Tiểu luận TỐI ƯU HÓA MẠNG TRUY NHẬP

Kỹ thuật tối ưu
TỐI ƯU HÓA
MẠNG TRUY NHẬP
MỤC LỤC
Nhóm 6 Page 1
Kỹ thuật tối ưu
CHƯƠNG 1
Giới thiệu kỹ thuật tính toán Heuristic và Adaptive 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 (Hà Lan, 1975 ; Goldberg, 1989),
chiến lược phát triển (Schwefel, 1981; 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.
Nhóm 6 Page 2
Kỹ thuật tối ưu
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.
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
Nhóm 6 Page 3
Kỹ thuật tối ưu
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 lại 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). 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 khái 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
Nhóm 6 Page 4
Kỹ thuật tối ưu
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 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.
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.
Nhóm 6 Page 5
Kỹ thuật tối ưu
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.
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.
Nhóm 6 Page 6
Kỹ thuật tối ưu
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 tối ưu 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 chi phí (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 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
Nhóm 6 Page 7
Kỹ thuật tối ưu
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 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 luyện kim 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 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
Nhóm 6 Page 8
Kỹ thuật tối ưu
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 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 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
Nhóm 6 Page 9
Kỹ thuật tối ưu
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 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 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!
Nhóm 6 Page 10
Kỹ thuật tối ưu
Tái tổ hợp là một phương pháp cung cấp một cách lựa chọn di chuyển phí cục bộ tốt từ
một không gian lớn các khả năng. Ví dụ, nếu 2 nghiệm cha là mỗi vector 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.
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 chia
sẻ tải (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 thuật toán dựa trên dân số,
Nhóm 6 Page 11
Kỹ thuật tối ưu
và trong thực tế, họ thường được gọi là thuật toán tiến hóa (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 các nhu cầu tối ưu hóa vốn có trong môi trường liên tục thay đổi viễn thông,
sử dụng trực tiếp của các kỹ thuật tối ưu hóa địa phương hoặc dân số dựa đôi khi có thể là khá
phù hợp. Điều này có thể bởi vì nó có thể mất quá lâu để hội tụ về một giải pháp tốt , và như vậy
vào thời điểm các giải pháp đến , vấn đề đã thay đổi!
Những gì chúng ta cần thay vì trong bối cảnh này là một cách để đưa ra quyết định rất
nhanh, nhưng rất tốt. Ví dụ, để quyết định những gì là tốt nhất “bước kế tiếp” là cho một gói tin
đến tại nút một với điểm đến d, chúng ta có lẽ có thể chạy một mô phỏng của mạng lưới cho các
mô hình giao thông hiện hành hiện tại và ước tính thời gian đến khả năng tại điểm đến cho cho
bước nhảy tiếp theo có thể. Kết quả của một mô phỏng như vậy sẽ cung cấp cho chúng ta một sự
lựa chọn đầy đủ thông tin, và sau đó chúng tôi có thể gửi các gói dữ liệu phù hợp trên đường.
Bây giờ, nếu chúng ta có thể ở trên trong một vài micro giây, chúng tôi sẽ có một chiến
lược gói tin định tuyến phù hợp và rất có lợi nhuận. Tuy nhiên, vì nó có thể sẽ mất vài giờ để làm

một mô phỏng chính xác bằng cách sử dụng loại sức mạnh xử lý và bộ nhớ thường có sẵn tại
mạng chuyển mạch, trong thực tế nó là một ý tưởng vô lý!
Thay vào đó, chúng ta cần một số cách để đưa ra quyết định tốt một cách nhanh chóng,
nhưng nơi quyết định sẽ bằng cách nào đó có tính đến các hoàn cảnh hiện hành. Lý tưởng nhất,
chúng tôi đang tìm kiếm một “hộp đen” mà khi input với một câu hỏi và một số chỉ tiêu môi
trường, cung cấp một câu trả lời hợp lý và ngay lập tức. Một ví dụ về một hộp đen như là một
bảng định tuyến của các loại thường được tìm thấy trong các mạng chuyển mạch gói. Các câu hỏi
của một gói tin truyền thông là: “Cuối cùng tôi muốn để có được d, vì vậy mà tôi nên đi tiếp
theo?”. Bảng định tuyến, thông qua một tra cứu đơn giản lập chỉ mục của d, rất nhanh chóng
cung cấp một câu trả lời và gửi nó trên đường. Những rắc rối với điều này, tất nhiên, là nó về cơ
bản là không thích nghi. Trừ một số giao thức quản lý mạng tiên tiến đang hoạt động, bảng định
Nhóm 6 Page 12
Kỹ thuật tối ưu
tuyến sẽ luôn luôn cung cấp cho các câu trả lời tương tự, ngay cả khi liên kết trở đi từ đề nghị
bước kế tiếp để lại rất nhiều tắc nghẽn tại thời điểm này. Hộp đen của chúng tôi do đó phải
thường xuyên thay đổi bằng cách nào đó, và thích ứng với các điều kiện hiện hành. Trong thực tế,
chương 8 và chương 9 thảo luận về cách để làm điều này liên quan đến các bảng định tuyến trong
các mạng chuyển mạch gói.
