1.TranThiQuynhChau Neutrosophic

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC NHA TRANG
TRẦN THỊ QUỲNH CHÂU
NGHIÊN CỨU TẬP NEUTROSOPHIC VÀ ỨNG DỤNG

CHO BÀI TOÁN RA QUYẾT ĐỊNH ĐA TIÊU CHÍ
LUẬN VĂN THẠC SĨ
KHÁNH HÒA - 2021

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC NHA TRANG
TRẦN THỊ QUỲNH CHÂU
NGHIÊN CỨU TẬP NEUTROSOPHIC VÀ ỨNG DỤNG

CHO BÀI TOÁN RA QUYẾT ĐỊNH ĐA TIÊU CHÍ
LUẬN VĂN THẠC SĨ

Ngành: Công nghệ thông tin
Mã ngành: 8480201
Quyết định giao đề tài 670/QĐ – ĐHNT ngày 02/7/2021
Quyết định thành lập HĐ
Ngày bảo vệ
Người hướng dẫn khoa học
TS. NGUYỄN ĐỨC THUẦN

Chủ tịch hội đồng
Khoa sau đại học
KHÁNH HÒA - 2021

LỜI CAM ĐOAN
Tôi xin cam đoan mọi kết quả của đề tài: “Nghiên cứu tập Neutrosophic và ứng
dụng cho bài toán ra quyết định đa tiêu chí” là công trình nghiên cứu của cá nhân tôi và
chưa từng được công bố trong bất cứ công trình khoa học của tác giả nào khác cho tới
thời điểm này.
Khánh Hòa, ngày 19 tháng 11 năm 2021
Tác giả luận văn

(ký và ghi rõ họ tên)
Trần Thị Quỳnh Châu
i
LỜI CẢM ƠN
Để hoàn thành luận văn “Nghiên cứu tập Neutrosophic và ứng dụng cho bài toán
ra quyết định đa tiêu chí”, trong suốt quá trình tác giả luôn nhận được sự hướng dẫn, chỉ
bảo tận tình về chuyên môn cũng như những đòi hỏi nghiêm khắc từ thầy giáo, người
hướng dẫn, TS. Nguyễn Đức Thuần. Qua đó tác giả đã học hỏi được nhiều điều bổ ích.
Tác giả xin được gửi lời cám ơn sâu sắc nhất đến Thầy.
Nhân dịp này, tác giả xin chân thành cám ơn quý thầy, cô khoa Công nghệ Thông
tin trường Đại học Nha Trang đã luôn quan tâm, tạo điều kiện thuận lợi cho tác giả trong
quá trình học tập và nghiên cứu.
Tác giả xin tỏ lòng biết ơn sâu sắc đến Sở Giáo Dục và Đào Tạo Khánh Hòa,
trường THPT chuyên Lê Quý Đôn đã hỗ trợ kinh phí và tạo điều kiện về thời gian cũng
như động viên về mặt tinh thần để tác giả có thể yên tâm hoàn thành khóa học đúng thời
hạn.
Tác giả xin cảm ơn tình cảm chân thành, những lời động viên quý báu từ bạn bè,
đồng nghiệp đã giúp tác giả giữ vững tinh thần đề vượt qua những gian khó trong học
tập.
Tác giả mãi chịu ơn những người thân trong gia đình, anh, chị, em đặc biệt là cha
mẹ đã luôn san sẻ những khó khăn và cũng là nguồn động viên tinh thần lớn lao nhất
cho tác giả trong suốt quá trình học tập và hoàn thành luận văn.
Một lần nữa, xin chân thành cảm ơn!
Nha Trang, ngày 19 tháng 11 năm 2021
Tác giả luận văn

(Ký và ghi rõ họ tên)
Trần Thị Quỳnh Châu
ii
MỤC LỤC
LỜI CAM ĐOAN .............................................................................................................i
LỜI CẢM ƠN ................................................................................................................. ii
DANH MỤC THUẬT NGỮ VIẾT TẮT ........................................................................v
DANH MỤC BẢNG ......................................................................................................vi
DANH MỤC HÌNH .................................................................................................... viii
TRÍCH YẾU LUẬN VĂN .............................................................................................ix
MỞ ĐẦU .........................................................................................................................1
CHƯƠNG 1: TỔNG QUAN VỀ NEUTROSOPHIC .....................................................3
1.1. Giới thiệu ..................................................................................................................3
1.2. Tập Neutrosophic .....................................................................................................4
1.3. Tập Neutrosophic giá trị đơn ....................................................................................5
1.3.1. Định nghĩa ..........................................................................................................5
1.3.2. Các phép toán cơ bản .........................................................................................6
1.4. Tập Neutrosophic giá trị khoảng ............................................................................10
1.4.1. Định nghĩa (Florentin Smarandache, 2007) .....................................................10
1.4.2. Các phép toán cơ bản (Said Broumi và cộng sự 2014) ....................................10
1.5. Tập Neutrosophic thô ............................................................................................. 14
1.5.1. Định nghĩa tập thô (Pawlak, 1982) ..................................................................14
1.5.2. Định nghĩa tập Neutrosophic thô .....................................................................14
1.5.2.1. Neutrosophic thô giá trị đơn (Florentin Smarandache, 2019) ...................14
1.5.2.2. Neutrosophic thô giá trị khoảng (Florentin Smarandache, 2019) .............15
1.5.3. Các phép toán cơ bản .......................................................................................17
1.6. Các độ đo khoảng cách trên tập Neutrosophic (Sudip Bhattacharyya và cộng sự
2018) .............................................................................................................................. 18
1.6.1. Khoảng cách Euclidean ....................................................................................18
1.6.2. Khoảng cách Hamming ....................................................................................19
1.6.3. Khoảng cách Hausdroff ...................................................................................20
1.6.4. Khoảng cách Euclidean Hausdroff ..................................................................21
CHƯƠNG 2. ỨNG DỤNG KỸ THUẬT TOPSIS VÀ AHP TRÊN NEUTROSOPHIC
GIÁ TRỊ ĐƠN CHO BÀI TOÁN RA QUYẾT ĐỊNH ĐA TIÊU CHÍ ........................ 23
2.1. Kỹ thuật TOPSIS trên tập Neutrosophic giá trị đơn...............................................23
iii
2.1.1. Phát biểu bài toán ............................................................................................. 23
2.1.2. Thuật toán.........................................................................................................24
2.1.2.1. Neutrosophic TOPSIS giá trị đơn (Pranab Biswas và cộng sự 2015) ......24
2.1.2.2. Neutrosophic TOPSIS thô giá trị đơn (Kalyan Mondal và cộng sự 2017) 27
2.1.3. Ứng dụng Neutrosophic TOPSIS cho bài toán hỗ trợ ra quyết định đa tiêu chí
....................................................................................................................................28
2.1.3.1. Ứng dụng trên tập Neutrosophic giá trị đơn ..............................................28
2.1.3.2. Ứng dụng trên tập Neutrosophic thô giá trị đơn ........................................32
2.2. Kỹ thuật AHP trên tập Neutrosophic giá trị đơn ....................................................34
2.2.1. Phát biểu bài toán ............................................................................................. 35
2.2.2. Các bước tiến hành ........................................................................................... 35
2.2.3. Ứng dụng SVNAHP cho bài toán hỗ trợ ra quyết định đa tiêu chí..................41
CHƯƠNG 3. PHÁT TRIỂN KỸ THUẬT TOPSIS TRÊN NEUTROSOPHIC GIÁ
TRỊ KHOẢNG VÀ ỨNG DỤNG .................................................................................47
3.1. Phát triển Neutrosophic TOPSIS trên giá trị khoảng .............................................47
3.2. Ứng dụng Neutrosophic TOPSIS giá trị khoảng ....................................................51
3.3. Phát triển Neutrosophic TOPSIS trên Neutrosophic thô giá trị khoảng ................54
3.4. Ứng dụng Neutrosophic TOPSIS thô giá trị khoảng ..............................................55
CHƯƠNG 4. SO SÁNH KẾT QUẢ LUẬN VĂN VỚI MỘT SỐ BÀI BÁO VÀ LẬP
TRÌNH MINH HỌA ......................................................................................................58
4.1. So sánh kết quả với một số bài toán .......................................................................58
4.1.1. Thuật toán Neutrosophic TOPSIS giá trị đơn ..................................................58
4.1.2. Thuật toán Neutrosophic TOPSIS thô giá trị đơn ............................................60
4.1.3. Thuật toán SVNAHP .......................................................................................63
4.2. Lập trình minh họa .................................................................................................63
4.2.1. Cài đặt thuật toán TOPSIS trên các tập Neutrosophic. ....................................63
4.2.2. Xây dựng phần mềm bình chọn thi đua ........................................................... 66
4.2.2.1. Tổ chức chương trình.................................................................................67
4.2.2.2. So sánh các kết quả đạt được .....................................................................68
KẾT LUẬN ...................................................................................................................71
TÀI LIỆU THAM KHẢO ............................................................................................. 73
iv
DANH MỤC THUẬT NGỮ VIẾT TẮT
Thuật ngữ Nghĩa tiếng Anh Nghĩa Tiếng Việt
SVNS Single valued Neutrosophic set Tập Neutrosophic giá trị đơn
IVNS Interval valued Neutrosophic set Tập Neutrosophic giá trị khoảng
RNS Rough Neutrosophic set Tập Neutrosophic thô
SVRNS Single valued Rough Neutrosophic Tập Neutrosophic thô giá trị đơn
set
IVRNS Interval valued Rough Tập Neutrosophic thô giá trị

Neutrosophic set khoảng
AHP Analytic Hierarchy Process Kỹ thuật phân tích thứ bậc
TOPSIS Technique for Order Preference by Kỹ thuật cho xếp loại sự yêu thích
Similarity to Ideal Solution bằng tương tự giải pháp lý tưởng
MADM Multi-Attribute Decision Making Ra quyết định đa tiêu chí
MAGDM Multi-Attribute Group Decision Ra quyết định nhóm đa tiêu chí

Making
AGO Accumulated geometric operator Toán tử tích lũy hình học
SVNAHP Value Neutrosophic set Analytic Kỹ thuật phân tích thứ bậc trên
Hierarchy Process tập Neutrosophic giá trị đơn
v
DANH MỤC BẢNG
Bảng 2.1. Thuật ngữ ngôn ngữ học và SVNS tương ứng cho thuộc tính .............29
Bảng 2.2. Thuật ngữ ngôn ngữ học và SVNS tương ứng cho trọng số ................29
Bảng 2.3. Trọng số chuyên gia .............................................................................29
Bảng 2.4. Bảng đánh giá của các chuyên gia (ma trận quyết định) ......................30
Bảng 2.5. Trọng số thuộc tính ..............................................................................30
Bảng 2.6. Thuật ngữ ngôn ngữ học và SVRNS tương ứng cho thuộc tính ..........32
Bảng 2.7. Thuật ngữ ngôn ngữ học và SVRNS tương ứng cho trọng số .............33
Bảng 2.8. Thang đo cơ bản của Saaty...................................................................36
Bảng 2.9. Thang đo cơ bản của Saaty tương ứng trên Neutrosophic ...................37
Bảng 2.10. Bảng RI cho tối đa 10 tiêu chí ............................................................ 39
Bảng 2.11. Tổng hợp trọng số của các phương án ...............................................46
Bảng 2.12. Xếp hạng thứ tự các phương án ......................................................... 46
Bảng 3.1. Thuật ngữ ngôn ngữ học và IVNS tương ứng cho thuộc tính ..............51
Bảng 3.2. Thuật ngữ ngôn ngữ học và IVNS tương ứng cho trọng số .................51
Bảng 3.3. Thuật ngữ ngôn ngữ học và SVRNS tương ứng cho thuộc tính ..........55
Bảng 3.4. Thuật ngữ ngôn ngữ học và SVRNS tương ứng cho trọng số .............56
Bảng 4.1. Bảng thuật ngữ ngôn ngữ học và SVNS tương ứng cho trọng số chuyên
gia (Pranab Biswas, 2015) ............................................................................................. 58
Bảng 4.2. Bảng thuật ngữ ngôn ngữ học và SVNS tương ứng cho thuộc tính
(Pranab Biswas, 2015) ...................................................................................................58
Bảng 4.3. Bảng thuật ngữ ngôn ngữ học và SVNS tương ứng dùng chung trọng số
chuyên gia và thuộc tính (Pranab Biswas, 2019) .......................................................... 59
Bảng 4.4. Bảng đánh giá của các chuyên gia (ma trận quyết định) ......................59
Bảng 4.5. Bảng so sánh luận văn với bài báo Pranab Biswas 2015 và 2019 .......59
vi
Bảng 4.6. Bảng thuật ngữ ngôn ngữ học và SVRNS tương ứng cho trọng số chuyên
gia ..................................................................................................................................60
Bảng 4.7. Bảng thuật ngữ ngôn ngữ học và SVRNS tương ứng cho trọng số thuộc
tính .................................................................................................................................61
Bảng 4.8. Bảng tổng hợp ma trận quyết định của bài báo ....................................61
Bảng 4.9. Kết quả tổng hợp ma trận quyết định của luận văn .............................. 62
Bảng 4.10. Bảng kết quả cuối cùng của bài báo Florentin Sramandache (2017) và
luận văn.......................................................................................................................... 62
Bảng 4.11. Bảng so sánh luận văn với bài báo của Nouran 2016 ........................ 63
Bảng 4.12. Bảng so sánh kết quả 𝐶𝑖∗ của các phương án trên các độ đo khoảng cách
khác nhau .......................................................................................................................64
vii
DANH MỤC HÌNH
Hình 2.1. Biểu đồ thể hiện khoảng cách của 𝐷𝑖+ và 𝐷𝑖− ........................................27
Hình 2.2. Hệ thống phân cấp đầy đủ ....................................................................38
Hình 2.3. Hệ thống phân cấp thứ bậc không đầy đủ.............................................38
Hình 2.4. Hệ thống phân cấp thứ bậc của LMS....................................................42
Hình 4.1. Biểu đồ so sánh kết quả bình chọn trên các độ đo khác nhau ..............65
viii
TRÍCH YẾU LUẬN VĂN
Nhiều công cụ Toán học được phát triển nhằm giải quyết các bài toán trong thực
tế mang yếu tố mơ hồ, không chắc chắn. Có thể kể đến hai công cụ nổi tiếng được nhiều
người quan tâm là lý thuyết tập mờ (Zadeh, 1965), lý thuyết tập thô (Pawlak, 1982). Tuy
nhiên, cả hai công cụ tập mờ, tập thô đều không thể xử lí được tính không xác định của
các đối tượng. Nhằm khắc phục những nhược điểm đó, Florentin Smarandache (1995)
phát triển lý thuyết logic mờ thành lý thuyết tập Neutrosophic bằng cách bổ sung thêm
yếu tố không xác định vào hàm thành viên các đối tượng.
Vào những năm 2000, lý thuyết tập Neutrosophic có nhiều kết quả phát triển mở
rộng, khẳng định tính ưu việt của mình. Một trong những ứng dụng điển hình của lý
thuyết tập Neutrosophic là hỗ trợ giải quyết bài toán ra quyết định. Nhiều kỹ thuật nâng
cao hiệu năng xử lý dữ liệu mơ hồ, không chắc chắn đã được đề xuất trên cơ sở kết hợp
các công cụ toán học với tập Neutrosophic.
Hiện nay, lý thuyết tập Neutrosophic và các dẫn xuất của nó chưa được quan tâm
đúng mức ở Việt Nam. Với mong muốn tiếp cận một công cụ đang là xu hướng mới trên
thế giới, luận văn bước đầu tiếp cận lý thuyết tập Neutrosophic từ đó ứng dụng vào bài
toán cụ thể. Đặc biệt là bài toán ra quyết định đa tiêu chí bằng cách tích hợp kỹ thuật
AHP (Analytic Hierarchy Process) và kỹ thuật TOPSIS (Technique for Order Preference
by Similarity to Ideal Solution) cổ điển với lý thuyết tập Neutrosophic.
Luận văn tập trung vào nghiên cứu các vấn đề sau:
- Tìm hiểu định nghĩa và các phép toán cơ bản trên tập Neutrosophic giá trị đơn,
Neutrosophic giá trị khoảng, Neutrosophic thô giá trị đơn, Neutrosophic thô giá trị
khoảng.
- Tìm hiểu các độ đo khoảng cách khác nhau trên các tập Neutrosophic.
- Tìm hiểu kỹ thuật TOPSIS trên tập Neutrosophic giá trị đơn, Neutrosophic thô
giá trị đơn.
- Tìm hiểu kỹ thuật AHP cổ điển từ đó phát triển trên tập Neutrosophic giá trị đơn.
- Đề xuất mở rộng kỹ thuật TOPSIS trên Neutrosophic giá trị khoảng và

Neutrosophic thô giá trị khoảng.
ix
- Xây dựng ứng dụng bình chọn danh hiệu thi đua dựa trên lý thuyết tổng hợp
được.
- Thực nghiệm các kỹ thuật ra quyết định đa tiêu chí trên các độ đo khoảng cách
khác nhau nhằm đánh giá tính thích hợp của các độ đo.
Tính đúng của các kết quả của luận văn đã được khẳng định bằng cách so sánh,
phân tích với kết quả các bài báo được công bố trong các tài liệu chuyên ngành về lý
thuyết tập Neutrosophic (do chính Florentin Smarandache biên tập).
Các kết quả mới trong luận văn đã trình bày trong các hội thảo khoa học:
1. “Một số hướng nghiên cứu tiềm năng trong lĩnh vực Khoa học Tự nhiên và Công
nghệ hiện nay” do trường Đại học Khánh Hòa tổ chức ngày 29 tháng 5 năm 2021.
2. Công nghệ Thông tin và Truyền Thông (ICT) được tổ chức tại Đà Lạt ngày 06
tháng 8 năm 2021.
Bên cạnh những kết quả đã đạt được, khả năng nghiên cứu, thời gian thực hiện
luận văn của tác giả còn hạn chế nên không khỏi có những sai sót, khiếm khuyết. Rất
mong nhận được sự đóng góp ý kiến từ thầy, cô, các nhà khoa học, những ai quan tâm
để luận văn được hoàn chỉnh hơn.
Từ khóa: Neutrosophic, Neutrosophic giá trị đơn, Neutrosophic giá trị khoảng,
Neutrosophic thô giá trị đơn, Neutrosophic thô giá trị khoảng, Analytic Hierarchy
Process, Technique for Order Preference by Similarity to Ideal Solution, độ đo khoảng
cách.
x
MỞ ĐẦU
* Lý do chọn đề tài
Trong thực tế luôn có những thông tin mơ hồ không chắc chắn, không xác định và
không nhất quán. Những thông tin này thường gây khó khăn trong việc lưu trữ, xử lí để
ra quyết định.
Neutrosophic được bắt nguồn từ một nhánh triết học mới, đó là Neutrosophy. Tập
Neutrosophic có khả năng xử lí với những thông tin không chắc chắn, không xác định
và không nhất quán. Bên cạnh đó cần có những phương pháp tiếp cận tập Neutrosophic
phù hợp để giải quyết các vấn đề với những thông tin không chắc chắn, không xác định
và không nhất quán hiệu quả hơn.
Kể từ khi ra đời lý thuyết và ứng dụng của tập Neutrosophic đã được mở rộng với
tốc độ khá kinh ngạc. Một trong những xu hướng nổi bật nhất trong lý thuyết tập
Neutrosophic là sự kết hợp giữa tập Neutrosophic với các tập khác như tập thô, tập mờ…
Các lý thuyết, kỹ thuật, thuật toán liên quan tập Neutrosophic cũng được phát triển một
cách nhanh chóng. Nhiều tác giả đã sử dụng Neutrosophic để xử lí các bài toán trong
các lĩnh vực khác nhau như khai phá dữ liệu, ra quyết định, lý thuyết đồ thị, chẩn đoán
y tế, lý thuyết xác suất…Trong đó, kết hợp việc xử lí dữ liệu trên tập Neutrosophic bằng
các kỹ thuật ra quyết định cổ điển rất được quan tâm và phát triển.
Bài toán ra quyết định đa tiêu chí (MADM) và ra quyết định nhóm đa tiêu chí
(MAGDM) là những bài toán thường gặp trong cuộc sống cũng như trong công tác quản
lí. Phương pháp thường được áp dụng và mang lại hiệu qua cao cho những bài toán này
là kỹ thuật phân tích thứ bậc (AHP) và kỹ thuật cho xếp loại sự yêu thích bằng tương tự
giải pháp lý tưởng (TOPSIS). Ở trong nước đã có khá nhiều đề tài nghiên cứu về hai
phương pháp này để hỗ trợ đưa ra quyết định đa tiêu chí. Tuy nhiên việc nghiên cứu tiếp
cận cách giải quyết theo hướng sử dụng tập Neutrosophic còn hạn chế. Vì những lí do
đó, tôi chọn đề tài “Nghiên cứu tập Neutrosophic và ứng dụng cho bài toán ra quyết định
đa tiêu chí” để làm đề tài tốt nghiệp Thạc sĩ của mình.
1
* Mục tiêu nghiên cứu:
- Tìm hiểu xu hướng mới trong lý thuyết và ứng dụng tập Neutrosophic.
- Tìm hiểu sự kết hợp giữa tập Neutrosophic và tập thô.
- Tìm hiểu các cách tính độ đo khoảng cách trên Neutrosophic.
- Tìm hiểu về các kỹ thuật AHP và TOPSIS trong tập Neutrosophic để hỗ trợ ra
quyết định đa tiêu chí.
- Ứng dụng những nội dung đã tìm hiểu để giải quyết bài toán trong thực tế.
* Đối tượng và phạm vi nghiên cứu:
Đối tượng nghiên cứu
- Tập Neutrosophic, Neutrosophic thô.
- Kỹ thuật phân tích thứ bậc AHP.
- Kỹ thuật thứ tự ưu tiên theo sự tương đồng với giải pháp lý tưởng TOPSIS.
- Các độ đo khoảng cách trên tập Neutrosophic.
Khách thể nghiên cứu
- Giáo viên trường THPT chuyên Lê Quý Đôn – Khánh Hòa.
Phạm vi nghiên cứu
- Tính chất toán học của tập Neutrosophic, Neutrosophic thô.
- Các kết quả lý thuyết và ứng dụng Neutrosophic của kỹ thuật AHP, TOPSIS cho
bài toán ra quyết định đa tiêu chí.
- Lập trình mình họa sử dụng Neutrosophic cho bài toán thực tế (dự kiến ít nhất 01
bài toán ứng dụng tại đơn vị).
* Phương pháp nghiên cứu:
Phương pháp tổng hợp: Tổng hợp các tài liệu liên quan đến nội dung của đề tài.
Tham khảo ý kiến chuyên gia.
Phương pháp thu thập và xử lý thông tin.
So sánh, đánh giá.
2
CHƯƠNG 1: TỔNG QUAN VỀ NEUTROSOPHIC
1.1. Giới thiệu
Florentin Smarandache, cha đẻ của Neutrosophic không chỉ là một nhà toán học,
khoa học máy tính, ông còn là nhà văn, họa sĩ và triết gia.
Năm 1980, Florentin Smarandache đã thành lập một phong trào tiên phong về văn
học và nghệ thuật mới mà ông gọi nó là “chủ nghĩa nghịch lý” (paradoxism) . Đó là một
sự kết nối đầy cảm hứng mà ông đã tạo ra giữa văn học nghệ thuật và khoa học, triết
học.
Đặc điểm của chủ nghĩa nghịch lý:
- Luận điểm cơ bản nhất: hai yếu tố có nghĩa và không có nghĩa luôn được chứa
đựng hài hòa trong mọi sự vật, hiện tượng.
- Bản chất: trong cái có nghĩa chứa đựng cái không có nghĩa và ngược lại trong cái
không có nghĩa chứa đựng cái có nghĩa.
- Phương châm: tất cả đều có thể và không thể.
- Biểu tượng: biểu tượng được chọn cho lý thuyết Neutrosophic là hình xoắn ốc.
Năm 1995, khái quát từ Logic mờ (fuzzy logic) ông đã đưa ra hai khái niệm
“Neutrosophy” và dẫn xuất của Neutrosophy là “Neutrosophic” bao gồm “Neutrosophic
set”, “Neutrosophic logic”, “Neutrosophic probability” và “Neutrosophic statistics” từ
đó mở ra những phương thức nghiên cứu mới trong các lĩnh vực triết học, logic học, lý
thuyết tập hợp và xác suất thống kê.
Neutro-sophy, tiếng Pháp là “neutre”, tiếng Latin là “neuter”, nghĩa là trung lập,
trong tiếng Hi Lạp “sophia” nghĩa là kĩ năng/trí tuệ, nên neutrosophy có nghĩa là tri thức
về kiến thức trung lập.
Neutrosophy là một nhánh của triết học mới coi một mệnh đề, lý thuyết, sự kiện,
khái niệm hoặc một thực thể trong mối quan hệ đối lập của nó.
3
1.2. Tập Neutrosophic
Định nghĩa: (Florentin Smarandache, 1998)
Cho X là không gian các đối tượng, mỗi phần tử của X ký hiệu là x. Một tập
Neutrosophic A thuộc X được định nghĩa như sau:
𝐴 = {𝑥, 〈𝑇𝐴 (𝑥), 𝐼𝐴 (𝑥), 𝐹𝐴 (𝑥)〉|𝑥 ∈ 𝑋 }
A được đặc trưng bởi 3 hàm:
 Hàm thành viên đúng: 𝑇𝐴 (True membership function)
 Hàm thành viên không xác định: 𝐼𝐴 (indeterminacy membership function)
 Hàm thành viên sai: 𝐹𝐴 (False membership function)
Trong đó:
𝑇𝐴 ,𝐼𝐴 ,𝐹𝐴 : X → ] −0, 1+ [

−
∝=∝ −𝜀 ; ∝+ =∝ +𝜀, với 𝜀 là một giá trị rất bé.
−
Khi đó: 0 ≤ 𝑇𝐴 + 𝐼𝐴 + 𝐹𝐴 ≤ 3+
Ví dụ 1.2.1. Khi ta nói
- x(50,20,30) thuộc A điều đó có nghĩa là khả năng 50% x thuộc A, 30% x không
thuộc A và 20% là không xác định.
- y(0,0,100) thuộc A nghĩa là chắc chắn rằng y không thuộc A.
- z(0,100,0) thuộc A nghĩa là hoàn toàn không biết gì về thông tin về mối quan hệ
giữa z và A.
- x( (20-30), (40-45)∪[50-51], {20,24,28}) thuộc A, nghĩa là khả năng từ 20% tới

30% x thuộc A (người ta có thể không tìm thấy giá trị chính xác do thông tin lấy từ nhiều
nguồn khác nhau); 20% hoặc 24% hoặc 28% x không thuộc A; giá trị không xác định
sự liên quan giữa x và A nằm trong khoảng 40% đến 45% hoặc từ 50% đến 51%. Các
tập hợp con đại diện cho giá trị đúng, sai và không xác định có thể trùng lặp và trong ví
dụ trên có n_sup=30+51+28>100 thể hiện điều đó.
Có nhiều loại tập Neutrosophic như giá trị đơn (single valued Neutrosophic), giá
trị khoảng (interal-valued Neutrosophic), đa giá trị (multi-valued), lưỡng cực (bipolar),
4
do dự (hesitant), tinh chế (refined), đơn giản hóa (simplified), thô (rough) và
Neutrosophic siêu phức (hyper-complex Neutrosophic sets). (Brounmi, 2018)
Trong luận văn này, chúng tôi chỉ đề cập tới tập Neutrosophic giá trị đơn, giá trị
khoảng và Neutrosophic thô.
1.3. Tập Neutrosophic giá trị đơn
1.3.1. Định nghĩa
Định nghĩa 1: (Florentin Smarandache, 2007)
Neutrosophic giá trị đơn (SVNS) A thuộc X được định nghĩa như sau:
𝐴 = {𝑥, 〈𝑇𝐴 (𝑥), 𝐼𝐴 (𝑥), 𝐹𝐴 (𝑥)〉|𝑥 ∈ 𝑋 } (1)
A được đặc trưng bởi 3 hàm:
 Hàm thành viên đúng: 𝑇𝐴 (True membership function)
 Hàm thành viên không xác định: 𝐼𝐴 (indeterminacy membership function)
 Hàm thành viên sai: 𝐹𝐴 (False membership function)
Trong đó: 𝑇𝐴 ,𝐼𝐴 ,𝐹𝐴 : X là các hàm đơn trị ∈ [0,1]
Khi đó: 0 ≤ 𝑇𝐴 (𝑥) + 𝐼𝐴 (𝑥) + 𝐹𝐴 (𝑥) ≤ 3 ∀𝑥 ∈ 𝑋
Định nghĩa 2: (Wang và cộng sự, 2010)
Cho X là không gian các đối tượng, mỗi phần tử của X kí hiệu là x. Một tập
Neutrosophic giá trị đơn A trong X được đặc trưng bởi các hàm thành viên đúng TA,
hàm thành viên không xác định IA và hàm thành viên sai FA. Đối với mỗi x trong X,
TA(x), IA(x), FA(x) ∈ [0,1].
Khi X là liên tục, một SVNS A có thể được viết như sau
𝐴 = ∫ 〈𝑇((𝑥), 𝐼(𝑥), 𝐹(𝑥)〉/𝑥, 𝑥 ∈ 𝑋

