បញ្ហា (The Problem)៖ កំណើននគរូបនីយកម្មនិងការប្រែប្រួលអាកាសធាតុបង្កើនភាពញឹកញាប់នៃទឹកជំនន់ ដែលតម្រូវឱ្យមានការរចនាបណ្តាញលូទឹកស្អុយប្រកបដោយប្រសិទ្ធភាព ដើម្បីកាត់បន្ថយការចំណាយលើការសាងសង់ ខណៈពេលដែលនៅតែរក្សាបាននូវលក្ខខណ្ឌធារាសាស្ត្រ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវក្បួនដោះស្រាយការធ្វើឲ្យប្រសើរឡើងបែបកូនកាត់ (Hybrid Metaheuristic Algorithm) ដោយរួមបញ្ចូលក្បួនដោះស្រាយ Salps Swarm (SSA) និង Dragonfly (DA) ហើយបានសាកល្បងវាលើគំរូបណ្តាញលូទឹកស្អុយចំនួនពីរ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Hybrid SSA-DA ក្បួនដោះស្រាយកូនកាត់រវាង Salp Swarm និង Dragonfly (SSA-DA) |
ជៀសវាងការជាប់គាំងក្នុងតម្លៃល្អបំផុតក្នុងតំបន់ (Local optima) ធ្វើឱ្យមានតុល្យភាពល្អរវាងការរុករក (Exploration) និងការទាញយកផល (Exploitation)។ មានល្បឿននៃការរួមតូច (Convergence) លឿននិងមានស្ថេរភាពខ្ពស់។ | ត្រូវការការកែតម្រូវប៉ារ៉ាម៉ែត្រមួយចំនួន (α, β, Pbest, ρ) និងទាមទារកម្លាំងគណនាបន្តិចបន្តួចបន្ថែមដោយសារការច្របាច់បញ្ចូលគ្នានូវយន្តការនៃក្បួនដោះស្រាយពីរ។ | ទទួលបានការចំណាយទាបបំផុតគឺ ៧៤ ០៧៨,៥ ដុល្លារ (ក្នុងករណីទី១) និង ៨៤ ៧១៧,៧២ ដុល្លារ (ក្នុងករណីទី២) ជាមួយនឹងគម្លាតស្តង់ដារទាបបំផុត។ |
| Standard Salp Swarm Algorithm (SSA) ក្បួនដោះស្រាយហ្វូង Salp ដើម (SSA) |
មានល្បឿនស្វែងរកលឿនសម្រាប់បញ្ហាស្មុគស្មាញ ងាយស្រួលក្នុងការសរសេរកូដ និងមានប៉ារ៉ាម៉ែត្របញ្ជាមួយជាចម្បង (c1)។ | ងាយនឹងជាប់គាំងនៅតម្លៃល្អបំផុតក្នុងតំបន់ (Local optima) ឆាប់រួមតូចពេក និងខ្វះធាតុចៃដន្យដើម្បីស្វែងរកលំហរុករកថ្មីៗ។ | ទទួលបានការចំណាយប្រែប្រួលខ្ពស់ និងមធ្យម ៩៣ ៦៨៥,៧ ដុល្លារ (ករណីទី១) និង ១០៥ ១៧៨,៣ ដុល្លារ (ករណីទី២) ដែលខ្ពស់ជាងវិធីសាស្ត្រកូនកាត់។ |
| DPHPSO / ACOA-TGA ក្បួនដោះស្រាយបុរាណ DPHPSO និង ACOA-TGA |
