TÍCH HỢP MỜ TRONG HỆ TRỢ GIÚP ĐA MỤC TIÊU.doc

TÍCH HỢP MỜ TRONG HỆ TRỢ GIÚP ĐA MỤC TIÊU

TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘIKHOA CÔNG NGHỆ THÔNG TIN

-o 0

o -BÁO CÁO NGHIÊN CỨU KHOA HỌC

Đề tài:

TÍCH HỢP MỜ

TRONG HỆ TRỢ GIÚP ĐA MỤC TIÊU

Sinh viên thực hiện: Nguyễn Thị Minh Lý

PHẦN MỞ ĐẦUI Lý do chọn đề tài

Các mô hình toán học đã giải quyết hiệu quả rất nhiều vấn đề trong tự nhiên Tuy nhiên, các mô hình toán học kinh điển khá cứng nhắc với việc áp đặt nhiều giả thiết đòi hỏi tính rõ ràng, chính xác cao của các tham số Trong khi thực tế các vấn đề xảy ra lại luôn bao hàm lượng thông tin không rõ ràng, không đầy đủ và không chắc chắn

Bài toán đánh giá và ra quyết định là một bài toán thường gặp trong cuộc sống hàng ngày và việc đánh giá thường dựa trên nhiều tiêu chuẩn Hoạt động tư duy của con người lại phần nhiều mang tính chủ quan, định tính, từ những thông tin mơ hồ, thiếu chính xác nhưng vẫn giải quyết hầu hết các vần đề trong tự nhiên

Năm 1974, Sugeno đưa ra khái niệm độ đo mờ và tích phân mờ, khái quát hóa định nghĩa thông thường của một độ đo Từ thời điểm đó, các độ đo mờ và các tích phân mờ được nghiên cứu trên một quan điểm có phần toán học, và các nhà nghiên cứu trong cộng đồng mờ dường như quan tâm nhiều hơn tại các định nghĩa gốc tổng quát và nghiên cứu các tính chất của chúng với một mức độ trừu tượng hơn là cố gắng chèn vào khái niệm mới này theo một vài khuôn mẫu hiện tại, như lý thuyết quyết định, nhất là quyết định trong điều kiện không chắc chắn (theo đó, xem độ đo mờ như một độ đo tình trạng không rõ ràng, giống như hàm tin cậy của Shafer, hoặc độ đo khả năng của Zadeh), hoặc quyết định đa tiêu chuẩn.

Một vài ứng dụng được phát triển, về cơ bản tại Nhật Bản, trong lĩnh vực định giá đa tiêu chuẩn chủ quan, và tích phân mờ được sử dụng như một công cụ kết hợp mới Điều thú vị là, loại ứng dụng này đã được trình bày trong luận điểm Ph.D của Sugeno, và nếu ta xem xét toàn bộ lịch sử của lý thuyết độ đo mờ, đó là lỗ lực không nhiều để sử dụng chúng như độ đo tình trạng không rõ ràng, mặc dù chúng được dựng nên đầu tiên cho mục đích thực sự này.

Mặc dù các kết quả đầy hứa hẹn trong định giá đa tiêu chuẩn, cho đến gần đây không có cố gắng trong nghiên cứu các tính chất của các độ đo mờ và các tích phân mờ bên trong

khuôn mẫu của sự ra quyết định đa tiêu chuẩn, để biện minh cho lợi ích của chúng, và làm sáng tỏ đặc trưng của chúng với các cách tiếp cận khác

Mục đích của đề tài chính xác là để giải quyết khía cạnh này: Ta sẽ trình bày một nghiên cứu các kết quả gần đây mà cho một sự hiểu biết rõ ràng về vị trí của các tích phân mờ giữa các toán tử kết hợp, xuất phát từ một quan điểm liên quan đến lý thuyết quyết định

Dựa vào các kết quả nghiên cứu, áp dụng để tính toán đánh giá kết quả thi của học sinh dựa trên nhiều tiêu chuẩn Mục đích để đạt độ chính xác cao hơn và có những kết luận sát với thực tế hơn

II Mục đích của đề tài

Nghiên cứu các tích phân mờ trong ra quyết định đa tiêu chuẩn và một số ứng dụng trong thực tế Từ đó áp dụng xây dựng một mô hình tích hợp mờ đánh giá học sinh (cài đặt và kiểm thử đánh giá đối với học sinh Trung học).

