T. 12 S. 05 (2022): Tạp chí Vật liệu & xây dựng
##common.pageHeaderLogo.altText##
Tạp chí Vật liệu và Xây dựng - Bộ Xây dựng

ISSN:

Website: www.jomc.vn

Phát triển mô hình trí tuệ nhân tạo mới để tối ưu kế hoạch điều phối xe vận chuyển bê tông thương phẩm, góp phần giảm thiểu ô nhiễm khí thải

Phạm Vũ Hồng Sơn , Nguyễn Thị Nha Trang

Từ khóa:

Trí tuệ nhân tạo
Thuật toán tối ưu
Thuật toán sói xám
Thuật toán chuồn chuồn
Điều phối xe bê tông thương phẩm

Tóm tắt

Bài báo này đề xuất một mô hình tối ưu hóa kết hợp thuật toán chuồn chuồn (Dragonfly Algorithm DA) và thuật toán sói xám (Grey Wolf Optimizer GWO). Trong mô hình này, thuật toán DA được sử dụng để cải thiện khả năng tìm kiếm toàn cục của thuật toán GWO. Trái ngược với những thuật toán GWO lai được phát triển trước đây, trong mô hình đề xuất của bài báo này, quá trình tối ưu hóa được dẫn dắt đồng thời bởi GWO và DA. Đầu tiên, quần thể các cá nhân tìm kiếm được chia làm hai nhóm. Mỗi nhóm được dẫn dắt bởi một thuật toán riêng rẽ. Sau đó, các nhóm con này được kết hợp lại thành một nhóm vào cuối mỗi lần lặp. Để xác minh chất lượng giải pháp của mô hình đề xuất, bài báo đã sử dụng một bài toán cụ thể về điều phối lịch trình xe tải vận chuyển bê tông thương phẩm. Kết quả của thuật toán được so sánh với hai thuật toán: thuật toán tối bầy đàn PSO và thuật toán tối ưu kiến sư tử ALO. Kết quả chỉ ra rằng mô hình lai được đề xuất vượt trội hơn PSO và ALO về chất lượng giải pháp, độ ổn định và khả năng tìm kiếm giải pháp tối ưu toàn cục.

Điều hướng Người dùng

PDF

Cách trích dẫn

Sơn, P. V. H. ., & Trang, N. T. N. (2022). Phát triển mô hình trí tuệ nhân tạo mới để tối ưu kế hoạch điều phối xe vận chuyển bê tông thương phẩm, góp phần giảm thiểu ô nhiễm khí thải. Tạp Chí Vật liệu Và Xây dựng - Bộ Xây dựng, 12(05), Trang 81 – Trang 88. https://doi.org/10.54772/jomc.05.2022.406

Tài liệu tham khảo

  1. . Basturk, B. (2006). An artificial bee colony (ABC) algorithm for numeric function optimization. IEEE Swarm Intelligence Symposium, Indianapolis, IN, USA, 2006.
  2. . Chopra, N., et al. (2016). "Hybrid GWO-PSO algorithm for solving convex economic load dispatch problem." Int J Res Adv Technol 4(6): 37-41.
  3. . Faris, H., et al. (2018). "Grey wolf optimizer: a review of recent variants and applications." Neural Computing and Applications 30(2): 413-435.
  4. . Feng, C.-W., et al. (2004). "Optimizing the schedule of dispatching RMC trucks through genetic algorithms." Automation in Construction 13(3): 327-340.
  5. . Feng, C.-W. and H.-T. Wu (2006). "Integrating fmGA and CYCLONE to optimize the schedule of dispatching RMC trucks." Automation in Construction 15(2): 186-199.
  6. . Jitkongchuen, D. (2015). A hybrid differential evolution with grey wolf optimizer for continuous global optimization. 2015 7th international conference on information technology and electrical engineering (ICITEE), IEEE.
  7. . Kamboj, V. K. (2016). "A novel hybrid PSO–GWO approach for unit commitment problem." Neural Computing and Applications 27(6): 1643-1655.
  8. . Kennedy, J. and R. Eberhart (1995). Particle swarm optimization. Proceedings of ICNN'95-international conference on neural networks, IEEE.
  9. . Mirjalili, S. (2015). "The ant lion optimizer." Advances in engineering software 83: 80-98.
  10. . Mirjalili, S. (2015). "Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm." Knowledge-based systems 89: 228-249.
  11. . Mirjalili, S. (2016). "Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective, discrete, and multi-objective problems." Neural Computing and Applications 27(4): 1053-1073.
  12. . Mirjalili, S. and A. Lewis (2016). "The whale optimization algorithm." Advances in engineering software 95: 51-67.
  13. . Mirjalili, S., et al. (2014). "Grey wolf optimizer." Advances in engineering software 69: 46-61.
  14. . Ntziachristos, L., et al. (2003). "Particle emissions characteristics of different on-road vehicles." SAE transactions: 1568-1578.
  15. . Pan, J.-S., et al. (2017). A novel hybrid GWO-FPA algorithm for optimization applications. International conference on smart vehicular technology, transportation, communication and applications, Springer.
  16. . Şenel, F. A., et al. (2019). "A novel hybrid PSO–GWO algorithm for optimization problems." Engineering with Computers 35(4): 1359-1373.
  17. . Singh, N. and S. Singh (2017). "Hybrid algorithm of particle swarm optimization and grey wolf optimizer for improving convergence performance." Journal of Applied Mathematics 2017.
  18. . Singh, N. and S. Singh (2017). "A novel hybrid GWO-SCA approach for optimization problems." Engineering Science and Technology, an International Journal 20(6): 1586-1601.
  19. . Wolpert, D. H. and W. G. Macready (1997). "No free lunch theorems for optimization." IEEE transactions on evolutionary computation 1(1): 67-82.
  20. . Yang, X.-S. (2009). Firefly algorithms for multimodal optimization. International symposium on stochastic algorithms, Springer.
  21. . Zhu, A., et al. (2015). "Hybridizing grey wolf optimization with differential evolution for global optimization and test scheduling for 3D stacked SoC." Journal of Systems Engineering and Electronics 26(2): 317-328.

Các bài báo được đọc nhiều nhất của cùng tác giả