GIẢI BÀI TOÁN NGƯỜI DU LỊCH NỔI TIẾNG

BẰNG MÔ PHỎNG HÀNH VI CỦA ĐÀN KIẾN

TRONG TỰ NHIÊN

Bài toán Người du lịch (Travelling Salesman Problem) là một trong những bài toán
kinh điển và khó trong tin học. Có rất nhiều cách tiếp cận giải bài toán này ngay từ khi
nó mới ra đời, như sử dụng quy hoạch tuyến tính, nhánh và cận (đã được đăng trên Tin
học và Nhà trường), nhưng mới chỉ dừng lại ở các bộ dữ liệu nhỏ. Gần đây các cách tiếp
cận về tiến hóa, như thuật toán di truyền được áp dụng có những kết quả khả quan hơn.
Trong bài này, chúng tôi xin được phép giới thiệu một phương pháp độc đáo dựa vào
mô phỏng hành vi của đàn kiến thực với quá trình tha thức ăn về tổ trong tự nhiên để
giải bài toán tìm đường đi ngắn nhất cho người du lịch. Đây là phương pháp tương đối
khó so với trình độ Tin học của học sinh phổ thông, nên trong bài viết chúng tôi nhấn
mạnh vào ý tưởng, và hướng dẫn cài đặt, cũng như trình bày một cách đơn giản nhất.
Các tác giả hy vọng qua bài viết, các em học sinh yêu Tin học nói chung và các em học
sinh khối phổ thông chuyên Tin nói riêng có được một các nhìn khác với các cách giải
truyền thống bài toán này.

1. Nhắc lại bài toán Người du lịch Bài toán Người du lịch

Bài toán Người du lịch, tìm đường đi ngắn nhất cho người thương nhân
(salesman), hay còn gọi là người chào hàng xuất phát từ một thành phố, đi qua lần lượt
tất cả các thành phố duy nhất một lần và quay về thành phố ban đầu với chi phí rẻ nhất,
được phát biểu vào thế kỷ 17 bởi hai nhà toán học vương quốc Anh là Sir William
Rowan Hamilton và Thomas Penyngton Kirkman, và được ghi trong cuốn giáo trình Lý
thuyết đồ thị nổi tiếng của Oxford. Nó nhanh chóng trở thành bài toán khó thách thức
toàn thế giới bởi độ phức tạp thuật toán tăng theo hàm số mũ (trong chuyên ngành thuật
toán người ta còn gọi chúng là những bài toán NP-khó). Người ta bắt đầu thử và công
bố các kết quả giải bài toán này trên máy tính từ năm 1954 (49 đỉnh), cho đến năm 2004
bài toán giải được với số đỉnh lên tới 24.978, và dự báo sẽ còn tiếp tục tăng cao nữa.
Bài toán có thể phát biểu dưới ngôn ngữ đồ thị như sau : Cho đồ thị n đỉnh đầy đủ và
có trọng số G=(V-tập đỉnh,E-tập cạnh) có hoặc vô hướng. Tìm

chu trình Halmilton

có tổng trọng số là nhỏ nhất.

2. Ý tưởng mô phỏng hành

vi của đàn kiến thực trong tự nhiên

Năm 1989, nhà bác học người Đan Mạnh Deneubourg và các cộng sự công bố
kết quả nghiên cứu về thí nghiệm trên đàn kiến Argentina (một loài kiến hiếm trên thế
giới), gọi là thí nghiệm “Chiếc cầu đôi” (Double Bridge Experiment). Cụ thể, họ đã đặt
một chiếc cầu đôi gồm hai nhánh (nhánh dài hơn có độ dài bằng hai lần nhánh ngắn
hơn, như hình vẽ) nối tổ của đàn kiến với nguồn thức ăn, sau đó thả một đàn kiến và
bắt đầu quan sát hoạt động của chúng trong một khoảng thời gian đủ lớn. Kết quả là
ban đầu các con kiến đi theo cả hai nhánh của chiếc cầu với số lượng gần như ngang
nhau, nhưng càng về cuối thời gian quan sát người ta nhận thấy các con kiến có xu
hướng chọn nhánh ngắn hơn để đi (80-100% số lượng).

Kết quả được các nhà sinh học lý giải như sau : Do đặc tính tự nhiên và đặc tính hóa
học, mỗi con kiến khi di chuyển luôn để lại một lượng hóa chất gọi là các vết mùi
(pheromone trail) trên đường đi và thường thì chúng sẽ đi theo con đường có lượng mùi
đậm đặc hơn. Các vết mùi này là những loại hóa chất bay hơi theo thời gian, do vậy ban
đầu thì lượng mùi ở hai nhánh là xấp sỉ như nhau, nhưng sau một khoảng thời gian nhất
định nhánh ngắn hơn sẽ có lượng mùi đậm đặc hơn so với nhánh dài hơn do cũng lượng
mùi gần xấp sỉ như nhau khi phân bố ở nhánh dài hơn mật độ phân bố mùi ở nhánh này
sẽ không dày bằng nhánh có độ dài ngắn hơn, thêm nữa cũng do lượng mùi trên nhánh
dài hơn cũng sẽ bị bay hơi nhanh hơn trong cùng một khoảng thời gian.

