Nghiên cứu bài toán định tuyến xe, ứng dụng trong tối ưu hóa thu gom rác thải đô thị (tt)

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
---------------------------------------

Hứa Mạnh Tuyển

NGHIÊN CỨU BÀI TOÁN ĐỊNH TUYẾN XE, ỨNG DỤNG
TRONG TỐI ƯU HÓA THU GOM RÁC THẢI ĐÔ THỊ

Chuyên ngành: Hệ thống thông tin
Mã số: 60.48.01.04

TÓM TẮT LUẬN VĂN THẠC SĨ

HÀ NỘI - 2016


Luận văn được hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
Người hướng dẫn khoa học: Tiến sĩ Nguyễn Trọng Khánh

Phản biện 1:
Phản biện 2:

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại
Học viện Công nghệ Bưu chính Viễn thông
Vào lúc: giờ ....... ngày ....... tháng ....... .. năm ...............
Có thể tìm hiểu luận văn tại:
- Thư viện của Học viện Công nghệ Bưu chính Viễn thông


1

MỞ ĐẦU
Bài toán định tuyến phương tiện (Vehicle Routing
Problem – VRP) có nhiều biến thể khác nhau. Vận chuyển
rác thải có thể coi như một bài toán định tuyến tìm đường
đi có chi phí thấp nhất đi qua các điểm tập kết rác. So với
bài toán VRP cổ điển, bài toán vận chuyển rác thải có
thêm hai ràng buộc: (i) ràng buộc về trọng tải của các xe
cuốn ép rác; và (ii) ràng buộc về thứ tự các điểm phải
viếng thăm. Xe cuốn ép rác có sức chứa giới hạn, kết hợp
với thể tích rác tại các điểm thu gom có thể thay đổi. Vấn
đề này làm tăng quãng đường di chuyển của xe cuốn ép
rác. Nên có thể đường đi ngắn nhất, nhưng chưa hẳn là
đường đi có chi phí tối ưu nhất.
Do đó, dưới sự hướng dẫn của TS. Nguyễn Trọng
Khánh tôi tìm hiểu đề tài “Nghiên cứu bài toán định tuyến
xe, ứng dụng trong tối ưu hóa thu gom rác thải đô thị”.
Luận văn sẽ tập trung nghiên cứu các bài toán định tuyến
xe, và biến thể của chúng. Để từ đó áp dụng cho bài toán
thu gom rác thải rắn đô thị. Giải pháp đưa ra sẽ được áp
dụng thử nghiệm cho việc thu gom rác thải tại thành phố
Hà Giang.


2

CHƯƠNG 1. GIỚI THIỆU VỀ BÀI
TOÁN ĐỊNH TUYẾN XE
1.1. Tổng quan về lĩnh vực tối ưu hóa tổng
hợp

1.2. Bài toán định tuyến xe và một số biến
thể
Ta gọi đồ thị G=(V,A) là một đồ thị với
V={1,…,n} là tập hợp các đỉnh biểu diễn các thành phố
với các kho đặt ở đỉnh số 1, và A là tập hợp các cạnh, là
các cung đường kết nối các thành phố. Các cạnh
(𝑖, 𝑗) ∀𝑖 ≠ 𝑗 được liên kết với một ma trận C = (cij). Trong
một số hoàn cảnh, cij có thể được coi như là chi phí viếng
thăm (travel cost) hoặc thời gian viếng thăm (travel time).
Để cho đơn giản, giả định tất cả các phương tiện là giống
hệt nhau và có cùng thể tích (tải trọng) chuyên chở D.
Bài toán VRP sẽ thực hiện tìm kiếm các tuyến
đường để các phương tiện di chuyển với chi phí thấp nhất
mà:
i) Mỗi thành phố trong V\{1} được đi qua đúng
một lần bởi đúng một phương tiện.


