ứng dụng thuật toán sinh vật cộng sinh tìm kiếm kết hợp thuật toán bayesian optimization leveling để đưa ra phương án tối ưu chi phí nguồn lực

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH

<b>TRƯỜNG ĐẠI HỌC BÁCH KHOA </b>

NGUYỄN ĐỨC CƠNG MINH

<b>ỨNG DỤNG THUẬT TỐN SINH VẬT CỘNG SINH TÌM KIẾM KẾT HỢP THUẬT TOÁN BAYESIAN OPTIMIZATION LEVELING ĐỂ ĐƯA RA PHƯƠNG </b>

<b>ÁN TỐI ƯU CHI PHÍ NGUỒN LỰC </b>

<b>CHUYÊN NGÀNH: QUẢN LÝ XÂY DỰNG </b>

MÃ SỐ: 8580302

<b>LUẬN VĂN THẠC SĨ </b>

<b>TP.HỒ CHÍ MINH, tháng 01 năm 2024 </b>

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

<b>CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI </b>

<b>TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐHQG TP.HCM </b>

Cán bộ hướng dẫn khoa học:

Cán bộ hướng dẫn 1: PGS. TS PHẠM VŨ HỒNG SƠN chữ ký: Cán bộ hướng dẫn 2: TS. HUỲNH NHẬT MINH chữ ký: Cán bộ chấm nhận xét 1: PGS.TS ĐỖ TIẾN SỸ chữ ký: Cán bộ chấm nhận xét 2: TS. NGUYỄN VĂN TIẾP chữ ký:

Luận văn thạc sĩ được bảo vệ tại Trường Đại Học Bách Khoa, ĐHQG Tp. HCM Ngày 17 tháng 01 năm 2024.

Thành phần Hội đồng đánh giá Luận văn thạc sĩ gồm: 1. Chủ tịch HĐ: PGS.TS LƯƠNG ĐỨC LONG 2. Thư ký HĐ: PGS.TS TRẦN ĐỨC HỌC 3. Ủy viên HĐ: TS. ĐẶNG NGỌC CHÂU 4. Phản biện 1: PGS.TS ĐỖ TIẾN SỸ 5. Phản biện 2: TS. NGUYỄN VĂN TIẾP

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

<b>ĐẠI HỌC QUỐC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA </b>

<b>---oOo--- </b>

<b>CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúc </b>

<b>---oOo--- </b>

<i><b>NHIỆM VỤ LUẬN VĂN THẠC SĨ </b></i>

<i><b>Ngày tháng năm sinh : 17/01/1997 Nơi sinh: TP. Hồ Chí Minh </b></i>

<i><b>II. NHIỆM VỤ LUẬN VĂN: </b></i>

- Đưa ra phương pháp lập tiến độ mới nhằm tối ưu chi phí bằng cách phát triển thuật tốn các sinh vật cộng sinh tìm kiếm.

- Giải quyết vấn đề tối ưu tổng chi phí nguồn lực mà các nghiên cứu trước chưa xử lý: dựa vào việc tối ưu tiến độ bằng thuật toán sinh vật cộng sinh tìm kiếm cho nhiều tiêu chí nguồn lực, kết hợp áp dụng thuật toán Bayesian Optimization Leveling để lựa chọn giá trị tối ưu nhất

- Áp dụng mơ hình tiến độ mới cho mơ hình dự án thực tế tại TPHCM.

<b>3- NGÀY GIAO NHIỆM VỤ: </b>

<i><b>4- NGÀY HOÀN THÀNH NHIỆM VỤ: </b></i>

<b>5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: </b>

Cán bộ hướng dẫn 1: PGS. TS PHẠM VŨ HỒNG SƠN Cán bộ hướng dẫn 2: TS. HUỲNH TRẦN NHẬT MINH

<i><b>TP. HCM, ngày tháng năm 2024 </b></i>

<b>CÁN BỘ HƯỚNG DẪN 1 CÁN BỘ HƯỚNG DẪN 2 CHỦ NHIỆM BỘ MÔN</b>

PGS. TS PHẠM VŨ HỒNG SƠN TS. HUỲNH NHẬT MINH

<i><b>TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG </b></i>

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

<i><b>LỜI CẢM ƠN!!! </b></i>

<i>Để hoàn thành được chương trình Thạc sĩ này, trước hết tơi xin gửi lời cám ơn chân thành đến quý thầy cô của trường Đại Học Bách Khoa TP.HCM, đặc biệt là thầy cô bộ môn Thi công và Quản lý Xây dựng, khoa Kỹ thuật Xây dựng là những người đã trực tiếp truyền đạt kiến thức cho tôi từ lý thuyết đến thực tiễn ngành trong suốt hai năm học qua. </i>

<i>Đồng thời tơi xin bày tỏ lịng biết ơn sâu sắc đến Thầy Phạm Vũ Hồng Sơn và Thầy Huỳnh Nhật Minh đã định hướng và tận tình hướng dẫn tôi trong suốt thời gian thực hiện đề tài. Trên cơ sở những nghiên cứu trước đây của Thầy Phạm Vũ Hồng Sơn và Thầy Huỳnh Nhật Minh cùng với sự tận tình chỉ bảo, đóng góp ý kiến của các Thầy là nền tảng quan trọng để tơi hồn thiện nghiên cứu của mình. </i>

<i>Cuối cùng, cảm ơn các anh em đồng nghiệp, các bạn học khóa QLXD2021 đã chia sẽ kiến thức, kinh nghiệm chun ngành góp phần giúp tơi hồn thành Luận Văn. </i>

<i>Tp. Hồ Chí Minh, ngày tháng năm 2024 Người thực hiện luận văn </i>

<i><b>Nguyễn Đức Công Minh </b></i>

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

<b>TÓM TẮT LUẬN VĂN </b>

Nghiên cứu này đặt ra một vấn đề quan trọng trong lĩnh vực xây dựng, nơi mà mức độ cạnh tranh cao trong việc tối ưu hố chi phí trở thành thách thức với các nhà quản lý xây dựng. Các nhà quản lý dự án đang liên tục tìm kiếm cách để hồn thành dự án một cách nhanh chóng và hiệu quả về chi phí. Nghiên cứu trước đã tập trung vào vấn đề tối ưu hóa cho nguồn lực lao động và đạt được kết quả khả quan, nhưng số lượng cơng tác tương đối ít so với một dự án xây dựng, các nguồn lực khác cũng chưa được nêu lên rõ ràng, cho nên khi tối ưu chi phí sẽ khơng đưa ra được lựa chọn tối ưu do sự chênh lệch về đơn giá của từng nguồn lực, cần phải có cơng cụ chọn lựa để tìm ra mức tối ưu nhất về chi phí cho từng công tác. Để giải quyết vấn đề này, nghiên cứu mới tiếp cận với việc sử dụng thuật toán "Modified Symbiotic Organisms Search" (MSOS). Điều này nhằm mục đích tối ưu hóa chi phí liên quan đến nguồn lực thi công trong dự án xây dựng. Tuy nhiên, để tăng tính hiệu quả và mở rộng nhóm tiêu chí để đưa ra lựa chọn phù hợp nhất, nghiên cứu bổ sung vào MSOS thuật toán Bayesian Optimization Leveling (BOL). BOL giúp lựa chọn kết quả tối ưu nhất của nhiều nhóm tiêu chí dựa trên mức chi phí tối ưu đạt được sau nhiều lần lặp.

Mục tiêu của nghiên cứu là phát triển một mơ hình mới cho việc quản lý chi phí nguồn lực trong dự án xây dựng. Nghiên cứu này không chỉ tập trung vào tối ưu hóa chi phí của một đối tượng riêng lẻ mà còn nhấn mạnh đến sự liên quan và ảnh hưởng của quyết định này đối với toàn bộ q trình thi cơng. Điều này giúp giảm rủi ro chi phí và tối ưu hóa hiệu suất sử dụng nguồn lực.

