LUẬN VĂN THẠC SĨ CÁC KỸ THUẬT PHÂN CỤM TRONG KHAI PHÁ DỮ LIỆU SỬ DỤNG TÍNH TOÁN TIẾN HÓA

TRƯỜNG ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
PHAN MINH HẢI
CÁC KỸ THUẬT PHÂN CỤM TRONG KHAI PHÁ DỮ LIỆU
SỬ DỤNG TÍNH TOÁN TIẾN HÓA
Ngành: Công nghệ thông tin
Chuyên ngành: Công nghệ phần mềm
Mã số: 60.48.10
LUẬN VĂN THẠC SĨ CÔNG NGHỆ PHẦN MỀM
NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. BÙI THU LÂM
Hà Nội, 2013
LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu của bản thân, được xuất phát từ
yêu cầu phát sinh trong công việc để hình thành hướng nghiên cứu. Các số liệu
có nguồn gốc rõ ràng tuân thủ đúng nguyên tắc và kết quả trình bày trong luận
văn được thu thập được trong quá trình nghiên cứu là trung thực chưa từng được
ai công bố trước đây.
Hà Nội, tháng 9 năm 2013
Tác giả luận văn
Phan Minh Hải
2
LỜI CẢM ƠN
Luận văn được thực hiện dưới sự hướng dẫn của TS. Bùi Thu Lâm – Học viện
Kỹ thuật Quân sự. Em xin bày tỏ lòng biết ơn sâu sắc tới Thầy đã hướng dẫn và
có ý kiến chỉ dẫn quý báu trong quá trình em làm luận văn. Em xin chân thành
cảm ơn các Thầy giáo trong bộ môn Công nghệ phần mềm. Em cũng xin cảm ơn
các thầy cô giáo trong Khoa, cán bộ thuộc phòng Khoa học và Đào tạo sau Đại
học, Trường Đại học Công nghệ đã tạo điều kiện trong quá trình học tập và
nghiên cứu tại Trường.
Cuối cùng xin bày tỏ lòng cảm ơn tới những người thân trong gia đình, bạn bè
đã động viên và giúp đỡ để tôi hoàn thành bản luận văn này.

Hà Nội, Tháng 9 năm 2013
Học viên thực hiện
Phan Minh Hải
3
LỜI CAM ĐOAN 2
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT 6
DANH MỤC CÁC BẢNG 7
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ 8
MỞ ĐẦU 9
1.1. Tổng quan về khám phá tri thức và khai phá dữ liệu 10
1.1.1. Giới thiệu chung về khám phá tri thức và khai phá dữ liệu 10
1.1.2. Quá trình khám phá tri thức 11
1.1.3. Quá trình khai phá dữ liệu 12
1.1.4. Các phương pháp khai phá dữ liệu 12
1.1.5. Các lĩnh vực ứng dụng thực tiễn của KPDL 13
1.1.6. Các hướng tiếp cận cơ bản và kỹ thuật áp dụng trong KPDL 13
1.2. Tổng quan về giải thuật tiến hóa 14
1.2.1. Giải thuật di truyền 14
1.2.1.1. Các quá trình cơ bản trong thuật toán di truyền 15
1.2.1.2. Các tham số của thuật toán di truyền 17
1.2.2. Thuật tiến hóa vi phân 20
1.2.2.1. Nguyên lý hoạt động 20
1.2.2.2. Xây dựng sơ đồ thuật toán 21
1.3. Kết luận 23
2.1. Khái niệm và mục tiêu của phân cụm dữ liệu 24
2.2. Các ứng dụng của phân cụm dữ liệu 25
2.3. Các yêu cầu của phân cụm 26
2.4. Những kỹ thuật tiếp cận trong phân cụm dữ liệu 27
2.4.1. Phương pháp phân cụm phân hoạch 27
2.4.2. Phương pháp phân cụm phân cấp 28

2.4.3. Phương pháp phân cụm dựa trên mật độ 29
2.4.4. Phương pháp phân cụm dựa trên lưới 29
2.4.5. Phương pháp phân cụm dựa trên mô hình 30
2.4.6. Phương pháp phân cụm có dữ liệu ràng buộc 30
2.5. Một số thuật toán cơ bản trong phân cụm dữ liệu 31
2.5.1. Các thuật toán phân cụm phân hoạch 31
2.5.2. Các thuật toán phân cụm phân cấp 34
2.5.3. Các thuật toán phân cụm dựa trên mật độ 35
2.5.4. Các thuật toán phân cụm dựa trên lưới 38
2.5.5. Các thuật toán phân cụm dựa trên mô hình 40
2.5.6. Giải thuật phân cụm dựa trên giải thuật di truyền 41
CHƯƠNG 3 GIẢI THUẬT PHÂN CỤM DỰA TRÊN LAI GHÉP GIẢI THUẬT
DI TRUYỀN VÀ KMEANS 42
4
CHƯƠNG 4 CÀI ĐẶT VÀ THỬ NGHIỆM 42
4.1. Chuẩn bị dữ liệu 42
4.2. Kết quả và phân tích 43
4.2.1. Thí nghiệm với giải thuật Kmeans 43
4.2.2. Thí nghiệm với giải thuật Kmeans có sử dụng giải thuật di truyền 44
KẾT LUẬN 46
TÀI LIỆU THAM KHẢO 48
5
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
CDL Cụm dữ liệu
CNTT Công nghệ thông tin
CSDL Cơ sở dữ liệu
CX Lai ghép chu trình Cycle Crossover
DE Thuật tiến hóa vi phân
Differential Evolution
DL Dữ liệu

