CÁC DẠNG CỦA THUẬT TOÁN DI TRUYỀN (CLASSIFICATION OF GENETIC ALGORITHM)

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÀNH PHỐ HỒ CHÍ MINH

CÁC DẠNG CỦA THUẬT TOÁN DI TRUYỀN
(CLASSIFICATION OF GENETIC ALGORITHM)

Tiểu luận môn Các hệ cơ sở tri thức

NHÓM THỰC HIỆN:
NGUYỄN MINH PHƯƠNG

GVHD: PGS. TS. LÊ HOÀNG THÁI

TP. HỒ CHÍ MINH - 2015



BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÀNH PHỐ HỒ CHÍ MINH

CÁC DẠNG CỦA THUẬT TOÁN DI TRUYỀN
(CLASSIFICATION OF GENETIC ALGORITHM)

Tiểu luận môn Các hệ cơ sở tri thức

Người hướng dẫn khoa học:
PGS.TS. LÊ HOÀNG THÁI

TP. HỒ CHÍ MINH – 2015

3

Mục lục

4


DANH MỤC CÁC TỪ VIẾT TẮT
Genetic Algorithm
Simple Genetic Algorithm
Parallel Genetic Algorithm
Distributed Genetic Algorithm

GA
SGA
PGA
DGA

5


DANH MỤC CÁC HÌNH

6


DANH MỤC CÁC BẢNG

7

CHƯƠNG 1. GIỚI THIỆU
Thuật toán di truyền (Genetic Algorithm - GA) là thuật toán tìm kiếm lời giải dựa trên cơ chế chọn
lọc và di truyền trong tự nhiên. Thuật toán là những thủ tục được thực hiện theo từng bước một để tìm các
giải pháp cho các vấn đề. Thuật toán di truyền cũng cung cấp các thủ tục như thế để giải quyết vấn đề nhưng
chúng được dựa trên các mô hình di truyền. Giải thuật di truyền đã được chứng minh về mặt lý thuyết lẫn
thực nghiệm và cho thấy được hiệu quả mạnh mẽ trong việc tìm kiếm giải pháp ở những vấn đề phức tạp.
Các thuật toán di truyền có khả năng cho tăng hiệu quả tìm kiếm trong kinh doanh, khoa học và kỹ thuật.
Các thuật toán sẽ ít phức tạp hơn nhưng mạnh mẽ hơn trong tìm kiếm khi áp dụng nguyên lý di truyền.
Trong tiểu luận này sẽ thảo luận các loại khác nhau của di truyền các thuật toán như GA song song, phân
tán, ….

8


CHƯƠNG 2. THUẬT TOÁN DI TRUYỀN ĐƠN GIẢN (SIMPLE GENETIC
ALGORITHM - SGA)
Đối với nhiều thuật toán tìm kiếm cần nhiều thông tin phụ trợ có liên quan đến cấu trúc dữ liệu của
bài toán để đưa ra kết quả đúng. Ví dụ đối với kỹ thuật tìm kiếm truyền thống hoặc thuật toán tham lam thì
cần quyền truy cập vào các thông số để tính toán, trong khi đó thuật toán di truyền thì không cần phải truy
cập tất cả. Đối với GA, có thể tìm kiếm kết quả đạt hiệu quả cao trong khi đang “mù” về cấu trúc thông tin.
GA sử dụng quy tắc chuyển đổi kiểu xác suất để hướng đến không gian tìm kiếm có khả năng đạt kết quả có
hiệu quả hơn.
Các cơ chế của thuật toán di truyền đơn giản không có gì phức tạp, đơn giản chỉ là sao chép chuỗi và
trao đổi một phần các chuỗi. Một thuật toán di truyền đơn giản mà mang lại kết quả tốt trong nhiều vấn đề
thực tế là gồm ba hoạt động. Đó là:

• Sinh sản
• Lai ghép
• Đột biến

Sinh sản là một quá trình sao chép một phần chuỗi (còn gọi là gen) của các cá thể theo giá trị hàm mục
tiêu f. Ta có thể xem xét hàm mục tiêu f như một biện pháp tối đa hóa lợi nhuận, hữu ích, hay điều tốt đẹp
nào đó mà ta muốn có được. Chuỗi được sao chép theo kiểu xác suất để độ thích nghi có thể cao hơn trong
các thế hệ tiếp theo. Trong một thuật toán có thể được thực hiện sinh sản với nhiều phương thức khác nhau.
Cách đơn giản nhất có thể thực hiện sinh sản như sử dụng một vòng Roulette. Trong vòng Roulette này mỗi
chuỗi trong quần thể có có kích thước tỷ lệ thuận với độ thích nghi của mình. Các bước chuẩn cho việc chạy
thuật toán di truyền đơn giản là:
randomly generate population // tạo ra một cách ngẫu nhiên quần thể
select parents (using fitness function) // chọn cha mẹ (dùng hàm thích nghi)
selection methods: // phương pháp lựa chọn
roulette wheel// dựng vòng tròn roulette
tournament // chạy vòng tròn chọn số lượng cá thể
demetic// nhóm các cá thể
crossover parent chromosomes // lai ghép chéo
mutate offspring chromosomes // đột biến
add offspring back into pool // thêm cá thể con vào quần thể mới e
litism // xét quần thể ưu tú mới
(select parents) // chọn lại cá thể cha mẹ mới
SGA có tác dụng và hiệu quả khi: không gian tìm kiếm là lớn, phức tạp hoặc chưa được hiểu rõ. Khó
mã hóa để thu hẹp không gian tìm kiếm. Không có phân tích toán học. Các phương pháp tìm kiếm truyền
thống thất bại.
9


Ưu điểm của phương pháp SGA là dễ dàng có thể xử lý khó khăn và đạt mục tiêu; tất cả những điều
đó có thể được xử lý như các thành phần có trọng số trong hàm thích nghi, làm cho nó dễ dàng để thích ứng
với các tiến trình của SGA để cụ thể một yêu cầu có phạm vi rất rộng trong mục tiêu tổng thể.

