Kết quả của việc giải bài toán tối ưu tĩnh trong phân chia tài nguyên chung được lưu vào bảng có định dạng:
Hình 4.2. Cấu trúc dữ liệu của bảng MTemporaryForQ Và bảng:
Hình 4.3. Cấu trúc dữ liệu của bảng MTemporaryForX
Với bài toán quy hoạch động đa mục tiêu, kết quả được lưu vào bảng với định dạng sau:
Hình 4.4. Bảng TableResult
Nhận xét: Với việc tổ chức dữ liệu như trên, chúng ta không thấy việc lưu lại vết sau quá trình giải bài toán quy hoạch động. Vì thế khi thực hiện ánh xạ, cách duy nhất là giải lại bài toán. Làm như vậy sẽ tốn thời gian.
Sau đây là phương án của đồ án nhằm cài đặt tool ánh xạ. 4.1.3. Phương hướng giải quyết và cài đặt
4.1.3.1. Tổ chức lại dữ liệu
Để thực hiện ánh xạ, việc đầu tiên là cần tổ chức lại dữ liệụ Dưới đây là đề xuất của đồ án:
Hình 4.5. Bảng TableResult1
Việc lưu lại con đường tối ưu được lưu trong trường Path của bảng dữ liệụ Vậy, vấn đề đặt ra ở đây là làm thế nào để lưu lại được vết đó. Trong đồ án đã tiến hành sửa đổi và cài đặt lại thuật toán ĐPP nhằm thực hiện yêu cầu trên.
Để cài đặt bài toán tối ưu động tĩnh đa mục tiêu, các lớp sau được xây dựng CĐPPDistance(cài đặt lại), SimplexF ( bổ sung)
Mối quan hệ giữa các lớp trên với các lớp khác trong hệ thống được trình bày trên hình 4.6.
Hình 4.6 . Quan hệ giữa các lớp cài đặt nhiệm vụ tối ưu tĩnh đa mục tiêu và các lớp khác trong hệ thống
Lớp ĐPPDistance có hàm Solve() cài đặt thuật toán ĐPP.
Lớp ĐPPDistance có hàm SolveDistance() cài đặt ĐPP với việc thực hiện tối ưu tĩnh tại mỗi nút theo hàm khoảng cách.
Như ta đã biết, tối ưu động được thực hiện trên đồ thị tổng. Mỗi lần thực hiện ĐPP chỉ cho một mục tiêu nghĩa là sau khi thực hiện ĐPP ta sẽ có một nhóm lời giải cho mục tiêu đó. Do đó, hàm khởi tạo của ĐPPDistance sẽ có một đối số ID_Target (gán cho thành phần ID_Target kiểu int của lớp), nghĩa là đường tối ưu tìm được sau khi giải ĐPP thuộc nhóm mục tiêu ID_Target như lý thuyêt đã chỉ rạ Tiến trình xử lý trong hàm Solve được thực hiện trong lớp ĐPPDistance như hình 4.7. Trong lớp Mresult1 có một thành phần kiểu DataTable để chứa kết quả sau khi giải xong ĐPP.
Tiến trình được chỉ ra trong hình 4.7 đã thể hiện ĐPP là phương pháp tính ngược, rời rạc, động. Quá trình tối ưu tĩnh tại một giai đoạn được cài đặt trong hàm AtOnePeriod() của lớp ĐPPDistance. Tiến trình xử lý trong hàm này được chỉ ra sơ lược trong hình 4.8. Có thể giải thích tóm tắt hình vẽ 4.8 như sau:
‘ Đầu tiên i=1.
