9. Kết cấu của Luận án
4.1 Giới thiệu chung về tính toán phương án TKCN
4.1.1 Nguyên tắc chung của hoạt động TKCN
Hoạt động TKCN trên biển thực hiện theo các nguyên tắc sau:
- Phối, kết hợp mọi nguồn lực để nâng cao hiệu quả của hoạt động TKCN, ưu tiên các hoạt động để cứu người bị nạn và bảo vệ môi trường;
- Chủ động xây dựng các phương án chuẩn bị sẵn sàng lực lượng cho hoạt động ứng phó theo khu vực, tính chất vụ việc;
- Tổ chức thu nhận, xử lý thông tin báo nạn kịp thời, ưu tiên bảo đảm thông tin cho hoạt động ứng phó;
- Thời gian tìm kiếm được vật thể bị nạn phải ngắn;
- Các vùng có xác suất vật thể bị nạn trôi dạt phải được ưu tiên tìm cứu; - Đảm bảo an toàn cho người, phương tiện tham gia TKCN.
4.1.2 Các yếu tố ảnh hưởng tới công tác TKCN
4.1.2.1 Ảnh hưởng của điều kiện khí tượng hải văn đến độ trôi dạt của vật thể bị nạn
Như trình bày ở mục 2.1, độ trôi dạt của mục tiêu trên biển rất phức tạp, hai thành phần chính gây ra độ dạt tổng hợp (Drift) của phương tiện là Độ dạt gió (Leeway) và Độ dạt nước (do Total Water Current).
4.1.2.2 Ảnh hưởng của điều kiện khí tượng hải văn đến hoạt động của tàu SAR
Ảnh hưởng của sóng gió tới tốc độ tàu SAR rất khó xác định. Khi tốc độ gió lớn, tàu sẽ bị giảm tốc độ bất kể việc đi ngược hay đi xuôi gió do ảnh hưởng
của sóng gây ra bởi chính gió này. Do đó cần thu thập dữ liệu tốc độ tàu ở các trạng thái mớn nước, điều kiện thời tiết khác nhau. Nếu lựa chọn đường chạy tàu phù hợp thì tốc độ và sự an toàn của tàu SAR sẽ được đảm bảo.
Mối tương quan giữa tốc độ tàu và thời gian hoạt động của tàu: Tốc độ cao => tìm nhanh, thời gian tìm ngắn có thể chưa kịp quan sát hết vùng tìm cứu; tốc độ phù hợp => Thời gian lâu, nhưng có khả năng quét khu vực rộng.
4.1.2.3 Những yếu tố có thể ảnh hưởng tới độ rộng vệt tìm kiếm tối đa a. Độ rộng vệt tìm kiếm tối đa – Sweep Width (W):
Độ rộng tìm kiếm tối đa là yếu tố quyết định hiệu quả tìm kiếm, là phép đo khả năng tìm ra đối tượng tìm kiếm. Giá trị của độ rộng vệt tìm kiếm tối đa phụ thuộc vào đối tượng tìm kiếm và điều kiện môi trường (sóng biển, tầm nhìn xa..), thời tiết tại hiện trường. Bảng N-4 của Phụ lục N của trong IAMSAR Manual tập II [49] cho phép tra cứu độ rộng vệt tìm kiếm tối đa. Bảng N-7 đưa ra số hiệu chỉnh thời tiết áp dụng cho độ rộng tìm kiếm.
