Công Cụ Đánh Giá Năng Lực Nhà Thầu Dựa Trên Thuật Toán SVM Kết Hợp GA

Luận văn thạc sĩ kỹ thuật phân tích quản lý xây dựng xây dựng công cụ đánh giá năng lực nhà thầu dựa vào thuật toán svm kết hợp ga và, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Trần Văn Phúc
• Người hướng dẫn: TS. Chu Việt Cường
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Quản lý Xây dựng
• Đề tài: Công Cụ Đánh Giá Năng Lực Nhà Thầu Dựa Trên Thuật Toán SVM Kết Hợp GA
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: ĐẶT VẤN ĐỀ
• 1.1. Xác định vấn đề nghiên cứu
• 1.2. Các mục tiêu nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Kết luận chương
• 2. CHƯƠNG 2: TỔNG QUAN
• 2.1. Đóng góp của nghiên cứu
• 2.2. Các nghiên cứu trong nước liên quan
• 2.3. Kết luận chương
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Quy trình nghiên cứu chung
• 3.2. Quy trình nghiên cứu chi tiết
• 3.3. Xin ý kiến chuyên gia về tiêu chí để đánh giá gói thầu đã thi công
• 3.4. Xây dựng phương pháp AHP để xử lý số liệu
• 4. CHƯƠNG 4: THU THẬP VÀ PHÂN TÍCH SỐ LIỆU
• 4.1. Lựa chọn, đánh giá các tiêu chí
• 4.2. Kiểm tra theo phương pháp trung bình
• 4.3. Kiểm tra độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
• 4.4. Xây dựng bảng ma trận so sánh cặp để tổng hợp ý kiến các chuyên gia
• 4.5. Sử dụng phần mềm Expert Choice để tính trọng số các tiêu chí và chỉ số độ tin cậy
• 4.6. Thu thập, xử lý dữ liệu
• 4.7. Tính điểm và phân loại dữ liệu, gán nhãn dữ liệu
• 4.8. Xây dựng tiêu chí cho tập huấn luyện
• 4.9. Kết luận chương
• 5. CHƯƠNG 5: XÂY DỰNG MÔ HÌNH SVM KẾT HỢP GA TRÊN MÔI TRƯỜNG MATLAB
• 5.1. Mô hình SVM kết hợp GA
• 5.2. Mô hình SVM đã được huấn luyện với C*, y* đã tối ưu
• 5.3. Xây dựng mô hình trên Matlab
• 5.4. Kết luận chương
• 6. CHƯƠNG 6: ĐÁNH GIÁ, ĐỀ XUẤT PHÁT TRIỂN
• 6.1. Đánh giá mô hình theo phương pháp Accuracy
• 6.2. Hạn chế của nghiên cứu
• 6.3. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Công Cụ Đánh Giá Năng Lực Nhà Thầu

Công cụ đánh giá năng lực nhà thầu là một phần quan trọng trong quản lý xây dựng. Việc xác định năng lực của nhà thầu giúp đảm bảo chất lượng và tiến độ của dự án. Trong bối cảnh hiện nay, việc ứng dụng công nghệ vào đánh giá năng lực nhà thầu trở nên cần thiết hơn bao giờ hết. Thuật toán SVM kết hợp với GA là một trong những giải pháp hiệu quả để thực hiện điều này.

1.1. Định Nghĩa Công Cụ Đánh Giá Năng Lực Nhà Thầu

Công cụ đánh giá năng lực nhà thầu là hệ thống giúp phân tích và đánh giá khả năng thực hiện dự án của nhà thầu. Nó sử dụng các tiêu chí cụ thể để đưa ra quyết định chính xác.

1.2. Tầm Quan Trọng Của Việc Đánh Giá Năng Lực Nhà Thầu

Việc đánh giá năng lực nhà thầu không chỉ giúp giảm thiểu rủi ro mà còn đảm bảo chất lượng công trình. Điều này đặc biệt quan trọng trong các dự án lớn và phức tạp.

II. Thách Thức Trong Đánh Giá Năng Lực Nhà Thầu

Đánh giá năng lực nhà thầu gặp nhiều thách thức, đặc biệt là trong việc thu thập và phân tích dữ liệu. Các phương pháp truyền thống thường không đáp ứng được yêu cầu về độ chính xác và tốc độ. Do đó, cần có những giải pháp mới để cải thiện quy trình này.

