Ứng dụng thuật toán tiến hóa đa mục tiêu trong thiết kế tối ưu kiến trúc mạng viễn thông

Tóm tắt

Bài viết này đề xuất cách tiếp cận sử dụng thuật toán tiến hóa đa mục tiêu (MOEA) để

giải quyết bài toán thiết kế tối ưu kiến trúc mạng viễn thông (TND) với nhiều ràng buộc phức tạp,

các mục tiêu của bài toán gồm các yếu tố chi p h í và độ tin cậy. Mỗi cá thể trong quần thể là biểu

diễn của một mô hình mạng (topology) có yếu tố chi p h í được xác định nhờ thuật toán đơn hình

trong bài toán quy hoạch tuyến tính (LP) và độ tin cậy được xác định nhờ thuật toán Monte Carlo.

Các MOEA khác nhau như Nondominated Sorting Genetic Algorithm (NSGA), Strength Pareto

Evolutionary Algorithm (SPEA), Fast Non-dominated Sorting Genetic Algorithm (NSGA-II),.

đã được hiện thực để so sánh và đánh giá kết quả

pdf 8 trang phuongnguyen 5680
Bạn đang xem tài liệu "Ứng dụng thuật toán tiến hóa đa mục tiêu trong thiết kế tối ưu kiến trúc mạng viễn thông", để tải tài liệu gốc về máy hãy click vào nút Download ở trên

Tóm tắt nội dung tài liệu: Ứng dụng thuật toán tiến hóa đa mục tiêu trong thiết kế tối ưu kiến trúc mạng viễn thông

Ứng dụng thuật toán tiến hóa đa mục tiêu trong thiết kế tối ưu kiến trúc mạng viễn thông
__ A / , ____________ __ /?
NGHIÊN CỨU - TRAO ĐOI
ỨNG DỤNG THUẬT TOÁN TIẾN HÓA ĐA MỤC TIÊU TRONG THIẾT KẾ
TỐ I ƯU KIẾN TRÚC MẠNG VIỄN THÔNG
ThS. Hoàng Ngọc Thanh 1 Dương Tuấn Anh 2
1 Khoa CNTT, Trường Đại học Bà Rịa - Vũng Tàu 
2 Trường Đại học Bách khoa Thành phố Hồ Chí Minh
Tóm tắt
Bài viết này đề xuất cách tiếp cận sử dụng thuật toán tiến hóa đa mục tiêu (MOEA) để 
giải quyết bài toán thiết kế tối ưu kiến trúc mạng viễn thông (TND) với nhiều ràng buộc phức tạp, 
các mục tiêu của bài toán gồm các yếu tố chi p h í và độ tin cậy. Mỗi cá thể trong quần thể là biểu 
diễn của một mô hình mạng (topology) có yếu tố chi p h í được xác định nhờ thuật toán đơn hình 
trong bài toán quy hoạch tuyến tính (LP) và độ tin cậy được xác định nhờ thuật toán Monte Carlo. 
Các MOEA khác nhau như Nondominated Sorting Genetic Algorithm (NSGA), Strength Pareto 
Evolutionary Algorithm (SPEA), Fast Non-dominated Sorting Genetic Algorithm (NSGA-II),... 
đã được hiện thực để so sánh và đánh giá kết quả.
Abstract
This paper proposes to apply Multi-Object Evolutionary Algorithm (MOEA) to solve 
the problem fo r the optimal design o f the telecommunication network architecture (TND) with 
more complicated constraints and the objectives o f the problem including costs and reliability. 
Each individual in the population is represented by a model o f the network (topology) having 
the costs, which is determined by simplex algorithm in linear planning problem (LP) and the 
reliability is determined by Monte Carlo algorithm. The different MOEAs such as Nondominated 
Sorting Genetic Algorithm (NSGA), Strength Pareto Evolutionary Algorithm (SPEA), Fast Non­
dominated Sorting Genetic Algorithm (NSGA-II), ... have been implemented to compare and 
evaluate the results.
1. G IỚ I THIỆU
Trong thiết kế mạng viễn thông, các nút 
tượng trưng cho các tổng đài hoặc các trung 
tâm chuyển mạch, cần được kết nối với nhau 
theo một cách tối ưu nhất (theo nghĩa chi phí 
truyền tải phải là tối thiểu, trong khi độ tin cậy 
phải là tối đa) nhằm điều khiển các lưu lượng 
điểm - điểm mong đợi. Các ràng buộc khác 
nhau trên mô hình mạng, dung lượng nút và 
liên kết phải được tôn trọng. Đây là dạng bài 
toán tối ưu đa mục tiêu có tính phi tuyến cao, 
mà cho đến nay, việc tìm kiếm một phương 
pháp chính xác để giải quyết vẫn còn để ngỏ. 