III Nhiệm vụ nghiên cứu

Nghiên cứu lý thuyết tập mờ, các tích phân mờ, các vấn đề liên quan đến việc ra quyết định đa tiêu chuẩn Ứng dụng, xây dựng mô hình tích hợp mờ đánh giá học sinh.

Cài đặt bằng ngôn ngữ C#.

Áp dụng đánh giá học sinh Trung học So sánh với phương pháp đánh giá cổ điển.

IV Phương pháp nghiên cứu

Nghiên cứu lý luận: Đọc tài liệu tham khảo như các sách, báo, các tài liệu trên internet So sánh, đối chiếu để tìm ra phương pháp thích hợp có thể ứng dụng trong mô hình.

Thử nghiệm: Cài đặt mô hình đã nghiên cứu Kiểm thử đánh giá học sinh Trung học So sánh với phương pháp đánh giá thông thường, rút ra các kết luận cần thiết.

Sinh Viên: Nguyễn Thị Minh Lý _ Lớp C-K54-CNTT trang 3

I Tập mờ

Trong thực tế chúng ta đánh giá kết quả không chỉ mang tính chất đúng hoặc sai mà còn mang tính chất định tính không chắc chắn thông qua việc sử dụng các biến ngôn ngữ để phản ánh Một trong những cách đánh giá và xử lý dạng biểu diễn thông tin thu được những kết quả rất tốt đó là cách tiếp cận mờ Từ năm 1965, L.A.Zadeh đã xây dựng lý thuyết tập mờ, tạo ra một cơ sở toán học cho việc tiếp cận lập luận tính toán của con người Ý tưởng của ông là mở rộng tập logic cổ điển (logic Boole), làm tăng thêm khả năng suy luận của con người, góp phần đánh giá kết quả đi đến độ chính xác nhất Sau đây là một số khái niệm và

Qua các khái niệm vừa nêu trên có thể thấy với một tập hợp thông thường được định

nghĩa bằng sự liệt kê, hoặc giới hạn điều kiện nào đó, nhưng với tập mờ A không có giới hạn.

Mỗi phần tử của tập mờ luôn đi kèm với một hàm thuộc, hàm này là ánh xạ từ các phần tử “thực” vào đoạn [0,1] mà giá trị của nó chỉ ra mức độ thuộc của phần tử này vào tập mờ.

Ví dụ 1.2:

Xét tập hợp X gồm 5 người là x x x x x lần lượt có tuổi là 20, 45, 12, 30, 78 và gọi 1, 2, 3, 4, 5,

A là tập hợp các người gọi là trẻ Ta có thể xây dựng hàm thuộc Anhư sau:

Cho A là tập mờ trên không gian tham chiếu X, gọi:

+ Supp A( ) x X A( ) 0 x    X gọi là tập giá đỡ của A

+ L A( ) x X A( )X   X gọi là tập rõ mức  của A (hay gọi là lát cắt  , 

Các luật De Morgan cho các tập hợp thông thường vẫn còn áp dụng trên tập mờ và được biểu diễn như sau:

Cho A1 là tập mờ trên không gian tham chiếu X1

A2 là tập mờ trên không gian tham chiếu X2

Tích đề các A1xA2 sẽ là tập mờ trên không gian tham chiếu A1xA2, với:

Gọi X  x x x x1, , ,234 và các tập mờ A, B được xác định như sau:

Các định nghĩa ban đầu về một Hệ trợ giúp quyết định (Decision Support System – DSS), cho rằng DSS như một hệ thống hỗ trợ quản lý trong các tình huống quyết định DSS trợ giúp những người ra quyết định, để tăng cường khả năng nhưng không thể thay thế họ được Mục đích của các DSS này là giải quyết các vấn đề ra quyết định không thể hỗ trợ hoàn toàn bằng các thuật toán Chưa có một định nghĩa nào cụ thể, nhưng trong các định nghĩa ban đầu, DSS là một khái niệm mà hệ thống sẽ dựa trên máy tính, hoạt động trực tuyến và có các khả năng về đồ họa ở đầu ra.

2 DSS là gì?

Trong những năm đầu ở thập kỷ 70, lần đầu tiên khái niệm DSS được Scott Morton đưa

ra dưới thuật ngữ các hệ thống hỗ trợ quản lý Đó là “các hệ thống dựa trên sự tương tác với

máy tính, giúp cho các nhà ra quyết định dùng các dữ liệu và mô hình để giải quyết các vấnđề phi cấu trúc” Little giải thích rõ hơn, định nghĩa DSS như là “Tập cơ sở mô hình chứacác thủ tục xử lý dữ liệu và kết luận giúp nhà quản lý trong việc ra quyết định” Ông cho

rằng để thành công, thì một hệ thống như vậy phải đơn giản, mạnh, dễ điều khiển, thích nghi

Sinh Viên: Nguyễn Thị Minh Lý _ Lớp C-K54-CNTT trang 9

và dễ liên lạc được nhau Trong đó hệ thống dựa trên máy tính và trợ giúp như là ,ột sự mở rộng các khả năng giải quyết vấn đề của người sử dụng.

Trong suốt thập kỷ 70, các định nghĩa về DSS như trên được những người sử dụng và các nhà nghiên cứu chấp nhận Vào cuối thập kỷ 70, các định nghĩa mới bắt đầu xuất hiện Alter năm 1980 định nghĩa DSS bằng cách so sánh chúng với các hệ thống EDP (Xử lý dữ liệu tương tác) truyền thống trên 5 khía cạnh, như thể hiện trong bảng sau:

Phạm vi thời gian Hiện tại và tương lai Quá khứ

Ba định nghĩa khác về DSS được đưa ra bởi Moore và Chang năm 1980, Bonczek, Holsapple và Whinston năm 1980 và Keen năm 1980 Moore và Chang chỉ ra rằng khái niệm

“có cấu trúc (Structured)”, không đủ ý nghĩa trong trường hợp tổng quát Một bài toán có

thể được mô tả như là có cấu trúc hoặc không có cấu trúc chỉ liên quan đến người ra quyết định Do vậy DSS có thể là:

- Hệ thống có khả năng mở rộng.

- Có khả năng trợ giúp phân tích dữ liệu và mô hình hóa quyết định - Hướng tới lập kế hoạch cho tương lai.

- Được sử dụng trong những hoàn cảnh và thời gian bất thường.

Bonczek định nghĩa DSS như một hệ thống dựa trên máy tính bao gồm ba thành phần

- Một hệ xử lý các bài toán, liên kết các thành phần trên, bao gồm 1 hoặc nhiều khả năng xử lý các bài toán tổng quát mà quá trình ra quyết định cần đến.

Keen áp dụng DSS “cho những tình huống trong đó hệ thống có thể được phát triển qua

quá trình học thích nghi và hoàn thiện từng bước” Do đó, ông định nghĩa DSS “như là sảnphẩm của quá trình phát triển, trong đó người sử dụng DSS, người tạo ra DSS, và chính bảnthân DSS có khả năng ảnh hưởng, tác động đến sự phát triển của hệ thống và các thànhphần sử dụng nó”.

Kết quả của các định nghĩa này là một quần thể các hệ thống mà từng tác giả một sẽ xác định như là một DSS Ví dụ Keen sẽ loại trừ các hệ thống xây dựng taih khoảng thời gian định trước , theo qui tắc để hỗ trợ quyết định về các hoạt động hiện tại Các định nghĩa DSS không nhất quán, bởi vì từng DSS một cố gắng thu hẹp sự khác biệt theo một cách khác nhau, hơn thế nữa chúng đều bỏ qua vấn đề trung tâm trong DSS: đo là hỗ trợ và cải tiến việc ra quyết định, chỉ tập trung đầu vào mà coi nhẹ đầu ra Do đó cần nhấn mạnh sự khó khăn của việc đo các đầu ra của một DSS (có nghĩa là chất lượng quyết định).

Tóm lại DSS là một “Hệ thống thông tin hỗ trợ bằng máy tính” có thể thích nghi, linh

họat và tương tác lẫn nhau, đặc biệt được phát triển để hỗ trợ giải quyết bài toán của một số vấn đề quản lý không có cấu trúc nhằm cải tiến việc ra quyết định Nó tập hợp dữ liệu, cung cấp cho người sử dụng một giao diện thân thiện và cho phép tự ra quyết định một cách sáng suốt Nó hỗ trợ cho tất cả các giai đoạn của việc ra quyết định, và bao gồm cả một cơ sở tri thức.

