Luận văn Thạc sĩ: Một số ứng dụng của hạt dữ liệu trong CNTT

Luận văn thạc sĩ: Ứng dụng hạt dữ liệu trong luận văn ThS công nghệ thông tin. Nghiên cứu mã số 1 01 10, phân tích và ứng dụng thực tiễn.

• Tác giả: Đinh Quang Thắng
• Người hướng dẫn: Pgs.Ts Hoàng Chí Thành
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Một Số Ứng Dụng Của Hạt Dữ Liệu
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2005
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Ứng Dụng Hạt Dữ Liệu trong Luận Văn CNTT

Trong những năm gần đây, tính toán hạt đã chứng minh tiềm năng to lớn trong nhiều lĩnh vực, bao gồm trí tuệ nhân tạo, phân tích dữ liệu, và học máy. Ứng dụng này ngày càng phát triển, thu hút sự chú ý của nhiều nhà nghiên cứu. Tính toán hạt cung cấp một phương pháp giải quyết các bài toán phức tạp bằng cách nhóm các phần tử tương tự thành các hạt dữ liệu, giúp đơn giản hóa quá trình xử lý và phân tích. Luận văn này tập trung vào việc khám phá các ứng dụng hạt dữ liệu trong bối cảnh công nghệ thông tin, đặc biệt là trong luận văn thạc sĩ công nghệ thông tin. Theo Zadeh (1997), tính toán hạt là một thuật ngữ bao hàm các lý thuyết, phương pháp, kỹ thuật và công cụ sử dụng các hạt để giải quyết các bài toán. Điều này mở ra một hướng tiếp cận mới cho việc xử lý dữ liệu và khai phá tri thức từ các tập dữ liệu lớn. Mục tiêu là cung cấp một cái nhìn tổng quan về hạt dữ liệu, cách chúng được xây dựng, tổ chức và ứng dụng trong các bài toán thực tế.

1.1. Khái niệm cốt lõi của tính toán hạt

Tính toán hạt là một phương pháp luận giải quyết vấn đề bằng cách sử dụng các hạt dữ liệu thay vì các phần tử riêng lẻ. Các hạt này có thể là các nhóm, các lớp hoặc các cụm của một tập hợp các phần tử. Mục tiêu là giảm độ phức tạp của bài toán bằng cách xử lý dữ liệu ở mức độ trừu tượng cao hơn. Zadeh (1979) đã đề xuất các hạt thông tin mờ, một khái niệm quan trọng trong lĩnh vực này. Ứng dụng của tính toán hạt đã phát triển nhanh chóng và đóng vai trò quan trọng trong sự phát triển của logic mờ và lý thuyết tập thô.

1.2. Ưu điểm vượt trội của hạt dữ liệu trong phân tích dữ liệu

Sử dụng hạt dữ liệu mang lại nhiều lợi ích trong phân tích dữ liệu, bao gồm khả năng xử lý thông tin không đầy đủ, không chắc chắn hoặc không rõ ràng. Trong những tình huống như vậy, việc phân biệt các phần tử riêng lẻ có thể khó khăn, và việc nghiên cứu các hạt trở nên hiệu quả hơn. Ngoài ra, hạt dữ liệu có thể giúp giảm chi phí tính toán bằng cách xử lý dữ liệu ở mức độ trừu tượng cao hơn, ngay cả khi có sẵn thông tin chi tiết. Điều này đặc biệt quan trọng trong bối cảnh các bài toán doanh nghiệp lớn, nơi hiệu quả và chi phí là những yếu tố then chốt.

1.3. Các mô hình tiêu biểu của tính toán hạt trong CNTT

Có nhiều mô hình tính toán hạt khác nhau, mỗi mô hình có những ưu điểm và hạn chế riêng. Một số mô hình phổ biến bao gồm mô hình dựa trên lý thuyết tập mờ, mô hình dựa trên lý thuyết tập thô và mô hình dựa trên lý thuyết tập hợp thông thường. Mỗi mô hình cung cấp một cách tiếp cận khác nhau để xây dựng, tổ chức và xử lý các hạt dữ liệu. Việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm của bài toán cụ thể và yêu cầu của ứng dụng.