Bảng 4.1. Độ rộng vệt tìm kiếm Meteorological visibility (km (NM)) Search Object 6 (3) 9 (5) 19 (10) 28 (15) 37 (20) Person in water 0.7 (0.4) 0.9 (0.5) 1.1 (0.6) 1.3 (0.7) 1.3 (0.7) 4-person liferaft 4.2 (2.3) 5.9 (3.2) 7.8 (4.2) 9.1 (4.9) 10.2 (5.5) 6-person liferaft 4.6 (2.5) 6.7 (3.6) 9.3 (5.0) 11.5 (6.2) 12.8 (6.9) 15-person liferaft 4.8 (2.6) 7.4 (4.0) 9.4 (5.1) 11.9 (6.4) 13.5 (7.3) 25-person liferaft 5.0 (2.7) 7.8 (4.2) 9.6 (5.2) 12.0 (6.5) 13.9 (7.5) Boat < 5 m (17 ft) 2.0 (1.1) 2.6 (1.4) 3.5 (1.9) 3.9 (2.1) 4.3 (2.3) Boat 7 m (23 ft) 3.7 (2.0) 5.4 (2.9) 8.0 (4.3) 9.6 (5.2) 10.7 (5.8) Boat 12 m (40 ft) 5.2 (2.8) 8.3 (4.5) 14.1 (7.6) 17.4 (9.4) 21.5 (11.6) Boat 24 m (79 ft) 5.9 (3.2) 10.4 (5.6) 19.8 (10.7) 27.2 (14.7) 33.5 (18.1)
Bảng 4.2. Số hiệu chỉnh thời tiết Độ rộng vệt tìm kiếm
Search object Weather: Winds km/h (kt) or sea (ft) Person in water, raft or
boat < 10 m (33 ft) Other search objects Winds 0-28 km/h (0-15 kts) or seas 0-1 m (0-3 ft) 1.0 1.0 Winds 28-46 km/h (15-25 kts) or seas 1-1.5 m (3-5 ft) 0.5 0.9 Winds > 46 km/h (> 25 kts) or seas > 1.5 m (> 5 ft) 0.25 0.9
b. Khoảng cách giữa hai vệt tìm kiếm – Track Spacing (S):
Khoảng cách giữa các vệt tìm kiếm nằm cạnh nhau được gọi là khoảng cách giữa các vệt tìm kiếm đối với mô hình tìm kiếm song song. Đối với các mô hình này, hệ số tìm kiếm (C) có thể được tính như sau:
𝐶 = #
n (4.1)
Trong đó: - W: độ rộng tìm kiếm tối đa;
- S: khoảng cách giữa hai vệt tìm kiếm;
Hệ số tìm kiếm C do nhân viên phối hợp TKCN (SMC) đưa ra nhờ tra bảng, máy tính hoặc kinh nghiệm. Việc tính toán, đưa ra các thông số độ rộng tìm kiếm tối đa W, khoảng cách giữa các vệt tìm kiếm (S) là do các SMC tại các RCC dựa vào bảng biểu, máy tính.
Những yếu tố có thể ảnh hưởng tới độ rộng vệt tìm kiếm tối đa:
Giá trị của độ rộng vệt tìm kiếm tối đa phụ thuộc vào máy dò tìm (mắt của người tìm kiếm hoặc các thiết bị như Radar, Radio...), đối tượng tìm kiếm và điều kiện môi trường tại hiện trường.
- Độ cao so với mặt nước biển của phương tiện tìm kiếm hoặc các bộ cảm biến cũng có thể tác động tới độ rộng tìm kiếm tối đa.
- Đối tượng tìm kiếm ảnh hưởng tới độ rộng vệt tìm kiếm tối đa. Đối tượng tìm kiếm dễ bị phát hiện hơn khi nó tương phản đáng kể với môi trường. Kích thước của đối tượng tìm kiếm. Những vật thể bằng kim loại, radar dễ phát hiện hơn là những vật thể cùng kích thước nhưng làm bằng sợi thủy tinh, gỗ..
- Tầm nhìn khí tượng là một yếu tố tác động tới độ rộng vệt tìm kiếm tối đa khi tìm kiếm bằng mắt thường;
- Địa hình và điều kiện vùng biển có thể gây ảnh hưởng tới độ rộng vệt tìm kiếm tối đa hầu hết có trong mọi tính huống.
4.1.3 Nguyên lý chung về xây dựng tuyến đường trên mạng lưới
Theo phương pháp quy hoạch mạng lưới (Grid – Method), một khu vực hàng hải nói chung (hay khu vực cần tìm kiếm đối với bài toán TKCN) có thể được bao phủ bởi một mạng lưới phù hợp với các nút được coi là các waypoint cho tàu. Việc xác định tuyến đường cần chạy tàu chính là xác định một tập hợp các điểm trên lưới và thứ
tự các điểm tàu cần chạy qua một cách phù hợp. Tùy theo yêu cầu bài toán, việc lựa chọn các điểm được thực hiện theo các nguyên tắc khác nhau nhằm tối ưu hóa một hàm mục tiêu được xây dựng trước.
