Đấu tranh sinh tồn

Một phần của tài liệu Ứng dụng các kỹ thuật META HEURISTIC để thiết kế mạng chịu lỗi (Trang 62 - 65)

Giải thuật đề xuất sử dụng chiến lƣợc chọn lọc tự nhiên thứ 4: lựa chọn tranh đấu – những cá thể ƣu tú sẽ đƣợc giữ lại cho thế hệ sau. Giả sử sau các toán tử lai ghép và đột biến, sinh ra đƣợc m cá thể mới, chiến lƣợc đấu tranh sinh tồn sẽ thực hiện:

 Sắp xếp tập cá thể (gồm các cá thể trong quần thể ban đầu và các cá thể mới sinh ra) theo chiều tăng dần của độ thích nhi (chiều giảm dần của hàm chi phí).

 Loại bỏ m nhiễm sắc thể đầu tiên có độ thích nghi kém nhất, Quá trình này đảm bảo số lƣợng cá thể trong quần thể luôn cố định.

Nhƣ vậy, chƣơng này tác giả đã trình bày hai giải thuật đề xuất để giải bài toán thiết kế mạng chịu lỗi: giải thuật heuristic OEC và giải thuật di truyền GA_SNDP.

Phần tiếp theo sẽ trình bày các kết quả thu đƣợc sau khi cài đặt hai giải thuật trên và tiến hành vẽ biểu đồ so sánh với các giải thuật trƣớc đây.

A1 A2 B3 A4 A5 A6 A7 Con

Đề tài: Ứng dụng các kỹ thuật Meta-heuristic để thiết kế mạng chịu lỗi.

Học viên thực hiện: Nguyễn Thị Minh - CB110185 - 11BCNTT.KH 63

CHƢƠNG 4: KẾT QUẢ ĐẠT ĐƢỢC 4.1. Dữ liệu thử nghiệm.

Các bộ dữ liệu đƣợc sử dụng trong phần thực nghiệm gồm có bộ dữ liệu chuẩn và bộ dữ liệu ngẫu nhiên. Bộ dữ liệu chuẩn gồm 135 trƣờng hợp và bộ dữ liệu ngẫu nhiên gồm 100 trƣờng hợp.

 Bộ dữ liệu chuẩn (bảng 1) lấy từ dữ liệu thực tế ở một thành phố nƣớc Đức, đƣợc sử dụng trong các bài báo [3, 5, 13, 14]. Các bộ dữ liệu này đƣợc tải về tại địa chỉ: https://www.ads.tuwien.ac.at/people/mleitner/sndp/sndpinstances.tar.gz

 Bộ dữ liệu ngẫu nhiên gồm các trƣờng hợp đồ thị thƣa với kích thƣớc đƣợc cho ở bảng 2, chi phí các cạnh trong đồ thị đƣợc sinh ngẫu nhiên trong khoảng [5000, 105000].

Bảng 1: Bảng tham số của bộ dữ liệu real-world

Set # |V| |E| |C| |C1| |C2| ClgSExtra.ist 25 190 377 5-8 3-5 2-3 ClgSExtra-I2.ist 15 190 377 11-17 7-12 4-7 ClgSExtra-I3.ist 15 190 377 8-12 5-8 3-6 ClgMExtra.ist 25 1757 3877 6-10 4-7 2-3 ClgMExtra-I2.ist 15 1523 3290 11-14 8-11 3-4 ClgN1BoundI1.ist 20 2804 3082 10-14 8-11 3-4 ClgN1BoundI2.ist 20 2804 3082 8-12 3-6 4-6

Bảng 2: Bảng tham số của dữ liệu random

Set # |V| |E| |C| |C1| |C2| SNDP.R1xx 30 190 500 7-18 4-10 2-8 SNDP.R2xx 9 2000 5000 7-14 5-10 2-4 SNDP.R3xx 10 1523 3290 5-7 3-5 2-3 SNDP.R4xx 10 1757 3877 7-10 3-7 2-4 SNDP.R5xx 20 2400 5000 6-14 4-11 2-5 SNDP.R6xx 6 2800 3500 7-10 4-7 2-4 SNDP.R7xx 5 3867 8477 6-10 3-7 2-4 SNDP.R8xx 10 3867 46307 8-14 3-11 2-4

Đề tài: Ứng dụng các kỹ thuật Meta-heuristic để thiết kế mạng chịu lỗi.

Học viên thực hiện: Nguyễn Thị Minh - CB110185 - 11BCNTT.KH 64

Set: Tên bộ dữ liệu #: Số trƣờng hợp |V|: Số lƣợng đỉnh |E|: Số lƣợng cạnh |C|: Số lƣợng khách hàng |C1|: Số lƣợng khách hàng loại 1 |C2|: Số lƣợng khách hàng loại 2 4.2. Thiết lập hệ thống

Các chƣơng trình đều đƣợc cài đặt trên ngôn ngữ lập trình C++, sử dụng máy Intel Core 2 Duo T6400 2.0GHz, 4GB RAM.

4.3. Tham số thực nghiệm

Trong phần thực nghiệm này, các giải thuật đề xuất (bao gồm giải thuật OEC và GA_SNDP) sẽ đƣợc so sánh với giải thuật APSP [5], và kết quả tốt nhất thu đƣợc của nhóm tác giả (Best_Previous). Các chƣơng trình đƣợc chạy 10 lần trên mỗi bộ dữ liệu và lƣu lại kết quả có chi phí xây dựng mạng nhỏ nhất, thời gian chạy của chƣơng trình bằng trung bình thời gian của 10 lần chạy.

4.4. Kết quả thực nghiệm

Các ký hiệu sử dụng trong bảng thống kê kết quả:  Set: Tên của bộ dữ liệu.

 #: Số trƣờng hợp của bộ dữ liệu.  |V|: Số lƣợng đỉnh của đồ thị.  |E|: Số lƣợng cạnh của đồ thị.

4.5. Đồ thị so sánh kết quả.

Để đánh giá hiệu quả của các thuật toán đề xuất, các kết quả thu đƣợc sẽ đƣợc so sánh với kết quả tốt nhất từ các thuật toán đã có.

Dƣới đây là kết quả đƣợc biểu diễn dƣới dạng đồ thị của

 Hai thuật toán đề xuất:

o OEC (Each Optimal Component)

o GA_SNDP (Genetic Algorithm Survivable Network Design Problem) (adsbygoogle = window.adsbygoogle || []).push({});

Đề tài: Ứng dụng các kỹ thuật Meta-heuristic để thiết kế mạng chịu lỗi.

Học viên thực hiện: Nguyễn Thị Minh - CB110185 - 11BCNTT.KH 65

o Thuật toán APSP của Thomas Bucics [5]

o Kết quả tốt nhất Best_Previous đƣợc tổng hợp từ 4 giải thuật (MSSP, OSSP, RNS, ABRO đã đƣợc trình bày chi tiết ở phần 3 trên) mà nhóm tác giả đã công bố trong hội thảo trƣớc đó [13, 14]. Loại đồ thị đƣợc sử dụng: Line Chart.

Một phần của tài liệu Ứng dụng các kỹ thuật META HEURISTIC để thiết kế mạng chịu lỗi (Trang 62 - 65)