và ca chiều
RCS1, RCS2, RCS3: Lần lượt là số lượng công nhân tối đa được phép bố trí vào ca sáng, chiều và tối
CÁC TRƯỜNG HỢP NGHIÊN CỨU
Giới thiệu về ví dụ tính toán c ủa nghiên cứu trước
Trong phần này, tác giả luận văn sử dụng 2 ví dụ tính toán đến từ nghiên cứu trước đây của M.-Y Cheng và D.-H Tran [10] để tiến hành phân tích và so sánh kết quả Ví dụ tính toán đầu tiên (Ví dụ tính toán 1) là nghiên cứu trước đây về một dự án xây dựng của Jun và El-Rayes [1] Dự án bao gồm 15 công tác, mỗi công tác có một số phương án ca làm việc khả thi Trong dự án này, hệ thống ba ca làm việc (SS = 3) được sử dụng kết hợp với tổng số 70 nhân công sẵn có (RC = 70) Trọng số cho ca tối là W = 80% Ví dụ tính toán thứ hai (Ví dụ tính toán 2) là một dự án gồm 60 công tác, sử dụng hệ thống hai ca làm việc (SS=2) và sẵn có 40 nhân công (RC@) Sơ đồ mạng của 2 ví dụ tính toán nêu trên được thể hiện ở Hình 4.1 Bảng 4.1 và Bảng 4.2 minh họa dữ liệu thông tin của 2 dự án bao gồm các loại ca làm việc cho từng công tác n, tổng chi phí (USD), thời lượng công tác (ngày), nhu cầu nhân công hàng ngày cho mỗi ca j (j = 1: ca sáng, j = 2: ca chiều, j = 3: ca tối) và tùy chọn ca S n Ví dụ tính toán 1 có 7 tùy chọn ca làm việc cho mỗi công tác trong tổng số 15 công tác và Ví dụ tính toán 2 có 3 tùy chọn ca làm việc cho mỗi công tác trong tổng số 60 công tác Điều này tạo ra 7 15 và 3 60 sự kết hợp khả thi, tương ứng lần lượt với
Ví dụ tính toán 1 và Ví dụ tính toán 2, để có thể hoàn thành toàn bộ dự án Mỗi sự kết hợp đều có tác động riêng biệt đến hiệu suất của dự án Điều đó có nghĩa là thuật toán SC-AOA phải tìm kiếm một số lượng lớn các giải pháp tiềm năng để có thể hoàn thành mục tiêu tối ưu hóa
Hình 4.1 Sơ đồ mạng của các Ví dụ tính toán [10]
Bảng 4.1 Dữ liệu ví dụ tính toán 1 [10]
Công tác Tùy chọn ca S n Thời lượng công tác (ngày) Chi phí (USD) Nhu cầu lao động j = 1 j = 2 j = 3
Bảng 4.2 Dữ liệu ví dụ tính toán 2 [10]
Thời lượng công tác (ngày)
Nhu cầu lao động Công tác
Thời lượng công tác (ngày)
Áp dụng thuật toán SC-AOA để giải quyết các ví dụ tính toán
Trong phần này, học viên sẽ trình bày các bước tiến hành giải các ví dụ tính toán nêu trên bằng cách áp dụng thuật toán tối ưu hóa SC-AOA nhằm đạt được mục tiêu tối ưu hóa chi phí-thời gian có xét đến ảnh hưởng của yếu tố ca tối Quy trình giải bài toán tối ưu hóa thông qua việc sử dụng thuật toán SC-AOA có thể mô tả bằng 5 bước sau:
1 Khởi tạo các tham số của SC-AOA
- Số lượng cá thể trong quần thể (NP)
- Số lần lặp tối đa (t m ax )
- Chọn số biến quyết định (D): D sẽ bằng (2N+1) đối với bài toán sử dụng hệ thống làm việc 2 ca và bằng (2N+2) đối với bài toán sử dụng hệ thống làm việc 3 ca Trong đó, N là tổng số công tác của bài toán
- Các tham số khác theo dự án như RC và U Sn
2 Tạo lập quần thể mèo cát
Mỗi cá thể mèo cát (X i ) sẽ bao gồm 1 chuỗi vector x i,j chiều D và gán vị trí
(𝑃𝑜𝑠 𝑐 𝑥𝑖,𝑗 ) cho từng giá trị x i,j của từng cá thể X i Trong đó: i = [1, NP], j = [1,
D] Sử dụng phương pháp học tập dựa trên sự đối lập (OBL) để tạo ra một cá thể X’ i mang chuỗi vector x’ i,j chiều D đối lập với cá thể X i Như vậy, sẽ có NP/2 cặp cá thể đối lập nhau Mỗi cá thể sẽ mang một chuỗi vector x i,j như sau:
