LỜI NÓI ĐẦU
Trong ngành khoa học máy tính, tìm kiếm lời giải tối ưu cho các bài toán là vấn
đề được các nhà khoa học máy tính đặc biệt rất quan tâm. Mục đích chính của các thuật
toán tìm kiếm lời giải là tìm ra lời giải tối ƣu nhất cho bài toán trong thời gian nhỏ
nhất. Các thuật toán như tìm kiếm không có thông tin / vét cạn ( tìm kiếm trên danh
sách, trên cây hoặc đồ thị ) sử dụng phương pháp đơn giản nhất và trực quan nhất hoặc
các thuật toán tìm kiếm có thông tin sử dụng heurictics để áp dụng các tri thức về cấu
trúc của không gian tìm kiếm nhằm giảm thời gian cần thiết cho việc tìm kiếm được sử
dụng nhiều nhưng chỉ với không gian tìm kiếm nhỏ và không hiệu quả khi tìm kiếm
trong không gian tìm kiếm lớn. Tuy nhiên, trong thực tiễn có rất nhiều bài toán tối ưu
với không gian tìm kiếm rất lớn cần phải giải quyết. Vì vậy, việc đòi hỏi thuật giải chất
lượng cao và sử dụng kỹ thuật trí tuệ nhân tạo đặc biệt rất cần thiết khi giải quyết các
bài toán có không gian tìm kiếm lớn. Giải thuật di truyền (genetic algorithm) là một
trong những kỹ thuật tìm kiếm lời giải tối ưu đã đáp ứng được yêu cầu của nhiều bài
toán và ứng dụng.
Giải thuật di truyền đã được phát minh ra để bắt chước quá trình phát triển tự
nhiên trong điều kiện quy định sẵn của môi trường. Trong bài tiểu luận này chúng ta sẽ
nghiên cứu về việc áp dụng giải thuật di truyền để thiết kế mạng tối ưu.
2
CÁC THUẬT NGỮ VIẾT TẮT
Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt
ADSL
Asymmetric Digital Subscriber
Line
Đường dây thuê bao số bất đối
xứng
CPP Copper Planning Problem Vấn đề quy hoạch cáp đồng
DPs Distribution Points Điểm phân bố
EC Evolutionary Computation Tính toán tiến hóa
EAs Evolutionary Algorithms Giải thuật tiến hóa

lượng các phương án có thể đáp ứng các khó khăn vẫn còn quá lớn để chúng tôi hy
vọng sẽ kiểm tra lần lượt từng phương án trong số chúng. Vì vậy, một lần nữa, chúng ta
cần một số cách để tìm ra giải pháp tốt trong tất cả các khả năng.
Những thách thức hiện tại là cơ hội cho sự hợp tác giữa các kỹ sư viễn thông, các
nhà nghiên cứu và phát triển trong khoa học máy tính và trí tuệ nhân tạo cộng đồng.
Đặc biệt, có một bộ các công nghệ phần mềm mới nổi nhằm tối ưu hóa các vấn đề mà
hiện nay đang được được sử dụng trong ngành công nghiệp, nhưng có tiềm năng lớn
cho các giải pháp có lợi nhuận và hiệu quả cho nhiều bài toán trong ngành viễn thông.
Phần lớn cuốn sách này tập trung vào các kỹ thuật tối ưu hóa, và các công trình
nghiên cứu trong các chương sắp tới trình bày một phần việc áp dụng những kỹ thuật
này cho các bài toán liên quan đến viễn thông. Các kỹ thuật sử dụng bao gồm các
phương pháp "tìm kiếm địa phương “ như ủ mô phỏng (Aarts và Korst, 1989) và tìm
kiếm tabu (Glover, 1989; 1989a), và các kỹ thuật tìm kiếm 'dựa trên tập hợp' như thuật
toán di truyền (Poland, 1975 ; Goldberg, 1989), chiến lược phát triển (Schwefel, 1981;
6
Back, 1996), lập trình tiến hóa (Fogel, 1995) và lập trình di truyền (Koza, 1992). Mục
1.3 giới thiệu ngắn gọn và cơ bản các kỹ thuật trên, dành cho các kỹ sư viễn thông,
quản lý hoặc nghiên cứu, những người hiểu biết quá nhiều về vấn đề này, nhưng chưa
biết cách để giải quyết chúng. Chương sau thảo luận về việc sử dụng liên quan đến các
bài toán đặc biệt trong viễn thông.
