MỤC LỤC
DANH MỤC BẢNG
DANH MỤC HÌNH ẢNH
Trang 2
MỞ ĐẦU
Hệ phương trình phi tuyến được biểu diễn rất phức tạp và thuật toán để giải
các hệ phương trình này là các phương pháp thông thường có độ phức tạp tính toán
cao. Các phương pháp như chia đôi (Bisection), Regula Falsi, Newton Raphson,
Secant, Muller, ... được sử dụng để giải quyết những vấn đề như vậy. Bài báo này
đã tìm được những hạn chế trong các phương pháp hiện có và giải thích cho việc sử
dụng giải thuật di truyền để giải quyết vấn đề này. Một phương pháp dựa trên giải
thuật di truyền đã được đề xuất, phương pháp này hiệu quả hơn và mang lại kết
quả tốt hơn so với các phương pháp hiện có.
Từ khóa:
Phương trình phi tuyến
Kỹ thuật tính toán mềm
Giải thuật di truyền
Trang 3
Chương 1. TỔNG QUAN VỂ HỆ PHƯƠNG TRÌNH PHI
TUYẾN VÀ GIẢI THUẬT DI TRUYỀN
Hệ phương trình tuyến tính và phi tuyến được sử dụng nhiều trong ứng dụng
kỹ thuật. Việc tìm một giải pháp mạnh mẽ và hiệu quả cho những hệ như vậy là
một công việc tẻ nhạt và đôi khi quá phức tạp để được xử lý bằng các phương pháp
thông thường như phương pháp của Newton, phương pháp băm, phương pháp
Regula Falsi, ... Các phương pháp thông thường hiện có để giải quyết vấn đề trên có
thể được phân loại như sau:
Loại 1: Các phương pháp dựa trên tính toán, bao gồm các phương pháp thường gặp
như: phương pháp Newton, phương pháp Secant, phương pháp chia đôi
(Bisection), ...
Loại 2: Các phương pháp mang tính kinh nghiệm (Heuristic), bao gồm các kỹ thuật
tính toán tiến hóa như tối ưu hóa dòng hạt, Giải thuật di truyền, ...
Độ phức tạp tính toán cao cả về thời gian và không gian cùng với những ràng
buộc phức tạp trong các phương pháp thông thường làm cho việc giải các hệ phi
tuyến gặp nhiều khó khăn. Điều này mở ra khả năng của Giải thuật di truyền cho
thế giới toán học đầy mê hoặc. Lưu ý rằng, Giải thuật di truyền là quá trình tìm
kiếm mang tính kinh nghiệm dựa trên lý thuyết tiến hóa của Darwin. Nó đã được tìm
thấy qua những ứng dụng của Giải thuật di truyền đã tạo ra một kết quả mạnh mẽ
và hiệu quả trong thời gian ngắn. Ngoài ra, nó có thể giải quyết những vấn đề rất
lớn. Việc tìm ra giải pháp cho một phương trình hay của một bộ các phương trình
cho trước cũng là một vấn đề cần tìm kiếm. Hơn nữa, một trong những yếu tố giúp
Giải thuật di truyền được ứng dụng nhiều trong giải quyết vấn đề là có không gian
tìm kiếm rộng lớn.
Công việc này đề xuất một kỹ thuật tính toán mềm cho việc tìm kiếm các
giải pháp hiệu quả để giải quyết hệ phương trình đã cho. Cách tiếp cận này sử
dụng nguyên tắc tính toán tiến hóa và đã được áp dụng hiệu quả trong việc tìm ra
các giải pháp gần đúng trong giải phương trình. Những phân tích từ thực nghiệm đã
được thực hiện và đạt được kết quả trong khi giải quyết vấn đề. Trong khi công
việc đang diễn ra, tỷ lệ chéo, đột biến được thực hiện trong các thí nghiệm, những
hằng số được giữ nguyên và các biến thể của chúng cũng đang được phân tích. Quá
trình đã được thực hiện thành công và kết quả rất đáng khích lệ. Ưu điểm của
phương pháp này là không yêu cầu thêm ràng buộc nào liên quan đến sự khác biệt
của phương trình. Do đó, phương pháp này cũng có thể được sử dụng cho các
phương trình không liên tục.