10

CHƯƠNG 3. THUẬT TOÁN DI TRUYỀN SONG SONG VÀ PHÂN TÁN
(PARALLEL AND DISTRIBUTED GENETIC ALGORITHM - PGA VÀ DGA)
Thuật toán di truyền song song (Parallel Genetic Algorithm - PGA) là thực hiện song song của nhiều
tiến trình SGA khác nhau. Các thuật toán di truyền song song (PGAs) được phát triển để giảm thời gian thực
hiện tìm kiếm các giải pháp gần tối ưu trong các bài toán có không gian tìm kiếm lớn. PGAs có lợi ích đáng
kể về hiệu suất và khả năng mở rộng quy mô. PGAs có thể dễ dàng thực hiện trên hệ thống máy tính không
đồng nhất hoặc trên máy tính lớn cho phép chạy song song. Cách thức thực hiện của PGAs phụ thuộc vào
các yếu tố sau:

•
•
•
•

Hàm thích nghi và đột biến được áp dụng như thế nào?
Cá thể được lựa chọn cục bộ hoặc toàn thể được áp dụng ra sao?
Sử dụng một hay nhiều nhóm quần thể?
Nếu có nhiều quần thể, việc lai ghép các cá thể ra sao?

Cách đơn giản nhất của một PGA là tạo nhiều bản sao cho mỗi SGA là một phần tử xử lý (Processing
Element - PE). Mỗi PE khác nhau được bắt đầu với quần thể ban đầu, tiến hóa và dừng lại một cách độc lập.
PGA hoàn toàn ngừng khi tất cả PE dừng. PGA có nhiều phương pháp khác nhau để thực hiện:

•
•
•
•
•

PGA hoạt động kiểu độc lập (Independent PGA)
PGA cho phép di chuyển cá thể (Migration PGA)
PGA hoạt động theo kiểu phân vùng (Partition PGA)
PGA hoạt động theo kiểu phân đoạn (Segmentation PGA)
PGA hỗn hợp vừa phân đoạn và di chuyển cá thể (Segmentation–Migration PGA)

Ưu điểm của các phương pháp tiếp cận của PGA hoạt động độc lập là mỗi PE bắt đầu với một quần thể
độc lập. Đa quần thể như vậy làm giảm cơ hội phát triễn cá thể ưu tú dẫn đến tất cả PE sớm hội tụ dẫn đến
các giải pháp có chất lượng kém. Cách tiếp cận này chỉ đơn giản là dùng giải pháp tốt nhất sau nhiều lần
thực hiện SGA trên các quần thể ban đầu khác nhau.
Cách tiếp cận thứ hai là PGA, PGA cho phép di chuyển cá thể, tăng hiệu quả hơn so với phương pháp
tiếp cận độc lập là cho phép di chuyển nhiễm sắc thể giữa các PE để ngăn ngừa hội tụ xấu và chia sẻ các giải
pháp chất lượng cao. Di chuyển nhiễm sắc thể xảy ra sau một số lần lặp nhất định, với mỗi PE gửi một bản
sao của nhiễm sắc thể tốt nhất tại quần thể cục bộ của mình đến các PE khác. Nhiễm sắc thể nhận được sẽ
thay thế các nhiễm sắc thể xấu nhất tại quần thể cục bộ PE trừ trường hợp nhiễm sắc thể giống hệt nhau đã
tồn tại trong cá thể cục bộ.
PGA hoạt động theo kiểu phân vùng (Partition PGA) là phân chia không gian tìm kiếm vào vùng con rời
nhau và bắt buộc các PE tìm kiếm trong vùng con khác nhau. PGA hoạt động theo kiểu phân đoạn
(Segmentation PGA) là bắt đầu bằng cách phân chia việc tuyển chọn vào các tiến trình phụ. Sau đó, kết hợp
trở lại và tiến hành tuyển chọn ở tiến trình chính. Sự kết hợp của phân đoạn và di chuyển chính là PGA hỗn
hợp vừa phân đoạn và di chuyển cá thể. Việc tái tổ hợp xảy ra vào cuối mỗi giai đoạn, các tiến trình phụ
được chứa bởi một nhóm các PE đánh số theo thứ tự tăng dần.
11


PGA có thể được thực hiện theo phương thức xử lý song song kết hợp với hình thức chia để trị. Trong
cách tiếp cận xử lý song song, mô hình GA được thực hiện tuần tự song song trên một máy tính bằng cách
chia các nhiệm vụ thực hiện một bộ vi xử lý. Trong hình thức xử lý chia để trị, quần thể được chia thành
nhiều quần thể phụ và phân phối cho nhiều bộ xử lý. Các quần thể phụ có thể tồn tại độc lập hay tương tác
với nhau (chia thô hoặc phân phối GA - coarse grained or distributed GA) hoặc chỉ có một quần thể với các