Nghiên cứu sẽ được kiểm thử trên một dự án xây dựng thực tế để đánh giá và so sánh hiệu suất của MSOS-BOL với các phương pháp khác. Bằng cách này, nghiên cứu hy vọng đưa ra những đóng góp quan trọng cho việc hiểu rõ hơn về cách quản lý chi phí thiết bị trong mơi trường khó khăn của ngành xây dựng và cung cấp một phương pháp tối ưu hóa chi phí thiết bị có thể được áp dụng trong

<i>thực tế. </i>

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

<b>ABSTRACT </b>

This study raises an important issue in the construction industry, where high levels of competition in cost optimization pose a challenge for construction managers. Project managers are constantly seeking ways to complete projects quickly and cost-effectively. Previous research has focused on optimizing labor resources and has yielded promising results, but the scope of work involved in construction projects is relatively large, and other resources have not been clearly outlined. Therefore, when optimizing costs, the lack of clarity regarding each resource's unit rates prevents the identification of the optimal choice. There is a need for decision-making tools to determine the most cost-effective options for each task.

To tackle this issue, the study introduces the use of the "Modified Symbiotic Organisms Search" (MSOS) algorithm. The aim is to optimize costs related to construction resources in building projects. However, to enhance effectiveness and broaden criteria for the most suitable choices, the research supplements the MSOS algorithm with Bayesian Optimization Leveling (BOL). BOL aids in selecting the optimal outcome across multiple criteria based on the achieved optimal cost after several iterations.

The research's objective is to develop a novel model for managing equipment costs in construction projects. This study not only concentrates on optimizing costs for individual entities but also emphasizes the interconnectedness and impact of these decisions on the entire construction process. This helps mitigate cost risks and optimize resource utilization efficiency.

The research will undergo testing on an actual construction project to evaluate and compare the performance of MSOS-BOL with other methods. Through this, the study aspires to provide significant contributions to understanding how to manage equipment costs in the challenging environment of the construction industry and

<i>offer a practical method for optimizing equipment costs. </i>

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

<b>LỜI CAM ĐOAN </b>

Tôi xin cam đoan luận văn: “TỐI ƯU CHI PHÍ NGUỒN LỰC THI CƠNG THEO TIẾN ĐỘ TRONG DỰ ÁN XÂY DỰNG LAI GHÉP THUẬT TOÁN CÁC SINH VẬT CỘNG SINH TÌM KIẾM VÀ THUẬT TỐN BAYESIAN OPTIMIZATION LEVELING” là cơng trình nghiên cứu của tơi. Nội dung nghiên cứu nêu trên là hoàn toàn trung thực.

Tơi xin chịu hồn tồn trách nhiệm về nội dung của luận văn này.

<i>Tp. Hồ Chí Minh, ngày tháng năm 2024 </i>

<b>Người thực hiện luận văn </b>

<b>Nguyễn Đức Công Minh </b>

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

<b>1.4. Phương pháp nghiên cứu ... 5 </b>

<b>1.5. Đóng góp dự kiến của nghiên cứu ... 7 </b>

<b>1.5.1. Về mặt học thuật ... 7 </b>

<b>1.5.2. Về mặt thực tiễn ... 7 </b>

<b>CHƯƠNG II: NGHIÊN CỨU TRƯỚC ĐÂY VỀ TỐI ƯU TÀI NGUYÊN TRONG XÂY DỰNG ... 8 </b>

<b>2.1. Các nghiên cứu trước đây về tối ưu tài nguyên: ... 8 </b>

<b>2.1.1. Các nghiên cứu liên quan đến vấn đề cân bằng tài nguyên ... 8 </b>

<b>2.1.2. Hình thành hàm mục tiêu cho vấn đề cân bằng tài nguyên ... 9 </b>

<b>2.2. Các vấn đề còn tồn tại – hướng phát triển của đề tài ... 11 </b>

<b>CHƯƠNG III: CƠ SỞ LÝ THUYẾT ... 13 </b>

<b>3.1. Tổng quan về thuật toán SOS. ... 13 </b>

<b>3.2. Pha tương trợ - Mutualism phase ... 14 </b>

<b>3.3. Pha cộng sinh (Commensalism phase): ... 14 </b>

<b>3.4. Pha ký sinh – Paratism phase ... 15 </b>

<b>CHƯƠNG IV: KẾT HỢP THUẬT TOÁN MSOS ĐỀ XUẤT VÀ THUẬT TOÁN BOL ĐỂ GIẢI QUYẾT BÀI TOÁN TỐI ƯU ... 16 </b>

<b>4.1. Thuật tốn tìm kiếm các sinh vật cộng sinh sửa đổi đề xuất (MSOS) ... 16 </b>

<b>4.2. Triển khai thực tế của MSOS cho việc cân đối các nguồn lực. ... 18 </b>

<b>4.3. Mô tả về thuật tốn BOL: ... 22 </b>

<b>4.4. Quy trình triển khai thuật toán MSOS kết hợp thuật toán BOL ... 24 </b>

<b>CHƯƠNG V: TRƯỜNG HỢP NGHIÊN CỨU DỰ ÁN THỰC TẾ (DỰ KIẾN)</b> ... 26

<b>5.1. Trường hợp nghiên cứu: ... 26 </b>

<b>5.2. Kết quả nghiên cứu (dự kiến): ... 26 </b>

<b>CHƯƠNG VI: KẾT LUẬN VÀ ĐỊNH HƯỚNG ... 103 </b>

<b>TÀI LIỆU THAM KHẢO ... 104 </b>

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

<b>DANH MỤC CÁC BẢNG BIỂU </b>

Bảng 5.2 Kết quả tối ưu hóa và so sánh với các thuật toán khác 63

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

<b>DANH MỤC CÁC HÌNH ẢNH </b>

Hình 2.1 Biểu đồ Mơmen xoay quanh trục thời gian của nguồn lực 11

Hình 4.2 Flowchart của phương pháp tìm kiếm các hợp chất cộng sinh đã được sửa đổi (MSOS) cho việc cân bằng nguồn lực

20

Hình 4.3 Quy trình triển khai lai ghép thuật tốn MSOS-BOL 25

Hình 5.2 Biểu đồ tương quan tiến độ và nguồn lực chưa tối ưu hoá 92 Hình 5.3 Biểu đồ tương quan tiến độ và nguồn lực tối ưu hố bằng thuật

Hình 5.10 Biểu đồ so sánh hiệu quả tối ưu hoá RDmax, CRV, RVmax 101

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

<b>CHƯƠNG 1: ĐẶT VẤN ĐỀ</b>

<b>1.1. Lý do chọn đề tài </b>

Thị trường xây dựng có tính cạnh tranh cao và đặc thù từng dự án đang ngày càng phức tạp, qua đó tạo ra thách thức cho các nhà quản lý xây dựng trong việc quản lý chi phí, mà đặc biệt là chi phí thiết bị. Các nhà quản lý dự án ln cố gắng tìm cách hồn thành dự án với thời gian ngắn nhất và chi phí thấp nhất. Hầu như, các mơ hình phân tích cân bằng tiến độ hiện tại chỉ tập trung vào giải quyết các dự án có tính chất đơn giản mà khơng xét đến các ràng buộc phức tạp khác giữa các công tác. Trong nghiên cứu trước đây, đề tài “Tối ưu tài nguyên trong dự án xây dựng sử dụng thuật toán sinh vật cộng sinh tìm kiếm” đã giải quyết được vấn đề tối ưu hoá tài nguyên dựa trên việc tối ưu hoá tiến độ, nhưng trên thực tế việc thi cơng và chi phí thi cơng cho thấy nhiều rủi ro phát sinh chi phí nếu khơng có sự cân nhắc và lựa chọn đúng đắn. Cụ thể đối với chi phí nguồn lực thi cơng nếu chỉ tối ưu hố cho một đối tượng nguồn lực nhất định thì khả năng các nguồn lực khác có liên quan sẽ bị ảnh hưởng theo, có thể chi phí sẽ tăng lên do áp lực cho nguồn lực khác nếu như chỉ tập trung vào tối ưu 1 loại công tác, do đó cần cải thiện cơng cụ để ra phương pháp tiến độ tối ưu nhất giúp nhà quản lý dự án đưa ra quyết định phù hợp nhằm tối ưu chi phí.