2.1. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu từ các nhà thầu thường gặp khó khăn do thiếu thông tin hoặc thông tin không chính xác. Điều này ảnh hưởng đến độ tin cậy của kết quả đánh giá.

2.2. Giới Hạn Của Các Phương Pháp Truyền Thống

Các phương pháp truyền thống thường không thể xử lý được các yếu tố phi tuyến, dẫn đến kết quả không chính xác. Cần có các phương pháp hiện đại hơn để khắc phục vấn đề này.

III. Phương Pháp Sử Dụng Thuật Toán SVM Kết Hợp GA

Phương pháp sử dụng thuật toán SVM kết hợp với GA là một giải pháp hiệu quả trong việc đánh giá năng lực nhà thầu. SVM giúp phân loại dữ liệu, trong khi GA tối ưu hóa các tham số của mô hình, từ đó nâng cao độ chính xác của kết quả.

3.1. Giới Thiệu Về Thuật Toán SVM

Thuật toán SVM (Support Vector Machine) là một trong những phương pháp phân loại mạnh mẽ nhất hiện nay. Nó giúp phân tách các lớp dữ liệu một cách hiệu quả.

3.2. Vai Trò Của Genetic Algorithm GA Trong Tối Ưu Hóa

GA là một phương pháp tối ưu hóa dựa trên nguyên lý chọn lọc tự nhiên. Nó giúp tối ưu hóa các tham số của SVM, từ đó cải thiện hiệu suất của mô hình.

IV. Ứng Dụng Thực Tiễn Của Công Cụ Đánh Giá Năng Lực Nhà Thầu

Công cụ đánh giá năng lực nhà thầu không chỉ giúp các nhà đầu tư nhanh chóng tìm ra nhà thầu phù hợp mà còn có thể áp dụng trong nhiều lĩnh vực khác nhau. Kết quả nghiên cứu cho thấy công cụ này có thể cải thiện đáng kể quy trình lựa chọn nhà thầu.

4.1. Kết Quả Nghiên Cứu Từ Ứng Dụng Thực Tế

Nghiên cứu cho thấy việc áp dụng công cụ này giúp giảm thiểu thời gian và chi phí trong quá trình lựa chọn nhà thầu. Điều này đã được chứng minh qua các dự án thực tế.

4.2. Tiềm Năng Mở Rộng Ứng Dụng

Công cụ này không chỉ giới hạn trong lĩnh vực xây dựng mà còn có thể được áp dụng trong các lĩnh vực khác như quản lý dự án, phân tích dữ liệu và nhiều lĩnh vực khác.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Công cụ đánh giá năng lực nhà thầu dựa trên thuật toán SVM kết hợp GA đã chứng minh được hiệu quả trong việc nâng cao độ chính xác và giảm thiểu rủi ro. Hướng phát triển tương lai có thể bao gồm việc mở rộng ứng dụng và cải tiến thuật toán.

5.1. Tóm Tắt Kết Quả Nghiên Cứu

Nghiên cứu đã chỉ ra rằng việc áp dụng công nghệ hiện đại vào đánh giá năng lực nhà thầu mang lại nhiều lợi ích. Công cụ này giúp cải thiện quy trình lựa chọn nhà thầu một cách hiệu quả.

5.2. Định Hướng Phát Triển Trong Tương Lai

Trong tương lai, cần tiếp tục nghiên cứu và phát triển công cụ này để đáp ứng tốt hơn nhu cầu thực tiễn. Việc tích hợp thêm các công nghệ mới sẽ giúp nâng cao hiệu quả của công cụ.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh ngành xây dựng ngày càng phát triển, việc lựa chọn nhà thầu đủ năng lực thi công đóng vai trò quyết định đến thành công của dự án. Theo ước tính, các dự án xây dựng nhà cao tầng tại TP. Hồ Chí Minh từ năm 2008 đến 2019 đã chứng kiến sự gia tăng mạnh mẽ về số lượng và quy mô, kéo theo nhu cầu cấp thiết về công cụ đánh giá năng lực nhà thầu một cách nhanh chóng, chính xác và giảm thiểu rủi ro. Vấn đề đặt ra là làm thế nào để xác định nhà thầu phù hợp với chi phí thấp, thời gian ngắn và độ chính xác cao trong môi trường phức tạp, phi tuyến tính của ngành xây dựng.

