Phát triển và thử nghiệm một số thuật toán trên MOEA Framework cho bài toán đấu thầu nhiều vòng

Phát triển và thử nghiệm một số thuật toán trên MOEA Framework cho bài toán đấu thầu nhiều vòng Phát triển và thử nghiệm một số thuật toán trên MOEA Framework cho bài toán đấu thầu nhiều vòng Phát triển và thử nghiệm một số thuật toán trên MOEA Framework cho bài toán đấu thầu nhiều vòng luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ KỸ THUẬT Phát triển thử nghiệm số thuật toán MOEA Framework cho toán đấu thầu nhiều vịng ĐỒN TUẤN ANH Chun ngành: Cơng nghệ thơng tin Giảng viên hướng dẫn: PGS TS Huỳnh Quyết Thắng Viện: Công nghệ thông tin Truyền thông HÀ NỘI, 11/2019 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ KỸ THUẬT Phát triển thử nghiệm số thuật toán MOEA Framework cho toán đấu thầu nhiều vịng ĐỒN TUẤN ANH anhdt5018@gmail.com Ngành: Cơng nghệ thông tin Giảng viên hướng dẫn: PGS TS Huỳnh Quyết Thắng Chữ ký GVHD Bộ môn: Công nghệ phần mềm Viện: Công nghệ thông tin Truyền thông HÀ NỘI, 11/2019 CỘNG HÒA Xà HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Đoàn Tuấn Anh Đề tài luận văn: Phát triển thử nghiệm số thuật toán MOEA Framework cho tốn đấu thầu nhiều vịng Chuyên ngành: Công nghệ thông tin Mã số SV: CB160529 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 26/10/2019 với nội dung sau: - Bổ sung thêm bảng chữ viết tắt - Bổ sung thêm phần mở đầu Trang – - Bổ sung thêm mô tả liệu thực nghiệm Trang 39 mơ tả chi tiết Hình 3.8 – 3.15 Trang 51 – 56 - Cấu trúc lại luận văn: + Nội dung: “Công nghệ sử dụng” “Nhiệm vụ luận văn” Chương 1: Tổng quan đưa vào “Phần mở đầu” + Gộp nội dung: “Đấu thầu đấu thầu nhiều vòng” Chương 1: Tổng quan vào Chương 2: Cơ sở lý thuyết thành Chương 1: Cơ sở lý thuyết - Bổ sung thêm Mục 1.5 Một số phương pháp giải toán tối ưu hóa đa mục tiêu Trang 16 – 17 để làm rõ lý tác giả chọn giải thuật tiến hóa đa mục tiêu để giải tốn - Bổ sung thêm Mục 2.1.1 Các mơ hình theo lý thuyết trị chơi có Trang 27 – 28 để làm rõ mơ hình tốn đấu thầu nhiều vòng luận văn tác giả kế thừa từ nghiên cứu có - Bổ sung thêm Mục 3.4 Kết chương trình thử nghiệm Trang 46 – 48 để làm rõ kết cụ thể cho Bài toán đấu thầu giải Chương trình thử nghiệm - Đã chỉnh sửa lỗi tả, ký tự lạ, lỗi hiển thị không quán ký hiệu luận văn Ngày 25 tháng 11 năm 2019 Giáo viên hướng dẫn Tác giả luận văn PGS.TS Huỳnh Quyết Thắng Đoàn Tuấn Anh CHỦ TỊCH HỘI ĐỒNG TS Nguyễn Thị Thu Trang MỤC LỤC PHẦN MỞ ĐẦU CHƯƠNG CƠ SỞ LÝ THUYẾT 1.1 Khái niệm đấu thầu đấu thầu nhiều vòng Khái niệm đấu thầu Đấu thầu nhiều vòng 1.2 Các vấn đề cần giải tốn đấu thầu nhiều vịng 1.3 Lý thuyết trò chơi Khái niệm Biểu diễn trò chơi Các loại trò chơi 11 1.4 Vấn đề đa mục tiêu (MOP – Multiobjective Problem) 14 Tối ưu hóa đa mục tiêu 14 Tối ưu Pareto 15 Các giải thuật tiến hóa đa mục tiêu (MOEA – Multiobjective Evolutionary Algorithms) 16 1.5 Một số phương pháp giải tốn tối ưu hóa đa mục tiêu 16 Phương pháp ràng buộc 16 Phương pháp tổng trọng số 17 Thuật toán di truyền tối ưu nhiều mục tiêu 17 1.6 Giải thuật