Ứng dụng mạng nơron và giải thuật di truyền vào đánh giá cảm quan thực phẩm

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP.HCM - PHẠM BẢO LỘC ỨNG DỤNG MẠNG NƠRON VÀ GIẢI THUẬT DI TRUYỀN VÀO ĐÁNH GIÁ CẢM QUAN THỰC PHẨM LUẬN VĂN THẠC SỸ Chuyên ngành: Công nghệ thông tin Mã số ngành: 60480201 TP HỒ CHÍ MINH, năm 2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP.HCM - PHẠM BẢO LỘC ỨNG DỤNG MẠNG NƠRON VÀ GIẢI THUẬT DI TRUYỀN VÀO ĐÁNH GIÁ CẢM QUAN THỰC PHẨM LUẬN VĂN THẠC SỸ Chuyên ngành: Công nghệ thông tin Mã số ngành: 60480201 CÁN BỘ HƯỚNG DẪN KHOA HỌC: TS LƯ NHẬT VINH TP HỒ CHÍ MINH, năm 2016 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM Cán hướng dẫn khoa học: TS Lư Nhật Vinh (Ghi rõ họ, tên, học hàm, học vị chữ ký) Lư Nhật Vinh Luận văn thạc sĩ bảo vệ Trường Đại học Công nghệ TP HCM ngày … tháng … năm 2015 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) TT Họ tên Chức danh Hội đồng PGS TS Vũ Đức Lung Chủ tịch PGS TSKH Nguyễn Xuân Huy Phản biện PGS TS Quản Thành Thơ Phản biện TS Hồ Đắc Nghĩa Ủy viên TS Cao Tùng Anh Uy viên, Thư ký Xác nhận Chủ tịch Hội đồng đánh giá luận sau luận văn sửa chữa (nếu có) Chủ tịch Hội đồng đánh giá LV TRƯỜNG ĐH CÔNG NGHỆ TP HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM PHÒNG QLKH – ĐTSĐH Độc lập – Tự – Hạnh phúc TP HCM, ngày tháng 12 năm 2015 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Phạm Bảo Lộc Giới tính: Nam Ngày, tháng, năm sinh: 30/06/1991 Nơi sinh: Gia Lai Chuyên ngành: Công nghệ thông tin MSHV: 1341860043 I- Tên đề tài: ỨNG DỤNG MẠNG NƠRƠN VÀ GIẢI THUẬT DI TRUYỀN VÀO ĐÁNH GIÁ CẢM QUAN THỰC PHẨM II- Nhiệm vụ nội dung: - Nghiên cứu lý thuyết mạng nơrơn sinh học, lý thuyết mạng nơrơn nhân tạo, - lý thuyết mạng nơrơn truyền thằng Nghiên cứu lý thuyết thuật toán di truyền - Nghiên cứu lý thuyết ứng dụng thuật toán di truyền vào đển huấn luyện mạng nơrơn nhân tạo truyền thẳng Nghiên cứu lý thuyết toán đánh giá cảm quan thực phẩm Nghiên cứu ứng dụng mạng nơrơn nhân tạo vào toán đánh giá cảm quan thực phẩm Lập trình cài đặt mạng nơrơn nhân tạo truyền thẳng nhiều lớp Lập trình cài đặt thuật toán di truyền ứng dụng huấn luyện mạng nơrơn nhận tạo truyền thẳng Lập trình cài đặt ứng dụng đánh giá cảm quan thực phẩm III- Ngày giao nhiệu vụ: 03/04/2015 IV- Ngày hoàn thành nhiệm vụ: V- Cán hương dẫn: TS Lư Nhật Vinh ……………………………………………… KHOA QUẢN LÝ CHUYÊN NGÀNH (Họ tên chữ ký) CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) i LỜI CAM ĐOAN Học viên xin cam đoan công trình nghiên cứu, tìm hiểu riêng hướng dẫn khoa học TS Lư Nhật Vinh Các số liệu, kết thực nghiệp nêu luận văn trung thực chưa công bố công trình khác Học viên xin cam đoan giúp đỡ cho việc thực luận văn cảm ơn thông tin trích dẫn luận văn rõ nguồn gốc Học viên thực luận văn (Ký ghi rõ họ tên) Phạm Bảo Lộc ii LỜI CẢM ƠN Lời học viên xin chân thành cảm ơn tới thày, cô giảng viên trường tận tình truyền đạt cho học viên kiến thức quý báu suốt trình học tập, nghiên cứu rèn luyện trường Đặc biệt, học viên xin bày tỏ lời cảm ơn chân thành lòng biết ơn sâu sắc tới TS Lư Nhật Vinh Người thày bảo hướng dẫn tận tình cho học viên suốt trình nghiên cứu khoa học thực đề tài luận văn Bên