Mục tiêu nghiên cứu của luận văn là xây dựng một công cụ đánh giá năng lực nhà thầu dựa trên thuật toán máy học SVM (Support Vector Machine) kết hợp thuật toán Di truyền (GA) và phương pháp phân tích thứ bậc (AHP) trong môi trường Matlab. Phạm vi nghiên cứu tập trung vào các gói thầu xây dựng dân dụng và công nghiệp cao tầng tại TP. Hồ Chí Minh, với dữ liệu thu thập từ các dự án hoàn thành trong giai đoạn 2008-2019. Nghiên cứu nhằm cung cấp một công cụ hỗ trợ chủ đầu tư và nhà quản lý dự án trong việc lựa chọn nhà thầu một cách khách quan, giảm thiểu chi phí phân tích và rủi ro, đồng thời nâng cao hiệu quả quản lý dự án xây dựng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên ba nền tảng lý thuyết chính:

1. Thuật toán Support Vector Machine (SVM): Là phương pháp phân loại phi tuyến mạnh mẽ, SVM tìm siêu phẳng tối ưu phân tách dữ liệu thành hai lớp với biên lớn nhất. Hàm hạt nhân Radial Basis Function (RBF) được sử dụng để chuyển đổi dữ liệu vào không gian đặc trưng, giúp phân loại các trường hợp phi tuyến tính. Hai tham số quan trọng là hệ số phạt C và hệ số gamma (γ) ảnh hưởng trực tiếp đến hiệu suất của SVM.

2. Thuật toán Di truyền (Genetic Algorithm - GA): GA được áp dụng để tối ưu hóa hai tham số C và γ của SVM. Thuật toán mô phỏng quá trình tiến hóa tự nhiên qua các bước mã hóa, chọn lọc, lai ghép và đột biến nhằm tìm ra cặp tham số tối ưu, giúp nâng cao độ chính xác của mô hình phân loại.

3. Phương pháp Phân tích thứ bậc (AHP): AHP được sử dụng để xác định trọng số các tiêu chí đánh giá năng lực nhà thầu dựa trên ý kiến chuyên gia. Phương pháp này xây dựng cấu trúc phân lớp, so sánh cặp tiêu chí và kiểm tra độ nhất quán qua chỉ số CR, đảm bảo tính khách quan và hợp lý trong việc đánh giá.

Các khái niệm chính bao gồm: năng lực nhà thầu, tiêu chí đánh giá (tiến độ, chất lượng, tài chính, kinh nghiệm, công nghệ, nhân lực, an toàn), hàm hạt nhân RBF, tham số C và γ trong SVM, các phép toán trong GA (chọn lọc, lai ghép, đột biến), và chỉ số độ chính xác (Accuracy) trong đánh giá mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ các gói thầu xây dựng dân dụng và công nghiệp cao tầng tại TP. Hồ Chí Minh, với tổng số mẫu khoảng 50 gói thầu đã hoàn thành trong giai đoạn 2008-2019. Dữ liệu bao gồm hồ sơ năng lực, hợp đồng, thanh quyết toán và các thông tin liên quan đến tiến độ, chất lượng, tài chính, kinh nghiệm thi công, công nghệ thiết bị, nguồn nhân lực và an toàn thi công.

Phương pháp chọn mẫu là chọn mẫu phi xác suất theo phương pháp thuận tiện, tập trung vào các gói thầu có đầy đủ thông tin và được đánh giá bởi các chuyên gia trong lĩnh vực xây dựng. Dữ liệu được xử lý bằng phần mềm SPSS để kiểm định độ tin cậy thang đo (Cronbach’s Alpha = 0.853), phần mềm Expert Choice để tính trọng số tiêu chí theo AHP, và Matlab R2018b để xây dựng mô hình SVM kết hợp GA.

Quy trình nghiên cứu gồm các bước: xác định tiêu chí đánh giá qua khảo sát chuyên gia, xây dựng tập huấn luyện và tập kiểm thử (tỷ lệ 70:30), phát triển mô hình SVM với tham số tối ưu bằng GA, đánh giá mô hình qua chỉ số Accuracy, và đề xuất ứng dụng công cụ trong thực tế. Thời gian nghiên cứu từ tháng 8/2018 đến tháng 6/2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xác định 8 tiêu chí cơ bản thể hiện năng lực nhà thầu: Qua khảo sát 10 chuyên gia và phân tích thống kê, các tiêu chí gồm: tiến độ thực tế đạt được, quản lý chất lượng, tình hình tài chính, kinh nghiệm chỉ huy trưởng, kinh nghiệm nhà thầu, công nghệ thiết bị máy móc, nguồn nhân lực và an toàn thi công. Tiêu chí tiến độ thực tế đạt được được đánh giá cao nhất với điểm trung bình 4.8/5, tiếp theo là tình hình tài chính và kinh nghiệm nhà thầu với điểm trung bình trên 4.5.

2. Tối ưu tham số SVM bằng GA nâng cao hiệu suất phân loại: Thuật toán GA đã tìm ra cặp tham số C* và γ* tối ưu cho mô hình SVM, giúp tăng độ chính xác phân loại lên khoảng 92% trên tập kiểm thử, cao hơn so với mô hình SVM không tối ưu (khoảng 85%).

3. Mô hình đánh giá năng lực nhà thầu đạt độ chính xác cao: Công cụ xây dựng trên Matlab cho phép phân loại nhà thầu thành hai nhóm "đạt" và "không đạt" dựa trên điểm số tổng hợp từ các tiêu chí. Tỷ lệ dự đoán chính xác trên tập kiểm thử đạt 92%, giúp giảm thiểu rủi ro trong lựa chọn nhà thầu.

4. So sánh với các phương pháp truyền thống: Mô hình kết hợp SVM-GA-AHP cho kết quả khách quan và nhanh chóng hơn so với phương pháp thủ công hoặc chỉ dựa trên AHP, đồng thời xử lý tốt tính phi tuyến và phức tạp của dữ liệu xây dựng.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt hiệu quả cao là việc kết hợp hài hòa giữa phương pháp đánh giá trọng số tiêu chí AHP dựa trên ý kiến chuyên gia và thuật toán máy học SVM được tối ưu tham số bằng GA. Việc sử dụng hàm hạt nhân RBF giúp mô hình xử lý tốt các dữ liệu phi tuyến tính đặc trưng trong lĩnh vực xây dựng. Kết quả này phù hợp với các nghiên cứu quốc tế về ứng dụng SVM trong phân loại và dự đoán, đồng thời khắc phục hạn chế của các phương pháp truyền thống như tính chủ quan và thời gian xử lý lâu.

Dữ liệu có thể được trình bày qua biểu đồ cột thể hiện điểm trung bình các tiêu chí đánh giá, bảng so sánh độ chính xác mô hình SVM trước và sau tối ưu tham số, cũng như biểu đồ ROC minh họa hiệu quả phân loại của mô hình. Những phát hiện này có ý nghĩa thực tiễn lớn trong việc hỗ trợ chủ đầu tư và nhà quản lý dự án lựa chọn nhà thầu phù hợp, giảm thiểu rủi ro và chi phí.

Đề xuất và khuyến nghị

1. Triển khai công cụ đánh giá năng lực nhà thầu trên quy mô rộng: Chủ đầu tư và các ban quản lý dự án nên áp dụng công cụ SVM-GA-AHP trên Matlab để đánh giá nhanh chóng và chính xác năng lực nhà thầu, đặc biệt trong các dự án xây dựng nhà cao tầng tại TP. Hồ Chí Minh trong vòng 1-2 năm tới.

2. Đào tạo và nâng cao năng lực sử dụng công cụ cho cán bộ quản lý: Tổ chức các khóa đào tạo về phần mềm Matlab và thuật toán SVM kết hợp GA cho cán bộ quản lý dự án, giúp họ hiểu và vận dụng hiệu quả công cụ trong công tác lựa chọn nhà thầu.

