.8 Các đối tượng thuộc module thuật toán GA

STT Lớp Mô tả

1 Genome Lớp đối tượng biểu diễn một gen của thuật toán di truỳen.

2 Individual Lớp đối tượng biểu diễn một cá thể 3 CustomerPreferenc

e

Lớp đối tượng chứa các đánh giá khách hàng về mỗi tiêu chuẩn sản phẩm.

sản phẩm.

5 Price Lớp đối tượng chứa thuộc tính giá bán của sản phẩm.

6 CaseType Lớp đối tượng chứa thuộc tính kiểu dáng của sản phẩm.

7 Entertainment Lớp đối tượng chứa các thuộc tính giải trí của sản phẩm.

8 StandbyTime Lớp đối tượng chứa thuộc tính thời gian sử dụng của

sản phẩm.

9 Population Lớp đối tượng chứa các xử lý danh sách sản phẩm, biểu diễn quần thể của thuật giải di truyền. 10 MobileContainer Lớp đối tượng xử lý dữ liệu danh sách sản phẩm. 11 MobileCriterion Lớp đối tượng cha được xử lý dữ liệu danh sách

CHƯƠNG 6 CÀI ĐẶT 6.1 Môi trường phát triển ứng dụng

Hệ thống website được cài đặt dựa trên các môi trường phát triển sau:

 Môi trường cài đặt ứng dung: Visual Studio.NET

 Ngôn ngữ sử dụng: ASP.NET và C#.NET

 Hệ quản trị cơ sở dữ liệu: SQL Server

 Phần mềm mơ hình hóa ứng dụng: Rational XDE

6.2 Cài đặt chương trình

Tập tin cơ sở dữ liệu SQL Server được cài đặt tại máy Server. Hệ chương trình được viết bằng ngôn ngữ C#.NET gồm 2 phần:

 Phần cài đặt thuật toán GA gồm 2 project : project MobilePhoneShop chứa kết nối và xử lý đến cơ sở dữ liệu và project GeneticAlgorithm chứa cài đặt thuật toán di truyền theo trọng số. Cả hai project là những Class Library project kết xuất ra tập tin DLL.

 Phần trang web Mua bán điện thoại di động gồm 1 project WebMobileShop được cài đặt theo mơ hình ứng dụng web 3 tầng:

- Tầng dữ liệu bao gồm các phương thức đọc, ghi cơ sở dữ liệu sử dụng kỹ thuật ADO.NET để kết nối và truy cập dữ liệu. Các hàm này chứa trong các lớp đối tượng DABasic, DAItems, DAProducers. Khi khởi động chương trình, hệ thống đọc vào bộ nhớ chính danh sách thuộc tính của các máy điện thoại di động. Trong quá trình hoạt động, khi có nhu cầu đọc, ghi dữ liệu, hệ thống kết nối với Server để đọc các thơng tin dữ liệu vào bộ nhớ chính của hệ thống hoặc ghi dữ liệu từ bộ nhớ chính vào tập tin cơ sở dữ liệu trên Server. - Tầng xử lý bao gồm các hàm xử lý nghiệp vụ. Các hàm xử lý khi xử lý trên dữ liệu sẽ thực hiện trực tiếp trên dữ liệu đã được đọc vào bộ nhớ chính.

Nếu chưa có dữ liệu trong bộ nhớ, các hàm xử lý sẽ triệu gọi đến các hàm đọc ghi dữ liệu ở tầng dữ liệu. Trong chương trình, các hàm xử lý được thiết kế độc lập với giao diện người dùng.

- Tầng giao tiếp bao gồm các hàm hiển thị thơng tin và các xử lý dữ liệu có thể hiện trên màn hình được thiết kế. Các hàm này được cài đặt trực tiếp tại các trang web. Khi các trang web được triệu gọi, thông tin dữ liệu được lấy từ bộ nhớ của máy chủ để hiển thị đến trình duyệt của người dùng. Khi có các xử lý nghiệp vụ xảy ra, các hàm tại tầng giao tiếp sẽ triệu gọi đến các hàm xử lý nghiệp vụ ở tầng xử lý. Riêng trang trợ giúp lựa chọn sản phẩm sẽ áp dụng mơ hình thuật tốn GA bằng cách gọi các hàm trong 2 DLL đã trình bày ở trên. Với mơ hình xử lý như mơ tả trên, hệ thống phần nào đã thể hiện được sự hoạt động của mơ hình ba lớp trên mơi trường .NET, sự phối hợp cũng như tính độc lập của các lớp đối tượng được cài đặt tại mỗi tầng và trong toàn ứng dụng.

6.3 Một số màn hình tiêu biểu

Khi gọi ứng dụng web, trang đầu tiên sẽ hiển thị như sau: Trang web: Default.aspx

Tiêu đề: Web Mobile shop Homepage. Ý nghĩa: Trang chủ của ứng dụng.