di truyền 18 Khái niệm 18 Quy trình thực giải thuật di truyền 19 1.7 Một số giải thuật tiến hóa đa mục tiêu (MOEA – Multiobjective Evolutionary Algorithms) 21 Sự khác biệt giải thuật MOEA 21 Đánh giá số giải thuật MOEA tiêu biểu 22 1.8 MOEA Framework 23 Giới thiệu 23 Cấu hình sử dụng MOEA 24 1.9 Kết chương 26 CHƯƠNG MƠ HÌNH HỐ BÀI TỐN ĐẤU THẦU NHIỀU VỊNG VÀ THỬ NGHIỆM TRÊN CÁC THUẬT TOÁN CỦA MOEA FRAMEWORK 27 2.1 Mơ hình hóa tốn đấu thầu nhiều vịng theo lý thuyết trị chơi 27 Các mơ hình theo lý thuyết trị chơi có 27 Trị chơi đấu thầu nhiều vòng 28 Đầu vào toán 29 Đầu toán 29 Mục tiêu toán 29 2.2 Triển khai tốn đấu thầu nhiều vịng MOEA Framework 33 2.3 Kết chương 38 CHƯƠNG THỬ NGHIỆM VỚI CÁC THUẬT TOÁN NSGA-III, GDE3, εMOEA VÀ ĐÁNH GIÁ 39 3.1 Dữ liệu thử nghiệm 39 3.2 Các thuật toán thử nghiệm 41 Thuật toán NSGA-III 41 Thuật toán GDE3 42 Thuật toán ε-MOEA 43 3.3 Chương trình thử nghiệm 45 3.4 Kết chương trình thử nghiệm 46 3.5 Đánh giá thuật toán 48 Các tham số đánh giá 48 Kết cụ thể 51 3.6 Kết chương 58 KẾT LUẬN 59 TÀI LIỆU THAM KHẢO 61 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Ví dụ trò chơi mở rộng 10 Hình 1.2 Trị chơi thơng tin đầy đủ 13 Hình 1.3 Tập dominated non-dominated 15 Hình 1.4 Tập Pareto pareto front ánh xạ chúng 16 Hình 1.5 Quá trình lai ghép 20 Hình 1.6 Quá trình đột biến 20 Hình 1.7 Hướng dẫn sử dụng MOEA Framework Eclipse 25 Hình 1.8 Hướng dẫn sử dụng MOEA Framework eclipse 25 Hình 3.1 Biểu diễn lời giải không gian mục tiêu 43 Hình 3.2 Biểu diễn trình chọn lọc thuật tốn ε-MOEA 44 Hình 3.3 Giao diện chương trình xây dựng 45 Hình 3.4 Giao diện chức lựa chọn thuật toán tham số 46 Hình 3.5 Khơng gian Hypervolume 49 Hình 3.6 Mơ tả Generation Distance 49 Hình 3.7 Mơ tả Spacing 50 Hình 3.8 Biểu đồ so sánh 03 thuật toán tập liệu data1.json 51 Hình 3.9 Biểu đồ giá trị Hypervolume 03 thuật toán tập liệu data1.json 52 Hình 3.10 Biểu đồ giá trị Generation Distance 03 thuật toán tập data1.json 52 Hình 3.11 Biểu đồ giá trị Spacing 03 thuật toán tập liệu data1.json 53 Hình 3.12 Biểu đồ so sánh 03 thuật toán tập liệu data2.json 55 Hình 3.13 Biểu đồ giá trị Hypervolume 03 thuật toán tập liệu data2.json 55 Hình 3.14 Biểu đồ giá trị Generation Distance 03 thuật toán tập data2.json 56 Hình 3.15 Biểu đồ giá trị spacing 03 thuật toán tập liệu data2.json 56 DANH MỤC CÁC BẢNG Bảng 1.1 Mơ tả trị chơi chuẩn tắc Bảng 1.2 Mơ tả trị chơi đối xứng 11 Bảng 1.3 Mô tả trị chơi có tổng khơng 12 Bảng 1.4 So sánh trò chơi đồng thời trò chơi 12 Bảng 3.1 Mô tả đại diện thông tin sản phẩm 40 Bảng 3.2 Mô tả đại diện thông tin nhà thầu 40 Bảng 3.3 Mơ tả đại diện thơng tin gói thầu 40 Bảng 3.4 Giá trị tham số cho tập data1.json runSeed = 54 Bảng 3.5 Giá trị tham số so sánh cho tập data1.json với runSeed=5 54 Bảng 3.6 Giá trị tham số cho tập data2.json runSeed = 57 Bảng 3.7 Giá trị tham số so sánh cho tập data2.json với runSeed=5 57 DANH MỤC CHỮ VIẾT TẮT STT Viết đầy đủ Viết tắt GA Genetic Algorithm GDE3 The third Evolution Step of Generalized Differential Evolution MOEA Multiobjective