quần thể thành viên khác (chia mịn GA - Fine grained GA). Sự tương tác giữa các quần thể phụ tùy theo cấu
trúc không gian của quần thể. Những mô hình duy trì sự đa dạng quần thể hơn và giảm thiểu những hội tụ
sớm. Nó cũng phù hợp với mô hình tiến hóa, với một độ lớn và sự độc lập của các quần thể.
Hướng tiếp cận xử lý song song chủ yếu là đánh giá độ thích nghi bằng hình thức song song trên quần
thể chung. Việc lựa chọn và lai ghép được thực hiện bằng độc lập giữa các cá thể. Các tính toán song song
phổ biến nhất là sự đánh giá độ thích nghi vì chỉ đòi hỏi thông tin của cá thể được đánh giá, do đó không có
thông tin liên lạc nào khác. Đại diện cho hình thức này là mô hình chủ - tớ (Master - Slave) (Hình 1). Các
đối tượng Master chứa thông tin quần thể và cá thể lựa chọn. Các đối tượng Slave đánh giá độ thích nghi và
áp dụng các toán tử di truyền như lai ghép và đột biến. Thông tin sau khi tính toán được Slave trả về cho
Master. Mô hình này có hai chế độ hoạt động: đồng bộ và không đồng bộ. Trong chế độ đồng bộ, các Master
đợi đến khi nhận được các giá trị thích nghi của toàn bộ dân số, trước thực hiện tạo thế hệ sau. Ngược lại,
Master không dừng tiến trình của mình để đợi các tiến trình chậm để đồng bộ. Lúc đó bộ nhớ máy tính được
phân phối lại, các Master gửi thông tin cá thể đến với các bộ xử lý Slave thực hiện đánh giá thích nghi, thu
thập các kết quả và áp dụng các toán tử di truyền để tạo thế hệ mới. Số của cá thể được giao cho từng bộ xử
lý có thể là tĩnh hoặc động.

Hình . Sơ đồ của mô hình master-slave của GA xử lý song song.

Trong phương pháp hướng phân phối hay chia để trị, quần thể được chia thành một số quần thể con
được gọi là nhóm (demes). Các nhóm được tách rời nhau và cá thể cạnh tranh chỉ trong một nhóm. Và hàm
di cư được bổ sung sử dụng để di chuyển các cá thể từ nhóm này sang nhóm khác. Nếu cá thể có thể di
chuyển đến bất kỳ nhóm khác, lúc đó mô hình được gọi là mô hình đảo (island). Di cư có thể được kiểm soát
bằng nhiều cách khác nhau các thông số như tốc độ di chuyển, cấu trúc liên kết, kế hoạch di cư như cá thể
tốt nhất / tồi tệ nhất / xác suất di chuyển ngẫu nhiên và tần suất di cư.
12


Hướng tiếp cận khác thuật toán di truyền song song phân chia kiểu thô và mịn. Mô hình chia thô
PGA đề cập đến số lượng nhóm tương đối nhỏ với nhiều cá thể thuộc mỗi nhóm. Đặc trưng mô hình này là
thời gian xử lý tương đối dài để hình thành một thế hệ trong mỗi nhóm và thỉnh thoảng mới trao đổi cá thể.

Nhóm mô hình này được gọi là GA phân tán vì thường thực hiện theo kiểu phân tán bộ nhớ. Trong trường
hợp phương pháp di truyền song song mịn, số nhóm được chia từ quần thể lớn và yêu cầu số lượng các bộ vi
xử lý nhiều. Liên lạc giữa các nhóm được thực hiện bằng cách di cư hoặc lai chéo nhóm.
Điều quan trọng nhất là trong khi phương pháp Master - Slave không ảnh hưởng đến hành vi của các
thuật toán, thì các phương pháp chia mịn và thô thay đổi cách hoạt động của GA. Ví dụ, trong Master Slave, phép lựa chọn cá thể thực hiện cả quần thể, nhưng trong chia mịn và thô, phép lựa chọn chỉ xem xét
một tập con của quần thể. Ngoài ra, trong Master
Slave bất kỳ hai cá thể trong quần thể có thể giao phối, nhưng trong phương pháp chia mịn và chia
thô, sự giao phối được giới hạn trong một tập con.

3.1. Mô hình song song kiếu chủ - tớ (Master – Slave)
Trong mục này, ta sẽ xem xét các mô hình của phương pháp song song Master - Slave. Thuật toán sử
dụng một quần thể và việc đánh giá các cá thể và/hoặc áp dụng các toán tử di truyền được thực hiện song
song. Mỗi cá thể có thể cạnh tranh và giao phối với bất kỳ cá thể khác (lựa chọn và giao phối được thực hiện
toàn bộ quần thể). Mô hình xử lý song song toàn cục (Global parallel GA) xem như đại diện của Master Slave (Hình. 1), các Master luu trữ thông tin quần thể và các Slave đánh giá thích nghi.
Hoạt động phổ biến nhất của mô hình là song song đánh giá độ thích nghi của từng cá thể, vì các cá
thể độc lập với phần còn lại của quần thể, và không có nhu cầu giao tiếp trong giai đoạn này. Việc đánh giá
của cá thể theo hình thức xử lý song song bằng cách gán một phần nhỏ cá thể cho mỗi bộ vi xử lý có sẵn.
Việc liên lạc chỉ xảy ra khi mỗi slave nhận tập cá thể để đánh giá và khi slave tính xong giá trị thích nghi.
Nếu thuật toán dừng và chờ đợi nhận các giá trị thích nghi cho toàn quần thể trước khi tạo thế hệ tiếp theo,
được gọi là thuật toán đồng bộ. Lúc đó, độ chính xác như một SGA, chỉ có tốc độ là khác biệt. Tuy nhiên,
nếu thực hiện kiểu không đồng bộ, thuật toán không dừng lại để chờ đợi cho bất kỳ bộ vi xử lý chậm, nhưng
kết quả không còn chính xác như một SGA. Hầu hết các thuật toán cho trường hợp này là đồng bộ.
Các mô hình xử lý song song toàn cục không thừa hưởng lợi thế của kiến trúc máy tính, và có thể
thực hiện hiệu quả hơn bằng cách chia sẻ bộ nhớ và phân phối bộ nhớ máy tính. Với một bộ đa xử lý chia sẻ
bộ nhớ, quần thể được lưu trữ trong bộ nhớ chia sẻ và mỗi bộ xử lý con có thể đọc thông tin cá thể được
giao và ghi các kết quả đánh giá lại mà không có bất kỳ xung đột. Đối với phân phối bộ nhớ, quần thể được
lưu trữ trong một bộ xử lý. Điều này cần một bộ xử lý làm nhiệm vụ Master sẽ chịu trách nhiệm gửi thông
tin cá thể đến bộ vi xử lý khác (Slave) để đánh giá, thu thập các kết quả, và áp dụng các phương pháp di
truyền để tạo thế hệ tiếp theo. Số lượng cá thể giao cho bất kỳ bộ xử lý có thể được liên tục, nhưng trong
một số trường hợp có thể cần thiết để cân bằng tải tính toán giữa các bộ vi xử lý bằng cách sử dụng một lịch

