XÂY DỰNG CHẾ ĐỘ DINH DƯỠNG TẠI TRƯỜNG MẦM NON BẰNG LOGIC MỜ KẾT HỢP MẠNG NEURAL VÀ MÁY HỌC

I H C QU C GIA THÀNH PH

TR

H

CHÍ MINH

NG
I H C KHOA H C T NHIÊN
KHOA TOÁN – TIN H C
B MÔN NG D NG TIN H C
Pham The
Bao

Digitally signed by Pham The Bao
DN: CN = Pham The Bao, C = VN
Reason: I am the author of this
document
Date: 2006.08.03 15:38:13 +07'00'

XÂY D NG CH
DINH D
NG
T I TR
NG M M NON B NG
LOGIC M K T H P M NG
NEURAL VÀ MÁY H C

Giáo viên h ng d n : Th c s Ph m Th B o.
Sinh viên th c hi n :

1. Ph m Th Xuân Viên
0211303
2. ng Tr n V
0211313
3. Bùi Thanh Xuân
0211316

TP.H Chí Minh, Tháng 7/2006


NH N XÉT C A GIÁO VIÊN H

NG D N

.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................
.......................................................................................................................................................................................................

Tp. H Chí Minh, ngày ...... tháng ...... n m 2006
Giáo viên h

ng d n

Th.S. Ph m Th B o

Khoa Tóan – Tin h c tr

ng

2
i H c Khoa H c T Nhiên Tp.HCM


L IC M

N

Chúng em xin bày t lòng bi t n sâu s c đ n Th.S Ph m Th B o, dù r t b n r n
nh ng th y luôn quan tâm và t n tình h ng d n cho chúng em trong su t quá trình th c
hi n lu n v n ; th y đã giúp đ chúng em r t nhi u trong quá trình h c t p và g i m cho
chúng em đ n v i đ tài này.
Chúng em chân thành c m n th y Ph m Thi V ng và th y Nguy n Hi n L ng,
các th y đã giúp đ chúng em r t nhi u trong quá trình th c hi n đ tài và cung c p cho
chúng em nhi u tài li u tham kh o có giá tr đ chúng em th c hi n t t khóa lu n này.
Xin chân thành cám n quý Th y Cô trong khoa Toán – Tin h c đã t n tình gi ng
d y, trang b cho chúng em nh ng ki n th c quý báu trong su t quá trình h c t p và th c
hi n đ tài.

Cu i cùng xin chân thành cám n anh Phan Phúc Doãn và các b n cùng l p đã có
nh ng ý ki n đóng góp b ích giúp chúng em hoàn thành lu n v n..

Tp H Chí Minh, ngày 10/7/2006

Khoa Tóan – Tin h c tr

ng

3
i H c Khoa H c T Nhiên Tp.HCM


M CL C
Trang
3
4
5
6

L iC m n
M cL c
Danh M c B ng Bi u, Hình nh
B ng Ký Hi u Các Ch Vi t T t
Ch ng 1 T NG QUAN
1.1 t v n đ ………………………………………………………………
1.2 Các h ng gi i quy t trong AI …………………………………………
1.3 Lý do s d ng FL …………………………….…………………………
1.4 K t h p FL v i các k thu t AI khác ………………..…………………..

9
9
18
19

Ch ng 2 C S LÝ THUY T
2.1 Logic m
2.1.1 T p m ……………………………………………………………. 22
2.1.2 Hàm thành viên …………………………………………………… 24
2.1.3 Toán t t p m ……………………………………………….
28
2.1.4 Lu t m …………………………………………………………… 40
2.1.5 H th ng vào/ra…………………………………………………… 42
2.1.6 Mô hình suy lu n m ……………………………………………… 44
2.1.7 Kh m ……………………………………………………………. 48
2.1.8 H th ng m - b đi u khi n m …………………………………… 49
2.1.9 Cách l a ch n logic m cho t ng h th ng xây d ng …………… 52
2.2 Khái quát v máy h c……….……………………………….………………. 54
2.3 Khái quát v m ng neural..……………………………………… ……………..57

Ch ng 3 XÂY D NG THU T GI I
3.1 Quy đ nh ch đ dinh d ng tr em ……………………………………….
3.2 Nguyên t c và các b c xây d ng th c đ n tr ng m m non……………
3.3 Xây d ng t p m và hàm thành viên…….….……………………………..
3.4 Xây d ng b l c m b ng k thu t máy h c …………………………….
3.5 M ng neural k t h p h m phát sinh lu t
và đi u ch nh tr ng s …………………………………………..…………

81

Ch ng 4 CÀI
T VÀ ÁNH GIÁ
4.1 Cài đ t ……………………………………………………………………….
4.1.1 Phân tích – Thi t k ………………………………………………..
4.1.2 Mô hình…………………………………………………………….
4. 2 ánh giá và h ng phát tri n …………………………………………. ……

86
94
99

Tài li u tham kh o

101

Khoa Tóan – Tin h c tr

ng

4
i H c Khoa H c T Nhiên Tp.HCM

63
63
66
75


DANH M C B NG BI U, HÌNH NH
Hình 1-1 . Các b c gi i quy t m t v n đ

Hình 2-1 . H th ng m và n n t ng ki n th c liên quan
Hình 2-2 . Ví d minh h a đ th hàm thành viên
Hình 2-3 .
ng bi u di n c a hàm đ c tr ng và hàm thành viên c a t p
nh ng ng i cao
Hình 2-4 . Hàm S t ng
Hình 2-5 . Hàm d ng chuông
Hình 2-6 . S d ng toán t h i m
Hình 2-7 . S d ng toán t giao m
Hình 2-8 . Toán t bù m
Hình 2-9 . Các toán t AND và OR
Hình 2-10 . B n toán t t-norm chu n
Hình 2-11 . Ví d v b n toán t t-norm chu n.
Hình 2-12 . Toán t t-norm Nilpotent Minimum
Hình 2-13 . Toán t t-norm thu c h Frank
Hình 2-14 . Toán t t-norm thu c H Hamacher
Hình 2-15 . Toán t t-norm thu c H Schweizer-Sklar
Hình 2-16 . Toán t t-norm thu c H Yager
Hình 2-17 . B n toán t t-conorm S chu n
Hình 2-18 . Ví d v b n toán t t-conorm chu n
Hình 2-19 . Phân nhóm các b đi u khi n theo s tín hi u vào ra
Hình 2-20 . Lu t h p thành là b não c a đi u khi n m
Hình 2-21 . Hàm thành viên cho bi n ngôn ng đ u vào có giá tr
small, medium và large
Hình 2-22 . Hàm thành viên cho bi n đ u ra có giá tr small, medium và large
Hình 2-23 . Hàm thành viên cho “Small” , “Medium” và “Large”
Hình 2-24 . C u trúc c a h th ng m chu n
Hình 2-25 . C u trúc c a b x lý m k t h p khâu gi i m và kh m
Hình 2-26 . C u trúc c a m t b đi u khi n m
Hình 2-27 . B đi u khi n m c đi n (Hình a)

và b đi u khi n m phân tán (Hình b)
B ng 2-28 . So sánh m ng neural và b đi u khi n m
Hình 3-1. Factor “l ng calo” đ i v i nhóm nhà tr
Hình 3-2. Factor l ng calo đ i v i nhóm m u giáo
Hình 3-3. Factor “t l protein” đ i v i chu n m t
Hình 3-4. Factor “t l lipit” đ i v i chu n m t
Hình 3-5. Factor “t l gluxit” đ i v i chu n m t
Hình 3-6. Factor “t l protein” đ i v i chu n hai
Hình 3-7. Factor “t l lipit” đ i v i chu n hai
Hình 3-8. Factor “t l gluxit” đ i v i chu n hai
Hình 3-9. Mô hình b đi u khi n m th nh t
Hình 3-10 Mô hình b đi u khi n m th hai
Hình 3-11. Factor “t l dinh d ng”
Hình 3-12. Factor “giá ti n”

Khoa Tóan – Tin h c tr

ng

5
i H c Khoa H c T Nhiên Tp.HCM

Trang
18
22
24
25
26
26
28

28
29
32
33
34
34
35
36
37
37
38
39
42
43
45
45
47
49
50
50
51
60
69
69
70
70
71
71
72
72