cạnh kiến thức khoa học, thày giúp học viên kỹ trình bày, phong cách làm việc thực tế kinh nghiệm sống quý báu Ngoài ra, học viên bày tỏ lòng biết ơn tới gia đình, bạn bè, người thân đồng nghiệp quan động viên, khuyến khích tinh thần, giúp đỡ để học viên hoàn thành luận văn TP Hồ Chí Minh, ngày tháng Học viên Phạm Bảo Lộc năm 2016 iii TÓM TẮT Trong bối cảnh ứng dụng công nghệ thông tin ngày tăng, liệu phát sinh hoạt động quản lý, kinh doanh, sản xuất công ty, tổ chức ngày nhiều Các công ty, tổ chức cần nhanh chóng đưa định cách xử lý nhiều yếu tố với quy mô tính phức tạp ngày tăng Để có định xác nhất, người quản lý thường thực việc dự đoán hay phân loại vấn đề cần giải trước đưa định Ngoài việc dựa yếu tố liên quan trực tiếp đến vấn đề, người định dựa kinh nghiệm thân thông tin có từ hoạt động trước Trong đó, mạng nơron nhân tạo nhờ khả đọc, nhớ lại khái quát hóa từ mẫu liệu huấn luyện, trở thành hướng nghiên cứu lĩnh vực trí tuệ nhân tạo Mô hình mạng noron truyền thẳng giải thuật di truyền sử dụng rộng rãi có khả giải nhiều toán với lĩnh vục khác nhau: dự đoán, phân loại, mô hình hóa Mạng nơron truyền thẳng thích hợp để giải toán thể mối quan hệ tập hợp đầu vào đầu biết trước Từ nguyên nhân nêu trên, luận văn tập trung vào việc ứng dụng mạng nơron truyền thẳng sử dụng giải thuật di truyền huấn luyện vào toán đánh giá cảm quan thực phẩm cụ thể đánh giá chất lượng rượu vang trắng Ngoài phần mở đầu, tổng quan lĩnh vực nghiên cứu kết luận, bố cục luận văn gồm ba chương sau: - Chương I: Giới thiệu mạng nơrơn - Chương II: Mạng nơrơn nhân tạo truyền thẳng giải thuật di truyền - Chương III: Ứng dụng mạng nơrơn truyền thẳng vào toán đánh giá cảm quan thực phẩm iv ABSTRACT With the increasing of information technology application, data occurred more and more from companies and organizations’ manufacturing, buisnesses and management activities It’s necessary for companies and organisations to make quick decision by dealing with a number of factors with increasing scale and complexity Managers normally speculate or classify problems before making a precise decision Beside relying on the direct factors to the problems, the decisions are also based on personal experiences as well as information obtained from previous activities Artificial neural networks, thanks to the ability to read, memorize and generalize from the input trained data samples, have become one of the main research trends of artificial intelligence Straight neuron network model and genetic algorithms are widely used because of their ability to solve a great number of problems from diversified fields: speculation, classification and model generalization Straight neuron is suitable to solve problems that show the relationship of know- in - advance input and output group From the reasons mentioned above, the thesis focuses on the application of straight neuron as well as trained genetic algorithms in food sensory evaluation – white wine in particular Besides the introduction, overview of research field and conclusion, the content of the thesis consists of three chapters as follows: - Chapter I: An introduction to neuron networks - Chapter II : Straight artificial neuron network and genetic algorithms - Chapter III : Application of straight neuron networks to the problem of food sensory evaluation v MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii TÓM TẮT iii MỤC LỤC v DANH MỤC CÁC TỪ VIẾT TẮT ix DANH MỤC CÁC KÝ HIỆU TOÁN HỌC x DANH MỤC HÌNH xi DANH MỤC CÁC BẢNG xiii Lý chọn đề tài Tính cấp thiết đề tài Nội dung Mục đích đề tài Đối tượng nghiên cứu Phạm vi nghiên cứu Ý nghĩa thực tiễn ý nghĩa khoa học luận văn Tổng quan lĩnh vực nghiên cứu 8.1 Điểm qua số công trình nghiên cứu mạng nơron ứng dụng 8.2 Các công trình nước nghiên cứu thuật toán học mạng nơron GIỚI THIỆU MẠNG NƠRON 11 1.1 Tổng quan mạng nơron sinh học 11 1.1.1 Giới thiệu 11 1.1.2 Các đặc tính não người 12 1.1.3 Xử lý thông tin não 12 vi 1.1.4 Cấu trúc hoạt động mạng nơron sinh học 13 1.1.5 Khả mạng nơron sinh học (bộ não) 14 1.1.6 Quá trình học não 14 1.2 Tổng quan mạng nơron nhân tạo 14 1.2.1 Lịch sử phát triển mạng nơron nhân tạo 15 1.2.2 Khái niệm 16 1.2.3 Cấu trúc mạng nơron 17 1.2.4 Các tính chất mạng nơron 20 1.2.5 Các kiểu mô hình mạng nơron nhân tạo 20 1.3 Nguyên tắc hoạt động mạng nơron nhân tạo 25 1.4 Phương pháp huấn luyện mạng 26 1.5 Ứng dụng mạng nơron nhân tạo 29 CHƯƠNG 30 MẠNG NƠRON NHÂN TẠO TRUYỀN THẲNG 30 VÀ GIẢI THUẬT DI TRUYỀN 30 2.1 Mạng nơron nhân tạo truyền thẳng 30 2.1.1 Mạng perceptron lớp 30 2.1.2 Mạng perceptron nhiều lớp 32 2.1.3 Một số vấn đề cần ý sử dụng mạng MLP 33 2.2 Vấn đề chuẩn hoá số liệu đầu vào 34 2.3 Vấn đề học chưa đủ học thuộc mạng 34 2.4 Lựa chọn kích thước mạng 36 2.5 Giải thuật di truyền 37 2.5.1 Giới thiệu giải thuật di truyền 37 2.5.2 Giới thiệu 38 72 h Giao diện Test error 73 i Giao diện Chart Test Kết thử nghiệm Với liệu huấn luyện gồm 4898 mẫu học Cấu hình mạng nơron truyền thẳng: Số nơron tầng vào 11 Số nơron tầng ẩn 15 Số nơron tầng Cấu hình thông số giải thuật di truyền: Số lượng cá thể quần thể (Population Size) 400 Số lần lặp (Temintion Learning) 2000 Ngưỡng dừng lặp (Fitness = 100) Dưới bảng thống kê so sánh sai số thay đổi xác suất lai ghép xác suất đột biến 74 Bảng 3 thống kê so sánh sai số thay đổi xác suất lai ghép Lần chạy thử Xác suất lai ghép Xác suất đột biến Sai số trung bình 0.1 0.1 0.03027931666 0.3 0.1 0.0227703677 0.4 0.1 0.0211134457 0.5 0.1 0.0199691523 0.6 0.1 0.0187764163 0.7 0.1 0.0185093780 0.8 0.1 0.0201721973 0.9 0.1 0.0178807827 0.1 0.0172754215 10 0.2 0.0174875985 11 0.8 0.3 0.0191294154 12 0.8 0.4 0.0191391410 13 0.8 0.5 0.0183207866 14 0.8 0.6 0.0184763009 15 0.8 0.7 0.0165941370 16 0.8 0.8 0.0192049562 17 0.8 0.9 0.0166796399 Nhận xét: ta thấy tăng xác suất lai ghép thi sai số trung bình giảm 75 Hình Biểu đồ hàm RMSE với xác suất lai ghép 0.4, đột biến 0.1 Hình Biểu đồ hàm RMSE với xác suất lai ghép 0.7, đột biến 0.1 76 Hình Biểu đồ hàm RMSE với xắc suất lai ghép 1, đột biến 0.1 Hình Biểu đồ hàm RMSE với xắc suất lai ghép 1, đột biến 0.2 77 Hình 10 Biểu đồ hàm RMSE với xắc suất lai ghép 0.8, đột biến 0.4 Hình 11 Biểu đồ hàm RMSE với xắc suất lai ghép 0.8, đột biến 0.7 78 Hình 12 Biểu đồ hàm RMSE với xắc suất lai ghép 0.8, đột biến 0.9 Nhận xét: tăng xắc suất đột biến thời gian hội tụ GA giảm Qua trình chạy thử với xắc suất lai ghép 1, xắc suất đột biến 0.1 độ sai số đạt khoảng [0.016; 0.018] Kết thử nghiệm tốt đạt RMSE = 0.0165181116519632 Kết luận chương Chương em ứng dụng mạng nơron nhân tạo truyền thẳng vào việc đánh giá cảm quan thực phẩm Thuật toán học mạng nơron nhân tạo truyền thẳng sử dụng giải thuật di truyền đề cập chương Mô tả chi tiết cụ thể quy trình huấn luyện, kiểm thử toán đánh giá cảm quan thực phẩm 79 KẾT LUẬN Luận văn định hướng nội dung nghiên cứu vào mạng nơron nhân tạo truyền thẳng, giải thuật di truyền Ứng dụng giải thuật di truyền vào huấn luyện mạng nơron nhân tạo truyền thẳng Để ứng dụng vào toán đánh giá cảm quan thực phẩm Một số kết đạt 1.1 Về nội dung - Hệ thống hóa chi tiết cấu trúc tổ chức, hoạt động mạng nơron nhân tạo truyền thẳng - Xây dựng chi tiết ứng dụng giải thuật di truyền vào huấn luyện mạng nơron nhân tạo - Xây dựng chi tiết ứng dụng mạng nơron nhân tạo vào toán đánh giá cảm quan thực phẩm - Giảm thiểu chi phí, thời gian toán đánh giá cảm quan thực phẩm 1.2 Về xây dụng chương trình - Đã xây dựng ứng dụng cài đặt sử dụng mạng nơron nhân tạo truyền thẳng - Xây dựng ứng dụng sử dụng thuật toán di truyền để huấn luyện mạng nơron nhân tạo truyền thẳng - Áp dụng mạng nơron nhân tạo truyền thẳng ứng dụng đánh giá cảm quan thực phẩm 1.3 Về áp dụng thực tế Ứng dụng luận văn vào toán đánh giá cảm quan thực phẩm cự thể đánh giá chất lượng rượu vang trắng 1.4 Về kết thực - Xây dựng cấu trúc mạng nơron nhân tạo truyền thẳng huấn luyện thuật toán di truyền - Ứng dụng mạng nơron nhân tạo truyền thẳng vào ứng dụng đánh giá cảm quan thực phẩm 80 Một số vấn đề tồn - Kết huấn luyện mạng chưa thật đạt độ xác thật cao - Thời gian huấn luyện tương đối dài Hướng phát triển tương lai Cải tiến thuật toán huấn luyện mạng nơron, kết hợp thuật toán di truyền với số thuật toán khác lan truyền ngược… việc tối ưu trọng số tăng cao độ xác giảm thời gian học mạng nơron truyền thẳng Đối với ưng dụng mạng nơron nhân tạo truyền thẳng vào toán đánh giá cảm quan thực phẩm mô hình ứng dụng hiệu Vì vậy, tương lai luận văn hướng phát triển xây dựng phần mềm thành công cụ hỗ trợ hoàn thiện lĩnh vực nghiên cứu, đánh giá chất lượng thực phẩm Mở rộng nhiều lĩnh vực đánh giá chất lượng loại sản phẩm khác beer, nước giải khát, sữa, mỹ phẩm, … Tuy nhiên, em nhận thấy để kết ứng dụng đánh giá cảm quan đạt kết tốt ảnh hưởng lớn từ tập liệu đầu vào Vì thế, đồng hành với việc phát triển ứng dụng em mở rộng thu thập, tìm kiếm thêm nhiều số liệu phục vụ huấn luyện đầu vào 81 TÀI LIỆU THAM KHẢO [1] Anil K Jain & Jianchang Mao (eds) (1996), A Tutorial In: Anil K Jain & Jianchang Mao, Articical Neural Networks, IBM Alamaden Research Center, pp.31– 44 [2.] Vincent Cheung & Kevin Cannon (2002), An Introduction to Neural Networks, University of Manitoba, Winnipeg, Manitoba, Canada [3] James McCaffrey (2014), Neural Networks Using C# Succintly, Syncfusion Press, Morrisville, NC [4] James McCaffrey (2014), Machine Learning Using C# Succintly, Syncfusion Press, Morrisville, NC [5] Thomas Back (1996), Evolutionary Algorithm in Theory and Practice, Oxford University Press [6] D.E Goldberg (1989), Genetic Algorithm in Search, Optimization and