II. Thách Thức Khi Ứng Dụng Hạt Dữ Liệu trong CNTT

Mặc dù mang lại nhiều lợi ích, ứng dụng hạt dữ liệu cũng đối mặt với một số thách thức đáng kể. Một trong những thách thức chính là xác định phương pháp kết hạt tối ưu cho một bài toán cụ thể. Việc lựa chọn phương pháp kết hạt không phù hợp có thể dẫn đến mất mát thông tin quan trọng hoặc tăng độ phức tạp của bài toán. Ngoài ra, việc xây dựng các hạt dữ liệu hiệu quả và có ý nghĩa đòi hỏi sự hiểu biết sâu sắc về miền ứng dụng và các thuộc tính của dữ liệu. Một thách thức khác là phát triển các công cụ và kỹ thuật để quản trị dữ liệu và bảo mật dữ liệu trong môi trường hạt dữ liệu. Các hạt dữ liệu có thể chứa thông tin nhạy cảm, và việc đảm bảo tính bảo mật và riêng tư của thông tin này là rất quan trọng.

2.1. Xác định phương pháp kết hạt dữ liệu tối ưu

Việc lựa chọn phương pháp kết hạt phù hợp là rất quan trọng để đảm bảo hiệu quả của ứng dụng hạt dữ liệu. Các phương pháp kết hạt khác nhau có thể dẫn đến các hạt dữ liệu khác nhau, và việc lựa chọn phương pháp không phù hợp có thể dẫn đến mất mát thông tin quan trọng hoặc tăng độ phức tạp của bài toán. Do đó, cần phải xem xét kỹ lưỡng các đặc điểm của bài toán và các thuộc tính của dữ liệu để lựa chọn phương pháp kết hạt tối ưu. Các yếu tố cần xem xét bao gồm độ phức tạp của bài toán, kích thước của tập dữ liệu và mức độ không chắc chắn của thông tin.

2.2. Xây dựng hạt dữ liệu hiệu quả ý nghĩa

Việc xây dựng các hạt dữ liệu hiệu quả và có ý nghĩa đòi hỏi sự hiểu biết sâu sắc về miền ứng dụng và các thuộc tính của dữ liệu. Các hạt dữ liệu nên được xây dựng sao cho chúng phản ánh các mối quan hệ quan trọng giữa các phần tử dữ liệu và cung cấp một cái nhìn tổng quan về dữ liệu. Ngoài ra, các hạt dữ liệu nên được xây dựng sao cho chúng dễ dàng xử lý và phân tích, và chúng nên được quản trị một cách hiệu quả để đảm bảo tính nhất quán và tin cậy của dữ liệu.

2.3. Quản trị và bảo mật dữ liệu trong môi trường hạt

Các hạt dữ liệu có thể chứa thông tin nhạy cảm, và việc đảm bảo tính bảo mật dữ liệu và riêng tư của thông tin này là rất quan trọng. Cần phải phát triển các công cụ và kỹ thuật để quản trị dữ liệu và bảo mật dữ liệu trong môi trường hạt dữ liệu. Các biện pháp bảo mật có thể bao gồm mã hóa dữ liệu, kiểm soát truy cập và giám sát hoạt động của người dùng. Ngoài ra, cần phải tuân thủ các quy định về bảo mật dữ liệu và riêng tư để đảm bảo tuân thủ pháp luật.

III. Phương Pháp Tiếp Cận Bài Toán Quyết Định Bằng Hạt Dữ Liệu

Luận văn này tập trung vào việc giải quyết bài toán quyết định bằng cách sử dụng hạt dữ liệu. Bài toán quyết định là một bài toán quan trọng trong nhiều lĩnh vực, bao gồm trí tuệ nhân tạo, học máy và quản trị kinh doanh. Trong bài toán quyết định, mục tiêu là đưa ra quyết định tốt nhất dựa trên thông tin có sẵn. Hạt dữ liệu có thể được sử dụng để đơn giản hóa bài toán quyết định bằng cách nhóm các phần tử tương tự thành các hạt, giúp giảm độ phức tạp của quá trình xử lý và phân tích thông tin. Một phương pháp phổ biến để giải quyết bài toán quyết định là sử dụng thủ tục quyết định Bayes. Luận văn này trình bày một mô hình lý thuyết quyết định sử dụng lý thuyết tập thô để giải quyết bài toán quyết định.