Mấy năm gần đây, một số tác giả đã giải quyết 
bài toán nêu trên theo hướng dùng thuật giải di 
truyền (GA) để tối ưu một trong hai mục tiêu
đã nêu hoặc bỏ qua một số các ràng buộc của 
bài toán; một số tác giả khác giải quyết hạn 
chế ở một vài cấu trúc mạng đặc thù. Chẳng 
hạn như trong [6], K.T Ko, K.S. Tang et al. có 
đề cập đến vấn đề “Using Genetic Algorithms 
to Design Mesh Networks”; trong [7] các tác 
giả L. Berry, B. Murtagh, S. Sugden và G. 
McMahon có đề cập đến vấn đề “Application 
of a Genetic-based Algorithm for Optimal 
Design of Tree-structured Communications 
Networks”. Trong nước cũng đã có nhiều nơi 
xem xét ứng dụng GA như: Viện Công nghệ 
thông tin, Trường ĐH Khoa học tự nhiên, 
Trường ĐH Bách khoa Tp.HCM, Phân viện 
CNTT tại Tp.HCM,... Tuy nhiên, việc ứng 
dụng MOEA để giải quyết một vấn đề, đặc 
biệt trong lĩnh vực viễn thông, rất ít được đề
TẬP SAN KHOA HỌC VÀ ĐÀO TẠO 91
__ A / , ___________ __ /?
NGHIÊN CỨU - TRAO ĐOI
cập đến. Trong tạp chí Bưu chính Viễn thông 
số 197 (12/2002) tác giả Lương Hồng Khanh 
cũng có bài viết về việc “Ứng dụng thuật toán 
tiến hóa trong việc tối ưu hóa các tham số chất 
lượng mạng” [3]. Ở đây, chúng tôi nghiên cứu 
tiếp cận bài toán thiết kế tối ưu kiến trúc mạng 
viễn thông theo hướng tối ưu đa mục tiêu sử 
dụng một số các MOEA như NSGA, NSGAII, 
SPEA,... trên cơ sở tôn trọng các ràng buộc 
và mục tiêu thực tế, không đơn giản hóa hoặc 
bỏ qua các ràng buộc, tối ưu đồng thời nhiều 
mục tiêu. Kết quả đạt được có thể vận dụng 
được cho các mạng viễn thông có cấu trúc 
không đặc thù.
2. BÀI TOÁN
Mạng được mô hình hóa dưới dạng một đồ 
thị với các nút mạng được thể hiện là các đỉnh 
và các liên kết là các cạnh trong đồ thị. Cạnh 
của đồ thị có các trọng số tương ứng với loại 
của liên kết. Các liên kết cho phép dòng thông 
tin đi theo hai chiều. Vì vậy đồ thị ở đây là đồ 
thị vô hướng và có trọng số. Xét đồ thị G(V,E) 
với tập nút V và tập cung E thuộc tập đồ thị 
vô hướng S. Ta biểu diễn G bằng nửa trên của 
một ma trận kề nút - nút B với các phần tử bij 
(bij biểu diễn loại của liên kết (i,j) có giá trị 
trong khoảng [0, t]; 0 tương ứng với không có 
liên kết). Bài toán của chúng ta là tìm một đồ 
thị G* có chi phí truyền tải lưu lượng tối thiểu, 
độ tin cậy tối đa; đồng thời đảm bảo các ràng 
buộc về độ trễ, dung lượng nút mạng, dung 
lượng liên kết, bậc của nút và giới hạn số nút 
trung gian.
Định nghĩa:
Fpq là tổng băng thông yêu cầu trên các 
kết nối giữa các cặp nút nguồn - đích (p,q), 
Fpq có thể được biểu diễn bằng một phần tử 
trong ma trận lưu lượng. Băng thông này có 
thể được xem là tương đương với dung lượng. 
Và Favg,pq là lưu lượng trung bình dự báo.
Với mỗi liên kết (i,j), có t loại liên kết, 
tương ứng với độ tin cậy là rt,ij và chi phí cho 
từng đơn vị băng thông là ct,ij.
Băng thông riêng phần của một đường thứ 
r từ nút p đến nút q được biểu thị là . Chi phí
cho từng đơn vị băng thông trên đường này là
. Rõ ràng ta có: hr > 0
Khi đó tổng băng thông của kết nối (p,q)
là: F = I h‘
r
Gọi là phần tử (ij) của ma trận kề cho 
cặp (p,q) trên đường thứ r; = 1 hoặc 0, tương 
ứng với việc có hoặc không liên kết (i,j) trên 
đường thứ r cho cặp nguồn đích (p,q), ta có:
C f = I a ‘,c :J
ơ. ì )
Chi phí của kết nối (p,q) là: I Cy hy 
Và tổng chi phí truyền tải lưu lượng là:
III C ? h ỉ
p=1 q>p r
Khi đó, tổng băng thông trên liên kết (i,j) sẽ 
là: f = I I I a f , h ỉ
p = l q>p r
Nếu là dung lượng cực đại cho phép trên liên
kết (i,j), ta có: 0 < f < f max
Nếu Hmax là cận trên của số liên kết trong
một chuỗi các liên kết, ta có: I a ^ r < H max
Gọi ui là lưu lượng tổng tại nút i với uimax là 
cận trên, dễ dàng chứng minh được:
2
Giả sử nút i trong G có bậc là di và các bậc cận 
trên và dưới là dimax và dimin, ta có:
d ~ " < d , - I ( b + b , ) < d
ì =1
Gọi favg,ij là tổng lưu lượng 
trung bình trên liên kết (i,j), ta có:
1
max
92 TẬP SAN KHOA HỌC VÀ ĐÀO TẠO
__ A / , ____________ __ /?
NGHIÊN CỨU - TRAO ĐOI
f = y y y a f h B
J avg j j ,r r F
p=ĩ q > p r F ỊỊ
Gọi Y là tổng lưu lượng trên mạng, vậy:
p=1 q> p
Gọi Tmax là độ trễ gói trung bình 
cực đại cho phép, ta có (xem [10]):
f vJ av
Y (i, j )eE f j f a
Bài toán thiết kế mạng có thể được tóm tắt:
mn III C r hlr
p =1 q> p r
F =I Kr
Cr‘ =I a ‘rC,j
(i,j )
f =I II a , ‘ A
p =1 q> p r
U 1 = — 
1 2 I(F + FP )+I fp j * i
0 < f , < f , " 
Ia ‘r <H-
(i j )
F vn avg ’s
d m '" < d , = I ( b + b , ) < d
j =1
f™ =I I I a?A
p=1 q> p r
Y = 11F ,
p=1 q>p
T = -
1 1
f aavg j
Y (i, j )£ E f i f av
< T
h a > 0
(r1)
(r2)
(r3)
(r4)
< u max (r5) 
(r6) 
(r7) 
(r8) 
(r9) 
(r10)
(r11) 
(r12)
Một đồ thị G* có (r1) tối thiểu, độ tin cậy tối 
đa và thỏa các ràng buộc từ (r2) đến (r12) là 
một mạng tối ưu.
3. TOI ƯU ĐA MỤC TIÊU & CÁC 
MOEA
3.1 Tối ưu đa mục tiêu
Không mất tính tổng quát, giả thuyết tất 
cả các mục tiêu cần được tối tiểu hóa - một 
mục tiêu loại tối thiểu hóa có thể được chuyển 
thành loại tối đa hóa bằng cách nhân cho -1. 
Bài toán tối thiểu hóa K mục tiêu được định 
nghĩa như sau: cho 1 vectơ biến quyết định 
n chiều x={x1,...,xn} trong không gian giải 
pháp X, tìm vectơ x* mà nó tối thiểu tập K hàm 
mục tiêu đã cho z(x*)={z1(x*),...,zK(x*)}. 
Không gian giải pháp X nói chung bị hạn chế 
bởi 1 chuỗi các ràng buộc có dạng gj(x*)=bj 
(j=1,...,m).
Một giải pháp khả thi x được gọi là vượt 
trội giải pháp y ( ), nếu và chỉ nếu, zi(x)<zi(y) 
(i=1,...,K) và zj(x)<zj(y) ở ít nhất một mục 
tiêu j. Một giải pháp được nói là tối ưu Pareto 
nếu nó không bị vượt trội bởi 1 giải pháp nào 
trong không gian giải pháp. Tập tất cả các giải 
pháp khả thi không bị vượt trội trong X được 
gọi là tập tối ưu Pareto. Với tập tối ưu Pareto 
đã cho, các giá trị hàm mục tiêu tương ứng 
trong không gian mục tiêu được gọi là Pareto 
Front. Mục tiêu của các thuật toán tối ưu đa 
mục tiêu là xác định các giải pháp trong tập 
tối ưu Pareto. Thực tế, việc chứng minh một 
giải pháp là tối ưu thường không khả thi về 
mặt tính toán. Vì vậy, một tiếp cận thực tế với 
bài toán tối ưu đa mục tiêu là tìm kiếm tập các 
giải pháp là thể hiện tốt nhất có thể của tập tối 
ưu Pareto, một tập các giải pháp như vậy được 
gọi là tập Best-known Pareto.
3.2. Các MOEA
GA là hướng tiếp cận dựa trên quần thể, 
đặc biệt phù hợp để giải quyết các bài toán 
tối ưu đa mục tiêu. Các GA truyền thống có 
thể được biến đổi để tìm kiếm tập Best-known 
Pareto trong bài toán tối ưu đa mục tiêu.
