Phân cụm dữ liệu sử dụng giải thuật di truyền và mạng nơron

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG  TRƯƠNG ĐỨC CƯỜNG PHÂN CỤM DỮ LIỆU SỬ DỤNG GIẢI THUẬT DI TRUYỀN VÀ MẠNG NƠ RON LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên - 2012 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên Tai ngay!!! Ban co the xoa dong chu nay!!! http://www.lrc-tnu.edu.vn ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG  TRƯƠNG ĐỨC CƯỜNG PHÂN CỤM DỮ LIỆU SỬ DỤNG GIẢI THUẬT DI TRUYỀN VÀ MẠNG NƠ RON Chuyên ngành Mã số : Khoa học máy tính : 60.48.01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC TS Vũ Mạnh Xuân Thái Nguyên - 2012 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn i LỜI CẢM ƠN Em xin bày tỏ lòng biết ơn sâu sắc tới TS Vũ Mạnh Xuân, thầy hướng dẫn, dạy tận tình để em hồn thành luận văn Em xin chân thành cảm ơn thầy, cô giáo Trường Đại học Công nghệ Thông tin & Truyền thông - Đại học Thái Nguyên, thầy, cô giáo Viện Công nghệ Thông tin - Viện Khoa học Công nghệ Việt Nam truyền thụ kiến thức cho em suốt trình học tập vừa qua Tôi xin cảm ơn quan, bạn bè đồng nghiệp, gia đình người thân chia sẻ, giúp đỡ, động viên, tạo điều kiện thuận lợi để tơi học tập hồn thành luận văn Tuy có cố gắng định thời gian trình độ có hạn nên chắn luận văn cịn nhiều thiếu sót hạn chế định Rất mong nhận góp ý thầy bạn Thái Nguyên, ngày 27 tháng 06 năm 2012 Học viên Trƣơng Đức Cƣờng Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn ii LỜI CAM ĐOAN Tôi xin cam đoan kết đạt luận văn sản phẩm nghiên cứu, tìm hiểu riêng cá nhân tơi Trong tồn nội dung luận văn, điều trình bày cá nhân tổng hợp từ nhiều nguồn tài liệu Tất tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn tồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Thái Nguyên, ngày 27 tháng 06 năm 2012 Học viên Trƣơng Đức Cƣờng Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn iii MỤC LỤC MỤC LỤC iii DANH SÁCH HÌNH VẼ v DANH SÁCH BẢNG BIỂU vi DANH SÁCH TỪ VIẾT TẮT vii MỞ ĐẦU CHƢƠNG I: TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU 1.1 Khái niệm mục đích phân cụm liệu 1.2 Ứng dụng phân cụm liệu 1.3 Một số phương pháp phân cụm liệu 1.3.1 Phân cụm phân hoạch 1.3.2 Phân cụm phân cấp 1.3.3 Phân cụm dựa mật độ 1.3.4 Phân cụm dựa lưới 11 1.3.5 Phân cụm liệu dựa mơ hình 13 1.3.6 Phân cụm liệu mờ 14 CHƢƠNG II: PHÂN CỤM DỮ LIỆU SỬ DỤNG GIẢI THUẬT DI TRUYỀN VÀ MẠNG NƠ RON 16 2.1 Giải thuật di truyền 16 2.1.1 Sơ đồ thực giải thuật di truyền 17 2.1.2 Các q trình giải thuật di truyền 19 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn iv 2.1.2.1 Biểu diễn cá thể 19 2.1.2.2 Hàm mục tiêu (Fitness) 21 2.1.2.3 Toán tử tái tạo (Reproduction) 21 2.1.2.4 Toán tử lai ghép (Crossover) 24 2.1.2.5 Toán tử đột biến (Mutation) 26 2.1.2.6 Các thông số giải thuật di truyền 27 2.1.3 Ưu nhược điểm giải thuật di truyền 28 2.2 Mạng nơ ron 30 2.2.1 Định nghĩa 30 2.2.2 Nơ ron sinh học mạng nơ ron sinh học 31 2.2.3 Cấu trúc mạng nơ ron 32 2.2.4 Phân loại mạng nơ ron 33 2.3 Mối quan hệ giải thuật di truyền mạng nơ ron phân cụm liệu 35 2.3.1 Một số phương thức kết hợp GA mạng nơ ron 36 2.3.2 Một số ví dụ việc kết hợp GA mạng nơ ron 38 CHƢƠNG III: BÀI TOÁN ỨNG DỤNG 42 3.1 Phát biểu toán 42 3.2 Thuật toán 42 3.3 Kết thử nghiệm 48 3.4 Nhận xét 49 KẾT LUẬN 54 TÀI LIỆU THAM KHẢO 55 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn v DANH SÁCH HÌNH VẼ Hình 1.1 Quy trình phân cụm Hình 1.2 Mô phân cụm liệu Hình 1.3 Các chiến lược phân cụm phân cấp Hình 1.4 Một số hình dạng khám phá phân cụm dựa mật độ 10 Hình 1.5 Mơ hình cấu trúc liệu lưới 12 Hình 2.1 Lưu đồ giải thuật di truyền 18 Hình 2.2 Bánh xe trọng số 23 Hình 2.3 Lai ghép điểm 25 Hình 2.4 Lai ghép biểu diễn giá trị 26 Hình 2.5 Cấu tạo nơ ron 31 Hình 2.6 Thu nhận tín hiệu nơ ron 31 Hình 2.7 Mạng nơ ron truyền thẳng nhiều lớp 34 Hình 2.8 Mạng hồi quy (Recurrent Neural Network) 34 Hình 2.9 Mơ đun ghép cặp Di truyền – Nơ ron hệ thống ứng dụng 38 Hình 2.10 Sơ đồ hệ thống XROUTE (Kadaba, Nygard Juell 1991) 38 Hình 3.1 Dữ liệu đầu 42 Hình 3.2 Dữ liệu đầu vào sau mã hóa 43 Hình 3.3 Quá trình lai ghép 43 Hình 3.4 Tập điểm liệu vào 48 Hình 3.5 Giao diện chương trình 49 Hình 3.6 Kết phân cụm với string count = 100 50 Hình 3.7 Kết phân cụm với string count = 50 Hình 3.8 Kết phân cụm liệu giao với stringcount = 51 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn vi DANH SÁCH BẢNG BIỂU Bảng 2.1 Bảng thể tổng giá trị hàm mục tiêu 22 Bảng 2.2 Chuỗi nhiễm sắc thể 23 Bảng 2.3 Lai ghép mặt nạ 25 Bảng 2.4 So sánh K-mean Giải thuật di truyền 29 Bảng 2.5 Một số phương thức liên GA với mạng nơ ron 37 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn vii DANH SÁCH TỪ VIẾT TẮT Từ viết tắt Ý nghĩa KPDL Khai phá liệu PCDL Phân cụm liệu CSDL Cơ sở liệu GA Giải thuật di truyền NST Nhiễm sắc thể Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn MỞ ĐẦU Trong năm gần đây, phát triển mạnh mẽ công nghệ thông tin ngành công nghiệp phần cứng làm cho khả thu thập lưu trữ thông tin hệ thống thơng tin tăng nhanh cách chóng mặt Bên cạnh việc tin học hóa cách ạt nhanh chóng hoạt động sản xuất, kinh doanh nhiều lĩnh vực hoạt động khác tạo cho hệ thống sở liệu khổng lồ Hệ thống đem lại lợi ích vơ to lớn cho người việc lưu trữ, tìm kiếm thống kê Tuy vậy, bùng nổ dẫn tới nhu cầu phát tri thức từ kho liệu khổng lồ Đây vấn đề phức tạp, cần phải có cơng cụ kỹ thuật xử lý linh hoạt suy nghĩ người Trong ngành khoa học máy tính, tìm kiếm lời giải tối ưu cho toán vấn đề nhà khoa học máy tính đặc biệt quan tâm Mục đích thuật tốn tìm kiếm thuật giải chất lượng cao sử dụng kỹ thuật trí tuệ nhân tạo đặc biệt cần thiết giải tốn có khơng gian tìm kiếm lớn Giải thuật di truyền (Genetic Algorithm - GA) kỹ thuật tìm kiếm lời giải tối ưu đáp ứng yêu cầu nhiều toán ứng dụng Hiện nay, thuật toán di truyền với mạng nơ ron ứng dụng rộng rãi lĩnh vực phức tạp Thuật toán di truyền kết hợp với mạng nơ ron chứng tỏ hiệu vấn đề khó giải phương pháp thơng thường hay phương pháp cổ điển, tốn cần có lượng giá, đánh giá tối ưu kết thu Chính vậy, phạm vi đề tài này, chọn hướng kết hợp mạng nơ ron giải thuật di truyền áp dụng vào toán phân cụm liệu, Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 42 CHƢƠNG III: BÀI TOÁN ỨNG DỤNG Chương đưa cài đặt thử nghiệm giải thuật di truyền với liệu đầu vào tọa độ điểm đánh giá kết thực nghiệm 3.1 Phát biểu toán Bài toán: Cho tập hợp điểm mặt phẳng tọa độ (xi,yi) Hãy phân tập điểm thành hai cụm cho cụm nằm nửa mặt phẳng phân cách đường thẳng y = bx + a 3.2 Thuật tốn - Input: Thuật tốn thử nghiệm với liệu đầu vào tọa độ điểm (x,y) - Output: Dữ liệu phân thành hai cụm theo dạng sau: Hình 3.1 Dữ liệu đầu - Thuật tốn: + Dùng phương pháp bình phương cực tiểu, xác định