Đang tải... (xem toàn văn)
BÁO CÁO MÔN HỌC CÁC KỸ THUẬT TỐI ƯU Tabu Search and Evolutionary Scatter Search for ‘TreeStar’ Network Problems, with Applications to LeasedLine Giảng Viên: PGS.TS. Lê Nhật Thăng Học viên: Tạ Thị Minh Hiển Ngô Trường Giang Mục Lục Các thuật ngữ viết tắt 3 CHƯƠNG I: Heuristic and Adaptive Computation Techniques in Telecommunications: an Introduction 3 1.1. Các vấn đề tối ưu hóa trong viễn thông 3 1.2. Bài toán động và thích ứng. 3 1.3. Các kỹ thuật Heuristic hiện đại 3 1.3.1. Tìm kiếm cục bộ 3 1.3.2 Tìm kiếm dựa trên tập hợp 3 1.4. Kỹ thuật tính toán thích nghi 3 1.4.1. Tính toán hệ thần kinh 3 1.4.2. Logic mờ 3 1.4.3. Lý thuyết trò chơi 3 CHƯƠNG IV: Search and Evolutionary Scatter Search for ‘TreeStar’ Network Problems, with Applications to LeasedLine Network Design 3 4.1. Giới thiệu 3 4.2. Xây dựng toán học 3 4.3. Thuật toán Tabu Search 3 4.3.1. Constructive lân cận 3 4.3.2. Đánh giá di chuyển và sửa lỗi 3 4.3.3. Bộ nhớ Tabu Search 3 4.3.4. Lựa chọn theo xác suất 3 4.3.5. Tăng cường giải pháp phục hồi 3 4.4. Thuật toán Scatter Search 3 4.4.1. Framework của SS 3 4.4.2. Chương trình đa dạng cho vector 10 3 4.4.3. Cập nhật và duy trì các RefSet 3 4.4.4. Lựa chọn các subset của các giải pháp tham khảo 3 4.4.5. Phương pháp kết hợp giải pháp 3 4.4.6. Phương pháp cải thiện 3 4.5. Tính toán kết quả 3 4.5.1. Thiết lập các thông số 3 4.5.2. Số lượng kết quả kiểm thử cho SS 3 4.5.3. Cải thiện tốc độ của SS 3 4.6. Kết Luận 3 Tài liệu tham khảo 3 Các thuật ngữ viết tắt Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt DDS Digital Data Service Dịch vụ dữ liệu kỹ thuật số LAN Local Area Network Mạng má tính cục bộ FCC Federal Communications Commission Ủy ban Truyền thông liên bang STS Steiner treestar Cây bao trùm Steiner TS Tabu Search Tabu Search SS Scatter Search Tìm kiếm phân tán CHƯƠNG I: Heuristic and Adaptive Computation Techniques in Telecommunications: an Introduction 1.1. Các vấn đề tối ưu hóa trong viễn thông Sự phức tạp và kích thước của các mạng viễn thông hiện đại cung cấp cho chúng ta nhiều thách thức và cơ hội. Trong cuốn sách này, những thách thức mà chúng tôi tập trung vào là những liên quan đến việc tối ưu hóa. Điều này chỉ đơn giản đề cập tới những trường hợp mà trong đó chúng ta đang hướng tới tìm một cách tiếp cận phương án tốt nhất giữa nhiều phương án có thể có để giải quyết bài toán. Ví dụ, có một số lượng lớn cách để thiết kế các cấu trúc liên kết một mạng dữ liệu riêng cho một công ty lớn. Làm thế nào chúng ta có thể tìm thấy một thiết kế đặc biệt tốt trong tất cả các khả năng? Ngoài ra, chúng ta có thể thử tìm một cách tốt để gán kênh tần số cho nhiều người sử dụng mạng di động. Có một loạt các khó khăn phức tạp liên quan ở đây, số lượng các phương án có thể đáp ứng các khó khăn vẫn còn quá lớn để chúng tôi hy vọng sẽ kiểm tra lần lượt từng phương án trong số chúng. Vì vậy, một lần nữa, chúng ta cần một số cách để tìm ra giải pháp tốt trong tất cả các khả năng. Những thách thức hiện tại là cơ hội cho sự hợp tác giữa các kỹ sư viễn thông, các nhà nghiên cứu và phát triển trong khoa học máy tính và trí tuệ nhân tạo cộng đồng. Đặc biệt, có một bộ các công nghệ phần mềm mới nổi nhằm tối ưu hóa các vấn đề mà hiện nay đang được được sử dụng trong ngành công nghiệp, nhưng có tiềm năng lớn cho các giải pháp có lợi nhuận và hiệu quả cho nhiều bài toán trong ngành viễn thông. Phần lớn cuốn sách này tập trung vào các kỹ thuật tối ưu hóa, và các công trình
