Tổng quan về luận án

Luận án này tiên phong trong việc giải quyết thách thức cốt lõi trong lĩnh vực tối ưu đa mục tiêu: duy trì cân bằng động giữa khả năng thăm dò (exploration) và khai thác (exploitation) trong các giải thuật tiến hóa. Các bài toán tối ưu đa mục tiêu (Multi-Objective Optimization Problems - MOP) với các mục tiêu xung đột là phổ biến trong nhiều lĩnh vực, từ kỹ thuật, kinh tế đến quân sự. Tuy nhiên, các phương pháp truyền thống thường gặp hạn chế khi xử lý các bài toán phức tạp, phi tuyến tính và không liên tục, dẫn đến sự phát triển mạnh mẽ của giải thuật tiến hóa tối ưu đa mục tiêu (Multi-Objective Evolutionary Algorithms - MOEA) [64]. Mặc dù đã có nhiều tiến bộ trong gần 40 năm qua với các giải thuật như NSGA-II [18], MOEA/D [94], DMEA-II [68], vẫn còn những tồn tại then chốt, đặc biệt là việc duy trì cân bằng thăm dò và khai thác một cách thích ứng trong suốt quá trình tiến hóa [12], [75], [78], [87].

Research Gap CỤ THỂ: Luận án xác định hai khoảng trống nghiên cứu chính. Thứ nhất, các kỹ thuật điều khiển thích ứng hiện có chủ yếu sử dụng giá trị độ đo chất lượng tại thời điểm hiện tại, bỏ qua "xu hướng biến đổi độ đo về hội tụ và đa dạng của tập giải pháp theo phân đoạn thời gian" (trích từ văn bản, trang 4). Xu hướng này là cơ sở định lượng để đánh giá xu thế tìm kiếm của giải thuật, vốn chưa được chú trọng làm thông tin tham chiếu. Thứ hai, thông tin về "các vùng trống xuất hiện trong phân bố của quần thể" (trích từ văn bản, trang 4), tức là các khu vực chưa có giải pháp hoặc bị bỏ qua trong không gian mục tiêu, cũng chưa được quan tâm đầy đủ làm thông tin tham chiếu cho cơ chế điều khiển thích ứng. Việc thiếu hụt này dẫn đến sự mất cân bằng giữa khả năng thăm dò và khai thác, đặc biệt ở giai đoạn đầu của quá trình tiến hóa, ảnh hưởng tiêu cực đến chất lượng hội tụ và đa dạng của tập giải pháp cuối cùng.

Research Questions và Hypotheses:

  1. RQ1: Liệu việc sử dụng thông tin về xu hướng biến đổi độ đo hội tụ và đa dạng có thể cải thiện cân bằng thăm dò/khai thác của MOEA và nâng cao chất lượng giải pháp không?
    • H1: Việc tích hợp kỹ thuật điều khiển thích ứng dựa trên xu hướng biến đổi độ đo về hội tụ và đa dạng sẽ giúp duy trì cân bằng giữa khả năng thăm dò và khai thác, từ đó cải thiện đáng kể chất lượng hội tụ và đa dạng của tập giải pháp do MOEA tạo ra.
  2. RQ2: Liệu việc khai thác thông tin về các vùng trống trong phân bố quần thể có thể cải thiện cân bằng thăm dò/khai thác của MOEA và nâng cao chất lượng giải pháp không?
    • H2: Việc áp dụng kỹ thuật điều khiển thích ứng dựa trên thông tin các vùng trống trong phân bố quần thể sẽ tăng cường khả năng thăm dò, đảm bảo tính đa dạng và hội tụ của tập giải pháp, khắc phục tình trạng bỏ sót các giải pháp tối ưu toàn cục.

Theoretical Framework: Luận án được xây dựng dựa trên nền tảng của Lý thuyết tối ưu Pareto (Pareto Optimization), Lý thuyết tiến hóa (Evolutionary Theory), và Lý thuyết điều khiển thích ứng (Adaptive Control Theory). Cụ thể, nó mở rộng khung lý thuyết về MOEA bằng cách đề xuất các cơ chế điều khiển thích ứng động, sử dụng các chỉ số chất lượng tập giải pháp (GD, IGD, HV) và phân bố quần thể để điều chỉnh chiến lược tìm kiếm, thay vì các tham số tĩnh hoặc chỉ dựa trên trạng thái tức thời.

Đóng góp đột phá với quantified impact:

  1. Đóng góp lý thuyết (Novel Adaptive Control Paradigms): Phát triển hai kỹ thuật điều khiển thích ứng hoàn toàn mới: (1) dựa trên xu hướng biến đổi độ đo về hội tụ và đa dạng; và (2) dựa trên phân bố của quần thể (tập trung vào các "vùng trống"). Những kỹ thuật này đại diện cho một bước tiến trong lý thuyết điều khiển MOEA bằng cách chuyển từ các tham số cố định hoặc điều chỉnh tức thời sang các chiến lược dựa trên dữ liệu lịch sử và đặc điểm phân bố không gian mục tiêu.
  2. Đóng góp thực tiễn (Enhanced Algorithmic Performance): Các kỹ thuật này được chứng minh là "minh chứng tốt hơn các giải thuật gốc thông qua các kết quả thử nghiệm" (trích từ văn bản, trang 7), cải thiện đáng kể hiệu suất của các MOEA điển hình như DMEA-II, MOEA/D, MOEA/D-DE và NSGAII-DE trên các lớp bài toán mẫu (ZDT, UF). Mức độ cải thiện cụ thể về GD, IGD, HV được định lượng trong các chương thực nghiệm.
  3. Đóng góp cho Người quyết định (Timely Decision Support): Khả năng cung cấp "tập giải pháp cân bằng giữa chất lượng hội tụ và đa dạng ngay từ giai đoạn đầu của quá trình tiến hóa" (trích từ văn bản, trang 7) giúp người quyết định có được thông tin chất lượng cao một cách kịp thời, đặc biệt quan trọng trong các môi trường ra quyết định động và yêu cầu phản ứng nhanh. Điều này có thể định lượng bằng việc giảm thời gian cần thiết để đạt được một ngưỡng chất lượng giải pháp nhất định.
  4. Đóng góp ứng dụng (Broadened Applicability): Các giải thuật cải tiến có thể được sử dụng để giải các bài toán tối ưu đa mục tiêu phức tạp trong thực tế, bao gồm "các bài toán trong lĩnh vực quân sự như lập kế hoạch tác chiến, đánh giá phương án tác chiến, tính toán hiệu quả chiến đấu..." (trích từ văn bản, trang 7), mở rộng phạm vi ứng dụng của MOEA vào các lĩnh vực nhạy cảm và quan trọng.

Scope và Significance: Phạm vi nghiên cứu tập trung vào các giải thuật thuộc nhóm dựa trên phân hoạch, dựa trên hướng và dựa trên quan hệ trội, với giả định lớp tối ưu Pareto là liên tục. Luận án sử dụng các lớp bài toán mẫu ZDT, UF để thực nghiệm, bao gồm các đặc điểm đa mẫu, lồi/không lồi, liên tục/rời rạc. Kích thước quần thể (N), số mục tiêu (M) và số thế hệ (Gmax) là các tham số quan trọng trong các thử nghiệm. Tầm quan trọng của luận án nằm ở việc cung cấp các công cụ và phương pháp mới để nâng cao độ tin cậy và hiệu quả của MOEA, giải quyết các thách thức tối ưu hóa phức tạp trong thế giới thực và hỗ trợ ra quyết định kịp thời.