𝑋
Khi X rời rạc, một SVNS A có thể được viết như sau
𝑛
𝐴 = ∑〈𝑇(𝑥 𝑖 ), 𝐼(𝑥𝑖 ), 𝐹 (𝑥𝑖 )〉/ 𝑥𝑖 , 𝑥𝑖 ∈ 𝑋

𝑖=1
5
Ví dụ 1.3.1.
Để đánh giá một trang web ngữ nghĩa, người ta xét 3 yếu tố x1 là chức năng, x2 là
độ tin cậy và x3 là giá cả, giá trị x1, x2, x3 nằm trong đoạn [0,1]. Kí hiệu bộ giá trị X=
[x1,x2,x3]. Giả sử có hai chuyên gia A và B đánh giá về trang web ngữ nghĩa bằng
Neutrosophic giá trị đơn thì có thể biểu diễn đánh giá của họ như sau:
A = <0.3, 0.4, 0.5>/x1 + <0.5, 0.2, 0.3>/x2 + <0.7, 0.2, 0.2>/x3
B = <0.6, 0.1, 0.2>/x1 + <0.3, 0.2, 0.6>/x2 + <0.4, 0.1, 0.5>/x3
Điều đó có thể giải thích như sau, chuyên gia A nhận định trang web có chức năng
tốt là 30%, chức năng không tốt là 50% và 40% chuyên gia A không có thông tin gì về
trang web. Về độ tin cậy của trang web chuyên gia A nhận định khả năng 50% là tin
cậy, 30% không tin cậy và 20% chưa có thông tin về trang web. Tương tự như vậy về
giá cả chuyên gia A nhận định 70% giá cả phù hợp, 20% chưa phù hợp và 20% không
biết là phù hợp hay chưa.
1.3.2. Các phép toán cơ bản
Xét hai SVNS:
𝐴 = {𝑥, 〈𝑇𝐴 (𝑥), 𝐼𝐴 (𝑥), 𝐹𝐴 (𝑥)〉|𝑥 ∈ 𝑋 } và
𝐵 = {𝑥, 〈𝑇𝐵 (𝑥), 𝐼𝐵 (𝑥), 𝐹𝐵 (𝑥)〉|𝑥 ∈ 𝑋 }
Các phép toán cơ bản định nghĩa trên SVNS như sau
 Phần bù
Phần bù của SVNS A kí hiệu là 𝐴𝐶 , với
𝐴𝐶 = 〈𝐹𝐴 (𝑥), 1 − 𝐼𝐴 (𝑥), 𝑇𝐴 (𝑥)〉 (1.3.2.1)
Ví dụ 1.3.2. Với SVNS A đã cho ở ví dụ 1.3.1 thì
AC = <0.5, 0.6, 0.3>/x1 + <0.3, 0.8, 0.5>/x2 + <0.2, 0.8, 0.7>/x3
 Tập con
SVNS A là tập con của SVNS B kí hiệu 𝐴 ⊆ 𝐵 được xác định như sau:
𝐴 ⊆ 𝐵 ⟺ 𝑇𝐴 (𝑥) ≤ 𝑇𝐵 (𝑥), 𝐼𝐴 (𝑥) ≥ 𝐼𝐵 (𝑥), 𝐹𝐴 (𝑥) ≥ 𝐹𝐵 (𝑥) (1.3.2.2)
6
Ví dụ 1.3.3. Với SVNS A và SVNS B ở ví dụ 1.3.1 thì SVNS A không phải là con
của SVNS B và ngược lại SVNS B cũng không phải là con của SVNS A.
Ví dụ 1.3.4. Với SVNS C = <0.3, 0.4, 0.5>/x1 + <0.5, 0.2, 0.3>/x2 + <0.7, 0.2,
0.5>/x3 và SVNS D = <0.6, 0.1, 0.2>/x1 + <0.6, 0.2, 0.1>/x2 + <0.8, 0.1, 0.5>/x3 . Khi
đó 𝐶 ⊆ 𝐷.
Hệ quả 1: 𝐴 = 𝐵 ⟺ 𝐴 ⊆ 𝐵 và 𝐵 ⊆ 𝐴
Hệ quả 2: 𝐴 ⊆ 𝐵 ⟺ 𝐵𝐶 ⊆ 𝐴𝐶
Chứng minh:
𝐴 ⊆ 𝐵 ⟺ 𝑇𝐴 (𝑥) ≤ 𝑇𝐵 (𝑥), 𝐼𝐴 (𝑥) ≥ 𝐼𝐵 (𝑥), 𝐹𝐴 (𝑥) ≥ 𝐹𝐵 (𝑥)
⟺ 𝐹𝐵 (𝑥) ≤ 𝐹𝐴 (𝑥), 1 − 𝐼𝐵 (𝑥) ≥ 1 − 𝐼𝐴 (𝑥), 𝑇𝐵 (𝑥) ≥ 𝑇𝐴 (𝑥)
⟺ 𝐵𝐶 ⊆ 𝐴𝐶
 Phép giao
Giao của hai SVNS là một SVNS, SVNS A giao với SVNS B kí hiệu 𝐴 ∩ 𝐵 được
xác định như sau:
𝐶 = 𝐴 ∩ 𝐵 = 〈𝑇𝐶 (𝑥), 𝐼𝐶 (𝑥), 𝐹𝐶 (𝑥)〉 (1.3.2.3)
Với 𝑇𝐶 (𝑥) = min(𝑇𝐴 (𝑥), 𝑇𝐵 (𝑥))
𝐼𝐶 (𝑥) = max(𝐼𝐴 (𝑥), 𝐼𝐵 (𝑥))
𝐹𝐶 (𝑥) = max(𝐹𝐴 (𝑥), 𝐹𝐵 (𝑥)
Ví dụ 1.3.5. Với SVNS A và SVNS B ở ví dụ 1.3.1, ta có C = A ∩ B = <0.3, 0.4,

0.5>/x1 + <0.3, 0.2, 0.6>/x2 + <0.4, 0.2, 0.5>/x3
Hệ quả: C = A ∩ B là SVNS lớn nhất vừa là tập con của SVNS A vừa là tập con
của SVNS B.
 Phép hợp
Hợp của hai SVNS là một SVNS, SVNS A giao với SVNS B kí hiệu 𝐴 ∪ 𝐵 được
𝐶 = 𝐴 ∪ 𝐵 = 〈𝑇𝐶 (𝑥), 𝐼𝐶 (𝑥), 𝐹𝐶 (𝑥)〉 (1.3.2.4)
7
Với 𝑇𝐶 (𝑥) = max(𝑇𝐴 (𝑥), 𝑇𝐵 (𝑥))
𝐼𝐶 (𝑥) = min(𝐼𝐴 (𝑥), 𝐼𝐵 (𝑥))
𝐹𝐶 (𝑥) = min(𝐹𝐴 (𝑥), 𝐹𝐵 (𝑥)
Ví dụ 1.3.6. Với SVNS A và SVNS B ở ví dụ 1.3.1, ta có C = A ∪ B = <0.6, 0.1,

0.2>/x1 + <0.5, 0.2, 0.3>/x2 + <0.7, 0.1, 0.2>/x3.
Hệ quả: C = A ∪ B là SVNS nhỏ nhất chứa đồng thời cả A và B.
 Phép cộng
Phép cộng của SVNS A và SVNS B kí hiệu 𝐴 ⊕ 𝐵 được xác định như sau:
𝐴 ⊕ 𝐵 = 〈𝑇𝐴 (𝑥) + 𝑇𝐵 (𝑥) − 𝑇𝐴 (𝑥)𝑇𝐵 (𝑥), 𝐼𝐴 (𝑥)𝐼𝐵 (𝑥), 𝐹𝐴 (𝑥)𝐹𝐵 (𝑥)〉 (1.3.2.5)
Ví dụ 1.3.7. Với SVNS A và SVNS B ở ví dụ 1.3.1, ta có A ⊕ B = <0.72, 0.04,
0.1>/x1 + <0.65, 0.04, 0.18>/x2 + <0.82, 0.02, 0.1>/x3.
 Phép trừ
Phép trừ của SVNS A cho SVNS B kí hiệu 𝐴 ⊝ 𝐵 được xác định như sau
𝐴 ⊝ 𝐵 = 〈(𝑇𝐴 (𝑥) − 𝑇𝐵 (𝑥))/(1 − 𝑇𝐵 (𝑥)), 𝐼𝐴 (𝑥)/𝐼𝐵 (𝑥), 𝐹𝐴 (𝑥)/𝐹𝐵 (𝑥)〉 (1.3.2.6)
Chứng minh:
Ta có, 𝐵 ⨁ 𝐶 = 𝐴 ⇒ 𝐶 = 𝐴 ⊝ 𝐵
Với 𝑇𝐵 (𝑥) + 𝑇𝐶 (𝑥) − 𝑇𝐵 (𝑥). 𝑇𝐶 (𝑥) = 𝑇𝐴 (𝑥)
⇔ (1 − 𝑇𝐵 (𝑥)). 𝑇𝐶 (𝑥) = 𝑇𝐴 (𝑥) − 𝑇𝐵 (𝑥)
⇔ 𝑇𝐶 (𝑥) = (𝑇𝐴 (𝑥) − 𝑇𝐵 (𝑥))/(1 − 𝑇𝐵 (𝑥))
Và 𝐼𝐵 (𝑥). 𝐼𝐶 (𝑥) = 𝐼𝐴 (𝑥) ⇔ 𝐼𝐶 (𝑥) = 𝐼𝐴 (𝑥)/𝐼𝐵 (𝑥)
Tương tự 𝐹𝐵 (𝑥). 𝐹𝐶 (𝑥) = 𝐹𝐴 (𝑥) ⇔ 𝐹𝐶 (𝑥) = 𝐹𝐴 (𝑥)/𝐹𝐵 (𝑥)
 Phép nhân
Phép nhân của SVNS A với SVNS B kí hiệu 𝐴 ⊗ 𝐵 được xác định như sau:
𝐴 ⊗ 𝐵 = 〈𝑇𝐴 (𝑥)𝑇𝐵 (𝑥), 𝐼𝐴 (𝑥) + 𝐼𝐵 (𝑥) − 𝐼𝐴 (𝑥)𝐼𝐵 (𝑥), 𝐹𝐴 (𝑥) + 𝐹𝐵 (𝑥) −
𝐹𝐴 (𝑥)𝐹𝐵 (𝑥)〉 (1.3.2.7)
Ví dụ 1.3.8. Với SVNS A và SVNS B ở ví dụ 1.3.1.1, ta có A ⊗ B = <0.18, 0.46,
0.6>/x1 + <0.15, 0.36, 0.72>/x2 + <0.28, 0.28, 0.6>/x3.
 Phép chia
Phép chia SVNS A cho SVNS B kí hiệu 𝐴 ⊘ 𝐵 được xác định như sau
8
𝐴 ⊘ 𝐵 = 〈𝑇𝐴 (𝑥)/𝑇𝐵 (𝑥), (𝐼𝐴 (𝑥) − 𝐼𝐵 (𝑥))/(1 − 𝐼𝐵 (𝑥)), (𝐹𝐴 (𝑥) − 𝐹𝐵 (𝑥))/(1 −
𝐹𝐵 (𝑥))〉 (1.3.2.8)
Chứng minh:
Với 𝐴 = 𝐵 ⊗ 𝐶 ⇒ 𝐴 ⊘ 𝐵 = 𝐶
𝑇𝐴 (𝑥) = 𝑇𝐵 (𝑥). 𝑇𝐶 (𝑥) ⇒ 𝑇𝑐 (𝑥) = 𝑇𝐴 (𝑥)/𝑇𝐵 (𝑥)
Và 𝐼𝐴 (𝑥) = 𝐼𝐵 (𝑥) + 𝐼𝐶 (𝑥) − 𝐼𝐵 (𝑥). 𝐼𝐶 (𝑥)
⇔ 𝐼𝐴 (𝑥) − 𝐼𝐵 (𝑥) = (1 − 𝐼𝐵 (𝑥)). 𝐼𝐶 (𝑥)
⇔ (𝐼𝐴 (𝑥) − 𝐼𝐵 (𝑥))/(1 − 𝐼𝐵 (𝑥)) = 𝐼𝐶 (𝑥)
Tương tự (𝐹𝐴 (𝑥) − 𝐹𝐵 (𝑥))/(1 − 𝐹𝐵 (𝑥)) = 𝐹𝐶 (𝑥)
 Phép nhân một SVNS với một số thực dương

Phép nhân của SVNS A với một số thực dương ∝, kí hiệu ∝. 𝐴 được xác định như
sau:
∝ ∝
∝. 𝐴 = 〈1 − (1 − 𝑇𝐴 (𝑥)) , (𝐼𝐴 (𝑥)) , (𝐹𝐴 (𝑥))∝ 〉 với ∝> 0 (1.3.2.9)
 Phép chia một SVNS cho một số thực dương
Phép chia một SVNS A cho một số thực dương ∝, kí hiệu 𝐴/∝ được xác định như
sau:
1/∝ 1/∝
𝐴/∝= 〈1 − (1 − 𝑇𝐴 (𝑥)) , (𝐼𝐴 (𝑥)) , (𝐹𝐴 (𝑥))1/∝ 〉 với ∝> 0 (1.3.2.10)
 Lũy thừa của một SVNS
Lũy thừa ∝ của một SVNS A, kí hiệu (𝐴)𝛼 được xác định như sau:
𝛼 𝛼 𝛼
(𝐴)𝛼 = 〈(𝑇𝐴 (𝑥)) , 1 − (1 − 𝐼𝐴 (𝑥)) , 1 − (1 − 𝐹𝐴 (𝑥)) 〉 với ∝> 0 (1.3.2.11)
 Giá trị tổng hợp
Cho tập 𝐴 = {𝐴1 , 𝐴2 , … , 𝐴𝑛 } là tập các SVNS, trong đó
𝐴𝑗 = 〈𝑇𝑗 , 𝐼𝑗 , 𝐹𝑗 〉 (𝑗 = 1, 2, … , 𝑛) và nếu 𝑆𝑉𝑁𝑊𝐴𝑤 (𝐴1 , 𝐴2 , … , 𝐴𝑛 ) = (𝑤1 𝐴1 ⊕ 𝑤2 𝐴2 ⊕
… ⊕ 𝑤𝑛 𝐴𝑛 ), thì SVNWA được gọi là trọng số trung bình SVNS của thứ nguyên 𝑛,
trong đó 𝑤 = (𝑤1 , 𝑤2 , … , 𝑤𝑛 ) là véc tơ trọng số của 𝐴𝑗 (𝑗 = 1,2, … , 𝑛) với 𝑤𝑗 ∈ [0,1] và
∑𝑛𝑗=1 𝑤𝑗 = 1. Giá trị tổng hợp cũng là một SVNS và:
SVNWAw ( A1, A2 ...., An )  1   1  T j  ,  I j  ,  Fj 

n wj n wj n wj
(1.3.2.12)
j 1 j 1 j 1
9
1.4. Tập Neutrosophic giá trị khoảng
1.4.1. Định nghĩa (Florentin Smarandache, 2007)
Neutrosophic giá trị khoảng (IVNS) 𝐴̃ thuộc X được định nghĩa như sau:
𝐴̃ = {𝑥, 〈𝑇̃𝐴 (𝑥), 𝐼̃𝐴 (𝑥), 𝐹̃𝐴 (𝑥)〉|𝑥 ∈ 𝑋 }
Trong đó 𝑇̃𝐴 (𝑥), 𝐼̃𝐴 (𝑥) và 𝐹̃𝐴 (𝑥) là các khoảng giá trị thuộc [0,1]; đồng thời 0 ≤
𝑠𝑢𝑝 ̃
𝑇𝐴 (𝑥) + 𝑠𝑢𝑝 ̃ ̃𝐴 (𝑥) ≤ 3 với mọi 𝑥 ∈ 𝑋.
𝐼𝐴 (𝑥) + 𝑠𝑢𝑝𝐹
Một IVNS 𝐴̃ còn có thể định nghĩa như sau:
𝐴̃ = {𝑥, 〈[𝑇𝐴𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥)], [𝐼𝐴𝐿 (𝑥), 𝐼𝐴𝑈 (𝑥)], [𝐹𝐴𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥)]〉|𝑥 ∈ 𝑋 }
Trong đó [𝑇𝐴𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥)], [𝐼𝐴𝐿 (𝑥), 𝐼𝐴𝑈 (𝑥)], [𝐹𝐴𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥)] ⊆ [0,1] và
0 ≤ 𝑇𝐴𝑈 (𝑥) + 𝐼𝐴𝑈 (𝑥) + 𝐹𝐴𝑈 (𝑥) ≤ 3

Ví dụ 1.4.1. Đề biểu diễn độ yêu thích Văn học của học sinh 𝐴̃ bằng IVNS người
ta có thể biểu diễn như sau:
𝐴̃ = 〈[0.65, 0.80], [0.35, 0.40], [0.1, 0.25]〉
Và độ yêu thích Văn học của học sinh 𝐵̃ bằng IVNS được biểu diễn:
𝐵̃ = 〈[0.35, 0.40], [0.35, 0.40], [0.55, 0.70]〉
Điều đó có nghĩa là khả năng yêu thích môn Văn của học sinh 𝐴̃ là từ 65% tới
80%, không yêu thích môn văn từ 10% đến 25% và không biết là có yêu thích môn văn
hay không là từ 35% đến 40%.
1.4.2. Các phép toán cơ bản (Said Broumi và cộng sự 2014)
Xét hai IVNS 𝐴̃ = 〈[𝑇𝐴𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥)], [𝐼𝐴𝐿 (𝑥), 𝐼𝐴𝑈 (𝑥)], [𝐹𝐴𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥)]〉 và
IVNS 𝐵̃ = 〈[𝑇𝐵𝐿 (𝑥), 𝑇𝐵𝑈 (𝑥)], [𝐼𝐵𝐿 (𝑥), 𝐼𝐵𝑈 (𝑥)], [𝐹𝐵𝐿 (𝑥), 𝐹𝐵𝑈 (𝑥)]〉
Các phép toán cơ bản định nghĩa trên IVNS như sau
 Phần bù
Phần bù của IVNS 𝐴̃ kí hiệu 𝐴̃𝐶 , với
𝐴̃𝐶 = 〈[𝐹𝐴𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥)], [1 − 𝐼𝐴𝑈 (𝑥), 1 − 𝐼𝐴𝐿 (𝑥)], [𝑇𝐴𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥)] 〉 (1.4.2.1)
10
Ví dụ 1.4.2 Xét IVNS 𝐴̃ đã cho ở ví dụ 1.4.1 ta có
𝐴̃𝐶 = 〈[0.1, 0.25], [0.60, 0.75], [0.65, 0.80]〉
 Tập con
IVNS 𝐴̃ là tập con của IVNS 𝐵̃ kí hiệu 𝐴̃ ⊆ 𝐵̃ được xác định như sau:
𝑇𝐴𝐿 (𝑥) ≤ 𝑇𝐵𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥) ≤ 𝑇𝐵𝑈 (𝑥)
𝐴̃ ⊆ 𝐵̃ ⇔ { 𝐼𝐴𝐿 (𝑥) ≥ 𝐼𝐵𝐿 (𝑥), 𝐼𝐴𝑈 (𝑥) ≥ 𝐼𝐵𝑈 (𝑥) (1.4.2.2)
𝐹𝐴𝐿 (𝑥) ≥ 𝐹𝐵𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥) ≥ 𝐹𝐵𝑈 (𝑥)
Ví dụ 1.4.3. Xét IVNS 𝐴̃ và IVNS 𝐵̃ trong ví dụ 1.4.1 ta thấy 𝐵̃ ⊆ 𝐴̃
Hệ quả:
𝑇𝐴𝐿 (𝑥) = 𝑇𝐵𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥) = 𝑇𝐵𝑈 (𝑥)

𝐴̃ = 𝐵̃ ⇔ { 𝐼𝐴𝐿 (𝑥) = 𝐼𝐵𝐿 (𝑥), 𝐼𝐴𝑈 (𝑥) = 𝐼𝐵𝑈 (𝑥)
𝐹𝐴𝐿 (𝑥) = 𝐹𝐵𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥) = 𝐹𝐵𝑈 (𝑥)
 Phép giao
Giao của hai IVNS là một IVNS, IVNS 𝐴̃ giao với IVNS 𝐵̃ kí hiệu 𝐴̃ ∩ 𝐵̃ được
𝐶̃ = 𝐴̃ ∩ 𝐵̃ = 〈[𝑇𝐶𝐿 (𝑥), 𝑇𝐶𝑈 (𝑥)], [𝐼𝐶𝐿 (𝑥), 𝐼𝐶𝑈 (𝑥)], [𝐹𝐶𝐿 (𝑥), 𝐹𝐶𝑈 (𝑥)]〉 (1.4.2.3)
Với 𝑇𝐶𝐿 (𝑥) = min(𝑇𝐴𝐿 (𝑥), 𝑇𝐵𝐿 (𝑥))
𝑇𝐶𝑈 (𝑥) = min(𝑇𝐴𝑈 (𝑥), 𝑇𝐵𝑈 (𝑥))
𝐼𝐶𝐿 (𝑥) = max(𝐼𝐴𝐿 (𝑥), 𝐼𝐵𝐿 (𝑥))
𝐼𝐶𝑈 (𝑥) = max(𝐼𝐴𝑈 (𝑥), 𝐼𝐵𝑈 (𝑥))
𝐹𝐶𝐿 (𝑥) = max(𝐹𝐴𝐿 (𝑥), 𝐹𝐵𝐿 (𝑥))
𝐹𝐶𝑈 (𝑥) = max(𝐹𝐴𝑈 (𝑥), 𝐹𝐵𝑈 (𝑥))
Ví dụ 1.4.4. Xét 𝐴̃ và 𝐵̃ trong ví dụ 1.4.1 tá có 𝐶̃ = 𝐴̃ ∩ 𝐵̃ =

〈[0.35, 0.40], [0.35, 0.40], [0.55, 0.70]〉
 Phép hợp
Hợp của hai IVNS là một IVNS, IVNS 𝐴̃ hợp với IVNS 𝐵̃ kí hiệu 𝐴̃ ∪ 𝐵̃ được xác
định như sau:
𝐶̃ = 𝐴̃ ∪ 𝐵̃ = 〈[𝑇𝐶𝐿 (𝑥), 𝑇𝐶𝑈 (𝑥)], [𝐼𝐶𝐿 (𝑥), 𝐼𝐶𝑈 (𝑥)], [𝐹𝐶𝐿 (𝑥), 𝐹𝐶𝑈 (𝑥)]〉 (1.4.2.4)
11
Với 𝑇𝐶𝐿 (𝑥) = max(𝑇𝐴𝐿 (𝑥), 𝑇𝐵𝐿 (𝑥))
𝑇𝐶𝑈 (𝑥) = max(𝑇𝐴𝑈 (𝑥), 𝑇𝐵𝑈 (𝑥))
𝐼𝐶𝐿 (𝑥) = min(𝐼𝐴𝐿 (𝑥), 𝐼𝐵𝐿 (𝑥))
𝐼𝐶𝑈 (𝑥) = min(𝐼𝐴𝑈 (𝑥), 𝐼𝐵𝑈 (𝑥))
𝐹𝐶𝐿 (𝑥) = min(𝐹𝐴𝐿 (𝑥), 𝐹𝐵𝐿 (𝑥))
𝐹𝐶𝑈 (𝑥) = min(𝐹𝐴𝑈 (𝑥), 𝐹𝐵𝑈 (𝑥))
Ví dụ 1.4.5. Xét 𝐴̃ và 𝐵̃ trong ví dụ 1.4.1 tá có 𝐶̃ = 𝐴̃ ∪ 𝐵̃ =

〈[0.65, 0.80], [0.35, 0.40], [0.1, 0.25]〉
 Phép cộng
Phép cộng của IVNS 𝐴̃ và IVNS 𝐵̃ kí hiệu 𝐴̃ ⊕ 𝐵̃ được xác định như sau:
[𝑇𝐴𝐿 (𝑥) + 𝑇𝐵𝐿 (𝑥) − 𝑇𝐴𝐿 (𝑥)𝑇𝐵𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥) + 𝑇𝐵𝑈 (𝑥) − 𝑇𝐴𝑈 (𝑥)𝑇𝐵𝑈 (𝑥)],
̃ ̃
𝐴⊕𝐵 =〈 〉
[𝐼𝐴𝐿 (𝑥)𝐼𝐵𝐿 (𝑥), 𝐼𝐴𝑈 (𝑥)𝐼𝐵𝑈 (𝑥)], [𝐹𝐴𝐿 (𝑥)𝐹𝐵𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥)𝐹𝐵𝑈 (𝑥)]
(1.4.2.5)
Ví dụ 1.4.6. Xét IVNS 𝐴̃ và IVNS 𝐵̃ trong ví dụ 1.4.1 tá có 𝐴̃ ⊕ 𝐵̃ =

〈[0.7725, 0.88], [0.1225, 0,16], [0.055, 0.175]〉
 Phép trừ
Phép trừ của IVNS 𝐴̃ cho IVNS 𝐵̃ kí hiệu 𝐴̃ ⊝ 𝐵̃ được xác định như sau:
[(𝑇𝐴𝐿 (𝑥) − 𝑇𝐵𝐿 (𝑥))/(1 − 𝑇𝐵𝐿 (𝑥)), (𝑇𝐴𝑈 (𝑥) − 𝑇𝐵𝑈 (𝑥))/(1 − 𝑇𝐵𝑈 (𝑥))],
𝐴̃ ⊝ 𝐵̃ = ⟨ [𝐼𝐴𝐿 (𝑥)/𝐼𝐵𝐿 (𝑥), 𝐼𝐴𝑈 (𝑥)/𝐼𝐵𝑈 (𝑥) ], ⟩
[𝐹𝐴𝐿 (𝑥)/𝐹𝐵𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥)/𝐹𝐵𝑈 (𝑥)]
(1.4.2.6)
Chứng minh tương tự phép trừ hai SVNS ở phần 1.3.2.