3. Mở rộng ứng dụng công cụ sang các lĩnh vực xây dựng khác: Nghiên cứu và phát triển thêm các tập huấn luyện phù hợp để áp dụng công cụ đánh giá năng lực cho các lĩnh vực như dự đoán địa tầng, chất lượng vật liệu, năng lực tổ chức tư vấn giám sát, và năng lực chủ đầu tư trong vòng 3-5 năm tới.

4. Cập nhật và bổ sung tiêu chí đánh giá định kỳ: Định kỳ rà soát, cập nhật các tiêu chí đánh giá năng lực nhà thầu dựa trên thực tiễn và phản hồi từ các chuyên gia, đảm bảo công cụ luôn phù hợp với xu hướng phát triển của ngành xây dựng.

Đối tượng nên tham khảo luận văn

1. Chủ đầu tư và Ban quản lý dự án xây dựng: Giúp họ có công cụ khách quan, nhanh chóng để lựa chọn nhà thầu phù hợp, giảm thiểu rủi ro và chi phí trong quá trình đấu thầu.

2. Các nhà thầu xây dựng: Tham khảo để hiểu rõ các tiêu chí đánh giá năng lực, từ đó nâng cao chất lượng và năng lực thi công nhằm đáp ứng yêu cầu của chủ đầu tư.

3. Các nhà nghiên cứu và sinh viên chuyên ngành Quản lý Xây dựng: Cung cấp cơ sở lý thuyết và phương pháp ứng dụng trí tuệ nhân tạo trong đánh giá năng lực nhà thầu, mở rộng hướng nghiên cứu về máy học và tối ưu hóa trong xây dựng.

4. Các tổ chức đào tạo và tư vấn xây dựng: Áp dụng công cụ để tư vấn cho khách hàng trong việc lựa chọn nhà thầu, đồng thời tích hợp vào chương trình đào tạo nâng cao năng lực quản lý dự án.

Câu hỏi thường gặp

1. Công cụ đánh giá năng lực nhà thầu này có thể áp dụng cho các loại dự án nào?
   Công cụ được phát triển chủ yếu cho các dự án xây dựng dân dụng và công nghiệp cao tầng tại TP. Hồ Chí Minh, nhưng có tiềm năng mở rộng sang các lĩnh vực xây dựng khác với tập huấn luyện phù hợp.

2. Phương pháp SVM kết hợp GA có ưu điểm gì so với các phương pháp truyền thống?
   SVM xử lý tốt dữ liệu phi tuyến, GA tối ưu tham số giúp nâng cao độ chính xác, trong khi các phương pháp truyền thống thường mang tính chủ quan và không xử lý được tính phức tạp của dữ liệu.

3. Làm thế nào để xác định trọng số các tiêu chí đánh giá năng lực nhà thầu?
   Trọng số được xác định bằng phương pháp AHP dựa trên khảo sát ý kiến của các chuyên gia trong lĩnh vực xây dựng, đảm bảo tính khách quan và hợp lý.

4. Độ chính xác của mô hình được đánh giá như thế nào?
   Mô hình được đánh giá bằng chỉ số Accuracy trên tập kiểm thử, đạt khoảng 92%, cho thấy khả năng phân loại nhà thầu đạt và không đạt rất cao.

5. Công cụ này có thể tự động dự đoán năng lực nhà thầu mới không?
   Có, sau khi được huấn luyện với tập dữ liệu đủ lớn và đa dạng, công cụ có thể dự đoán năng lực nhà thầu mới dựa trên các tiêu chí đầu vào, giúp giảm chi phí phân tích và rủi ro.

Kết luận

• Đã xác định và thống nhất 8 tiêu chí cơ bản thể hiện năng lực nhà thầu xây dựng phù hợp với thực tiễn tại TP. Hồ Chí Minh.
• Phát triển thành công công cụ đánh giá năng lực nhà thầu dựa trên thuật toán SVM kết hợp GA và phương pháp AHP trên môi trường Matlab.
• Mô hình đạt độ chính xác phân loại khoảng 92%, vượt trội so với các phương pháp truyền thống.
• Công cụ giúp chủ đầu tư và nhà quản lý dự án lựa chọn nhà thầu nhanh chóng, chính xác, giảm thiểu rủi ro và chi phí.
• Đề xuất mở rộng ứng dụng công cụ sang các lĩnh vực xây dựng khác và cập nhật tiêu chí đánh giá định kỳ để nâng cao hiệu quả sử dụng.

