LOAD BALANCING TRONG TÍNH TOÁN LƯỚI SỬ DỤNG GENETIC ALGORITHM

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH ĐẠI HỌC CƠNG NGHỆ THƠNG TIN  TIỂU LUẬN MƠN TÍNH TỐN LƯỚI Tên đề tài: LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM Giáo viên HD : PGS TS Nguyễn Phi Khứ Họ tên học viên : Nguyễn Trọng Ngân Mã số học viên : CH1101107 Cao học : Khóa Chun ngành : Khoa học máy tính - Mã số: 60.48.01 Tháng 07/2013 LỜI CÁM ƠN LỜI CÁM ƠN Trong trình thực tiểu luận, với hướng dẫn nhiệt tình thầy Nguyễn Phi Khứ ý kiến đóng góp bạn bè cho em nguồn động viên lớn để hoàn thành nhiệm vụ tiểu luận Qua đó, thân đạt nhiều tiến kiến thức hoạch định hướng nghiên cứu, tìm hiểu để phát triển kỹ năng, kiến thức tương lai Em chân thành cám ơn quý Thầy Cô khoa Khoa học máy tính, phịng đào tạo sau đại học, trường đại học Công nghệ thông tin – đại học Quốc gia TP Hồ Chí Minh tận tình giảng dạy, hướng dẫn, giúp đỡ tạo điều kiện cho em thực tiểu luận Mặc dù cố gắng, song tiểu luận cịn nhiều thiếu sót Em mong nhận nhiều thơng cảm góp ý thầy Xin chân thành gửi lời cám ơn sâu sắc đến quý thầy Tp.Hồ Chí Minh, ngày LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM /03 / 2013 NHẬN XÉT CỦA GIẢNG VIÊN NHẬN XÉT CỦA GIẢNG VIÊN LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM MỤC LỤC MỤC LỤC LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM DANH MỤC CÁC HÌNH DANH MỤC CÁC HÌNH LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 1- GIỚI THIỆU CHUNG CHƯƠNG – GIỚI THIỆU CHUNG 1.1 Thông tin chung môn học Môn học Tính tốn lưới với thời lượng 45 tiết Đây môn học thuộc dạng tự chọn nội dung chương trình khung đào tạo cao học trường đại học Công nghệ thông tin Môn học cung cấp cho học viên kiến thức phương pháp tính tốn hệ thống điện tốn lưới hệ thống điện tốn đám mây Ngồi ra, mơn học cịn giới thiệu công nghệ, ứng dụng sử dụng rộng rãi giới lĩnh vực 1.2 Giới thiệu đề tài tiểu luận lý chọn đề tài Trong ngành khoa học máy tính nói chung lĩnh vực trí tuệ nhân tạo nói riêng, tìm kiếm lời giải tối ưu cho toán vấn đề nhà khoa học máy tính đặc biệt quan tâm Mục đích thuật tốn tìm kiếm lời giải tìm lời giải tối ưu cho toán thời gian nhỏ Các thuật tốn tìm kiếm khơng có thơng tin / vét cạn ( tìm kiếm danh sách, đồ thị ) sử dụng phương pháp đơn giản trực quan thuật tốn tìm kiếm có thơng tin sử dụng heurictics để áp dụng tri thức cấu trúc khơng gian tìm kiếm nhằm giảm thời gian cần thiết cho việc tìm kiếm sử dụng nhiều với khơng gian tìm kiếm nhỏ khơng hiệu tìm kiếm khơng gian tìm kiếm lớn Tuy nhiên, thực tiễn có nhiều tốn với khơng gian giả thuyết lớn việc tìm kiếm lời giải theo phương pháp vét cạn khơng thể thực khơng gian tìm kiếm lớn cần phải giải quyết, đặc biệt lĩnh vực tính tốn lưới Việc tìm giải pháp để giúp cân bằng, chia tải node tính tốn lưới vấn đề khó Giải thuật di truyền phương án để giúp cân tải node tính tốn Vì vậy, tiểu