Đánh Giá Chất Lượng Lời Giải Của Thuật Toán 26900


- Bước 4.4: Thay thế pa% cá thể kém nhất bằng các cá thể mới được tạo ra bởi kỹ thuật Local Search.

- Bước 4.5: Áp dụng hàm Rotate đối với cá thể tốt nhất (bestnest)


- Bước 5: Lặp lại từ bước 2 cho đến khi kết thúc


Cải tiến chính của thuật RR-CSM toán nằm trong bước 4.5 khi áp dụng các phương pháp Reallocate và Rotate với cá thể tốt nhất.

Thuật toán RR-CSM được trình bày trong Algorithm 4.5 dưới đây.


Algorithm 4.5. Thuật toán RR-CSM

Input : dataset

tmax : số thế hệ tiến hóa Output : cá thể tốt nhất và makespan

1. Begin

2. Load and Valid dataset 3. t 0

4. Pall Initial population

5. f Calculate the fitness, makespan, bestnest

6. while(tmax)

7. Pnew Tạo cá thể mới bằng Lévy Flight (GS)

8. Pi Lấy ngẫu nhiên một cá thể từ Pall

9. 𝑃𝑖

= { 𝑃𝑛𝑒𝑤 𝑖𝑓 𝑓(𝑃𝑛𝑒𝑤) < 𝑓(𝑃𝑖)

𝑃𝑖 𝑖𝑓 𝑓(𝑃𝑛𝑒𝑤) ≥ 𝑓(𝑃𝑖 )

10. Ppa pa% tổ kém nhất từ Pall

11. For j = 1 to size(Ppa)

12. Pnew Tạo cá thể mới bằng Lévy Flight (LS)

𝑃𝑛𝑒𝑤 𝑖𝑓 𝑓(𝑃𝑛𝑒𝑤) < 𝑓(𝑃𝑝𝑎)

13. 𝑃𝑝𝑎 = { 𝑗

𝑗 𝑃𝑝𝑎 𝑖𝑓 𝑓(𝑃𝑛𝑒𝑤) ≥ 𝑓(𝑃𝑝𝑎)

𝑗 𝑗

14. End For

15. Pall Thay thế Ppa vào Pall

16. f Calculate the fitness, makespan, bestnest

17. bestnest = Reallocate(bestnest)

18. bestnest = Rotate(bestnest)

19. makespan = f(bestnest)

20. t = t+1

21. End while


22. return {bestnest, makespan}

23. End

Với:

- f: hàm tính makespan của một lịch biểu

Có thể bạn quan tâm!

Xem toàn bộ 156 trang tài liệu này.

Các dòng 18 là các lời gọi đến hàm hàm Rotate để cải tiến kết quả của cá thể tốt nhất bestnest, sau đó sẽ tính toán lại makespan của cả quần thể bằng lời gọi ở dòng 19.

4.4.3. Kết quả thực nghiệm


Để kiểm chứng thuật toán RR-CSM, luận án tiến hành thực nghiệm trên 02 bộ dữ liệu: iMOPSE hiệu chỉnh và bộ dữ liệu của TNG[54]. Các thông số cấu hình thực nghiệm tương tự như trong mục 2.4.3.2. Kết quả thực nghiệm được trình bày trong bảng 4.12 và bảng 4.13 dưới đây.

