Tên Luận Văn: Điều chỉnh tự động tài nguyên ứng dụng đa tầng trên điện toán đám mây dựa trên giải thuật Meta-hueristic
1. Chủ nhiệm đề tài: Nguyễn Vĩnh Quang
2. Tên cơ quan cử đi học: Trường Trung học phổ thông Tây Nam.
3. Tên Viện - trường thực hiện luận văn: Trường Đại học Thủ Dầu Một
4. Mục tiêu nghiên cứu:
Mục tiêu chính của nghiên cứu là phát triển và đánh giá một giải thuật lai giữa thuật toán tối ưu hóa đàn kiến (Ant Colony Optimization, viết tắt ACO). và Simulated Annealing (Simulated Annealing, viết tắt SA) để điều chỉnh tự động tài nguyên cho các ứng dụng đa tầng trên ĐTĐM. Nghiên cứu sẽ tập trung vào các vấn đề sau:
Tối ưu hóa tài nguyên: Đưa ra các giải pháp tối ưu hoặc gần tối ưu cho việc điều chỉnh tài nguyên, bao gồm việc mở rộng và thu hẹp máy ảo, lưu trữ và các dịch vụ khác dựa trên nhu cầu thực tế.
Hiệu suất: Đánh giá khả năng của giải thuật lai trong việc cải thiện hiệu suất hệ thống và đáp ứng yêu cầu người dùng, so với các phương pháp truyền thống.
Khả năng mở rộng: Nghiên cứu khả năng mở rộng của giải thuật lai trong môi trường điện toán đám mây, đảm bảo rằng nó có thể hoạt động hiệu quả với các ứng dụng có quy mô và độ phức tạp khác nhau.
Chi phí và hiệu quả: Phân tích tác động của giải thuật lai đối với chi phí vận hành và hiệu quả của hệ thống, so với các phương pháp điều chỉnh tự động hiện có.
5. Kết quả thực hiện (tóm tắt):
Luận văn này giới thiệu thuật toán ACO-SA, sự kết hợp giữa hai phương pháp metaheuristic: tối ưu hóa của đàn kiến (ACO) và giải thuật luyện kim (SA). Bốn thí nghiệm khác nhau trên hai tập dữ liệu: Tập dữ liệu 1 – mô phỏng số lượng tài nguyên tại thời gian thấp điểm, Tập dữ liệu 2 – mô phỏng số lượng tài nguyên tại thời gian cao điểm; đã được thực hiện để so sánh các thuật toán ACO, SA, PSO và ACO-SA. Kết quả cho thấy rõ rệt sự cải thiện đáng kể khi áp dụng ACO-SA thay vì chỉ sử dụng các giải thuật đơn lẻ (xem xét các kết quả trong Phần 3.2). Ngoài ra, việc so sánh kết quả từ thí nghiệm còn làm nổi bật tầm quan trọng của việc đưa thông tin về những thay đổi trong môi trường động vào thuật toán qua cách khởi tạo ma trận feromon.
Khi kết hợp hai thuật toán tối ưu như Ant Colony Optimization (ACO) và Simulated Annealing (SA), có một số vấn đề quan trọng cần được xem xét để tăng cường hiệu quả của sự kết hợp này. Đầu tiên, sự tương thích giữa hai thuật toán là điều cần thiết. Cần đảm bảo rằng cách thức hoạt động và các nguyên lý cơ bản của ACO và SA có thể hòa hợp với nhau mà không gây ra xung đột. Tiếp theo, cần chú ý đến việc điều chỉnh các tham số của mỗi thuật toán. Các tham số này có thể ảnh hưởng trực tiếp đến khả năng tìm kiếm. Có thể cần xác định rõ ràng thời điểm nào thì nên áp dụng ACO và khi nào lại sử dụng SA để đảm bảo quá trình tối ưu hóa diễn ra suôn sẻ. Cuối cùng, việc đánh giá và điều chỉnh hiệu suất của thuật toán kết hợp là không thể thiếu. Sau mỗi lần thử nghiệm, cần phân tích kết quả và nếu cần thiết, điều chỉnh lại cách kết hợp để đạt được kết quả tốt nhất. Sự tăng độ phức tạp thuật toán là một vấn đề lớn, do việc kết hợp hai thuật toán này có thể làm tăng đáng kể độ phức tạp tính toán do cần thực hiện các bước lặp của cả hai. Việc điều chỉnh và tối ưu hóa các tham số cũng là một thách thức, vì mỗi thuật toán đều có các tham số riêng, và việc điều chỉnh và kết hợp chúng có thể trở nên phức tạp. Điều này yêu cầu sự tinh chỉnh tỉ mỉ và lựa chọn cẩn thận để chọn ra các tham số phù hợp cho cả ACO và SA trong quá trình lai.
Ngoài ra, việc triển khai thực tế của thuật toán kết hợp cũng có thể đối mặt với vấn đề về hiệu suất. Quá trình lai giữa hai giải thuật có thể đánh đổi giữa thời gian tính toán và chất lượng giải pháp, và việc tùy chỉnh chúng để áp dụng cho các bài toán cụ thể đòi hỏi sự hiểu biết rõ ràng về cả hai thuật toán.
Mặt khác, việc cân bằng giữa khám phá không gian tìm kiếm và khai thác thông tin cũng là một thách thức. Sự tối ưu hóa của các tham số và độ ổn định của kết quả khi áp dụng lai giữa hai giải thuật cũng đòi hỏi sự tinh chỉnh và thử nghiệm liên tục trong quá trình phát triển và triển khai thực tế của thuật toán.
Phát triển và kết hợp giữa hai giải thuật tối ưu như Ant Colony Optimization (ACO) và Simulated Annealing (SA) đang mở ra một lĩnh vực nghiên cứu đầy tiềm năng trong lĩnh vực tối ưu hóa. Đây là một hướng đi hứa hẹn mang lại những cải tiến đáng kể trong quá trình tối ưu hóa các bài toán phức tạp và đa dạng.
6. Năm tốt nghiệp: 2025