73
73
74
74


Hình 3-13. Factor “đ dùng l i”
Hình 3-14. Phân kho ng giá tr m u
Hình 3-15. S d ng d li u m u đ xây d ng cây quy t đ nh
Hình 3-16. S d ng cây quy t đ nh đ l c d li u
Hình 4-1. Giao di n chính c a ch ng trình.
Hình 4-2. S p l ch n tr a trong m t tu n.
Hình 4-3. S p l ch n tr a trong m t tháng.
Hình 4-4. Hi n th các danh sách các món n trong m t ngày.
Hình 4-5. Hi n th danh sách các món n trong m t tu n
Hình 4-6. Hi n th danh sách các món n trong m t tháng.
Hình 4-7. Báo cáo chi ti t c a m t b a n tr a trong ngày.
Hình 4-8. Mô hình ERD
Hình 4-9. Mô hình DFD
Hình 4-10. Chi ti t ô x lý “x p l ch”
Hình 4-11. Chi ti t ô x lý “c p nh t món n”
Hình 4.12. Chi ti t ô x lý “c p nh t nguyên li u”
Hình 4-13. Chi ti t ô x lý “in n, báo cao”
Hình 4-14. Chi ti t ô x ly “tra c u”
Hình 4-15. Chi ti t ô x lý “qu n lý h th ng”
Hình 4-16. Mô hình ràng bu c d li u

Khoa Tóan – Tin h c tr

ng

6
i H c Khoa H c T Nhiên Tp.HCM

75
79
80
81
87
88
89
90
91
92
93
94
95
96
96
97
97
98
98
99


B NG KÍ HI U CÁC CH
FL
MF

χ
µ

X
A,B,…
x,y,…
AI
ID3
ERD
DFD
ANFIS
MIMO
SISO
MISO
TS
MOM
COA

Fuzzy Logic
Member function

VI T T T

Logic m
Hàm thành viên
Hàm đ c tr ng
Hàm thành viên
Không gian n n
Các t p m
các bi n ngôn ng

Trí tu nhân t o
Thu t toán cây quy t đinh ID3

Artificial Intelligence
The third in a series
of identification
Entity Relationship
Mô hình th c th quan h
Diagrams
Data Flow Diagrams
S đ lu ng d li u
Adaptive Network Based
H m thích nghi
Fuzzy Inference System
Multi Input – Multi Output
B đi u khi n m
Single Input – Single Output B đi u khi n m
Multi Input – Single Output B đi u khi n m
Tagagi – Sugeno
Mô hình suy lu n m
Mean Of Maximum
Ph ng pháp kh m đi m c c đ i
Center Of Area
Ph ng pháp kh m đi m tr ng tâm

Khoa Tóan – Tin h c tr

ng

7

i H c Khoa H c T Nhiên Tp.HCM


Ch

ng 1

T NG QUAN
1.1 t v n đ
1.2 Các h ng gi i quy t trong AI
1.2.1. Các ph ng pháp tìm ki m
1.2.1.1. Các ph ng pháp tìm ki m c đi n
1.2.1.2. Các ph ng pháp tìm ki m trên đ th
1.2.2. Thu t toán di truy n
1.2.3. M ng neural
1.2.4. Khai khoáng d li u
1.2.5. Máy h c
1.2.6. Logic m
1.3 Lý do s d ng FL
1.4 K t h p FL v i các k thu t AI khác

Khoa Tóan – Tin h c tr

ng

8
i H c Khoa H c T Nhiên Tp.HCM


1.1.

tv nđ

Hi n nay t i các tr ng m m non, xây d ng kh u ph n n cho các bé ch y u đ c
th c hi n b ng tay (th công), vi c này th ng m t th i gian và đ đa d ng c a các b a n
là th p ho c không đ m b o v ch đ dinh d ng. Ch
vài tr ng qui mô l n thì có
thêm s h tr c a m t s h th ng bán t đ ng ho c t đ ng.
Trong n c hi n có ph n m m Babyfood do công ty t An th c hi n, và ph n m m
Nutrikids đang đ c khuy n khích s d ng, tr giúp vi c s p x p b a n cho các bé, tuy
nhiên các h th ng này không th c hi n hoàn toàn t đ ng mà v n ph i thông qua khâu x
lý b ng tay c a con ng i. H th ng Nutrikids c a Công ty c ph n m ng tr c tuy n Vi t
Sin có thêm h th ng thi t l p d ng ch t , thi t l p các b a n ng u nhiên t các món n
có trong c s d li u phong phú, nh ng không chú tr ng đ n v n đ món n đó đã đ c
s d ng khi nào, hay các món n có k nhau, m t s thi t l p v dinh d ng không th
thay đ i, không dùng các k thu t AI và vi c s p x p kh u ph n n t i tr ng m m non
v n do ng i s p x p l ch n t i tr ng th c hi n th công l i. Giá c a b ph n m m
Nutrikids c a Vi t Sin là 990.000VN
N c ngoài thì có ph n m m t đ ng Nutrikids, nh ng có giá khá cao: b n module,
m i module có giá kho ng 250-300USD, và đ c xây d ng trên n n t ng ch đ dinh
d ng c a tr ph ng Tây nên không phù h p.
Trong khi đó v n đ tin h c hoá các tr ng m m non đang đ c m r ng và
khuy n khích phát tri n, t ch ng trình d y h c cho t i dinh d ng c a tr . Do đó vi c
phát tri n m t h th ng dinh d ng t đ ng m i, phù h p cho các tr ng m m non trong
n c là c n thi t và kh thi.
tài đ c th c hi n v i m t s m c đích sau:
•
S p t đ ng l ch n tr a cho tr m m non trong m t tháng v i l ng dinh
d ng phù h p trong t ng ngày, có đ dùng l i th p, không có các món n
k nhau.

•
H tr nhà tr ng trong vi c tính toán l i nh ng thay đ i c a kh u ph n n
có liên quan (ch ng h n, n u giá c thay đ i thì vi c tính toán l i giá c a
t ng kh u ph n n liên quan và c ch cho phép đi u ch nh quá trình s p
x p là h t s c c n thi t)
•
Giúp cho ng i qu n lý d dàng in ra b ng chi ti t nguyên li u (kèm theo
giá c ) cho b ph n n u n, c ng nh ki m tra, l p báo cáo hàng tu n ,
hàng tháng.
•
Giúp tra c u b ng dinh d ng các ch t, xem cách th c ch bi n món n…

1.2 Các h

ng gi i quy t trong AI

1.2.1 Các ph

ng pháp tìm ki m:

1.2.1.1 Các ph

ng pháp tìm ki m c đi n

Trong ph ng pháp này, chúng ta ch n m t kh u ph n n, sau đó
ti n hành so sánh kh u ph n này v i các kh u ph n còn l i. N u kh u ph n
nào đó t t h n, t c là kh u ph n m i đáp ng t t h n v i các đi u ki n nh

Khoa Tóan – Tin h c tr

ng

9
i H c Khoa H c T Nhiên Tp.HCM


đi u ki n v calo, v t l cân b ng các ch t dinh d ng … đ ng th i th a
các đi u ki n biên và/ho c có chi phí nh h n,…thì chúng ta s thay th
kh u ph n ban đ u b ng kh u ph n m i và quá trình s l p l i cho đ n khi
chúng ta duy t qua toàn b không gian tìm ki m.
Chúng ta c n xác đ nh tr c không gian tìm ki m, t c là không gian
kh u ph n n.
ng th i chúng ta c ng ph i xác đ nh đ c các tiêu chí hay
các quy t c cho phép so sánh, đ i chi u đ có th xác đ nh đ c kh u ph n
nào t t h n kh u ph n nào.
u đi m:
N u xác đ nh đ c các tiêu chí so sánh t t, ph ng pháp này s cho
k t qu t i u nh t có trong không gian các kh u ph n n.
H n ch :
Vi c tìm ki m trên không gian kh u ph n n s gây ra hi n t ng
bùng n t h p. Ví d , n u chúng ta ch dùng ba món trong m t kh u ph n
n thì không gian m u s bao g m n 3 m u v i n là s món trong cùng m t
lo i (canh, m n, tráng mi ng). Ví d , m i lo i có 5 món n, khi đó không
gian m u chúng ta có s là 5 3 = 125 ; n u m i lo i t ng thêm m t món n,
không gian m u s tr thành 6 3 = 226 . Rõ ràng, khi n l n, vi c tìm ki m s
r t t n kém. N u m t kh u ph n không ch có ba món mà có th dao đ ng
t ba đ n n m món thì vi c tìm ki m s càng khó kh n h n.
Vi c xác đ nh các tiêu chí đánh giá đ xác đ nh m t kh u ph n n t t
h n m t kh u ph n khác hay không là m t v n đ l n. M i món n bao
g m r t nhi u thành ph n nên m t kh u ph n n c ng s có r t nhi u thành