BÁO CÁO MÔN HỌC CÁC KỸ THUẬT TỐI ƯU Tabu Search and Evolutionary Scatter Search for ‘Tree-Star’ Network Problems, with Applications to Leased-Line Giảng Viên: PGS.TS Lê Nhật Thăng Học viên: Tạ Thị Minh Hiển Ngô Trường Giang Mục Lục Các thuật ngữ viết tắt Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt DDS LAN Digital Data Service Local Area Network Dịch vụ liệu kỹ thuật số Mạng má tính cục FCC Federal Communications Ủy ban Truyền thông liên Commission bang Steiner tree-star Cây bao trùm Steiner Tabu Search Tabu Search Scatter Search Tìm kiếm phân tán STS TS SS CHƯƠNG I: Heuristic and Adaptive Computation Techniques in Telecommunications: an Introduction 1.1 Các vấn đề tối ưu hóa viễn thơng Sự phức tạp kích thước mạng viễn thơng đại cung cấp cho nhiều thách thức hội Trong sách này, thách thức mà tập trung vào liên quan đến việc tối ưu hóa Điều đơn giản đề cập tới trường hợp mà hướng tới tìm cách tiếp cận phương án tốt nhiều phương án có để giải tốn Ví dụ, có số lượng lớn cách để thiết kế cấu trúc liên kết mạng liệu riêng cho công ty lớn Làm tìm thấy thiết kế đặc biệt tốt tất khả năng? Ngoài ra, thử tìm cách tốt để gán kênh tần số cho nhiều người sử dụng mạng di động Có loạt khó khăn phức tạp liên quan đây, số lượng phương án đáp ứng khó khăn cịn q lớn để hy vọng kiểm tra phương án số chúng Vì vậy, lần nữa, cần số cách để tìm giải pháp tốt tất khả Những thách thức hội cho hợp tác kỹ sư viễn thông, nhà nghiên cứu phát triển khoa học máy tính trí tuệ nhân tạo cộng đồng Đặc biệt, có công nghệ phần mềm nhằm tối ưu hóa vấn đề mà được sử dụng ngành công nghiệp, có tiềm lớn cho giải pháp có lợi nhuận hiệu cho nhiều toán ngành viễn thông Phần lớn sách tập trung vào kỹ thuật tối ưu hóa, cơng trình nghiên cứu chương tới trình bày phần việc áp dụng kỹ thuật cho tốn liên quan đến viễn thơng Các kỹ thuật sử dụng bao gồm phương pháp "tìm kiếm cục “ mô (Aarts Korst, 1989) tìm kiếm tabu (Glover, 1989; 1989a), kỹ thuật tìm kiếm 'dựa tập hợp' thuật tốn di truyền (Hà Lan, 1975 ; Goldberg, 1989), chiến lược phát triển (Schwefel, 1981; Back, 1996), lập trình tiến hóa (Fogel, 1995) lập trình di truyền (Koza, 1992) Mục 1.3 giới thiệu ngắn gọn kỹ thuật trên, dành cho kỹ sư viễn thông, quản lý nghiên cứu, người hiểu biết nhiều vấn đề này, chưa biết cách để giải chúng Chương sau thảo luận việc sử dụng liên quan đến tốn đặc biệt viễn thơng 1.2 Bài tốn động thích ứng Một khía cạnh nhiều vấn đề tối ưu hóa viễn thông thực tế giải pháp tối ưu động Những giải pháp tốt khơng phải giải pháp lý tưởng vài giờ, chí vài phút Ví dụ, nhà cung cấp dịch vụ sở liệu phân tán ( video theo yêu cầu , dịch vụ web - nhớ đệm, vv) phải cố gắng để đảm bảo chất lượng dịch vụ cho khách hàng Để làm điều liên quan đến việc chuyển hướng sở liệu khách hàng truy cập đến máy chủ khác thời điểm khác ( khách hàng nhận biết) để thực phù hợp cân tải máy chủ Kỹ thuật tối ưu hóa đại sử dụng để phân phối tải trọng phù hợp máy chủ, nhiên giải pháp trở nên không hợp lệ sau có thay đổi trung bình mơ hình truy cập sở liệu khách hàng Một ví dụ khác định tuyến gói chung mạng point -to -point Theo truyền thống, bảng định tuyến node sử dụng để tìm kiếm ' bước ' tốt cho gói dựa điểm đến cuối Chúng ta tưởng tượng kỹ thuật tối ưu hóa áp dụng cho vấn đề , kỹ thuật dựa vào mơ hình tổng thể xác định bảng định tuyến thích hợp cho node , ùn tắc chung chậm trễ giảm thiểu, tức nhiều trường hợp ' bước " tốt khơng tìm node đường ngắn , liên kết được sử dụng nhiều