luận này, em tìm hiểu đặc điểm tính tốn lưới việc áp dụng giải thuật di truyền để giải toán cân tải tính tốn lưới 1.3 Mục tiêu nghiên cứu Bài tiểu luận tập trung vào vấn đề sau: LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 1- GIỚI THIỆU CHUNG - Tìm hiểu chế hoạt động giải thuật di truyền - Tìm hiểu sở lý thuyết tính tốn lưới; - Tìm hiểu sở tốn học di truyền ứng dụng việc xử lý toàn tối ưu; - Tìm hiểu ứng dụng giải thuật load balancing tính tốn lưới LOAD BALANCING TRONG TÍNH TOÁN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT CHƯƠNG - CƠ SỞ LÝ THUYẾT 2.1 Tổng quan tính tốn lưới 2.1.1 Giới thiệu tính tốn lưới Thuật ngữ grid computing ban đầu tác giả Ian Foster thuộc Phịng thí nghiệm quốc gia Argonne (Mỹ) nêu vào cuối thập kỷ trước Ian Foster đưa tiêu chuẩn lưới tính tốn: Khơng điều khiển tập chung mà phân tán theo địa lý Sử dụng giao thức tổng quát, mở chuẩn hóa Nhiều máy tính kết hợp tạo nên dịch vụ tích hợp chất lượng cao (High Qos) Tuy nhiên, tiêu đưa thời điểm khai sinh Grid từ đến có nhiều thay đổi Định nghĩa Grid vấn đề gây tranh cãi Ian Foster định nghĩa Grid sau: “Grid loại hệ thống song song, phân tán cho phép chia sẻ, lựa chọn, kết hợp tài nguyên phân tán theo địa lý, thuộc nhiều tổ chức khác dựa tính sẵn sàng, khả năng, chi phí chúng yêu cầu chất lượng dịch vụ (QoS) người dùng để giải tốn, ứng dụng có quy mơ lớn khoa học, kỹ thuật thương mại Từ hình thành nên “tổ chức ảo” (Virtual Organization (VO)), liên minh tạm thời tổ chức tập đoàn, liên kết với để chia sẻ tài nguyên và/hoặc kỹ nhằm đáp ứng tốt hội kinh doanh dự án có nhu cầu lớn tính tốn liệu, tồn việc liên minh dựa mạng máy tính” LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT Hình 2-1 Mơ hình Grid Computing 2.1.2 Các đặc trưng Grid Có kết hợp, chia sẻ tài ngun khơng quản lý tập trung Grid kết hợp phân phối tài nguyên, người dùng thuộc nhiều vùng quản lý khác nhau, nhiều đơn vị khác hay nhiều tổ chức khác Công nghệ Grid tập trung giải vấn đề bảo mật, sách quản trị, chi phí, thành viên,… nảy sinh trình chia sẻ sử dụng tài nguyên Sử dụng giao diện giao thức chuẩn, mang tính mở, đa dụng Grid xây dựng giao thức giao diện tổng quát, đa dạng để giải vấn đề chứng thực người dùng, phân quyền, tìm kiếm truy xuất tài nguyên Đáp ứng yêu cầu cao chất lượng dịch vụ Grid cho phép sử dụng phối hợp tài nguyên để cung cấp nhiều loại dịch vụ với mức chất lượng khác thời gian đáp ứng, hiệu suất, tính sẵn sàng, bảo mật, cho phép kết hợp nhiều kiểu tài nguyên để đáp ứng nhu cầu phức tạp người dùng Mục tiêu phối hợp để khả hệ thống sau kết hợp lớn tổng khả đơn vị cấu thành nên Grid LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT 10 2.1.3 Các tài ngun Grid 2.1.3.1 Tài ngun tính tốn Đây tài nguyên phổ biến gồm chu kỳ tính tốn (computing cycles) cung cấp vi xử lý thiết bị Grid Các vi xử lý có tốc độ, kiến trúc, chạy phần mềm khác Có