Evolutionary Algorithm MOGA Multi-objective Genetic Algorithm MOP Multiobjective Problem NSGA Non-dominated Sorting Genetic Algorithm PF Pareto Front SPEA Strength Pareto Evolutionary Algorithm VEGA Vector Evaluated Genetic Algorithm PHẦN MỞ ĐẦU Trong vài năm trở lại đây, “Cách mạng công nghiệp 4.0” khơng cịn lại khái niệm xa lạ với kỹ sư làm lĩnh vực cơng nghệ thơng tin truyền thơng “Trí tuệ nhân tạo – AI”, “Vạn vật kết nối – IoT”, “Dữ liệu lớn – Big Data” trở thành lĩnh vực quan tâm đặc biệt không ngành IT mà tất quan tâm đến khoa học công nghệ Trong AI, phương pháp hỗ trợ định nhận nghiên cứu liên tục đạt phát triển đáng ý Luận văn: “Phát triển thử nghiệm số thuật toán MOEA framework cho toán đấu thầu nhiều vịng” nghiên cứu tốn đấu thầu nhiều vòng “Đấu thầu nhiều vòng” vấn đề khó q trình mua sắm Việc định thời điểm bỏ thầu, lựa chọn nhà thầu ảnh hưởng trực tiếp đến lợi ích chủ đầu tư, lợi ích nhà thầu, chất lượng dự án ảnh hưởng đến mối quan hệ xã hội chủ đầu tư nhà thầu Hiện nay, việc lựa chọn nhà thầu thường xem xét thủ công chủ quan từ chủ đầu tư Về “đấu thầu nhiều vòng” vấn đề chưa giải với đơn vị thực việc mua sắm Luận văn tiếp cận giải toán “Đấu thầu nhiều vòng” phương pháp khoa học hỗ trợ định Đây phương pháp nghiên cứu dựa lý thuyết trò chơi, vấn đề đa mục tiêu giải thuật di truyền Những kết cung cấp cho ta giải pháp khoa học để lựa chọn nhà thầu mua sắm nhiều vòng, đảm bảo đáp ứng yêu cầu chủ đầu tư hoạt động đấu thầu thực tế Mục đích nghiên cứu Mơ hình hóa tốn đấu thầu nhiều vịng MOEA framework, triển khai thử nghiệm số thuật toán tiến hóa đa mục tiêu cho tốn đấu thầu nhiều vòng, đưa số tham số đánh giá thuật toán thử nghiệm Đối tượng nghiên cứu - Bài tốn tối ưu hóa đa mục tiêu, tốn đấu thầu nhiều vòng - MOEA framework, cách thức triển khai vấn đề MOEA framework - Phương án tham số đánh giá thuật toán tiến hóa đa mục tiêu Phạm vi nghiên cứu Đề tài tập trung tiếp cận tốn đấu thầu nhiều vịng theo hướng tối ưu hóa ProjectProfit: 4324943.672807308 ContractorProfit: 7265577.047993005 KeepContractorRelationship: 8289613.455990841 ProjectQuality: 0.96 ********************Package: Contractor: Công Ty Cổ Phần Tin Học Hồng Phúc Time: 4/3/2017 ProjectProfit: 4324943.672807308 ContractorProfit: 7265577.047993005 KeepContractorRelationship: 8289613.455990841 ProjectQuality: 0.96 ********************Package: Contractor: Artek - Cơng Ty Cổ Phần Cơng Nghệ Máy Tính Và Kiến Trúc Hà Nội Time: 1/2/2017 ProjectProfit: 4324943.672807308 ContractorProfit: 7265577.047993005 KeepContractorRelationship: 8289613.455990841 ProjectQuality: 0.96 ******************** Dạng chứa tất giải pháp tập Xấp xỉ tìm Cụ thể là: ===== GDE3 ===== Number of seeds: 0, run time: 9490 ***** Seed: ***** Solution: ProjectProfit: 1.269560708356109E9 ContractorProfit: 4.851570934297738E8 KeepContractorRelationship: 1.968658794723035E9 ProjectQuality: 0.88 Package 0: Contractor: Công Ty TNHH Công Nghệ Thông Tin Việt Nam Time: 4/7/2017 Package 1: Contractor: Cng Ty Cỏằã PhỏĐn Nguyỏằn QuÂn Time: 18/10/2017 