Các vấn đề tối ưu địa chỉ trong quy hoạch mạng lưới với tính toán tiến hóa

LỜI NÓI ĐẦU
Trong ngành khoa học máy tính, tìm kiếm lời giải tối ưu cho các bài toán là vấn
đề được các nhà khoa học máy tính đặc biệt rất quan tâm. Mục đích chính của các thuật
toán tìm kiếm lời giải là tìm ra lời giải tối ƣu nhất cho bài toán trong thời gian nhỏ
nhất. Các thuật toán như tìm kiếm không có thông tin / vét cạn ( tìm kiếm trên danh
sách, trên cây hoặc đồ thị ) sử dụng phương pháp đơn giản nhất và trực quan nhất hoặc
các thuật toán tìm kiếm có thông tin sử dụng heurictics để áp dụng các tri thức về cấu
trúc của không gian tìm kiếm nhằm giảm thời gian cần thiết cho việc tìm kiếm được sử
dụng nhiều nhưng chỉ với không gian tìm kiếm nhỏ và không hiệu quả khi tìm kiếm
trong không gian tìm kiếm lớn. Tuy nhiên, trong thực tiễn có rất nhiều bài toán tối ưu
với không gian tìm kiếm rất lớn cần phải giải quyết. Vì vậy, việc đòi hỏi thuật giải chất
lượng cao và sử dụng kỹ thuật trí tuệ nhân tạo đặc biệt rất cần thiết khi giải quyết các
bài toán có không gian tìm kiếm lớn. Giải thuật di truyền (genetic algorithm) là một
trong những kỹ thuật tìm kiếm lời giải tối ưu đã đáp ứng được yêu cầu của nhiều bài
toán và ứng dụng.
Giải thuật di truyền đã được phát minh ra để bắt chước quá trình phát triển tự
nhiên trong điều kiện quy định sẵn của môi trường. Trong bài tiểu luận này chúng ta sẽ
nghiên cứu về việc áp dụng giải thuật di truyền để thiết kế mạng tối ưu.
2
CÁC THUẬT NGỮ VIẾT TẮT
Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt
ADSL
Asymmetric Digital Subscriber
Line
Đường dây thuê bao số bất đối
xứng
CPP Copper Planning Problem Vấn đề quy hoạch cáp đồng
DPs Distribution Points Điểm phân bố
EC Evolutionary Computation Tính toán tiến hóa
EAs Evolutionary Algorithms Giải thuật tiến hóa

GA Genetic Algorithm Giải thuật di truyền
LTU Line Termination Unit
MOGA Multiple Objective Genetic
Algorithm
Thuật toán di truyền đa mục
tiêu
PCP Primary Connection Point Điểm kết nối chính
OMT Object Modelling Technology Công nghệ mô hình hóa đối
tượng
OS Ordinance Survey Sở đo đạc
POTS Plain Old Telephone System Hệ thống điện thoại analog
GUI Windows Graphical User
Interface
Giao diện đồ họa người dùng
3
DANH MỤC HÌNH VẼ
4
DANH MỤC CÁC BẢNG
5
Chương 1: Các kỹ thuật tính toán thích ứng và heuristic trong viễn thông
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
nghiên cứu trong các chương sắp tới trình bày một phần việc áp dụng những kỹ thuật
này cho các bài toán liên quan đến viễn thông. Các kỹ thuật sử dụng bao gồm các
phương pháp "tìm kiếm địa phương “ như ủ mô phỏng (Aarts và Korst, 1989) và tìm
kiếm tabu (Glover, 1989; 1989a), và các kỹ thuật tìm kiếm 'dựa trên tập hợp' như thuật
toán di truyền (Poland, 1975 ; Goldberg, 1989), chiến lược phát triển (Schwefel, 1981;
6
Back, 1996), lập trình tiến hóa (Fogel, 1995) và lập trình di truyền (Koza, 1992). Mục
1.3 giới thiệu ngắn gọn và cơ bản các kỹ thuật trên, dành cho các kỹ sư viễn thông,
quản lý hoặc nghiên cứu, những người hiểu biết quá nhiều về vấn đề này, nhưng chưa
biết cách để giải quyết chúng. Chương sau thảo luận về việc sử dụng liên quan đến các
bài toán đặc biệt trong viễn thông.
1.2 Bài toán động và thích ứng.
Một khía cạnh cơ bản của nhiều vấn đề tối ưu hóa trong viễn thông là một thực tế
rằng các giải pháp tối ưu là động. Những gì có thể là giải pháp tốt nhất bây giờ có thể
không phải là giải pháp lý tưởng trong một vài giờ, hoặc thậm chí một vài phút. Ví dụ,
các nhà cung cấp dịch vụ của một cơ sở dữ liệu phân tán ( như video theo yêu cầu, dịch
vụ web - bộ nhớ đệm, vv) phải cố gắng để đảm bảo chất lượng dịch vụ cho mỗi khách
hàng. Để làm điều này liên quan đến việc chuyển hướng cơ sở dữ liệu của khách hàng
truy cập đến các máy chủ khác nhau tại các thời điểm khác nhau ( khách hàng không
thể nhận biết) để thực hiện phù hợp cân bằng tải giữa các máy chủ. Kỹ thuật tối ưu hóa
hiện đại có thể được sử dụng để phân phối tải trọng phù hợp trên các máy chủ, tuy

nhiên giải pháp này trở nên không hợp lệ ngay sau khi có sự thay đổi trung bình trong
mô hình truy cập cơ sở dữ liệu của khách hàng. Một ví dụ khác là định tuyến gói chung
trong một mạng point-to -point. Theo truyền thống, bảng định tuyến tại mỗi nút được
sử dụng để tìm kiếm ' bước kế tiếp ' tốt nhất cho một gói dựa trên điểm đến cuối cùng
của nó. Chúng ta có thể tưởng tượng một kỹ thuật tối ưu hóa áp dụng cho vấn đề này,
kỹ thuật này dựa vào mô hình tổng thể và xác định các bảng định tuyến thích hợp cho
mỗi nút, do đó ùn tắc chung và sự chậm trễ có thể được giảm thiểu, tức là trong nhiều
trường hợp là ‘bước kế tiếp’ tốt nhất có thể không tìm được nút tiếp theo trên con
đường ngắn nhất, vì liên kết này có thể được được sử dụng nhiều rồi. Tuy nhiên, đây rõ
ràng là một chương trình cần được thực hiện lặp đi lặp lại như những biểu đồ thay đổi
lưu lượng truy cập.
7
Việc thực hiện lặp đi lặp lại của các kỹ thuật tối ưu hóa là một trong những cách có
thể để tiếp cận các bài toán động, nó thường là một cách khá phù hợp, đặc biệt là khi
các giải pháp tốt yêu cầu cần thiết phải rất nhanh, vì môi trường thay đổi rất nhanh
chóng. Thay vào đó, một phạm vi khác của các kỹ thuật tính toán hiện đại thường thích
hợp cho các bài toán như vậy. Chúng ta có thể gọi chung lớp này là kỹ thuật "thích
ứng", mặc dù việc sử dụng ở các chương sau trong cuốn sách này thực sự khá đa dạng.
Đặc biệt, chương sau sẽ sử dụng tính toán thần kinh (neural), logic mờ và lý thuyết trò
chơi để giải quyết tối ưu hóa thích nghi trong môi trường động, trong một số trường
hợp kết hợp với tìm kiếm cụ bộ hoặc dựa vào tập hợp. Về cơ bản, một kỹ thuật tối ưu
hóa cung cấp một cách nhanh chóng và hiệu quả để tìm một giải pháp tốt trong nhiều
giải pháp, một kỹ thuật thích ứng phải cung cấp một giải pháp tốt gần như là ngay lập
tức.
Thủ thuật ở đây đó là các phương pháp sử dụng tiến trình “off-line” để học về vấn
đề đang giải quyết sao cho khi mà các kết quả tốt và nhanh được yêu cầu thì chúng sẽ
được chuyển đi. Ví dụ, một cách tiếp cận thích hợp cho việc định tuyến gói tin trong
các mặt thay đổi trong mô hình giao thông sẽ bao gồm một số liên tục nhưng tôi thiểu
hóa xử lý mà được cập nhật liên tục trong bảng định tuyến tại mỗi nút dựa trên thông
tin hiện tại về độ trễ và mức độ giao thông.