a, b cho tổng bình phương khoảng cách từ điểm đường thẳng y = bx+a nhỏ Hệ số a, b xác định thông qua nghiệm hệ phương trình sau: Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 43 + Quá trình lai ghép thuật toán sử dụng phương pháp lai ghép mặt nạ, sinh ngẫu nhiên chuỗi nhị phân độ dài n làm mặt nạ Giả sử số điểm liệu đầu vào 13, tập liệu cho (x,y) biểu diễn thông qua số nhị phân sau: Hình 3.2 Dữ liệu đầu vào sau mã hóa + Q trình lai ghép q trình trao đổi phần tử có lỗi bít cao hai chuỗi gần Chỉ số lỗi bít tính thơng qua phương pháp bình phương cực tiểu, hiệu bình phương khoảng cách từ đường thẳng y=bx+a đến điểm (x,y) Hình 3.3 Quá trình lai ghép Thuật tốn bao gồm thơng số sau: + Quần thể: tập hợp tọa độ điểm đầu vào + Cá thể: tọa độ phần tử quần thể + Epoch: số vòng lặp thuật tốn + Stringcount: số chuỗi thuật tốn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 44 Q trình thực thuật tốn thực thông qua bước sau: - Cấu trúc liệu đầu vào: Structure DataGroup Dim X() As Double Dim Y() As Double End Structure - Cấu trúc liệu đầu ra: Structure OutPut Dim RP() As RegressionParameter Dim BestString As GeneticString Dim MSE As Double End Structure Bước 1: - Tạo ngẫu nhiên mảng nhị phân có số phần tử n số cặp giá trị (X,Y) nhập vào thơng qua vịng lặp sau: For i As Integer = To GeneticString(j).STR.Length - GeneticString(J).STR(i) = Int(Rnd() + 0.5) - Tính tốn giá trị hàm mục tiêu - MSE cho chuỗi di truyền, chuỗi bao gồm n phần tử MSE tính theo cơng thức: ((X(i) * RP.b + RP.a) - Y(i)) ^ - Chuỗi có hàm mục tiêu đạt giá trị lớn lựa chọn để tiến hành bước Đây tiêu chí để tiến hành phân cụm liệu Bước 2: Lai ghép Tiến hành phân loại dựa độ tương tự chuỗi Mỗi chuỗi có n phần tử, bước tính số bit cho phần tử chuỗi thông qua thủ tục sau: Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 45 Sub CalculateBitError (ByRef GString As_GeneticString, ByVal RParameter() As _RP) 'Writing Error for Each Bit For i As Integer = To GString.STR.Length - GString.BitMSE(i) = FindPointMSE(MDG.X(i),MDG.Y(i), RParameter(GString.STR(i))) GString.Sorted(i) = i Next 'Sorting Bits For i As Integer = To GString.STR.Length - For j As Integer = i To GString.STR.Length - If GString.BitMSE(i) < GString.BitMSE(J) Then Switch(GString.Sorted(i), GString.Sorted(j)) Switch(GString.BitMSE(i), GString.BitMSE(j)) End If Next Next End Sub Trong hàm FindPointMSE tính sau: Function FindPointMSE(ByVal X As Double, ByVal Y As Double, ByVal RP As _RP) As Double Return ((X * RP.b + RP.a) - Y) ^ End Function Bước 3: Tiến hành đột biến cách trao đổi vị trí số bit Với phần tử có số bit cao, tiến hành trao đổi giá trị phần tử với giá trị tương tự phần tử gần Bước thực nhằm mục đích Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 46 giúp chuỗi gần có số MSE tương tự nhau, số vịng lặp phải thực hơn, trình phân cụm nhanh Quá trình đột biến viết thủ tục sau: Sub BitExchange(ByRef STC() As _GeneticString) For i As Integer = To STC.Length - Step Randomize() Dim num As Integer = Rnd() * Exchange(STC(i), STC(i + 1), num) Next End Sub Sub Exchange(ByRef STC1 As_GeneticString, ByRef STC2 As _GeneticString, ByVal num As Integer) For i As Integer = To num Dim Temp As Double = STC1.STR(STC1.Sorted(i)) STC1.STR(STC1.Sorted(i)) = STC2.STR(STC2.Sorted(i)) STC2.STR(STC2.Sorted(i)) = Temp Next End Sub Các phần tử cụm nằm phía đường thẳng y=bx+a