ជាវិធីសាស្ត្រដែលត្រូវបានបង្កើតឡើង និងមានភាពជឿជាក់រួចមកហើយសម្រាប់បញ្ហាបង្កើនប្រសិទ្ធភាពបណ្តាញលូ។ | សមត្ថភាពក្នុងការស្វែងរកតម្លៃល្អបំផុតជាសកល (Global optimum) នៅមានកម្រិត និងមានភាពយឺតយ៉ាវនៅពេលមានចំនួនបំពង់ច្រើន។ | ការចំណាយល្អបំផុតទទួលបានត្រឹម ៧៦ ៥៦៨ ដុល្លារ និង ៨៥ ៨៧៣ ដុល្លារ ដែលនៅតែខ្ពស់ជាងម៉ូដែលស្នើឡើង SSA-DA។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់ច្បាស់លាស់ពីតម្រូវការផ្នែករឹង (Hardware) ឬកម្មវិធី (Software) ជាក់លាក់នោះទេ ប៉ុន្តែការដំណើរការម៉ូដែល Metaheuristic បែបនេះជាទូទៅត្រូវការធនធានកុំព្យូទ័រកម្រិតមធ្យម។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់ទិន្នន័យបណ្តាញលូនៅទីក្រុង Kerman ប្រទេសអ៊ីរ៉ង់ និងបណ្តាញគំរូរបស់ Moeini & Afshar (2012)។ កត្តាភូមិសាស្ត្រ របបទឹកភ្លៀង និងរចនាសម្ព័ន្ធដីនៅកម្ពុជាមានភាពខុសប្លែកពីតំបន់ទាំងនេះ ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យជាក់ស្តែងក្នុងស្រុក ដើម្បីធានាថាម៉ូដែលនេះឆ្លើយតបទៅនឹងបរិបទប្រទេសកម្ពុជាពិតប្រាកដ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ខ្លាំងសម្រាប់ការអភិវឌ្ឍហេដ្ឋារចនាសម្ព័ន្ធទីក្រុងនៅប្រទេសកម្ពុជា ពិសេសក្នុងការសន្សំថវិកាជាតិ។
សរុបមក ការអនុវត្តក្បួនដោះស្រាយ SSA-DA អាចជួយរដ្ឋាភិបាលនិងអ្នកអភិវឌ្ឍន៍វិស័យឯកជននៅកម្ពុជា សន្សំប្រាក់រាប់លានដុល្លារក្នុងការសាងសង់ប្រព័ន្ធលូ ប្រសិនបើមានទិន្នន័យភូមិសាស្ត្រច្បាស់លាស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Metaheuristic | ជាប្រភេទក្បួនដោះស្រាយកម្រិតខ្ពស់ដែលត្រូវបានរចនាឡើងដើម្បីស្វែងរកដំណោះស្រាយល្អបំផុត ឬជិតល្អបំផុតសម្រាប់បញ្ហាស្មុគស្មាញ ដោយយកគំរូតាមបាតុភូតធម្មជាតិ ឬឥរិយាបថសត្វ។ | ដូចជាការរកផ្លូវកាត់ដ៏ល្អមួយដោយប្រើបទពិសោធន៍ទូទៅ ជាជាងការសាកល្បងដើរគ្រប់ផ្លូវទាំងអស់។ |
| Salp Swarm Algorithm (SSA) | ជាក្បួនដោះស្រាយបញ្ញាសិប្បនិម្មិតដែលយកលំនាំតាមឥរិយាបថតម្រង់ជួរគ្នាស្វែងរកចំណីរបស់សត្វសមុទ្រម្យ៉ាងឈ្មោះ Salps ដើម្បីដោះស្រាយបញ្ហាគណិតវិទ្យានិងស្វែងរកតម្លៃល្អបំផុត។ | ដូចជាក្រុមមនុស្សដើរតម្រង់ជួរគ្នាក្នុងទីងងឹត ដោយអ្នកដើរក្រោយដើរតាមអ្នកមុខ ដើម្បីរកច្រកចេញ។ |
| Dragonfly Algorithm (DA) | ជាក្បួនដោះស្រាយដែលយកលំនាំតាមសកម្មភាពហ្វូងសត្វកន្ទុំរុយពេលផ្លាស់ទីកន្លែង ឬបរបាញ់ចំណី ដើម្បីជួយរក្សាតុល្យភាពរវាងការស្វែងរកជម្រើសថ្មីៗនិងការកែលម្អជម្រើសចាស់។ | ដូចជាហ្វូងសត្វចាបហើររកចំណី ដែលចេះបែកខ្ញែកគ្នាទៅរកកន្លែងថ្មីផង និងប្រមូលផ្តុំគ្នាស៊ីចំណីនៅកន្លែងដែលរកឃើញរួចផង។ |
