MULTI-OBJECTIVE OPTIMIZATION OF DYNAMIC CONSTRUCTION SITE LAYOUT USING ARTIFICIAL INTELLIGENT ALGORITHM

Tối ưu hóa mặt bằng xây dựng là một bài toán phức tạp, đòi hỏi sự xem xét đa chiều về quy hoạch và thiết kế. Các cơ sở vật chất như máy móc, khu vực làm việc đều có mục đích riêng. Thiết kế mặt bằng hiệu quả là yếu tố then chốt cho thành công của dự án [1, 2]. Một mặt bằng được quy hoạch tốt sẽ thích ứng nhanh chóng với những thay đổi, trong khi mặt bằng kém có thể dẫn đến tắc nghẽn vật liệu, quá tải thiết bị và chậm trễ [3]. Đây là lý do tại sao quy hoạch mặt bằng được coi là yếu tố quan trọng trong hiệu quả sản xuất và kinh tế dự án [4]. Các nghiên cứu chỉ ra rằng mặt bằng tối ưu có thể giảm chi phí vận hành từ 20-50%, trong khi mặt bằng kém có thể làm tăng chi phí xử lý vật liệu lên đến 36% [5, 6]. Tuy nhiên, thiết kế mặt bằng đặt ra một thách thức phức tạp. Đó là một vấn đề khoa học máy tính cổ điển, cực kỳ khó giải quyết hoàn hảo trong một khung thời gian hợp lý, đặc biệt khi đối phó với số lượng lớn các cơ sở vật chất [7, 8]. Với n cơ sở, số lượng các phương án có thể là n!. Với 10 cơ sở, con số này vượt quá 10! = 3,628,000. Các phương pháp truyền thống như bài toán gán bậc hai (QAP) coi tất cả các cơ sở là các đơn vị có thể hoán đổi cho nhau và có thể đặt ở bất kỳ đâu trên địa điểm [9]. Các kỹ thuật như nhánh và cận hoặc quy hoạch động đã được sử dụng để giải quyết vấn đề này [10-13], nhưng tính chất động của các công trường xây dựng với các hoạt động liên tục thay đổi đòi hỏi các phương pháp tiếp cận mới.

1.1. Tầm quan trọng của quy hoạch mặt bằng xây dựng CSLP

1.2. Thách thức trong quy hoạch mặt bằng xây dựng truyền thống

Các dự án xây dựng hiện đại đòi hỏi sử dụng hiệu quả nguồn lực và lập kế hoạch mặt bằng tối ưu để đảm bảo thành công. Không giống như bố cục tĩnh, các công trường xây dựng liên tục phát triển với nhiều hoạt động diễn ra đồng thời, khiến các phương pháp lập kế hoạch thủ công trở nên kém hiệu quả và dễ mắc lỗi, dẫn đến tăng chi phí và chậm trễ. Đây là lúc các thuật toán trí tuệ nhân tạo (AI) đang được chú ý. Tối ưu hóa bố cục công trường xây dựng động bằng AI là một lĩnh vực đang phát triển nhanh chóng, có tiềm năng tác động đáng kể đến thời gian và chi phí dự án. Bằng cách sử dụng hiệu quả các nguồn lực và sắp xếp các cơ sở vật chất một cách chiến lược, AI có thể cách mạng hóa quản lý dự án xây dựng. Độ phức tạp của các công trường xây dựng, với các cơ sở hiện có, khu vực lưu trữ vật liệu và thiết bị luôn di chuyển, càng làm nổi bật nhu cầu về các giải pháp tiên tiến. Cần cẩu tháp và các máy móc lớn khác có thể cản trở đáng kể các lối đi và liên tục thay đổi vị trí, cản trở năng suất. Do đó, việc triển khai các giải pháp công nghệ tiên tiến như AI để giải quyết những thách thức của việc bố trí công trường xây dựng động là rất quan trọng. Theo nghiên cứu từ Đại học Quốc gia TP.HCM, việc ứng dụng AI trong quy hoạch xây dựng có thể giảm tới 15% chi phí dự án.

