CHƯƠNG 1 : TỔNG QUAN
3.1 Ứng dụng mơ hình trên các giải thuật
3.1.1 Các giải thuật lựa chọn
Trong q trình ứng dụng mơ hình vào bài tốn, nghiên cứu sinh đã sử dụng nhiều cách thức khác nhau để tìm hướng giải quyết hiệu quả, bao gồm các giải thuật tối ưu đa mục tiêu khác nhau, các cơng cụ khác nhau để tìm ra điểm cân bằng Nash cho xung đột, trong đó có bao gồm:
o Cơng cụ MATLAB tích hợp trong phần mềm viết trên JAVA, cơng cụ GAMBIT tích hợp trong phần mềm viết trên JAVA;
o Giải thuật di truyền (trong bài báo CT01, CT02) viết thử nghiệm trên JAVA, PHP
o Giải thuật Fictitious play và hai thuật toán mở rộng gồm CFR, CFR+ (trong bài báo CT3);
o Giải thuật ε-Origin, WSM, ε-Enhanced, SPEA là các thuật toán mở rộng dựa trên giải thuật ε-Constraint;
o Công cụ MOEA framework với các giải thuật NSGA-II, ε-MOEA, GDE3, PESA2, ε-NSGA-II, SMPSO.
Như đã phân tích trong mục 1.3.5, các giải thuật được hỗ trợ trong công cụ MOEA framework thơng qua kết quả chạy thể hiện được tính hiệu quả vượt trội trong thời gian thực thi xác định trước để có thể hội tụ được. Các giải thuật của MOEA framework có các kết quả so sánh đã được lựa chọn dựa trên các tiêu chí:
o Là tiêu biểu cho các thuật toán khác nhau được hỗ trợ bởi MOEA framework;
o Hỗ trợ việc định nghĩa các ràng buộc cho xung đột để đánh giá lời giải đưa ra có vi phạm các tập xung đột 𝑅𝑐.
Hình 3.1: Triển khai mơ hình trên MOEA framework
Các giải thuật tiến hóa tối ưu đa mục tiêu như đã kể trên thường bao gồm các bước lặp chủ yếu như sau [41, 42, 43, 44]:
a. Khởi tạo tập quần thể
b. Lựa chọn các cá thể cho vòng đời c. Tiến hành lai ghép / đột biến
Đầu vào • Lấy dữ liệu từ JSON • Định nghĩa tham số bài tốn • Định nghĩa các ràng buộc • Tự khởi tạo tập quần thể
Thư viện mẫu của MOEA • Lựa chọn thuật tốn • Xác định tham số thuật tốn Hiển thị đầu ra
• Kiểm tra việc vi phạm ràng buộc
• Hiển thị
Trang 58
d. Đánh giá cá thể dựa trên xếp hạng, phân loại
Các bước b, c ở trên được hỗ trợ bởi MOEA framework ứng dụng các giải thuật tốt và được cập nhật thường xuyên, bởi vì MOEA framework là ứng dụng mã nguồn mở, có cộng đồng sử dụng và hỗ trợ đơng đảo. Các bước a, d được xử lý riêng theo từng bài toán cụ thể của luận án dựa trên Unified Game-based model để đảm bảo có thể truyền tải đầy đủ thơng tin về mơ hình bao gồm:
o Thơng tin về người chơi;
o Thông tin về chiến lược người chơi;
o Cách tính hàm payoff riêng cho từng bài tốn và người chơi;
o Thông tin về tập xung đột 𝑅𝑐 mà điểm cân bằng Nash không được vi phạm.
3.1.2 Phương thức thử nghiệm
Trong chương 3, luận án trình bày 4 bài tốn cụ thể và cách áp dụng như sau:
o Bài toán cân bằng nguồn lực sử dụng thuật toán Fictitious Play trên ứng dụng tự xây dựng theo thuật toán
o Các bài toán toán xung đột trong đấu thầu nhiều giai đoạn, xung đột giữa các phương pháp xử lý rủi ro, xung đột trong cân bằng nguồn lực được cài đặt dựa theo MOEA framework
Các thuật toán trong cùng 1 thuật tốn được chạy lần lượt trên cùng cấu hình máy tính, mỗi thuật tốn sẽ thử nghiệm chạy liên tục 10 lần để so sánh sự hội tụ của kết quả dựa trên giá trị payoff của chiến lược lựa chọn, ngoài giá trị payoff, các thuật tốn cịn so sánh thời gian chạy giữa các lần chạy của thuật toán.
Với các giải thuật tối ưu đa mục tiêu sử dụng trong luận án, trong cái điều kiện đặc biệt về: tập dữ liệu, chất lượng tập cá thể khởi tạo, sự hạn chế của việc xuất hiện các cá thể vượt trội (dominated) , ngoài ra, kể cả khi trong trường hợp xấu nhât, với điều kiện lý tưởng về cấu hình máy tính thử nghiệm và thời gian chạy thuật toán đủ dài, đáp án của giải thuật sẽ tiệm cận được với giá trị hội tụ của tối ưu Pareto trong một khoảng Ꜫ chấp nhận được [63].
Các giải thuật được cài đặt dựa theo MOEA framework đều có chung bộ tham số cấu hình như sau:
▪ Số lượng cá thể tối đa sẽ sản sinh ra (Max evaluation): 1.000.000 cá thể ▪ Số lượng của quần thể mỗi vòng đời (Population size): 1.000 cá thể ▪ Tỷ lệ lai ghép (simulated binary crossover): 90%
▪ Chỉ số phân bố lai ghép (distribution index, số càng lớn càng thể hiện việc lai ghép càng giống như bố mẹ): 15
Cụ thể được cấu hình trong mã nguồn phần mềm ở tại class JMetalAlgorithms khi triển khai giải thuật NSGA-II (và các giải thuật khác tương tự) như sau:
NondominatedPopulation result = new Executor() .withProblem("ProjectPayment") .withAlgorithm("NSGAII") .withMaxEvaluations(1000000) .withProperty("populationSize", 1000) .withProperty("sbx.rate", 0.9) .withProperty("sbx.distributionIndex", 15.0) .run();
Trang 59