Package 2: Contractor: IDC - Cng Ty Cỏằã PhỏĐn ThặặĂng Mại IDC Time: 23/9/2017 Solution: ProjectProfit: 9.022041452454785E7 ContractorProfit: 1.661902718943214E9 KeepContractorRelationship: 8.844261446917234E9 ProjectQuality: 0.67 Package 0: Contractor: IDC - Công Ty Cỏằã PhỏĐn ThặặĂng MỏĂi IDC Time: 23/6/2017 Package 1: Contractor: Cng Ty Cỏằã PhỏĐn Nguyỏằn QuÂn Time: 8/9/2017 Package 2: Contractor: Cng Ty Cỏằã PhỏĐn Nguyỏằn QuÂn Time: 14/11/2017 47 Solution: ProjectProfit: 1.3602960084479412E8 ContractorProfit: 1.1094914256347618E9 KeepContractorRelationship: 2.6525901633227763E9 ProjectQuality: 0.83 Package 0: Contractor: IDC - Cng Ty Cỏằã PhỏĐn ThỈ°Ỉ¡ng Mại IDC Time: 2/7/2017 Package 1: Contractor: Công Ty Cỏằã PhỏĐn Nguyỏằn QuÂn Time: 2/9/2017 Package 2: Contractor: Cng Ty Cỏằã PhỏĐn Tin Hỏằ?c Hỏằng Phc Time: 29/9/2017 Solution: ProjectProfit: 6.942250084443175E8 ContractorProfit: 5.150242650096741E8 KeepContractorRelationship: 1.1054696132779038E9 ProjectQuality: 0.83 Package 0: Contractor: Công Ty TNHH Công Nghệ Thông Tin Việt Nam Time: 6/6/2017 Package 1: Contractor: Cng Ty Cỏằã PhỏĐn Nguyỏằn QuÂn Time: 3/11/2017 Package 2: Contractor: Cng Ty Cỏằã Phần Tin Há»?c Hồng Phúc Time: 2/10/2017 Solution: ProjectProfit: 1.2911667482809582E9 ContractorProfit: 5.852440880253445E8 KeepContractorRelationship: 2.133645222252784E9 ProjectQuality: 0.88 Package 0: Contractor: Công Ty TNHH Công Nghệ Thông Tin Việt Nam Time: 16/7/2017 Package 1: Contractor: Công Ty TNHH Công Nghệ Thông Tin Việt Nam Time: 10/12/2017 Package 2: Contractor: IDC - Cng Ty Cỏằã PhỏĐn ThặặĂng MỏĂi IDC Time: 16/11/2017 3.5 Đánh giá thuật toán Các tham số đánh giá Q trình thuật tốn MOEA thực hiện, đưa tập xấp xỉ tập Pareto tập Pareto front lý việc tìm xác tập Pareto nhiều tốn kém, nên điều kiện dừng thực việc xem xét mục tiêu định tùy vào thuật toán Việc đánh giá chất lượng thuật tốn thực thơng qua tập xấp xỉ tìm thuật tốn Do MOEA khác có xu hướng hoạt động tốt số liệu khác nên Bosman [4], Deb Jain [5] để nghị sử dụng hai mục tiêu để so sánh MOEA 48 proximity (sự gần gũi) diversity (sự đa dạng) MOEA Framework cung cấp sẵn tham số; tham số tính thơng qua tập tham chiếu Tập tham chiếu tạo từ trước thực so sánh thuật tốn Hypervolume: Là đại lượng tính cho tập Pareto front (với giải pháp tạo từ MOEA Framework từ gọi tập xấp xỉ), cho biết thể tích khơng gian bị chi phối (dominated) tập xấp xỉ xem xét [6] Thể tích lớn chứng tỏ tập giải pháp vượt trội nhiều giải pháp khác Xem xét hai thuật toán, thuật toán cho giá trị Hypervolume cao chứng tỏ thuật tốn tìm giải pháp tốt Hình 3.5 Khơng gian Hypervolume Generational Distance (GD): khoảng cách trung bình từ giải pháp tập gần đến giải pháp gần tập tham chiếu Như đo gần gũi tập gần tới tập tham chiếu [7] Hình 3.6 Mơ tả Generation Distance 49 Spacing: Đo lường đồng khoảng cách giải pháp tập xấp xỉ Một tập xấp xỉ tốt không chứa cụm giải pháp dày đặc phân tách khoảng trống lớn Spacing khơng liên quan đến tập tham chiếu nên có tập xấp xỉ cho spacing tốt tập khơng