Trang 4
Cấu trúc của bài báo như sau:
Chương 1: Giới thiệu tổng quan về hệ phương trình phi tuyến và Giải thuật di
truyền. Chương 2: Đánh giá ngắn gọn các tài liệu tham khảo đã cung cấp những
giải pháp đã được đề cập trước đó.
Chương 3: Cung cấp kiến thức tổng quan về Giải thuật di truyền.
Chương 4: Đề xuất công việc cần thực hiện.
Chương 5: Thí nghiệm và kết quả.
Chương 6: Trình bày kết luận, ứng dụng và khả năng trong tương lai.
Trang 5
Chương 2. CÔNG NGHỆ TIÊN TIẾN
Một đánh giá có hệ thống cung cấp một nguồn tài liệu tuyệt vời để hiểu,
đánh giá và diễn giải tất cả các công việc liên quan đến lĩnh vực nghiên cứu. Nó
cũng giúp cho việc áp dụng công nghệ tiên tiến trong giải quyết các vấn đề đạt
hiệu quả. Ngoài ra, nó cũng giúp giải thích cho các giải pháp được đề xuất.
Theo quan điểm này, một đánh giá tài liệu rộng rãi đã được thực hiện. Kết
quả của đánh giá này đã được trình bày trong bảng 1. 1. Mặc dù, nhiều bài báo khác
đã được nghiên cứu và phân tích, phương pháp này ít nhiều cũng giống với phương
pháp được đề cập trong các bài báo được nhắc tới trong bảng sau. Các điểm quan
trọng và các vấn đề liên quan đến các phương pháp này cũng đã được xem xét trong
khi tiến hành thí nghiệm. Tuy nhiên, việc đánh giá những bài báo này chưa được đề
cập trong bảng [1] [4] [5] [7] [9] [11] [12] [14] [20].
Bảng 1. Công nghệ tiên tiến
ST
T
1
2
3
Năm
Công việc đề xuất
Kiểm tra
2001 Công trình sử dụng phương Công việc được đề xuất đã kiểm
pháp giảm độ dốc để giải hệ tra các vấn đề:
phương trình phi tuyến [2]
Mở rộng chức năng Rosenbrock
Chức năng tam giác Broyden
200 Tác giả trình bày một phương Công trình đã xác minh được vấn
5
pháp để sắp xếp các phương đề mô phỏng chu trình kết hợp
trình từ hệ phương trình phi Tuabin với khí ga.
tuyến, có thể được giải bằng
phương pháp điểm cố định.
Công việc liên quan đến việc
kết hợp giữa học máy trên cơ sở
di truyền và Giải thuật di
truyền, giúp quản lý một quần
thể của quá trình với giải pháp
khả thi [19]
200 Trong bài báo này, Giải thuật di Công việc được đề xuất đã kiểm
6
truyền đa mã hóa đã được phát tra các vấn đề:
triển để ước tính các tham số Đơn hàng đầu tiên cộng với hệ
khác nhau của hệ phi tuyến [3]
thống thời gian chết
Trang 6
4
5
6
Vấn đề hệ phi tuyến và không
ổn định
200 Trong bài báo, lần đầu tiên việc Để kiểm tra cách giải này, một
6
giải hệ phương trình phi tuyến vài ví dụ về hệ phương trình phi
ở mỗi bước được chuyển thành tuyến bậc hai hai biến đã được
một vấn đề lập trình có điều
xem xét.