Trong phần còn lai của chương này chúng ta sẽ giới thiệu ngắn gọn về sự tối ưu và
và các kỹ thuật thích ứng mà chúng ta đã đề cập ở trên. Chi tiết sẽ được nói ở các
chương sau. Sau đó chúng ta sẽ nói một chút về ba phần trong cuốn sách này trong các
chương tiếp theo. Sau cùng, chúng ta sẽ chỉ ra tại sao những kỹ thuật này là quan trọng
trong viễn thông, và chúng sẽ ngày càng phát triển theo thời gian.
1.3 Các kỹ thuật Heuristic hiện đại
Có một loạt các phương pháp nổi tiếng trong hoạt động nghiên cứu, như là : quy
hoạch động (DynamicProgramming), quy hoạch tuyến tính (Integer Programming ).
8
V v đã được sử dụng để giải quyết các lọa vấn đề tối ưu khác nhau. Tuy nhiên , một
cộng đồng lớn của các nhà khoa học máy tính và các nhà nghiên cứu trí tuệ nhân tạo
ngày nay đang dành rất nhiều nỗ lực vào những ý tưởng hiện đại hơn được gọi là
“metaheuristics” hay còn gọi là “heuristic”. Vấn đề khác nhau cơ bản giữa các phương
pháp hiên đại và phương pháp cổ điển đó là , nó dễ áp dụng hơn. Tực là nếu đưa ra một
vấn đề thực tế điển hình và phức tạp thì nó sẽ cần ít công sức để phát triển cách tiếp
cận mô hình tôi thép để giải quyết vấn đề đó hơn là trình bày vấn đề theo cách quy
hoạch tuyến tính có thể áp dụng trên nó.
Điều này không nói rằng các phương pháp hiện đại sẽ làm tốt hơn phương pháp cổ
điển. Trên thực tế, kịch bản thực tế và điển hình khi mà cả hai loại phương pháp được
áp dụng đó là :
• Một chuyên gia metaheuristics so sánh hại loại kỹ thuật: phương pháp hiện
đại làm tốt hơn phương pháp cổ điện
• Một chuyên gia nghiên cứu các hoạt động cổ điển so sánh hai loại kỹ thuật:
phương pháp cổ điển vượt trội hơn phương pháp hiện đại
Mặc dù sự quan sát này dựa trên một khía cạnh quan trọng trong việc giải quyết
các vấn đề tối ưu. bạn càng hiểu rõ các kỹ thuật riêng biệt mà bạn đang áp dụng thì bạn
càng có khả sử dụng và khai thác nó để đạt được kết quả tốt hơn.
Trong phần này chúng tôi chỉ cung cấp khía quát về một số thuật toán tối ưu hiện
đại, và do đó không cung cấp khá đầy đủ thông tin cho một người đọc để có thể chỉnh
cho phù hợp với các vấn đề cụ thể. Mặc dù chúng tôi không chỉ cho bạn cách để sáng

tạo với chúng, nhưng chúng tôi chỉ ra điểm mấu chốt ở đâu. Làm cách nào để áp dụng
sáng tạo chúng thì phụ thuộc và rất nhiều vấn đề, nhưng chương sau sẽ cung cấp các
thông tin cho từng trường hợp cụ thể. Những gì sẽ trở nên rõ ràng từ chương này, tuy
nhiên, đó là những kỹ thuật được đánh giá cao chung trong ứng dụng của chúng. Trong
9
thực tế, bất cứ khi nào cũng có một số cách khá sẵn để đánh giá hoặc tính điểm giải
pháp ứng cử viên cho vấn đề của bạn, sau đó các kỹ thuật này có thể được áp dụng.
Về bản chất các kỹ thuật này được chia làm 2 nhóm : tìm kiếm địa phương, tìm
kiếm dựa trên dân số. Đó sẽ là những thứ sẽ được bàn đến tiếp theo đây.
1.3.1 Tìm kiếm cục bộ
Giả sử rằng bạn đang cố gắng để giải quyết một vấn đề P, và bạn có một tập hợp S
là các giải pháp tiềm năng cho vấn đề này. Bạn không nhất thiết phải có tập S, vì nó
quá lớn để có thể hiểu rõ toàn bộ. Tuy nhiên, bạn có một số cách để tạo ra các giải pháp
từ nó. Ví dụ, S có thể là một tập hợp các cấu trúc liên kết cho một mạng, và các giải
pháp ứng cử s, s ', s'',… là các đề cử cấu trúc kết nối cụ thể mà bạn đã đưa ra theo cách
nào đó. Thêm vào đó, hãy tưởng tượng rằng bạn có một hàm chuẩn hóa f(s) (fitness
function) có chức năng đưa ra kết quả của một giải pháp đề cử. Kết quả tốt hơn đồng
nghĩa với việc đó là giải pháp tốt hơn. Lấy ví dụ, chúng ta đang cố gắng tìm ra những
cấu trúc liên kết mạng đáng tin cậy nhất, sau đó f (s) có thể tính toán xác suất thất bại
của liên kết giữa hai nút đặc biệt quan trọng. Trong trường hợp chúng ta muốn sử dụng
nghịch đảo của giá trị này nếu chúng ta thực sự muốn gọi nó là ‘chuẩn hóa’ (fitness).
Trong những trường hợp khi mà kết quả thấp hơn, thì tốt hơn và thường thì thích hợp
hơn đó là coi f(s) là một hàm chi phí.
Chúng ta còn cần thêm một điều nữa, mà chúng ta gọi là một toán tử lân cận
(neighbourhood operator). Đây là hàm có chức năng lấy ra một giải pháp đề cử s, và
tạo ra một giải pháp đề cử mới s’ - thường chỉ hơi khác một chút so với s. Chúng ta sẽ
sử dụng thuật ngữ ‘biến cố’ (mutation) để mô tả cho toán tử này. Ví dụ, nếu chúng ta
biến đổi một cấu trúc liên kết mạng, kết quả biến đổi có thể bao gồm một liên kết thêm
không có trong cấu trúc liên kết ‘cha mẹ’, hoặc cũng có thể là giống như nhau. Ngoài
ra, biến cố có thể loại bỏ, hoặc di chuyển, một liên kết.