ph n. Các kh u ph n n l i ph i th a mãn nhi u đi u ki n khác nhau v
dinh d ng (calo, ch t đ m, …), v t l cân b ng gi a các ch t, v giá c ,
v đ a thích... Do v y, vi c xác đ nh m t kh u ph n th a mãn t t c đi u
ki n t t h n kh u ph n khác là không d dàng. Vi c so sánh s càng tr nên
ph c t p và nhi u khi không th th c hi n đ c n u các đi u ki n này đan
xen nhau, trái ng c l n nhau.
Vi c có nhi u đi u ki n làm t ng chi phí th c hi n so sánh và t ng
th i gian tìm ki m.
1.2.1.2 Các ph ng pháp tìm ki m trên đ th
Chúng ta có th xây d ng cây tr ng thái t các món n. Các cây
đ c xây d ng trên các tiêu chí đ nh tr c nh các món trong m t nút (ho c
trong các nút có n i v i nhau) không đ c k nhau (đi u ki n biên) hay
l ng calo ph i n m trong kho ng nào đó (đi u ki n dinh d ng). Ngoài ra,
chúng ta có th áp d ng m t s lu t đ cây không cao quá nh gi i h n s
calo, gi i h n s món n…
u đi m:
Vi c xây d ng cây t t s làm gi m đáng k kích th c c a không
gian tìm ki m. H n ch vi c bùng n t h p và lo i b các kh u ph n không
th a các đi u ki n nào đó. i u này làm cho vi c tìm ki m trên cây s th c
hi n nhanh h n r t nhi u so v i các ph ng pháp tìm ki m c đi n. Vi c

Khoa Tóan – Tin h c tr

ng

10
i H c Khoa H c T Nhiên Tp.HCM


xây d ng cây ch c n th c hi n m t l n và sau này n u có thêm m t món

m i chúng ta ch c n c p nh t l i cây mà không ph i xây d ng l i t đ u.
Khuy t đi m:
T ng t vi c xác đ nh tiêu chí so sánh trong các ph ng pháp tìm
ki m c đi n, vi c xác đ nh tiêu chí đ xây d ng cây c ng r t khó kh n vì
có nhi u đi u ki n dinh d ng và đi u ki n biên. Ngoài ra, các cây ch có
th cho k t qu đúng (t c là th a các đi u ki n) ch ít khi xác đ nh đ c các
k t qu t i u.
Vi c xây d ng cây (ph thu c vào các tiêu chí xây d ng cây) n u
th c hi n không t t s nh h ng l n đ n các thu t toán áp d ng sau này.
Ch t l ng cây s quy t đ nh ch t l ng c a ch ng trình.
N u cây l n, th i gian tìm ki m s lâu h n và s x y tr ng h p m t
s kh u ph n ho c món n s không bao gi đ c s d ng
1.2.2 Thu t toán di truy n
Ý t ng chính c a thu t toán này xu t phát t th gi i t nhiên, các sinh v t
sinh tr ng và phát tri n.
n m t giai đo n nào đó, chúng th c hi n giao ph i và
sinh s n. Quá trình giao ph i và sinh s n luôn xu t hi n hai hi n t ng là di truy n và
bi n d . Hi n t ng di truy n cho phép th h sau t t (có kh n ng thích nghi) gi ng
th h tr c (t c là chí ít c ng không làm x u đi kh n ng thích nghi c a loài). Còn
hi n t ng bi n d s t o ra các cá th có kh n ng m i. N u kh n ng m i là t t h n
(t c kh n ng thích nghi c a cá th đó cao h n) thì nó s đ c truy n l i cho các cá
th khác th h sau. N u kh n ng m i là x u h n (t c kh n ng thích nghi kém
h n) thì kh n ng truy n l i cho các cá th c a sau s ít h n (ch không ph i là
không có). Và d n d n, trong quá trình ch n l c t nhiên, các đ c tính h n ch kh
n ng thích nghi c a loài s đ c lo i b ho c thay th b ng các đ c tính m i t t h n.
T ng t , thu t toán di truy n coi các m u hay các kh u ph n n trong bài
toán c a chúng ta là các nhi m s c th , các nhi m s c th s đ c lai ghép v i nhau
đ t o ra các nhi m s c th m i, đ ng th i m t s gen trong quá trình lai ghép b đ t
bi n c ng t o thành các nhi m s c th m i. Cu i cùng quá trình ch n l c t nhiên s
lo i b các nhi m s c th có kh n ng thích nghi kém ra kh i qu n th .

Bi u di n các kh u ph n d i d ng các nhi m s c th
Vi c bi u di n các kh u ph n d i d ng các nhi m s c th nh h ng l n đ n
vi c cài đ t các phép toán nh lai ghép hay đ t bi n. Trong thu t toán di truy n,
chúng ta có th bi u di n các nhi m s c th nh m t chu i nh phân g m n bit. Trong
bài toán x p l ch các b a n tr a, trong m i lo i (canh, m n, tráng mi ng), chúng ta
bi u di n m i món n là m t chu i nh phân g m n bit, v i n là s bit ít nh t có th
dùng đ bi u di n đ c t t c món n. Ví d , gi s có m i món canh, chúng ta xác
đ nh n theo công th c n ≥ log 2 10 ≈ 3.3 , suy ra n=4. T ng t , có hai m i món m n
thì chúng ta c n n=5 bit; có n m món tráng mi ng, c n ba bit đ bi u di n. C n chú ý
là s món trong m i lo i có th khác nhau nên s bit dùng cho m i lo i có th không
gi ng nhau.
Sau khi xác đ nh s bit c n đ bi u di n các món cho m i lo i, chúng ta đ t
các chu i bit c nh nhau theo th t xác đ nh tr c đ bi u di n các nhi m s c th .
Ch ng h n, chúng ta đ t các chu i theo th t canh, m n và tráng mi ng. L y l i ví

Khoa Tóan – Tin h c tr

ng

11
i H c Khoa H c T Nhiên Tp.HCM


d trên, chúng ta bi u di n m t nhi m s c th nh sau aaaabbbbbccc v i các bit a
dành cho món canh, b dành cho m n và c cho tráng mi ng.
Ngoài cách bi u di n b ng chu i nh phân, chúng ta c ng có th bi u di n các
kh u ph n n nh m t chu i n s nguyên, v i n là s lo i món n. Trong bài toán c a
chúng ta, n có giá tr là 3. Trong m i lo i, chúng ta gán cho m i món n m t s duy
nh t, và thông th ng các s đ c gán là các s nguyên d ng và cách nhau 1 đ n
v . Ti p t c ví d trên, chúng ta gán m i món canh các giá tr t 0 đ n 9, hai m i

món m n các giá tr t 0 đ n 19, và 0 đ n 4 cho các món tráng mi ng. Và chúng ta
c ng đ t các s c nh nhau theo th t xác đ nh tr c đ bi u di n nhi m s c th .
Theo ví d trên, nhi m s c th có d ng nh sau abc v i a là s gán cho món canh, b
cho món m n và c cho tráng mi ng.
Lai ghép
Lai ghép là phép toán th c hi n lai ghép hai nhi m s c th (hay hai kh u ph n
n) v i nhau đ t o ra các nhi m s c th (kh u ph n n) m i t t h n hay có kh n ng
thích nghi cao h n (đáp ng t t h n v i các đi u ki n). V i m t xác xu t lai k cho
tr c, chúng ta ti n hành ch n các c p nhi m s c th (kh u ph n) và th c hi n lai
ghép. Tùy thu c vào vi c bi u di n các nhi m s c th (hay kh u ph n) mà chúng ta
có các phép lai khác nhau.
Ví d : ti p t c v i ví d ban đ u, gi s chúng ta có hai nhi m s c th :
aaaabbbbbccc và eeeeggggghhh. Chúng ta ti n hành lai ghép. Gi s v trí lai ghép
đ c xác đ nh là v trí th sáu t trái qua, sau khi lai ghép, chúng ta đ c hai nhi m
s c th m i là aaaabgggghhh và eeeegbbbbccc.
M t v n đ c n quan tâm trong phép lai là chúng ta c n ki m tra các chu i
bi u di n các nhi m s c th có h p l hay không. Ch ng h n, chúng ta ch gán các s
t 0 đ n 9 cho các món canh, sau khi th c hi n phép lai, s bi u di n món canh trong
nhi m s c th có th có giá tr l n h n 9. N u x y ra tr ng h p đó, chúng ta c n
th c hi n đi u ch nh cho phù h p.
t bi n

