Professional Documents
Culture Documents
Mang Baye Ung Dung Quan Ly Xay Dung
Mang Baye Ung Dung Quan Ly Xay Dung
Cùng với các lý thuyết khác như lôgic mờ (Fuzzy Logic), mạng nơron nhân tạo
(Artificial Neural Networks - ANNs), thuật toán gen (Genetic Algorithmrs - GAs)…, BBNs
là phương pháp chủ yếu dựa trên xác suất có điều kiện để dự báo (prediction) hoặc
chẩn đoán (diagnosis) một sự việc, một vấn đề đã, đang và sắp xảy ra. Chẳng hạn,
trong thiên nhiên, để dự báo nước lũ hay bão cho một khu vực nào đó, ta dựa vào dữ
liệu của các lần xảy ra bão, lụt trước đó và những bằng chứng (evidences) hiện tại liên
quan, xây dựng mô hình BBNs và từ đó ta có thể dự báo được có hay không việc xảy ra
nước lũ hay bão và mức độ ảnh hưởng là như thế nào.
1
Giảng viên, Đại học Bách Khoa TP.HCM
1
Trong lĩnh vực xây dựng, BBNs dùng để dự báo, đánh giá rủi ro tiến độ, kinh phí,
chất lượng, tai nạn lao động... Ngoài ra, BBNs còn được dùng để chuẩn đoán trong y
học; trong công nghệ kỹ thuật, dự báo chất lượng của các phần mềm máy tính, rủi ro
tai nạn đường sắt…[1], [8].
2. CƠ SỞ LÝ THUYẾT
2.1. Công thức Bayes
BBNs dựa trên lý thuyết xác suất có điều kiện của Thomas Bayes, ông này đã đưa
ra qui luật cơ bản của xác suất, do đó gọi là công thức Bayes [4]. Công thức đơn giản
nhất như sau:
P ( A)
P ( A / B ) = P ( B / A) x
P( B)
Trong đó: A và B là hai sự kiện có thể xảy ra và phụ thuộc với nhau. P(A) là xác
suất của sự kiện A; P(B) là xác suất của sự kiện B; P(B/A) là xác suất có điều kiện của B
khi biết trước A đã xảy ra; và P(A/B) là xác suất có điều kiện của A khi biết trước B đã
xảy ra.
2.2. Cấu trúc mạng BBNs
BBNs là mô hình trực tiếp mà mỗi biến được đại diện bởi một nút (node), mối quan
hệ nhân quả giữa hai biến đó được biểu thị bằng mũi tên được gọi “edge”. Mũi tên
hướng từ nút nguyên nhân “parent node” đến nút kết quả “child node”. Nút kết quả phụ
thuộc có điều kiện vào nút nguyên nhân.
Mỗi nút (hay là biến) có một trạng thái
Chủ đầu tư khó khăn
(state) tùy thuộc đặc trưng của biến đó. Cụ
về tài chính
thể, theo sơ đồ 2, nút “tuyết rơi” là nút Nút nguyên nhân
nguyên nhân ảnh hưởng đến nút kết quả (parent node)
“tình trạng con đường” và chúng có những
trạng thái tương ứng [3].
Mũi tên liên kết
Trong quản lý dự án xây dựng, cấu (edge)
trúc BBNs trình bày ở sơ đồ 3 thể hiện ảnh
hưởng của “chủ đầu tư khó khăn về tài
chính” đến “sự chậm trễ tiến độ công Sự chậm trễ tiến độ
trình”. công trình Nút kết quả
Sơ đồ 4, 5 thể hiện cấu trúc của mạng (child node)
BBNs tổng quát hơn, phức tạp hơn với
nhiều nút (nodes) và nhiều cạnh liên kết Sơ đồ 3: Cấu trúc đơn giản
(edges) [5], [4]. của mạng BBNs trong xây dựng
2
Sơ đồ 4: Cấu trúc mạng BBNs tổng quát
3
Sơ đồ 5: Mô hình BBNs dùng để đánh giá mức độ rủi ro về tai nạn lao động trên
cao [4]
Theo bảng 1, ta thấy: “nếu tuyết rơi (Precipitation) ở trạng thái nhẹ (Light)
thì khả năng (hay xác suất) để con đường (Road Conditions) có thể đi qua được
(Passable) là 90%; và không thể đi qua được (Impassable) là 10%” [3].
Trong BBNs, nút mà không có nguyên nhân ( no parent) gây ra nó thì gọi là
nút gốc (root node). CPT của nút này gọi là xác suất ban đầu (prior probability).