trình năng động. Sau đây là một mô tả của thuật toán:
13


produce an initial population of individuals //Thủ tục khỏi tạo quần thể
for all individuals do in parallel // Duyệt tất cả các cá thể trong hế thống song song
evaluate the individual’s fitness // tính toán giá trị thích nghi
end parallel for
while not termination condition do // trong khi chưa đạt điều kiện dừng
select fitter individuals for reproduction// chọn cá thể thích nghi cho sinh sản produce new
individuals // gọi thủ thục tạo cá thể mới
mutate some individuals // biến đổi các thể
for all individuals do in parallel // thực hiện với tất cả cá thể
evaluate the individual’s fitness // tính giá trị thích nghi cá thể mới
end parallel for
generate a new population by inserting some new good individuals// tạo thế hệ mới từ cá thể tốt
and by discarding some old bad individuals// loại bỏ cá thể xấu
end while
PGA kiểu Master - Slave dễ thực hiện và có hiệu quả tính toán cải thiện đáng kể. Bên cạnh đó,
phương pháp này có ưu điểm là không làm thay đổi hành vi tìm kiếm của GA, vì vậy ta có thể áp dụng trực
tiếp giống như SGA.

3.2. Thuật toán di truyền song song theo cách chia mịn hay mô hình thuật toán di
truyền tế bào (Fine Grained Parallel GA – Cellular GA)
Để minh họa cho mô hình này, ta dùng cấu trúc dạng lưới, Hypercube, 2-D Mesh, 2-D Grid,..., mỗi
cá thể trong mô hình này được đặt trên một hình xuyến lớn có một hoặc hai chiều, mỗi cá nhân chiếm một vị
trí trên lưới. Mô hình này được gọi là tế bào vì sự tương đồng so với chuyển dịch của tế bào với các quy tắc
chuyển đổi ngẫu nhiên. Đánh giá thích nghi được thực hiện đồng thời cho tất cả cá thể và lựa chọn, sinh sản
và giao phối diễn ra tại cục bộ trong nhóm hoặc nhóm láng giềng. Trong lúc thực hiện, hốc hay nhóm cá thể
đồng nhất về mặt di truyền bán cô lập nổi lên trên toàn mạng lưới như là một kết quả của việc chậm khuếch

tán cá thể. Hiện tượng này được gọi là cách ly và khoảng cách là do xác suất của sự tương tác của hai cá thể
bằng một hàm suy hao nhanh về khoảng cách của họ (Hình 2.). Sau đây là mô tả thuật toán của quá trình:
for each cell j in the grid do in parallel // với mọi cá thể trên lưới
generate a random individual j // phát sinh ngẫu nhiên cá thể j
end parallel for
while not termination condition do // khi chưa đạt điều kiện kết thúc
for each cell j do in parallel // với mỗi tế bào trên lưới
evaluate individual j // đánh giá cá thể j
select a neighboring individual k // chọn láng giềng k
produce offspring from j and k // sản sinh cá thể mới từ j và k
14


assign one of the offspring to j // gán 1 cá thể con cho j
mutate j with probability pmut // tạo đột biến theo xác suất pmut
end parallel for
end while
Trong trường hợp 1-D, các phần tử tế bào có tính tập trung về một nhóm phần tử trung tâm. Việc lựa
chọn hay kết hợp thường được chọn từ nhóm láng giềng với phần tử cần xét.

3.3. Thuật toán di truyền xử lý song song bằng cách chia nhiều nhóm hay thuật toán di
truyền phân tán, chia thô (Multiple – Deme Parallel GA, Distributed GA or Coarse Grained
GA)
Thuật toán di truyền bằng các chia nhiều nhóm có khả năng tinh vi hơn, vì chúng gồm không chỉ
thực hiện trên một quần xã mà còn trao đổi cá thể (Hình 3.). Trao đổi cá thể được gọi là di cư; được điều
khiển bởi một vài thông số. Thuật toán song song theo kiểu này là rất phổ biến, nhưng để hiểu được là điều
khó khăn nhất, bởi tác động của chức năng di cư không được hiểu đầy đủ. Mô hình này đã thay đổi cơ bản
phương thức hoạt động của GA và khác nhiều so với SGA.
Thuật toán di truyền xử lý song song bằng cách chia nhiều nhóm được biết đến với nhiều tên gọi
khác nhau. Điển hình như thuật toán di truyền phân tán (DGA), bởi vì thuật toán thường được thực hiện trên

bộ nhớ phân tán trên máy tính. Hoặc xét về tỷ lệ tính toán cao, thuật toán thỉnh thoảng được gọi là Thuật
toán di truyền xử lý song song bằng cách chia thô. Cuối cùng, thuật toán hoạt động đa nhóm giống với “mô
hình đảo” trong Di truyền học dân số, do đó thuật toán còn được gọi là di truyền song song theo hình thức
đảo. Vì kích thước của nhóm nhỏ hơn quần thể so với sử dụng bởi một GA tuần tự, thuật toán GA song song
sẽ hội tụ nhanh hơn.

15


Hình . Sơ đồ của di truyền song song theo cách chia mịn.

Hình . Sơ đồ của Thuật toán di truyền xử lý song song bằng cách chia nhiều nhóm hay thuật toán di truyền
phân tán, chia thô
Các đặc tính quan trọng của mô hình song song với nhiều nhóm này là việc sử dụng một vài quần xã
tương đối lớn và di cư. Đối mô hình đảo đặc trưng khoảng cách địa lý các quần thể con kích thước tương đối
lớn. Các quần thể con có thể trao đổi thông tin theo thời gian bằng cách cho phép một số cá thể để di chuyển
giữa các tiểu quần thể khác nhau. Tư tưởng chính cho cách tiếp cận này là định kỳ tạo sự đa dạng vào các
quần thể con để tránh hội tự sớm hoặc không hội tụ. Khi di chuyển cá thể diễn ra giữa quần xã láng giềng
gần nhất của mô hình được gọi là bước đệm. Trong khi mỗi tiểu quần thể một thuật toán di truyền tuần tự
chuẩn được thực hiện ở giai đoạn di cư. Một số cấu trúc liên kết di cư đã được sử dụng: các cấu trúc vòng,
2-d và 3-d lưới, hình khối hyper và đồ thị ngẫu nhiên là phổ biến nhất. Sau đây là một mô tả thuật toán của
quá trình:
initialize P subpopulations of size N each // Tạo P quần thể con với kích thước N generation number = 1 //
Gán thế hệ = 1
while not termination condition do// Trong khi chưa thỏa kiều kiện dừng
for each subpopulation do in parallel// Xét các quần thể con
evaluate and select individuals by fitness// Đánh giá và lựa chọn các thể theo hàm
thích nghi
if generation number mod frequency = 0 then// Nếu đạt ngưỡng di cư thì trao đổi K cá
thể

send Kindividuals from a neighboring population replace K individuals in the subpopulation
endif
produce new individuals // Gọi hàm khởi tạo thế hệ mới
mutate individuals// Đột biến
end parallel for
generation number = generation number +1// Tăng biến thế hệ
16


end while
Trong đó frequency là tham số thực hiện cuộc trao đổi diễn ra.

3.4. Các thuật toán song song thứ bậc (Hierarchical Parallel Algorithms)
Phương pháp cuối cùng của thuật toán song song là kết hợp các phương pháp di truyền song song lại
với nhau hay còn gọi thuật toán song song thứ bậc, bởi vì khi vận dụng có tính phức tạp và yêu cầu kỹ thuật
phối hợp thuật toán ở 2 mức khác nhau và hi vọng nó hứa hẹn hiệu suất tốt hơn khi sử dụng đơn lẻ.
Trên lý thuyết có thể phối hợp các phương pháp trên lại thành một thuật toán hoàn chỉnh. Tuy nhiên,
các nghiên cứu có thể đạt được ở các mức phối hợp nhu sau: Kết hợp mô hình xử lý song song nhiều nhóm
(mức cao) và xử lý song song bằng cách chia mịn (mức thấp) (Hình 4.); xử lý Master – Slave (mức cao) và
mô hình xử lý bằng cách chia nhiều nhóm (mức thấp) (Hình 5) hay xử lý song song bằng cách chia nhiều
nhóm ở 2 mức (Hình 6.)

Hình . Sơ đồ kết hợp mô hình xử lý song song nhiều nhóm (mức cao) và xử lý song song bằng cách chia mịn
(mức thấp)

17


Hình . Sơ đồ xử lý Master – Slave (mức cao) và mô hình xử lý bằng cách chia nhiều nhóm (mức thấp)

Hình . Sơ đồ kết hợp xử lý song song bằng cách chia nhiều nhóm ở 2 mức
Bảng . Bảng so sánh các phương pháp song song hóa giải thuật di truyền

Mô hình

Global Parallel (Mô

Coarse – Grained (Mô

Fined – Grained

hình chủ tớ)

hình chia thô)

(Mô hình chia mịn)

Tiêu chí
Cấu trúc thuật

Không phá vỡ cấu trúc

Phá vỡ cấu trúc thuật toán

Phá vỡ cấu trúc thuật

toán
Quần thể

thuật toán tuần tự.
Thuật toán chỉ thực

tuần tự.
Quần thể ban đầu được

toán tuần tự.
Quần thể ban đầu

hiện trên một quần thể.

chia thành nhiều quần thể

được chia thành nhiều

con nhỏ tương đối tiến hóa

quần thể rất nhỏ.

Thời gian thực

Thời gian cải thiện độ

độc
lập. độ thích nghi trung
Cải thiện

hiện

thích nghi trung bình

bình trong các quần thể con

và giá trị của nó tương

nhanh hơn, nhưng dừng lại ở

tự như giải thuật tuần

giá trị nhỏ hơn so với giải

Mối tương quan

Không
phát sinh thêm
tự.