t bi n c ng là m t phép toán quan tr ng trong thu t toán di truy n. Tùy
vào vi c bi u di n nhi m s c th mà chúng ta có các cài đ t khác nhau cho phép toán
này. T ng t nh lai ghép, phép đ t bi n c ng c n c vào xác xu t đ t bi n đ xác
đ nh nhi m s c th nào đ t bi n. Phép toán này c ng nh m t o ra nhi m s c th có đ
thích nghi cao h n.
Ví d , gi s nhi m s c th 001110001001 đ c ch n đ ti n hành đ t bi n
và v trí đ t bi n đ c xác đ nh là bit đ u tiên tính t trái. Sau khi đ t bi n, chúng ta
thu đ c nhi m s c th 10110001001.

Trong ví d trên, ta th y chu i bit bi u di n món canh 1011 có giá tr là 11,
nên chu i này không có món t ng ng v i nó. Chính vì v y chúng ta c ng c n có c
ch ki m tra và x lý các tr ng h p không h p l .
Ch n l c
Quá trình ch n l c là quá trình ch n nh ng nhi m s c th (kh u ph n) có kh
n ng thích nghi cao và lo i b các nhi m s c th (kh u ph n) có đ thích nghi th p
h n. T ng t nh hai phép toán trên, vi c cài đ t phép toán này c ng ph thu c vào
cách bi u di n các nhi m s c th . Phép toán này th c hi n c l ng kh n ng thích
nghi c a các cá th trong qu n th thông qua m t hàm đánh giá. Các cá th có đ

Khoa Tóan – Tin h c tr

ng

12
i H c Khoa H c T Nhiên Tp.HCM


thích nghi cao nh t s đ c gi l i và m t chu k hay m t th h m i s ra đ i. Th
h m i này c ng tr i qua qua trình ch n l c t nhiên và c th cho đ n khi chúng ta
thu đ c các cá th (nhi m s c th ) t i u hay có kh n ng thích nghi cao nh t.
Hàm đánh giá
Hàm đ c s d ng đ
c l ng đ thích nghi c a các nhi m s c th hay
đ c dùng đ đánh giá các kh u ph n n xem kh u ph n nào t t h n kh u ph n nào.
Chúng ta ph i xác đ nh các tiêu chí đ đánh giá. Th ng hàm này tr v m t giá tr s
cho bi t “đ t t” c a m t kh u ph n n.
T l lai
T l lai th hi n k v ng v s cá th trong qu n th s đ
nhau. T l lai th ng dùng là 33%

c ch n đ lai v i

T l đ t bi n
T l đ t bi n th hi n k v ng v s cá th trong qu n th s t o ra đ t bi n
trong quá trình sinh s n. T l đ t bi n th ng dùng là 0.01% (Các t l này có đ c
trong th c nghi m và t nhiên)
S cá th trong qu n th hay s kh u ph n n trong m t t p các kh u ph n
S l ng cá th (kh u ph n) trong qu n th (t p các kh u ph n) s đ c duy
trì t th h này sang th h khác. S l ng cá th (kh u ph n) càng nhi u thì vi c x
lý càng t n kém. S l ng cá th (kh u ph n) ít thì vi c xác đ nh nhi m s c th (kh u
ph n) t i u có th c n nhi u chu k (th h ) h n m i có th xác đ nh đ c
S th h
S l n sinh s n c a m t qu n th
u đi m
Rõ ràng, v i bài toán xác đ nh kh u ph n, thu t toán di truy n cho phép h n
ch hay thu nh không gian tìm ki m. Thu t toán ch t p trung vào nh ng vùng
không gian mà kh n ng xu t hi n món n “t t”, t c là th a mãn t t các đi u ki n, là
nhi u nh t. Phép lai ghép cho phép ti n g n đ n kh u ph n t t h n và phép đ t bi n
s chuy n vi c tìm ki m đ n vùng không gian khác có nhi u kh n ng ch a kh u
ph n “t t” khác.
Thông qua hàm đánh giá, chúng ta có th bi t đ c kh u ph n nào t t nh t
trong các kh u ph n có đ c mà không ph i tr c ti p so sánh chúng v i nhau. i u
này có th làm gi m tính ph c t p c a vi c so sánh hay ch n l a gi a các kh u ph n
Thu t toán luôn đ m b o s tìm đ c kh u ph n t t, nh ng không ph i là t i
u, sau s th h đ c xác đ nh tr c. N u s th h đ l n (đ ng ngh a v i th i gian
th c hi n lâu h n), chúng ta có th nh n đ c các kh u ph n g n t i u.
Khuy t đi m
Tuy thu t toán luôn cho ra kh u ph n “t t” nh ng không đ m b o đó là kh u
ph n t i u.

“t t” c a kh u ph n ph thu c vào s th h và s cá th trong qu n
th (s kh u ph n trong t p các kh u ph n) c ng nh vi c bi u di n các nhi m s c
th (kh u ph n).

Khoa Tóan – Tin h c tr

ng

13
i H c Khoa H c T Nhiên Tp.HCM


Vi c bi u di n các kh u ph n trong trong thu t toán di truy n th ng có đ nh
d ng c đ nh. Chính vì v y chúng ta không th có đ ng th i các kh u ph n có ba
món và kh u ph n có b n món trong cùng m t thu t toán di truy n. i u này h n ch
kh n ng c a ch ng trình vì ch cho phép s l ng món c đ nh, trong khi th c t
có th thay đ i tùy theo các đi u ki n khác nhau. Ngoài ra, vi c thay đ i cách bi u
di n có th d n đ n vi c ph i vi t l i toàn b ch ng trình. i u này làm h n ch kh
n ng m r ng c a ch ng trình.
Th i gian th c hi n c a thu t toán c ng là m t v n đ . Tuy so v i các ph ng
pháp tìm ki m thì thu t toán di truy n th c hi n nhanh h n, nh ng n u ph i tr i qua
r t nhi u th h m i xác đ nh đ c kh u ph n n “t t” thì s r t t n kém.
Vi c xây d ng hàm đánh giá c ng ph i đ c quan tâm. Làm th nào đ xây
d ng các tiêu chí đánh giá, tiêu chí nào là quan tr ng và tiêu chí nào ít quan tr ng
h n,… Các tiêu chí s nh h ng r t l n đ n thu t toán vì nó quy t đ nh các vùng mà
thu t toán c n t p trung tìm ki m. Ch c n đánh giá sai các tiêu chí, thu t toán có th
không cho k t qu t t mà ng c l i, có th cho các k t qu không th ch p nh n
đ c, thu t toán có th r i v c c b đ a ph ng mà không r i v đi m t i u. Vi c
xây d ng tiêu chí s r t khó kh n vì các kh u ph n n có nhi u ràng bu c v dinh
d ng hay các đi u ki n biên.

