Luận văn thạc sĩ Quản lý xây dựng: 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

nam 2019 NHIEM VU LUẬN VAN THAC SĨ Ho và tên học viên: TRAN VAN PHÚC Giới tính: Nam Ngày tháng năm sinh: 28 - 02 - 1991 Nơi sinh: Bình Định Chuyên ngành: QUAN LÝ XÂY DUNG MSHV: 16701491-

TRƯỜNG ĐẠI HỌC BÁCH KHOA

TRAN VĂN PHÚC

XÂY DUNG CONG CỤ ĐÁNH GIÁ NĂNG LỰC NHÀ THAU DUA

Chuyên ngành: Quản lý Xây dựng

Mã số ngành: 60.58.03.02

LUẬN VĂN THẠC SĨ

TP Hồ Chí Minh, Năm 2019

TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOAĐẠI HỌC QUOC GIA THÀNH PHO HO CHÍ MINH.Cán bộ Hướng dẫn khoa hoc: TS CHU VIET CƯỜNG - -

Cán bộ cham phản biện 1: TS PHAM VŨ HỎNG SƠN

Cán bộ cham phản biện 2: TS NGUYEN TUẦN

KIẸT -Luận Văn Thạc sĩ được bảo vệ tại Hội đông cham bảo vệ KIẸT -Luận văn Thạc sĩ

Trường Đại học Bách Khoa Thành Phó Hồ Chí Minh ngày 06 tháng 7 năm 2019

Thành phan Hội đồng đánh gia luận văn Thạc sĩ gồm:1 TS DO TIEN SY

2 TS PHAM VU HONG SƠN3 TS NGUYEN TUAN KIET4 TS TRAN ĐỨC HOC5 TS NGUYEN ANH THUXác nhận của Chu tịch Hội đồng đánh giá Luận văn và Trưởng khoaquản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

TP.HCM, ngày thang nam 2019

CHU TICH HOI DONG KHOA KY THUAT XAY DUNG

TS DO TIEN SY

TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc

ẮúúẮẮẮẦẮ)

-oÒO -TP HCM, ngày thdng nam 2019

NHIEM VU LUẬN VAN THAC SĨ

Ho và tên học viên: TRAN VAN PHÚC Giới tính: Nam

Ngày tháng năm sinh: 28 - 02 - 1991 Nơi sinh: Bình Định

Chuyên ngành: QUAN LÝ XÂY DUNG MSHV: 16701491- TEN DE TAI:

XÂY DUNG CONG CU DANH GIA NANG LUC NHÀ THAU DỰA VÀOTHUAT TOÁN SVM KET HỢP GA VÀ PHƯƠNG PHAP AHPTRONG MOI TRUONG MATLAB

2- NHIEM VU LUAN VAN:Y Xác định các tiêu chi thé hiện năng lực nhà thầu xây lắp bằng khảo sát ý kiến

Y 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: 02/06/20195- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS CHU VIỆT CƯỜNG

TPHCM, ngày thang năm 2019

CÁN BỘHƯỚNG DÂN CHỦ NHIỆM BM ĐÀO TẠO KHOA KỸ THUẬT XÂY DUNG

TS CHU VIỆT CƯỜNG TS ĐỒ TIEN SY

Em xin bày to lòng biết ơn sâu sắc đến Thay TS.Chu Việt Cường vẻ sự tintưởng, quan tâm và tận tình chỉ dẫn, động viên của Thay trong suốt thời gian thực

hiện luận văn.

Xin gửi lời cảm ơn chân thành đến quý Thay, Cô trong Bộ môn Thi công vàQuản lý Xây Dựng, Trường Đại học Bách Khoa Thành phố Hồ Chí Minh về kiến thứcmà các thầy cô đã truyền đạt

Xin cảm ơn gia đình đã động viên học tập và các Anh, Chị, Em đồng nghiệptại công ty CPXD &KD Địa Ốc Tân Kỷ đã hỗ trợ tôi trong quá trình thực hiện Luận

văn.

Tp Hô Chí Minh, ngày 02 thang 06 năm 2019

Người thực hiện luận văn

Trần Văn Phúc

TÓM TẮT LUẬN VĂN.Dé tìm ra một nhà thâu đủ năng lực để thi công là một trong các yếu t6 quyếtđịnh đến sự thành bại của dự án xây dựng Vậy, làm cách nào để tìm ra nhà thầu nàymột cách nhanh chóng, tốn ít chỉ phí, ít rủi ro và cho độ chính xác cao, đang là mộtthách thức lớn trong lĩnh vực xây dựng Nhằm mục đích giải quyết vẫn đề này, tác giảđã phát triển công cụ đánh giá năng lực nhà thầu bằng phương pháp Trí tuệ nhân tạo.

Trí tuệ nhân tạo (Artificial Intelligence - AI) dang là một trong những công nghệ

được quan tâm nhất ở thời điểm hiện tại và là một trong những đại diện tiêu biéu củalàn sóng công nghiệp lần thứ tư

Trong luận văn nảy, tác giả ứng dụng thuật toán SVM kết hợp GA, sử dụng kếtquả thực tế và phương pháp AHP để xây dựng tập huấn luyện Công cụ được viết trênnên Matlab trực quan va dé sử dụng

Phương pháp SVM là một trong những phương pháp phân loại phi tuyến mạnhnhất hiện nay Trong đó, có 2 tham số người dùng phải tự định nghĩa, nó quyết địnhhiệu suất làm việc của SVM Tác giả đã kết hợp phương pháp Di truyền (GA) để tốiưu 2 tham số này nhằm tăng hiệu suất của công cụ

Công cụ nảy không chỉ giúp Nhà đầu tư đánh giá nhanh chóng năng lực nhàthầu ma còn 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 phápAHP, Phan mềm Malab

ABSTRACTSeeking a qualified contractor for construction is one of the decisive factors forthe 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 theconstruction sector In this regard, the author has developed a tool to assess contractorcapabilities with Artificial Intelligence.

Artificial Intelligence (abbreviated AI) is one of the most exciting technologiesnowadays 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 TheMatlab 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 tothe performance of SVM.The SVM algorithm has been combined with GA to optimizethese 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 alsopossesses the potential to classify other fields with the corresponding training

Keywords: SVM Method, Genetic Methods (GA), AHP Method, MatlabSoftware.