‘ Nếu có thì kiểm tra cạnh (i,j) có tồn tại hay không? Nếu tồn tại cạnh thì khởi tạo đối tượng Global, thiết lập biến cơ sở dữ liệu qua hàm setDatabase(), gọi phương thức Solve(). Nếu không tồn tại thì tăng biến j
‘ Nếu kiểm tra j>số nút tối đa trên đồ thị tổng thì gọi hàm Pareto của lớp ĐPPDistance để chọn ra các phương án tối ưụ
‘ Nếu i> số nút tối đa trên đồ thị tổng thì gọi hàm Update để update lại bảng xử lý
Hình 4.8: Tiến trình xử lý của một giai đoạn trong lớp ĐPPDistance Nếu có M mục tiêu thì phải giải M+1 bài toán ĐPP (M lần thực hiện cho M mục tiêu và 1 lần thực hiện cho hàm khoảng cách). Lớp ĐPPDistance có phương thức
Solve() để giải M lần bài toán ĐPP. Tiến trình giải hàm khoảng cách trong phương thức SolveDistance() của lớp ĐPPDistance được chỉ ra trong hình 4.9.
Hình 4.9: Tiến trình giải trong phương thức SolveDistance() của lớp ĐPPDistance
4.1.3.2. Tiến hành việc ánh xạ
Sau khi tiến hành tổ chức lại dữ liệu của bảng kết quả ta thu được con đường tối ưu trên đồ thị tổng ( hay là quyết định ở tầng chiến lược). Dựa vào đường dẫn này (được lưu trong trường Path của bảng TableResult1) ta sẽ xây dựng được các phương thức cho việc ánh xạ. Hình 4.10 là biểu đồ tuần tự của việc ánh xạ.
Hình 4.10: Biểu đồ tuần tự của việc ánh xạ
4.1.3.3. Kết quả
Kết quả của phần ánh xạ được trình bày trên form: GrapMappingResult (với phần ánh xạ không mờ) và GrapMappingResultF ( với phần ánh xạ mờ).
Hình 4.11: Form hiển thị kết quả phần ánh xạ với trường hợp số liệu chính xác Form sẽ hiển thị tất cả các kết quả thu được sau quá trình giải bài toán với số liệu chính xác. Người dùng sẽ chọn phương án và hệ thống con muốn hiển thị. Muốn biết thông tin chi tiết về nút nào, người dùng chỉ cần kích chuột vào nút đó, và thông tin về nút sẽ được hiển thị bên phía tay phảị Với trường hợp là số liệu mờ, cũng có (adsbygoogle = window.adsbygoogle || []).push({});
giao diện tương tự, nhưng ở mục danh sách các phương án sẽ có thêm cột “độ hài lòng”.
4.2. Tool lựa chọn
Vì HTGQĐ xác định một cách khách quan những lời giải tối ưu nên những nhà hoạch định năng lượng cũng như những người ra quyết định phải lựa chọn lời giải thích hợp trong tập lời giải của HTGQĐ trên cơ sở chủ quan của họ. Trong một số trường hợp, việc phân tích thủ công các lời giải tối ưu này có thể vượt quá sức của người ra quyết định.
Đối với phần xử lý số liệu chính xác, số phương án sau khi giải bài toán là rất nhiềụ Càng nhiều mục tiêu thì số lời giải tăng càng nhanh. Do đó, phần mềm đã xây dựng tool lựa chọn cho phép lược bớt một số phương án theo một số tiêu chí để kết quả được tập trung hơn. Tool lựa chọn đã được xây dựng ở các phiên bản trước của phần mềm, và ở phiên bản lần này nó tiếp tục được hoàn thiện.