gần với tập tham chiếu Do đó, để đánh giá tập xấp xỉ cần sử dụng phối hợp nhiều tham số [8] Hình 3.7 Mơ tả Spacing Trong MOEA Framework, để việc so sánh thuật toán quán, tham số Hypervolume, Generation Distance, chuẩn hóa thành giá trị nằm khồng [0, 1] với đại diện cho giá trị tối ưu (tức gần biểu đạt tập xấp xỉ Paretor Front xét tốt) Để so sánh, Reference Set chuẩn hóa theo giới hạn tối thiểu tối đa cho tất điểm tập tham chiếu nằm [0, 1]N Thứ hai, xấp xỉ Pareto front chuẩn hóa giới hạn khác Thứ ba, tham số so sánh tính cách sử dụng liệu chuẩn hóa Cuối cùng, tham số so sánh chuyển đổi theo phương trình khác để đảm bảo giá trị biểu thị giá trị tối ưu đạt theo số liệu Trong đó, Hypervolume chuyển đổi theo công thức [9]: 𝑀(𝐴𝑝𝑠 ) = ̂ (𝐴𝑠𝑝) 𝑀 𝑀∗ ̂ giá trị trước chuẩn hóa với 𝑀 Generation Distance chuẩn hóa theo cơng thức [9]: ̂ (𝐴𝑝𝑠 ) , 0) với 𝑀 ̂ giá trị trước chuẩn hóa 𝑀(𝐴𝑝𝑠 ) = max( − 𝑀 50 Kết cụ thể Sử dụng chương trình phân tích, chạy tập liệu data1.json thuật tốn NSGA-III, GDE3, ε-MOEA số lần chạy 10 lần cho thuật tốn, kết so sánh hình: Hình 3.8 Biểu đồ so sánh 03 thuật toán tập liệu data1.json Biểu đồ biểu diễn giá trị tham số Generation Distance, Hypervolume, Spacing thuật toán GDE3, NSGA-III, ε-MOEA Đường màu xanh nước biển biểu diễn giá trị thuật toán GDE3, đường màu xanh biểu diễn giá trị thuật toán NSGA-III, đường màu đỏ biểu diễn giá trị thuật toán ε-MOEA Trên biểu đồ cho thấy với tham số Generation Distance thuật toán GDE3 tốt nhất, thuật toán NSGA-III, ε-MOEA cho kết Với tham số Hypervolume Spacing thuật tốn ε-MOEA lại cho kết tốt nhất, NSGA-III GDE3 51 Hình 3.9 Biểu đồ giá trị Hypervolume 03 thuật toán tập liệu data1.json Biểu đồ cho thấy giá trị Hypervolume thuật toán ε-MOEA đạt giá trị tốt vào khoảng 0.6, thuật toán NSGA-III khoảng 0.550 thuật toán GDE3 vào khoảng 0.525 Hình 3.10 Biểu đồ giá trị Generation Distance 03 thuật toán tập data1.json Biểu đồ cho thấy giá trị Generation Distance thuật toán GDE3 đạt giá trị tốt vào khoảng 0.017, thuật toán NSGA-III khoảng 0.01 thuật toán ε-MOEA vào khoảng 0.0075 52 Hình 3.11 Biểu đồ giá trị Spacing 03 thuật toán tập liệu data1.json Với tham số Spacing thuật tốn đạt giá trị nhỏ lại tốt Biểu đồ cho thấy giá trị Spacing thuật toán ε-MOEA đạt giá trị tốt vào khoảng 100000, thuật toán NSGA-III khoảng 475000 thuật toán GDE3 vào khoảng 600000 Như thấy với tập liệu data1.json ε-MOEA có đa dạng tốt (khơng gian bị dominated tập xấp xỉ Pareto front rộng) chưa gần với tập xấp xỉ; ngược lại GDE3 gần với tập xấp xỉ đa dạng lại khơng cao Một vấn đề đáng lưu ý ε-MOEA có thời gian thực thi cao NGSA-III GDE3 khơng nhiều nhiên việc tính tốn tham số so sánh cho ε-MOEA lại tốn nhiều thời gian Do vậy, thực chương trình phân tích tổng thời gian từ bắt đầu đến hiển thị kết ε-MOEA chênh lệch vô lớn so với NGSA-III GDE3 Một số kết cụ thể thể sau: 53 Tham số NSGA-III GDE3 ε-MOEA Thời gian chạy (T) 37(s) 34(s) 39(s) Hypervolume (HV) 0.411 0.438 0.477 GenerationalDistance (GD) 0.002 0.001 0.000 InvertedGenerationalDistance (IGD) 0.107 0.058 