Trang web: CriterionChoose.aspx

Ý nghĩa: Trợ giúp người dùng chọn lựa sản phẩm theo các tiêu chuẩn cần có của một máy điện thoại di động

Trang web: Result.aspx

Ý nghĩa: Danh sách các máy điện thoại đề nghị cho khách hàng sau khi họ đã đánh các tiêu chuẩn ở trang CriterionChoose.aspx

Trang web: Viewcart.aspx

CHƯƠNG 7

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

7.1 Kết luận

Hệ hỗ trợ ra quyết định tuy không phải là một đề tài mới mẻ, với rất nhiều đề tài nghiên cứu và các nổ lực áp dụng thực tế nó đã dần dà trở thành một bộ phận quan trọng của các hệ thống thông tin hiện đại. Tuy nhiên các áp dụng của nó vẫn ở mức rất sơ khai và vẫn chưa có một chuẩn thống nhất.Trong khn khổ luận văn chúng em đã tìm hiểu một cách tổng quan Hệ hỗ trợ ra quyết định. Bài toán tối ưu hóa đa mục tiêu thực chất là một pha trong Hệ hỗ trợ ra quyết định, giai đoạn lựa chọn. Đã có rất nhiều cách tiếp cận được đặt ra để giải quyết bài tốn này, xong các cách tiếp cận đó vẫn giựa trên một ứng dụng, một tình huống cụ thể thực tế nào đó. Và thực tế là chưa có một phương pháp nào có thể thỏa mãn tất cả các tình huống và cũng chưa có phương pháp nào để so sánh hiệu quả của các phương pháp đó với nhau.Trong luận văn này chúng em đã cố gắng đưa ra một cái nhìn tổng qt về bài tốn tối ưu hóa đa mục tiêu và một số cách tiếp cận.Trong đó chúng em tập trung vào phương pháp dùng thuật giải di truyền, một phương pháp còn tương đối mới mẻ.

Và giựa trên phương pháp áp dụng thuật giải di truyền trong bài tốn tối ưu hóa đa mục tiêu ,chúng em cũng đã có những cải tiến để có thể áp dụng vào bài tốn cụ thể đó là “Trợ giúp khách hàng chọn sản phẩm khi mua hàng qua mạng”. Với cách tiếp cận trên chúng em đã tìm cách áp dụng và xây dựng một trang web bán điện thoại qua mạng.Trong đó có cài đặt phần trợ giúp để khách hàng có thể chọn một chiếc vừa ý và nhanh chóng nhất.Do trong khn khổ giới hạn của luận văn ,tuy trang web có thể đáp ứng được các thành phần cơ bản cho một trang web bán hàng nhưng vẫn cịn rất nhiều thiếu sót và hạn chế.

Sau khi cài đặt chúng em nhận thấy rằng với cách tiếp cận này trang web sẽ đảm bảo được về mặt thời gian.Thế nhưng kết quả trả về có thể khác nhau qua các

lần chạy (vì đơi khi miền tối ưu Pareto có nhiều lời giải). Tuy nhiên một điểm mạnh của phương pháp này so với các phương pháp tìm kiếm thơng thường đó là ln cho ra kết quả (tối ưu hoặc gần tối ưu) chứ không phải đưa ra một câu thông báo đáng buồn cho người mua lẫn kẻ bán “Khơng thể tìm thấy sản phẩm thích hợp”.

7.1 Hướng phát triển

Hồn thiện trang web để nó có thể áp dụng một cách thực tế: giao diện thân thiện và gần gủi hơn, hồn thiện chức năng thanh tốn.

Cải tiến phương pháp đánh giá trên miền Pareto để có thể cho ra kết quả xâu xát hơn và để tránh tình trạng cho ra các kết quả khác nhau qua các lần chạy.

Hổ trợ thêm để người dùng có thể chọn ra sản phẩm cuối cùng trong số các sản phẩm mà ta đã đề nghị. Vì chỉ cần có 2 sự chọn lựa là ta đã phải đưa ra quyết định. Chúng ta có thể áp dụng các phương pháp giải quyết tối ưu cũ (tiêu tốn nhiều thời gian hơn) như AHP, Tweak Utility...

Phụ lục A Bài toán tối ưu đa mục tiêu A.1 Sự ra đời

Tất cả các lĩnh vực như kỹ thuật, khoa học, kinh doanh, và khoa học xã hội và tự nhiên đều liên quan đến việc quyết định phân bổ,hoạch định các tài nguyên hạn hẹp cho các hoạt động,ví dụ quyết định đầu tư kinh doanh,phân cơng cơng việc, phân bổ tài nguyên v.v... Những hoạt động này đều liên quan đến việc đo lường và tối ưu các hiệu xuất, mục tiêu.