cách để khai thác tài ngun tính tốn Grid: Chạy ứng dụng có node Grid thay chạy máy tính cục Thiết kế ứng dụng, tách công việc thành phần riêng lẽ để thực thi song song nhiều xử lý khác Chạy ứng dụng thực thi nhiều lần nhiều node khác Grid 2.1.3.2 Tài nguyên lưu trữ Tài nguyên phổ biến khác Grid tài nguyên lưu trữ Mỗi thiết bị Grid thường cung cấp số dung lượng lưu trữ phục vụ cho việc thực thi ứng dụng Grid Tài nguyên lưu trữ nhớ trong, ổ đĩa cứng thiết bị lưu trữ khác Bộ nhớ thường dùng để lưu trữ liệu tạm thời cho ứng dụng, thiết bị lưu trữ ngồi sử dụng để tăng không gian lưu trữ, tăng hiệu suất, khả chia sẻ đảm bảo tính tin cậy liệu 2.1.3.3 Phương tiện liên lạc Ở bao gồm việc liên lạc, trao đổi liệu thành phần Grid giao tiếp Grid với bên ngồi Một số cơng việc địi hỏi lượng liệu lớn liệu thường không nằm máy thực thi công việc Khả băng thông trường hợp tài nguyên then chốt, ảnh hưởng đến khả Grid Việc giao tiếp với bên thực thơng qua mạng Internet Grid sử dụng kết nối Internet để liên lạc node Vì kết nối khơng chia sẻ đường truyền nên làm tăng băng thông truy cập Internet Các đường truyền dự LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT 13 Hình 2-3 Mơ hình Data Grid 2.1.4.3 Scavenging Grid Một Scavenging Grid thường dùng với lượng lớn máy tính để bàn Các máy tính thường kiểm tra định kỳ để xem xử lý tài nguyên khác rảnh rỗi để thực tác vụ Grid Chủ nhân máy để bàn thường có quyền xác định chia sẻ máy 2.1.5 Một số lợi ích Grid 2.1.5.1 Khai thác, tận dụng tài nguyên nhàn rỗi Hầu hết tổ chức có lượng lớn tài ngun tính tốn nhàn rỗi, máy tính cá nhân thường sử dụng hết 5% thời gian xử lý CPU, server thường “rảnh rỗi” Grid tối ưu sử dụng tài nguyên nhàn rỗi theo nhiều cách khác cân sử dụng tài nguyên Một tổ chức thường gặp vấn đề khó khăn hoạt động đòi hỏi thêm nhiều tài nguyên Với Grid, chuyển hoạt động đến tài nguyên nhàn rỗi khác, thêm tài nguyên cách dễ dàng, từ làm tăng khả chịu đựng hệ thống LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT 14 2.1.5.2 Sử dụng CPU song song Khả sử dụng CPU song song đặc tính tuyệt vời Grid, việc hỗ trợ nhu cầu tính tốn nhà khoa học, sức mạnh tính tốn Grid cung cấp giúp giải tốn địi hỏi lực xử lý lớn ngành khác y dược, tính tốn tài chính, kinh tế, khai thác dầu hỏa, dự báo thời tiết, công nghiệp vũ trụ, thiết kế sản phẩm, … nhiều lĩnh vực khác 2.1.5.3 Cho phép hợp tác tồn giới Một đóng góp quan trọng cơng nghệ Grid Computing cho phép đơn giản hoá hợp tác chia sẻ, làm việc cộng đồng rộng lớn toàn giới Grid cho phép mở rộng phạm vi toàn cầu đưa chuẩn quan trọng cho phép hệ thống không đồng dạng làm việc chung với để tạo nên hệ thống tính tốn ảo cung cấp nhiều dạng tài nguyên khác 2.1.5.4 Cho phép chia sẻ, sử dụng tất loại tài nguyên Grid cho phép chia sẻ tất loại tài nguyên mà trước chưa chia sẻ băng thông mạng, thiết bị đặc biệt, phần mềm, quyền, dịch vụ,… 2.1.5.5 