2.1. Tính động của công trường xây dựng Vấn đề nan giải

2.2. Tiềm năng của AI trong việc giải quyết bài toán động

Đối với các vấn đề lớn và phức tạp, việc tìm ra giải pháp tối ưu tuyệt đối có thể không thực tế. Đây là nơi các phương pháp heuristic phát huy tác dụng. Chúng giống như những lối tắt thông minh cung cấp các giải pháp gần với giải pháp tối ưu, nhưng có thể tìm thấy nhanh hơn nhiều. Trong những năm gần đây, các nhà nghiên cứu đã tập trung vào siêu heuristic lặp đi lặp lại, là các kỹ thuật cải tiến từng bước. Chúng bao gồm các phương pháp như mô phỏng luyện kim, thuật toán di truyền và tối ưu hóa thuộc địa kiến [14-18]. Những tiến bộ mới hơn thậm chí còn liên quan đến tìm kiếm phân tán, tối ưu hóa bầy đàn và tìm kiếm tabu [19-21]. Mặc dù các kỹ thuật này đã được áp dụng cho nhiều vấn đề tối ưu hóa khác nhau, nhưng hiệu quả của chúng bị giới hạn bởi khả năng vốn có. Các kỹ thuật tiến hóa, như thuật toán di truyền, đã xuất hiện từ những năm 1980 và đã được chứng minh là thành công trong việc giải quyết các vấn đề rất phức tạp trong nhiều lĩnh vực khác nhau [22, 23]. Chúng vượt trội trong việc khám phá các không gian tìm kiếm phức tạp và tìm ra các giải pháp tốt cho các vấn đề khó khăn mà các giải pháp chính xác khó có được [23]. Ví dụ, thuật toán di truyền đã được sử dụng để tối ưu hóa bố trí cơ sở vật chất và vị trí lưu trữ [24-27]. Một phương pháp tiến hóa khác, tiến hóa vi phân (DE), đã được chứng minh là vượt trội hơn thuật toán di truyền trong các vấn đề cụ thể như hình thành tế bào sản xuất [28, 29].

3.1. Giới thiệu thuật toán Mountain Gazelle Optimizer MGO

3.2. Kết hợp MGO với Evolved Opposition Based Learning EOBL

3.3. Các chiến lược tối ưu hóa chính của MGO

Các kỹ thuật trí tuệ bầy đàn, lấy cảm hứng từ cách các loài động vật như ong hoặc kiến điều hướng và cộng tác, là một công cụ mạnh mẽ khác. Tối ưu hóa bầy đàn (PSO) đã được sử dụng hiệu quả để thiết kế bố cục kho, thậm chí vượt qua các phương pháp truyền thống như nhánh và cận [30]. Tương tự, thuật toán thuộc địa ong (ABC) đã được chứng minh là vượt trội hơn các thuật toán di truyền cho các vấn đề có nhiều đỉnh hoặc thung lũng trong không gian tìm kiếm [31]. Các phương pháp trí tuệ bầy đàn khác như thuật toán đom đóm (FA) cũng đã cho thấy nhiều hứa hẹn, với các nghiên cứu cho thấy chúng có thể hội tụ nhanh hơn PSO đối với một số vấn đề nhất định [32, 33]. Mặc dù các siêu heuristic này mang lại những lợi thế đáng kể, nhưng điều quan trọng cần nhớ là chúng không đảm bảo giải pháp tốt nhất tuyệt đối. Chúng cung cấp các giải pháp chất lượng cao trong một khoảng thời gian hợp lý, thường là một sự đánh đổi đáng giá. Các phương pháp lai tận dụng sức mạnh giải quyết vấn đề của AI và kiến thức của con người cho các ràng buộc cụ thể có thể rất hiệu quả. Điều này đã dẫn đến sự gia tăng của siêu heuristic lai, kết hợp các khái niệm từ các thuật toán khác nhau để tạo ra các công cụ tối ưu hóa mạnh mẽ hơn nữa [34]. Tuy nhiên, việc kết hợp các thuật toán đòi hỏi sự lựa chọn và thử nghiệm cẩn thận, vì không phải tất cả các thuật toán đều hoạt động tốt với nhau. Lựa chọn phương pháp lai phù hợp là rất quan trọng để đạt được kết quả tốt nhất cho các vấn đề phức tạp.

