Luận văn thạc sĩ quản lý xây dựng multiobjective optimization of dynamic construction site layout using artificial intelligent algorithm

Luận văn thạc sĩ nghiên cứu quản lý xây dựng multiobjective optimization of dynamic construction site layout using artificial, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Phạm Minh Huy
• Người hướng dẫn: PhD. Trần Thành Long
• Trường học: Ho Chi Minh City University of Technology
• Chuyên ngành: Construction Management
• Đề tài: Tối ưu hóa đa mục tiêu bố trí công trường xây dựng động bằng thuật toán AI
• Loại tài liệu: Master's thesis
• Năm xuất bản: 2024
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ACKNOWLEDGEMENT
• ABSTRACT
• TÓM TẮT
• THE COMMITMENT OF AUTHOR
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. Construction Site Layout Planning
• 1.2. Reason for choosing the topic - Research objectives
• 2. CHƯƠNG 2: LITERATURE REVIEW
• 3. CHƯƠNG 3: METHODOLOGY
• 4. CHƯƠNG 4: HYBRID METAHEURISTIC MODEL
• 5. CHƯƠNG 5: CASE STUDIES
• 5.1. Case study 1: Material hoisting operations and storage location in multi-story building
• 5.2. Case study 2: Construction site layout planning problem based on closeness index
• 5.3. Case study 3: Utilize algorithms in practical projects
• LIST OF FIGURES
• LIST OF TABLES
• LIST OF ABBREVIATION

Tóm tắt

I. Tối ưu hóa đa mục tiêu bố trí công trường xây dựng động

Tối ưu hóa đa mục tiêu trong bố trí công trường xây dựng động là một lĩnh vực nghiên cứu quan trọng, đặc biệt trong bối cảnh các dự án xây dựng ngày càng phức tạp. Thuật toán AI đóng vai trò then chốt trong việc giải quyết các bài toán này, giúp tối ưu hóa hiệu suất và giảm thiểu chi phí. Nghiên cứu này tập trung vào việc áp dụng Mountain Gazelle Optimizer (MGO), một thuật toán siêu heuristic mới, để giải quyết các vấn đề liên quan đến quy hoạch công trường. MGO được phát triển dựa trên hành vi xã hội của linh dương núi, mang lại hiệu quả cao trong việc tìm kiếm giải pháp tối ưu.

1.1. Thách thức trong bố trí công trường xây dựng

Bố trí công trường xây dựng là một bài toán phức tạp do sự đa dạng của các yếu tố như thiết bị, vật liệu và hoạt động diễn ra đồng thời. Quy hoạch công trường truyền thống thường gặp khó khăn trong việc thích ứng với các thay đổi động, dẫn đến tăng chi phí và thời gian thi công. Thuật toán AI như MGO được đề xuất để giải quyết các thách thức này, giúp tối ưu hóa vị trí các cơ sở vật chất và cải thiện hiệu suất tổng thể.

1.2. Ứng dụng của AI trong xây dựng

AI trong xây dựng đang trở thành xu hướng quan trọng, đặc biệt trong quản lý công trường. Các thuật toán như GA, PSO, và DE đã được áp dụng nhưng vẫn tồn tại hạn chế. MGO được kết hợp với Evolved Opposition-based Learning (EOBL) để khắc phục các nhược điểm này, mang lại giải pháp tối ưu hơn cho các bài toán bố trí công trường động.

II. Phương pháp và thuật toán

Nghiên cứu đề xuất HMGO, một mô hình lai kết hợp MGO, EOBL, và Tournament Selection (TS). HMGO tận dụng ưu điểm của từng thuật toán để giải quyết các bài toán tối ưu hóa đa mục tiêu trong bố trí công trường. Phương pháp này được so sánh với các thuật toán truyền thống như GA và MIP, cho thấy hiệu quả vượt trội trong việc tối ưu hóa chi phí và thời gian.