kiện ràng buộc và cùng với
chiến lược tìm kiếm dòng, hệ
được giải quyết bằng thuật toán
SQP [15]
200 Đề xuất một yêu cầu mới là coi Công việc này đã kiểm tra được
8
hệ phương trình phi tuyến là bài các vấn đề:
toán tối ưu hóa đa mục tiêu [6]
Đo khoảng cách chuẩn trong Số
học
Ứng dụng thần kinh
Ứng dụng động học
Ứng dụng đốt
Ứng dụng cân bằng hóa học
2011 Trong công việc được đề xuất, Phương pháp đã được xác minh
tác giả kết hợp hai công cụ tối với một bộ gồm 17 vấn đề đã
ưu hóa dựa trên kinh nghiệm đó được kiểm tra
là Giải thuật di truyền và Tối
ưu hóa dòng hạt để giải hệ
phương trình phi tuyến phức tạp
[1]
7
8
2013 Bài viết mô tả một ứng dụng
riêng biệt của Giải thuật di
truyền để giải quyết gần đúng
các vấn đề tối ưu bằng cách
giới thiệu các cặp cá thể phù
hợp và đối xứng [18]
2013 Trong bài báo này, lần đầu tiên
tác giả đã chuyển đổi hệ
phương trình đơn tuyến thành
bài toán tối ưu hóa không bị ràng
Trang 7
Một số ví dụ liên quan đến hai
biến đã được sử dụng để kiểm
chứng giải pháp đưa ra
Công việc được đề xuất đã kiểm
tra được các vấn:
Ứng dụng chất lỏng trong cơ
học
9
10
buộc và tập hợp các hệ thống
phức tạp thành bài toán tối ưu
hóa bị ràng buộc. Sau đó, sử
dụng Giải thuật di truyền để
giải quyết hệ thống [16]
2014 Bài báo ước tính nghiệm gốc
của phương trình phi tuyến
bằng Giải thuật di truyền thông
qua kích thước quần thể, tỷ lệ
chéo và mức độ đột biến [10]
Ứng dụng số học
Ứng dụng đốt
Ứng dụng sinh lý thần kinh
Công việc đề xuất đã kiểm tra
được các vấn đề sau:
Vấn đề nhân viên bán hàng du
lịch
Ứng dụng sinh lý thần kinh
Hệ thống bể Reactor
2015 Tác giả đã phát triển một cách Công việc đã được xác minh trên
tiếp cận mới, trong đó giải pháp một tập hợp gồm 20 phương trình
tối ưu của hệ phương trình phi phi tuyến một biến khác nhau
tuyến thu được bằng phương
pháp dựa trên các biến thể của
Giải thuật di truyền, sử dụng kỹ
thuật tính toán tiến hóa [17]
Trang 8
Chương 3. GIẢI THUẬT DI TRUYỀN
Giải thuật di truyền là một quá trình tìm kiếm dựa trên lý thuyết chọn lọc tự
nhiên và tỷ lệ sống của cá thể [5] [13]. Chúng được phát triển bởi John Holland [8]
vào năm 1960, tại trường đại học Michigan, Hoa Kỳ. Nhiều vấn đề tính toán yêu
cầu phải có giải pháp tối ưu trong một không gian tìm kiếm lớn. Đối với những vấn
đề như vậy, Giải thuật di truyền đã được chứng minh là một thuật toán mạnh mẽ
và hiệu quả để trở thành một giải pháp tối ưu. Do đó, Giải thuật di truyền đã được
áp dụng thành công trong nhiều lĩnh vực như trí tuệ nhân tạo, phân tích tài chính, xử
lý hình ảnh, tối ưu hóa đa phương tiện, robot, quản lý danh mục đầu tư, …
Cơ chế của Giải thuật di truyền [8]:
Trong Giải thuật di truyền, một nhóm các ứng cử viên cho một vấn đề tối ưu
hóa cụ thể được tạo ngẫu nhiên. Mỗi cá thể trong giải thuật di truyền được đại
diện như một nhiễm sắc thể, là một ứng cử viên của giải pháp. Việc lựa chọn
nhiễm sắc thể được thực hiện theo cách cạnh tranh dựa trên tính chất của chúng.
Tiếp theo là các toán tử tìm kiếm di truyền, chọn lọc, trao đổi chéo và đột biến được
áp dụng trên các nhiễm sắc thể được chọn để tạo ra một thế hệ nhiễm sắc thể mới
với chất lượng như mong đợi và giá trị độ bền của chúng tốt hơn thế hệ trước. Quá
trình này được lặp lại cho đến khi các tiêu chí được đáp ứng, loại nhiễm sắc thể tốt
nhất được tạo ra và quá trình này được xem là giải pháp tốt cho vấn đề liên quan.