Trong một trường hợp cụ thể nào đó, các mục tiêu có thể được tối ưu hóa một cách độc lập để đạt được kết quả tốt nhất ứng với mục tiêu đó. Tuy nhiên một kết quả chấp nhận được cho tồn bộ các mục tiêu khó có thể tìm ra theo cách đó. Bởi vì việc tối ưu hóa một mục tiêu có thể dẫn đến kết quả của một hoặc nhiều mục tiêu khác trở nên tồi tệ. Ví dụ trong việc chế tạo xe đua làm sao tìm ra được trọng lượng hợp lý của thùng xăng để xe có thể đi một khoảng đường dài mà khơng phải tiếp nhiên liệu (cần một lượng xăng lớn) nhưng không làm tăng

nhiều khối lượng của xe (làm giảm tốc độ xe).

Tuy nhiên thực tế là chưa có một định nghĩa thống nhất thế nào là tối ưu như trong bài tốn một mục tiêu do đó thậm chí rất khó để ta có thể so sánh kết quả giữa các phương pháp với nhau bởi vì việc quyết định cái gì là tốt nhất rốt cuộc vẫn thuộc về người ra quyết định.

A.2 Phát biểu bài toán

Khi một vấn đề được đặt ra trong đó có nhiều tiêu chí, mục tiêu kèm theo.Nếu các mục tiêu xung đột với nhau và các biến quyết định có những ràng buộc với nhau thì việc đi tìm giải pháp tối ưu của vấn đề trở thành bài tốn “Tối ưu hóa đa mục tiêu”

Việc giải quyết bài tốn tối ưu hóa đa mục tiêu được giải quyết với ý tưởng tương tự bài toán tối ưu một mục tiêu. Trong bài toán một mục tiêu để giải quyết bài tốn ta phải đi tìm một tập các các biến quyết định thỏa các ràng buộc và đưa ra một kết quả tối ưu đối với hàm mục tiêu. Bài tốn đa mục tiêu chỉ khác là nó phải giải quyết nhiều mục tiêu khác nhau (có thể xung đột với nhau) và thường cho ra một tập các giải pháp tối ưu hoặc không so sánh được với nhau.

A.3 Một số định nghĩa A.3.1 Các biến quyết định

Bước đầu tiên trong q trình tối ưu hóa là việc cơng thức hóa vấn đề. Một mơ hình tốn học cần được đưa ra để mơ tả chính xác các hành vi hay giá trị của các tình huống.

Nhìn chung các bài tốn đa mục tiêu đều có thể biểu diễn bằng một vector các hàm trong đó ánh xạ m tham số (các biến quyết định) thành một tập n mục tiêu. Min/Max y = f(x) = (f1(x),f2(x)…fn(x))

Trong đó x=(x1, x2,… ,xm)  X y=( y1, y2,… ,yn)  Y

không gian tham số(hay khơng gian tìm kiếm) . y được gọi là vector mục tiêu bao gồm n mục tiêu và Y được gọi là không gian mục tiêu.

A.3.2 Các ràng buộc

Bước tiếp theo của việc cơng thức hóa vẫn đề đó là xác định các ràng buộc. Ràng buộc là những điều kiện giữa các biến quyết định mà các giải pháp cần phải thỏa. Các ràng buộc được mô tả bằng các đẳng thức hoặc bất đẳng thức. gj(x) ≤ 0 , j = 1,2,…,J

hk(x) = 0 , k = 1,2,…,K

A.3.3 Hàm mục tiêu

Bước cuối cùng của việc cơng thức hóa vấn đề đó là định nghĩa các hàm mục tiêu. Đây chính là con số mà người thiết kế cần tối ưu hóa. Các hàm này được biểu diễn dưới dạng:

f(x)=(f1(x),f2(x),…,fn(x))

A.3.4 Dạng chuẩn của vấn đề

Một vấn đề được cơng thức hóa có dạng chuẩn như sau min/max {f(x):h(x)=0,g(x) ≤0} => x  Rn

Cơng thức trên có thể được diến đạt như sau: tìm một tập các giá trị R của vector quyết định sao cho hàm mục tiêu đạt giá trị nhỏ nhất (lớn nhất) và thỏa các ràng buộc là các dẳng thức h(x) và bất đẳng thức g(x).

A.4 Miền tối ưu Pareto A.4.1 Giới thiệu

Trong bài toán tối ưu đa mục tiêu, ta mong muốn tìm được một tập giá trị các biến quyết định nhằm tối ưu các hàm mục tiêu. Tập các biến quyết định cho ta một kết quả tối ưu được gọi là một tập tối ưu và được ký hiệu là x*. Miền tối ưu Pareto là một tập hợp chứa các tập tối ưu mà từ đó ta có thể chọn ra các giá trị mong muốn (tối ưu).

Miền tối ưu Pareto (đường tô đậm) là một tập hợp các điểm nếu di chuyển từ điểm này (ví dụ điểm A) đến điểm kia (ví dụ điểm B) trong tập hợp làm cho một mục tiêu bị giảm thì phải có ít nhất một mục tiêu khác tăng lên và ngược lại. Nói cách khác một vector xv = f(xv)=(v1,v2,…,vn) thuộc một tập P được gọi là thuộc miền tối ưu Pareto khi và chỉ khi không tồn tại một vector quyết định xu = f(xu) = (u1,u2,…un) nào thống trị xv ,nghĩa là

 i {1,…,n}, ui ≤ xi và  i  {1,…,n}, ui<xi

Như ở hình trên thì A,B,C1 thuộc miền tối ưu Pareto nhưng C thì khơng, vì C bị thống trị bởi C1.

Một phương án x* không bị thống trị bởi một phương án nào cả sẽ thuộc về miền tối ưu Pareto. Do vậy việc giải bài tóan tối ưu hóa đa mục tiêu là chọn ra từ miền Pareto của bài toán một hay một số các phương án tốt nhất theo một nghĩa nào đó dựa trên cơ cấu ưu tiên của người ra quyết định.

A.5 Cách tiếp cận bài toán đa mục tiêu giựa trên thuật giải di truyền A.5.1 Giới thiệu

Khái niệm về áp dụng thuật toán di truyền vào bài toán đa mục tiêu đã xuất hiện vào những năm 60 trong một nổ lực nghiên cứu của Rosenberg (1967). Ông đã đề xuất sử dụng nhiều thuộc tính trong việc mơ phỏng các gene và quần thể các sinh vật dơn bào. Thật ra trong cài đặt của mình ơng chỉ sử dụng một thuộc tính và cách tiếp cận đa mục tiêu không thể thấy được trong cài đặt của ơng nhưng nó đã trở thành điểm xuất phát cho việc áp dụng giải thuật di truyền vào bài toán tối ưu đa mục tiêu.

Chúng ta biết rằng thuật toán di truyền (xem phụ lục B) cần thơng tin về độ thích nghi để làm việc. Có lẽ ý nghĩ đơn giản và tự nhiên nhất đó là kết hợp các mục tiêu lại làm một bằng cách sử dụng các phép toán đại số. Cách tiếp cận này đòi hỏi chúng ta phải cung cấp các thông tin về tầm mức của các mục tiêu. Điều này đòi hỏi chúng ta phải biết về hành vi, hoạt động của các hàm mục tiêu, đây

khơng phải là một tiến trình đơn giản. Với cách kết hợp các mục tiêu lại với nhau, rõ ràng đây không phải là cách đơn giản nhất nhưng có lẽ là một trong những cách hiệu quả nhất bởi vì nó khơng địi hỏi phải giao tiếp với người ra quyết định thêm lần nào nữa trong khi thuật toán đang được thực hiện. Và nếu GA kết thúc bằng một kết quả thích nghi tối ưu thì kết quả này ít nhất sẽ thuộc về một tập các giải pháp tối ưu trong đa số trường hợp.

Cách tiếp cận kết hợp các mục tiêu lại đưa về bài toán một mục tiêu là một trong các cách được biết đến nhiều nhất trong việc giải bái tốn tối ưu đa mục tiêu vì tính hiệu quả của nó. Một số cách tiếp cận theo cách trên đã được đề ra như tổng trọng số, hướng mục đích và tối ưu Min-Max.

A.5.2 Cách tiếp cận tổng trọng số (Weighting objective)

Phương pháp này chúng ta sẽ cộng các hàm mục tiêu lại với nhau và sử dụng các trọng số đối với từng mục tiêu, trọng số này thể hiện sự tương quan về độ quan trong của các mục tiêu. Với cách này các giải pháp trên miền Pareto (vốn không so sánh được với nhau) sẽ có thể đánh giá và so sánh được.

Khi đó vấn đề của chúng ta sẽ được chuyển thành dạng:

minwi fi (x)

i1 hoặc minw f (x)c*

Trong đó wi  0 là các trọng số mô tả mối tương quan độ quan trọng giữa các mục tiêu.Và thường được tạo với cách:

wi  1

i1

Và c* là một hằng số với c*  1 và là giá trị tối ưu của hàm mục tiêu.

Rõ ràng kết quả của bài toán sẽ thay đổi khi các hệ số trọng số thay đổi, và

k i i i k f f i i i i

thơng thường các trọng số này khó được xác định do đó cần một cách tiếp cận khác khi chúng ta phải sử đụng nhiều giá trị trọng số khác nhau. Nhưng trong trường hợp các trọng số được xác định bởi người ra quyết định giựa trên trực giác của mình thì cách này vẫn tỏ ra có hiệu quả.

A.5.1 Cách tiếp cận hướng mục đích (Goal programming)