Xây dựng công cụ đánh giá năng lực nhà thầu dựa vào thuật toán svm kết hợp ga và phương pháp ahp trong môi trường matlab

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA

TRẦN VĂN PHÚC

XÂY DỰNG CÔNG CỤ ĐÁNH GIÁ NĂNG LỰC NHÀ THẦU DỰA
VÀO THUẬT TOÁN SVM KẾT HỢP GA VÀ PHƯƠNG PHÁP AHP TRONG MÔI TRƯỜNG MATLAB

Chuyên ngành: Quản lý Xây dựng
Mã số ngành: 60.58.03.02

LUẬN VĂN THẠC SĨ

TP. Hồ Chí Minh, Năm 2019


CƠNG TRÌNH ĐƯỢC HỒN THÀNH
TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA
ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH.
Cán bộ Hướng dẫn khoa học: TS. CHU VIỆT CƯỜNG ....................................

Cán bộ chấm phản biện 1: TS. PHẠM VŨ HỒNG SƠN ...................................

Cán bộ chấm phản biện 2: TS. NGUYỄN TUẤN KIỆT ....................................
Luận Văn Thạc sĩ được bảo vệ tại Hội đồng chấm bảo vệ Luận văn Thạc sĩ
Trường Đại học Bách Khoa Thành Phố Hồ Chí Minh ngày 06 tháng 7 năm 2019
__________________
Thành phần Hội đồng đánh giá luận văn Thạc sĩ gồm:
1. TS. ĐỖ TIẾN SỸ
2. TS. PHẠM VŨ HỒNG SƠN
3. TS. NGUYỄN TUẤN KIỆT

4. TS. TRẦN ĐỨC HỌC
5. TS. NGUYỄN ANH THƯ
Xác nhận của Chủ tịch Hội đồng đánh giá Luận văn và Trưởng khoa
quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có).
TP.HCM, ngày …… tháng … … năm 2019
CHỦ TỊCH HỘI ĐỒNG

TS. ĐỖ TIẾN SỸ

KHOA KỸ THUẬT XÂY DỰNG


ĐẠI HỌC QUỐC GIA TP. HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập - Tự do - Hạnh phúc

----------------

---oOo--TP. HCM, ngày … … tháng … … năm 2019

NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ và tên học viên:

TRẦN VĂN PHÚC

Giới tính: Nam

Ngày tháng năm sinh: 28 - 02 - 1991

Nơi sinh: Bình Định

Chuyên ngành: QUẢN LÝ XÂY DỰNG

MSHV: 1670149

1- TÊN ĐỀ TÀI:

XÂY DỰNG CÔNG CỤ ĐÁNH GIÁ NĂNG LỰC NHÀ THẦU DỰA VÀO
THUẬT TOÁN SVM

KẾT HỢP GA VÀ

PHƯƠNG PHÁP AHP

TRONG MÔI TRƯỜNG MATLAB
2- NHIỆM VỤ LUẬN VĂN:

 Xác định các tiêu chí thể hiện năng lực nhà thầu xây lắp bằng khảo sát ý kiến
chuyên gia
 Ứng dụng phương pháp AHP bằng phần mềm Expert Choice để tính tốn
trọng số các tiêu chí, phân loại tập dữ liệu huấn luyện.
Xây dựng mơ hình SVM kết hợp GA để đánh giá năng lực nhà thầu trên phần
mềm Matlab
 Đánh giá, kết luận, đề xuất ứng dụng và hướng phát triển công cụ.
3- NGÀY GIAO NHIỆM VỤ:

11/02/2019

4- NGÀY HOÀN THÀNH NHIỆM VỤ: 02/06/2019
5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS. CHU VIỆT CƯỜNG

TPHCM, ngày …… tháng …… năm 2019
CÁN BỘ HƯỚNG DẪN

TS. CHU VIỆT CƯỜNG

CHỦ NHIỆM BM ĐÀO TẠO

TS. ĐỖ TIẾN SỸ

KHOA KỸ THUẬT XÂY DỰNG


LỜI CẢM ƠN
Em xin bày tỏ lòng biết ơn sâu sắc đến Thầy TS.Chu Việt Cường về sự tin
tưởng, quan tâm và tận tình chỉ dẫn, động viên của Thầy trong suốt thời gian thực
hiện luận văn.
Xin gửi lời cảm ơn chân thành đến quý Thầy, Cô trong Bộ môn Thi công và
Quản lý Xây Dựng, Trường Đại học Bách Khoa Thành phố Hồ Chí Minh về kiến thức
mà các thầy cơ đã truyền đạt.
Xin cảm ơn gia đình đã động viên học tập và các Anh, Chị, Em đồng nghiệp
tại công ty CPXD &KD Địa Ốc Tân Kỷ đã hỗ trợ tơi trong q trình thực hiện Luận
văn.
Tp. Hồ Chí Minh, ngày 02 tháng 06 năm 2019
Người thực hiện luận văn

Trần Văn Phúc

Trang 0

TĨM TẮT LUẬN VĂN.
Để tìm ra một nhà thầu đủ năng lực để thi công là một trong các yếu tố quyết
định đến sự thành bại của dự án xây dựng. Vậy, làm cách nào để tìm ra nhà thầu này
một cách nhanh chóng, tốn ít chi phí, ít rủi ro và cho độ chính xác cao,… đang là một
thách thức lớn trong lĩnh vực xây dựng. Nhằm mục đích giải quyết vấn đề này, tác giả
đã phát triển công cụ đánh giá năng lực nhà thầu bằng phương pháp Trí tuệ nhân tạo.
Trí tuệ nhân tạo (Artificial Intelligence - AI) đang là một trong những công nghệ
được quan tâm nhất ở thời điểm hiện tại và là một trong những đại diện tiêu biểu của
làn sóng cơng nghiệp lần thứ tư.
Trong luận văn này, tác giả ứng dụng thuật toán SVM kết hợp GA, sử dụng kết
quả thực tế và phương pháp AHP để xây dựng tập huấn luyện. Công cụ được viết trên
nền Matlab trực quan và dễ sử dụng.
Phương pháp SVM là một trong những phương pháp phân loại phi tuyến mạnh
nhất hiện nay. Trong đó, có 2 tham số người dùng phải tự định nghĩa, nó quyết định
hiệu suất làm việc của SVM. Tác giả đã kết hợp phương pháp Di truyền (GA) để tối
ưu 2 tham số này nhằm tăng hiệu suất của công cụ.
Công cụ này không chỉ giúp Nhà đầu tư đánh giá nhanh chóng năng lực nhà
thầu mà cịn tiềm năng phân loại các lĩnh vực khác với tập huấn luyện tương ứng.
Từ khóa: Phương pháp SVM, Phương pháp Di Truyền (GA), Phương pháp
AHP, Phần mềm Malab.


Trang 1
ABSTRACT
Seeking a qualified contractor for construction is one of the decisive factors for
the success of a construction project. There fore, how to find this contractor quickly,
with a low cost, risk reduction and high accuracy, ... is a major challenge in the

construction sector. In this regard, the author has developed a tool to assess contractor
capabilities with Artificial Intelligence.
Artificial Intelligence (abbreviated AI) is one of the most exciting technologies
nowadays and represents for the fourth industrial revolution.
In this thesis, the author applies SVM algorithm combined with genetic method
(GA), and uses actual results together with AHP method to build a training set. The
Matlab tool is visual and easy to use.
SVM method is one of the most powerful nonlinear classifying methods today.
In that method, the determination of two user parameters is crucial, and it influences to
the performance of SVM.The SVM algorithm has been combined with GA to optimize
these two parameters, subsequently leads to the increase in the efficiency of the tool.
This tool not only helps investors to quickly assess contractor capability but also
possesses the potential to classify other fields with the corresponding training .
Keywords: SVM Method, Genetic Methods (GA), AHP Method, Matlab
Software.


Trang 2
LỜI CAM ĐOAN CỦA TÁC GIẢ LUẬN VĂN
Tôi, Trần Văn Phúc, xin cam đoan rằng trong quá trình thực hiện Luận văn
đề tài “ Xây dựng công cụ đánh giá năng lực nhà thầu dựa vào thuật toán SVM
kết hợp Ga và phương pháp AHP trong môi trường Matlab” các kết quả nghiên
cứu được thực hiện hoàn toàn trung thực và chưa được công bố ở bất kỳ nghiên cứu
nào. Tơi xin chịu hồn tồn trách nhiệm về nghiên cứu của mình ./.

Tp. Hồ Chí Minh, ngày 02 tháng 06 năm 2019
Người thực hiện luận văn

Trần Văn Phúc

Trang 3

MỤC LỤC
TÓM TẮT LUẬN VĂN. ....................................................................................... 0
CHƯƠNG 1: ĐẶT VẤN ĐỀ ............................................................................... 8
1.1. Xác định vấn đề nghiên cứu .......................................................................... 8
1.2. Các mục tiêu nghiên cứu: .............................................................................. 9
1.3. Phạm vi nghiên cứu: ...................................................................................... 9
1.4. Kết luận chương: ........................................................................................... 9
CHƯƠNG 2: TỔNG QUAN .............................................................................. 11
2.1. Đóng góp của nghiên cứu: .......................................................................... 11
2.1.1. Học thuật : .................................................................................................. 11
2.1.2. Thực tiễn : .................................................................................................. 11
2.2. Các nghiên cứu trong nước liên quan: ........................................................ 11
2.3. Các nghiên cứu nước ngoài liên quan. ........................................................ 16
2.4. So sánh PP SVM và PP mạng Neuron : ..................................................... 17
2.5. Tối ưu hệ số phạt C, hệ số  trong SVM : ................................................... 18
2.6. Ưu điểm của thuật toán Di truyền trong việc tối ưu hai hệ số C, . ............ 18
2.7. Tổng hợp đánh giá các tiêu chí lựa chọn theo công thức ............................ 18
2.8. Cơ sở lý thuyết : ......................................................................................... 19
* Thuật toán SVM (Support Vector Machine) .................................................... 19
2.9.1. Ý tưởng của phương pháp: ........................................................................ 19
2.9.2. Khái niệm trình phân loại SVM . ............................................................. 19
2.9.3. Khái niệm hàm hạt nhân: .......................................................................... 20
2.9.4. Phân lớp tuyến tính: .................................................................................. 20
2.9.5. Phân lớp phi tuyến tính: ............................................................................ 22
*Thuật Di truyền: ................................................................................................. 24
2.9.6. Các tính chất của Di truyền. ...................................................................... 24
2.9.7. Cơ chế của Di truyền................................................................................. 25

2.9.8. Hàm mục tiêu (fĩtness function)................................................................ 25
2.9.9. Chọn lọc cá thể (selection) ........................................................................ 26
2.9.10. Quy tắc bánh xe Roulete (Roulete wheel selection) ............................... 26
2.9.11. Chọn lọc xếp hạng (Rank selection) ....................................................... 27


Trang 4
2.9.12. Chọn lọc cắt (Truncation selection) ........................................................ 28
2.9.13. Lai ghép (crossover) ............................................................................... 28
2.9.14. Lai ghép một điểm (one point crossover) ............................................... 29
2.9.15. Đột biến (Mutation) ................................................................................ 29
2.9.16. Đột biến một điểm. ................................................................................. 29
*Phương pháp AHP: ............................................................................................ 30
2.9. Các phương pháp đánh giá mơ hình máy học. ............................................ 33
2.10.1. Đánh giá bằng phương pháp Accuracy. .................................................. 33
2.10. Kết luận . ..................................................................................................... 33
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU ............................................... 34
3.1. Quy trình nghiên cứu chung: ....................................................................... 34
3.2. Quy trình nghiên cứu chi tiết: ..................................................................... 35
3.2.1. Xin ý kiến chuyên gia về tiêu chí để đánh giá gói thầu đã thi cơng: ........ 37
3.2.2. Xây dựng phương pháp AHP để xử lý số liệu. ......................................... 40
3.3. Kết luận. ...................................................................................................... 41
CHƯƠNG 4: THU THẬP VÀ PHÂN TÍCH SỐ LIỆU..................................... 42
4.1. Lựa chọn, đánh giá các tiêu chí: .................................................................. 42
4.2. Kiểm tra theo phương pháp trung bình. ...................................................... 43
4.3. Kiểm tra độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha ................ 44
4.4. Xây dựng bảng ma trận so sánh cặp để tổng hợp ý kiến các chyên gia. .... 47
4.5. Sử dụng phần mềm Expert choice để tính trọng số các tiêu chí và chỉ số độ
nhất quán CR:....................................................................................................... 49
4.6. Thu thập, xử lý dữ liệu: ............................................................................... 50

4.7. Tính điểm và phân loại dữ liệu, gắn nhãn dữ liệu. ...................................... 52
4.8. Xây dựng tiêu chí cho tập huấn luyện. ........................................................ 52
4.9. Kết luận chương. ......................................................................................... 54
CHƯƠNG 5: XÂY DỰNG MƠ HÌNH SVM KẾT HỢP GA TRÊN MƠI
TRƯỜNG MATLAB. .......................................................................................... 55
5.1. Mơ hình SVM kết hợp GA:......................................................................... 55
5.2. Mơ hình SVM đã được huấn luyện với C*,γ* đã tối ưu. ............................ 57
5.3. Xây dựng mơ hình trên Matlab ................................................................... 57
5.4. Kết luận chương. ......................................................................................... 60
CHƯƠNG 6: ĐÁNH GIÁ, ĐỀ XUẤT PHÁT TRIỂN ...................................... 61


Trang 5
6.1. Đánh giá mơ hình theo phương pháp Accuracy:......................................... 61
6.2. Kết luận ....................................................................................................... 64
6.3. Hạn chế của nghiên cứu: ............................................................................. 65
6.4. Hướng nghiên cứu tiếp theo ........................................................................ 65
CHƯƠNG 7: TÀI LIỆU THAM KHẢO ........................................................... 66
PHỤ LỤC

64


Trang 6

MỤC LỤC HÌNH ẢNH
Hình 1. Ví dụ về biểu diễn tập dữ liệu phân tách tuyến tính ............................... 22
Hình 2. Biểu diễn tập dữ liệu phân tách phi tuyến tính trên khơng gian 2 chiều 24
Hình 3. Các phép mã hóa ..................................................................................... 25
Hình 4. Chọn lọc theo quy tắc bánh xe Roulete .................................................. 26

Hình 5. Phân bố của các NST trước khi xếp hạng . ............................................. 28
Hình 6. Phân bố của các NST sau khi xếp hạng .................................................. 28
Hình 7. Cơ chế lai ghép một điểm ....................................................................... 29
Hình 8. Sơ đồ giải thuật Di truyền ....................................................................... 30
Hình 9. Chia dữ liệu thành Data training: Data Test ........................................... 33
Hình 11. Nhập dữ liệu các tiêu chí vào phần mềm SPSS .................................... 45
Hình 12. Chọn thang đo Scale ............................................................................. 45
Hình 13. Nhập dữ liệu training từ file Excel vào Matlab R2018b ....................... 58
Hình 14. Load Thư viện Libsvmwrite vào phần mềm Matlab ............................ 58
Hình 15. Xây dựng thuật tốn Svm trên Matlab .................................................. 59
Hình 16. Xây dựng thuật tốn GA trên phần mềm Matlab.................................. 59
Hình 17. Xây dựng mơ hình huấn luyện SVM kết hợp GA trên Matlab ............. 60
Hình 18. Mơ hình SVM với đầu ra y=1, -1 ....................................................... 60
Hình 19. Kết quả C*,γ* trả về trong mơ hình Matlab ......................................... 62
Hình 20. Nhập C*,γ* lưu lại thành file model.mat để load vào mơ hình Svm .... 63
Hình 21. Kết quả kiểm thử với nhà thầu trong dữ liệu Data Test........................ 63


Trang 7
MỤC LỤC BẢNG BIỂU
Bảng 1. Thang đo đánh giá 9 mức độ ................................................................. 32
Bảng 2. Sơ bộ các tiêu chí khảo sát chuyên gia. ................................................. 37
Bảng 3. Tiêu chí sau khi thống nhất với ý kiến các chuyên gia. ........................ 38
Bảng 4. Kết quả kiểm định Cronbach’s Alpha ................................................... 45
Bảng 5. Mức độ quan trọng khi so sánh cặp của các tiêu chí ............................. 47
Bảng 6 Ma trận tổng hợp ý kiến của các chuyên gia. ......................................... 48
Bảng 7 . Ma trận so sánh cặp giữa các tiêu chí- đánh giá năng lực nhà thầu trên
phần mềm Expert Choice. .................................................................................... 49
Bảng 8 Giá trị chỉ số nhất quán các tiêu chí ...................................................... 49
Bảng 9. Cho điểm của các tiêu chí theo thang điểm 1-10. ................................. 50

Bảng 10. Xây dựng tiêu chí cho tập huấn luyện. ................................................ 52
Bảng 11. Tập kiểm thử với Data Test của 15 nhà thầu....................................... 61


Trang 8

GVHD: TS. Chu Việt Cường

CHƯƠNG 1: ĐẶT VẤN ĐỀ
1.1. Xác định vấn đề nghiên cứu
Cùng với sự phát triển của các công ty xây dựng tầm cỡ, nhu cầu tìm kiếm nhà
thầu có đủ năng lực để có thể hợp tác là một yếu tố quyết định đến sự thành cơng của
dự án. Từ đó, địi hỏi phải có những kỹ thuật, công cụ giúp người quyết định đầu tư,
chủ đầu tư tìm ra thật nhanh, thật chính xác các nhà thầu có đủ năng lực để thực hiện
dự án của mình.
Đã có nhiều kỹ thuật truyền thống được xây dựng nhưng chưa giải quyết được
tính chất phi tuyến, đưa ra quyết định nhanh, giảm chi phí phân tích và tránh nhiều
rủi ro.
Trong luận văn này, một công cụ mới được xây dựng trên môi trường Matlab,
dựa trên sự kết hợp của thuật toán Suport vector, thuật toán Di Truyền và phương
pháp AHP nhằm mục đích đánh giá năng lực của nhà thầu một cách nhanh chóng,
khách quan và thực tế.
Kỹ thuật SVM được cho là một trong những kỹ thuật cho kết quả phân tích phi
tuyến chính xác nhất hiện nay và được khuyến khích sử dụng rộng rãi trên nhiều lĩnh
vực. Việc lựa chọn các thông số của SVM lại ảnh hưởng quyết định đến hiệu suất
làm việc của nó, nếu kết hợp phương pháp GA để tối ưu hóa lựa chọn các thơng số
này thì hiệu quả sẽ tốt hơn.
Đồng thời, phương pháp AHP được kết hợp với kết quả thực tế của dữ liệu thu
thập được từ các gói thầu đã thi cơng để chấm điểm, phân loại và gán nhãn (đạt và
không đạt) nhằm phục vụ tập huấn luyện cho thuật tốn SVM.

Mơ hình được đánh giá hiệu quả mơ hình bằng phương pháp Accuracy .
MATLAB là phần mềm được dùng để tính tốn tốn học và được sử dụng phổ
biến để lập trình trong lĩnh vực nghiên cứu. Phần mềm MATLAB rất thích hợp cho
các bài tốn ma trận, vector, hình ảnh. MATLAB được trang bị các ToolBox – các
gói chương trình có sẵn để dễ dàng ứng dụng cho các thuật toán như mạng nơ ron,


Trang 9

GVHD: TS. Chu Việt Cường

SVM, logic mờ, tài chính, các thuật toán tối ưu, các bài toán đạo hàm riêng, lĩnh vực
sinh tin học,...xử lý tín hiệu, các bài toán nhận dạng hệ thống, xử lý ảnh ,...
1.2. Các mục tiêu nghiên cứu:
Xác định các tiêu chí thể hiện năng lực của nhà thầu bằng ý kiến của các chuyên
gia trong lĩnh vực xây dựng. Xây dựng tập huấn luyện, dùng phương pháp AHP để
tính tốn trọng số các tiêu chí, kết hợp với kết quả thực tế các gói thầu đã thi cơng để
cho điểm, phân loại gán nhãn thành các gói: đạt, khơng đạt.
Xây dựng cơng cụ máy SVM, tối ưu các tham số bằng thuật toán Di truyền (Ga)
trên môi trường Matlab để phân loại kết quả tốt nhất. Có thể tự động dự đốn năng
lực các nhà thầu từ các dữ liệu đầu vào đã cung cấp, giảm chi phí phân tích và tránh
rủi ro.
Tiềm năng ứng dụng trong việc chấm thầu điện tử.
1.3. Phạm vi nghiên cứu:
Thời gian: Nghiên cứu được triển khai từ 08/2018 tới 06/2019. Trong đó q
trình khảo sát và thu thập, tìm kiếm dữ liệu được tiến hành từ (01/2019 – 06/2019).
Địa điểm: Các gói thầu DD & CN cao tầng đã thi cơng ở thành phố Hồ Chí
Minh. Tính chất, đặc trưng của đối tượng nghiên cứu: Các nhà thầu thi công tại dự
án xây dựng DD & CN – nhà cao tầng (từ 8- 40 tầng ) của gói xây lắp tại thành phố
Hồ Chí Minh, Vốn tư nhân, từ năm 2008-2019.

Quan điểm phân tích: Phân tích và thảo luận theo góc độ của người quyết định
đầu tư, người sử dụng nhà thầu.
Đối tượng để phỏng vấn: là các chuyên gia chủ đầu tư, ban quản lý dự án, các
Chỉ Huy Trưởng, trưởng bộ phận giám sát, đấu thầu, quản lý hồ sơ thầu thi công tại
khu vực tp Hồ Chí Minh.
1.4. Kết luận chương:
X ác định vấn đề nghiên cứu: các tiêu chí cơ bản thể hiện năng lực nhà thầu và
lý thuyết , sự ứng dụng, kết hợp các thuật toán SVM+ GA+ AHP bằng phần mềm
Matlab. Mục tiêu tạo ra cơng cụ đánh giá chính xác được năng lực nhà thầu một


Trang 10

GVHD: TS. Chu Việt Cường

cách tự động và chính xác. Khu vực nghiên cứu: các cơng trình nhà cao tầng thuộc
gói xây lắp tại Thành phố Hồ Chí Minh từ năm 2008 đến nay.


Trang 11

GVHD: TS. Chu Việt Cường

CHƯƠNG 2: TỔNG QUAN
2.1. Đóng góp của nghiên cứu:
2.1.1. Học thuật :
- Ứng dụng được mơ hình trí tuệ nhân tạo (máy học SVM) trong đánh giá năng lực
nhà thầu vào điều kiện thực tiễn Việt Nam.
- Kết hợp với các phương pháp khác để tối ưu hiệu suất làm việc máy học SVM
trên phần mềm Matlab.

- Có thể mở rộng ứng dụng cơng cụ để đánh giá các lĩnh vực khác trong xây dựng
như dự đoán địa tầng, chất lượng vật liệu, năng lực tổ chức tư vấn giám sát, năng
lực chủ đầu tư,…tại Việt Nam.
2.1.2. Thực tiễn :
- Xây dựng được các tiêu chí với tầm quan trọng của nó để thể hiện năng lực của
nhà thầu.
- Giúp người quyết định đầu tư, chủ đầu tư nhanh chóng tìm ra được nhà thầu có
năng lực, phù hợp với dự án của mình theo mức điểm sàn mà chủ đầu tư cần.
2.2. Các nghiên cứu trong nước liên quan:
STT

Nghiên cứu liên quan

Nội dung, các vấn đề đã và chưa
được đề cập tới.

1

“Kỹ thuật Support vector

Nghiên cứu trình bày cơ sở lý thuyết

machine và ứng dụng” - luận

của phương pháp SVM [1].

văn đại học Bách Khoa Hà Nội

Các dạng bài toán của SVM.

của Thái Sơn năm 2006) [1]

So sánh SVM so với phương pháp
mạng Neural nhân tạo.


GVHD: TS. Chu Việt Cường

Trang 12
STT

Nghiên cứu liên quan

Nội dung, các vấn đề đã và chưa
được đề cập tới.

2

“Nghiên cứu và đề xuất giải pháp

Nghiên cứu đã trình bày cơ sở lý thuyết

định lượng các tiêu chuẩn đánh

của phương pháp AHP.

giá hồ sơ dự thầu bằng phương

Xác định các tiêu chí thể hiện sự thành

pháp AHP nhằm cải tiến cơng tác

cơng gói thầu xây lắp.

đấu thầu” (đại học Bách Khoa

Áp dụng mơ hình AHP tìm ra nhà thầu

TP. Hồ Chí Minh, Thái Bình An

có năng lực dựa trên các tiêu chí.

năm 2010) [3].

Luận văn chưa đề cập đến ưu điểm,
nhược điểm cũng như tính hiệu quả của
phương pháp AHP
Luận văn thực hiện đánh giá gói thầu
cịn mang tính thủ cơng.
Các tiêu chí đánh giá đưa ra dựa trên ý
kiến các chun gia nên cịn mang tính
chủ quan.
Luận văn đã đề cập đến 5 nhóm tiêu chí
là:
“1.Tiêu chí đánh giá về kinh nghiệm.
2.Tiêu chí kỷ thuật.
3. Tiêu chí đánh giá về tiến độ.
4. Tiêu chí mối quan hệ.
5.Tiêu chí về giá”[3]
Tác giả đã khơng đề cao tiêu chí tài

chính, tiêu chí nhân lực, trong khi các
tiêu chí này vơ cùng quan trọng.
Một tiêu chí vơ cùng quan trọng nhưng
vẫn khơng được đánh giá cao trong luận
văn là tiêu chí an tồn khi thi công.