GA Giải thuật di truyền Genetic Algorithm
KPDL Khai phá dữ liệu
KPTT Khai phá thông tin
LOX Lai ghép có thứ tự tuyến tính Liner Order Crossover
MX Lai ghép đa điểm Multipoint Crossover
OX Lai ghép có trật tự Order Crossover
PBX Lai ghép dựa trên vị trí Position Based Crossover
PCDL Phân cụm dữ liệu
PMX Lai ghép từng phần Partially-Matched Crossover
6
DANH MỤC CÁC BẢNG
Bảng 4.1: Bộ dữ liệu tự sinh có 3 trường dữ liệu 48
Bảng 4.2: Bộ dữ liệu Order Details của Northwind 48
Bảng 4.3: Thuật toán Kmeans với số cụm bằng 2 49
Bảng 4.4: Thuật toán Kmeans với số cụm bằng 3 49
Bảng 4.5: Thuật toán Kmeans với số cụm bằng 6 49
Bảng 4.6: Thuật toán Genetic Kmeans với số cụm bằng 2 50
Bảng 4.7: Chạy lại thuật toán Genetic Kmeans với số cụm bằng 2 50
Bảng 4.8: Khi chạy thuật toán Genetic Kmeans với số cụm bằng 3 50
Bảng 4.9: Chạy lại thuật toán Genetic Kmeans với số cụm bằng 3 51
7
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
Hình 1.1: Quá trình KPTT 11
Hình 1.2: Quá trình KPDL 12
Hình 1.3: Lai ghép hai cá thể 16
Hình 1.4: Đột biến một nhiễm sắc thể 17
Hình 1.5: Sơ đồ quá trình tính toán của thuật toán di truyền 18
Hình 1.6: Sơ đồ thuật toán tiến hóa vi phân 20
Hình 2.1: Mô tả tập dữ liệu vay nợ được phân thành 3 cụm 23
Hình 2.2: Các chiến lược phân cụm phân cấp 27

Hình 2.3: Cấu trúc phân cấp 28
Hình 2.4: Các cách mà các cụm có thể đưa ra 29
Hình 2.5: Các thiết lập để xác định ranh giới các cụm ban đầu 31
Hình 2.6: Tính toán trọng tâm của các cụm mới 31
Hình 2.7: Khái quát thuật toán CURE 33
Hình 2.8: Các cụm dữ liệu được khám phá bởi CURE 33
Hình 2.9: Hình dạng các cụm được khám phá bởi thuật toán DBSCAN 35
8
MỞ ĐẦU
Phân cụm dữ liệu là quá trình nhóm một tập các đối tượng tương tự nhau trong
tập dữ liệu vào các cụm sao cho các đối tượng thuộc cùng một cụm là tương
đồng còn các đối tượng thuộc các cụm khác nhau sẽ không tương đồng. Phân
cụm dữ liệu không đòi hỏi phải định nghĩa trước các mẫu dữ liệu huấn luyện. Vì
thế, có thể coi phân cụm dữ liệu là một cách học không giám sát (unsupervised
learning). Các Kỹ thuật phân cụm được ứng dụng rất nhiều trong các lĩnh vực tài
chính ngân hành để phân lọai các nhóm khách hàng khác nhau. Ngoài ra phân
cụm dữ liệu còn có thế được sử dụng như một bước tiền xử lý cho các thuật toán
khai phá dữ liệu khác như phân loại và mô tả đặc điểm, có tác dụng phát hiện ra
các cụm.
Theo các nghiên cứu cho thấy thì hiện nay chưa có một phương pháp phân cụm
tổng quát nào có thể giải quyết trọn vẹn cho tất cả các dạng cấu trúc của các
CSDL. Hơn nữa, các phương pháp phân cụm cần có cách thức biểu diễn cấu trúc
của các CSDL, với mỗi cách thức biểu diễn khác nhau sẽ có một thuật toán phân
cụm phù hợp. Vì vậy phân cụm dữ liệu vẫn đang là một vấn đề khó và mở, vì
phải giải quyết nhiều vấn đề cơ bản một cách trọn vẹn và phù hợp với nhiều
dạng dữ liệu khác nhau, đặc biệt là đối với dữ liệu hỗn hợp đang ngày càng tăng
trong các hệ quản trị dữ liệu và đây cũng là một trong những thách thức lớn
trong KPDL. Một điểm khác nữa là các hàm mục tiêu của các thuật toán phân
cụm như K-means thường tồn tại nhiều điểm tối ưu cục bộ. Do đó mà đề tài tập
trung vào tìm hiểu “Các kỹ thuật phân cụm trong khai phá dữ liệu sử dụng tính

toán tiến hóa”; một kỹ thuật tiến hóa được thiết kế để khắc phục tính chất cục bộ
của các thuật toán phân cụm.
Luận văn gồm có 4 chương chính:
Chương 1: Tổng quan về khám phá tri thức, khai phá dữ liệu và thuật
toán di truyền
Chương 2: Một số giải thuật phân cụm
Chương 3: Giải thuật phân cụm dựa trên lai ghép giải thuật di truyền và
Kmeans
Chương 4: Cài đặt và thử nghiệm
Kết luận định hướng phát triển kết quả nghiên cứu
9
CHƯƠNG 1 TỔNG QUAN VỀ KHÁM PHÁ TRI THỨC, KHAI PHÁ DỮ
LIỆU VÀ THUẬT TOÁN DI TRUYỀN
1.1. Tổng quan về khám phá tri thức và khai phá dữ liệu
1.1.1. Giới thiệu chung về khám phá tri thức và khai phá dữ liệu
Nếu cho rằng, điện tử và truyền thông chính là bản chất của khoa học điện tử, thì
dữ liệu, thông tin, và tri thức hiện đang là tiêu điểm của một lĩnh vực mới để
nghiên cứu và ứng dụng, đó là khám phá tri thức và khai phá dữ liệu.
Thông thường, chúng ta coi dữ liệu như là một chuỗi các bits, hoặc các số và các
ký hiệu hay là các “đối tượng” với một ý nghĩa nào đó khi được gửi cho một
chương trình dưới một dạng nhất định. Các bits thường được sử dụng để đo
thông tin, và xem nó như là dữ liệu đã được loại bỏ phần tử thừa, lặp lại, và
rút gọn tới mức tối thiểu để đặc trưng một cách cơ bản cho dữ liệu. Tri thức được
xem như là các thông tin tích hợp, bao gồm các sự kiện và mối quan hệ
giữa chúng, đã được nhận thức, khám phá, hoặc nghiên cứu. Nói cách khác, tri
thức có thể được coi là dữ liệu ở mức độ cao của sự trừu tượng và tổng quát.
Khám phá tri thức hay phát hiện tri thức trong CSDL là một quy trình nhận biết
các mẫu hoặc các mô hình trong dữ liệu với các tính năng: Phân tích, tổng
hợp, hợp thức, khả ích và có thể hiểu được.
Khai phá dữ liệu là một bước trong quá trình khám phá tri thức, gồm các