4.2.1. Ra quyết định trong hoàn cảnh chắc chắn[3].
Ra quyết định với sự chắc chắn là trong các hoàn cảnh ra quyết định, người ra quyết định biết được kết quả của hành động ra quyết định cũng như các hoàn cảnh xảy ra với sự chắc chắn hoặc có thể ít nhất dự đoán được kết quả. Người ra quyết định phải có khả năng so sánh được các kết quả của các lựa chọn với nhaụ
Với nhiều hơn hai mục tiêu, việc so sánh kết quả tỏ ra là một bài toán phức tạp. Để minh họa các lựa chọn và các giá trị đánh giá mục tiêu, ta có bảng sau:
U( z1 ,z2 ,..., zM ) → max z1(x) ... zk(x) ... zM(x) A1 Z11 ... Z1k ... Z1M A2 Z21 ... Z2k ... Z2M : ... ... ... ... ... Ai Zi1 ... Zik = 0 ... ZiM : ... ... ... ... ... AA ZA1 ... ZAk ... ZAM
Bảng 4.1: Ma trận đánh giá với M mục tiêu Với: Ai là lựa chọn thứ i
Các phương pháp sau có thể được sử dụng để lựa chọn lời giảị (1) Trấn áp mục tiêu
Trong “trấn áp mục tiêu”, chỉ một mục tiêu được người ra quyết định gán mức ưu tiên cao nhất. Các mục tiêu còn lại vì thế hoàn toàn không được quan tâm. Trường hợp này tương ứng với nhóm các lời giải là các điểm góc (tối ưu theo một mục tiêu).
(2) Trọng số mục tiêu
Do phương pháp khoảng cách có thể mở rộng được bằng trọng số nên người ra quyết định có thể cung cấp mức ưu tiên đối với mục tiêu riêng lẻ khi nhập số liệụ Trọng số càng lớn, mục tiêu càng mang tính quan trọng. Nếu tất cả các mục tiêu được quan tâm như nhau thì các trọng số đều bằng nhaụ Trường hợp mặc định là trọng số bằng nhau được giải để xác định ít nhất một điểm thỏa hiệp. Sau khi tối ưu, một số lời giải tối ưu sẽ nằm trong nhóm mục tiêu “thỏa hiệp”
Lựa chọn với trọng số có ý nghĩa là người ra quyết định tập trung vào lời giải của các nhóm mục tiêu thỏa hiệp mà không quan tâm tới lời giải của các nhóm mục tiêu điểm góc.
(3) Thứ tự từ điển
Phương pháp này được sử dụng nếu tìm lời giải tốt nhất theo mục tiêu quan trọng nhất không đưa lại kết quả duy nhất thì sẽ phải xét đến mục tiêu quan trọng tiếp theo để giảm bớt số lượng lời giảị Nếu vẫn chưa đạt được một lời giải duy nhất thì lại tiếp tục xét tới mục tiêu quan trọng thứ 3. Quy trình này tiếp tục diễn ra cho đến khi hoặc tất cả các mục tiêu khác đã được xét tới hoặc đã nhận được một lời giải duy nhất.
(4) Tìm kiếm lời giải tốt nhất của một mục tiêu với các yêu cầu cho trước cho các mục tiêu khác.
Yêu cầu ở đây là, các mục tiêu còn lại không vượt qua giới hạn mà người ra quyết định đưa rạ
4.2.2. Ra quyết định trong hoàn cảnh không chắc chắn[3].
Trong thực tế phát triển, một người không thể tiên đoán tại thời điểm ra quyết định với sự chắc chắn. Phạm vi không chắc chắn là có nếu kết quả thực tế tùy thuộc vào điều kiện môi trường chưa biết trước. Để giảm số lựa chọn, phần này sẽ nói về một số tiêu chuẩn thường được nêu trong các tài liệụ Trong các phương pháp này, giá trị của các mục tiêu được so sánh với nhau nhưng lại khác nhau về đơn vị và độ lớn, do đó cần phải chuẩn hóạ
4.2.2.1. Chuẩn hóa giá trị của các hàm mục tiêu
Mục đích của chuẩn hóa là làm cho phạm vi giá trị của các mục tiêu có thể so sánh được với nhaụ Nguyên tắc được phát biểu là: chuẩn hóa giá trị của một hàm mục tiêu sao cho giá trị tốt nhất sẽ nhận giá trị chuẩn hóa là 1 và giá trị tồi nhất nhận giá trị 0. Từ tập lời giải Pareto, lời giải có giá trị lớn nhất (tồi nhất trong giảm thiểu hóa véc tơ) và lời giải có giá trị nhỏ nhất (tốt nhất) của một mục tiêu được ký hiệu lần lượt là:
zworst, Zbest. Giá trị chuẩn hóa được ký hiệu là Zstandard. Một véc tơ sẽ được chuẩn hóa giá trị như sau: M k Z Z Z Z Z worst best worst k dard stan , =1,2,.., − − =
Sau khi chuẩn hóa, ma trận giá trị hàm mục tiêu sẽ nhận được các giá trị đã chuẩn hóạ Gọi ma trận sau chuẩn hóa là ma trận M.
