KẾT LUẬN
Luận án đề xuất một số thuật toán mới dạng metaheurristic giải quyết bài toán MRCST. Đó là các thuật toán tìm kiếm leo đồi
HCSRI, HCSIR, thuật toán di truyền GST, thuật toán tìm kiếm Tabu
TST và thuật toán bầy ong BST.
Đóng góp mới của luận án là sự tổng hợp các thuật toán trên với các kỹ thuật tìm kiếm lân cận trên cơ sở đặc tính của bài toán MRCST. Theo hiểu biết của tác giả luận án, luận án là công trình đầu tiên phát triển thuật toán dựa trên tìm kiếm Tabu và thuật toán bầy ong để giải bài toán MRCST ; trong các thuật toán TST, BST; luận án đã đề xuất một số chiến lược tăng cường hóa và đa dạng hóa mới. Các thuật toán HCSRI, HCSIR đề xuất cách thức tìm kiếm lân cận mới so với các thuật toán tìm kiếm địa phương đã công bố trước đó như
SHC và PBLS; đề xuất này có hiệu quả rõ nét đối với các đồ thị thưa và đồ thị đầy đủ ngẫu nhiên. Thuật toán GST đề xuất các phép lai và phép đột biến mới, khác biệt so với các phép toán di truyền trong các thuật toán di truyền trước đó.
Kết quả thực nghiệm trên hệ thống dữ liệu thực nghiệm chuẩn cho thấy rằng: Các đề xuất này cho chất lượng lời giải tốt hơn hoặc có thời gian tính nhanh hơn các thuật toán trong cùng lớp và phần lớn các thuật toán đã được công bố trước đó. Cụ thể, các thuật toán
HCSRI, HCSIR cho chất lượng lời giải tốt hơn các thuật toán xấp xỉ, các thuật toán heuristic và các thuật toán di truyền đã công bố là
WONG, GENERAL STAR, PTAS, ADD, CAMPOS, ESCGA, BCGA. Các thuật toán HCSRI, HCSIR có ưu điểm cho chất lượng lời giải tương đương các thuật toán metaheuristic tốt nhất trên loại đồ thị đầy đủ ngẫu nhiên và đồ thị thưa trong thời gian nhanh hơn hẳn;