Đánh Giá Chất Lượng Lời Giải Của Thuật Toán 26894


2.4.2. Thuật toán


Các cải tiến của DEM được trình bày trong Algorithm 2.6 dưới đây.


Algorithm 2.6. Thuật toán DEM

Input : tmax - số thế hệ tối đa, dataset

Output : cá thể tốt nhất và thời gian thực hiện dự án


1. Begin

2. Load and Valid iMOPSE dataset 3. t = 0

4. Pall = Initial population

5. {Pbest, makespan} = fbest(Pall)

6. while( t< tmax)

7. for (int i = 0; i< Size; i++)

8. P1 P2 P3 Pi = Lấy ngẫu nhiên cá thể từ Pall 9. F = rand(0,1)

10. Vi = P1 + F (P2 - P3) // parameter of the mutation operator

11. for(j=0; j

12. randi,j = rand(0,1)

13. if (rani,j <= CR or i < Irand)

14. Ui,j = Vi,j

15. else

16. Ui,j = Pi,j

17. end if

18. end for

19. if(f(Ui)f(Pi))

20. Pi = Ui

21. end if

22. end for

23. {Pbest, makespan} = fbest(Pall)

24. Pbest = Reallocate(Pbest)

25. {Pbest, makespan} = fbest(Pall)

26. t = t+1

27. end while

28. return {Pbest, makespan}

29. End

Trong đó:

f: hàm mục tiêu

fbest: hàm trả lại cá thể tốt nhất

Có thể bạn quan tâm!

Xem toàn bộ 156 trang tài liệu này.

2.4.3. Kết quả thực nghiệm


Để thực nghiệm thuật toán DEM, luận án sử dụng bộ dữ liệu iMOPSE trong bảng 2.11, các thông số thực nghiệm được thiết lập tương tự như trong mục