Machine Learning, Addison Wesley, Reading, MA [7] Ismail Kilinş, Kerem Ciğizouğlu (2005), Reservoir Management Using Artificial Neural Networks, 14th Reg Directorate of DSI (State Hydraulic Works), Istanbul, Turkey [8] Chin-Teng Lin, C.S George Lee (1996), Neural fuzzy systems: a neurofuzzy synergism to intelligent systems, Prentice-Hall Inc [9] D Montana and L Davis (1989), Training feedforward neural networks using genetic algorithms, In Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, Morgan Kaufmann, San Mateo, CA, pp.762-767 [10] Nelson, M.C and Illingworth, W.T (1991), A Practical Guide to Neural Nets, Reading, MA: Addison-Wesley [11] D Whitley, T Starkweather et C Bogart (1990), Genetic algorithms and neural networks In: Parallel Computing 14, Genetic algorithms and neural networks optimizing connections and connectivity, North-Holland, pp.347-361 82 [12] Steve Lawrence and C Lee Giles (2000), Overfitting and Neural Networks: Conjugate Gradient and Backpropagation, International Joint onference on Neural Networks, Como, Italy, pp.114–119 [13] Nelson, M.C and Illingworth, W.T (1991), A Practical Guide to Neural Nets, Reading, MA: Addison-Wesley [14] Paulo Cortez (2009), Wine Quality Data Set, the North of Portugal, viewed 05/04/2015, from [15] Nguyễn Hoàng Dũng (2005), Giáo trình thực hành Đánh giá Cảm quan, Trường đại học Bách Khoa, TP HCM [16] Kory Becker (2015), Primary Objects Software Development Programming AI, viewed 05/08/2015 2015, from [17] John Newcombe (2015), Genetic Algorithm Framework.Net, viewed 01/09/2015 2015, from PHỤ LỤC Thông số cấu hình huấn luyện mạng nơron giải thuật di truyền phần mềm đánh giá cảm quan thực phẩm Thông số cấu hình huấn luyện mạng nơron giải thuật di truyền a Số lượng cá thể quần thể (Population Size) Thông số sử dụng để khởi tạo số lượng cá thể ban đầu quần thể b Số lần lặp (Temintion Learning) Ngưỡng dừng học mạng nơron c Phương pháp chọn lựa (Elite), Giá trị chọn lựa (Select Elite) Elitism phép chọn lựa giải pháp tốt cá thể qua để hệ mà không bị biến đổi Một giá trị tiêu biểu cho tỷ lệ 5-10% Một tỷ lệ 5% với số lượng quần thể 100, có nghĩa cá thể hàng đầu tạo thành phần hệ Điều có nghĩa hệ tương lai tốt hệ Điều giúp bảo vệ cá thể tốt Tuy nhiên, tỷ lệ phần trăm người quyền quý tăng lên, số lượng dân số tăng Đây hành vi bình thường cách tiếp cận mà không xử lý cách rõ ràng đơn giản hội tụ thuật toán Mỗi cá thể xác định ưu tú qua thuộc tính IsElite true d Xác xuất lai ghép (Crossver) Sự giao xác suất đơn giản giá trị đại diện cho xác suất cha mẹ vượt qua để sản xuất cá thể Một giá trị có nghĩa tất bậc cha mẹ lựa chọn tạo chéo với cá thể Một giá trị 0,85 có nghĩa 85% vượt qua phần lại bậc cha mẹ qua bị ảnh hưởng đến hệ Khi thử nghiệm với xác suất lai ghép, điểm khởi đầu tốt nơi 0,65 e Phương pháp lai ghép (Crossver Type) Phương pháp lai ghép GAF có ba phương thức lai ghép Single Point Một điểm ngẫu nhiên chọn cho nhiễm sắc thể phụ huynh phần chuyển đổi chúng Double Point Hai điểm chọn để xác định phần trung tâm phụ huynh, điều hoán đổi chúng Double Point Ordered Một phụ huynh sử dụng để tạo đứa trẻ nhiên thứ tự cha mẹ thứ hai xác định cách nhiễm sắc thể xếp