Tham số a, b sinh từ giải thuật di truyền thông qua hàm sau: Public Function LinearRegression(ByVal X() As Double, ByVal Y() As Double, ByRef b As Double, ByRef a As Double) As Boolean Dim SigmaX, SigmaY, J, L, Zir, ZirB, NUM As Double If X Is Nothing Then Return False NUM = X.Length - For i As Integer = To NUM - SigmaY = SigmaY + Y(i) Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 47 J = J + (X(i) ^ 2) L = L + (X(i) * Y(i)) SigmaX = SigmaX + X(i) Next b = ((SigmaY * J) - (SigmaX * L)) / ((NUM * J) - (SigmaX ^ 2)) a = ((NUM * L) - (SigmaX * SigmaY)) / ((NUM * J) - (SigmaX ^ 2)) Return True End Function Bước 4: Các cá thể quần thể sinh thay thể cho cá thể quần thể cũ Bước 5: Điều kiện dừng thuật toán: Thuật toán dừng sau số vịng lặp định Trong chương trình này, thuật tốn dừng với số vịng lặp Epoch = 100 Thuật tốn viết lại dạng sau: GA( PD, PR, n,r,m) { // PD: Hàm gán giá trị ước lượng // PR: Ngưỡng xác định tiêu chuẩn dừng giài thuật tìm kiếm // n: Số cá thể quần thể giả thuyết // r: Phân số cá thể quần thể áp dụng toán tử lai ghép bước // m: Tỉ lệ cá thể bị đột biến Khởi tạo quần thể: P  Tạo ngẫu nhiên p cá thể giả thuyết  Ước lượng: Ứng với chuỗi, tính giá trị ước lượng thông qua hàm PDG(2, _GString(k), MDG.X, MDG.Y) // k:=0 to GeneticString.Length -  while Beststring(PD) < PR Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 48 Tạo hệ mới, PS Chọn cá thể: Chọn chuỗi dựa vào độ tương tự MSE chuỗi Lai ghép: chọn lọc theo xác suất cặp giá trị từ quần thể P, theo PR(X,Y) tính bước Ứng với cặp , tạo hai cách áp dụng toán tử lai ghép Thêm tất các vào PS Đột biến: Chọn m% cá thể PS với xác suất cho cá thể Ứng với cá thể biến đổi bit chọn ngẫu nhiên cách thể Cập nhật: P  PS Ước lượng: Ứng với (x, y) P, tính PDG(2, GString(k), MDG.X, MDG.Y)  Trả giả thuyết P có độ thích nghi cao End 3.3 Kết thử nghiệm CLUSTER Hình 3.4 Tập điểm liệu vào Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 49 Dữ liệu sau phân cụm: CLUSTER Hình 3.5 Giao diện chương trình 3.4 Nhận xét Mỗi lần thực phân cụm kết khác nhau, cần thực số lần để có kết tốt Chất lượng phân cụm phụ thuộc vào biến đếm StringCount, với số lần đếm lớn chất lượng phân cụm tốt, khác thể rõ hình 3.6 hình 3.7 sau: Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 50 CLUSTER Hình 3.6 Kết phân cụm với string count = 100 CLUSTER Hình 3.7 Kết phân cụm với string count = Chương trình chạy với liệu đơn giản, phần liệu nhập vào khơng giao Trong trường hợp phức tạp hơn, nhập thêm tọa độ điểm cột X, Y để tạo thành liệu giao hình sau: Khi thuật tốn trở nên ổn định hơn, tốc độ hội tụ chậm Với liệu khơng giao kết phân cụm tương đối ổn định Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 51 sử dụng biến đếm Stringcount >=10, với liệu giao stringcount phải >50 cho kết phân cụm ổn định CLUSTER Hình 3.8 Kết phân cụm liệu giao với stringcount = Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 52 CLUSTER Hình 3.9 Kết phân cụm liệu giao với string count = 30 CLUSTER Hình 3.10 Kết phân cụm liệu giao với string count = 50 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 53 TỔNG KẾT CHƢƠNG Phân cụm liệu nội dung quan trọng khai phá liệu Có nhiều phương pháp để phân cụm, phương pháp thường kết thúc tối ưu cục bộ; giải thuật di truyền giải thuật tìm kiếm tối ưu, sử dụng chúng thu kết tối ưu tồn cục Đặc biệt liệu đầu vào lớn, việc