1.2 Bài toán động và thích ứng.
Một khía cạnh cơ bản của nhiều vấn đề tối ưu hóa trong viễn thông là một thực tế
rằng các giải pháp tối ưu là động. Những gì có thể là giải pháp tốt nhất bây giờ có thể
không phải là giải pháp lý tưởng trong một vài giờ, hoặc thậm chí một vài phút. Ví dụ,
các nhà cung cấp dịch vụ của một cơ sở dữ liệu phân tán ( như video theo yêu cầu, dịch
vụ web - bộ nhớ đệm, vv) phải cố gắng để đảm bảo chất lượng dịch vụ cho mỗi khách
hàng. Để làm điều này liên quan đến việc chuyển hướng cơ sở dữ liệu của khách hàng
truy cập đến các máy chủ khác nhau tại các thời điểm khác nhau ( khách hàng không
thể nhận biết) để thực hiện phù hợp cân bằng tải giữa các máy chủ. Kỹ thuật tối ưu hóa
hiện đại có thể được sử dụng để phân phối tải trọng phù hợp trên các máy chủ, tuy

Trong phần còn lai của chương này chúng ta sẽ giới thiệu ngắn gọn về sự tối ưu và
và các kỹ thuật thích ứng mà chúng ta đã đề cập ở trên. Chi tiết sẽ được nói ở các
chương sau. Sau đó chúng ta sẽ nói một chút về ba phần trong cuốn sách này trong các
chương tiếp theo. Sau cùng, chúng ta sẽ chỉ ra tại sao những kỹ thuật này là quan trọng
trong viễn thông, và chúng sẽ ngày càng phát triển theo thời gian.
1.3 Các kỹ thuật Heuristic hiện đại
Có một loạt các phương pháp nổi tiếng trong hoạt động nghiên cứu, như là : quy
hoạch động (DynamicProgramming), quy hoạch tuyến tính (Integer Programming ).
8
V v đã được sử dụng để giải quyết các lọa vấn đề tối ưu khác nhau. Tuy nhiên , một
cộng đồng lớn của các nhà khoa học máy tính và các nhà nghiên cứu trí tuệ nhân tạo
ngày nay đang dành rất nhiều nỗ lực vào những ý tưởng hiện đại hơn được gọi là
“metaheuristics” hay còn gọi là “heuristic”. Vấn đề khác nhau cơ bản giữa các phương
pháp hiên đại và phương pháp cổ điển đó là , nó dễ áp dụng hơn. Tực là nếu đưa ra một
vấn đề thực tế điển hình và phức tạp thì nó sẽ cần ít công sức để phát triển cách tiếp
cận mô hình tôi thép để giải quyết vấn đề đó hơn là trình bày vấn đề theo cách quy
hoạch tuyến tính có thể áp dụng trên nó.
Điều này không nói rằng các phương pháp hiện đại sẽ làm tốt hơn phương pháp cổ
điển. Trên thực tế, kịch bản thực tế và điển hình khi mà cả hai loại phương pháp được
áp dụng đó là :
• Một chuyên gia metaheuristics so sánh hại loại kỹ thuật: phương pháp hiện
đại làm tốt hơn phương pháp cổ điện
• Một chuyên gia nghiên cứu các hoạt động cổ điển so sánh hai loại kỹ thuật:
phương pháp cổ điển vượt trội hơn phương pháp hiện đại
Mặc dù sự quan sát này dựa trên một khía cạnh quan trọng trong việc giải quyết
các vấn đề tối ưu. bạn càng hiểu rõ các kỹ thuật riêng biệt mà bạn đang áp dụng thì bạn
càng có khả sử dụng và khai thác nó để đạt được kết quả tốt hơn.