Tuy nhiên, rõ ràng chương trình cần thực lặp lặp lại biểu đồ thay đổi lưu lượng truy cập Việc thực lặp lặp lại kỹ thuật tối ưu hóa cách để tiếp cận tốn động, thường cách phù hợp, đặc biệt giải pháp tốt u cầu cần thiết phải nhanh, mơi trường thay đổi nhanh chóng Thay vào đó, phạm vi khác kỹ thuật tính tốn đại thường thích hợp cho tốn Chúng ta gọi chung lớp kỹ thuật "thích ứng", việc sử dụng chương sau sách thực đa dạng Đặc biệt, chương sau sử dụng tính tốn thần kinh (neural), logic mờ lý thuyết trò chơi để giải tối ưu hóa thích nghi mơi trường động, số trường hợp kết hợp với tìm kiếm cụ dựa vào tập hợp Về bản, kỹ thuật tối ưu hóa cung cấp cách nhanh chóng hiệu để tìm giải pháp tốt nhiều giải pháp, kỹ thuật thích ứng phải cung cấp giải pháp tốt gần Thủ thuật phương pháp sử dụng tiến trình “off-line” để học vấn đề giải cho mà kết tốt nhanh yêu cầu chúng chuyển Ví dụ, cách tiếp cận thích hợp cho việc định tuyến gói tin mặt thay đổi mơ hình giao thơng bao gồm số liên tục tơi thiểu hóa xử lý mà cập nhật liên tục bảng định tuyến node dựa thông tin độ trễ mức độ giao thông Trong phần lai chương giới thiệu ngắn gọn tối ưu và kỹ thuật thích ứng mà đề cập Chi tiết nói chương sau Sau nói chút ba phần sách chương Sau cùng, kỹ thuật quan trọng viễn thông , chúng ngày phát triển theo thời gian 1.3 Các kỹ thuật Heuristic đại Có loạt phương pháp tiếng hoạt động nghiên cứu, : quy hoạch động (DynamicProgramming) , quy hoạch tuyến tính( Integer Programming ) V v sử dụng để giải lọa vấn đề tối ưu khác Tuy nhiên , cộng đồng lớn nhà khoa học máy tính nhà nghiên cứu trí tuệ nhân tạo ngày dành nhiều nỗ lực vào ý tưởng đại gọi “metaheuristics” hay gọi “heuristic” Vấn đề khác phương pháp hiên đại phương pháp cổ điển là, dễ áp dụng Tực đưa vấn đề thực tế điển hình phức tạp cần cơng sức để phát triển cách tiếp cận mơ hình tơi thép để giải vấn đề trình bày vấn đề theo cách quy hoạch tuyến tính áp dụng Điều khơng nói phương pháp đại làm tốt phương pháp cổ điển Trên thực tế, kịch thực tế điển hình mà hai loại phương pháp áp dụng : • Một chun gia metaheuristics so sánh hại loại kỹ thuật : phương pháp đại làm tốt phương pháp cổ điện • Một chuyên gia nghiên cứu hoạt động cổ điển so sánh hai loại kỹ thuật : phương pháp cổ điển vượt trội phương pháp đại Mặc dù quan sát dựa khía cạnh quan trọng việc giải vấn đề tối ưu Bạn hiểu rõ kỹ thuật riêng biệt mà bạn áp dụng bạn có khả sử dụng khai thác để đạt kết tốt Trong phần cung cấp khái quát số thuật toán tối ưu đại, khơng cung cấp đầy đủ thơng tin cho người đọc để chỉnh cho phù hợp với vấn đề cụ thể Mặc dù không cho bạn cách để sáng tạo với chúng, điểm mấu chốt đâu Làm cách để áp dụng sáng tạo chúng phụ thuộc nhiều vấn đề, chương sau cung cấp thông tin cho trường hợp cụ thể Những trở nên rõ ràng từ chương này, nhiên, kỹ thuật đánh giá cao chung ứng dụng chúng Trong thực tế, có số cách sẵn để đánh giá tính điểm giải pháp ứng cử viên cho vấn đề bạn, sau kỹ thuật áp dụng Về chất kỹ thuật chia làm nhóm : tìm kiếm cục bộ, tìm kiếm dựa dân số Đó thứ bàn đến 1.3.1 Tìm kiếm cục Giả sử bạn cố gắng để giải vấn đề P, bạn có tập hợp S giải pháp tiềm cho vấn đề Bạn khơng thiết phải có tập S, q lớn để hiểu rõ tồn Tuy nhiên, bạn có số cách để tạo giải pháp từ Ví dụ, S tập hợp cấu trúc liên kết cho mạng, giải pháp ứng cử s, s ', s'',… đề cử cấu trúc kết nối cụ thể mà bạn đưa theo cách Thêm vào đó, tưởng tượng bạn có hàm chuẩn hóa f(s) (fitness function) có chức đưa kết giải pháp đề cử Kết tốt