3
ii) Tất cả các tuyến đường xuất phát từ kho (tại
thành khố 1) và kết thúc cũng ở kho.
iii) Một số ràng buộc khác được thỏa mãn.
Thông thường có một số các ràng buộc phổ biến
khác như sau:
i) Ràng buộc về trọng lượng, thể tích.
ii) Số lượng của các thành phố trên bất kỳ tuyến
đường nào đều được chặn trên bởi q.
iii) Ràng buộc về tổng thời gian.
iv) Cửa sổ thời gian: mỗi thành phố i phải được
viếng thăm trong vòng một khoảng thời gian [ai,bi].

v) Mối quan hệ ưu tiên giữa các cặp của thành phố.

1.3. Một số giải thuật áp dụng cho bài toán
VRP
1.3.1. Giải thuật láng giềng gần nhất
1.3.2. Giải thuật tìm kiếm cục bộ
1.3.3. Giải thuật tối ưu hóa đàn kiến ACO
a) Thí nghiệm chiếc cầu đôi
b) Mô hình ngẫu nhiên
c) Phương pháp tìm đường đi theo mô phỏng
hành vi đàn kiến


4
Các con kiến di chuyển trên đồ thị bằng cách lựa
chọn đường đi theo quy tắc xác suất:
+ pis(t) là xác suất mà một con kiến xác định vị trí
tại nút i ở thời điểm t lựa chọn con đường ngắn.
+ pil(t) là xác suất mà một con kiến xác định vị trí
tại nút i ở thời điểm t lựa chọn con đường dài.
(𝜑𝑖𝑠 (𝑡))𝛼
𝑝𝑖𝑠 (𝑡) =
(𝜑𝑖𝑠 (𝑡))𝛼 + (𝜑𝑖𝑙 (𝑡))𝛼
(𝜑𝑖𝑙 (𝑡))𝛼
𝑝𝑖𝑙 (𝑡) =
(𝜑𝑖𝑠 (𝑡))𝛼 + (𝜑𝑖𝑙 (𝑡))𝛼

(1.2)

Quá trình cập nhật mùi trên hai nhánh được thực

hiện như sau:
𝜑𝑖𝑠 (𝑡 ) = 𝜑𝑖𝑠 (𝑡 − 1) + 𝑝𝑖𝑠 (𝑡 − 1)𝑚𝑖 (𝑡 − 1)
+ 𝑝𝑗𝑠 (𝑡 − 1)𝑚𝑗 (𝑡 − 1)

(1.3)

(i=1,j=2; i=2,j=1)
𝜑𝑖𝑙 (𝑡 ) = 𝜑𝑖𝑙 (𝑡 − 1) + 𝑝𝑖𝑙 (𝑡 − 1)𝑚𝑖 (𝑡 − 1)
+ 𝑝𝑗𝑙 (𝑡 − 1)𝑚𝑗 (𝑡 − 𝑟)

(1.4)

(i=1,j=2; i=2,j=1)
Tại mi(t), số con kiến tại nút i tại thời điểm t, được
cho bởi công thức:


5
𝑚𝑖 (𝑡) = 𝑝𝑗𝑠 (𝑡 − 1)𝑚𝑗 (𝑡 − 1)
+ 𝑝𝑗𝑙 (𝑡 − 𝑟)𝑚𝑗 (𝑡 − 𝑟)

(1.5)

(i=1,j=2; i=2,j=1)
d) Đàn kiến nhân tạo và chi phí tối thiểu trên
đường đi
e) Sự bay hơi của chất dịch phenomones
f) Thuật toán ACO giải bài toán VRP:
Trong hệ thống AS, mỗi con kiến sẽ được khởi
động từ một thành phố được chọn ngẫu nhiên và có một

ký ức nhớ để lưu các thành phần lời giải mà nó sẽ cấu trúc
sau này. Từ thành phố đầu tiên, mỗi con kiến sẽ di chuyển
qua các thành phố khác. Khi đang ở một thành phố i, con
kiến k sẽ lựa chọn thành phố tiếp theo j để đến thăm theo
xác suất được đưa ra như sau:
𝛼

𝑃𝑖𝑗𝑘 (𝑡 ) =

𝛽

[𝜏𝑖𝑗 (𝑡)] ∙ [𝜂𝑖𝑗 ]
𝛼

𝛽

∑𝑙∈𝑁𝑘[𝜏𝑖𝑗 (𝑡)] ∙ [𝜂𝑖𝑗 ]

nếu 𝑗 ∈ 𝑁𝑖𝑘

𝑖

Trong đó:
 ηij = 1/dij là thông tin về tri thức ưu tiên;