thuật toán khai thác dữ liệu chuyên dùng dưới một số qui định về hiệu quả tính
toán chấp nhận được để tìm ra các mẫu hoặc các mô hình trong dữ liệu.
Nói cách khác, mục tiêu của Khai phá dữ liệu là tìm kiếm các mẫu hoặc mô hình
tồn tại trong CSDL nhưng ẩn trong khối lượng lớn dữ liệu.

10
1.1.2. Quá trình khám phá tri thức
Hình 1.1: Quá trình KPTT
Bao gồm các bước sau:
Làm sạch dữ liệu (Data Cleaning): Loại bỏ dữ liệu nhiễu và dữ liệu không
nhất quán.
Tích hợp dữ liệu (Data Intergation): Dữ liệu của nhiều nguồn có thể được tổ
hợp lại.
Lựa chọn dữ liệu (Data Selection): Lựa chọn những dữ liệu phù hợp với
nhiệm vụ phân tích trích rút từ cơ sở dữ liệu.
Chuyển đổi dữ liệu (Data Transformation): Dữ liệu được chuyển đổi hay được
hợp nhất về dạng thích hợp cho việc khai phá.
Khai phá dữ liệu (Data Mining): Đây là một tiến trình cốt yếu trong đó các
phương pháp thông minh được áp dụng nhằm trích rút ra mẫu dữ liệu.
Đánh giá mẫu (Pattern Evaluation): Dựa trên một độ đo nào đó xác định lợi
ích thực sự, độ quan trọng của các mẫu biểu diễn tri thức.
Biểu diễn tri thức (Knowledge Presentation): Ở giai đoạn này các kỹ thuật
biểu diễn và hiển thị được sử dụng để đưa tri thức lấy ra cho người
dùng.
11
1.1.3. Quá trình khai phá dữ liệu
KPDL là một giai đoạn quan trọng trong quá trình KPTT. Về bản chất, nó là giai
đoạn duy nhất tìm ra được thông tin mới, thông tin tiềm ẩn có trong CSDL chủ
yếu phục vụ cho mô tả và dự đoán.
Mô tả dữ liệu là tổng kết hoặc diễn tả những đặc điểm chung của những

thuộc tính dữ liệu trong kho dữ liệu mà con người có thể hiểu được. Dự đoán là
dựa trên những dữ liệu hiện thời để dự đoán những quy luật được phát hiện từ
các mối liên hệ giữa các thuộc tính của dữ liệu trên cơ sở đó chiết xuất ra các
mẫu, dự đoán được những giá trị chưa biết hoặc những giá trị tương lai của các
biến quan tâm.
Quá trình KPDL bao gồm các bước chính được thể hiện như Hình 1.2 sau:
Hình 1.2: Quá trình KPDL
o Xác định nhiệm vụ: Xác định chính xác các vấn đề cần giải quyết.
o Xác định các dữ liệu liên quan: Dùng để xây dựng giải pháp.
o Thu thập và tiền xử lý dữ liệu: Thu thập các dữ liệu liên quan và tiền
xử lý chúng sao cho thuật toán KPDL có thể hiểu được. Đây là một quá
trình rất khó khăn, có thể gặp phải rất nhiều các vướng mắc như: dữ liệu
phải được sao ra nhiều bản (nếu được chiết xuất vào các tệp), quản lý tập
các dữ liệu, phải lặp đi lặp lại nhiều lần toàn bộ quá trình (nếu mô hình dữ
liệu thay đổi), v.v
o Thuật toán khai phá dữ liệu: Lựa chọn thuật toán KPDL và thực hiện
việc PKDL để tìm được các mẫu có ý nghĩa, các mẫu này được biểu diễn
dưới dạng luật kết hợp, cây quyết định tương ứng với ý nghĩa của nó.
1.1.4. Các phương pháp khai phá dữ liệu
Với hai mục đích khai phá dữ liệu là Mô tả và Dự đoán, người ta thường
sử dụng các phương pháp sau cho khai phá dữ liệu:
o Luật kết hợp (association rules)
o Phân lớp (Classfication)
12
o Hồi qui (Regression)
o Trực quan hóa (Visualiztion)
o Phân cụm (Clustering)
o Tổng hợp (Summarization)
o Mô hình ràng buộc (Dependency modeling)
o Biểu diễn mô hình (Model Evaluation)

o Phân tích sự phát triển và độ lệch (Evolution and deviation analyst)
o Phương pháp tìm kiếm (Search Method)
Có nhiều phương pháp khai phá dữ liệu được nghiên cứu ở trên, trong đó có ba
phương pháp được các nhà nghiên cứu sử dụng nhiều nhất đó là: Luật kết
hợp, Phân lớp dữ liệu và Phân cụm dữ liệu.
1.1.5. Các lĩnh vực ứng dụng thực tiễn của KPDL
KPDL là một lĩnh vực mới phát triển nhưng thu hút được khá nhiều nhà nghiên
cứu nhờ vào những ứng dụng thực tiễn của nó. Sau đây là một số lĩnh vực ứng
dụng thực tế điển hình của KPDL:
- Phân tích dữ liệu và hỗ trợ ra quyết định
- Phân lớp văn bản, tóm tắt văn bản, phân lớp các trang Web và phân
cụm ảnh màu
- Chuẩn đoán triệu chứng, phương pháp trong điều trị y học
- Tìm kiếm, đối sánh các hệ Gene và thông tin di truyền trong sinh học
- Phân tích tình hình tài chính, thị trường, dự báo gía cổ phiếu trong tài
chính, thị trường và chứng khoán
- Phân tích dữ liệu marketing, khách hàng.
- Điều khiển và lập lịch trình
- Bảo hiểm
- Giáo dục
1.1.6. Các hướng tiếp cận cơ bản và kỹ thuật áp dụng trong KPDL.
Vấn đề khai phá dữ liệu có thể được phân chia theo lớp các hướng tiếp cận
chính sau:
- Phân lớp và dự đoán (classification &prediction): Là quá trình xếp một đối
tượng vào một trong những lớp đã biết trước (ví dụ: phân lớp các bệnh nhân
theo dữ liệu hồ sơ bệnh án, phân lớp vùng địa lý theo dữ liệu thời tiết ). Đối
với hướng tiếp cận này thường sử dụng một số kỹ thuật của học máy như cây
quyết định (decision tree), mạng nơron nhân tạo (neural network), Hay lớp
bài toán này còn đươc gọi là học có giám sát - Học có thày (supervised
13