3 Các đặc tính và khả năng của DSS:

Theo phần trên ta đã biết không có định nghĩa cụ thể nào về DSS Dưới đây, đưa ra một danh sách như là một tập các ý tưởng Hầu hết các DSS chỉ có một vài đặc điểm sẽ được liệt kê đưới đây:

Sinh Viên: Nguyễn Thị Minh Lý _ Lớp C-K54-CNTT trang 11

1 DSS hỗ trợ cho những người ra quyết định trong các tình huống không có cấu trúc hoặc bán cấu trúc Những vấn đề như vậy không giải quyết được bằng các hệ thống tính toán khác.

2 Trợ giúp các mức độ quản lý khác nhau từ người thực thi đến nhà quản lý.

3 Việc hỗ trợ được cung cấp cho các cá nhân cũng cũng như các nhóm, nhiều vấn đề về tổ chức liên quan đến việc ra quyết định của nhóm Các vấn đề ít cấu trúc, thường yêu cầu sự liên quan của một số cá nhân từ các bộ phận khác nhau và các cấp tổ chức khác nhau.

4 DSS cung cấp hỗ trợ cho một số quyết định liên tục và/hoặc độc lập.

5 DSS hỗ trợ tất cả các quá trình của quy trình ra quyết định: Thu thập thông tin, thiết kế lựa chọn và thực hiện.

6 DSS trợ giúp một cách đa dạng với quá trình ra quyết định và các kiểu quyết định, như từ vựng và kiểu ra quyết định Tạo ra sự phù hợp giữa DSS và tính chất cá nhân của từng người ra quyết định, như từ vựng và kiểu ra quyết định.

7 DSS là hệ thống linh hoạt vì vậy người sử dụng có thể thêm vào, xóa đi, kết hợp, thay đổi hoặc sắp xếp lại các thành phần chính của DSS, cung cấp câu trả lời nhanh chóng cho các tình huống bất chợt Khả năng này có thể được tạo ra thường xuyên và nhanh chóng.

8 DSS dễ sử dụng Những người sử dụng phải cảm thấy “thoải mái” với hệ thống Các

khả năng về đồ họa, linh hoạt, thân thiện với người sử dụng.

9 DSS góp phần nâng cao hiệu quả của việc ra quyết định (chính xác, đúng lúc, chất lượng).

10 Người ra quyết định có thể không quan tâm đến những gợi ý của máy tính ở bất kỳ giai đoạn nào trong quá trình xử lý.

11 DSS dẫn đến tri thức, tri thức này lại dẫn đến những yêu cầu mới và sự cải tiến hệ thống dẫn đến việc học thêm …, trong quá trình cải tiến và phát triển liên tục của DSS.

12 Những người sử dụng cuối cùng phải tự minhg xây dựng được những hệ thống đơn giản Khả năng mô hình hóa cho phép thử nghiệm các chiến lược khác nhau theo các cấu hình khác nhau Những thử nghiệm như vậy có thể cung cấp những hiểu biết và kiến thức mới.

14 Một DSS tiên tiến được trang bị một thành phần tri thức cho phép việc giải quyết hiệu quả các vấn đề khó.

4 Những lợi ích của DSS:

1 Khả năng hỗ trợ giải quyết các vấn đề phức tạp.

2 Trả lời nhanh cho các tình huống không định trước Một DSS cho phép tính toán trong một khoảng thời gian rất ngắn, thậm chí thường xuyên thay đổi đầu vào để có thể được ước lượng khách quan một cách đúng lúc.

3 Có khả năng thử một loạt các chu kỳ khác nhau theo các cấu hình khác nhau một cách nhanh chóng và khách quan.

4 Người sử dụng có thể thêm được những hiểu biết mới thông qua sự kết hợp của một mô hìn và một sự phân tích mở rộng “What - If”.

