Kết quả tính tốn tối ưu mạng nơron mờ dùng tối ưu hóa theo bày đàn
Khởi tạo các biến của mạng nơron mờ r = 0.35, = 2, α = 0.2, = 0.01, 0
< j1(0), j2(0) < 15. Khi đó dùng PSO để tìm kiếm các giá trị tối ưu j1(0) và
j2(0), các tham số là: Số bày đàn là 40, số lần lập cho phép lớn nhất là 5000, sai số
của các giá trị thích nghi giới hạn là 0.005, nhân tố co lại là 0.75, trọng số quán tính giảm từ 1.8 xuống 0.2, hai hệ số tăng tốc cả hai là 2, và vận tốc lớn nhất giới hạn là 8.
Chạy mạng nơron mờ tối ưu ta có kết quả như sau: Xác suất tối đa là 0.89, độ lệch chuẩn là 3.81e-2, các nhà máy được mở là P2, P3 và P5, các trung tâm phân phối được mở là D2, D3, và D5.
3.4. Kết chương
Như vậy trong chương 3 này đã dùng mạng nơron mờ và thuật giải tối ưu theo bày đàn đề giải bài toán tối ưu đa mục tiêu mà đã đề xuất ở chương 1. Thiết kế
mạng chuỗi cung ứng trong môi trường không chắc chắn, mà nhu cầu của khách hàng là các biến ngẫu nhiên, chi phí vận hành là các số mờ, sau khi đưa về mơ hình quy hoạch mờ, một mạng nơron được tối ưu bởi thuật giải tối ưu theo bày đàn được
dùng để giải quyết mơ hình được thiết lập, thơng qua ví dụ để so sánh với phương
pháp truyền thống trước đó là mạng nơron mờ, nó chứng minh được rằng phương
pháp đưa ra là hiệu quả hơn phương pháp truyền thống như trong việc chỉ dùng
mạng nơron mờ. Vấn đề tìm hiểu trên đã giải quyết được bài toán quy hoạch mờ với nhiều nhân tố và nó đem lại lợi ích rất nhiều cho vấn đề quản trị chuỗi cung ứng của các nhà quản trị.
KẾT LUẬN
Như vậy trong luận văn này đã tìm hiểu cơ bản về chuỗi cung ứng, vấn đề
mơ hình hóa chuỗi cung ứng trong tốn học và tin học. Tìm hiểu bài tốn tối ưu đa mục tiêu. Nhưng giải bằng phương pháp truyền thống mất nhiều thời gian và công
đoạn xử lý và kỹ thuật phức tạp do các phương pháp đó chủ yếu tập trung vào việc đưa về bài toán đơn mục tiêu để giải quyết. Hiện nay có nhiều phương pháp có thể
không cần phải giải quyết như vậy, nhưng kết quả tương đương, có một số phương pháp thời gian xử lý chậm hơn, nhưng có một số phương pháp giải quyết tương
đương, thậm chí cịn nhanh hơn, nhưng tựu chung lại các phương pháp đó khơng
mất nhiều bước để làm, và đặc biệt hơn là nó dễ hiểu và dễ làm hơn các phương pháp truyền thống.
Chính vì lý do đó trong luận văn này em sử dụng Mạng nơron mờ dùng tối
ưu theo bày đàn đề giải quyết bài toán tối ưu đa mục tiêu, nhằm mục đích để giải
bài tốn dễ hiểu hơn, nhưng do thời gian có hạn nên em chưa thể tạo ra mơ hình mơ phỏng thực để so sánh về thời gian thực hiện với các phương pháp khác nhau để giải quyết bài tốn. Nhưng nó đã được ứng dụng trong một số lĩnh vực khác nhau để giải quyết bài toán trên và chứng minh rằng nó tối ưu hơn các phương pháp
truyền thống và một số phương pháp mới đề ra như thuật giải di truyền đa mục tiêu, hoặc mạng nơron mờ.
Định hướng nghiên cứu tiếp theo
- Tiếp tục thiết kế thêm các biến chi phí trong mơ hình chuỗi cung ứng đa mục tiêu ở nhiều giai đoạn để vấn đề chi phí trong chuỗi cung ứng ngày càng được xem xét tồn diện hơn.
- Từ đó thiết kế mơ hình mạng nơron mờ mới cho phù hợp với mơ hình đưa ra - Xem xét các luật mờ, và đưa các luật mờ hiệu quả hơn cho vấn đề tối ưu hóa mạng nơron mờ dùng thuật giải PSO.