1.2.3 M ng neural
M ng neural đ c dùng đ phân lo i ho c đánh giá và l a ch n m t kh u
ph n trong các kh u ph n ng viên. M ng có c u t o chung bao g m m t ho c nhi u
nút nh p, m t ho c nhi u nút xu t, không có ho c có nhi u l p n, m i l p n có th
có m t ho c nhi u nút n. Các nút nh p có các cung n i v i các nút n và có th có
các cung n i tr c ti p v i các nút xu t, các cung này đ c gán tr ng s th hi n nh
h ng c a m t nút nh p v i m t nút n ho c nút xu t. Các nút thu c l p n có th
n i v i các nút n khác (trong l p n sau, tr c ho c trong cùng l p n) ho c n i v i
các nút xu t. Các cung này c ng đ c gán tr ng s th hi n nh h ng c a nút n v i
các nút n i v i nó. Các nút xu t có th có các cung n i v i các nút n và các cung
này c ng đ c gán tr ng s . Ngoài ra, b n thân các nút n và các nút xu t c ng có
m t tr ng riêng g i là tr ng ng ng. Giá tr này xác đ nh nh h ng c a m t nút đ i
v i đ u ra c a nút đó.
Các m ng luôn có hai trang thái là h c và ánh x . tr ng thái h c, các m ng
s s d ng d li u đ u vào đ c cung c p đ c p nh t các tr ng sao cho th hi n m t
l i t t nh t (t c là l i trên m u h c là th p nh t có th ). Tuy nhiên, trong quá trình
h c c n tránh hi n t ng qua kh p x y ra. Hi n t ng quá kh p là hi n t ng m ng
ho t đ ng t t trên d li u h c nh ng không t t trên d li u khác (không ph i d li u
h c). Tr ng thái ánh x là tr ng thái mà m ng s d ng các tr ng s đ c c p nh t
trong quá trình h c cho các m u m i đ đ a ra các quy t đ nh t ng ng.
u đi m
N u đ c thi t k t t và có nhi u d li u, thì sau quá trình luy n, m ng có th
đ c s d ng đ xác đ nh k t qu t t nh t mà nó tìm đ c. Các m ng có ch t l ng
th ng cho k t qu đúng kho ng trên d i 95%.
Khuy t đi m

Khoa Tóan – Tin h c tr

ng

14
i H c Khoa H c T Nhiên Tp.HCM


Khuy t đi m đ u tiên là m ng c n có d li u đ h c hay luy n m ng. Càng
nhi u d li u, ch t l ng c a m ng càng cao. Tuy nhiên, trong bài toán xác đ nh
kh u ph n n, chúng ta không có d li u đ h c. i u này có th kh ng đ nh ngay là
m ng n ron không thích h p v i bài toán này.
Chính vì tránh tình tr ng quá kh p nên ch t l ng c a m ng không bao gi
đ t đ c 100%. Chính vì v y, m ng ch cho ra k t qua t t nh t có th trong gi i h n
c a nó ch không th cho ra giá tr t i u c a bài toán.
Vi c xác đ nh s nút n hay s l p n c ng là v n đ c n đ c quan tâm. Hi n
t i, ch a có công th c c th nào đ xác đ nh s l p c ng nh s nút n m i l p.
Chúng ta ch có th bi t đ c đi u này d a vào ph ng pháp th sai. i u này s gây
t n kém trong quá trình xây d ng m ng.
Vi c xác đ nh t t c t h p có th có gi a các món n có th là m t công vi c
đ n gi n. Tuy nhiên, vi c cho t t c các t h p đó vào m ng đ nh n k t qu có th là
vi c làm h t s c lãng phí vì v n đ bùng n t h p. Chúng ta có th d ng quá trình
này khi xác đ nh đ c m t kh u ph n thích h p ho c m t kh u ph n đ t t. Nh ng
đi u này l i d n đ n h qu là các kh u ph n xác đ nh đ c l i không đ m b o là
kh u ph n t t nh t.
1.2.4 Khai khoáng d li u

Khai khoáng d li u là k thu t đ c dùng đ rút trích tri th c t các t p d
li u l n m t cách t đ ng. Các tri th c đ c rút trích th ng là các tri th c m i, ch a
bi t. H n n a, các tri th c m i ph i th a mãn các yêu c u h p l , m i l , có ích và có
th hi u đ c
Chúng ta có ki u d li u đây là các chu i ký t , giá tr s , các bit nh
phân,… đ c l u tr trên b nh ngoài. Thông tin là d li u m c cao, đã đ c tinh
ch và làm g n đ bi u th đ c đi m c a thông tin. Tri th c là thông tin tích h p, th

hi n m i quan h gi a các d li u hay các thông tin v i nhau. Ta có th hi u tri th c
là d li u tr u t ng và đ c khái quát hóa m c cao.
u đi m
Vì các k thu t dùng trong khai khoáng d li u đ u d a vào d li u s n có đ
rút trích các tri th c nên các tri th c này th ng r t có giá tr . Ch ng h n, chúng ta
mu n kh u ph n n có món m n là A và món canh là B, và chúng ta không bi t ch n
món tráng mi ng nh th nào cho h p thì các tri th c rút trích đ c có th cho chúng
ta bi t món tráng mi ng nào là t t nh t.

D a vào các tri th c m i, chúng ta có th xác đ nh các món th ng n chung
v i nhau (đi u này s có th đ m b o đ c các ràng bu c và chúng ta không ph i m t
công đi xác đ nh l i chúng). Sau khi có đ c danh sách này, chúng ta có th luân
phiên thay th các kh u ph n này.

Khoa Tóan – Tin h c tr

ng

15
i H c Khoa H c T Nhiên Tp.HCM


Chính vì ch d a vào d li u cho tr c nên các k thu t này ho t đ ng r t
hi u qu , có th xác đ nh đ c kh u ph n n t i u ngay l p t c.
Khuy t đi m
Khuy t đi m đ u tiên ph i nh c đ n là d li u. T t c các k thu t dùng trong
khai khoáng d li u đ u c n d li u và đi u này ch c ch n không th có trong bài
toán c a chúng ta. Do v y, các k thu t này không th áp d ng đ c.

K đ n, các k thu t này ch rút ra đ c các thông tin v các món n nh món

nào th ng n chung v i món nào hay món nào thì không n v i món nào. D a vào
các thông tin này chúng ta c ng có th xác đ nh kh u ph n n t ng ng. Tuy nhiên,
các k thu t này không th m r ng hay t o ra các kh u ph n m i. i u này s d n
đ n vi c trùng l p n u d li u không đ l n.
Vi c m r ng là khó kh n vì các tri th c rút trích đ c ph thu c hoàn toàn
vào d li u. N u mu n có các tri th c m i, c n cung c p các d li u m i và ph i ti n
hành l i đ rút trích các tri th c m i.
1.2.5. Máy h c
Ph ng pháp này mô hình hóa các h th ng t t ch c, t n đ nh, t hoàn
thi n. c tr ng c b n c a các h th ng này là l ng tri th c b t đ u t con s 0 và
t ng d n qua các th ngi m. Ph ng pháp này bao trùm ph ng pháp m ng neural và
khai khoáng d li u.
H c có giám sát: quá trình h c có tín hi u h ng d n vào ra chính xác c a
th y giáo, d li u h c vào ra c a h th ng ph i đ c thi t l p tr c. Sau quá
trình h c h th ng s tìm ra m t lu t thích h p đ th c hi n t t công vi c d
báo ngõ ra đ c k t h p v i ngõ vào m i c a h th ng.
u đi m: trong ph ng pháp này, h th ng t đ ng suy lu n đ t o ra k t
qu t ng ng. Thông th ng ch sau m t vài b c l p h th ng có th xác
đ nh đ c k t qu . K t qu này th ng là t i u vì các lu t dùng trong h
th ng là do các chuyên gia trong l nh v c t ng ng t o ra. H th ng này lý
t ng n u chúng ta am hi u l nh v c mà h th ng đ c cài đ t và chúng ta có
th đ a ra đ c các lu t suy di n.
Khuy t đi m: các lu t là khuy t đi m chính c a h th ng. Làm th nào xác
đ nh đ c các lu t t i u hay đ t t đ h th ng có th ho t đ ng t t nh
mong mu n. i u này ch có th ki m nghi m qua quá trình ki m th và ti p
t c theo dõi trong quá trình ho t đ ng c a h th ng. i u này d ng nh là
không th b i vì v i ch ng trình xác đ nh kh u ph n n, chúng ta không th
liên t c theo dõi k t qu c a h th ng đ có nh ng ch nh s a k p th i. H n
n a, đi u đó quá t n kém so v i h th ng c a chúng ta.
Vi c t o lu t trong đ xác đ nh kh u ph n n t i u khó có th th c

hi n đ c các đi u ki n. Vi c xác đ nh các lu t đ bao trùm các đi u ki n là
m t công vi c khó kh n và ph c t p.
V n đ n a c n đ c p là d li u đ u vào. Càng nhi u d li u đ u vào,
h th ng ho t đ ng càng kém hi u qu . Vi c bùng n d li u có th x y ra
n u chúng ta b sung d li u sau m i l n áp d ng lu t vào l i d li u c .