3.1. Tổng quan bài toán quyết định trong CNTT

Bài toán quyết định là một bài toán quan trọng trong nhiều lĩnh vực của công nghệ thông tin, bao gồm trí tuệ nhân tạo, học máy và quản trị kinh doanh. Trong bài toán quyết định, mục tiêu là đưa ra quyết định tốt nhất dựa trên thông tin có sẵn. Các bài toán quyết định có thể rất phức tạp, và việc giải quyết chúng đòi hỏi các kỹ thuật và phương pháp tiếp cận tiên tiến.

3.2. Kết hợp hạt dữ liệu và thủ tục quyết định Bayes

Hạt dữ liệu có thể được sử dụng để đơn giản hóa bài toán quyết định bằng cách nhóm các phần tử tương tự thành các hạt, giúp giảm độ phức tạp của quá trình xử lý và phân tích thông tin. Thủ tục quyết định Bayes là một phương pháp phổ biến để giải quyết bài toán quyết định, và nó có thể được kết hợp với hạt dữ liệu để cải thiện hiệu quả và độ chính xác của quá trình ra quyết định.

3.3. Mô hình lý thuyết quyết định dựa trên lý thuyết tập thô

Luận văn này trình bày một mô hình lý thuyết quyết định sử dụng lý thuyết tập thô để giải quyết bài toán quyết định. Lý thuyết tập thô cung cấp một khung làm việc để xử lý thông tin không đầy đủ và không chắc chắn, và nó có thể được sử dụng để xây dựng các hạt dữ liệu hiệu quả và có ý nghĩa. Mô hình lý thuyết quyết định dựa trên lý thuyết tập thô có thể cung cấp một giải pháp hiệu quả và linh hoạt cho bài toán quyết định trong nhiều lĩnh vực.

IV. Ứng Dụng Khai Phá Tri Thức Với Hạt Dữ Liệu Thô

Khai phá tri thức trong cơ sở dữ liệu (KDD) là một quá trình phức tạp bao gồm nhiều bước, từ tiền xử lý dữ liệu đến khai thác dữ liệu và đánh giá kết quả. Hạt dữ liệu thô, được xây dựng dựa trên lý thuyết tập thô, có thể được sử dụng để cải thiện hiệu quả của quá trình KDD. Hạt dữ liệu thô có thể giúp rút gọn dữ liệu, quản lý các giá trị không đúng và lựa chọn các đặc trưng quan trọng. Ngoài ra, hạt dữ liệu thô có thể được sử dụng để khai phá các luật kết hợp và các mẫu thông tin quan trọng khác từ cơ sở dữ liệu.

4.1. Rút gọn dữ liệu và quản lý giá trị không đúng

Hạt dữ liệu thô có thể được sử dụng để rút gọn kích thước dữ liệu bằng cách nhóm các phần tử tương tự thành các hạt. Điều này có thể giúp giảm độ phức tạp của quá trình khai phá dữ liệu và cải thiện hiệu suất tính toán. Ngoài ra, hạt dữ liệu thô có thể được sử dụng để quản lý các giá trị không đúng bằng cách gán chúng vào các hạt phù hợp, giúp giảm thiểu tác động của các giá trị không đúng đến kết quả khai phá.

4.2. Lựa chọn đặc trưng quan trọng trong khai phá

Hạt dữ liệu thô có thể được sử dụng để lựa chọn các đặc trưng quan trọng trong quá trình khai phá dữ liệu. Các đặc trưng quan trọng là những đặc trưng có ảnh hưởng lớn nhất đến kết quả khai phá, và việc lựa chọn chúng có thể giúp cải thiện độ chính xác và hiệu quả của quá trình khai phá. Hạt dữ liệu thô có thể được sử dụng để đánh giá tầm quan trọng của các đặc trưng và lựa chọn những đặc trưng quan trọng nhất.

4.3. Khai phá luật kết hợp từ dữ liệu đã được kết hạt

Sau khi dữ liệu đã được kết hạt, các kỹ thuật khai phá luật kết hợp có thể được áp dụng để tìm kiếm các mối quan hệ giữa các hạt. Các luật kết hợp này có thể cung cấp thông tin hữu ích về cấu trúc và tính chất của dữ liệu, và chúng có thể được sử dụng để đưa ra các quyết định thông minh. Hạt dữ liệu thô có thể giúp đơn giản hóa quá trình khai phá luật kết hợp bằng cách giảm số lượng các mục cần xem xét và cải thiện độ chính xác của các luật được khai phá.