Bảng 4.12: Kết quả thực nghiệm RR-CSM với bộ dữ liệu iMOPSE


Dataset

GA-M

R-CSM

RR-CSM

Best

Avg

Std

Best

Avg

Std

Best

Avg

Std

100_5_22_15

465

469

3.1

454

455

1.0

452

454

1.1

100_5_46_15

523

529

5.4

506

509

2.1

505

506

0.2

100_5_48_9

476

481

4.5

471

473

1.5

467

471

3.7

100_5_64_15

478

487

8.2

461

464

2.3

456

461

4.7

100_5_64_9

453

457

3.2

430

432

1.4

429

430

0.7

100_10_26_15

221

224

2.1

208

210

1.3

204

208

3.8

100_10_47_9

247

253

5.9

238

240

1.6

236

238

1.2

100_10_48_15

238

246

7.6

237

238

0.1

234

237

2.7

100_10_64_9

239

249

9.4

222

225

2.1

216

222

5.8

100_10_65_15

240

244

3.2

230

232

1.8

227

230

2.7

100_20_22_15

109

115

5.2

95

101

5.2

91

95

3.8

100_20_46_15

145

150

4.1

144

152

7.8

143

147

3.2

100_20_47_9

121

125

3.3

119

126

6.1

117

119

1.9

100_20_65_15

193

200

6.8

185

189

3.6

183

185

1.8

100_20_65_9

124

131

6.5

101

110

8.9

100

101

0.3

200_10_128_15

440

446

5.7

422

428

5.1

421

422

0.6

200_10_50_15

468

471

2.9

466

467

0.9

463

466

2.3


Dataset

GA-M

R-CSM

RR-CSM

Best

Avg

Std

Best

Avg

Std

Best

Avg

Std

200_10_50_9

481

484

2.6

459

461

1.2

454

459

4.3

200_10_84_9

487

498

10.9

484

485

0.4

479

484

4.8

200_10_85_15

465

469

4.0

456

457

0.3

453

456

2.7

200_20_145_15

222

229

6.1

175

185

9.2

170

175

4.1

200_20_54_15

249

255

5.1

237

240

2.7

234

237

2.2

200_20_55_9

248

254

5.7

228

232

3.1

227

228

0.8

200_20_97_15

317

321

3.3

288

293

4.9

283

288

4.8

200_20_97_9

234

241

6.2

232

234

1.5

228

232

3.9

200_40_133_15

126

134

7.4

110

119

8.1

106

110

3.6

200_40_45_15

160

164

3.8

123

129

5.7

122

123

0.3

200_40_45_9

133

146

12.1

121

132

10.3

117

121

3.4

200_40_90_9

130

133

3.0

112

125

12.6

107

112

4.9

200_40_91_15

133

139

5.8

117

127

9.1

114

117

2.0

Bảng 4.13: Kết quả thực nghiệm RR-CSM với bộ dữ liệu TNG



Dataset

GA-M

R-CSM

RR-CSM

Best

Avg

Std

Best

Avg

Std

Best

Avg

Std

TNG1

201

203

3.5

131

136

4.5

129

133

3.3

TNG2

198

205

8.3

133

138

5.2

132

137

4.5

TNG3

212

218

7.1

132

135

1.6

130

132

1.7

TNG4

176

187

11.3

127

134

7.6

126

133

6.9

TNG5

751

757

6.2

572

577

4.1

563

568

4.3

TNG6

791

796

5.5

626

636

8.5

607

613

6.2

TNG7

810

820

10.7

569

573

5.7

556

560

3.8

TNG8

720

728

9.4

560

564

3.6

543

545

1.6

4.4.4. Đánh giá chất lượng lời giải của thuật toán


Các thực nghiệm được triển khai trên RR-CSM sử dụng bộ dữ liệu iMOPSE và bộ dữ liệu TNG. Kết quả thực nghiệm được trình bày trong bảng 4.12 và bảng 4.13 chỉ ra thuật toán RR-CSM có chất lượng lời giải luôn tốt hơn thuật toán GA-M.


Với bộ dữ liệu iMOPSE, giá trị tốt nhất của RR-CSM tốt hơn R-CSM từ 0.2% đến 4,67 %, so sánh chi tiết được thể hiện trong hình 4.16. Tổng độ lệch chuẩn của R-CSM là 122,1, của RR-CSM là 82,3, điều này cho thấy độ ổn định của thuật toán RR-CSM tốt hơn, hình 4.17 cho so sánh độ lệch chuẩn giữa RR- CSM, R-CSM và GA-M.

Với bộ dữ liệu TNG, giá trị tốt nhất của RR-CSM tốt hơn R-CSM từ 0,75% đến 3,12%, so sánh chi tiết được thể hiện trong hình 4.18. Tổng độ lệch chuẩn của R-CSM là 40,8, của RR-CSM là 32,2, điều này cho thấy độ ổn định của thuật toán RR-CSM tốt hơn, hình 4.19 cho so sánh độ lệch chuẩn giữa RR- CSM và R-CSM.

122


4.4.5. Hình ảnh so sánh RR-CSM với thuật toán GA-M

Hình 4.16. So sánh giá trị BEST giữa R-CSM, RR-CSM, GA-M

Hình 4.17. So sánh giá trị STD giữa R-CSM, RR-CSM, GA-M trên iMOPSE



Hình 4.18. So sánh giá trị BEST giữa R-CSM, RR-CSM và TNG


Hình 4.19. So sánh giá trị STD giữa RR-CSM với R-CSM


Kết luận chương 4

Trong chương này, luận án đã trình bày về cách mã hóa cá thể của bài toán Real-RCPSP. Để phục vụ cho việc thực nghiệm theo mô hình sản xuất thực tế, luận án sử dụng bộ dữ liệu thực tế của công ty may TNG sau khi số hóa. Để giải bài toán Real-RCPSP, 03 giải thuật metaheuristic đã được đề xuất.