Tiếp theo, nghiên cứu sẽ tập trung vào mở rộng tập dữ liệu huấn luyện, phát triển giao diện người dùng thân thiện hơn và tích hợp công cụ vào hệ thống đấu thầu điện tử. Chủ đầu tư, nhà quản lý dự án và các nhà nghiên cứu được khuyến khích áp dụng và phát triển công cụ nhằm nâng cao hiệu quả quản lý năng lực nhà thầu trong ngành xây dựng.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP. HỎ CHÍ MINH 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: 60.02 LUẬN VĂN THẠC SĨ TP. Hồ Chí Minh, Năm 2019 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI 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. Cán bộ cham phản biện 2: TS. NGUYEN TUẦN KIẸT.------- Luận Văn Thạc sĩ được bảo vệ tại Hội đông cham bảo vệ 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.

DO TIEN SY 2. PHAM VU HONG SƠN 3. NGUYEN TUAN KIET 4. TRAN ĐỨC HOC 5.

NGUYEN ANH THU Xác nhận của Chu tịch Hội đồng đánh giá Luận văn và Trưởng khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có). nam 2019 CHU TICH HOI DONG KHOA KY THUAT XAY DUNG TS. DO TIEN SY ĐẠI HỌC QUOC GIA TP. HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc ẮúúẮẮẮẦẮ) ---oÒO--- TP.

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: 1670149 1- TEN DE TAI: XÂY DUNG CONG CU DANH GIA NANG LUC NHÀ THAU DỰA VÀO THUAT TOÁN SVM KET HỢP GA VÀ PHƯƠNG PHAP AHP TRONG 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 chuyên gia * Ung dụng phương pháp AHP bang phần mềm Expert Choice để tính toán trọng số các tiêu chí, phân loại tập dữ liệu huấn luyện. Xây dựng mô hình SVM kết hợp GA để đánh giá năng lực nhà thầu trên phần mềm Matlab 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: 02/06/2019 5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS. CHU VIỆT CƯỜNG TPHCM, ngày.

năm 2019 CÁN BỘHƯỚNG DÂN CHỦ NHIỆM BM ĐÀO TẠO KHOA KỸ THUẬT XÂY DUNG TS. CHU VIỆT CƯỜNG TS. ĐỒ TIEN SY LỜI CÁM ƠN Em xin bày to lòng biết ơn sâu sắc đến Thay TS.Chu Việt Cường vẻ sự tin tưởng, 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 và Quản lý Xây Dựng, Trường Đại học Bách Khoa Thành phố Hồ Chí Minh về kiến thức mà các thầy cô đã truyền đạt.

Xin cảm ơn gia đình đã động viên học tập và các Anh, Chị, Em đồng nghiệp tại công ty CPXD &KD Địa Ốc Tân Kỷ đã hỗ trợ tôi trong quá trình thực hiện Luận văn. Hô Chí Minh, ngày 02 thang 06 năm 2019 Người thực hiện luận văn Trần Văn Phúc Trang 0 TÓM TẮT LUẬN VĂN. Dé tìm ra một nhà thâu đủ năng lực để thi công là một trong các yếu t6 quyết định đến sự thành bại của dự án xây dựng. Vậy, làm cách nào để tìm ra nhà thầu này một cách nhanh chóng, tốn ít chỉ phí, ít rủi ro và cho độ chính xác cao,.

đang là một thách thức lớn trong lĩnh vực xây dựng. Nhằm mục đích giải quyết vẫn đề này, tác giả đã phát triển công cụ đánh giá năng lực nhà thầu bằng phương pháp Trí tuệ nhân tạo. Trí tuệ nhân tạo (Artificial Intelligence - AI) 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 của làn sóng công nghiệp lần thứ tư. Trong luận văn nảy, tác giả ứng dụng thuật toán SVM kết hợp GA, sử dụng kết quả thực tế và phương pháp AHP để xây dựng tập huấn luyện.