5 DSS có thể tăng khả năng quản lý và giảm chi phí vận hành của hệ thống.

6 Các quyết định của DSS thường là khách quan và phù hợp hơn so với quyết định bằng trực giác của con người.

7 Cải tiến việc quản lý, cho phép các nhà quản lý thực hiện công việc với ít thời gian hơn và/hoặc ít công sức hơn.

8 Năng suất phân tích được cải thiện.

5 Các thành phần của DSS:

Suy cho cùng, phân biệt rõ ràng DSS với các hệ thống xử lý thông tin khác cũng không quan trọng bằng việc xác định rằng hệ thống có khả năng hỗ trợ một quá trình xử lý cụ thể nào đó hay không Có thể nói việc hỗ trợ quản lý thể hiện bằng hai cách: giúp người quản lý xử lý thông tin và giúp người ra quyết định biến đổi thông tin để rút ra kết luận cần thiết Như vậy hoạt động hỗ trợ quản lý bao gồm:

Sinh Viên: Nguyễn Thị Minh Lý _ Lớp C-K54-CNTT trang 13

- Quản lý thông tin: làm các chức năng lưu trữ, biến đổi, kết xuất thông tin trong dạng thuận tiện cho người sử dụng.

- Lượng hóa dữ liệu: khối lượng lớn dữ liệu được cô đặc, được biến đổi một cách toán học thành những chỉ số đánh giá mức độ chân lý của thông tin.

Việc phân chia giữa DSS và MIS (Management Information Systems) không rõ ràng Các phạm vi ứng dụng của DSS tập trung ở các bài toán có độ phức tạp xử lý lớn Những quá trình này thường được đặc trưng bởi:

- Các thao tác của hệ thống bao gồm nhiều hoạt động có ràng buộc qua lại - Có nhiều yếu tố phức tạp ảnh hưởng đến hệ thống

- Quan hệ giữa hệ thống và các yếu tố tác động là phức tạp.

Trong thực tế, một hệ DSS bao gồm không chỉ một hệ máy tính hóa mà gồm bốn thành phần cơ bản tương tác chặt chẽ với nhau:

- Thông tin mô tả bài toán.

- Các quá trình để xử lý thông tin - Bộ phận tự động (máy tính…).

Bộ phận tự động của DSS có thể tách làm hai phần: phần cứng và phần mềm.

Như vậy DSS có thể tách làm năm phần chính: Cơ sở dữ liệu, các chức năng quản trị cơ sở dữ liệu, mô hình lượng hóa, bộ phận sinh báo cáo và giao diện người sử dụng Nói chung DSS cũng bao gồm các thành phần như một hệ xử lý thông tin bất kỳ Sự khác nhau thực sự ở các các điểm sau:

- Phương pháp sử dụng cho giao diện người dùng (dùng ngôn ngữ tự nhiên, tương tác) - Có mặt thành phần lượng hóa để biểu diễn toán học các cấu trúc phức tạp và quan hệ giữa các thành phần khác nhau của bài toán Công cụ lượng hóa của ứng dụng có thể tách thành bốn phần: mô hình hóa, mô hình toán học, kỹ thuật lượng hóa và quy trình giải thuật.

- Cấu trúc và đặc điểm của phần mềm.

III Tích phân mờ trong ra quyết định đa tiêu chuẩn1 Ra quyết định đa tiêu chuẩn

1.1 Khuôn mẫu chung

Một bài toán ra quyết định bao gồm sự lựa chọn khả năng thay thế tốt nhất theo một vài tiêu chuẩn, biết một lượng tri thức nhất định, và được mô hình hóa dưới dạng sau.

Định nghĩa 1: Một bài toán quyết định là một bộ 5 phần tử A, , , ,  X  , với:

 A: Tập các khả năng thay thế hoặc hành động, giữa những cái mà người ra quyết

định phải chọn.

 X: Tập các hệ quả hoặc các kết quả Các hệ quả này xuất phát từ sự lựa chọn một

khả năng thay thế

 : Tập các trạng thái của vũ trụ Theo trạng thái của vũ trụ   (ẩn số thông thường), các hệ quả của sự lựa chọn một khả năng thay thế aA có thể khác biệt

 : A  X chỉ rõ với mỗi trạng thái của  và mỗi sự lựa chọn khả năng thay thế

a dẫn đến xa,

 : Quan hệ thứ tự yếu trên X , quan hệ hai ngôi thỏa mãn

Sinh Viên: Nguyễn Thị Minh Lý _ Lớp C-K54-CNTT trang 15

 là quan hệ ưu tiên Bởi phép loại suy quan hệ thứ tự thông thường trên số học, x>y

nghĩa là xy đúng nhưng không có nghĩa yx (ưu tiên ngặt), và xy nghĩa là ta có cả

xy và yx (sự không phân biệt).