đồng nghĩa với việc giải pháp tốt Lấy ví dụ, cố gắng tìm cấu trúc liên kết mạng đáng tin cậy nhất, sau f (s) tính tốn xác suất thất bại liên kết hai node đặc biệt quan trọng Trong trường hợp muốn sử dụng nghịch đảo giá trị thực muốn gọi ‘chuẩn hóa’ (fitness) Trong trường hợp mà kết thấp hơn, tốt thường thích hợp coi f(s) hàm chi phí Chúng ta cịn cần thêm điều nữa, mà gọi toán tử lân cận (neighbourhood operator) Đây hàm có chức lấy giải pháp đề cử s, tạo giải pháp đề cử s’ - thường khác chút so với s Chúng ta sử dụng thuật ngữ ‘biến cố’ (mutation) để mô tả cho tốn tử Ví dụ, biến đổi cấu trúc liên kết mạng, kết biến đổi bao gồm liên kết thêm khơng có cấu trúc liên kết ‘cha mẹ’, giống Ngồi ra, biến cố loại bỏ, di chuyển, liên kết Bây mơ tả cách tìm kiếm cục Trước tiên, xem xét phương pháp tìm kiếm cục đơn giản nhất, gọi phương pháp leo đồi (hillclimbing), thực theo bước đây: Bắt đầu: tạo giải pháp đề cử ban đầu (có thể cách ngẫu nhiên); gọi giải pháp tại, c Đánh giá Biến đổi c để tạo biến cố m, sau đánh giá m Nếu f(m) tốt hơn tương đương f(c), cần thay c với m (Ví dụ c m) Lặp lại bước 2, đạt tới tiêu chí kết thúc Ý tưởng hillclimbing nên trình bày rõ ràng theo thuật toán nêu Ở bước nào, có giải pháp tại, nhìn vào ân cận giải pháp – có vài điểm khác Nếu giải pháp lân cận lọc (fitter) (hoặc tương đương), ý tưởng tốt để chuyển sang lân cận đó; đó, cần bắt đầu lại với lân cận giống với giải pháp Ý tưởng đằng sau điều này, đằng sau phương pháp tìm kiếm cục nói chung, hội tụ giải pháp tốt Bạn không thực mong đợi cấu trúc liên kết đáng tin cậy xuất hiện, ví dụ, thêm liên kết đơn vào cấu trúc liên kết không đáng tin cậy Tuy nhiên, bạn mong đợi thay đổi biến cấu trúc liên kết đáng tin cậy thành cấu trúc liên kết đáng tin cậy Trong tìm kiếm cục bộ, khai thác ý tưởng cách liên tục tìm kiếm vùng lân cận giải pháp Sau chuyển đến giải pháp phù hợp, tái thực thi trình Sự nguy hiểm gặp khó khăn với gọi ‘tối ưu cục bộ’, tức giải pháp khơng đủ tốt cho mục đích chúng ta, tất phương án lân cận chí cịn tồi Đây điểm khơng tốt thuật tốn leo đồi (hillclimbing), đơn giản bị mắc kẹt Các phương pháp tìm kiếm cục khác ngồi hillclimbing, có cách để giải xác tình Các phương pháp tìm kiếm cục khác phân biệt chúng với hillclimbing, nhiên, có số cách để giải tình trạng cách xác Chúng ta xem xét lại phương pháp đây, phương pháp sử dụng phổ biến sử dụng phần sau sách Dưới mô luyện kim (simulated annealing) tìm kiếm tabu (tabu search) Simulated annealing Simulated anneling giống với hillclimbing Sự khác biệt việc thêm vào cặp tham số, bước phụ mà số sách thực với tham số này, điểm chính, bước thay đổi để sử dụng tham số này: Bắt đầu: Tạo đánh giá giải pháp ứng cử ban đầu (một cách ngẫu nhiên); gọi giải pháp c Khởi tạo tham số nhiệt độ T độ làm mát r (0< r then: (Go through in ‘depth order’, from most recently to least recently stored When a duplicate is found, index r (below) gives the value of rMax that would have been large enough to identify the 39 duplication.) i = rNext For r = to rNow If Esave(i) = E0 then: If Hash0 = Hashsave(i) then: If x’ = x[i] then: ( x’ is a duplicate) Depth = r End Duplication Check Subroutine Endif Endif Endif i=i–1 if i < then i = rNow End r (Here, no solutions were dupticated by x’ Add x’ to the list in position rNext, which will replace the solution previously in rNext if the list is full) rNext = rNext + If rNext > rMax then rNext = If rNow < rMax then rNow = rNow + Xsave [rNext] = x’ Esave (rNext) = E0 Hashsave (rNext) = Hash0 Endif End of Duplication Check Subroutine 4.4.6 Phương pháp cải thiện Chúng áp dụng tìm kiếm cục chẩn đốn để cải thiện giải pháp ban đầu giải pháp thử nghiệm tạo phương thức kết hợp Việc chẩn đoán sử dụng hàng lân cận giống di chuyển giống sử dụng cho thuật toán Tabu Search, nghĩa constructive move, destructive swap move Chúng áp dụng việc đánh giá cho move lân cận Các ứng viên di chuyển loại đánh 40 giá xác định di chuyển tốt cho loại Sau phương pháp sửa lỗi áp dụng cho kết tốt thu từ việc destructive move swap move để thu chi phí thực (lưu ý phương pháp đánh giá cho việc constructive move xác) Nếu chi phí thực di chuyển tốt cho ba loại thấp (tốt hơn) so với chi phí giải pháp tại, việc di chuyển thực thi tìm lợi ích Nếu khơng, phương pháp tìm kiếm cục chấm dứt với giải pháp Khi phương pháp cải thiện tìm kiếm cục ln ln kết thúc tối ưu cục bộ, có khả kết thúc với giải pháp cho giải pháp có xuất phát khác Điều tiếp tục nhấn mạnh tầm quan phương pháp để tránh lặp lại giải pháp RefSet, đưa phần 4.5 4.5 Tính tốn kết Trong phần này, chúng tơi báo cáo kết tính tốn chúng tơi cho nhóm vấn đề kiểm tra ngẫu nhiên tạo Trong tập này, vị trí node mục tiêu node Steiner tạo cách ngẫu nhiên không gian Euclide với tọa độ sử dụng khoảng [0, 1000] Khoảng Euclide sử dụng chúng tài liệu để cung cấp cho trường hợp khó tạo ngẫu nhiên vấn đề Steiner Tree cổ điển (Chopra and Rao, 1994) Chi phí cố định việc lựa chọn node Steiner tạo ngẫu nhiên khoảng [10, 1000], cung cấp cân khó với thơng số khác lựa chọn (Lee et al., 1996) Chúng tạo 21 vấn đề kiểm có kích thước Trước tiên thiết lập giá trị n tương ứng (số node Steiner) 100, 125, 150, 175 200 Đối với n cố định, tạo ba vấn đề cách thiết lập m (số node mục tiêu) n, n + 50 tương ứng n +100 Do đó, việc kiểm tra 15 vấn đề với kích thước tạo Hơn nữa, tạo vấn đề bổ sung thiết kế khó khăn Những vấn đề có kích thước (ký hiệu m × n) 250 × 250, 300 × 250, 350×250, 100×300, 200×300 and 300×300 Như thiết lập nghiên cứu trước chúng tơi (Xu et al., 1996b), có 21 vấn đề khơng thể sử lý theo phương pháp xác (ví dụ nhánh phương pháp cắt Lee et al., 1996) thời gian tính tốn giới hạn nhớ, 41 thuật toán cải thiện tabu chúng tơi mơ tả phần 4.3 chẩn đốn tốt có việc chẩn đốn constructive khác 4.5.1 Thiết lập thông số Phương pháp TS yêu cầu vài thông số để để thiết lập giá trị thích hợp Những giá trị khởi tạo dựa kinh nghiêm tính tốn thơng thường chúng tơi, sau điều chỉnh sử dụng phương pháp hệ thống (Xu et al., 1998) Trước tiên chọn giải pháp ban đầu tạo đơn giản cách kết nối tất node mục tiêu tới node Steiner với giá trị liên kết nhỏ nhất, sau xây dụng mở rộng tối thiểu tập hợp node Steiner lựa chọn Sau chúng tơi tạo cách ngẫu nhiên thời gian chiếm giữ cho kiểu thủ tục di chuyển TS từ khoảng thời gian tương đối nhỏ lần di chuyển thực Khoảng [1,3] sử dụng để di chuyển khoảng [2,5] sử dụng cho destructive move Trong trường hợp swap move, khoảng [1,3] sử dụng cho hai di chuyển swap Chúng thực swap lần lặp khối gồm lần lặp liên tiếp khơng có giải pháp tốt tìm thấy 200 lần lặp lặp lại gần Điều kiện kết thúc có hiệu min{20000, max {3000, n2}/2}, n số node Steiner Các thủ tục sửa lỗi thực giải pháp tốt tìm thấy, áp dung cho giải pháp tai sau lần di chuyển, không kể số lần destructive move rơi vào node Việc sửa lỗi áp dụng có 200 lần lặp chuyển vào hàng đợi ưu tiên mà lưu trữ 20 giải pháp tốt Các thông số khác cho hướng tiếp cận TS bao gồm số lần lặp gây