Vì vậy, kỹ thuật thích ứng trong bối cảnh viễn thông có xu hướng liên quan đến các hộp
đen, hoặc các mô hình, mà bằng cách nào đó tìm hiểu và thích ứng với “ẩn” nhưng có thể phản
ứng rất nhanh chóng và thích hợp khi được hỏi cho một quyết định. Trong một số các chương có
liên quan đến thích ứng, các kỹ thuật được sử dụng là những người chúng ta đã thảo luận đã có
trong phần 1.3, nhưng thay đổi một cách thích hợp trong ánh sáng của sự cần thiết phải quyết
định nhanh chóng. Mặc dù vậy, ở những người khác, nhất định kỹ thuật quan trọng khác hiện đại
được sử dụng, mà bây giờ chúng tôi sẽ giới thiệu một thời gian ngắn.
Ví dụ, chúng ta muốn loại bỏ solution s để có lợi cho solution t ít phù hợp hơn, nếu xảy ra
trường hợp s đã có một bản sao trong quần thể còn t là “mới”. Cuối cùng, chúng ta sẽ chỉ ra vài
vấn đề về thuật ngữ. Thực tế, có nhiều thuật toán dựa trên quần thể (population based) (hay còn
gọi là thuật toán tiến hóa (evolutionary algorithms – EAs)). Một thuật ngữ phổ biến khác được sử
dụng là thuật ngữ “thuật toán di truyền” (genetic algorithm), liên quan đến một họ các phương

pháp sử dụng toán tử tái tổ hợp (recombination operator) (Holland, 1965; Goldberg, 1989),
trong khi đó, các họ khác của thuật toán đó lại được gọi là lập trình tiến hóa (evolutionary
programming) (Fogel, 1995) và chiến lược tiến hóa (Bäck, 1996), có xu hướng sử dụng đột biến
một mình (mutable alone). Trong mọi trường hợp, một solution ứng viên được gọi là NST, và các
thành phần của nó được gọi là các gene.
Cái chúng ta cần là một cách đưa ra các decision nhanh và tốt. Ví dụ, 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. Ví dụ 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
Nhóm 6 Page 13
Kỹ thuật tối ưu
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 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
Tính toán hệ thần kinh (Rumelhart và MacClelland năm 1989; Haykin, 1998) về cơ bản là
một kỹ thuật phân loại mô hình, nhưng ngay từ cái nhìn đầu tiên nó đã cho thấy khả năng ứng
dụng rộng rãi hơn. Sức mạnh thực sự của phương pháp này nằm trong thực tế và chúng ta không
cần phải biết cách phân biệt các loại mô hình. Ta cần xây dựng một hệ thống chuyên gia dựa trên
nguyên tắc cổ điển, ví dụ chúng ta cần phải có các quy tắc rồi mới xây dựng thành hệ thống. Nếu
chúng ta sử dụng cách tính toán hệ thần kinh, tuy nhiên một loại đặc biệt của hộp đen được gọi là
“mạng lưới thần kinh” sẽ chủ yếu học các quy tắc cơ bản bằng ví dụ. Một ứng dụng điển hình của
kỹ thuật này là đánh giá rủi ro tín dụng. Các quy tắc là cơ sở ra quyết định về người sẽ hoặc sẽ
không thể là một rủi ro tín dụng, giả định rằng chúng ta bỏ qua trường hợp những người có tài
sản thế chấp cao nhưng lương thấp, nó tương đối phức tạp. Chúng ta có thể đào tạo một mạng
lưới thần kinh để dự đoán rủi ro xấu, tuy nhiên, chỉ đơn giản bằng cách cung cấp một bộ các ví
dụ được biết trước, chẳng hạn như “người p từ vùng r với lương s và nghề y trả cho khoản vay
Nhóm 6 Page 14
Kỹ thuật tối ưu
kích cỡ m; người q với mức lương t và vv. Với p, r, s, vv, như đầu vào, các mạng lưới thần
kinh dần dần tự điều chỉnh trong nội bộ một cách hợp lý để cuối cùng sẽ cho kết quả chính xác
(chỉ khả năng mặc định của khoản vay) và đó chính là những ví dụ đã được đào tạo trước. Đáng
chú ý, và rất hữu ích, chúng ta có thể hi vọng là các mạng lưới thần kinh có thể đưa là các dự
đoán một cách nhanh chóng và tốt khi chúng ta cung cấp thông tin đầu vào mà trước đó chưa có
trong dữ liệu.