<i><b>Nhận xét về các nghiên cứu trước đây về “Tối ưu tài nguyên trong dự án xây dựng sử dụng thuật tốn các sinh vật cộng sinh tìm kiếm”: </b></i>

Trong ngành xây dựng, quản lý tài nguyên đang trở thành một yếu tố quan trọng để đảm bảo thành công của dự án. Các nghiên cứu đã khẳng định rằng quản lý tài ngun khơng hiệu quả có thể dẫn đến tăng chi phí vận hành, trễ tiến độ và mất uy tín. Điều này làm tăng sự quan tâm đến việc cân bằng tài nguyên và tìm kiếm các mơ hình tối ưu hóa. Tài ngun xây dựng, bao gồm thiết bị, vật liệu, lao động, kinh nghiệm và chi phí, đã được chứng minh có tác động đáng kể đến hiệu quả và thành công của dự án. Quản lý tài nguyên đúng cách trong giai đoạn lập kế hoạch dự án là một yếu tố quan trọng để đảm bảo sự thành công của công trình (Georgy, 2008).

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

Tuy nhiên, việc chỉ dựa vào sơ đồ mạng để lập kế hoạch tiến độ xây dựng thường dẫn đến sự biến động không hiệu quả và tốn kém cho tài nguyên (El-Rayes và Jun, 2009). Điều này gây khó khăn cho các quản lý xây dựng trong việc điều chỉnh tiến độ để giảm sự biến động và đảm bảo hiệu quả sử dụng tài nguyên.

Để giải quyết vấn đề này, các nghiên cứu đã tìm kiếm các mơ hình tối ưu hóa để cân bằng tài nguyên. Một nghiên cứu của Martinez và Loannou (1993) đã tập trung vào quản lý tài nguyên lao động trong ngành xây dựng. Nghiên cứu này đã nhận thấy rằng nếu không quản lý tài nguyên một cách hiệu quả, có thể dẫn đến việc dự án khơng hồn thành theo tiến độ đã định. Ngồi ra, việc duy trì các tài ngun khơng hoạt động ngay cả khi nhu cầu thấp cũng gây thua lỗ cho các công ty xây dựng.

Với mục tiêu cải thiện quản lý tài nguyên, nghiên cứu này trình bày mơ hình tối ưu hóa mới, được gọi là "Thuật tốn tìm kiếm các sinh vật cộng sinh sửa đổi đề xuất" (MSOS). MSOS đã được phát triển dựa trên tìm kiếm cơ thể đối xứng tiêu chuẩn, nhưng có những cải tiến đáng kể trong giai đoạn ký sinh để giải quyết hiệu quả các vấn đề tối ưu hóa phức tạp. Mơ hình này đã được đánh giá trong một nghiên cứu thực nghiệm, và kết quả cho thấy khả năng tìm ra giải pháp chất lượng tốt hơn so với các mơ hình tối ưu hóa hiện có. Bài nghiên cứu nhấn mạnh tầm quan trọng của việc quản lý tài nguyên hiệu quả trong công ty xây dựng để đạt thành công trên thị trường. Việc quản lý không hiệu quả các tài nguyên có thể dẫn đến tăng chi phí vận hành, trễ tiến độ và mất uy tín. Do đó, việc thực hiện quản lý tài nguyên đúng cách trong giai đoạn lập kế hoạch của dự án là vô cùng quan trọng.

Trong lĩnh vực nghiên cứu, việc cân bằng tài nguyên đã trở thành một chủ đề ngày càng được quan tâm và đối tượng nghiên cứu của nhiều nhà nghiên cứu. Các tác giả Christodoulou et al. (2009) và El-Rayes và Jun (2009) đã tìm hiểu vấn đề này và đưa ra những cơng trình quan trọng trong lĩnh vực này. Mục tiêu chính của việc cân bằng tài nguyên là giảm thiểu biến động và sự không ổn định trong việc sử dụng tài nguyên trong suốt quá trình thực hiện một dự án. Phương pháp này tập trung vào việc giảm thiểu biến

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

động trong hồ sơ tài nguyên bằng cách điều chỉnh các hoạt động không quan trọng ở các vị trí tương ứng, nhằm duy trì lịch trình dự án. Trong lĩnh vực xây dựng, có nhiều phương pháp được áp dụng để giải quyết vấn đề cân bằng tài nguyên, bao gồm phương pháp toán học, phương pháp heuristics và phương pháp metaheuristics.

Phương pháp heuristics hoạt động dựa trên các quy tắc được xác định trước và hiệu quả của chúng phụ thuộc vào từng vấn đề cụ thể và các quy tắc được áp dụng. Tuy nhiên, khơng có đảm bảo cho giải pháp tối ưu nhất trong trường hợp này (Hegazy, 1999). Với những hạn chế của cả phương pháp heuristics và toán học, ngày nay các nhà nghiên cứu đang tăng cường quan tâm đến việc áp dụng phương pháp siêuheuristics để giải quyết vấn đề cân bằng tài nguyên (Geng et al., 2011; Leu et al., 2000; Kaveh et al., 2016). Các thuật toán siêuheuristics, được lấy cảm hứng từ tự nhiên, đã được chứng minh hiệu quả trong lĩnh vực tối ưu hóa trong ngành xây dựng (Cheng et al., 2015; Kaveh, 2017). Các phương pháp này sử dụng quá trình lặp để tiến tới giải pháp tối ưu nhất bằng cách duy trì một tập hợp cá thể khởi tạo ngẫu nhiên. Mặc dù các thuật toán siêuheuristics như thuật toán di truyền (GA) (Goldberg, 1989), tối ưu hóa đàn tử hướng bầy (PSO) (Kennedy và Eberhart, 1995) và tiến hóa độc lập (DE) (Storn và Price, 1997) đã đóng vai trị quan trọng trong lĩnh vực tối ưu hóa, chúng vẫn cịn một số hạn chế. Một trong những thách thức chính là khả năng khai thác và sự hội tụ sớm trong việc xử lý các vấn đề tối ưu hóa phức tạp (Geng et al., 2011). Vì vậy, nhiều nghiên cứu đã tập trung vào cải tiến hiệu suất của các thuật toán này thông qua việc kết hợp chúng (Cheng et al., 2016b; Cheng và Prayogo, 2017; Kaveh và Nasrollahi, 2013; Kaveh và Ilchi Ghazaan, 2018; Prayogo et al., 2018).

Symbiotic Organisms Search (SOS), một thuật tốn tìm kiếm dựa trên quần thể, đã thu hút sự chú ý của cộng đồng nghiên cứu trong những năm gần đây (Cheng và Prayogo, 2014). SOS đã được chứng minh là hiệu quả và hiệu quả trong việc tối ưu hóa tồn cầu cho các vấn đề liên tục, sử dụng ba toán tử lấy cảm hứng từ sự tương hỗ để đảm bảo tìm ra giải pháp tồn cầu tốt nhất (Tran et al., 2016; Cheng et al., 2014; Prayogo et al., 2017).

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

Trong nỗ lực cải tiến hiệu suất của SOS, phiên bản mới của thuật toán đã được đề xuất, gọi là "modified symbiotic organisms search" (MSOS). MSOS sử dụng một cơ chế ký sinh mới và hiệu quả, kết hợp với cơ chế tìm kiếm hàng xóm, để tăng khả năng tìm kiếm và tìm ra giải pháp tốt hơn. Một nghiên cứu trường hợp thực tế về vấn đề cân bằng tài nguyên trong dự án xây dựng được thực hiện để xác minh hiệu suất của MSOS.

Nghiên cứu gần dây nhất của thầy Trần Đức Học và Doddy Prayogo (2018) “Optimization model for construction project resource leveling using a novel modified symbiotic organisms search” trình bày việc tối ưu hoá nguồn lực lao động sử dụng thuật toán MSOS, nghiên cứu đã đưa ra được kết quả ưu việt hơn các thuật toán được nêu trong nghiên cứu. Tuy nhiên, thực tế triển khai dự án cho thấy rằng nguồn lực lao động chỉ là một phần trong các nguồn lực thi công dự án, vậy nên khi tối ưu riêng lẻ 1 cá thể có thể gây áp lực lên các công tác liên quan, chẳng hạn như nguồn lực thiết bị và một số nguồn lực có ảnh hưởng. Do đó cần phải xét đến việc tối ưu cho tổng thể các nguồn lực liên quan cấu thành. Để thực hiện việc này, nghiên cứu sau đây sẽ áp dụng bổ sung thuật toán Bayesian Optimiztion Leveling để chọn ra kết quả tốt nhất dựa trên mức chi phí tối ưu nhất đạt được sau quá trình lặp lại liên tục thuật tốn MSOS.