Tăng tính tin cậy cho hệ thống máy tính Hiện nay, hệ thống tính tốn sử dụng phần cứng chuyên dụng, với chi phí cao để tăng độ tin cậy Các giải pháp làm tăng độ tin cậy hệ thống, nhiên với chi đắt phụ kiện kèm phải nhân lên Các hướng tiếp cận để giải vấn đề độ tin cậy dựa nhiều vào công nghệ phần mềm phần cứng đắt tiền Grid khởi đầu cho cơng nghệ Các hệ thống Grid thường có chi phí thấp phân tán theo địa lý Do đó, có cố nguồn điện hay lỗi hệ thống khác vị trí, tồn phần cịn lại khơng bị ảnh hưởng Các phần mềm quản trị Grid có khả thực thi lại công việc node khác phát có lỗi hệ thống Nếu quan trọng nữa, hệ thống theo thời gian thực, nhiều dự phịng các cơng việc quan trọng chạy nhiều máy tính khác Grid để đảm bảo độ tin cậy tối đa LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT 15 2.1.5.6 Tăng khả quản trị hệ thống Mục tiêu ảo hoá tất tài nguyên cung cấp giao diện quản lý đơn hệ thống hỗn tạp đem lại hội để quản trị tốt sở hạ tầng công nghệ thông tin lớn, phân tán 2.2 Giải thuật di truyền Giải thuật di truyền (Genetic Algorithm) kỹ thuật chung giúp giải vấn đềbài tốn cách mơ tiến hóa người hay sinh vật nói chung (dựa thuyết tiến hóa mn lồi Darwin) điều kiện qui định sẵn môi trường Giải thuật di truyền thuật giải mục tiêu Giải thuật di truyền không nhằm đưa lời giải xác tối ưu mà đưa lời giải tương đối tối ưu Sự phổ biến Giải thuật di truyền thúc đẩy yếu tố sau: - Tiến hóa phương pháp mạnh, thành cơng cho thích nghi bên hệ thống sinh học - Giải thuật di truyền tìm kiếm khơng gian giả thuyết có phần tương tác phức tạp, ảnh hưởng phần lên tồn thể độ thích nghi giả thuyết khó mơ hình - Giải thuật di truyền thực song song tận dụng thành tựu phần cứng máy tính mạnh Do mạnh này, tiểu luận em đề cập tới việc giải thuật di truyền để tính tốn việc cân tải node grid tính tốn (Computational Grid) 2.2.1 Xác định tính thích nghi cá thể 2.2.1.1 Hàm mục tiêu Hàm mục tiêu hàm dùng để đánh giá độ tốt lời giải cá thể Hàm mục tiêu nhận tham số gen cá thể trả số thực Tùy theo giá trị số thực mà ta biết độ tốt cá thể Trong tốn tìm cực đại giá trị trả lớn cá thể tốt Ngược lại, tốn tìm cực tiểu giá trị trả nhỏ cá thể tốt LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT 16 2.2.1.2 Độ thích nghi tiêu chuẩn Giả sử hệ có N cá thể, cá thể thứ i ký hiệu Hàm mục tiêu hàm G Vậy độ thích nghi cá thể tính theo độ thích nghi tiêu chuẩn: 2.2.1.3 Độ thích nghi xếp hạng Cách tính độ thích nghi tiêu chuẩn thực hiệu quần thể có độ tốt tương đối đồng cá thể Vì lý – chọn hàm mục tiêu khơng tốt - có cá thể có độ tốt cao tách biệt hẳn cá thể cịn lại cá thể hệ sau bị “hút” phía cá thể đặc biệt Do đó, làm giảm khả di truyền đến sau cá thể xấu, tạo nên tượng di truyền cục bộ, từ làm giảm khả dẫn đến lời giải tốt Phương pháp xác định độ thích nghi xếp hạng khơng làm việc giá trị độ lớn hàm mục tiêu G mà làm việc dựa thứ tự cá thể quần thể sau