2.1. Mountain Gazelle Optimizer MGO

MGO là thuật toán dựa trên hành vi xã hội của linh dương núi, bao gồm các chiến lược như Territory Solitary males (TSM), Bachelor male herd (BMH), và Migration in search of food (MSF). MGO thực hiện đồng thời giai đoạn khám phá và khai thác, giúp tìm kiếm giải pháp tối ưu trong không gian tìm kiếm phức tạp.

2.2. Evolved Opposition based Learning EOBL

EOBL là phiên bản cải tiến của Opposition-based Learning (OBL), giúp tăng cường tính đa dạng của quần thể giải pháp. EOBL được tích hợp vào HMGO để cải thiện hiệu suất tìm kiếm, đặc biệt trong các bài toán tối ưu hóa đa mục tiêu.

III. Kết quả và ứng dụng thực tế

Nghiên cứu áp dụng HMGO vào các bài toán thực tế như bố trí vật liệu trong tòa nhà cao tầng và quy hoạch công trường dựa trên chỉ số gần gũi. Kết quả cho thấy HMGO vượt trội so với các thuật toán truyền thống như GA và MIP, giảm thiểu chi phí và thời gian thi công. HMGO cũng được áp dụng trong các dự án thực tế, chứng minh tính hiệu quả trong việc quản lý công trường thông minh.

3.1. Ứng dụng trong bố trí vật liệu

HMGO được sử dụng để tối ưu hóa vị trí lưu trữ vật liệu trong các tòa nhà cao tầng. Kết quả cho thấy chi phí vận chuyển giảm đáng kể so với các phương pháp truyền thống, chứng minh hiệu quả của HMGO trong tối ưu hóa công trường.

3.2. Ứng dụng trong quy hoạch công trường

HMGO được áp dụng để giải quyết bài toán quy hoạch công trường dựa trên chỉ số gần gũi. Kết quả cho thấy HMGO tạo ra các bố trí tối ưu, giảm thiểu khoảng cách di chuyển và cải thiện hiệu suất tổng thể của công trường.

Nội dung chính

Tổng quan nghiên cứu

Bố trí mặt bằng xây dựng (CSL) là một vấn đề phức tạp liên quan đến việc sắp xếp các cơ sở vật chất trên công trường nhằm tối ưu hóa hiệu quả thi công và giảm chi phí vận chuyển vật liệu. Theo báo cáo của ngành, chi phí vận chuyển vật liệu có thể chiếm từ 20% đến 50% tổng chi phí vận hành, trong khi một bố trí không hợp lý có thể làm tăng chi phí này lên đến 36%. Với sự phát triển nhanh chóng của các dự án xây dựng hiện đại, việc thiết kế mặt bằng công trường động, có khả năng thích ứng với các thay đổi liên tục trong quá trình thi công, trở nên cấp thiết. Tuy nhiên, số lượng phương án bố trí có thể lên đến hàng triệu, khiến việc tìm kiếm giải pháp tối ưu trở thành bài toán NP-hard khó giải quyết bằng các phương pháp truyền thống.

Mục tiêu nghiên cứu của luận văn là phát triển một thuật toán tối ưu đa mục tiêu dựa trên trí tuệ nhân tạo nhằm giải quyết bài toán bố trí mặt bằng xây dựng động, cụ thể là đề xuất mô hình lai của Bộ Tối ưu Linh dương Núi (HMGO) kết hợp các kỹ thuật MGO, Evolved Opposition-based Learning (EOBL) và Tournament Selection (TS). Nghiên cứu tập trung vào việc áp dụng thuật toán này cho các bài toán thực tế tại Việt Nam trong giai đoạn từ năm 2023 đến 2024, nhằm giảm chi phí vận chuyển và tối ưu luồng công việc trên công trường.