Đối với bài toán xác định tuyến đường chạy tàu SAR, trước hết, ta xây dựng một mạng lưới (grid) trong vùng tìm kiếm giữa điểm A và điểm B trên tuyến định trước (từ điểm trực cứu nạn tới biên của vùng tìm kiếm xác định,
Hình 4.1. Tuyến đường chạy tàu trên
sau đó chạy tàu quét hết khu vực này), với các đường (grid line) và các điểm trên đường (grid point). Tuyến chạy tàu tối ưu là một tuyến đi qua 1 điểm trên mỗi đường mạng lưới, lần lượt từ điểm A tới điểm B với thừoi gian ngắn nhất. Như vậy, tuyến có thể được mô tả bởi tập hợp S gồm các điểm trên mỗi đường thỏa mãn hiệu quả nhất các điều kiện về an toàn, đồng thời thỏa mãn hàm mục tiêu được lựa chọn, là tổng hợp của thời gian chạy tàu.
4.2 Phương pháp số tìm kiếm tuyến đường tối ưu trên lưới
Mục tiêu của tối ưu, đơn giản là giảm thiểu chi phí hoặc tối đa hóa hiệu quả. Thuật toán tối ưu là một quy trình được thực hiện lặp đi lặp lại việc so sánh các giải pháp khác nhau cho đến khi tìm thấy một giải pháp tối ưu hoặc thỏa đáng. Bài toán tối ưu là bài toán tìm kiếm lời giải tốt nhất trong tất cả các lời giải khả thi.
4.2.1 Phương pháp quy hoạch động
Phương pháp quy hoạch động là phương pháp phổ biến để tìm tuyến đường (ngắn nhất) đi từ điểm đầu tới
điểm cuối trên một mạng lưới. Mỗi đoạn giữa 02 nút được gắn một giá trị chi phí (hay độ dài quãng đường, thời gian di chuyển cần thiết) nhất định. Tuyến đường phải chọn là tuyến đi qua các nút, tới điểm cuối mà có tổng chi phí là nhỏ nhất.
4.2.2 Thuật toán đàn kiến
Thuật toán tối ưu đàn kiến (Ant Colony Optimization Algorithm) mô phỏng quá trình tìm kiếm thức ăn của đàn kiến, theo đó, trong quá trình tìm
Hình 4.2. Tuyến đường di chuyển theo
kiếm thức ăn từ tổ, các cá thể kiến trải trên đường đã di chuyển qua một loại hóa chất đặc biệt (pheromone) có thể phát hiện được và mờ nhạt dần theo thời gian. Pheromone do một cá thể phát ra có thể được nhận biết bởi các cá thể khác và các cá thể này có xu hướng
đi theo đường cá thể trước đã đi để tìm thức ăn.
Tuy nhiên, trong quá trình di chuyển, các cá thể sau có thể đi chệch khỏi đường ban đầu để đến nơi có thức ăn theo các đường khác nhau. Những đường ngắn hơn có thời gian
di chuyển cần thiết ngắn, vì vậy lượng pheromone được thả ra nhiều và dễ nhận hơn các đường khác và được sử dụng nhiều hơn các đường trước đó. Cứ như vậy, sau một thời gian, toàn bộ đàn kiến sẽ tập trung trên một đường ngắn nhất từ tổ tới nơi có nguồn thức ăn.