10
Bây giờ chúng ta có thể mô tả một cách cơ bản về tìm kiếm cục bộ. Trước tiên,
hãy xem xét một trong những phương pháp tìm kiếm cục bộ đơn giản nhất, được gọi là
phương pháp leo đồi (hillclimbing), thực hiện theo các bước dưới đây:
1. Bắt đầu: tạo ra một giải pháp đề cử ban đầu (có thể bằng một cách ngẫu nhiên);
gọi đây là giải pháp hiện tại, c. Đánh giá nó.
2. Biến đổi c để tạo ra một biến cố m, sau đó đánh giá m.
3. Nếu f(m) là tốt hơn hơn hoặc tương đương f(c), vậy thì cần thay thế c với m. (Ví
dụ c bây giờ là một bản sao của m).
4. Lặp lại bước 2, cho đến khi nào đạt tới một tiêu chí kết thúc.
Ý tưởng của hillclimbing nên được trình bày rõ ràng theo thuật toán nêu trên. Ở
bất kỳ bước nào, chúng ta có một giải pháp hiện tại, và khi chúng ta nhìn vào một ân
cận của giải pháp này – có vài điểm khác nhau. Nếu giải pháp lân cận là một bộ lọc
(fitter) (hoặc tương đương), vậy thì có vẻ như là đây một ý tưởng tốt để chuyển sang
lân cận đó; do đó, cần bắt đầu lại với lân cận giống như là với một giải pháp hiện tại
mới. Ý tưởng căn bản đằng sau điều này, và đằng sau phương pháp tìm kiếm cục bộ
nói chung, đó là sự hội tụ của các giải pháp tốt. Bạn có thể không thực sự mong đợi
một cấu trúc liên kết đáng tin cậy xuất hiện, ví dụ, thêm một liên kết đơn vào một cấu
trúc liên kết không đáng tin cậy. Tuy nhiên, bạn có thể mong đợi rằng một sự thay đổi
như vậy có thể biến một cấu trúc liên kết đáng tin cậy thành một cấu trúc liên kết đáng
tin cậy hơn.
Trong tìm kiếm cục bộ, chúng ta khai thác ý tưởng này bằng cách liên tục tìm kiếm
trong vùng lân cận của giải pháp hiện tại. Sau đó chúng ta sẽ chuyển đến một giải pháp
phù hợp, và tái thực thi quá trình này. Sự nguy hiểm ở đây là chúng ta có thể gặp khó
khăn trong với cái gọi là ‘tối ưu cục bộ’, tức là giải pháp hiện tại là không đủ tốt cho
mục đích của chúng ta, nhưng tất cả các phương án lân cận của nó thậm chí còn tồi
hơn. Đây là điểm không tốt đối với thuật toán leo đồi (hillclimbing), vì đơn giản là nó
sẽ bị mắc kẹt ở đó. Các phương pháp tìm kiếm cục bộ khác ngoài hillclimbing, có cách
để giải quyết chính xác tình huống này.
11

Các phương pháp tìm kiếm cục bộ khác được phân biệt chúng với hillclimbing, tuy
nhiên, có một số cách để giải quyết tình trạng này một cách chính xác. Chúng ta sẽ
xem xét lại 2 phương pháp ở đây, đây là những phương pháp được sử dụng phổ biến và
được sử dụng ở phần sau trong cuốn sách này. Dưới đây là mô phỏng luyện kim
(simulated annealing) và tìm kiếm tabu (tabu search).
Simulated annealing
Simulated anneling giống với hillclimbing. Sự khác biệt duy nhất là việc thêm vào
của 1 cặp tham số, một bước phụ mà một số cuốn sách thực hiện với những tham số
này, và đây là điểm chính, bước 3 được thay đổi để sử dụng các tham số này:
1. Bắt đầu: Tạo và đánh giá giải pháp ứng cử ban đầu (một cách ngẫu nhiên); gọi
đây là giải pháp hiện tại c. Khởi tạo tham số nhiệt độ T và độ làm mát r (0<r<1).
2. Biến đổi c tạo ra m, kết quả của việc biến đổi c, và đánh giá m.
3. Nếu đánh giá test(f(m), f(c), T) là đúng, thì thay thế c bằng m (c bây giờ là bản
sao của m).
4. Cập nhật tham số nhiệt độ (T thành rT).
5. Lặp lại bước 2, cho tới khi đạt được tiêu chí kết thúc.
Vấn đề xảy ra trong mô phỏng luyện kim đó là đôi khi chúng ta chấp nhận kết quả
của việc biến đổi ngay cả khi nó kém hơn cả giải pháp hiện tại. Tuy nhiên, chúng
không xảy ra thường xuyên và khả năng kết quả của việc biến đổi kém hơn là rất thấp.
Ngoài ra, chúng ta có ít khả năng làm như vậy trong thời gian tới. Kết quả tổng thể là
thuật toán có cơ hội tốt để thoát khỏi optima cục bộ, do đó có thể tìm kiếm các miền tốt
hơn của không gian sau này. Tuy nhiên, hướng cơ bản của sự dịch chuyển về các miền
tốt hơn được duy trì. Tất cả những điều này được thực hiện trong chức năng test của
bước 3. Một ví dụ về loại sử dụng test là đầu tiên thực hiện:
( ( ) ( ))/f m f c T
e
−
Giả thiết rằng chúng ta thực hiện tối ưu hóa cost (nếu không chúng ta chỉ cần
chuyển dổi f(m) và f(c)). Nếu kết quả của việc biến đổi tốt hơn hoặc tương đương giải
12