| Exploration and Exploitation | ជាដំណើរការពីរផ្ទុយគ្នាក្នុងការស្វែងរកដំណោះស្រាយ៖ 'ការរុករក' (Exploration) គឺការស្វែងរកជម្រើសថ្មីៗក្នុងលំហទូលំទូលាយ ចំណែក 'ការទាញយកផល' (Exploitation) គឺការផ្ដោតទៅលើការកែលម្អជម្រើសល្អៗដែលរកឃើញរួច។ | ដូចជាការដើរភ្លក់ម្ហូបនៅតាមហាងថ្មីៗច្រើនកន្លែង (រុករក) និងការត្រឡប់ទៅញ៉ាំហាងដែលឆ្ងាញ់ជាងគេញឹកញាប់ដើម្បីសាកមុខម្ហូបផ្សេងទៀត (ទាញយកផល)។ |
| Local optima | ជាស្ថានភាពដែលក្បួនដោះស្រាយរកឃើញដំណោះស្រាយល្អមួយនៅក្នុងតំបន់តូចមួយនៃលំហស្វែងរក ប៉ុន្តែវាមិនមែនជាដំណោះស្រាយដែលល្អបំផុតជាសកល (Global optimum) នោះទេ ហើយវាធ្វើឱ្យក្បួនដោះស្រាយគិតថាខ្លួនរករួចរាល់ហើយទើបជាប់គាំងត្រឹមហ្នឹង។ | ដូចជាការដែលអ្នកគិតថាអ្នកបានឡើងដល់កំពូលភ្នំដែលខ្ពស់ជាងគេហើយ ប៉ុន្តែតាមពិតអ្នកគ្រាន់តែឈរលើយក្សភ្នំតូចមួយក្បែរភ្នំធំប៉ុណ្ណោះ។ |
| Objective function | ជាសមីការគណិតវិទ្យាដែលគោលដៅចម្បងត្រូវគណនារកតម្លៃតូចបំផុត (Minimize) ឬធំបំផុត (Maximize) នៅក្នុងបរិបទនេះគឺជារូបមន្តសម្រាប់គណនារកការចំណាយសរុបតិចបំផុតលើការសាងសង់ប្រព័ន្ធលូ។ | ដូចជាគោលដៅក្នុងការទិញឥវ៉ាន់ ដែលអ្នកត្រូវបូកសរុបតម្លៃទំនិញទាំងអស់ដើម្បីដឹងថាតើអ្នកអាចសន្សំលុយបានប៉ុន្មាន។ |
| Penalty function | ជាវិធីសាស្ត្រគណិតវិទ្យាដែលដាក់ពិន័យ (បន្ថែមកម្រិតតម្លៃ) ទៅលើដំណោះស្រាយណាដែលបំពានលក្ខខណ្ឌកំណត់ (ឧទាហរណ៍៖ ទំហំបំពង់តូចពេក) ដើម្បីបង្ខំឲ្យក្បួនដោះស្រាយរើសយកតែជម្រើសដែលត្រឹមត្រូវតាមលក្ខខណ្ឌបច្ចេកទេស។ | ដូចជាការផាកពិន័យលុយបន្ថែមនៅពេលដែលអ្នកបើកបរលើសល្បឿនកំណត់។ |
| Hydraulic constraints | ជាលក្ខខណ្ឌបច្ចេកទេសផ្នែកធារាសាស្ត្រ (ដូចជា ល្បឿនលំហូរទឹក ជម្រៅទឹក ជម្រាលបំពង់) ដែលត្រូវតែគោរពតាមយ៉ាងតឹងរ៉ឹងក្នុងការរចនាប្រព័ន្ធលូ ដើម្បីកុំឱ្យទឹកស្ទះ ឬខូចខាតបំពង់។ | ដូចជាច្បាប់នៃការរចនាទុយោទឹក ដែលទឹកមិនអាចហូរបានលឿនទេបើមិនមានជម្រាលគ្រប់គ្រាន់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
