Thuật toỏn memetic mới kết hợp ACO và tỡm kiếm Tabu

2.2.4 .Thủ tục tỡm kiếm cục bộ

2.4. Thuật toỏn memetic mới kết hợp ACO và tỡm kiếm Tabu

Mục 2.3 giới thiệu một thuật toỏn memetic để giải bài toỏn dúng hàng nhiều mạng cỏc vị trớ liờn kết protein cú tờn là ACO-MGA2, cỏc đỏnh giỏ so sỏnh đó cho thấy ưu điểm của thuật toỏn này với cỏc thuật toỏn trước đú được

thực hiện trờn cỏc bộ dữ liệu thực. Tuy nhiờn ACO-MGA2 cú những hạn chế trong cỏch xỏc định thụng tin heuristic và thủ tục tỡm kiếm cục bộ nờn mục này giới thiệu một thuật toỏn memetic mới gọi là ACOTS-MGA với một số cải tiến so với ACO-MGA2 để giải bài toỏn dúng hàng cỏc mạng cỏc vị trớ liờn kết protein.

Thuật toỏn ACOTS-MGA cú những cải tiến so với thuật toỏn ACO- MGA2 bao gồm:

 Khi sử dụng phương phỏp tối ưu đàn kiến để tỡm lời giải, thuật toỏn ACOTS-MGA cải tiến thủ tục bước ngẫu nhiờn sử dụng chiến lược Beam search. Thay vỡ tỡm kiếm trờn toàn bộ tập cỏc đỉnh chưa được dúng hàng, thuật toỏn mới chỉ tỡm kiếm trờn tập cỏc đỉnh cú cựng nhón với cỏc đỉnh đó được dúng hàng, điều này làm giảm khụng gian tỡm kiếm, và cỏch xỏc định thụng tin heuristic cũng cú sự thay đổi cho phự hợp.

 Về quy tắc cập nhật mựi, thuật toỏn ACOTS-MGA cập nhật vết mựi theo 3 mức, trong đú thể hiện sự phõn biệt mức độ ưu tiờn khỏc nhau của lời giải tốt nhất của vũng lặp, với lời giải tốt nhất toàn cục.

 Cải tiến thứ 3 là sử dụng tỡm kiếm Tabu thay cho tỡm kiếm cục bộ để hạn chế việc lặp lại những bước chuyển đó được xột như trong thuật toỏn ACO-MGA2.

Cỏc kết quả nghiờn cứu đó được trỡnh bày trong cụng trỡnh 6. Phần dưới đõy chỳng tụi sẽ phõn tớch chi tiết về thuật toỏn này.

2.4.1. Đồ thị cấu trỳc

Đồ thị cấu trỳc của thuật toỏn ACOTS-MGA được sử dụng giống như thuật toỏn ACO-MGA2.

2.4.2. Thụng tin heuristic

Vỡ thuật toỏn ACOTS-MGA sử dụng chiến lược Beam search trong quỏ trỡnh bước ngẫu nhiờu của cỏc kiến. Trong đú chỉ xột cỏc đỉnh cú cựng nhón với cỏc đỉnh đó dúng hàng trờn vộctơ dúng hàng, nờn thụng tin heuristic sẽ khụng xột đến sự phự hợp về nhón của cỏc đỉnh mà tập trung vào tớnh tương thớch về cạnh của cỏc đỉnh được dúng hàng. Vỡ vậy, thụng tin heuristic 𝜂𝑗,𝑘𝑖 (𝑎) là số điểm cạnh tớnh theo cụng thức (2.3) khi đỉnh k của đồ thị Gi+1 được dúng với đỉnh j của đồ thị Gi

2.4.3. Thủ tục bước ngẫu nhiờn xõy dựng một dúng hàng

Tại mỗi vũng lặp, mỗi kiến sẽ lặp lại quỏ trỡnh xõy dựng cỏc vộctơ dúng hàng

a = (a1,…, an)cho dúng hàng A như sau.

Kiến lựa chọn ngẫu nhiờn một đỉnh thực ở tầng 1 là đỉnh khởi tạo. Tại cỏc tầng tiếp theo, ký hiệu label(a)là tập cỏc nhón của cỏc đỉnh thuộc vộctơ dúng hàng a, gọi Bi  {v G labeli | (v)label(a)}là tập cỏc đỉnh thuộc đồ thị Gi cú nhón trựng với nhón của cỏc đỉnh thuộc vộctơ dúng hàng. Trong trường hợp khụng cú đỉnh nào cú nhón trựng với nhón của cỏc đỉnh đó được dúng hàng, Bi sẽ là tập cỏc đỉnh cũn lại chưa được dúng hàng. Kiến sẽ lựa chọn ngẫu nhiờn 1 đỉnh trong Bi với xỏc suất được cho ở cụng thức 2.9.

Để dễ hỡnh dung, giả sử vộctơ dúng hàng đó được xõy dựng từ đỉnh a1 của

đồ thị G1và thực hiện thủ tục bước ngẫu nhiờn để phỏt triển đến đỉnh ai của đồ thị Gi khi đú sẽ lựa chọn đỉnh thứ k thuộc đồ thị Gi +1 với xỏc suất là:

1 , , , , , ( ) .[ (a)] ( ) .[ (a)] i i i j k j k i j k i i j s j s s B p             . (2.9)

Sau khi xõy dựng đầy đủ vộctơ a=(a1,…,an), cỏc đỉnh thực thuộc vộctơ này sẽ bị loại bỏ khỏi đồ thị cấu trỳc để tiếp tục quỏ trỡnh xõy dựng cỏc vộctơ dúng hàng cho đến khi tất cả cỏc đỉnh đều được dúng hàng.

2.4.4. Qui tắc cập nhật vết mựi

Khỏc với thuật toỏn ACO-MGA2, việc cập nhật mựi của ACOTS-MGA được thực hiện theo cỏc cụng thức 2.10 và 2.11.

, (1 ). , , i i i j k j k j k       , (2.10) , . . . max i j k mid min (i,j,k) (i,j,k)                lời giải tốt nhất lời giải tốt nhất vòng lặp trong các trường hợp khác . (2.11)

Cỏc tham số max,min và ∈ (0,1) được khởi tạo tương tự như thuật toỏn ACO-MGA2. Trong thuật toỏn ACOTS-MGA luận ỏn sử dụng thờm tham số mid để cập nhật mựi trong trường hợp lời giải mới mà cỏc kiến tỡm được là lời giải tốt nhất của vũng lặp nhưng chưa phải là lời giải tốt nhất toàn cục. Tham số này được thiết lập nhỏ hơn max với ý nghĩa là lời giải tốt nhất toàn cục sẽ để

lại lượng vết mựi lớn hơn so với lời giải tốt nhất của vũng lặp.

2.4.5. Thủ tục tỡm kiếm Tabu

Trong cỏc vũng lặp cuối của thuật toỏn ACOTS-MGA, thuật toỏn tỡm kiếm Tabu được ỏp dụng để tăng cường chất lượng lời giải.

Thủ tục tỡm kiếm Tabu sẽ duyệt lần lượt cỏc đỉnh của cỏc đồ thị, với mỗi đồ thị sẽ thực hiện việc hoỏn vị cỏc cặp đỉnh trờn cỏc vộctơ dúng hàng. Nếu việc

hoỏn vị này làm tăng điểm đỏnh giỏ thỡ lời giải tốt nhất sẽ được cập nhật bằng lời giải hiện tại. Khỏc với thủ tục tỡm kiếm cục bộ, thủ tục Tabu Search này cú sử dụng một danh sỏch Tabu để lưu lại cỏc bước chuyển. Cỏc bước chuyển nằm trong danh sỏch Tabu sẽ khụng được xột lại nữa để trỏnh lặp lại cỏc bước chuyển. Vỡ vậy với cựng thời gian như tỡm kiếm cục bộ, số lần ỏp dụng tỡm kiếm Tabu sẽ nhiều hơn để tăng chất lượng lời giải.

Một khỏc biệt nữa so với thuật toỏn ACO-MGA2 là thủ tục tỡm kiếm cục bộ của ACO-MGA2 chỉ được gọi một lần trong mỗi vũng lặp, cũn trong thuật toỏn ACOTS-MGA, thủ tục tỡm kiếm Tabu được gọi lặp lại nhiều lần cho đến khi khụng cải thiện được chất lượng lời giải nữa hoặc cú thể ấn định số lần thực hiện.