Trong nội bộ, một mạng lưới thần kinh là một cấu trúc rất đơn giản; nó chỉ là một tập hợp
các nút (đôi khi được gọi là “tế bào thần kinh nhân tạo”) với các liên kết đầu vào và đầu ra, mỗi
nút trong số đó có cách xử lý khá đơn giản. Nó thêm các số thông qua các liên kết đầu vào của
nó, mỗi trọng số bằng một giá trị mạnh (gọi là trọng lượng) liên quan đến việc liên kết giữa nó

với đối tượng khác, sau đó nó sẽ xử lý tổng hợp và gửi kết quả lên liên kết đầu ra của nó. Với
cách gọi là “feed-forward” mạng lưới thần kinh là một tập hợp các nút như vậy, tổ chức thành
lớp. Vấn đề sẽ được đưa vào lớp đầu tiên, sau đó nó xử lý và kết quả sẽ được đưa vào lớp thứ 2,
và cứ như vậy, mặc dù chúng thường chỉ có 3 lớp. Rõ ràng những con số đi ra ở cuối (kết quả) sẽ
phụ thuộc vào những gì đã đi vào đầu vào, nó liên quan mật thiết và được xác định bởi trọng số
của các liên kết.
Cách cổ điển, đây là một phương pháp gọi là lan truyền ngược (Rumelhart và
MacClelland 1989), nhưng cũng có nhiều phiên bản hiện đại. Trên thực tế, các loại mạng mà
chúng tôi đã mô tả ngắn gọn ở đây chỉ là một trong nhiều loại có sẵn (Haykin 1989), nhưng có rất
nhiều biến thể hiện đại. Trên thực tế, các loại mạng chúng ta đã mô tả một cách ngắn gọn ở đây
chỉ là một trong nhiều loại có sẵn.
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
Nhóm 6 Page 15
Kỹ thuật tối ưu
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 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.
Nhóm 6 Page 16
Kỹ thuật tối ưu
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 ràng. 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 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” bằng 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 gene 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.
Nhóm 6 Page 17
Kỹ thuật tối ưu
CHƯƠNG 7
Tối ưu hóa mạng truy nhập
7.1. Giới thiệu
Mạng truy cập viễn thông là phần của mạng lưới kết nối tổng đài nội hạt cho khách hàng.
Hiện nay hầu hết các mạng truy cập là cáp đồng băng thông thấp. Thông tin liên lạc số đang trở
thành một tính năng thiết yếu của cuộc sống cả ở nhà và tại nơi làm việc. Nhu cầu sử dụng các
ứng dụng đòi hỏi băng thông lớn hơn (chẳng hạn như internet và video theo yêu cầu) tăng dần
đang làm cho cơ sở hạ tầng cáp đồng quá tải. Những yêu cầu này có thể được đáp ứng bằng cách
sử dụng công nghệ cáp quang.
Hiện nay, cáp quang là chủ yếu được sử dụng trong mạng trung gian để cung cấp kết nối

giữa các sàn giao dịch, và để phục vụ khách hàng có yêu cầu băng thông cao. Liên kết trực tiếp
được sử dụng. Trong mạng truy cập, khách hàng thường có yêu cầu băng thông thấp hơn và cũng
đòi hỏi một dịch vụ hiệu quả. Đối với họ, liên kết điểm tới điểm (PTP - Point to point) là không
khả thi và giá các thiết bị trao đổi chuyên dụng rất đắt đỏ. Một mạng lưới dựa trên liên kết điểm-
đa điểm cung cấp một dịch vụ băng thông cao, cùng với việc chia sẻ chi phí thiết bị. Mạng lưới
điểm-đa điểm có thể được tạo ra bằng cách sử dụng sợi quang học và thiết bị tách thụ động.
Chúng được gọi là Passive Optical Networks (PONs).
Với kiến trúc mới này và một môi trường thương mại đang ngày càng cạnh tranh, cần
phải cải thiện phương pháp quy hoạch mạng lưới cung cấp mạng cho hiệu quả và đáng tin cậy.
Hiện nay, phần lớn công việc quy hoạch truy cập mạng diễn ra được thực hiện bằng tay mà có thể
có nghĩa là mạng không phải là chi phí hiệu quả như chúng có thể. Đã có nhiều nỗ lực để sản
xuất các hệ thống tối ưu hóa cấu trúc liên kết mạng lưới đồng, mặc dù họ thường sử dụng nhiều
mô hình mạng đơn giản. Nhiệm vụ thiết kế các mạng quang học là khác biệt đáng kể với các
mạng đồng và không nhiều việc được công khai trong lĩnh vực này. Hầu hết các mạng truy cập
được cài đặt dần dần, theo thời gian, và do đó, một cách tiếp cận năng động để lập kế hoạch cũng
được yêu cầu.
Chương này mô tả một phương pháp để tối ưu hóa chi phí lắp đặt của mạng truy nhập cáp
quang. Kế hoạch sản xuất chỉ định nơi các cột được xây dựng, kích thước các thành phần và khi
nào các cột được lắp đặt. Trong thực tế, hệ thống không giới hạn các mạng cáp quang và có thể
dễ dàng được mở rộng để lên kế hoạch hầu hết các loại mạng. Hai phương pháp tối ưu hóa được
Nhóm 6 Page 18
Kỹ thuật tối ưu
trình bày: thuật toán di truyền và mô phỏng huấn luyện; phương pháp đầu tiên trong số này được
tìm ra có hiệu suất tốt nhất trên các vấn đề được đề cập.
Chương này bắt đầu với một bài thuyết trình của vấn đề quy hoạch mạng lưới bằng cách
mô tả các công nghệ mạng có liên quan và các biến quyết định. Tiếp theo là một đánh giá ngắn
gọn của thuật toán di truyền (GA) và mô phỏng huấn luyện (SA), và mô tả làm thế nào họ có thể
được áp dụng cho thiết kế một mạng; một số kết quả và so sánh sau đó được trình bày. Cuối
cùng, vấn đề bất ổn định trong quá trình lập kế hoạch được thảo luận.
Hình 7.1. Sơ đồ tổng quát của một mạng cáp quang. Nếu các nút chứa các mảnh nối thì nó là một

mạng lưới điểm tới điểm và nếu chúng chứa các mảnh cắt thì nó là một mạng cáp quang thụ động
7.1.1 Kiến trúc mạng truy cập
Kiến trúc khả thi đơn giản nhất của sợi cáp quang dành cho mạng truy nhập là mạng PTP
trong đó mỗi khách hàng có một cặp cáp trao đổi từ tổng đài. Những mạng này vẫn có cấu trúc
liên kết giống với cấu trúc cây nhánh truyền thống (Hình 7.1). Có lợi thế về chi phí trong việc
gộp các sợi vào 1 cáp đơn duy nhất, vì chi phí vật liệu của cáp và lắp đặt. Vì vậy một dây cáp đơn
lớn hơn được chia thành cặp hoặc nhóm các sợi ở điểm đến. Vấn đề này được gọi là bài toán quy
hoạch PTP.
Những bất lợi của các kiến trúc mạng PTP là chi phí hiện nay là quá cao đối với dịch vụ
viễn thông trong nước. Một số lượng lớn các thiết bị trao đổi giá đắt phải được nhân đôi cho mọi
Nhóm 6 Page 19
Kỹ thuật tối ưu
khách hàng (bao gồm cả đầu phát và thu laze). Điều này đã dẫn đến sự phát triển của mạng quang
thụ động (Passive Optical Networks - PONs) (Homung et al. , 1992). Nó cho phép thiết bị dựa
vào tổng đài và một phần lớn chi phí cáp được chia sẻ giữa các khách hàng. Hình 7.1 cho thấy
một sơ đồ của một PON. Các cấu trúc liên kết của mạng dựa trên hai điểm từ xa giữa tổng đài và
khách hàng, các nút chính và phụ, mà tại đó các tín hiệu quang học được chia ra. Các splitter là
thiết bị thụ động và phân chia các tín hiệu trên đầu vào trên sợi đầu ra. Thông thường, splitter có
sẵn với một số hạn chế về tỷ lệ chia: 1:2, 1:4, 1:8, 1:16 và 1:32. Sự suy giảm của splitter là tỷ lệ
thuận với sự phân chia; điều này dẫn đến một hạn chế về kết hợp phân chia cấp độ của các nút
chính và phụ. Hạn chế sử dụng trong các công việc được mô tả trong bài báo này là sản phẩm của
cấp độ phân chia phải bằng 32. Điều này là do có giới hạn suy giảm tối đa và tối thiểu. Ví dụ, nếu
nút chính được chọn là 1:4 thì nút chia phụ phải là 1 × 8. Hạn chế này làm cho quy hoạch mạng
lưới khó khăn hơn đáng kể.
7.1.2 Quy hoạch Mạng truy nhập
Phần này tóm tắt những vấn đề mà quá trình lập kế hoạch truy cập mạng trình bày. Người
ta cho rằng các thông tin ban đầu có sẵn cho một kế hoạch là:
• Vị trí của tổng đài.
• Vị trí của khách hàng tiềm năng.
• Dự báo nhu cầu từ các khách hàng về số lượng các đường truyền theo năm.

Ngoài ra, với mục đích của công việc này, có những thông tin sau liên quan:
• Cơ sở hạ tầng có sẵn.
• Các địa điểm nút tiềm năng.
Có sẵn các kế hoạch lựa chọn các cột và cáp để lắp đặt mạng, và các chi phí liên quan.
Mục đích của kế hoạch là đáp ứng khách hàng và các nhà điều hành mạng, bằng cách sản xuất
một mạng lưới hiệu quả đáng tin cậy. Để đạt được những mục tiêu của kế hoạch phải quyết định
như sau:
• Vị trí nút chính và phụ.
• Khả năng tập trung hoặc kích cỡ của PON splitter .
• Kích thước cáp và các tuyến đường .
• Chuyển giao từ khách hàng đến nút phụ.
• Chuyển giao từ các nút phụ để các nút chính.
Chi phí chính của các chức năng và khó khăn được tóm tắt như sau:
Nhóm 6 Page 20
Kỹ thuật tối ưu
Chi phí lắp đặt ban đầu: được sử dụng để xác định chi phí lắp đặt mạng và không tính
đến chi phí bảo trì mạng lưới. Nó có thể được áp dụng cho cả hai mạng được lắp đặt trong một
ngày (tĩnh) hoặc mạng được dàn ra trong một số năm (động).
Tổng chi phí: là toàn bộ chi phí lắp đặt, vận hành, bảo trì, đào tạo và xử lý nhân viên. Các
vấn đề như bảo trì dựa trên độ tin cậy mạng.
Độ tin cậy gồm 2 khía cạnh:
• Độ tin cậy theo cảm nhận của khách hàng.
• Độ tin cậy tổng thể tính theo kinh nghiệm của nhà điều hành.
Tuy nhiên, nó thường được coi là một hạn chế với một giá trị tối tiểu chấp nhận được.
Suy giảm là một hạn chế kỹ thuật; thiết bị trong mạng sẽ được thiết kế để làm việc trong
một dải cường độ tín hiệu. Nếu cường độ tín hiệu nằm ngoài giới hạn thì hiệu suất mạng sẽ
không thể đoán trước.
Mạng truy cập rất hiếm khi được lắp đặt 1 lần; chúng đang từng bước được lắp đặt để đáp
ứng nhu cầu trong một số năm. Sự chậm trễ trong đầu tư này làm giảm tổng chi phí dự án. Nó
được xem xét tính chất động của vấn đề cho việc lắp đặt mạng lưới thân công suất cao (xem

Minoux -1987). Có rất ít công việc xem xét để tối ưu hóa truy cập mạng, trường hợp ngoại lệ là
Jack et al. (1992) và Shulman và Vachini (1993), người đã mô tả một hệ thống được phát triển tại
GTE để tối ưu hóa mạng lưới truy cáp đồng. Chung cho công việc này là việc sử dụng các giá trị
hiện tại thuần (NPV) là hàm mục tiêu. Nếu một loạt các khoản đầu tư I(1), I(2) I(T) được thực
hiện theo thời gian sau đó NPV (Minoux, 1987):
τ là tỉ lệ hiện thực hóa [0.05 0.15] được quyết định dựa trên điều kiện kinh tế (tỷ lệ hiện thực
hóa là khác nhau, nhưng liên quan đến lãi suất, nó thường được quyết định dựa trên công ty hay
chính sách của chính phủ). NPV được sử dụng để đại diện cho một thực tế là vốn có thể được đầu
tư và do đó giá trị tăng theo thời gian. Nếu vốn được sử dụng để mua phần cứng và sau đó không
cần thiết, thì lãi suất đang bị mất đi. Thay vì đầu tư vào cột bây giờ, số tiền có thể được đầu tư
vào thời điểm khi cột đang thực sự cần thiết. Một yếu tố liên quan có thể được coi là sự mất giá,
trong đó đặc biệt quan trọng khi xem xét đầu tư vào công nghệ mới (như cáp quang). Giá của sản
phẩm mới thường giảm nhanh chóng khi chúng được triển khai rộng rãi hơn. Ngoài ra, tiến bộ
công nghệ trong quá trình sản xuất của sản phẩm cũng có thể dẫn đến giảm giá.
Nhóm 6 Page 21
Kỹ thuật tối ưu
7.1.3 Công nghệ trong quy hoạch mạng
Nhiều công việc trong lĩnh vực này mô tả các vấn đề vị trí bộ tập trung. Vấn đề này
thường liên quan đến vị trí của một số bộ tập trung tại các điểm cuối và phân bổ của khách hàng
tại các điểm này. Bộ tập trung là một thành phần trong trong cáp đồng hoặc quang học ghép các
tín hiệu từ nhiều lượng cáp vào một và ngược lại chia một tín hiệu thành nhiều.
Một cuộc khảo sát ban đầu trong lĩnh vực này được đưa ra bởi Boorstyn và Frank (1977).
Các phương pháp mà họ mô tả dựa trên phân tách vấn đề thành năm vấn đề nhỏ:
1. Số lượng bộ tập trung để cài đặt.
2. Vị trí của bộ tập trung.
3. Kết nối từ tổng đài đến bộ tập trung.
4. Chuyển giao thiết bị đầu cuối đến bộ tập trung.
5. Kết nối từ thiết bị đầu cuối đến bộ tập trung.
Mục 3 và 5 là đơn giản để xác định; kết nối được thực hiện thông qua các tuyến đường
ngắn nhất trong đồ thị. Một giải pháp cho các mục 1, 2 và 4 được trình bày, là dựa trên các thuật

toán phân nhóm của McGregor và Shen (1977). Thuật toán này phân tách các vấn đề thành ba
giai đoạn:
• Phân nhóm thiết bị đầu cuối gần nhau, và thay chúng bởi một nút mới tại tâm của cụm
(một nút COM),
• Phân chia các nút COM vào các tập hợp được cung cấp bởi một bộ tập trung chung,
• Tối ưu hóa tìm kiếm vị trí bộ tập trung.
Tài liệu mô tả các phương pháp tối ưu hóa mạng quang thụ động khá ít. Kiến trúc mạng
này là một phát triển gần đây, mà có lẽ giải thích điều này. Phần lớn việc xuất bản là sản phẩm từ
sự hợp tác giữa trường Đại học Sunderland và Anh Viễn thông Plc. Paul và Tindle (1996), Paul et
al. (1996) và Poon et al. (1997) mô tả hệ thống dựa trên thuật toán di truyền. Đầu tiên tận dụng
các tác nhân thay đổi di truyền và tiếp theo sử dụng một phương pháp tiếp cận di truyền lai dựa
trên đồ thị. Woeste et al. (1996) mô tả một cách tiếp cận tìm kiếmvà Fisher et al. (1996) - một hệ
thống mô phỏng. Công việc được mô tả tập trung vào các vấn đề mạng tĩnh, mà mạng được tối
ưu hóa các chi phí. Tuy nhiên, không bài báo nào cho biết chi tiết của các thuật toán được sử
dụng hoặc dữ liệu hiệu suất chi tiết, do bảo mật thương mại.
Không có công việc nào mô tả cho đến nay được xem là tính chất động của quá trình quy
hoạch mạng lưới. Đặc biệt, ở đây sự quan tâm là các vấn đề về khả năng mở rộng, nơi có cột
đang dần được cài đặt vào hệ thống mạng để đáp ứng nhu cầu (xem Luss (1982) cho một cuộc
Nhóm 6 Page 22
Kỹ thuật tối ưu
thảo luận chung của lĩnh vực mở rộng năng lực). Jack et al. (1992) và Shulman và Vachini (1993)
cả hai mô tả các thuật toán hình thành trên cơ sở của một hệ thống tối ưu hóa NETCAP
TM
phát
triển cho GTE. Các tài liệu mô tả kỹ thuật cho sản xuất kế hoạch mở rộng năng lực cho mạng
lưới tập trung vào nhiều khoảng thời gian. Nó hình thành giống một chương trình số nguyên 0-1,
và tối ưu hóa bằng cách chia nhiệm vụ thành hai vấn đề. Vấn đề đầu tiên (SP1) là một tối ưu hóa
tĩnh dựa trên nhu cầu cuối năm. Vấn đề thứ hai (SP2) xác định khoảng thời gian mà các bộ tập
trung và cáp phải được cài đặt, và kích thước của các thành phần này. Như vậy, để giải quyết
(SP1), cần thiết phải biết chi phí của cột được sử dụng, và thông tin này được xác định bởi (SP2),

(SP1) được tham số hóa bởi một yếu tố được sử dụng để đại diện cho chi phí truyền hình cáp.