(1.6)


6
 α,β là hai tham số do người dùng định nghĩa,

xác định mức độ ảnh hưởng của nồng độ vết
mùi pheromone và thông tin về tri thức;
 𝑁𝑖𝑘 là láng giềng khả thi của con kiến thứ k, có
nghĩa là tập các thành phố mà con kiến thứ k có
thể đến thăm.
Lời giải cuối cùng sau khi mỗi con kiến hoàn thành
hành trình của mình kết thúc sau khi mỗi con kiến được
cấu trúc có độ dài n. Tiếp theo các nồng độ vết mùi
pheromone sẽ được cập nhật theo công thức:
𝜏𝑖𝑗 (𝑡 + 1) = (1 − 𝜌)𝜏𝑖𝑗 (𝑡 )
𝑚
𝑘
+ ∑ Δ𝜏𝑖𝑗
(𝑡)

với mọi (i,j)

(1.7)

𝑘=1
𝑘
Δ𝜏𝑖𝑗
(𝑡) xác định số lượng các mật độ pheromone

của con kiến k trên cung, được định nghĩa như sau:
𝑘( )
Δ𝜏𝑖𝑗
𝑡 ={

1⁄𝐿𝑘 (𝑡) 𝑛ế𝑢 𝑐𝑢𝑛𝑔 (𝑖, 𝑗)đượ𝑐 𝑑ù𝑛𝑔

0 𝑛ế𝑢 𝑛𝑔ượ𝑐 𝑙ạ𝑖

(1.8)

Với Lk(t) là độ dài hành trình của con kiến thứ k.


7

1.4. Kết luận
Trong chương này khái quát về lĩnh vực tối ưu hóa
tổng hợp, bài toán người giao hàng, bài toán định tuyến xe
và một số biến thể đồng thời trong chương cũng thực hiện
giới thiệu một số giải thuật áp dụng cho bài toán VRP,
như giải thuật láng giềng gần nhất, giải thuật đàn kiến.
Trong đó, trọng tâm là giải thuật đàn kiến được nêu chi
tiết hơn cả nhằm tìm kiếm đường đi trên đồ thị với một chi
phí tối thiểu.

CHƯƠNG 2. ĐỊNH TUYẾN XE
TRONG TỐI ƯU HÓA THU GOM RÁC
THẢI ĐÔ THỊ
2.1. Phát biểu bài toán
Bài toán tối ưu thu gom, vận chuyển rác thải đô thị
có một số điểm khác biệt: (i) Ràng buộc về năng lực xe,
(ii) Ràng buộc về thứ tự ưu tiên giữa các điểm phải đi qua
Đây là một bài toán định tuyến phương tiện VRP
[24]. Nhưng, khác với bài toán VRP cổ điển, với bài toán
này xe cuốn ép rác cần phải đi qua bãi rác L trước khi
quay lại điểm xuất phát. Tuy nhiên, với hầu hết các nước

8
đang phát triển, như Việt Nam, bãi xe và bãi rác thường là
một. Do đó, để đơn giản hóa, trong phạm vi luận văn, bài
toán có một số giả định như sau:
* Điểm xuất phát của xe và bãi rác được coi là một.
* Vị trí và số lượng của mỗi điểm tập kết rác thải
được biết trước.
* Khoảng cách giữa các điểm thu gom rác thải là
biết trước.
* Lượng rác thải phát sinh định kỳ hằng ngày là
biết trước.
Gọi G=(V,A) là đồ thị biểu diễn tuyến đường của
xe cuốn ép rác. Trong đó , vector V={v0,v1,…,vn} biểu
diễn:
* v0 là điểm xuất phát của xe cuốn ép rác.
* V’=V\{v0}là tập n vị trí các điểm tập kết rác thải,
vn là bãi rác
* A={(vi,vj) | vi,,vj ϵ V; i ≠ j} là tập các cạnh của đồ
thị
* C là ma trận nguyên dương chi phí (khoảng cách)
cij giữa các điểm tập kết rác thứ i và j
* Đặt m là số lượng xe cuốn ép rác