Xi = [xi,1, …, xi,j, …,xi,N xi,N+1, …,xi,2N xi,2N+1, xi,D] [10]
Tùy chọn ca làm việc Sn = xi,1, …, xi,j, …,xi,N và 1 ≤ 𝑆 𝑛 ≤ 𝑈𝑆 𝑛 với 𝑈𝑆 𝑛 là số tùy chọn ca
Giá trị ưu tiên Pn = xi,N+1, …,xi,2N và 0 ≤ 𝑃 𝑛 ≤ 1
Ràng buộc lao động Lk = xi,2N+1, xi,D và 0 ≤ 𝐿 𝑘 ≤ 𝑅𝐶 với RC là số lao động sẵn có
Phương pháp OBL được thiết lập theo công thức x’ = a + b – x
Trong đó: a và b là giới hạn của biến x
3 Tính toán các hàm mục tiêu
Tính toán các hàm mục tiêu chi phí, thời gian, LHEN cho từng cá thể Xi để chọn ra cá thể tốt nhất, tức là có chi phí thấp nhất, thời gian ngắn nhất hoặc LHEN ít nhất tùy thuộc vào nhu cầu của dự án, lấy các giá trị x i,j của cá thể đó làm 𝑃𝑜𝑠 𝑏 𝑥𝑖,𝑗 cũng như làm chủ thể đột biến chéo cho lần lặp tiếp theo
4 Tiến hành các lần lặp
- Khởi tạo lại quần thể với những cá thể mới dựa theo Bước 2
- Cập nhật các giá trị 𝑃𝑜𝑠 𝑐 𝑥𝑖,𝑗 của các cá thể dựa vào 𝑃𝑜𝑠 𝑏 𝑥𝑖,𝑗 của cá thể tốt nhất đã tìm được dựa theo Phương trình 3.12 – 3.14
- Tiếp tục tiến hành giao thoa ngang (horizontal crossover) các giá trị 𝑃𝑜𝑠 𝑐 𝑥𝑖,𝑗 vừa được cập nhật đó với 𝑃𝑜𝑠 𝑏 𝑥𝑖,𝑗 đã tìm được dựa theo Phương trình 3.15
- Tính toán hàm mục tiêu thời gian, chi phí, LHEN của các cá thể con mới vừa được tạo ra và so sánh với cá thể tốt nhất tìm được ở Bước 3 Nếu có cá thể nào mới tốt hơn thì chọn cá thể đó làm cá thể tốt nhất cho lần lặp tiếp theo và thay thế các 𝑃𝑜𝑠 𝑏 𝑥𝑖,𝑗 bằng các 𝑃𝑜𝑠 𝑐 𝑥𝑖,𝑗 của cá thể tốt nhất mới này
- Tiếp tục cho đến hết vòng lặp tối đa hoặc khi không tìm được kết quả hàm mục tiêu tốt hơn nữa.
Trình bày kết quả, so sánh và rút ra nhận xét
Để có được đánh giá khách quan nhất, học viên sử dụng các thông số đầu vào như quy mô quần thể, số lần lặp tối đa, giới hạn trên và giới hạn dưới giống với các nghiên cứu trước đây như trình bày trong Bảng 4.3 Sau khi đã tiến hành áp dụng thuật toán SC-AOA vào việc giải quyết các ví dụ tính toán, học viên đưa ra các kết quả tốt nhất mà phương pháp thu được, được sắp xếp theo từng hàm mục tiêu thời gian, chi phí và số giờ làm việc ca chiều và ca đêm (LHEN) như thể hiện ở Bảng 4.4 Đối với mỗi tiêu chí tối ưu hóa nêu trên, học viên tiến hành thực hiện
30 lần chạy và đưa ra 2 phương án có kết quả tốt nhất mà mô hình thuật toán đề xuất Bên cạnh đó, học viên cũng trích dẫn lại kết quả thu được của các nghiên cứu trước để tiến hành so sánh nhằm cho thấy rõ hơn hiệu suất cũng như độ chính xác của thuật toán SC-AOA áp dụng trong các bài toán quản lý xây dựng
Bảng 4.3 Các thông số đầu vào của thuật toán SC-AOA
Bảng 4.4 Kết quả tốt nhất thu được từ thuật toán SC-AOA
Tùy chọn ca làm việc, trình tự công tác, ràng buộc lao động trong ca k
Dựa vào Bảng 4.4, có thể thấy mô hình tối ưu hóa SC-AOA cho phép nhà quản lý dự án lựa chọn hàm mục tiêu cần quan tâm, từ đó biết được các tùy chọn ca làm việc, trình tự công tác cũng như ràng buộc lao động để đạt được phương án tốt nhất cho dự án của mình Chẳng hạn như ở phương án 1 và 2, nhà quản lý có được 2 phương án tối ưu nhất về thời gian cho dự án 1 (19 ngày), tuy nhiên có điểm khác biệt ở chi phí ($147900 và $148300) cũng như LHEN (4430.7 và