<b>1.2. Mục tiêu nghiên cứu </b>

Nghiên cứu phát triển phương pháp tối ưu chi phí liên quan đến nguồn lực theo tiến độ bằng thuật toán MSOS-BOL:

(1) Bổ sung dữ liệu và cải tiến phương pháp nghiên cứu từ nghiên cứu cũ “tối ưu tài nguyên bằng thuật toán sinh vật cộng sinh tìm kiếm” cho vấn đề cụ thể là tối ưu chi phí liên quan đến nguồn lực thi công do ảnh hưởng bởi tiến độ.

(2) Đưa ra được mơ hình lập tiến độ mới tối ưu chi phí thiết bị thơng qua việc đánh giá phương thức sử dụng nguồn lực phù hợp để tối ưu chi phí.

(3) Áp dụng trên một casestudy dự án thực tế đã thi công để so sánh kết quả tối ưu của phương pháp nghiên cứu mới.

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

<b>1.3. Phạm vi nghiên cứu </b>

- Phạm vi nghiên cứu của đề tài : kiểm nghiệm tính hiệu quả của phương pháp tiến độ mới; áp dụng cho giai đoạn lập kế hoạch dự án đối với đơn vị Chủ đầu tư, giai đoạn lên kế hoạch thi công để đấu thàu đối với Nhà thầu xây dựng.

- Đối tượng nghiên cứu:

(1) Bài toán tối ưu tài nguyên – tài nguyên thiết bị được xem là tài nguyên được quan tâm trong nghiên cứu này.

(2) Thuật tốn tìm kiếm sinh vật cộng sinh SOS – Thuật tốn tìm kiếm các sinh vật cộgn sinh sửa đổi đề xuất MSOS

<b>1.4. Phương pháp nghiên cứu </b>

Quy trình nghiên cứu của luận văn được thể hiện theo lưu đồ Hình 1.1 Quy trình nghiên cứu.

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

<i>Hình 1.1 Quy trình nghiên cứu kết hợp thuật tốn MSOS-BOL </i>

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

<b>1.5. Đóng góp dự kiến của nghiên cứu 1.5.1. Về mặt học thuật </b>

Thừa hưởng q trình nghiên cứu từ các thuật tốn trước đó, kết hợp thuật tốn MSOS và thuật tốn BOL, đưa ra được mơ hình tối ưu tồn diện hơn cho mục tiêu là nguồn lực thi công của dự án, bao gồm nguồn lực lao động, nguồn lực thiết bị,...

<b>1.5.2. Về mặt thực tiễn </b>

Nghiên cứu này đề xuất một phương pháp mới để tối ưu hóa chi phí dự án xây dựng bằng cách sử dụng thuật tốn MSOS-BOL. Phương pháp này có nhiều ứng dụng thực tế trong ngành xây dựng:

- Giảm chi phí dự án: MSOS-BOL giúp tối ưu hóa việc sử dụng nguồn lực xây dựng, từ đó giảm thiểu chi phí cho các hạng mục như nhân cơng, vật liệu, thiết bị,... Việc tiết kiệm chi phí này mang lại lợi ích to lớn cho cả nhà đầu tư và nhà thầu.

- Cải thiện khả năng cạnh tranh: Trong môi trường cạnh tranh cao của ngành xây dựng, việc áp dụng các phương pháp tiên tiến như MSOS-BOL giúp các doanh nghiệp nâng cao khả năng cạnh tranh. Doanh nghiệp có thể đưa ra mức giá dự thầu cạnh tranh hơn, đồng thời đảm bảo lợi nhuận cho dự án.

- Thúc đẩy ứng dụng công nghệ: Nghiên cứu này góp phần thúc đẩy ứng dụng cơng nghệ vào việc quản lý và tối ưu hóa chi phí dự án xây dựng. Việc áp dụng các thuật toán thông minh như MSOS-BOL giúp nâng cao hiệu quả hoạt động của ngành xây dựng, đồng thời tạo ra những cơng trình chất lượng cao hơn.

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

<b>CHƯƠNG II: NGHIÊN CỨU TRƯỚC ĐÂY VỀ TỐI ƯU TÀI NGUYÊN TRONG XÂY DỰNG </b>

<b>2.1. Các nghiên cứu trước đây về tối ưu tài nguyên: </b>

<b>2.1.1. Các nghiên cứu liên quan đến vấn đề cân bằng tài nguyên </b>

Trong lĩnh vực nghiên cứu, việc cân bằng tài nguyên đã trở thành một chủ đề ngày càng được quan tâm và đối tượng nghiên cứu của nhiều nhà nghiên cứu. Các tác giả Christodoulou et al. (2009) và El-Rayes và Jun (2009) đã tìm hiểu vấn đề này và đưa ra những cơng trình quan trọng trong lĩnh vực này. Mục tiêu chính của việc cân bằng tài nguyên là giảm thiểu biến động và sự không ổn định trong việc sử dụng tài nguyên trong suốt quá trình thực hiện một dự án. Phương pháp này tập trung vào việc giảm thiểu biến động trong hồ sơ tài nguyên bằng cách điều chỉnh các hoạt động khơng quan trọng ở các vị trí tương ứng, nhằm duy trì lịch trình dự án. Trong lĩnh vực xây dựng, có nhiều phương pháp được áp dụng để giải quyết vấn đề cân bằng tài nguyên, bao gồm phương pháp toán học, phương pháp heuristics và phương pháp metaheuristics.

Phương pháp heuristics hoạt động dựa trên các quy tắc được xác định trước và hiệu quả của chúng phụ thuộc vào từng vấn đề cụ thể và các quy tắc được áp dụng. Tuy nhiên, khơng có đảm bảo cho giải pháp tối ưu nhất trong trường hợp này (Hegazy, 1999).

Với những hạn chế của cả phương pháp heuristics và toán học, ngày nay các nhà nghiên cứu đang tăng cường quan tâm đến việc áp dụng phương pháp siêuheuristics để giải quyết vấn đề cân bằng tài nguyên (Geng et al., 2011; Leu et al., 2000; Kaveh et al., 2016). Các thuật toán siêuheuristics, được lấy cảm hứng từ tự nhiên, đã được chứng minh hiệu quả trong lĩnh vực tối ưu hóa trong ngành xây dựng (Cheng et al., 2015; Kaveh, 2017). Các phương pháp này sử dụng quá trình lặp để tiến tới giải pháp tối ưu nhất bằng cách duy trì một tập hợp cá thể khởi tạo ngẫu nhiên. Mặc dù các thuật toán siêuheuristics như thuật toán di truyền (GA) (Goldberg, 1989), tối ưu hóa đàn tử hướng bầy (PSO) (Kennedy và Eberhart, 1995) và tiến hóa độc lập (DE) (Storn và Price, 1997) đã đóng

</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">

vai trị quan trọng trong lĩnh vực tối ưu hóa, chúng vẫn còn một số hạn chế. Một trong những thách thức chính là khả năng khai thác và sự hội tụ sớm trong việc xử lý các vấn đề tối ưu hóa phức tạp (Geng et al., 2011). Vì vậy, nhiều nghiên cứu đã tập trung vào cải tiến hiệu suất của các thuật tốn này thơng qua việc kết hợp chúng (Cheng et al., 2016b; Cheng và Prayogo, 2017; Kaveh và Nasrollahi, 2013; Kaveh và Ilchi Ghazaan, 2018; Prayogo et al., 2018).

<b>2.1.2. Hình thành hàm mục tiêu cho vấn đề cân bằng tài nguyên </b>

Mục tiêu của việc tìm giải pháp cho vấn đề cân bằng tài nguyên là giảm yêu cầu về tài nguyên đỉnh cao và tiêu thụ hàng ngày của tài nguyên đó trong khoảng thời gian dự án và với giả định rằng có sẵn một số lượng tài ngun khơng giới hạn. Nghiên cứu này xem xét cân bằng tài nguyên như một vấn đề tối ưu hóa. Ở đây, hàm mục tiêu sau được tối thiểu hóa như sau (Hegazy 1999):

trong đó T là thời gian dự án, y

<small>i</small>

đại diện cho yêu cầu tài nguyên của tất cả các hoạt động được thực hiện tại đơn vị thời gian i, và y

<small>u</small>

là một mức tài nguyên đồng đều được cung cấp bởi:

Son và Skibniewski (1999) đề xuất một công thức mới cho hàm mục tiêu như sau:

</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">

Trong đó, y

<small>u</small>

và là các hằng số vì tỷ lệ tài nguyên và thời gian hoạt động cho mỗi hoạt động đã được cố định. Do đó, phương trình sau đây biểu thị hàm mục tiêu:

Nhìn chung, dựa trên Hình 1 và các tài liệu liên quan (Hegazy, 1999), ta có thể nhận thấy rằng Phương trình (4) biểu diễn giá trị nhỏ nhất trên biểu đồ tài nguyên theo trục thời gian. Ngoài ra, hàm mục tiêu của vấn đề cân bằng tài nguyên cần được điều chỉnh do quá trình tối ưu hóa có thể tạo ra các cột mốc tiến độ khác nhau. Thêm vào đó, giá trị của hàm mục tiêu có thể giống nhau, nhưng biến động tài nguyên có thể khác nhau. Do đó, rất quan trọng phải xem xét sự chênh lệch giữa đỉnh nhu cầu tài nguyên và tiêu thụ tài nguyên trong các khoảng thời gian liên tiếp.