9
* Đặt S là tập các tuyến đường thỏa mãn tất cả các
ràng buộc của hàm mục tiêu
* X là một ma trận (0,1) trong đó xij = 1 nếu có

tuyến đường giữa điểm i và điểm j và xij = 0 nếu ngược lại
(không có tuyến đường giữa điểm i và điểm j):
[𝑥𝑖𝑗 ]; trong đó 𝑥𝑖𝑗 = {

𝑋=

1

𝑛ế𝑢 𝑐ó 𝑐𝑢𝑛𝑔 (𝑖, 𝑗)
0 𝑛ế𝑢 𝑛𝑔ượ𝑐 𝑙ạ𝑖

Mục tiêu là tối thiểu hóa chi phí: tổng chiều dài
tuyến đường phải đi và các chi phí cố định liên quan tới
các điểm phải đi qua.

2.2. Hàm mục tiêu
Hàm mục tiêu để tính toán lộ trình tối ưu được thể
hiện như sau:
𝑛

𝑛

𝑚𝑖𝑛 ∑ ∑ 𝑐𝑖𝑗 𝑥𝑖𝑗

(2.1)

𝑖=0 𝑗=0,𝑖≠𝑗

Trong đó:
𝑛

∑ 𝑥𝑖𝑗 = 1

j = 1,…,n

(2.2)

i = 1,…,n

(2.3)

𝑖=1,𝑖≠𝑗
𝑛

∑ 𝑥𝑖𝑗 = 1
𝑗=1,𝑖≠𝑗


10
𝑛

∑ 𝑥𝑖0 = 𝑚

(2.4)

𝑖=0
𝑛

∑ 𝑥0𝑗 = 𝑚

(2.5)

𝑗=0

∑ ∑ 𝑥𝑖𝑗 > 𝑟(𝑆)
𝑖∉𝑆 𝑗∈𝑆

𝑥𝑖𝑗 ∈ {0,1}

∀(𝑆) ∈ 𝑉\{0},
𝑆≠∅
∀(𝑖, 𝑗) ∈ 𝐴

(2.6)
(2.7)

2.3. Đề xuất giải pháp
Các thông tin về hình ảnh bản đồ, vị trí các điểm
tập kết rác, vị trí bãi xe, bãi rác, các tuyến đường,… được
chuyển đổi từ các tập tinh dữ liệu bản đồ số GIS. Dữ liệu
về thể tích rác tại các điểm thu gom được căn cứ trên tập
dữ liệu lịch sử.
Các điểm tập kết rác được biểu diễn bởi tập các véc
tơ hai chiều bao gồm kinh độ và vĩ độ. Các điểm tập kết
rác được chia thành các cụm bởi thuật toán phân cụm KMean với số cụm bằng số lượng xe cuốn ép rác.
Bước tiếp theo thực hiện lần lượt cho mỗi cụm. Với
mỗi cụm, khởi chạy thuật toán ACO với các ràng buộc đã
nêu. Từ đó ta có được lộ trình tối ưu cho từng xe cuốn ép
rác.

11

2.3.1. Giải thuật
Giải thuật định tuyến:
Input:
- locations: vị trí các điểm tập kết rác trong thành phố
- locationsVolume: thể tích rác tải các điểm tập kết rác thải
- numberOfVehicle: số lượng phương tiện tham gia thu gom rác thải
- D = ma trận khoảng các của các cụm
- M = ma trận chất dịch pheremone
Output:
optimizeRoute: lộ trình tối ưu cho phương tiện
Giải thuật:
1. clusters = K-MEAN(locations, locationsVolume,
numberOfVehicle);
2. for each cluster c in clusters do
3.

optimizeRoute = ACO(D(c),M(c));

4. end for
Trong đó:
D(c) = ma trận khoảng các của các điểm trong cụm c.
M(c) = ma trận chất dịch pheremone của cụm c.