Công cụ được viết trên nên Matlab trực quan va dé sử dụng. Phương pháp SVM là một trong những phương pháp phân loại phi tuyến mạnh nhất hiện nay. Trong đó, có 2 tham số người dùng phải tự định nghĩa, nó quyết định hiệu suất làm việc của SVM. Tác giả đã kết hợp phương pháp Di truyền (GA) để tối ưu 2 tham số này nhằm tăng hiệu suất của công cụ.

Công cụ nảy không chỉ giúp Nhà đầu tư đánh giá nhanh chóng năng lực nhà thầu 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 pháp AHP, Phan mềm Malab. Trang | ABSTRACT Seeking a qualified contractor for construction is one of the decisive factors for the success of a construction project. There fore, how to find this contractor quickly, with a low cost, risk reduction and high accuracy,.

is a major challenge in the construction sector. In this regard, the author has developed a tool to assess contractor capabilities with Artificial Intelligence. Artificial Intelligence (abbreviated AI) is one of the most exciting technologies nowadays and represents for the fourth industrial revolution. In this thesis, the author applies SVM algorithm combined with genetic method (GA), and uses actual results together with AHP method to build a training set.

The Matlab tool is visual and easy to use. SVM method is one of the most powerful nonlinear classifying methods today. In that method, the determination of two user parameters is crucial, and it influences to the performance of SVM.The SVM algorithm has been combined with GA to optimize these two parameters, subsequently leads to the increase in the efficiency of the tool. This tool not only helps investors to quickly assess contractor capability but also possesses the potential to classify other fields with the corresponding training.

Keywords: SVM Method, Genetic Methods (GA), AHP Method, Matlab Software. Trang 2 LỜI CAM ĐOAN CỦA TÁC GIÁ LUẬN VĂN Tôi, Trần Văn Phúc, xin cam đoan rằng trong quá trình thực hiện Luận văn đề tài “ Xây dựng công cu đánh giá năng lực nhà thầu dựa vào thuật toán SVM kết hợp Ga và phương pháp AHP trong môi trường Matlab” các kết quả nghiên cứu được thực hiện hoàn toàn trung thực và chưa được công bố ở bất kỳ nghiên cứu nào. Tôi xin chịu hoàn toàn trách nhiệm vê nghiên cứu của mình. Hô Chi Minh, ngày 02 thang 06 năm 2019 Người thực hiện luận văn Trần Văn Phúc Trang 3 MỤC: LUC TOM TAT LUẬN VĂN.- kh 111112111 1111212111 1111111111 1n kg 0 CHUONG 1: DAT VAN ĐỀ.

ch S111 ST 11T ng ng reg 8 1. Xác định van đề nghiên CỨU.----- ¿225256 2E+ESE‡E#EEEE£ESEEErErrrkrerrerered 8 1. Các mục tiêu nghiÊn CỨU:. Phạm vi nghiÊn CỨU:.

Kết luận chương:. 9 CHƯƠNG 2: TONG QUAN. Đóng góp của nghiÊn CỨU:. Ăn ng vớ II 2.

-G- G1 1v 11 1v vn TH TH ng HH nung ri 11 2. Cac nghiên cứu trong nước liên QUAN:. Các nghiên cứu nước ngoài lIÊn QUaI. So sánh PP SVM và PP mang Neuron :.

Tối ưu hệ số phạt C, hệ số y trong SVM 2 veeeeeseccccscsesesesesssssseesesssssseseseees 18 2. Ưu điểm của thuật toán Di truyền trong việc tối ưu hai hệ số C, y. Tổng hợp đánh giá các tiêu chí lựa chọn theo công thức. 19 * Thuật toán SVM (Support Vector Machine).

Ý tưởng của phương pháp:. Khái niệm trình phân loại SVM. Khái niệm hàm hạt nhân:. Phân lớp tuyến tính:.

--¿- - + E92 E+E+EEEE2E9E2E23E1 212111211 xe cree. Phân lớp phi tuyến tính:. Các tính chất của Di truyÊn. Cơ chế của Di tTuUyÊn.

Hàm mục tiêu (fitness ÍUnCfIOT)). Chon lọc cá thé (selection). Quy tac bánh xe Roulete (Roulete wheel selection). Chon loc xép hang (Rank Selection).

Chon lọc cắt (Truncation sel€€tiOn).--¿-s +5 xxx SE EeEseseseseree 28 2. Lai ghép một điểm (one point CrOSSOVET). Đột biến một GEM. occ cssesecececeseevscsccesssvsvscececcsvevscsceeesevecsceseees 29 *Phương pháp AHP?.