Ý tưởng cơ bản đằng sau lý thuyết thỏa dụng là biến đổi thứ tự yếu  trên X thành thứ tự

thông thường  trên số thực theo nghĩa được gọi là hàm lợi ích u X  : , tính chất cơ bản của nó là

Ta nói rằng u cho thấy  khi tính chất này được thỏa mãn Sự tồn tại của hàm như vậy là bài toán cơ bản trong lý thuyết thỏa dụng.

1.2 Ra quyết định đa tiêu chuẩn

Tiếp theo, ta nói rằng bài toán quyết định đặc trưng, được gọi là quyết định đa tiêu chuẩn: ở đây trạng thái của vũ trụ luôn được biết (do vậy  được định nghĩa trên A), nhưng X lànhiều chiều, kết quả x là bộ n phần tử x1, ,xn,xiXi trong đó Xi tương ứng với các tiêu chuẩn hoặc các thuộc tính Nhận thấy rằng khi trạng thái của vũ trụ được biết, ta có thể xử lý các khả năng thay thế hoặc các kết quả như nhau, với kết quả là quan hệ ưu tiên  có thể

được định nghĩa hoặc trên X hoặc trên A.

Rõ ràng là u bây giờ là hàm nhiều chiều, và vấn đề là tìm các cách thức đơn giản để tính

u Một giải pháp dễ dàng là biểu diễnu với sự trợ giúp của các hàm lợi ích đơn chiều ui theo mỗi tiêu chuẩn.

 1, , n 

u xx H u x1 1 , ,un xn .

H được gọi là toán tử kết hợp nếu ta giả định rằng u1 cho trước, vấn đề chính là tìm toán tử kết hợp phù hợp cái mà biểu diễn quan hệ ưu tiên của sự ra quyết định Một giải pháp đơn giản nhất là phép toán tổng số học:

Như vậy u được gọi là thỏa dụng phụ trợ, và hàng loạt công việc được thực hiện để tìm

các điều kiện trên quan hệ ưu tiên để một hàm lợi ích cộng tính tồn tại Ở khía cạnh này, định lí của Debreu đưa ra một điều kiện cần và đủ, nhưng nó ít được ứng dụng trong thực tế do nó khó.

Tất nhiên, ta có thể sử dụng toán tử kết hợp bất kỳ, với điều kiện là sự lựa chọn có thể được thỏa mãn bài toán được xem xét Mục đích của đề tài chính xác là để khảo sát nếu các tích phân mờ tạo thành một giải pháp cần thiết và thú vị cho bài toán này.

1.3 Độc lập ưu tiên

Độc lập ưu tiên là một khái niệm quan trọng trong ra quyết định đa tiêu chuẩn, có liên quan mật thiết tới sự tồn tại của hàm lợi ích cộng tính Đầu tiên chúng ta đưa ra chú thích sau: Cho J I Khi đó XJ i J Xi, và các thành phần của XJ được biểu thị thành xJ Do vậy, mọi xX có thể được viết thành x xJ, Jc, trong đó c

J cho biết phần bù của J

Định nghĩa 2 Cho JI Không gian các thuộc tính XJđược nói là độc lập ưu tiên của

X đối với mọiJI.

Đại khái, sự ưu tiên của xJhơn yJ không bị chi phối bởi các giá trị xJc còn lại Ta đưa ra đây một ví dụ minh họa, mượn từ Murofushi Ta hãy xem xét vấn đề của các công việc đánh giá, cho các thuộc tính X1= income, X2= working hours và X3= {like,dislike} Hầu hết mọi

người cho rằng X2 là độc lập ưu tiên từ {X2,X3}, tức là nếu (high salary, average working

hours, like) được ưu tiên hơn (low salary, average working hours, like), thì với mọi a,b (highsalary, a, b) sẽ được ưu tiên hơn (low salary, a, b) Theo một hướng, high salary được ưu

tiên hơn low salary, các thuộc tính còn lại tương đương nhau.