Bảng 2.1. Giải thuật định tuyến
Input:
D[c]= ma trận khoảng cách của cụm c
numColCenter=Số thượng điểm tập kết rác trong cụm c

numAnt=số lượng kiến, khởi tạo numAnt= numColCenter
M[c]=Ma trận mùi của cụm c
N=Số lượng vòng lặp chạy giải thuật


12
Output:
optimizeRoute: lộ trình tối ưu cho xe cuốn ép rác
Giải thuật:
1: For i=0 to N
//Khởi tạo đàn kiến, số lượng bằng số điểm tập kết rác.
2:

Ants = initAnt(numAnt);

3:

Loop ant over:Ants

4:

remainCities=các thành phố chưa đi qua bởi con

kiến này (ant)
5:

Loop white remainCities<>nill

//Tính tổng xác suất lựa chọn tất cả các thành phố còn lại của kiến
6:

totalP=CaculateTotalProbability(D[c],M[c]);

//Tính một ngưỡng ngẫu nhiên trên tổng xác suất
7:

pThreshold=random(0~1)* totalP;

//Tính xác suất lựa chọn thành phố của vòng lặp này
8:

indexChoseCity=0;// Định danh thành phố

được chọn
9:

pChoseCity

=

CaculateChoseCity

Probability( D[],M[], remainCities[ indexChoseCity]);
10:

While pChoseCity < pThreshold

11:

indexChoseCity = indexChoseCity

+1;
//Tính lại xác suất chọn của thành phố khác chưa đi
12:

pChoseCity

CaculateChoseCityProbability(D[c],
remainCities[indexChoseCity])
13:

End while

+=
M[c],


13
//Tìm được thành phố tiếp theo
//đi tới thành phố được chọn
14:

ant.CurrentCity=

remainCities[indexChoseCity];
//Loại bỏ khỏi đanh sách thành phố chưa qua
15:

remainCities

=

remainCities

-

remainCities[indexChoseCity];
//Thêm vào danh sách thành phố đã đi qua của con kiến này
16:

ant.Route= ant.Route+ ant.CurrentCity;

//Tính khoảng cách đã đi được của con kiến hiện tại
17:

ant.RouteDistance=ant.RouteDistance

+

distance( ant.PriviousCity, ant.CurrentCity);
//Tính tổng thể tích rác mà con kiến đã thu gom được
18:

ant.RouteVolumn=ant.RouteVolumn

+

currentCity.Volumn;
//Nếu đã đầy xe
19:

If

ant.RouteVolumn

>=

clusterVihicle.Capacity*0.95 then
//Thực hiện quay về bãi đổ rác
20:

ant.CurrentCity = landfill;
//Thêm bãi rác vào lộ trình

21:

ant.Route= ant.Route+ landfill;
//Tính quãng được đi được

22:
ant.RouteDistance=ant.RouteDistance
distance(ant.PriviousCity, ant.CurrentCity);
//Trở lại điểm tiếp theo chưa đi gần bãi rác nhất

+


14
23:

ant.CurrentCity

=

nearestCity(landfill, remainCities);
24:

End if

25:

End loop while
//CON KIẾN ĐÃ ĐI HẾT CÁC THÀNH PHỐ

26:

If ant.RouteDistance < minimalDistance then

27:

minimalDistance= ant.RouteDistance;

28:

minimalRoute= ant.Route;

29:
30:

End if

End loop
//ĐÃ DUYỆT QUA HẾT KIẾN
//Cập nhật chất dịch Pheromone

31:

UpdatePheromone(minimalDistance,minimalRoute);

32: End for
//ĐÃ HẾT SỐ VÒNG LẶP
33: return minimalRoute;
Kết thúc giải thuật 1

Bảng 2.2. Giải thuật tối ưu hóa đàn kiến ACO

2.3.2. Thực nghiệm bằng mô hình đa tác tử
Mục đích của mô hình dựa trên tác tử ABM trong
bài toán định tuyến thu gom rác thải đô thị được sử dụng
để mô hình hóa các yếu tố của mạng lưới giao thông có
ảnh hưởng tới tổng khoảng cách lộ trình của các xe cuốn
ép rác (ví dụ như sự tắc nghẽn giao thông), để từ đó tính
toán ra kết quả thử nghiệm lời giải tối ưu trong môi trường


15
gần với thực tế hơn. Mô hình ABM sử dụng trong phạm vi
luận văn có năm loại tác tử: Tác tử đường phố, Tác tử
điểm gom rác, Tác tử phương tiện giao thông, Tác tử xe
cuốn ép rác, Tác tử bãi xe:

2.4. Kết luận
Trong chương hai đã thực hiện phát biểu, nêu rõ
hàm mục tiêu của bài toán định tuyến xe trong tối ưu hóa
thu gom rác thải đô thị. Thực hiện đề xuất giải pháp, ứng
dụng giải thuật tối ưu hóa đàn kiến ACO vào bài toán định
tuyến xe trong tối ưu hóa thu gom rác thải rắn đô thị. Trên
cơ sở đó, giới thiệu mô hình thực nghiệm dựa trên tác tử
nhằm tìm kiếm kết quả tối ưu trong môi trường mô phỏng
gần giống với môi trường thực tế. Từ đó là cơ sở để so
sánh kết quả thu được từ mô hình thực nghiệm và kết quả
tính toán trong chương tiếp theo.


16

CHƯƠNG 3. TỐI ƯU HÓA THU
GOM RÁC THẢI THÀNH PHỐ HÀ
GIANG
3.1. Hệ thống thu gom rác thải Thành phố
Hà Giang
Thành phố Hà Giang, theo báo cáo xác minh của
UBND thành phố Hà Giang và công ty cổ phần Môi
trường Đô thị Hà Giang năm 2015 lượng rác phát sinh
hằng ngày là 365.4 m3/ngày.
Thành phố hiện có 2 xe cuốn ép rác, thể tích thùng
lần lượt là 35m3 và 50m3, chịu trách nhiệm thu gom rác
thải tại 33 điểm tập kết rác khác nhau. Hàng ngày, các xe
cuốn ép rác sẽ đi đưa rác từ các điểm tập kết rác về bãi rác
thành phố theo một lịch trình cố định 2 ca một ngày: ca 1
bắt đầu từ 8h sáng và ca 2 bắt đầu từ 18h30;

Theo số liệu thống kê trong tháng 4/2016, của công
ty Môi trường và đô thị Hà Giang, cả ca sáng và chiều
tổng quãng đường mà 2 xe đi là hơn 133km một ngày (bao
gồm cả quãng đường đi và về bãi rác).


17
Hà Giang có hai xe cuốn ép rác tương ứng với hai
vùng của thành phố. Xe cuốn ép rác đầu tiên có thể tích
thùng 35m3 thực hiện thu thập rác tại các điểm tập kết rác
14, 15, 16, 17, 18, 19, 20, 21, 23, 24, 25, 26, 27, 31, 32, 33
còn xe cuốn ép rác thứ hai có thể tích thùng 50m3 phụ
trách các điểm tập kết rác 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,
12, 13, 22, 23, 28, 29, 30. Có điểm tập kết rác số 23 có thể
tích rác lớn nên cả hai xe cùng phải phụ trách.
Trong một ngày, các xe cuốn ép rác bắt đầu thu
gom tại hai thời điểm: 8h00 và 18h30. Tại thời điểm lúc
8h00, lộ trình của xe cuốn ép rác 35m3 như sau: 0 -> 31 ->
26 -> 27 -> 23 -> 21 -> 20 -> 32 -> 17 -> 18 ->19 ->16 ->
15 -> 24 -> 27 -> 33 -> 23 -> 0, trong khi đó lộ trình của
xe cuốn ép rác 50m3 là 0 -> 28 -> 29 -> 22 -> 5 -> 1 -> 3 > 4 -> 2 -> 6 -> 7 -> 8 -> 9 -> 13 -> 23 -> 30 -> 12 -> 11 > 10 -> 5 ->1 -> 23 -> 0.
Tại thời điểm 18h30, lộ trình của xe cuốn ép rác
35m3 như sau: 0 -> 26 -> 27 -> 33 -> 23 -> 24 -> 14 -> 15
-> 16 -> 17 -> 18 -> 19 -> 20 -> 21 -> 25 -> 0 và 0 -> 28 > 22 -> 5 -> 4 -> 3 -> 1 -> 2 -> 6 -> 7 -> 8 -> 9 -> 13 ->


18
12 -> 11 -> 10 -> 23 -> 0 là lộ trình của xe cuốn ép rác
50m3.