Các phương pháp đánh giá mô hình máy học. Đánh giá bang phương pháp A€CuraCy. G111 SE 111191111 0111911111 11111111 TT ng gu rkg 33 CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU. Quy trình nghiên cứu CHUNG?.

Quy trình nghiên cứu Chi tiẾt:. Xin ý kiến chuyên gia về tiêu chí để đánh giá gói thầu đã thi công:. Xây dựng phương pháp AHP dé xử lý số liệu. LH S11 HT 11111 1T H111 TT HH1 rep Al CHUONG 4: THU THẬP VA PHAN TÍCH SO LIỆU.

Lựa chọn, đánh giá các tiêu ChÍ:.---ccS 1111133991 1999 1 1111111 ng re. Kiểm tra theo phương pháp trung bình. Kiểm tra độ tin cậy của thang đo băng hệ số Cronbach’s Alpha. Xây dựng bảng ma trận so sánh cặp dé tong hợp ý kiến các chyên gia.

Sử dung phan mềm Expert choice dé tính trọng số các tiêu chi và chỉ số độ 0Ì;)8300780). Thu thập, xử lý dữ lIỆU:. Tính điểm va phân loại dữ liệu, gan nhãn dữ liệu. Xây dựng tiêu chí cho tập huấn luyện.

Kết luận chương. 54 CHƯƠNG 5: XÂY DUNG MO HINH SVM KET HỢP GA TREN MOI TRUONG MATLAB. Mô hình SVM kết hop GA?. Mô hình SVM đã được huấn luyện với C*,y* đã tối ưu.

Xây dựng mô hình trên Matlab. Kết luận chương. --- << Sex 311515151513 1 1111111111111 1e 60 CHƯƠNG 6: DANH GIA, DE XUẤT PHAT TRIÉN.---- 55s csxse£ss2 61 Trang 5 6. Đánh gia mô hình theo phương pháp ACCUTaACV:.

G11 TT 10111111 0111111111 1111110 TT HT ng 64 6. Hạn chế của nghiên COU: .--¿- - ¿56 E+S£SE+E+E£EE£E#EEEEEEEEEErEerrrrkrrerered 65 6. Hướng nghiên cứu tiẾp theO.-- - ¿5-6-5252 SE‡E#EEE£EEEEEerrkrrrrerrred 65 CHƯƠNG7: TÀI LIỆU THAM KHẢO PHỤ LỤC 64 Trang 6 MỤC LỤC HÌNH ẢNH Hình 1. Ví dụ về biểu diễn tập dữ liệu phân tách tuyến tính.

Biéu diễn tập dữ liệu phân tách phi tuyến tính trên không gian 2 chiều 24 Hình 3. Chọn lọc theo quy tắc bánh xe Roulete. Phân bố của các NST trước khi xếp hạng. Phân bố của các NST sau khi xếp hang .---- 2-5-5 2 5s+c+ce sec: 28 Hình 7.

Cơ chế lai ghép một điỂm. Sơ đồ giải thuật Di truyễn. Chia dữ liệu thành Data training: Data 'Ï'eSỂ. Nhập dữ liệu các tiêu chí vào phần mém SPSS.

Chọn thang đo SCaÏ€. Nhập dữ liệu training từ file Excel vào Matlab R2018b. Load Thư viện Libsvmwrite vào phan mềm Matlab. Xây dựng thuật toán Svm trên Matlab.

Xây dựng thuật toán GA trên phần mềm Miatlab. Xây dựng mô hình huấn luyện SVM kết hợp GA trên Matlab. Mô hình SVM với dau ra y=l, -l.---- 2 scc+cecs+esrerseree 60 Hình 19. Kết quả C*,y* trả về trong mô hình Matlab.

Nhập C*,y* lưu lại thành file model.mat dé load vào mô hình Svm. Kết quả kiểm thử với nhà thâu trong dữ liệu Data Test. 63 Trang 7 MỤC LUC BANG BIEU Bang 1. Thang đo đánh giá 9 mức dO.

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. Kết quả kiểm định Cronbach’s Alpha.