xếp thể theo giá trị hàm mục tiêu G Phương pháp xác định độ thích nghi xếp hạng linh động đặt trọng số để xác định tập trung độ thích nghi lên cá thể có độ tốt cao, mà ln đảm bảo quy luật: cá thể có độ thích nghi cao xác suất tồn di truyền cao Độ thích nghi (hay xác suất chọn) cá thể thứ i tính theo cơng thức sau: Trong đó: p số khoảng [0,1] cân chỉnh để xác định độ hút cá thể phục vụ công tác lựa chọn cá thể để di truyền sang hệ sau Hình sau minh họa việc thay đổi độ hút cá thể tiến hành điều chỉnh hệ số p LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT 17 Hình 2-4 Mơ tả độ thích nghi xếp hạng 2.2.2 Chọn lọc cá thể Trong giải thuật di truyền có nhiều phương án chọn lọc cá thể chọn lọc theo kiểu xén, chọn lọc theo kiểu rải, chọn lọc theo bàn xoay Roulete Đối với việc lựa chọn cá thể tiểu luận, áp dụng phương pháp lựa chọn theo bàn xoay Roulete Hình 2-5 Mơ hình vịng xoay Roulete Theo mơ hình trên, cá thể có độ thích nghi cao chiếm đoạn 0,5 Cá thể chiếm đoạn 0,25… Ta phát sinh số ngẫu nhiên khoảng [0,1] Nếu rơi vào đoạn hình, cá thể tương ứng chọn 2.2.3 Lai ghép cá thể 2.2.3.1 Lai ghép đơn điểm Lai ghép đơn điểm dạng lai ghép đơn giản nhất, áp dụng nhiều kiểu liệu Gen khác Phương pháp lai ghép đơn điểm tiểu luận để tạo Để thực phương pháp lai ghép này, ta tiến hành lựa chọn cá thể bố, mẹ phương pháp chọn lọc Roulete quần thể LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT 18 Hình 2-6 Ví dụ lai ghép đơn điểm hai nhiễm sắc thể dạng tế bào FAT phân bố mảnh CSDL phân tán 2.2.3.2 Các phương pháp lai ghép khác Ngoài phương pháp lai ghép đơn điểm, cịn có phương pháp lai ghép đa điểm, lai ghép mặt nạ… Lai ghép đa điểm dạng tổng quát so với lai ghép đơn điểm Ta tiến hành chọn nhiều điểm Gen bố mẹ tiến hành trao đổi liệu cho để tạo Lai ghép mặt nạ hình thức tổng quát lai ghép Trong lai ghép mặt nạ, liên kết với bố mẹ hai mặt nạ có chiều dài Gen tương đương phát sinh ngẫu nhiên Giá trị bit mặt nạ dịnh thành phần Gen trích từ bố mẹ 2.2.4 Đột biến cá thể Đối với kiểu cấu trúc liệu Gen đề cập tiểu luận, việc đột biến cá thể đơn giản đổi giá trị bít nhị phân ngẫu nhiên (01 10) Gen Thơng thường đột biến diễn với xác suất thấp(xác suất đột biến) Vì đột biến diễn tối đa thành phần Gen tối đa LOAD BALANCING TRONG TÍNH TOÁN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG 2- CƠ SỞ LÝ THUYẾT LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM 19 CHƯƠNG – LOAD BALANCING TRONG CG SỬ DỤNG GA 20 CHƯƠNG – LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM 3.1 Giới thiệu sơ lược Grid tính tốn (CG) tập hợp phần cứng nguồn tài nguyên phần mềm cung cấp tin cậy, quán phổ biến với chi phí thấp để phục vụ yêu cầu tính tốn cao cấp Người dùng sử dụng Grid tính tốn gửi u cầu tính tốn yêu cầu đăng ký để tìm kiếm tài ngun thích hợp tiến hành xử lý Tùy thuộc vào sách thực hiện, yêu cầu xếp vào nguồn tài ngun thích hợp