Ý nghĩa của nghiên cứu được thể hiện qua khả năng giảm chi phí vận chuyển vật liệu, tăng hiệu quả sử dụng không gian công trường và hỗ trợ các nhà quản lý xây dựng trong việc ra quyết định nhanh chóng, chính xác. Kết quả nghiên cứu có thể giúp giảm thời gian thi công và chi phí tổng thể của dự án, đồng thời nâng cao an toàn và chất lượng thi công.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Bài toán gán vị trí bậc hai (Quadratic Assignment Problem - QAP): Mô hình hóa bài toán bố trí mặt bằng công trường như một bài toán gán vị trí, trong đó mục tiêu là tối thiểu hóa tổng chi phí vận chuyển dựa trên luồng công việc và khoảng cách giữa các cơ sở vật chất.

• Thuật toán tối ưu hóa bầy đàn và tiến hóa: Bao gồm các thuật toán như Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Differential Evolution (DE), Firefly Algorithm (FA), và đặc biệt là Mountain Gazelle Optimizer (MGO) - thuật toán mới mô phỏng hành vi xã hội của linh dương núi.

• Evolved Opposition-based Learning (EOBL): Phương pháp nâng cao khả năng khám phá không gian tìm kiếm bằng cách kết hợp giải pháp hiện tại với giải pháp đối lập tiến hóa, giúp tránh bẫy cực trị cục bộ.

• Tournament Selection (TS): Kỹ thuật chọn lọc trong các thuật toán tiến hóa nhằm cân bằng giữa khai thác và khám phá, tăng tốc độ hội tụ và duy trì đa dạng quần thể.

Các khái niệm chính bao gồm: đa mục tiêu tối ưu hóa, metaheuristics, mô hình lai thuật toán, và lập kế hoạch bố trí mặt bằng xây dựng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ các dự án xây dựng thực tế tại Việt Nam, bao gồm thông tin về số lượng và loại vật liệu, kích thước và vị trí các cơ sở vật chất trên công trường, cùng các chi phí vận chuyển liên quan. Cỡ mẫu nghiên cứu gồm ba trường hợp điển hình: hai bài toán mô hình và một dự án thực tế.

Phương pháp phân tích sử dụng thuật toán HMGO được triển khai trên phần mềm MATLAB, kết hợp với giao diện lập trình ứng dụng (API) của Revit để tích hợp và trực quan hóa kết quả trong mô hình BIM. Quá trình nghiên cứu được thực hiện từ tháng 1 đến tháng 5 năm 2024, bao gồm các bước: khởi tạo quần thể giải pháp bằng EOBL, cập nhật quần thể qua các vòng lặp với TS và MGO, đánh giá và so sánh kết quả với các thuật toán GA, MIP và MMAS-GA.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả thuật toán HMGO vượt trội: Thuật toán HMGO cho kết quả tối ưu hơn so với GA, MIP và MMAS-GA trong các bài toán bố trí mặt bằng, với mức giảm chi phí vận chuyển từ 10% đến 25% tùy trường hợp.

2. Giảm chi phí vận chuyển vật liệu trong tòa nhà cao tầng: Trong nghiên cứu trường hợp về bố trí kho vật liệu từ tầng 1 đến tầng 8 của tòa nhà 30 tầng, HMGO giúp giảm chi phí vận chuyển ngang và dọc so với phương pháp truyền thống, với chi phí vận chuyển ngang trung bình giảm khoảng 15% và chi phí vận chuyển dọc giảm khoảng 20%.

3. Tối ưu luồng công việc dựa trên chỉ số gần gũi: Ứng dụng HMGO trong bài toán bố trí mặt bằng dựa trên chỉ số gần gũi giữa các cơ sở vật chất cho thấy luồng công việc được tối ưu hóa, giảm khoảng cách di chuyển trung bình xuống còn khoảng 30% so với bố trí ban đầu.