Phương pháp làm việc với nhiễm sắc thể có gen (bằng giá trị) Đối với điều gen đối tượng dựa tùy chỉnh sử dụng yêu cầu phương pháp Equals nên ghi đè định nghĩa gen để trả giá trị f Xác xuất đột biến (Mutate) Phương thức đột biến GAF có hai phương thức Swap Mutate Đi qua gen quần thể dựa hợp đồng hoán đổi khả quy định gen nhiễm sắc thể với Mục đích để cung cấp đột biến mà không thay đổi giá trị gen Binary Mutation Đi qua gen quần thể dựa xác suất, hoán đổi gen từ tiểu bang khác Mục đích để thêm đa dạng cho quần thể Toán tử sử dụng với gen loại đối tượng (Object) Đa dạng quan trọng để có giải pháp tiềm tốt tìm thấy vùng cảnh quan g Ngưỡng dừng lặp (Fitness) Là thông số xác định điều kiện dừng huấn luyện mạng nơron đạt ngưỡng Fitness mong muốn h Phương pháp thay (Replacement Method) Phương pháp thay GAF có hai phương thức Generational Replacement Giải pháp (cá thể con) tạo từ giải pháp (cha mẹ) Delete Last Cá thể tạo sử dụng để thay cho giải pháp yếu quần thể i Giá trị thay ngâu nhiên (Random Replace Value) Toán tử thay nhiễm sắc thể có fitness thấp quần thể với xác xuất chọn (bằng tỷ lệ phần trăm) nhiễm sắc thể tạo cách ngẫu nhiên từ quần thể Bất kỳ nhiễm sắc thể đánh dấu Elite không thay Do đó, 50% quần thể 100 mà có 10 nhiễm sắc thể 'Elites' thay 45 giải pháp Toán tử áp dụng trường hợp kiểu liệu Genes nhị phân j Phương pháp chép (Copy Method) Phương pháp chép nhiễm sắc thể có hai phương thức Random Lựa chọn ngẫu nhiên giải pháp để chép Fitness Các giải pháp có độ tương thích cao để chép k Giá trị chép (Copy Value) Toán tử nối tỷ lệ lựa chọn giải pháp (nhiễm sắc thể) từ quần thể với quần thể Phần trăm số lựa chọn giải pháp chép vào quần thể miễn có quần thể Không phân biệt tỷ lệ quy định để chép Phương pháp Copy hữu ích phương tiện để thêm đa dạng cho GA l Kiểu liệu số (Object Based Genes) Trong toán sử dụng kiểu số thực (Real) Thông thường nhiễm sắc thể thuật toán di truyền tạo từ chuỗi nhị phân Nói cách khác gen nhiễm sắc thể chứa Tuy nhiên, có trường hợp không phù hợp Các toán Traveling Salesman (TSP) ví dụ điều phụ thuộc vào gen số nguyên để xác định yếu tố danh sách bên định nghĩa thành phố GAF hỗ trợ gen mà đại diện cho số nguyên số thực, nhiên, từ phiên 2, gen đại diện cho đối tượng Thay lưu trữ số nguyên đại diện cho phần tử mảng TSP, gen lưu trữ thành phố Trong thực tế, gen lưu trữ danh sách đối tượng cho phép nhiễm sắc thể đa chiều muốn Loại gen đưa thuộc tính Gene.GenoType Thuộc tính trả giá trị liệt kê loại sau ngôn ngữ lập trình C# - Binary (nhị phân) - Integer (số nguyên) - Real (số thực) - Object (đối tượng) ... xây dụng mạng nơron nhân tạo - Mô tả giải thuật di truyền ứng dụng vào huấn luyện mạng nơron nhân tạo - Mô tả ứng dụng mạng nơron nhân tạo vào toán đánh giá cảm quan thực phẩm - Cài đặt mạng nơron. .. luyện mạng nơron nhân tạo - Lý thuyết giải thuật di truyền - Ứng dụng giải thuật di truyền vào huấn luyện mạng nơron nhân tạo truyền thẳng - Lý thuyết toán đánh giá cảm quan thực phẩm - Ứng dụng mạng. .. luyện mạng nơron - Quy trình toán đánh giá cảm quan - Thử nghiệm cài đặt mạng nơron nhận tạo vào ứng dụng đánh giá cảm quan thực phẩm nhằm so sánh hiệu với toán đánh giá cảm quan thực phẩm thực