 Phép nhân
Phép nhân của IVNS 𝐴̃ với IVNS 𝐵̃ kí hiệu 𝐴̃ ⊗ 𝐵̃ được xác định như sau:
[𝑇𝐴𝐿 (𝑥)𝑇𝐵𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥)𝑇𝐵𝑈 (𝑥)],
𝐿 𝐿 𝐿 𝐿 𝑈 𝑈 𝑈 𝑈
𝐴̃ ⊗ 𝐵̃ = ⟨ [𝐼𝐴 (𝑥) + 𝐼𝐵 (𝑥) − 𝐼𝐴 (𝑥)𝑇𝐵 (𝑥), 𝐼𝐴 (𝑥) + 𝐼𝐵 (𝑥) − 𝐼𝐴 (𝑥)𝐼𝐵 (𝑥)], ⟩
[𝐹𝐴𝐿 (𝑥) + 𝐹𝐵𝐿 (𝑥) − 𝐹𝐴𝐿 (𝑥)𝐹𝐵𝐿 (𝑥), 𝐹𝐴𝑈 (𝑥) + 𝐹𝐵𝑈 (𝑥) − 𝐹𝐴𝑈 (𝑥)𝐹𝐵𝑈 (𝑥)]
(1.4.2.7)
12
 Phép chia
Phép chia IVNS 𝐴̃ cho IVNS 𝐵̃ kí hiệu 𝐴̃ ⊘ 𝐵̃ được xác định như sau:
[𝑇𝐴𝐿 (𝑥)/𝑇𝐵𝐿 (𝑥), 𝑇𝐴𝑈 (𝑥)/𝑇𝐵𝑈 (𝑥)],

𝐿 𝐿 𝐿 𝑈 𝑈 𝑈
𝐴̃ ⊘ 𝐵̃ = ⟨ [(𝐼𝐴 (𝑥) − 𝐼𝐵 (𝑥))/(1 − 𝐼𝐵 (𝑥)), (𝐼𝐴 (𝑥) − 𝐼𝐵 (𝑥))/(1 − 𝐼𝐵 (𝑥)) ], ⟩
[(𝐹𝐴𝐿 (𝑥) − 𝐹𝐵𝐿 (𝑥))/(1 − 𝐹𝐵𝐿 (𝑥)), (𝐹𝐴𝑈 (𝑥) − 𝐹𝐵𝑈 (𝑥))/(1 − 𝐹𝐵𝑈 (𝑥))]
(1.4.2.8)
Chứng minh tương tự phép chia hai SVNS phần 1.3.2.

 Phép nhân của một IVNS với một số thực dương
Phép nhân một IVNS 𝐴̃ với một số thực dương 𝛼 kí hiệu 𝛼. 𝐴̃ được xác định như
sau:
𝛼 𝛼
[1 − (1 − 𝑇𝐴𝐿 (𝑥)) , 1 − (1 − 𝑇𝐵𝑈 (𝑥)) ],
̃
𝛼. 𝐴 = ⟨ 𝛼 𝛼 𝛼 𝛼 ⟩ với ∝> 0 (1.4.2.9)
[ 𝐼𝐴𝐿 (𝑥), 𝐼𝐵𝐿 (𝑥)], [ 𝐹𝐴𝐿 (𝑥), 𝐹𝐵𝐿 (𝑥)]
 Phép chia một IVNS cho một số thực dương
Phép chia một IVNS 𝐴̃ cho một số thực dương 𝛼 kí hiệu 𝐴̃/𝛼 được xác định như
sau:
1/𝛼 1/𝛼
[1 − (1 − 𝑇𝐴𝐿 (𝑥)) , 1 − (1 − 𝑇𝐵𝑈 (𝑥))
],
𝐴̃/𝛼 = ⟨ 1/𝛼 1/𝛼 1/𝛼 1/𝛼
⟩ với ∝> 0 (1.4.2.10)
[ 𝐼𝐴𝐿 (𝑥), 𝐼𝐵𝐿 (𝑥)] , [ 𝐹𝐴𝐿 (𝑥), 𝐹𝐵𝐿 (𝑥)]
 Lũy thừa của một IVNS

Lũy thừa ∝ của một IVNS 𝐴̃, kí hiệu (𝐴̃)𝛼 được xác định như sau
𝛼 𝛼
[𝑇𝐴𝐿 (𝑥), 𝑇𝐵𝐿 (𝑥)],
𝛼 𝛼
(𝐴̃)𝛼 = ⟨[1 − (1 − 𝐼𝐴𝐿 (𝑥)) , 1 − (1 − 𝐼𝐵𝑈 (𝑥)) ], ⟩ với 𝛼 > 0 (1.4.2.11)
𝛼 𝛼
1 − (1 − 𝐹𝐴𝐿 (𝑥)) , 1 − (1 − 𝐹𝐵𝑈 (𝑥))
 Giá trị tổng hợp
Cho tập 𝐴̃ = {𝐴̃1 , 𝐴̃2 , … , 𝐴̃𝑛 } là tập các IVNS, trong đó 𝐴̃𝑗 =
〈[𝑇𝑗𝐿 , 𝑇𝑗𝑈 ], [𝐼𝑗𝐿 , 𝐼𝑗𝑈 ], [𝐹𝑗𝐿 , 𝐹𝑗𝑈 ]〉 (𝑗 = 1, 2, … , 𝑛) và nếu 𝐼𝑉𝑁𝑊𝐴𝑤 (𝐴̃1 , 𝐴̃2 , … , 𝐴̃𝑛 ) =
(𝑤1 𝐴̃1 ⊕ 𝑤2 𝐴̃2 ⊕ … ⊕ 𝑤𝑛 𝐴̃𝑛 ), thì IVNWA được gọi là trọng số trung bình IVNS của
thứ nguyên n, trong đó 𝑤 = (𝑤1 , 𝑤2 , … , 𝑤𝑛 ) là véc tơ trọng số của 𝐴̃𝑗 (𝑗 = 1,2, … , 𝑛) với
𝑤𝑗 ∈ [0,1] và ∑𝑛𝑗=1 𝑤𝑗 = 1. Giá trị tổng hợp cũng là một IVNS và:
13
 
  ,1   1  T jU  
n n
1   1  T j
wj wj
L
 j 1 j 1 
 n 
  ,  I 
n
 I j
wj wj
𝑆𝑉𝑁𝑊𝐴𝑤 (𝐴̃1 , 𝐴̃2 , … , 𝐴̃𝑛 )= L U
j , (1.4.2.12)
 j 1 j 1 
 n 
  ,  F jU  
n
 F j
wj wj
L
 j 1 j 1 
1.5. Tập Neutrosophic thô
1.5.1. Định nghĩa tập thô (Pawlak, 1982)
Cho U là tập vũ trụ hữu hạn khác rỗng. Giả sử ℛ là một quan hệ tương đương trên
U. Với tập con khác rỗng X bất kì của U. Các tập 𝐴(𝑥) = {𝑥: [𝑥]𝑅 ⊆ 𝑋} và 𝐴(𝑥) =
{𝑥: [𝑥]𝑅 ⋂ 𝑋 ≠ ∅} lần lượt được gọi là xấp xỉ dưới và xấp trên tương ứng với X. Cặp S
= (U, ℛ) được gọi là không gian xấp xỉ. Quan hệ tương đương ℛ được gọi là quan hệ
không phân biệt. Cặp 𝐴(𝑥) = ( 𝐴(𝑥), 𝐴(𝑥)) được gọi là tập thô của X trong S.
1.5.2. Định nghĩa tập Neutrosophic thô
1.5.2.1. Neutrosophic thô giá trị đơn (Florentin Smarandache, 2019)
Cho U là tập vũ trụ hữu hạn khác rỗng, ℛ là một quan hệ tương đương trên U. Cho
K là tập con khác rỗng của U, N(K) là tập SVNS trên U với các hàm thành viên đúng
𝑇𝐾 , hàm thành viên không xác định 𝐼𝐾 và hàm thành viên sai 𝐹𝐾 . Xấp xỉ dưới và xấp xỉ
trên của K trong không gian xấp xỉ (U, ℛ) được kí hiệu lần lượt là 𝑁(𝐾) và 𝑁(𝐾), với:
𝑁(𝐾) = {〈𝑥, 𝑇𝑁(𝐾) (𝑥), 𝐼𝑁(𝐾) (𝑥) , 𝐹𝑁(𝐾) (𝑥)〉|[𝑥]𝑅 ⊆ 𝐾}
𝑁(𝐾) = {〈𝑥, 𝑇𝑁(𝐾) (𝑥), 𝐼𝑁(𝐾) (𝑥) , 𝐹𝑁(𝐾) (𝑥)〉|[𝑥]𝑅 ⋂𝐾 ≠ ∅}
Ở đây:
𝑇𝑁(𝐾) (𝑥) =∧𝑦∈[𝑥]𝑅 𝑇𝐾 (𝑦) = min (𝑇𝐾 (𝑦))

𝑦∈[𝑥]𝑅
𝐼𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝐼𝐾 (𝑦) = max (𝐼𝐾 (𝑦))

𝑦∈[𝑥]𝑅
𝐹𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝐹𝐾 (𝑦) = max (𝐹𝐾 (𝑦))

𝑦∈[𝑥]𝑅
𝑇𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝑇𝐾 (𝑦) = max (𝑇𝐾 (𝑦))

𝑦∈[𝑥]𝑅
14
𝐼𝑁(𝐾) (𝑦) =∧𝑦∈[𝑥]𝑅 𝐼𝐾 (𝑦) = min (𝐼𝐾 (𝑦))
𝑦∈[𝑥]𝑅
𝐹𝑁(𝐾) (𝑦) =∧𝑦∈[𝑥]𝑅 𝐹𝐾 (𝑦) = min (𝐹𝐾 (𝑦))

𝑦∈[𝑥]𝑅
Lúc này cặp (𝑁(𝐾), 𝑁(𝐾)) được gọi là tập Neutrosophic thô giá trị đơn (SVRNS) trên
(𝑈, ℛ).
Chú ý, 0 ≤ 𝑇𝑁(𝐾) (𝑦) + 𝐼𝑁(𝐾) (𝑦) + 𝐹𝑁(𝐾) (𝑦) ≤ 3
và 0 ≤ 𝑇𝑁(𝐾) (𝑦) + 𝐼𝑁(𝐾) (𝑦) + 𝐹𝑁(𝐾) (𝑦) ≤ 3
𝑇𝑁(𝐾) (𝑥) = 𝑇𝑁(𝐾) (𝑥)

Nếu 𝑁(𝐾) = 𝑁(𝐾), khi đó { 𝐼𝑁(𝐾) (𝑥) = 𝐼𝑁(𝐾) (𝑥)
𝐹𝑁(𝐾) = 𝐹𝑁(𝐾) (𝑥)
Ví dụ 1.5.2.1: Cho 𝑈 = {ℎ1 , ℎ2 , ℎ3 , ℎ4 , ℎ5 , ℎ6 , ℎ7 , ℎ8 } là tập vụ trụ. Cho R là một

quan hệ tương đương, phân hoạch X xác định bởi
𝑋/𝑅 = {{ℎ1 , ℎ4 }, {ℎ2 , ℎ3 , ℎ6 }, {ℎ5 }, {ℎ7 , ℎ8 }},

N  K    h1 ,  0.3, 0.4, 0.5  ,  h4 ,  0.4, 0.6, 0.5  ,  h5 ,  0.6, 0.8, 0.4   ,  h7 ,  0.3, 0.5, 0.7    là
một tập SVNS thuộc U. Theo định nghĩa trên ta có:

N ( K )   h1 ,  0.3, 0.6, 0.5  ,  h4 ,  0.3, 0.6, 0.5   ,  h5 ,  0.6, 0.8, 0.4  
  
 h1 ,  0.4, 0.4, 0.5 , h4 ,  0.4, 0.4, 0.5  , h5 ,  0.6, 0.8, 0.4  ,
  
N (K )   

  
h7 ,  0.3, 0.5, 0.7  , h8 ,  0.3, 0.5, 0.7   


Cho tập N  L    h 1 ,  0.1, 0.2, 0.3  ,  h4 ,  0.1, 0.2, 0.3  ,  h5 ,  0.7, 0.6, 0.5  , là một 
tập SVNS thuộc U. Khi đó:

N ( L)   h1,  0.1, 0.2, 0.3  ,  h4 ,  0.1, 0.2, 0.3  ,  h5 ,  0.7, 0.6, 0.5  
  
N ( L)  h1,  0.1, 0.2, 0.3 , h4 ,  0.1, 0.2, 0.3 , h5 ,  0.7, 0.6, 0.5 
1.5.2.2. Neutrosophic thô giá trị khoảng (Florentin Smarandache, 2019)
Cho 𝒰 là tập vũ trụ hữu hạn khác rỗng, ℛ là một quan hệ tương đương trên 𝒰. Cho
K là tập con khác rỗng của 𝒰, N(K) là tập IVNS trên 𝒰 với
15
N K    y, T
L
K 
( y), TKU ( y)  ,  I KL ( y), I KU ( y)  ,  FKL ( y), FKU ( y)  | y U . Xấp xỉ dưới
và xấp xỉ trên của K trong không gian xấp xỉ (U, ℛ) được kí hiệu lần lượt là 𝑁(𝐾) và
𝑁(𝐾), với:
𝐿 𝑈 𝐿 𝑈 𝐿 𝑈
𝑁(𝐾) = {〈𝑥, [𝑇𝑁(𝐾) (𝑥), 𝑇𝑁(𝐾) (𝑥)] , [𝐼𝑁(𝐾) (𝑥), 𝐼𝑁(𝐾) (𝑥)] , [𝐹𝑁(𝐾) (𝑥), 𝐹𝑁(𝐾) (𝑥)]〉 |[𝑥]𝑅 ⊆ 𝐾}
𝑁(𝐾) = {〈𝑥, [𝑇𝑁(𝐾) (𝑥), 𝑇𝑁(𝐾) (𝑥)] , [𝐼𝑁(𝐾) (𝑥), 𝐼𝑁(𝐾) (𝑥)] , [𝐹𝑁(𝐾) (𝑥), 𝐹𝑁(𝐾) (𝑥)]〉 |[𝑥]𝑅 ⋂𝐾 ≠ ∅}
Ở đây:
𝐿 𝑈
𝑇𝑁(𝐾) (𝑥) =∧𝑦∈[𝑥]𝑅 𝑇𝐾𝐿 (𝑦) = min (𝑇𝐾𝐿 (𝑦)); 𝑇𝑁(𝐾) (𝑥) =∧𝑦∈[𝑥]𝑅 𝑇𝐾𝑈 (𝑦) = min (𝑇𝐾𝑈 (𝑦))
𝑦∈[𝑥]𝑅 𝑦∈[𝑥]𝑅
𝐿 𝑈
𝐼𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝐼𝐾𝐿 (𝑦) = max (𝐼𝐾𝐿 (𝑦)); 𝐼𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝐼𝐾𝑈 (𝑦) = max (𝐼𝐾𝑈 (𝑦))
𝐿 𝑈
𝐹𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝐹𝐾𝐿 (𝑦) = max (𝐹𝐾𝐿 (𝑦)); 𝐹𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝐹𝐾𝑈 (𝑦) = max (𝐹𝐾𝑈 (𝑦))
𝐿 𝑈
𝑇𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝑇𝐾𝐿 (𝑦) = max (𝑇𝐾𝐿 (𝑦)); 𝑇𝑁(𝐾) (𝑥) =∨𝑦∈[𝑥]𝑅 𝑇𝐾𝑈 (𝑦) = max (𝑇𝐾𝑈 (𝑦))
𝐿 𝑈
𝐼𝑁(𝐾) (𝑦) =∧𝑦∈[𝑥]𝑅 𝐼𝐾𝐿 (𝑦) = min (𝐼𝐾𝐿 (𝑦)); 𝐼𝑁(𝐾) (𝑦) =∧𝑦∈[𝑥]𝑅 𝐼𝐾𝑈 (𝑦) = min (𝐼𝐾𝑈 (𝑦))
𝐿 𝑈
𝐹𝑁(𝐾) (𝑦) =∧𝑦∈[𝑥]𝑅 𝐹𝐾𝐿 (𝑦) = min (𝐹𝐾𝐿 (𝑦)); 𝐹𝑁(𝐾) (𝑦) =∧𝑦∈[𝑥]𝑅 𝐹𝐾𝑈 (𝑦) = min (𝐹𝐾𝑈 (𝑦))
Lúc này cặp (𝑁(𝐾), 𝑁(𝐾)) được gọi là tập Neutrosophic thô giá trị khoảng
(IVRNS) trên (𝒰, ℛ).
Chú ý:
𝐿 𝑈
[𝑇𝑁(𝐾) (𝑥), 𝑇𝑁(𝐾) (𝑥)] ⊂ [0,1]
𝐿 𝑈
[𝐼𝑁(𝐾) (𝑥), 𝐼𝑁(𝐾) (𝑥)] ⊂ [0,1]
𝐿 𝑈
[𝐹𝑁(𝐾) (𝑥), 𝐹𝑁(𝐾) (𝑥)] ⊂ [0,1]
𝐿 𝑈
[𝑇𝑁(𝐾) (𝑥), 𝑇𝑁(𝐾) (𝑥)] ⊂ [0,1]
𝐿 𝑈
[𝐼𝑁(𝐾) (𝑥), 𝐼𝑁(𝐾) (𝑥)] ⊂ [0,1]
𝐿 𝑈
[𝐹𝑁(𝐾) (𝑥), 𝐹𝑁(𝐾) (𝑥)] ⊂ [0,1]
16
1.5.3. Các phép toán cơ bản
Cho 𝐴(𝐾1 ) = (𝐴(𝐾1 ), 𝐴(𝐾1 )) và 𝐴(𝐾2 ) = (𝐴(𝐾2 ), 𝐴(𝐾2 )) là hai RNS trên
(𝒰, ℛ), các phép toán cơ bản trên RNS được định nghĩa như sau
 Phần bù
Phần bù của 𝐴(𝐾1 ) = (𝐴(𝐾1 ), 𝐴(𝐾1 )) kí hiệu bởi ∼ 𝐴(𝐾1 ) = (𝐴(𝐾1 )𝐶 , 𝐴(𝐾1 )𝐶 ),
với 𝐴(𝐾1 )𝐶 và 𝐴(𝐾1 )𝐶 tương ứng là phần bù của 𝐴(𝐾1 ) và 𝐴(𝐾1 ). Trong đó:
𝐴(𝐾)𝐶 = {〈𝑥, 𝐹𝐴(𝐾) (𝑥), 1 − 𝐼𝐴(𝐾) (𝑥), 𝑇𝐴(𝐾) (𝑥)〉|[𝑥]𝑅 ⊆ 𝐾}
Và
𝐴(𝐾)𝐶 = {〈𝑥, 𝐹𝐴(𝐾) (𝑥), 1 − 𝐼𝐴(𝐾) (𝑥), 𝑇𝐴(𝐾) (𝑥)〉|[𝑥]𝑅 ∩ 𝐾 ≠ ∅}
 Tập con
RNS 𝐴(𝐾1 ) là tập con của RNS 𝐴(𝐾2 ) kí hiệu 𝐴(𝐾1 ) ⊆ 𝐴(𝐾2 ) được xác định như
sau:
A ( K1 )  A ( K2 ) khi và chỉ khi A ( K1 )  A ( K2 ) và A ( K1 )  A ( K2 )
Hệ quả: A ( K1 )  A ( K2 ) khi và chỉ khi A ( K1 )  A ( K2 ) và A ( K1 )  A ( K2 )
 Phép giao
Phép giao của RNS 𝐴(𝐾1 ) và RNS 𝐴(𝐾2 ) kí hiệu 𝐴(𝐾1 ) ∩ 𝐴(𝐾2 ) được xác định
như sau:
A  K1  ∩ A  K 2  = A  K1  ∩ A  K 2  , A  K1  ∩ A  K 2 
 Phép hợp
Phép hợp của RNS 𝐴(𝐾1 ) và 𝐴(𝐾2 ) kí hiệu 𝐴(𝐾1 ) ∪ 𝐴(𝐾2 ) được xác định như sau:
A  K1  ∪ A  K 2  = A  K1  ∪ A  K 2  , A  K1  ∪ A  K 2 
 Phép cộng
Phép của của RNS A  K1  và RNS A  K2  kí hiệu A  K1  ⊕ A  K2  được xác định
như sau:
A  K1  ⊕ A  K2  = A  K1  ⊕ A  K2  , A  K1  ⊕ A  K 2 
17
 Phép nhân
Phép nhân RNS A  K1  với RNS A  K2  kí hiệu A  K1  ⨂ A  K2  được xác định
như sau:
A  K1  ⨂ A  K2  = A  K1  ⨂ A  K2  , A  K1  ⨂ A  K 2 
Toán tử hình học tích lũy (AGO) (Kalyan Mondal and Surapati Pramanik 2015)
Ta có thể sử dụng AGO để chuyển một SVRNS thành tập SVNS
𝑁 < 𝑇𝑁 (𝑥𝑖 ), 𝐼𝑁 (𝑥𝑖 ), 𝐹𝑁 (𝑥𝑖 ) >
= 〈√(𝑇𝐴(𝐾) (𝑥𝑖 ). 𝑇𝐴(𝐾) (𝑥𝑖 )) , √(𝐼𝐴(𝐾) (𝑥𝑖 ). 𝐼𝐴(𝐾) (𝑥𝑖 )) , √(𝐹𝐴(𝐾) (𝑥𝑖 ). 𝐹𝐴(𝐾) (𝑥𝑖 )) 〉
1.6. Các độ đo khoảng cách trên tập Neutrosophic (Sudip Bhattacharyya và cộng sự
2018)
Cho 𝐴 = {(𝑥1 |〈𝑇𝐴 (𝑥1 ), 𝐼𝐴 (𝑥2 ), 𝐹𝐴 (𝑥3 )〉), … , (𝑥𝑛 |〈𝑇𝐴 (𝑥𝑛 ), 𝐼𝐴 (𝑥𝑛 ), 𝐹𝐴 (𝑥𝑛 )〉)} và
𝐵 = {(𝑥1 |〈𝑇𝐵 (𝑥1 ), 𝐼𝐵 (𝑥2 ), 𝐹𝐵 (𝑥3 )〉), … , (𝑥𝑛 |〈𝑇𝐵 (𝑥𝑛 ), 𝐼𝐵 (𝑥𝑛 ), 𝐹𝐵 (𝑥𝑛 )〉)} là hai SVNS;
𝐴̃ = {(𝑥1 |〈𝑇̃𝐴 (𝑥1 ), 𝐼̃𝐴 (𝑥2 ), 𝐹̃𝐴 (𝑥3 )〉), … , (𝑥𝑛 |〈𝑇̃𝐴 (𝑥𝑛 ), 𝐼̃𝐴 (𝑥𝑛 ), 𝐹̃𝐴 (𝑥𝑛 )〉)} và
𝐵̃ = {(𝑥1 |〈𝑇̃𝐵 (𝑥1 ), 𝐼̃𝐵 (𝑥2 ), 𝐹̃𝐵 (𝑥3 )〉), … , (𝑥𝑛 |〈𝑇̃𝐵 (𝑥𝑛 ), 𝐼̃𝐵 (𝑥𝑛 ), 𝐹̃𝐵 (𝑥𝑛 )〉)} là hai IVNS;
𝑤 = {𝑤1 , 𝑤2 , … , 𝑤𝑛 } là vec tơ trọng số của phần tử 𝑥𝑖 (𝑖 = 1, 2, … , 𝑛) và 𝑤𝑖 ∈ [0,1].
1.6.1. Khoảng cách Euclidean

Khoảng cách Euclidean giữa SVNS A và SVNS B:
D( A, B) 
1 n

3 i 1
 
TA  xi   TB  xi     I A  xi   I B  xi     FA  xi   FB  xi   (1.6.1.1)
2 2 2

Khoảng cách Euclidean chuẩn hóa:
T  x   T  x     I  x   I  x     F  x   F  x   
n
1
D  A, B  
2 2 2
A i B i A i B i A i B i
(1.6.1.2)
3n i 1
Khoảng cách Euclidean chuẩn hóa có trọng số:
 w  T  x   T  x     I  x   I  x     F  x   F  x    (1.6.1.3)
n
1
D  A, B  
2 2 2
i A i B i A i B i A i B i
3n i 1
18
Khoảng cách Euclidean của IVNS 𝐴̃ và IVNS 𝐵̃ là:

 T L x T L x 2  TU x TU x 2
 A  i B  i  
A  i B  i  

1 n  L 
6
          
2 2
𝐷(𝐴̃, 𝐵̃) =   I A xi  I L
B xi  I U
A xi  I U
B xi  (1.6.1.4)
i 1  
  
 FAL  xi   FBL  xi   FAU  xi   FBU  xi  
2 2

 
Khoảng cách Euclidean chuẩn hóa:

 T L x T L x 2  TU x TU x 2
 A  i B  i  
A  i B  i  

n  
1
   
 I A  xi   I B  xi   I A  xi   I B  xi  
2 2
𝐷(𝐴̃, 𝐵̃) =
L L U U
 (1.6.1.5)
6n i 1  
  
 FAL  xi   FBL  xi   FAU  xi   FBU  xi  
2 2

 
Khoảng cách Euclidean chuẩn hóa có trọng số:
   A  i  B  i   A  i  B  i 
  T L x  T L x 2  T U x  T U x 2 

n
  
 w i    I A  xi   I B  xi     I A  xi   I B  xi  
1
𝐷(𝐴̃, 𝐵̃) =  L L 2 U U 2
6n i 1    (1.6.1.6)
2 
    FAL  xi   FBL  xi     FAU  xi   FBU  xi    
2
  
1.6.2. Khoảng cách Hamming
Khoảng cách Hamming giữa SVNS A và SVNS B:
𝐷 (𝐴, 𝐵) =   TA ( xi )  TB ( xi )  I A ( xi )  I B ( xi )  FA ( xi )  FB ( xi ) 
1 n
(1.6.2.1)
3 i 1
Khoảng cách Hamming chuẩn hóa:
𝐷 (𝐴, 𝐵) =   TA ( xi )  TB ( xi )  I A ( xi )  I B ( xi )  FA ( xi )  FB ( xi ) 
1 n
(1.6.2.2)
3n i 1
Khoảng cách Hamming chuẩn hóa có trọng số:
𝐷 (𝐴, 𝐵) =
1 n
3n 
i 1
 w i  TA ( xi )  TB ( xi )  I A ( xi )  I B ( xi )  FA ( xi )  FB ( xi )  (1.6.2.3)
Khoảng cách Hamming của IVNS 𝐴̃ và IVNS 𝐵̃ là:
19
 TAL ( xi )  TBL ( xi )  TAU ( xi )  TBU ( xi ) 
 
1 n  L
𝐷(𝐴̃, 𝐵̃) =    I A ( xi )  I B ( xi )  I A ( xi )  I B ( xi ) 
L U U
(1.6.2.4)
6 i 1
  F L ( x )  F L ( x )  F U ( x )  F U ( x ) 
 A i B i A i B i 
Khoảng cách Hamming chuẩn hóa:
 TAL ( xi )  TBL ( xi )  TAU ( xi )  TBU ( xi ) 

 
1 n  L
 I A ( xi )  I B ( xi )  I A ( xi )  I B ( xi ) 
6n 
̃
𝐷(𝐴, 𝐵̃) =
L U U
(1.6.2.5)
i 1
 
  F L ( x )  F L ( x )  F U ( x )  F U ( x ) 
Khoảng cách Hamming chuẩn hóa có trọng số:
  TAL ( xi )  TBL ( xi )  TAU ( xi )  TBU ( xi )  

 
1 n   L  
𝐷(𝐴̃, 𝐵̃) =   i
w
6n i 1  
 I A ( xi )  I L
B ( xi )  I U
A ( xi )  I U
B ( xi )

(1.6.2.6)
   FA ( xi )  FB ( xi )  FA ( xi )  FB ( xi )  
 L L U U
1.6.3. Khoảng cách Hausdroff
Khoảng cách Hausdroff giữa SVNS A và SVNS B:
 
n
𝐷 (𝐴, 𝐵) =  max TA ( xi )  TB ( xi ) , I A ( xi )  I B ( xi ) , FA ( xi )  FB ( xi ) (1.6.3.1)
i 1
Khoảng cách Hausdroff chuẩn hóa:
max  TA ( xi )  TB ( xi ) , I A ( xi )  I B ( xi ) , FA ( xi )  FB ( xi ) 
1 n
n
𝐷 (𝐴, 𝐵) = (1.6.3.2)
i 1
Khoảng cách Hausdroff chuẩn hóa có trọng số:
𝐷 (𝐴, 𝐵) =
1 n
ni 1
wi .max  TA ( xi )  TB ( xi ) , I A ( xi )  I B ( xi ) , FA ( xi )  FB ( xi )  (1.6.3.3)
Khoảng cách Hausdroff của IVNS 𝐴̃ và IVNS 𝐵̃ là:
 TAL ( xi )  TBL ( xi ) , TAU ( xi )  TBU ( xi ) , 

n  
𝐷(𝐴̃, 𝐵̃) =  max  I A ( xi )  I B ( xi ) , I A ( xi )  I B ( xi ) , 
 L L U U
(1.6.3.4)
i 1
 F L ( x )  F L ( x ) , F U ( x )  F U ( x ) 
20
Khoảng cách Hausdroff chuẩn hóa:
 TAL ( xi )  TBL ( xi ) , TAU ( xi )  TBU ( xi ) , 