learning).
- Phân cụm (clustering/segmentation): Sắp xếp các đối tượng theo từng cụm
dữ liệu tự nhiên, tức là số lượng và tên cụm chưa được biết trước. Các đối
tượng được gom cụm sao cho mức độ tương tự giữa các đối tượng trong cùng
một cụm là lớn nhất và mức độ tương tự giữa các đối tượng nằm trong các
cụm khác nhau là nhỏ nhất. Lớp bài toán này còn được gọi là học không giám
sát - Học không thày (unsupervised learning).
- Luật kết hợp (association rules): Là dạng luật biểu diễn tri thức ở dạng khá
đơn giản (Ví dụ: 80% sinh viên đăng ký học CSDL thì có tới 60% trong số họ
đăng ký học Phân tích thiết kế hệ thống thông tin). Hướng tiếp cận này được
ứng dụng nhiều trong lĩnh vực kinh doanh, y học, tin sinh học, giáo dục, viễn
thông, tài chính và thị trường chứng khoán,
- Phân tích chuỗi theo thời gian (sequential/temporal patterns): Cũng tương tự
như khai phá dữ liệu bằng luật kết hợp nhưng có thêm tính thứ tự và tính thời
gian. Một luật mô tả mẫu tuần tự có dạng tiêu biểu X -> Y, phản ánh sự xuất
hiện của biến cố X sẽ dẫn đến việc xuất hiện biến cố Y. Hướng tiếp cận này
được ứng dụng nhiều trong lĩnh vực tài chính và thị trường chứng khoán bởi
chúng có tính dự báo cao.
- Mô tả khái niệm (concept desccription & summarization): Lớp bài toán
này thiên về mô tả, tổng hợp và tóm tắt khái niệm (Ví dụ: tóm tắt văn bản).
1.2. Tổng quan về giải thuật tiến hóa
Tính toán tiến hóa (Evolutionary computation): ứng dụng các khái niệm sinh
học như quần thể, biến dị và đấu tranh sinh tồn để sinh các lời giải ngày càng tốt
hơn cho bài toán. Có một số phương pháp tiếp cận được tuân thủ theo tính toán
tiến hóa và thuật ngữ chung cho cách tiếp cận này là giải thuật tiến hóa. Hình
thức sử dụng rộng rãi nhất của giải thuật tiến hóa là giải thuật di truyền (Genetic
Algorithms). Và trong phần trình bày dưới đây sẽ mô tả giải thuật di truyền và
thuật tiến hóa vi phân (Differential Evolution).
1.2.1. Giải thuật di truyền
Giống như thuật toán tiến hóa nói chung, thuật toán di truyền hình thành dựa

trên quan niệm cho rằng quá trình tiến hóa tự nhiên là quá trình hoàn hảo và hợp
lý nhất và tự nó đã mang tính tối ưu. Đây là một tiên đề đúng, không thể chứng
minh được nhưng phù hợp với thực tế khách quan. Trong tính tối ưu trong tự
nhiên thể hiện ở chỗ thế hệ sau bao giờ cũng tốt hơn thế hệ trước nhờ hai quá
trình cơ bản là sinh sản và chọn lọc tự nhiên. Những cá thể nào phát triển thích
nghi với môi trường sẽ tồn tại và ngược lại, những cá thể nào không thích nghi
14
với môi trường sẽ bị đào thải. Sự thay đổi của môi trường sẽ tác động đến quá
trình tiến hóa và bản thân quá trình tiến hóa cũng có tác động và làm thay đổi
môi trường. Cá thể mới sinh ra trong quá trình tiến hóa nhờ vào sự lai ghép ở thế
hệ cha-mẹ. Một cá thể mới có thể mang những đặc tính của cha-mẹ ở thế hệ
trước (di truyền) hoặc mang những đặc tính mới hoàn toàn (đột biến). Di truyền
và đột biến là hai cơ chế quan trọng như nhau trong quá trình tiến hóa mặc dù
xác suất để xảy ra hiện tượng đột biến nhỏ nhiều (hàng chục đến hàng trăm lần
tùy từng quá trình) so với hiện tượng di truyền. Mặc dù cơ chế là ngẫu nhiên
nhưng thuật toán di truyền không phải là một thuật toán ngẫu nhiên. Thuật toán
khai thác và tận dụng được một cách hiệu quả thông tin quá khứ để có được
những kết quả mới đạt kết quả như mong muốn. Các cải tiến trong việc sử dụng
thuật toán di truyền đã làm tăng thêm hiệu quả của việc sử dụng thuật toán trong
các bài toán phức tạp. Điều này thể hiện ở việc giảm thời gian tính toán ngày
càng hiệu quả mà ta sẽ tìm hiểu cụ thể hơn ở dưới đây.
1.2.1.1. Các quá trình cơ bản trong thuật toán di truyền
a, Mã hóa dữ liệu: hay còn gọi là biểu diễn di truyền cho lời giải của bài toán:
Đây là bước đầu tiên và rất quan trọng đối với việc tìm ra lời giải của bài toán.
Mỗi lời giải của bài toán được biểu diễn dưới dạng một chuỗi ký tự hữu hạn hay
còn được gọi là một nhiễm sắc thể. Các ký tự có thể là số nhị phân, số thập
phân, … tùy vào từng bài toán cụ thể. Trong quá trình này, việc mã hóa cái gì,
mã hóa như thế nào, trật tự các thành phần trong nhiễm sắc thể ra sao,… luôn là
những thách thức cho những người giải bài toán.
b, Khởi tạo quần thể (xây dựng tập hợp nghiệm ban đầu) có thể ngẫu nhiên