3.2. Tối ưu hóa thu gom rác thải tại thành
phố Hà Giang
3.2.1. Lộ trình tối ưu
Từ dữ liệu bản đồ số GIS, ta biết được vị trí cũng
như ma trận khoảng cách (Hình 3.2). Sau khi áp dụng
bước đầu tiên, lộ trình tối ưu (ca sáng) của xe cuốn ép rác
50m3 là 0->30->12->11->8->7->9->6->2->1->3->4->5>0->5->10->13->23->0->23->29->22->28->0; và của xe
cuốn ép rác 35m3 là 0 -> 17->18->19->21->32->20->16>15->24->27->0->27->26->31->33->23->0->23->0.
Đối với ca chiều, lộ trình tối ưu của xe cuốn ép rác
50m3 là: 0 -> 12->11->8->7->9->6->2->1->3->4->5->0>5->10->13->23->22->0->22->28->0; và lộ trình tối ưu
của xe cuốn ép rác 35m3 là: 0->17->18->19->21->20->16>15->14->24->25->0->25->27->26->0->26->33->0;
Với lộ trình tối ưu tính toán được, tổng quãng
đường phải đi trung bình mỗi ngày của cả hai xe là
120,5km. Tổng quãng đường phải đi của cả hai ca giảm
xuống khoảng 9,4% theo tính toán lý thuyết. Số liệu này


19
sẽ được thực hiện so sánh với số liệu thực nghiệm tính
toán bởi mô hình mô phỏng.

3.2.2. Thí nghiệm với mô hình đa tác tử
Trong thực tế, sau khi áp dụng giải thuật đã nêu, có
thể tính toán được tổng quãng đường mà mỗi phương tiện
phải đi. Nhưng kết quả này được tính toán trong một ngữ
cảnh tính toán lý thuyết. Bởi vậy, trong phạm vi luận văn
thực hiện sử dụng mô hình hướng tác tử đã giới thiệu
trong Chương 2 để thử nghiệm lộ trình tối ưu trong ngữ
cảnh gần giống với thực tế hơn. Với mô hình hướng tác
tử, luận văn mô hình hóa động mạng lưới giao thông của

thành phố Hà Giang (bao gồm đường xá và các phương
tiện khác tham gia giao thông, mật độ giao thông, khả
năng thay đổi lộ trình của các phương tiện,…). Bởi vậy, số
liệu tổng quãng đường các phương tiện phải đi sẽ gần với
số liệu khi áp dụng lộ trình tối ưu trong thực tế hơn.
Đầu vào của mô hình mô phỏng bao gồm các thành
phần sau:
* Bản đồ đường và các tòa nhà.
* Vị trí các điểm tập kết rác thải.
* Phương tiện giao thông.


20
* Xe cuốn ép rác và các thuộc tính.
* Bãi xe.
* Lộ trình thu gom
Đầu ra của mô hình mô phỏng bao gồm các nội
dung:
* Tổng khoảng cách di chuyển.
* Lộ trình thực tế.

3.2.3. Kết quả và đánh giá
Các lộ trình tối ưu tính toán được như trên được sử
dụng làm đầu vào cho mô hình mô phỏng (Hình 3.5). Mô
hình mô phỏng được thử nghiệm với thời gian mô phỏng
là 180 ngày. Kết quả thực nghiệm mô hình mô phỏng cho
thấy tổng quãng đường các xe cuốn ép rác phải đi trong
vòng 180 ngày giảm 6,4%. so với tổng quãng đường trước
khi tối ưu. So với tính toán lý thuyết ban đầu từ lộ trình tối
ưu tính toán được là 9,4% thì kết quả thực nghiệm cho ra

số liệu có hiệu quả thấp hơn. Điều này chứng tỏ, trong
môi trường mô phỏng, không phải lúc nào xe cuốn ép rác
có thể đi được đúng theo lộ trình tối ưu tính toán trước
được. Chính yếu tố này tạo nên giá trị của mô hình mô
phỏng, giúp cho việc kiểm tra các kết quả tính toán lý