4. Áp dụng thành công vào dự án thực tế: Thuật toán được triển khai trên một dự án xây dựng thực tế tại Việt Nam, kết quả cho thấy khả năng thích ứng với các điều kiện thực tế và cải thiện hiệu quả công việc, giảm thời gian di chuyển vật liệu và tăng năng suất lao động.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả vượt trội là do HMGO kết hợp ưu điểm của MGO trong việc khai thác và khám phá không gian tìm kiếm, cùng với khả năng tránh bẫy cực trị cục bộ nhờ EOBL và tăng tốc hội tụ nhờ TS. So với các thuật toán truyền thống như GA hay MIP, HMGO thể hiện sự linh hoạt và hiệu quả hơn trong xử lý các bài toán bố trí phức tạp, đặc biệt là các bài toán có nhiều biến và ràng buộc.

Kết quả cũng phù hợp với các nghiên cứu gần đây về ứng dụng metaheuristics lai trong tối ưu hóa bố trí công trường, đồng thời mở rộng phạm vi ứng dụng cho các dự án xây dựng động. Việc tích hợp thuật toán với BIM qua Revit API giúp trực quan hóa và kiểm soát tốt hơn các phương án bố trí, hỗ trợ nhà quản lý ra quyết định nhanh chóng.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh chi phí vận chuyển, bảng thống kê kết quả từng thuật toán, và sơ đồ bố trí mặt bằng tối ưu, giúp minh họa rõ ràng hiệu quả của HMGO.

Đề xuất và khuyến nghị

1. Triển khai rộng rãi thuật toán HMGO trong quản lý công trường: Khuyến nghị các nhà quản lý xây dựng áp dụng HMGO để tối ưu hóa bố trí mặt bằng, giảm chi phí vận chuyển và tăng hiệu quả thi công trong vòng 6-12 tháng tới.

2. Tích hợp sâu hơn với hệ thống BIM: Phát triển các module tích hợp HMGO trực tiếp trong phần mềm BIM như Revit để tự động hóa quy trình thiết kế và cập nhật bố trí công trường, giúp giảm thời gian và sai sót trong thiết kế.

3. Đào tạo và nâng cao năng lực cho cán bộ quản lý: Tổ chức các khóa đào tạo về ứng dụng thuật toán tối ưu và BIM cho đội ngũ quản lý và kỹ sư công trường nhằm nâng cao khả năng ứng dụng công nghệ mới.

4. Mở rộng nghiên cứu cho các yếu tố động và rủi ro: Khuyến nghị nghiên cứu tiếp theo bổ sung các yếu tố như biến động tiến độ, rủi ro an toàn và điều kiện thời tiết để mô hình tối ưu hóa toàn diện hơn, dự kiến thực hiện trong 1-2 năm tới.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý dự án xây dựng: Giúp nâng cao hiệu quả quản lý công trường, giảm chi phí vận chuyển và tối ưu hóa luồng công việc.

2. Kỹ sư lập kế hoạch và thiết kế công trường: Cung cấp công cụ và phương pháp mới để thiết kế bố trí mặt bằng phù hợp với điều kiện thực tế và yêu cầu dự án.

3. Nhà nghiên cứu và sinh viên ngành quản lý xây dựng: Là tài liệu tham khảo quý giá về ứng dụng thuật toán metaheuristics và trí tuệ nhân tạo trong giải quyết bài toán thực tiễn.

4. Nhà phát triển phần mềm BIM và công nghệ xây dựng: Hướng dẫn tích hợp thuật toán tối ưu vào phần mềm BIM, mở rộng tính năng và ứng dụng trong quản lý xây dựng.

Câu hỏi thường gặp

1. Thuật toán HMGO có thể áp dụng cho các loại công trường nào?
   HMGO phù hợp với các công trường xây dựng có quy mô vừa và lớn, đặc biệt là các dự án đa tầng hoặc có nhiều cơ sở vật chất cần bố trí phức tạp. Ví dụ, trong các dự án tòa nhà cao tầng hoặc khu công nghiệp.