2.3.3.2. Kết quả thực nghiệm được trình bày như trong bảng 2.17 sau đây.


Bảng 2.17: Kết quả thực nghiệm DEM với bộ dữ liệu iMOPSE



TT


Dataeset

GA-M

HAntCO

GRASP

DEM

BEST

AVG

STD

BEST

AVG

STD

BEST

AVG

STD

BEST

AVG

STD

1

100_5_22_15

517

524

5.3

504

505

0.8

503

504

0.5

484

486

1.8

2

100_5_46_15

584

587

4.7

604

604

0

552

556

2.6

528

529

2.1

3

100_5_48_9

528

535

9.7

521

523

1.6

510

510

0.8

489

491.7

1.3

4

100_5_64_15

527

530

2.5

516

523

2.9

501

502

0.8

495

499

1.5

5

100_5_64_9

508

521

9.9

507

515

3.9

494

494

0.6

485

488.7

0.6

6

100_10_26_15

292

292

0.0

266

270

2.2

251

258

3.2

232

235

3.8

7

100_10_47_9

296

296

0.0

297

302

4

263

264

0.7

252

254.7

1

8

100_10_48_15

279

282

2.9

278

286

4.4

256

257

1.2

243

245.2

0.5

9

100_10_64_9

296

305

6.6

287

296

5.1

255

257

1.9

251

253

1.9

10

100_10_65_15

286

290

5.0

281

287

3.5

256

260

1.9

249

252.1

1.2

11

100_20_22_15

163

169

5.8

161

170

3.6

134

137

1.6

128

131.4

0.5

12

100_20_46_15

197

207

6.9

194

199

2.6

170

174

3.1

161

163.1

1.6

13

100_20_47_9

185

186

0.5

180

187

3.7

133

140

2.2

123

125.2

2.7

14

100_20_65_15

240

240

0.5

218

220

2.7

213

213

0

210

213.3

0.8




TT


Dataeset

GA-M

HAntCO

GRASP

DEM

BEST

AVG

STD

BEST

AVG

STD

BEST

AVG

STD

BEST

AVG

STD

15

100_20_65_9

181

187

4.5

180

185

3.1

135

135

1.4

125

126.7

1.4

16

200_10_128_15

577

583

4.9

522

528

3.1

491

496

4.2

460

463.8

1.1

17

200_10_50_15

553

577

17.5

529

543

8

524

528

3.8

484

486.2

0.4

18

200_10_50_9

585

589

5.0

546

556

4.8

506

508

1.4

484

486.7

0.9

19

200_10_84_9

567

583

11.4

571

581

6.9

526

527

0.8

521

523

1.6

20

200_10_85_15

549

555

4.9

526

538

6.5

496

498

1.1

481

483.3

2.3

21

200_20_145_15

326

328

2.0

309

314

4.4

262

271

4.2

242

244.9

0.3

22

200_20_54_15

363

385

20.8

336

349

6.6

304

308

3.7

257

259.3

2.3

23

200_20_55_9

312

318

4.2

313

317

3.1

257

258

0.6

248

250

5.7

24

200_20_97_15

424

438

9.7

356

368

4.8

347

347

0

330

332.3

3.5

25

200_20_97_9

321

326

6.2

326

332

4.1

253

256

1.6

240

245.6

4.1

26

200_40_133_15

215

222

6.2

214

221

3.4

163

170

4.1

139

144.1

3.9

27

200_40_45_15

201

210

6.3

206

212

2.6

164

164

0

162

163.9

0.6

28

200_40_45_9

209

213

2.9

209

215

3.8

144

147

1.6

151

163

12.5

29

200_40_90_9

211

215

3.1

211

214

1.8

148

153

4.5

146

154

7.7

30

200_40_91_15

200

205

3.4

207

212

2.9

153

159

2.6

131

137

5.3


Bảng 2.18: So sánh kết quả thực nghiệm DEM với các thuật toán



Thuật toán

BEST

AVG


Tổng STD

Số

lượng

Tỉ lệ (%)

Số

lượng

Tỉ lệ (%)

Từ

Đến

Từ

Đến

DEM







74.9

GA-M

30/30

4.53

33.51

30/30

5.79

32.71

173.3

HAntCO

30/30

3.67

36.71

30/30

3.05

35.38

173.32

GRASP

29/30

-4.86

15.46

27/30

-10.88

15.81

56.7

Trong bảng 2.18:


- Cột “Số lượng” thể hiện số bộ dữ liệu (trên tổng số 30 bộ) mà thuật toán DEM có kết quả tốt hơn thuật toán ở hàng tương ứng.

- Tỉ lệ (%) cho biết kết quả của DEM tốt hơn/kém hơn các thuật toán còn lại. Giá trị âm thể hiện một vài trường hợp mà DEM cho kết quả kém hơn.