Theo sơ đồ 2, CPT của nút Precipitation (Hình 2) [3]:
Precipitation
None Light Heavy
0.800 0.150 0.005
Bảng 2: CPT của các biến “Precipitation”
trong mạng BBNs theo sơ đồ 2
2.4. Phần mềm tính toán BBNs
Có rất nhiều phần mềm để hỗ trợ trong tính toán mạng BBNs, như là
BNet.Builder, Hugin Explorer, MSBNx (của hãng Microsoft)… Có thể download tại
các địa chỉ: www.research.microsoft.com/adapt/MSBNx/
www.kdnuggets.com/software/bayesian.html/
4
www.hugin.dk/
www.cs.cmu.edu/~javebayes/
Bài báo này giới thiệu về phần mềm MSBNX [4].
2.5. Các bước xây dựng mô hình BBN
3 Xác định các biến và trạng thái của chúng để đưa vào mô hình.
3 Xác định mối quan hệ “nhân– quả” giữa các biến dựa vào suy luận
logic, dữ liệu quá khứ…
3 Lập bảng xác suất có điều kiện (CPTs) ứng với mỗi sự kết hợp của biến
nguyên nhân và bảng xác suất ban đầu của chúng. CPTs có thể xác định từ kinh
nghiệm của chuyên gia, hoặc từ kết quả của mô hình khác…
3 Sau khi đã lập CPTs, đưa vào phần mềm để tính toán.
2.6. Ứng dụng phần mềm MSBNX
Xét mô hình ở sơ đồ 1a:
5
True 0.10 0.90
Fasle 0.50 0.50
3- CPT của nút “Rain”:
Parent Child node
nodes
Cloudy Rain
True False
True 0.80 0.20
Fasle 0.20 0.80
4- CPT của nút “Wet Grass”:
Parent nodes Child node
Sprinkler Rain Wet Grass
True False
True True 0.99 0.01
False 0.90 0.10
False True 0.90 0.10
False 0.00 1.00
Các bảng xác suất có điều kiện CPTs được đưa vào phần mềm MSBNX như sau:
Kết quả được thể hiện bằng mô hình và các xác suất tương ứng ở sơ đồ
6. Dựa vào đó, ta thấy rằng, xác suất để cho biến “WetGrass” ở trạng thái “True”
là 0.6471 và ở trạng thái “Fasle” là 0.3529.
6
Sơ đồ 6: Kết quả sau khi dùng phần mềm MSBNX để giải mạng BBNs ở
sơ đồ 1a.
4. KẾT LUẬN
BBNs được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Tuy nhiên,
trong quản lý xây dựng, việc ứng dụng BBNs vẫn còn nhiều hạn chế đối với cả
thế giới nói chung và Việt Nam nói riêng. Bài báo này, tác giả chủ yếu giới thiệu
về mạng BBNs, phần mềm áp dụng và các phạm vi ứng dụng của nó.
BBNs có thể được sử dụng trong quản lý dự án để dự báo, đánh giá rủi ro
về tiến độ, kinh phí, chất lượng, tai nạn lao động… trong xây dựng. Nhóm tác
giả cũng đang thực hiện một nghiên cứu về định lượng rủi ro trong tiến độ xây
7
dựng bằng kỹ thuật BBNs. Tác giả hy vọng rằng, với sự phát triển mạnh mẽ và
ưu điểm vượt trội, trong tương lai không xa BBNs sẽ được đưa vào ứng dụng
trong quản lý xây dựng như là một “vũ khí” lợi hại.
TÀI LIỆU THAM KHẢO
[1] Brian S. G. E. Sahely; David M. Bagley (2001): “Diagnosing upsets in
anaerobic wastewater treatment using Bayesian Belief Networks.” Journal of
Environmental Engineering 127(4) (2001).
[2] Murphy, K (2001): “ A brief introduction to graphical models and
Bayesian Networks” <www.cs.berkeley.edu/~murphyk/Bayes/bayes.html/>
October 14, 2001
[3] Charles River Analytics, Inc (2004): “About Bayesian Belief Networks”.
[4] Long D. Nguyen (2005): “Accident risks of working- at- heights in
building construction: An Assessment Framework.” Term project report, May 5,
2005.
[5] Kevin P. Murphy (2001): “An introdetion to graphical models.”, 10 May
2001.
[6] William Marsh, RADAR Group Queen Mary, University of London, Mile
End Road, E1 4NS, London, UK. william@dcs.qmul.ac.uk: “Using Bayesian
Networks to Model Accident Causation in the UK Railway Industry”.
[7] Neil, M. and Fenton, N. (1996): “Predicting software quality using
Bayesian Belief Networks” Proceeding of 21st Annual Software Engineering
Workshop, NASA/Goddard Space Flight Center, December 4-5, 1996.
[8] Isabel Milho, Ana Fred, Jorge Albano, Nuno Baptista, Poulo Sena: “An
Auxiliary System for Medical Diagnosis Based on Bayesian Belief Networks”.