GVHD: TS. Chu Việt Cường

Trang 13
STT

Nghiên cứu liên quan

Nội dung, các vấn đề đã và chưa
được đề cập tới.

3

“Kết hợp lý thuyết mờ và Di

Nghiên cứu đã trích dẫn cơ sở lý thuyết

truyền để giải bài toán cực tiểu

của thuật Di Truyền (GA). Cung cấp

hóa thời gian và chi phí dự án”.

một cái nhìn tổng thể về phương pháp

(đại học Bách Khoa TP. Hồ Chí

GA.. Trình bày ưu điểm của phương

Minh - Huỳnh Anh Tuấn, 2007)

pháp này so với các phương pháp tối ưu

[4].

khác.
Tác giả đã xây dựng mơ hình “kết hợp
lý thuyết mờ với Di truyền để cực tiểu
hóa thời gian và chi phí dự án”[4].

4

“Nghiên cứu ứng dụng phương

Nghiên cứu đã đưa ra các tiêu chí ảnh

pháp thành phần chủ yếu (PCA)

hưởng đến gói thầu trong xây dựng.

để chọn thầu xây lắp”.

Áp dụng phương pháp PCA để chọn ra

(đại học Bách Khoa TP. Hồ Chí

nhà thầu phù hợp.

Minh - Vũ Hoàn Phi Long, 2008

Luận văn thực hiện đánh giá gói thầu

) [2].

cịn mang tính thủ cơng và chủ quan.
Luận văn chưa đề cập đến nhược điểm,
tính hiệu quả của phương pháp PCA
Tác giả đã đề cập đến 7 nhóm tiêu chí
lớn là:
1.Tiêu chí đánh giá về kinh nghiệm.
2.Tiêu chí về tài chính
3. Tiêu chí đánh giá về kỷ thuật, chất
lượng.
4. Tiêu chí tiến độ thi cơng
5.Tiêu chí về máy móc thiết bị
6. Tiêu chí về mối quan hệ.
7 Tiêu chí về giá


GVHD: TS. Chu Việt Cường

Trang 14
STT

Nghiên cứu liên quan

Nội dung, các vấn đề đã và chưa
được đề cập tới.
Tiêu chí tiêu chí an tồn khi thi cơng vơ
cùng quan trọng nhưng vẫn không được
đánh giá cao trong luận văn.

5

“Nghiên cứu thuật toán học máy

Nghiên cứu đã sử dụng phương pháp

áp dụng cho hệ thống giám sát và

SVM để nhận ra hành vi của đàn bò.

nhận dạng hành vi trên bò”

Sử dụng phương pháp đường cong

(đại học công nghệ Hà Nội,

ROC để đánh giá hiệu quả của thuật

Nguyễn Đình Chinh -2017) [5]

tốn.
Cung cấp một cái nhìn tổng quan và

ứng dụng đa dạng của phương pháp
SVM
Luận văn chưa thể hiện được phương
pháp tăng hiệu suất của SVM.

6

“Sử dụng phương pháp kết hợp

Nghiên cứu cung cấp kiến thức tổng

AHP, VIKOR và TOPSIS trong

quan của các phương pháp AHP,

công tác chọn thầu xây dựng”

VIKOR và TOPSIS.

(đại học Bách Khoa TP. Hồ Chí

Nghiên cứu có phân tích ưu, nhược

Minh -Lê Thị Thanh Trâm, 2013)

điểm của phương pháp AHP.

[6].

Tác giả đã đề cập đến 6 nhóm tiêu chí

lớn là:
1. Tiêu chí đánh giá chung về hồ sơ
đấu thầu.
2. Thiết bị thi công thực tế ở công
trường.
3. Kinh nghiệm thi cơng
4. Biện pháp, quy trình quản lý thi
công
5. Tiến độ thi công.


GVHD: TS. Chu Việt Cường

Trang 15
STT

Nghiên cứu liên quan

Nội dung, các vấn đề đã và chưa
được đề cập tới.
6. Giá thầu
Luận văn chưa đánh giá cao tiêu chí
an tồn khi thi công.

7

“Nghiên cứu và ứng dụng logic

Nghiên cứu đã xây dựng công cụ để hỗ

mờ trong công tác chọn thầu xây

trợ công tác chọn thầu xây dựng. Áp

dựng”

dụng lý thuyết fuzzy logic trong giai

(đại học Bách Khoa TP. Hồ Chí

đoạn đánh giá hồ sơ dự thầu mà không

Minh - Nguyễn Thái Quài, 2007 )

cần thiết phải có mặt các chuyên gia.

[7]

Tuy nhiên dữ liệu đầu vào chỉ dừng lại
ở mức 5 dữ liệu.

8

“Ứng dụng mơ hình AHP để lựa

Nghiên cứu đã phân tích các hạn chế

chọn nhà thầu phụ trong điều kiện trong công tác lựa chọn nhà thầu phụ ở
Việt Nam. Trường hợp áp dụng :

Việt Nam

lựa chọn nhà thầu thì cơng cọc

Đồng thời phân tích các nhân tố thể

khoan nhồi”

hiện năng lực của các nhà thầu phụ thi

(đại học Bách Khoa TP. Hồ Chí

cơng cọc khoan nhồi. Đề xuất mơ hình

Minh năm - Nguyễn Trung Hưng,

tìm kiếm nhà thầu phụ phù hợp.

2008) [8].
9

“Lựa chọn nhà thầu trong dự án

Luận văn đã xác định được các tiêu chí

nhà cao tầng tại Việt Nam bằng

lựa chọn nhà thầu của dự án nhà cao

mơ hình Best Value”.

tầng tại Việt Nam.

(đại học Bách Khoa TP. Hồ Chí

Cách lấy trọng số của phương pháp

Minh - Nguyễn Hoàng Dũng,

AHP để đánh giá mức độ ảnh hưởng

2011 ) [9].

cho từng tiêu chí trong việc phản ánh
thái độ của nhà thầu thi công.
Luận văn đã đưa ra 7 nhóm tiêu chí lớn
là:
1. Tiêu chí về kinh nghiệm nhà thầu


Trang 16
STT

Nghiên cứu liên quan

GVHD: TS. Chu Việt Cường
Nội dung, các vấn đề đã và chưa
được đề cập tới.
2. Tiêu chí về tình hình tài chính của
nhà thầu.

3. Tiêu chí kỹ thuật
4. Thiết bị thi công
5. Quan hệ
6. Tiến độ
7. Gía
Luận văn chưa đánh giá cao tiêu chí an
tồn khi thi cơng.

10

“Nghiên cứu những nhân tố gây

Nghiên cứu đã trình bày cơ sở lý thuyết

xung đột chi phí các dự án phục

của phương pháp AHP.

vụ ngành cảng hàng không Việt

Phân tích nhân tố gây ra xung đột chi

Nam và mơ hình AHP đánh giá

phí riêng lĩnh vực Cảng hàng khơng

xung đột chi phí”( đại học Bách

Việt Nam.

Khoa TP. Hồ Chí Minh - Trương
Vĩnh Trung, 2019 ) [10].
2.3. Các nghiên cứu nước ngoài liên quan.
STT Nghiên cứu nước ngoài liên quan

Nội dung, các vấn đề chưa được
đề cập tới.

“Credit scoring with a data mining

1

approach based on support vector

Nghiên cứu đã đưa ra các thử

machines”

nghiệm để chứng minh tính chính

(a National Kaohsiung First

xác của trình phân loại SVM.

University of Science and

Khả năng ứng dụng SVM để dự

Technology,...Taiwan - Cheng-Lung

đốn trong tín dụng

Huang, etc…2006) [12]


GVHD: TS. Chu Việt Cường

Trang 17

Nội dung, các vấn đề chưa được

STT Nghiên cứu nước ngoài liên quan

đề cập tới.

“An Application of Support Vector
Machine for Evaluating Credit
Risk of Bank”
2

Nghiên trình bày ứng dụng

(Proceedings of the 7th International

phương pháp SVM vào việc đánh

Conference on Innovation &

giá rủi ro trong tín dụng

Management - Changshu Institute of
Technology, Changshu, P.R.China,
215500 -Liu Hong, etc …2010) [13].
“Genetic Algorithms for Support

Bài báo trình bày ưu điểm của sự

Vector Machine Model Selection”

kết hợp thuật toán Di Truyền với

3 ( International Joint Conference on
Neural Networks, Canada, 2006 -

SVM.

Stefan Lessmann, etc…) [14]
2.4. So sánh PP SVM và PP mạng Neuron [1] :
ƯU ĐIỂM PP SVM

NHƯỢC ĐIỂM PP MẠNG
NƠ RON

 Không cần xác định mơ hình

 Phải xác định mơ hình tốn học
của đối tượng- khó khăn đối với

tốn học của đối tượng [1]


Chịu đựng nhiễu tốt.



Kết hợp với dữ liệu có ý nghĩa
về mặt vật lý, dễ dàng giải thích
tường minh [1]

 Cần tập huấn luyện nhỏ nhưng
theo nhiều nghiên cứu thì cho
kết quả cao bằng mạng Nơron.

hệ thống lớn, phức tạp [1].


Khó giải thích tường minh.

 Mạng nhiều lớp (Multilayer
Netword) khó huấn luyện vì có
nhiều cực tiểu địa phương và có
số chiều lớn, trọng số lớn.


GVHD: TS. Chu Việt Cường

Trang 18
2.5. Tối ưu hệ số phạt C, hệ số  trong SVM :

 Điểm chú ý của Support vetor machine (SVM) là cần tìm hàm hạt nhân phù hợp

cho các ứng dụng cụ thể.
 Trong luận văn này ta chọn hàm hạt nhân Radial basis function (RBF) vì nó có
ít tham số hơn cả.
 Hai tham số trong quá trình sử dụng hàm hạt nhân RBF là hệ số phạt C và hệ số
, chúng khơng biết trước.
 Mục đích của ta là xác định cặp (C, ) để cho việc phân lớp đạt kết quả tốt.
2.6. Ưu điểm của thuật toán Di truyền trong việc tối ưu hai hệ số C, .
Phương pháp GA giải quyết bài tốn phi tuyến tính mà khơng cần các kiến thức
chun mơn về các thuộc tính mơ hình.
Hai tham số C và  là hai số thực, sử dụng trực tiếp để làm hai nhiễm sắc thể mà
không cần phải mã hóa [15].
Vậy phương pháp Di truyền thích hợp hơn cả cho việc tìm kiếm tối ưu hệ số phạt C
và hệ số .
2.7. Tổng hợp đánh giá các tiêu chí lựa chọn theo cơng thức [10]
𝑛