LỜI CAM ĐOAN CỦA TÁC GIÁ LUẬN VĂNTôi, Trần Văn Phúc, xin cam đoan rằng trong quá trình thực hiện Luận vănđề tài “ Xây dựng công cu đánh giá năng lực nhà thầu dựa vào thuật toán SVMkết hợp Ga và phương pháp AHP trong môi trường Matlab” các kết quả nghiêncứu được thực hiện hoàn toàn trung thực và chưa được công bố ở bất kỳ nghiên cứu

nào Tôi xin chịu hoàn toàn trách nhiệm vê nghiên cứu của mình /.

Tp Hô Chi Minh, ngày 02 thang 06 năm 2019

Người thực hiện luận văn

Trần Văn Phúc

MỤC: LUC

TOM TAT LUẬN VĂN - kh 111112111 1111212111 1111111111 1n kg 0CHUONG 1: DAT VAN ĐỀ ch S111 ST 11T ng ng reg 81.1 Xác định van đề nghiên CỨU - ¿225256 2E+ESE‡E#EEEE£ESEEErErrrkrerrerered 8

1.2 Các mục tiêu nghiÊn CỨU: - - <5 5G 0000011999900 0n ng 91.3 Phạm vi nghiÊn CỨU: - (<< <1 1199101111990 00 ke 9

LA Kết luận chương: + ¿+ S2 E319 E1 121115131111 11 7111111111151 11x 9CHƯƠNG 2: TONG QUAN 2+ Hư II

2.1 Đóng góp của nghiÊn CỨU: Ăn ng vớ II2.1.1 Học thuật : - - << 3320200103301 11110330 1111 11 1v 1v cv nà 11

2.1.2 Thực tiỄN : -G- G1 1v 11 1v vn TH TH ng HH nung ri 11

2.2 Cac nghiên cứu trong nước liên QUAN: «5555353 Eessessd II2.3 Các nghiên cứu nước ngoài lIÊn QUaI 5 << 5151113311111 ssessd 1624 So sánh PP SVM và PP mang Neuron : 55-5552 17

2.5 Tối ưu hệ số phạt C, hệ số y trong SVM 2 veeeeeseccccscsesesesesssssseesesssssseseseees 182.6 Ưu điểm của thuật toán Di truyền trong việc tối ưu hai hệ số C, y 182.7 Tổng hợp đánh giá các tiêu chí lựa chọn theo công thức -. - 182.8 CƠ sở lý thUYẾ : - 5C CS S3 3 x21 1 121111112111 11 111111111 19

* Thuật toán SVM (Support Vector Machine) << eeeeeee 19

2.9.1 Ý tưởng của phương pháp: - + ¿5 + 2S SE+E+ESEEEEEEEeEeErkrkrkrerree 19

2.9.2 Khái niệm trình phân loại SVM - HH 192.9.3 Khái niệm hàm hạt nhân: - - -< << 3S 3311333111155 51115555 20

2.9.4 Phân lớp tuyến tính: ¿- - + E92 E+E+EEEE2E9E2E23E1 212111211 xe cree 202.9.5 Phân lớp phi tuyến tính: ¿6+ 252 2E+E E2E#EEEEESEEEEEerrkrkrrerrred 220 08001, 277 -“ 1 242.9.6 Các tính chất của Di truyÊn - ¿5-6-5252 322x233 E2EEEEEEEErkrrererrred 242.9.7 Cơ chế của Di tTuUyÊn - ¿5c 55c 213 1239111121511 21 211111111111 25

2.9.8 Hàm mục tiêu (fitness ÍUnCfIOT)) - - < << 110 ng ngư 25

2.9.9 Chon lọc cá thé (selection) c.cccccssscsscesesessssscecesessevscscecessevavscececeevaceceees 262.9.10 Quy tac bánh xe Roulete (Roulete wheel selection) 5s s s¿ 262.9.11 Chon loc xép hang (Rank Selection) - << << s s1 34 27

2.9.12 Chon lọc cắt (Truncation sel€€tiOn) ¿-s +5 xxx SE EeEseseseseree 28

2.9.13 Lai ghép (CTOSSOVT), - cọ 28

2.9.14 Lai ghép một điểm (one point CrOSSOVET) ccesesssesessssesseseseseesesesesseseeeees 292.9.15 Đột biến (Mutation) cccccecescssscscecesesesvscscesesssvsvscsceesevevecsceceesevevsceceees 292.9.16 Đột biến một GEM occ cssesecececeseevscsccesssvsvscececcsvevscsceeesevecsceseees 29

*Phương pháp AHP? cọ re 302.9 Các phương pháp đánh giá mô hình máy học << << «<< <s++ssss 33

2.10.1 Đánh giá bang phương pháp A€CuraCy - ¿5-5 5252 Ss+xcesesrrsrercee 332.10 KẾt luận G111 SE 111191111 0111911111 11111111 TT ng gu rkg 33CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU ccc+cccsccceei 34

3.1 Quy trình nghiên cứu CHUNG? - - - << s s00 1 ng 34

3.2 Quy trình nghiên cứu Chi tiẾt: - ¿25252522 £e‡EvEEErrerererrrrees 353.2.1 Xin ý kiến chuyên gia về tiêu chí để đánh giá gói thầu đã thi công: 373.2.2 Xây dựng phương pháp AHP dé xử lý số liệu -. - 2-5-5555: 403.3 KKẾt luận LH S11 HT 11111 1T H111 TT HH1 rep AlCHUONG 4: THU THẬP VA PHAN TÍCH SO LIỆU -2 52 55s 5s¿ 42

4.1 Lựa chọn, đánh giá các tiêu ChÍ: -ccS 1111133991 1999 1 1111111 ng re 42

4.2 Kiểm tra theo phương pháp trung bình . - 2 25<+c+cz£s+s+szezcee: 434.3 Kiểm tra độ tin cậy của thang đo băng hệ số Cronbach’s Alpha 44.4 Xây dựng bảng ma trận so sánh cặp dé tong hợp ý kiến các chyên gia 474.5 Sử dung phan mềm Expert choice dé tính trọng số các tiêu chi và chỉ số độ