Năm 1991, với cơ sở là kết quả của thí nghiệm nổi tiếng trên, nhà khoa học người Bỉ
Marco Dorigo đã xây dựng thuật toán đàn kiến (Ant Algorithm, hay còn gọi là Hệ kiến,
Ant System) đầu tiên ứng dụng vào giải bài toán người du lịch, và công bố trong luận
án tiến sĩ của ông. Trong bài báo này, các tác giả muốn giới thiệu về thuật toán cơ bản
Ant-Cycle (thuật toán nổi tiếng và hiệu quả nhất trong lớp các thuật toán Hệ kiến) được
công bố năm 1996 trên tạp chí lý thuyết của IEEE (Institute of Electrical and Electronics
Engineers, là hiệp hội nghiên cứu công nghệ và khoa học hàng đầu thế giới). Hiện nay,
Dorigo và các cộng sự đã xây dựng được nhiều hệ kiến phức tạp hơn ứng dụng trong
nhiều bài toán khó hơn và có nhiều ý nghĩa khoa học và thực tiễn hơn, nhưng với khuôn
khổ và phạm vi của bài báo là giành cho học sinh phổ thông, chúng tôi xin được phép
không trình bày ở đây, bạn đọc quan tâm có thể tìm đọc trong các tài liệu tham khảo có
ở phần cuối của bài báo.

3. Thuật toán đàn kiến giải bài toán người du lịch

Để bắt chước hành vi của các con kiến thực, Dorigo xây dựng các con kiến nhân
tạo (artificial ants) cũng có đặc trưng sản sinh ra vết mùi để lại trên đường đi và khả
năng lần vết theo nồng độ mùi để lựa chọn con đường có nồng độ mùi cao hơn để đi.
Với bài toán Người du lịch trên đồ thị trong không gian hai chiều với trọng số là khoảng
cách Euclide giữa hai đỉnh bất kỳ, Dorigo gắn với mỗi cạnh (i, j) ngoài trọng số d(i, j)
trên là nồng độ vết mùi trên cạnh đó, đặt là . Ban đầu, các nồng độ mùi trên mỗi cạnh
được khởi tạo bằng một hằng số c nào đó.

Phương pháp tìm đường đi mô phỏng hành vi con kiến

 Các con kiến sẽ tiến hành tìm đường đi từ đỉnh xuất phát qua một loạt các đỉnh
và quay trở về đỉnh ban đầu, tại đỉnh u một con kiến sẽ chọn đỉnh v chưa được đi qua
trong tập láng giềng của u theo xác suất sau :

trong đó

 UV(u) là tập các đỉnh láng giềng của u chưa được con kiến hiện tại đi qua.

gọi là thông tin heurtistic giúp đánh giá chính xác hơn sự lựa chọn của
con kiến khi quyết định đi từ đỉnh u qua đỉnh v.

Ta có thể hiểu công thức trên đơn giản như sau : quyết định lựa chọn đỉnh tiếp
theo để đi của con kiến được lựa chọn ngẫu nhiên theo xác suất (tức là đỉnh nào có xác
suất cao hơn sẽ có khả năng được chọn cao hơn, nhưng không có nghĩa là các đỉnh có
xác suất thấp hơn không được chọn mà nó được chọn với cơ hội thấp hơn mà thôi). Ý
tưởng này được thể hiện qua kỹ thuật Bánh xe xố số (Lottery Wheel) sẽ được trình bày
sau. Và xác suất này (hay khả năng chọn đỉnh tiếp theo của con kiến) tỷ lệ thuận với
nồng độ vết mùi trên cạnh được chọn (theo đặc tính của con kiến tự nhiên) và tỷ lệ
nghịch với độ dài cạnh, là những hệ số điểu khiển việc lựa chọn của con kiến nghiêng
về phía nào.