Trang 9
Chương 4. ĐỀ XUẤT CÔNG VIỆC
Hệ phương trình phi tuyến: Một hệ phương trình phi tuyến có thể được định nghĩa
như sau: f1(x) = 0
f2(x) = 0
.
.
.
fn(x) = 0
trong đó mỗi hàm fi là hàm phi tuyến, đóng vai trò ánh xạ một vectơ x = (x 1, x2, ..., xn)
t
của không gian n chiều Rn thành đường thẳng thực. Một số hàm có thể là tuyến
tính và một số hàm khác là phi tuyến. Giải pháp cho hệ phi tuyến bao gồm giải pháp
tăng dần theo cách sao cho mỗi hàm trên fi (x) bằng 0.
Công việc dưới đây trình bày một giải pháp cho hệ thống phi tuyến như vậy bằng
cách sử dụng kỹ thuật tính toán mềm gọi là Giải thuật di truyền.
Giải thuật như sau:
Bước 1: Chuyển đổi từng hàm fi (x) thành zi (x) dưới dạng:
zi = abs fi (x) với mỗi i = 1, 2,..., n.
Do đó, hệ trên trở thành một vấn đề tối ưu hóa đa mục tiêu: min z1, min z2, ..., min
zn
Bước 2: Một thế hệ dân số ban đầu được tạo ra hoạt động như một nhiễm sắc thể
trong Giải thuật di truyền.
Bước 3: Trên cơ sở giá trị phù hợp, một số nhiễm sắc thể được chọn từ quần thể
ban đầu. Sử dụng tỷ lệ và đột biến chéo (được xác định trước), một thế hệ hậu thế
được tạo ra cho đến khi nó không vượt quá số lượng thế hệ trước.
Bước 4: Sự phù hợp giá trị cho mỗi cá thể từ thế hệ con được đánh giá dựa trên tính
khách quan và tính khả thi của giải pháp.
Bước 5: Kết thúc tiêu chí là tối thiểu hóa hàm z, là tổng của các hàm số riêng lẻ:
z = z1 + z2 +∙∙∙+ zn
Nếu kết thúc tiêu chí đạt yêu cầu thì chuyển sang bước 6, ngược lại đến bước 3.
Bước 6: Báo cáo giải pháp.
Có thể lưu ý rằng dân số ban đầu được tạo ra theo yêu cầu nhất định và tính
hợp lý của giải pháp trong thời gian cụ thể. Quần thể ban đầu không thể có quá
nhiều hoặc quá ít nhiễm sắc thể. Một số lượng nhiễm sắc thể thích hợp đã được
tìm thấy trong phân tích thực nghiệm và kể từ đây chúng được sử dụng trong thí
Trang 10
nghiệm. Các giá trị của các tham số khác nhau và thiết lập thử nghiệm đã được báo
cáo trong phần tiếp theo.
Trang 11
Chương 5. THÍ NGHIỆM VÀ KẾT QUẢ
Để xác nhận hiệu quả của giải thuật, một phân tích thực nghiệm mở rộng đã
được thực hiện. Thử nghiệm được thực hiện bằng cách đặt các tham số khác nhau
cho Giải thuật di truyền như được mô tả trong bảng 5.1. Để xác nhận và kiểm
chứng phương pháp này, các phương trình sau đây đã được chọn sao cho một số
nghiệm gốc của nó là không thể thiếu và phạm vi của các nghiệm gốc không thay
đổi đáng kể.