0Ì;)8300780) c2 494.6 Thu thập, xử lý dữ lIỆU: - - << Ă G1100 0n re 50

4.7 Tính điểm va phân loại dữ liệu, gan nhãn dữ liệu - - 2 2 5c: 524.8 Xây dựng tiêu chí cho tập huấn luyện - - 2 5+2 s+x+zezecxsrered 52AO Kết luận chương ¿- - - s11 5 3151111 1 1111111111515 11 1111k 54CHƯƠNG 5: XÂY DUNG MO HINH SVM KET HỢP GA TREN MOI

TRUONG MATLAB .eceessessssesssesseessesssessceneesusessecusesncesscsusenseenesusenneeneenetenneenees 555.1 Mô hình SVM kết hop GA? ccccccscscceescscssesesessscssssesesssssssesesssssessseseess 555.2 Mô hình SVM đã được huấn luyện với C*,y* đã tối ưu - 57

5.3 Xây dựng mô hình trên Matlab «Ăn 1 vn 57

SA Kết luận chương - << Sex 311515151513 1 1111111111111 1e 60CHƯƠNG 6: DANH GIA, DE XUẤT PHAT TRIÉN 55s csxse£ss2 61

6.1 Đánh gia mô hình theo phương pháp ACCUTaACV: 5S SSSSSSsss+eess 61

6.2 KẾT luận G11 TT 10111111 0111111111 1111110 TT HT ng 646.3 Hạn chế của nghiên COU: ¿- - ¿56 E+S£SE+E+E£EE£E#EEEEEEEEEErEerrrrkrrerered 656.4 Hướng nghiên cứu tiẾp theO - ¿5-6-5252 SE‡E#EEE£EEEEEerrkrrrrerrred 65CHƯƠNG7: TÀI LIỆU THAM KHẢO

PHỤ LỤC 64

MỤC LỤC HÌNH ẢNHHình 1 Ví dụ về biểu diễn tập dữ liệu phân tách tuyến tính 22Hình 2 Biéu diễn tập dữ liệu phân tách phi tuyến tính trên khơng gian 2 chiều 24

Hình 3 Các phép mã hĩĨaa - - - << 1 1119991101011 0 ng 25

Hình 4 Chọn lọc theo quy tắc bánh xe Roulete - - 25+ 5s+s+5ze: 26Hình 5 Phân bố của các NST trước khi xếp hạng -52555c+5<55¿ 28Hình 6 Phân bố của các NST sau khi xếp hang 2-5-5 2 5s+c+ce sec: 28Hình 7 Cơ chế lai ghép một điỂm ¿2-2 2 ©2+E+S2££+E+E£E£E+Eerrrererered 29Hình 8 Sơ đồ giải thuật Di truyễn ¿552522222 ‡EvEEEEeErrkrrrrerrred 30

Hình 9 Chia dữ liệu thành Data training: Data 'Ï'eSỂ 55-255 <<<+sss 33

Hình 11 Nhập dữ liệu các tiêu chí vào phần mém SPSS - 5+: 45

Hình 12 Chọn thang đo SCaÏ€ G9 nen 45Hình 13 Nhập dữ liệu training từ file Excel vào Matlab R2018b 58

Hình 14 Load Thư viện Libsvmwrite vào phan mềm Matlab - 58

Hình 15 Xây dựng thuật tốn Svm trên Matlab «55 - s<< 1 esssssss 59

Hình 16 Xây dựng thuật tốn GA trên phần mềm Miatlab -5-5- 59Hình 17 Xây dựng mơ hình huấn luyện SVM kết hợp GA trên Matlab 60Hình 18 Mơ hình SVM với dau ra y=l, -l 2 scc+cecs+esrerseree 60Hình 19 Kết quả C*,y* trả về trong mơ hình Matlab - 5-5 555¿ 62Hình 20 Nhập C*,y* lưu lại thành file model.mat dé load vào mơ hình Svm 63Hình 21 Kết quả kiểm thử với nhà thâu trong dữ liệu Data Test 63

MỤC LUC BANG BIEU

Bang 1 Thang đo đánh giá 9 mức dO - <1 11119 11 và 32Bang 2 Sơ bộ các tiêu chí khảo sát chuyên ø1a -Ặ- n nssS ssee 37

Bang 3 Tiêu chí sau khi thống nhất với ý kiến các chuyên gia 38Bảng 4 Kết quả kiểm định Cronbach’s Alpha - 2552 22s+s+cs>szsze: 45

Bang 5 Mức độ quan trọng khi so sánh cặp của các tiêu chí - 47

Bảng 6 Ma trận tong hợp ý kiến của các chuyên gia - 25555+c+5s 552 46Bang 7 Ma trận so sánh cặp giữa các tiêu chí- đánh giá năng lực nhà thầu trênphan mềm Expert ChOiCe ¿+ ¿6E SE+E#EEE£E#EEEE£E9EE 1232121121211 49Bang 8 Giá trị chỉ số nhất quán các tiêu chí +5 + 2 s+s+s++s+x+zszszxee: 49Bang 9 Cho điểm của các tiêu chi theo thang điểm 1-10 . -5- 50Bang 10 Xây dựng tiêu chí cho tập huấn luyện 2-5-5 25s+s5s+s+sze: 52Bang 11 Tập kiểm thử với Data Test của 15 nhà thầu -. + - +5¿ 61

CHUONG 1: DAT VAN DE1.1 Xác định van đề nghiên cứu

Cùng với sự phát triển của các công ty xây dựng tầm cỡ, nhu cầu tìm kiếm nhàthầu có đủ năng lực dé có thé hợp tác là một yếu tô quyết định đến sự thành công củadự án Từ đó, đòi 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 thâu 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 đượctính chất phi tuyến, đưa ra quyết định nhanh, giảm chi phí phân tích và tránh nhiều

rui 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 phươngpháp 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 phituyến 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 thông sốnày thì hiệu quả sẽ tốt hơn

Đồng thời, phương pháp AHP được kết hợp với kết quả thực tế của dữ liệu thuthập được từ các gói thầu đã thi công để chấm điểm, phân loại và gán nhãn (đạt vàkhông đạt) nhằm phục vụ tập huấn luyện cho thuật toán SVM