hoặc không ngẫu nhiên: Có nhiều cách để khởi tạo giá trị quần thể nghiệm ban
đầu, tùy từng bài toán mà ta lựa chọn phương pháp phù hợp. Thông thường, hệ
nghiệm ban đầu được chọn ngẫu nhiên trong không gian tìm kiếm. Tuy vậy,
việc chọn này cũng cần phải xem xét về tương quan giữa độ thích nghi của các
nhiễm sắc thể để tránh tình trạng nghiệm tìm ra là nghiệm tối ưu cục bộ hay còn
gọi là cực trị địa phương. Còn vấn đề số lượng nghiệm của tập nghiệm hay qui
mô của quần thể cũng cần được xem xét kỹ dựa vào độ phức tạp của bài toán, độ
chính xác yêu cầu (cao hay thấp) và thời gian tính toán yêu cầu (nhanh hay
chậm)
c, Xác định hàm thích nghi hay hàm lượng giá cho mỗi nhiễm sắc thể hay
chính là cho các phương án nghiệm trong tập nghiệm. Hàm này dùng để đánh
giá độ thích nghi của các nhiễm sắc thể. Hàm thích nghi cần phai đánh giá được
mức độ thích nghi cho tất cả các nghiệm khả thi và luôn được giả định là không
âm để hiện độ thích nghi của các cá thể. Công thức biểu diễn hàm cần phải thể
15
hiện được tất cả các đặc tính mong muốn của nhiễm sắc thể, thông qua đó có thể
chọn lọc được các quần thể nghiệm tốt nhất cho bài toán.
d, Quá trình lai ghép: đây là quá trình nhiễm sắc thể mới được hình thành dựa
trên nhiễm sắc thể cha-mẹ bằng cách lai ghép một hay nhiều đoạn nhiễm sắc thể
cha mẹ với nhau. Phép lai ghép xay ra với xác suất là p
1
có thể được mô phỏng
như sau:
o Chọn hai (hay nhiều) cá thể bất kỳ trong quần thể. Quần thể ở đây bao
gồm các nhiễm sắc thể (cha-mẹ) có độ dài bằng nhau.
o Chọn điểm lai là một điểm có vị trí bất kỳ (như nhau) trên nhiễm sắc thể
cha-mẹ và thực hiện hoán đổi các đoạn gen của nhiễm sắc thể cha-mẹ tại
điểm lai này.
o Đưa hai cá thể này vào quần thể để thực hiện vào các quá trình tiến hóa
tiếp theo

Hình 1.3: Lai ghép hai cá thể
Tuy nhiên trong quá trình tồn tại và phát triển, thuật toán di truyền đã được bổ
sung rất nhiều các phương pháp lai ghép để nhằm thích ứng với nhiều kiểu bài
toán và cũng là để tăng hiệu quả của thuật toán. Có thể kể một số phép lai cải
tiến như sau:
Lai ghép có xét tới các đặc tính trội và lặn trong tự nhiên. Các đặc tính này được
quy định trước trong khi biểu diễn cấu trúc nhiễm sắc thể. Bằng việc xem xét tới
các đặc tính trội-lặn, quá trình sản sinh ra các "quần thể chất lượng tốt" sẽ nhanh
hơn và do đó thời gian tính toán cũng được rút ngắn.
o Lai ghép từng phần: Việc giữ lại những đoạn mã đã "tối ưu" trong nhiễm
sắc thể cũng là một cách để quá trình lai ghép trở nên hiệu quả hơn
o Lai ghép có trật tự
o Lai ghép dựa trên vị trí
o Lai ghép chu trình
o Lai ghép thứ tự tuyến tính
16
o Lai ghép đa điểm: Với phương pháp này, chúng ta có thể cho 2 cá thể lai
ghép ở 2 hay nhiều điểm lai ghép. Phương thức này làm cho thuật toán trở
nên linh hoạt hơn, nhờ đó các thế hệ cá thể con cũng sẽ có chất lượng tốt
hơn.
e, Quá trình đột biến là quá trình cá thể con mang một bay một số tính trạng
không có trong mã di truyền của cha-mẹ. Quá trình này xảy ra với xác suất p
2
(nhỏ hơn nhiều so với p
1
) có thể được mô tả như sau:
o Chọn ngẫu nhiên một cá thể bất kỳ trong quần thể
o Chọn một gen bất kỳ của cá thể vừa chọn
o Thay đổi giá trị gen đó (đối với cách mã hóa gen theo số nhị phân thì quá
trình thay đổi giá trị là đổi giá trị từ 0 thành 1 hoặc từ 1 thành 0) rồi trả về