Có
sửtuần
dụngtự.các hàm di trú
thuật

Các quần thể con rất

các quần thể

các hàm di trú.

để gởi các cá thể tốt nhất

nhỏ liên lạc với mật

trong các quần thể con cho

độ cao.

master. Master lại chọn lọc
lại các cá thể tốt nhất trong
các cá thể gởi lên đó, rồi gởi
cho toàn bộ các slave.

18


Phương
thức sinh
sản

Chọn lọc, lai tạo, đột

Chọn lọc, lai tạo, đột biến

Chọn lọc, lai tạo, đột

biến diễn ra trên toàn

diễn ra trên các quần thể

biến diễn ra trên các

bộ quần thể.

con độc lập.

quần thể con và các

quần thể láng
giềng với nó.
Ứng dụng thuật toán

Mô hình hóa cấu trúc

Kết quả

Áp dụng cho các bài

Áp dụng cho bài toán

Áp dụng cho bài toán

Genetic có tác vụ tính

Genetic lớn, các tác

Genetic lớn, các tác

độ thích nghi tiêu tốn

vụ gene và tác vụ tính

vụ gene tiêu tốn nhiều

nhiều thời gian.

độ thích nghi tiêu tốn

thời gian.

Không đòi hỏi

Không
đòitương
hỏi đương
thời gian

Đòi

topology mạng phức

topology mạng phức

mạng phức tạp.

tạp.
Chất lượng kết quả

tạp.
Chất lượng kết quả

hỏi

topology

như thuật toán tuần tự. không tốt bằng giải
thuật tuần tự.
Bảng . Bảng so sánh về phương thức thực hiện của giải thuật di truyền song song

Fined – Grained (Mô hình chia mịn)
Coarse – Grained

Phương

(Mô hình chia thô)

Cá thể

Đánh giá thích nghi

Thuật toán di truyền

Dùng thuật toán di truyền

Dùng mô hình thuật

kiểu tế bào, đồng nhất việc

toán di truyền Master

tạo ngẫu nhiên các tế bào

- Slave

Thuật toán di truyền

Phát sinh tế bào theo kiểu

Dùng mô hình thuật

dùng mô hình đảo

không đồng nhất

toán di truyền Master

thức đồng dùng mô hình đảo
bộ
Phương
thức
không đồng bộ

- Slave

19


CHƯƠNG 4: THUẬT TOÁN DI TRUYỀN DẠNG LAI (HYBRID GENETIC
ALGORITHM - HGA)
Thuật toán di truyền dạng lai đã được thiết kế bằng cách kết hợp một biến thể lai ghép một thuật toán
di truyền hiện với một phương thức sử dụng theo dạng heuristic. Heuristic có thể vận dụng cho việc tạo dân
số ban đầu; trong áp dụng cho việc tạo thế hệ con cháu bằng cách chéo hoặc xáo trộn.

Hybrid Genetic Algorithm trong phần này được thiết kế để sử dụng cho việc áp dụng heuristic vào
Khởi tạo dân số và cải tiến vấn đề lai ghép cho bài toán du lịch (Traveling Salesman Problem - TSP). Thuật
toán vận dụng Heuristic vào khởi tạo bằng cách khởi tạo một bộ phận dân cư và phần còn lại sẽ khởi tạo
ngẫu nhiên. Các thế hệ kế tiếp thu được bằng chéo giữa hai cha mẹ được lựa chọn ngẫu nhiên. Thuật toán
được cải tiến với 02 thủ tục: RemoveSharp (loại bớt sự gia tăng chi phí) và LocalOpt (sắp xếp để tìm đường
đi có chi phí thấp) để tạo các cá thể con đạt mức tối thiểu của địa phương. Nếu chi phí của cá thể con thu
được ít hơn so với chi phí của bất kỳ một trong cha hoặc mẹ thì cá thể cha hoặc mẹ đó được lấy ra khỏi quần
thể và thêm cá thể con vào. Ngược lại, cá thể con bị loại bỏ. Đối với lai ghép, mỗi vòng sẽ phát sinh một số
ngẫu nhiên và nếu nhỏ hơn xác suất quy định thì việc sản sinh thế hệ mới tiến hành.
Các thuật toán làm việc như dưới đây:
Bước 1:
Khởi tạo một bộ phận dân cư sử dụng bằng thủ tục InitializationHeuristics
Khởi tạo còn lại một phần của dân số ngẫu nhiên
Bước 2:
Áp dụng thủ tục RemoveSharp cho tất cả cá thể ban đầu
Áp dụng thủ tục LocalOpt cho tất cả cá thể ban đầu
Bước 3:
Chọn ngẫu nhiên hai cha mẹ
Áp dụng lai ghép giữa cha mẹ và tạo ra cá thể con
Áp dụng thủ tục RemoveSharp cho con cái
Áp dụng thủ tục LocalOpt cho con cái
Nếu TourCost (cá thể con) huynh yếu bởi con đẻ
Bước 4:
Xáo trộn bất kỳ một tour du lịch lựa chọn ngẫu nhiên từ dân số Bước 5:
Lặp lại các bước 3 và 4 cho đến khi kết thúc số quy định của lần lặp lại.