4.2.3 Thuật toán di truyền
Thuật toán di truyền (Genetic Algorithm - GA) là thuật toán tìm kiếm ngẫu nhiên dựa trên cơ chế chọn lọc tự nhiên. Theo thuyết tiến hoá của Đác uyn, từ một quần thể ban đầu, trải qua quá trình biến đổi thích nghi các cá thể tốt, thích nghi hơn sẽ được lựa chọn để lai tạo và đột biến, trong khi các cá thể kém hơn sẽ bị đào thải. Thuật toán di truyền cũng duy trì một lớp lời giải ban đầu (quần thể), thông qua quá trình tiến hóa (lai tạo, đột biến) để hình thành một lớp mới với hy vọng lớp mới sẽ tốt hơn cũ. Quá trình tiến hóa diễn ra liên tục cho đến khi các hàm mục tiêu dần đạt được, khi đó lời giải của bài toán được xác định. [12]
Hình 4.3. Tuyến đường tìm kiếm ngắn
4.2.4 Thuật toán vi khuẩn (BFO)
Thuật toán vi khuẩn (Bacterial Foraging Optimization Algorithm - BFOA) được đề xuất đầu tiên bởi Passino [53], [87] năm 2002, thuật toán tối ưu dựa trên phương pháp tìm kiếm thức ăn của bầy vi khuẩn đã thu hút được sự quan tâm của nhiều nhà nghiên cứu trong những năm qua và hiện được coi là giải pháp khả thi cho rất nhiều vấn đề khác nhau về tối ưu. BFO là phương pháp tối ưu số dựa vào số đông trong bầy. Phương pháp này rất đơn giản về mặt lý thuyết song lại là công cụ tính toán rất mạnh và đã được ứng dụng thành công trong nhiều vấn đề kỹ thuật khác nhau như điều khiển tối ưu, trí tuệ nhân tạo hoặc các dự đoán điều hòa…
Là một thuật toán dựa trên số đông các vi sinh vật đơn giản, BFO đáng tin cậy và hiệu quả hơn so với các phương pháp số thông thường (dựa trên các tính toán đối với Gradient) nhờ các ưu điểm chính như sau:
- Các phần tử riêng biệt trong tập hợp có tính chất tự chủ và phân tán. Không có sự điều khiển tập trung nên việc một hoặc một số phần tử kém hiệu quả hoặc thất bại không làm ảnh hưởng tới việc giải quyết vấn đề của cả tập hợp. Nói cách khác, các phần tử còn lại vẫn có khả năng tìm nghiệm tối ưu cho bài toán một cách độc lập. Nhờ vậy, thuật toán này hiệu quả và mạnh hơn so với các phương pháp số khác.
- Do việc hợp tác (kết bầy) của các cá thể là thông qua các liên lạc gián tiếp nên thuật toán có thể được mở rộng dễ dàng. Đối với một vấn đề đơn giản, một tập hợp vi khuẩn nhỏ cũng có thể thực hiện tìm kiếm hiệu quả. Tuy nhiên, khi mức độ phức tạp của vấn đề tăng lên, cần sử dụng số lượng vi khuẩn lớn hơn.
Do sự mở rộng dễ dàng của thuật toán BFO, ta có thể tăng quy mô tập hợp vi khuẩn để giải quyết được những vấn đề phức tạp hơn một cách nhanh chóng.
- Thuật toán BFO chỉ sử dụng các công thức toán học cơ bản do đó có thể được áp dụng một cách đơn giản, nhanh chóng và hiệu quả trên máy tính. - Khi áp dụng BFO, ta không cần các giả định về tính khả vi, hàm lồi cũng như các yêu cầu khác về mặt toán học. Do đó, các thuật toán có thể áp dụng được cho rất nhiều vấn đề khác nhau.
Đường chạy tàu SAR tìm kiếm vật thể bị nạn phải đảm bảo ưu tiên quét hết vùng xác suất trôi dạt của vật thể với thời gian ngắn, trong quá trình chạy tàu SAR chịu sự tác động của điều kiện sóng gió, đây là bài toán tối ưu hàm nhiều biến. Với các yếu tố này, thuật toán mà nghiên cứu sinh sử dụng trong tính toán đường chạy tàu tìm kiếm tối ưu được lựa chọn là thuật toán BFO.
4.2.4.1 Nguyên lý chung của BFO
Giả sử, ta cần tìm cực tiểu của 1 hàm Q(S) với miền xác định cho trước (được gọi là miền giải pháp, miền nghiệm số hay miền tìm kiếm). Ngoài ra, 1 nghiệm S phải thỏa mãn một số điều kiện ràng buộc nhất định. Trong nhiều ứng dụng thực tế, bài toán này hết sức phức tạp và không thể (hoặc rất khó có thể) giải được bằng các phương pháp giải tích thông thường, hoặc thậm chí là các phương pháp số vì các khó khăn khi cần tính giá trị đạo hàm (hay Gradient)
. Vì vậy, các bài toán này được gọi là bài toán tối ưu không sử dụng gradient. Đối với các bài toán này, thay vì xác định giá trị tối ưu chính xác, bài toán có thể được coi như đã giải quyết xong nếu ta tìm được nghiệm xấp xỉ với giá trị tối ưu.