2. Lợi ích chính khi sử dụng HMGO so với các thuật toán truyền thống là gì?
   HMGO giúp tìm giải pháp tối ưu nhanh hơn, giảm chi phí vận chuyển vật liệu từ 10-25%, đồng thời tránh được bẫy cực trị cục bộ nhờ kết hợp các kỹ thuật tiên tiến như EOBL và TS.

3. Làm thế nào để tích hợp HMGO vào quy trình thiết kế hiện tại?
   Thông qua việc sử dụng Revit API, HMGO có thể được tích hợp trực tiếp vào phần mềm BIM, cho phép tự động hóa quá trình tính toán và trực quan hóa bố trí mặt bằng trong mô hình xây dựng.

4. Thuật toán có thể xử lý các thay đổi động trên công trường không?
   Mặc dù HMGO được thiết kế cho bố trí mặt bằng động, nghiên cứu hiện tại chưa bao gồm các yếu tố rủi ro và thay đổi đột xuất. Tuy nhiên, mô hình có thể được mở rộng trong tương lai để xử lý các yếu tố này.

5. Cỡ mẫu và dữ liệu đầu vào cần thiết để áp dụng thuật toán là gì?
   Cần dữ liệu về số lượng và loại vật liệu, kích thước và vị trí các cơ sở vật chất, chi phí vận chuyển ngang và dọc, cùng các ràng buộc về không gian. Cỡ mẫu nghiên cứu trong luận văn là ba trường hợp điển hình, bao gồm cả dự án thực tế.

Kết luận

• Đã phát triển thành công thuật toán HMGO, kết hợp MGO, EOBL và TS, nâng cao hiệu quả tối ưu hóa bố trí mặt bằng xây dựng động.
• Thuật toán cho kết quả vượt trội so với các phương pháp truyền thống, giảm chi phí vận chuyển vật liệu từ 10-25%.
• Ứng dụng thực tế tại dự án xây dựng Việt Nam chứng minh tính khả thi và hiệu quả của HMGO.
• Đề xuất tích hợp sâu hơn với BIM và mở rộng nghiên cứu cho các yếu tố động và rủi ro trong tương lai.
• Khuyến nghị các nhà quản lý và kỹ sư xây dựng áp dụng HMGO để nâng cao hiệu quả công trường, đồng thời phát triển các công cụ hỗ trợ tích hợp thuật toán vào quy trình thiết kế.

Triển khai thử nghiệm HMGO trong các dự án xây dựng thực tế, đồng thời phát triển phần mềm tích hợp với BIM để hỗ trợ tự động hóa quy trình thiết kế và quản lý công trường.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY - HO CHI MINH CITY HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY PHẠM MINH HUY MULTI-OBJECTIVE OPTIMIZATION OF DYNAMIC CONSTRUCTION SITE LAYOUT USING ARTIFICIAL INTELLIGENT ALGORITHM Major: Construction Management Major code: 8580302 MASTER’S THESIS HO CHI MINH CITY, June 2024 THIS RESEARCH IS COMPLETED AT HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY - VNU - HCM CITY Advisor 1: PhD. Tran Thanh Long Advisor 2: Assoc. Pham Vu Hong Son The examiner 1: PhD. Nguyen Anh Thu The examiner 2; PhD.

Chu Viet Cuong Master's thesis was defended at HCM city University of Technology, VNU-HCM City on June 20th, 2024. The board of the master's thesis defense council includes: 1. Luong Duc Long 2. Do Tien Sy 3.

Counter-argument member 1: PhD. Nguyen Anh Thu 4. Counter-argument member 2: PhD. Chu Viet Cuong 5.

Council members: PhD. Nguyen Thanh Viet Verification of the Chairman of the master's thesis defense council and the Dean of faculty of Civil Engineering after the thesis being corrected (If any). CHAIRMAN OF THE COUNCIL DEAN OF FACULTY OF CIVIL ENGINEERING PhD. Lê Hoài Long Assoc.

