Luận văn đã tiến hành cài đặt hoàn thiện bài toán với 2 quy tắc cập nhật mùi, đó là quy tắc cập nhật mùi SMMAS và quy tắc cập nhật mùi theo chiến lược kiến trọng lượng của thuật toán IACO [9] là thuật toán có kết quả tốt nhất hiện nay được đưa ra trong bài báo “An improved ant colony optimization for vehicle routing problem”.
Khi tiến hành thực nghiệm, để so sánh khách quan, trong tất cả các thuật toán luận văn sử dụng các tham số giống nhau và không sử dụng tìm kiếm địa phương. Vì ACO là lớp Meta-heuristic nên ngoài việc so sánh kết quả tốt nhất thì kết quả trung bình sau nhiều lần chạy cũng là căn cứ quan trọng. Với mỗi bộ dữ liệu chúng tôi tiến hành chạy 10 lần để lấy kết quả tốt nhất và kết quả trung bình (Kết quả tốt nhất và kết quả trung bình sau 10 lần chạy dùng để so sánh tính hiệu quả của các thuật toán).
Để thuận tiện phương pháp ACO có sử dụng quy tắc cập nhật mùi theo chiến lược kiến trọng lượng được luận văn quy ước gọi là ACO(*).
Phương pháp ACO có sử dụng quy tắc cập nhật mùi theo thuật toán SMMAS được luận văn quy ước gọi là (ACO-SMMAS)
Với ACO(*)
Các tham số của 14 bộ test được chỉ ra trong cột 2 và 3 của Hình 4.2. Gồm
kích thước n thành phố, Q là trọng tải của xe. Hằng số Q=1000
= 1,ρ=0.8 . Thuật toán được cài đặt bằng ngôn ngữ lập trình VB6.0 trên thiết bị máy tính cá nhân và với bộ xử lý intel core i3.
Sau nhiều thử nghiệm chúng tôi đề xuất các tham số cụ thể sau cho bài toán:
Hình 3.4: Các tham số sử dụng cho thuật toán
Kết quả thực nghiệm được thể hiện trong hình 4.2. Cột 1 (N0) là tên các bộ dữ liệu đầu vào. Cột 2 (N) là số thành phố. Cột 3 (Q) Trọng tải xe của từng bộ dữ liệu. Cột 4 (Tốt nhất) hiển thị giá trị tốt nhất sau 10 lần thực hiện chương trình.
41
Cột 5 (Xấu nhất) hiển thị giá trị tồi nhất sau 10 lần thực hiện chương trình. Cột 6 (Trung bình) hiển thị giá trị trung bình sau 10 lần thực hiện chương trình. Cột 7(Thời gian) hiển thị thời gian của lần chạy mang kết quả tốt nhất.
N0 C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 Hình 3.5: Bảng kết quả thực nghiệm Với ACO-SMMAS
Sau nhiều thử nghiệm luận văn đề xuất tỷ lệ
thấy ACO-SMMAS có thời gian chạy nhanh hơn ACO(*) nhưng lại cho tổng quãng đường không tối ưu bằng. Đối với số đỉnh trên 120 thì thuật toán chạy không ổn định có khi không trả ra kết quả.
42
Dưới đây là bảng so sánh kết quả thực hiện của ba phương pháp: ACO(SMMAS), ACO(*), IACO.
ACO(SMMAS) Tốt Nhất C1 760 C2 1390.09 C3 1451.56 C4 2068.09 C5 2820.07 C6 728.97 C7 - C8 - C9 - C10 - C11 - C12 1634.75 C13 2497.01 C14 1670.91
Hình 3.6: So sánh các kết quả khi sử dụng các thuật toán ACO
Kết quả cho thấy thuật toán ACO(*) đã giải quyết tốt bài toán. Nhưng về tổng quãng đường và thời gian chưa tối ưu bằng IACO bởi IACO và ACO(*) tuy cùng sử dụng quy tắc cập nhật mùi nhưng IACO có kết hợp thêm Local Search nên kết quả tốt hơn.
KẾT LUẬN
Tóm tắt kết quả làm được
Với những gì nghiên cứu và trình bày luận văn đã thực hiện được một số vấn đề sau:
Nghiên cứu lý thuyết của thuật toán ACO
Tìm hiểu về bài toán VRP và cài đặt thành công thuật toán ACO áp dụng cho bài toán VRP
Tiến hành thử nghiệm thay thế, và so sánh hai quy tắc cập nhật mùi mới nhất hiện nay áp dụng cho bài toán VRP là quy tắc cập nhật mùi theo “chiến lược kiến trọng lượng” và quy tắc cập nhật mùi SMMAS
Hướng phát triển của luận văn
Sẽ nghiên cứu cải tiến để có thể giải quyết bài toán với số thành phố lớn hơn 200 và với thời gian ngày càng nhỏ.
Cố gắng đưa được bài toán áp dụng trong thực tế: Bài toán điều phối xe là bài toán rất quan trọng cho các doanh nghiệp điều phối xe, giúp giảm thiểu chi phí về tổng quãng đường phải đi của cả đội xe. Nếu sản phẩm này được hoàn thiện các doanh nghiệp sẽ tiết kiệm được nhiên liệu, đồng thời tăng chất lượng phục vụ khách hàng. Vì có tính năng chỉ được lộ trình tất cả các xe sao cho quãng đường đi của cả đội xe là ngắn nhất, tốt nhất có thể nên nó được áp dụng trong các hãng Taxi, công an và cứu hỏa.
44
TÀI LIỆU THAM KHẢO
Tiếng Việt
[1] Đỗ Đức Đông (2012), Phương pháp tối ưu đàn kiến và ứng dụng, Luận án tiến sĩ công nghệ thông tin ĐHCN-ĐHQGHN.
Tiếng Anh
[2] M.Dorigo, V.Mainezzo and A.Corloni. Positive feedback as a search strategy, Technical Report 91-109, Departimento di electronica e infomatica, Poletico di Milano, IT, 1991.
[3] M.Dorigo. Optimization, learning and natural algorithms, PhD.dissertation, Milan Polytechnique, Italy, 1992.
[4] M.Dorigo, V.Maniezzo and A.Corloni. The Ant System: Optimization by a colony of cooperating agents, IEEE, Trans.Syst., Man, Cybern.B, vol.26, no.2, 1996, pp 29-41.
[5] M.Dorigo and L.M.Caro. The Ant Conoly Optimization metaheuristic, A New Idea in Optimization, D.Corne, M.Dorigo and F.Glover, Eds.London, U.K, McGraw-Hill, 1999, pp.11-32.
[6] M.Dorigo and Thomas Stutzle. The Ant Colony Optimization Metaheuristic: Algorithms, Applications and Advances, 2000.
[7] Hoang Xuan Huan. Convergence Analysis of ACO Algorithms and New Perpectives, manuscript, 2003.
[8] J.F.Shapiro. Mathematical Programming: Structures and Algorithms. Wiley-Interscience [John Wiley & Sons], New York, 1979.
[9] Yu Bin, Yang Zhong-Zhen, Yao Baozhen
An improved ant colony optimization for vehicle routing problem, European Journal of Operational Research 196 (2009) 171-176
[10] Hoang Xuan Huan, Do Duc Dong and Dinh Quang Huy. Multi-level
Ant System and Typical Combanatorial Optimization Problems. 2nd Optimization and Scientific Computation Conference, Institue of Mathematics, Ha Noi, Viet Nam, 05.2004, page 15
[11] Bernd Bullnheimer, Richard F. Hartl and Christine Strauss. An improved ant system algorithm for the vehicle routing problem. Institute of Management Science, University of Vienna,
[12] John E. Bella, Patrick R. McMullenb. Ant colony optimization techniques for the vehicle routing problem, Advanced Engineering Informatics 18 (2004) 41–48
[13] Paolo Toth, Daniele Vigo, The Vehicle Routing Problem,SIAM 2002. [14] Yu B., Yang,ZZ.,2007. Adynamic holding strategy in public transit system with real-time information. Applied Intlligence,( accepted for publiction), doi:10.1007/s 10489-007-0112-9