Dựa trên mô phỏng quá trình phát triển của tập hợp vi khuẩn, BFO là một công cụ tối ưu hóa bằng cách lặp đi lặp lại việc tìm các phương án (hay
) (s Q
một nghiệm khả thi) tốt hơn từ một phương án ban đầu, trong đó, các phương án mới được tạo ra một cách ngẫu nhiên. Mỗi phương án được thể hiện bằng vị trí của một cá thể vi khuẩn trong một không gian đặc trưng cho không gian nghiệm. Trong phần này, vị trí của một cá thể được dùng đồng nghĩa với một phương án hay một giải pháp cho bài toán tối ưu. Áp dụng thuật toán BFO, bài toán có thể được giải quyết nhờ việc lặp đi lặp lại mô phỏng về sự phát triển của tập hợp vi khuẩn được thể hiện qua các giai đoạn trong thời gian sống của mỗi cá thể như sau:
- Mỗi cá thể vi khẩn tự thích nghi với môi trường và phát triển.
- Sự phù hợp của cá thể vi khuẩn với môi trường (hay gọi đơn giản là sức khỏe) được xác định trong mỗi thế hệ. Các cá thể vi khuẩn khỏe nhất tồn tại được và sinh sôi, các cá thể yếu chết đi và không còn tồn tại trong tập hợp.
- Các cá thể vi khuẩn tồn tại được trong tập hợp có xu hướng kết bầy. Như vậy, sau mỗi vòng lặp như trên, các cá thể vi khuẩn sẽ khỏe hơn các cá thể trước đó, tức là vi khuẩn đang tiến gần hơn tới nghiệm tối ưu của bài toán. Nếu được thiết kế phù hợp, thuật toán sẽ cho phép tìm được giá trị gần đúng của phương án tối ưu sau một số hữu hạn các vòng lặp như vừa nêu.
Các thuật ngữ sau đây sẽ được sử dụng trong phần này để minh họa cho một thuật toán BFO cổ điển và cải tiến của thuật toán
S = [p(1), p(2),…, p(i),…,p(N)] là một vector thể hiện một phương án hay chính là vị trí của một cá thể vi khuẩn trong không gian tìm kiếm
Trong đó:
- i: tọa độ thứ i
- V = [v(1), v(2),…, v(i),…,v(N)] là một vector thể hiện hướng tìm kiếm, với v(i) = 0 hoặc v(i) = 1
- D: Khoảng cách dịch chuyển (hay còn gọi là bước tìm)
- Q: Hàm mục tiêu (hay là chỉ số sức khỏe của cá thể vi khuẩn) - dQ: giá trị bổ xung cho hàm mục tiêu thể hiện mối liên hệ giữa
các cá thể vi khuẩn
Hình 4.4. Hoạt động cơ bản của vi khuẩn
Swim Tumble CCW CW Flagella CCW: counter-clockwise CW: clockwise Swim Tumble CCW CW Flagella CCW: counter-clockwise CW: clockwise
4.2.4.2 Thuật toán BFO cổ điển
Nói ngắn gọn, thuật toán BFO cổ điển được thực hiện qua 3 bước như sau:
- Bước 1: Khởi tạo. Khởi tạo tập hợp vi khuẩn, trong đó mỗi cá thể vi khuẩn được đặt ở một vị trí ngẫu nhiên trong không gian tìm kiếm. - Bước 2: Tiến hóa. Lặp đi lặp lại quá trình tiến hóa của tập hợp vi khuẩn
qua 3 bước nhỏ bao gồm:
+ Tìm kiếm, phát triển và kết bầy (chemotaxis and swarming) + Sinh sản
+ Loại trừ và phân tán
- Bước 3: Kết thúc. Trả về phương án ứng với cá thể vi khuẩn có sức khỏe tốt nhất.
Quá trình lặp trong bước 2 cho phép tập hợp vi khuẩn tập trung dần về