Lê Anh Tuấn MASTER THESIS 2024 VIETNAM NATIONAL UNIVERSITY - HO CHI MINH CITY SOCIALIST REPUBLIC OF VIETNAM HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY Independence – Freedom - Happiness THE TASK SHEET OF MASTER’S THESIS Full name: PHẠM MINH HUY Student code: 2270378 Date of birth: 14th Dec 1996 Place of birth: HCM City Major: Construction Management Major code: 8580302 I. THESIS TITLE (In Vietnames): Tối u hóa đa mục tiêu bố trí mặt bằng xây dựng động bằng thuật toán trí tuệ nhân tạo. THESIS TITLE (In English): Multi-objective optimization of dynamic construction site layout using artificial intelligence algorithm III.TASKS AND CONTENTS: 1. Learn and master the Mountain Gazelle Optimizer (MGO) algorithm. Learn how to hybridize the MGO algorithm with other algorithms (Tournament Selection, Opposition-based learning) to solve optimization problems. Apply algorithms to solve problems related to the layout of construction site facilities.

Apply the problem to real projects. Compare, comment, analyze and evaluate the results of the proposed algorithm with previous algorithms IV. THESIS START DAY: 17/01/2024 V. THESIS COMPLETION DAY: 20/05/2024 VI. Phạm Vǜ Hồng S n and Dr. Trần Thành Long Ho Chi Minh City, date ……… SUPERVISOR 1 SUPERVISOR 2 CÁN BỘ H ỚNG DẪN 1 CÁN BỘ H ỚNG DẪN 2 TS.

Trần Thành Long PGS. Phạm Vũ Hồng Sơn MANAGER OF DEAN OF FACULTY OF ACADEMIC DEPARTMENT CIVIL ENGINEERING CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TR ỞNG KHOA KỸ THUẬT XÂY DỰNG TS. Lê Hoài Long PGS. Lê Anh Tuấn Note: Student must pin this task sheet as the first page of the Master’s Thesis booklet STUDENT: PHẠM MINH HUY ii MASTER THESIS 2024 ACKNOWLEGDEMENT The master’s thesis in Construction Management serves as a testament to the graduate students' ability to conduct independent research and solve practical problems presented by the construction industry.

It is both a responsibility and a source of pride for each student. To complete the thesis “Multi-objective optimization of dynamic construction site layout using artificial intelligence algorithm,” besides my own efforts, I received tremendous support from esteemed professors, instructors, and friends. I would like to extend my heartfelt gratitude to all the individuals and groups who provided me with invaluable assistance. I would like to express my special thanks to Associate Professor Dr.

PHẠM VǛ HỒNG S N and Dr. TRẦN THÀNH LONG for their dedicated guidance, offering initial suggestions that helped form the idea of my topic. Throughout the thesis process, their insightful and valuable feedback on how to correctly assess research issues and approach them effectively has been a significant motivation for me to complete this thesis successfully. I sincerely thank the faculty members of the Faculty of Civil Engineering at Ho Chi Minh City University of Technology for imparting essential and invaluable knowledge during my studies.

I also extend my gratitude to the Office of International Study Programs (OISP) for their support throughout my academic journey. With my own efforts, this master’s thesis has been completed within the stipulated time. However, there may still be shortcomings. I respectfully request additional guidance from the esteemed professors and instructors to help me refine and improve my knowledge.

Thank you very much!. STUDENT: PHẠM MINH HUY iii MASTER THESIS 2024 ABSTRACT Construction site layout (CSL) involves a multi-criteria approach to addressing site planning and design issues. Placing a set of predetermined facilities in suitable locations is challenging due to numerous possible alternatives. Given the high complexity of site layout problems, various metaheuristic-based algorithms have been developed to find solutions.