V. Thử Nghiệm và Cấu Trúc Dữ Liệu T Tree Cải Tiến

Luận văn trình bày một cấu trúc dữ liệu mới, cấu trúc dữ liệu T-tree, được thiết kế đặc biệt để cài đặt thuật giải Apriori. Cấu trúc này cho phép tìm kiếm các tập mục nhanh và tiết kiệm không gian lƣu trữ dữ liệu, rất quan trọng để triển khai các ứng dụng hạt dữ liệu hiệu quả. Thuật giải Apriori đƣợc cài đặt sử dụng cấu trúc dữ liệu này bằng ngôn ngữ lập trình Java. Kết quả thử nghiệm cho thấy cấu trúc dữ liệu T-tree cải thiện đáng kể hiệu suất của thuật giải Apriori.

5.1. Thuật giải Apriori và cấu trúc dữ liệu T tree

Thuật giải Apriori là một thuật giải phổ biến để khai phá luật kết hợp. Cấu trúc dữ liệu T-tree là một cấu trúc dữ liệu cây được thiết kế để tối ưu hóa quá trình tìm kiếm và xử lý dữ liệu trong thuật giải Apriori. Việc kết hợp hai kỹ thuật này có thể cải thiện đáng kể hiệu suất của quá trình khai phá luật kết hợp.

5.2. Cài đặt thuật giải với cấu trúc dữ liệu T tree

Thuật giải Apriori đã được cài đặt bằng ngôn ngữ lập trình Java với việc sử dụng cấu trúc dữ liệu T-tree. Quá trình cài đặt bao gồm việc xây dựng cấu trúc dữ liệu T-tree và tích hợp nó vào thuật giải Apriori. Việc cài đặt này cho phép kiểm tra và đánh giá hiệu quả của cấu trúc dữ liệu T-tree trong thực tế.

5.3. Đánh giá hiệu suất thử nghiệm

Kết quả thử nghiệm cho thấy rằng cấu trúc dữ liệu T-tree cải thiện đáng kể hiệu suất của thuật giải Apriori. Cấu trúc dữ liệu T-tree cho phép tìm kiếm các tập mục nhanh và tiết kiệm không gian lƣu trữ dữ liệu, giúp giảm thời gian tính toán và tăng khả năng xử lý dữ liệu lớn. Kết quả này chứng minh tiềm năng của cấu trúc dữ liệu T-tree trong các ứng dụng hạt dữ liệu.

VI. Kết Luận và Hướng Phát Triển Ứng Dụng Hạt Dữ Liệu

Tính toán hạt đóng vai trò quan trọng trong thiết kế và triển khai các hệ thống thông tin thông minh và giải quyết các bài toán thực tế. Nghiên cứu cho thấy tính linh hoạt và tiềm năng to lớn của nó, đồng thời chỉ ra nhu cầu nghiên cứu sâu hơn, đặc biệt về khía cạnh ngữ nghĩa. Các nghiên cứu trong tƣơng lai nên tập trung vào việc phát triển các phƣơng pháp kết hạt hiệu quả hơn, cải thiện khả năng quản trị và bảo mật dữ liệu, và khám phá các ứng dụng mới của hạt dữ liệu.

6.1. Đánh giá tiềm năng và giới hạn của hạt dữ liệu

Hạt dữ liệu có tiềm năng to lớn trong nhiều lĩnh vực, bao gồm trí tuệ nhân tạo, học máy và quản trị kinh doanh. Tuy nhiên, cũng có một số giới hạn cần được xem xét, chẳng hạn như việc lựa chọn phương pháp kết hạt tối ưu và việc đảm bảo tính bảo mật của dữ liệu. Cần phải tiếp tục nghiên cứu và phát triển để khai thác tối đa tiềm năng của hạt dữ liệu.

6.2. Hướng phát triển các giải pháp hạt dữ liệu tiên tiến

Các hướng phát triển trong tƣơng lai có thể bao gồm việc phát triển các phƣơng pháp kết hạt hiệu quả hơn, cải thiện khả năng quản trị và bảo mật dữ liệu, và khám phá các ứng dụng mới của hạt dữ liệu. Ngoài ra, cần phải tập trung vào việc phát triển các công cụ và kỹ thuật để giúp người dùng dễ dàng xây dựng, tổ chức và xử lý các hạt dữ liệu.