Mô hình được đánh giá hiệu quả mô hình bằng phương pháp Accuracy MATLAB là phần mềm được dùng dé tính toán toán học và được sử dung phốbiến dé lập trình trong lĩnh vực nghiên cứu Phan mém MATLAB rat thích hợp cho

các bài toán 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,

SVM, logic mờ, tài chính, các thuật toán tôi 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 thé hiện năng lực của nhà thâu băng ý kién của các chuyêngia trong lĩnh vực xây dựng Xây dựng tập huan luyện, dùng phương pháp AHP đểtính toán trọng số các tiêu chí, kết hợp với kết quả thực tế các gói thâu đã thi công đểcho điểm, phân loại gán nhãn thành các gói: đạt, không đạt

Xây dựng công 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 thé tự động dự đoán nănglực các nhà thầu từ các dữ liệu đầu vào đã cung cấp, giảm chi phí phân tích và tránh

Quan diém phân tích: Phan tích va thảo luận theo góc độ của người quyết định

đầu tư, người sử dung nhà thầu.Đối tượng dé phỏng vấn: là các chuyên gia chủ đầu tư, ban quản lý dự án, cácChi Huy Trưởng, trưởng bộ phận giám sát, dau thầu, quản lý hồ sơ thầu thi công tạikhu 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 vàlý thuyết , sự ứng dụng, kết hợp các thuật toán SVM+ GA+ AHP băng phần mềmMatlab Mục tiêu tạo ra công cụ đánh giá chính xác được năng lực nhà thầu một

cách tự động và chính xác Khu vực nghiên cứu: các công trình nhà cao tâng thuộc

gói xây lắp tại Thành phố Hồ Chí Minh từ năm 2008 đến nay

CHUONG 2: TONG QUAN

2.1 Đóng góp của nghiên cứu:

2.1.1 Học thuật :- Ứng dung được mô hình trí tuệ nhân tạo (máy hoc SVM) trong đánh giá năng lựcnhà thầu vào điều kiện thực tiễn Việt Nam

- Kết hợp với các phương pháp khác dé tối ưu hiệu suất làm việc máy hoc SVMtrên phần mềm Matlab

- Có thé mở rộng ứng dung công cụ dé đánh giá các lĩnh vực khác trong xây dựngnhư dự đoán địa tầng, chất lượng vật liệu, năng lực tô chức tư vẫn giám sát, nănglực chủ đầu tư, tại Việt Nam

2.1.2 Thực tiễn :

- Xây dựng được các tiêu chí với tam quan trọng của nó đê thê hiện năng lực cua

nhà thầu.- Giúp người quyết định đầu tu, chủ đầu tư nhanh chóng tìm ra được nhà thầu có

năng lực, phù hợp với dự án của mình theo mức điêm sàn mà chủ đâu tư cân.

2.2 Các nghiên cứu trong nước liên quan:STT | Nghiên cứu liên quan Nội dung, các van đề đã và chưa

được đề cập tới.| “Kỹ thuật Support vector Nghiên cứu trình bày cơ sở lý thuyết

machine và ứng dụng” - luán của phương pháp SVM [1].

văn đại học Bách Khoa Hà Nội Các dạng bài toán của SVM.cua Thái Sơn năm 2006) [I] So sánh SVM so với phương pháp

mạng Neural nhân tạo.

STT | Nghiên cứu liên quan Nội dung, các van đề đã và chưa

được đề cập tới.2 _ | “Nghiên cứu và dé xuat giải pháp | Nghiên cứu đã trình bày cơ sở lý thuyết

định lượng các tiêu chuẩn đánhgiá hồ sơ dự thầu băng phươngpháp AHP nhăm cải tiễn công tácdau thầu” (đại học Bách KhoaTP Ho Chí Minh, Thái Binh An

năm 2010) [3|.

của phương pháp AHP.

Xác định các tiêu chí thể hiện sự thànhcông gói thầu xây lắp

Áp dụng mô hình AHP tìm ra nhà thầu

có năng lực dựa trên các tiêu chí.

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

còn mang tính thủ công.Các tiêu chí đánh giá đưa ra dựa trên ý

kiến các chuyên gia nên còn mang tính

chính, tiêu chí nhân lực, trong khi cáctiêu chí này vô cùng quan trọng.Một tiêu chí v6 cùng quan trọng nhưng

vẫn không được đánh giá cao trong luận

văn là tiêu chí an toàn khi thi công.

pháp thành phân chủ yếu (PCA)để chọn thầu xây lắp”.

(đại học Bách Khoa TP Hồ Chí

Minh - Vii Hoan Phi Long, 2008

) [2].STT | Nghiên cứu liên quan Nội dung, các van 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 cấphóa thời gian và chi phí dự án” | một cái nhìn tổng thé về phương pháp

(đại học Bách Khoa TP Hồ Chí | GA Trình bày ưu điểm của phươngMinh - Huỳnh Anh Tuần, 2007) — | pháp này so với các phương pháp tối ưu

Luận văn thực hiện đánh giá gói thầu

còn mang tính thủ cong va chủ quan.

Luận văn chưa đề cập đến nhược điểm,

tính hiệu quả của phương pháp PCA

7 Tiêu chí về giá

STTNghiên cứu liên quanNội dung, các van đề đã và chưa

được đề cập tới

Tiêu chí tiêu chí an toàn khi thi công vô

cùng quan trọng nhưng vẫn không được

đánh giá cao trong luận văn.“Nghiên cứu thuật toán học máy

áp dụng cho hệ thống giám sát và

nhận dạng hành vi trên bò”(dai học công nghệ Hà Nội,

Nguyễn Đình Chỉnh -2017) [5]

Nghiên cứu đã sử dụng phương pháp

SVM để nhận ra hành vi của đàn bò

Sử dụng phương pháp đường cong

ROC để đánh giá hiệu quả của thuật

toán.