Các thủ tục giảm bớt số lời giải dưới đây sử dung các giá trị đã chuẩn hóa của các hàm mục tiêụ
4.2.2.2. Các phương pháp cô đọng số lượng lời giải (1) Phương pháp minimax
Đây là phương pháp bi quan, chọn phương án tốt nhất trong các phương án xấụ Các bước thực hiện: Lấy giá trị nhỏ nhất của từng hàng của ma trận M, sau đó lấy giá trị lớn nhất trong số những giá trị vừa tìm được. Chọn phương án ứng với giá trị vừa nhận được.
(2) Phương pháp Maximax
Ngược lại với chuẩn minimax, nguyên tắc lựa chọn của tiêu chuẩn maximax phát biểu là: Chọn phương án tốt nhất trong số các phương án tốt.
Đây là phương pháp lạc quan trong đó người ra quyết định lựa chọn trên các phương pháp tốt. (adsbygoogle = window.adsbygoogle || []).push({});
Các bước thực hiện: Lấy giá trị lớn nhất của từng hàng của ma trận M, sau đó lấy giá trị lớn nhất trong số những giá trị vừa tìm được. Chọn phương án ứng với giá trị vừa nhận được.
(3) Phương pháp HURWICZ
Các quyết định dựa vào các hoàn cảnh xấu nhất và hoàn cảnh tốt nhất. Tiến trình ra quyết định gồm:
+ chọn 1 tham số lạc quan(optimism parameters) anpha => tham số bi quan là (1‘anpha).
+ chọn phương án có tổng của trọng số của phương án cao nhất nhất và phương án thấp nhất là lớn nhất.
+ nếu α > 0.5 => ít rủi ro
+ nếu α = 0.5 độ rủi ro ở mức trung bình + nếu α< 0.5 => độ rủi ro caọ
(4) Phương pháp SavagePNiehans: Nguyên tắc của chuẩn Savage‘Niehans là:
Phương án được chọn là phương án mà giá trị mục tiêu gây thất vọng nhất là tốt nhất.
Tiến trình ra quyết định bao gồm các bước:
+Xây dựng ma trận thất vọng (disappointment matrix): bằng cách từ ma trận ban đầu( sau khi thực hiện chuẩn hóa) ta sẽ lấy phần tử lớn nhất của mỗi cột trừ đi các phần tử còn lại của cột đó.
+ Tìm phần tử lớn nhất ở mỗi hàng
+ Phương án được chọn là phương án chứa phần tử nhỏ nhất trong số các phần tủ vừa tìm được ở trên.