</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">

<i>Hình 2.1 Biểu đồ Mơmen xoay quanh trục thời gian của nguồn lực [41] </i>

<b>2.2. Các vấn đề còn tồn tại – hướng phát triển của đề tài </b>

Trong lĩnh vực quản lý xây dựng, việc lập kế hoạch tài nguyên được xem là một vấn đề quan trọng và được xem xét một cách cận kề. Trong đó, việc cân bằng tài nguyên là một trong những vấn đề lớn do tính phức tạp của nó (Hegazy, 1999). Mặc dù đã sử dụng mơ hình tốn học để cố gắng giải quyết vấn đề này (Easa, 1989), nhưng mơ hình này khơng thể đáp ứng các vấn đề phức tạp và quy mô lớn trong thực tế. Do đó, các quy tắc heuristics đã được áp dụng để giải quyết tính phức tạp của việc cân bằng tài nguyên (Martinez và Loannou, 1993). Tuy nhiên, có vẻ như phương pháp này chỉ hoạt động để giải quyết một số vấn đề cụ thể. Quy tắc heuristics không luôn đảm bảo tìm được giải pháp, điều này

</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">

thực sự là một vấn đề đối với một số người thực hành. Do đó, những hiểu biết này thúc đẩy các nhà nghiên cứu tìm ra các kỹ thuật hiện đại khác.

Các thuật toán metaheuristic, nhằm tìm kiếm giải pháp cho các vấn đề cụ thể, đã được áp dụng trong lĩnh vực xây dựng (Geng et al. 2011; Leu et al. 2000). Trong thập kỷ qua, đã có nhiều nghiên cứu được đề xuất để nghiên cứu hiệu suất của các thuật toán tối ưu hóa metaheuristic trong việc giải quyết các vấn đề cân bằng tài nguyên khác nhau trong dự án xây dựng. Trong một nỗ lực đầu tiên, Hegazy (1999) đề xuất một thuật tốn di truyền (GA) để giải quyết mơ hình cân bằng tài nguyên dựa trên moment tối thiểu của biểu đồ tài nguyên. Son và Skibniewski (1999) phát triển một mơ hình kết hợp tìm kiếm gia nhiệt giả lập (SA) để tìm ra giải pháp tốt nhất cho các vấn đề cân bằng tài nguyên đã cho. Để giảm thiểu tổng sai số tuyệt đối giữa mỗi lượng tài nguyên và lượng trung bình, Leu et al. (2000) sử dụng một thuật toán di truyền (GA) và giới thiệu thêm một nguyên mẫu hệ thống hỗ trợ quyết định cho cân bằng tài nguyên. Khanzadi et al. (2016) áp dụng các thuật toán mới phát triển - tối ưu hóa sự va chạm giữa các vật thể (CBO) và tìm kiếm hệ thống điện tích (CSS) - để đồng thời giải quyết các vấn đề phân bổ tài nguyên và cân bằng tài nguyên. Gần đây, Cheng et al. (2016a) áp dụng thuật tốn tìm kiếm sinh vật cộng sinh tiềm năng (SOS) để giải quyết các vấn đề cân bằng tài nguyên đa nguồn lực trong nhiều dự án xây dựng. Mặc dù đã có một số thuật tốn metaheuristic được áp dụng thành cơng trong việc giải quyết các vấn đề cân bằng tài nguyên trong quá khứ, vẫn cần cải thiện về chất lượng và hiệu suất của giải pháp, đặc biệt khi vấn đề trở nên phức tạp hơn.

</div><span class="text_page_counter">Trang 23</span><div class="page_container" data-page="23">

<b>CHƯƠNG III: CƠ SỞ LÝ THUYẾT </b>

<b>3.1. Tổng quan về thuật tốn SOS. </b>

Thuật tốn tìm kiếm sinh vật cộng sinh tiềm năng (SOS) SOS là một thuật toán metaheuristic dựa trên quần thể được đề xuất bởi Cheng và Prayogo (Cheng và Prayogo 2014) và được thiết kế cho tối ưu hóa liên tục. Trong thuật toán SOS, ba pha (lấy cảm hứng từ tương tác cộng sinh) được thực hiện để đưa một quần thể (hệ sinh thái) các giải pháp ứng cử viên (các sinh vật) đến vùng tối ưu toàn cầu trong khơng gian tìm kiếm. Pha tương trợ, pha cộng sinh và pha ký sinh là ba pha tương tác cộng sinh mà SOS sử dụng để điều chỉnh các giải pháp ứng cử viên. Dự kiến rằng việc mô phỏng tương tác cộng sinh qua các thế hệ liên tiếp cải thiện giá trị thích nghi của các sinh vật.

Mỗi giai đoạn bao gồm hai toán tử, gọi là "toán tử tương tác" và "toán tử lựa chọn". Cơ bản, toán tử tương tác trong mỗi giai đoạn dựa trên sự kết hợp tuyến tính của hai hoặc nhiều vector giải pháp/sinh vật khác nhau. Toán tử tương tác đóng vai trị quan trọng trong việc cập nhật các giải pháp. Trong khi đó, tốn tử lựa chọn được sử dụng như một cơ chế để bảo tồn các giải pháp tốt nhất có thể cho thế hệ tiếp theo. Mỗi giai đoạn tạo ra một hoặc nhiều vector "con" cạnh tranh với vector "cha" trong quá trình lựa chọn. SOS sử dụng phương pháp lựa chọn tham lam, trong đó giá trị thích nghi tốt hơn được coi là tiêu chí duy nhất trong q trình lựa chọn. Do đó, nếu vector "con" có thể đạt được giá trị hàm mục tiêu thấp hơn so với vector "cha", thì vector "con" sẽ thay thế vector "cha" (xem hình 2).

</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">

<i>Hình 3.1 Lựa chọn dựa trên tiêu chí tham lam [41] </i>

<b>3.2. Pha tương trợ - Mutualism phase </b>

<i><b>• Tốn tử tương trợ – Interaction operator: </b></i>

<i><b>• Lựa chọn tốn tử – Selection operator: </b></i>

Trong đó x

<small>i</small>

là vector cơ quan thứ i của hệ sinh thái, x

<small>ii</small>

là vector cơ quan thứ ii của hệ sinh thái với ii ≠ i, x

<small>best</small>

đại diện cho cơ quan tốt nhất trong thế hệ hiện tại, x

<small>i new</small>

và x

<small>ii new</small>

đại diện cho các giải pháp ứng viên cho x

<small>i</small>

và x

<small>ii</small>

sau khi tương tác, tương ứng, f(x

<small>i</small>

) là giá trị thích nghi của x

<small>i</small>

, f(x

<small>ii</small>

) là giá trị thích nghi của x

<small>ii</small>

, f(x

<small>ii new</small>

) là giá trị thích nghi của x

<small>i new</small>

và f(x

<small>ii new</small>

) là giá trị thích nghi của x

<small>ii new</small>

.

<b>3.3. Pha cộng sinh (Commensalism phase): </b>

</div><span class="text_page_counter">Trang 25</span><div class="page_container" data-page="25">

<i><b>• Tốn tử tương trợ – Interaction operator: </b></i>

<i><b>• Lựa chọn tốn tử – Selection operator: </b></i>

Trong đó, x

<small>i</small>

đại diện cho vector của sinh vật thứ i trong hệ sinh thái, xii đại diện cho vector của sinh vật thứ ii trong hệ sinh thái với ii ≠ i, x

<small>best</small>

biểu thị cho sinh vật tốt nhất trong thế hệ hiện tại, và x

<small>i new</small>

đại diện cho các giải pháp ứng viên cho x

<small>i</small>

. sau khi tương tác, f(xi) là giá trị thích nghi của xi, và f(xi new) là giá trị thích nghi của xi new.

