CHƯƠNG 3 : THUẬT TOÁN ĐỀ NGHỊ
3.2. Giới thiệu giải thuật
3.2.2. Phương pháp tấn công bubble-net (exploitation phase)
Để mơ hình tốn hành vi bubble-net của cá voi lưng gù, có hai cách tiếp cận sau:
1. Cơ chế khép vòng: hành vi này đạt được bằng cách giảm giá trị của 𝑎 trong phương trình (3.7). Lưu ý rằng 𝐴 cũng sẽ giảm theo 𝑎 . Nói cách khác 𝐴 là một giá trị ngẫu nhiên trong khoảng [−𝑎, 𝑎] trong đó, 𝑎 giảm từ 2 về 0 ở các lần lặp. Đặt giá trị ngẫu nhiên cho 𝐴 trong khoảng [-1,1], vị trí mới của cá
30
thể tìm kiếm có thể được xác định bất cứ đâu ở giữa vị trí ban đầu của cá thể và vị trí của cá thể tốt nhất hiện tại. Hình. 3.6(a) cho thấy vị trí có thể đạt được từ (X, Y) đến (X*, Y*) 0 ≤ A ≤ 1 trong không gian 2D.
2. Cập nhật vị trí theo hình xoắn ốc: có thể thấy ở Hình.3.6(b), cách tiếp cận này đầu tiên tính tốn khoảng cách giữa vị trí cá voi tại (X, Y) và con mồi tại (X*, Y*). Một phương trình hình xoắn ốc được tạo ra giữa vị trí của cá voi và con mồi để bắt chước cách di chuyển dạng xoắn ốc của cá voi lưng gù như sau:
𝑋 (𝑡 + 1) = 𝐷⃗⃗⃗⃗ . 𝑒′ 𝑏𝑙. cos(2𝜋𝑙) + 𝑋⃗⃗⃗⃗ (𝑡) (3.9) ∗
Trong đó:
• 𝐷⃗⃗⃗⃗ = |𝑋′ ⃗⃗⃗⃗ (𝑡) − 𝑋 (𝑡)| là khoảng cách của con cá voi thứ i đến con mồi (giải ∗
pháp tốt nhất đến hiện tại).
• 𝑏 là hằng số xác định hình dạng của đường xoắn ốc logarit.
• 𝑙 là số ngẫu nhiên trong khoảng [-1,1].
Lưu ý rằng cá voi lưng gù bơi xung quanh con mồi vừa thu hẹp vòng vừa dọc theo đường xoắn ốc cùng một lúc. Để mơ hình hóa hành vi cùng lúc này, chúng ta giả sử rằng xác suất 50% chọn giữa cơ chế thu hẹp vịng hoặc hình xoắn ốc để cập nhật vị trí của cá voi trong suốt q trình tối ưu hóa. Mơ hình tốn như sau:
𝑋 (𝑡 + 1) = {𝑋
∗
⃗⃗⃗⃗ (𝑡) − 𝐴 . 𝐷⃗⃗ 𝑛ế𝑢 𝑝 < 0,5
𝐷′
⃗⃗⃗⃗ . 𝑒𝑏𝑙. cos(2𝜋𝑙) + 𝑋⃗⃗⃗⃗ (𝑡) 𝑛ế𝑢 𝑝 ≥ 0,5∗ (3.10)
31
Hình 3.6 Cơ chế tấn công bubble-net (X* là giải pháp tốt nhất)
(a) Cơ chế khép vịng và (b) Cập nhật vị trí theo hình xoắn ốc.
Bên cạnh phương pháp bubble-net, cá voi lưng gù tìm kiếm con mồi ngẫu nhiên.