pháp hiện tại, thì biểu thức trên sẽ lớn hơn hoặc bằng 1. Nếu kết quả của việc biến đổi
kém hơn, thì kết quả sẽ nhỏ hơn 1 và kém hơn kết quả biến đổi là gần bằng 0. Do đó,
kết quả của biểu thức được sử dụng như một xác suất. Tạo ngẫu nhiên 1 số rand, với
0<rand<1 và thực hiện test trong bước 3 chỉ đơn giản là kiểm tra có hay không biểu
thức nhỏ hơn rand. Nếu vậy (luôn luôn được như vậy nếu kết quả biến đổi tốt hơn hoặc
tương đương), chúng ta chấp nhận kết quả biến đổi. T là tham số nhiệt độ. Với bắt đầu
lớn và giảm dần (xem bước 4) theo thời gian. Điều bạn có thể nói từ biểu thức trên, là
xác suất của kết quả biến đổi kém chấp nhận được cũng sẽ giảm dần theo thời gian.
Mô phỏng luyện kim tạo ra một phương pháp mạnh, mặc dù nó khá khó khăn để
đạt được những tham số đúng. Tham khảo A good modern account, Dowsland (1995).
Tabu Search
Một cách khác để thoát khỏi optima cục bộ được cung cấp bởi tìm kiếm tabu
(Glover 1989; 1989a; Glover and Laguna, 1997). Có nhiều khía cạnh tinh vi để tìm
kiếm tabu, ở đây chúng ta chỉ tìm hiểu về bản chất của kỹ thuật. Giới thiệu một cách rõ
ràng và đầy đủ được cung cấp trong Glover and Laguna (1995; 1997).
Phương pháp tìm kiểm Tabu, như nhiều phương pháp tìm kiếm cục bộ khác không
bàn và xem xét về các láng giềng của giải pháp hiện tại và thậm chí chọn một trong
láng giềng để chuyển đến. Đặc tính có tính phân biệt này của phương pháp tìm kiếm
Tabu là về vấn đề đưa ra sự lựa chọn như thế nào. Đây không đơn giản là việc lựa chọn
láng giềng nào phù hợp nhất trong số những láng giềng đã được kiểm tra. Phương pháp
tìm kiếm Tabu tính đến cả sự biến đổi (mutation) mà cho chúng ta kết quả. Ví dụ, nếu
láng giềng tốt nhất trong giải pháp của bạn là láng giềng mà kết nối bằng việc thay đổi
liên kết từ nút k, nhưng chúng ta đã thực hiện việc kết nối đó trong lần lặp trước thì có
thể một láng giềng khác sẽ được lựa chọn thay thế, thậm chí nếu sự di chuyển tốt nhất
hiện tại là di chuyển gần đây nhất cũng có thể không được chấp nhận. Tìm kiếm tabu
13
cung cấp một cơ chế dựa trên chỉ tiêu nguyện vọng cho phép ta chọn nhiều hơn nếu
láng giềng đang được xem xét mà phù hợp hơn so với láng giềng hiện tại.
Do vậy, bất kỳ việc cài đặt phướng pháp tìm kiếm tabu nào đều duy trì một vài
dạng bộ nhớ ghi lại những thuộc tính nhất định của những di chuyển gần đây. Những

thuộc tính này phụ thuộc nhiều vào vấn đề đang xem xét và đây là một phần của việc
áp dụng phương pháp tìm kiếm tabu. Ví dụ, nếu chúng ta cố gắng tối ưu hóa topo
mạng, một dạng của bộ biến đổi sẽ phải thay đổi đường cáp liên kết giữa nút a và nút b.
Hoặc là trong việc cài đặt phương pháp tìm kiếm tabu, chúng ta có lẽ chỉ ghi lại sự kiện
thay đổi đường cáp ở lần lặp thứ i, hoặc là đơn giản chỉ ghi lại sự thay đổi trong liên
kết giữa nút a với một nút mà liên kết với nút b. Nếu chúng ta chỉ ghi lại kiểu thuộc
tính trước đó thì những di chuyển có thể xảy ra gần thời điểm đó có thể không được
chấp nhận và không phụ thuộc vào các nút có liên quan. Nếu chúng ta chỉ ghi lại thuộc
tính sau đó thì những thay đổi tiềm năng bao gồm nút a và (hoặc) nút b có thể không
được chấp nhận nhưng những di chuyển thay đổi cáp có thể được chấp nhận.
Phương pháp tìm kiếm cục bộ Artful
Có một vài điểm chú ý về việc thuật toán tabu minh họa đó là khía cạnh quan trọng
của phương pháp tìm kiểm cục bộ tốt là quyết định láng giềng nào cần di chuyển đến.
Tất cả các phương pháp tìm kiếm cục bộ thực hiện các ý tưởng cơ bản về di chuyển
cục bộ đều là những ý tưởng tốt. Ví dụ, nếu giải pháp hiện tại của bạn tốt thì có thể có
một giải pháp tốt hơn gần đó và có thể có một giải pháp tốt hơn nữa
Tuy nhiên, rõ ràng là thỉnh thoảng (có lẽ là thường xuyên) chúng ta phải chấp nhận
thực tế là chúng ta chỉ có thể tìm kiếm các giải pháp được cải tiến bằng cách tạm thời
thực hiện các giải pháp khác tồi hơn. Thuật toán mô phỏng annealing và phương pháp
tìm kiếm tabu là hai cách tiếp cận để giải quyết vấn đề này. Tuy nhiên, đối với một vấn
đề cụ thể thì cách tốt nhất trong triển khai và thiết kế hai cách tiếp cận trên là không rõ
ràng. Có nhiều sự lựa chọn có thể đưa ra: cách đầu tiên có thể là làm cách nào để trình
14
bày một giải pháp đưa ra tại vị trí đầu tiên. Lấy ví dụ, một topo mạng có thể được biểu
diễn dưới dạng cách danh sách của các liên kết trong đó mỗi cặp liên kết là một cặp nút
(a,b). Việc giải mã danh sách đó thành một topo mạng đơn giản là vẽ liên kết cho mỗi
cặp nút trong danh sách đó. Nói cách khác, chúng ta có thể biểu diễn một topo mạng
như là một chuỗi nhị phân chứa thông tin về các liên kết có thể có. Mỗi vị trí trong
chuỗi bit này sẽ có thể thể hiện một liên kết điểm tới điểm. Do vậy, một giải pháp đưa
ra là “10010 ” có thể chỉ ra một liên kết điểm tới điểm giữa nút 1 và 2, không có liên

