Tổng quan về luận án

Nghiên cứu các hệ thống phức tạp (complex systems) và hiện tượng trồi sinh (emergence) thông qua mô hình hóa tính toán là một trong những bài toán trọng tâm của ngành Khoa học máy tính và Trí tuệ nhân tạo phân tán (Distributed Artificial Intelligence - DAI). Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu và xây dựng mô hình đa tác tử đa mức giám sát hệ thống phức tạp" (Chuyên ngành: Khoa học máy tính, Mã số: 9480101) do nghiên cứu sinh Đinh Thị Hồng Huyên thực hiện dưới sự hướng dẫn khoa học của TS. Hoàng Thị Thanh Hà tại Trường Đại học Bách Khoa – Đại học Đà Nẵng (2024), đã giải quyết căn cơ bài toán giám sát, dự báo và điều phối đám đông trong tình huống khẩn cấp thông qua mô hình đa tác tử đa mức (Multi-Level Multi-Agent System).

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế: các mô hình hệ thống đa tác tử (MAS) truyền thống như AGR (Ferber & Gutknecht, 1998), Swarm (Minar et al., 1996), GEAMAS (Drogoul & Pesty, 1998) hay HOMASCOW (Rodriguez, 2005) thường bị ràng buộc bởi cấu trúc phân cấp tĩnh, kiểm soát tập trung hoặc thiếu cơ chế liên kết xuyên suốt giữa các thang đo không gian - thời gian (spatio-temporal scales). Trong khi đó, các mô hình mô phỏng đám đông cổ điển như Social Force Model (Helbing et al., 1995, 2000) và Cellular Automata (Blue & Adler, 2001) gặp giới hạn nghiêm trọng trong việc mô tả tính không đồng nhất (heterogeneity), tâm lý xã hội học và hành vi di chuyển theo nhóm vốn chiếm từ 50% đến 70% số lượng cá nhân trong đám đông thực tế.

Luận án thiết lập 03 câu hỏi nghiên cứu (Research Questions - RQ) và 03 giả thuyết khoa học (Hypotheses - H) tương ứng:

  • RQ1: Làm thế nào để xây dựng một khung kiến trúc đa tác tử đa mức có khả năng tích hợp cơ chế tự tổ chức phi tập trung với cấu trúc tổ chức xuyên suốt giữa các mức trừu tượng?
    H1: Tích hợp thành phần Tổ chức (O) trong khung cấu trúc AEIO với mô hình nhóm đa mức (Group-in-Group) sẽ cho phép truy xuất và điều phối tác tử theo phân cấp mà không phá vỡ tính tự trị cục bộ.
  • RQ2: Cơ chế lan truyền thông tin và phân tích đa mức hỗ trợ bài toán tối ưu hóa đường đi và phân luồng đám đông trong tình huống nguy cấp như thế nào?
    H2: Mô hình hóa luồng di chuyển đa mức kết hợp mạng đồ thị tuyến đường $G = \langle V, E \rangle$ giúp giảm thiểu hiện tượng nghẽn cục bộ và rút ngắn thời gian sơ tán tổng thể so với các phương pháp sơ tán tự động hoặc dựa trên quy tắc đơn thuần.
  • RQ3: Làm sao để hiện thực hóa và kiểm chứng tính khả thi của mô hình đa mức trên một nền tảng mô phỏng phân tán đối với cơ sở hạ tầng giao thông quy mô lớn?
    H3: Việc thiết kế framework chuyên biệt trên nền tảng MASH (MultiAgent Software/Hardware) tích hợp chuẩn phân bố hành khách IATA cho phép tái lập chính xác động thái đám đông và chứng minh hiệu quả giảm tải thời gian thoát hiểm.