Vấn đề tổng thể được giải quyết bằng cách lặp giữa (SP1) và (SP2) như yếu tố này là khác nhau.
7.1.4 Bất ổn trong vấn đề quy hoạch
Theo truyền thống, quy hoạch mạng lưới trong mạng truy cập đã không liên quan nhiều
đến bất ổn. Các nhà cung cấp viễn thông quốc doanh đang ở trong một vị trí độc quyền và tất cả
các khách hàng có thể kết nối thông qua họ. Ngoài ra, các tổ chức này có xu hướng cung cấp 1
đường mà thuận lợi cho họ và không theo yêu cầu của khách hàng. Tình trạng này vẫn còn tồn tại
ở nhiều nơi trên thế giới, nơi thời gian chờ đợi cho một đường dây điện thoại có thể phải mất
nhiều năm.
Tuy nhiên, nhiều quốc gia hiện nay bãi bỏ độc quyền kiểm soát thị trường viễn thông và
cho phép cạnh tranh. Cạnh tranh trong Vương quốc Anh bao gồm các công ty cung cấp dịch vụ
viễn thông cạnh tranh với BT, nhà cung cấp đương nhiệm. Do đó, một nhà cung cấp dịch vụ
không còn có thể đảm bảo rằng khách hàng sẽ sử dụng mạng của họ.
Hơn nữa tồn tại sự bất ổn trong dự báo nhu cầu; một dự đoán được thực hiện khi một
khách hàng yêu cầu dịch vụ. Tuy nhiên, trong thực tế, khách hàng có thể yêu cầu một dịch vụ
sớm hoặc muộn hơn ngày đó.
Powell et al. (1995) xác định năm loại bất ổn có liên quan trong việc quy hoạch mạng lưới:
• Bất ổn trong dự báo nhu cầu.
• Các thành phần / nhân lực không hẳn luôn sẵn sàng.
• Các yếu tố bên ngoài, ví dụ thời tiết.
• Các yếu tố ngẫu nhiên ảnh hưởng đến việc quản lý và hoạt động của mạng, ví dụ như
yếu tố kinh tế
• Sai sót trong dữ liệu được cung cấp cho các mô hình
Nhóm 6 Page 23
Kỹ thuật tối ưu
Lý tưởng nhất, một nhà điều hành mạng muốn xây dựng một mạng lưới hoạt động tốt khi
đối mặt với nhu cầu thay đổi. Thước đo là chi phí trung bình của mạng trên các trường hợp khác
nhau từ nhu cầu. Biện pháp khác sẽ được thu được bằng cách xem xét độ lệch chuẩn của chi phí
trên một tập hợp các kịch bản theo nhu cầu. Số liệu thứ hai này có thể được coi như một thước đo
của chất lượng hay độ bền của một kế hoạch cho hệ thống (Phadke, 1989).

7.2 Phương pháp tiếp cận thuật toán di truyền
Giới thiệu về thuật toán di truyền được cung cấp trong Chương 1. Mục đích của phần này
là giới thiệu các phương pháp được sử dụng trong chương này cho áp dụng chúng vào các vấn đề
lập kế hoạch truy cập mạng.
Một quan niệm sai lầm phổ biến của thuật toán di truyền là chúng rất tốt “bên ngoài hộp”
tối ưu hóa. Đó là, một GA có thể được áp dụng trực tiếp như một optimizer với ít xem xét vấn đề
trong tay. Với các vấn đề khó khăn, không có bằng chứng cho thấy đây là trường hợp và, nói
chung, các đại diện và các nhà khai thác di truyền liên quan phải được lựa chọn cẩn thận cho phù
hợp với vấn đề. Chìa khóa để tạo ra một thuật toán di truyền tốt là tạo ra một đại diện tốt cho bài
toán này, và các nhà vận hành có hiệu quả thao khi làm việc với nó. Hướng trình bày lý tưởng
cho một thuật toán di truyền có một số tính năng:
• Không nên có dư thừa - mỗi điểm trong không gian tìm kiếm vấn đề cần ánh xạ đến một
đại diện di truyền duy nhất. Dư thừa trong các đại diện làm tăng kích thước của không gian tìm
kiếm di truyền và có nghĩa là nhiều gen khác nhau đại diện cho một điểm duy nhất trong không
gian vấn đề sẽ có chung hình dáng.