Cung cấp một cái nhìn tổng quan và

ứng dụng đa dạng của phương phápSVM

Luận văn chưa thé hiện được phươngpháp tăng hiệu suất của SVM

“Sử dụng phương pháp kết hợp

AHP, VIKOR và TOPSIS trong

công tác chọn thâu xây dựng”(dai hoc Bách Khoa TP Hồ Chi

Minh -Lê Thi Thanh Trâm, 2013)[6].

Nghiên cứu cung cap kiên thức tong

quan của các phương pháp AHP,VIKOR và TOPSIS.

Nghiên cứu có phân tích ưu, nhược

điểm của phương pháp AHP.Tác giả đã dé cập đến 6 nhóm tiêu chí

5 Tiến độ thi công

nhà cao tang tại Việt Nam bang

mồ hình Best Value”.

(đại học Bách Khoa TP Hồ ChíMinh - Nguyễn Hoàng Dũng,

2077 ){[9|.

STT | Nghiên cứu liên quan Nội dung, các van đề đã và chưa

được đề cập tới.6 Giá thâu

Luận văn chưa đánh giá cao tiêu chían toàn khi thi công.

7 “Nghiên cứu và ứng dung logic Nghiên cứu đã xây dựng công cụ đề hỗ

mờ trong công tác chọn thầu xây _ | trợ công tác chọn thâu xây dựng Ápdựng” dụng lý thuyết fuzzy logic trong giai(đại học Bách Khoa TP Hồ Chí | đoạn đánh giá hồ sơ dự thầu mà khôngMinh - Nguyễn Thái Quai, 2007 ) | cần thiết phải có mặt các chuyên gia

[7Ì Tuy nhiên dữ liệu đầu vào chỉ dừng lại

ở mức 5 đữ liệu.

S “Ứng dụng mô hình AHP dé 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 dung: | Việt Nam

lựa chọn nhà thầu thì công cọc Đồng thời phân tích các nhân tố thểkhoan nhồi” hiện năng lực của các nhà thầu phụ thi(đạt học Bách Khoa TP Hồ Chí công cọc khoan nhỏi Đề xuất mô hìnhMinh năm - Nguyễn Trung Hung, | tìm kiếm nhà thầu phụ phù hợp

2008) [8].

9 “Tua chon nha thau trong du an Luận văn đã xác định được các tiêu chi

lựa chọn nhà thâu của dự án nhà caotầng tại Việt Nam

Cách lấy trọng số của phương phápAHP để đánh giá mức độ ảnh hưởng

cho từng tiêu chí trong việc phản ánh

thái độ của nhà thầu thi công

Luận văn đã đưa ra 7 nhóm tiêu chí lớnlà:

1 Tiêu chí về kinh nghiệm nhà thâu

STT | Nghiên cứu liên quan Nội dung, các van đề đã và chưa

được đề cập tới.2 Tiêu chí về tình hình tài chính củanhà thâu

10 “Nghiên cứu những nhân tô gây | Nghiên cứu đã trình bay co sở lý thuyết

xung đột chi phí các dự án phục của phương pháp AHP.

vụ ngành cảng hàng không Việt Phân tích nhân t6 gây ra xung đột chi

Nam và mô hình AHP đánh giá phí riêng lĩnh vực Cảng hàng khôngxung đột chi phí”( đại học Bách Việt Nam.

Khoa TP Hồ Chí Minh - Trương

Vinh Trung, 2019 ) [10].

2.3 Cac nghiên cứu nước ngoài liên quan.

STTNghiên cứu nước ngoài liên quan

Nội dung, các van đề chưa đượcđề cập tới.

“Credit scoring with a data miningapproach based on support vectormachines”

(a National Kaohsiung FirstUniversity of Science andTechnology, Taiwan - Cheng-LungHuang, etc 2006) [12]

Nghiên cứu đã dua ra các thử

nghiệm để chứng minh tính chính

xác của trình phân loại SVM.

Khả năng ứng dụng SVM để dự

đoán trong tín dụng

Nội dung, các van đề chưa đượcSTT | Nghiên cứu nước ngoài liên quan `

đề cập tới.“An Application of Support Vector

Machine for Evaluating CreditRisk of Bank”

Nghiên trình bay ứng dung(Proceedings of the 7th International

2 phương pháp SVM vào việc đánhConference on Innovation &

Management - Changshu Institute ofTechnology, Changshu, P.R.China,215500 -Liu Hong, etc 2010) [13].

gia rui ro trong tin dung

“Genetic Algorithms for SupportVector Machine Model Selection”( International Joint Conference onNeural Networks, Canada, 2006 -Stefan Lessmann, etc ) [14]

Bai báo trình bay ưu điểm của sukết hợp thuật toán Di Truyền với

Chịu đựng nhiễu tốt.Kết hợp với dữ liệu có ý nghĩavề mặt vật ly, dé dàng giải thích

tường minh [1]

Cần tập huấn luyện nhỏ nhưngtheo nhiều nghiên cứu thì chokết qua cao bang mạng Noron

Phải xác định mô hình toán học

của đối tượng- khó khăn đối vớihệ thống lớn, phức tạp [1]

Khó giải thích tường minh.

Mạng nhiều lớp (MultilayerNetword) khó huấn luyện vì cónhiều cực tiểu địa phương và có

sô chiêu lớn, trọng sô lớn.

2.5 Tối ưu hệ số phạt C, hệ số y trong SVM := Điểm chú ý của Support vetor machine (SVM) là can tim hàm hạt nhân phù hợp

Phương pháp GA giải quyết bài toán phi tuyến tính mà không cần các kiến thức

chuyên môn về các thuộc tính mô hình.

Hai tham số C và y là hai số thực, sử dụng trực tiếp để làm hai nhiễm sắc thé màkhông can 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 so y.

2.7 Tong hợp đánh giá các tiêu chí lựa chon theo công thức [10]

» QiPi (2.1)

i=1= Trong đó: Qi là trọng số đánh giá của tiêu chi i; Pi là điểm số đánh giá của

tiêu chí ¡ 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 gan

nhãn xếp loại nhà thầu thành không đạt, đạt tương ứng với số điểm (0-5,5:

3,3-10).

2.8 Cơ sở lý thuyết :* Thuật toán SVM (Support Vector Machine)(Nguôn: Thái sơn, “Kỹ thuật Support Vector Machines và ứng dụng”, Đại học

Bách Khoa Hà Nội, 2006) [T].