21
thuyết trên môi trường mô phỏng gần giống với thực tế.
Tuy nhiên, với kết quả thực nghiệm trong mô hình lộ trình
tối ưu vẫn mang lại kết quả tốt hơn so với lộ trình theo
kinh nghiệm ban đầu. Sau đây là bảng tổng hợp kết quả
thực nghiệm lộ trình tối ưu trong mô hình mô phỏng:
Số ngày thực nghiệm

180 ngày

Số km thực tế theo thống kê

23940 km

Số km tính toán được theo lộ trình 21690 km
tối ưu
Phần trăm giảm theo lộ trình tính 9,4%
toán được
Số km kết quả thử nghiệm trong mô 22410 km
hình mô phỏng
Phần trăm giảm theo kết quả thử 6,4%
nghiệm mô hình
Bảng 3.3. Kết quả thử nghiệm mô hình mô

phỏng

3.3. Mô hình hệ thống tối ưu thu gom rác
thải mở rộng
Trong thực tế, một hệ thống quản lý rác thải đô thị
(bao gồm cả quản lý thu gom và vận chuyển rác thải đô


22
thị) ngoài lộ trình tối ưu phải tính toán, còn phải thực hiện
tính toán xử lý nhiều nội dung khác, từ các nội dung phổ
dụng như thu thập và thống kê thể tích rác thải đô thị đến
các nội dung khó hơn như tính toán số lượng các điểm tập
kết rác thải phù hợp, vị trí các điểm tập kết rác thải,…
Trong phạm vi mở rộng của luận văn, có thực hiện
xây dựng mô hình thu gom và vận chuyển rác thải giải
quyết thêm một số nội dung:
- Phân chia các điểm tập kết rác thải cho xe cuốn ép
rác
- Đề xuất phương án thu thập dữ liệu thể tích rác tại
các điểm tập kết rác
- Đề xuất phương án cập nhật tình trạng thể tích
thùng của xe cuốn ép rác
- Tính toán lộ trình tối ưu với rác buộc về thể tích
rác tại các điểm tập trung và thể tích thùng xe cuốn ép rác.
- Tính toán lại lộ trình tối ưu trong trường hợp thể
tích rác tại các điểm tập trung có sự thay đổi vượt ngưỡng
cho trước hoặc số lượng các điểm tập kết rác thay đổi.

23
- Theo dõi tình trạng thể tích thùng của phương tiện
chở rác để đề xuất khả năng hỗ trợ thu gom các điểm tập
kết rác lân cận trong phạm vi cho phép.

3.4. Kết luận
Trong chương này đã trình bày hệ thống thu gom
rác thải tại TP. Hà Giang, thực hiện tính toán lộ trình tối
ưu theo giải thuật đã đề xuất, từ đó thực hiện thí nghiệm
với mô hình đa tác tử, thực hiện đo lường kết quả và so
sánh với kết quả thực tế. Kết quả cho thấy lộ trình tối ưu
tốt hơn lộ trình cũ. Ngoài ra, thực hiện mô tả mô hình hệ
thống tối ưu thu gom rác thải mở rộng với nhiều nội dung
được xử lý tính toán, kết quả thử nghiệm đã được công bố
tại hội nghị SoICT năm 2016 tại TP. Hồ Chí Minh và phát
hành trên thư viện số ACM ( />
CHƯƠNG 4. KẾT LUẬN VÀ HƯỚNG
PHÁT TRIỂN
Trong phạm vi luận văn đã thực hiện nghiên cứu về
bài toán định tuyến xe VRP và một số biến thể của nó như
OVRP, DVRP. Thực hiện tìm hiểu một số giải thuật áp
dụng cho bài toán định tuyến xe VRP như giải thuật tối ưu