• Cần tránh đại diện cho các bộ phận của không gian vấn đề mà phá vỡ những hạn chế
hoặc đại diện cho các giải pháp khả thi.
Nếu một đại diện có thể được tìm thấy có thể đáp ứng các tiêu chí này sau đó trở thành
thách thức của việc thiết kế vận hành thích hợp. Phần tiếp theo mô tả lý thuyết Forma, một
phương pháp được thiết kế để giúp đỡ trong quá trình này.
7.2.1 Forma Theory
Một trong những khó khăn của việc áp dụng GA cho một bài toán riêng có thể được tính
toán đơn giản là không tồn tại. Thuyết Forma được phát triển bởi Radcliffe (1994) để thiết kế đại
diện riêng và vận hành thuật toán di truyền cho các thao tác với những đại diện được sinh ra này.
Nó cho phép sự phát triển của vận hành mà nó hoạt động và tôn trọng các đại diện tùy ý. Nó dựa
Nhóm 6 Page 24
Kỹ thuật tối ưu
trên các mối quan hệ tương đương thường thấy để tạo ra các lớp tương đương hoặc các forma;
các forma này thường được sử dụng để đại diện cho tập các cá nhân. Một ví dụ về quan hệ tương
đương là "cùng màu tóc", có thể được sử dụng để phân loại người thành các nhóm. Mỗi nhóm có

các thuộc tính mà tất cả các thành viên đều có màu tóc giống nhau, và những nhóm này có thể
được biểu diễn sử dụng forma như ξblone, ξblack, ξginger
Một khi đại diện đã được phát triển cho một vấn đề là một trong số các nhà khai thác chéo
có thể được lựa chọn. Sự lựa chọn được dựa trên thuộc tính nhất định của các đại diện. Tính chất
quan trọng nhà vận hành chéo là sự tôn trọng, phân loại và truyền tải. Đối với yêu cầu forma
chung cho cả cha mẹ được truyền lại cho tất cả các con. Nếu một người vận hành trưng bày loại
sau đó điều này có nghĩa là nó có thể tạo ra tất cả các kết hợp hợp pháp của forma của cha mẹ.
Cuối cùng, truyền nghĩa là bất kỳ đứa con tạo ra được cấu tạo duy nhất của forma hiện diện trong
cha mẹ. Radcliffe (1994) giới thiệu một số vận hành mỗi triển lãm một số các đặc tính này.
7.2.2 Tìm kiếm Cục bộ
Một cách tiếp cận chung để cải thiện hiệu suất của thuật toán di truyền là kết hợp chúng
với các phương pháp tìm kiếm khác hoặc chẩn đoán. Gần như tất cả các GAs đã cho ra kết quả
tốt với các bài toán khó. Hoạt động cơ bản của các thuật toán là một phép toán tìm kiếm cục bộ
được áp dụng cho mỗi cá nhân ở mỗi thế hệ sau khi lai ghép chéo và đột biến. Một thuật toán tìm
kiếm cục bộ là một trong những, cho điểm hiện tại trong không gian tìm kiếm, khảo sát địa điểm
gần đó mà để di chuyển tìm kiếm. Các thuật toán thường là tham lam trong đó nó sẽ chỉ chấp
nhận di chuyển dẫn đến sự cải thiện trong chi phí của một giải pháp. Tìm kiếm được đảm bảo để
tìm một địa phương tối thiểu, nhưng nếu có nhiều hơn một trong những nó có thể không tìm thấy
mức tối thiểu.
Tên giải thuật memetic được sử dụng để mô tả các thuật toán, và xuất phát từ ý tưởng
Dawkins (1976) rằng con người chúng ta tuyên truyền kiến thức về văn hóa, vì vậy sự thành công
của chúng tôi đi xa hơn di truyền. Ông gọi là các thông tin được truyền từ thế hệ này sang thế hệ
meme. Nó đã được thông qua bởi Moscato và Norman (1992) cho GA sử dụng tìm kiếm địa
phương, vì họ cho rằng trong một ý nghĩa các thuật toán đã được học tập, và sau đó đi qua này
biết được thông tin cho các thế hệ tương lai. Một giới thiệu các thuật toán hiện đại và các ứng
dụng của họ có thể được nhìn thấy trong Moscato (1999).
Nhóm 6 Page 25