Trong phần này chúng tôi chỉ cung cấp khía quát về một số thuật toán tối ưu hiện
đại, và do đó không cung cấp khá đầy đủ thông tin cho một người đọc để có thể chỉnh
cho phù hợp với các vấn đề cụ thể. Mặc dù chúng tôi không chỉ cho bạn cách để sáng

10
Bây giờ chúng ta có thể mô tả một cách cơ bản về tìm kiếm cục bộ. Trước tiên,
hãy xem xét một trong những phương pháp tìm kiếm cục bộ đơn giản nhất, được gọi là
phương pháp leo đồi (hillclimbing), thực hiện theo các bước dưới đây:
1. Bắt đầu: tạo ra một giải pháp đề cử ban đầu (có thể bằng một cách ngẫu nhiên);
gọi đây là giải pháp hiện tại, c. Đánh giá nó.
2. Biến đổi c để tạo ra một biến cố m, sau đó đánh giá m.
3. Nếu f(m) là tốt hơn hơn hoặc tương đương f(c), vậy thì cần thay thế c với m. (Ví
dụ c bây giờ là một bản sao của m).
4. Lặp lại bước 2, cho đến khi nào đạt tới một tiêu chí kết thúc.
Ý tưởng của hillclimbing nên được trình bày rõ ràng theo thuật toán nêu trên. Ở
bất kỳ bước nào, chúng ta có một giải pháp hiện tại, và khi chúng ta nhìn vào một ân
cận của giải pháp này – có vài điểm khác nhau. Nếu giải pháp lân cận là một bộ lọc
(fitter) (hoặc tương đương), vậy thì có vẻ như là đây một ý tưởng tốt để chuyển sang
lân cận đó; do đó, cần bắt đầu lại với lân cận giống như là với một giải pháp hiện tại
mới. Ý tưởng căn bản đằng sau điều này, và đằng sau phương pháp tìm kiếm cục bộ
nói chung, đó là sự hội tụ của các giải pháp tốt. Bạn có thể không thực sự mong đợi
một cấu trúc liên kết đáng tin cậy xuất hiện, ví dụ, thêm một liên kết đơn vào một cấu
trúc liên kết không đáng tin cậy. Tuy nhiên, bạn có thể mong đợi rằng một sự thay đổi
như vậy có thể biến một cấu trúc liên kết đáng tin cậy thành một cấu trúc liên kết đáng
tin cậy hơn.
Trong tìm kiếm cục bộ, chúng ta khai thác ý tưởng này bằng cách liên tục tìm kiếm
trong vùng lân cận của giải pháp hiện tại. Sau đó chúng ta sẽ chuyển đến một giải pháp
phù hợp, và tái thực thi quá trình này. Sự nguy hiểm ở đây là chúng ta có thể gặp khó
khăn trong với cái gọi là ‘tối ưu cục bộ’, tức là giải pháp hiện tại là không đủ tốt cho
mục đích của chúng ta, nhưng tất cả các phương án lân cận của nó thậm chí còn tồi
hơn. Đây là điểm không tốt đối với thuật toán leo đồi (hillclimbing), vì đơn giản là nó
sẽ bị mắc kẹt ở đó. Các phương pháp tìm kiếm cục bộ khác ngoài hillclimbing, có cách
để giải quyết chính xác tình huống này.
11

pháp hiện tại, thì biểu thức trên sẽ lớn hơn hoặc bằng 1. Nếu kết quả của việc biến đổi
kém hơn, thì kết quả sẽ nhỏ hơn 1 và kém hơn kết quả biến đổi là gần bằng 0. Do đó,
kết quả của biểu thức được sử dụng như một xác suất. Tạo ngẫu nhiên 1 số rand, với
0<rand<1 và thực hiện test trong bước 3 chỉ đơn giản là kiểm tra có hay không biểu
thức nhỏ hơn rand. Nếu vậy (luôn luôn được như vậy nếu kết quả biến đổi tốt hơn hoặc
tương đương), chúng ta chấp nhận kết quả biến đổi. T là tham số nhiệt độ. Với bắt đầu
lớn và giảm dần (xem bước 4) theo thời gian. Điều bạn có thể nói từ biểu thức trên, là
xác suất của kết quả biến đổi kém chấp nhận được cũng sẽ giảm dần theo thời gian.
Mô phỏng luyện kim tạo ra một phương pháp mạnh, mặc dù nó khá khó khăn để
đạt được những tham số đúng. Tham khảo A good modern account, Dowsland (1995).