Kỹ thuật bánh xe xổ số

Đây là kỹ thuật phổ biến hay sử dụng trong các phương pháp tìm kiếm dựa vào
xác suất, đặc biệt trong phép toán Chọn lọc (Selection) của thuật toán di truyền (Genetic
Algorithm). Cụ thể kỹ thuật như sau :

Giả sử V={v1,v2, …, vn} là tập các láng giềng của u, p1, p2, …, pn là xác suất
lựa chọn đỉnh tiếp theo từ u của tương ứng v1,v2, …, vn

tức là chắc chắn chọn 1 trong các đỉnh trên để đi tiếp. Để đảm bảo ưu thế của
những đỉnh có xác suất lớn, nhưng vẫn đảm bảo cơ hội của các đỉnh có xác suất thấp

hơn người ta sinh ra một số ngẫu nhiên k (0, sum] rồi chọn i nhỏ nhất sao cho
.Cách làm này mô phỏng hoạt động của một vòng quay xổ số (vòng được chia làm nhiều
phần không bằng nhau), rõ ràng khi quay ta không biết kim của bánh quay sẽ chỉ vào
phần nào nhưng ta cũng có thể nhận thấy ngay là phần lớn hơn sẽ nhiều khả năng kim
rơi vào đó hơn. Chính vì vậy kỹ thuật này được gọi là Bánh xe xổ số. Như vậy, các con
kiến từ một đỉnh xuất phát, lần lượt tới thăm các đỉnh tiếp theo theo quy tắc trên (thăm
xong đánh dấu chúng lại) cho đến thăm tới đỉnh cuối cùng và quay về đỉnh ban đầu, kết
thúc một hành trình. Quá trình này được lặp đi lặp lại, hành trình tốt hơn (có chiều dài
ngắn hơn) sẽ được cập nhật cho đến một khoảng thời gian đủ tốt (thông thường tính toán
theo số vòng lặp, với các trường hợp nhỏ (số đỉnh <=200) số vòng lặp bằng 500 là đủ
tìm ra kết quả tối ưu, còn với các trường hợp lớn hơn ta phải thử với số lần lặp lớn hơn
nhiều, tùy thuộc vào từng bộ dữ liệu cụ thể.

Sau khi và trong quá trình các con kiến tìm đường đi các vết mùi ( ) được cập
nhật lại, vì chúng bị biến đổi do quá trình bay hơi và do quá trình tích lũy của các con
kiến trên cạnh đó. Có rất nhiều cách cập nhật mùi, mỗi cách có ảnh hưởn nhất định đến
chất lượng của thuật toán. Trong phạm vi kiến thức phổ thông, chúng tôi giới thiệu cách
cập nhật mùi đơn giản nhất như sau :

Sau mỗi vòng lặp (các con kiến đều tìm được hành trình riêng của mình), vết mùi
trên mỗi cạnh được cập nhật lại theo công thức sau :

trong đó gọi là tham số bay hơi (sở dĩ gọi như vậy vì sau mỗi lần cập nhật

lượng mùi trên cạnh (i,j) sẽ mất đi một lượng là , thường được chọn là 0,8
trong cài đặt và chạy chương trình. Ngoài lượng bay hơi mất đi đó mỗi cạnh (i, j) còn

được tích tụ thêm một lượng mùi nhất định tùy thuộc vào từng con kiến đi qua, cụ
thể được tính như sau :
trong đó Q là một hằng số, Lk là độ dài hành trình của con kiến thứ k. Nhờ việc cập nhật
mùi này, sau mỗi vòng lặp (hay sau mỗi lần các con kiến đi hết hành trình), nồng độ vết
mùi trên các cạnh sẽ thay đổi (hoặc giảm hoặc tăng dần) ảnh hưởng đến quyết định chọn
của các con kiến, có thể ở bước lặp này chọn một cạnh để đi nhưng đến bước lặp khác
vẫn con kiến đó lại không đi qua cạnh đó nữa. Nhờ vậy thuật toán có khả năng tìm được
lời giải tốt trong những trường hợp dữ liệu cực lớn.

Ta đặc tả thuật toán đàn kiến như sau:

Nhận xét chung về các thuật toán ACO

Nhờ kết hợp thông tin heuristic và thông tin học tăng cường nhờ mô phỏng hoạt động của
đàn kiến, các thuật toán ACO có các ưu điểm nổi trội sau:

1) Việc tìm kiếm ngẫu nhiên dựa trên các thông tin heuristic làm cho phép tìm kiếm linh
hoạt và mềm dẻo trên miền rộng hơn phương pháp heuristic sẵn có, do đó cho ta lời giải
tốt hơn và có thể tìm được lời giải tối ưu.
2) Sự kết hợp học tăng cường thông qua thông tin về cường độ vết mùi cho phép ta từng
bước thu hẹp không gian tìm kiếm mà vẫn không loại bỏ các lời giải tốt, do đó nâng cao
chất lượng thuật toán.

Chú ý. Khi áp dụng phương pháp ACO cho mỗi bài toán cụ thể, có ba yếu tố quyết định
hiệu quả thuật toán:

1) Xây dựng đồ thị cấu trúc thích hợp, việc xây dựng đồ thị cấu trúc để tìm được lời giải
cho bài toán theo thủ tục tuần tự không khó. Khó khăn chính là với các bài toán cỡ lớn thì
không gian tìm kiếm quá rộng, đòi hỏi ta sử dụng các ràng buộc Ω một cách hợp lý để giảm
miền tìm kiếm cho mỗi con kiến.