4.1. Nghiên cứu 1 Tối ưu hóa vị trí lưu trữ vật liệu tại công trình cao tầng

4.2. Nghiên cứu 2 Lập kế hoạch mặt bằng dựa trên chỉ số độ gần

4.3. Nghiên cứu 3 Áp dụng thuật toán vào dự án thực tế

Một số nghiên cứu đã được thực hiện trong lĩnh vực này, làm nổi bật hiệu quả của việc tích hợp các thuật toán trí tuệ nhân tạo với lập kế hoạch bố trí địa điểm. Tuy nhiên, các thuật toán trước đây, chẳng hạn như GA, DE, PSO, BA và FA có một số hạn chế vẫn chưa giải quyết hoàn toàn vấn đề này. Mặc dù các thuật toán trí tuệ nhân tạo cung cấp các giải pháp đầy hứa hẹn để tối ưu hóa bố cục công trường xây dựng động, nhưng có những thách thức trong việc mô hình hóa chính xác bản chất động của các công trường xây dựng. Do đó, để cải thiện hiệu suất, nghiên cứu này đề xuất một siêu heuristic lai mới, đó là bộ tối ưu hóa linh dương núi (MGO), được phát triển gần đây. MGO lấy cảm hứng từ tổ chức thứ bậc và cấu trúc xã hội của linh dương núi hoang dã. Các nhu cầu xã hội và thứ bậc của linh dương núi đóng vai trò là nền tảng cho mô phỏng toán học của MGO. Các yếu tố cơ bản—đàn bà mẹ, đàn con trai độc thân, đàn ông có lãnh thổ, đơn độc và phong trào kiếm ăn—được sử dụng để mô hình hóa thuật toán. Bốn quy trình được sử dụng để thực hiện các giai đoạn thăm dò (đa dạng hóa) và khai thác (tăng cường) của MGO đồng thời. Mặc dù MGO hoạt động khá tốt, nhưng các mô phỏng cho thấy rằng các lần lặp lại sớm có thể bị mắc kẹt trong các miền không gian tìm kiếm không mong muốn khi làm việc với các kích thước lớn hơn. Nói một cách khác, có những vấn đề trong đó các chu kỳ xử lý ban đầu không đạt được sự đa dạng giải pháp và phần lớn các giải pháp được tạo ra vượt quá vùng tối ưu.

5.1. HMGO Giải pháp cho bài toán QAP

5.2. Khả năng thích ứng với môi trường xây dựng động

5.3. Nâng cao hiệu quả công việc cho nhà quản lý xây dựng

Để giải quyết những hạn chế của thuật toán MGO, nghiên cứu này đề xuất một phương pháp lai kết hợp MGO với Evolved Opposition-based learning (EOBL), được lấy cảm hứng từ Opposition-based learning (OBL), giúp tăng cường khả năng khám phá không gian giải pháp. Một số nghiên cứu đã được thực hiện trong lĩnh vực này, làm nổi bật hiệu quả của việc tích hợp các thuật toán trí tuệ nhân tạo với lập kế hoạch bố trí địa điểm. Tuy nhiên, các thuật toán trước đây, chẳng hạn như GA, DE, PSO, BA và FA có một số hạn chế vẫn chưa giải quyết hoàn toàn vấn đề này. Mặc dù các thuật toán trí tuệ nhân tạo cung cấp các giải pháp đầy hứa hẹn để tối ưu hóa bố cục công trường xây dựng động, nhưng có những thách thức trong việc mô hình hóa chính xác bản chất động của các công trường xây dựng. Do đó, để cải thiện hiệu suất, nghiên cứu này đề xuất một siêu heuristic lai mới.

6.1. Tích hợp AI và BIM Building Information Modeling

6.2. Sử dụng dữ liệu lớn và học sâu để dự đoán rủi ro

6.3. Phát triển các thuật toán AI mới cho bài toán xây dựng động