Tabu Search
Một cách khác để thoát khỏi optima cục bộ được cung cấp bởi tìm kiếm tabu
(Glover 1989; 1989a; Glover and Laguna, 1997). Có nhiều khía cạnh tinh vi để tìm
kiếm tabu, ở đây chúng ta chỉ tìm hiểu về bản chất của kỹ thuật. Giới thiệu một cách rõ
ràng và đầy đủ được cung cấp trong Glover and Laguna (1995; 1997).
Phương pháp tìm kiểm Tabu, như nhiều phương pháp tìm kiếm cục bộ khác không
bàn và xem xét về các láng giềng của giải pháp hiện tại và thậm chí chọn một trong
láng giềng để chuyển đến. Đặc tính có tính phân biệt này của phương pháp tìm kiếm
Tabu là về vấn đề đưa ra sự lựa chọn như thế nào. Đây không đơn giản là việc lựa chọn
láng giềng nào phù hợp nhất trong số những láng giềng đã được kiểm tra. Phương pháp
tìm kiếm Tabu tính đến cả sự biến đổi (mutation) mà cho chúng ta kết quả. Ví dụ, nếu
láng giềng tốt nhất trong giải pháp của bạn là láng giềng mà kết nối bằng việc thay đổi
liên kết từ nút k, nhưng chúng ta đã thực hiện việc kết nối đó trong lần lặp trước thì có
thể một láng giềng khác sẽ được lựa chọn thay thế, thậm chí nếu sự di chuyển tốt nhất
hiện tại là di chuyển gần đây nhất cũng có thể không được chấp nhận. Tìm kiếm tabu
13
cung cấp một cơ chế dựa trên chỉ tiêu nguyện vọng cho phép ta chọn nhiều hơn nếu
láng giềng đang được xem xét mà phù hợp hơn so với láng giềng hiện tại.
Do vậy, bất kỳ việc cài đặt phướng pháp tìm kiếm tabu nào đều duy trì một vài
dạng bộ nhớ ghi lại những thuộc tính nhất định của những di chuyển gần đây. Những

kết giữa nút 1 và nút 3 hoặc là giữa nút 1 và nút 4 hoặc là có một liên kết giữa nút 1 và
nút 5
Nói chung, trên đây là những cách để đưa ra một phương pháp đại diện cho các
giải pháp của vấn đề. Tất nhiên sự lựa chọn cũng ảnh hưởng đến thiết kế của các
“operator hàng xóm”. Trong ví dụ trên, loại bỏ 1 liên kết từ topology liên quan đến 2
loại hoạt động khác nhau trong 2 đại diện. Trong trường hợp danh sách cặp node,
chúng ta cần thực sự loại bỏ 1 cặp từ danh sách. Trong trường hợp nhị phân, chúng ta
thay đổi một bit 1 đến một bit 0 trong một vị trí cụ thể trong chuỗi.
Đề ra các đại diện và vận hành tốt là một phần của nghệ thuật sử dụng hiệu quả
tìm kiếm địa phương để giải quyết các vấn đề tối ưu hóa cứng. Tuy nhiên một phần
quan trọng khác của nghệ thuật này là vấn đề sử dụng tri thức cụ thể hoặc chuẩn đoán
tồn tại khi có thể. Ví dụ, một vấn đề với một trong hai đại diện mà chúng ta đã ghi
nhận cho đến nay cho topology mạng là một topology được tạo ngẫu nhiên điển hình
cũng có thể là không kết nối. Đó là một giải pháp ứng cử có thể chỉ đơn giản là không
chứa các đường dẫn giữa mỗi cặp nút. Thông thường, chúng ta chỉ quan tâm đến các
mạng hướng kết nối, vì vậy bất kỳ thuật toán tìm kiếm nào mà effort dành cho kết nối
với các mạng hướng không kết nối thẩm định thì có vẻ khá lãng phí. Đây là nơi mà
miền tri thức cơ bản và những chuẩn đoán tồn tại sẽ có ích. Đầu tiên, bất kỳ một nhà
thiết kế mạng tốt nào đều sẽ biết các khái niệm lý thuyết đồ thị khác nhau, chẳng hạn
như là: cây spanning, thuật toán đường đi ngắn nhất… Nó không khó để đưa ra 1 thay
15
đổi đại diện danh sách cặp node là đã kết nối, đảm bảo rằng tất cả các giải pháp ứng
viên s chứa 1 cây spanning cho mạng. Một cách để làm điều này là liên quan đến việc
giải thích những cặp node đầu tiên gián tiếp. Thay vì (a, b) chỉ ra rằng mạng này chứa
liên kết giữa a và b, nó sẽ có nghĩa là node a đã kết nối sẽ được liên kết với node b
không kết nối. Bằng cách này, mọi cặp node tiếp theo cho thấy làm thế nào để tham gia
như 1 node chưa được sử dụng để phát triển cây spanning. Khi tất cả các node đã được
kết nối như vậy, cặp node còn lại có thể được giải thích trực tiếp.