Sinh Viên: Nguyễn Thị Minh Lý _ Lớp C-K54-CNTT trang 17

Dễ dàng kiểm chứng rằng sự tồn tại của hàm lợi ích cộng tính chỉ sự độc lập ưu tiên tương tác, nhưng điều ngược lại không đúng Thực tế, bất kỳ toán tử kết hợp liên đới, nói đúng ra chỉ sự độc lập ưu tiên lẫn nhau, như được nhận xét bởi Dubois và Prade.

1.4 Các khuôn mẫu khác

Lý thuyết thỏa dụng đa thuộc tính không chỉ là khuôn mẫu để giải quyết các vấn đề quyết định đa tiêu chuẩn Đại khái, theo cách tiếp cận này ta cộng các số (các monodimensional utility) tương ứng với một định giá tuyệt đối của một khả năng thay thế đã cho đối với một tiêu chuẩn đã cho Đây được gọi là cách tiếp cận chính Trái lại, trong cách tiếp cận tương phản, ta so sánh các khả năng thay thế cặp đối cặp, và ta biểu diễn với một số lượng của mức độ ưu tiên của một khả năng thay thế hơn các khả năng thay thế khác, theo một tiêu chuẩn (định giá tương đối).

Tất cả các quan hệ ưu tiên này khi đó được gộp (cộng tất cả) lại để tính vào tất cả các tiêu chuẩn Trong quá trình kết hợp, tính chất bắc cầu (theo nghĩa thông thường hoặc nghĩa max-min) thường bị bỏ qua nhiều nhất, vì vậy kết quả là một thứ tự không hoàn chỉnh của các khả năng thay thế Cách tiếp cận này được phát triển về cơ bản bởi Roy (các phương pháp ELECTRE) với các quan hệ rõ thông thường, và sau đó bởi Fodor và Roubens với các quan hệ ưu tiên mờ Tuy nhiên, cũng trong cách tiếp cận thứ hai, chúng ta cần một công cụ cho việc kết hợp mà mặc dù có thể có một vài đặc trưng, đại khái đòi hỏi các tính chất như nhau giống các toán tử kết hợp của cách tiếp cận chính Do chủ đề chính của ta ở đây là sự kết hợp, ta có thể tiến hành như nhau theo một hoặc nhiều cách tiếp cận, nhưng ta lựa chọn ở đây cách tiếp cận lý thuyết thỏa dụng đa thuộc tính Một lí do là để các kết quả quan trọng đã sẵn sàng đưa vào khuôn mẫu này, liên quan đến sự độc lập ưu tiên và tính cộng tính của độ đo mờ

2 Các tích phân mờ và các độ đo mờ

Trong phần này, ta trình bày các định nghĩa cơ bản cần thiết Các định nghĩa của các độ đo mờ và các tích phân sẽ được trình bày trong các trường hợp giới hạn của không gian hữu hạn, ta đề cập ở đây các không gian tiêu chuẩn mà hữu hạn (theo cách thông thường)

Các định nghĩa sau đây lợi dụng khái niệm của không gian đo được mà một cặp (X, X),trong đó X thông thường là một  - algebra (đại số) trong một không gian X Do ta đề cậpđến các không gian hữu hạn, ta sẽ xem xét để X đơn giản là tập mạnh X Ta giả định rằng

 1, , n

2.1 Các độ đo mờ

Định nghĩa 3 Một độ đo mờ  định nghĩa trên không gian đo được (X, X) là một hàm

thiết lập : X 0,1 thỏa mãn các tiên đề sau:

(i)  0, X 0 Đây là qui ước thông thường, mặc dù nói chung  X có thể là con số hữu hạn (không hữu hạn) dương bất kỳ.

(ii) AB  A  B (monotonicity) Tính đơn điệu

X,X, coi là một không gian có độ đo mờ.

Chú ý rằng tiên đề cộng tính thông thường đối với các độ đo xác suất

 AB  A  B ,AB, đã được thay thế bởi một tiên đề yếu hơn:tính đơn điệu Các độ đo mờ bao gồm như là các độ đo xác suất các trường hợp riêng, các độ đo xác suất và cần thiết, các hàm tin cậy và đáng tin cậy Một lớp đáng quan tâm của độ đo mờ được xem xét sau đây.