2.0.1 Y tưởng của phương pháp:Cho một tập huấn luyện biếu diễn trong không gian vector Trong đó mỗi tàiliệu là một điểm, phương pháp này tìm ra một siêu phăng f tốt nhất có thể chia cácđiểm không gian này thành 2 lớp riêng biệt tương ứng là lớp + và lớp -

Chất lượng của 2 siêu phăng này được quyết định bởi khoảng cách (gọi là biên)

của điểm dữ liệu gần nhất của mỗi lớp đến mặt phắng này Khoảng cách biên cànglớn thì mặt phang 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), nóchuyền đổi dữ liệu được phân chia x sang một không gian mới mà tại đó các mẫu dữliệu này có thể phân chia một cách tuyến tính Không gian này gọi là không gian đặctrưng Bằng việc sử dụng một hàm vector phi tuyến ® (x) = (đ®) (x) , ®a(x)) đãchuyển vector đầu vào n chiều x sang một không gian đặc trưng / chiều, hàm tuyếntính ở cả 2 miễn sẽ là:

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(x;,X )= <® (x¡).® (x)> (2.3.1)

Việc học trong không gian đặc trưng không yêu cầu phải xác định hàm ® vì tất cảcác mẫu gốc đã được don ánh với ma tran Gram G = {(x¡ *x;)}M;.~¡ Sử dụng hàm Kernelhàm quyết định trở thành:

fx) = sign » oy; K (x, x) (2.3.2)

i,j esuport vector

Có một số ham Kernel có sẵn mà ta lực chon dé ta ứng dung vào phương pháp

SVM cho phù hợp.Trong luận van này, hàm hạt nhân dựa trên khoảng cách (RBF:Radial basis function) được lựa chọn.

K(x, z) = exp(-y| x-z|?), với y do người dùng định nghĩa

2.9.4 Phân lớp tuyến tinh:Phần tử của không gian đầu vào X sẽ được rơi vào một trong 2 phần phân tách bởisiêu phăng f(x) được xác định bởi biéu thức:

<w.x>+b=0 (244)

Trong đó:

- w: là vector pháp tuyến của siêu phăng.- b: giá trị ngưỡng (bằng khoảng cách từ gốc tọa độ tới siêu phăng f(x))Một khái niệm quan trọng can thiết để xác định một phân lớp tuyến tinh là tích vô

hướng giữa hai vectơ <w.x> còn được gọi là tích trong.

<W.X>= )¡j;WwiLxi (2.5)

Khoảng cách từ một điểm (vector) có toạ độ xo tới siêu mặt phăng (hyperplane) có

phương trình w†x+b=0 được xác định bởi:

Nếu ta bỏ dấu ở tử thì chúng ta biết được điểm đó năm ở phía nào của mặt phăngđang xét wil, = yw (2.7)

d là số chiều trong không gian

* Biên cứng [1].

Cho yi là nhãn của điểm dữ liệuđó d là số chiều của dữ liệu và n là số điểm dữ liệu Giả sử rằng nhãn của mỗi điểm

dữ liệu được xác định bởi yi=1 (class 1) thuộc lớp I hoặc yi=—1 (class 2) thuộc lớp II.

Ta có khoảng cách từ một điểm tới điểm phân chia là :

v„ạ.(WÏx„+b)

Ilw|l; (2.8)

yn luôn cùng dau với phía w'x, +b (vi cùng dau với xn) nên tử số trên không âm

Ta có tính chất quan trọng là w và b có tỷ lệ tùy ý, tức khoảng cách từ từng điểm đếnmặt phân chia không đổi, hay biên lớn nhất không đỗi

Dựa trên tính chất này, ta có thể giả sử:

yoni wi xntb)=1 = (2.9)

1hay bién (y): y= (2.10)

IIWll;

Vậy bài toán phân lớp tuyến tính là tìm (w, b) để cực đại biểu thức:

Với ràng buộc yn.(wÏxn+b)>1,Vn=1,2, ,N

Separating hyperplane ⁄ ~ Class 2 (negative)

w.x+b=0 P O wereHình 1 Vi du về biéu diễn tập dữ liệu phân tách tuyến tinh

2.9.5 Phân lớp phi tuyến tính:Khi tập dữ liệu không phân tách tuyến tính trong không gian đặc trưng, bàitoán tối ưu không giải quyết được Ta phải đưa ra các biến mềm (slack variable), Šicho bài toán tối ưu [1]

* Biến mềm (slack variable)

L(œ) = Diet đi — 5 int ajar 0(Ÿ⁄ị %Yj.< Xị,Xj > (2.12)

Với 0 <œ<C,I=l,2, ,/.và Dio Gi = 0Hệ số phat C được xác định bởi người dùng Thông qua hàm ® ánh xạ không giantuyến tính từ mẫu ban đầu vào không gian đặc trưng:

< #¡,%j¡ > = <®(xi) ®(x¡)> = K (Xi.Xj).

Hàm quyết định cho mot đữ liệu mới x là:

1 * *

f(x) = sng ( 5 Lj=1 ay; K(x; x;) + b*) (2.13)Với œ* là lời giải tối ưu dé cực đại hóa L(œ)

Trong luân văn này, hàm hạt nhân dựa trên khoảng cách (RBE: Radial basis function)được lựa chọn.

K(Xi, xj) = exp(-y| Xi-X/ÍÝ )

Với y do người dùng định nghĩa.

KÃx)= oF (25) dG) : ` |

E£>1 „#*® Margin = 2/ VwlwMisclassified 9y d

Phương pháp GA với mục tiêu nghiên cứu được khái quát như sau:

Tổng quát theo quá trình của tiễn hóa tự nhiên, từ đó xây dựng các chương trìnhtheo, phần mềm theo cơ chế này

2.9.6 Các tính chat của Di truyền

" GA thay vi tinh toán như toán hoc giải tích, phương pháp nay lập luận mộtcách ngâu nhiên.

" GA lay sự thích nghỉ từ việc kiểm tra trên toàn bộ các giải pháp." GA tập trung tới giả pháp chứ không đi vào chỉ tiết Phương pháp này đượcxem là rất thích hợp đối với việc giả các bải toán tối ưu.

