MẠNG NƠ RON NHÂN TẠO
VÀ ỨNG DỤNG TRONG QUẢN LÝ XÂY DỰNG
LƯU TRƯỜNG VĂN
TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM
PHAN VĂN KHOA
TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM, BQLDA HCM – CIC8.

I. Giới thiệu.
Mạng nơ ron nhân tạo (Artificial Neural Network - ANN) là một mô phỏng xử
lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống như
bộ não, để xử lý thông tin. Nó bao gồm số lượng lớn các mối gắn kết cấp cao
để xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng.
ANNs, giống như con người, được học bởi các kinh nghiệm, lưu những kinh
nghiệm hiểu biết và sử dụng trong những tình huống phù hợp.
Đầu tiên ANN được giới thiệu năm 1943 bởi nhà thầân kinh học Warren
McCulloch và nhà logic học Walter Pits. Nhưng với những kỹ thuật trong thời
gian này chưa cho phép họ nghiên cứu được nhiều.
Những năm gần đây mô phỏng ANN xuất hiện và phát triển. Các nghiên cứu
ứng dụng đã được thực hiện trong các ngành: điện, điện tử, kỹ thuật chế tạo, y
học, quân sự, kinh tế …và các nghiên cứu ứng dụng trong ngành quản lý dự án
xây dựng.
Mặc dù nghiên cứu ứng dụng mô phỏng ANN trong quản lý xây dựng đã được
thực hiện nhiều ở các nước phát triển, nhưng tại Việt Nam việc nghiên cứu
này mới bắt đầu nhen nhóm thực hiện và cần được phát triển.
II. Cơ sở lý thuyết phát triển ứng dụng:
1) Cấu Trúc Mạng Neural:
Mỗi Neural (nút) là một đơn vò xử lý thông tin của mạng neural. Nó là yếu tố
cơ bản để cấu tạo nên mạng neural.

Trang 1


+ Hàm có tính đơn điệu.
+ Hàm phải có tính liên tục và trơn.
Trong thực tế thông thường người ta thường chọn các hàm sau:
a. Hàm Threshold :
1

nếu u  0

0

nếu u < 0

f(u) =

b. Hàm piecewise-linear:
1
f(u) =

u

nếu u 
nếu

0

1
2

1
1

neural ghi nhớ giá trò đó.

Hình 4: Tiến trình học

Trong quá trình học, giá trò đầu vào được đưa vào mạng và theo dòng chảy
trong mạng tạo thành giá trò ở đầu ra.
Tiếp đến là quá trình so sánh giá trò tạo ra bởi mạng Neural với giá trò ra
mong muốn. Nếu hai giá trò này giống nhau thì không thay đổi gì cả. Tuy
nhiên, nếu có một sai lệch giữa hai giá trò này vượt quá giá trò sai số mong
muốn thì đi ngược mạng từ đầu ra về đầu vào để thay đỗi một số kết nối.
Đây là một quá trình lặp liên tục và có thể không dừng khi không thể tìm các
giá trò w sao cho đầu ra tạo bởi mạng Neural bằng đúng đầu ra mong muốn.
Do đó trong thực tế người ta phải thiết lập tiêu chuẩn dừng dựa trên một giá
trò sai số nào đó của hai giá trò này, hay dựa trên một số lần lặp xác đònh.
Để tiện cho việc trình bày, ta ký hiệu y là giá trò kết xuất của mạng Neural, t
là giá trò ra mong muốn, e là sai lệch giữa hai giá trò này:
e=t–y

4) Giải Thuật Back-Propagation:
Thuật toán Back-propagation được sử dụng để điều chỉnh các trọng số kết
nối sao cho tổng sai số E nhỏ nhất.
E=

n

 (t ( x , w)  y( x ))
i 1

i



 w .x ( n) ;
i 0

ij

i

- Giá trò kết xuất của neuron j:
yj(n) = f j (u j (n)) ;
- Tính toán giá trò đạo hàm sai số cho mỗi neuron wij :
E (n) E (n) e j (n) y j (n) u j (n)
;

wij (n) e j (n) y j (n) u j (n) wij (n)

Trong đó:

1 k 2
 e j ( n)
E (n) 2 j 1
 e j (n) ;
=
e j (n)
e j (n)

Trang 5

1 k 2
 e j ( n) ;

wij (n)

 xi ( n) ;

E (n)
= e j (n). f (u j (n)).xi (n) ;
wij (n)

Giá trò điều chỉnh trọng số:

wij  

E (n)
= .e j (n). f (u j (n)).xi (n) ;
wij (n)

Đặt  j  

E (n)
E (n) e j (n) y j (n)

 e j (n). f (u j (n)) ;
wij (n)
e j (n) y j (n) u j (n)

Tacó: wij  . j (n).xi (n) ;
Từ đó ta có công thức điều chỉnh trọng số:
wij (n  1)  wij (n)  wij (n) ;

Như vậy quá trình điều chỉnh trọng số có thể được xác đònh theo các công thức

f (u j (n));
y j (n)

Trong đó: E (n) 

Khi đó:

j  

1 q 2
 ek (n) ;
2 k 1

(

1 q 2
 ek (n)) q ek (n)
2 k 1
;
  ek
y j (n)
y j (n)
k 1

ek (n) ek (n) uk (n)

;
y j (n) uk (n) y j (n)
ek (n) (tk (n)  yk (n)) (tk (n)  f k (uk (n)))


  ek (n) f k(uk (n)) w jk (n) ;
y j (n)
k 1

Theo trên ta có:

k  


E (n)
 ek (n). f k(uk (n)) ;
w jk (n)
q
E (n)
   k (n) w jk (n) ;
y j (n)
k 1
q

Vậy:  j (n)  f (u j (n))  k (n) w jk (n) ;
k 1

Từ những công thức tính trên ta có thể tổng quát như sau:

Trong đó:

Trang 7


+ Nếu neuron j là nút xuất:

- Irem Dikmen và M.Talat Birgonul (Turkey) nghiên cứu ANN để đánh giá
thò trường quốc tế trong quyết đònh thực hiện dự án, dựa trên các nhân tố của

Trang 8


một dự án quốc tế gồm: nguồn tiền, khối thò trường, sự thành công của nền
kinh tế, kiểu hợp đồng, hệ số rủi ro.
- Hashem Al-Tabtabai (Kuwait) ứng dụng ANN để xây dựng mô hình phân
tích kinh nghiệm và hệ thống dự báo cho dự án xây dựng. Trên cơ sở dữ liệu
các dự án trước đây về: tiến độ thực hiện của nhà thầu, dòng ngân lưu, vật
liệu & thiết bò, thời tiết & môi trường, phần trăm công việc hoàn thành, chất
lượng, giá cả vật tư, thuế, bảo hiểm… để dự báo phần trăm thay đổi của kế
hoạch, phần trăm thay đổi của chất lượng, công nhân lao động sản xuất, thay
đổi mức lương lao động, thay đổi giá vật tư, thay đổi giá đầu tư, thay đổi giá
thực hiện trong quá trình thực hiện dự án.
- VK Gupta, JG Chen, MB Murtaza (Mỹ) đã ứng dụng để phân loại các dự
án xây dựng công nghiệp, theo các biến quan hệ: vò trí xây dựng, lao động,
vấn đề về tổ chức, đặc điểm khu vực, rủi ro của dự án và môi trường.
Như vậy ứng dụng ANN trong quản lý dự án xây dựng cho phép giải quyết
và dự báo các vấn đề về: chi phí, chất lượng, kế hoạch – tiến độ cũng như tư
vấn trong quyết đònh thực hiện dự án.

Trang 9


Taứi lieọu tham khaỷo:
- Neural Networks by Christos Stergiou and Dimitrios Siganos.
- Estimating software development effort with connectionist models by
Gerhard Wittig, Gavin Finnie, 1997.