<b>3.4. Pha ký sinh – Paratism phase </b>

<i><b>• Tốn tử tương trợ – Interaction operator: </b></i>

<i><b>• Lựa chọn toán tử – Selection operator: </b></i>

</div><span class="text_page_counter">Trang 26</span><div class="page_container" data-page="26">

trong đó x

<small>i</small>

là vector tổ chức số học thứ i của hệ sinh thái, x

<small>ii</small>

là vector tổ chức số học thứ ii của hệ sinh thái trong đó ii = i, x

<small>parasite</small>

là tổ chức giả tạo đóng vai trị kẻ thù được tạo ra để cạnh tranh với tổ chức chủ x

<small>ii</small>

, x

<small>i new </small>

đại diện cho các giải pháp ứng viên cho xi sau quá trình tương tác, f(x

<small>ii</small>

) là giá trị thích nghi của x

<small>ii</small>

, f(x

<small>parasite</small>

) là giá trị thích nghi của x

<small>parasite</small>

, và UB và LB là giới hạn trên và dưới của bài tốn, tương ứng.

Khi tiêu chí dừng đã được đáp ứng, q trình tối ưu hóa được coi là hồn tất. Người dùng có thể quy định tiêu chí dừng này, thường được xác định là số lần lặp tối đa (maxIter). Khi q trình hồn tất, người dùng sẽ thấy được giải pháp tốt nhất cho vấn đề.

<b>CHƯƠNG IV: KẾT HỢP THUẬT TOÁN MSOS ĐỀ XUẤT VÀ THUẬT TOÁN BOL ĐỂ GIẢI QUYẾT BÀI TOÁN TỐI ƯU </b>

<b>4.1. Thuật tốn tìm kiếm các sinh vật cộng sinh sửa đổi đề xuất (MSOS) </b>

Trong phần này, thuật toán MSOS được đề xuất được mô tả chi tiết. Nhận thấy rằng thuật toán của chúng tôi được phát triển dựa trên SOS tiêu chuẩn (Cheng và Prayogo 2014) [1] với công thức sửa đổi của giai đoạn parasitism. Tìm kiếm cục bộ đã chứng minh thành công trong việc cải thiện kết quả của các thuật toán meta-heuristic (Yu et al. 2017). Trong những nghiên cứu đó, giai đoạn cải thiện tìm kiếm cục bộ sử dụng nhiều tốn tử hàng xóm để tăng chất lượng của giải pháp để thu được giá trị hàm mục tiêu tốt hơn [1]

<b>Các sửa đổi trong giai đoạn ký sinh: </b>

Trong giai đoạn này, x

<small>parasite</small>

được tạo ra từ x

<small>i</small>

. Trong tình huống này, x

<small>si </small>

sẽ được lựa chọn từ giữa x

<small>i</small>

và x

<small>ii</small>

. Trong giai đoạn ký sinh mới này, phương trình (14) được đề xuất để nâng cao khả năng tìm kiếm cục bộ. Toán tử lựa chọn được cập nhật theo khái niệm crowding thích ứng được đề xuất

• <i><b>Tốn tử tương tác: </b></i>

</div><span class="text_page_counter">Trang 27</span><div class="page_container" data-page="27">

• <i><b>Tốn tử lựa chọn: </b></i>

Trong đó, x

<small>i</small>

đại diện cho vector sinh vật thứ i trong hệ sinh thái, xii đại diện cho vector sinh vật thứ ii trong hệ sinh thái với ii ≠ i. x

<small>parasite</small>

là sinh vật ký sinh nhân tạo được tạo ra để cạnh tranh với sinh vật chủ x

<small>si</small>

, x

<small>si</small>

đại diện cho cha mẹ tương tự nhất đối với x

<small>parasite</small>

, f(x

<small>si</small>

) là giá trị thích nghi của x

<small>si</small>

, f(x

<small>parasite</small>

) là giá trị thích nghi của x

<small>parasite</small>

, UB và LB tương ứng là giới hạn trên và giới hạn dưới của vấn đề, và F là một hệ số tỷ lệ để xác định kích thước đột biến với giá trị khởi tạo ban đầu là 10

<small>-5</small>

.

• <i><b>Tốn tử lựa chọn dựa trên cụm </b></i>

Như đã được trình bày trước đó trong Phương trình (15), nghiên cứu này đề xuất thay thế toán tử lựa chọn gốc trong SOS bằng toán tử lựa chọn dựa trên cụm (Jong 1975; Mahfoud 1995). Quá trình lựa chọn mới được đề xuất nhằm làm chậm quá trình hội tụ và bảo tồn sự đa dạng của quần thể. Hiệu quả của nó trong việc xử lý các vấn đề tối ưu hóa đa chế độ nhằm định vị đồng thời nhiều giải pháp toàn cầu tối ưu hoặc tối ưu phụ đã được chứng minh (Das et al. 2011). Nhìn chung, khi xem xét chính sách thay thế trong quá trình xếp chồng, một giải pháp ứng cử viên (vector con cái) và phụ huynh tương tự

</div><span class="text_page_counter">Trang 28</span><div class="page_container" data-page="28">

nhất cạnh tranh để có một vị trí trong quần thể (Mahfoud 1995). Độ tương tự được đo bằng cách sử dụng khoảng cách Euclidean.

Nếu một vector con cái tốt hơn phụ huynh tương tự nhất, mà không nhất thiết phải là vector phụ huynh trực tiếp, thì phụ huynh sẽ được thay thế; ngược lại, giải pháp ứng cử viên sẽ bị loại bỏ (xem Hình 3). Do đó, ngồi giá trị thích ứng, toán tử lựa chọn dựa trên cụm xem xét sự tương tự của cá thể dưới dạng khoảng cách giữa chúng. Thuật toán ưu tiên sự cạnh tranh giữa các cá thể tương tự và duy trì sự đa dạng của quần thể. Quá trình lựa chọn này giúp thuật tốn khám phá khơng gian tìm kiếm một cách tồn diện. Mặt khác, việc duy trì tốn tử lựa chọn tham lam truyền thống trong các giai đoạn cộng sinh và cộng sinh bình đẳng trước đó nhằm khai thác các giải pháp đã tìm thấy hiện tại cũng rất có lợi.

<b>4.2. Triển khai thực tế của MSOS cho việc cân đối các nguồn lực. </b>

Phần này mô tả mơ hình tối ưu hóa đề xuất trong việc giải quyết vấn đề cân đối nguồn lực như được hiển thị trong Hình 4. Mục tiêu của mơ hình tối ưu hóa này là giảm thiểu biến động hàng ngày trong việc sử dụng nguồn lực mà không làm thay đổi tổng thời gian dự án. Vấn đề cân đối nguồn lực trong các dự án xây dựng được chứng minh là phức tạp vì cảnh quan hàm mục tiêu có thể chứa nhiều giải pháp tối ưu phụ (Cheng et al. 2017; Geng et al. 2011). Hơn nữa, có thể có nhiều giải pháp lập lịch có các hồ sơ nguồn lực giống nhau (Christodoulou et al. 2009). Do đó, vấn đề cân đối nguồn lực được chứng minh là phức tạp và đa chế độ. Vì vậy, MSOS đề xuất có thể cung cấp một lựa chọn tiềm năng để giải quyết vấn đề hiện tại.