Previous metaheuristic methods, such as particle swarm optimization (PSO), genetic algorithm (GA), differential evolution (DE), and firefly algorithm (FA), aim to optimize problems but have their own limitations. To address these limitations, this study proposes a new hybrid meta-heuristic model called the Hybrid Model of Mountain Gazelle Optimizer (HMGO). This algorithm integrates the original MGO, EOBL, and TS methods. This hybrid approach leverages the strengths and mitigates the weaknesses of each algorithm, effectively solving discrete problems in the quadratic assignment problem (QAP) optimally.

Furthermore, the study compares the performance of HMGO with GA, MIP, and MMAS-GA algorithms in site facilities layout problems. The results demonstrate that HMGO is more effective than existing optimization algorithms in solving these problems. Additionally, the study applies the algorithm to a real construction site layout problem, proving its effectiveness in real-world scenarios. This research supports construction managers by combining the experiences and strengths of the HMGO algorithm to enhance work efficiency in real-world situations.

STUDENT: PHẠM MINH HUY iv MASTER THESIS 2024 TÓM TẮT Bố trí mặt bằng xây dựng (CSL) liên quan đến cách tiếp cận đa tiêu chí để giải quyết các vấn đề về quy hoạch và thiết kế công tr ờng. Việc đặt một tập hợp các c sở vật chất đã định sẵn vào các vị trí thích hợp là một thách thức do có nhiều ph ng án khác nhau. Với sự phức tạp cao của các vấn đề bố trí mặt bằng, các thuật toán dựa trên siêu heuristics đã đ ợc phát triển để tìm ra giải pháp. Các ph ng pháp siêu heuristics tr ớc đây nh tối u hóa bầy đàn (PSO), thuật toán di truyền (GA), tiến hóa vi phân (DE) và thuật toán đom đóm (FA) nhằm tối u hóa các vấn đề nh ng vẫn có những hạn chế riêng.

Ěể khắc phục những hạn chế này, nghiên cứu này đề xuất một mô hình siêu heuristics lai mới gọi là Mô hình Lai của Bộ Tối u Hóa Linh D ng Núi (HMGO). Thuật toán này tích hợp MGO gốc, EOBL và các ph ng pháp TS. Cách tiếp cận lai này tận dụng các điểm mạnh và giảm thiểu các điểm yếu của từng thuật toán, giải quyết hiệu quả các vấn đề rời rạc trong vấn đề bài toán gán vị trí (QAP) một cách tối u. H n nữa, nghiên cứu so sánh hiệu suất của HMGO với các thuật toán GA, MIP và MMAS-GA trong các vấn đề bố trí c sở vật chất.

Kết quả cho thấy HMGO hiệu quả h n so với các thuật toán tối u hóa hiện có trong việc giải quyết những vấn đề này. Ngoài ra, nghiên cứu áp dụng thuật toán vào một vấn đề bố trí mặt bằng xây dựng thực tế, chứng minh tính hiệu quả của nó trong các tình huống thực tế. Nghiên cứu này hỗ trợ các nhà quản lý xây dựng bằng cách kết hợp kinh nghiệm và điểm mạnh của thuật toán HMGO để nâng cao hiệu quả công việc trong các tình huống thực tế. STUDENT: PHẠM MINH HUY v MASTER THESIS 2024 THE COMMITMENT OF AUTHOR I declare that this is a thesis written by myself under the guidance of Assoc.

