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.