 
1 n
𝐷(𝐴̃, 𝐵̃) =  max  I A ( xi )  I B ( xi ) , I A ( xi )  I B ( xi ) , 
 L L U U
(1.6.3.5)
n i 1
 F L ( x )  F L ( x ) , F U ( x )  F U ( x ) 
Khoảng cách Hausdroff chuẩn hóa có trọng số:
  TAL ( xi )  TBL ( xi ) , TAU ( xi )  TBU ( xi ) ,  

  
1 n  
𝐷(𝐴, 𝐵) =   w i .max I A ( xi )  I B ( xi ) , I A ( xi )  I B ( xi ) ,  
̃ ̃  L L U U
(1.6.3.6)
n i 1   
 
  FA ( xi )  FB ( xi ) , FA ( xi )  FB ( xi )  
L L U U
 
1.6.4. Khoảng cách Euclidean Hausdroff
Khoảng cách Euclidean Hausdroff giữa SVNS A và SVNS B:
max  TA ( xi )  TB ( xi ) 
n
𝐷 (𝐴, 𝐵) =  , I A ( xi )  I B ( xi ) , FA ( xi )  FB ( xi )
2 2 2
(1.6.4.1)
i 1
Khoảng cách Euclidean Hausdroff chuẩn hóa:
 
n
𝐷 (𝐴, 𝐵) = 1  max TA ( xi )  TB ( xi ) 2 , I A ( xi )  I B ( xi ) 2 , FA ( xi )  FB ( xi ) 2 (1.6.4.2)
n i 1
Khoảng cách Euclidean Hausdroff chuẩn hóa có trọng số:
 w  
n
1
D( A, B)  max TA ( xi )  TB ( xi ) , I A ( xi )  I B ( xi ) , FA ( xi )  FB ( xi )
2 2 2
i
(1.6.4.3)
n i 1
Khoảng cách Euclidean Hausdroff của IVNS 𝐴̃ và IVNS 𝐵̃ là:
 T L (x )  T L (x ) 2 , T U (x ) T U (x ) 2 , 
 A i B i A i B i 
n  L 
𝐷(𝐴̃, 𝐵̃) = 
2 2
max  I A ( xi )  I BL ( xi ) , I UA ( xi )  I BU ( xi ) ,  (1.6.4.4)
i 1  2 2

 FAL ( xi )  FBL ( xi ) , FAU ( xi )  FBU ( xi ) 
 
21
Khoảng cách Euclidean Hausdroff chuẩn hóa:
 T L (x )  T L (x ) 2 , T U (x ) T U (x ) 2 , 
 A i B i A i B i 
1 n  
𝐷(𝐴̃, 𝐵̃) = 
2 2
max  I AL ( xi )  I BL ( xi ) , I UA ( xi )  I BU ( xi ) ,  (1.6.4.5)
n i 1  
2 2
 FAL ( xi )  FBL ( xi ) , FAU ( xi )  FBU ( xi ) 
 
Khoảng cách Euclidean Hausdroff chuẩn hóa có trọng số:
  T L ( x )  T L ( x ) 2 , T U ( x )  T U ( x ) 2 , 
  A i B i A i B i

1  n
 L 
𝐷(𝐴̃, 𝐵̃) = 
2 2
 w i .max  I A ( xi )  I B ( xi ) , I A ( xi )  I B ( xi ) ,  
L U U
(1.6.4.6)
n i 1   L 2 2 
  FA ( xi )  FBL ( xi ) , FAU ( xi )  FBU ( xi )  
  
22
CHƯƠNG 2. ỨNG DỤNG KỸ THUẬT TOPSIS VÀ AHP TRÊN
NEUTROSOPHIC GIÁ TRỊ ĐƠN CHO BÀI TOÁN RA QUYẾT ĐỊNH ĐA
TIÊU CHÍ
2.1. Kỹ thuật TOPSIS trên tập Neutrosophic giá trị đơn
2.1.1. Phát biểu bài toán
Xét bài toán ra quyết định nhóm đa tiêu chí (MAGDM) với 𝑚 phương án và
𝑛 thuộc tính (tiêu chí) được đưa ra bởi p chuyên gia. Gọi 𝐴 = {𝐴1 , 𝐴2 , … , 𝐴𝑚 } là tập hợp
các phương án; 𝐶 = {𝐶1 , 𝐶2 , … , 𝐶𝑛 } là tập hợp các tiêu chí và 𝐷𝑀 =
{𝐷𝑀1 , 𝐷𝑀2 , … , 𝐷𝑀𝑝 } là tập hợp các chuyên gia. Ma trận thể hiện đánh giá của chuyên
gia thứ 𝑘:
𝐶1 𝐶2 … 𝐶𝑛
𝑘 𝑘 𝑘
𝐴1 𝐷𝑀11 𝐷𝑀12 … 𝐷𝑀1𝑛
𝐴 𝑘 𝑘 𝑘
𝐷𝑀 𝑘 = 2 𝐷𝑀21 𝐷𝑀22 … 𝐷𝑀2𝑛
⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 [𝐷𝑀𝑚1𝑘
𝐷𝑀𝑚2𝑘
… 𝐷𝑀𝑚𝑛𝑘
]
Với 𝐷𝑀𝑖𝑗𝑘 là đánh giá tương ứng của phương án 𝐴𝑖 với tiêu chí 𝐶𝑗 , 𝐷𝑀𝑖𝑗𝑘
có thể là SVNS, IVNS, SVRNS hoặc IVRNS.
Đặt 𝑊𝐷𝑀 = (𝑤𝐷𝑀1 , 𝑤𝐷𝑀2 , … , 𝑤𝐷𝑀𝑝 ) là véc tơ trọng số chuyên gia được chỉ định
cho nhóm các chuyên gia, trong đó 𝑤𝐷𝑀𝑘 có thể là SVNS, IVNS, SVRNS hoặc IVRNS
với (𝑘 = 1. . 𝑝).
𝑊𝐶𝑘 = (𝑤1𝑘 , 𝑤2𝑘 , … , 𝑤𝑛𝑘 ) là véc tơ trọng số thuộc tính được chỉ định cho thuộc tính
𝐶1 , 𝐶2 , … , 𝐶𝑛 của chuyên gia thứ k, trong đó 𝑤𝑗𝑘 có thể là SVNS, IVNS, SVRNS hoặc
IVRNS với (𝑗 = 1. . 𝑛).
Yêu cầu cần tìm ra các phương án thỏa mãn các tiêu chí nhất hoặc xếp hạng các
phương án theo thứ tự tăng dần hoặc giảm dần sao cho thỏa mãn với các tiêu chí nhất.
23
2.1.2. Thuật toán
2.1.2.1. Neutrosophic TOPSIS giá trị đơn (Pranab Biswas và cộng sự 2015)
Ma trận thể hiện đánh giá của chuyên gia thứ 𝑘 có dạng
𝑘 𝑘 𝑘〉 𝑘 𝑘 𝑘〉 𝑘 𝑘 𝑘 〉
𝐴1 〈𝑇11 , 𝐼11 , 𝐹11 〈𝑇12 , 𝐼12 , 𝐹12 … 〈𝑇1𝑛 , 𝐼1𝑛 , 𝐹1𝑛
𝐴 〈 𝑘 𝑘 𝑘〉 𝑘
〈𝑇22 𝑘 𝑘〉 𝑘
〈𝑇2𝑛 𝑘 𝑘 〉
𝐷𝑀𝑘 = 2 𝑇21 , 𝐼21 , 𝐹21 , 𝐼22 , 𝐹22 … , 𝐼2𝑛 , 𝐹2𝑛
⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 [〈𝑇𝑚1
𝑘 𝑘
, 𝐼𝑚1 , 𝐹𝑚1𝑘 〉 𝑘
〈𝑇𝑚2 𝑘
, 𝐼𝑚2 , 𝐹𝑚2𝑘 〉
… 𝑘
〈𝑇𝑚𝑛 𝑘 𝑘 〉
, 𝐼𝑚𝑛 , 𝐹𝑚𝑛 ]
Với 𝑇𝑖𝑗𝑘 , 𝐼𝑖𝑗𝑘 , 𝐹𝑖𝑗𝑘 ∈ [0,1] và 0 ≤ 𝑇𝑖𝑗𝑘 + 𝐼𝑖𝑗𝑘 + 𝐹𝑖𝑗𝑘 ≤ 3
Thuật toán được thực hiện qua các bước:
Bước 1: Chuẩn hóa trọng số chuyên gia
Gọi 𝜓 = (𝜓1 , 𝜓2 , … , 𝜓𝑝 ) là véc tơ trọng số chuyên gia sau khi đã chuẩn hóa giá trị
về khoảng [0,1].
Trong nhóm 𝑝 chuyên gia, do trình độ, địa vị và kinh nghiệm của họ có thể làm
ảnh hưởng đến quyết định cuối cùng, do đó ý kiến các chuyên gia là không bình đẳng.
Công thức tính trọng số chuẩn hóa của chuyên gia thứ k như sau:
𝜓𝑘 
11  T    I    F   / 3
k
2
k
2
k
2
(2.1.2.1)
 1  1  T    I    F   / 3 
 
p
2 2 2
k k k
k 1
𝑝
Trong đó ∑𝑘=1 𝜓𝑘 = 1
Bước 2: Tổng hợp các ma trận quyết định
Tổng hợp p ma trận quyết định của p chuyên gia ta có ma trận tổng hợp là ma trận
D được xác định theo công thức:
𝑝
𝐷 = ∑𝑘=1 𝜓𝑘 𝐷𝑀𝑘 = (𝑑𝑖𝑗 )𝑚×𝑛 = 〈𝑇𝑖𝑗 , 𝐼𝑖𝑗 , 𝐹𝑖𝑗 〉𝑚×𝑛
24
𝐴1 〈𝑇11 , 𝐼11 , 𝐹11 〉 〈𝑇12 , 𝐼12 , 𝐹12 〉 … 〈𝑇1𝑛 , 𝐼1𝑛 , 𝐹1𝑛 〉

𝐴 〈𝑇 , 𝐼 , 𝐹 〉 〈𝑇22 , 𝐼22 , 𝐹22 〉 … 〈𝑇2𝑛 , 𝐼2𝑛 , 𝐹2𝑛 〉
(𝑑𝑖𝑗 ) = 2 [ 21 21 21 ]
𝑚×𝑛 ⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 〈𝑇𝑚1 , 𝐼𝑚1 , 𝐹𝑚1 〉 〈𝑇𝑚2 , 𝐼𝑚2 , 𝐹𝑚2 〉 … 〈𝑇𝑚𝑛 , 𝐼𝑚𝑛 , 𝐹𝑚𝑛 〉
Phần tử 𝑑𝑖𝑗 = 〈𝑇𝑖𝑗 , 𝐼𝑖𝑗 , 𝐹𝑖𝑗 〉 được tính theo công thức
     
p k p k p k
dij  1   1  T k
ij , I k
ij , Fijk (2.1.2.2)
k 1 k 1 k 1
Với 𝑗 = 1 … 𝑛; 𝑖 = 1 … 𝑚
Bước 3: Xác định trọng số tổng hợp thuộc tính
Trong quá trình ra quyết định, mỗi chuyên gia có thể có những nhận định riêng
liên quan tới trọng số thuộc tính. Để có được ý kiến thống nhất cần xác định trọng số
tổng hợp thuộc tính. Gọi véc tơ trọng số tổng hợp thuộc tính là 𝑊, khi đó:
𝑝
𝑊 = ∑ 𝜓𝑘 𝑊𝐶𝑘 = (𝑤𝑗 )𝑛 = 〈𝑇𝑗 , 𝐼𝑗 , 𝐹𝑗 〉𝑛

𝑘=1
Trong đó:
  ,   I  ,  F 
p k p k p k
w ij  1   1  T j
k k
j j
k
(2.1.2.3)
k 1 k 1 k 1
Với 𝑗 = 1 … 𝑛
Bước 4: Xây dựng ma trận quyết định có trọng số tổng hợp
Với bài toán MADM, các thuộc tính thường có mức độ quan trọng khác nhau.
Trọng số này ảnh hưởng không nhỏ đến quyết định của chuyên gia. Vì vậy để có được
quyết định tổng hợp cần kết hợp ma trận quyết định tổng hợp và véc tơ trọng số tổng
hợp thuộc tính:
𝑗 𝑤 𝑤𝑗 𝑤 𝑗 𝑤 𝑗
𝐷 ⊗ 𝑊 = 𝐷 𝑤 = (𝑑𝑖𝑗 ) = 〈𝑇𝑖𝑗 , 𝐼𝑖𝑗 , 𝐹𝑖𝑗 〉𝑚×𝑛
𝑚×𝑛
25
𝑤1 𝑤1 𝑤1 𝑤2 𝑤2 𝑤 𝑤𝑛 𝑤𝑛 𝑤
𝐴1 〈𝑇11 , 𝐼11 , 𝐹11 〉 〈𝑇12 , 𝐼12 , 𝐹122 〉 … 〈𝑇1𝑛 , 𝐼1𝑛 , 𝐹1𝑛𝑛 〉
𝑤𝑛 𝑤𝑛 𝑤
𝐴 〈 𝑤1 𝑤1 𝑤1 〉 𝑤2 𝑤2
〈𝑇22 𝑤
, 𝐼22 , 𝐹222 〉 〈𝑇2𝑛 , 𝐼2𝑛 , 𝐹2𝑛𝑛 〉
= 2 𝑇21 , 𝐼21 , 𝐹21 …
𝑤𝑗
(𝑑𝑖𝑗 )
𝑚×𝑛 ⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 [〈𝑇 , 𝐼 1 , 𝐹 𝑤1 〉
𝑤 𝑤 𝑤2 𝑤2 𝑤2 𝑤𝑛 𝑤𝑛 𝑤𝑛
1
𝑚1 𝑚1 𝑚1 〈𝑇𝑚2 , 𝐼𝑚2 , 𝐹𝑚2 〉 … 〈𝑇𝑚𝑛 , 𝐼𝑚𝑛 , 𝐹𝑚𝑛 〉]
𝑤𝑗
Với: 𝑑𝑖𝑗 =< 𝑇𝑖𝑗 𝑇𝑗 , 𝐼𝑖𝑗 + 𝐼𝑗 − 𝐼𝑖𝑗 𝐼𝑗 , 𝐹𝑖𝑗 + 𝐹𝑗 − 𝐹𝑖𝑗 𝐹𝑗 > (2.1.2.4)
Bước 5: Xác định các giải pháp lí tưởng
Bài toán MADM trong thực tế có thể có hai loại thuộc tính là thuộc tính chi phí
và thuộc tính lợi ích. Thuộc tính chí phí là thuộc tính gây ra bất lợi và thuộc tính lợi ích
là thuộc tính mang lại lợi ích, hai thuộc tính này sẽ ảnh hướng đến việc lựa chọn phương
án. Gọi 𝐽1 là thuộc tính lợi ích và 𝐽2 là thuộc tính chi phí. Khi đó giải pháp lí tưởng
dương trên Neutrosophic giá trị đơn (SVNPIS) 𝑄+ thu được như sau:
𝑄 + = [𝑑1𝑤+ , 𝑑2𝑤+ , … , 𝑑𝑛𝑤+ ], trong đó: 𝑑𝑗𝑤+ = 〈𝑇𝑗𝑤+ , 𝐼𝑗𝑤+ , 𝐹𝑗𝑤+ 〉 với 𝑗 = 1 … 𝑛
𝑤 𝑤 𝑤
〈max (𝑇𝑖𝑗 𝑗 ) , min (𝐼𝑖𝑗 𝑗 ) , 𝑚𝑖𝑛 (𝐹𝑖𝑗 𝑗 )〉 , 𝑗 ∈ 𝐽1
𝑖
〈𝑇𝑗𝑤+ , 𝐼𝑗𝑤+ , 𝐹𝑗𝑤+ 〉 = [ 𝑖 𝑤𝑗 𝑤𝑗
𝑖
𝑤 (2.1.2.5)
〈min (𝑇𝑖𝑗 ) , max (𝐼𝑖𝑗 ) , 𝑚𝑎𝑥 (𝐹𝑖𝑗 𝑗 )〉 , 𝑗 ∈ 𝐽2
𝑖 𝑖 𝑖
Tương tự, giải pháp lý tưởng âm trên Neutrosophic giá trị đơn (SVNNIS) 𝑄− :
𝑄− = [𝑑1𝑤− , 𝑑2𝑤− , … , 𝑑𝑛𝑤− ]
Trong đó: 𝑑𝑗𝑤− = 〈𝑇𝑗𝑤− , 𝐼𝑗𝑤− , 𝐹𝑗𝑤− 〉 với 𝑗 = 1 … 𝑛
𝑤 𝑤 𝑤
〈min (𝑇𝑖𝑗 𝑗 ) , max (𝐼𝑖𝑗 𝑗 ) , 𝑚𝑎𝑥 (𝐹𝑖𝑗 𝑗 )〉 , 𝑗 ∈ 𝐽1
〈𝑇𝑗 , 𝐼𝑗 , 𝐹𝑗 〉 = [ 𝑖
𝑤− 𝑤− 𝑤−
𝑤𝑗
𝑖
𝑤𝑗
𝑖
𝑤 (2.1.2.6)
〈max (𝑇𝑖𝑗 ) , min (𝐼𝑖𝑗 ) , 𝑚𝑖𝑛 (𝐹𝑖𝑗 𝑗 )〉 , 𝑗 ∈ 𝐽2
𝑖 𝑖 𝑖
Bước 6: Tính khoảng cách từ các phương án đến các giải pháp lý tưởng
Khoảng cách Euclidean chuẩn hóa giữa phương án 𝐴𝑖 và 𝑄+ , giữa phương án 𝐴𝑖

và 𝑄 − được tính như sau:
  1 n  wj
   I   F  
2 2 2
3n 
Di  dij j , dijw+   Tij  Tij  Iijw   Fijw  
w wj wj
w+
ij ij
(2.1.2.7)
j 1 
  1 n  wj
   I   F  
2 2 2
3n 
Di  dij j , dijw   w
 Tij  Tij  I ijw   Fijw  
w wj wj
ij ij
(2.1.2.8)
j 1 
Với 𝑖 = 1 … 𝑚; 𝑗 = 1 … 𝑛
26
Khoảng cách 𝐷 𝑖+ và 𝐷 𝑖− với các phương án thể hiện trên biểu đồ sau:
Hình 2.1. Biểu đồ thể hiện khoảng cách của 𝑫𝒊+ và 𝑫𝒊−
Bước 7: Tính tỉ số liên quan cho các phương án đến các giải pháp lý tưởng
Tỉ số liên quan của phương án 𝐴𝑖 đến các giải pháp lý tưởng:
C 
*

Di  dij j , d wj 
w

   
i (2.1.2.9)
Di  dij j , d w+  Di  dij j , d wj 
w w
j
Với 𝑖 = 1 … 𝑚; 𝑗 = 1 … 𝑛 và 𝐶𝑖∗ ∈ [0,1]
Bước 8: Xếp hạng mức độ ưu tiên của các phương án
Sắp xếp các 𝐶𝑖∗ theo thứ tự giảm dần để tìm được mức độ ưu tiên của các phương
án.
2.1.2.2. Neutrosophic TOPSIS thô giá trị đơn (Kalyan Mondal và cộng sự 2017)
𝐴1 (𝑑𝑚11 , 𝑑𝑚11 ) (𝑑𝑚12 , 𝑑𝑚12 ) … (𝑑𝑚1𝑛 , 𝑑𝑚1𝑛 )

𝐴
𝐷𝑀𝑘 = 2 (𝑑𝑚21 , 𝑑𝑚21 ) (𝑑𝑚22 , 𝑑𝑚22 ) … (𝑑𝑚2𝑛 , 𝑑𝑚2𝑛 )
⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 (𝑑𝑚 , 𝑑𝑚 ) (𝑑𝑚 , 𝑑𝑚 ) … (𝑑𝑚𝑚𝑛 , 𝑑𝑚𝑚𝑛 )]
[ 𝑚1 𝑛1 𝑚2 𝑚2
Với 〈𝑑𝑚11 , 𝑑𝑚11 〉 = (〈𝑇𝑖𝑗 , 𝐼𝑖𝑗 , 𝐹𝑖𝑗 〉, 〈𝑇𝑖𝑗 , 𝐼𝑖𝑗 , 𝐹𝑖𝑗 〉)
𝑇𝑖𝑗 , 𝐼𝑖𝑗 , 𝐹𝑖𝑗 , 𝑇𝑖𝑗 , 𝐼𝑖𝑗 , 𝐹𝑖𝑗 ∈ [0,1]
Và 𝑇𝑖𝑗 + 𝐼𝑖𝑗 + 𝐹𝑖𝑗 ≤ 𝑇𝑖𝑗 + 𝐼𝑖𝑗 + 𝐹𝑖𝑗 ≤ 3
27
Thuật toán được thực hiện qua các bước như sau: đầu tiên sử dụng công thức AGO
chuyển tất cả các giá trị trong ma trận đánh giá của chuyên gia, véc tơ trọng số chuyên
gia, trọng số thuộc tính thành SVNS.
𝑑𝑚𝑖𝑗 = √〈𝑑𝑚𝑚1 . 𝑑𝑚𝑛1 〉 = 〈𝑇𝑖𝑗 , 𝐼𝑖𝑗 , 𝐹𝑖𝑗 〉
Với 𝑇𝑖𝑗 = √𝑇𝑖𝑗 . 𝑇𝑖𝑗 ; 𝐼𝑖𝑗 = √𝐼𝑖𝑗 . 𝐼𝑖𝑗 ; 𝐹𝑖𝑗 = √𝐹𝑖𝑗 . 𝐹𝑖𝑗
Sau đó thực hiện các bước đã trình bày trong thuật toán Neutrosophic TOPSIS giá
trị đơn.
2.1.3. Ứng dụng Neutrosophic TOPSIS cho bài toán hỗ trợ ra quyết định đa tiêu
chí
Để minh họa cho lý thuyết Neutrosophic Topsic đã trình bày ở trên, chúng tôi áp
dụng ra quyết định đa tiêu chí để lựa chọn chiếc điện thoại phù hợp.
2.1.3.1. Ứng dụng trên tập Neutrosophic giá trị đơn
Kết quả của bài toán trình bày dưới đây đã được trình bày tại Hội thảo Khoa học
“Một số hướng nghiên cứu tiềm năng trong lĩnh vực Khoa học Tự nhiên và Công nghệ
hiện nay” do trường Đại học Khánh Hòa tổ chức ngày 29 tháng 5 năm 2021.
Bài toán: Giả sử có một nhóm 4 chuyên gia là (𝐷𝑀1 , 𝐷𝑀2 , 𝐷𝑀3 , 𝐷𝑀4 ) cùng tham
gia vào việc lựa chọn chiếc điện thoại phù hợp nhất từ bốn loại (𝐴1 , 𝐴2 , 𝐴3 , 𝐴4 ) dựa trên
6 tiêu chí là: Tính năng (𝐶1 ), phần cứng (𝐶2 ), màn hình (𝐶3 ), Dễ sử dụng (𝐶4 ) giá cả
phải chăng (𝐶5 ) , Dịch vụ chăm sóc khác hàng (𝐶6 ).
Dữ liệu xây dựng trên tập Neutrosophic giá trị đơn
Giá trị đánh giá các thuộc tính và trọng số của thuộc tính cũng như trọng số của
chuyên gia được biểu thị bằng thuật ngữ ngôn ngữ học. Các thuật ngữ và giá trị của
chúng trong SVNS được cho trong bảng 2.1 và bảng 2.2:
28
Bảng 2.1. Thuật ngữ ngôn ngữ học và SVNS tương ứng cho thuộc tính
Thuật ngữ SVNS

Cực kì tốt (EG) 〈1.00, 0.00, 0.00〉
Rất tốt (VG) 〈0.90, 0.10, 0.05〉
Tốt (G) 〈0.80, 0.20, 0.15〉
Khá tốt (MG) 〈0.65, 0.35, 0.30〉
Khá (M) 〈0.50, 0.50, 0.45〉
Hơi tệ (MB) 〈0.35, 0.65, 0.60〉
Tệ (B) 〈0.20, 0.75, 0.80〉
Rất tệ (VB) 〈0.10, 0.85, 0.90〉
Cực kì tệ (VVB) 〈0.05, 0.90, 0.95〉
Bảng 2.2. Thuật ngữ ngôn ngữ học và SVNS tương ứng cho trọng số
Thuật ngữ SVNS
Rất quan trọng (VI) 〈0.90 0.10 0.10〉
Quan trọng (I) 〈0.80 0.20 0.15〉
Khá quan trọng (M) 〈0.50 0.40 0.45〉
Ít quan trong (UI) 〈0.35 0.60 0.70〉
Rất ít quan trọng (VUI) 〈0.10 0.80 0.90〉
Dữ liệu thể hiện đánh giá trọng số chuyên gia, đánh giá các giá trị thuộc tính thực
hiện bởi 4 chuyên gia và đánh giá trọng số thuộc tính được thể hiện trong bảng 2.3, bảng
2.4 và 2.5:
Bảng 2.3. Trọng số chuyên gia

DM DM1 DM2 DM3 DM4
WDM VI I M I
Ở đây ý kiến của chuyên gia 𝐷𝑀1 được cho là quan trọng nhất - ở mức rất quan
trọng, 𝐷𝑀2 và 𝐷𝑀4 có mức độ quan trọng như nhau - ở mức quan trọng. Còn lại ý kiến
của chuyên gia 𝐷𝑀2 thì ít quan trọng hơn cả - ở mức khá quan trọng.
29
Bảng 2.4. Bảng đánh giá của các chuyên gia (ma trận quyết định)
DM A 𝐂𝟏 𝐂𝟐 𝐂𝟑 𝐂𝟒 𝐂𝟓 𝐂𝟔
DM1 𝐴1 VG G G G G VG
𝐴2 M G M G G M
𝐴3 VG VG G G VG VG
𝐴4 M VG G G VG M
DM2 𝐴1 VG VG G G G VG
𝐴2 G MG G G MG G
𝐴3 G VG VG G G VG
𝐴4 M M G G M G
DM3 𝐴1 G VG G G VG G
𝐴2 G M G G M M
𝐴3 VG G G MG G MG
𝐴4 G G G G M VG
DM4 𝐴1 G G G G G G
𝐴2 M G M G M M
𝐴3 VG VG G G MG G
𝐴4 G M M G G VG
Bảng 2.5. Trọng số thuộc tính
DM C1 C2 C3 C4 C5 C6
DM1 VI VI I M I I
DM2 I VI I I M M
DM3 M I M M I M
DM4 M VI M I VI I
Tiếp theo, thực hiện các bước theo thứ tự đã được trình bày ở trên.
Áp dụng công thức (2.1.2.1):
1 − √{(1 − 0.9)2 + (0.1)2 + (0.1)2 }/3

𝜓1 = = 0.292
4 − √0.03/3 − √0.1025/3 − √0.6125/3 − √0.1025/3
Tương tự, ta có: 𝜓 = {0.292, 0.265, 0.178, 0.265}
T11  1  1  0.9   1  0.9   1  0.8  1  0.8

0.292 0.265 0.178 0.265
 0.846
I11  (0.1)0.292  (0.1)0.265  (0.2)0.178  (0.2)0.265  0.136
F11   0.05   0.05   0.15   0.15