kết giữa nút 1 và nút 3 hoặc là giữa nút 1 và nút 4 hoặc là có một liên kết giữa nút 1 và
nút 5
Nói chung, trên đây là những cách để đưa ra một phương pháp đại diện cho các
giải pháp của vấn đề. Tất nhiên sự lựa chọn cũng ảnh hưởng đến thiết kế của các
“operator hàng xóm”. Trong ví dụ trên, loại bỏ 1 liên kết từ topology liên quan đến 2
loại hoạt động khác nhau trong 2 đại diện. Trong trường hợp danh sách cặp node,
chúng ta cần thực sự loại bỏ 1 cặp từ danh sách. Trong trường hợp nhị phân, chúng ta
thay đổi một bit 1 đến một bit 0 trong một vị trí cụ thể trong chuỗi.
Đề ra các đại diện và vận hành tốt là một phần của nghệ thuật sử dụng hiệu quả
tìm kiếm địa phương để giải quyết các vấn đề tối ưu hóa cứng. Tuy nhiên một phần
quan trọng khác của nghệ thuật này là vấn đề sử dụng tri thức cụ thể hoặc chuẩn đoán
tồn tại khi có thể. Ví dụ, một vấn đề với một trong hai đại diện mà chúng ta đã ghi
nhận cho đến nay cho topology mạng là một topology được tạo ngẫu nhiên điển hình
cũng có thể là không kết nối. Đó là một giải pháp ứng cử có thể chỉ đơn giản là không
chứa các đường dẫn giữa mỗi cặp nút. Thông thường, chúng ta chỉ quan tâm đến các
mạng hướng kết nối, vì vậy bất kỳ thuật toán tìm kiếm nào mà effort dành cho kết nối
với các mạng hướng không kết nối thẩm định thì có vẻ khá lãng phí. Đây là nơi mà
miền tri thức cơ bản và những chuẩn đoán tồn tại sẽ có ích. Đầu tiên, bất kỳ một nhà
thiết kế mạng tốt nào đều sẽ biết các khái niệm lý thuyết đồ thị khác nhau, chẳng hạn
như là: cây spanning, thuật toán đường đi ngắn nhất… Nó không khó để đưa ra 1 thay
15
đổi đại diện danh sách cặp node là đã kết nối, đảm bảo rằng tất cả các giải pháp ứng
viên s chứa 1 cây spanning cho mạng. Một cách để làm điều này là liên quan đến việc
giải thích những cặp node đầu tiên gián tiếp. Thay vì (a, b) chỉ ra rằng mạng này chứa
liên kết giữa a và b, nó sẽ có nghĩa là node a đã kết nối sẽ được liên kết với node b
không kết nối. Bằng cách này, mọi cặp node tiếp theo cho thấy làm thế nào để tham gia
như 1 node chưa được sử dụng để phát triển cây spanning. Khi tất cả các node đã được
kết nối như vậy, cặp node còn lại có thể được giải thích trực tiếp.
Tuy nhiên vấn đề chúng ta giải quyết sẽ liên quan đến vấn đề chi phí, do đó chi phí
của các liên kết cụ thể sẽ đóng vai trò quan trọng trong “hàm vừa đủ” (fitness

function). Miền tri thức cho chúng ta biết một số thuật toán nổi tiếng và nhanh chóng
đưa ra đáp án cho việc tìm cây spanning chi phí nhỏ nhất (Kruskal, 1956; Prim, 1957).
Do đó nó có thể làm cho ý nghĩa tốt, tùy thuộc vào các chi tiết khác nhau của vấn đề,
để khởi tạo mỗi giải pháp ứng viên với cây chi phí nhỏ nhất, và tất cả những gì chúng
ta cần là đại diện cho các liên kết chúng ta thêm vào cây này.
Có rất rất nhiều cách trong đó miền tri thức hoặc chuẩn đoán tồn tại có thể được sử
dụng để hưởng lợi từ phương pháp tiếp cận tìm kiếm địa phương cho vấn đề tối ưu
hóa. Một số về vấn đề này có thể cho chúng ta biết, ví dụ những loại biến đổi có cơ hội
tốt hơn dẫn đến hàng xóm tốt. Một phương thức chuẩn đoán hiện có cho biết nhanh
chóng giao các kênh trong mạng di động, có thể được sử dụng để cung cấp điểm khởi
tạo cho tìm kiếm địa phương mà cố gắng để tìm ra giải pháp tốt hơn.
1.3.2 Tìm kiến dựa trên tập hợp (Population-Based Search)
Một lựa chọn khác của thuật toán, hiện giờ đang rất phổ biến, được xây dựng dựa
trên ý tưởng về tìm kiếm địa phương bằng cách sử dụng tập hợp các giải pháp “hiện
tại” thay vì chỉ một. Có 2 cách mà điều này có khả năng tương cường cơ hội tìm kiếm
giải pháp tốt. Đầu tiên, khi chúng ta có 1 tập hợp, chúng ta có thể dành thời gian 1 cách
hiệu quả để tìm kiếm trong nhiều khu vực lân cận khác nhau như một. Thuật toán dựa
16
trên tập hợp có xu hướng chia sẻ effort tính toán đến các giải pháp ứng viên khác nhau
trong 1 cách thiên vị bởi “tương quan vừa đủ” (relative fitness) của chúng. Đó là, nhiều
thời gian sẽ được dùng để tìm kiếm các vùng lân cận của các giải pháp tốt hơn là các
giải pháp trung bình.
Tuy nhiên, tối thiểu cần một ít thời gian cho việc tìm kiếm trong những miền
nghiệm ôn hòa hoặc thô, nên điều này dẫn đến việc tìm kiếm một đột biến đặc biệt tốt
trên đường đi, sau đó các cân bằng tải của nỗ lực tính toán sẽ được sửa đổi cho phù
hợp.
Một hướng tiếp cận khác được cung cấp bởi kỹ thuật dựa trên tổ hợp là chúng ta
thử sử dụng toán tử tái tổ hợp. Đây là cách để tạo ra những đột biến, nhưng lần này từ
2 hoặc nhiều các nghiệm cha chứ không phải chỉ 1. Do đó kết quả được gọi là một tổ
hợp chứ không phải là một đột biến. Tái tổ hợp cung cấp một cách có nguyên tắc tưởng