4x3 – 7x2 + 0.578 = 0 (1)
8x3 – 6x2 – 3x – 54 = 0 (2)
x4 – 5x3 + 5x2 + x 20 = 0 (3)
x4 – 19x3 21x2 + 400 = 0 (4)
x3 977x2 + 975x + 976 = 0 (5)
x2 + 105x + 500 = 0 (6)
3x2 + 3001x + 1000 = 0 (7)
x2 9999x 1000 = 0 (8)
Bảng 5. Các thông số của giải thuật di truyền
Các thông số
Quy mô dân số
Chức năng mở rộng
Chức năng lựa chọn
Chức năng đột biến
Chức năng chéo
Các thế hệ
Tỷ lệ / Phân số
Thiết lập
200
Xếp hạng
Cuộc tuyển chọn
Gaussian
Điểm đơn
50
Mặc định
Trang 12
Hình 5. Kết quả thử nghiệm
Bảng 5. Giá trị khách quan
Số phương
trình
Phương trình
Giá trị hàm mục tiêu
1
4x3 – 7x2 + 0.578 = 0
8x3 – 6x2 – 3x – 54 = 0
x4 – 5x3 + 5x2 + x 20 = 0
x4 – 19x3 21x2 + 400 = 0
x3 977x2 + 975x + 976 = 0
x2 + 105x + 500 = 0
3x2 + 3001x + 1000 = 0
x2 9999x 1000 = 0
4.02E – 06
2
3
4
5
6
7
8
6.96E – 04
5.47E – 05
5.92E – 04
3.20E – 03
4.96E – 04
1.48E – 02
1.20E – 02
Việc giải phương trình có ít nhất một giải pháp. Tuy nhiên, phương pháp tiếp
cận không tìm thấy tất cả các giải pháp và nó dừng lại ngay khi tìm ra một giải
pháp. Các thí nghiệm đã được thực hiện, 25 lần chạy cho mỗi hàm lựa chọn đã
được thực hiện và kết quả đã được ghi nhận trong hình 5.1. Bảng 5.2 cho thấy giá
trị hàm mục tiêu của mỗi phương trình và giá trị tốt nhất tương ứng. Các giá trị này
có được bằng cách lấy tối thiểu các giá trị tốt nhất tương ứng, kết quả cho mỗi
phương trình đã được hiển thị trong hình 5.1.
Trang 13
Chương 6. KẾT LUẬN
Bài viết này trình bày một cách tiếp cận mới để có được một giải pháp gần
đúng cho hệ phương trình phi tuyến bằng kỹ thuật tính toán mềm được gọi là Giải
thuật di truyền. Giải thuật di truyền tối ưu hóa sự phức tạp về thời gian để giải
quyết những hệ phi tuyến như vậy. Giải pháp bao gồm một giả định ban đầu về các
thông số khác nhau của Giải thuật di truyền, đó là quy mô dân số, chức năng chéo và
chức năng đột biến, cùng với số lượng các thế hệ. Việc lựa chọn tham số giúp cải
thiện tính hiệu quả của giải thuật. Chi phí tính toán có thể được giảm bằng cách
xem vấn đề là vấn đề tối ưu hóa đa mục tiêu và do đó, việc áp dụng kỹ thuật tìm
kiếm được dựa trên kinh nghiệm. Ngoài ra, người ta còn đề xuất sử dụng các biến
thể của Giải thuật di truyền như giải thuật di truyền Diploid để giải quyết các vấn
đề này [21] [22]. Trong quá trình làm việc, tỷ lệ chéo và tỷ lệ đột biến đã được thay
đổi để kiểm tra sự ảnh hưởng của các tỷ lệ này đến chất lượng kết quả thu được
của giải pháp. Ngoài ra, trong tương lai, giải pháp có thể được cải tiến để xử lý các
hệ thống phi tuyến phức tạp và có kích thước lớn hơn.
Trang 14
TÀI LIỆU THAM KHẢO
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
M. A. E.S. W.F. AbdElWahed, A.A. Mousa, “Integrating particle swarm optimiza
tion with genetic algorithms for solving nonlinear optimization problems.” Journal of
Computational and Applied Mathematics 235, pp. 1446–1453, 2011.
M. Bianchini, S. Fanelli, and M. Gori, “Optimal algorithms for wellconditioned
nonlinear systems of equations,” IEEE Transactions on Computers, vol. 50, no. 7. pp.
689–698, 2001.
W.D. Chang, “An improved realcoded genetic algorithm for parameters estimation of
nonlinear systems.” Mechanical Systems and Signal Processing 20, pp. 236–246, 2006.
S. Effati and A. R. Nazemi, “A new method for solving a system of the nonlinear
equations,” Applied Mathematics and Computation, vol. 168, no. 2. pp. 877–894, 2005.
D. E. GOLDBERG, “Genetic Algorithms in Search, Optimization and Machine
Learning.”
AddionVesley,
Reading,
p.
[1]
“Goldberg_Genetic_Algorithms_in_Search.pdf.” ., 1989.
C. Grosan and A. Abraham, “A new approach for solving nonlinear equations systems,”
IEEE Transactions on Systems, Man, and Cybernetics Part A:Systems and Humans,
vol. 38, no. 3. pp. 698–714, 2008.
A. N’Guessan, “Analytical existence of solutions to a system of nonlinear equations
with application.” Journal of Computational and Applied Mathematics 234, pp. 297–
304, 2010.
J. Holland, “An Introductory Analysis with Applications to Biology, Control, and
Artificial Intelligence.” Adaptation in Natural and Artificial Systems. MIT Pres,
Cambridge, 1975.
Z. J. Zhigang Ji, Zhenyu Li, “Research on Genetic Algorithm and Data Information
based on Combined Framework for Nonlinear Functions Optimization.” a Engineering
23, pp. 155–160, 2011.
G. Joshi and M. B. Krishna, “Solving system of nonlinear equations using Genetic
Algorithm,” Proceedings of the 2014 International Conference on Advances in
Computing, Communications and Informatics, ICACCI 2014. pp. 1302–1308, 2014.
A. E. S. Abdullah Konak, David W. Coit, “MultiObjective Optimization Using Genetic
Algorithms: A Tutoria.” Reliab. Eng. Syst. Saf. 91, pp. 992–1007, 2006.
N. E. Mastorakis, “Solving nonlinear equations via genetic algorithms,” WSEAS
Transactions on Information Science and Applications, vol. 2, no. 5. pp. 455–459,
2005.
Trang 15
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
J. McCall, “Genetic algorithms for modelling and optimisation,” Journal of
Computational and Applied Mathematics, vol. 184, no. 1. pp. 205–222, 2005.
A. A. Mousa and I. M. ElDesoky, “GENLS: Coevolutionary algorithm for nonlinear
system of equations,” Applied Mathematics and Computation, vol. 197, no. 2. pp. 633–
642, 2008.
P. Y. Nie, “An SQP approach with line search for a system of nonlinear equations,”
Mathematical and Computer Modelling, vol. 43, no. 3–4. pp. 368–373, 2006.
M. S. C. Abolfazl Pourrajabian, Reza Ebrahimi, Masoud Mirzaei, “Applying genetic
algorithms for solving nonlinear algebraic equations.” Applied Mathematics and
Computation 219, pp. 11483–11494, 2013.
• M. A. Z. R. • Z. S. • N. M. • E. S. A.A. and J. A. Khan, “Design of stochastic solvers
based on genetic algorithms for solving nonlinear equations.” The Natural Computing
Applications Forum. 26, pp. 1–23, 2015.
H. Ren, L. Wu, W. Bi, and I. K. Argyros, “Solving nonlinear equations system via an
efficient genetic algorithm with symmetric and harmonious individuals,” Applied
Mathematics and Computation, vol. 219, no. 23. pp. 10967–10973, 2013.
A. Rovira, M. Valdés, and J. Casanova, “A new methodology to solve nonlinear
equation systems using genetic algorithms. Application to combined cycle gas turbine
simulation,” International Journal for Numerical Methods in Engineering, vol. 63, no.
10. pp. 1424–1435, 2005.
Z. W. Xin Zhang, “Study neighborhood field optimization algorithm on nonlinear
sorptive barrier design problems.” The Natural Computing Applications Forum, 2015.
M. S. Harsh Bhasin, “On the Applicability of Diploid Genetic Algorithms.” AI Soc
31(2), pp. 265–274, 2015.
H. Bhasin, G. Behal, N. Aggarwal, R. K. Saini, and S. Choudhary, “On the applicability
of diploid genetic algorithms in dynamic environments,” Proceedings 2014
International Conference on Soft Computing and Machine Intelligence, ISCMI 2014.
pp. 94–97, 2014.
Trang 16