Khoa Tóan – Tin h c tr

ng

16
i H c Khoa H c T Nhiên Tp.HCM


Chính vì v y, khi áp d ng ph
bùng n d li u.

ng pháp này chúng ta c n chú ý đ n v n đ

H c không giám sát: còn đ c g i là th lo i t h c, v i th lo i h c này,
quá trình h c không có s tr giúp b t k thông tin h ng d n nào c a th y
giáo, ch có d li u đ u vào, h th ng t khám phá ra m t lu t thích nghi đ
tìm đ u ra đ c k t h p v i đ u vào m i t t p các m u d li u h c đ u vào
mong mu n.
u đi m: ph ng pháp này đ n gi n h n các ph ng pháp khác, nó ch cho
bi t m t m u (kh u ph n) có th a đi u ki n hay không. Chúng ta ch c n cho
h th ng h c các m u (kh u ph n) positive, t c là các kh u ph n đã đ c
ch p nh n. Sau nó, h th ng có th đ c dùng đ xác đ nh m t kh u ph n có
th đ c ch p nh n hay không. Chúng ta có xem h th ng này nh m t hàm
nhi u bi n, giá tr c a hàm có th d ng ho c âm tùy thu c vào giá tr đ u

vào.
Khuy t đi m: chính vì tính đ n gi n mà ph ng pháp này không cho k t qu
t i u, h n n a ch t l ng c a h th ng c ng không đ c đ m b o. Ngoài ra,
ph ng pháp này c ng c n d li u đ h c nên ph ng pháp này không th s
d ng trong bài toán xác đ nh kh u ph n n.
1.2.6 Logic m
Trong th c t , các thông tin mà chúng ta nh n đ c th ng là các thông tin
không rõ ràng ho c không đ y đ . Các ph ng pháp nêu trên không th x lý các
thông tin d ng này. Các ph ng pháp trên h u h t yêu c u thông tin ph i rõ ràng và
đ y đ . Tuy m t s ph ng pháp khoáng phá d li u có th ch p nh n các d li u
không đ y đ nh ng giá tr c a các thu c tính là giá tr rõ ràng, không nh p nh ng.
Do v y, chúng ta ch có th s d ng logic m đ x lý các thông tin không rõ ràng.
Các thông tin tr c khi đ c x lý s đ c m hóa. Sau đó, thông tin đ c
m hóa s đ c áp d ng các lu t c a h th ng đ cho ra k t qu m . Các lu t này
đ c xây d ng khi xây d ng h th ng và các tham s c ng đ c đi u ch nh đ thích
h p các thông tin mà h th ng x lý. Sau khi có k t qu m , k t qu này l i đ c gi i
m và chúng ta thu đ c k t qu mong mu n.
Trong bài toán xác đ nh kh u ph n n, các d li u đ u vào c a h th ng là
không chính xác hay không rõ ràng. M i món n bao g m nhi u thành ph n nh
calo, đ m, ch t béo,…M i kh u ph n l i có nhi u món n, do đó c ng có nhi u thành
ph n. Giá tr các thành ph n này th ng không chính xác do quá trình ch bi n món
n và chúng th ng dao đ ng trong m t kho ng cho tr c. Ngoài ra, các đi u ki n v
dinh d ng c ng nh các đi u ki n biên c ng không rõ ràng. Ch ng h n chúng ta có
th ch p nh n m t kh u ph n n n u l ng đ m c a nó n m trong m t kho ng cho
phép (đ c xác đ nh tr c). Ho c kho ng th i gian gi a hai l n s d ng liên ti p c a
m t món n càng lâu càng t t. Các thông tin đó đ u không rõ ràng. Chính vì v y, vi c
s d ng logic m trong bài toán này là hoàn toàn t nhiên. Các giá tr m s đ c
đánh giá b ng h th ng m và k t qu đ u ra sau khi đ c gi i m s cho ta bi t
“ch t l ng” c a kh u ph n n t ng ng. Các kh u ph n ng viên s l n l t đ c
đánh giá và kh u ph n đ c đánh cao nh t s đ c ch n.

Các lu t s d ng trong h th ng m đ c xây d ng d a trên các đi u ki n
(đi u ki n dinh d ng c ng nh đi u ki n biên) và các thông tin m nh kho ng giá

Khoa Tóan – Tin h c tr

ng

17
i H c Khoa H c T Nhiên Tp.HCM


tr c a ch t đ m mà m t kh u ph n n ph i có,…Các thông tin này đ u s n có nên
vi c xây d ng lu t s đ n gi n h n vì chúng ta có c s đ xây d ng lu t. C ng chính
vì có c s nên chúng ta có th đánh giá các lu t đ c xây d ng t t hay không. Vì
chúng ta có th đánh giá sát các đi u ki n đ i v i m t kh u ph n n nên chúng ta có
th nh n đ c m t kh u ph n n t i u. ây là lý do quan tr ng trong vi c ch n l a
ph ng pháp s d ng trong bài toán xác đ nh kh u ph n n.
Tuy nhiên, khi xây d ng h th ng, chúng ta s g p ph i v n đ k t h p các lu t
l i v i nhau. Chúng ta không th s d ng các lu t riêng r đ đánh giá kh u ph n n
vì các thông s c a m t kh u ph n n đ u liên quan m t thi t v i nhau. Ngoài ra,
chúng ta c ng ph i gán các tr ng s cho t ng lu t vì không ph i lu t nào c ng quan
tr ng nh nhau. Ch ng h n kh u ph n có ch a hai món n k nhau s đ c đánh giá
khác nh th nào v i kh u ph n có l ng đ m th a. i u này làm n y sinh v n đ
xây d ng b tr ng s cho các lu t.
Vi c xây d ng tr ng s có th tham kh o ý ki n c a chuyên gia và c ng có
th dùng ph ng pháp th sai ho c k t h p c hai. Vi c k t h p các lu t l i v i nhau
c ng không quá khó kh n vì lý thuy t m đã xây d ng đ c các mô hình k t h p.
V n đ là chúng ta ph i xác đ nh đ c mô hình nào phù h p v i bài toán c a chúng
ta.

1.3 Lý do s d ng Logic m
Trong m c trên, chúng ta đã tham kh o s l c m t s k thu t trong l nh v c AI
có th áp d ng cho bài toán , đã nêu lên m t s u khuy t đi m c a t ng k thu t, và qua
đó ph n nào nói lên đ c vì sao l i s d ng logic m cho bài toán c a chúng ta. Trong m c
này chúng ta s th o lu n chi ti t h n v lý do s d ng logic m .
Thông th ng, các bài toán đ c gi i quy t theo ki u:

Hình 1-1 . Các b

c gi i quy t m t v n đ .

T t c các thao tác x lý chính là ánh x t nh ng d li u thu th p đ c đ đ a ra
m t k t qu t ng ng v i nh ng d li u đ u vào đó. Chúng ta s d ng m t h p đen
(Black Box) đ th c hi n vi c ánh x này. Nh v y thì trong h p đen c a chúng ta s ch a
nh ng gì? Nh m c trên đã trình bày, có r t nhi u th có th đ t vào trong h p đen này:
H th ng m , h th ng tuy n tính, h chuyên gia, m ng neural nhân t o, ph ng trình vi
phân, các phép toán n i suy … Tuy có nhi u cách có th làm cho h p đen ho t đ ng,
nh ng cu i cùng vi c s d ng FL v n là cách t i u nh t. Lotfi Zadeh - cha đ c a lý
thuy t t p m , đã t ng nh n xét: “Trong h u h t các tr ng h p, b n có th xây d ng m t
h th ng ph c t p mà không c n ph i s d ng FL, tuy nhiên vi c s d ng FL s nhanh h n
và chi phí r h n”.