Định nghĩa 4: (Weber) Cho  là một t-conorm và  một độ đo mờ  coi là -decomposable (phân tích được) nếu AB  A  B mỗi khi AB.

Một độ đo khả năng là  -một độ đo phân tích được, và một độ đo xác suất là -một độ đo phân tích được, trong đó  cho biết tổng chặn a  ba b  1.

Khi  là Archimedean với tiền đề g, Weber phân biệt giữa ba loại độ đo phân tích được ,

 (NSA):  là một t-conorm không ngặt (lũy linh) và g:X  0, 1g  là một độ đo cộng tính hữu hạn (g  X là hữu hạn).

 (NSP):  là một t-conorm không ngặt và g:X  0, 1g  là một độ đo giả cộng tính hữu hạn theo nghĩa mà gi t Ai=g 1 

i I

g Ai có thể xảy ra đối với một họ  Aii I của các tập con tách rời.

2.2 Các tích phân mờ

Lúc này, ta đưa ra khái niệm của các tích phân mờ Ta xem xét các tích phân mờ với các toán tử trên 0,1n, ta thu hẹp các định nghĩa tới đoạn 0,1-các hàm trị số.

Định nghĩa 5 Cho là một không gian có độ đo mờ Tích phân Sugeno của một hàm

Định nghĩa cơ bản của dựa trên min và max được mở rộng bởi một vài tác giả, sử dụng các t-conorm Một định nghĩa thông dụng được đề cập tiếp theo.

Định nghĩa 6 Cho X,X, là một không gian có độ đo mờ Tích phân tựa Sugeno của một hàm f X : 0,1 theo  được định nghĩa:

Định nghĩa này do Weber khỏi xướng Một nghiên cứu kỹ lưỡng của Murofushi và Sugeno cho thấy định nghĩa này là sự tổng hợp chung có ý nghĩa nhất của cả max và các toán tử khác Để phân biệt với các định nghĩa hệ quả, nó được gọi là tích phân tựa Sugeno.

Một định nghĩa khác biệt hoàn toàn được Murofushi và Sugeno đưa ra sử dụng một hàm định nghĩa bởi Choquet trong lý thuyết sức chứa (functional defined by Choquet in capacity theory).

Định nghĩa 7 Cho X,X, là một không gian có độ đo mờ Tích phân Choquet của một hàm f X : 0,1 theo  được định nghĩa:

với các chú giải tương tự như trên, và f x (0) 0.

Lúc này ta tiến tới để định nghĩa các tích phân t-conorm mờ, một khái niệm tổng quát hơn bao gồm hầu hết tất cả các loại của các tích phân mờ Để tránh các khai triển không cần thiết và để tập trung vào vấn đề phân tích đa tiêu chuẩn, ta sẽ giới hạn đôi chút định nghĩa các tích phân t-conorm mờ

Định nghĩa 8 Cho F    ,  là một cặp của các t-conorm Archimedean các hàm tiền đề

của nó lần lượt là h,g,với g(1)=1, ví dụ một t-conorm lũy linh, và X,X, một không gian

có độ đo mờ Tích phân t-conorm mờ của hàm f dựa trên F theo  được định nghĩa:

fh Cgh f 

Nhận thấy rằng tích phân Choquet được bù lại với   Chú ý rằng khi  không là Archimedean, các tích phân tựa-Sugeno (quasi-Sugeno) không được bù lại theo định nghĩa này, nhưng điều này có thể được thực hiện bằng cách sử dụng định nghĩa tổng quát.

2.3 Các tính chất của các tích phân mờ

Lúc này ta đưa ra một vài tính chất của các tích phân mờ, có tác dụng đối với sự suy diễn logic.

Tính chất 1 (tính lũy đẳng) Mọi F, bao gồm cả tích phân tựa Sugeno, F a a, , ,a a

Tính chất 2 Cho độ đo riêng min định nghĩa theo cách  B X, BX,min B 0, và

 

  (max định nghĩa theo cách  B X, B0,max B 1, và max  0 ), F min

F max quy về toán tử cực tiểu (cực đại) (tính chất giống nhau với tích phân tựa Sugeno)

Sinh Viên: Nguyễn Thị Minh Lý _ Lớp C-K54-CNTT trang 21