1
max
TẬP SAN KHOA HỌC VÀ ĐÀO TẠO 93
__ A / , ___________ __ /?
NGHIÊN CỨU - TRAO ĐOI
MOEA đầu tiên được biết là Vector 
Evaluated Genetic Algorithm (VEGA) được 
đề nghị bởi Schaffer [11]. Sau đó, nhiều 
MOEA khác đã được phát triển gồm Multi­
objective Genetic Algorithm (MOGA) [12], 
Niched Pareto Genetic Algorithm (NPGA) 
[13], Weight-Based Genetic Algorithm 
(WBGA) [14], Random Weight Genetic 
Algorithm (RWGA) [15], Nondominated 
Sorting Genetic Algorithm (NSGA) [16], 
Strength Pareto Evolutionary Algorithm 
(SPe A) [17], SPEA cải tiến (Sp EA2) [18], 
Pareto-Archived Evolution Strategy (PAES) 
[19], Pareto Enveloped-based Selection 
Algorithm (PESA) [20], Region-based 
Selection in Evolutionary Multiobjective 
Optimization (SPEA-II) [21], Fast Non­
dominated Sorting Genetic Algorithm 
(NSGA-II) [22], Rank-Density Based Genetic 
Algorithm (RDGA) [23] và Dynamic Multi­
Objective Evolutionary Algorithm (DMOEA) 
[24],... Điểm khác biệt giữa các MOEA nằm 
ở cách gán độ thích nghi, cách duy trì quần thể 
ưu tú và các tiếp cận nhằm đa dạng hóa quần 
thể.
4. GIẢI PHÁP THỰC HIỆN
Một cách tổng quát, việc thiết kế mạng 
bao gồm việc tìm mô hình mạng và xác định 
lưu lượng cho các đường liên kết. Trong đó, 
mô hình mạng cần tìm phải liên thông và thỏa 
ràng buộc về bậc của nút; lưu lượng cho các 
đường liên kết phải bảo đảm có tổng lưu lượng 
cung cấp cho từng cặp nguồn - đích bằng với 
giá trị lưu lượng yêu cầu, cũng như thỏa các 
ràng buộc về độ trễ, dung lượng nút mạng, 
dung lượng liên kết và giới hạn số trạm trung 
gian. Theo hướng tiếp cận của bài báo, thuật 
toán tiến hóa có nhiệm vụ tìm mô hình mạng. 
Với mỗi nhiễm sắc thể (NST) - mô hình mạng 
đã tìm được, thuật toán Monte Carlo được sử 
dụng để xác định độ tin cậy và thuật toán LP 
được sử dụng để ấn định lưu lượng tối ưu cho 
các đường liên kết, từ đó tính ra được chi phí 
truyền tải của từng mô hình. Một thuật toán
sửa chữa cũng được sử dụng với các mô hình 
mạng không đáp ứng được ràng buộc về độ trễ 
gói cực đại cho phép (r11).
4.1 Biểu diễn NST
Một đồ thị bất kỳ có thể được biểu diễn duy 
nhất bằng một ma trận kề nút-nút. Các phần tử 
của ma trận nhận các giá trị trong khoảng [0, t] 
tương ứng với loại liên kết (=0 tương ứng với 
không có liên kết) giữa từng cặp nút hàng-cột. 
Vì các liên kết là hai chiều, nên chỉ cần xét 
phần tam giác trên của ma trận. Chọn một thứ 
tự đọc ma trận tùy ý (ở đây ta chọn đọc theo 
thứ tự từ trái sang phải, từ trên xuống dưới), 
ma trận có thể được chuyển thành vectơ mà 
không làm mất thông tin (xem hình 1).
Tổng quát, nếu n là số nút trong đồ thị, thì 
chiều dài NST là: n(n-1)/2 và không gian tìm
n ( n -1 )
kiếm của bài toán là: (t +1) 2
o © © 
o e ® 
6 ô
ị
302000001030000004000001000020003000 
Hình 1: Ví dụ biểu diễn của một NST (t=4)
4.2 Khởi tạo quần thể
Quần thể ban đầu được khởi tạo ngẫu 
nhiên theo nhiều phương pháp khác nhau, các 
cá thể chỉ được chọn khi chúng là biểu diễn 
của một mạng liên thông và thỏa ràng buộc về 
bậc của nút. Phần lớn các cá thể được tạo theo 
thuật giải:
0 3 0 2 0 0 0 0 0
0 0 1 0 3 0 0 0 0
0 0 0 0 0 4 0 0 0
0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 2 0
0 0 0 0 0 0 0 0 3
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
94 TẬP SAN KHOA HỌC VÀ ĐÀO TẠO
__ A / , ____________ __ /?
NGHIÊN CỨU - TRAO ĐOI
begin algorithm
{di là thứ bậc của nút i, dimax là cận trên của 
di}
L = {}
Chọn một nút giữa ngẫu nhiên i trong N 
Gọi thủ tục start_from_node(i) 
end algorithm
procedure start_from_node(j) 
while (dj<djmax)
Chọn một nút ngẫu nhiên mëN, m * j, (j,m) í L 
I f (dm<dmmax)
Thêm cạnh (m,j) vào L
Gọi thủ tục start_from_node(m)
endif
end while
end procedure
M ột số cá thể khác có thể được tạo theo cách 
tạo cây phủ tối thiểu ngẫu nhiên: 
begin algorithm
L = {} , , „
Chọn 1 nút bắt đầu ngẫu nhiên i U: N
C = {i}
repeat
Chọn một nút ngẫu nhiên d í C
Chọn một nút ngẫu nhiên c u C thỏa dc<dcmax
L = L u {(c,d)}
C = C u {d} 
until C = N 
end algorithm
4.3 Tính toán giá trị của các hàm mục tiêu 
(GTTN)
Được thực hiện gồm các bước:
B1: Xây dựng mô hình mạng từ NST đã 
cho;
B2: Dùng thuật giải Monte Carlo (xem [8]) 
tính toán độ tin cậy của NST: các NST có độ 
tin cậy được đánh giá dựa vào xác suất NST 
vẫn duy trì được tính liên thông khi loại bỏ 
một hoặc nhiều các liên kết được lựa chọn 
một cách ngẫu nhiên. Các liên kết có độ tin 
cậy cao hơn sẽ có xác suất được lựa chọn để 
loại bỏ thấp hơn;
B3: Tính toán chi phí truyền tải lưu lượng
(r1), gồm 2 bước con:
B3a: Dùng thuật giải ở [5] tìm r đường đi 
ngắn nhất giữa từng cặp nút thỏa (r7);
B3b: Dùng LP (xem [4]) phân bổ lưu lượng 
theo các đường đi đã tìm ở bước B3a, thỏa 
các ràng buộc về lưu lượng của bài toán, đồng 
thời tối thiểu hóa tổng chi phí truyền tải lưu 
lượng (r1);
B4: Dùng thuật toán sửa chữa, sau đó lặp 
lại các bước B2 và B3 nếu mô hình mạng 
không thỏa ràng buộc về độ trễ gói cực đại 
cho phép (r11).
4.4 Chọn lọc (select)
MOEA chọn lọc các NST cho việc sinh 
sản ngẫu nhiên, cơ hội được chọn tùy thuộc 
vào GTTN của chúng. Mỗi MOEA có cách 
chọn lọc khác nhau:
• Chọn lọc dựa vào tỷ lệ: từ tập các NST và 
các GTTN, ta có thể tạo ra một bộ chọn lọc 
ngẫu nhiên tương tự như một bánh xe rulét 
(xem [1]), các NST có GTTN tốt hơn ánh xạ 
tương ứng với phần lớn hơn.
• Chọn lọc dựa vào thứ hạng Pareto (Pareto- 
ranking): các NST có thứ hạng Pareto thấp sẽ 
có cơ hội được chọn lọc cao hơn.
• Chọn lọc dựa vào đấu loại trực tiếp: hai 
NST được chọn lựa ngẫu nhiên để đấu loại, 
NST có GTTN tốt hơn sẽ là người chiến thắng.
4.5 Lai tạo (crossover)
Thuật giải ở đây dùng phép lai đồng dạng 
để lai tạo quần thể, hai mạng cha mẹ được 
chọn để tạo ra một mạng con mới theo cách: 
nếu cả cha và mẹ cùng sở hữu một liên kết, 
mạng con cũng sẽ có liên kết đó; nếu cả cha và 
mẹ cùng không có, mạng con cũng sẽ không 
có; nếu chỉ một trong cha hoặc mẹ có liên kết 
thì mạng con cũng sẽ có với xác suất 50%. 
Phép lai tạo này đảm bảo mạng con sẽ thừa 
hưởng các đặc tính chung của cả cha và mẹ. 
Các mô hình mạng sau khi lai tạo được kiểm 
tra tính hợp lệ và sửa chữa để đảm bảo chỉ 
những mô hình liên thông và thỏa ràng buộc 
về bậc của nút được đưa sang thế hệ kế tiếp.
4.6 Đột biến (mutation)
TẬP SAN KHOA HỌC VÀ ĐÀO TẠO 95
__ A / , ___________ __ /?
NGHIÊN CỨU - TRAO ĐOI
Trong biểu diễn NST, các gen tượng trưng 
cho loại liên kết, gen có giá trị 0 nếu không có 
liên kết. Trong quá trình đột biến, việc bỏ đi 
một liên kết sẽ không bao giờ cải thiện được 
GTTN của NST, vì phép toán tuyến tính phát 
sinh sẽ trở nên ràng buộc chặt chẽ hơn. Vì vậy, 
chúng ta chọn giải pháp: chọn ngẫu nhiên 1 
gen trong NST; nếu gen có giá trị 0 ta sẽ thiết 
lập gen là một số ngẫu nhiên có giá trị trong 
khoảng [1, t]. Một lần nữa việc kiểm tra tính 
hợp lệ và sửa chữa các NST lại được thực 
hiện.