2.9.7 Cơ chế của Di truyền.Mã hóa : Trước khi sửa dụng thuật giải Di truyền, việc ta cần làm là phải mã

hóa bài toán

Trong GA, bai toán thường được mã hóa bang 4 cách:

=» Mã hóa nhị phan= Mã hóa thập phan

Giải mã: là phép toán thực hiện ngược mã hóa.

2.9.8 Ham mục tiêu (fitness function)

Đề đánh giá các cá thé, cá thé có độ thích nghi phù hop sẽ được giữ lại dé phục vụlai ghép ở thé hệ sau và loại bỏ các cá thé kém thích nghi Đó là mục đích ta sử dụng

hàm mục tiêu.

2.9.9 Chọn loc cá thé (selection)Chon lọc là tim ra những NST tốt (độ thích nghi cao).Sau khi chọn lọc, ta được

một quân thê mới gôm những cá thê tôt của quân thê trước đó.

Trong phương pháp Di truyền, nhiều phương pháp được phát triển nhăm mục đích déchọn lọc cá thể: chọn lọc theo qUy tắc bánh xe Roulete (Roulete wheel selection),chọn lọc xếp hạng (Rank selection), chọn lọc cắt,

2.9.10 Quy tắc bánh xe Roulete (Roulete wheel selection)Các NST được chọn dựa vào độ thích nghi tương ứng NST tốt hơn sẽ có nhiều cơhội dé lựa chọn hơn Tưởng tượng rằng ta chia bánh xe Roulete thành các rãnh déchứa toàn bộ các NST trong quân thể Độ lớn của rãnh tỷ lệ với giá trị của hàm thíchnghi, giỗng như hình vẽ sau:

m Chro mosome 1Chro mosome 2Chro mosome 34 Chro mosome 4

Hình 4 Chọn lọc theo quy tắc bánh xe Roulete

Quá trình thực hiện như sau:

Độ thích nghi eval(vi) cua mỗi nhiễm sắc thể vi (i=l pop-size) được tính toán, vớipop-size là kích thước của quan thé:

/œ

Mi: f (vi)eval(vi) = voi f(vi) được gọi là ham mục tiêu

Tinh tong giá trị thích nghi F của toàn quân thể:

Ee= pop-size

= Viet eval (vi)

Tính giá trị xác suất pi cho mỗi NST vj, (i=l pop-size):

pi _ eval(vi)— pop-size

= Xuất hiện một số ngẫu nhiên r thuộc [0,1]

= Nêu r< q¡thì nhiém sac thê đâu tiên Vi được chọn, Nêu ngược lại thìnhiễm sac thê vi được chọn sao cho qi-1< r < qi [4].

2.9.11 Chọn lọc xếp hang (Rank selection)Chon lọc theo quy tắc bánh xe Roulete sẽ gặp khó khăn khi giá trị của hàm thíchnghi của các NST chênh lệch quá nhiều Thí dụ, nếu hàm thích nghi của NST tốt nhấtchiếm 90% kích thước bánh xe Roulete thì những NST khác sẽ có cơ hội lựa chọn rấtthấp

Lựa chọn xếp hạng: đầu tiên phân hạng quân thể các NST và sau đó mỗi NST sẽnhận một giá trị hàm thích nghỉ theo sự phân hạng nay NST tôi nhất sẽ nhận giá trị1, NST tôi ít hơn sẽ nhận giá tri 2,cho đến NST tốt nhất sẽ nhận giá tri N (N: số lượngNST trong quân thể)

Quá trình thực hiện như sau:

# Chro mosome 1m Chro mosome 2& Chro mosome 3& Chro mosome 4

Hình 5 Phân bo của các NST trước khi xếp hạng

Chro mosome 1Chro mosome 2& Chro mosome 3m Chro mosome 4

Hình 6 Phân bố của các NST sau khi xếp hangHoan tất toàn bộ quá trình này, toàn bộ các NST sẽ có cơ hội được lựa chọn Tuynhiên, xuất hiện nguy cơ dẫn đến khả năng hội tụ của bài toán chậm bởi, bởi vì NSTtốt nhất không khác quá nhiều so với những NST khác

2.0.12 Chọn loc cat (Truncation selection)Theo phương pháp chọn lọc cắt với mức ngưỡng T(Te [0, 1]), chỉ có T.Ncá thể tốt nhất mới có cơ hội được chọn lựa và xác suất chọn lựa của các cá thể

này như nhau 2.9.13 Lai ghép (crossover)

Phép lai là quá trình hình thành NST mới trên cơ sở các NST bố (mẹ) bằngcách ghép một hay nhiều đoạn gen của hai (hay nhiều) NST bố (me) với nhau.Phép lai xảy ra với xác suất lai là pc Xác suất này cho ta số NST pop size

mong đợi, các NST này được dùng để lai tạo Ta tiễn hành theo cách sau đây:

Một số ngẫu nhiên r trong khoảng [0,1] được phát sinhNếu r< Pc thi chọn NST đó dé lai tao

Nguyên tac chung thực hiện phép lai ghép là bat cặp ngẫu nhiên hai NSTtrong quan thé sau khi đã qua bước chon lọc dé tạo ra hai NST con, mỗi NST conthừa hưởng một phan gen cua cha, một phan gen cua me [4]

2.9.14 Lai ghép một điểm (one point crossover)Lai ghép một điểm là chon ngẫu nhiên một điểm trên NST bố (me) va thayđối phan bên phải của hai NST bố (me) dé tạo ra những NST con [4]

Quá trình đột biến được tiễn hành như sau:Một số ngẫu nhiên r trong khoảng [0,1] được phát sinh.Đột biến của một biến xảy ra nếu r< Dm

2.9.16 Đột biến một điểm.Điểm đột bién được chọn ngẫu nhiên, giá trị gene tại điểm đột biến sẽ thay đôingẫu nhiên băng giá trị bất kỳ trong bộ gene (khác với giá trị gene hiện tại)

Nếu chuỗi nhiễm sac thé được mã hóa nhị phân (bộ gene chỉ có hai ký hiệu 0 và 1)thì hiện tượng đột biến làm dao bit tại điểm đột biến