- Nâng cao việc đánh giá các trọng số theo vận tốc của việc cập nhật vận tốc trong mơ hình PSO cho bài tốn tối ưu theo bày đàn đa mục tiêu, và tối ưu theo bày
đàn mờ.
- Thiết kế thêm các biến trọng số cho việc cập nhật vị trí trong tối ưu theo bày
đàn đa mục tiêu để nâng cao hiệu quả của thuật giải PSO.
TÀI LIỆU THAM KHẢO Tiếng việt
[1] Bùi Cơng Cường, Nguyễn Dỗn Phước (2006), “Hệ Mờ Mạng Nơron Và Ứng
Dụng”, Nhà xuất bản Khoa học kỹ thuật.
[2] Phan Quốc Khánh và Trần Huệ Nương (2004), “Quy hoạch tuyến tính”, Nhà xuất bản giáo dục.
[3] Phạm Xuân Minh, Nguyễn Doãn Phước (2005), “Lý thuyết điều khiển mờ”,
Nhà xuất bản Khoa học và Kỹ thuật.
[4] Nguyễn Ngọc Thắng (2009), “Tối ưu hóa”, NXB ĐHQGHN.
[5] Nguyễn Ngọc Thắng và Nguyễn Đình Hóa (2005), “Quy hoạch tuyến tính”,
NXB ĐHQGHN.
[6] Nguyễn Đình Thúc (2000), “Mạng nơron phương pháp và ứng dụng”, Nhà xuất bản giáo dục.
Tiếng Anh
[7] Amiri, A. (2006). Designing a distribution network in a supply chain system: formulation and efficient solution procedure. European Journal of Operational
Research, 171(2), 567–576.
[8] Dimopoulos, C., & Zalzala, A. M. S. (2000). Recent developments in evolutionary computation for manufacturing optimization: problems, solutions and
comparisons, IEEE Transactions on Evolutionary Computation, 4(2), 93–113.
[9] Deb, K. (2001). Multi-objective optimization using evolutionary algorithms,
Chichester: Wiley.
[10] Fullér, R. (1995), Neural Fuzzy Systems, Abo Akademi University, ISBN 951- 650-624-0, ISSN 0358-5654.
[11] Horikawa, S. Furuhashi, T. and Uchikawa, Y (1992). On fuzzy modeling using
fuzzy neural networks with back propagation algorithm, IEEE Trans, Neural network, pp. 801-806.
[12] R. Horst, P. M. Pardalos and N. V. Thoai (1995), Introduction to Global Optimization, Kluwer Academic Publishers.
[13] J.R. Jang, C. Sun and E. Mizutani (1997), Neuro-fuzzy and Soft Computing, A Computation Approach To Learning And Machine Intelligence, Prentice Hall,
Upper Saddle River.
[14] J. Kennedy and R. Eberhart (1995). Particle swarm optimization. Proc. IEEE
Int’l Conf. Neural Networks, pp. 1942-1948.
[15 Manoi Kumar, Prem Vrat, Ravi Shankar (June 2006). A fuzzy programming approach for vendor selection problem in a supply chain, International journal of Production Economics, vol. 101, no. 2, pp. 273-285.
[16] Lee, H., Chen, C. and Huang, T. (2001), Learning efficiency improment of backpropagation algorithm by error saturation prevention method, National Taiwan University of Science and Tecnology, Department of Electronic Engineering.
[17] Liu B (2000). Dependent – chance programming in fuzzy environments, Fuzzy Sets and Systems, vol. 109, no. 1, pp. 97-101.
[18] Lin, C.T and Lee, C.S.G (1996), Neural Fuzzy Systems, A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice Hall International.
[19] F. J. Lin, C. H. Lin, and P. H. Shen (2001). Selfconstructing fuzzy neural network speed controller for permanent-magnet synchronous motor drive. IEEE
Trans. on Fuzzy Systems, vol. 9, no. 5, pp. 751-759.
[20] H. Takagi, N. Suzuki, T. Koda, and Y. Kojima (1992). Neural networks designed on approximate reasoning architecture and their application. IEEE Trans. on Neural Networks, vol. 3, no. 5, pp. 752- 759.
[21] Hoang Tuy (1998), Convex Analysis and Global Optimization, Kluwer
Academic Publishers.
[22] Schiffmann, W. Joost, M. and Werner, R. (1994), Optimization of the Backpropagation Algorithm for Training Multilayer Perceptrón, University of Koblenz, Institute of Physics, Rhenau 156075 Koblenz.
[23] Zhang Q, Li H. MOEA/D (2007): a multiobjective evolutionary algorithm based on decomposition. IEEE TransEvol Computing, (11), 712–731.