0.000 AdditiveEpsilonIndicator (AEI) 0.162 0.105 0.034 MaximumParetoFrontError (MPfR) 0.077 0.108 0.036 Spacing (S) 476707.432 616934.564 77986.789 Contribution (C) 0.011 0.021 0.968 R1Indicator (R1) 0.185 0.185 0.185 R2Indicator (R2) 532206.855 725895.926 509244.064 R3Indicator (R3) 577971.466 786888.622 552230.901 Bảng 3.4 Giá trị tham số cho tập data1.json runSeed = Tham số NSGA-III Min T Median ε-MOEA GDE3 Max Min 163(s) Median Max Min 168(s) Median Max 197(s) HV 0.415 0.427 0.434 0.424 0.427 0.433 0.473 0.474 0.474 GD 0.000 0.001 0.001 0.001 0.001 0.002 0.000 0.000 0.000 IGD 0.028 0.036 0.057 0.035 0.037 0.038 0.002 0.002 0.003 ASI 0.080 0.107 0.116 0.091 0.115 0.161 0.025 0.041 0.052 MPfE 0.049 0.068 0.087 0.044 0.059 0.092 0.075 0.121 0.134 S 477192 486605 637265 553514 660760 786901 65049 72077 79176 C 0.195 0.199 0.208 0.187 0.203 0.207 0.181 0.202 0.212 R1 0.185 0.185 0.185 0.185 0.185 0.185 0.185 0.185 0.185 R2 659425 775570 813133 511595 520591 541902 502892 507505 511672 R3 715510 841613 882291 556108 565913 589838 545416 550374 555019 T2 0.5(s) 0.5(s) 1249(s) Bảng 3.5 Giá trị tham số so sánh cho tập data1.json với runSeed=5 Tiếp tục thực với tập liệu data2.json, thu kết cụ thể sau: 54 Hình 3.12 Biểu đồ so sánh 03 thuật toán tập liệu data2.json Trên biểu đồ cho thấy với tham số Generation Distance thuật toán GDE3 tốt nhất, thuật toán NSGA-III, ε-MOEA cho kết Với tham số Hypervolume thuật tốn ε-MOEA GDE3 cho kết tốt (xấp xỉ nhau), NSGA-III cho kết Với tham số Spacing ε-MOEA cho kết tốt nhất, GDE3 NSGA-III Hình 3.13 Biểu đồ giá trị Hypervolume 03 thuật toán tập liệu data2.json Biểu đồ cho thấy giá trị Hypervolume thuật toán ε-MOEA đạt giá trị tốt vào khoảng 0.284, thuật toán GDE3 khoảng 0.282 thuật toán NSGA-III vào khoảng 0.278 55 Hình 3.14 Biểu đồ giá trị Generation Distance 03 thuật toán tập data2.json Biểu đồ cho thấy giá trị Generation Distance thuật toán GDE3 đạt giá trị tốt vào khoảng 0.000175, thuật toán NSGA-III khoảng 0.000125 thuật tốn ε-MOEA vào khoảng 0.000025 Hình 3.15 Biểu đồ giá trị spacing 03 thuật toán tập liệu data2.json Biểu đồ cho thấy giá trị Spacing thuật toán ε-MOEA đạt giá trị tốt vào khoảng 2500000, thuật toán GDE3 khoảng 5000000 thuật tốn NSGA-III vào khoảng 6000000 Như thấy với tập liệu data2.json tham số Hypervolume khơng có chênh lệch nhiều ε-MOEA GDE3, nhiên ε-MOEA thuật toán vượt trội lấy Hypervolume Spacing làm tham số đánh giá Xét 03 tham số thấy GDE3 cho kết tốt NSGA-III 56 Tóm lại, với hai tập liệu ε-MOEA cho thấy vượt trội tham số Hypervolumn Spacing lại tham số Generational Distance; cịn NSGA-III có tham số tốt GDE3 với liệu data1.json lại với liệu data2.json Tham số NSGA-III ε-MOEA GDE3 Thời gian chạy 16 (s) 18 (s) 18(s) Hypervolume 0.268 0.282 0.283 GenerationalDistance 0.000 0.000 0.000 InvertedGenerationalDistance 0.000 0.000 0.000 AdditiveEpsilonIndicator 0.000 0.000 0.000 MaximumParetoFrontError 0.000 0.000 0.000 Spacing 114204660 48730186 3743492 Contribution 1.000 1.000 1.000 R1Indicator 0.185 0.185 0.185 