4.7 Sửa chữa (repair)
Không phải tất cả các NST được khởi tạo 
ngẫu nhiên, lai tạo hay đột biến là biểu diễn 
của một mạng liên thông hoặc thỏa các ràng 
buộc về độ trễ và bậc của nút, vì vậy quá trình 
sửa chữa là cần thiết. Khi sửa chữa, mục đích 
của ta là tạo ra một giải pháp hợp lệ bằng một 
vài thay đổi. Tính liên thông dễ dàng được 
kiểm tra với chi phí không quá lớn bằng cách 
dùng thuật toán tìm kiếm theo chiều sâu trước 
(Depth First Search) (xem [2]). Nếu một đồ 
thị không liên thông, các liên kết ngẫu nhiên 
được bổ sung giữa các thành phần liên thông 
cho đến khi đồ thị liên thông hoàn toàn. Nếu 
bậc của một nút nhỏ hơn cận dưới của ràng 
buộc, một hoặc nhiều hơn các liên kết sẽ được 
bổ sung. Nếu bậc của một nút lớn hơn cận trên 
của ràng buộc, một hoặc nhiều hơn các liên 
kết sẽ được bỏ đi, nhưng vẫn phải đảm bảo 
tính liên thông của đồ thị.
Với một mạng đã liên thông và thỏa ràng 
buộc về bậc của nút (r7), tất cả các đường đi 
thỏa ràng buộc về giới hạn số trạm trung gian 
(r6) được tạo ra, thủ tục LP được sử dụng để 
tìm phân bổ lưu lượng trên các đường đi thỏa 
các ràng buộc về dung lượng của nút (r4) và 
liên kết (r5), cũng như đảm bảo sao cho tổng 
lưu lượng phân bổ cho từng cặp nút phải bằng 
với ma trận lưu lượng yêu cầu (r2), đồng thời 
tối thiểu hóa tổng chi phí truyền tải lưu lượng 
(r1). Nếu LP không tìm ra giải pháp, chúng 
cũng được sửa chữa. Để sửa chữa, một thủ tục 
nhỏ được gắn liền với thủ tục LP nhằm tìm ra 
các liên kết hoặc nút quá tải. Nếu liên kết (i,j)
bị quá tải, một liên kết thứ hai giữa nút i và nút 
j được tạo ra. Điều này được thực hiện bằng 
cách chọn ngẫu nhiên một nút thứ ba k và bổ 
sung vào các liên kết (i,k) và (k,j). Nếu nút i 
bị quá tải, một liên kết vòng qua i được tạo ra 
bằng cách chọn hai nút j và k nằm liền kề i, 
tức đồ thị đã tồn tại các liên kết (i,j) và (i,k), 
sau đó bổ sung vào liên kết (j,k).
Với một mạng có độ trễ gói trung bình 
cao hơn mức mong muốn (Tmax), điều này 
đồng nghĩa với việc có một vài liên kết nào 
đó có lưu lượng trung bình xấp xỉ với lưu 
lượng cho phép. Trong trường hợp như vậy, 
độ trễ gói trung bình của mạng có thể được 
cải thiện bằng cách thêm vào 1 liên kết nhằm 
chia tải với các liên kết bị quá tải. Để tìm ra 
liên kết ứng thí tốt nhất, lần lượt các liên kết 
bị quá tải được loại bỏ khỏi mạng cho đến khi 
mạng được tách thành 2 mạng con riêng biệt 
G1 và G2 (tức là V1 n V2 = 0 ). Các liên kết 
bị loại bỏ thiết lập thành tập S. Liên kết ứng 
thí là liên kết có chi phí nhỏ nhất {i,j} thỏa 
i E V1, j e V2 và {i,j}0 S. Tuy nhiên, thủ tục 
này đôi khi thất bại trong việc tìm ra một liên 
kết như vậy, đặc biệt khi mạng có kết nối dày 
đặc. Trong trường hợp này, thuật toán sẽ tìm 
kiếm đường dẫn với chi phí truyền tải cao 
nhất trong mạng, liên kết ứng thí là liên kết 
trực tiếp giữa 2 nút ở cuối đường dẫn vừa tìm.
4.8 Phát triển các tầng lớp ưu tú (elitism)
Do phép chọn lọc và lai tạo được thực hiện
một cách ngẫu nhiên, không đảm bảo các NST 
không bị vượt trội sẽ hiện hữu trong thế hệ kế 
tiếp. Cách giải quyết phổ biến là chọn giữ lại 
những NST không bị vượt trội được sản sinh 
của mỗi thế hệ.
4.9 Đảm bảo quần thể đa dạng và nhỏ
Ta chọn cách thức: sau khi lai tạo, tất cả 
các NST được so sánh với nhau. Vì các NST 
giống nhau không thêm bất kỳ thông tin nào. 
Nên ta có thể loại bỏ chúng mà không ảnh 
hưởng đến sự tiến triển của quần thể.
4.10 So sánh trước - kiểm tra sau
Điểm yếu của LP là tốn nhiều thời gian 
tính toán. Lợi dụng đặc điểm các quần thể GA 
thường có độ hội tụ cao, nên trước khi tính 
toán GTTN của một NST, ta so sánh nó với
96 TẬP SAN KHOA HỌC VÀ ĐÀO TẠO
__ A / , ____________ __ /?
NGHIÊN CỨU - TRAO ĐOI
tất cả các thành viên đã được tính ở các thế hệ 
trước (số thế hệ tiền sử được lưu trữ tùy thuộc 
vào dung lượng bộ nhớ). Các NST giống nhau 
sẽ có cùng GTTN, nên việc tính lại là không 
cần thiết.
4.11. Lược bỏ
Quá trình sửa chữa và phép đột biến thường 
thêm vào các liên kết. Quần thể sẽ hướng tới 
một đồ thị liên thông hoàn toàn (với ràng 
buộc bậc của nút cho phép). Vì vậy chất liệu 
di truyền dư thừa sẽ được sản sinh qua các thế 
hệ tương lai. Giải pháp được chọn là tìm các 
liên kết không cần thiết và lược bỏ chúng.
4.12 .Khả năng tương tác 
Việc cho phép tinh chỉnh các thông số trong 
thời gian thực có thể cải tiến hiệu năng của hệ 
thống. Bằng cách thay đổi các thông số và sử 
dụng các toán tử lai tạo, đột biến và sinh sản 
ngẫu nhiên trong quần thể, ta có thể nghiên 
cứu giá trị của các chiến lược mới mà không 
cần thay đổi mã chương trình. Việc tương tác 
cũng cho phép thu thập các thông tin cần quan 
tâm ở bất kỳ giai đoạn nào.
5. KẾT QUẢ THỰC NGH IỆM
Chúng tôi đã xây dựng phần mềm trên cơ 
sở dùng ngôn ngữ C++ để thể hiện các thuật 
toán và hình ảnh đồ họa 3 chiều của tập các 
giải pháp tối ưu trong không gian mục tiêu 
(hình 2). Theo hướng tiếp cận Pareto các 
MOEA được hiện thực gồm: NSGA, NSGAII, 
NSGAIIC, SPEA; theo hướng tiếp cận HGA 
các MOEA được hiện thực gồm: PMA, 
IMMOGLS, MOMGLS,...
Các kết quả được trình bày ở đây có được từ 
việc chạy các MOEA khác nhau để thiết kế 
tối ưu một mạng viễn thông có: 24 nút, 55 
liên kết, 396 lưu lượng yêu cầu giữa từng cặp 
nút nguồn - đích (đây là dữ liệu và mô hình 
mẫu có mã hiệu ta1--U-U-L-N-C-A-Y-N do 
Telekom Austria đề xuất, được lấy từ thư viện 
chứa các mẫu kiểm thử dành cho các cộng 
đồng nghiên cứu trên thế giới nhằm chuẩn hóa 
việc kiểm tra benchmark, đánh giá và so sánh 
giữa các mô hình và thuật toán thiết kế tối ưu 
mạng viễn thông cố định được đặt tại website 
Hình 2: Hình ảnh đồ họa 3 chiều của tập các 
giải pháp tối ưu trong không gian mục tiêu
MOEA Ne Cost Reliable Time
1 3295 0.7910
2 3190 0.7777
NSGA 3 2965 0.7595 75pl5g
4 2960 0.7413
5 2870 0.7294
1 3095 0.7819
NSGAII 2 2965 0.7735 18p29g3 2945 0.7357
4 2910 0.7350
1 3105 0.7749
NSGAIIC 2 3075 0.7651 20p46g
3 2915 0.7490
1 3220 0.7854
2 3095 0.7840
SPEA 3 3000 0.7721 35p37g
4 2990 0.7378
5 2870 0.7364
Bảng 1: Kết quả thực nghiệm với các MOEA
Tóm tắt kết quả thử nghiệm của chúng 
tôi với các MOEA khác nhau được thể hiện 
ở bảng 1 và bảng 2. Trong bảng 1, cột NE thể 
hiện số thứ tự của các cá thể trong tập Best- 
known Pareto, cột Cost thể hiện chi phí truyền 
tải lưu lượng, cột Reliable thể hiện độ tin cậy 
và cuối cùng cột Time thể hiện thời gian thực 
thi của từng thuật toán. Trong bảng 2, cột N 
thể hiện số giải pháp trong tập Best-known 
Pareto tổng có được bằng cách: hợp các tập 
Best-known Pareto của mỗi MOEA và chọn 
ra các giải pháp không bị vượt trội (là các giải 
pháp được tô đậm trong bảng 1); ứng với từng
TẬP SAN KHOA HỌC VÀ ĐÀO TẠO 97
__ A / , ___________ __ /?
NGHIÊN CỨU - TRAO ĐOI
thuật toán, cột N1 thể hiện số giải pháp trong 
tập Best-known Pareto, cột N2 thể hiện số giải 
pháp trong tập Best-known Pareto có trong 
tập Best-known Pareto tổng, cột N3 thể hiện 
số giải pháp trong tập Best-known Pareto bị 
vượt trội so với các giải pháp trong tập Best- 
known Pareto tổng và cuối cùng cột N4 thể 
hiện khoảng cách Euclid trung bình giữa các 
giải pháp trong tập Best-known Pareto. Qua 
so sánh kết quả giữa các MOEA ta nhận thấy: 
NSGA có thời gian xử lý chậm nhất, chất 
lượng giải pháp thấp và phân bố không rộng 
trong không gian mục tiêu; SPEA cho kết quả 
tốt hơn và tốt nhất cả về tiêu chí thời gian lẫn 
chất lượng giải pháp thuộc về NSGAII và 
NSGAIIC.
Bảng 2: So sánh kết quả giữa các MOEA
MOEA N N N N n 4 Time
1 2 3
NSGA 5 1 4 0.74142 75pl5g
NSGAII 4 2 2 0.88188 18p29g
NSGAII 3 2 1 7 0.95697 20p46g
c
SPEA 5 2 3 0.80313 37p37g
6. KẾT LUẬN
Phương pháp tối ưu đa mục tiêu dùng thuật 
toán tiến hóa là vấn đề mới trong phân tích 
và thiết kế mạng với nhiều ràng buộc phức 
tạp. Kết quả đạt được đã chứng minh tính hiệu 
quả và đúng đắn của phương pháp tối ưu này. 
Tuy nhiên, vẫn còn một số vấn đề cần tiếp tục 
nghiên cứu sâu hơn:
• Bài toán chưa đặt vấn đề thiết kế mạng với 
khả năng dự phòng và cấu hình lại khi có sự 
cố làm mất một hoặc nhiều liên k ế t , .
• Bài toán chưa được tiếp cận theo hướng 
dùng một số các thuật toán đa mục tiêu khác 
MOEA thuộc lớp meta-heuristic như: thuật 
toán mô phỏng luyện kim (S A ),.
• Đối với từng bài toán, hoặc mỗi giai đoạn 
nhất định trong quá trình giải quyết bài toán, 
việc chọn thuật toán meta-heuristic hoặc thay 
đổi các tham số phù hợp để có được kết quả 
tối ưu đóng vai trò quan trọng, bài báo chưa 
đặt ra vấn đề này.
• Cần xem xét thêm trường hợp có sự kết 
hợp với việc định tuyến và điều khiến tối 
ưu,...đe giải bài toán một cách tổng thế.
TÀI LIỆU THAM KHẢO
[1] Hoàng Kiếm, Lê Hoàng Thái, 2000, 
Thuật giải di truyền, Nxb Giáo dục.
[2] T.H. Cormen, C.E. Leiserson, R.L. 
Rivest, 1997, Algorithms, MIT Press.
[3] Lương Hồng K hanh, 2002, Tạp chí Bưu 
chính viễn thông, số 197, ưng dụng thuật 
toán tiến hóa trong việc tối ưu hóa các tham 
số chất lượng mạng, trang 42-45.
[4] Đặng Hấn, 1994, Quy hoạch tuyến tính, 
Trường Đại học kinh tế Tp.HCM.
[5] M artins, Pascoal, Santos, 1998, The 
k shortest paths problem, Universidade de 
Coimbra, PORTuGaL.
[6] K.T Ko, K.S. Tang et al., 1997, 
Computer Journal, No. 30, Using Genetic 
Algorithms to Design Mesh Networks.
[7] L. Berry, B. M urtagh, S. Sugden 
và G. McMahon, 1995, Application o f a 
Genetic-based Algorithm fo r Optimal Design 
o f Tree-structured Communications Networks, 
Proceedings of the Regional Teletraffic 
Engineering Conference of the International 
Teletraffic Congress, South Africa, September 
1995, pp. 361-370.
[8] Greg Kochanski, 2005, Monte Carlo 
Simulation. 
[9] S. D uarte, B. Barán and D. Benitez,
2001, Telecommunication network design 
with parallel multi-objective evolutionary 
algorithms. In Proccedings of XXVII 
Conferencia Latinoamericana de Inform_atica 
CLEI’2001, Merida, Venezuela, 2001.
[10] K onak A. and Smith A., 1999, A Hybrid 
Genetic Algorithm Approach fo r Backbone 
Design o f Communication Networks. 
Proceedings of the 1999 Congress on 
Evolutionary Computation, Washington D.
C., IEEE, 1999.
[11] Schaffer JD. Multiple objective 
optimization with vector evaluated genetic 
algorithms. In: Proceedings of the international 
conference on genetic algorithm and their 
applications, 1985.
[12] Fonseca CM, Fleming PJ.
Multiobjective .
98 TẬP SAN KHOA HỌC VÀ ĐÀO TẠO

File đính kèm:

  • pdfung_dung_thuat_toan_tien_hoa_da_muc_tieu_trong_thiet_ke_toi.pdf