4566.6) Vì vậy, nhà quản lý dự án đó hoàn toàn có thể cân nhắc việc ưu tiên chi phí hoặc số giờ làm việc ca chiều và ca tối để phù hợp nhất với tiêu chí mà dự án đặt ra Đặc biệt, ở phương án 9, 10, 11 và 12, mô hình SC-AOA cho ra kết quả gần như là giống nhau ngoại trừ thứ tự công tác, điều này thể hiện rằng đây là những phương án tối ưu nhất về chi phí và LHEN cho dự án 2 cũng như sự tỉ lệ thuận giữa giảm thiểu LHEN và chi phí Điều này là hoàn toàn phù hợp bởi vì chi phí cần thiết cho ca chiều và ca tối, đặc biệt là ca tối, cao hơn so với chi phí cho ca ngày, giảm được thời gian làm việc ca chiều và ca tối cũng đồng nghĩa với việc giảm chi phí cho dự án Sự khác biệt về trình tự công tác cũng cung cấp cho nhà quản lý dự án nhiều phương án triển khai dự án tùy thuộc vào tình hình thực tế của dự án Phương án 7 và 8 cho thấy chi phí cao hơn nhưng thời gian hoàn thành dự án ngắn hơn, phù hợp khi dự án có yêu cầu khắt khe về thời gian
Bảng 4.5 Trích dẫn và so sánh với kết quả tốt nhất của các nghiên cứu trước
Cách sắp xếp Thuật toán Thời gian Chi phí LHEN
Bảng 4.5 so sánh kết quả tốt nhất thu được từ mô hình thuật toán SC-AOA cũng như hai mô hình thuật toán của các nghiên cứu trước đó là MOGA và OMODE-TCUT Đối với mục tiêu giảm thiểu thời gian hoàn thành dự án 1, cả ba mô hình thuật toán đều cho ra kết quả thời gian ngắn nhất giống nhau là 19 ngày, tuy nhiên mô hình thuật toán
SC-AOA và OMODE tỏ ra vượt trội hơn mô hình thuật toán MOGA ở khía cạnh chi phí Mặt khác, ở hai mục tiêu tối ưu hóa là chi phí và LHEN cho cả hai dự án 1 và 2, cả hai mô hình thuật toán đều cho ra kết quả giống nhau Điều này xảy ra là do cả hai mô hình thuật toán đều có thể tìm được các tùy chọn công tác chỉ làm ca sáng, không sử dụng ca chiều và tối, dẫn đến việc LHEN bằng 0 và chi phí cần thiết cho dự án cũng là tối thiểu Tuy nhiên, ở mục tiêu tìm kiếm phương án tốt nhất về thời gian cho dự án 2, mô hình thuật toán SC-AOA đã cho ra được kết quả tốt vượt trội khi tìm được thời gian hoàn thành dự án chỉ với 35 ngày so với 52 ngày của thuật toán OMODE-TCUT Sự chênh lệch này đến từ việc kết quả của thuật toán SC-AOA rất tập trung vào mục tiêu tối ưu hóa, ưu tiên chọn lựa ca làm việc 2 buổi để rút ngắn tối đa thời gian của dự án, trong khi đó kết quả của thuật toán OMODE-TCUT đã chọn rất nhiều ca làm việc 1 buổi dẫn đến việc kéo dài thời gian hoàn thành dự án
Từ các kết quả trên, có thể nhận định mô hình thuật toán SC-AOA tận dụng hiệu quả các cá thể trong quần thể và các vòng lặp để đạt kết quả tốt nhất Sự kết hợp giữa khai thác và thăm dò, cùng với khả năng điều chỉnh linh hoạt, giúp SC-AOA tối ưu hóa quy trình và rút ngắn thời gian thực hiện dự án một cách đáng kể, đồng thời duy trì mức chi phí và chất lượng lao động hợp lý Đồng thời, thời gian mỗi lần chạy mô hình thuật toán SC-AOA cho cả hai ví dụ tính toán nêu trên đều rất ngắn khi chỉ mất 9 giây cho case sudy 1 và 1 phút 30 giây cho ví dụ tính toán 2 Điều này khẳng định SC-AOA là công cụ mạnh mẽ trong việc nâng cao hiệu suất và hiệu quả trong việc quản lý dự án xây dựng