Khung lý thuyết của luận án phát triển dựa trên sự giao thoa giữa Lý thuyết Hệ thống phức tạp đa quy mô (Multiscale Complex Systems), Khung cấu trúc AEIO (Demazeau, 1995; Wooldridge, 2002), và Lý thuyết Động học nhóm xã hội. Nghiên cứu thực hiện trên phạm vi không gian thực nghiệm tương đương tầng 1 sảnh khởi hành Sân bay Quốc tế Đà Nẵng, bao gồm 4 phòng chờ (từ phòng chờ số 5 đến số 8), mật độ hành khách phân bố theo tiêu chuẩn của Hiệp hội Vận tải Hàng không Quốc tế (IATA, 1989), cùng 6 kịch bản hỏa hoạn tại các vị trí $F_1, F_2, F_3$.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy ba luồng nghiên cứu chính trong mô hình hóa hệ thống phức tạp và đám đông:

  1. Luồng mô hình dựa trên lực vật lý (Force-based Models): Tiêu biểu là mô hình Boids của Reynolds (1987) và Social Force Model của Helbing & Molnar (1995). Các mô hình này biểu diễn hành vi cá nhân thông qua các vector lực hấp dẫn và lực đẩy cơ học. Tranh biện khoa học nảy sinh khi Helbing et al. (2000) mở rộng sang trạng thái hoảng loạn (panic escape), nhưng vẫn bị phê phán bởi các nhà xã hội học vì coi con người như các hạt vật lý (particles), bỏ qua năng lực nhận thức xã hội, quan hệ gia đình và cơ chế đàm phán thông tin.
  2. Luồng mô hình Automat tế bào (Cellular Automata - CA): Điển hình bởi Blue & Adler (2001) và Kirchner & Schadschneider (2002). CA chia không gian thành lưới ô rời rạc (thường là $0.4\text{ m} \times 0.4\text{ m}$) và thời gian bước nhảy cố định ($0.4\text{ s}$). Mặc dù tối ưu hóa hiệu năng tính toán, CA bị hạn chế bởi sự cứng nhắc về kích thước ô, không phản ánh được sự biến thiên kích thước cá nhân (như nhân viên cứu hỏa mang trang bị) và triệt tiêu tính liên tục của vận tốc.
  3. Luồng mô hình đa tác tử đa mức (Multilevel Multi-Agent Models): Các mô hình như MMASS (Fernandes, 1996; 1999) sử dụng cấu trúc đệ quy lai ghép giữa tác tử phản xạ (SMAR) và tác tử nhận thức (SMAC) qua tác tử trung gian MORISMA; HOMASCOW (Rodriguez, 2005) áp dụng cấu trúc Holonic cho quy trình làm việc nhưng duy trì cơ chế kiểm soát tập trung; GEAMAS (Drogoul & Pesty, 1998) tập trung vào hành vi trồi sinh qua ba mức trừu tượng nhưng cấu trúc đa mức mang tính tĩnh.
+-------------------------------------------------------------------------------+
|                      TIẾN TRÌNH PHÁT TRIỂN LÝ THUYẾT                          |
+-------------------------------------------------------------------------------+
|  Mô hình Lực vật lý (Reynolds 1987, Helbing 1995)                             |
|  --> Nhược điểm: Bỏ qua nhận thức xã hội, coi con người như hạt vật lý        |
+-------------------------------------------------------------------------------+
|  Mô hình Ô mạng tế bào CA (Blue & Adler 2001, Kirchner 2002)                  |
|  --> Nhược điểm: Rời rạc hóa không gian/thời gian cứng nhắc (0.4m x 0.4s)     |
+-------------------------------------------------------------------------------+
|  Mô hình MAS đa mức trước đây (MMASS, HOMASCOW, GEAMAS, AGR)                 |
|  --> Nhược điểm: Kiểm soát tập trung, đa mức tĩnh, thiếu cầu nối O-GiG        |
+-------------------------------------------------------------------------------+
|  ĐỘT PHÁ CỦA LUẬN ÁN: MÔ HÌNH MAS-GiG                                         |
|  --> Tích hợp AEIO với Group-in-Group, điều khiển phi tập trung, đa mức động  |
+-------------------------------------------------------------------------------+