nhớ dài hạn Nó thiết lập đến 500 Hình phạt nhớ dài hạn tính 300*f/F cho constructive move destructive move, f biểu thị tần xuất di chuyển xem xét F biểu thị tần xuất lớn Cho swap move, hình phạt tính 150*(f1+f2)/F nơi f1 f2 tần số tương ứng cho hai loại constructive move destructive move Trong lựa chọn xác suất di chuyển, chọn khả việc chấp nhận p=0,3 Ngoài ra, hạn chế danh sách ứng cử viên cho luật xác suất để chứa mười di chuyển tốt (điều chỉnh cho hình phạt 42 tabu) Chúng tơi ghép đôi mười constructive move mười destructive move để xây dựng danh sách ứng cử viên cho swap move Chức lựa chọn điều chỉnh xác xuất đề cập phần 4.3, định nghĩa 0,3 r-0.15 Cuối cùng, định thông số cho việc thực thi chiến lược khởi động lại/khôi phục Chúng phục hồi tổng cộng 40 giải pháp Đối với giải pháp khôi phục, khối 30 lần lặp thực Vì vạy, khôi phục đau tiên xảy lần lặp 1200, thực lặp lại 30 lần lặp sau Bây chúng tơi mơ tả thông số cài đặt cho phương pháp SS chúng tơi Khơng giong thuật tốn TS, phương pháp SS chứa thơng số Đầu tiên, sử dụng giải pháp thông thường mà đặt tất node Steiner tích cực giải pháp ban đầu Số lượng tối đa giải pháp RefSet, bMax, thiết lập 30 Giá trị ngưỡng u, sử dụng để lập đồ biến nhị phân điểm giải pháp thử nghiệm, đặt 0,75 Ngồi ra, chúng tơi thiết lập tham số h* việc đa dạng hóa đến Việc lặp SS thiết lập tối đa 10 Cuối cùng, để tăng tốc độ SS để kiểm thử sơ chúng tôi, bỏ qua subset loại 3, có subset loại đánh giá 4.5.2 Số lượng kết kiểm thử cho SS Chúng kiểm thử phương pháp TS SS 21 vấn đề chuẩn Phương pháp TS mã hóa C cách tiếp cận SS C++ Kết tính tốn 21 vấn đề chuẩn cung cấp bảng 4.3 Để dễ so sánh, đánh dấu giải pháp SS mà tốt so với đối tác chúng TS dấu (+) Tương tự vậy, giải pháp SS mà so với đối tác chúng TS dấu (-) Thời gian CPU báo cáo đại diện cho thời gian thực thi máy HP D380 với SPECint_rate95 111-211 43 Bảng 4.3.Kết test cho TS SS Từ bảng 4.3, rõ ràng phương pháp SS chúng tơi có sức cạnh tranh cao so với phương pháp tiếp cận TS chất lượng giải pháp Trong 21 vấn đề chuẩn, SS tạo nhiều TS giải pháp tốt Nó có quan hệ 14 vấn đề với TS, tạo giải pháp hơn, khác biệt thực (dưới 0,1%) Với thực tế phương pháp tiếp cận TS ghi nhận khám phá tốt cho vấn đề STS, tạo giải pháp tối ưu cho tất vấn đề kiểm tra lên đến 100 node Steiner (Xu et al., 1996b), chất lượng phương pháp SS cao Chúng quan sát từ bảng 4.3 cách tiếp cận SS chúng tơi có thời gian TS cho vấn đề lên tới 200 node Steiner Vì thực tế hầu hết vấn đề khơng chứa 200 node Steiner, điều thuật tốn SS sử dụng công cụ định hiệu Tuy nhiên, vấn đề có kích thước lớn 200 node Steiner, SS yêu câu thời gian lớn đáng kể so với TS Điều quy định vài yếu tố Đầu tiên, 44 SS sử dụng tìm kiếm cục để cải thiện giải pháp thử nghiệm Thống kê cho thấy 90% thời gian CPU tiêu tốn cho việc thực thi phương thức tìm kiếm cục Khơng giống phương pháp TS chúng tơi, phương pháp tìm kiếm cục khơng sử dụng chiến lược danh sách ứng cử viên, khơng có nhớ xem xét dài hạn Cụ thể hơn, tìm kiếm cục chúng tơi dành quan tâm cho constructive move, destructive move, swap move Tuy nhiên, thống kê cho thấy swap move constructive move tốn nhiều thời gian nên thực thường xuyên để đạt tốc độ lớn Việc sử dụng chiến lược danh sách ứng cử nhớ dài hạn, đặc trưng việc thực Tabu Search, xuất có hiệu để giảm số lần di chuyển vơ ích sinh Thứ hai, sử dụng kiểu tương đối nguyên thủy subset để tạo điểm thử nghiệm Có nhiều cách khác để tăng tốc độ xử lý cách cải thiện subset phương