Quần thể ban đầu Đánh giá Lựa chọn

Mãhoá |t+ |[a|»|c|»|[, a>

(Nguồn tham khảo từ: Trương Vinh Trung “Nghiên cứu những nhân tố gây xung

đột chi phí các dự án phục vụ ngành cảng hàng không Việt Nam va mô hình AHP

đánh giá xung đột chi phí”- Tp Hồ Chí Minh: ĐHỌG Tp Hồ Chí Minh - Dai học

Bách Khoa, 2011 [10].Lý do sử dụng phương pháp AHP:

- AHP có khả năng giải quyết những van dé trong việc ra quyết định hoặc đánhgiá việc đánh giá xung đột chi phí ngành xây dựng hướng tới mục tiêu phát triểnbên vững

- Với công cụ AHP, vấn dé sẽ được phân tích một cách logic từ những phan tửlớn (nhóm nhân tố) đến những phan tử nhỏ hơn dựa trên cơ sở xây dựng cau trúc

thứ bậc phù hợp với việc đánh giá xung đột chi phí xây dựng khác nhau theo hướng

phát triển bền vững

- Kết quả tính toán của mô hình áp dụng AHP dựa trên các phán đoán củangười ra quyết định (Kiến trúc sư, Kỹ sư, Quản lý dự án, Chủ dau tư, ) và dé kiểmsoát mức độ hợp lý băng cách đo mức độ nhất quán của những phán đoán này.

Phương pháp AHP đươc trình bày theo các bước:+ Xác định mục tiêu, các nhóm tiêu chí sẽ được phân loại theo mục tiêu và hình

thành cấu trúc phân lớp.+ Thiết lập được kết cau mô hình thứ bậc, với từng cặp tiêu chí cùng thứ bậc theogiá trị Cij, ta tiến hành quy trình so sánh tính quan trọng của chúng Ak là chuẩn tắctrọng số được giả định thì các tiêu chí thuộc bậc thấp hon C15 C2 C15 có quan hệcành nhánh Trọng số Ax về tính quan trọng của 2 tiêu chí Ci và Cj được đánh giáthông qua các chuyên gia, từ đó tiến hành so sánh, hình thành quy trình so sánh đánhgiá theo các thứ bậc như sau: A - B; Bi - C; B2 -C; B3 - C và B4 - C.

+ Các lớp đơn được tính toán băng quy trình kiểm tra so sánh các cặp, những cặpvới cặp được tiễn hành sửa đổi so sánh đến khi nào đạt được giá tri so sánh có théchap nhận được theo các bước dưới day:

Bước 1: hang thứ i theo tong thé yêu cau n lần được giá trị D¡ được tính toán theo

công thức:

n

j=l

(n được gọi la bậc quy trình đánh giá).

Bước 2: Dé xác định trọng số của chỉ tiêu đánh giá , ta thực hiện quy trình theo công

thức:

Dị

Voi bac danh gia n.

Bước 3: Gia tri đặc trưng cao nhất ( Amax):

Amax =l/n };;_¡Ô; aij * wi) * 1/Wi (2.17)

Bước 4: Chỉ tiêu kiểm nghiệm CI:

CI =(Amax - 1)/ (n- 1) (2.18)Với CI càng nhỏ càng chính xác.

Bước 5: Tính toán CR

CR = CI/RI

Với RI: co số bình quân

Khi CR<0,1 thì độ tin cậy cao.

Bang 1 Thang đo đánh giá 9 mức độMức độ So sánh Mức độ

1 Quan trọng như nhau Hai yêu tô thê hiện như nhau đên hiệu

quả.

2 Gitta mức | và 3

3 Tương đối quan trọng Kinh nghiệm và độ thé hiện hơi nghiên về

hơn yêu to này so với yêu tô kia

Mức độ So sánh Mức độ

4 Quan trong hon rat Yếu tô này thé hiện rất mạnh hon so với

nhiêu yêu tô kia

8 Gitta mức 7 va 9

Độ thé hiện hon han tuyệt đối của yếu tố

kì

h ` re kK LẤ 12

9 Cực ky quan trọng hơn này so với yêu tô kia

2.9 Các phương pháp đánh giá mô hình máy học.2.10.1 Đánh giá bang phương pháp Accuracy.Accuracy (độ chính xác) được sử dụng nhất là Accuracy Tính phan trăm số điểm

mô hình dự đoán dungs trong tap Data Test.

Chia dữ liệu thu thấp được ra 2 phần, Training Data và Test Data Training Data đểhuấn luyện, Test Data để kiểm tra lại mô hình

Set

Hình 9 Chia dit liệu thành Data training: Data Test

2.10 Kết luận.Chương II đã trình bay lý thuyết của các phương pháp:

Thuật toán SVM với phân lớp tuyến tính, phân lớp phi tuyến tính với hàm hạtnhân (Kernel) Các tham số C, y của ham hạt nhân ảnh hưởng đến hiệu suất làm

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU3.1 Quy trình nghiên cứu chung:

3.2 Quy trình nghiên cứu chỉ tiết:

1.Xác định các tiêu chí thể hiệnnăng lực nhà thầu

Tham khảo sách báo, các nghiên cứu trước

và khảo sát hỏi ý kiến chuyên gia.Sử dụng lý thuyết thống kê đánh giá độ

chính xác thang đo của các chuyên gia

2 Thu thập bộ dữ liễu về các gói hồ sơcác gói mà nhà thầu đã thi công (hồ sơnăng lực, hợp đồng, thanh quyết toán, )

3 Xây dựng tập huấn luyện cho thuật

toán SVM.

Xử lý dữ liệu thu thập được.

Dùng Phương pháp AHP để xác định trọngsố các tiêu chí + kết hợp kết quả mà cácgói thầu này đã hoàn thành để phân loạiđạt hay không đạt

4 Chia bộ dữ liệu đã xử lý thành 2 tập

con: tập huấn luyện và tập kiểm thử

5 Xây dựng máy hỗ trợ vecto SVM có kếthợp với thuật Di truyền để tối ưu hóa cáctham số C, y trên môi trường Matlab

6 Đánh giá và kiểm tra kết quả

Đưa ra khả năng áp dung và phát triển