Phạm Vǜ Hồng S n Son and Dr. Trần Thành Long The results of the thesis are true and have not been published in other studies. I take responsibility for my work. Ho Chi Minh City, May 20th 2024 Phạm Minh Huy STUDENT: PHẠM MINH HUY vi MASTER THESIS 2024 TABLE OF CONTENTS            1.1 Construction Site Layout Planning.2 Reason for choosing the topic - Research objectives .3 Research Scope, Assumptions and Hypotheses .1 Applying Metaheuristics to Construction Site Layout Planning.2 BIM Applications in Construction .1 Construction Site Layout Planning.2 Algorithms in real-life problems via Revit API .3 Mountain Gazelle Optimizer (MGO) .1 Territory Solitary males (TSM).3 Bachelor male herd (BMH).4 Migration in search of food (MSF) .4 Opposition-based learning (OBL) .5 Evolved opposition-based learning (EOBL).1 Evolved-opposite number .1 Initialize population by EOBL .2 Update new generation of gazelles .3 HMGO algorithm model.

31   STUDENT: PHẠM MINH HUY vii MASTER THESIS 2024 5.1 Case study 1: Material hoisting operations and storage location in multi- story building.2 Case study 2: Construction site layout planning problem based on closeness index .3 Case study 3: Utilize algorithms in practical projects. 60  STUDENT: PHẠM MINH HUY viii MASTER THESIS 2024 LIST OF FIGURES Figure 1-1 Research Flow Chart. 6 Figure 1-2 Detailed Research Flow Chart. 7 Figure 3-1 Framework for CSLP Optimization.

20 Figure 3-2 Relationships between Revit, MATLAB and Excel file. 20 Figure 3-3 Structure of MGO algorithm based on four strategies. 21 Figure 3-4 Structure of OBL in one dimension. 25 Figure 3-5 Structure of OBL in two dimensions.

26 Figure 3-6 Structure of OBL in three dimensions. 26 Figure 3-7 Structure of EOBL in one dimension. 28 Figure 3-8 Structure of EOBL in two dimensions. 28  Figure 3-9 Structure of EOBL in three dimensions.

29 Figure 5-1 CS1: Side view of material hoist in high-rise building construction. 36  Figure 5-2 CS1: Typical floor plan at 1st until 8th floor for installing material storage cells. 37 Figure 5-3 CS1: Chart of Material hoisting operations and storage location in multi-story building cost. 41 Figure 5-4 CS2: Construction site layout.

45 Figure 5-5 CS2: Chart of Optimal Workflow in Construction site layout planning problem based on closeness index. 49 Figure 5-6 CS2: Optimal construction site layout by HMGO. 50 Figure 5-7 CS2: Optimal construction site layout by GA. 51  Figure 5-8 CS2: Optimal construction site layout by Max-min Ant System GA.

51 Figure 5-9 CS3: Perspective drawing of the project. 53 Figure 5-10 CS3: The construction site layout was taken by drone. 56 Figure 5-11 CS3: Create the Simplified Construction Site in Revit. 56 Figure 5-12 CS3: Optimal construction site layout project by HMGO.

57 STUDENT: PHẠM MINH HUY ix MASTER THESIS 2024 LIST OF TABLES Table 2-1 Previous studies on Meta-heuristic in CSLP. 11 Table 3-1 User Interface Functions. 19 Table 5-1 CS1: Demand quantity of materials in each building floor. 36  Table 5-2 CS1: Horizontal distances from cell k on floor l to material hoist.

38 Table 5-3 CS1: Horizontal transportation cost, �. 39 Table 5-4 CS1: Vertical transportation cost (in $/kg) from ground to a floor m or l, C Vj,m. 39 Table 5-5 CS1: Result of Material hoisting operations and storage location in multi-story building. 41 Table 5-6 CS1: Statistics results.

41 Table 5-7 CS1: Result comparison with previous research, GA and MIP. 42  Table 5-8 CS2: Work flows between the site facilities. 46 Table 5-9 CS2: Distance between location in the site layout. 47 Table 5-10 CS2: Results of Construction site layout planning problem based on closeness index.

49 Table 5-11 CS2: Statistics results. 49 Table 5-12 CS2: Result comparison with previous research. 52 Table 5-13 CS 3: Distance between location in the site layout. 1  Table 5-14 CS3: Result of Applying construction site layout planning problem based on closeness index into actual construction project.