(5) Phương pháp Laplace:
Do không thể biết chắc xác suất đầu vào (p) các điều kiện môi trường, người dùng sẽ đưa ra xác suất, thường thì p = 1/ M với M là số mục tiêụ Nguyên tắc lựa chọn như sau:
+ Với ma trận thu đựợc sau khi đã chuẩn hóa ta làm như sau : tìm phần tủ lớn nhất và nhỏ nhất của từng hàng, giả sử là Max và Min . Sau đó ta tính tổng: Max*p+Min(1‘p) = T
+ Chọn phương án ứng với hàng có tổng T trên lớn nhất. 4.2.3. Cài đặt
Để trợ giúp người dùng lựa chọn kết quả, DSPES2.0 đã xây dựng 2 lớp clAlterTool và clCerAlterTool
Hình 4.12: Mô hình Tool lựa chọn Hình 4.13 là giao diện của tool lựa chọn:
Hình 4.13: Giao diện tool lựa chọn 4.3.4. Kết quả
Sau khi tiến hành giải bài toán các kết quả sẽ được lưu trong bảng “TableResult” như hình 4.14:
clAlterTool
MResult clCerAlterTool
Hình 4.14: Form hiển thị kết quả phần ánh xạ không mờ
Từ đây ta sẽ áp dụng tool lựa chọn để cô đọng số lời giải theo những phương pháp như đã trình bày ở phần 4.2.2.2. Kết quả sau khi áp dụng bộ lựa chọn sẽ cho ra một tập lời giải cô đọng hơn theo tiêu chí mà người lập kế hoạch quan tâm. Hình 4.15 đưa ra tập lời giải khi lựa chọn theo phương pháp trấn áp mục tiêu:
Hình 4.15: Tập lời giải nhận được khi lựa chọn trấn áp mục tiêu
4.3. Kết luận
Trong chương này của đồ án đã nêu ra và giải quyết vấn đề ánh xạ kết quả. Chúng ta đã tìm hiểu mục đích, các khó khăn và hướng giải quyết trong đồ án. Kết quả là đã đưa ra được con đường tối ưu trên đồ thị của các hệ thống con. Trong chương tiếp theo sẽ trình bày phần nâng cấp phiên bản của phần mềm DSPES.
Chương 5. NÂNG CẤP
5.1. Đặt vấn đề (adsbygoogle = window.adsbygoogle || []).push({});
Trong chương 2, chúng ta đã tìm hiểu cách thức tối ưu tĩnh đa mục tiêu mà phần mềm DSPES đã áp dụng. Để giải quyết nhiệm vụ tối ưu tĩnh đa mục tiêu trong bài toán lớn, “giảm thiểu khoảng cách tương đối lớn nhất” được chọn thay vì dùng tiêu chuẩn thay thế. Điểm tham chiếu là điểm lý tưởng. Vậy, nhiệm vụ tối ưu hóa véc‘tơ cho trước được thay bằng giải minimax.
Bài toán tối ưu hóa véc‘tơ:
min { z(x) | x∈ X } được thay bằng:
min{e | zk(x) e zk(x*) ≤ zk(x*), e ≥ 0, x∈ X, k=1,2,...,M} (5.1) với e là khoảng cách tương đối lớn nhất.
Bài toán “giảm thiểu khoảng cách tương đối lớn nhất“ nêu ở trên được xây dựng khi chúng ta coi các mục tiêu là bình đẳng với nhaụ Tuy nhiên, trong thực tế mỗi khu vực, trong mỗi giai đoạn tùy theo các định hướng phát triển chung mà các mục tiêu có mức độ quan trọng khác nhaụ Xuất phát từ đó mà phần mềm DSPES cần được nâng cấp để phù hợp với yêu cầu thực tế.
5.2. Phương pháp giải
Trọng số ưu tiên của người ra quyết định đối với các hàm mục tiêu khác nhau là rất quan trọng đối với quá trình ra quyết định. Do đó, cần thiết phải tham số hóa các trọng số ưu tiên nàỵ
Trong mục 2.2.2.1 đã chỉ ra rằng có thể mở rộng phương pháp minimax bằng trọng số: ( ) ∈ = ≥ = ∑ = X x , , w | ) x ( | max min M k k k k 1 1 w 0 g w e (5.2)
Trong đó gk(x) là khoảng cách tương đối từ điểm tối ưu của hàm mục tiêu thứ k tới điểm tham chiếụ Đối với bài toán min { z(x) | x∈ X }:
M 1,2,..., k 0, *) ( z , *) ( z *) ( z ) ( z ) ( g k k k k k = − x > = x x x x (5.3)
e→→→→ min (5.4)
A x = b
với M điều kiện phụ thêm vào:
M 2 1 k 1