6.3. Tích hợp hạt dữ liệu vào các hệ thống thông minh

Việc tích hợp hạt dữ liệu vào các hệ thống thông minh có thể mang lại nhiều lợi ích, bao gồm khả năng xử lý thông tin không đầy đủ và không chắc chắn, cải thiện hiệu quả của quá trình ra quyết định và tăng cường khả năng khai phá tri thức. Cần phải tiếp tục nghiên cứu và phát triển để tích hợp hạt dữ liệu một cách hiệu quả vào các hệ thống thông minh và khai thác tối đa tiềm năng của chúng.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Trong những năm gần đây, tính toán hạt đã đƣợc áp dụng trong rất nhiều lĩnh vực nhƣ trí tuệ nhân tạo, phân tích khoảng, lƣợng tử hoá, lý thuyết tập thô, phân tích cụm, học máy, cơ sở dữ liệu và một số lĩnh vực khác. Cho đến nay, tính toán hạt đã có sự phát triển nhanh chóng và ngày càng có nhiều ngƣời tập trung nghiên cứu các ứng dụng của nó. Tính toán hạt là một thuật ngữ chỉ các lý thuyết, các phƣơng pháp, các kỹ thuật và các công cụ sử dụng các hạt (là các nhóm, các lớp, hoặc các cụm của một tập) để giải quyết các bài toán. Đề tài các hạt thông tin mờ đƣợc Zadeh đề xuất đầu tiên vào năm 1979 và đƣợc ông tiếp tục phát triển trong các bài báo công bố năm 1997.

Đặc biệt, Zadeh đã trình bày một mô hình tổng quát của tính toán hạt dựa trên lý thuyết tập mờ. Các hạt đƣợc xây dựng và định nghĩa dựa trên các phép toán suy rộng. Mối quan hệ giữa các hạt đƣợc biểu diễn bằng đồ thị mờ hoặc các luật nếu-thì mờ. Mặc dù các công thức là khác với những nghiên cứu trong trí tuệ nhân tạo, nhƣng những ý tƣởng cơ bản của chúng là giống nhau.

Zadeh xác định ba khái niệm cơ bản của tính toán hạt theo cách nhận thức của con ngƣời, cụ thể là phƣơng pháp kết hạt, phƣơng pháp tổ chức các hạt và phƣơng pháp lập luận với các hạt. Sau đó lý thuyết về tính toán với các hạt thông tin mờ đã đƣợc nghiên cứu bằng cách kết các hạt thông tin và lập luận với chúng. Sự cần thiết của việc kết hạt thông tin và tính dễ nhận đƣợc thông tin từ các hạt thông tin trong giải quyết bài toán là một trong các lý do thực tế cho tính phổ biến của tính toán hạt. Trong rất nhiều tình huống, khi một bài toán là không đầy đủ, không chắc chắn hoặc thông tin không rõ ràng sẽ rất khó để phân biệt các phần tử một cách riêng biệt và chỉ có thể nghiên cứu trên tập các phần tử đó.

Trong một số trƣờng hợp khác, mặc dù chúng ta có thể nhận đƣợc những thông tin chi tiết, nhƣng chúng ta vẫn sử dụng các hạt để giảm chi phí một cách đáng kể. Điều này mở ra một định hƣớng của logic mờ: “Khai thác độ không chắc chắn và tính đúng bộ phận để có đƣợc khả năng dễ kiểm soát, tính mạnh mẽ, chi phí thấp và phù hợp với thực tế hơn”. Những nguyên tắc này hƣớng tới nhiều mô hình vật lý để giải quyết các bài toán thế giới thực: thay cho việc tìm kiếm những lời giải tối ƣu, ta có thể tìm kiếm những lời giải xấp xỉ tốt. Nhƣ vậy chỉ khi cần thiết chúng ta mới khảo sát bài toán tại một mức kết hạt mịn hơn với nhiều thông tin chi tiết hơn.

Tính toán hạt cũng đƣợc nghiên cứu rộng rãi trong lý thuyết các tập thô. Nhƣ một nền tảng cụ thể của tính toán hạt, mô hình tập thô cho phép chúng ta định nghĩa một cách chính xác và phân tích nhiều khái niệm của tính toán hạt. Các kết quả nghiên cứu mang lại một cách hiểu thấu đáo hơn về tính toán hạt. -4- TIEU LUAN MOI download : [e-mail] Luận văn tập trung vào nghiên cứu tính toán hạt dựa trên lý thuyết các tập thô.