đối để giải thích sự dịch chuyển của một vùng lân cận lớn. Một trong những khó khăn
của tìm kiếm cục bộ là ngay cả các kỹ thuật tiên tiến như mô phỏng và tìm kiếm cũng
khó khăn để tối ưu cục bộ, nó chỉ “thoát” trừ khi nó có thể là một đột biến khá quyết
liệt. Đó là thuật toán có thể thử tất cả các chuyển động cục bộ có thể, và do đó phải bắt
đầu thử với các di chuyển phi cục bộ nếu nó có bất kỳ cơ hội nào để đạt được bất kỳ
nơi nào. Vấn đề thực tế ở đây là có rất nhiều khả năng di chuyển phi cục bộ. Thật vậy
các hàng xóm ”phi cục bộ” là toàn bộ không gian khả năng!
Tái tổ hợp là một phương pháp cung cấp một cách lựa chọn di chuyển phi cục bộ
tốt từ một không gian lớn các khả năng. Ví dụ, nếu 2 nghiệm cha là mỗi vécto của k
phần tử, một toán tử tái tổ hợp được gọi là giao đơn điệu (uniform crossover), sẽ tạo ra
một nghiệm con từ 2 nghiệm cha này bằng cách, với mỗi phần tử được trả ra lấy ngẫu
nhiên giá trị của nó tử một trong 2 điểm. Mỗi nghiệm con có thể khác biệt tới 50% cha
mẹ của nó, và lớn hơn rất nhiều so với sự khác biệt điển hình giữa một nghiệm cha đơn
với một vài hàng xóm cục bộ của nó.
17
Dưới đây là những bước cho một thuật toán dựa trên tổ hợp chung:
1. Bắt đầu: sinh ra một tập ban đâu các giải pháp có khả năng nhất (candidate).
Đánh giá chúng.
2. Lựa chọn một vài tập làm cha.
3. Áp dụng toán tử tái tổ hợp và đột biến để từ các bộ cha mẹ tạo ra các bộ con.
4. Kết hợp các bộ con được sinh ra vào tập hợp.
5. Cho đến khi đạt được tiêu chí kết thúc, thì quay trở lại bước 2.
Có rất nhiều cách để thực hiện ở mỗi bước, nhưng có những điểm quan trọng như
sau. Bước 2 thường sử dụng chiến lược chọn lọc tự nhiên (survival of the fittest), đây
là nơi mà các tải chia sẻ (load sharing) được thảo luận ở trên sẽ được áp dụng. Các
nghiệm ứng viên được tạo thành, càng nhiều cơ hội nó trở thành cha, và do đó có nhiều
cơ hội hơn để thuật toán tìm ra các vùng lân cận của nó. Có những kỹ thuật chọn lựa
khác nhau, hầu hết đều được tham số hóa để thay đổi mức độ để các tổ hợp cha được
tạo ra ưa thích hơn (các áp lực chọn lọc). Bước 3 áp dụng các toán tử tái tổ hợp hoặc
đột biến, hoặc cả hai. Đây có tất cả các toán tử tái tổ hợp và đột biến, nhưng như chung

tôi gợi ý trên, những lợi ích thực sự đến khi một vài suy nghĩ đã được đưa vào thiết kế
cụ thể các loại toán tử sử dụng miền tri thức. Trong bước 4, nhớ rằng chúng ta luôn duy
trì một kích thước tổ hợp cố định. Vì vậy, nếu chúng ta có một tổ hợp 100, nhưng 20
phần tử con được thêm vào, thì 20 của 120 phần tử phải được loại bỏ. Một cách tiếp
cận phổ biến nhất là chỉ đơn giản loại bò 20 phần tử ít phù hợp nhất với các nhóm kết
hợp, nhưng có một vài phương pháp khác; chúng ta có thể sử dụng công nghệ được gọi
là “dồn nén” (crowding), eg. De Jonh (1975), trong đó đa dạng đóng vai trò quyết đinh
về những giải pháp ứng viên để loại bỏ. Ví dụ, chúng ta chắc chắn sẽ thích để loại bỏ
giải pháp S có lợi và một giải pháp t ít phù hợp, nếu điều đó xảy ra là trường hợp đó là
một bản sao trong dân số, nhưng t là “mới”.
Ví dụ, chúng tôi chắc chắn sẽ thích để loại bỏ giải pháp tội ủng hộ một giải pháp t
ít phù hợp, nếu điều đó xảy ra là trường hợp đó salready có một bản sao trong dân số ,
nhưng tis 'mới'. Cuối cùng, chúng ta phải chỉ ra một số vấn đề thuật ngữ. Có rất nhiều
18
thuật toán dựa trên dân số , và trong thực tế, họ thường được gọi là giải thuật di truyền
( địa bàn ). Một thuật ngữ phổ biến được sử dụng là thuật toán di truyền , mà đúng đề
cập đến một gia đình của các phương pháp như vậy mà luôn luôn sử dụng một nhà điều
hành tái tổ hợp (Hà Lan , 1965; Goldberg , 1989) , trong khi các gia đình khác của
thuật toán như vậy, gọi là lập trình tiến hóa ( Fogel , 1995) và tiến hóa chiến lược ( trở
lại, 1996), xu hướng sử dụng đột biến một mình, nhưng khá thông minh về cách họ sử
dụng nó. Trong mọi trường hợp , một giải pháp ứng cử viên có xu hướng được gọi là
một phần tử của nó chromosomeand được gọi là gen.
1.4 Kỹ thuật tính toán thích nghi
Để giải quyết nhu cầu tối ưu trong môi trường viễn thông luôn luôn thay đổi, sử
dụng trực tiếp các kỹ thuật tối ưu cục bộ (local optimization) hoặc tối ưu quần thể cho
kết quả không phù hợp. Lý do là nó mất nhiều thời gian để hội tụ về một solution tốt,
vì thế thời điểm mà nó đưa ra solution thì bài toán đã thay đổi.
Cái chúng ta cần là một cách đưa ra các decision nhanh và tốt. VD, để xác định
xem “bước kế tiếp”(next hop) cho một gói tin từ node a (đích đến là node d ), chúng ta
có thể chạy mô phỏng mô hình giao thông mạng (network traffic model) ở thời điểm

hiện tại và ước lượng gần đúng thời điểm đến node d với các “bước kế tiếp” hiện tại
của node a. Tuy nhiên, vì thời gian để có thể dựng mô phỏng với phần cứng của bộ
chuyển mạch mạng (network switch) lên đến nhiều giờ nên ý tưởng chạy mô hình mô
phỏng không phù hợp.
Thay vào đó, chúng ta cần một cách khác. Lý tưởng nhất, chúng ta đang tìm một
“hộp đen” (black box), đầu vào là question và các điều kiện hiện tại còn đầu ra là
answer hợp lý và ngay lập tức. VD về “hộp đen”: Bảng định tuyến (Routing table).
Question được hỏi bởi gói tin là: “Tôi muốn đi đến node d, vậy bước tiếp theo tôi nên
đi như thế nào?”. Routing table đưa ra một cách nhanh chóng câu trả lời nhanh chóng
và gửi gói tin đi. Cách làm này về cơ bản là không linh hoạt (non-adaptive). Nếu một
19
số giao thức quản lý mạng tiên tiến (advanced network management protocols) không
hoạt động, routing table luôn đưa ra cùng 1 answer, thậm chí ngay cả khi đường đi đến
d mà nó suggest đang bị tắc nghẽn ở thời điểm hiện tại. Vì thế, hộp đen của chúng ta
phải có khả năng thay đổi để thích hợp với điều kiện hiện tại. Chương 8 và chương 9 sẽ
thảo luận về cách để thực thi vấn đề này liên quan đến routing table trong mạng chuyển
mạch gói.
Đây là sự ước lượng về thần kinh, logic mờ và lý thuyết trò chơi. Vai trò của
ước lượng thần kinh trong hoàn cảnh này là phát triển một mô hình ẩn, mô hình đó
nghiên cứu ( từ ví dụ) để làm thế nào có quyết định đúng đắn trong tập các trường hợp
khác nhau. Kết quả tạo ra sẽ như một mạng lưới thần kinh, sau đó để làm việc trực
tuyến như thế nào thì nhà sản xuất sẽ quyết định. Vai trò của logic mờ là đưa ra cách để
tạo ra các quy định vững chắc, đây là những quy định để ra quyết định. Điều này về cơ
bản là tạo ra cách giải quyết của hộp đen, giống như một mạng lưới thần kinh nhưng
với hoạt động bên trong khác nhau. Cuối cùng lý thuyết trò chơi sẽ đưa ra một cách
nhìn khác, đó là một kịch bản mạng năng động. Về cơ bản, nếu chúng ta xem một số
khía cạnh của quản lý mạng như là một 'trò chơi', một tập hợp các phương trình và các
mô hình được biết đến bắt đầu hoạt động, nó sẽ lần lượt cung cấp những phép tính gần
đúng của mạng năng động thực sự.
1.4.1 Tính toán hệ thần kinh