R2Indicator 278303667 276302751 276308975 R3Indicator 313009752 309021845 309101722 Bảng 3.6 Giá trị tham số cho tập data2.json runSeed = NSGA-III Tham số Min T Median GDE3 Max Min 80 (s) Median e-MOEA Max Min Median 86(s) Max 82(s) HV 0.247 0.272 0.277 0.281 0.282 0.282 0.284 0.284 0.285 GD 0.000 0.000 0.001 0.000 0.000 0.000 0.000 0.000 0.000 IGD 0.006 0.019 0.031 0.001 0.001 0.002 0.000 0.000 0.000 ASI 0.058 0.119 0.133 0.015 0.018 0.054 0.005 0.007 0.010 MPfE 0.001 0.004 0.084 0.001 0.003 0.007 0.003 0.004 0.006 365142 628634 135006 473773 557086 656810 108015 182513 194685 45 51 369 34 42 77 C 0.180 0.196 0.226 0.215 0.223 0.236 0.189 0.193 0.225 R1 0.185 0.185 0.185 0.185 0.185 0.185 0.185 0.185 0.185 277304 277738 287201 276282 276296 276395 276267 276313 276421 817 955 429 632 824 527 235 552 653 310220 310706 321292 308983 308999 309109 308886 308937 309058 995 665 338 338 210 595 079 864 729 S R2 R3 T2 0.5 (s) 0.4 (s) 330 (s) Bảng 3.7 Giá trị tham số so sánh cho tập data2.json với runSeed=5 57 3.6 Kết chương Chương mô tả cách chi tiết 02 tập liệu sử dụng luận văn Nêu khái quát để hiểu ý tưởng bước triển khai 03 thuật toán sử dụng: NSGAIII, GDE3, ε-MOEA Đồng thời, làm rõ 03 tham số đánh giá thuật tốn tối ưu hóa đa mục tiêu: Hypervolume, Generation Distance, Spacing Cuối chương phần mô tả chương trình xây dựng, sử dụng chương trình xây dựng 02 tập liệu để so sánh thuật toán đưa đánh giá 58 KẾT LUẬN Luận văn với đề tài: “Phát triển thử nghiệm số thuật toán MOEA Framework cho tốn đấu thầu nhiều vịng” hoàn thành Luận văn giải nhiệm vụ đặt ban đầu bao gồm: Tìm hiểu tốn đấu thầu nhiều vịng phương pháp mơ hình hóa dựa vào lý thuyết trị chơi Tìm hiểu thuật tốn di truyền, thuật tốn tiến hóa đa mục tiêu MOEA Framework Xây dựng mơ hình tốn đấu thầu nhiều vịng, dựa vào MOEA Framework triển khai thuật tốn tiến hóa đa mục tiêu NSGA-III, GDE3, ε-MOEA để giải toán đấu thầu nhiều vòng Đưa so sánh, đánh giá thuật tốn tiến hóa đa mục tiêu sử dụng với tham số Hypervolume, Generation Distance, Spacing Đóng góp khoa học luận văn: Thứ nhất: Luận văn thực mơ hình hóa tốn đấu thầu nhiều vịng thử nghiệm với thuật tốn (NSGA-III, GDE3, ε-MOEA ) MOEA Framework Thứ hai: Đề xuất sử dụng ba tham số Hypervolume, Generation Distance, Spacing để so sánh, đánh giá thuật tốn Những khó khăn gặp phải trình thực luận văn: Chưa tiếp cận với thực tế đấu thầu nhiều vịng, việc mơ tả tốn cịn phụ thuộc nhiều vào kiến thức tài liệu tham khảo tra cứu internet Không thấy rõ xung đột q trình thực tế Lý do, khơng có điều kiện làm việc đơn vị thực tổ chức đấu thầu, thông tin chi tiết buổi đấu thầu thường khơng cơng khai Khó khăn việc thu thập liệu nên sử dụng 02 liệu cung cấp giáo viên hướng dẫn Những hạn chế tồn tại: Chương trình xây dựng sử dụng cho liệu có cấu trúc với liệu sử dụng Chương trình xây dựng hữu ích việc nghiên cứu phát triển thuật toán lại áp dụng vào thực tế Lý do, tốn 59 thực tế có nhiều yếu tố tác động cần xem xét để thêm vào trình mơ hình hóa việc dự án bị kéo dài, khối lượng công việc bị tăng, vấn