∑ 𝑄𝑖𝑃𝑖

(2.1)

𝑖=1

 Trong đó: Qi là trọng số đánh giá của tiêu chí i; Pi là điểm số đánh giá của
tiêu chí i trên kết quả thực tế; n là số lượng tiêu chí đánh giá.
 Sau khi có điểm số đánh giá theo thang điểm 10 của từng gói thầu. Ta gán
nhãn xếp loại nhà thầu thành không đạt, đạt tương ứng với số điểm (0-5,5;
5,5-10).


Trang 19

GVHD: TS. Chu Việt Cường

2.8. Cơ sở lý thuyết :
* Thuật toán SVM (Support Vector Machine)
(Nguồn: Thái sơn, “Kỹ thuật Support Vector Machines và ứng dụng”, Đại học
Bách Khoa Hà Nội, 2006) [1].
2.9.1. Ý tưởng của phương pháp:
Cho một tập huấn luyện biểu diễn trong không gian vector. Trong đó mỗi tài
liệu là một điểm, phương pháp này tìm ra một siêu phẳng f tốt nhất có thể chia các
điểm không gian này thành 2 lớp riêng biệt tương ứng là lớp + và lớp -.
Chất lượng của 2 siêu phẳng này được quyết định bởi khoảng cách (gọi là biên)
của điểm dữ liệu gần nhất của mỗi lớp đến mặt phẳng này. Khoảng cách biên càng
lớn thì mặt phẳng quyết định càng tốt, đồng thời việc phân loại càng chính xác.
Mục đích của phương pháp này là tìm được khoảng cách biên lớn nhất.
2.9.2. Khái niệm trình phân loại SVM .
SVM là một công cụ phân chia phi tuyến dựa trên hàm hạt nhân (Kernel), nó
chuyển đổi dữ liệu được phân chia x sang một không gian mới mà tại đó các mẫu dữ
liệu này có thể phân chia một cách tuyến tính. Khơng gian này gọi là không gian đặc
trưng . Bằng việc sử dụng một hàm vector phi tuyến

 (x) = (1 (x),..., 2(x)) đã

chuyển vector đầu vào n chiều x sang một không gian đặc trưng l chiều, hàm tuyến
tính ở cả 2 miền sẽ là:
𝑙

𝑓 (𝑥 ) = ∑

𝑖=1

𝑎 𝑖 𝑦 𝑖  (𝑥i) (𝑥)

Đầu vào x = (x1, x2,.. , xl) sẽ được phân thành:
x {

𝐿ớ𝑝 𝐼 , 𝑛ế𝑢 (𝑓(𝑥) 0
𝐿ớ𝑝 𝐼𝐼 , 𝑐á𝑐 𝑡𝑟ườ𝑛𝑔 ℎợ𝑝 𝑐ò𝑛 𝑙ạ𝑖

(2.2)


GVHD: TS. Chu Việt Cường

Trang 20
2.9.3. Khái niệm hàm hạt nhân:

Một hạt nhân là một hàm K sao cho với mọi xi, xj  X ta có:
K(x𝑖 , x ) =  (x𝑖 ).  (x)

(2.3.1)

Việc học trong không gian đặc trưng không yêu cầu phải xác định hàm  vì tất cả
các mẫu gốc đã được đơn ánh với ma trân Gram G = (xi *xj)M i,j=1. Sử dụng hàm Kernel
hàm quyết định trở thành:

𝑓(𝑥) = 𝑠𝑖𝑔𝑛 (

𝑖 y𝑖 K (x𝑖 , 𝑥))

∑

(2.3.2)

𝑖,𝑗𝑠𝑢𝑝𝑜𝑟𝑡 𝑣𝑒𝑐𝑡𝑜𝑟

Có một số hàm Kernel có sẵn mà ta lực chọn để ta ứng dụng vào phương pháp
SVM cho phù hợp.Trong luận văn này, hàm hạt nhân dựa trên khoảng cách (RBF:
Radial basis function) được lựa chọn.
K(x, z) = exp(- x-z2 ), với  do người dùng định nghĩa .
2.9.4. Phân lớp tuyến tính:
Phần tử của không gian đầu vào X sẽ được rơi vào một trong 2 phần phân tách bởi
siêu phẳng f(x) được xác định bởi biểu thức:
<w.x> +b = 0

(2.4)

Trong đó:
-

w: là vector pháp tuyến của siêu phẳng.

-

b: giá trị ngưỡng (bằng khoảng cách từ gốc tọa độ tới siêu phẳng f(x))

Một khái niệm quan trọng cần thiết để xác định một phân lớp tuyến tính là tích vơ
hướng giữa hai vectơ <w.x> cịn được gọi là tích trong.
< 𝐰. 𝐱 > = ∑𝒏𝒊=𝟏 𝒘𝒊. 𝒙𝒊

(2.5)