Thơng thường, vấn đề xử lý theo hai dạng song song hạt mịn cơng việc phụ giao tiếp nhiều lần giây; song song hạt thô chúng kết nối nhiều lần giây Trong thực công việc khoảng thời gian, node Grid trở nên cân dẫn đến việc suy thối hoạt động tồn hệ thống Grid Để giữ cho hệ thống hoạt động ổn định, vấn đề cân node trở nên quan trọng Giải thuật di truyền (Genetic Algorithm) sử dụng để giải vấn đề cân tải Grid tính tốn 3.2 Áp dụng giải thuật di truyền giải vấn đề cân tải 3.2.1 Hàm mục tiêu Hàm mục tiêu có nguồn gốc dựa thay đổi tải nút mơi trường tính tốn lưới Trong môi trường lý tưởng tải phân bố node, biến động tải node gần không Tuy nhiên, thông số thường biến động nhiều thực tế Do đó, thơng số phải giảm thiểu đến mức tối đa Để tính tốn tải thay đổi tải nút lưới, phải tính tải trung bình node Đây thơng số cần thiết để tính tốn tổng tải lưới Tải node tính tốn dựa kích thước mơ-đun tác vụ Tải trọng trung bình lưới (ký hiệu Wavg), tính thơng qua tổng tải (ký hiệu W total) số lượng node lưới ( ký hiệu m) Tại node thứ i, tải tính thơng qua cơng thức: Với r số lượng module phân bố node thứ I, kích module LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG – LOAD BALANCING TRONG CG SỬ DỤNG GA 21 Với m node, tổng tải tính Tải trung bình tồn lưới tính: Hàm mục tiêu tính là: với tải node thứ j 3.2.2 Mô hình Mơ hình đề xuất sử dụng thuật giải di truyền(GA) để giảm thiểu thông số biến động tải để đạt trạng thái cân tải tốt Giải thuật di truyền cho mơ hình cân tải có số điểm khác biệt tương ứng với module cụ thể Cấu trúc nhiễm sắc thể đề xuất: Struct chromosome {task[]; machine ;}; Cấu trúc task machine sau: Struct task {int task_ no; double task size ;} task; Struct machine {int machine no; double machine ;} ma-chine; Khởi tạo quần thể ban đầu: Khởi tạo số lượng chromosome để hình thành nên quần thể ban đầu Các chromosome tạo cách ngẫu nhiên dựa phép hoán vị ngẫu nhiên Lai ghép đột biến: Hai tạo từ việc lai ghép hai nhiễm sắc thể bố mẹ Việc lai ghép sử dụng dựa chế lai ghép mặt nạ trình bày phần Xác xuất lai ghép sử dụng 0,95 Cơ chế đột biến sử dụng theo cách thay đổi ngẫu nhiên vị trí nhiễm sắc thể với xác xuất đột biến 0,05 Lựa chọn cho hệ tiếp: Việc lựa chọn nhiễm sắc thể tốt cho hệ sau thực dựa xếp quần thể ban đầu với giá trị hàm mục tiêu tương ứng nhằm đảm bảo nhiễm sắc thể xấu bị loại bỏ LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM CHƯƠNG – LOAD BALANCING TRONG CG SỬ DỤNG GA 3.2.3 Thuật tốn Hình 3-7 Lược đồ tổng quát thuật toán Thuật toán cài đặt sau: LOAD BALANCING TRONG TÍNH TỐN LƯỚI SỬ DỤNG GENETIC ALGORITHM 22 CHƯƠNG – LOAD BALANCING TRONG CG SỬ DỤNG GA 23 Load Balancing Algorithm ( ) { Tạo ngẫu nhiên quần thể ban đầu (old population) Đánh giá độ thích nghi xếp quần thể theo giá trị độ thích nghi tăng dần Lựa chọn nhiễm sắc thể tốt quần thể đầu Tạo nhiễm sắc thể quần thể từ quần thể đầu For (i=1; i