Khoa Tóan – Tin h c tr

ng

18
i H c Khoa H c T Nhiên Tp.HCM

Sau đây là m t s nh n xét chung v FL:
¬ Logic m là m t khái ni m r t d hi u: Nh ng khái ni m toán h c đ ng sau
các suy lu n m r t đ n gi n. i u đó làm cho h m đ p “t nhiên” khi
ng i đ c ti p c n v i nó, đ ng th i ng i đ c có kh n ng đào sâu vào
nh ng ki n th c v h m mà không g p ph i nh ng v n đ quá ph c t p
nh trong các nhánh khác c a l nh v c trí tu nhân t o.
¬ Logic m m m d o và linh ho t.
¬ Logic m ch p nh n d li u m h , không chính xác: N u quan sát k b n
s th y r ng, m i th đ u không th c s đúng và chính xác 100% , b t kì
v n đ n y sinh trong th c t đ u ch mang giá tr t ng đ i cho dù b n có
th c hi n và ki m tra nó c n th n đ n ch ng nào. Suy lu n m đ a s hi u
bi t không đ y đ này vào ngay trong quá trình x lý mà không c n ph i
đ i cho đ n khi có đ y đ m i thông tin v v n đ c n x lý.
¬ Logic m có th mô hình hóa các hàm phi tuy n v i đ ph c t p b t kì: B n
có th t o ra m t h th ng m th a mãn t p d li u vào – ra b t kì. H
th ng này có th th c hi n d dàng b ng cách s d ng k thu t thích nghi
gi ng nh ANFIS
¬ Logic m có th đ c xây d ng d a trên s t ng tr i c a các chuyên gia:
Trái ng c v i m ng neural nhân t o (m ng này s d ng m t s l ng l n
d li u cho tr c đ h c và sau đó đ c s d ng đ đ a ra k t qu sau quá
trình h c c a mình), logic m cho phép b n xây d ng h th ng d a vào s
t ng tr i c a các chuyên gia am hi u h th ng mà b n xây d ng.
¬ Logic m có th đ c s d ng xen k v i các k thu t truy n th ng: Các h
th ng m không thay th hoàn toàn các ph ng pháp đi u khi n truy n
th ng. Trong nhi u tr ng h p, logic m còn nâng cao và đ n gi n hóa các
thao tác đi u khi n truy n th ng này.
¬ Logic m d a vào ngôn ng t nhiên: C s c a logic m chính là các giao
ti p, suy lu n c a con ng i v s v t hi n t ng trong th gi i th c. Chính
vì l đó mà có nhi u cách phát bi u khác nhau trong logic m .
Phát bi u sau cùng có l là ý quan tr ng nh t mà chúng ta nên th o lu n thêm.

Ngôn ng t nhiên đ c chúng ta s d ng h ng ngày, đã đ c đ nh hình và hoàn thi n qua
quá trình hàng ngàn n m l ch s c a xã h i loài ng i. Các câu v n vi t b ng ngôn ng đ i
th ng có giá tr truy n thông r t l n. Chúng ta ít khi ý th c đ c đi u này, b i vì nó là
ngôn ng đ i th ng, chúng ta v n s d ng h ng ngày. Chính vì logic m đ c xây d ng
trên ngôn ng đ i th ng đã làm cho vi c s d ng logic m tr nên r t d dàng và thu n
ti n.

1.4 K t h p FL v i các k thu t AI khác
Vi c s d ng m t ph ng pháp đ c l p th ng cho m t k t qu gi i h n b i m i
ph ng pháp đ u có đi m m nh và đi m y u riêng c a chúng. H n n a các thông tin đ c
yêu c u x lý th ng không t i u cho m t ph ng pháp, hay nói cách khác là chúng ta có
th áp d ng nhi u ph ng pháp khác nhau đ x lý các thông tin đó. Chính vì v y, ng i
ta th ng k t h p các ph ng pháp l i v i nhau đ t n d ng các u đi m c a m i ph ng
pháp. Các ph ng pháp b sung cho nhau đ nâng cao ch t l ng c a quá trình x lý
thông tin.

Khoa Tóan – Tin h c tr

ng

19
i H c Khoa H c T Nhiên Tp.HCM


M t vài ví d v vi c k t h p các ph ng pháp:
• M ng n ron + logic m : k t h p này th ng đ c s d ng trong các h th ng
nh n d ng nh nh n ch vi t, nh n d ng vân tay,…
• Thu t gi i di truy n + logic m : k t h p này th ng đ c s d ng trong các
h th ng đi u khi n t đ ng trong công nghi p hay các công vi c đ u t , ti p
th trong l nh v c th ng m i…

Nh ph n tr c đã đ c p, vi c s d ng logic m là hoàn toàn t nhiên và có c s .
Tuy nhiên, vì h th ng ph i đánh giá t t c các kh u ph n ng viên đ ch n đ c kh u
ph n t t nh t nên chi phí s cao n u có nhi u kh u ph n ng viên. Chính vì v y, n u chúng
ta có th gi m đ c s ng viên đ u vào, chúng ta có th t ng đáng k hi u qu c a h
th ng.
Chúng ta có th s d ng logic m k t h p v i ph ng pháp máy h c – h c có giám
sát. S d ng các lu t c a máy h c chúng ta có th lo i b các kh u ph n không h p l ho c
kh n ng đ c ch n là r t th p nh kh u ph n có các món k nhau, có c c u n ng l ng
không phù h p, v t quá m c giá ti n cho phép, không đ c s d ng trong m t th i gian
r t lâu,.… i u này s làm gi m đáng k s l ng m u mà h th ng c n đánh giá. K t qu
là chi phí cho vi c đánh giá s gi m xu ng nh ng kh u ph n n đ c ch n s v n t i u.
ây là ph ng pháp lý t ng cho bài toán c a chúng ta: h th ng xây d ng đ c t o
thành t ba b ph n:
• Thành ph n máy h c: đóng vai trò là b l c d li u, nh m t ng t c đ x lý c a b
đi u khi n m , b ng cách gi m s l ng d li u vào b đi u khi n m .Thành ph n
này g m
o B l c t nh: lo i b các kh u ph n có c c u n ng l ng không phù h p v i
chu n dinh d ng. Vì c c u n ng l ng trong th c ph m không thay đ i
theo th i gian nên b l c s có các lu t t nh c ng nh các giá tr đi u ki n là
t nh.
o B l c đ ng: lo i b các kh u ph n có các món n k nhau, có giá v t xa
m c cho phép,… Vì các giá tr này có th thay đ i theo th i gian hay theo
kinh nghi m c a ng i s d ng nên b l c s có các lu t t nh và các giá tr
đi u ki n đ ng.
o B l c s d ng k thu t máy h c: Xây d ng cây quy t đ nh cho phép t
phát sinh lu t lo i b các d li u d th a
• Thành ph n b đi u khi n m : s bao g m hai b m
o B m th nh t: s phân tích các kh u ph n n sau khi đã đ c l c b t d
li u qua 2 b l c (b l c t nh và b l c đ ng) đ đ a ra t l ch n cho các
kh u ph n d a trên c c u n ng l ng

o B m th hai: D li u sau khi qua b l c máy h c đ c phân tích b i b
đi u khi n m th hai d a trên t l ch n theo c c u n ng l ng (đ c tính
b i b m th nh t) k t h p v i các đi u ki n giá ti n m c cho phép, đ
dùng l i th p đ đ a ra t l ch n cu i cùng c a các kh u ph n.
• Thành ph n m ng neural nhân t o: i u ch nh tr ng s cho b lu t m , d a trên
các m u ho c ki n th c c a chuyên gia.
Trong 3 thành ph n xây d ng, b ph n ch y u c a h th ng là các b m , hai thành
ph n còn l i ch đóng vai trò h tr nh m t i u ho t đ ng c a b đi u khi n m :
• Thành ph n m ng neural: t i u đ chính xác c a b đi u khi n m
• Thành ph n b l c: t i u t c đ th c hi n c a b đi u khi n m

Khoa Tóan – Tin h c tr

ng

20
i H c Khoa H c T Nhiên Tp.HCM


Ch

ng 2

C

S

LÝ THUY T

2.1.Logic m

2.1.1 T p m
2.1.2 Hàm thành viên
2.1.3 Toán t t p m
2.1.4 Lu t m
2.1.5 H th ng vào/ra
2.1.6 Mô hình suy lu n m
2.1.7 Kh m
2.1.8 H th ng m - b đi u khi n m
2.1.9 Cách l a ch n logic m cho t ng h th ng xây d ng
2.2. Khái quát v máy h c
2.2.1. nh ngh a
2.2.2 H c v i cây quy t đ nh
2.3. Khái quát v m ng neural
2.3.1 Não và neural sinh h c
2.3.2 M ng neural nhân t o
2.3.3 K t h p h m và m ng neural

Khoa Tóan – Tin h c tr

ng

21
i H c Khoa H c T Nhiên Tp.HCM


2.1 Logic m

Hình 2-1 . H th ng m và n n t ng ki n th c liên quan.