kết hợp giải thuật di truyền mạng nơ ron phương pháp mang lại hiệu cao Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 54 KẾT LUẬN Luận văn tập trung nghiên cứu kỹ thuật sử dụng mạng nơron giải thuật di truyền phân cụm liệu Kết hợp tính chất tìm kiếm tồn cục giải thuật di truyền, luận văn nghiên cứu giải pháp xây dựng giải thuật di truyền mạng nơ ron áp dụng vào toán phân cụm liệu Một số kết đạt luận văn: - Tổng hợp vấn đề nghiên cứu phân cụm liệu, thuật tốn thường dùng để phân cụm - Tìm hiểu kỹ thuật sử dụng mạng nơ ron, giải thuật di truyền phân cụm liệu vấn đề liên quan Nghiên cứu cách sử dụng giải thuật di truyền vào toán phân cụm - Cài đặt thuật toán VB net Một số hướng phát triển: - Kết hợp mạng nơ ron vào giải thuật di truyền để nâng cao chất lượng cho liệu đầu vào - Thử nghiệm kết hợp liệu đầu vào lớn phức tạp Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 55 TÀI LIỆU THAM KHẢO I TÀI LIỆU TIẾNG VIỆT [1] Bùi Công Cường, Hệ mờ, mạng nơ ron ứng dụng, NXB KHKT, 2001 [2] Nguyễn Đình Thúc, Lập trình tiến hóa, NXB GD [3] Nguyễn Đình Thúc, Mạng Nơ ron phương pháp ứng dụng, Nhà XB Giáo dục, 2000 [4] PGS.TS Đỗ Phúc (2006), Giáo trình Khai thác Dữ liệu, Trường Đại học Công nghệ thông tin TP Hồ Chí Minh, Đại học Quốc gia TP Hồ Chí Minh [5] Nguyễn Nhật Quang (2011), Khai Phá Dữ Liệu, Trường Đại học Bách khoa Hà Nội [6] Nguyễn Phương Hà, Lý thuyết điều khiển đại, NXB ĐHQG TP Hồ Chí Minh, 2007 II TÀI LIỆU TIẾNG ANH [7] David A.Coley: An Instroduction to Genetic Algorithm [8] D Whitley, T.Starkweather et C Bogart (1990), Genetic algorithms and neural networks: Optimizing connections and connectivity, in: Parallel Computing 14, 347-361, North-Holland [9] Goldberg D E., (1989), Genetic algorithm in search, optimization and machine learning, Addison-Wesley, Reading, Massachusets [10] Patterson D (1996), Artifical Neural Networks, Theory and Application, Prentice Hall [11] Qin Ding and Jim Gasvoda (2005), A Genetic Algorithm for Clustering image data Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 56 [12] Luiz Antonio Nogueira Lorena Luiz Antonio Nogueira Lorena, Using Genetic Algorithms in Clustering Problems [13] Jay N Bhuyan, Vijay V Raghavan, Venkatesh K Elayavalli Genetic Algorithm for Clustering with an Ordered Representation [14] Miki AOYAGI and Kumiko Tsuji (2004), A modified genetic algorithm for image segmentation based on feature clustering [13] Dr (Mrs.) R.Sukanesh, R Harikumar Member, IAENG (2007), A Comparison of Genetic Algorithm & Neural Network (MLP) In Patient Specific Classification of Epilepsy Risk Levels from EEGSignals [14] S Rajasekaran, G A Vijayalakshmi Pai (2004), Neural Networks, Fuzzy Logic and Genetic Algorithms [15] Schaffer, J.D Whitley, D Eshelman, L.J.Philips Labs., Briarcliff Manor, NY (2002), Combinations of genetic algorithms and neural networks [16] Richard S Segall , Qingyu Zhang (2006), Applications of Neural Network and Genetic Algorithm Data Mining Techniques in Bioinformatics Knowledge Discovery - A Preliminary Study [17] Zhan-hong Xin, Hai-jun Zhang (2002), Neural Network and Genetic Algorithms for Topology Optimization of the CCS7 Network [18] Shoa-Yei Yeong, Al-Salihy (2009), Combination of neural network based clustering and genetic algorithm for multi-objective 802.11n planning Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn