Tổng quan về luận án

Trong lý thuyết tối ưu hóa hiện đại và khoa học tính toán, các bài toán tối ưu hóa nhiều mục tiêu (Many-Objective Optimization Problems - MaOPs) với số lượng hàm mục tiêu lớn hơn 3 ($M > 3$) đóng vai trò then chốt nhưng đồng thời tạo ra rào cản tính toán cực kỳ phức tạp đối với các thuật toán tiến hóa đa mục tiêu truyền thống (MOEAs). Luận án tiến sĩ toán học chuyên ngành Cơ sở toán học cho tin học (Mã số: 9 46 01 10) của tác giả Nguyễn Xuân Hùng, dưới sự hướng dẫn khoa học của PGS. TS. Bùi Thu Lâm tại Học viện Kỹ thuật Quân sự (2022), mang tên "Objective reduction methods in evolutionary many-objective optimization" (Các phương pháp giảm chiều mục tiêu trong tối ưu hóa nhiều mục tiêu tiến hóa), đã giải quyết căn cơ bài toán suy giảm hiệu năng tìm kiếm do "lời nguyền chiều không gian" (curse of dimensionality) gây ra. Bối cảnh khoa học của luận án xuất phát từ thực tiễn: khi số lượng mục tiêu tăng lên, hầu hết các cá thể trong quần thể tiến hóa đều trở thành nghiệm không bị trội (non-dominated solutions), khiến áp lực chọn lọc dựa trên quan hệ trội Pareto bị vô hiệu hóa hoàn toàn.

Khoảng trống nghiên cứu (research gap) cốt lõi được tác giả xác định thông qua việc tổng hợp y văn từ Deb, Saxena (2005), Brockhoff, Zitzler (2006) và Singh et al. (2011): các kỹ thuật giảm chiều mục tiêu (Objective Dimensionality Reduction - ODR) trước đây chủ yếu tích hợp vào các thuật toán MOEAs cổ điển (như NSGA-II, SPEA2) vốn đã mất khả năng hội tụ khi $M > 3$; đồng thời các phương pháp này thường đòi hỏi phải xấp xỉ toàn bộ mặt Pareto tối ưu (Complete Pareto Front - Complete PF), gây lãng phí tài nguyên tính toán khổng lồ hoặc chỉ được đánh giá trên các bài toán có số lượng mục tiêu rất nhỏ ($M \le 5$). Tác giả đã thiết lập 3 câu hỏi nghiên cứu (RQs) và hệ giả thuyết thực nghiệm chặt chẽ:

  1. RQ1: Việc kết hợp các thuật toán tiến hóa nhiều mục tiêu hiện đại (MaOEAs) với các kỹ thuật giảm chiều mục tiêu tuyến tính (L-PCA) tác động như thế nào đến khả năng loại bỏ mục tiêu dư thừa so với MOEAs truyền thống?
  2. RQ2: Làm thế nào để xây dựng một thuật toán giảm chiều mục tiêu dựa trên xấp xỉ toàn bộ mặt Pareto (Complete PF-based ORA) có khả năng tự động xác định số lượng mục tiêu cốt yếu mà không cần tham số tiền định từ người dùng?
  3. RQ3: Có thể thực hiện giảm chiều mục tiêu chính xác chỉ bằng cách xấp xỉ một phần biên Pareto (Partial PF-based ORA) thông qua các nghiệm góc (corner solutions) kết hợp thuật toán học máy phân cụm hay không?

Khung lý thuyết của luận án được xây dựng vững chắc trên nền tảng Lý thuyết tối ưu hóa Pareto, Lý thuyết tính toán tiến hóa (Evolutionary Computation), Đại số tuyến tính đa chiều (PCA) và Học máy không giám sát (Unsupervised Machine Learning: PAM, $k$-means, DBSCAN). Đóng góp mang tính đột phá của luận án là chứng minh định lượng rằng việc chỉ cần tìm kiếm tập nghiệm góc Pareto (Partial PF) thông qua thuật toán PCSEA kết hợp kỹ thuật phân cụm hoặc L-PCA có thể xác định chính xác 100% tập mục tiêu cốt yếu trên các bộ chuẩn phức tạp với $M$ lên tới 20 mục tiêu, giảm thiểu hơn 60% chi phí hàm đánh giá so với việc tái tạo toàn bộ PF. Phạm vi nghiên cứu bao quát các bộ chuẩn quốc tế DTLZ5(I,M), WFG3 và bài toán kỹ thuật thực tế va chạm cạnh xe ô tô (car side-impact) với kích thước quần thể từ 100 đến 500 cá thể, 20 đến 30 lần chạy lặp độc lập đảm bảo ý nghĩa thống kê nghiêm ngặt.

Literature Review và Positioning

Không gian học thuật về tối ưu hóa đa mục tiêu đã chứng kiến sự phát triển vượt bậc từ các công trình kinh điển của Goldberg (1989), Deb et al. (2002) với thuật toán NSGA-II, và Zitzler et al. (2001) với SPEA2. Tuy nhiên, khi số lượng mục tiêu $M \ge 4$, các thuật toán dựa trên quan hệ trội Pareto Pareto-dominance truyền thống đối mặt với hiện tượng "kháng trội" (dominance resistance phenomenon) như Schütze et al. (2011) và Ishibuchi et al. (2008) đã chỉ ra: tỷ lệ cá thể không bị trội trong quần thể tiến tới xấp xỉ 100% ngay từ những thế hệ đầu tiên. Để khắc phục hiện tượng này, y văn quốc tế phân chia thành 6 nhánh tiếp cận chính:

  1. Tiếp cận nới lỏng quan hệ trội (Relaxed dominance): Sử dụng $\epsilon$-dominance ($\epsilon$-MOEA của Deb et al., 2005), Grid-dominance (GrEA của Yang et al., 2013), hoặc quan hệ ưu tiên góc nghiêng ($L$-dominance của Zou et al., 2008).
  2. Tiếp cận dựa trên đa dạng (Diversity-based): Đưa vào ước lượng mật độ dịch chuyển (Shift-based Density Estimation - SDE trong SPEA2+SDE của Li et al., 2014) nhằm loại bỏ tác động tiêu cực của việc duy trì đa dạng trong không gian nhiều chiều.
  3. Tiếp cận phân rã và tổng hợp (Aggregation/Decomposition-based): Điển hình là MOEA/D của Zhang và Li (2007), MSOPS của Hughes (2005).
  4. Tiếp cận dựa trên chỉ số chất lượng (Indicator-based): Tối ưu hóa trực tiếp các chỉ số như Hypervolume (HypE của Bader và Zitzler, 2011), $I_{\epsilon+}$ (IBEA của Zitzler và Künzli, 2004), hoặc chỉ số $R2$ (MOMBI của Gómez và Coello, 2013).
  5. Tiếp cận dựa trên tập điểm tham chiếu (Reference set-based): Nổi bật với NSGA-III của Deb và Jain (2014), Two_Arch2 của Wang et al. (2015), và RVEA của Cheng et al. (2016).
  6. Tiếp cận giảm chiều không gian mục tiêu (Objective Reduction Approach - ORA): Hướng tiếp cận nền tảng của luận án này, loại bỏ các hàm mục tiêu dư thừa hoặc có tương quan thuận để đưa bài toán MaOP về bài toán MOOP có số chiều nội tại thấp hơn ($m \ll M$).
                      ┌──────────────────────────────────────────────────────────┐
                      │    Many-Objective Optimization Approaches (M > 3)        │
                      └────────────────────────────┬─────────────────────────────┘
                                                   │
         ┌───────────────────┬─────────────────────┼────────────────────┬────────────────────┐
         │                   │                     │                    │                    │
┌────────┴────────┐ ┌────────┴────────┐  ┌─────────┴─────────┐ ┌────────┴────────┐ ┌────────┴────────┐
│Relaxed Dominance│ │ Diversity-based │  │Decomposition-based│ │ Indicator-based │ │ Objective        │
│(GrEA, eps-MOEA) │ │ (SPEA2+SDE)     │  │(MOEA/D, MSOPS)    │ │(HypE, IBEA)     │ │ Reduction (ORA)  │
└─────────────────┘ └─────────────────┘  └───────────────────┘ └─────────────────┘ └────────┬────────┘
                                                                                            │
                                                                   ┌────────────────────────┴────────┐
                                                                   │                                 │
                                                    ┌──────────────┴──────────────┐   ┌──────────────┴──────────────┐
                                                    │ Complete PF-based Reduction │   │  Partial PF-based Reduction │
                                                    │  (PCA-NSGA-II, COR [PAM])   │   │  (PCS-LPCA, PCS-Cluster)    │
                                                    └─────────────────────────────┘   └─────────────────────────────┘

Trong nhánh ORA, tồn tại hai trường phái tranh luận lý thuyết quyết liệt:

  • Trường phái 1 (Complete PF Requirement): Đại diện bởi Deb và Saxena (2005) với PCA-NSGA-II, Brockhoff và Zitzler (2006, 2009) với lý thuyết tập mục tiêu tối thiểu (Minimum Objective Subset - MOSS), cho rằng để xác định chính xác mức độ xung đột giữa các mục tiêu, thuật toán bắt buộc phải tiến hóa để đạt được toàn bộ mặt Pareto tối ưu (Complete PF). Quan điểm này vấp phải nghịch lý: để giảm chiều mục tiêu thì trước hết phải giải được bài toán nhiều mục tiêu ở quy mô đầy đủ—điều vốn là điểm nghẽn tính toán.
  • Trường phái 2 (Partial PF Sufficiency): Mở đầu bởi Singh, Isaacs và Ray (2011) với thuật toán PCSEA-based objective reduction, lập luận rằng thông tin tương quan và xung đột giữa các hàm mục tiêu chỉ tập trung chủ yếu tại các vùng cực biên (corner solutions/extreme points) của mặt Pareto. Do đó, việc tìm kiếm toàn bộ PF là không cần thiết và gây lãng phí tài nguyên.

Luận án của NCS. Nguyễn Xuân Hùng định vị chính xác tại giao điểm của hai trường phái này, tạo ra bước tiến vượt bậc: Luận án không chỉ hoàn thiện nhánh Complete PF thông qua thuật toán mới COR (Clustering Objective Reduction sử dụng PAM và Silhouette index), mà còn đưa nhánh Partial PF lên một tầm mức chính xác mới bằng hai thuật toán đột phá PCS-LPCA và PCS-Cluster (tích hợp $k$-means và DBSCAN). So sánh trực tiếp với hai nghiên cứu quốc tế tiêu chuẩn:

  1. So với nghiên cứu của Deb và Saxena (2005) (PCA-NSGA-II): Luận án chứng minh PCA-NSGA-II thất bại khi số chiều ban đầu lớn do NSGA-II không thể hội tụ, trong khi việc thay thế bộ sinh bằng MaOEAs (NSGA-III, SPEA2+SDE) giúp tỷ lệ giữ lại chính xác số mục tiêu tăng từ 15% lên 95-100%.
  2. So với nghiên cứu của Singh et al. (2011) (PCSEA-based Pareto-dominance reduction): Trên bài toán DTLZ5(3,5) và DTLZ5(5,10), phương pháp của Singh et al. chỉ đạt tỷ lệ thành công 73.3% và 60.0% do quy tắc cắt tỉa dựa trên quan hệ trội Pareto dễ bị nhiễu; trong khi PCS-LPCA và PCS-Cluster của luận án đạt tỷ lệ thành công tuyệt đối 100% trong 30 lần chạy độc lập.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và tái cấu trúc khung lý thuyết tối ưu hóa đa mục tiêu thông qua các định nghĩa và mệnh đề toán học chính xác:

  • Mở rộng Lý thuyết Tập mục tiêu cốt yếu (Essential Objective Set): Theo Định nghĩa 1.10 trong luận án, "An essential objective set is defined as the smallest set of conflicting objectives ($F_T, |F_T| = m$) which can generate the same PF as that by the original problem by $F_0 = {f_1, f_2, \dots, f_M}$". Luận án đã hình thức hóa toán học điều kiện biên để một mục tiêu $f_i$ bị coi là dư thừa (redundant/nonessential objective): một mục tiêu là dư thừa khi nó có tương quan dương hoàn hảo hoặc không xung đột với một tổ hợp tuyến tính/phi tuyến của các mục tiêu cốt yếu trên tập nghiệm Pareto $PS$.
  • Lý thuyết Phân bổ cấu trúc tương quan trên không gian góc (Corner Solution Manifold Theory): Tác giả chứng minh rằng ma trận hiệp phương sinh từ tập nghiệm góc thu được bởi thuật toán PCSEA bảo toàn đầy đủ các trị riêng (eigenvalues) và vectơ riêng (eigenvectors) mang dấu hiệu phân biệt của cấu trúc tương quan mục tiêu ban đầu. Cụ thể, nếu hai hàm mục tiêu $f_i$ và $f_j$ có tương quan hoàn hảo trên toàn bộ mặt PF, thì khoảng cách chuẩn hóa giữa các giá trị hàm mục tiêu của chúng tại các nghiệm góc cực biên bằng 0.
  • Mô hình Chuyển đổi Paradigm trong Thiết kế ORA: Luận án chuyển dịch mô hình thiết kế từ cấu trúc tuyến tính đơn lẻ sang cấu trúc mô-đun hóa 2 giai đoạn: Bộ sinh nghiệm (Generator Module) $\rightarrow$ Bộ phân tích giảm chiều (Dimensionality Reduction Module - ODR). Bằng chứng thực nghiệm khẳng định giả thuyết: Hiệu năng của pha ODR phụ thuộc phi tuyến vào năng lực hội tụ của pha Generator.
┌──────────────────────────────────────────────────────────────────────────────────────────────────┐
│                                THIẾT KẾ MÔ-ĐUN HÓA 2 GIAI ĐOẠN                                   │
│                                                                                                  │
│   ┌────────────────────────────────┐                 ┌───────────────────────────────────────┐   │
│   │       GENERATOR MODULE         │                 │         ODR REDUCTION MODULE          │   │
│   │                                │  Solution Set   │                                       │   │
│   │  • Complete PF: NSGA-III /     │ ──────────────> │  • Linear PCA (Eigen-analysis)        │   │
│   │    SPEA2+SDE                   │  (Approximation │  • PAM + Silhouette Index (COR)       │   │
│   │  • Partial PF: PCSEA           │   or Corners)   │  • k-means / DBSCAN (PCS-Cluster)     │   │
│   │    (Corner Solutions)          │                 │                                       │   │
│   └────────────────────────────────┘                 └───────────────────┬───────────────────┘   │
│                                                                          │                       │
│                                                                          ▼                       │
│                                                      ┌───────────────────────────────────────┐   │
│                                                      │ Essential Objective Set F_T (|F_T|=m) │   │
│                                                      └───────────────────────────────────────┘   │
└──────────────────────────────────────────────────────────────────────────────────────────────────┘

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp sâu sắc 4 lý thuyết toán học và học máy:

  1. Lý thuyết Tiến hóa Đa mục tiêu (Deb, 2002): Điều khiển quần thể cá thể $P = {x_1, x_2, \dots, x_N} \subset \Omega$ tiến về biên Pareto thực $PF^*$.
  2. Lý thuyết Phân tích Thành phần Chính Tuyến tính (Jolliffe, 2002): Xây dựng ma trận hệ số tương quan $R \in \mathbb{R}^{M \times M}$ từ tập nghiệm không bị trội. Tính toán các giá trị riêng $\lambda_1 \ge \lambda_2 \ge \dots \ge \lambda_M$ và các vectơ riêng trực chuẩn tương ứng $V = [v_1, v_2, \dots, v_M]$. Các thành phần chính mang giá trị riêng $\lambda_k \approx 0$ chỉ ra sự tồn tại của các chiều mục tiêu dư thừa.
  3. Lý thuyết Phân cụm Dữ liệu (Kaufman & Rousseeuw, 1990; Ester et al., 1996): Coi mỗi hàm mục tiêu $f_i$ là một thực thể dữ liệu biểu diễn bởi vector phân phối giá trị trên $K$ nghiệm Pareto: $\mathbf{f}_i = [f_i(x_1), f_i(x_2), \dots, f_i(x_K)]^T$. Áp dụng ma trận khoảng cách $D(f_i, f_j) = 1 - |r(f_i, f_j)|$ hoặc khoảng cách Euclidean chuẩn hóa để nhóm các mục tiêu tương quan vào cùng một cụm.
  4. Lý thuyết Chỉ số Đánh giá Cụm Silhouette (Rousseeuw, 1987): Tự động tối ưu hóa số lượng cụm $k^* = \arg\max_k s(k)$, triệt tiêu hoàn toàn sự can thiệp chủ quan của con người trong việc xác định số chiều mục tiêu cốt yếu $m$.

Điều kiện biên lý thuyết (Boundary conditions): Khung phân tích áp dụng tối ưu cho các bài toán MaOP có cấu trúc Pareto suy biến (degenerate Pareto fronts), bài toán chứa các nhóm mục tiêu tương quan tuyến tính hoặc phi tuyến đơn điệu, và không gian quyết định liên tục.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ triết học thực chứng (Positivism) và định lượng toán học thực nghiệm (Quantitative Experimental Mathematics). Thiết kế nghiên cứu bao gồm thiết kế đa tầng (Multi-level Experimental Design) với các trục biến thiên:

  • Tầng 1 (Algorithm Level): Khảo sát 4 thuật toán sinh Complete PF (NSGA-II, SPEA2, SPEA2+SDE, NSGA-III), 1 thuật toán sinh Partial PF (PCSEA), và 4 kỹ thuật ODR (L-PCA, PAM, $k$-means, DBSCAN).
  • Tầng 2 (Problem Level): Kiểm thử trên 2 bộ chuẩn quy mô toàn cầu là DTLZ5(I,M) (Deb et al., 2005) và WFG3 (Huband et al., 2006), cùng bài toán kỹ thuật công nghiệp Car Side-Impact (11 mục tiêu, 10 biến ràng buộc).
  • Tầng 3 (Dimension Scale Level): Số lượng mục tiêu ban đầu $M \in {5, 8, 10, 15, 20}$; số chiều cốt yếu thực tế $I \in {2, 3, 5, 6, 10}$.
┌──────────────────────────────────────────────────────────────────────────────────────────────────┐
│                               KHUNG THIẾT KẾ THỰC NGHIỆM ĐA TẦNG                                 │
│                                                                                                  │
│   TẦNG 1: ALGORITHM LEVEL                                                                        │
│   ├── Complete PF Generators: NSGA-II, SPEA2, SPEA2+SDE, NSGA-III                                │
│   ├── Partial PF Generator: PCSEA (Pareto Corner Search EA)                                      │
│   └── ODR Techniques: L-PCA, PAM (COR), k-means (PCS-Cluster), DBSCAN (PCS-Cluster)              │
│                                                                                                  │
│   TẦNG 2: PROBLEM LEVEL                                                                          │
│   ├── Scalable Benchmarks: DTLZ5(I,M), WFG3(M)                                                   │
│   └── Real-world Application: Car Side-Impact (11 Objectives, 10 Constraints)                   │
│                                                                                                  │
│   TẦNG 3: DIMENSION SCALE LEVEL                                                                  │
│   ├── Total Objectives (M): 5, 8, 10, 15, 20                                                     │
│   └── Intrinsic Dimensions (I): 2, 3, 5, 6, 10                                                   │
└──────────────────────────────────────────────────────────────────────────────────────────────────┘

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu mô phỏng tuân theo các giao thức quốc tế nghiêm ngặt:

  1. Thiết lập toán tử tiến hóa chuẩn hóa: Sử dụng toán tử lai ghép Simulated Binary Crossover (SBX) với xác suất $p_c = 0.9$, chỉ số phân phối $\eta_c = 20$; toán tử đột biến đa thức Polynomial Mutation với xác suất $p_m = 1/n$ (với $n$ là số biến quyết định), chỉ số phân phối $\eta_m = 20$.
  2. Kích thước mẫu và số lần lặp: Mỗi cấu hình thuật toán trên từng bài toán được thực hiện 20 đến 30 lần chạy độc lập với các hạt giống ngẫu nhiên (random seeds) khác nhau nhằm loại trừ sai số ngẫu nhiên của thuật toán metaheuristic.
  3. Triangulation và Tính hợp lệ (Validity):
    • Construct validity: Sử dụng ma trận tương quan Pearson và Spearman để kiểm tra chéo mức độ xung đột giữa các hàm mục tiêu.
    • Internal validity: Giữ cố định toàn bộ tham số môi trường đánh giá hàm mục tiêu ($k = 10$ cho vector biến vị trí trong DTLZ5).
    • External validity: Mở rộng kiểm chứng từ hàm toán học trừu tượng sang mô hình va chạm kết cấu ô tô phi tuyến.

Data và phân tích

Dữ liệu đầu ra từ hàng triệu lượt đánh giá hàm mục tiêu được lưu trữ và phân tích bằng các công cụ tính toán khoa học chuyên dụng (MATLAB, Python SciPy, PlatEMO framework). Các chỉ số đánh giá chất lượng hội tụ và phân bố được định lượng hóa chi tiết:

  • Generational Distance (GD): $$\text{GD}(P, PF^) = \frac{1}{|P|} \left( \sum_{i=1}^{|P|} d_i^2 \right)^{1/2}$$ trong đó $d_i$ là khoảng cách Euclidean từ vector mục tiêu thứ $i$ trong tập nghiệm xấp xỉ $P$ đến điểm gần nhất trên $PF^$.
  • Inverted Generational Distance (IGD): $$\text{IGD}(PF^, P) = \frac{1}{|PF^|} \sum_{j=1}^{|PF^*|} d_j$$ phản ánh đồng thời cả mức độ hội tụ lẫn độ bao phủ đa dạng của mặt Pareto.
  • Kiểm định Thống kê Phi tham số (Non-parametric Statistical Tests):
    • Kiểm định Wilcoxon signed-rank test ở mức ý nghĩa $\alpha = 0.05$ để so sánh từng cặp thuật toán.
    • Kiểm định xếp hạng Friedman (Friedman's test) để xếp hạng tổng thể hiệu năng của 8 thuật toán.
    • Hiệu chỉnh Conover $p$-values kết hợp phương pháp kiểm soát tỷ lệ lỗi gia đình (Holm's Family-Wise Error Rate - FWER method).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự sụp đổ của MOEAs cổ điển khi kết hợp với L-PCA: Trên bài toán DTLZ5(6,8), việc tích hợp L-PCA vào NSGA-II và SPEA2 chỉ mang lại tỷ lệ tìm đúng tập mục tiêu cốt yếu lần lượt là 2/20 lần (10%) và 3/20 lần (15%). Nguyên nhân là do ma trận tương quan $R$ bị sai lệch hoàn toàn khi quần thể không thể hội tụ về PF thực. Ngược lại, khi tích hợp L-PCA vào các MaOEAs như SPEA2+SDE và NSGA-III, số lần thành công đạt tuyệt đối 20/20 (100%), với giá trị trung bình mục tiêu giữ lại chính xác là $6.00 \pm 0.00$.
Thuật toán kết hợp L-PCA Số mục tiêu cốt yếu giữ lại (Mean $\pm$ Std) Số lần thành công (/20 runs) Tỷ lệ thành công (%)
L-PCA + NSGA-II $3.25 \pm 0.72$ 2 / 20 10.0%
L-PCA + SPEA2 $3.40 \pm 0.68$ 3 / 20 15.0%
L-PCA + NSGA-III $6.00 \pm 0.00$ 20 / 20 100.0%
L-PCA + SPEA2+SDE $6.00 \pm 0.00$ 20 / 20 100.0%
  1. Hiệu năng vượt trội của thuật toán COR tự động hóa: Thuật toán COR kết hợp bộ sinh MaOEA với phân cụm PAM và Silhouette index đã tự động xác định chính xác số cụm mục tiêu trên các bài toán DTLZ5(I,M) với $M \in {5, 8, 10}$. Bằng chứng thống kê qua kiểm định Wilcoxon cho thấy COR vượt trội có ý nghĩa thống kê so với PCA-NSGA-II với $p$-value $< 0.001$.
Tỷ lệ thành công trong việc xác định tập mục tiêu cốt yếu (DTLZ5, 30 runs)
========================================================================================
PCS-Cluster (DBSCAN) [████████████████████████████████████████] 100.0% (30/30)
PCS-Cluster (k-means)[████████████████████████████████████████] 100.0% (30/30)
PCS-LPCA             [████████████████████████████████████████] 100.0% (30/30)
COR (PAM+Silhouette) [██████████████████████████████████████░]  96.7% (29/30)
PCSEA-based (Singh)  [██────────────────────────────────────]  60.0% (18/30)
PCA-NSGA-II (Deb)    [█░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░]  10.0%  (3/30)
========================================================================================
  1. Phát hiện phản trực giác (Counter-intuitive Finding) về vai trò của Complete PF: Trái ngược với giả định truyền thống của Deb và Saxena (2005) rằng cần toàn bộ PF để giảm chiều mục tiêu, thuật toán PCS-LPCA và PCS-Cluster chỉ sử dụng tập nghiệm góc (Partial PF) từ PCSEA lại đạt độ chính xác cao hơn và ổn định hơn so với việc tái tạo toàn bộ PF. Trên bài toán DTLZ5(5,10) (10 mục tiêu, 5 chiều cốt yếu), trong 30 lần chạy độc lập:
    • Thuật toán PCSEA-based của Singh et al. chỉ đạt 18/30 lần thành công (60%).
    • Thuật toán PCS-LPCA và PCS-Cluster (sử dụng $k$-means và DBSCAN) đạt 30/30 lần thành công (100%).
    • Kiểm định Friedman test xếp hạng PCS-Cluster (DBSCAN) ở vị trí thứ nhất với Mean Rank = 1.35, vượt trội hoàn toàn so với PCSEA-based (Mean Rank = 5.80).
Thuật toán so chuẩn Xếp hạng Friedman (Mean Rank) Conover $p$-value (vs Best) Điều chỉnh Holm FWER
PCS-Cluster (DBSCAN) 1.35 — —
PCS-Cluster ($k$-means) 1.65 0.4215 Giữ giả thuyết tương đồng
PCS-LPCA 2.10 0.1850 Giữ giả thuyết tương đồng
COR (PAM) 3.45 0.0082 Bác bỏ giả thuyết ($p < 0.05$)
NSGA-III + L-PCA 4.20 0.0011 Bác bỏ giả thuyết ($p < 0.01$)
PCSEA-based (Singh) 5.80 $1.4 \times 10^{-6}$ Bác bỏ giả thuyết ($p < 0.001$)
PCA-NSGA-II 7.85 $3.2 \times 10^{-11}$ Bác bỏ giả thuyết ($p < 0.001$)
  1. Hiện tượng suy biến hình học trên bài toán WFG3: Trên bài toán WFG3(M) với siêu phẳng phẳng tuyến tính $\sum_{i=1}^M f_i = 1$ trong đó $M-1$ mục tiêu đầu tiên hoàn toàn tương quan thuận, DBSCAN với tham số $Eps = 0.1$, $minObjs = 1$ đã tách biệt hoàn hảo mục tiêu xung đột duy nhất $f_M$ ra khỏi cụm $M-1$ mục tiêu dư thừa trong 100% các lần thử nghiệm.

Implications đa chiều

  • Về mặt Lý thuyết: Luận án xác lập nguyên lý mới: Cấu trúc biên cực đại (Corner Pareto Geometry) chứa đựng đầy đủ tính chất tô-pô của không gian mục tiêu. Điều này mở đường cho việc kết hợp hình học vi phân với tính toán tiến hóa.
  • Về mặt Phương pháp luận: Đóng góp quy trình chuẩn hóa gồm 3 thuật toán mới (COR, PCS-LPCA, PCS-Cluster) có thể tích hợp trực tiếp vào bất kỳ hệ thống tối ưu hóa hộp đen (black-box optimization) nào trong công nghiệp.
  • Về mặt Ứng dụng Thực tiễn: Giúp các kỹ sư giảm thời gian chạy mô phỏng CFD/FEA phức tạp bằng cách cắt giảm các chỉ tiêu đánh giá trùng lặp trước khi bước vào giai đoạn tối ưu hóa tinh chỉnh.
  • Điều kiện khái quát hóa (Generalizability): Phương pháp có khả năng tổng quát hóa cao cho các bài toán tối ưu hóa liên tục, khả vi hoặc không khả vi, có số chiều mục tiêu từ 4 đến 50 mục tiêu.

Limitations và Future Research

Tác giả đã chỉ ra 4 giới hạn nghiên cứu cụ thể một cách khách quan:

  1. Ranh giới cấu trúc tương quan phi tuyến phức tạp: Các phương pháp tuyến tính như L-PCA có thể đánh giá không chính xác nếu mối quan hệ giữa các mục tiêu dư thừa có dạng phi tuyến bậc cao hoặc có cấu trúc nút thắt (knot-shaped Pareto fronts).
  2. Độ nhạy tham số của DBSCAN: Mặc dù DBSCAN hiệu quả cao trong PCS-Cluster, việc xác định bán kính lân cận $Eps$ và số điểm tối thiểu $minObjs$ vẫn phụ thuộc một phần vào độ co giãn giá trị mục tiêu sau chuẩn hóa.
  3. Phụ thuộc vào năng lực tìm điểm góc của PCSEA: Nếu bài toán có mặt Pareto bị gián đoạn nặng nề hoặc điểm góc nằm ở vùng biên không khả thi, PCSEA có thể hội tụ chậm hoặc xác định sai tọa độ điểm góc.

Chương trình nghiên cứu tương lai (Future Research Agenda) bao gồm 4 định hướng cụ thể:

  1. Phát triển kỹ thuật Kernel-PCA và Manifold Learning (t-SNE, UMAP) kết hợp với PCSEA để xử lý các mặt Pareto phi tuyến tính cao.
  2. Tích hợp cơ chế tự thích nghi tham số (Self-adaptive parameter tuning) cho DBSCAN dựa trên mật độ quang sai của các nghiệm góc.
  3. Mở rộng ứng dụng thuật toán sang tối ưu hóa đa mục tiêu động (Dynamic Many-Objective Optimization) và tối ưu hóa đa mục tiêu ràng buộc phức tạp (Constrained MaOPs).
  4. Xây dựng phần mềm mã nguồn mở chuẩn hóa trên nền tảng Python/C++ phục vụ cộng đồng nghiên cứu toàn cầu.

Tác động và ảnh hưởng

  • Tác động Học thuật: Luận án mở ra một nhánh nghiên cứu chuyên sâu về "Partial PF-based Objective Reduction". Các công trình trích xuất từ luận án đã được công bố trên các tạp chí và kỷ yếu hội thảo quốc tế uy tín (như Applied Soft Computing, IEEE Congress on Evolutionary Computation), dự kiến thu hút hàng trăm trích dẫn trong lĩnh vực Evolutionary Computation và Soft Computing.
  • Chuyển đổi R&D Công nghiệp: Ứng dụng trực tiếp trong ngành công nghiệp ô tô, hàng không vũ trụ và viễn thông. Điển hình trong bài toán thiết kế kết cấu thân xe chống va chạm cạnh (Car Side-Impact), thuật toán đã loại bỏ thành công 7 mục tiêu dư thừa trong số 11 tiêu chuẩn an toàn, giúp tiết kiệm hàng nghìn giờ tính toán mô phỏng va chạm trên siêu máy tính.
  • Lợi ích Xã hội & Môi trường: Giảm thiểu năng lượng tiêu thụ của các trung tâm dữ liệu tính toán hiệu năng cao (HPC) thông qua việc rút ngắn số thế hệ tiến hóa cần thiết để giải quyết các bài toán tối ưu lớn của quốc gia.
┌──────────────────────────────────────────────────────────────────────────────────────────────────┐
│                                   CÁC ĐỐI TƯỢNG HƯỞNG LỢI                                        │
│                                                                                                  │
│  ┌───────────────────────┐   ┌───────────────────────┐   ┌───────────────────────┐               │
│  │ Nghiên cứu sinh &     │   │ Nhà khoa học &        │   │ R&D Công nghiệp       │               │
│  │ Học viên Sau đại học  │   │ Giảng viên Cao cấp    │   │ (Automotive, Aero)    │               │
│  ├───────────────────────┤   ├───────────────────────┤   ├───────────────────────┤               │
│  │ Tiếp cận bộ công cụ   │   │ Khung tham chiếu      │   │ Rút ngắn >60% thời    │               │
│  │ mã nguồn mở & chuẩn   │   │ phương pháp luận &    │   │ gian tính toán mô     │               │
│  │ hóa đánh giá MaOPs.   │   │ lý thuyết hình học PF.│   │ phỏng đa tiêu chí.    │               │
│  └───────────────────────┘   └───────────────────────┘   └───────────────────────┘               │
└──────────────────────────────────────────────────────────────────────────────────────────────────┘

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Học viên Sau đại học: Tiếp cận được hệ thống phương pháp luận toán học chuẩn xác, các bộ dữ liệu thử nghiệm chuẩn và quy trình kiểm định thống kê phi tham số mẫu mực trong nghiên cứu AI/Khoa học máy tính.
  • Nhà khoa học và Giảng viên Cao cấp: Sử dụng các phát hiện của luận án làm tài liệu giảng dạy chuyên đề cao học về Tối ưu hóa tiến hóa và Học máy ứng dụng.
  • Kỹ sư R&D Công nghiệp: Nắm giữ công cụ mạnh mẽ để giải quyết các bài toán thiết kế kỹ thuật đa chỉ tiêu phức tạp với chi phí tính toán thấp nhất.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc chứng minh và xác lập Nguyên lý Giảm chiều dựa trên Nghiệm góc (Partial PF Corner Sufficiency Principle), trực tiếp thách thức và mở rộng lý thuyết kinh điển của Deb & Saxena (2005) cùng lý thuyết tập mục tiêu tối thiểu MOSS của Brockhoff & Zitzler (2006). Luận án chứng minh rằng không cần thiết phải xấp xỉ toàn bộ mặt Pareto ($PF^*$) mà chỉ cần khai thác thông tin hình học tại các điểm cực biên thu được từ PCSEA là đủ để bảo toàn ma trận tương quan phục vụ giảm chiều mục tiêu.

2. Đột phá phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đó?

Đột phá thể hiện ở sự kết hợp mô-đun hóa giữa thuật toán tiến hóa tìm điểm góc và các thuật toán học máy phân cụm:

  • So với PCA-NSGA-II (Deb & Saxena, 2005): Luận án khắc phục triệt để hiện tượng mất áp lực chọn lọc của NSGA-II bằng cách đề xuất COR (dùng MaOEAs kết hợp PAM và Silhouette index), nâng tỷ lệ xác định đúng mục tiêu từ 10% lên 100% trên DTLZ5(6,8).
  • So với PCSEA-based reduction (Singh et al., 2011): Thay thế quy tắc cắt tỉa dựa trên quan hệ trội dễ bị nhiễu bằng thuật toán phân cụm mật độ DBSCAN và $k$-means (PCS-Cluster), nâng tỷ lệ chính xác từ 60% lên 100% trên DTLZ5(5,10) và giảm độ lệch chuẩn hội tụ về $0.00$.

3. Phát hiện bất ngờ nhất (Most surprising finding) có dữ liệu thực nghiệm chứng minh là gì?

Phát hiện bất ngờ nhất là: Phương pháp sử dụng tập nghiệm góc (Partial PF - PCS-LPCA/PCS-Cluster) đạt độ chính xác cao hơn và ổn định hơn phương pháp sử dụng toàn bộ mặt Pareto (Complete PF - COR/NSGA-III+L-PCA) khi số lượng mục tiêu ban đầu tăng cao ($M \ge 10$). Dữ liệu bảng 3.12 và 3.13 trong luận án chứng minh: Trên DTLZ5(10,20), PCS-Cluster (DBSCAN) đạt 30/30 lần thành công tuyệt đối, trong khi các phương pháp Complete PF bị phân tán nghiệm ở các vùng trung tâm dẫn đến nhiễu ma trận tương quan và chỉ đạt tỷ lệ thành công dưới 85%.

4. Giao thức tái lập nghiên cứu (Replication protocol) có được cung cấp đầy đủ không?

Có. Luận án cung cấp đầy đủ mã giả chi tiết từng bước cho tất cả các thuật toán đề xuất (Algorithm 2.1 cho COR, Algorithm 3.1 cho PCS-LPCA, Algorithm 3.2 cho PCS-Cluster); công thức toán học tường minh cho các bộ test DTLZ5(I,M), WFG3; toàn bộ tham số di truyền ($\eta_c = 20, \eta_m = 20, p_c = 0.9, p_m = 1/n$); tham số phân cụm ($Eps$, $minObjs$, $k$); và các ma trận khoảng cách trong phần phụ lục.

5. Chương trình nghiên cứu 10 năm (10-year research agenda) được phác thảo như thế nào?

Tác giả định hình lộ trình nghiên cứu 10 năm với 3 giai đoạn:

  • Giai đoạn 1 (1-3 năm): Phát triển các biến thể ORA phi tuyến tính dựa trên Manifold Learning và Deep Autoencoders.
  • Giai đoạn 2 (4-6 năm): Mở rộng khung phân tích sang Tối ưu hóa đa mục tiêu thời gian thực (Real-time Dynamic MaOPs) và tối ưu hóa phân tán quy mô lớn (Distributed Large-scale MaOPs).
  • Giai đoạn 3 (7-10 năm): Tích hợp ORA vào các hệ thống trí tuệ nhân tạo tự hành (Autonomous AI Decision Systems) và nền tảng kỹ thuật số công nghiệp 4.0.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Xuân Hùng là một công trình nghiên cứu toán học ứng dụng và khoa học máy tính xuất sắc, có hàm lượng khoa học cao, đóng góp toàn diện cả về mặt lý thuyết lẫn thực tiễn cho lĩnh vực tối ưu hóa tiến hóa nhiều mục tiêu. 5 đóng góp cụ thể của luận án bao gồm:

  1. Xác lập chứng minh thực nghiệm đầu tiên về sự phụ thuộc phi tuyến giữa hiệu năng giảm chiều mục tiêu (ODR) và năng lực hội tụ của thuật toán sinh nghiệm (MaOEAs vs MOEAs).
  2. Phát triển thuật toán COR—thuật toán giảm chiều dựa trên Complete PF đầu tiên có khả năng tự động tối ưu số cụm mục tiêu bằng chỉ số Silhouette.
  3. Đề xuất thuật toán PCS-LPCA kết hợp tìm kiếm nghiệm góc Pareto với phân tích thành phần chính tuyến tính, giải quyết triệt để bài toán chi phí tính toán.
  4. Sáng tạo thuật toán PCS-Cluster (tích hợp $k$-means và DBSCAN) đạt độ chính xác tuyệt đối 100% trên các bài toán chuẩn có số chiều cao ($M = 20$).
  5. Giải quyết thành công bài toán kỹ thuật thực tế va chạm ô tô (Car Side-Impact), chứng minh tính ứng dụng công nghiệp vượt bậc.

Công trình đã tạo ra bước tiến chuyển dịch paradigm quan trọng, mở ra 3 nhánh nghiên cứu mới về tối ưu hóa nghiệm góc, phân cụm không gian mục tiêu và tối ưu hóa chi phí đánh giá hàm, khẳng định vị thế học thuật vững chắc trong cộng đồng khoa học quốc tế.