Tuy nhiên vấn đề chúng ta giải quyết sẽ liên quan đến vấn đề chi phí, do đó chi phí
của các liên kết cụ thể sẽ đóng vai trò quan trọng trong “hàm vừa đủ” (fitness

đối để giải thích sự dịch chuyển của một vùng lân cận lớn. Một trong những khó khăn
của tìm kiếm cục bộ là ngay cả các kỹ thuật tiên tiến như mô phỏng và tìm kiếm cũng
khó khăn để tối ưu cục bộ, nó chỉ “thoát” trừ khi nó có thể là một đột biến khá quyết
liệt. Đó là thuật toán có thể thử tất cả các chuyển động cục bộ có thể, và do đó phải bắt
đầu thử với các di chuyển phi cục bộ nếu nó có bất kỳ cơ hội nào để đạt được bất kỳ
nơi nào. Vấn đề thực tế ở đây là có rất nhiều khả năng di chuyển phi cục bộ. Thật vậy
các hàng xóm ”phi cục bộ” là toàn bộ không gian khả năng!
Tái tổ hợp là một phương pháp cung cấp một cách lựa chọn di chuyển phi cục bộ
tốt từ một không gian lớn các khả năng. Ví dụ, nếu 2 nghiệm cha là mỗi vécto của k
phần tử, một toán tử tái tổ hợp được gọi là giao đơn điệu (uniform crossover), sẽ tạo ra
một nghiệm con từ 2 nghiệm cha này bằng cách, với mỗi phần tử được trả ra lấy ngẫu
nhiên giá trị của nó tử một trong 2 điểm. Mỗi nghiệm con có thể khác biệt tới 50% cha
mẹ của nó, và lớn hơn rất nhiều so với sự khác biệt điển hình giữa một nghiệm cha đơn
với một vài hàng xóm cục bộ của nó.
17
Dưới đây là những bước cho một thuật toán dựa trên tổ hợp chung:
1. Bắt đầu: sinh ra một tập ban đâu các giải pháp có khả năng nhất (candidate).
Đánh giá chúng.
2. Lựa chọn một vài tập làm cha.
3. Áp dụng toán tử tái tổ hợp và đột biến để từ các bộ cha mẹ tạo ra các bộ con.
4. Kết hợp các bộ con được sinh ra vào tập hợp.
5. Cho đến khi đạt được tiêu chí kết thúc, thì quay trở lại bước 2.
Có rất nhiều cách để thực hiện ở mỗi bước, nhưng có những điểm quan trọng như
sau. Bước 2 thường sử dụng chiến lược chọn lọc tự nhiên (survival of the fittest), đây
là nơi mà các tải chia sẻ (load sharing) được thảo luận ở trên sẽ được áp dụng. Các
nghiệm ứng viên được tạo thành, càng nhiều cơ hội nó trở thành cha, và do đó có nhiều
cơ hội hơn để thuật toán tìm ra các vùng lân cận của nó. Có những kỹ thuật chọn lựa
khác nhau, hầu hết đều được tham số hóa để thay đổi mức độ để các tổ hợp cha được
tạo ra ưa thích hơn (các áp lực chọn lọc). Bước 3 áp dụng các toán tử tái tổ hợp hoặc
đột biến, hoặc cả hai. Đây có tất cả các toán tử tái tổ hợp và đột biến, nhưng như chung

hiện tại và ước lượng gần đúng thời điểm đến node d với các “bước kế tiếp” hiện tại
của node a. Tuy nhiên, vì thời gian để có thể dựng mô phỏng với phần cứng của bộ
chuyển mạch mạng (network switch) lên đến nhiều giờ nên ý tưởng chạy mô hình mô
phỏng không phù hợp.
Thay vào đó, chúng ta cần một cách khác. Lý tưởng nhất, chúng ta đang tìm một
“hộp đen” (black box), đầu vào là question và các điều kiện hiện tại còn đầu ra là
answer hợp lý và ngay lập tức. VD về “hộp đen”: Bảng định tuyến (Routing table).
Question được hỏi bởi gói tin là: “Tôi muốn đi đến node d, vậy bước tiếp theo tôi nên
đi như thế nào?”. Routing table đưa ra một cách nhanh chóng câu trả lời nhanh chóng
và gửi gói tin đi. Cách làm này về cơ bản là không linh hoạt (non-adaptive). Nếu một
19
số giao thức quản lý mạng tiên tiến (advanced network management protocols) không
hoạt động, routing table luôn đưa ra cùng 1 answer, thậm chí ngay cả khi đường đi đến
d mà nó suggest đang bị tắc nghẽn ở thời điểm hiện tại. Vì thế, hộp đen của chúng ta
phải có khả năng thay đổi để thích hợp với điều kiện hiện tại. Chương 8 và chương 9 sẽ
thảo luận về cách để thực thi vấn đề này liên quan đến routing table trong mạng chuyển
mạch gói.
Đây là sự ước lượng về thần kinh, logic mờ và lý thuyết trò chơi. Vai trò của
ước lượng thần kinh trong hoàn cảnh này là phát triển một mô hình ẩn, mô hình đó
nghiên cứu ( từ ví dụ) để làm thế nào có quyết định đúng đắn trong tập các trường hợp
khác nhau. Kết quả tạo ra sẽ như một mạng lưới thần kinh, sau đó để làm việc trực
tuyến như thế nào thì nhà sản xuất sẽ quyết định. Vai trò của logic mờ là đưa ra cách để
tạo ra các quy định vững chắc, đây là những quy định để ra quyết định. Điều này về cơ
bản là tạo ra cách giải quyết của hộp đen, giống như một mạng lưới thần kinh nhưng
với hoạt động bên trong khác nhau. Cuối cùng lý thuyết trò chơi sẽ đưa ra một cách
nhìn khác, đó là một kịch bản mạng năng động. Về cơ bản, nếu chúng ta xem một số
khía cạnh của quản lý mạng như là một 'trò chơi', một tập hợp các phương trình và các
mô hình được biết đến bắt đầu hoạt động, nó sẽ lần lượt cung cấp những phép tính gần
đúng của mạng năng động thực sự.
1.4.1 Tính toán hệ thần kinh

biến ngôn ngữ “rất nặng” sẽ chồng chéo nhau với điều này, bởi vậy một giá trị lưu
lượng 82.5% có thể là ‘nặng’ đến mức 0.5 và ‘rất nặng’ đến mức 0.7.
Với mỗi điều kiện môi trường nhất định, các quy tắc khác nhau sẽ áp dụng những
mức độ khác nhau. Đặc biệt, logic mờ cung cấp nhiều cách để xác định mức độ mà các
quy luật khác nhau được áp dụng khi các thành phần điều kiện trong quy luật liên quan
21
đến nhiều biến ngôn ngữ. Chương 8 sử dụng logic mờ, sẽ thảo luận chi tiết hơn về vấn
đề này.
Sức mạnh chính của logic mờ là chúng ta chỉ cần đảm bảo rằng các chức năng
thành phần là hợp lý. Hệ thống kết quả, với các quyết định phù hợp, hướng tới các biến
thể trong các chức năng thành phần, trong giới hạn hợp lý. Tuy nhiên chúng ta có thể
phải làm một số việc, là xây dựng các nguyên tắc hoạt động. Đây là nơi việc học
‘offline’ đưa ra trong khi chúng ta đang sử dụng logic mờ trong một môi trường thích
nghi. Đôi khi, các thuật toán di truyền có thể được sử dụng cho nhiệm vụ xây dựng một
tập các quy luật tốt.
1.4.3 Lý thuyết trò chơi
Cuối cùng, lý thuyết trò chơi cung cấp một cách khác để nhìn vào các vấn đề phức
tạp, dynamic và liên quan đến giao tiếp, đặc biệt là liên quan đến quản lý mạng và cung
cấp dịch vụ. Xem xét các quá trình ra quyết định phức tạp liên quan trong việc quyết
định những gì để thiết lập cho lời gọi kết nối hoặc cung cấp dịch vụ dữ liệu trong một
môi trường mạng động, liên quan đến cạnh tranh với nhiều nhà cung cấp dịch vụ khác.
1.5 Tổng kết
Phương pháp Heuristic và các kĩ thuật thích hợp được ứng dụng trong rất nhiều
trong viễn thông liên quan tới việc tối ưu. Nó được chia làm 3 phần chính , tương
đương với 3 vấn đề thường gặp. Thứ nhất, đó là vấn đề thiết kế và tổ chức mạng. Trong
thực tế, có rất nhiều hoạt động sử dụng kĩ thuật Heuristic hiện đại, việc thiết kế mạng
sẽ đơn giản với các vấn đề tối ưu do các vấn đề này đã được xác định rõ rang.Điều đó
có nghĩa là Chúng ta có thể tiết kiệm nhiều thời gian và công sức để phát triển 1 kĩ
thuật tối ưu tốt nhờ sử dụng các thuật toán và cơ chế đặc tả. Khi một giải pháp được
thiết kế, nó có thể được thực hiện cài đặt trong vài tuần hoặc vài tháng

hết các tổ chức chế tạo truyền thống lớn đã áp dụng một số biện pháp tái cấu trúc nhằm
tăng hiệu quả của toàn bộ hoạt động của họ, dẫn đến việc thành lập các kiến trúc quản
lý phù hợp, các quy hoạch và cơ sở hạ tầng sản xuất tối ưu, giảm nhân công và kiểm
soát chặt chẽ hơn với ngân sách hoạt động và chi tiêu của các dự án quan trọng.
Quá trình tái cấu trúc tương tự hiện nay đang diễn ra trong lĩnh vực viễn thông.
Trong tương lai, thông tin sẽ đảm nhiệm mức độ quan trọng lớn hơn nhiều. Ngày càng
trở nên rõ ràng rằng nhiều doanh nghiệp sẽ đạt được và duy trì lợi thế cạnh tranh bằng
cách liên tục thu thập, phần tích và khai thác dữ liệu hoạt động với cách thức mới và lạ
thường. Các mô hình hệ thống quy mô lớn có thể được tạo ra và tri thức đã tiến hóa để
tạo ra các kiến trúc tôpô gần như tối ưu. Việc phân tích hệ thống mạng vĩ mô có thể
thực hiện được nhờ sự phát triển của các phương pháp heuristic, toán học và trí thông
minh, và sự sẵn có của các máy tính cá nhân hiệu suất cao nhưng giá thành thấp. Các
máy trạm cá nhân ngày nay có thể giải quyết các vấn đề phức tạp bằng cách xử lý một
lượng dữ liệu lớn sử dụng các thuật toán thông minh mới, từ đó cung cấp các giải pháp
tốt hơn và cái nhìn sâu hơn vào các vấn đề của cấu trúc phúc tạp của mạng. Các mục
24
tiêu chính cho các nhà khai thác mạng viễn thông là phát triển các phương pháp luận
sau đây:
Phương pháp quy hoạch tối ưu được yêu cầu để giảm chi phí xây dựng các kiến
trúc mạng mới.
Phân tích tác động là cần thiết để dự đoán tác động của các hệ thống và thành phần
mới sẽ có trong mạng và hoạt động kinh doanh.
Mô hình kinh doanh cần thiết để đánh giá những tác động của việc lựa chọn, cá
nhân và nhóm thay đổi sẽ có khi thực hiện kinh doanh và tổ chức thực hiện.
Phân tích lỗi là cần thiết để xác định và sửa lỗi với sự gián đoạn tối thiểu tới hiệu
suất của mạng.
Chương này sẽ xem xét về vấn đề quy hoạch mạng và phân tích tác động của hệ
thống điện thoại analog (POTS). Trong quá khứ, các thiết kế mạng lưới được thực hiện
chủ yếu bởi người quy hoạch bằng cách sử dụng các phương pháp thủ công đơn giản
hay tự động một phần. Với việc sử dụng các phương pháp này thì năng suất lao động