quần thể để thực hiện các quá trình tiếp theo
Hình 1.4: Đột biến một nhiễm sắc thể
Tương tự như quá trình lai ghép, trong quá trình phát triển của thuật toán di
truyền cũng đã được bổ sung rất nhiều cách thức để thực hiện quá trình gây đột
biến ngày càng hiệu quả hơn:
o Đột biến đảo ngược (Inversion Mutation)
o Đột biến chèn (Insertion Mutation)
o Đột biến thay thế (Raplacement Mutation)
o Đột biến tương hỗ (Reciprocal Exchange Mutation)
o Đột biến dịch chuyển (Shift Mutation)
f, Quá trình chọn lọc: Quá trình mà các cá thể mới sinh ra được giữ lại hay bị
loại bỏ khỏi quần thể dựa vào độ thích nghi của chúng. Độ thích nghi ở đây
thường là một hàm gán một giá trị thực cho các cá thể trong quần thể. Đối với
quá trình này có rất nhiều cách để xác định trình tự tính toán và thực hiện tùy
vào cách lựa chọn độ thích nghi của cá thể nói riêng và của cả quần thể nói
chung.
1.2.1.2. Các tham số của thuật toán di truyền
o Kích cỡ hệ nghiệm (pop-size): số lượng cá thể phù hợp trong mỗi thế hệ
o Xác suất lai tạo (p
c
): xác suất để mỗi cá thể trong quần thể được tham gia
quá trình lai ghép.
17
o Xác suất đột biến (p
m
): xác suất để mỗi bit trong nhiễm sắc thể bị đột biến
Thông thường, kích cỡ của quần thể phụ thuộc vào độ phức tạp của bài toán. Bài
toán càng phức tạp, nhiều ràng buộc-đơn hoặc đa mục tiêu- thì số lượng cá thể
trong mỗi thế hệ càng phải lớn. Hai thông số xác suất trong quá trình di truyền
có khoảng giá trị rất khác nhau. Đối với xác suất lai tạo, giá trị thường rơi trong

khoảng 0,5-0,95 nhưng giá trị thông thường của xác suất đột biến thấp hơn
nhiều, chỉ ở khoảng 0,001-0,05. Điều này cũng phản ánh đúng xác suất xảy ra
hai quá trình trong thực tế.
Từ một ví dụ trên đây có thể tính được một số ưu điểm của thuật toán di truyền
như phương pháp này tìm từ một quần thể các điểm chứ không phải một điểm.
Điều này làm cho việc giải các bài toán đa mục tiêu hay việc tìm một tập hợp
các phương án lân cận nghiệm trở nên dễ dàng. Thêm vào đó, việc đánh giá
thông tin bằng hàm mục tiêu chứ không dùng đạo hàm hay các tri thức bổ sung
cũng là một ưu điểm của thuật toán.
18
Hình 1.5: Sơ đồ quá trình tính toán của thuật toán di truyền
Nhận xét cụ thể các bước trong lưu đồ trên:
Bước 1: Khởi tạo/lựa chọn các thông số cho quá trình tính toán: Bước này người
lập trình tính toán phải lựa chọn các thông số như: Số lượng cá thể trong quần
thể, cách thức hóa bài toán cần tính toán dưới dạng các nhiễm sắc thể (độ dài
của nhiễm sắc thể, kiểu số biểu diễn dữ liệu,…), số thế hệ tính toán, xác suất lai
ghép, xác suất đột biến, hàm thích nghi,…
Bước 2: Khởi tạo quần thể ban đầu: xác định bằng phương pháp tạo số ngẫu
nhiên để tạo giá trị cho các nhiễm sắc thể cho quần thể ban đầu. Tùy vào cách
biểu diễn của các nhiễm sắc thể mà ta chọn phương pháp tạo số ngẫu nhiên phù
hợp
19
Bước 3: Đánh giá các nhiễm sắc thể bằng hàm thích nghi đã xác định ở bước 1.
Trong bước này, ngoài việc đánh giá các nhiễm sắc thể riêng rẽ, chúng ta còn có
thể đánh giá độ thích nghi của một nhiễm sắc thể hay cả quần thể. Nếu một
nhóm hay cả quần thể có độ thích nghi "trung bình" (theo tiêu chí của từng
trường hợp của người lập trình) thấp thì có thể loại nhóm nhiễm sắc thể hay
quần thể đó ra khỏi quá trình di truyền.
Bước 4: Thực hiện quá trình di truyền thông qua các cơ chế lai ghép và đột biến.
Có thể thực hiện lần lượt hai quá trình này hoặc thực hiện đồng thời theo các

phương pháp đã đề cập bên trên. Trong quá trình thực hiện thuật toán di truyền,
giai đoạn này là giai đoạn mà mỗi người có thể thực hiện theo những phương
pháp rất khác nhau. Giai đoạn này cũng là giai đoạn quyết định tới sự thành
công của thuật toán. Người thực hiện cũng có thể đưa ra những phương thức tiến
hành lai ghép hay đột biến mới trong giai đoạn này. Trong quá trình thực hiện,
để có được một bộ các thông số lai ghép hay đột biến hiệu quả, người lập trình
thường phải trải qua nhiều bước tính toán thử. Khâu này phụ thuộc nhiều vào
kinh nghiệm và kỹ năng tính toán của người lập trình.
Bước 5: Tạo quần thể mới bằng quá trình chọn lọc. Quá trình này cũng dựa vào
đánh giá các nhiễm sắc thể thông qua hàm thích nghi. Cá thể nào có độ thích
nghi cao sẽ được gữ lại cho thế hệ kế tiếp. Cũng giống như ở bước 3, chúng ta
có thể sử dụng những hàm thích nghi phù hợp để đánh giá từng cá thể dơn lẻ
hoạc cả một nhóm các cá thể. Sau quá trình này, nhóm cá thể nào thỏa mã tiêu
chuẩn đánh giá với mức độ từ cao xuống thấp sẽ được dưa vào quần thể mới.
Bước 6: Đánh giá quần thể vừa có được trong bước 5. Thông thường có hai tiêu
chí để dừng quá trình di truyền tại bước này. Thứ nhất, độ thích nghi của từng cá
thể và cả quần thể thỏa mãn một điều kiện hội tụ đã được đặt ra ban đầu. Các
điều kiện hội tụ thể hiện mức độ chấp nhận được của kết quả tìm được. Thứ hai,
quần thể mới tạo thành là quần thể ở thế hệ thứ (N+1) với N là số thế hệ dự định
tính toán đã giả thiết ban đầu. Trong khi thực hiện các quá trình di truyền, những
người tính toán có thể đưa ra những tiêu chí riêng để dừng quá trình di truyền.
Các tiêu chí đưa ra góp phần quyết định tới thành công của thuật toán.
1.2.2. Thuật tiến hóa vi phân
1.2.2.1. Nguyên lý hoạt động
Trên cơ sở ý tưởng của thuật toán GA, vào năm 1995, Rainer Storn và Kenneth
Price đã hoàn thiện cơ chế đột biến và lai ghép để tạo ra một thuật toán mới tin cậy,
hiệu quả hơn. Điểm khác biệt lớn nhất của DE so với GA là luôn duy trì và bổ sung
20
một cặp 2 véctơ bao gồm (n_popsize) quần thể với (m) chiều các tham số thực và
đã ứng dụng thành công cho nhiều bài toán tối ưu ở các lĩnh vực khác nhau.