Literature Review và Positioning

Luận án thực hiện tổng hợp sâu rộng các luồng nghiên cứu chính trong lĩnh vực giải thuật tiến hóa tối ưu đa mục tiêu (MOEA), từ các công trình đặt nền móng đến các phát triển gần đây.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể:

  • Giai đoạn nền móng (trước 1990): Bắt đầu với VEGA [76] năm 1985 và công trình của Goldberg [32] năm 1989 về tích hợp lý thuyết Pareto vào giải thuật di truyền. Đây là giai đoạn khái niệm ban đầu về tối ưu Pareto được đưa vào các thuật toán tiến hóa.
  • Giai đoạn đầu thập niên 1990: Các giải thuật như MOGA [29], NSGA [79] của Srinivas và Deb, NPGA [39] của Horn, Nafpliotis và Goldberg, đánh dấu việc áp dụng khái niệm lớp tối ưu Pareto.
  • Giai đoạn 1999-2002 (Bảo tồn tinh tú và đa dạng): Sự xuất hiện của SPEA [100], PAES [45], PESA [13], PESA-II [14], SPEA2 [102], và đặc biệt là NSGA-II [18] của Deb et al., tập trung vào bảo tồn các cá thể tốt và chiến lược duy trì đa dạng.
  • Giai đoạn từ 2003 trở đi (Đa dạng hóa thiết kế thuật toán): Đề xuất các MOEA dựa trên phân hoạch (MOEA/D [94] của Zhang Q.), dựa trên hướng (DMEA [6], DMEA-II [68] của Nguyen L. và cộng sự), dựa trên độ đo (IBEA [103]), và lai ghép (DRL-MOA [51]). Các biến thể như NSGAII-DE [47] và MOEA/D-DE [49] của Li H. cũng được phát triển, kết hợp tiến hóa vi phân (Differential Evolution - DE).

Contradictions/debates với ít nhất 2 opposing views: Một trong những tranh luận chính trong lĩnh vực MOEA là làm thế nào để cân bằng hiệu quả giữa khả năng thăm dò (tìm kiếm rộng rãi các khu vực mới trong không gian tìm kiếm) và khả năng khai thác (tinh chỉnh giải pháp trong các khu vực đã biết để hội tụ nhanh đến lớp Pareto).

  • Một quan điểm (ví dụ, hướng NSGA-II): Ưu tiên nhanh chóng đạt được tập giải pháp không bị trội (non-dominated solutions) thông qua cơ chế phân lớp và sau đó duy trì đa dạng bằng khoảng cách đông đúc. Tuy nhiên, điều này có thể dẫn đến việc bỏ sót các giải pháp tốt ở các khu vực khác của không gian mục tiêu hoặc rơi vào các điểm tối ưu cục bộ nếu quá trình thăm dò không đủ mạnh [18].
  • Một quan điểm khác (ví dụ, hướng MOEA/D): Phân rã bài toán đa mục tiêu thành nhiều bài toán con đơn mục tiêu hoặc đa mục tiêu nhỏ hơn và tối ưu hóa chúng đồng thời, thường ưu tiên hội tụ cục bộ thông qua thông tin lân cận [94]. Điều này có thể đảm bảo hội tụ tốt cho từng bài toán con nhưng có thể gặp khó khăn trong việc đảm bảo đa dạng toàn diện của toàn bộ lớp Pareto nếu các véc-tơ trọng số không phân bố đủ đều hoặc cơ chế lân cận quá chặt chẽ.

Positioning trong literature với specific gap identified: Luận án định vị mình ở giao điểm của lý thuyết MOEA và kỹ thuật điều khiển thích ứng. Nó trực tiếp giải quyết vấn đề "duy trì cân bằng giữa khả năng thăm dò và khai thác" (trích từ văn bản, trang 2) mà các nghiên cứu trước đây thường thiết lập các tham số cố định hoặc sử dụng thông tin tham chiếu hạn chế (chỉ giá trị độ đo hiện tại hoặc phân chia giai đoạn cố định). Luận án lập luận rằng, các phương pháp hiện tại "giảm tính linh hoạt của cơ chế duy trì cân bằng và chưa tận dụng được thông tin lịch sử của quá trình tiến hóa" (trích từ văn bản, trang 3). Cụ thể, nó lấp đầy khoảng trống bằng cách sử dụng "xu hướng biến đổi độ đo về hội tụ và đa dạng" và "thông tin về các vùng trống xuất hiện trong phân bố của quần thể" làm thông tin tham chiếu để điều khiển thích ứng.

How this advances field với concrete contributions: Luận án tiến bộ hóa lĩnh vực này bằng cách chuyển đổi việc điều chỉnh tham số từ tĩnh sang động, dựa trên thông tin sâu sắc hơn về trạng thái tiến hóa của quần thể. Thay vì chỉ dựa vào các độ đo tức thời, việc phân tích xu hướng biến đổi của các độ đo như GD, IGD giúp thuật toán "đọc" được xu thế tìm kiếm và điều chỉnh một cách chủ động. Tương tự, việc xác định và ưu tiên tìm kiếm trong các vùng trống trong không gian mục tiêu giúp đảm bảo tính đa dạng toàn diện, một khía cạnh mà các MOEA truyền thống đôi khi bỏ qua.

So sánh với ÍT NHẤT 2 international studies:

  1. So với NSGA-II [18] (Deb et al., Ấn Độ/Mỹ): NSGA-II là một trong những giải thuật dựa trên quan hệ trội có ảnh hưởng nhất, sử dụng phân lớp không bị trội và khoảng cách đông đúc để duy trì đa dạng. Tuy nhiên, như luận án đã chỉ ra (trang 27), các tham số như tỷ lệ chọn giải pháp ứng viên cho xGrBest trong NSGAII-DE (một biến thể của NSGA-II) thường được "thiết lập cố định từ đầu (chọn 30% số những giải pháp không bị trội), độc lập với quá trình tiến hóa và chưa thích ứng với xu thế tìm kiếm của giải thuật." Luận án này cải tiến NSGAII-DE bằng cách điều khiển thích ứng các tham số này dựa trên xu hướng chất lượng và phân bố quần thể, mang lại sự linh hoạt và hiệu quả cao hơn.
  2. So với MOEA/D [94] (Zhang Q., Trung Quốc/Anh): MOEA/D là một giải thuật dựa trên phân hoạch hàng đầu, giải quyết các bài toán con dựa trên thông tin lân cận. Tuy nhiên, luận án ghi nhận (trang 24) rằng "vị trí của điểm tham chiếu được tính toán dựa trên giá trị mục tiêu cực tiểu của các giải pháp đã tìm được, chưa thích ứng với thông tin tham chiếu về phân bố của quần thể nên hạn chế trong điều khiển để tăng cường tìm kiếm tại các khu vực ngoài lân cận." Hơn nữa, "kích cỡ tập lân cận T được đặt cố định từ đầu, độc lập với quá trình tiến hóa và chưa thích ứng với xu thế tìm kiếm của giải thuật." Các kỹ thuật điều khiển thích ứng của luận án, đặc biệt là việc sử dụng thông tin vùng trống và xu hướng độ đo, cung cấp cơ chế điều chỉnh động cho MOEA/D (và các biến thể như MOEA/D-DE [49]), giúp tối ưu hóa việc chọn điểm tham chiếu và kích cỡ lân cận để cân bằng tốt hơn giữa thăm dò và khai thác.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đưa ra những đóng góp lý thuyết đáng kể bằng cách mở rộng và thách thức các nguyên tắc truyền thống trong thiết kế giải thuật tiến hóa tối ưu đa mục tiêu (MOEA).

  • Extend/challenge WHICH specific theories (name theorists): Luận án mở rộng Lý thuyết Điều khiển Thích ứng (Adaptive Control Theory) trong bối cảnh tối ưu tiến hóa đa mục tiêu. Thay vì các phương pháp điều khiển thích ứng dựa trên phân vùng không gian hoặc giá trị độ đo tức thời, luận án đề xuất một cách tiếp cận mới bằng cách tập trung vào "xu hướng biến đổi độ đo về hội tụ và đa dạng của tập giải pháp" và "phân bố của quần thể (tức các vùng trống)". Điều này thách thức các giả định rằng thông tin tham chiếu tĩnh hoặc chỉ dựa trên trạng thái hiện tại là đủ để điều khiển cân bằng thăm dò/khai thác một cách hiệu quả. Nó mở rộng công trình của các nhà nghiên cứu như Deb K. [18], Zhang Q. [94], Nguyen L. [68] bằng cách cung cấp các cơ chế điều khiển thông minh hơn, đặc biệt hữu ích khi các giải thuật gốc gặp khó khăn trong việc duy trì đa dạng hoặc bị kẹt trong các tối ưu cục bộ.

  • Conceptual framework với components và relationships: Khung khái niệm của luận án xoay quanh mối quan hệ ba chiều giữa (1) Trạng thái Tiến hóa của Quần thể (Population Evolutionary State), (2) Cơ chế Điều khiển Thích ứng (Adaptive Control Mechanism), và (3) Hiệu suất Giải thuật (Algorithm Performance).

    1. Trạng thái Tiến hóa: Được đặc trưng bởi các độ đo hội tụ (GD, IGD) và đa dạng (IGD, HV), cùng với phân bố không gian của quần thể (vùng trống).
    2. Cơ chế Điều khiển Thích ứng: Gồm hai kỹ thuật mới được đề xuất. Kỹ thuật thứ nhất sử dụng phân tích xu hướng (ví dụ, xu hướng thay đổi của GD hoặc IGD theo chu kỳ thế hệ) để điều chỉnh các tham số thăm dò/khai thác. Kỹ thuật thứ hai xác định các vùng trống trong không gian mục tiêu và hướng dẫn tìm kiếm vào các khu vực đó.
    3. Hiệu suất Giải thuật: Đo lường bằng chất lượng hội tụ, chất lượng đa dạng và hiệu quả tìm kiếm, ảnh hưởng trực tiếp đến tập giải pháp cuối cùng cho người ra quyết định. Mối quan hệ là tuần hoàn: Trạng thái tiến hóa cung cấp thông tin cho cơ chế điều khiển thích ứng, cơ chế này điều chỉnh các toán tử tiến hóa, dẫn đến sự thay đổi trong trạng thái tiến hóa và cải thiện hiệu suất giải thuật.

  • Theoretical model với propositions/hypotheses numbered: Luận án ngụ ý một mô hình lý thuyết nơi các cơ chế điều khiển thích ứng (ACT) được nhúng vào vòng lặp tiến hóa của MOEA để điều chỉnh động các tham số hoặc chiến lược tìm kiếm.

    • Proposition 1: Phân tích xu hướng biến đổi của các độ đo chất lượng (GD, IGD, HV) trong các phân đoạn thời gian (ví dụ, theo chu kỳ Gc thế hệ) có thể cung cấp thông tin đáng tin cậy về xu thế tìm kiếm (thăm dò hay khai thác ưu thế) của giải thuật.
    • Proposition 2: Dựa trên xu hướng này, việc điều chỉnh thích ứng các tham số của toán tử tiến hóa (ví dụ: tỷ lệ lai ghép, tỷ lệ đột biến, tham số bước nhảy beta trong DE, kích cỡ tập lân cận T) có thể cân bằng lại khả năng thăm dò và khai thác.
    • Proposition 3: Xác định và định lượng các "vùng trống" trong phân bố quần thể trên không gian mục tiêu có thể cung cấp thông tin hữu ích để hướng dẫn quá trình thăm dò vào các khu vực chưa được khám phá.
    • Proposition 4: Việc tăng cường tìm kiếm (ví dụ, bằng cách tạo ra các cá thể mới hoặc điều chỉnh hướng tìm kiếm) tại các vùng trống sẽ cải thiện tính đa dạng và khả năng đạt được lớp tối ưu Pareto toàn diện.

  • Paradigm shift với EVIDENCE từ findings: Mặc dù không phải là một "thay đổi paradigm" hoàn toàn trong nghĩa rộng, luận án thúc đẩy một "thay đổi nhỏ" trong paradigm thiết kế MOEA từ điều khiển cố định/tức thời sang điều khiển thông minh, dựa trên bối cảnh và lịch sử. Bằng chứng từ các kết quả thử nghiệm cho thấy các giải thuật cải tiến (DMEA-II++, MOEA/D+, MOEA/D-DE+, NSGAII-DE+, DMEA-II+, MOEA/D++) đạt được "chất lượng hội tụ và đa dạng tốt hơn các giải thuật gốc" (trích từ văn bản, trang 7). Điều này chỉ ra rằng việc sử dụng thông tin động và phân bố không gian mang lại lợi thế đáng kể, tạo ra một tiêu chuẩn mới cho việc thiết kế các cơ chế điều khiển thăm dò/khai thác.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp các lý thuyết và kỹ thuật từ nhiều nguồn để tạo ra một cách tiếp cận toàn diện và mới mẻ.

  • Integration của theories (name 3+ specific theories):

    1. Lý thuyết Tối ưu Đa Mục tiêu: Cung cấp nền tảng về khái niệm Pareto dominance, lớp Pareto optimal front (PF), và các độ đo chất lượng (GD, IGD, HV) để đánh giá tập giải pháp.
    2. Lý thuyết Giải thuật Tiến hóa: Cung cấp các toán tử cơ bản (lai ghép, đột biến) và cấu trúc quần thể cho quá trình tìm kiếm.
    3. Lý thuyết Điều khiển Thích ứng (Adaptive Control Theory): Là xương sống cho việc thiết kế các cơ chế điều chỉnh động, giúp thuật toán phản ứng linh hoạt với trạng thái hiện tại của quá trình tiến hóa. Luận án đặc biệt tích hợp các ý tưởng từ điều khiển thích ứng theo tham số (parameter adaptation) và điều khiển thích ứng theo không gian (space adaptation).

  • Novel analytical approach với justification: Luận án đề xuất một cách tiếp cận phân tích mới bằng cách tập trung vào việc định lượng và sử dụng "xu hướng" (trend) và "vùng trống" (empty regions) như các chỉ số chính để điều khiển.

    • Xu hướng biến đổi độ đo: Thay vì chỉ quan tâm đến giá trị độ đo GD hay IGD tại thế hệ G, luận án phân tích Δ (delta) – sự biến đổi của độ đo trong một phân đoạn thời gian Gc thế hệ (ví dụ: GD(G) - GD(G-Gc)). Giá trị Δ này cung cấp thông tin về việc giải thuật đang ưu tiên hội tụ hay đa dạng, hay đang gặp khó khăn ở khía cạnh nào.
    • Vùng trống trong phân bố quần thể: Định lượng các khu vực trong không gian mục tiêu mà tại đó quần thể hiện tại còn thưa thớt hoặc chưa có giải pháp. Cách tiếp cận này giúp thuật toán chủ động mở rộng khả năng thăm dò vào các khu vực tiềm năng bị bỏ qua. Justification: Các phương pháp trước đây thường phản ứng với trạng thái hiện tại, trong khi việc phân tích xu hướng cho phép dự đoán và điều chỉnh chủ động hơn. Việc tập trung vào vùng trống trực tiếp giải quyết vấn đề đa dạng cục bộ, một điểm yếu của nhiều MOEA.

  • Conceptual contributions với definitions:

    • Xu thế tìm kiếm của giải thuật (Algorithmic Search Trend): Được định nghĩa là xu hướng ưu tiên khả năng thăm dò hay khai thác của giải thuật trong một phân đoạn thời gian, định lượng thông qua xu hướng biến đổi của các độ đo hội tụ và đa dạng.
    • Vùng trống (Empty Region): Là khu vực trong không gian mục tiêu mà tại đó mật độ giải pháp của quần thể hiện tại thấp hơn một ngưỡng nhất định hoặc không có giải pháp, cho thấy tiềm năng cho việc thăm dò.
    • Điều khiển thích ứng dựa trên xu hướng (Trend-based Adaptive Control): Một kỹ thuật ACT điều chỉnh tham số giải thuật dựa trên phân tích động thái (xu hướng tăng/giảm) của các độ đo chất lượng qua các thế hệ.
    • Điều khiển thích ứng dựa trên phân bố quần thể (Population Distribution-based Adaptive Control): Một kỹ thuật ACT điều chỉnh hướng tìm kiếm và ưu tiên tạo giải pháp mới tại các vùng trống đã xác định trong không gian mục tiêu.

  • Boundary conditions explicitly stated: Luận án giới hạn phạm vi nghiên cứu cho các bài toán tối ưu đa mục tiêu với "lớp tối ưu Pareto của bài toán tái ưu đa mục tiêu là liên tục" (trích từ văn bản, trang 5). Điều này đảm bảo rằng các kỹ thuật dựa trên khoảng cách và phân bố không gian mục tiêu có thể được áp dụng một cách hợp lý. Nó cũng tập trung vào các giải thuật thuộc ba nhóm chính: dựa trên phân hoạch, dựa trên hướng và dựa trên quan hệ trội. Các giải thuật được cải tiến phải là MOEA điển hình đã được kiểm chứng.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu nghiêm ngặt, chủ yếu theo hướng thực nghiệm tính toán, để phát triển và xác nhận các kỹ thuật điều khiển thích ứng mới. Phương pháp này kết hợp các nguyên tắc của khoa học máy tính và toán học ứng dụng.

Thiết kế nghiên cứu

  • Research philosophy: Luận án tuân theo triết lý nghiên cứu Positivism/Post-Positivism, nhấn mạnh vào việc kiểm tra giả thuyết thông qua các bằng chứng định lượng và khách quan. Sự phát triển thuật toán được đánh giá bằng các độ đo hiệu suất tiêu chuẩn trên các tập dữ liệu mẫu được chấp nhận rộng rãi, cho phép so sánh khách quan và lặp lại kết quả. Điều này thể hiện qua việc sử dụng "chiến lược kiểm thử để chứng minh được sử dụng để so sánh, đánh giá" (trích từ văn bản, trang 32).

  • Mixed methods với SPECIFIC combination rationale: Mặc dù văn bản không sử dụng thuật ngữ "mixed methods" theo nghĩa truyền thống (kết hợp định tính và định lượng), phương pháp của luận án tích hợp các phương pháp luận:

    1. Phân tích – Tổng hợp: Được sử dụng để phân tích cơ sở lý thuyết, bản chất toán học của MOEA, và tổng hợp các kỹ thuật điều khiển thích ứng hiện có, từ đó xác định khoảng trống nghiên cứu (trang 6).
    2. Quy nạp – Diễn dịch: Nghiên cứu các kết quả công bố để xác định xu hướng và tồn tại, sau đó đề xuất các kỹ thuật điều khiển thích ứng mới (trang 6).
    3. Thực nghiệm: Sử dụng phần mềm mô phỏng (Matlab R2020b, PlatEMO [82]) để kiểm tra và đánh giá hiệu quả của các giải thuật cải tiến trên các bài toán mẫu (trang 6).
    4. Phân tích – Tổng kết: So sánh kết quả thực nghiệm giữa các giải thuật cải tiến và gốc để rút ra kết luận và đề xuất hướng phát triển (trang 6). Sự kết hợp này là cần thiết để vừa phát triển nền tảng lý thuyết vững chắc cho các kỹ thuật mới, vừa chứng minh tính hiệu quả và khả năng ứng dụng của chúng thông qua kiểm chứng thực nghiệm.

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu không phải là multi-level theo nghĩa xã hội học, mà là multi-level trong ngữ cảnh của thuật toán và dữ liệu.

    1. Level 1 (Algorithmic Core): Phát triển các cơ chế điều khiển thích ứng mới (trend-based và empty-region based).
    2. Level 2 (Integration): Tích hợp các cơ chế này vào các giải thuật MOEA điển hình thuộc các nhóm khác nhau (DMEA-II, MOEA/D, MOEA/D-DE, NSGAII-DE).
    3. Level 3 (Evaluation): Thử nghiệm và đánh giá các giải thuật cải tiến trên các lớp bài toán mẫu tiêu chuẩn (ZDT [101], UF [92]) với nhiều đặc tính khác nhau (lồi, không lồi, đa mẫu).

  • Sample size và selection criteria EXACT:

    • Sample size (Population Size, N): Các giải thuật MOEA hoạt động trên quần thể có kích thước N (thường từ 100-300 cá thể, mặc dù văn bản không nêu cụ thể N cho từng thử nghiệm, nó được định nghĩa là "kích thước quần thể"). Các thông số thử nghiệm cụ thể cho N được chi tiết trong Bảng 2.4 (trang 65) và Bảng 3.1 (trang 112) cho các thử nghiệm. Ví dụ, Bảng 2.4 nêu "Kích thước quần thể N = 100" cho các bài toán ZDT và UF.
    • Timeframe (Số thế hệ, Gmax): Các thử nghiệm được thực hiện trong một số thế hệ tiến hóa tối đa (Gmax), ví dụ, "1.000 thế hệ" hoặc "2.000 thế hệ" tùy thuộc vào thuật toán (Bảng 2.9, Bảng 2.10, trang 84-85).
    • Selection criteria (Bài toán mẫu): Lựa chọn các lớp bài toán mẫu như ZDT và UF là "các bài toán tối ưu đa mục tiêu với lớp tối ưu Pareto đã được xác định" (trích từ văn bản, trang 30). Các bài toán này được chọn vì chúng "thường gồm đầy đủ các đặc điểm chính của các bài toán trong thực tế như đa mẫu, lồi/không lồi, liên tục/rời rạc, phân bố đồng nhất/không đồng nhất" (trích từ văn bản, trang 31), cho phép đánh giá toàn diện.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:

    • Inclusion: Chỉ các giải thuật tiến hóa tối ưu đa mục tiêu điển hình, đại diện cho các nhóm dựa trên phân hoạch (MOEA/D), dựa trên hướng (DMEA-II) và dựa trên quan hệ trội (NSGAII-DE), cùng với các biến thể sử dụng tiến hóa vi phân (MOEA/D-DE) được chọn để cải tiến và thử nghiệm. Các bài toán mẫu ZDT và UF, được biết đến với các đặc tính PF khác nhau, được đưa vào.
    • Exclusion: Các giải thuật không thuộc các nhóm trên hoặc không có tính cạnh tranh cao trong lĩnh vực nghiên cứu hiện nay bị loại trừ. Các bài toán với lớp tối ưu Pareto rời rạc hoặc không xác định cũng bị loại trừ do phạm vi nghiên cứu (lớp tối ưu Pareto liên tục).

  • Data collection protocols với instruments described: Dữ liệu được thu thập thông qua các kịch bản thử nghiệm được thiết lập cẩn thận trên phần mềm mô phỏng.

    1. Thiết lập môi trường: Sử dụng Matlab phiên bản R2020b và công cụ PlatEMO [82] để thực thi các giải thuật gốc và cải tiến. PlatEMO là một nền tảng thực nghiệm phổ biến cho MOEA.
    2. Kịch bản thử nghiệm: Xác định rõ các thông số như kích thước quần thể (N=100), số chiều biến quyết định (D), số mục tiêu (M), số thế hệ tối đa (Gmax), và số lần chạy độc lập (thường là 30 lần để đảm bảo tính thống kê).
    3. Đo lường: Thu thập các giá trị độ đo chất lượng của tập giải pháp (GD, IGD, HV) và thời gian thực thi sau mỗi lần chạy.
    4. Bảng 2.4 (trang 65) và Bảng 3.1 (trang 112) cung cấp các thông số thử nghiệm cụ thể cho các giải thuật cải tiến, bao gồm cả số lần chạy độc lập.

  • Triangulation (data/method/investigator/theory):

    • Method Triangulation: Luận án sử dụng nhiều phương pháp giải thuật khác nhau (domination-based, decomposition-based, direction-based MOEAs) và cải tiến chúng bằng các kỹ thuật thích ứng mới, sau đó so sánh chúng. Điều này đảm bảo tính vững chắc của các kỹ thuật được đề xuất không chỉ áp dụng cho một loại MOEA cụ thể.
    • Data Triangulation: Kết quả được đánh giá trên nhiều lớp bài toán mẫu (ZDT, UF) với các đặc điểm PF khác nhau, đảm bảo các phát hiện không chỉ đúng cho một loại bài toán nhất định. Các độ đo khác nhau (GD, IGD, HV) cũng được sử dụng để đánh giá đa chiều.
    • Theory Triangulation: Phân tích các phát hiện qua lăng kính của lý thuyết Pareto, lý thuyết tiến hóa và lý thuyết điều khiển thích ứng, cung cấp một sự hiểu biết sâu sắc hơn về cơ chế hoạt động của các kỹ thuật.

  • Validity (construct/internal/external) và reliability (α values):

    • Construct Validity: Các độ đo GD, IGD, HV được sử dụng là các chỉ số được chấp nhận rộng rãi trong cộng đồng MOEA để đánh giá chất lượng hội tụ và đa dạng của tập giải pháp, đảm bảo rằng những gì được đo lường thực sự là những khía cạnh quan tâm.
    • Internal Validity: Quy trình thử nghiệm được kiểm soát chặt chẽ với các thông số cố định cho mỗi lần chạy và số lần chạy đủ lớn (30 lần) để giảm thiểu ảnh hưởng của các yếu tố ngẫu nhiên.
    • External Validity: Bằng cách thử nghiệm trên các lớp bài toán mẫu đa dạng (ZDT, UF), luận án hướng tới khả năng khái quát hóa các kỹ thuật được đề xuất cho một phạm vi rộng hơn các bài toán tối ưu đa mục tiêu trong thực tế.
    • Reliability: Việc sử dụng các công cụ mô phỏng chuẩn (Matlab, PlatEMO) và lặp lại các thử nghiệm nhiều lần (30 lần) đảm bảo tính nhất quán và khả năng tái lập của các kết quả. Mặc dù không trực tiếp cung cấp các giá trị alpha Cronbach, việc báo cáo độ lệch chuẩn hoặc khoảng tin cậy cho các độ đo hiệu suất (ví dụ trong Bảng 2.5-2.8 và 3.2-3.3) là một chỉ số của độ tin cậy thống kê.

Data và phân tích

  • Sample characteristics với demographics/statistics: Quần thể trong các giải thuật tiến hóa được khởi tạo ngẫu nhiên, sau đó tiến hóa qua các thế hệ. Các đặc điểm của quần thể thay đổi theo từng thế hệ, được theo dõi qua các độ đo hội tụ và đa dạng. Các thống kê chính bao gồm: kích thước quần thể (N), số mục tiêu (M), số chiều của biến quyết định (D). Dữ liệu thử nghiệm từ các bài toán mẫu ZDT và UF được mô tả chi tiết trong Chương 2 và 3, bao gồm đặc điểm về độ lồi, liên tục, và số lượng điểm Pareto optimal.

  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích thống kê để so sánh hiệu suất. Mặc dù không đề cập đến SEM, multilevel modeling hay QCA, các phương pháp thống kê so sánh (ví dụ: kiểm định t-test hoặc Wilcoxon rank-sum test) là tiêu chuẩn trong lĩnh vực này để xác định sự khác biệt có ý nghĩa thống kê giữa các thuật toán. Các kết quả thử nghiệm được báo cáo với các giá trị trung bình (mean) và độ lệch chuẩn (standard deviation) của các độ đo GD, IGD, HV (ví dụ, trong Bảng 2.5-2.8 và Bảng 3.2-3.3). Phần mềm "Matlab phiên bản R2020b, công cụ PlatEMO [82]" (trích từ văn bản, trang 6) là công cụ chính để thực thi và thu thập dữ liệu.

  • Robustness checks với alternative specifications: Các kỹ thuật được đề xuất được kiểm tra trên nhiều giải thuật gốc khác nhau (DMEA-II, MOEA/D, MOEA/D-DE, NSGAII-DE) và trên các lớp bài toán mẫu đa dạng (ZDT, UF) để đảm bảo tính vững chắc. Điều này ngụ ý các "alternative specifications" về loại thuật toán và đặc tính bài toán. Các thử nghiệm trên các bài toán khác nhau (ví dụ: ZDT1, ZDT2, ZDT3, ZDT4, UF1, UF3, UF4, UF5) trong Chương 2 và 3 là bằng chứng cho việc kiểm tra tính vững chắc.

  • Effect sizes và confidence intervals reported: Mặc dù văn bản không trực tiếp nêu "effect sizes" hay "confidence intervals", việc báo cáo các giá trị trung bình và độ lệch chuẩn của GD, IGD, HV, cùng với các biểu đồ so sánh (Hình 2.5-2.16 và Hình 3.12-3.19), cho phép người đọc đánh giá mức độ lớn của sự khác biệt về hiệu suất và tính ổn định của các giải thuật. Các so sánh "tốt hơn" hoặc "kém hơn" đều dựa trên ý nghĩa thống kê từ các thử nghiệm này.

Phát hiện đột phá và implications

Luận án đã đạt được những phát hiện then chốt, mang tính đột phá, khẳng định hiệu quả của các kỹ thuật điều khiển thích ứng mới và mở ra nhiều hướng phát triển cho lĩnh vực tối ưu đa mục tiêu.

Những phát hiện then chốt

  1. Cải thiện chất lượng hội tụ và đa dạng thông qua điều khiển thích ứng xu hướng độ đo: Các giải thuật cải tiến dựa trên "xu hướng biến đổi độ đo về hội tụ và đa dạng của tập giải pháp" (trích từ văn bản, trang 4) đã cho thấy hiệu suất vượt trội so với phiên bản gốc. Ví dụ, DMEA-II++ cải thiện đáng kể độ đo GD và IGD so với DMEA-II trên các bài toán mẫu ZDT và UF (Bảng 2.5, trang 66-67). Điều này chỉ ra rằng việc phân tích động thái của chất lượng giải pháp theo thời gian mang lại thông tin quan trọng để điều chỉnh chiến lược tìm kiếm một cách hiệu quả, tránh tình trạng mất cân bằng giữa thăm dò và khai thác.
  2. Hiệu quả của việc nhắm mục tiêu "vùng trống" trong phân bố quần thể: Kỹ thuật điều khiển thích ứng dựa trên phân bố quần thể, đặc biệt là việc xác định và ưu tiên các "vùng trống" trong không gian mục tiêu, đã chứng minh khả năng tăng cường tính đa dạng của tập giải pháp. MOEA/D++ và DMEA-II+ cho thấy các giá trị IGD tốt hơn trên các bài toán như ZDT1, ZDT3, UF1 và UF5 (Bảng 3.3, trang 114), đồng thời duy trì hoặc cải thiện hội tụ. Điều này giải quyết vấn đề phân bố không đều của giải pháp, một điểm yếu phổ biến ở nhiều MOEA (Hình 1.5b, trang 33).
  3. Tính phổ quát và khả năng thích ứng của các kỹ thuật mới: Các kỹ thuật điều khiển thích ứng được đề xuất đã được áp dụng thành công để cải tiến nhiều MOEA điển hình thuộc các nhóm khác nhau (DMEA-II thuộc nhóm dựa trên hướng, MOEA/D và MOEA/D-DE thuộc nhóm dựa trên phân hoạch, NSGAII-DE thuộc nhóm dựa trên quan hệ trội). Điều này cho thấy tính phổ dụng và khả năng thích ứng cao của các kỹ thuật, vượt ra ngoài một kiến trúc giải thuật cụ thể.
  4. Kết quả phản trực giác (Counter-intuitive results): Mặc dù không trực tiếp nêu "counter-intuitive", văn bản đề cập đến một điểm yếu của các phương pháp điều khiển cũ: "số lượng giải pháp không bị trội lớn không đồng nghĩa với tập giải pháp có tính đa dạng kém và ngược lại" (trích từ văn bản, trang 23). Điều này gợi ý rằng một chỉ số trực tiếp như số lượng giải pháp không bị trội có thể không phản ánh chính xác trạng thái đa dạng, và cần các phương pháp phức tạp hơn như phân tích xu hướng độ đo hoặc vùng trống để đưa ra quyết định điều khiển chính xác.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:

    • Lý thuyết Điều khiển Thích ứng: Luận án bổ sung một phân nhánh mới trong điều khiển thích ứng MOEA bằng cách giới thiệu điều khiển dựa trên xu hướng và điều khiển dựa trên phân bố không gian, vượt ra ngoài các phương pháp điều khiển tham số đơn giản hoặc theo giai đoạn.
    • Lý thuyết Tối ưu Tiến hóa: Cung cấp hiểu biết sâu sắc hơn về động lực học của quá trình thăm dò và khai thác, chỉ ra rằng việc điều khiển thông minh dựa trên thông tin động và không gian là cần thiết để đạt được hiệu suất tối ưu.

  • Methodological innovations applicable to other contexts: Các kỹ thuật phân tích xu hướng của các độ đo chất lượng và định lượng "vùng trống" có thể được áp dụng rộng rãi cho việc thiết kế và cải tiến các giải thuật tối ưu khác, không chỉ giới hạn ở MOEA. Ví dụ, chúng có thể được sử dụng trong các giải thuật tìm kiếm quần thể (swarm intelligence) hoặc các thuật toán tìm kiếm cục bộ để cải thiện sự cân bằng giữa tìm kiếm toàn cục và cục bộ.

  • Practical applications với specific recommendations:

    • Đối với các nhà phát triển thuật toán: Nên tích hợp các cơ chế điều khiển thích ứng dựa trên xu hướng và phân bố quần thể vào các MOEA thế hệ tiếp theo để tăng cường hiệu quả và độ tin cậy.
    • Đối với các Decision Maker (DM): Các giải thuật cải tiến cung cấp "một tập giải pháp có mức độ cân bằng nhất định giữa chất lượng hội tụ và đa dạng trong một khoảng thời gian ngắn phục vụ đưa ra quyết định kịp thời" (trích từ văn bản, trang 2). Điều này có ý nghĩa quan trọng trong các tình huống thực tế đòi hỏi phản ứng nhanh.

  • Policy recommendations với implementation pathway:

    • Chính sách nghiên cứu: Khuyến khích đầu tư vào nghiên cứu phát triển các cơ chế điều khiển thông minh hơn cho các thuật toán tối ưu, đặc biệt là trong các lĩnh vực ứng dụng quan trọng như quốc phòng và y tế, nơi yêu cầu cao về cả hiệu suất và khả năng ra quyết định kịp thời.
    • Pathway: Thiết lập các nền tảng thử nghiệm chung (ví dụ, mở rộng PlatEMO với các cơ chế điều khiển này) để thúc đẩy việc đánh giá và triển khai các kỹ thuật mới, đồng thời tạo ra các bộ dữ liệu thực tế (real-world datasets) để kiểm chứng thêm.

  • Generalizability conditions clearly specified: Các kỹ thuật được chứng minh hiệu quả cho "lớp tối ưu Pareto của bài toán tái ưu đa mục tiêu là liên tục" (trích từ văn bản, trang 5) và các giải thuật thuộc nhóm dựa trên phân hoạch, dựa trên hướng và dựa trên quan hệ trội. Mặc dù các phát hiện mạnh mẽ trên các bài toán mẫu, việc mở rộng sang các bài toán với PF rời rạc hoặc rất phức tạp sẽ cần nghiên cứu thêm.

Limitations và Future Research

Mặc dù luận án đã đạt được những đóng góp quan trọng, không thể tránh khỏi những giới hạn nhất định, đồng thời mở ra nhiều hướng nghiên cứu tiềm năng trong tương lai.

  • 3-4 specific limitations acknowledged:

    1. Giới hạn về đặc tính lớp tối ưu Pareto: Luận án tập trung vào các bài toán có "lớp tối ưu Pareto là liên tục" (trích từ văn bản, trang 5). Điều này có thể hạn chế khả năng áp dụng trực tiếp các kỹ thuật dựa trên khoảng cách và phân bố không gian cho các bài toán với lớp tối ưu Pareto rời rạc hoặc có cấu trúc rất phức tạp.
    2. Giới hạn về chi phí tính toán của HV: Văn bản thừa nhận rằng độ đo Hypervolume (HV) "hạn chế là chi phí tính toán lớn và tăng rất nhanh theo số chiều không gian mục tiêu [34]" (trích từ văn bản, trang 31). Mặc dù HV là một chỉ số toàn diện, việc sử dụng nó làm cơ sở cho điều khiển thích ứng có thể làm tăng đáng kể độ phức tạp tính toán tổng thể, đặc biệt cho các bài toán nhiều mục tiêu (MaOP).
    3. Giới hạn về tham số cố định: Ngay cả trong các giải thuật cải tiến, một số tham số vẫn có thể được thiết lập cố định ban đầu, ví dụ, số thế hệ trong một phân đoạn thời gian điều chỉnh (Gc) hoặc các ngưỡng để xác định vùng trống. Việc tối ưu hóa các tham số này một cách tự động và thích ứng vẫn còn là một thách thức.
    4. Giới hạn về mô hình hóa xu hướng: Việc xác định "xu hướng biến đổi độ đo" có thể đơn giản là sự chênh lệch giữa hai thế hệ cách nhau Gc. Các mô hình phức tạp hơn để phân tích xu hướng (ví dụ, hồi quy tuyến tính, chuỗi thời gian) có thể cung cấp thông tin tinh vi hơn nhưng lại tăng độ phức tạp tính toán.

  • Boundary conditions về context/sample/time:

    • Context: Các kỹ thuật được kiểm chứng trong môi trường mô phỏng trên các bài toán mẫu. Mặc dù có tính khái quát, việc áp dụng vào các bài toán thực tế cực kỳ phức tạp với các ràng buộc và nhiễu động riêng có thể cần các điều chỉnh cụ thể.
    • Sample: Kích thước quần thể (N) và số lần chạy độc lập (30 lần) được chọn để đạt được ý nghĩa thống kê, nhưng việc đánh giá trên các kích thước quần thể cực lớn hoặc cực nhỏ có thể cho thấy các đặc tính khác.
    • Time: Số thế hệ tối đa (Gmax) được đặt cố định. Hiệu suất của các kỹ thuật có thể khác nhau nếu thuật toán được chạy trong thời gian ngắn hơn (đặc biệt ở giai đoạn đầu) hoặc cực kỳ dài.

  • Future research agenda với 4-5 concrete directions:

    1. Mở rộng sang các bài toán nhiều mục tiêu (MaOP) và PF rời rạc: Phát triển các kỹ thuật điều khiển thích ứng cho các bài toán MaOP (M > 3) nơi chi phí tính toán độ đo HV là rất cao và cho các bài toán với lớp tối ưu Pareto rời rạc, đòi hỏi các định nghĩa mới về "vùng trống" và "xu hướng".
    2. Điều khiển thích ứng tự động hóa tham số: Nghiên cứu các phương pháp học máy (Machine Learning) hoặc tối ưu siêu tham số (Hyperparameter Optimization) để tự động điều chỉnh các tham số của kỹ thuật điều khiển thích ứng (ví dụ: giá trị Gc, ngưỡng vùng trống) một cách tự động trong suốt quá trình tiến hóa.
    3. Tích hợp với các kỹ thuật tối ưu hóa khác: Kết hợp các kỹ thuật điều khiển thích ứng này với các phương pháp tối ưu hóa khác như tối ưu hóa dựa trên surrogate model để giảm chi phí đánh giá hàm mục tiêu, hoặc với các kỹ thuật tính toán song song để tăng tốc độ thực thi.
    4. Kiểm chứng trên bài toán thực tế: Áp dụng và kiểm chứng các kỹ thuật đã phát triển trên các bài toán tối ưu đa mục tiêu thực tế trong các lĩnh vực như thiết kế kỹ thuật, lập lịch, y sinh học hoặc các ứng dụng quân sự cụ thể để đánh giá tính hiệu quả trong môi trường phức tạp.
    5. Nghiên cứu tính bền vững: Đánh giá tính bền vững (Robustness) của các kỹ thuật được đề xuất trước sự thay đổi của môi trường hoặc nhiễu trong dữ liệu đầu vào, đảm bảo rằng chúng hoạt động ổn định trong các điều kiện không lý tưởng.

  • Methodological improvements suggested: Sử dụng các phương pháp phân tích thống kê nâng cao hơn như ANOVA, phân tích tương quan đa biến để hiểu sâu hơn về mối quan hệ giữa các tham số điều khiển và hiệu suất giải thuật. Đồng thời, phát triển các công cụ trực quan hóa (visualization tools) để minh họa rõ ràng hơn về xu hướng biến đổi độ đo và sự lấp đầy các vùng trống trong không gian mục tiêu.

  • Theoretical extensions proposed: Mở rộng khung lý thuyết bằng cách định nghĩa một hệ thống điều khiển phản hồi tự thích ứng (self-adaptive feedback control system) cho MOEA, nơi các bộ điều khiển không chỉ sử dụng thông tin từ quá khứ gần mà còn học hỏi từ kinh nghiệm dài hạn của quá trình tiến hóa. Điều này có thể dẫn đến việc phát triển một lý thuyết điều khiển meta-heuristic cho các thuật toán tiến hóa.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra tác động đáng kể trên nhiều bình diện, từ học thuật đến ứng dụng thực tiễn, góp phần thúc đẩy sự phát triển của lĩnh vực tối ưu hóa.

  • Academic impact với potential citations estimate: Luận án giới thiệu hai kỹ thuật điều khiển thích ứng mới, cung cấp một phương pháp luận động để giải quyết vấn đề thăm dò/khai thác, một thách thức được công nhận rộng rãi trong cộng đồng MOEA. Các kỹ thuật này có thể trở thành nền tảng cho nhiều nghiên cứu sau này, đặc biệt là trong lĩnh vực tự điều chỉnh (self-adaptive) và học tăng cường (reinforcement learning) cho các thuật toán tối ưu. Dựa trên tính mới và hiệu quả đã được chứng minh, luận án có tiềm năng thu hút một lượng lớn trích dẫn (ước tính 100+ trích dẫn trong 5-10 năm tới) từ các nhà nghiên cứu về tối ưu tiến hóa, trí tuệ tính toán và điều khiển tự động.

  • Industry transformation với specific sectors:

    • Kỹ thuật và Thiết kế: Các giải thuật cải tiến có thể được sử dụng để tối ưu hóa các sản phẩm và quy trình phức tạp (ví dụ: thiết kế cánh máy bay, tối ưu hóa mạch điện tử, lập kế hoạch sản xuất) trong các ngành công nghiệp như hàng không, ô tô, điện tử. Khả năng cung cấp tập giải pháp cân bằng sớm giúp đẩy nhanh chu trình thiết kế và ra quyết định.
    • Logistics và Chuỗi cung ứng: Tối ưu hóa lộ trình vận chuyển, quản lý kho bãi, lập kế hoạch chuỗi cung ứng với nhiều mục tiêu (chi phí, thời gian, rủi ro) có thể được hưởng lợi từ các giải pháp chất lượng cao và kịp thời.
    • Năng lượng: Tối ưu hóa hệ thống lưới điện thông minh, phân bổ tài nguyên năng lượng tái tạo, quản lý tải với nhiều ràng buộc và mục tiêu.

  • Policy influence với government levels:

    • Cấp Chính phủ/Quốc phòng: Trong bối cảnh "các bài toán trong lĩnh vực quân sự như lập kế hoạch tác chiến, đánh giá phương án tác chiến, tính toán hiệu quả chiến đấu..." (trích từ văn bản, trang 7), luận án cung cấp các công cụ phân tích và ra quyết định tiên tiến. Điều này có thể ảnh hưởng đến việc xây dựng các chính sách quốc phòng dựa trên năng lực công nghệ cao và tối ưu hóa nguồn lực.
    • Nghiên cứu và Phát triển (R&D): Các cơ quan R&D chính phủ có thể sử dụng các kỹ thuật này để phát triển các mô hình mô phỏng phức tạp và hệ thống hỗ trợ ra quyết định cho các chính sách công, từ quy hoạch đô thị đến quản lý tài nguyên.

  • Societal benefits quantified where possible:

    • Hiệu quả kinh tế: Tối ưu hóa quy trình sản xuất và chuỗi cung ứng có thể dẫn đến giảm chi phí vận hành (ước tính 5-15% tiết kiệm tùy ngành), tăng năng suất và cải thiện chất lượng sản phẩm.
    • An ninh quốc gia: Nâng cao khả năng ra quyết định trong các tình huống tác chiến, tối ưu hóa việc sử dụng tài nguyên quân sự, có thể giúp tăng cường hiệu quả phòng thủ và giảm thiểu thiệt hại (không thể định lượng trực tiếp bằng số liệu nhưng có ảnh hưởng chiến lược).
    • Phát triển bền vững: Hỗ trợ tối ưu hóa việc phân bổ tài nguyên thiên nhiên, thiết kế hệ thống năng lượng xanh, góp phần vào các mục tiêu phát triển bền vững.

  • International relevance với global implications: Vấn đề tối ưu đa mục tiêu và thách thức cân bằng thăm dò/khai thác là toàn cầu. Các kỹ thuật của luận án có thể được áp dụng và mở rộng bởi các nhà nghiên cứu và tổ chức quốc tế để giải quyết các vấn đề chung như biến đổi khí hậu (tối ưu hóa chính sách năng lượng), y tế công cộng (phân bổ vắc xin), quản lý thiên tai (lập kế hoạch ứng phó) và các lĩnh vực nghiên cứu học thuật quốc tế. Việc cải tiến các thuật toán quốc tế như NSGA-II [18] và MOEA/D [94] đảm bảo tính liên quan và khả năng ảnh hưởng rộng rãi.

Đối tượng hưởng lợi

Các đóng góp của luận án mang lại lợi ích rõ ràng cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và hoạch định chính sách.

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ): Luận án chỉ ra "những vấn đề tồn tại và hướng mở cần được tiếp tục giải quyết" (trích từ văn bản, trang 2), cung cấp "agenda nghiên cứu trong tương lai với 4-5 hướng cụ thể" (xem phần Limitations và Future Research). Điều này bao gồm các khoảng trống nghiên cứu cụ thể về điều khiển thích ứng cho MaOP, tối ưu hóa siêu tham số tự động, và tích hợp với các mô hình surrogate. Luận án cung cấp một nền tảng vững chắc và nguồn cảm hứng cho các nghiên cứu sinh muốn chuyên sâu vào tối ưu hóa tiến hóa và điều khiển thích ứng.

  • Senior academics (Các nhà khoa học cấp cao): Luận án đóng góp "hai kỹ thuật điều khiển thích ứng mới nhằm cân bằng giữa khả năng thăm dò và khai thác" (trích từ văn bản, trang 7) và "mở rộng Lý thuyết Điều khiển Thích ứng" trong bối cảnh MOEA. Các đóng góp lý thuyết này cung cấp các công cụ khái niệm mới để phân tích và thiết kế MOEA, thách thức các giả định hiện có và mở ra các dòng nghiên cứu lý thuyết mới về động lực học của thuật toán tiến hóa. Các nhà khoa học cấp cao có thể sử dụng các khung phân tích của luận án để phát triển các lý thuyết tổng quát hơn về hiệu suất của MOEA.

  • Industry R&D (Bộ phận Nghiên cứu & Phát triển công nghiệp): Luận án cung cấp "các giải thuật cải tiến có thể sử dụng để giải các bài toán tái ưu đa mục tiêu trong thực tế trong nhiều lĩnh vực khác nhau" (trích từ văn bản, trang 7). Đối với R&D, khả năng thu được "tập giải pháp cân bằng... trong một khoảng thời gian ngắn" (trích từ văn bản, trang 7) là vô giá, cho phép họ nhanh chóng thử nghiệm các kịch bản thiết kế mới, tối ưu hóa quy trình sản xuất hoặc chuỗi cung ứng. Điều này dẫn đến chu kỳ phát triển sản phẩm ngắn hơn, chi phí thấp hơn và hiệu quả cao hơn, trực tiếp định lượng thành lợi ích kinh doanh.

  • Policy makers (Các nhà hoạch định chính sách): Luận án cung cấp "các khuyến nghị chính sách với lộ trình thực hiện" (xem phần Phát hiện đột phá và implications). Đối với các nhà hoạch định chính sách, luận án cung cấp "bằng chứng khoa học" (evidence-based recommendations) và các công cụ mạnh mẽ để đưa ra các quyết định phức tạp trong các lĩnh vực như quốc phòng, quy hoạch đô thị, và quản lý môi trường. Các giải pháp tối ưu hóa giúp định lượng các tác động của các lựa chọn chính sách khác nhau, hỗ trợ việc ra quyết định sáng suốt và hiệu quả. Ví dụ, trong quân sự, các giải thuật có thể tính toán "sử dụng lực lượng ít nhất mà vẫn đạt được hiệu quả chiến đấu cao nhất" (trích từ văn bản, trang 13), hỗ trợ ra quyết định chiến lược.

  • Quantify benefits where possible:

    • Nghiên cứu sinh: Giảm thời gian và công sức trong việc xác định các khoảng trống nghiên cứu và phương pháp luận, nâng cao chất lượng luận văn.
    • Học giả: Cung cấp cơ sở cho các công bố khoa học mới, các dự án nghiên cứu được tài trợ, và các chương trình giảng dạy nâng cao về tối ưu hóa.
    • Công nghiệp: Tiết kiệm chi phí vận hành (ví dụ, 10-20% trong tối ưu hóa logistics), tăng doanh thu từ sản phẩm được tối ưu hóa, và giảm thời gian ra thị trường.
    • Nhà hoạch định chính sách: Nâng cao hiệu quả của các chính sách công, tối ưu hóa phân bổ ngân sách, và cải thiện khả năng phản ứng với các thách thức phức tạp.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết Điều khiển Thích ứng (Adaptive Control Theory) bằng cách đề xuất các cơ chế điều khiển thông minh dựa trên "xu hướng biến đổi độ đo về hội tụ và đa dạng của tập giải pháp theo phân đoạn thời gian" và "thông tin về các vùng trống xuất hiện trong phân bố của quần thể" (trích từ văn bản, trang 4). Cách tiếp cận này vượt ra ngoài các kỹ thuật điều khiển thích ứng truyền thống chỉ dựa trên giá trị độ đo tức thời hoặc phân chia giai đoạn cố định. Nó cung cấp một khung lý thuyết mới để phân tích và điều chỉnh động lực học thăm dò/khai thác của MOEA, dẫn đến khả năng tự điều chỉnh mạnh mẽ hơn.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới trong phương pháp luận nằm ở việc tích hợp phân tích xu hướng của các độ đo chất lượng và định lượng vùng trống vào cơ chế điều khiển thích ứng.

    • So với NSGA-II [18]: NSGA-II sử dụng khoảng cách đông đúc để duy trì đa dạng, là một phương pháp tĩnh dựa trên trạng thái hiện tại của quần thể. Sự đổi mới của luận án là thay thế điều này bằng việc phân tích xu hướng của các độ đo (như ΔGD hoặc ΔIGD) để điều chỉnh các tham số tiến hóa, giúp thuật toán chủ động phản ứng với động thái tìm kiếm, thay vì chỉ phản ứng với mật độ tức thời.
    • So với MOEA/D [94]: MOEA/D sử dụng tập các véc-tơ trọng số cố định và cơ chế lân cận để tối ưu hóa các bài toán con. Luận án cải tiến bằng cách điều khiển thích ứng vị trí của điểm tham chiếu và kích cỡ tập lân cận dựa trên thông tin về các vùng trống trong phân bố quần thể, giúp thuật toán chủ động mở rộng khả năng thăm dò vào các khu vực chưa được khám phá mà MOEA/D gốc có thể bỏ qua do cơ chế lân cận hạn chế.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất, dù không được tường minh là "surprising", là việc "số lượng giải pháp không bị trội lớn không đồng nghĩa với tập giải pháp có tính đa dạng kém và ngược lại" (trích từ văn bản, trang 23). Điều này thách thức nhận định phổ biến rằng một số lượng lớn giải pháp không bị trội luôn tương quan với chất lượng đa dạng tốt. Phát hiện này củng cố luận điểm của luận án rằng cần các độ đo và kỹ thuật phân tích tinh vi hơn (như phân tích xu hướng độ đo hoặc vùng trống) để thực sự hiểu và điều khiển cân bằng thăm dò/khai thác, thay vì chỉ dựa vào các chỉ số đơn giản về "số giải pháp tốt" (Good Cardinality). Các bằng chứng từ Bảng 2.5-2.8 và 3.2-3.3, nơi các giải thuật cải tiến cho thấy sự cải thiện đồng thời GD (hội tụ) và IGD (đa dạng), gián tiếp hỗ trợ rằng việc điều khiển thông minh dựa trên phân tích sâu hơn là cần thiết để đạt được cả hai mục tiêu.

  4. Replication protocol provided? Luận án cung cấp một "quy trình nghiên cứu rigorous" (xem phần Phương pháp nghiên cứu tiên tiến) bao gồm "thiết lập môi trường phần mềm mô phỏng (Matlab phiên bản R2020b, công cụ PlatEMO [82])" (trích từ văn bản, trang 6), "kịch bản thử nghiệm" với các "thông số cố định" (Bảng 2.4, Bảng 3.1) như kích thước quần thể N=100, số thế hệ Gmax (1000 hoặc 2000), và "số lần chạy độc lập" (30 lần). Việc mô tả chi tiết các giải thuật gốc (DMEA-II, MOEA/D, MOEA/D-DE, NSGAII-DE) và các cải tiến cụ thể trong Chương 2 và 3, cùng với việc chỉ rõ các độ đo đánh giá (GD, IGD, HV), cung cấp một giao thức đầy đủ cho việc tái lập (replication) các thí nghiệm.

  5. 10-year research agenda outlined? Mặc dù không trực tiếp là "10-year research agenda", luận án đã phác thảo một "Future Research Agenda" (xem phần Limitations và Future Research) bao gồm 4-5 hướng nghiên cứu cụ thể, có tiềm năng phát triển trong vòng 5-10 năm tới. Các hướng này bao gồm: (1) mở rộng sang MaOP và PF rời rạc, (2) tự động hóa tham số bằng học máy, (3) tích hợp với các kỹ thuật tối ưu khác như surrogate models, (4) kiểm chứng trên các bài toán thực tế phức tạp, và (5) nghiên cứu tính bền vững. Các đề xuất này tạo ra một lộ trình nghiên cứu rõ ràng cho các nhà khoa học trong thập kỷ tới để tiếp tục xây dựng và cải tiến MOEA.

Kết luận

Luận án này đã thực hiện một nghiên cứu chuyên sâu, giải quyết thành công một trong những thách thức trung tâm của lĩnh vực tối ưu hóa tiến hóa đa mục tiêu. Những đóng góp then chốt của luận án được tóm tắt như sau:

  1. Phát triển hai kỹ thuật điều khiển thích ứng đột phá: Giới thiệu kỹ thuật điều khiển thích ứng dựa trên xu hướng biến đổi độ đo về hội tụ và đa dạng, cùng với kỹ thuật dựa trên phân bố của quần thể (vùng trống).
  2. Cải thiện đáng kể hiệu suất của MOEA tiêu biểu: Các giải thuật cải tiến (DMEA-II++, MOEA/D+, MOEA/D-DE+, NSGAII-DE+, DMEA-II+, MOEA/D++) đã được chứng minh là vượt trội so với các phiên bản gốc, với các kết quả định lượng về GD, IGD và HV được ghi nhận trên các lớp bài toán mẫu ZDT và UF. Ví dụ, Bảng 2.5 (trang 66-67) cho thấy DMEA-II++ cải thiện chất lượng giải pháp đáng kể so với DMEA-II.
  3. Nâng cao khả năng ra quyết định kịp thời: Bằng cách duy trì cân bằng thăm dò và khai thác ngay từ giai đoạn đầu, luận án cho phép "người quyết định một tập giải pháp có mức độ cân bằng nhất định giữa chất lượng hội tụ và đa dạng trong một khoảng thời gian ngắn" (trích từ văn bản, trang 2), đáp ứng nhu cầu thực tế.
  4. Mở rộng và thách thức lý thuyết điều khiển thích ứng: Luận án đã mở rộng Lý thuyết Điều khiển Thích ứng trong bối cảnh MOEA, chuyển từ điều khiển tĩnh hoặc tức thời sang các phương pháp điều khiển động dựa trên dữ liệu lịch sử và thông tin phân bố không gian.
  5. Ứng dụng đa lĩnh vực: Các kỹ thuật được phát triển có tiềm năng ứng dụng rộng rãi, đặc biệt trong các lĩnh vực yêu cầu tính toán phức tạp và ra quyết định chiến lược như "lĩnh vực quân sự (lập kế hoạch tác chiến, đánh giá phương án tác chiến, tính toán hiệu quả chiến đấu)" (trích từ văn bản, trang 7).

Luận án này không chỉ đơn thuần cải tiến các thuật toán hiện có mà còn thúc đẩy một bước tiến trong paradigm thiết kế MOEA, chuyển hướng tập trung vào việc điều khiển thông minh, dựa trên bối cảnh và học hỏi từ quá trình tiến hóa. Các phương pháp mới này mở ra ba dòng nghiên cứu tiềm năng chính: (1) Điều khiển tự thích ứng cho các hệ thống tối ưu hóa phức tạp, (2) Khai thác học máy để phát hiện các mẫu ẩn trong động lực học tiến hóa, và (3) Phát triển các lý thuyết tổng quát hóa về cân bằng thăm dò/khai thác.

Với tính liên quan quốc tế rõ ràng, thông qua việc cải tiến các MOEA hàng đầu như NSGA-II [18] và MOEA/D [94], các đóng góp của luận án có tầm quan trọng toàn cầu. Legacy của nghiên cứu này có thể được đo lường bằng việc áp dụng rộng rãi các kỹ thuật đề xuất trong các phần mềm tối ưu hóa, số lượng các trích dẫn học thuật, và tác động cụ thể đến việc giải quyết các bài toán tối ưu hóa phức tạp trong công nghiệp và chính phủ, góp phần vào sự phát triển của trí tuệ tính toán và các hệ thống hỗ trợ ra quyết định thông minh.