0.292 0.265 0.178 0.265
 0.081
30
Tương tự, ta có kết quả cho ở bảng dưới đây
A C1 C2 C3
A1 <0.864, 0.136, 0.081> <0.853, 0.147, 0.092> <0.800, 0.200, 0.150>
A2 <0.667, 0.333, 0.277> <0.727, 0.273, 0.219> <0.667, 0.333, 0.277>
A3 <0.880, 0.120, 0.067> <0.887, 0.113, 0.061> <0.834, 0.166, 0.112>
A4 <0.667, 0.333, 0.277> <0.735, 0.265, 0.195> <0.745, 0.255, 0.201>
C4 C5 C6
A1 <0.800, 0.200, 0.150> <0.823, 0.177, 0.123> <0.864, 0.136, 0.081>
A2 <0.800, 0.200, 0.150> <0.652, 0.348, 0.293> <0.608, 0.392, 0.336>
A3 <0.779, 0.221, 0.170> <0.811, 0.189, 0.131> <0.850, 0.150, 0.092>
A4 <0.800, 0.200, 0.150> <0.755, 0.245, 0.177> <0.808, 0.192, 0.127>
Tw1  1  1  0.9   1  0.8  1  0.5  1  0.5

0.292 0.265 0.178 0.265
 0.755
I w1   0.1   0.2   0.4   0.4

0.292 0.265 0.178 0.265
 0.222
Fw1   0.1   0.15   0.45   0.45

0.292 0.265 0.178 0.265
 0.217
Tương tự:
W={<0.755, 0.222, 0.217>, <0.887, 0.113, 0.107>, <0.700, 0.272, 0.244>, <0.692,
0.277, 0.251>, <0.788, 0.200, 0.180>, <0.700, 0.272, 0.244> }
Áp dụng công thức (2.1.2.4)

𝑤
𝑇111 = 0.864 × 0.755 = 0.652 ;
𝑤
𝐼111 = 0.136 + 0.222 − 0.136 × 0.222 = 0.328
𝑤
𝐹111 = 0.081 + 0.217 − 0.081 × 0.217 = 0.280
Kết quả thu được:

A C1 C2 C3
A1 <0.652, 0.328, 0.280> <0.756, 0.244, 0.190> <0.560, 0.417, 0.357>
A2 <0.503, 0.481, 0.433> <0.645, 0.355, 0.303> <0.467, 0.514, 0.453>
A3 <0.664, 0.315, 0.269> <0.787, 0.213, 0.162> <0.583, 0.393, 0.329>
A4 <0.503, 0.481, 0.433> <0.652, 0.348, 0.281> <0.521, 0.457, 0.396>
C4 C5 C6
A1 <0.554, 0.422, 0.364> <0.649, 0.341, 0.281> <0.605, 0.371, 0.305>
A2 <0.554, 0.422, 0.364> <0.514, 0.478, 0.421> <0.425, 0.557, 0.498>
A3 <0.539, 0.437, 0.379> <0.639, 0.352, 0.287> <0.595, 0.381, 0.314>
A4 <0.554, 0.422, 0.364> <0.595, 0.396, 0.325> <0.565, 0.412, 0.340>
31
Bước 5: Xác định giải pháp lí tưởng
Áp dụng công thức (2.1.2.5) và (2.1.2.6) ta được kết quả như sau:
A C1 C2 C3
Q+ <0.664, 0.315, 0.269> <0.787, 0.213, 0.162> <0.583, 0.393, 0.329>
Q- <0.503, 0.481, 0.433> <0.645, 0.355, 0.303> <0.467, 0.514, 0.453>
C4 C5 C6
Q+ <0.554, 0.422, 0.364> <0.649, 0.341, 0.281> <0.605, 0.371, 0.305>
Q- <0.539, 0.437, 0.379> <0.514, 0.478, 0.421> <0.425, 0.557, 0.498>
Bước 6, 7, 8: tính khoảng cách, tỉ số liên quan và xếp hạng
Áp dụng công thức (2.1.2.7) (2.1.2.8) và (2.1.2.9) thu được kết quả như sau:
A 𝑫𝒊+ 𝑫𝒊− 𝑪∗𝒊 Rank
A1 0.017 0.128 0.885 2
A2 0.138 0.006 0.042 4
A3 0.008 0.135 0.944 1
A4 0.093 0.074 0.444 3
2.1.3.2. Ứng dụng trên tập Neutrosophic thô giá trị đơn
Ví dụ áp dụng: Xét lại bài toán đã nêu trong ví dụ áp dụng mục 2.1.3.1.
Dữ liệu xây dựng trên tập SVRNS. Giá trị đánh giá các thuộc tính và trọng số của
thuộc tính cũng như trọng số của chuyên gia được biểu thị bằng thuật ngữ ngôn ngữ học.
Các thuật ngữ và giá trị của chúng trong SVRNS được cho trong bảng và giá trị
Neutrosophic tương ứng sau khi thực hiện chuyển đổi như sau:
Bảng 2.6. Thuật ngữ ngôn ngữ học và SVRNS tương ứng cho thuộc tính
Thuật ngữ SVRNS SVNS tương ứng
Cực kì tốt (EG) (〈1.00, 0.00, 0.00〉, 〈1.00, 0.00, 0.00〉) 〈1.00, 0.00, 0.00〉
Rất tốt (VG) (〈0.85,0.15,0.15〉, 〈0.95,0.05,0.05〉) 〈0.899, 0.087, 0.087〉
Tốt (G) (〈0.75,0.25,0.20〉, 〈0.85,0.15,0.10〉) 〈0.798, 0.194, 0.141〉
Khá tốt (MG) (〈0.55,0.40,0.35〉, 〈0.70,0.30,0.25〉) 〈0.620, 0.346, 0.296〉
Khá (M) (〈0.45,0.55,0.55〉, 〈0.55,0.45,0.35〉) 〈0.497, 0.497, 0.439〉
Hơi tệ (MB) (〈0.30,0.70,0.65〉, 〈0.40,0.60,0.55〉) 〈0.346, 0.648, 0.598〉
Tệ (B) (〈0.15,0.80,0.85〉, 〈0.25,0.70.0.75〉) 〈0.194, 0.758, 0.798〉
Rất tệ (VB) (〈0.05,0.90,0.95〉, 〈0.15,0.80,0.85〉) 〈0.087, 0.849, 0.899〉
Cực kì tệ (VVB) (〈0.05,0.95,0.95〉, 〈0.05,0.85,0.95〉) 〈0.05, 0.899, 0.95〉
32
Bảng 2.7. Thuật ngữ ngôn ngữ học và SVRNS tương ứng cho trọng số
Thuật ngữ SVRNS SVNS tương ứng
Rất quan trọng (VI) (〈0.85,0.15,0.15〉, 〈0.95,0.05,0.05〉) 〈0.899, 0.087, 0.087〉
Quan trọng (I) (〈0.75,0.25,0.20〉, 〈0.85,0.15,0.10〉) 〈0.750,0.250,0.200〉
Khá quan trọng (M) (〈0.45,0.45,0.55〉, 〈0.55,0.35,0.35〉) 〈0.497, 0.397, 0.439〉
Ít quan trong (UI) (〈0.25,0.65,0.75〉, 〈0.45,0.55,0.65〉) 〈0.335, 0.598, 0.698〉
Rất ít quan trọng (VUI) (〈0.05,0.85,0.95〉, 〈0.15,0.75,0.85〉) 〈0.087, 0.798, 0.899〉
hiện bởi 4 chuyên gia và đánh giá trọng số thuộc tính được thể hiện giống với bảng (2.3),
(2.4) và (2.5).
Tiếp theo, thực hiện các bước tương tự như Neutrosophic TOPSIS giá trị đơn. Kết
quả thu được ở các bước như sau

𝜓 = {0.293, 0.264, 0.178, 0.264}
A C1 C2 C3
A1 <0.863, 0.124, 0.108> <0.851, 0.136, 0.114> <0.798, 0.194, 0.141>
A2 <0.665, 0.328, 0.266> <0.720, 0.267, 0.210> <0.665, 0.328, 0.266>
A3 <0.878, 0.107, 0.099> <0.885, 0.100, 0.095> <0.832, 0.157, 0.124>
A4 <0.665, 0.328, 0.266> <0.733, 0.252, 0.223> <0.743, 0.249, 0.191>
C4 C5 C6
A1 <0.798, 0.194, 0.141> <0.822, 0.168, 0.130> <0.863, 0.124, 0.108>
A2 <0.798, 0.194, 0.141> <0.643, 0.343, 0.284> <0.605, 0.388, 0.325>
A3 <0.774, 0.215, 0.161> <0.805, 0.178, 0.149> <0.846, 0.137, 0.123>
A4 <0.798, 0.194, 0.141> <0.753, 0.232, 0.202> <0.806, 0.179, 0.159>
W={<0.753 0.210 0.202>, <0.885 0.100 0.095>, <0.698 0.266 0.233>, <0.690
0.272 0.241>, <0.786 0.189 0.168>, <0.698 0.266 0.233> }

A C1 C2 C3
A1 <0.650, 0.308, 0.288> <0.754, 0.222, 0.198> <0.557, 0.408, 0.342>
A2 <0.501, 0.469, 0.414> <0.637, 0.340, 0.285> <0.464, 0.507, 0.437>
A3 <0.662, 0.295, 0.281> <0.784, 0.190, 0.180> <0.581, 0.381, 0.329>
A4 <0.501, 0.469, 0.414> <0.649, 0.327, 0.296> <0.519, 0.448, 0.380>
C4 C5 C6
A1 <0.551, 0.413, 0.348> <0.646, 0.325, 0.275> <0.602, 0.357, 0.316>
A2 <0.551, 0.413, 0.348> <0.505, 0.467, 0.404> <0.423, 0.551, 0.483>
A3 <0.534, 0.428, 0.364> <0.633, 0.334, 0.291> <0.591, 0.367, 0.327>
A4 <0.551, 0.413, 0.348> <0.592, 0.378, 0.336> <0.562, 0.397, 0.355>
33
A C1 C2 C3
Q+ <0.662, 0.295, 0.281> <0.784, 0.190, 0.180> <0.581, 0.381, 0.329>
Q- <0.501, 0.469, 0.414> <0.637, 0.340, 0.296> <0.464, 0.507, 0.437>
C4 C5 C6
Q+ <0.551, 0.413, 0.348> <0.646, 0.325, 0.275> <0.602, 0.357, 0.316>
Q- <0.534, 0.428, 0.364> <0.505, 0.467, 0.404> <0.423, 0.551, 0.483>
Bước 6,7,8: Tính khoảng cách, tính tỉ số liên quan và xếp hạng
A1 0.015 0.126 0.893 2
A2 0.134 0.007 0.049 4
A3 0.009 0.130 0.933 1
A4 0.091 0.071 0.437 3
2.2. Kỹ thuật AHP trên tập Neutrosophic giá trị đơn
Kỹ thuật AHP là phương pháp hỗ trợ ra quyết định đa tiêu chí được giới thiệu lần
đầu tiên trong bài báo “A Scaling Method for Priorities in Hierarchical Structures” đăng
trên tạp chí Journal of Mathematical Psychology năm 1977. Từ năm 1980 đến 2008,
Saaty tiếp tục có những bài báo, sách viết về cách sử dụng và các ứng dụng của kỹ thuật
AHP.
AHP là một quy trình có hệ thống để giải quyết vấn đề đa tiêu chí phức tạp bằng
cách đưa ra thứ tự ưu tiên. AHP chia nhỏ vấn đề thành các bộ phận cấu thành nhỏ hơn
và thực hiện các phán đoán so sánh theo cặp đơn giản để phát triển một cấu trúc phân
cấp thứ tự ưu tiên. AHP cung cấp một công cụ toàn diện để đối phó với sự trực quan,
tính hợp lý và các phán đoán phi lý cùng một lúc và thậm chí không yêu cầu các phán
đoán đó phải hoàn toàn nhất quán.
AHP là một công cụ của nhiều nhà nghiên cứu và những người ra quyết định trong
các tình huống ra quyết định đa tiêu chí. Nhiều công trình nghiên cứu nổi bật được xuất
bản dựa trên AHP, chúng bao gồm các ứng dụng của AHP trong các lĩnh vực khác nhau
như lập kế hoạch, lựa chọn phương án tốt nhất, phân bổ nguồn lực, giải quyết xung đột,
tối ưu hóa,…
AHP đã được nghiên cứu nhiều trên tập rõ, tập mờ và tập thô. Ở đây, chúng tôi sẽ
giới thiệu về kỹ thuật AHP trên tập Neutrosophic giá trị đơn (SVNAHP) để hỗ trợ cho
bài toán ra quyết định đa tiếu chí.
34
Việc sử dụng SVNAHP hỗ trợ việc sử dụng các phán đoán không chắc chắn trong
suy nghĩ của con người, điều này giúp người ta có những phán đoán linh hoạt hơn.
Trong nghiên cứu này chúng tôi đã đề xuất thuật toán kết hợp việc kiểm tra tính
nhất quán của ma trận so sánh cặp đôi dựa theo việc xác định xấp xỉ gần đúng trọng số
ưu tiên theo phương pháp trung bình cộng (Saaty, 1987). Sau đó tính trọng số của các
tiêu chí và các phương án trên SVNS (Nouran M. Radwan và cộng sự, 2016).
2.2.1. Phát biểu bài toán
Xét bài toán ra quyết định MADM với m phương án và n thuộc tính (tiêu chí) cần
xem xét. Gọi 𝐴 = {𝐴1 , 𝐴2 , … , 𝐴𝑚 } là tập hợp các phương án; 𝐶 = {𝐶1 , 𝐶2 , … , 𝐶𝑛 } là tập
hợp các tiêu chí chính; 𝐶𝑖 = {𝐶𝑖.1 , 𝐶𝑖.2 , … , 𝐶𝑖.𝑥 } là tiêu chí phụ của tiêu chí 𝐶𝑖 (nếu có)
Cần tìm ra phương án tốt nhất thỏa mãn các tiêu chí đã đề ra.
2.2.2. Các bước tiến hành
Thuật toán đề xuất cách kết hợp việc kiểm tra tính nhất quán của ma trận so sánh
cặp đôi theo Saaty và cách tính trọng số trên SVNS của Nouran được tiến hành qua các
bước sau:
Bước 1. Xác định giá trị Neutrosophic giá trị đơn tương ứng với thang đo từ 1 đến
9 của Saaty.
Saaty đã đưa ra một thang đo cơ bản phục vụ cho việc so sánh 2 yếu tố với nhau.
Nó bao gồm các phán đoán bằng lời nói được sắp xếp từ “bằng nhau” đến “cực đại”
(bằng nhau, hơi nhiều, nhiều, rất nhiều, cực kỳ nhiều). Tương ứng với các phán đoán
bằng lời nói là những phán đoán bằng con số (1, 3, 5, 7, 9). Nếu không xác định chính
xác những phán đoán thì sử dụng các con số ở giữa những giá trị này (2, 4, 6, 8).
Thang đo này đã được xác nhận tính hiệu quả, không chỉ trong ứng dụng của nhiều
người mà còn thông qua so sánh lý thuyết với một số lượng lớn các thang đo khác nhau.
35
Bảng 2.8. Thang đo cơ bản của Saaty
Cường độ quan
trong trên
Định nghĩa Giải thích
thang
đo tuyệt đối
Hai hoạt động đóng góp như nhau
1 Độ yêu thích bằng nhau.
cho mục tiêu.
Kinh nghiệm và phán đoán ủng hộ
3 Độ yêu thích vừa phải.
hoạt động này hơn hoạt động khác.
Kinh nghiệm và phán đoán ủng hộ
5 Độ yêu thích cao. cao hoạt động này hơn hoạt
động khác.
Một hoạt động được ủng hộ mạnh
7 Độ yêu thích mạnh. mẽ và nó được chứng minh trong
thực tế.
Thực tiễn chứng minh hoạt động
9 Độ yêu thích cực kì mạnh. này hơn hoạt động khác, nó nằm ở
mức cao nhất có thể.
Giá trị trung gian giữa 2
2, 4, 6, 8 Cần thiết khi có sự thương lượng.
phán đoán liền kề.
Nếu hoạt động i được gán một trong các giá trị trên khi so sánh với
Đối ứng
hoạt động j thì j có giá trị đối ứng khi so sánh với i.
36
Tương ứng với thang đo này ta có thang đo Neutrosophic như sau:
Bảng 2.9. Thang đo cơ bản của Saaty tương ứng trên Neutrosophic
Cường độ quan Cường độ quan
Định nghĩa Saaty trong trên thang trọng đối ứng Saaty
đo Neutrosophic
Độ yêu thích bằng nhau 1 <0.50, 0.50, 0.50> <0.50, 0.50, 0.50> 1
Đội yêu thích tương đối
2 <0.55, 0.40, 0.45> <0.45, 0.60, 0.55> 1/2
bằng nhau
Độ yêu thích vừa phải 3 <0.60, 0.35, 0.40> <0.40, 0.65, 0.60> 1/3
Độ yêu thích vừa phải
4 <0.65, 0.30, 0.35> <0.36, 0.70, 0.65> 1/4
đến cao
Độ yêu thích cao 5 <0.70, 0.30, 0.30> <0.30, 0.70, 0.70> 1/5
Độ yêu thích từ cao đến
6 <0.75, 0.25, 0.25> <0.25, 0.75, 0.75> 1/6
mạnh
Độ yêu thích mạnh 7 <0.80, 0.25, 0.20> <0.20, 0.75, 0.80> 1/7
Độ yêu thích mạnh đến
8 <0.85, 0.20, 0.15> <0.15, 0.80, 0.85> 1/8
rất mạnh
Độ yêu thích cực kì
9 <0.90, 0.10, 0.10> <0.10, 0.90, 0.90> 1/9
mạnh.
Cường độ quan trọng trên thang đo Neutrosophic có thể được điều chỉnh để phù
hợp với bài toán đang xử lí.
Bước 2. Xác định các tiêu chí chính và tiêu chí phụ và các phương án cần xem xét
Với mỗi bài toán cần xác định các tiêu chí chính 𝐶 = {𝐶1 , 𝐶2 , … , 𝐶𝑛 } và các tiêu
chí phụ (nếu có) – tiêu chí phụ là tiêu chí con của các tiêu chí chính. Đồng thời xác định
số phương án cần xem xét 𝐴 = {𝐴1 , 𝐴2 , … , 𝐴𝑚 }
37
Bước 3. Xây dựng hệ thống phân cấp thứ bậc
Mục tiêu
Tiêu chí Tiêu chí Tiêu chí Bậc 1

…
C1 C2 Cn
C1.1 … C1.x C2.1 … C2.y … … Bậc 2
Phương án A1 Phương án A2 Phương án … Phương án Am Bậc 3
Hình 2.2. Hệ thống phân cấp đầy đủ
Mục tiêu
Tiêu chí Tiêu chí Tiêu chí

… Bậc 1
C1 C2 Cn
C1.1 … C1.x Bậc 2
Phương án A1 Phương án A2 Phương án … Phương án Am Bậc 3
Hình 2.3. Hệ thống phân cấp thứ bậc không đầy đủ
Bước 4. Xây dựng các ma trận so sánh cặp đôi các tiêu chí
Sắp xếp các yếu tố ở cùng mức độ vào một ma trận so sánh và đưa ra những đánh
giá, so sánh về tầm quan trọng tương đối theo từng cặp các yếu tố đó. Tiêu chí để đưa
ra những đánh giá này dựa trên thông tin của yếu tố ở cấp độ cao hơn. Ma trận so sánh
cặp đôi được xây dựng theo nguyên tắc như sau:
38
𝑥 , 𝑖 < 𝑗, 𝑥 ∈ {1/9, … ,1/2,1, 2, … 9}
𝐷𝑢×𝑢 = (𝑑𝑖𝑗 ): 1 ≤ 𝑖, 𝑗 ≤ 𝑢, 𝑡ℎỏ𝑎: 𝑑𝑖𝑗 = {1/𝑑𝑖𝑗 , 𝑖 > 𝑗
1 ,𝑖 = 𝑗
Với X là kí hiệu cường độ quan trọng Neutrosophic đã cho ở bảng trên.
Ví dụ: Ma trận so sánh cặp đôi theo tiêu chí X gồm 3 tiêu chí.
X 𝑪𝟏 𝑪𝟐 𝑪𝟑
𝐶1 1 5 3
𝐶2 1/5 1 1/3
𝐶3 1/3 3 1
Giá trị tương ứng với SVNS là
X 𝑪𝟏 𝑪𝟐 𝑪𝟑
𝐶1 <0.50, 0.50, 0.50> <0.70, 0.30, 0.30> <0.70, 0.30, 0.30>
𝐶2 <0.30, 0.70, 0.70> <0.50, 0.50, 0.50> <0.40, 0.65, 0.60>
𝐶3 <0.40, 0.65, 0.60> <0.70, 0.30, 0.30> <0.50, 0.50, 0.50>
Giá trị của ma trận phía trên đường chéo chính là các giá trị được gán khi thực hiện
việc so sánh cặp đôi. Các giá trị còn lại đối xứng qua đường chéo chính gọi là giá trị đối
ứng.
Bước 5. Kiểm tra tính nhất quán của ma trận so sánh cặp đôi các tiêu chí
Với những ma trận so sánh cặp đôi có số tiêu chí lớn hơn 2. Ta cần thực hiện kiểm
tra tính nhất quán của nó theo dữ liệu thang đo của Saaty
Tỷ số nhất quán (consistency ratio – CR) không được vượt quá 10%
𝐶𝐼
𝐶𝑅 =
𝑅𝐼
Trong đó:
RI là chỉ số ngẫu nhiên (random index) được cho ở bảng sau
Bảng 2.10. Bảng RI cho tối đa 10 tiêu chí

N 1 2 3 4 5 6 7 8 9 10
RI 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49
𝜆𝑚𝑎𝑥 −𝑛
𝐶𝐼 (consistance index) là chỉ số nhất quán: 𝐶𝐼 =
𝑛−1
Với 𝜆𝑚𝑎𝑥 là giá trị riêng của ma trận so sánh (elgenvalue), được tính như sau:
1
(∏𝑛
𝑗=1 𝑑𝑖𝑗 )
𝑛
𝜆𝑚𝑎𝑥 = ∑𝑛𝑖=1 𝑡𝑖 ∑𝑛𝑗=1 𝑑𝑖𝑗 , trong đó 𝑡𝑖 = 1
∑𝑛 𝑛 𝑛
𝑖=1(∏𝑗=1 𝑑𝑖𝑗 )
39
Bước 6. Xác định trọng số của các tiêu chí
Với 𝐷 = (𝑑𝑖𝑗 )𝑛×𝑛 : 𝑖, 𝑗 = 1 … 𝑛 là ma trận so sánh cặp đôi giá trị SVNS
Gọi 𝑊 = (𝑤1 , 𝑤2 , … , 𝑤𝑛 ) là véc tơ trọng số của các tiêu chí trong ma trận so sánh
cặp đôi, với 𝑤𝑖 là trọng số của tiêu chí 𝑖 (𝑖 = 1 … 𝑛)
Trọng số có thể được tính theo công thức trung bình hình học hoặc trung bình
cộng.
* Trọng số của tiêu chí 𝑖 được tính theo công thức trung bình hình học (được chuẩn
hóa):
1
(∏𝑛𝑗=1 𝑑𝑖𝑗 )𝑛
𝑤𝑖 = 1
∑𝑛𝑖=1(∏𝑛𝑗=1 𝑑𝑖𝑗 )𝑛
* Trọng số của tiêu chí 𝑖 được tính theo công thức trung bình cộng (được chuẩn
hóa):
- Chuẩn hóa các thành phần trong mỗi cột
′
𝑑𝑖𝑗
𝑑𝑖𝑗 = , 𝑖, 𝑗 = 1 … 𝑛
∑𝑛𝑘=1 𝑑𝑘𝑗
- Trọng số của tiêu chí 𝑖 ứng với ma trận đã chuẩn hóa
𝑛
1 ′
𝑤𝑖 = ∑ 𝑑𝑖𝑗 , 𝑖 = 1…𝑛
𝑛
𝑗=1
Lưu ý: Các phép tính cộng, trừ, nhân, chia, mũ đều được tính theo công thức tính
của hai số SVNS (đã trình bày ở phần 1.3.2)
Bước 7. Lặp lại bước 4, 5, 6 với ma trận cặp đôi các phương án tương ứng với
từng tiêu chí.
Bước 8. Tổng hợp các trọng số của các phương án.
Gọi 𝑥 là trọng số của tiêu chí 𝐶𝑥 trong ma trận so sánh cặp đôi bậc 𝑖. Và 𝑊𝑦 là véc
tơ trọng số tiêu chí phụ của 𝐶𝑥 trong ma trận so sánh cặp đôi bậc 𝑖 + 1. Khi đó ta có
véc tơ trọng số tổng hợp ở tiêu chí này là: 𝑊𝑦′ = 𝑥 ∗ 𝑊𝑦 .
Cộng tất cả trọng số phương án ở các ma trận so sánh phương án và tiêu chí, ta có
tổng trọng số phương án ở bậc cuối cùng.
40
Bước 9. Chuyển đổi số Neutrosophic sang số rõ
Nếu 𝑁 =< 𝑇, 𝐼, 𝐹 > là một Neutrosophic giá trị đơn, ta có thể ánh xạ N thành một
số thực theo công thức sau:
𝑆(𝑁) = (3 + 𝑇 − 2𝐼 − 𝐹)/4
Bước 10. Xếp hạng các phương án
Dựa vào giá trị trọng số tổng hợp các phương án sau khi đã đổi sang số thực, ta
thực hiện việc xếp hạng các phương án.
2.2.3. Ứng dụng SVNAHP cho bài toán hỗ trợ ra quyết định đa tiêu chí
Bài toán: cho bài toán lựa chọn hệ thống quản lí học tập (LMS) (Nouran M.
Radwan và cộng sự 2016)
Trên bài toán LMS, chúng tôi thực hiện tính toán trên phương án đã đề xuất.
Bước 1. Xác định giá trị Neutrosophic giá trị đơn tương ứng với thang đo từ 1 đến
9 của Saaty: Sử dụng bảng 2.9.
Bước 2. Xác định tiêu chí chính tiêu chí phụ và các phương án
Các hệ thống LMS được xem xét trên 5 tiêu chí chính gồm: Chi phí (C1), công cụ
đánh giá (C2), khả năng tương thích (C3), hỗ trợ (C4) và tính bền vững (C5). Tiêu chí
theo dõi học sinh (C2.1) và Nhóm kì thi (C2.2) là tiêu chí phụ của C2, tiêu chí tuân thủ nền
tảng (C3.1) và công cụ phát triển nội dung (C3.2) là tiêu chí phục của C3, tiêu chí tài liệu
(C4.1) và kỹ thuật (C4.2) là tiêu chí phụ của C4.
Các phương án cần xem xét là: Mona eLMS (A1), Socrative Teacher (A2),
VnResource EBM Pro (A3), Schoology (A4), Remind (A5).
41
Bước 3. Xây dựng hệ thống phân cấp thứ bậc
Mục tiêu
C1 C2 C3 C4 C5 Bậc 1
C2.1 C2.2 C3.1 C3.2 C4.1 C4.2 Bậc 2
A1 A2 A3 A4 A5 Bậc 3
Hình 2.4. Hệ thống phân cấp thứ bậc của LMS
Bước 4. Xây dựng các ma trận so sánh cặp đôi các tiêu chí
- Ma trận so sánh cặp đôi các tiêu chí bậc 1:

Bậc 1 C1 C2 C3 C4 C5
C1 1 1/6 1/3 1/3 1
C2 6 1 3 3 3
C3 3 1/3 1 3 3
C4 3 1/3 1/3 1 1
C5 1 1/3 1/3 1 1
- Ma trận so sánh cặp đôi tiêu chí phụ của C2
C2 C2.1 C2.2
C2.1 1 6
C2.2 1/6 1
C3 C3.1 C3.2
C3.1 1 1/5
C3.2 5 1
C4 C4.1 C4.2
C4.1 1 3
C4.2 1/3 1
42
Bước 5,6. Kiểm tra tính nhất quán của ma trận so sánh cặp đôi các tiêu chí và Xác
định trọng số của các tiêu chí.
Ở đây chỉ cần kiểm tra tính nhất quán của ma trận so sánh cặp đôi các tiêu chí ở
bậc 1, do các tiêu chí phụ có số lượng tiêu chí bằng 2.
Trọng số của các tiêu chí trong ví dụ này được tính theo công thức trung bình cộng
kết quả thu được như sau:
Trọng số các tiêu chí bậc 1

