Kết hợp giải thuật di truyền với phân cụm loại trừ trong tối ưu hóa tham số điều khiển

Trần Mạnh Tuấn và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 90(02): 87 - 92 
87 
KẾT HỢP GIẢI THUẬT DI TRUYỀN VỚI PHÂN CỤM LOẠI TRỪ TRONG TỐI 
ƢU HÓA THAM SỐ ĐIỀU KHIỂN 
Trần Mạnh Tuấn1*, Nguyễn Thị Linh1, Vũ Đình Minh2 
 Trường ĐH CNTT&TT, 2Trường CĐ Công nghiệp Thái Nguyên – ĐHTN 
TÓM TẮT 
Dữ liệu trong các thiết bị điều khiển thƣờng bị nhiễu bởi nhiều loại dữ liệu khác nhau. Việc hiệu 
chỉnh, tinh chỉnh và kiểm tra dữ liệu dùng trong các hệ thống điều khiển là cần thiết. Nghiên cứu 
này đề xuất phƣơng pháp phân cụm loại trừ và giải thuật di truyền trong trích lọc dữ liệu từ một 
tập dữ liệu ban đầu. Thực hiện phân cụm để loại bỏ phần dƣ thừa, hình thành các luật làm tri thức 
đầu vào cho hệ điều khiển. Giải thuật di truyền là công cụ tìm kiếm, xác định các giá trị tối ƣu cho 
tập tham số điều khiển. 
Từ khóa: Giải thuật di truyền, phân cụm loại trừ, trích lọc dữ liệu, hệ điều khiển, tham số 
điều khiển. 
MỞ ĐẦU* 
Mặc dù khả năng thực hiện của mô hình phụ 
thuộc rất nhiều vào chính bản thân mô hình, 
nhƣng có một thực tế rằng dữ liệu đóng một 
vai trò rất quan trọng trong xây dựng các mô 
hình chất lƣợng. Điều này càng đặc thù hơn 
cho một mô hình định hƣớng dữ liệu. Dữ liệu 
nhiễu sẽ cho kết quả trong một mô hình xây 
dựng không phù hợp. Khi đó, các mô hình 
điều khiển cần dữ liệu đƣợc chuẩn hóa. Nhƣ 
vậy, kết quả thu đƣợc từ mô hình điều khiển 
sử dụng dữ liệu chuẩn sẽ đƣa ra dự đoán tốt 
và đáng tin cậy. Trong các yêu cầu đặt ra cho 
quá trình phân cụm thì yêu cầu về độ chính 
xác luôn đƣợc đặt ra hàng đầu, ngoài ra sự kết 
hợp các thuật toán phân cụm và giải thuật di 
truyền còn đòi hỏi thỏa mãn đƣợc tính tối ƣu 
của các luật đƣợc sử dụng. Vì vậy một cách 
tiếp cận khác mà bài báo nêu ra đó là sử dụng 
phân cụm kết hợp với giải thuật di truyền để 
chuẩn hóa dữ liệu cho điểu khiển. 
Bài báo đƣợc tổ chức nhƣ sau: Phần 2 trình 
bày về hệ thống suy luận mờ, phƣơng pháp 
phân cụm và giới thiệu một số thuật toán phân 
cụm. Phần 3 trình bày về sử dụng giải thuật di 
truyền để tối ƣu hóa các luật đƣợc hình thành 
sau quá trình phân cụm. Cuối cùng, phần 4 
đƣa ra kết quả cài đặt thực nghiệm 
chƣơng trình. 
*
 Tel: 098 3 668 841; Email: tmtuan@ictu.edu.vn 
MỘT SỐ VẤN ĐỀ CƠ SỞ 
Hệ thống suy luận mờ 
Giả sử với tập dữ liệu có p đầu vào và q đầu 
ra trong hệ luật mờ. Theo Mamdani[2] luật 
thứ i trong hệ gồm k luật đƣợc viết: 
Ri: If x1 is 
iA1 and x2 is 
iA2 and .. and xp is 
i
pA then y1 is 
iC1 and y2 is 
iC 2 and...and yq is 
i
qC 
Trong đó: 
 x j là các biến vào 
i
jA là giá trị ngữ nghĩa của biến đầu vào 
 yj là các biến ra 
i
jC là giá trị ngữ nghĩa của biến đầu ra 
Khi K = 7, hàm thuộc với các giá trị ngữ 
nghĩa của hệ thống với 2 biến vào và một biến 
ra đƣợc miêu tả trên hình 2-1 và hình 2-2: 
 Hình 2-1: Các giá trị ngữ nghĩa của biến đầu vào 
Các giá trị ngữ nghĩa của biến đầu ra trên 
hình 2-2: 
Hình 2-2: Các giá trị ngữ nghĩa của biến đầu ra C71 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 
Trần Mạnh Tuấn và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 90(02): 87 - 92 
88 
Với hệ hai đầu vào và một đầu ra gồm 7 giá 
trị ngôn ngữ, thì sẽ có 72 = 49 luật cho xây 
dựng hệ suy diễn mờ. Bảng hệ thống luật mờ 
cho xây dựng hệ suy diễn mờ có thể thấy trên 
bảng 2-1: 
 A1 A2 A3 A4 A5 A6 A7 
A1 C7 C7 C7 C7 C7 C7 C7 
A2 C7 C6 C6 C6 C6 C6 C6 
A3 C7 C6 C5 C5 C5 C5 C5 
A4 C7 C6 C5 C4 C4 C4 C4 
A5 C7 C6 C5 C4 C3 C3 C3 
A6 C7 C6 C5 C4 C3 C2 C2 
A7 C7 C6 C5 C4 C3 C2 C1 
Bảng 2-1. Hệ thống luật mờ cho xây dựng hệ suy 
diễn mờ 
Phƣơng pháp phân cụm 
Các thuật toán phân cụm thƣờng đƣợc biết tới 
nhƣ một cách tổ chức và phân loại dữ liệu 
hợp lý. Kết quả của phân cụm là một sự phân 
chia dữ liệu thành các nhóm tƣơng đồng. Sự 
phân chia không gian nhận đƣợc từ quá trình 
phân chia dữ liệu. Mỗi luật tƣơng ứng với 
một cụm trong đó các tập mờ không đƣợc 
chia sẻ bởi tập các luật mà với số chiều cho 
trƣớc, mỗi tập mờ đƣợc gắn với một luật duy 
nhất. Các tập mờ kết quả thƣờng rất khó để 
biểu diễn một cách rõ ràng. 
* Một số thuật toán phân cụm cứng 
+ Thuật toán K-Means [2] 
 K-Means lặp lại nhiều lần quá trình bố trí lại 
vị trí của đối tƣợng dữ liệu để phân hoạch một 
tập dữ liệu thành K cụm và cực tiểu địa 
phƣơng giá trị bình phƣơng trung bình 
khoảng cách giữa các đối tƣợng tới tâm cụm 
của nó. Cụ thể hơn, với tập dữ liệu 
 
1
N
i i
X x
 , d
ix  thuật toán K-Means 
tạo ra K phân hoạch 
1
K
h h
X
 của X sao cho 
nếu 
1
K
h h

 đại diện cho K tâm thì hàm 
mục tiêu sau: 

K
h
Xx hikmeans i
xE
1
2
 đạt cực tiểu 
địa phƣơng. 
Thuật toán K-Means đƣợc thực hiện qua các 
bƣớc sau: 
(1). Khởi tạo các cụm: các tâm ban đầu 
 K
hh 1
)0(
 đƣợc chọn ngẫu nhiên 
(2). Lặp cho tới khi hội tụ 
Gán cụm: Gán mỗi đối tƣợng dữ liệu x vào 
cụm h* (tức là tập K
h
t
h
X
1
)1(
*
) với h* = 
argmin 
2
)(t
hx  
 Ƣớc lƣợng tâm: 
 
 )1()1(
)1( 1
t
hXxt
h
t
h x
X
 
 t = t+1 
+ Thuật toán K-Medoids 
Thuật toán K-Medoids có khả năng khắc phục 
đƣợc nhiễu bằng cách chọn đối tƣợng ở gần 
tâm cụm nhất làm đại diện cho cụm đó 
(medoid). Thuật toán K-Medoids đƣợc thực 
hiện qua các bƣớc sau: 
(1). Chọn K đối tƣợng bất kỳ trong N đối 
tƣợng ban đầu làm các medoid ban đầu 
(2). Lặp cho tới khi hội tụ 
- Gán mỗi đối tƣợng còn lại vào cụm có 
medoid gần nhất với nó 
- Thay thế medoid hiện tại bằng một đối 
tƣợng không phải là medoid sao cho chất 
lƣợng phân cụm đƣợc cải thiện (Chất lƣợng 
đƣợc đánh giá sử dụng hàm chi phí, hàm tính 
độ phi tƣơng tự giữa một đối tƣợng và 
medoid của cụm chứa đối tƣợng đó). 
K-Medoids tỏ ra hiệu quả hơn K-Means trong 
trƣờng hợp dữ liệu có nhiễu hoặc đối tƣợng 
ngoại lai (Outlier). Nhƣng so với K-Means thì 
K-Medoids có độ phức tạp tính toán lớn hơn. 
Cả hai thuật toán trên để có nhƣợc điểm 
chung là số lƣợng cụm K đƣợc cung cấp bởi 
ngƣời dùng. 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 
Trần Mạnh Tuấn và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 90(02): 87 - 92 
89 
* Thuật toán phân cụm mờ C – Means 
(FCM) [5] 
FCM đƣợc giới thiệu bởi Dunn vào năm 
1973. Bezdek đã chứng minh các tính chất 
của nó và đề xuất tiêu chuẩn hợp lệ phân cụm 
đầu tiên. Mỗi n cặp dữ liệu thuộc về một 
trong c nhóm với một hệ số thành viên, iku 
thể hiện mức độ thuộc của mẫu dữ liệu k 
trong cụm i. Cho 
2
ikD là khoảng cách giữa 
cặp dữ liệu k và cụm i, về cơ bản đƣợc xác 
định theo chuẩn Euclide và tổng quát hơn là: 
 TikikAikik vxAvxvxD 
22
Trong đó kx cặp dữ liệu thứ k đƣợc dùng cho 
việc phân cụm, A là một ma trận đối xứng, 
xác định dƣơng và iv là một nguyên mẫu của 
cụm. Cho U là ma trận hệ số iku và V ma 
trận tọa độ trung tâm. Thuật toán sinh ra U và 
V làm cực tiểu hàm tổn thất sau: 

c
i
ik
m
ik
n
k
FCM DuJ
1
2
1
 (1) 
Với ràng buộc xác suất: 

  
c
i
ik nku
1
.,...,1;1 và 1 m là mũ mờ. 
Sự tối ƣu hàm trên đƣợc thực hiện bằng một 
thủ tục tối ƣu lặp. Đầu tiên, các hệ số iku 
đƣợc khởi tạo ngẫu nhiên, sau đó, tại mỗi 
bƣớc, hai thao tác sau đƣợc thực hiện thành 
công: 
(1). Tính toán các trung tâm cụm mờ iv , giả 
sử các bậc iku là các hằng số, dùng phƣơng 
trình sau: 


n
k
m
ik
n
k
k
m
ik
i
u
xu
v
1
1 
(2). Tính toán mức độ thuộc iku , giả sử các 
trung tâm iv là các vector hằng, dùng phƣơng 
trình: 

c
j
m
jk
ik
ik
D
D
u
1
1
2
1 
Các thao tác trên đƣợc lặp lại cho đến khi hội 
tụ, nghĩa là các tọa độ trung tâm là ổn định 
đối với sai số đã cho. 
Thuật toán phân cụm FCM thích hợp với các 
cụm với hình dạng và kích thƣớc có thể so 
sánh đƣợc (là hình cầu khi dùng ma trận đơn 
vị) hoặc khi các cụm đƣợc phân chia rõ ràng. 
Nguyên mẫu cụm là các điểm dữ liệu đƣợc 
chọn làm trung tâm cụm. 
Input : Số cụm k và tham số mũ m cho hàm 
tiêu chuẩn J 
OutPut: c cụm dữ liệu sao cho hàm mục tiêu 
(1) đạt giá trị tối thiểu. 
Begin 
(1). Nhập giá trị cho hai tham số k (1<k<n), 
m ),1( và khởi tạo ma trận mẫu các tâm 
V
(0)
, t=0 
(2). Repeat 
(2.1). t = t + 1; 
(2.2). Tính ma trận phân hoạch mờ Ut theo 
công thức (2) 
(2.3). Cập nhật các trọng tâm V(t) = [v1
(t)
, v2
(t)
, 
, vk
(t)
 ] dựa vào (3) và ma trận Uj; 
(3). Until (|| U
(t+1) – U(t) ||F  ); 
(4). Trình diễn các cụm kết quả. 
End. 
Trong đó:  i j ijF uU
22 và tham số  
đƣợc cho trƣớc. 
Việc chọn các tham số cụm có ảnh hƣởng lớn 
đến kết quả phân cụm, tham số này thƣờng 
đƣợc chọn một cách ngẫu nhiên hoặc theo 
kinh nghiệm. Chƣa có quy tắc nào đƣợc đƣa 
ra để lựa chọn tham số m sao cho việc phân 
cụm là hiệu quả nhất, thông thƣờng ngƣời ta 
chọn m = 2. 
Khi biểu diễn đối tƣợng mờ, mỗi thuộc tính 
có 6 đặc trƣng là: {very small, small, 
medium, large, very large, ignore}. Khi đó 
luật mờ Ri, tƣơng ứng với mẫu xi=(xi1, xi2, . . ., 
xin) thuộc vào lớp j với độ phụ thuộc là uij có 
dạng sau: 
if xi1 is Ai1 and xi2 is Ai2 and  and xin is Ain 
then xi thuộc lớp j với độ phụ thuộc uij. 
Trong đó Aij={very small, small, medium, 
large, very large, ignore} 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 
Trần Mạnh Tuấn và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 90(02): 87 - 92 
90 
SỬ DỤNG GIẢI THUẬT DI TRUYỀN CHO 
TỐI ƢU HÓA QUÁ TRÌNH PHÂN CỤM 
Nhƣ vậy, sau khi đã xác định các cụm từ dữ 
liệu và hàm thuộc của các cụm, ta có luật mờ 
nhƣ sau: 
R1: If x1 is 
1
1A and x2 is 
1
2A then y là Cụm 
1 
 R2: If x1 is 
2
1A and x2 is 
2
2A then y là Cụm 2 
.. 
RK: If x1 is 1
kA and x2 is 2
kA then y là 
Cụm k 
Mã hóa 
Mã hóa là một quá trình chuyển đổi hệ suy 
diễn mờ thành các thông số không gian một 
chiều của các cá thể. Nói một cách khác, cá 
thể (là một chuỗi giá trị) chứa các thông số 
cho việc xây dựng hệ suy lụân mờ. Các luật 
mờ đƣợc mô tả dƣới dạng If Then với phần 
điều kiện và phần kết quả là các hàm thuộc 
dạng tam giác. 
Mã hóa cá thể 
 Khi dùng giải thuật di truyền tìm nghiệm 
cực đại f(S) ta cần tạo ra một quần thể với số 
cá thể nhất định. Mỗi cá thể đƣợc mã hóa 
bằng một chuỗi các bit (0 hoặc 1), mỗi bit 
biểu diễn một luật. Khi đó chiều dài chuỗi bit 
S là số lƣợng đầy đủ các luật của SAll, S=s1s2 
sm 
Biểu diễn gen di truyền cá thể hệ luật 
Cách biểu diễn cá thể nhƣ trên vừa dƣ thừa 
vừa không thực hiện đƣợc đối với các tập dữ 
liệu đa đặc trƣng. Do vậy cần có sự mã hóa 
các cá thể để có thể thực hiện đƣợc mục tiêu 
tìm bộ luật với tối thiểu các luật và phân lớp 
đúng theo các đặc trƣng mẫu học bằng cách 
thực hiện nhƣ sau: 
 - Mỗi cá thể S chỉ chứa tối đa L luật (L << 
M với M = 4L nếu có 4 đặc trƣng) 
 - Mỗi luật Ri trong chuỗi cá thể S chiếm 
một số lƣợng các cặp bit. Một cặp bit thể hiện 
luật có trong S hay không. Các cặp bit tiếp 
theo thể hiện tập mờ của từng biến đặc trƣng 
trong luật Ri. 
 - Một cá thể của bộ luật S có L luật đƣợc 
biểu diễn dƣới dạng một chuỗi gồm liên tiếp 
L chuỗi Si: S = S1S2SL 
 - Việc giải mã các luật đƣợc tiến hành nhƣ 
sau: 
S = {Si=si1si2si(N+1) sao cho si1≠00; i = 1, 
2,, L} 
Sau khi mã hóa các cá thể, các phép toán 
trong giải thuật di truyền (đột biến, ghép và 
chọn lọc) đƣợc sử dụng. 
Phép đột biến 
Đột biến là phép toán nền tảng trong giải 
thuật di truyền, trong đó từng cá thể Sh đƣợc 
đột biến nhƣ sau: 
 - si1 ≠ 00 si1 = 00 với xác suất đột biến 
pm1 (xác suất luật i không tham gia bộ luật) 
 - si1=00 si1 ≠ 00 với xác suất đột biến 
pm2 (xác suất luật i tham gia bộ luật) 
 - Các bit tiếp theo đƣợc đột biến với xác 
suất pm3 
Với các xác suất đƣợc chọn nhƣ sau: 
 - Chọn pm1<<pm2,pm3: làm tăng số luật hiện 
diện trong mỗi cá thể từ đó tăng khả năng tìm 
ra cá thể phân lớp đúng đặc trƣng của mẫu 
học. 
 - Khi đã có cá thể phân lớp đúng mẫu học, 
chọn pm1>>pm2,pm3 để giảm số luật hiện diện 
trong mỗi cá thể nhằm tìm ra cá thể tốt, từ đó 
nhận đƣợc số tối thiểu các luật mà vẫn phân 
lớp đúng mẫu học. 
Phép lai ghép 
Là một phép toán quan trọng trong GA để 
tìm kiếm các tính chất hữu ích của cha mẹ. 
Mỗi cặp cá thể Sh, Sk đƣợc thực hiện lai ghép 
đều với xác suất pc nhƣ sau: 
 - Chọn các cặp bit si1, i = 1, 2,, L với xác 
suất 0.5, nếu bit si1 đƣợc chọn thì các cặp bit 
tiếp theo cũng đƣợc chọn (chọn đủ một luật). 
 - Trao đổi các cặp bit đã chọn giữa 2 cá thể 
S
h
, S
k
. 
 - Hai cá thể con cháu mới do lai tạo sẽ 
đƣợc thay thế cho hai cá thể cha mẹ trong 
thế hệ kế tiếp. 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 
Trần Mạnh Tuấn và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 90(02): 87 - 92 
91 
Phép chọn lọc 
Là quá trình cá thể đƣợc chọn dựa vào giá trị 
thích nghi của nó đối với mục tiêu cần đạt 
đƣợc bằng cách tạo một vòng quay đƣợc phân 
chia thành nhiều phần, mỗi phần thể hiện giá 
trị thích nghi của mỗi cá thể. Khi vòng quay 
quay, có một viên bi với giá trị ngẫu nhiên 
nhỏ hơn tổng các giá trị thích nghi di chuyển 
theo hƣớng ngƣợc lại. Khi vòng quay ngừng, 
viên bi dừng trên phần chia nào thì cá thể đó 
đƣợc chọn. Thuật toán đƣợc mô tả nhƣ sau: 
- Tính tổng: 
 
L
i
i taSUM
1
))((
- Chọn một giá trị để so sánh: Sel 
 [0;SUM] 
- Khởi tạo i = 1; 
- Kiểm tra: 
While (Sel > ))(( tai
 ) 
 { Sel = Sel - ))(( tai
 ; 
i = i+1; 
} 
select()=i; /* phần tử thứ i đƣợc chọn 
Chiến lƣợc phần tử ƣu tú: Luôn luôn chọn cá 
thể có giá trị thích nghi cao nhất trong thế hệ 
P(t) để đƣa trực tiếp vào thế hệ kế tiếp P(t+1) 
khi thực hiện phép toán chọn lọc nếu nó chƣa 
đƣợc chọn để đảm bảo các thế hệ kế tiếp 
không đánh mất truyền thống thích nghi tốt 
nhất và nhờ đó cải thiện sự tiến hóa một cách 
liên tục. 
Hiệu chỉnh độ tin cậy trong thuật giải GA 
Để tăng khả năng phân cụm đúng 100% các 
mẫu học với chỉ một số ít luật, cần phải thay 
đổi độ tin cậy của mỗi luật thông qua sự 
thƣởng, phạt từng luật bằng cách đƣa thêm 
một thủ tục hiệu chỉnh độ tin cậy vào quá 
trình thực hiện giải thuật di truyền. Với một 
mẫu dữ liệu học Xp và với số lần lặp xác 
định, độ tin cậy đƣợc tăng hay giảm phụ 
thuộc vào việc Xp đƣợc phân cụm đúng hay 
sai. Thủ tục nhƣ sau: 
Với mỗi mẫu dữ liệu học Xp, p = 1, , P 
thực hiện: 
- Xếp lớp cho Xp: 
• Tính độ tƣơng thích của mẫu Xp đối với 
từng cụm ci: 
 k = max{uj1(xp1) uj2(xp2) 
ujN(xpN)CFi|Rj S,CFj=ci} 
• Nếu  i≠j mà Ci = Cj thì Xp không xếp 
cụm đƣợc 
 Nếu ko = max{ k ,k = 1, , K } thì 
xếp mẫu Xp vào cụm Cko 
- Dùng công thức sau để xác định luật Ri chịu 
trách nhiệm phân lớp mẫu Xp 
i1 (xp1) i2(xp2) iN(xpN). CFi = max{j1 
(xp1) j2(xp2) jN(xpN). CFj; Rj S } 
Trong đó: ij(xpj): là hàm thành viên tập mờ 
Aij, i = 1, 2, , n; j= 1, 2, N. 
Nếu luật Ri xếp đúng lớp cho Xp thì tăng độ 
tin cậy của nó theo công thức: 
CFi = CFi + 1. (1- CFi) 
Nếu luật Ri xếp sai lớp cho Xp thì giảm độ tin 
cậy của nó theo công thức: 
CFi = CFi - 2.CFi 
Với: 1 và 2 là các hằng số trong khoảng 
(0;1). 
Đánh giá: 
Ƣu điểm: Làm tăng khả năng tìm ra cá thể có 
các luật phân lớp đúng 100% mẫu học. 
Nhƣợc điểm: Cá thể tốt nhất trong thế hệ 
trƣớc qua phép chọn phần tử ƣu tú có thể 
không còn là cá thể tốt nhất ở thế hệ sau do 
độ tin cậy các luật của nó đã bị điều chỉnh. 