Thuật toán 1: A-DEM, là thuật toán được phát triển từ thuật toán DE. Cải tiến mới, quan trọng của A-DEM là việc thay thế giá trị lai ghép thích nghi theo từng thế hệ. Giá trị này được tính toán dựa trên các cá thể lân cận, số cá thể lân cận cũng thay đổi theo quá trình tính toán dựa trên các cá thể tiến hóa thành công.

Thuật toán 2: R-CSM, là thuật toán được phát triển từ thuật toán Cuckoo Search. R-CSM áp dụng bổ sung thêm hai phương pháp nhằm nâng cao chất lượng lời giải: phương pháp tái thiết lập (Reallocate). Thuật toán này đã được công bố trong công trình [CT9].

Thuật toán 3: RR-CSM, là thuật toán được phát triển từ thuật toán R-CSM bằng cách áp dụng bổ sung thêm hai phương pháp Rotate, kết quả cho thấy RR- CSM hiệu quả tốt hơn so với R-CSM trước đó.

Để kiểm chứng tính hiệu quả của R-CSM, RR-CSM và A-DEM, luận án đã triển khai thực nghiệm với bộ dữ liệu iMOPSE và TNG, có đánh giá so sánh cụ thể sau mỗi phần thực nghiệm.

Kết quả nghiên cứu của chương này được công bố tại:

- Hội thảo quốc tế ICCC lần thứ 2 Nagoya, Japan, 2020. DOI: 10.1109/ICCCI49374.2020.9145982 [CT7]

- Tạp chí Thông tin và Truyền thông, tập 2, pp. 93-101, 12-2019, DOI: 10.32913/mic-ict-research-vn.v2019.n2.865 [CT6];

- Tạp chí Journal of Advanced Transportation (IF: 1.67, Q2), Volume 2020, Article ID 8897710, 11 pages, 2020 [CT9].


KẾT LUẬN


Bài toán lập lịch với tài nguyên giới hạn và đa kỹ năng MS-RCPSP có nhiều ứng dụng trong thực tế. Luận án đã phát biểu tường minh bài toán MS-RCPSP (mục 1.1.1), chỉ ra các ứng dụng của bài toán này (mục 1.1.2) và các phương pháp giải (mục 1.2). Để xác định nội dung nghiên cứu, các công trình nghiên cứu liên quan đến bài toán đã được tổng hợp, phân tích, từ đó chỉ ra các hướng mở sẽ làm trong luận án (mục 1.1.3).

Trong chương 2 của luận án đề đề xuất 2 thuật toán mới để giải bài toán MS-RCPSP phát triển từ các thuật toán mới, hiệu quả hơn. Các thuật toán gồm: M-PSO dựa trên cơ sở là thuật toán PSO và DEM phát triển từ thuật toán DE.

Chương 3 luận án phát biểu tường minh bài toán mới Real-RCPSP (mục 3.1.1.) và xếp loại bằng ký pháp Graham (3.1.3). Đây là bài toán mở rộng từ bài toán MS-RCPSP và có khả năng ứng dụng cao trong thực tế sản xuất. Đề giải bài toán này, luận án đề xuất 3 thuật toán mới là A-DEM mở rộng từ DE, R-CSM cải tiến từ thuật toán CS và RR-CSM cải tiến thêm từ thuật toán R- CSM. Các thực nghiệm được chạy trên bộ dữ liệu iMOPSE và bộ dữ liệu thực tế TNG.

Các kết quả nghiên cứu của luận án được công bố trong 9 công trình, trong đó 06 bài báo trên tạp chí, trong đó có 02 bài báo SCIE, 01 bài scopus, 03 bài tạp chí trong nước; 02 hội thảo kỷ yếu hội thảo quốc tế, kỷ yếu được đăng trên IEEE và 01 hội thảo quốc gia.

Đóng góp mới của luận án bao gồm:


- Đề xuất 02 thuật toán mới để giải bài toán MS-RCPSP là: M-PSO và DEM [CT7], [CT8].

- Đề xuất 03 thuật toán để giải bài toán Real-RCPSP là: A-DEM, R-CSM [CT9] và RR-CSM.

Xem toàn bộ nội dung bài viết ᛨ

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

Ngày đăng: 14/07/2022