4.1. Lai ghép chéo (Crossover)

Phương thức lai ghép chéo được sử dụng ở đây do Darrell Whitley đưa ra và là một

biến thể phương thức lai thông thường. Phương thức lai ghéo chéo này sử dụng một “bản đồ
20


cạnh” (edge map) để xây dựng một cá thể con mà kế thừa càng nhiều thông tin càng tốt từ
các cấu trúc của cha mẹ. Bản đồ này lưu trữ thông tin về tất cả các kết nối dẫn vào và ra của
một thành phố của bài toán. Do đó khoảng cách 2 đỉnh hay 1 cạnh là khoảng cách giữa hai
thành phố, mỗi thành phố sẽ có ít nhất hai và tối đa bốn cạnh (trong đó có hai từ bố mẹ) giao
nhau. Thuật toán là như sau:
Bước 1:
Chọn điểm ban đầu từ một trong hai đường đi của cha mẹ (có thể từ bước 4
bằng cách tạo ngẫu nhiên”. Đặt tên là “điểm hiện tại”.
Bước 2:
Hủy bỏ tất cả các lần xuất hiện của “điểm hiện tại” từ phía bên trái trong danh
sách các cạnh bản đồ.
Bước 3:
Nếu là “điểm hiện tại” có trong danh sách các cạnh (edgelist) của nó đi đến
bước 4 xử lý; nếu không, hãy đến bước 5.
Bước 4:
Xác định thành phố trong edgelist của “điểm hiện tại”, có cạnh ngắn nhất với
“điểm hiện tại”. Các thành phố với sự cạnh ngắn nhất được bao gồm trong tour thành
phố này trở thành “điểm hiện tại”. Dừng việc tạo ngẫu nhiên và đến bước 2.
Bước 5:
Nếu không còn thành phố chưa đến, sau đó DỪNG. Nếu không, ngẫu nhiên
chọn một thành phố chưa đến đi đến bước 2.
Sự khác biệt giữa thuật toán lai chéo của Darrell Whitley và thuật toán chuẩn là chỉ
trong bước thứ tư. Ông chọn thành phố với ít nhất cạnh đến các thành phố kế tiếp, trong khi
thông thường thì chọn thành phố gần nhất đến các thành phố hiện nay, điều này cho thấy vận
dụng heuristic trong lai chéo.
4.2. Khởi tạo theo hướng Heuristic

Thủ tục InitializationHeuristics (IH) được áp dụng trong TSP theo ý tưởng chính sau: Dùng thuật
toán tham lam để khởi tạo quần thể và cách sắp xếp thứ tự các thành phố phụ thuộc vào tọa độ x và y của nó.
Các tour du lịch được đại diện bằng danh sách kết nối với nhau. Danh sách ban đầu được lấy theo thứ tự đầu
vào InputList (danh sách nhập). Các danh sách kết nối đó thu được sau khi áp dụng heuristic là OutputList.

21


Trong khi quá trình đó áp dụng heuristic cho tất cả các thành phố trong InputList sẽ được di chuyển từng
một đỉnh một vào OutputList. Thuật toán cho TSP là như sau:
Bước 1:
Chọn bốn thành phố, có tọa độ x, y mang giá trị lớn nhất và nhỏ nhất và chuyển vào
OutputList từ InputList
Bước 2:
Từ các trình tự di chuyển có thể có của bốn thành phố, ta tìm chuỗi có chi phí tối thiểu và
thay đổi trình tự của bốn thành phố trong OutputList đến trình tự có mức tối thiểu.
Bước 3:
Chọn ngẫu nhiên một đỉnh còn lại trong Inputlist.
Bước 4:
Loại bỏ các đỉnh phía trước của InputList và chèn vào OutputList ở vị trí mà sự gia tăng trong
chi phí tour du lịch là tối thiểu. Giả sử M là chi phí của các tour du lịch trước khi chèn và N là chi
phí của chuyến đi sau khi chèn. Các vị trí chèn được lựa chọn như vậy mà NM là tối thiểu.
Bước 5:
Lặp lại bước 4 cho đến khi tất cả các đỉnh trong InputList được chuyển đến các OutputList.
Tùy thuộc vào các tiêu chí phân loại trong Bước 3 kết quả được lấy sẽ khác nhau. Áp dụng heuristic
cho RemoveSharp và LocalOpt ta thu được cá thể con thêm vào bộ dân số ban đầu.

4.3. Thủ tục RemoveSharp
Thủ tục RemoveSharp nhằm loại bỏ sự tăng mạnh mẽ trong chi phí tour do một thành phố bị xem là
cá thể xấu. Thủ tục trải qua các bước dưới đây:

Bước 1:
Một danh sách (NEARLIST) chứa m thành phố gần nhất đến một thành phố đã chọn.
Bước 2:
RemoveSharp loại bỏ thành phố được lựa chọn từ các tour du lịch và tạo thành một tour du
lịch với N - 1cities.
Bước 3:
Bây giờ các thành phố được chọn sẽ được lồng vào trong tour trước hoặc sau khi bất kỳ một
của thành phố ở NEARLIST và chi phí của các tour du lịch mới được tính cho mỗi trường hợp.
Bước 4:
Theo trình tự đó, chi phí thấp nhất sẽ được chọn.
Bước 5:
Các bước trên được lặp lại cho mỗi thành phố trong tour

22


4.4. Thủ tục LocalOpt
Thuật toán LocalOpt sẽ chọn q thành phố liên tiếp (Sp + 0, Sp + 1,....., Sp + q-1) từ các tour du lịch
và nó sắp xếp các thành phố Sp + 1, Sp + 2,. . . . , Sp + q-2 trong một theo cách đó khoảng cách tối thiểu là
giữa các thành phố Sp + 0 và Sp + q-1 bằng cách tìm kiếm tất cả các thỏa thuận có thể. Giá trị của p thay đổi
từ 0 đến n-q, trong đó n là số của thành phố.

4.5. Độ phức tạp của các thủ tục RemoveSharp và LocalOpt
4.5.1. Độ phức tạp của các thủ tục RemoveSharp
Như đã thảo luận ở bước 2 của thủ tục, khi một thành phố được loại bỏ trong quá RemoveSharp sẽ
có sự sụt giảm trong chi phí tour. Giả sử trình tự của các thành phố được - - -P - C - N - - - - - - - AP - A - AN
- - - C là thành phố phải được loại bỏ để thực hiện RemoveSharp. Ví dụ P là thành phố trước khi đến thành
phố C và N thành phố bên cạnh nó. RemoveSharp sẽ di chuyển các thành phố C đến mới vị trí, nếu độ tăng
chiều dài chuyến đi sau khi di chuyển đến vị trí mới là ít hơn so với việc giảm chi phí do loại bỏ từ vị trí
giữa P và N. Nếu thành phố A là trong danh sách gần đó, RemoveSharp sẽ kiểm tra khả năng chuyển đến các

địa điểm trước A (như AP) và sau A (tức là AN). Việc giảm chiều dài tour du lịch sẽ là:
DECREASE = Khoảng cách (P, C) + Khoảng cách (C, N) – Khoảng cách (P, N) Nếu C được di
chuyển đến vị trí trước đến A (ví dụ AP), tăng chi phí tour sẽ là: INCREASEP = Khoảng cách (AP, C) +
Khoảng cách (C, A) - Khoảng cách (AP, A) Nếu C là di chuyển vị trí bên cạnh A tức là AN tăng trong chi
phí tour sẽ là: INCREASEN = Khoảng cách (A, C) + Khoảng cách (C, AN) - Khoảng cách (A, AN)
Khi áp dụng RemoveSharp, DECREASE được tính một lần, trong khi INCREASEN và
INCREASEP được tính cho mỗi thành phố trong NEARLIST. Phức tạp thời gian cho DECREASE,
INCREASEN và INCREASEP là như nhau và để cho nó được x. INCREASEN và INCREASEP nên được
so sánh với DECREASE cho mỗi thành phố trong các NEARLIST.
Nếu y là thời gian thực hiện cho một so sánh. Tất cả những tính toán cần phải được thực hiện cho tất
cả các thành phố trong tour.
Thời gian thực hiện với RemoveSharp = n * (x + 2m * x + 2m * y)
Ở đây, m là kích thước của NERALIST, x được thời gian cho DECREASE, INCREASEN và
INCREASEP và y thời gian thực hiện để so sánh là các hằng số. Do đó, Độ phức tạp đối với thủ tục
RemoveSharp là O (n)

4.5.2. Độ phức tạp của các thủ tục LocalOpt
Độ phức tạp của LocalOpt thay đổi theo giá trị của q, số liên tiếp thành phố thực hiện cho LocalOpt
tại một thời điểm. Khi sắp xếp q thành phố theo một trình tự được kết hợp từ q-2 thành phố xen giữa.
Ta có (q-2)! bộ kết hợp, trong đó mỗi trường hợp có q-1 bổ sung để thực hiện đánh giá chi phí trình
tự và một so sánh để kiểm tra xem chuỗi là tối thiểu hay không.
Do đó, chuỗi n liên tiếp của các thành phố q có độ phức tạp của LocalOpt là n * (((q-2)! * (q-1))
(phép bổ sung) + (q-2)! (phép so sánh)
23


Trong đó: n là một biến.
Xét với q nhỏ (q≤6) thì độ phúc tạp của LocalOpt là O(n)

24

CHƯƠNG 5: THUẬT TOÁN DI TRUYỀN THÍCH NGHI (ADAPTIVE GENETIC
ALGORITHM-AGA)
Các thuật toán di truyền thích nghi (AGA) là thuật toán di truyền cho phép các tham số thay đổi,
chẳng hạn như quy mô dân số, xác suất lai ghép, hay xác suất đột biến,… trong quá trình GA chạy thực hiện.
Một biến thể đơn giản như sau: Tỷ lệ đột biến có thể thay đổi theo quy mô dân số; có thể tăng khi
quy mô dân số tăng và ngược lại, giảm ngay sau khi một sự cải tiến của dân số xảy ra. Thuật toán tiến hành
như sau:
Bước 1:
Khởi tạo dân số ban đầu
Tạo dân số bằng hệ số ngẫu nhiên
Bước 2:
Thực hiện di truyền
Lựa chọn: tạo chiến lược trong không gian lấy mẫu mở rộng
Lai ghép: Có thứ tự ưu tiên trong lai ghép
Đột biến: Tìm kiếm và cho đột biến có tính chất cục bộ
Bước 3:
Áp dụng tìm kiếm cục bộ và lặp lại theo phương pháp leo đồi
Bước 4:
Áp dụng heuristic cho việc tinh chỉnh thông số GA (các giá lai ghép và các đột biến).
Bước 5:
Dừng điều kiện
Nếu số thế hệ đạt tối đa hoặc xác định được một giải pháp tối ưu sau đó dừng lại; nếu không,
chuyển sang Bước 2.
Khác với SGA, các tham số xác xuất lai ghép pc và xác suất đột biến pm cố định, thuật toán này cho
phép tự động thay đổi 02 tham số pc và pm bằng cách vận dụng heuristic để thuật toán có tính thích nghi và
cho kết quả tốt hơn.

5.1. Khởi tạo

Xác định số nguyên H là số nhiễm sắc thể của quần thể ngẫu nhiên ban đầu, và ta có thể áp dụng
dạng mã hóa số thực. Mỗi nhiễm sắc thể bao gồm n gen. Xem xét các thiết lập bởi hàm sau:
Trong đó xi…x là các giá trị gen, (ui, wi) là miền giá trị tương ứng xi

25