KẾT QUẢ THỰC NGHIỆM 
Với dữ liệu đầu vào là một bảng dữ liệu 
(bảng 2-1): 
Hình 4-1: Dữ liệu nhập ban đầu 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 
Trần Mạnh Tuấn và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 90(02): 87 - 92 
92 
Hình 4-2: Kết quả sau phân cụm 
Khi đó dựa trên bảng mẫu ban đầu ta chia 
thành 2 bảng cơ bản. 
Sử dụng giải thuật di truyền ta tối ƣu hóa các 
giá trị thuộc tính thu đƣợc bảng mới hình 
thành luật dƣới dạng (hình 4-3): 
Hình 4-3: Kết quả tối ưu hóa các giá trị thuộc tính 
Từ đó hình thành lên các luật (với 4 luật tƣơng 
ứng với 8 giá trị thuộc tính ở bảng trên). 
So với việc hình thành từ các mẫu của 8 giá 
trị thuộc tính thì ta hình thành 8 luật. Do vậy 
phƣơng pháp trên có số luật ít hơn. 
KẾT LUẬN 
Bài báo đã trình bày một kỹ thuật thiết kế 
chuẩn hóa dữ liệu đầu vào cho hệ điều khiển 
học thông qua các đặc trƣng của đối tƣợng để 
hình thành hệ luật. Dữ liệu thu đƣợc từ các tri 
thức trong thế giới thực, phát hiện những dữ 
liệu cần thiết sau chuẩn hóa sẽ trợ giúp cho 
quá trình điều khiển thu đƣợc kết quả đáng tin 
cậy. Thông qua bài báo các tác giả đã đề xuất 
một công cụ khai thác có hiệu quả từ dữ liệu 
thông qua phân cụm và giải thuật di truyền. 
TÀI LIỆU THAM KHẢO 
[1]. Mohammad GhasemiGol, Hadi Saoghi Yazdi, 
Reza Monsefi, A New Hierarchical Clustering 
Algorithm on Fuzzy Data (FHCA), International 
Journal of coputer and electrical engineering, 
Vol.2, No.1, February, 2010. 
[2]. C.D.Doan, S.Y.Liong and Dulakshi 
S.K.Karunasinghe, Derivation of effective and 
effcient data set with subtractive clustering 
method and genetic algorithm, Journal of 
Hydroinfomatics, 07.4.2005 
[3]. Lothar M.Schmitt, Fundamental Study 
Theory of genetic algorithms, Thẻoetical 
Computer Science 59 (2001) 1-61 
[4]. Gunter Rudolph, Convergence Analysis of 
Canonical Genetic Algorithms, IEEE transaction 
on neural networks, vol.5, No.1, January 1994 
[5]. Mohanad Alata, Mohammad Molhim, and 
Abdullah Ramini, Optimizing of Fuzzy C-Means 
Clustering Algorithm Using GA, World Academy 
of Science, Engineering and Technology, pages 
224-229, 39 2008, 
ABSTRACT 
THE COMBINATION BETWEEN GENETIC ALGORITHM AND SUBTRACTIVE 
CLUSTERING IN OPTIMATION FOR CONTROL PARAMETERS 
Tran Manh Tuan1*, Nguyen Thi Linh1, Vu Dinh Minh2 
 1College of Information Technology and Communication, 
 2College of Technology – ĐHTN 
Data in control devices are often affected by noises from many kinds of different data. It’s necessary to adjust 
and to test data used in control systems. This aproach presents the combination between subtractive clustering 
method and genetic algorithm in data filter from given data set. Clustering is used to reject the redundance, to 
generate rules that are input knowlegde in control system. Genetic algorithm is used for searching, defining 
the optimal parameters for control parameter set. 
Key words: Genetic algorithm, Subtractive clustering, data filter, control system, control parameter. 
*
 Tel: 098 3 668 841; Email: tmtuan@ictu.edu.vn 
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên