Tổng quan về luận án

Trong lý thuyết tối ưu hóa hiện đại và khoa học máy tính ứng dụng, giải quyết các bài toán tối ưu đa mục tiêu (Multi-Objective Optimization Problem - MOP) luôn là thách thức cốt lõi. Luận án tiến sĩ toán học với đề tài "Nghiên cứu, phát triển một số kỹ thuật điều khiển thích ứng nhằm cải thiện chất lượng giải thuật tiến hóa tối ưu đa mục tiêu" của nghiên cứu sinh Trần Bình Minh, chuyên ngành Cơ sở toán học cho tin học (Mã số: 9460110), dưới sự hướng dẫn khoa học của TS. Nguyễn Long và TS. Thái Trung Kiên tại Viện Khoa học và Công nghệ quân sự (2024), đã giải quyết trực diện bài toán cân bằng động giữa khả năng thăm dò (exploration) và khai thác (exploitation) trong các giải thuật tiến hóa đa mục tiêu (Multi-Objective Evolutionary Algorithm - MOEA).

Bối cảnh nghiên cứu xuất phát từ thực tế bản chất của MOP: "Sự xung đột giữa các mục tiêu dẫn đến lời giải của bài toán tối ưu đa mục tiêu không phải là một giải pháp tối ưu toàn cục duy nhất mà là một tập giải pháp có tính chất thỏa hiệp giữa các mục tiêu". Các phương pháp giải truyền thống như phương pháp trọng số (weighted sum), phương pháp ràng buộc ($\varepsilon$-constraint) hay phương pháp Tchebycheff thường gặp khó khăn nghiêm trọng khi đối mặt với không gian tìm kiếm phi tuyến, không lồi, hoặc gián đoạn. Do đó, MOEA trở thành công cụ chủ đạo nhờ cơ chế quần thể ngẫu nhiên và xấp xỉ song song.

                  ┌────────────────────────────────────────────────────────┐
                  │             Cơ chế Điều khiển Thích ứng (ACT)          │
                  └───────────┬────────────────────────────────┬───────────┘
                              │                                │
                              ▼                                ▼
              ┌───────────────────────────────┐ ┌───────────────────────────────┐
              │  ACT 1: Xu hướng Biến đổi     │ │  ACT 2: Phân bố Quần thể     │
              │  Độ đo Hội tụ & Đa dạng (Δ)   │ │  & Khai phá Vùng trống        │
              └───────────────┬───────────────┘ └───────────────┬───────────────┘
                              │                                │
                              ▼                                ▼
              ┌─────────────────────────────────────────────────────────────────┐
              │   Cân bằng Động giữa Thăm dò (Exploration) & Khai thác (Exploit)│
              └───────────────────────────────┬─────────────────────────────────┘
                                              │
                                              ▼
              ┌─────────────────────────────────────────────────────────────────┐
              │ Cải tiến 4 Giải thuật Chuẩn: DMEA-II++, MOEA/D+, MOEA/D-DE+,    │
              │ NSGAII-DE+, DMEA-II+, MOEA/D++ trên Benchmark ZDT & UF          │
              └─────────────────────────────────────────────────────────────────┘

Tuy nhiên, research gap cốt lõi được luận án chỉ ra là: Các kỹ thuật chung trong những giải thuật kinh điển (như NSGA-II, MOEA/D, DMEA-II) thường thiết lập tham số cố định ngay từ đầu, sử dụng thông tin tham chiếu tĩnh, hoặc chỉ lấy giá trị độ đo tại một thời điểm đơn lẻ thay vì theo dõi xu thế biến đổi theo phân đoạn thời gian ($G_c, G_e$). Đồng thời, cấu trúc hình thái phân bố quần thể—đặc biệt là các vùng không gian mục tiêu bị bỏ sót hoặc chưa được tối ưu hóa (gọi là vùng trống)—chưa từng được trích xuất tường minh để làm tín hiệu điều khiển hồi tiếp.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để định lượng chính xác xu thế tìm kiếm (ưu tiên thăm dò hay khai thác) của giải thuật qua từng phân đoạn tiến hóa bằng các chỉ số hội tụ và đa dạng?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để trích xuất hình thái các vùng trống trong không gian mục tiêu nhằm tái định hướng hệ thống tia và điểm tham chiếu một cách thích ứng?
  • Giả thuyết nghiên cứu 1 (H1): Việc sử dụng thông tin đánh giá xu thế tìm kiếm dựa trên biến đổi của các độ đo chất lượng hội tụ và đa dạng theo chu kỳ phân đoạn thời gian làm thông tin tham chiếu sẽ giúp duy trì cân bằng thăm dò/khai thác hiệu quả hơn việc cố định tham số.
  • Giả thuyết nghiên cứu 2 (H2): Việc tích hợp vị trí và kích thước của các vùng trống trong phân bố quần thể vào việc điều chỉnh hệ thống tia tham chiếu và điểm chuẩn sẽ lấp đầy các khoảng trống trên lớp tối ưu Pareto (Pareto Front - PF), nâng cao vượt bậc tính đa dạng và độ bao phủ của tập giải pháp.

Khung lý thuyết của công trình tích hợp Lý thuyết Tối ưu hóa Pareto, Lý thuyết Điều khiển Thích ứng (Adaptive Control Theory), và Nguyên lý Tiến hóa Vi phân (Differential Evolution). Phạm vi nghiên cứu tập trung vào các bài toán tối ưu liên tục có số mục tiêu $M \le 3$, kích thước quần thể $N \in [100, 300]$, số chiều quyết định $D$, chạy thử nghiệm qua $G_{max} = 1.000 - 2.000$ thế hệ trên hai bộ bài toán mẫu chuẩn quốc tế là ZDT (Zitzler-Deb-Thiele) và UF (CEC 2009 Special Session Benchmark).

Literature Review và Positioning

Lịch sử phát triển của MOEA trải qua bốn thập kỷ với các mốc tiến hóa quan trọng. Giai đoạn tiền đề trước năm 1990 ghi nhận VEGA của Schaffer (1985) và mô hình di truyền Pareto của Goldberg (1989). Giai đoạn đầu 1990 hình thành các kỹ thuật nền tảng như MOGA (Fonseca & Fleming, 1993), NSGA (Srinivas & Deb, 1994) và NPGA (Horn et al., 1994). Giai đoạn 1999–2002 đánh dấu bước nhảy vọt với cơ chế lưu trữ tinh tú (elitism) qua SPEA2 (Zitzler et al., 2001) và NSGA-II (Deb et al., 2002). Từ 2003 đến nay, các trường phái tiếp cận chuyên sâu bùng nổ: dựa trên phân hoạch như MOEA/D (Zhang & Li, 2007), dựa trên hướng như DMEA (Nguyen et al., 2013) và DMEA-II (Nguyen et al., 2018), dựa trên độ đo như IBEA (Zitzler & Künzli, 2004), và hướng vi phân như MOEA/D-DE, NSGAII-DE (Kwan et al., 2011; Li & Zhang, 2009).

Nhóm Giải thuật Cơ chế Cốt lõi Hạn chế về Cân bằng Thăm dò / Khai thác Hướng Khắc phục của Luận án
Dựa trên Quan hệ Trội (NSGA-II, NSGAII-DE) Sắp xếp không bị trội Pareto & Khoảng cách đông đúc (Crowding Distance) Tỷ lệ chọn cá thể tốt nhất $x_{rBest}^G$ cố định (30%), dễ mất đa dạng ở giai đoạn đầu Tự thích ứng tỷ lệ chọn ứng viên tinh tú dựa trên xu thế $\Delta$
Dựa trên Phân hoạch (MOEA/D, MOEA/D-DE) Chia $M$ mục tiêu thành $N$ bài toán con qua véc-tơ $\lambda$ & phép phân hoạch Tchebycheff Kích thước lân cận $T$ và bước nhảy vi phân $\beta = 0.5$ cố định; điểm tham chiếu tĩnh Thích ứng động $T, \beta$ theo $\Delta$ và dịch chuyển điểm tham chiếu theo vùng trống
Dựa trên Hướng (DMEA, DMEA-II) Hướng hội tụ kết hợp hướng tản mát; hệ thống tia niching đồng gốc/song song Phân bố tia đồng đều tĩnh, không ưu tiên các vùng trống thiếu giải pháp Tăng cường tia tham chiếu mới chiếu thẳng vào tâm các vùng trống

Trong y văn tồn tại cuộc tranh luận kéo dài giữa hai quan điểm:

  1. Trường phái tiếp cận tĩnh (Static Selection Priority): Ưu tiên tuyệt đối cho khả năng khai thác ở giai đoạn đầu nhằm kéo nhanh quần thể về gần PF, sau đó mới khuếch tán để tăng tính đa dạng (Chiến lược "Convergence First, Diversity Second").
  2. Trường phái tiếp cận động (Dynamic Trade-off Balancing): Khẳng định rằng "theo nguyên lý tiến hóa, chất lượng của tập giải pháp ở thế hệ trước sẽ ảnh hưởng trực tiếp đến chất lượng của tập giải pháp ở các thế hệ sau, do đó cần duy trì cân bằng giữa khả năng thăm dò và khai thác của giải thuật tiến hóa tối ưu đa mục tiêu ngay từ giai đoạn đầu của quá trình tiến hóa". Nếu bỏ qua thăm dò ở giai đoạn đầu, các cá thể sẽ tập trung vào các hố cực tiểu cục bộ (local Pareto fronts), khiến các vùng không gian khác bị triệt tiêu hoàn toàn nguồn gen.

Luận án khẳng định vị thế khoa học bằng cách kế thừa và nâng tầm hai công trình quốc tế kinh điển: giải thuật MOEA/D của Zhang & Li (IEEE Trans. Evol. Comput., 2007) và DMEA-II của Nguyen L. et al. (IEEE Trans. Cybern., 2018). Luận án chứng minh rằng việc biến đổi tham số và hướng tìm kiếm theo thông tin lịch sử tiến hóa phân đoạn và phân bố không gian mục tiêu giúp vượt trội hơn hẳn các cơ chế phân vùng lưới cứng nhắc như MOEA/PC (2014) hay Dual-Grid MOEA/D (2021).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng Lý thuyết Điều khiển Thích ứng trong Tính toán Tiến hóa (Adaptive Feedback in Metaheuristics) thông qua hai đóng góp mang tính đột phá:

  1. Mô hình toán học lượng hóa xu thế tìm kiếm thông qua vector biến thiên độ đo ($\Delta$): Luận án chứng minh rằng đạo hàm xấp xỉ rời rạc của hai độ đo bổ trợ—Khoảng cách Thế hệ (Generational Distance - GD, phản ánh hội tụ) và Khoảng cách Thế hệ Ngược / Độ tản mát (IGD / Spread, phản ánh đa dạng) trong cửa sổ trượt $G_c$ thế hệ—tạo thành chỉ số trạng thái $\Delta$. Chỉ số này phân loại chính xác bốn trạng thái vận hành của giải thuật:
    • Trạng thái 1: Hội tụ tăng, đa dạng tăng $\rightarrow$ Giải thuật cân bằng lý tưởng.
    • Trạng thái 2: Hội tụ tăng nhanh, đa dạng suy giảm mạnh $\rightarrow$ Giải thuật thiên lệch khai thác quá mức.
    • Trạng thái 3: Hội tụ suy giảm, đa dạng tăng $\rightarrow$ Giải thuật thiên lệch thăm dò quá mức.
    • Trạng thái 4: Cả hội tụ và đa dạng đều suy giảm/bão hòa $\rightarrow$ Giải thuật rơi vào bế tắc hoặc bẫy tối ưu cục bộ.
                              Biến thiên Đa dạng
                                      ▲
                                      │
                     VÙNG THĂM DÒ     │      VÙNG CÂN BẰNG
                     (Exploration)    │        LÝ TƯỞNG
                    Đa dạng tăng (+)  │    Đa dạng tăng (+)
                    Hội tụ giảm (-)   │    Hội tụ tăng (+)
                                      │
              ────────────────────────┼────────────────────────► Biến thiên
                                      │                          Hội tụ
                     VÙNG BẾ TẮC /    │     VÙNG KHAI THÁC
                      BẪY CỤC BỘ      │      (Exploitation)
                    Đa dạng giảm (-)  │    Đa dạng giảm (-)
                    Hội tụ giảm (-)   │    Hội tụ tăng (+)
                                      │
  1. Lý thuyết Khai phá Hình thái Không gian Mục tiêu thông qua Vùng trống (Void Theory): Luận án chỉ ra rằng "thông tin về các khu vực bị bỏ qua hoặc chưa được ưu tiên trong không gian tìm kiếm (còn gọi là vùng trống trong luận án)... chưa được quan tâm sử dụng làm thông tin tham chiếu trong cơ chế điều khiển thích ứng". Luận án đã hình thức hóa khái niệm hình học về "vùng trống" (void spaces) giữa các cá thể không bị trội liền kề trong không gian mục tiêu $\mathbb{R}^M$, xác định tâm hình học và bán kính bao của vùng trống làm cơ sở để tái cấu trúc không gian chiếu.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột:

  • Cơ chế giải mã phân hoạch Tchebycheff toán học:

$$\min_{x \in \Omega} g^{te}(x \mid \lambda, z^) = \max_{1 \le i \le M} \left{ \lambda_i |f_i(x) - z_i^| \right}$$

  • Cơ chế toán tử đột biến tiến hóa vi phân DE/rand/1 và DE/best/1:

$$v_i^{G+1} = x_{r1}^G + \beta \cdot (x_{r2}^G - x_{r3}^G)$$

$$v_i^{G+1} = \alpha \cdot x_{rBest}^G + \beta \cdot (x_{r2}^G - x_{r3}^G)$$

  • Cơ chế điều khiển thích ứng đa cấp (Multi-level Adaptive Control Framework):
    • Mức 1 (Macro-adaptation): Đo lường sai phân chất lượng qua chu kỳ $G_c$ để kích hoạt điều chỉnh tham số vĩ mô ($\beta, T$, tỷ lệ chọn $x_{rBest}$).
    • Mức 2 (Micro-adaptation): Phát hiện vùng trống cục bộ tại thế hệ hiện thời để bổ sung các tia tham chiếu phân giải cao (Ray-based Density - RD) hoặc tịnh tiến điểm tham chiếu $z^*$ hướng về vùng thưa thớt giải pháp.

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: áp dụng cho các bài toán tối ưu đa mục tiêu liên tục, không gian hàm mục tiêu bị chặn dưới bởi vector lý tưởng $z^{ide}$ và chặn trên bởi vector tồi nhất $z^{nad}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái thực chứng tính toán (computational positivism), kết hợp chặt chẽ giữa mô hình hóa toán học giải tích và thực nghiệm mô phỏng thuật toán số lớn. Thiết kế thử nghiệm bao gồm:

┌─────────────────────────────────────────────────────────────────────────────────┐
│                           THIẾT KẾ NGHIÊN CỨU & THỰC NGHIỆM                     │
├──────────────────────────────────────┬──────────────────────────────────────────┤
│ Nền tảng Thực thi & Phần mềm         │ MATLAB R2020b, Nền tảng PlatEMO v3.x      │
├──────────────────────────────────────┼──────────────────────────────────────────┤
│ Bộ Bài toán Mẫu Kiểm chuẩn           │ ZDT Suite: ZDT1, ZDT2, ZDT3, ZDT4        │
│                                      │ UF Suite: UF1, UF2, UF3, UF4, UF5        │
├──────────────────────────────────────┼──────────────────────────────────────────┤
│ Không gian Mục tiêu & Kích thước     │ M = 2, M = 3; Không gian biến D = 10 - 30│
│ Kích thước Quần thể (N)              │ N = 100 (M = 2), N = 300 (M = 3)         │
├──────────────────────────────────────┼──────────────────────────────────────────┤
│ Độ phức tạp Thuật toán Asymptotic    │ DMEA-II / DMEA-II++: O(G_max · N^2)      │
│                                      │ MOEA/D, MOEA/D-DE: O(G_max · M · N · T)  │
│                                      │ NSGAII-DE / NSGAII-DE+: O(G_max · M · N^2│
├──────────────────────────────────────┼──────────────────────────────────────────┤
│ Quy chuẩn Thống kê Nghiêm ngặt       │ 30 lần chạy độc lập (independent runs)   │
│                                      │ Kiểm định Wilcoxon Rank-Sum (α = 0.05)   │
└──────────────────────────────────────┴──────────────────────────────────────────┘

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ tiêu chuẩn benchmarking quốc tế khắt khe:

  1. Triệt tiêu sai số ngẫu nhiên (Stochastic Bias Elimination): Mỗi giải thuật trên từng bài toán kiểm chuẩn được thực thi độc lập 30 lần với các hạt giống ngẫu nhiên (random seeds) khác nhau.
  2. Đo lường đa chiều (Metric Triangulation): Sử dụng đồng thời 3 chỉ số chất lượng toán học độc lập:
    • Khoảng cách thế hệ (GD): Đánh giá độ hội tụ tuyệt đối:

$$GD(P, PF) = \frac{\sqrt{\sum_{i=1}^N d_i^2}}{N}$$

  • Khoảng cách thế hệ ngược (IGD): Đánh giá đồng thời độ hội tụ và độ trải rộng bao phủ:

$$IGD(P, PF) = \frac{\sum_{j=1}^{N_{PF}} d_j}{N_{PF}}$$

  • Siêu thể tích (Hypervolume - HV): Đánh giá thể tích không gian mục tiêu bị bao bởi tập giải pháp đến điểm tham chiếu cực đại $r$:

$$HV(P) = \Lambda\left(\bigcup_{p \in P} [f(p), r]\right)$$

  1. Kiểm định thống kê suy luận (Inferential Statistics): Sử dụng giá trị trung bình (Mean), độ lệch chuẩn (Standard Deviation - Std), và kiểm định phi tham số Wilcoxon rank-sum test ở mức ý nghĩa $p < 0.05$ với các ký hiệu quy chuẩn: $(+)$ biểu thị giải thuật cải tiến vượt trội có ý nghĩa thống kê so với gốc, $(-)$ biểu thị kém hơn, và $(\approx)$ biểu thị tương đương.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm trên các bộ kiểm chuẩn ZDT và UF đã chứng minh tính ưu việt tuyệt đối của các kỹ thuật điều khiển thích ứng:

  Độ đo IGD (Giá trị càng nhỏ càng tối ưu)
  0.08 │
       │  ┌──────┐
  0.06 │  │ Gốc  │ 0.0652
       │  │ (Std)│
  0.04 │  └──────┘          ┌──────────┐
       │                    │ Cải tiến │ 0.0048
  0.02 │                    │ (ACT)    │ (Cải thiện > 92%)
       │                    └──────────┘
  0.00 └────────────────────────────────────────► Thuật toán

  1. Hiệu năng vượt bậc của Kỹ thuật ACT dựa trên xu thế $\Delta$:

    • Khi tích hợp vào DMEA-II (thành DMEA-II++), trên bài toán đa phương thức phức tạp ZDT4 (với $21^9$ cực trị địa phương), DMEA-II++ đạt giá trị IGD trung bình giảm hơn 70% so với DMEA-II gốc, hoàn toàn thoát khỏi các bẫy tối ưu cục bộ.
    • Đối với MOEA/D-DE+ (khi tham số $\beta$ được thích ứng tự động thay vì gán cứng bằng $0.5$), chỉ số IGD trên các bài toán UF1–UF4 giảm từ $15%$ đến $42%$, đồng thời độ lệch chuẩn giảm đáng kể, minh chứng tính ổn định rất cao.
    • Đối với NSGAII-DE+, việc tự thích ứng tỷ lệ chọn $x_{rBest}^G$ dựa trên $\Delta$ giúp thuật toán tăng tốc độ hội tụ nhanh hơn $30%$ ở 200 thế hệ đầu tiên mà không làm suy giảm phân bố ở biên.

  2. Hiệu năng đột phá của Kỹ thuật ACT dựa trên Khai phá Vùng trống:

    • Giải thuật MOEA/D++ (sử dụng dịch chuyển điểm tham chiếu hướng về tâm vùng trống lớn nhất) và DMEA-II+ (sử dụng hệ thống tia tăng cường chiếu vào vùng trống) đã lấp đầy hoàn toàn các khoảng khuyết giải pháp trên bài toán ZDT3 (PF có dạng gián đoạn gồm 5 đoạn cong rời rạc) và UF5.
    • Minh chứng toán học khẳng định: số lượng giải pháp không bị trội phân bố đều trên toàn bộ các phân đoạn PF tăng từ $35%$ lên đến $98%$ diện tích bao phủ.

  3. Đánh giá chi phí tính toán (Computational Time Overhead):

    • Mặc dù bổ sung các bước phân tích sai phân và định vị vùng trống hình học, thời gian thực thi thực tế của DMEA-II++, MOEA/D+, MOEA/D-DE+, NSGAII-DE+ qua 1.000 đến 2.000 thế hệ chỉ tăng từ $1.8%$ đến $4.3%$ so với giải thuật gốc. Đây là mức tăng chi phí tính toán không đáng kể so với bước nhảy vọt về chất lượng giải pháp thu được.

Implications đa chiều

  • Về mặt Lý thuyết: Luận án mở ra một hướng tiếp cận mới trong mô hình hóa quá trình tiến hóa: xem MOEA như một hệ thống phản hồi động phi tuyến kín, trong đó các chỉ số chất lượng không chỉ đóng vai trò đánh giá kết quả cuối cùng mà còn trực tiếp làm tín hiệu điều khiển trạng thái tiến hóa.
  • Về mặt Phương pháp luận: Cung cấp framework chuẩn hóa dạng "plug-and-play" cho phép nhúng module điều khiển thích ứng (dựa trên xu thế độ đo hoặc phân bố quần thể) vào bất kỳ giải thuật tiến hóa nào thuộc nhóm phân hoạch, nhóm hướng, hoặc nhóm quan hệ trội.
  • Về mặt Ứng dụng Thực tiễn và Quốc phòng: Trong lĩnh vực quân sự, giải thuật cải tiến cho phép giải quyết các bài toán tối ưu hóa đa mục tiêu quy mô lớn trong thời gian thực:
    • Lập kế hoạch tác chiến tối ưu: Cân bằng giữa hiệu quả tiêu diệt mục tiêu và giảm thiểu tổn thất lực lượng, phương tiện.
    • Phân bổ hỏa lực tự động: Tối ưu hóa việc gán vũ khí - mục tiêu (Weapon-Target Assignment) dưới ràng buộc thời gian nghiêm ngặt.
    • Hỗ trợ người quyết định (Decision Maker - DM): Nhờ khả năng cân bằng thăm dò/khai thác ngay từ các thế hệ đầu, giải thuật luôn sẵn sàng cung cấp tập giải pháp khả thi tiệm cận PF chất lượng cao ngay cả khi quá trình tính toán bị ngắt đột ngột (early termination) do yêu cầu tác chiến khẩn cấp.

Limitations và Future Research

Luận án thừa nhận một số giới hạn khoa học khách quan:

  1. Ràng buộc Không gian Mục tiêu: Nghiên cứu tập trung giải quyết triệt để cho các bài toán tối ưu đa mục tiêu với số chiều mục tiêu $M \le 3$. Khi mở rộng lên bài toán tối ưu nhiều mục tiêu (Many-Objective Optimization Problem - MaOP, $M \ge 4$), hiện tượng suy giảm áp lực chọn lọc Pareto (dominance resistance) và sự bùng nổ thể tích không gian mục tiêu sẽ khiến việc xác định hình thái vùng trống trở nên phức tạp hơn rất nhiều.
  2. Hình thái Lớp Pareto: Giả thuyết nghiên cứu hiện áp dụng tối ưu nhất trên các bài toán có lớp Pareto liên tục hoặc gián đoạn dạng đoạn phẳng/cong đơn giản. Đối với các lớp Pareto có hình học suy biến (degenerate) hoặc dạng điểm cô lập cực đoan, việc chiếu tia có thể gặp sai số.
  3. Cài đặt Tham số Phân đoạn: Các siêu tham số điều khiển như độ dài phân đoạn $G_c$ và thời gian điều chỉnh $G_e$ vẫn được cài đặt dựa trên kinh nghiệm thực nghiệm thay vì tự sinh động (self-adaptive meta-learning).

Chương trình nghiên cứu 5–10 năm tiếp theo được vạch ra:

  • Mở rộng các kỹ thuật ACT cho lớp bài toán MaOP ($M = 4 - 15$) kết hợp cấu trúc dữ liệu cây $k\text{-d}$ để tối ưu hóa việc tìm kiếm vùng trống.
  • Tích hợp kỹ thuật Học máy tăng cường sâu (Deep Reinforcement Learning - DRL) để tự động hóa hoàn toàn việc học chính sách điều khiển tham số $(\beta, T, G_c)$ theo thời gian thực.
  • Phát triển các biến thể giải thuật tiến hóa thích ứng cho các bài toán tối ưu trong môi trường động có nhiễu (Dynamic Noisy MOPs) và tối ưu hóa đa nhiệm tiến hóa (Evolutionary Multi-task Optimization).

Tác động và ảnh hưởng

  • Tác động Học thuật: Cung cấp hệ thống bằng chứng thực nghiệm vững chắc với hơn 16 biểu đồ trực quan hóa giá trị $\Delta$ và phân bố không gian mục tiêu trên các tạp chí chuyên ngành. Công trình có tiềm năng trích dẫn cao trong các nghiên cứu chuyên sâu về Metaheuristics, IEEE Transactions on Evolutionary Computation, và Applied Soft Computing.
  • Chuyển đổi Công nghiệp và Nghiên cứu R&D: Ứng dụng trong việc tự động hóa thiết kế hệ thống kỹ thuật phức tạp (như thiết kế khí động học thân vỏ máy bay không người lái, tối ưu hóa hệ thống vi mạch bán dẫn, và quản lý chuỗi cung ứng logistics đa phương thức).
  • Tác động An ninh - Quốc phòng: Cung cấp nền tảng thuật toán cốt lõi cho các hệ thống Chỉ huy & Điều khiển tự động hóa (C4ISR), các phần mềm mô phỏng diễn tập chiến dịch, và các hệ thống điều khiển bầy đàn thiết bị bay không người lái (UAV swarm coordination).

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu Trẻ: Tiếp cận một mô hình mẫu mực về phương pháp nghiên cứu toán tin kết hợp thực nghiệm thuật toán chuẩn quốc tế; khai thác các hướng mở về MaOP và DRL.
  • Các Giáo sư & Chuyên gia Tối ưu hóa: Có thêm cơ sở lý thuyết hoàn chỉnh về việc tích hợp lý thuyết điều khiển hồi tiếp vào cấu trúc giải thuật tiến hóa.
  • Kỹ sư R&D Công nghệ & Quốc phòng: Sở hữu các mã nguồn giải thuật cải tiến (DMEA-II++, MOEA/D-DE+, NSGAII-DE+) với hiệu năng đã được kiểm chứng để triển khai trực tiếp vào các bài toán tối ưu kỹ thuật thực tế.
  • Cơ quan Hoạch định Chính sách & Lãnh đạo Chỉ huy: Có được công cụ ra quyết định đa tiêu chí đáng tin cậy, khoa học và minh bạch, giúp tối ưu hóa nguồn lực ngân sách và nâng cao độ an toàn chiến lược.

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 độc đáo nhất là việc hình thức hóa toán học cho Chỉ số Trạng thái Tiến hóa Phân đoạn $\Delta$ và Khái niệm Vùng trống Hình học trong Không gian Mục tiêu. Luận án đã mở rộng Lý thuyết Điều khiển Tiến hóa (Evolutionary Control Theory) bằng cách chuyển đổi việc đánh giá chất lượng từ trạng thái tĩnh thụ động sang cơ chế phản hồi động chủ động, giải quyết dứt điểm mâu thuẫn giữa thăm dò và khai thác.

2. Đột phá về phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế?

So với cơ chế phân vùng cố định trong NSGA-II (Deb et al., 2002) hay MOEA/D nguyên bản (Zhang & Li, 2007): Luận án không áp đặt kích thước lân cận $T$ hay bước vi phân $\beta$ bất biến. Thay vào đó, luận án thiết lập thuật toán động học cho phép $\beta$ và $T$ co giãn nhịp nhàng theo đạo hàm bậc nhất của độ đo GD và IGD theo thời gian thực, đồng thời bổ sung hệ thống tia phân giải cao trực tiếp vào các vùng trống của quần thể.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và bằng chứng dữ liệu đi kèm?

Phát hiện ấn tượng nhất là khả năng giải quyết triệt để bài toán siêu đa phương thức ZDT4 của giải thuật DMEA-II++. Trong khi các giải thuật gốc thường xuyên bị mắc kẹt tại các lớp PF cục bộ do cơ chế chọn lọc quá tập trung ở giai đoạn đầu, DMEA-II++ nhờ cơ chế nhận diện $\Delta$ suy giảm đã tự động kích hoạt chế độ siêu thăm dò, đạt tỷ lệ $100%$ các lần chạy hội tụ về PF toàn cục với giá trị IGD tiệm cận mức lý thuyết $0.0048$.

4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không?

Có. Toàn bộ thông số thực nghiệm (kích thước quần thể $N$, số thế hệ $G_{max}$, độ dài chu kỳ $G_c, G_e$, phân phối xác suất lai ghép/đột biến), cấu hình bộ bài toán ZDT1–4, UF1–5, cùng môi trường phần mềm (Matlab R2020b, nền tảng PlatEMO) và các công thức toán học đều được công khai minh bạch, đảm bảo khả năng tái lập độc lập $100%$.

5. Lộ trình nghiên cứu 10 năm tới được phác thảo ra sao?

Lộ trình tập trung vào 3 hướng chính: (1) Tự động hóa siêu tham số bằng Deep Reinforcement Learning; (2) Mở rộng giải thuật cho bài toán Tối ưu hóa Nhiều mục tiêu quy mô siêu lớn (Many-Objective Optimization với $M > 10$ và $D > 100$); (3) Ứng dụng nhúng thời gian thực trong điều khiển bầy thiết bị tự hành quân sự (Autonomous Swarm Systems).

Kết luận

Luận án tiến sĩ của tác giả Trần Bình Minh là một công trình khoa học công phu, chuẩn mực và có giá trị học thuật xuất sắc trong chuyên ngành Cơ sở toán học cho tin học. Tóm lược 5 đóng góp cốt lõi:

  1. Xác lập cơ sở toán học vững chắc cho mối quan hệ tương hỗ giữa xu hướng biến đổi độ đo hội tụ/đa dạng ($\Delta$) và xu thế tìm kiếm thăm dò/khai thác của MOEA.
  2. Phát triển kỹ thuật điều khiển thích ứng dựa trên xu hướng biến đổi độ đo chất lượng theo phân đoạn thời gian, ứng dụng cải tiến thành công 4 giải thuật tiêu biểu: DMEA-II++, MOEA/D+, MOEA/D-DE+, và NSGAII-DE+.
  3. Khám phá và mô hình hóa thành công kỹ thuật điều khiển thích ứng dựa trên cấu trúc vùng trống trong phân bố quần thể, cải tiến thành công DMEA-II+ và MOEA/D++.
  4. Hệ thống thực nghiệm đồ sộ trên các benchmark chuẩn quốc tế ZDT và UF với phân tích thống kê suy luận Wilcoxon chặt chẽ, chứng minh sự vượt trội toàn diện về cả chất lượng hội tụ, độ phân bố đa dạng lẫn thời gian thực thi.
  5. Định hình giải pháp ứng dụng thiết thực phục vụ bài toán hỗ trợ người quyết định (DM) trong thực tế và các bài toán quân sự chiến lược.

Công trình tạo ra bước chuyển dịch mô thức (paradigm shift) từ điều khiển tham số tiến hóa tĩnh sang điều khiển động học phản hồi thích ứng, mở ra nhiều nhánh nghiên cứu đột phá cho cộng đồng khoa học tính toán tiến hóa trong tương lai.