Cân đối nguồn lực được thực hiện bằng cách giảm thiểu biến động giữa mức đồng nhất mong muốn của nguồn lực và yêu cầu nguồn lực. Quan hệ hoạt động, yêu cầu nguồn lực và thời gian hoạt động cần được bao gồm trong mơ hình. Người dùng cũng phải chỉ định cài đặt thơng số của cơng cụ tìm kiếm như kích thước quần thể (NP) và số lần lặp tối đa (maxIter). Các thông số này cho phép thành phần lập lịch thực hiện tính tốn để đạt được

</div><span class="text_page_counter">Trang 29</span><div class="page_container" data-page="29">

lịch trình dựa trên phương pháp đường dẫn quan trọng (CPM), và thời gian bắt đầu sớm và muộn của mỗi hoạt động. Khi tất cả thơng tin đã được cung cấp, mơ hình có thể hoạt động hiệu quả mà không cần sự can thiệp của con người. Một loại giải pháp có thể được tạo ra bằng trình tạo số ngẫu nhiên đồng nhất được yêu cầu để bắt đầu quá trình tìm kiếm. Một vector với D

trong đó D đại diện cho số lượng biến quyết định liên quan đến vấn đề. Nó cũng chỉ ra số lượng hoạt động trong mạng dự án. Chỉ số i tham chiếu đến cá nhân thứ i trong quần thể. X đại diện cho thời gian bắt đầu của D hoạt động. SOS hoạt động trên các biến giá trị thực để thay đổi thời gian bắt đầu thành các giá trị nguyên cho miền khả thi.

trong đó X

<small>i,j</small>

<i> biểu thị thời gian bắt đầu của hoạt động j trong cá nhân thứ i. rand(0,1) là </i>

một số ngẫu nhiên phân phối đều trong khoảng từ 0 đến 1. LB(j) và UB(j) cung cấp thời gian bắt đầu sớm và thời gian bắt đầu muộn của hoạt động j. Để tìm lịch trình dự án tối ưu nhất, SOS xem xét kết quả từ thành phần lập lịch và sự thay đổi trong các hoạt động không quan trọng trong khoảng thời gian trôi để tìm lịch trình dự án tốt nhất có thể.

</div><span class="text_page_counter">Trang 30</span><div class="page_container" data-page="30">

<i>Hình 4.1 Lựa chọn dựa trên nguyên tắc chen lấn[41]</i>

<i>Hình 4.2: Flowchart của phương pháp tìm kiếm các hợp chất cộng sinh đã được sửa đổi (MSOS) cho việc cân bằng nguồn lực [41] </i>

<b>Bảng 4.1 Các chỉ số đo lường hiệu suất </b>

</div><span class="text_page_counter">Trang 32</span><div class="page_container" data-page="32">

toàn bộ dự án. ST

<small>i</small>

là thời gian bắt đầu của hoạt động i. Cả ES

<small>i</small>

và TF

<small>i</small>

đều đại diện cho thời gian bắt đầu sớm và tổng thời gian trôi chảy của hoạt động i tương ứng. D là số lượng hoạt động trong mạng lưới.

Sau khi quá trình tìm kiếm kết thúc, một giải pháp tối ưu được xác định. Lịch trình dự án và biểu đồ tài nguyên tương ứng được xây dựng dựa trên thời gian bắt đầu của các hoạt động tối ưu. Người dùng có thể đánh giá chất lượng lịch trình dự án bằng cách sử dụng một tập hợp các chỉ số (xem Bảng 1).

<b>4.3. Mơ tả về thuật tốn BOL (Marco Laumanns and Jiri Ocenasek 2002) : </b>

Trong q trình thiết kế thuật tốn Tối Ưu Hóa Bayesian (BOA) đa mục tiêu, một số khía cạnh quan trọng phải được xem xét, một số do sự tồn tại của nhiều mục tiêu, một số khác từ sự cần thiết của các kỹ thuật xây dựng mơ hình xác suất. Các thử nghiệm sơ bộ với chiến lược (μ + λ) đơn giản và việc gán fitness dựa trên mức độ chiếm ưu thế đã chỉ ra rằng sự mở rộng đơn giản cho tối ưu hóa đa mục tiêu dẫn đến hiệu suất kém. Quần thể có khả năng hội tụ vào một khu vực "dễ tìm thấy" của tập Pareto, gây ra các giải pháp trùng lặp một cách lặp đi lặp lại. Sự mất mát đa dạng này dẫn đến sự xấp xỉ khơng đủ của tập Pareto và đặc biệt có hại cho việc xây dựng mơ hình xác suất hữu ích. Do đó, các yêu cầu thiết kế sau đây là quan trọng:

1. Elitism (Ưu tú): Để ngăn chặn vấn đề tồi tệ dần dần và tạo điều kiện cho sự hội tụ vào tập Pareto.

2. Bảo dưỡng sự đa dạng trong không gian mục tiêu: Đảm bảo một sự xấp xỉ mạnh mẽ của toàn bộ tập Pareto.

3. Bảo dưỡng sự đa dạng trong không gian quyết định: Ngăn chặn sự trùng lặp và cung cấp đủ thông tin để xây dựng một mơ hình xác suất hữu ích.

Thuật tốn được đề xuất, được mơ tả trong Các Thuật tốn 1 và 2, giải quyết những yêu cầu thiết kế này. Nó tích hợp các cơ chế cho ưu tú, bảo dưỡng sự đa dạng cả trong

</div><span class="text_page_counter">Trang 33</span><div class="page_container" data-page="33">

không gian mục tiêu và không gian quyết định, và tận dụng các mơ hình xác suất để cải thiện hiệu suất tối ưu hóa đa mục tiêu. Thuật tốn điều chỉnh động bộ cha mẹ, thúc đẩy sự hội tụ vào tập Pareto trong khi duy trì đa dạng quan trọng cho độ chính xác của mơ hình.

<b>Thuật Tốn 1: Chọn(A, P, μ, ∈) Thuật toán này cập nhật một cách chọn lọc bộ cha </b>

mẹ A dựa trên các giải pháp ứng cử P, tuân theo các tiêu chí xác định cho sự đa dạng và ưu tú

Đầu vào: tập cha mẹ cũ A, tập ứng cử viên P , kích thước tối thiểu μ, hệ số gần đúng ∈

Đầu ra: tập cha mẹ mới A′

Cho tất cả x ∈ P ta có:

<b>Thuật Toán 2: (μ + λ, ∈)-BMOA </b>

</div><span class="text_page_counter">Trang 34</span><div class="page_container" data-page="34">

<b>4.4. Quy trình triển khai thuật tốn MSOS kết hợp thuật tốn BOL </b>

</div><span class="text_page_counter">Trang 35</span><div class="page_container" data-page="35">

<i>Hình 4.3 Quy trình triển khai lai ghép thuật tốn MSOS-BOL </i>

</div><span class="text_page_counter">Trang 36</span><div class="page_container" data-page="36">

<b>CHƯƠNG V: TRƯỜNG HỢP NGHIÊN CỨU DỰ ÁN THỰC TẾ </b>

<b>5.1. Trường hợp nghiên cứu: </b>

Dữ liệu cần để nghiên cứu:

- Tiến độ dự án thực tế đã thi công.

- Chi phí thiết bị theo tiến độ thực tế thi công.

Dự án đề xuất:

Dự án Trường học tọa lạc tại thành phố Hà Nội.. Dữ liệu dự án được thu thập từ Công ty Cổ phần Đầu Tư Xây dựng Newtecons. Dự án bao gồm 302 công tác với quy mô một tầng hầm và năm tầng văn phịng với tổng thời gian thi cơng là 933 ngày.

Thông số nguồn lực được đề cập trong nghiên cứu như sau:

- Nguồn nhân lực: Chi phí sử dụng lực lượng thi công với đơn giá thời điểm 375.000VND/nhân công, thể hiện trong bảng Case study bằng số lượng nhân công

- Nguồn lực thiết bị: Chi phí sử dụng thiết bị cẩu tháp với phí thuê khoảng 5.000.000VND/bộ/ngày, thể hiện trong bảng Case study bằng số lượng bộ được thuê theo hạng mục thi công.