Cụ thể, luận văn có nội dung nhƣ sau sau: Chƣơng 1: Tổng quan về tính toán hạt: Trong chƣơng này, trình bày những thuật ngữ chung, các yếu tố và những vấn đề cơ bản của tính toán hạt và một số ứng dụng của chúng. Luận văn trình bày cách xây dựng, cách hiểu và cách biểu diễn các hạt cũng nhƣ các yếu tố cơ bản và các phép toán để tính loán và lập luận với các hạt. Phần cuối của chƣơng giới thiệu khái quát ba mô hình đang tồn tại của tính toán hạt: mô hình dựa trên các tập thông thƣờng, mô hình dựa trên lý thuyết các tập thô và mô hình dựa trên lý thuyết các tập mờ. Chƣơng 2: Bài toán quyết định và phƣơng pháp giải quyết dựa vào hạt dữ liệu: Luận văn giới thiệu một cách tổng quát hai cách kết hạt của một tập, các định nghĩa về các tập thô.

Với các xấp xỉ tập thô, một tập tổng thể đƣợc phân thành ba vùng là POS, NEG và vùng biên BND. Bài toán quyết định là làm thể nào để xác định đƣợc ba vùng trên một cách hiệu quả. Một phƣơng pháp thƣờng hay đƣợc sử dụng để giải quyết bài toán quyết định trên là sử dụng thủ tục quyết định của Bayes. Luận văn trình bày tóm tắt thủ tục quyết định Bayes này và xây dựng một mô hình lý thuyết quyết định sử dụng các hạt dữ liệu dựa trên lý thuyết các tập thô.

Chƣơng 3: Khai phá tri thức trong cơ sở dữ liệu sử dụng tập thô: Với các hạt là các xấp xỉ thô, luận văn nghiên cứu bài toán khai phá các luật kết hợp trong cơ sở dữ liệu quan hệ. Thuật giải tuần tự Apriori đƣợc trình bày. Sau đó, luận văn trình bày tới những ý tƣởng song song hoá của thuật giải này. Tốc độ của thuật giải sẽ tăng đáng kể khi thực hiện các thuật giải song song với dữ liệu đƣợc tổ chức trong môi trƣờng dữ liệu phân tán.

Chƣơng 4: Chƣơng trình thử nghiệm: Luận văn trình bày một cấu trúc dữ liệu mới, cấu trúc dữ liệu T-tree. Cấu trúc này là phù hợp để cài đặt thuật giải Apriori vì nó cho phép tìm kiếm các tập mục nhanh và tiết kiệm không gian lƣu trữ dữ liệu. Thuật giải Apriori đƣợc cài đặt sử dụng cấu trúc dữ liệu này bằng ngôn ngữ lập trình Java. Luận văn đƣợc thực hiện dƣới sự hƣớng dẫn của PGS.TS Hoàng Chí Thành, Bộ môn Tin học, Khoa Toán-Cơ-Tin học trƣờng Đại học Khoa học Tự nhiên, Đại học Quốc Gia Hà Nội.

Em xin bày tỏ lòng biết ơn sâu sắc tới Thầy đã hƣớng dẫn và có ý kiến chỉ dẫn quí báu trong quá trình em làm luận văn. Em xin chân thành cảm ơn Thầy giáo, TS Hà Quang Thuỵ đã cho em nhiều ý kiến quí báu để em hoàn thiện luận văn hơn. Em xin cảm ơn các Thầy Cô giáo trong Bộ môn Tin học, các đồng nghiệp trong Khoa Toán-Cơ-Tin học, Trƣờng Đại học Khoa học Tự nhiên, các Thầy Cô giáo Khoa Công Nghệ Thông tin, Trƣờng Đại học Công nghệ, Đại học Quốc Gia Hà Nội đã tạo điều kiện giúp đỡ em trong quá trình hoàn thành luận văn. Cuối cùng xin bày tỏ lòng -5- TIEU LUAN MOI download : [e-mail] cảm ơn tới những ngƣời thân trong gia đình, bạn bè đã động viên và giúp đỡ tôi hoàn thành luận văn này.