Viễn thông là một lĩnh vực quan trọng và đang phát triển. Không chỉ vậy, nó còn
cung cấp các dịch vụ cho những lĩnh vực khác nhau của đời sống con người. Hơn nữa
hiện nay tồn tại nhu cầu đối với tập các dịch vụ viễn thông ngày càng mở rộng cùng
với băng thông ngày càng gia tăng. Một công nghệ cụ thể có khả năng cung cấp băng
thông lớn nếu các dịch vụ viễn thông băng thông rộng như trên được áp dụng rộng rãi
đó là các mạng truyền dẫn quang đa bước sóng (Mukherjee, 1977). Tuy nhiên, sự phát
triển của mạng như vậy mang đến cho các nhà khoa học và các kỹ sư hàng loạt những
khó khăn trong bài toán thiết kế và tối ưu.
20
1.4.2 Logic mờ
Trong một số trường hợp chúng ta có thể nghĩ về các quy tắc hợp lệ cho miền giá
trị của vấn đề. Ví dụ, “nếu lưu lượng đông đúc, sử dụng node a’ và ‘nếu lưu lượng rất
đông đúc, sử dụng node b’. Tuy nhiên, những quy luật như vậy không thực sự hữu ích
nếu không có một cách tốt để quyết định rằng “đông đúc” hay “rất đông đúc” thực sự
có ý nghĩa gì. Trong cách tiếp cận hệ thống chuyên gia cổ điển, chúng ta sẽ áp dụng
ngưỡng được xác định trước cho những cái gọi là “biến ngôn ngữ”, và quyết định, ví
dụ, “lưu lượng đông đúc” có nghĩa là việc sử dụng liên kết trong câu hỏi là giữa 70%
và 85%. Điều này có vẻ tốt, nhưng không khó để thấy rằng việc sử dụng 69.5% có thể
là nguyên nhân gây ra các vấn đề; trong một kịch bản như vậy, quy luật có điều kiện là
“lưu lượng trung bình” (có thể là từ 55% đến 70%) sẽ được sử dụng, nhưng nó có thể
thích hợp hơn, và mang lại một kết quả tốt hơn là sử dụng “lưu lượng đông đúc”
Logic mờ cung cấp một cách để sử dụng các biến ngôn ngữ để giải quyết vấn đề
ngưỡng một cách rất tự nhiên và mạnh mẽ. Thực tế, nó gần như loại bỏ nhu cầu
ngưỡng, thay vì giới thiệu những thứ gọi là “các chức năng thành viên”. Chúng ta
không còn có lưu lượng đông đúc hay trung bình. Thay vào đó, một giá trị lưu lượng
nhất định cho lưu lượng ở mức đông đúc và một giá trị cho mức độ trung bình. Các
mức độ phụ thuộc vào các giá trị số thực tế bằng cách các chức năng thành phần,
thường đơn giản là “chức năng hình tam giác”. Ví dụ, mức độ lưu lượng nặng có thể là
0 giữa 0% và 35% sử dụng, sau đó nó có thể tăng lên 1 giữa 35% và 75%, và sau đó lại
giảm xuống 0 giữa 75% và 90%. Chức năng thành phần (membership function) cho

biến ngôn ngữ “rất nặng” sẽ chồng chéo nhau với điều này, bởi vậy một giá trị lưu
lượng 82.5% có thể là ‘nặng’ đến mức 0.5 và ‘rất nặng’ đến mức 0.7.
Với mỗi điều kiện môi trường nhất định, các quy tắc khác nhau sẽ áp dụng những
mức độ khác nhau. Đặc biệt, logic mờ cung cấp nhiều cách để xác định mức độ mà các
quy luật khác nhau được áp dụng khi các thành phần điều kiện trong quy luật liên quan
21
đến nhiều biến ngôn ngữ. Chương 8 sử dụng logic mờ, sẽ thảo luận chi tiết hơn về vấn
đề này.
Sức mạnh chính của logic mờ là chúng ta chỉ cần đảm bảo rằng các chức năng
thành phần là hợp lý. Hệ thống kết quả, với các quyết định phù hợp, hướng tới các biến
thể trong các chức năng thành phần, trong giới hạn hợp lý. Tuy nhiên chúng ta có thể
phải làm một số việc, là xây dựng các nguyên tắc hoạt động. Đây là nơi việc học
‘offline’ đưa ra trong khi chúng ta đang sử dụng logic mờ trong một môi trường thích
nghi. Đôi khi, các thuật toán di truyền có thể được sử dụng cho nhiệm vụ xây dựng một
tập các quy luật tốt.
1.4.3 Lý thuyết trò chơi
Cuối cùng, lý thuyết trò chơi cung cấp một cách khác để nhìn vào các vấn đề phức
tạp, dynamic và liên quan đến giao tiếp, đặc biệt là liên quan đến quản lý mạng và cung
cấp dịch vụ. Xem xét các quá trình ra quyết định phức tạp liên quan trong việc quyết
định những gì để thiết lập cho lời gọi kết nối hoặc cung cấp dịch vụ dữ liệu trong một
môi trường mạng động, liên quan đến cạnh tranh với nhiều nhà cung cấp dịch vụ khác.
1.5 Tổng kết
Phương pháp Heuristic và các kĩ thuật thích hợp được ứng dụng trong rất nhiều
trong viễn thông liên quan tới việc tối ưu. Nó được chia làm 3 phần chính , tương
đương với 3 vấn đề thường gặp. Thứ nhất, đó là vấn đề thiết kế và tổ chức mạng. Trong
thực tế, có rất nhiều hoạt động sử dụng kĩ thuật Heuristic hiện đại, việc thiết kế mạng
sẽ đơn giản với các vấn đề tối ưu do các vấn đề này đã được xác định rõ rang.Điều đó
có nghĩa là Chúng ta có thể tiết kiệm nhiều thời gian và công sức để phát triển 1 kĩ
thuật tối ưu tốt nhờ sử dụng các thuật toán và cơ chế đặc tả. Khi một giải pháp được
thiết kế, nó có thể được thực hiện cài đặt trong vài tuần hoặc vài tháng