1.2.2.2. Xây dựng sơ đồ thuật toán
Sơ đồ thuật toán được trình bày trên hình 1.6
Hình 1.6: Sơ đồ thuật toán tiến hóa vi phân
Cũng như thuật toán GA đã trình bày ở trên, thuật toán tiến hoá vi phân cũng
khởi tạo quần thể các điểm ban đầu P(t) theo quy luật ngẫu nhiên phân bố đều
trong miền xác định bài toán sau khi cho các thông số ban đầu (khối 1, 2). Mỗi
phần tử trong quần thể ban đầu này cũng được DE thực hiện trên miền tham số
thực với công thức sau [5]:
21
Cho tham
số ban đầu
Tạo quần thể ban
đầu P(t)
Đột biến
Lai ghép
Chọn lọc
Tái sinh
Sth > [Sth]
Eps < [Eps]
Kết thúc
In kết quả
Đúng
Đúng
Sai
Sai
3
2
1
5
4

6
7
8
9

x = rand(0,1)*(BU - BL ) + BL
ij ij ij ij
(1)
Trong đó:
x
ij
- giá trị của phần tử ij với: i - số cá thể xem xét của bài toán; j - số biến
của bài toán tối ưu;
BU
ij
, BL
ij
- giới hạn trên và giới hạn dưới của biến x
ij
;
rand (0,1) - số ngẫu nhiên phân bố đều trong khoảng [0, 1].
Ngay sau quá trình tạo quần thể ban đầu, khác với GA, thuật toán DE thực hiện
luôn tiến trình đột biến (khối 3). Trong tiến trình này, DE tiếp tục tạo ra một
quần thể được đột biến [V] dựa trên quần thể ban đầu. Kỹ thuật đột biến trong
thuật toán DE là sự kết hợp giữa hệ số tỷ lệ cho trước và các quá trình ngẫu
nhiên. Phương trình (2) biểu diễn giá trị phần tử đột biến v
ij
từ việc tổ hợp ba
phần tử khác nhau được chọn ngẫu nhiên trong quần thể ban đầu [X].

v = x + F*(x - x )
ij ro,j r1,j r2,j
(2)
Trong đó:
r0, r1, r2 - các giá trị ngẫu nhiên khác nhau được chọn theo luật phân bố
đều trong khoảng [0, n_popsize];
F - hằng số tỷ lệ.
F ∈ (0,1) là một số thực dương điều khiển mức độ tiến hóa của quần thể.
Trong quá trình lai ghép (khối 4), DE cũng tiến hành lai ghép theo kiểu cặp đôi
(dual crossover) tạo ra một quần thể lai ghép [U] có giá trị các tham số được lựa
chọn ngẫu nhiên từ các quần thể [X] và [V] ban đầu. Kỹ thuật lai ghép sử dụng
trong lập trình của DE có thể biểu diễn như sau:
v ; if rand(0,1) £ C or j = rand(j)
r
ij
u =
x ; otherwise
ij
ij





(3)
Trong đó:
C
r
- xác suất lai ghép.
C

r
∈ (0,1) được người sử dụng định nghĩa nhằm điều khiển một phần các
tham số được sao chép từ quần thể đột biến. Thêm vào đó giá trị của phần tử lai
ghép u
ij
với chỉ số chọn ngẫu nhiên j = rand(j) được lấy từ quần thể đột biến [V]
sẽ đảm bảo chắc chắn phần tử lai ghép không trùng với phần tử ban đầu x
ij
.
Trong quá trình chọn lọc và tái sinh (khối 5, 6), các cá thể trong quần thể lai
ghép [U] được so sánh với các cá thể trong quần thể ban đầu [X] theo hướng cá
thể nào có giá trị hàm mục tiêu thấp hơn sẽ được lựa chọn vào quần thể mới [Y].
Kỹ thuật lựa chọn của DE có thể biểu diễn như sau:
22
u ;if f(u ) £ f(x )
ij ij ij
y =
x ; otherwise
ij
ij





(4)
Quá trình tái sinh sẽ được thực hiện bằng phép gán [X] = [Y].
Điều kiện dừng của thuật toán DE cũng rất dễ dàng và thuận tiện. Các khối 7, 8,
9 biểu diễn điều kiện kiểm tra dừng và xuất kết quả của thuật toán. Các giá trị về
số thế hệ tiến hoá (Sth) hoặc một giá trị vô cùng bé (EPS) được đưa ra so sánh

với các sai lệch của quá trình tính. Biểu thức điều kiện dừng của thuật toán DE
có thể viết như sau:
N
p
F(x)
i
i=1
F(x) - £ε;
min
N
p
∑
(5)
Trong đó:
F(x)
min
- giá trị nhỏ nhất của hàm mục tiêu tại thế hệ xét;
F(x)
i
- giá trị hàm mục tiêu của cá thể thứ i;
N
p
(= n_popsize) - tổng số cá thể trong quần thể đang xét;
ε - giá trị vô cùng bé cho trước (thường chọn = 10
-4
÷ 10
-6
tùy theo loại bài
toán).
1.3. Kết luận

KPDL là lĩnh vực đã và đang trở thành một trong những hướng nghiên cứu thu
hút được sự quan tâm của nhiều chuyên gia về CNTT trên thế giới. Trong những
năm gần đây, rất nhiều các phương pháp và thuật toán mới liên tục được công
bố. Điều này chứng tỏ những ưu thế, lợi ích và khả năng ứng dụng thực tế to lớn
của KPDL. Chương này đã trình bày một số kiến thức tổng quan về KPTT,
những khái niệm và kiến thức cơ bản nhất về KPDL, thuật giải di truyền và
thuật tiến hóa vi phân.
23
CHƯƠNG 2 MỘT SỐ GIẢI THUẬT PHÂN CỤM
2.1. Khái niệm và mục tiêu của phân cụm dữ liệu
Phân cụm dữ liệu là quá trình nhóm một tập các đối tượng tương tự nhau
trong tập dữ liệu vào các cụm sao cho các đối tượng thuộc cùng một cụm
là tương đồng còn các đối tượng thuộc các cụm khác nhau sẽ không
tương đồng. Phân cụm dữ liệu là một ví dụ của phương pháp học không có
thầy. Không giống như phân lớp dữ liệu, phân cụm dữ liệu không đòi hỏi phải
định nghĩa trước các mẫu dữ liệu huấn luyện. Vì thế, có thể coi phân cụm dữ
liệu là một cách học bằng quan sát, trong khi phân lớp dữ liệu là học bằng ví dụ,
… Ngoài ra phân cụm dữ liệu còn có thể được sử dụng như một bước tiền xử lí
cho các thuật toán khai phá dữ liệu khác như là phân loại và mô tả đặc điểm, có
tác dụng trong việc phát hiện ra các cụm.
Hình 2.1: Mô tả tập dữ liệu vay nợ được phân thành 3 cụm.
Phân cụm có ý nghĩa rất quan trọng trong hoạt động của con người. Ngay từ
lúc bé, con người đã học cách làm thế nào để phân biệt giữa mèo và chó, giữa
động vật và thực vật và liên tục đưa vào sơ đồ phân loại trong tiềm thức của
mình. Phân cụm được sử dụng rộng rãi trong nhiều ứng dụng, bao gồm nhận
dạng mẫu, phân tích dữ liệu, xử lý ảnh, nghiên cứu thị trường, Với tư cách là
một chức năng khai phá dữ liệu, phân tích phân cụm có thể được sử dụng như
một công cụ độc lập chuẩn để quan sát đặc trưng của mỗi cụm thu được bên
trong sự phân bố của dữ liệu và tập trung vào một tập riêng biệt của các cụm để
giúp cho việc phân tích đạt kết quả.

Một vấn đề thường gặp trong phân cụm là hầu hết các dữ liệu cần cho phân cụm
đều có chứa dữ liệu nhiễu do quá trình thu thập thiếu chính xác hoặc
thiếu đầy đủ, vì vậy cần phải xây dựng chiến lược cho bước tiền xử lí dữ liệu
nhằm khắc phục hoặc loại bỏ nhiễu trước khi chuyển sang giai đoạn phân tích
cụm dữ liệu. Nhiễu ở đây được hiểu là các đối tượng dữ liệu không chính xác,
không tường minh hoặc là các đối tượng dữ liệu khuyết thiếu thông tin về
24
một số thuộc tính, Một trong các kỹ thuật xử lí nhiễu phổ biến là việc
thay thế giá trị các thuộc tính của đối tượng nhiễu bằng giá trị thuộc
tính tương ứng. Ngoài ra, dò tìm phần tử ngoại lai cũng là một trong những
hướng nghiên cứu quan trọng trong phân cụm, chức năng của nó là xác
định một nhóm nhỏ các đối tượng dữ liệu khác thường so với các dữ liệu trong
CSDL, tức là các đối tượng dữ liệu không tuân theo các hành vi hoặc mô hình
dữ liệu nhằm tránh sự ảnh hưởng của chúng tới quá trình và kết quả của phân
cụm.
Mục tiêu của phân cụm là xác định được bản chất nhóm trong tập DL chưa có
nhãn. Nó có thể được chỉ ra rằng không có tiêu chuẩn tuyệt đối “tốt” mà
có thể không phụ thuộc vào kết quả phân cụm. Vì vậy, nó đòi hỏi người sử
dụng phải cung cấp tiêu chuẩn này, theo cách mà kết quả phân cụm sẽ đáp ứng
yêu cầu.
Theo các nghiên cứu cho thấy thì hiện nay chưa có một phương pháp phân cụm
tổng quát nào có thể giải quyết trọn vẹn cho tất cả các dạng cấu trúc CDL. Hơn
nữa, các phương pháp phân cụm cần có cách thức biểu diễn cấu trúc của các
CDL, với mỗi cách thức biểu diễn khác nhau sẽ có tương ứng một thuật toán
phân cụm phù hợp. Vì vậy phân cụm dữ liệu vẫn đang là một vấn đề khó và mở,
vì phải giải quyết nhiều vấn đề cơ bản một cách trọn vẹn và phù hợp với nhiều
dạng dữ liệu khác nhau, đặc biệt là đối với dữ liệu hỗn hợp đang ngày càng
tăng trong các hệ quản trị dữ liệu và đây cũng là một trong những thách
thức lớn trong lĩnh vực KPDL.
2.2. Các ứng dụng của phân cụm dữ liệu

Phân cụm dữ liệu có thể được ứng dụng trong nhiều lĩnh vực như:
ο Thương mại: Tìm kiếm nhóm các khách hàng quan trọng có đặc trưng
tương đồng và những đặc tả họ từ các bản ghi mua bán trong CSDL
ο Sinh học: Phân loại các gen với các chức năng tương đồng và thu được
các cấu trúc trong mẫu
ο Thư viện: Phân loại các cụm sách có nội dung và ý nghĩa tương đồng
nhau để cung cấp cho độc giả
ο Bảo hiểm: Nhận dạng nhóm tham gia bảo hiểm có chi phí bồi
thường cao, nhận dạng gian lận thương mại
ο Quy hoạch đô thị: Nhận dạng các nhóm nhà theo kiểu và vị trí địa lí,
nhằm cung cấp thông tin cho quy hoạch đô thị
ο Nghiên cứu trái đất: Phân cụm để theo dõi các tâm động đất
nhằm cung cấp thông tin cho nhận dạng các vùng nguy hiểm
25