-6- TIEU LUAN MOI download : [e-mail] CHƢƠNG 1: TỔNG QUAN VỀ TÍNH TOÁN HẠT 1.1 Khái niệm về tính toán hạt Những ý tƣởng cơ bản về phƣơng pháp tính toán hạt đã đƣợc áp dụng trong một số lĩnh vực nhƣ phân tích khoảng, lƣợng tử hoá, lý thuyết các tập thô, phân tích cụm, học máy, cơ sở dữ liệu và một số lĩnh vực khác. Chủ đề về phƣơng pháp kết hạt thông tin mờ đầu tiên đƣợc trình bày bởi Zadeh vào năm 1979 [6]. Các ứng dụng của tính toán hạt đã đƣợc phát triển một cách nhanh chóng và nó đóng một vai trò quan trọng trong sự phát triển của logic mờ, lý thuyết các tập thô và các ứng dụng của chúng [6]. Những khái niệm và các thành phần cơ bản của tính toán hạt trên thực tế đã phát triển trong rất nhiều lĩnh vực, nhƣng đến nay chƣa có một định nghĩa tổng quát về tính toán hạt [3] [5] [6].

Tuy vậy, thông qua các phƣơng pháp giải một số bài toán trong thực tế, chúng ta vẫn có thể khái quát đƣợc các thành phần cơ bản của tính toán hạt [3, 7]. Do đó, chúng ta có thể nghiên cứu tính toán hạt dựa trên việc tập trung giải các bài toán sử dụng các tính chất chung của các hạt, các quan sát kết hạt, các tính chất của hạt và các hệ thống phân cấp của lớp các hạt. Khi đó, ta có thể coi tính toán hạt nhƣ là một nghiên cứu về lý thuyết tổng quát để giải quyết bài toán dựa trên các mức khác nhau về tính chất hạt [3, 6]. Những khái niệm dƣới đây của Zadeh có thể giúp chúng ta hiểu rõ hơn phạm vi ứng dụng và lập luận với các hạt: “Phƣơng pháp kết hạt của một đối tƣợng A hình thành một tập các hạt của A, với mỗi hạt là một cụm của các điểm (các đối tƣợng) đƣợc ghép lại với nhau theo quan hệ “không phân biệt đƣợc”, “quan hệ tƣơng tự”, “quan hệ xấp xỉ” hoặc “quan hệ có cùng chức năng”” [3], (Zadel 1997).

“Lý thuyết về phƣơng pháp kết hạt thông tin mờ đƣợc xây dựng theo cách thức con ngƣời kết hạt thông tin và lập luận với chúng” [3] (Zadeh, 1997). “Lý thuyết về phƣơng pháp kết hạt thông tin mờ xây dựng trên bộ máy đang tồn tại của phƣơng pháp kết hạt thông tin mờ trong logic mờ nhƣng mang nó tới một mức cao hơn của tính tổng quát, thống nhất các nghiên cứu của nó và đề xuất các hƣớng nghiên cứu mới” [3] (Zadeh, 1997). “Tính toán hạt là một khái niệm của lý thuyết về phƣơng pháp kết hạt thông tin mờ, lý thuyết tập thô và tính toán khoảng và là một phần trong toán học tính toán với các hạt” [3] (Zadeh, 1997). Có thể thấy rằng ý tƣởng chung nhất của tính toán hạt là sử dụng các nhóm, các lớp hoặc cụm các phần tử đƣợc gọi là các hạt [3, 7].

Mặc dù đã có những ứng dụng cụ thể sử dụng tính toán hạt, vẫn khó có thể đƣa ra một định nghĩa chính xác. Chúng ta có thể -7- TIEU LUAN MOI download : [e-mail] coi tính toán hạt là một thuật ngữ chỉ các lý thuyết, các phƣơng pháp, các kỹ thuật và các công cụ sử dụng các hạt trong quá trình giải bài toán. Dựa trên cách hiểu trực giác trên, chúng ta sẽ xem xét một số vấn đề cơ bản và một số giải pháp có thể của nó.2 Tại sao chúng ta nghiên cứu tính toán hạt Có rất nhiều lý do để nghiên cứu tính toán hạt. Zadeh đã xác định ba vấn đề cơ bản của tính toán hạt: phƣơng pháp kết hạt, tổ chức các hạt và lập luận với các hạt.

“Phƣơng pháp kết hạt bao gồm việc phân chia một tập tổng thể thành các phần, tổ chức các hạt bao gồm việc tích hợp các phần trong một tập tổng thể và lập luận với các hạt thực hiện việc sử dụng các mối quan hệ giữa các hạt để đi từ các điều kiện ban đầu tới các kết quả mong muốn” [3].