Ngược lại, với vấn đề định tuyến và sử dụng giao thức được nói đến trong phần 2,
bao gồm các kĩ thuật tối ưu động gồm 2 vấn đề liên quan đến tối ưu thời gian tiêu
22
thụ.vấn đề chính ở phần này là tập trung vào các phương thức để thực thi và tích hợp
mô hình “hộp đen”. Trong một trường hợp , hộp đen là mạng tự nhiên , trường hợp
khác, nó là tập luật logic mờ hay 1 form được đặc tả trong bảng định tuyến.
Phần 3 xem xét phạm vi vấn đề, bao gồm phần mềm, chiến thuật, phương thức
quản lý lưu lượng. Phát triển phần mềm cũng có nhiều vấn đề trong lĩnh vực viễn
thông tuy nhiên nó cũng cung cấp nhiều giải pháp hợp lý trong việc cung cấp dịch vụ.
Các vấn đề cung cấp dịch vụ, trang bị trong mạng, đều cần tới những ưu điểm và tính
linh động của các phần mềm. Tuy nhiên các phần mềm cần nhiều thời gian để phát
triển. Phần 3 cũng chỉ ra tầm quan trọng của “chiến lược” bang cách xem xét các vấn
đề của việc quản lý 1 mạng động phức tạp. Các vấn đề bao gồm cấp phát dịch vụ ,
quản trị luồng dữ liệu. Trong mỗi trường hợp , một cách tiếp cận dựa vào lý thuyết
game được tích hợp. Cuối cùng, ở phần 3 cũng chỉ ra vẫn đề quản lý băng thông trong
cả mạng cố định và mạng di động.
Chính vì vậy, chúng tôi đã bao quát một phạm vi rộng của các vấn đề tối ưu mạng
viễn thông trong quyển sách này. Chúng tôi đã trình bày một tập các vấn đề cần được
hoàn thiện. Các vấn đề tương tự trong việc kết nối các kĩ thuật lại cũng được nhắc đến.
Việc phát triển các kĩ thuật tính toán đã được tích hợp và cài đặt nhanh chóng trong
lĩnh vực viễn thông.
23
Chương 5: Các vấn đề tối ưu địa chỉ trong quy hoạch mạng lưới với tính
toán tiến hóa
5.1. Giới thiệu
Để phù hợp với sự phát triển nhanh chóng của các mạng viễn thông ngày nay, đã
có sự gia tăng về mức độ phức độ phức tạp của mạng viễn thông. Do đó, hiên nay đã
có sự chấp nhận việc máy tính hỗ trợ cho mô phỏng và các phương pháp phân tích hỗ
trợ chủ yếu cho quản lý các mạng lớn.
Nhớ lại vào những năm 1990, thập kỷ của quá trình tái cấu trúc kinh doanh. Hầu

hết các tổ chức chế tạo truyền thống lớn đã áp dụng một số biện pháp tái cấu trúc nhằm
tăng hiệu quả của toàn bộ hoạt động của họ, dẫn đến việc thành lập các kiến trúc quản
lý phù hợp, các quy hoạch và cơ sở hạ tầng sản xuất tối ưu, giảm nhân công và kiểm
soát chặt chẽ hơn với ngân sách hoạt động và chi tiêu của các dự án quan trọng.
Quá trình tái cấu trúc tương tự hiện nay đang diễn ra trong lĩnh vực viễn thông.
Trong tương lai, thông tin sẽ đảm nhiệm mức độ quan trọng lớn hơn nhiều. Ngày càng
trở nên rõ ràng rằng nhiều doanh nghiệp sẽ đạt được và duy trì lợi thế cạnh tranh bằng
cách liên tục thu thập, phần tích và khai thác dữ liệu hoạt động với cách thức mới và lạ
thường. Các mô hình hệ thống quy mô lớn có thể được tạo ra và tri thức đã tiến hóa để
tạo ra các kiến trúc tôpô gần như tối ưu. Việc phân tích hệ thống mạng vĩ mô có thể
thực hiện được nhờ sự phát triển của các phương pháp heuristic, toán học và trí thông
minh, và sự sẵn có của các máy tính cá nhân hiệu suất cao nhưng giá thành thấp. Các
máy trạm cá nhân ngày nay có thể giải quyết các vấn đề phức tạp bằng cách xử lý một
lượng dữ liệu lớn sử dụng các thuật toán thông minh mới, từ đó cung cấp các giải pháp
tốt hơn và cái nhìn sâu hơn vào các vấn đề của cấu trúc phúc tạp của mạng. Các mục
24
tiêu chính cho các nhà khai thác mạng viễn thông là phát triển các phương pháp luận
sau đây:
Phương pháp quy hoạch tối ưu được yêu cầu để giảm chi phí xây dựng các kiến
trúc mạng mới.
Phân tích tác động là cần thiết để dự đoán tác động của các hệ thống và thành phần
mới sẽ có trong mạng và hoạt động kinh doanh.
Mô hình kinh doanh cần thiết để đánh giá những tác động của việc lựa chọn, cá
nhân và nhóm thay đổi sẽ có khi thực hiện kinh doanh và tổ chức thực hiện.
Phân tích lỗi là cần thiết để xác định và sửa lỗi với sự gián đoạn tối thiểu tới hiệu
suất của mạng.
Chương này sẽ xem xét về vấn đề quy hoạch mạng và phân tích tác động của hệ
thống điện thoại analog (POTS). Trong quá khứ, các thiết kế mạng lưới được thực hiện
chủ yếu bởi người quy hoạch bằng cách sử dụng các phương pháp thủ công đơn giản
hay tự động một phần. Với việc sử dụng các phương pháp này thì năng suất lao động

tương đối thấp. Người quy hoạch, ví dụ, thường dự kiến đưa ra được thiết kế mạng vật
lý trong 3 ngày làm việc. Nói chung, công việc này bao gồm 2 giai đoạn hay giai đoạn
thiết kế được lặp lại nhiều hơn, mỗi giai đoạn chiếm 12 tiếng đồng hồ. Trong hầu hết
các trường hợp, các giải pháp được tạo ra chỉ tối ưu một phần, và do đó chi phí đầu tư
cuối cùng thường cao hơn so với cần thiết. Điều này đã đưa ra một nhu cầu cấp thiết về
các công cụ quy hoạch tự động để xử lý các vấn đề phức tạp và hỗ trợ người thiết kế
mạng.
Henderson (1970) đưa ra một nghiên cứu rất thú vị và ví dụ minh họa. Dự án này
liên quan tới việc lặp đặt mạng SDH quốc gia cho Energis UK. Ông nói rằng, “Xây
dựng mạng lưới bắt đầu trước khi thiết kế hoàn tất. Sự thật là, thiết kế đã không hoàn
thành cho đến một thời gian sau khi mạng lưới được xây dựng và hoạt động! Trong
thực tế việc thực hiện thiết kế và xây dựng song song đang trở nên phổ biến hơn khi áp
25