Độ tương thích 𝑪𝟏 𝑪𝟐 𝑪𝟑 𝑪𝟒 𝑪𝟓
𝜆𝑚𝑎𝑥 = 5.231 <0.429, <0.639, <0.563, <0.501, <0.478,
CI=0.058 0.590, 0.330, 0.409, 0.503, 0.540,
CR=0.051 0.571> 0.361> 0.437> 0.499> 0.522>
Trọng số tiêu chí phụ của tiêu chí 𝐶2
𝑪𝟐 𝑪𝟐.𝟏 𝑪𝟐.𝟐
Trọng số <0.831,0.169,0.169> <0.493,0.507,0.507>
𝑪𝟑 𝑪𝟑.𝟏 𝑪𝟑.𝟐
Trọng số <0.599,0.436,0.401> <0.733,0.235,0.267>
𝑪𝟒 𝑪𝟒.𝟏 𝑪𝟒.𝟐
Trọng số <0.564,0.471,0.436> <0.765,0.202,0.235>
Bước 7: kiểm tra sự tương thích của ma trận cặp đôi các phương án và tính trọng
số tương ứng với các tiêu chí.
Tiêu chí 𝐶1
𝑪𝟏 𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝑨𝟓
𝐴1 1 3 5 1/3 1
𝐴2 1/3 1 3 1/4 1/3
𝐴3 1/5 1/3 1 1/7 1/4
𝐴4 3 4 7 1 3
𝐴5 1 3 4 1/3 1
Trọng số <0.569, 0.427, <0.473, 0.540, <0.368, 0.642, <0.665, 0.319, <0.556, 0.427,
0.431> 0.527> 0.632> 0.335> 0.444>
Độ tương thích 𝜆𝑚𝑎𝑥 = 5.145; CI=0.036 ; CR=0.032
43
Tiêu chí 𝐶2.1
𝑪𝟐.𝟏 𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝑨𝟓
𝐴1 1 6 1/3 4 3
𝐴2 1/6 1 1/7 1/2 1/4
𝐴3 3 7 1 6 4
𝐴4 1/4 2 1/6 1 1/3
𝐴5 1/3 4 1/4 3 1
Trọng số <0.616, 0.369, <0.371, 0.641, <0.698, 0.295, <0.433, 0.572, <0.529, 0.460,
0.384> 0.629> 0.302> 0.567> 0.471>
Tiêu chí 𝐶2.2

𝑪𝟐.𝟐 𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝑨𝟓
𝐴1 1 1/3 3 1/4 1
𝐴2 3 1 5 1/3 3
𝐴3 1/3 1/5 1 1/7 1/2
𝐴4 4 3 7 1 3
𝐴5 1 1/3 2 1/3 1
Trọng số <0.492, 0.511, <0.589, 0.396, <0.390, 0.622, <0.665, 0.319, <0.490, 0.516,
0.508> 0.411> 0.610> 0.335> 0.510>
Tiêu chí 𝐶3.1

𝑪𝟑.𝟏 𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝑨𝟓
𝐴1 1 1/5 1/4 5 3
𝐴2 5 1 2 8 6
𝐴3 4 1/2 1 7 5
𝐴4 1/5 1/8 1/7 1 1/2
𝐴5 1/3 1/6 1/5 2 1
Trọng số <0.528, 0.467, <0.718, 0.290, <0.663, 0.334, <0.343, 0.659, <0.424, 0.572,
0.472> 0.282> 0.337> 0.657> 0.576>
Độ tương thích 𝜆𝑚𝑎𝑥 = 5.214; CI= 0.053 ; CR= 0.048
Tiêu chí 𝐶3.2

𝑪𝟑.𝟐 𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝑨𝟓
𝐴1 1 3 1/3 3 1/3
𝐴2 1/3 1 1/5 2 1/5
𝐴3 3 5 1 4 1/3
𝐴4 1/3 1/2 1/4 1 1/5
𝐴5 3 5 3 5 1
Trọng số <0.524, 0.467, <0.432, 0.564, <0.600, 0.383, <0.417, 0.612, <0.648, 0.331,
0.476> 0.568> 0.400> 0.583> 0.352>
Độ tương thích 𝜆𝑚𝑎𝑥 = 5.275; CI= 0.069; CR= 0.061
44
Tiêu chí 𝐶4.1
𝑪𝟒.𝟏 𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝑨𝟓
𝐴1 1 5 1/5 4 3
𝐴2 1/5 1 1/8 1/2 1/3
𝐴3 5 8 1 7 5
𝐴4 1/4 2 1/7 1 1/2
𝐴5 1/3 3 1/5 2 1
Trọng số <0.586 ,0.390, <0.381, 0.631, <0.756, 0.259, <0.434, 0.572, <0.497, 0.487,
0.414> 0.619> 0.244> 0.566> 0.503>
Độ tương thích 𝜆𝑚𝑎𝑥 = 5.218; CI= 0.054; CR= 0.049
Tiêu chí 𝐶4.2

𝑪𝟒.𝟐 𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝑨𝟓
𝐴1 1 1/5 1/3 5 3
𝐴2 5 1 3 8 6
𝐴3 3 1/3 1 7 5
𝐴4 1/5 1/8 1/7 1 1/2
𝐴5 1/3 1/6 1/5 2 1
Trọng số <0.536, 0.460, <0.726, 0.281, <0.645, 0.352, <0.343, 0.659, <0.424, 0.572,
0.464> 0.274> 0.355> 0.657> 0.576>
Tiêu chí 𝐶5
𝑪𝟓 𝑨𝟏 𝑨𝟐 𝑨𝟑 𝑨𝟒 𝑨𝟓
𝐴1 1 4 6 1/3 1
𝐴2 1/4 1 3 1/5 1/3
𝐴3 1/6 1/3 1 1/8 1/6
𝐴4 3 5 8 1 3
𝐴5 1 3 6 1/3 1
Trọng số <0.597, 0.398, <0.455, 0.548, <0.331, 0.671, <0.696, 0.303, <0.586, 0.411,
0.403> 0.545> 0.669> 0.304> 0.414>
45
Bước 8. Tổng hợp các trọng số của các phương án
Kết quả sau khi nhân trọng số của tiêu chí phụ và tiêu chí chính.
Bảng 2.11. Tổng hợp trọng số của các phương án

Bậc Lựa chọn hệ thống LMS tốt nhất
Bậc 1 𝑪𝟏 𝑪𝟐 𝑪𝟑 𝑪𝟒 𝑪𝟓
Trọng số <0.429, <0.639, <0.563, <0.501, <0.478,
Trọng
0.590, 0.330, 0.409, 0.503, 0.540,
số ưu
0.571> 0.361> 0.437> 0.499> 0.522>
tiên tổng
Bậc 2 C2.1 C2.2 C3.1 C3.2 C4.1 C4.2 hợp
Trọng số <0.531, <0.315, <0.338, <0.413, <0.283, <0.384,
0.443, 0.670, 0.666, 0.548, 0.737, 0.603,
0.469> 0.685> 0.662> 0.587> 0.717> 0.616>
<0.244, <0.327, <0.155, <0.178, <0.216, <0.166, <0.206, <0.285, <0.869,
𝑨𝟏 0.765, 0.649, 0.839, 0.822, 0.759, 0.839, 0.785, 0.723, 0.124,
0.756> 0.673> 0.845> 0.822> 0.784> 0.834> 0.794> 0.715> 0.131>
<0.203, <0.197, <0.185, <0.242, <0.178, <0.108, <0.279, <0.217, <0.836,
𝑨𝟐 0.811, 0.800, 0.801, 0.763, 0.803, 0.903, 0.715, 0.792, 0.163,
0.797> 0.803> 0.815> 0.758> 0.822> 0.892> 0.721> 0.783> 0.164>
<0.158, <0.371, <0.123, <0.224, <0.248, <0.214, <0.248, <0.158, <0.865,
Bậc
𝑨𝟑 0.853, 0.608, 0.875, 0.778, 0.721, 0.805, 0.743, 0.849, 0.129,
3
0.842> 0.629> 0.877> 0.776> 0.752> 0.786> 0.752> 0.842> 0.135>
<0.286, <0.230, <0.209, <0.116, <0.172, <0.123, <0.131, <0.332, <0.838,
𝑨𝟒 0.721, 0.762, 0.775, 0.886, 0.825, 0.887, 0.865, 0.680, 0.162,
0.714> 0.770> 0.791> 0.884> 0.828> 0.877> 0.869> 0.668> 0.162>
<0.238, <0.281, <0.154, <0.143, <0.267, <0.140, <0.163, <0.280, <0.849,
𝑨𝟓 0.765, 0.699, 0.840, 0.857, 0.697, 0.865, 0.830, 0.729, 0.141,
0.762> 0.719> 0.846> 0.857> 0.733> 0.860> 0.837> 0.720> 0.151>
Bước 9,10. Chuyển đổi số Neutrosophic sang số rõ và xếp hạng các phương án
Bảng 2.12. Xếp hạng thứ tự các phương án

Phương án Neutrosophic Set Deneutrosophied Number Xếp hạng
𝑨𝟏 <0.869, 0.124, 0.131> 0.872532 1
𝑨𝟐 <0.836, 0.163, 0.164> 0.836836 5
𝑨𝟑 <0.865, 0.129, 0.135> 0.867813 2
𝑨𝟒 <0.838, 0.162, 0.162> 0.837847 4
𝑨𝟓 <0.849, 0.141, 0.151> 0.854299 3
46
CHƯƠNG 3. PHÁT TRIỂN KỸ THUẬT TOPSIS TRÊN NEUTROSOPHIC
GIÁ TRỊ KHOẢNG VÀ ỨNG DỤNG
Dựa trên việc giải quyết bài toán hỗ trợ ra quyết định đa tiêu chí bằng TOPSIS trên
Neutrosophic giá trị đơn đã được trình bày ở mục 2.1 và lý thuyết của Neutrosophic ở
chương 1 chúng tôi đề xuất phương pháp phát triển kỹ thuật TOPSIS trên Neutrosophic
giá trị khoảng và ứng dụng vào bài toán thực tế.
3.1. Phát triển Neutrosophic TOPSIS trên giá trị khoảng
Ma trận thể hiện đánh giá của chuyên gia thứ 𝑘 có dạng:
𝐴1 〈𝑇̃11𝑘 ̃𝑘 ̃ 𝑘 〉
, 𝐼11 , 𝐹11 〈𝑇̃12
𝑘 ̃𝑘 ̃ 𝑘 〉
, 𝐼12 , 𝐹12 … 〈𝑇̃1𝑛
𝑘 ̃𝑘 ̃ 𝑘 〉
, 𝐼1𝑛 , 𝐹1𝑛
̃ 𝑘 = 𝐴2 〈𝑇̃21 , 𝐼̃21 , 𝐹̃21 〉 〈𝑇̃22 , 𝐼̃22
𝑘 𝑘 𝑘 𝑘 𝑘 ̃𝑘 〉 〈𝑇̃2𝑛 , 𝐼̃2𝑛
𝑘 𝑘 ̃𝑘 〉
𝐷𝑀 , 𝐹22 ) … , 𝐹2𝑛
⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 [〈𝑇̃𝑚1 , 𝐼̃𝑚1 , 𝐹̃𝑚1
𝑘 𝑘 𝑘 〉 〈𝑇̃𝑚2
𝑘 ̃𝑘
, 𝐼𝑚2 , 𝐹̃𝑚2
𝑘 〉
… 〈𝑇̃𝑚𝑛
𝑘 ̃𝑘
, 𝐼𝑚𝑛 , 𝐹̃𝑚𝑛
𝑘 〉
]
Với 𝑇̃𝑖𝑗𝑘 = [𝑇𝑖𝑗𝑘𝐿 , 𝑇𝑖𝑗𝑘𝑈 ], 𝐼̃𝑖𝑗𝑘 = [𝐼𝑖𝑗𝑘𝐿 , 𝐼𝑖𝑗𝑘𝑈 ], 𝐹̃𝑖𝑗𝑘 = [𝐹𝑖𝑗𝑘𝐿 , 𝐹𝑖𝑗𝑘𝑈 ] ⊂ [0,1], thỏa điều kiện
0 ≤ sup 𝑇̃𝑖𝑗𝑘 + sup 𝐼̃𝑖𝑗𝑘 + sup 𝐹̃𝑖𝑗𝑘 ≤ 3.
Gọi 𝜆 = (𝜆1 , 𝜆2 , … , 𝜆𝑝 ) là véc tơ trọng số chuyên gia sau khi đã chuẩn hóa giá trị
về khoảng [0,1]. Công thức tính trọng số chuẩn hóa của chuyên gia thứ k như sau:
 
1  T   1  T    I    I    F    F   / 6
1 k
L 2
k
U 2 L 2
k
U
k
2
k
L 2
k
U 2
(3.1.1)
1  1  T   1  T    I    I    F    F   / 6
k p
L 2 U 2 L 2 U 2 L 2 U 2
k k k k k k
k 1
𝑝
Trong đó ∑𝑘=1 𝜆𝑘 = 1
Tổng hợp p ma trận quyết định của p chuyên gia ta có ma trận tổng hợp là ma trận
̃ , xác định theo công thức:
𝐷
𝐷 ̃ 𝑘 = (𝑑̃𝑖𝑗 )
̃ = ∑𝑝𝑘=1 𝜆𝑘 𝐷𝑀 = 〈𝑇̃𝑖𝑗 , 𝐼̃𝑖𝑗 , 𝐹̃𝑖𝑗 〉𝑚×𝑛
𝑚×𝑛
47
Trong đó:
𝐴1 〈𝑇̃11 , 𝐼̃11 , 𝐹̃11 〉 〈𝑇̃12 , 𝐼̃12 , 𝐹̃12 〉 … 〈𝑇̃1𝑛 , 𝐼̃1𝑛 , 𝐹̃1𝑛 〉

𝐴 〈̃ ̃ ̃ 〉 〈𝑇̃22 , 𝐼̃22 , 𝐹̃22 〉 〈𝑇̃2𝑛 , 𝐼̃2𝑛 , 𝐹̃2𝑛 〉
(𝑑̃𝑖𝑗 ) = 2 𝑇21 , 𝐼21 , 𝐹21 …
𝑚×𝑛 ⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 [〈𝑇̃𝑚1 , 𝐼̃𝑚1 , 𝐹̃𝑚1 〉 〈𝑇̃𝑚2 , 𝐼̃𝑚2 , 𝐹̃𝑚2 〉 … 〈𝑇̃𝑚𝑛 , 𝐼̃𝑚𝑛 , 𝐹̃𝑚𝑛 〉]
Phần tử 𝑑̃𝑖𝑗 = 〈𝑇̃𝑖𝑗 , 𝐼̃𝑖𝑗 , 𝐹̃𝑖𝑗 〉 được tính theo công thức
𝑝 𝑝
𝜆𝑘 𝜆𝑘
[1 − ∏(1 − 𝑇𝑖𝑗𝑘𝐿 ) , 1 − ∏(1 − 𝑇𝑖𝑗𝑘𝑈 ) ] ,
𝑑̃𝑖𝑗 = 〈 𝑝
𝑘=1
𝑝 𝑝
𝑘=1
𝑝 〉
𝜆𝑘 𝜆𝑘 (3.1.2)
[∏(𝐼𝑖𝑗𝑘𝐿 ) , ∏(𝐼𝑖𝑗𝑘𝑈 ) ] , [∏(𝐹𝑖𝑗𝑘𝐿 )𝜆𝑘 , ∏(𝐹𝑖𝑗𝑘𝑈 )𝜆𝑘 ]
𝑘=1 𝑘=1 𝑘=1 𝑘=1
Với 𝑗 = 1 … 𝑛; 𝑖 = 1 … 𝑚
Gọi véc tơ trọng số tổng hợp thuộc tính là 𝑊, khi đó:

𝑝
̃ = ∑ 𝜆𝑘 𝑊
𝑊 ̃𝐶𝑘 = (𝑤
̃𝑗 )𝑛 = 〈𝑇̃𝑗 , 𝐼̃𝑗 , 𝐹̃𝑗 〉𝑛
𝑘=1
Trong đó:
𝑝 𝑝
𝜆𝑘 𝜆𝑘
[1 − ∏(1 − 𝑇𝑗𝑘𝐿 ) , 1 − ∏(1 − 𝑇𝑗𝑘𝑈 ) ] ,
𝑘=1 𝑘=1
̃𝑗 = 〈
𝑤 𝑝 𝑝 𝑝 𝑝 〉
𝜆𝑘 𝜆𝑘 (3.1.3)
[∏(𝐼𝑗𝑘𝐿 ) , ∏(𝐼𝑗𝑘𝑈 ) ] , [∏(𝐹𝑗𝑘𝐿 )𝜆𝑘 , ∏(𝐹𝑗𝑘𝑈 )𝜆𝑘 ]
𝑘=1 𝑘=1 𝑘=1 𝑘=1
Với 𝑗 = 1 … 𝑛
̃⊗𝑊
𝐷 ̃ 𝑤 = (𝑑̃ 𝑤𝑗 )
̃ =𝐷 𝑤𝑗 𝑤𝑗 𝑤𝑗
= 〈𝑇̃𝑖𝑗 , 𝐼̃𝑖𝑗 , 𝐹̃𝑖𝑗 〉𝑚×𝑛
𝑖𝑗 𝑚×𝑛
48
Trong đó
𝑤1 𝑤1 𝑤1 𝑤2 ̃𝑤2 ̃ 𝑤2 𝑤𝑛 ̃𝑤𝑛 ̃ 𝑤𝑛
𝐴1 〈𝑇̃11 , 𝐼̃11 , 𝐹̃11 〉 〈𝑇̃12 , 𝐼12 , 𝐹12 〉 … 〈𝑇̃1𝑛 , 𝐼1𝑛 , 𝐹1𝑛 〉
𝑤1 ̃𝑤1 ̃ 𝑤1 𝑤 𝑤2 ̃ 𝑤2 𝑤 𝑤𝑛 ̃ 𝑤𝑛
𝑤𝑗 𝐴2 〈𝑇̃21 , 𝐼21 , 𝐹21 〉 〈𝑇̃222 , 𝐼̃22 , 𝐹22 〉 … 〈𝑇̃2𝑛𝑛 , 𝐼̃2𝑛 , 𝐹2𝑛 〉
(𝑑̃𝑖𝑗 ) =
𝑚×𝑛 ⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 [〈𝑇̃ 𝑤1 , 𝐼̃𝑤1 , 𝐹̃ 𝑤1 〉 ̃ 𝑤2 ̃𝑤2 ̃ 𝑤2 ̃ 𝑤𝑛 ̃𝑤𝑛 ̃ 𝑤𝑛
𝑚1 𝑚1 𝑚1 〈𝑇𝑚2 , 𝐼𝑚2 , 𝐹𝑚2 〉 … 〈𝑇𝑚𝑛 , 𝐼𝑚𝑛 , 𝐹𝑚𝑛 〉]
𝑤𝑗
Phần từ 𝑑̃𝑖𝑗 được xác định:
𝑤𝑗 [𝑇𝑖𝑗𝐿 𝑇𝑗𝐿 , 𝑇𝑖𝑗𝑈 𝑇𝑗𝑈 ], [𝐼𝑖𝑗𝐿 + 𝐼𝑗𝐿 − 𝐼𝑖𝑗𝐿 𝐼𝑗𝐿 , 𝐼𝑖𝑗𝑈 + 𝐼𝑗𝑈 − 𝐼𝑖𝑗𝑈 𝐼𝑗𝑈 ],
𝑑̃𝑖𝑗 = 〈 〉 (3.1.4)
[𝐹𝑖𝑗𝐿 + 𝐹𝑗𝐿 − 𝐹𝑖𝑗𝐿 𝐹𝑗𝐿 , 𝐼𝑖𝑗𝑈 + 𝐼𝑗𝑈 − 𝐼𝑖𝑗𝑈 𝐼𝑗𝑈 ]
Gọi 𝐽1 là thuộc tính lợi ích và 𝐽2 là thuộc tính chi phí. Khi đó giải pháp lí tưởng
dương trên Neutrosophic giá trị khoảng (IVNPIS) 𝑄+ thu được như sau:
𝑄̃ + = [𝑑̃1𝑤+ , 𝑑̃2𝑤+ , … , 𝑑̃𝑛𝑤+ ], trong đó: 𝑑̃𝑗𝑤+ = 〈𝑇̃𝑗𝑤+ , 𝐼̃𝑗𝑤+ , 𝐹̃𝑗𝑤+ 〉 với 𝑗 = 1 … 𝑛
𝑤𝑗 𝑤𝑗
[max{(𝑇𝑖𝑗𝐿 ) }, max{(𝑇𝑖𝑗𝑈 ) }] ,
𝑖 𝑖
𝐿 𝑤𝑗 𝑤𝑗
[min{(𝐼𝑖𝑗 ) }, min{(𝐼𝑖𝑗𝑈 ) } ] ,
⟨ 𝑖 𝑖 ⟩ , 𝑗 ∈ 𝐽1
[min{(𝐹𝑖𝑗 ) } , min{(𝐹𝑖𝑗𝑈 ) }]
〈𝑇̃𝑗𝑤+ , 𝐼̃𝑗𝑤+ , 𝐹̃𝑗𝑤+ 〉 = 𝑖
𝑤𝑗
𝑖
𝑤𝑗 (3.1.5)
[min{(𝑇𝑖𝑗𝐿 ) }, min{(𝑇𝑖𝑗𝑈 ) }] ,
𝑖 𝑖
[max{(𝐼𝑖𝑗 ) }, max{(𝐼𝑖𝑗𝑈 ) } ] ,
⟨ 𝑖 𝑖 ⟩,𝑗 ∈ 𝐽2
𝑤𝑗 𝑤𝑗
[ [max{(𝐹𝑖𝑗𝐿 ) } , max{(𝐹𝑖𝑗𝑈 ) }]
𝑖 𝑖
̃−
Tương tự, giải pháp lý tưởng âm trên Neutrosophic giá trị khoảng (IVNNIS) 𝑄
là 𝑄̃ − = [𝑑̃1𝑤− , 𝑑̃2𝑤− , … , 𝑑̃𝑛𝑤− ], trong đó: 𝑑̃𝑗𝑤− = 〈𝑇̃𝑗𝑤− , 𝐼̃𝑗𝑤− , 𝐹̃𝑗𝑤− 〉 với 𝑗 = 1 … 𝑛
49
𝑤𝑗 𝑤𝑗
[min{(𝑇𝑖𝑗𝐿 ) }, min{(𝑇𝑖𝑗𝑈 ) }] ,
𝑖 𝑖
[max{(𝐼𝑖𝑗 ) }, max{(𝐼𝑖𝑗𝑈 ) } ] ,
⟨ 𝑖 𝑖 ⟩,𝑗 ∈ 𝐽1
𝐿 𝑤𝑗 𝑈 𝑤𝑗
[max{(𝐹𝑖𝑗 ) } , max{(𝐹𝑖𝑗 ) }]
〈𝑇̃𝑗𝑤− , 𝐼̃𝑗𝑤− , 𝐹̃𝑗𝑤− 〉 = 𝑖
𝑤
𝑖
𝑤𝑗
(3.1.6)
𝑗
[max{(𝑇𝑖𝑗𝐿 ) }, max{(𝑇𝑖𝑗𝑈 ) }] ,
𝑖 𝑖
[min{(𝐼𝑖𝑗 ) }, min{(𝐼𝑖𝑗𝑈 ) } ] ,
⟨ 𝑖 𝑖 ⟩,𝑗 ∈ 𝐽2
𝐿 𝑤𝑗 𝑈 𝑤𝑗
[ [min𝑖
{(𝐹𝑖𝑗 ) } , min{(𝐹𝑖𝑗 ) }]
𝑖
Bước 6: Tính khoảng cách từ các phương án đến các giải pháp lý tưởng
Khoảng cách Euclide chuẩn hóa giữa phương án 𝐴𝑖 và 𝑄+ , 𝐴𝑖 và 𝑄− như sau:
 Lw j
    
2 2
  
Lw+ Uw j Uw+
 ijT T j Tij T j 
 
1 n 
    
2 2
6n 
𝑤𝑗
𝐷 𝑖+ (𝑑̃𝑖𝑗 , 𝑑̃𝑖𝑗    
𝑤+ Lw j Lw+ Uw j Uw+
)=  I ij I j I ij I j  (3.1.7)
j 1  
  
 F Lw j  F Lw+ 2  F Uw j  F Uw+
 
2
 ij j ij j 
 Lw j
    
2 2
  
Lw- Uw j Uw-
T
 ij T j Tij T j 
n  
1 
    
2 2

𝑤𝑗
𝐷 𝑖− (𝑑̃𝑖𝑗 , 𝑑̃𝑖𝑗  I ij  I j  I ij j  I Uw-
𝑤− Lw j Lw- Uw
)= j  (3.1.8)
6n j 1  
  
 F Lw j  F Lw- 2  F Uw j  F Uw-
 
2
 ij j ij j 
Với 𝑖 = 1 … 𝑚; 𝑗 = 1 … 𝑛
Bước 7: Tính tỉ số liên quan cho các phương án đến các giải pháp lý tưởng
Tỉ số liên quan của phương án 𝐴𝑖 đến các giải pháp lý tưởng:

𝑤
𝐷 𝑖− (𝑑̃𝑖𝑗𝑗 , 𝑑̃𝑖𝑗
𝑤−
)
𝐶𝑖∗ = 𝑤 𝑤
(3.1.9)
𝐷 𝑖+ (𝑑̃𝑖𝑗𝑗 , 𝑑̃𝑖𝑗
𝑤+
) + 𝐷 𝑖− (𝑑̃𝑖𝑗𝑗 , 𝑑̃𝑖𝑗
𝑤−
)
Với 𝑖 = 1 … 𝑚; 𝑗 = 1 … 𝑛 và 𝐶𝑖∗ ∈ [0,1]
Bước 8: Xếp hạng mức độ ưu tiên của các phương án
Sắp xếp các 𝐶𝑖∗ theo thứ tự giảm dần để tìm được mức độ ưu tiên của các phương
án.
50
3.2. Ứng dụng Neutrosophic TOPSIS giá trị khoảng
Kết quả của bài toán trình bày dưới đây đã được trình bày tại Hội thảo Công nghệ
Thông tin và Truyền Thông (ICT) được tổ chức tại Đà Lạt ngày 06 tháng 8 năm 2021.
Xét lại bài toán đã nêu trong mục 2.1.1. Dữ liệu xây dựng trên tập Neutrosophic
giá trị khoảng. Giá trị đánh giá các thuộc tính và trọng số của thuộc tính cũng như trọng
số của chuyên gia được biểu thị bằng thuật ngữ ngôn ngữ học. Các thuật ngữ và giá trị
của chúng trong IVNS được cho trong bảng 3.1 và bảng 3.2:
Bảng 3.1. Thuật ngữ ngôn ngữ học và IVNS tương ứng cho thuộc tính
Thuật ngữ IVNS
Cực kì tốt (EG) <[0.95, 1.00], [0.00, 0.05], [0.00, 0.05]>
Rất tốt (VG) <[0.85, 0.90], [0.05, 0.10], [0.05, 0.10]>
Tốt (G) <[0.75, 0.80], [0.15, 0.20], [0.10, 0.15]>
Khá tốt (MG) <[0.60, 0.70], [0.30, 0.35], [0.25, 0.30]>
Khá (M) <[0.50, 0.55], [0.45, 0.50], [0.40, 0.45]>
Hơi tệ (MB) <[0.35, 0.45], [0.60, 0.65], [0.60, 0.65]>
Tệ (B) <[0.25, 0.30], [0.70, 0.75], [0.75, 0.80]>
Rất tệ (VB) <[0.15, 0.20], [0.80, 0.85], [0.85, 0.90]>
Cực kì tệ (VVB) <[0.00, 0.10], [0.90, 0.95], [0.95, 1.00]>
Bảng 3.2. Thuật ngữ ngôn ngữ học và IVNS tương ứng cho trọng số
Thuật ngữ IVNS
Rất quan trọng (VI) <[0.85, 0.90], [0.05, 0.10], [0.05, 0.10]>
Quan trọng (I) <[0.75, 0.80], [0.15, 0.20], [0.10, 0.15]>
Khá quan trọng (M) <[0.50, 0.65], [0.45, 0.55], [0.45, 0.50]>
Ít quan trong (UI) <[0.35, 0.40], [0.60, 0.65], [0.70, 0.75]>
Rất ít quan trọng (VUI) <[0.10, 0.15], [0.80, 0.85], [0.85, 0.90]>
hiện bới 4 chuyên gia và đánh giá trọng số thuộc tính được thể hiện giống với bảng (2.3),
(2.4) và (2.5).
Tiếp theo, thực hiện các bước theo thứ tự đã được trình bày ở trên
1 − √(0.152 + 0.12 + 0.052 + 0.12 + 0.052 + 0.12 )/6

𝜆1 = = 0.294
4 − √0.058/6 − √0.198/6 − √1.330/6 − √0.198/6
Tương tự, ta có: 𝜆 = {0.294, 0.267, 0.172, 0.267}
51
Áp dụng công thức (3.1..2):

T11L  1  1  0.85
0.294
 1  0.85
0.267
 1  0.75
0.172
 1  0.75
0.267
  0.812

T11U  1  1  0.9 
0.294
 1  0.9 
0.267
 1  0.8
0.172
 1  0.8 
0.267
  0.864
I11L  0.050.294  0.050.267  0.150.172  0.150.267  0.081
I11U  0.10.294  0.10.267  0.20.172  0.20.267  0.136
F11L  0.050.294  0.050.267  0.10.172  0.10.267  0.068
F11U  0.10.294  0.10.267  0.150.172  0.150.267  0.119
Tương tự, ta có kết quả cho ở bảng dưới đây
A C1 C2
A1 <[0.812,0.864], [0.081,0.136], [0.068,0.119]> <[0.800,0.852], [0.093,0.148], [0.074,0.126]>
A2 <[0.631,0.685], [0.278,0.334], [0.218,0.278]> <[0.681,0.744], [0.218,0.272], [0.162,0.218]>
A3 <[0.828,0.880], [0.067,0.120], [0.060,0.111]> <[0.836,0.887], [0.060,0.113], [0.056,0.107]>
A4 <[0.631,0.685], [0.278,0.334], [0.218,0.278]> <[0.689,0.749], [0.195,0.266], [0.171,0.239]>
C3 C4
A1 <[0.750,0.800], [0.150,0.200], [0.100,0.150]> <[0.750,0.800], [0.150,0.200], [0.100,0.150]>
A2 <[0.631,0.685], [0.278,0.334], [0.218,0.278]> <[0.750,0.800], [0.150,0.200], [0.100,0.150]>
A3 <[0.782,0.834], [0.112,0.166], [0.083,0.135]> <[0.729,0.786], [0.169,0.220], [0.117,0.169]>
A4 <[0.699,0.752], [0.201,0.255], [0.145,0.201]> <[0.750,0.800], [0.150,0.200], [0.100,0.150]>
C5 C6
A1 <[0.771,0.823], [0.124,0.177], [0.089,0.140]> <[0.812,0.864], [0.081,0.136], [0.068,0.119]>
A2 <[0.616,0.682], [0.292,0.347], [0.235,0.292]> <[0.584,0.638], [0.336,0.392], [0.276,0.336]>
A3 <[0.756,0.818], [0.131,0.189], [0.104,0.160]> <[0.796,0.855], [0.091,0.149], [0.079,0.135]>
A4 <[0.708,0.767], [0.176,0.244], [0.150,0.216]> <[0.755,0.813], [0.128,0.193], [0.111,0.173]>
Áp dụng công thức (3.1.3):

T1L  1  1  0.85
0.294
 1  0.75
0.267
 1  0.5
0.172
 1  0.5
0.267
  0.708

T1U  1  1  0.9 
0.294
 1  0.8
0.267
 1  0.5
0.172
 1  0.5
0.267
  0.791
I1L  0.050.294  0.150.267  0.450.172  0.450.267  0.176
I1U  0.10.294  0.20.267  0.550.172  0.550.267  0.254
52
F1L  0.050.294  0.10.267  0.450.172  0.450.267  0.158
F1U  0.10.294  0.150.267  0.50.172  0.50.267  0.226
Tương tự:
W={<[0.708,0.791], [0.176,0.254], [0.158,0.226]> <[0.836,0.887], [0.060,0.113],

[0.056,0.107]> <[0.661,0.744], [0.243,0.312], [0.194,0.255]> <[0.655,0.740],
[0.250,0.321], [0.202,0.263]> <[0.738,0.807], [0.150,0.218], [0.124,0.186]>
<[0.661,0.744], [0.243,0.312], [0.194,0.255]> }
Áp dụng công thức (3.1.4) ta thu được:

𝐿𝑤1
𝑇11 = 0.812 × 0.708 = 0.575
𝑈𝑤1
𝑇11 = 0.864 × 0.791 = 0.684
𝐿𝑤
𝐼11 1 = 0.081 + 0.176 − 0.081 × 0.176 = 0.243
𝑈𝑤1
𝐼11 = 0.136 + 0.254 − 0.136 × 0.254 = 0.355
𝐿𝑤1
𝐹11 = 0.068 + 0.158 − 0.068 × 0.158 = 0.215
𝑈𝑤1
𝐹11 = 0.119 + 0.226 − 0.119 × 0.226 = 0.318
Tương tự:
A C1 C2
A1 <[0.575,0.684], [0.243,0.355], [0.215,0.318]> <[0.669,0.756], [0.147,0.244], [0.126,0.219]>
A2 <[0.447,0.542], [0.405,0.504], [0.341,0.441]> <[0.569,0.660], [0.265,0.354], [0.209,0.302]>
A3 <[0.587,0.696], [0.231,0.344], [0.209,0.312]> <[0.699,0.787], [0.117,0.213], [0.110,0.203]>
A4 <[0.447,0.542], [0.405,0.504], [0.341,0.441]> <[0.576,0.664], [0.244,0.349], [0.218,0.321]>
C3 C4
A1 <[0.496,0.595], [0.357,0.450], [0.274,0.366]> <[0.491,0.592], [0.363,0.456], [0.282,0.374]>
A2 <[0.417,0.510], [0.453,0.542], [0.369,0.462]> <[0.491,0.592], [0.363,0.456], [0.282,0.374]>
A3 <[0.517,0.621], [0.328,0.426], [0.261,0.355]> <[0.477,0.582], [0.377,0.470], [0.295,0.388]>
A4 <[0.462,0.559], [0.395,0.488], [0.310,0.404]> <[0.491,0.592], [0.363,0.456], [0.282,0.374]>
C5 C6
A1 <[0.569,0.664], [0.255,0.357], [0.202,0.300]> <[0.537,0.643], [0.304,0.405], [0.248,0.344]>
A2 <[0.454,0.550], [0.399,0.489], [0.330,0.424]> <[0.386,0.475], [0.497,0.581], [0.416,0.505]>
A3 <[0.558,0.660], [0.261,0.366], [0.215,0.316]> <[0.526,0.636], [0.312,0.415], [0.258,0.355]>
A4 <[0.522,0.619], [0.300,0.409], [0.255,0.361]> <[0.499,0.605], [0.340,0.445], [0.283,0.384]>
53
Áp dụng công thức (3.1.5) và (3.1.6) ta được:

C1 C2
+
Q <[0.587,0.696], [0.231,0.344], [0.209,0.312]> <[0.699,0.787], [0.117,0.213], [0.110,0.203]>
Q- <[0.447,0.542], [0.405,0.504], [0.341,0.441]> <[0.569,0.660], [0.265,0.354], [0.218,0.321]>
C3 C4
Q+ <[0.517,0.621], [0.328,0.426], [0.261,0.355]> <[0.491,0.592], [0.363,0.456], [0.282,0.374]>
Q- <[0.417,0.510], [0.453,0.542], [0.369,0.462]> <[0.477,0.582], [0.377,0.470], [0.295,0.388]>
C5 C6
Q+ <[0.569,0.664], [0.255,0.357], [0.202,0.300]> <[0.537,0.643], [0.304,0.405], [0.248,0.344]>
Q- <[0.454,0.550], [0.399,0.489], [0.330,0.424]> <[0.386,0.475], [0.497,0.581], [0.416,0.505]>
Áp dụng công thức (3.1.7), (3..1.8) và (3.1.9) thu được kết quả sau:
A D+ D- C* Rank
A1 0.015 0.118 0.890 2
A2 0.126 0.006 0.049 4
A3 0.008 0.123 0.939 1
A4 0.086 0.067 0.436 3
3.3. Phát triển Neutrosophic TOPSIS trên Neutrosophic thô giá trị khoảng
𝐴1 (𝑑𝑚11 , 𝑑𝑚11 ) (𝑑𝑚12 , 𝑑𝑚12 ) … (𝑑𝑚1𝑛 , 𝑑𝑚1𝑛 )

𝐴
𝐷𝑀𝑘 = 2 (𝑑𝑚21 , 𝑑𝑚21 ) (𝑑𝑚22 , 𝑑𝑚22 ) … (𝑑𝑚2𝑛 , 𝑑𝑚2𝑛 )
⋮ ⋮ ⋮ ⋮ ⋮
𝐴𝑚 (𝑑𝑚 , 𝑑𝑚 ) (𝑑𝑚𝑚2 , 𝑑𝑚𝑚2 ) … (𝑑𝑚𝑚𝑛 , 𝑑𝑚𝑚𝑛 )]
[ 𝑚1 𝑛1
〈[𝑇𝑖𝑗𝐿 , 𝑇𝑖𝑗𝑈 ], [𝐼𝑖𝑗𝐿 , 𝐼𝑖𝑗𝑈 ], [𝐹𝑖𝑗𝐿 , 𝐹𝑖𝑗𝑈 ]〉,

Với (𝑑𝑚11 , 𝑑𝑚11 ) = ( 𝐿 𝑈 𝐿 𝑈 𝐿 𝑈 )
〈[𝑇𝑖𝑗 , 𝑇𝑖𝑗 ] , [𝐼𝑖𝑗 , 𝐼𝑖𝑗 ] , [𝐹𝑖𝑗 , 𝐹𝑖𝑗 ]〉
Trong đó [𝑇𝑖𝑗𝐿 , 𝑇𝑖𝑗𝑈 ], [𝐼𝑖𝑗𝐿 , 𝐼𝑖𝑗𝑈 ], [𝐹𝑖𝑗𝐿 , 𝐹𝑖𝑗𝑈 ], [𝑇𝑖𝑗 , 𝑇𝑖𝑗 ] , [𝐼𝑖𝑗 , 𝐼𝑖𝑗 ] , [𝐹𝑖𝑗 , 𝐹𝑖𝑗 ] ⊂ [0,1]
Và 0 ≤ 𝑇𝑖𝑗𝐿 + 𝐼𝑖𝑗𝐿 + 𝐹𝑖𝑗𝐿 ≤ 𝑇𝑖𝑗𝑈 +𝐼𝑖𝑗𝑈 +𝐹𝑖𝑗𝑈 ≤ 3
𝐿 𝐿 𝐿 𝑈 𝑈 𝑈
0 ≤ 𝑇𝑖𝑗 + 𝐼𝑖𝑗 + 𝐹𝑖𝑗 ≤ 𝑇𝑖𝑗 + 𝐼𝑖𝑗 + 𝐹𝑖𝑗 ≤ 3
Tương tự Neutrosophic TOPSIS thô giá trị đơn, tôi đề xuất Neutrosophic TOPSIS
giá trị khoảng. Thuật toán được thực hiện như sau:
54
Đầu tiên sử dụng công thức AGO chuyển tất cả các giá trị trong ma trận đánh giá
của chuyên gia, véc tơ trọng số chuyên gia, trọng số thuộc tính thành IVNS
𝑑𝑚𝑖𝑗 = √〈𝑑𝑚𝑚1 . 𝑑𝑚𝑛1 〉 = 〈[𝑇𝑖𝑗𝐿 , 𝑇𝑖𝑗𝑈 ], [ 𝐼𝑖𝑗𝐿 , 𝐼𝑖𝑗𝑈 ], [𝐹𝑖𝑗𝐿 , 𝐹𝑖𝑗𝑈 ]〉
𝐿 𝑈
Với 𝑇𝑖𝑗𝐿 = √𝑇𝑖𝑗𝐿 . 𝑇𝑖𝑗 ; 𝑇𝑖𝑗𝑈 = √𝑇𝑖𝑗𝑈 . 𝑇𝑖𝑗
𝐿 𝑈 𝐿 𝑈
𝐼𝑖𝑗𝐿 = √𝐼𝑖𝑗𝐿 . 𝐼𝑖𝑗 ; 𝐼𝑖𝑗𝑈 = √𝐼𝑖𝑗𝑈 . 𝐼𝑖𝑗 ; 𝐹𝑖𝑗𝐿 = √𝐹𝑖𝑗𝐿 . 𝐹𝑖𝑗 ; 𝐹𝑖𝑗𝑈 = √𝐹𝑖𝑗𝑈 . 𝐹𝑖𝑗
Sau đó thực hiện các bước đã trình bày trong thuật toán Neutrosophic TOPSIS giá
trị khoảng.
3.4. Ứng dụng Neutrosophic TOPSIS thô giá trị khoảng
Xét lại bài toán đã nêu trong ví dụ áp dụng mục 2.1.2
Dữ liệu xây dựng trên tập Neutrosophic thô giá trị khoảng. Giá trị đánh giá các
thuộc tính và trọng số của thuộc tính cũng như trọng số của chuyên gia được biểu thị
bằng thuật ngữ ngôn ngữ học. Các thuật ngữ và giá trị của chúng trong IVRNS được
cho trong bảng và giá trị Neutrosophic tương ứng sau khi thực hiện chuyển đổi như sau
Bảng 3.3. Thuật ngữ ngôn ngữ học và SVRNS tương ứng cho thuộc tính
Thuật ngữ IVRNS IVNS tương ứng

〈[0.90,1.00], [0.00,0.05], [0.00,0.05]〉, [0.949,1.000], [0.000,0.000],
Cực kì tốt (EG) ( ) 〈 〉
〈[1.00, 1.00]. [0.00,0.00], [0.00,0.00]〉 [0.000,0.000]
〈[0.80,0.85], [0.10,0.15], [0.10,0.15]〉, [0.849,0.899], [0.000,0.087],
Rất tốt (VG) ( ) 〈 〉
〈[0.90,0.95], [0.00,0.05], [0.00,0.05]〉 [0.000,0.087]
〈[0.70,0.75], [0.20,0.25], [0.15,0.20]〉, [0.748,0.798], [0.141,0.194],
Tốt (G) ( ) 〈 〉
〈[0.80,0.85], [0.10,0.15], [0.10,0.15]〉 [0.122,0.173]
〈[0.55,0.60], [0.35,0.40], [0.30,0.35]〉, [0.598,0.648], [0.296,0.346],
Khá tốt (MG) ( ) 〈 〉
〈[0.65,0.70], [0.25,0.30], [0.20,0.25]〉 [0.245,0.296]
〈[0.45,0.05], [0.50,0.55], [0.45,0.50]〉, [0.497,0.055], [0.447,0.497],
Khá (M) ( ) 〈 〉
〈[0.55,0.06], [0.40,0.45], [0.35,0.40]〉 [0.397,0.447]
〈[0.30,0.40], [0.65,0.70], [0.65,0.70]〉, [0.346,0.447], [0.598,0.648],
Hơi tệ (MB) ( ) 〈 〉
〈[0.40,0.50], [0.55,0.60], [0.55,0.60]〉 [0.598,0.648]
〈[0.20,0.25], [0.75,0.80], [0.80,0.85]〉, [0.245,0.296], [0.698,0.748],
Tệ (B) ( ) 〈 〉
〈[0.30,0.35], [0.65,0.70], [0.70,0.75]〉 [0.748,0.798]
〈[0.10,0.15], [0.85,0.90], [0.90,0.95]〉, [0.141,0.194], [0.798,0.849],
Rất tệ (VB) ( ) 〈 〉
〈[0.20,0.25], [0.75,0.80], [0.80,0.85]〉 [0.849,0.899]
〈[0.00,0.05], [0.95,1.00], [0.95,1.00]〉, [0.000,0.071], [0.899,0.975 ],
Cực kì tệ (VVB) ( ) 〈 〉
〈[0.05,0.10], [0.85,0.95], [0.90,0.95]〉 [0.925,0.975]
55
Bảng 3.4. Thuật ngữ ngôn ngữ học và SVRNS tương ứng cho trọng số
Thuật ngữ IVRNS IVNS tương ứng
Rất quan trọng 〈[0.80,0.85], [0.05,0.10], [0.05,0.10]〉, [0.849,0.899], [0.050,0.100 ],
( ) 〈 〉
(VI) 〈[0.90,0.95], [0.05,0.10], [0.05,0.10]〉 [0.050,0.100]
〈[0.70,0.75], [0.20,0.25], [0.15,0.20]〉, [0.748,0.798], [0.141,0.194],
Quan trọng (I) ( ) 〈 〉
〈[0.80,0.85], [0.10,0.15], [0.10,0.15]〉 [0.122,0.173]
Khá quan trọng 〈[0.45,0.55], [0.50,0.60], [0.50,0.55]〉, 0[. 497,0.598], [0.447 0.548],
( ) 〈 〉
(M) 〈[0.55,0.65], [0.40,0.50], [0.40,0.45]〉 [0.447,0.497]
〈[0.30,0.35], [0.65,0.70], [0.75,0.80]〉, [0.346,0.397], [0.598 0.648],
Ít quan trong (UI) ( ) 〈 〉
〈[0.40,0.45], [0.55,0.60], [0.65,0.70]〉 [0.698,0.748]
Rất ít quan trọng 〈[0.05,0.10], [0.85,0.90], [0.90,1.00]〉, [0.087,0.141], [0.798,0.849 ],
( ) 〈 〉
(VUI) 〈[0.15,0.20], [0.75,0.80], [0.80,0.85]〉 [0.849,0.922]
hiện bởi 4 chuyên gia và đánh giá trọng số thuộc tính được thể hiện giống với bảng (2.3),
(2.4) và (2.5).
Tiếp theo, thực hiện các bước tương tự như Neutrosophic TOPSIS giá trị đơn. Kết
quả thu được ở các bước như sau
𝜆 = {00.295, 0.267, 0.171, 0.267}

A C1 C2
A1 <[0.811,0.863], [0.000,0.123], [0.000,0.117]> <[0.799,0.851], [0.000,0.136], [0.000,0.128]>
A2 <[0.629,0.520], [0.270,0.329], [0.237,0.295]> <[0.679,0.695], [0.210,0.266], [0.180,0.235]>
A3 <[0.827,0.878], [0.000,0.107], [0.000,0.104]> <[0.835,0.886], [0.000,0.099], [0.000,0.098]>
A4 <[0.629,0.520], [0.270,0.329], [0.237,0.295]> <[0.687,0.625], [0.000,0.253], [0.000,0.234]>
C3 C4
A1 <[0.748,0.798], [0.141,0.194], [0.122,0.173]> <[0.748,0.798], [0.141,0.194], [0.122,0.173]>
A2 <[0.629,0.520], [0.270,0.329], [0.237,0.295]> <[0.748,0.798], [0.141,0.194], [0.122,0.173]>
A3 <[0.780,0.832], [0.000,0.156], [0.000,0.144]> <[0.727,0.778], [0.160,0.214], [0.138,0.190]>
A4 <[0.697,0.696], [0.192,0.249], [0.168,0.223]> <[0.748,0.798], [0.141,0.194], [0.122,0.173]>
C3 C4
A1 <[0.769,0.821], [0.000,0.169], [0.000,0.154]> <[0.811,0.863], [0.000,0.123], [0.000,0.117]>
A2 <[0.614,0.540], [0.285,0.342], [0.247,0.303]> <[0.582,0.374], [0.329,0.387], [0.290,0.347]>
A3 <[0.755,0.809], [0.000,0.178], [0.000,0.163]> <[0.795,0.849], [0.000,0.136], [0.000,0.129]>
A4 <[0.707,0.676], [0.000,0.231], [0.000,0.214]> <[0.753,0.765], [0.000,0.180], [0.000,0.169]>
W={<[0.707,0.777], [0.172,0.251], [0.166,0.234]> <[0.835,0.886], [0.060,0.112],

[0.058,0.110]> <[0.659,0.727], [0.234,0.305], [0.216,0.275]> <[0.652,0.722],
[0.242,0.315], [0.224,0.283]> <[0.736,0.798], [0.146,0.214], [0.136,0.198]>
<[0.659,0.727], [0.234,0.305], [0.216,0.275]> }
56
A C1 C2
A1 <[0.573,0.671], [0.172,0.344], [0.166,0.324]> <[0.667,0.754], [0.060,0.233], [0.058,0.224]>
A2 <[0.444,0.404], [0.396,0.498], [0.364,0.460]> <[0.567,0.616], [0.257,0.348], [0.228,0.319]>
A3 <[0.584,0.683], [0.172,0.332], [0.166,0.314]> <[0.697,0.785], [0.060,0.200], [0.058,0.197]>
A4 <[0.444,0.404], [0.396,0.498], [0.364,0.460]> <[0.573,0.554], [0.060,0.336], [0.058,0.318]>
C3 C4
A1 <[0.493,0.581], [0.342,0.440], [0.312,0.401]> <[0.488,0.576], [0.349,0.447], [0.319,0.408]>
A2 <[0.415,0.378], [0.441,0.534], [0.402,0.489]> <[0.488,0.576], [0.349,0.447], [0.319,0.408]>
A3 <[0.514,0.605], [0.234,0.414], [0.216,0.379]> <[0.475,0.562], [0.364,0.461], [0.331,0.419]>
A4 <[0.460,0.506], [0.381,0.478], [0.347,0.437]> <[0.488,0.576], [0.349,0.447], [0.319,0.408]>
C5 C6
A1 <[0.566,0.655], [0.146,0.347], [0.136,0.322]> <[0.535,0.628], [0.234,0.391], [0.216,0.360]>
A2 <[0.452,0.431], [0.389,0.483], [0.349,0.441]> <[0.384,0.272], [0.486,0.574], [0.443,0.527]>
A3 <[0.555,0.646], [0.146,0.354], [0.136,0.329]> <[0.524,0.618], [0.234,0.400], [0.216,0.368]>
A4 <[0.520,0.540], [0.146,0.396], [0.136,0.370]> <[0.496,0.556], [0.234,0.430], [0.216,0.398]>
C1 C2
+
Q <[0.584,0.683], [0.172,0.332], [0.166,0.314]> <[0.697,0.785], [0.060,0.200], [0.058,0.197]>
Q- <[0.444,0.404], [0.396,0.498], [0.364,0.460]> <[0.567,0.554], [0.257,0.348], [0.228,0.319]>
C3 C4
Q+ <[0.514,0.605], [0.234,0.414], [0.216,0.379]> <[0.488,0.576], [0.349,0.447], [0.319,0.408]>
Q- <[0.415,0.378], [0.441,0.534], [0.402,0.489]> <[0.475,0.562], [0.364,0.461], [0.331,0.419]>
C5 C6
Q+ <[0.566,0.655], [0.146,0.347], [0.136,0.322]> <[0.535,0.628], [0.234,0.391], [0.216,0.360]>
Q- <[0.452,0.431], [0.389,0.483], [0.349,0.441]> <[0.384,0.272], [0.486,0.574], [0.443,0.527]>
A1 0.028 0.164 0.856 2
A2 0.173 0.012 0.064 4
A3 0.007 0.173 0.961 1
A4 0.109 0.115 0.515 3
57
CHƯƠNG 4. SO SÁNH KẾT QUẢ LUẬN VĂN VỚI MỘT SỐ BÀI BÁO VÀ
LẬP TRÌNH MINH HỌA
4.1. So sánh kết quả với một số bài toán
Trong phần này chúng tôi trình bày các kết quả đạt được của luận văn so với các
bài báo liên quan đã được công bố trước đó.
4.1.1. Thuật toán Neutrosophic TOPSIS giá trị đơn
- Sử dụng dữ liệu trong bài báo của Pranab Biswas (2015, 2019)
Bảng 4.1. Bảng thuật ngữ ngôn ngữ học và SVNS tương ứng cho trọng số chuyên
gia (Pranab Biswas, 2015)
Bảng 4.2. Bảng thuật ngữ ngôn ngữ học và SVNS tương ứng cho thuộc tính
(Pranab Biswas, 2015)
58
Bảng 4.3. Bảng thuật ngữ ngôn ngữ học và SVNS tương ứng dùng chung trọng số
chuyên gia và thuộc tính (Pranab Biswas, 2019)
Bảng 4.4. Bảng đánh giá của các chuyên gia (ma trận quyết định)
Bảng 4.5. Bảng so sánh luận văn với bài báo Pranab Biswas 2015 và 2019
Bài báo 2015 Luận văn Bài báo 2019 Luận văn
Phương
𝑪∗𝒊 Xếp 𝑪∗𝒊 Xếp 𝑹𝑪∗𝒊 Xếp 𝑪∗𝒊 Xếp
án
hạng hạng hạng hạng
𝑨𝟏 0.8190 2 0.885 2 -0.1218 2 0.894 2
𝑨𝟐 0.1158 4 0.042 4 -14.4022 4 0.070 4
𝑨𝟑 0.8605 1 0.944 1 0 1 0.942 1
𝑨𝟒 0.4801 3 0.444 3 -7.9570 3 0.432 3
59
Sự khác biệt giữa luận văn và bài báo 2015 là do bài báo đã tính sai ngay từ bước
2 tính tổng hợp ma trận quyết định của 4 chuyên gia. Kết quả bài báo thực hiện bước 2
như sau:
Trong bài báo ở tiêu chí 𝐶4 của 𝐴1 ở dữ liệu đều có giá trị là G (tương ứng <0.800,
0.200, 0.150>) nên dữ liệu tổng hợp tất nhiên cũng sẽ bằng <0.800, 0.200, 0.150>. Tuy
nhiên bài báo lại cho ra kết quả <0.704, 0.296, 0.241>. Tương tự các tiêu chí 𝐶4 của 𝐴2
và 𝐴4 ; tiêu chí 𝐶5 của 𝐴4 cũng nhầm lẫn. Điều này dẫn đến kết quả cuối cùng của luận
văn không giống bài báo 2015.
Bài báo 2019 của Pranab Biswas tuy có sử dụng lại bảng ma trận quyết định của
các chuyên gia, nhưng có sự thay đổi về giá trị Neutrosophic tương ứng với thuật ngữ
ngôn ngữ. Và ông sử dụng cách tính khoảng cách Hamming và tỷ số tương quan sửa đổi
𝑅𝐶𝑖∗ thay cho cách tính khoảng cách Euclidean và tỷ số tương quan 𝐶𝑖∗ của luận văn.
𝐷 𝑖− 𝐷 𝑖+
Trong đó 𝑅𝐶𝑖∗ = −
max(𝐷 𝑖− ) min(𝐷 𝑖+ )
𝑖 𝑖
4.1.2. Thuật toán Neutrosophic TOPSIS thô giá trị đơn
- Sử dụng dữ liệu trong bài báo của Florentin Sramandache (2017)
Bảng 4.6. Bảng thuật ngữ ngôn ngữ học và SVRNS tương ứng cho trọng số
chuyên gia
60
Bảng 4.7. Bảng thuật ngữ ngôn ngữ học và SVRNS tương ứng cho trọng số thuộc
tính
Bảng trọng số chuyên gia
Bảng đánh giá của các chuyên gia
So sánh kết quả tổng hợp ma trận quyết định của bài báo và luận văn
Bảng 4.8. Bảng tổng hợp ma trận quyết định của bài báo
61
Bảng 4.9. Kết quả tổng hợp ma trận quyết định của luận văn
𝐿1 𝐿2 𝐿3 𝐿4 𝐿5 𝐿6
<0.880, <0.867, <0.798, <0.798, <0.829, <0.880,
𝐾1 0.105, 0.119, 0.194, 0.194, 0.159, 0.105,
0.098> 0.105> 0.141> 0.141> 0.126> 0.098>
<0.638, <0.742, <0.638, <0.762, <0.678, <0.638,
𝐾2 0.354, 0.239, 0.354, 0.223, 0.300, 0.354,
0.292> 0.184> 0.292> 0.169> 0.243> 0.292>
<0.597, <0.734, <0.749, <0.686, <0.787, <0.754,
𝐾3 0.396, 0.248, 0.243, 0.281, 0.197, 0.232,
0.334> 0.230> 0.186> 0.227> 0.175> 0.197>
Nhận xét:
- Giá trị 𝑇𝐴 (hàm thành viên đúng) là trùng khớp giữa bài báo và lận văn (có sai số
0.001 do vấn đề làm tròn).
- Một số giá trị 𝐼𝐴 (hàm thành viên chưa xác định ) và 𝐹𝐴 (hàm thành viên sai) giữa
bài báo và luận văn chưa trùng khớp. Đơn cử, tiêu chí 𝐿2 ở phương án 𝐾1 trong bài báo
khác với luận văn. Lý do bài báo thực hiện chưa chính xác.
Cụ thể: 0.1940.398 × 0.0870.359 × 0.0870.243 = 0.119 (bài báo bằng 0.126)
Cũng chính vì vậy dẫn đến việc xếp hạng các phương án giữa bài báo và luận văn
là không trung khớp.
Bảng 4.10. Bảng kết quả cuối cùng của bài báo Florentin Sramandache (2017) và
luận văn
Bài báo 2017 Luận văn
Phương án
𝑪∗𝒊 Xếp hạng 𝑪∗𝒊 Xếp hạng
𝑲𝟏 0.9411 1 1.000 1
𝑲𝟐 0.3639 2 0.167 3
𝑲𝟑 0.3425 3 0.348 2
62
4.1.3. Thuật toán SVNAHP
So sánh với kết quả của bài báo Nouran M. Radwan và cộng sự (2016). Dữ liệu
của bài báo đã được sử dụng trong ứng dụng ở mục 2.2.3.
Bảng 4.11. Bảng so sánh luận văn với bài báo của Nouran 2016
Bài báo Luận văn
𝐶1 <0.4292, 0.5902, 0.5708> <0.429, 0.590, 0.571>
<0.8309, <0.831, 0.169,
𝐶2.1
<0.6382, 0.3298, 0.1691, 0.1691> <0.639, 0.330, 0.169>
𝐶2
0.3618> <0.4929, 0.361> <0.493, 0.507,
𝐶2.2
0.5071, 0.5071> 0.507>
<0.5991, <0.599, 0.436,
𝐶3.1
<0.5632, 0.4087, 0.4355, 0.4009> <0.563, 0.409, 0.401>
𝐶3
0.4368> <0.7328, 0.437> <0.733, 0.235,
𝐶3.3
0.2345, 0.2672> 0.267>
<0.5645, <0.564, 0.471,
𝐶4.1
0.4697, 0.4355> 0.436>
<0.5011, 0.5027, <0.501, 0.503,
𝐶4 <0.7655, <0.765, 0.202,
0.4989> 0.499>
𝐶4.2 0.2017, 0.235>
0.2345>
𝐶5 <0.4779, 0.5404, 0.5221> <0.478, 0.540, 0.522>
Kết quả của luận văn và bài báo là hoàn toàn trùng khớp.
4.2. Lập trình minh họa
4.2.1. Cài đặt thuật toán TOPSIS trên các tập Neutrosophic.
Trong luận văn chúng tôi đã cài đặt thử nghiệm thuật toán Neutrosophic TOPSIS
trên tập SVNS và IVNS bằng các độ đo khác nhau. Từ đó so sánh việc sắp xếp thứ hạng
của các phương án khác nhau thế nào khi sử dụng độ đo khác nhau trên cùng một bộ dữ
liệu đầu vào.
63
Bảng 4.12. Bảng so sánh kết quả 𝑪∗𝒊 của các phương án trên các độ đo khoảng cách khác nhau
SVNS IVNS
Giáo SVNS SVNS SVNS IVNS IVNS IVNS
viên Euclidean Euclidean
Euclidean Hamming Haudroff Euclidean Hamming Haudroff
haudroff haudroff
𝐴1 0.493 0.506 0.5 0.485 0.494 0.506 0.512 0.496
𝐴2 0.554 0.568 0.559 0.543 0.554 0.568 0.568 0.607
𝐴3 0.308 0.289 0.288 0.305 0.309 0.289 0.288 0.159
𝐴4 0.631 0.661 0.66 0.628 0.633 0.661 0.669 0.756
𝐴5 0.417 0.403 0.406 0.42 0.418 0.403 0.413 0.352
𝐴6 0.166 0.132 0.142 0.174 0.167 0.132 0.147 0.044
𝐴7 0.547 0.551 0.542 0.536 0.548 0.551 0.55 0.591
𝐴8 0.445 0.456 0.455 0.443 0.447 0.456 0.466 0.411
𝐴9 0.231 0.219 0.225 0.238 0.232 0.219 0.23 0.091
𝐴10 0.352 0.342 0.349 0.357 0.353 0.342 0.361 0.256
𝐴11 1 1 1 1 1 1 1 1
𝐴12 0.867 0.868 0.861 0.86 0.867 0.868 0.861 0.974
𝐴13 0.542 0.539 0.534 0.54 0.544 0.539 0.537 0.584
𝐴14 0.159 0.111 0.115 0.162 0.160 0.111 0.115 0.035
𝐴15 0.109 0.08 0.084 0.111 0.109 0.08 0.088 0.017
𝐴16 0.274 0.247 0.249 0.277 0.275 0.247 0.252 0.132
𝐴17 0.359 0.342 0.342 0.358 0.360 0.342 0.344 0.239
𝐴18 0.600 0.611 0.608 0.594 0.601 0.611 0.616 0.698
𝐴19 0.358 0.347 0.346 0.356 0.359 0.347 0.352 0.245
64
Kết quả trên được thể hiện qua biểu đồ so sánh
1.2
0.8
0.6
0.4
0.2
0
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19
SVNS Eudclidean SVNS Hamming SVNS Haudroff SVNS Euclidean Haudroff