2.1.1 T p m

2.1.1.1 Khái ni m t p m .
M t cách t nhiên, đ xây d ng lý thuy t m , ng i ta ph i đi t
nh ng khái ni m nguyên thu nh t. Gi ng nh trong toán h c, m t trong
nh ng khái ni m nguyên thu c a toán h c là t p h p, trong lý thuy t t p
m ng i ta đi t khái ni m t p m . M t v n đ có tính nguyên t c trong
quá trình xây d ng lý thuy t t p m là: "rõ đ c coi tr ng h p riêng c a
m ". Vì v y trong m i tr ng h p, các k t qu đúng trong lý thuy t “t p
rõ” nó c ng ph i đúng cho tr ng h p "t p m ".
Trong toán h c truy n th ng (còn g i là toán h c c đi n) khái ni m
t p h p đ c đ nh ngh a:
Cho t p h p X, A là t p con c a X. Khi đó, ta có th xây d ng m t
hàm xác đ nh các ph n t c a t p A nh sau:

Xét χ : X å {0,1 }
⎧ χ (x) = 1 , x ∈ A
v i ∀x∈ X : ⎨
⎩ χ (x) = 0 , x ∉ A
Hàm χ rõ ràng xác đ nh các ph n t c a t p A. Nh hàm χ ta có
th nói t p A là t p g m nh ng ph n t x mà χ ( x) = 1 . Bây gi , t p A có th
bi u di n b ng cách khác qua các ph n t c a t p X

Khoa Tóan – Tin h c tr

ng

22
i H c Khoa H c T Nhiên Tp.HCM


A = {( x, χ ( x) = 1) | x ∈ X }

Hàm χ đ c g i là hàm đ c tr ng c a t p h p A.
M r ng khái ni m t p h p c a toán h c c đi n nêu trên, Lofti
Zadeh xét hàm µ trên toàn đo n [0,1], ngh a là µ có th nh n giá tr nào
đó trên đo n [0,1] và g i µ là hàm xác đ nh s ph thu c (g i t t hàm
thu c) c a các ph n t thu c t p con nào đó c a X.
T p m A đ c đ nh ngh a là t p mà m i ph n t c a t p bao g m
các ph n t x c a t p không gian n n X và giá tr xác đ nh s ph thu c
µ A (x) . Vi t m t cách hình th c:
A = {( x, µ A ( x)) | x ∈ X }
µ A (x) : m c đ thành viên c a ph n t x c a t p X lên t p m A.
Hàm µ đ c g i là hàm thành viên (hay hàm thu c) c a t p h p A
Nh v y, t p rõ là t p có đ ng biên rõ , trong khi t p m có đ ng
biên m .
2.1.1.2 Bi u di n t p m
Cho A là t p con c a t p X và µ A là hàm thu c c a t p A , n u A có
h u h n ph n t khi đó t p m A có th bi u di n b ng cách li t kê
A = { ( x1 , µ A ( x1 )) , ( x 2 , µ A ( x 2 )) ,..., ( x n , µ A ( x n )) }
Hay
n

µ A ( xi )

i =1

xi

A=∑
=
ng

µ A ( x1 )
x1

+ ... +

µ A ( xn )
xn

N u A là t p vô h n ng i ta có th xác đ nh A thông qua giá tr
ng α ( 0 ≤ α ≤ 1 ) đ i v i hàm thu c µ A

A = {( x, µ A ( x )) | x ∈ X ∧ µ A ( x ) ≥ α }
Ví d : X là t p các đi m t ng k t trung bình các môn h c c a h c
sinh, qua th ng kê ng i ta th y r ng :
- 0% s ng i coi m t h c sinh là h c gi i khi đi m t ng k t đ t
d i 7.0
- 5% s ng i coi m t h c sinh là h c gi i khi đi m t ng k t đ t
đi m 7.0 ho c 7.5
- 10% s ng i coi m t h c sinh là h c gi i ch khi đi m t ng k t
đ t 8.0;
- 20% s ng i coi m t h c sinh là h c gi i ch khi đi m t ng k t
đ t 8.5;
- 80% s ng i coi m t h c sinh là h c gi i ch khi đi m t ng k t
đ t 9 ho c 9,5 .
- 100% s ng i coi m t h c sinh là h c gi i ch khi đi m t ng k t
đ t đi m 10 .

Khoa Tóan – Tin h c tr

ng

23
i H c Khoa H c T Nhiên Tp.HCM


G i A là t p các đi m gi i khi đó t p m A đ c xác đ nh là :
A={(7, 0.05), (7.5,0.05), (8.0,0.1), (8.5, 0.2), (9.0,0.8),
(9.5,0.8), (10,1.0 )}
Hay
0.05 0.05 0.1 0.2 0.8 1.0
A=
+
+
+
+
+
7.0
7.5 8.0 8.5 9.0 10.0

Ta có th v đ th hàm ph thu c c a t p A nh sau :

Hình 2-2 . Ví d minh h a đ th hàm thành viên.

2.1.2 Hàm thành viên
M t hàm thành viên (Membership Function- MF) liên k t v i m t t p m cho tr c
b ng cách ánh x m t giá tr đ u vào thành giá tr t ng ng n m trong kho ng [0,1]
2.1.2.1 i m gi ng nhau và khác nhau gi a hàm đ c tr ng c a t p rõ và hàm
thành viên c a t p m .
• Gi ng nhau :
o Hàm đ c tr ng và hàm thành viên đ u cho bi t m t ph n t có

thu c t p đã cho hay không.
o C hai đ u đ i di n cho các ph n t c a m t t p h p
• Khác nhau :
o Hàm đ c tr ng χ ch nh n hai giá tr 0 ho c 1
o Hàm thành viên µ nh n các giá tr n m trong kho ng [0,1]
• Nh n xét : Hàm đ c tr ng χ chính là tr ng h p đ c bi t c a hàm
thành viên µ
Ví d : Xét A là t p nh ng ng i cao. Cho bi t: ng i có chi u cao t
170cm tr lên đ c cho là ng i cao.
Xét ba giá tr chi u cao nh sau:
- Lan cao : 163cm
- Hùng cao : 169cm
- Thanh cao : 175cm
Khi đó, ta có hàm đ c tr ng c a t p rõ và hàm thành viên c a t p m
c a t p A nh hình v sau:

Khoa Tóan – Tin h c tr

ng

24
i H c Khoa H c T Nhiên Tp.HCM


Hình 2-3 .

ng bi u di n c a hàm đ c tr ng và hàm thành viên
c a t p nh ng ng i cao

Nh v y, ng v i ba giá tr đã cho ta có:

i v i t p rõ c a A :
•
o χ (Lan) = 0
o χ (Hùng) = 0
o χ (Thanh) = 1
•
iv it pm c aA:
o µ (Lan) = 0.3
o µ (Hùng) = 0.9
o µ (Thanh) = 1.0

2.1.2.2 Các d ng c a hàm thành viên

Các hàm thành viên có nhi u d ng khác nhau, trong đó thông d ng nh t là
các hàm thành viên d ng S t ng, S gi m và d ng hình chuông.
a) D ng S t ng

⎧0 nêú x ≤ α
⎪2( x − α )/(γ − α ) nêú α ≤ x ≤ β
⎪
µ ( x ) = S ( x, α , β , γ ) = ⎨
⎪ 1 − [2( x − α )/(γ − α )] nêú β < x < γ
⎪⎩1 nêú x ≥ γ

Khoa Tóan – Tin h c tr

ng

25
i H c Khoa H c T Nhiên Tp.HCM