<b>5.2. Kết quả nghiên cứu (dự kiến): </b>

<i>(1) Mơ hình phương pháp lập tiến độ tối ưu chi phí thiết bị. </i>

<i>(2) Bảng so sánh chi phí thiết bị sau khi được tối ưu. </i>

<i>(3) Giá trị tối ưu trung bình dự kiến. </i>

<i>(4) Mục tiêu tối ưu dự kiến: 5%-10% </i>

</div><span class="text_page_counter">Trang 37</span><div class="page_container" data-page="37">

<b>BẢNG 5.1: BẢNG CASE STUDY TIẾN ĐỘ DỰ ÁN THỰC TẾ </b>

<small>STT Công tác Thời gian </small>

<small>Mối quan hệ giữa các công tác </small>

<small>Nguồn lực thiết </small>

<small>bị (đơn vị cái) </small>

<small>Nguồn nhân </small>

<small>lực (công) </small>

<small>Start Finish </small> ^Early

<small>Start </small> ^{Late Start}

1 Handover site 0 day

s

0 0 ^Tue2/4/20

Tue 2/4/20

Tue 2/4/20

Tue 2/4/20

2

Site office, temporary road,

fabricate yard, gate…

14 days

0 30 ^Tue2/4/20

Mon 2/17/20

Tue 2/4/20

Tue 2/4/20

3

Groundbreaking Ceremony

Date

0 day

s

1SS+15

days ⁰ ⁰

Tue 2/18/2

0

Tue 2/18/20

Tue 2/18/2

0

Tue 2/18/20

4 ^{Site kick-off}meeting

0 day

s

Thu 2/20/2

0

Thu 2/20/20

Thu 2/20/2

0

Thu 2/20/20

5

Pilecap & erection for tower crane TC1 & TC2

18 days

0 38

Fri 2/14/2

0

Mon 3/2/20

Fri 2/14/2

0

Fri 2/14/20

6

Driving steel sheet pile Zone

1A

19 days

0 30

Thu 2/20/2

0

Mon 3/9/20

Thu 2/20/2

0

Thu 2/20/20

7

Driving steel sheet pile Zone

1B

15 days

0 30

Fri 2/28/2

0

Fri 3/13/20

Fri 2/28/2

0

Fri 2/28/20

8

Driving steel sheet pile Zone

4

16 days

Sat 3/21/2

0

Sun 4/5/20

Sat 3/21/2

0

Sat 3/21/20

9 Excavation

7 day

s

Mon 2/24/20

Sun 3/1/20

Mon 2/24/20

Mon 2/24/20

10

Cutting pile head & lean concrete

7 day

s

9SS+4

days ⁰ ⁸

Fri 2/28/2

0

Thu 3/5/20

Fri 2/28/2

0

Fri 2/28/20

11

Pile cap & GB rebar installation

7 day

s

10SS+4

days ⁰ ¹²

Tue 3/3/20

Mon 3/9/20

Tue 3/3/20

Tue 3/3/20

</div><span class="text_page_counter">Trang 38</span><div class="page_container" data-page="38">

12

Pilecap & GB formwork erection & casting concrete

7 day

s

11SS+4

days ⁰ ³⁸

Sat 3/7/20

Fri 3/13/20

Sat 3/7/20

Sat 3/7/20

13

Backfill, compaction & basement slab lean concrete

5 day

s

12 0 15

Sat 3/14/2

0

Wed 3/18/20

Sat 3/14/2

0

Sat 3/14/20

14

Basement slab rebar installation & casting concrete

12 days

13 0 146

Thu 3/19/2

0

Mon 3/30/20

Thu 3/19/2

0

Thu 3/19/20

15

Basement column & retaining wall

rebar installation

9 day

s

14SS+5

days ⁰ ¹⁴⁶

Tue 3/24/2

0

Fri 4/17/20

Tue 3/24/2

0

Tue 3/24/20

16

Basement column & retaining wall

formwork erection & casting concrete

9 day

s

15SS+2

days ⁰ ³⁸

Thu 3/26/2

0

Sun 4/19/20

Thu 3/26/2

0

Thu 3/26/20

17

Ground slab propping & formwork

7 day

s

16SS+5

days ⁰ ³⁸

Tue 3/31/2

0

Wed 4/22/20

Tue 3/31/2

0

Tue 3/31/20

18

Ground slab rebar installtion

& casting concrete 1A.1 /

Lắp đặt thép sàn trệt & đổ

BT 1A.1

12 days

17 0 85

Thu 4/23/2

0

Mon 5/4/20

Thu 4/23/2

0

Thu 4/23/20

19 Excavation

7 day

s

9 0 4 ^Mon3/2/20

Sun 3/8/20

Mon 3/2/20

Mon 3/2/20

20

Cutting pile head & lean concrete

7 day

s

20SS+4

days ⁰ ⁸

Fri 3/6/20

Thu 3/12/20

Fri 3/6/20

Fri 3/6/20

21

Pile cap & GB rebar installation

7 day

s

21SS+4

days ⁰ ¹²

Tue 3/10/2

0

Mon 3/16/20

Tue 3/10/2

0

Tue 3/10/20

</div><span class="text_page_counter">Trang 39</span><div class="page_container" data-page="39">

22

Pilecap & GB formwork erection & casting concrete

10 days

22SS+4

days ⁰ ³⁸

Sat 3/14/2

0

Mon 3/23/20

Sat 3/14/2

0

Sat 3/14/20

23

Backfill, compaction & basement slab lean concrete

6 day

s

23FF+3

days ⁰ ¹⁵

Sat 3/21/2

0

Thu 3/26/20

Sat 3/21/2

0

Sat 3/21/20

24

Basement slab rebar installation & casting concrete

7 day

s

24 0 146

Fri 3/27/2

0

Sat 4/18/20

Fri 3/27/2

0

Fri 3/27/20

25

Basement column & retaining wall

rebar installation

6 day

s

25 0 146

Sun 4/19/2

0

Fri 4/24/20

Sun 4/19/2

0

Sun 4/19/20

26

Basement column & retaining wall

formwork erection & casting concrete

6 day

s

26FF+2

days ⁰ ³⁸

Tue 4/21/2

0

Sun 4/26/20

Tue 4/21/2

0

Tue 4/21/20

27

Ground slab propping & formwork

7 day

s

27SS+4

days ⁰ ³⁸

Sat 4/25/2

0

Fri 5/1/20

Sat 4/25/2

0

Sat 4/25/20

28

Ground slab rebar installtion

& casting concrete / Lắp đặt thép sàn trệt

& đổ BT

10 days

28 0 85 ^Sat5/2/20

Mon 5/11/20

Sat 5/2/20

Sat 5/2/20

29 Excavation

7 day

s

19 0 4 ^Mon3/9/20

Sun 3/15/20

Mon 3/9/20

Mon 3/9/20

30

Cutting pile head & lean concrete

7 day

s

29SS+4

days ⁰ ⁸

Fri 3/13/2

0

Thu 3/19/20

Fri 3/13/2

0

Fri 3/13/20

31

Pile cap & GB rebar installation

7 day

s

30SS+4

days ⁰ ¹²

Tue 3/17/2

0

Mon 3/23/20

Tue 3/17/2

0

Tue 3/17/20

</div><span class="text_page_counter">Trang 40</span><div class="page_container" data-page="40">

32

Pilecap & GB formwork erection & casting concrete

7 day

s

31SS+4

days ⁰ ³⁸

Sat 3/21/2

0

Fri 3/27/20

Sat 3/21/2

0

Sat 3/21/20

33

Backfill, compaction & basement slab lean concrete

5 day

s

32 0 15

Sat 3/28/2

0

Fri 4/17/20

Sat 3/28/2

0

Sat 3/28/20

34

Basement slab rebar installation & casting concrete

5 day

s

33 0 146

Sat 4/18/2

0

Wed 4/22/20

Sat 4/18/2

0

Sat 4/18/20

35

Basement column & retaining wall

rebar installation

7 day

s

34 0 146

Thu 4/23/2

0

Wed 4/29/20

Thu 4/23/2

0

Thu 4/23/20

36

Basement column & retaining wall

formwork erection & casting concrete

7 day

s

35SS+4

days ⁰ ³⁸

Mon 4/27/20

Sun 5/3/20

Mon 4/27/20

Mon 4/27/20

37

Ground slab propping & formwork A.3 / Lắp đặt coppha sàn trệt A.3

11 days

36SS+5

days ⁰ ³⁸

Sat 5/2/20

Tue 5/12/20

Sat 5/2/20

Sat 5/2/20

38

Additional septic tank No.2 / Bể phốt

phát sinh số 2 7 day

s

37 0 35

Wed 5/13/20

Tue 5/19/20

Wed 5/13/20

Wed 5/13/20

39

Ground slab rebar installtion

& casting concrete A.3 /

Lắp đặt thép sàn trệt & đổ

BT A.3

12 days

38 0 85

Wed 5/13/20

Sun 5/24/20

Wed 5/13/20

Wed 5/13/20

40 Excavation

10 days

18SS+1

day ⁰ ⁴

Tue 2/25/2

0

Thu 3/5/20

Tue 2/25/2

0

Tue 2/25/20

</div>