2) Chọn thông tin heuristic. Thông tin heuristic tốt sẽ tăng hiệu quả thuật toán. Tuy nhiên,
nhiều bài toán ta không có thông tin này thì có thể đánh giá chúng như nhau. Khi đó lúc
ban đầu, thuật toán chỉ đơn thuần chạy theo phương thức tìm kiếm ngẫu nghiên, vết mùi
thể hiện định hướng của học tăng cường và thuật toán vẫn thực hiện được.

3) Chọn quy tắc cập nhật mùi. Quy tắc cập nhật mùi thể hiện chiến lược học của thuật toán.
Nếu đồ thị cấu trúc và thông tin heuristics luôn phụ thuộc vào từng bài toán cụ thể thì quy
tắc cập nhật mùi là yếu tố phổ dụng và thường dùng để đặt tên cho thuật toán.
4. Hướng dẫn cài đặt bằng ngôn ngữ C++

Cấu trúc dữ liệu

D[1..N, 1..N] : mảng số thực hai chiều lưu độ dài các cạnh.

T[1..N, 1..N] : mảng số thực hai chiều lưu nồng độ vết mùi trên các cạnh.

Delta[1..N, 1..N] : mảng số thực hai chiều lưu sự cập nhật mùi.

W[1..N] : mảng số nguyên một chiều lưu hành trình của mỗi con kiến.

Mark[1..N] : mảng boolean một chiều đánh dấu đỉnh đã thăm.

UV[1..N-1] : mảng số nguyên 1 chiều lưu các đỉnh chưa thăm của con kiến.

Các thủ tục đặc tả

void Init()
{
for (int i =1; i < n; i++)
{
for (int j=i+1;j<=n;j++)
{
T[i][j] = 0.5;
Delta[i][j] = 0;
T[j][i]=T[i][j];
Delta[j][i] = Delta[i][j];
}
N_Loop = 0; //đếm số vòng lặp hiện tại
L_Best = MaxReal; //biến số thực đủ lớn
}
}

void Lottery_Wheel(int k)
{
int sum = 0;
int dem = 0;

memset(UV, sizeof(UV), 0);

for (int i = 1; i <= n; i++)
{

if (Mark[i] == false) {
sum = sum + p[i];

dem++;
UV[dem] = i;
}
srand(sum);
k = rand();
int t = 0;
i = 1;
while (t >=k)
{
t = t + p[UV[i]];
}
 k = UV[i];
}
}

void Pheromone_Update()
{

for (int i = 1; i < n; i++)

{
for (int j = i + 1; j <= n; j++)
{

T[i][j] = 0.8 * T[i][j] + Delta[i][j];

T[j][i] = T[i][j];
}
}

void Ant_Cycle()
{
Init;

float L;
do
{

N_Loop++;
for (int i = 1; i <= 25; i++)
{

W[1] = 1;
memset(Mark, sizeof(Mark), false);
Mark[1] = true;

L = 0;

for (int j = 2; j <= n; j++)

{

Lottery_Wheel(W[j]);

L = L + D[W[j - 1]][W[j]];

Mark[W[j]] = true;
 }

L = L + D[W[n]][W[1]];

if (L < L_Best)
{
L_Best = L;
int m = 0;
do
{
m++;
Luu_duong_di[m] = W[m];
} while (W[m]== NULL);

int Q = 10000000;
for (int i = 1; i < n; i++)
{

for (int j = i + 1; j <= n; j++)

{
Delta[i][j] = Delta[i][j] + Q / L;
Delta[i][j] = Delta[j][i];
}

Pheromone_Update;
}
while(N_Loop < N_C);

Tài liệu tham khảo

[1] M.Dorigo and T.Stuzle. Ant Colony Optimization. Nhà xuất bản MIT, Tháng 7/2004.
[2] Đinh Quang Huy, Đỗ Đức Đông và Hoàng Xuân Huấn. “Multi-level Ant System : A
new approach through the new pheromone update of Ant Colony Optimization. Kỷ yếu Hội
nghị quốc tế Khoa học máy tính RIVF lần thứ 4, tp.Hồ Chí Minh, Tháng 2/2006.
[3] Từ điển Wikipedia tiếng Anh http://en.wikipedia.org/wiki/
[4] Website về bài toán Người du lịch http://www.tsp.gatech.edu/index.html
[5] Dữ liệu thử: www.iwr.uni-heidelberg.de/groups/comopt/software/TSPLIB95/ Tác giả:
Đinh Quang Huy
[6]http://data.uet.vnu.edu.vn:8080/xmlui/bitstream/handle/123456789/961/HTTT_K20_Vu%20
Duc%20Quang_LV%20hoan%20chinh.pdf?sequence=1