IVNS Euclidean IVNS Hamming IVNS Haudroff IVNS Euclidean Haudroff
Hình 4.1. Biểu đồ so sánh kết quả bình chọn trên các độ đo khác nhau
65
Nhìn vào bảng so sánh và biểu đồ trên ta thấy rằng ứng với các độ đô khác nhau
thì kết quả thu được có thể khác nhau do tính mơ hồ của dữ liệu. Tuy nhiên sự thay đổi
đó là không lớn.
Vì vậy đối với mỗi bài toán người thực hiện cần thực nghiệm với các độ đo khác
nhau để chọn ra phương án phù hợp nhất hoặc lấy giá trị trung bình của các độ đo đó.
4.2.2. Xây dựng phần mềm bình chọn thi đua
Cũng trong luận văn này chúng tôi ứng dụng các lý thuyết đã tìm hiểu để giải quyết
bài toán bình chọn thi đua. Ngôn ngữ được sử dụng trong chương trình minh họa là ngôn
ngữ C++. Các hàm được sử dụng trong chương trình hoàn toàn được viết bởi tác giả và
không sử dụng hàm hỗ trợ nào.
Hội đồng thi đua nhà trường gồm có 17 thành viên, tiến hành bỏ phiếu kín cho 19
giáo viên nhằm chọn ra 12 giáo viên có thứ hạng cao nhất để đề xuất lên cấp trên xét
danh hiệu thi đua. Các tiêu chí để bình chọn được xác định như sau:
- Hoàn thành tốt nhiệm vụ được giao, đạt năng suất và chất lượng cao (C1);
- Chấp hành tốt chủ trương, chính sách của Đảng, pháp luật của Nhà nước, có tinh
thần tự lực, tự cường; đoàn kết, tương trợ, tích cực tham gia phong trào thi đua (C2);
- Tích cực học tập chính trị, văn hóa, chuyên môn, nghiệp vụ (C3);
- Có đạo đức, lối sống lành mạnh (C4);
- Có sáng kiến để tăng năng suất lao động, tăng hiệu quả công tác được cơ sở công
nhận hoặc có đề tài nghiên cứu khoa học đã nghiệm thu được áp dụng tại cơ quan, tổ
chức, đơn vị hoặc mưu trí, sáng tạo trong chiến đấu, phục vụ chiến đấu, hoàn thành xuất
sắc nhiệm vụ được đơn vị công nhận (C5);
- Có thành tích trong việc bồi dưỡng học sinh giỏi cấp Tỉnh, Quốc gia (C6).
66
4.2.2.1. Tổ chức chương trình
Dữ liệu vào
Bảng dữ liệu Tên file lưu trữ

Giá trị Neutrosophic tương ứng với thuật ngữ ngôn ngữ học biểu
Linguitic_C.txt
thị giá trị thuộc tính.
Giá trị Neutrosophic tương ứng với thuật ngữ ngôn ngữ học biểu
Linguitic_dm.txt
thị trọng số.
Bảng đánh giá (phiếu bầu) của các thành viên. DMK.txt
Bảng trọng số của các chuyên gia. WDM.txt
Bảng trọng số của các thuộc tính. WCK.txt
Chương trình:
Xây dựng các hàm step1(), step2()…, step8() tương ứng với 8 bước trong thuật
toán đã được trình bày trong thuật toán.
Kết quả ra
Ý nghĩa Tên file lưu kết quả

Bảng tổng hợp ma trận quyết định dm.out
Véc tơ trọng số chuyên gia khi.out hoặc lamda.out
Véc tơ trọng số thuộc tính w.out
Bảng tổng hợp ma trận quyết định có trọng số d.out
Bảng giải pháp lý tưởng âm và lý tưởng dương Q.out
Bảng xếp hạng các phương án Di_C_rank.out
67
4.2.2.2. So sánh các kết quả đạt được
So sánh kết quả xếp hạng trên các tập dữ liệu SVNS và IVNS tương ứng
SVNS IVNS
Giáo viên
𝑪∗𝒊 Thứ hạng 𝑪∗𝒊 Thứ hạng
𝐴1 0.493 8 0.494 8
𝐴2 0.554 5 0.554 5
𝐴3 0.308 14 0.309 14
𝐴4 0.631 3 0.633 3
𝐴5 0.417 10 0.418 10
𝐴6 0.166 17 0.167 17
𝐴7 0.547 6 0.548 6
𝐴8 0.445 9 0.447 9
𝐴9 0.231 16 0.232 16
𝐴10 0.352 13 0.353 13
𝐴11 1.000 1 1.000 1
𝐴12 0.867 2 0.867 2
𝐴13 0.542 7 0.544 7
𝐴14 0.159 18 0.160 18
𝐴15 0.109 19 0.109 19
𝐴16 0.274 15 0.275 15
𝐴17 0.359 11 0.360 11
𝐴18 0.600 4 0.601 4
𝐴19 0.358 12 0.359 12
68
So sánh kết quả xếp hạng trên các tập dữ liệu SVNS và SVRNS tương ứng
SVNS SVRNS
Giáo viên
𝐴1 0.492 8 0.492 8
𝐴2 0.553 5 0.553 5
𝐴3 0.306 14 0.306 14
𝐴4 0.627 3 0.627 3
𝐴5 0.412 10 0.412 10
𝐴6 0.162 17 0.162 17
𝐴7 0.545 6 0.545 6
𝐴8 0.442 9 0.442 9
𝐴9 0.228 16 0.228 16
𝐴10 0.349 13 0.349 13
𝐴11 1.000 1 1.000 1
𝐴12 0.867 2 0.867 2
𝐴13 0.54 7 0.54 7
𝐴14 0.154 18 0.154 18
𝐴15 0.107 19 0.107 19
𝐴16 0.269 15 0.269 15
𝐴17 0.353 12 0.353 12
𝐴18 0.596 4 0.596 4
𝐴19 0.353 11 0.353 11
69
So sánh kết quả xếp hạng trên các tập dữ liệu IVNS và IVRNS tương ứng
IVNS IVRNS
Giáo viên
𝐴1 0.657 8 0.658 8
𝐴2 0.693 5 0.693 5
𝐴3 0.378 17 0.378 17
𝐴4 0.739 3 0.739 3
𝐴5 0.625 10 0.625 10
𝐴6 0.465 16 0.465 16
𝐴7 0.69 6 0.69 6
𝐴8 0.637 9 0.637 9
𝐴9 0.511 14 0.511 14
𝐴10 0.594 11 0.594 11
𝐴11 1.000 1 1.000 1
𝐴12 0.896 2 0.896 2
𝐴13 0.686 7 0.686 7
𝐴14 0.353 19 0.353 19
𝐴15 0.376 18 0.376 18
𝐴16 0.502 15 0.502 15
𝐴17 0.535 13 0.535 13
𝐴18 0.723 4 0.723 4
𝐴19 0.537 12 0.537 12
Nhận xét: Kết quả của các phương pháp khác nhau trên cùng bộ dữ liệu đầu vào có kết
quả hoàn toàn trùng khớp. Điều này chứng tỏ phương pháp Neutrosophic TOPSIS được
chúng tôi phát triển trên tập IVNS, IVRNS là phù hợp.
70
KẾT LUẬN
Qua quá trình nghiên cứu và thực hiện đề tài của luận văn, chúng tôi đã thu được kết
quả như mong đợi, đồng thời cũng nhận thấy một số hạn chế, từ đó đã đề xuất một số
hướng khắc phục cũng như phát triển thêm của đề tài. Cụ thể như sau:
Kết quả về mặt lý thuyết
- Nghiên cứu các khái niệm và phép toán cơ bản của tập Neutrosophic.
- Tìm hiểu kỹ thuật TOPSIS trên tập Neutrosophic.
- Tìm hiều kỹ thuật AHP trên tập Neutrosophic giá trị đơn.
- Tìm hiểu các độ đo khác nhau trên tập Neutrosophic.
- Đề xuất kỹ thuật TOPSIS trên các tập Neutrosophic giá trị khoảng và
Neutrosophic thô giá trị khoảng.
Kết quả về mặt ứng dụng
Ứng dụng các vấn đề tìm hiểu được để:
- Cài đặt minh họa kỹ thuật Neutrosophic TOPSIS cho bài toán ra quyết định
đa tiêu chí để lựa chọn chiếc điện thoại phù hợp.
- Cài đặt minh họa kỹ thuật AHP trên SVNS cho bài toán ra quyết định đa tiêu
chí để lựa chọn hệ thống quản lí học tập LMS.
- Cài đặt bài toán thực tế bình bầu thi đua cuối năm trên các tập Neutrosophic
khác nhau và trên các độ đo khác nhau.
Hạn chế
Với một đề tài tìm hiểu một nội dung lý thuyết mới chưa được phổ biến trong
một thời gian ngắn cũng như khả năng của bản thân còn hạn chế nên luận văn còn
một số khiếm khuyết sau:
- Chưa có những kết quả mang tính chất đột phá về lý thuyết về tập
Neutrosophic.
- Phần cài đặt minh họa bài toán chưa có giao diện thân thiện.
71
- Các bộ dữ liệu còn nhỏ và chưa được thử nghiệm trong nhiều năm để đánh giá
tính đúng đắn, hợp lý.
- Bộ dữ liệu thử nghiệm chưa đồng nhất giữa IVRNS và SVRNS nên không thể
so sánh trực tiếp với nhau mà phải sử dụng hình thức bắc cầu.
Hướng phát triển
- Tiếp tục nghiên cứu lý thuyết Neutrosophic dựa trên các mở rộng, phát triển của
lý thuyết tập mờ và tập thô.
- Tiếp tục nghiên cứu ứng dụng của tập Neutrosophic để giải quyết các bài toán
thực tế đặc biệt là các bài toán hỗ trợ ra quyết định đa tiêu chí.
- Hoàn thành phần mềm ứng dụng hỗ trợ bình chọn thi đua với giao diện thân thiện
và dễ sử dụng hơn.
- Nghiên cứu thêm các kỹ thuật hỗ trợ ra quyết định tiêu chí khác trên tập
Neutrosophic.
- Xây dựng bộ dữ liệu thử nghiệm kích thước lớp và đồng nhất trên các tập
Neutrosophic giá trị đơn, giá trị khoảng.
Với các kết quả đạt được của luận văn chúng tôi hi vọng rằng sẽ có nhiều tác giả
quan tâm và phát triển trong thời gian tới.
72
TÀI LIỆU THAM KHẢO
Tiếng Việt
1. Trần Thị Mỹ Dung (2012), Tổng quan về ứng dụng phương pháp phân tích thứ
bậc trong quản lý chuỗi cung ứng, Tạp chí Khoa học 2012:21a 180-189 Trường Đại học
Cần Thơ.
2. Lưu Quốc Đạt và các cộng sự (2017), Xây dựng mô hình ra quyết định đa tiêu
chuẩn tích hợp để lựa chọn và phân nhóm nhà cung cấp xanh, Tạp chí Khoa học
ĐHQGHN: Kinh tế và Kinh doanh, Tập 33, Số 1, trang 43-54.
3. Phạm Văn Hải và cộng sự (2015): Mô hình TOPSIS-AHP sử dụng bộ tiêu chí
ICT Newhouse đánh giá bài giảng với trợ giúp ra quyết định thông minh, Tạp chí Khoa
học ĐHQGHN: Nghiên cứu Giáo dục, Tập 31, Số 1, trang 13-27.
4. Phạm Thị Trang (2017), Ứng dụng mô hình ra quyết định phân tích thứ bậc đa
tiêu chí AHP để lựa chọn, xếp hạng các dự án đầu tư cơ sở hạ tầng kỹ thuật theo hình
thức đối tác công tư (PPP) tại Đà Nẵng, Tạp chí Khoa học và Công nghệ - ĐH Đà Nẵng,
Số 11-Quyển 1, Trang: 90-95.
Tiếng Anh
5. Bùi Công Cường (2019), Pareto Solution in Neutrosophic Set Setting for
Multiple Criteria Decision Making Problems, sách Fuzzy Multicriteria decision making
using neutrosophic sets, Springer, chương 15 trang 271 – 415.
6. Behzadian, M., Khanmohammadi Otaghsara, S., Yazdani, M., Ignatius, J.
(2012): A state-of the-art survey of TOPSIS applications. Expert Syst. Appl. 39, 13051–
13069
7. Eda Boltürk, Ali Kara¸ san and Cengiz Kahraman (2019), Simple Additive
Weighting and Weighted Product Methods Using Neutrosophic Sets p659, Fuzzy
Multi-criteria Decision-Making Using Neutrosophic Sets by Cengiz Kahraman, İrem
Otay (z-lib.org).
8. Florentin Smarandache (1998) A Unifying Field in Logics. Neutrosophy:
Neutrosophic Probability, Set and Logic. American Research Press, Rehoboth.
9. Florentin Smarandache (2007), A unifying in logics: Neutrosophic logic,
Neutrosophy, Neutrosophic set, Neutrosophic probalility and statics, ISBN
9781599738925.
73
10. Florentin Smarandache, Mumtaz Ali and Mohsin Khan (2019) Arithmetic
Operations of Neutrosophic Sets, Interval Neutrosophic Sets and Rough Neutrosophic
Sets p25-42, Fuzzy Multi-criteria Decision-Making Using Neutrosophic Sets by Cengiz
Kahraman, İrem Otay (z-lib.org).
11. Hong-yu Zhang, Jian-qiang Wang, and Xiao-hong Chen (2014), Interval
Neutrosophic Sets and Their Application in Multicriteria Decision Making Problems,
Hindawi Publishing Corporation The Scientific World Journal Volume 2014, Article ID
645953.
12. Juan-juan Peng, Jian-qiang Wang , Jing Wanga, Hong-yu Zhang and Xiao-
hong Chen (2016), Simplified neutrosophic sets and their applications in multi-criteria
group decision-making problems, International Journal of Systems Science, Vol. 47,
No. 10, 2342–2358
13. Kalyan Mondal, and Surapati Pramanik (2015) Rough Neutrosophic Multi-
Attribute Decision-Making Based on Grey Relational Analysis in Neutrosophic Sets and
Systems, Vol. 17.
14. Kalyan Mondal, Surapati Pramanik, and Florentin Smarandache (2017) Rough
Neutrosophic TOPSIS for Multi-Attribute Group Decision Making in Neutrosophic Sets
and Systems, Vol. 13.
15. Kalyan Mondal, Surapati Pramanik and Bibhas C. Giri (2019) Rough
Neutrosophic Aggregation Operators for Multi-criteria Decision-Making p84-86, Fuzzy
Multi-criteria Decision-Making Using Neutrosophic Sets by Cengiz Kahraman, İrem
Otay (z-lib.org).
16. Nguyễn Xuân Thảo và Florentin Smarandache (2018), Divergence measure of
Neutrosophic sets and applications, Neutrosophic Sets and Systems, Vol. 21, trang 142-
152.
17. Nguyễn Xuân Thảo và Florentin Smarandache (2021) Renewable energy
selection based on a new entropy and dissimilarity measure on an interval-valued
neutrosophic set, Journal of Intelligent & Fuzzy Systems, 2021, 40(6).
18. Nouran M. Radwan, M. Badr Senousy, Alaa El Din M. Riad (2016),
Neutrosophic AHP Multi Criteria Decision Making Method Applied on the Selection of
Learning Management Systemm, p95-105, International Journal of Advancements in
Computing Technology(IJACT), Volume8.
74
19. Pawlak (1982) Rough sets. Int. J. Comput. Inf. Sci. 11, 341–356
20. Pranab Biswas, Surapati Pramanik, Bibhas C. Giri (2015), TOPSIS method
for multi-attribute group decision-making under single-valued neutrosophic
environment, Neural Comput & Applic DOI 10.1007/s00521-015-1891-2.
21. Pranab Biswas, Surapati Pramanik, Bibhas C. Giri (2016) Some Distance
Measures of Single Valued Neutrosophic Hesitant Fuzzy Sets and Their Applications to
Multiple Attribute Decision Making pp. 31 in New Trends in Neutrosophic Theory and
Applications.
22. Paranab Biswas, Surapati Pramanik and Bibhas C.Giri (2019) Neutrosophic
TOPSIS with Group Decision Making, p543-579, Fuzzy Multi-criteria Decision-
Making Using Neutrosophic Sets by Cengiz Kahraman, İrem Otay (z-lib.org).
23. Radwan, N., Senousy, M.B., Alaa El Din, R. (2016) Neutrosophic AHP multi
criteria decision making method applied on the selection of learning management
system. Int. J. Advancements Comput. Technol. 8(5), 95–105.
24. Rıdvan şahin and Muhammed Yiğider (2016), A Multi-criteria neutrosophic
group decision making metod based TOPSIS for supplier selectionm, Applied
Mathematics & Information Sciences 10(5):1843-1852.
25. Saaty Thomas L. (1987), The Analytic Hierarchy Process – What it is and how
it is used, Math Modelling, Vol. 9, No. 3-5, pp. 161-176
26. Said Broumi, Jun Ye, Florentin Smarandache (2014) An Extended TOPSIS
Method for Multiple Attribute Decision Making based on Interval Neutrosophic
Uncertain Linguistic Variables.
27. Sudip Bhattacharyya, Bikas Koli Roy, Pinaki Majumdar (2018) On Distances
and Similarity Measures between Two Interval Neutrosophic Sets p27-47 Original
Article, Journal of new theory.
28. Wang, H., Smarandache, F., Zhang, Y., Sunderraman, R.(2010) Single valued
neutrosophic sets. Multispace Multistructure 4, 410–413.
29. Yan-Ling Bao and Hai-Long Yang (2019), On single valued Neutrosophic
refined Rough set model and its application, p107-143, Fuzzy Multi-criteria Decision-
Making Using Neutrosophic Sets by Cengiz Kahraman, İrem Otay (z-lib.org).
75
30. Zhao Aiwua, Du Jianguoa and Guan Hongjunb (2015), Interval valued
neutrosophic sets and multi-attribute decision-making based on generalized weighted
aggregation operator, Journal of Intelligent & Fuzzy Systems 29 2697–2706.
76

1.TranThiQuynhChau Neutrosophic

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

1.TranThiQuynhChau Neutrosophic

Uploaded by

Copyright:

Available Formats

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC NHA TRANG

TRẦN THỊ QUỲNH CHÂU

NGHIÊN CỨU TẬP NEUTROSOPHIC VÀ ỨNG DỤNG

LUẬN VĂN THẠC SĨ

KHÁNH HÒA - 2021

TRẦN THỊ QUỲNH CHÂU

NGHIÊN CỨU TẬP NEUTROSOPHIC VÀ ỨNG DỤNG

LUẬN VĂN THẠC SĨ

TS. NGUYỄN ĐỨC THUẦN

Khoa sau đại học

KHÁNH HÒA - 2021

Khánh Hòa, ngày 19 tháng 11 năm 2021

Tác giả luận văn

Trần Thị Quỳnh Châu

Một lần nữa, xin chân thành cảm ơn!

Nha Trang, ngày 19 tháng 11 năm 2021

Tác giả luận văn

Trần Thị Quỳnh Châu

Thuật ngữ Nghĩa tiếng Anh Nghĩa Tiếng Việt

RNS Rough Neutrosophic set Tập Neutrosophic thô

IVRNS Interval valued Rough Tập Neutrosophic thô giá trị

AHP Analytic Hierarchy Process Kỹ thuật phân tích thứ bậc

MADM Multi-Attribute Decision Making Ra quyết định đa tiêu chí

MAGDM Multi-Attribute Group Decision Ra quyết định nhóm đa tiêu chí

AGO Accumulated geometric operator Toán tử tích lũy hình học

Bảng 2.3. Trọng số chuyên gia .............................................................................29

Bảng 2.5. Trọng số thuộc tính ..............................................................................30

Bảng 2.8. Thang đo cơ bản của Saaty...................................................................36

Bảng 2.10. Bảng RI cho tối đa 10 tiêu chí ............................................................ 39

Bảng 2.11. Tổng hợp trọng số của các phương án ...............................................46

Bảng 2.12. Xếp hạng thứ tự các phương án ......................................................... 46

Hình 2.2. Hệ thống phân cấp đầy đủ ....................................................................38

Hình 2.4. Hệ thống phân cấp thứ bậc của LMS....................................................42

- Đề xuất mở rộng kỹ thuật TOPSIS trên Neutrosophic giá trị khoảng và

- Tìm hiểu sự kết hợp giữa tập Neutrosophic và tập thô.

- Tìm hiểu các cách tính độ đo khoảng cách trên Neutrosophic.

* Đối tượng và phạm vi nghiên cứu:

Đối tượng nghiên cứu

- Tập Neutrosophic, Neutrosophic thô.

- Kỹ thuật phân tích thứ bậc AHP.

- Các độ đo khoảng cách trên tập Neutrosophic.

Khách thể nghiên cứu

- Giáo viên trường THPT chuyên Lê Quý Đôn – Khánh Hòa.

Phạm vi nghiên cứu

- Tính chất toán học của tập Neutrosophic, Neutrosophic thô.

* Phương pháp nghiên cứu:

Tham khảo ý kiến chuyên gia.

Phương pháp thu thập và xử lý thông tin.

So sánh, đánh giá.

1.1. Giới thiệu

Đặc điểm của chủ nghĩa nghịch lý:

- Phương châm: tất cả đều có thể và không thể.

Định nghĩa: (Florentin Smarandache, 1998)

𝐴 = {𝑥, 〈𝑇𝐴 (𝑥), 𝐼𝐴 (𝑥), 𝐹𝐴 (𝑥)〉|𝑥 ∈ 𝑋 }

A được đặc trưng bởi 3 hàm:

 Hàm thành viên đúng: 𝑇𝐴 (True membership function)

 Hàm thành viên không xác định: 𝐼𝐴 (indeterminacy membership function)

 Hàm thành viên sai: 𝐹𝐴 (False membership function)

𝑇𝐴 ,𝐼𝐴 ,𝐹𝐴 : X → ] −0, 1+ [

Ví dụ 1.2.1. Khi ta nói

- y(0,0,100) thuộc A nghĩa là chắc chắn rằng y không thuộc A.

- x( (20-30), (40-45)∪[50-51], {20,24,28}) thuộc A, nghĩa là khả năng từ 20% tới