Bảng 2.19: So sánh kết quả thực nghiệm DEM với M-PSO



Dataset

DEM

M-PSO

BEST

AVG

STD

BEST

AVG

STD

100_5_22_15

484

486

1.8

485

486

1.7

100_5_46_15

528

529

2.1

530

531

0.5

100_5_48_9

489

491.7

1.3

490

492

1.6

100_5_64_15

495

499

1.5

478

479

1.3

100_5_64_9

485

488.7

0.6

471

474

2.5

100_10_26_15

232

235

3.8

233

233

0.4

100_10_47_9

252

254.7

1

257

261

3.7

100_10_48_15

243

245.2

0.5

244

245

0.6

100_10_64_9

251

253

1.9

240

246

5.9

100_10_65_15

249

252.1

1.2

244

245

1.3

100_20_22_15

128

131.4

0.5

128

131

3.1

100_20_46_15

161

163.1

1.6

162

165

2.9



Dataset

DEM

M-PSO

BEST

AVG

STD

BEST

AVG

STD

100_20_47_9

123

125.2

2.7

124

128

3.6

100_20_65_15

210

213.3

0.8

228

230

1.8

100_20_65_9

125

126.7

1.4

125

125

0.3

200_10_128_15

460

463.8

1.1

461

464

2.7

200_10_50_15

484

486.2

0.4

489

490

0.7

200_10_50_9

484

486.7

0.9

487

491

3.7

200_10_84_9

521

523

1.6

508

510

2.1

200_10_85_15

481

483.3

2.3

473

476

2.5

200_20_145_15

242

244.9

0.3

236

237

1.4

200_20_54_15

257

259.3

2.3

256

256

0.3

200_20_55_9

248

250

5.7

251

255

3.5

200_20_97_15

330

332.3

3.5

334

337

3.3

200_20_97_9

240

245.6

4.1

255

256

0.9

200_40_133_15

139

144.1

3.9

147

151

4.1

200_40_45_15

162

163.9

0.6

163

167

4

200_40_45_9

151

163

12.5

152

162

9.5

200_40_90_9

146

154

7.7

145

152

7.1

200_40_91_15

131

137

5.3

135

143

8.3


2.4.4. Đánh giá chất lượng lời giải của thuật toán


Luận án đã tiến hành thực nghiệm thuật toán DEM áp dụng cho bài toán MS-RCPSP. Thực nghiệm được chạy trên 30 bộ dữ liệu iMOPSE, với số lần chạy thực nghiệm là 50 lần, số thế hệ tiến hóa là 100.000, thuật toán được cài đặt trên môi trường thử nghiệm Matlab 2014. Kết quả thực nghiệm được trình bày trong bảng 2.17. Kết quả thực nghiệm được tổng hợp và so sánh trong bảng 2.18.

So sánh với GA-M cải tiến của nhóm Myszkowski, ta thấy:


- Về giá trị BEST và AVG: DEM tốt hơn GA-M trong tất cả các trường


hợp, trong đó giá trị BEST tốt hơn GA-M từ 4.53% đến 33.51% (chi tiết trong hình 2.12)., giá trị AVG tốt hơn GA-M từ 5.79% đến 32.71% (chi tiết trong hình 2.14).

- Về giá trị độ lệch chuẩn STD, tổng độ lệch chuẩn của GA-M là 173.3, của DEM là 74.9 (chi tiết trong hình 2.13).. Từ kết quả này, có thể thấy, thuật toán DEM mang lại hiệu quả cao hơn thuật toán GA-M và tính ổn định của DEM cũng tốt hơn.

So sánh với các thuật toán lai (hybrid) khác


- Bảng 2.18 cho thấy, kết quả của DEM có kết quả tốt hơn các thuật toán lai ở hầu hết các trường hợp, cụ thể: tốt hơn HAntCO với tất cả các bộ dữ liệu (30/30), tốt hơn GRASP 26/30 bộ dữ liệu với giá trị BEST. Một số trường hợp DEM kém hơn các thuật toán lai, tuy nhiên, giá trị kém hơn không nhiều. Xét về tổng số các bộ dữ liệu, DEM tốt hơn các thuật toán lai ở hầu hết các trường hợp.

Bảng 2.19 so sánh kết quả thực nghiệm của thuật toán M-PSO và thuật toán DEM trên bộ dữ liệu iMOPSE. Các phương kết quả áp dụng với bài toán MS- RCPSP của 2 thuật toán này cho thấy:

- Với giá trị BEST, DEM tốt hơn M-PSO ở 19/30 bộ dữ liệu, DEM có giá trị bằng M-PSO ở 2 trường hợp và DEM có giá kém hơn M-PSO ở 9/30 bộ dữ liệu. Tuy nhiên, giá trị STD của DEM là 74.9, tốt hơn so với M- PSO là 85.3, điều này cho thấy DEM có độ ổn định hơn M-PSO.

- Cũng qua kết quả trong bảng 2.19 cho thấy, DEM tốt hơn M-PSO trong các trường hợp dự án có cùng số tác vụ nhưng số lượng tài nguyên lớn hơn.

Các kết quả của DEM có được nhờ việc ứng dụng thuật toán tiến hóa vi phân (DE) kết hợp với cải tiến quan trọng là việc áp dụng hàm Reallocate. DE


có đặc tính định hướng cao dựa trên kinh nghiệm của quần thể và cá thể qua các thế hệ, hàm Reallocate sẽ giúp tính toán lại các thể tốt nhất tìm được sau mỗi thế hệ bằng việc thay thế tài nguyên thực hiện các tác vụ, việc này giúp thuật toán mở rộng được không gian tìm kiếm và nâng cao khả năng hội tụ.


2.4.5. Hình ảnh so sánh DEM với thuật toán GA-M

Hình 2.12. So sánh giá trị BEST giữa DEM với GA-M

Hình 2.13. So sánh giá trị STD giữa DEM với GA-M

..... Xem trang tiếp theo?
⇦ Trang trước - Trang tiếp theo ⇨

Ngày đăng: 14/07/2022