thức kết hợp giải pháp Như thấy phần tiếp theo, cách tăng tốc thơng thường tiết kiệm đáng kể thời gian thực Thứ 3, phương pháp kết hợp giải pháp bỏ qua tồn “ strongly determined” biến phù hợp giải pháp ưu tú Một lần nữa, nhớ dài hạn hữu dụng để tách biệt biến Cuối cùng, phương pháp tiếp cận SS không điều chỉnh tốt Hầu hết thông số thiết lập tùy ý 4.5.3 Cải thiện tốc độ SS Chúng nhận thấy phương pháp sinh subset phương pháp kết hợp giải pháp không tùy chọn cho vấn đề STS, chúng tạo nỗ lực vơ ích Cụ thể hơn, phương pháp kết hợp giải pháp mô ta phần 4.5 thích hợp cho cho lập trình số ngun, nơi biến định khơng thiết phải 1, thiết kế phù hợp cho vấn đề yêu cầu rời rạc cao -1 STS Nơi định thiết lập biện không dựa sở làm trịn có nghĩa bắt nguồn từ giải pháp phân đoạn Cho subset phần tử (SubSet I), thường khơng cần thiết để tạo điểm thử nghiệm Đối với subset khác (SubSets II, III IV), kết hợp tuyến tính xác định trước tạo điểm thử nghiệm gần trọng tâm, khả tạo nhiều giải pháp trùng lặp sau làm tròn Đối với trường hợp 0-1, (dù khơng đầy đủ) có liên quan việc kết hợp làm tròn điểm tham 45 chiếu đơn r phù hợp tương đương việc tạo ngưỡng nguyên dương t ≤ r, quy định kết có thành phần thứ i no xi = ( Các ngưỡng khác lựa chọn cho biến khác nhau, mở rộng phạm vi lựa chọn để xem xét) Đặc biệt, cha mẹ, cài đặt t =1 cung cấp cho kết hợp cha mẹ t=2 cho biết kết qua giao điểm cha mẹ Sự bao hàm trọng lượng phủ định cung cấp cho kết mà không bao gôm xi =1 cha mẹ nhận nhiệm vụ Để so sánh với phương pháp tiếp cận trước, thử nghiệm theo 23 quy tắc đơn giản kết từ việc sử dụng tổ hợp tuyến tính thơng thường định làm trịn (các biến không nhận giá trị nhận giá trị tự động nhận giá trị từ 0): xi = thành phần thứ i cha mẹ có giá trị 1; xi = thành phần thứ i cha mẹ đầu tiên, thứ 1; xi = thành phần thứ i cha mẹ thứ 2, Các quy tắc tạo kết hợp bậc cha mẹ bị loại trừ việc khai thác thiết lập đòi hỏi việc sử dụng destructive move để khơi phục lại constructive cây, q trình khôi phục không đưa vào nghiên cứu Chúng báo cáo kết từ việc tạo subset từ quy tắc (1), (2) (3) cách độc lập, tức sản xuất xác subset cho cặp cha mẹ Ba cách tiếp cận khác dán nhãn SS 1, SS SS Bảng 4.4, cung cấp so sánh với kết SS chúng tơi bảng Ngồi ra, kiểm tra chiến lược mà tạo tất ba subset lúc, có nhãn “SS 4” Bảng 4.4 46 Bảng 4.4 So sánh kết giải pháp giải pháp kết hợp Bảng 4.4 cho thấy rõ ràng ba quy tắc đơn giản có hiệu làm giảm thời gian thực cách so sánh với phương pháp SS Đặc biệt, SS thu giải pháp chất lượng cao SS cho tất 21 vấn đề kiểm tra, cải thiện thời gian CPU tỷ lệ phần trăm từ 46% đến 62% SS SS tiếp tục tăng đáng kể tốc độ tương đối cho SS, lần giảm thời gian CPU một lượng dao động từ khoảng 67% đến 89%, với chi phí tạo hai giải pháp hai quy tắc Hiệu cải thiện đáng ý SS SS thực tế quy tắc đơn giản (2) (3) thường tạo nhiều xj = phân công quy tắc đơn giản (1), địi hỏi constructive move để tạo giải pháp hoàn chỉnh Cách tiếp cận SS phù hợp để tạo giải pháp SS, tốn nhiều thời gian (khoảng gấp đôi) Điều 47 cho thấy subset sinh SS hồn tồn subset sinh SS 4, tập hợp đủ để tạo giải pháp tốt (Kết hình dung thay đổi cho khác vấn đề kiểm tra.) Thật bất ngờ, SS đòi hỏi nhiêu thời gian CPU tổng thời gian CPU SS 1, SS SS Có lẽ kết đáng ngạc nhiên đơn giản “quy tắc giao” SS tạo giải pháp có chất lượng phù hợp SS - chất lượng mà gần tốt thu cách tiếp cận phương pháp Tabu Search Để nhấn mạnh khám phá quy tắc đơn giản cho phương pháp kết hợp giải pháp