đề liên quan đến nhà thầu nguồn vốn chủ đầu tư… Hướng phát triển Do điều kiện cá nhân nhiều hạn chế, nên vấn đề nghiên cứu “Phát triển thử nghiệm số toán MOEA Framework cho tốn đấu thầu nhiều vịng” khn khổ luận văn nghiên cứu ban đầu Từ kết nghiên cứu cho thấy thân tác giả phải tiếp tục nghiên cứu triển khai theo hướng sau:  Tiếp tục thêm vào số thuật tốn tiến hóa đa mục tiêu khác  Nghiên cứu sâu thuật tốn có hướng đề xuất cải tiến dựa vào kết so sánh thuật toán  Sử dụng kết chương trình tại, xây dựng sản phẩm công nghệ thông tin để hỗ trợ định dự án cần đến đấu thầu đấu thầu nhiều vòng 60 TÀI LIỆU THAM KHẢO [1] Guillermo Campos Ciro, Frédéric Dugardin, Farouk Yalaoui, Russell Kelly, A NSGA-II and NSGA-III comparison for solving an open shop scheduling problem with resource constraints, 2016 [2] Saku Kukkonen, GDE3: The third Evolution Step of Generalized Differential Evolution, 2005 [3] Kalyan Deb, Manikanth Mohan, S Mishra, A Fast Multi-objective Evolutionary Algorithm for Finding Well-Spread Pareto-Optimal Solutions, 2003 [4] Peter A.N Bosman, The Balance between Proximity and Diversity in Multi– Objective Evolutionary Algorithms [5] Kalyanmoy Deb , Sachin Jain, Running performance Metrics for evolutionary multi-objective optimization, 2002 [6] Joshua Damian Knowles, David Corne, On metrics for comparing nondominated sets, 2002 [7] David Hadka, Diagnostic Assessment of Search Controls and Failure Modes in Many-Objective Evolutionary Optimization, 2012 [8] Carlos A Coello Coello, Gary B Lamont and David A Van Veldhuizen, Evolutionary Algorithms for Solving Multi-Objective Problems, 2007 [9] David Hadka, Beginner’s Guide to the MOEA Framework, 2016 [10] Trần Hải Linh, ĐATN Xây dựng phần mềm trợ giúp định cho đấu thầu nhiều vòng dựa vào ứng dụng, Hà Nội: Đại học Bách Khoa Hà Nội, 2016 [11] Bao Ngọc Trinh, Quyet Thang Huynh, Thuy Linh Nguyen, "Research on Genetic Algorithm and Nash Equilibrium in Multi-Round Procurement," in In New Trends in Intelligent Software Methodologies, Tools and Techniques, 2017, pp 51-64 [12] Abdullah Konak, David W Coit, Alice E Smith, Multi-Objective Optimization Using Genetic Algorithms: A Tutorial, 2006 [13] Martin J Osborne, Introduction to Game Theory, Oxford University Press, 2004 [14] Joseph E Harrington, Jr, Games, Strategies, and Decision Making, Worth Publishers, 2009 [15] S.N Sivanandam, S.N Deepa, Introduction to Genetic Algorithms, 2008 61 ... nghiên cứu liên tục đạt phát triển đáng ý Luận văn: ? ?Phát triển thử nghiệm số thuật toán MOEA framework cho toán đấu thầu nhiều vịng” nghiên cứu tốn đấu thầu nhiều vịng ? ?Đấu thầu nhiều vịng” vấn đề... đấu thầu nhiều vịng MOEA framework, triển khai thử nghiệm số thuật tốn tiến hóa đa mục tiêu cho tốn đấu thầu nhiều vịng, đưa số tham số đánh giá thuật toán thử nghiệm Đối tượng nghiên cứu - Bài. .. MƠ HÌNH HỐ BÀI TỐN ĐẤU THẦU NHIỀU VỊNG VÀ THỬ NGHIỆM TRÊN CÁC THUẬT TOÁN CỦA MOEA FRAMEWORK Chương chương giải tốn đấu thầu nhiều vịng bao gồm nội dung:  Mơ hình hóa tốn đấu thầu nhiều vịng