Các vectơ tạo subset "rút gọn" cách so sánh với người subset tạo quy tắc kết hợp GA, dễ dàng để thấy lựa chọn làm tròn khác nhau, ngưỡng thay đổi cho biến khác nhau, sản xuất nhiều loại subset subset có sẵn “Genetic crossover” - bao gồm biến cung cấp uniform Bernoulli crossover (các GA crossover khơng có khả tạo chí loại subset đơn giản SS SS 3, ví dụ) Đây điểm mà quy tắc SS cung cấp subset 1’s có thành phần tất GA crossover thơng thường, khơng có thành phần GA crossovers tạo kết SS Lưu ý ngoại lệ xảy Bernoulli crossover trường hợp gặp, cách lựa chọn ngẫu nhiên, tất 1’s không chia sẻ hai cha mẹ sảy để loại trừ từ subset Ngoài ra, từ góc độ lịch sử, lưu ý loại subset xem xét trường hợp đặc biệt subset tảng SS đề xuất năm 1970, cải thiện GA crossover giống thể Bernoulli crossover đưa subset có khả liên quan – khơng xuất gần thập kỷ sau Quy tắc tối ưu quy tắc thử nghiệm rõ ràng nhất, hội để cải thiện hiệu xuất SS, đặc biệt ứng dụng để tập hợp loại subset có chưa nhiều hai giải pháp tham khảo Hơn nữa, quan sát trước đây, có vấn đề khác so với phương pháp kết hợp giải pháp, chẳng hạn việc sử dụng danh sách ứng cử, chiến lược dao động nhớ dài hạn, mà 48 có hiệu cải thiện cách tiếp cận SS Những vấn đề khám phá nghiên cứu 4.6 Kết Luận Trong chương này, có mơ tả nghiên cứu Steiner Tree-Star (STS) vấn đề mạng viễn thơng, mà có nhiều ứng dụng thiết kế mạng leased-line Vấn đề lựa chọn subset hub để tạo thành mạng xương sống, sau để kết nối trang “client” đến hub lựa chọn, để đáp ứng mục tiêu giảm thiểu chi phí mạng Đóng góp chương để phát triển thử nghiệm thuật toán Scatter Search (SS) cho vấn đề STS Các thành phần phương pháp SS, báo cáo chi tiết phần trước, bao gồm đa dạng hóa, phương pháp cải thiện, phương pháp cập nhật RefSet, phương thức tạo subset, phương thức kết hợp giải pháp Kết 21 vấn đề chuẩn cho thấy thuật tốn SS chúng tơi cạnh tranh so với phương thức Tabu Search (TS), trước ghi nhận phương pháp tốt cho vấn đề STS So với TS, cách tiếp cận SS tạo giải pháp tốt ba trường hợp, mối quan hệ 14 trường hợp, đưa giải pháp (giới hạn nhỏ) trường hợp Chúng nhận cách tiếp cận SS chúng tơi địi hỏi thời gian CPU nhiều so với phương pháp TS cho vấn đề siêu lớn Từ cách tiếp cận SS chúng tơi sử dụng chiến lược tương thích với Tabu Search, hiệu cho vấn đề lớn cải thiện tương tự cách kết hợp chiến lược danh sách ứng cử viên nhớ dài hạn để nâng cao hiệu xuất phương pháp Ngồi ra, thành cơng độc lập TS SS cho thấy tích hợp TS SS đường đầy hứa hẹn cho nghiên cứu tương lai 49 [1] Tài liệu tham khảo John Wiley & Sons, Ltd Telecommunications Optimization: Heuristic and Adaptive Techniques, New York, 2000 [2] Fred Glover, Tabu Search: A tutorial¸Center for Applied Artificial Untelligence University of Colorado – Boulder, Colorado [3] https://vdmedragon.wordpress.com/page/3/ [4] http://en.wikipedia.org/wiki/Tabu_search 50 ... Search for ‘Tree-Star’ Network Problems, with Applications to Leased-Line Network Design 4.1 Giới thiệu Dịch vụ liệu kỹ thuật số (DDS) sử dụng rộng rãi cho việc cung cấp dịch vụ vận chuyển kỹ thuật. .. Dowsland (1995) Tabu Search Một cách khác để thoát khỏi tối ưu cục cung cấp tìm kiếm tabu (Glover 1989; 1989a; Glover and Laguna, 1997) Có nhiều khía cạnh tinh vi để tìm kiếm tabu, tìm hiểu chất kỹ. .. thành phần gọi gene 1.4 Kỹ thuật tính tốn thích nghi Để giải nhu cầu tối ưu môi trường viễn thông luôn thay đổi, sử dụng trực tiếp kỹ thuật tối ưu cục (local optimization) tối ưu quần thể cho kết