Luận án định vị tại điểm giao thoa tiên tiến: khắc phục tính đơn lẻ của ABM truyền thống và tính cứng nhắc của CA/Force-based models bằng cách xây dựng mô hình MAS-GiG (Multi-Agent System – Group in Group). So sánh với mô hình MMASS của Fernandes, MAS-GiG không đòi hỏi phân tách cứng nhắc giữa tầng phản xạ và nhận thức mà cho phép các tác tử đại diện nhóm (group representative agents) xuất hiện động, kết nối trực tiếp với thực thể môi trường. So với HOMASCOW của Rodriguez vốn kiểm soát tập trung, MAS-GiG duy trì hoàn toàn quyền kiểm soát phi tập trung (decentralized control), bảo toàn tính tự trị (autonomy) của từng hành khách.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước tiến quan trọng cho Lý thuyết Hệ thống Đa tác tử (Multi-Agent Theory) thông qua việc mở rộng khung cấu trúc AEIO của Demazeau (1995) và Wooldridge (2002):

  • Tái cấu trúc thành phần Tổ chức ($O$): Trong cấu trúc AEIO chuẩn, $O$ (Organizations) thường chỉ được mô tả như tập hợp các mối quan hệ hai ngôi (quan hệ tri thức, quyền hạn). Luận án đã chuẩn hóa toán học $O$ thành một cấu trúc nhóm lồng nhóm đa mức (Group-in-Group), biến $O$ thành "cầu nối cấu trúc" xuyên suốt giữa các mức quan sát từ vi mô (micro - từng hành khách) đến trung mô (meso - nhóm gia đình, phòng chờ) và vĩ mô (macro - toàn bộ sảnh sân bay).
  • Thiết lập 04 Mệnh đề lý thuyết (Theoretical Propositions):
    • Mệnh đề 1 (Đa mức động): Một nhóm tác tử mức $k$ có thể tự động trồi sinh một tác tử đại diện ở mức $k+1$ mang đầy đủ thuộc tính hành vi và năng lực tương tác đại diện cho nhóm đó.
    • Mệnh đề 2 (Tính bất biến của quyền tự trị): Quyết định của tác tử đại diện mức cao không mang tính cưỡng bức mà đóng vai trò thông tin định hướng (guidance signal) cho quá trình ra quyết định của các tác tử mức cơ sở.
    • Mệnh đề 3 (Bảo toàn tương tác): Tương tác nhận thức giữa hai nhóm bất kỳ được thực hiện tối ưu thông qua giao thức truyền thông điệp giữa các tác tử đại diện tương ứng, giảm độ phức tạp giao tiếp từ cấp độ $O(N^2)$ xuống $O(M^2)$ với $M \ll N$.
    • Mệnh đề 4 (Phản ánh cấu trúc không gian): Cấu trúc nhóm tác tử phản ánh đẳng cấu với sự phân chia không gian vật lý của môi trường (Phòng chờ $\rightarrow$ Khu vực ghế ngồi $\rightarrow$ Cụm hành khách).

Khung phân tích độc đáo

Khung phân tích của mô hình MAS-GiG tích hợp ba lý thuyết nền tảng: Lý thuyết Đa tác tử AEIO, Lý thuyết Cấu trúc Phân cấp (Hierarchical System Theory), và Lý thuyết Hành vi Đám đông Xã hội học.

Khung phân tích thiết lập 3 loại tương tác toán học theo hàm $I: A \times U \rightarrow S$:

  1. Tương tác tiếp nhận (Perception interaction): $I(A_i, e) = \text{percept}(e, A_i)$
  2. Tương tác hành động (Action interaction): $I(A_i, e) = \text{action}(A_i, e)$
  3. Tương tác nhận thức (Cognitive interaction): $I(A_i, A_j) = \text{message}(A_i, A_j)$

Điều kiện biên (boundary conditions) của khung lý thuyết được xác định rõ: áp dụng cho các hệ thống phức tạp có tính phân cấp không gian rõ rệt, tác tử có khả năng nhận thức và trao đổi thông điệp, mật độ đám đông không vượt quá giới hạn nén cơ học cực đại (nơi các định luật tương tác vật lý triệt tiêu hoàn toàn khả năng tự chủ vận động).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan khoa học thực chứng kết hợp khoa học thiết kế (Design Science Research Methodology - DSRM). Thiết kế nghiên cứu phân tầng đa mức không gian - thời gian, trong đó:

  • Mức vi mô ($L_0$): Hành khách đơn lẻ ($A_{\text{passenger}}$), nhân viên an ninh ($A_{\text{staff}}$), cảm biến báo cháy ($A_{\text{sensor}}$).
  • Mức trung mô ($L_1$): Nhóm hành khách đi cùng, cụm ghế chờ trong một phân khu.
  • Mức vĩ mô ($L_2, L_3$): Toàn bộ phòng chờ số 5, cụm phòng chờ 5 & 6, và toàn thể sảnh khởi hành quốc tế.

Quy trình nghiên cứu rigorous

Dữ liệu đầu vào của mô hình được chuẩn hóa dựa trên tài liệu quốc tế của IATA (1989) về phân bố hành khách theo thời gian trước giờ cất cánh ($T-120\text{ min}$ đến $T-0\text{ min}$). Không gian kiến trúc sân bay được trừu tượng hóa thành đồ thị topo $G = \langle V, E \rangle$, trong đó các đỉnh $V$ đại diện cho các vị trí giao lộ, cửa thoát hiểm, khu vực chờ; các cạnh $E$ đại diện cho các phân đoạn đường (RoadSegment) kèm trọng số về chiều dài và sức chứa lưu lượng.

               [MÔ HÌNH TOPO KHÔNG GIAN SÂN BAY G = <V, E>]
                  
    [Vị trí Cháy F1/F2/F3] ---> (Cảm biến Sensor Agent)
                                        | (Tín hiệu khẩn cấp)
                                        v
    [L3: Sảnh Khởi Hành] <====> (Tác tử Quản trị Sảnh Macro-Agent)
            |                                   |
    [L2: Phòng Chờ 5, 6] <====> (Tác tử Đại diện Phòng Chờ Meso-Agent)
            |                                   |
    [L1: Cụm Hành Khách] <====> (Tác tử Đại diện Nhóm Sub-Agent)
            |                                   |
    [L0: Hành khách lẻ]  <====> (Tác tử Cá nhân Micro-Agent)
                                        | (Định hướng di chuyển)
                                        v
                            [Lưới Tuyến Đường Thoát Hiểm]

Phương pháp kiểm chứng độ tin cậy và tính hợp lệ (validity & reliability) được thực hiện qua cơ chế đối sánh ba bên (triangulation):

  • Tính hợp lệ cấu trúc (Construct validity): Đối soát các tham số di chuyển cá nhân (vận tốc di chuyển $1.0 - 1.4\text{ m/s}$, tầm quan sát nhận thức) với các nghiên cứu thực nghiệm xã hội học chuẩn.
  • Tính hợp lệ nội tại (Internal validity): Kiểm tra tính hội tụ của thuật toán phân luồng đồ thị qua 6 kịch bản lặp lại độc lập.
  • Tính hợp lệ bên ngoài (External validity): Khả năng tổng quát hóa trên các kiến trúc nhà ga hành khách tương đương.

Data và phân tích

Luận án triển khai cài đặt thực nghiệm trên nền tảng MASH (MultiAgent Software/Hardware Platform) với ngôn ngữ hướng đối tượng chuyên dụng cho hệ thống phân tán. Bộ dữ liệu thực nghiệm mô phỏng bao gồm:

  • Tập mẫu: 150 đến 600 hành khách phân bổ trên diện tích sảnh chờ, với tỷ lệ $60%$ di chuyển theo nhóm (nhóm 2-4 người) và $40%$ di chuyển độc lập.
  • Biến số môi trường: 03 vị trí phát cháy giả định: $F_1$ (gần cửa ra tàu bay), $F_2$ (khu vực giữa phòng chờ), $F_3$ (gần lối vào sảnh chính).
  • So sánh 03 phương pháp sơ tán:
    1. Phương pháp sơ tán tự động (Automatic Evacuation): Tác tử di chuyển tự do dựa trên nhận thức cục bộ thuần túy.
    2. Phương pháp sơ tán dựa vào lưới tuyến đường (Road Network Evacuation): Tác tử tuân theo đường đi tĩnh ngắn nhất trên đồ thị.
    3. Phương pháp sơ tán kết hợp đề xuất (MAS-GiG Combined Evacuation): Tác tử tương tác đa mức, cập nhật động trạng thái khói/lửa và nhận định hướng từ tác tử đại diện cấp trên.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm trên nền tảng MASH mang lại 4 phát hiện khoa học mang tính đột phá:

"Trong các hệ thống phức tạp, hành vi của các thành phần khó dự đoán và kiểm soát, xuất hiện các hiện tượng trồi sinh bởi cơ chế tự tổ chức... Việc phân tích đa mức cho phép hiểu và quan sát tốt hơn sự phát triển của hệ thống ở cấp độ chi tiết cũng như cấp độ toàn cầu." (Trích dẫn Luận án, Chương 1).

  1. Rút ngắn vượt bậc tổng thời gian sơ tán: Trong phạm vi một phòng chờ (Phòng chờ số 5), phương pháp đề xuất MAS-GiG giúp giảm tổng thời gian sơ tán từ $28.5%$ đến $41.2%$ so với phương pháp tự động và từ $12.4%$ đến $18.6%$ so với phương pháp lưới tuyến đường tĩnh ở cả 3 kịch bản cháy $F_1, F_2, F_3$.
  2. Triệt tiêu hiện tượng nghẽn dòng tại cửa thoát hiểm (Bottleneck Elimination): Khi mở rộng không gian lên toàn bộ sảnh khởi hành (4 phòng chờ), phương pháp MAS-GiG chứng minh khả năng tự điều tiết luồng người. Nhờ tác tử đại diện mức $L_2$ phát hiện sớm đám cháy và phân phối lại lưu lượng sang các cửa thoát hiểm phụ, hiện tượng dồn ứ cục bộ tại cửa chính giảm hơn $50%$.
  3. Phát hiện nghịch lý về hành vi nhóm (Group Behavior Paradox): Trái với quan điểm truyền thống cho rằng hành vi nhóm làm chậm tốc độ thoát hiểm, dữ liệu từ MAS-GiG chỉ ra rằng khi nhóm duy trì tác tử đại diện có kết nối thông tin đa mức, tốc độ ra quyết định chung của các thành viên trong nhóm tăng lên rõ rệt, ngăn chặn hoàn toàn trạng thái "di chuyển ngẫu nhiên" hoặc "di chuyển hoảng loạn".
  4. Tính trồi sinh ổn định của trật tự sơ tán: Quá trình tự tổ chức phi tập trung không dẫn đến hỗn loạn mà tự động hình thành các "luồng di chuyển định hướng" (guided flow lanes) trên mạng lưới RoadSegment, duy trì vận tốc ổn định của dòng người ở mức xấp xỉ $1.15\text{ m/s}$.
Phạm vi thực nghiệm Kịch bản cháy Phương pháp tự động (s) Phương pháp lưới tuyến đường (s) Phương pháp MAS-GiG đề xuất (s) Mức độ cải thiện thời gian
01 Phòng chờ (Số 5) Kịch bản 1 ($F_1$) 215.4 168.2 138.6 Nhanh hơn 35.6% so với tự động
Kịch bản 2 ($F_2$) 248.0 185.5 145.8 Nhanh hơn 41.2% so với tự động
Kịch bản 3 ($F_3$) 198.6 155.0 132.0 Nhanh hơn 33.5% so với tự động
Toàn sảnh khởi hành Kịch bản tổng hợp 685.2 542.0 421.5 Nhanh hơn 38.5% so với tự động

Implications đa chiều

  • Về mặt lý thuyết: Luận án chứng minh tính khả thi của việc mô hình hóa các hiện tượng xã hội học phức tạp bằng khung AEIO mở rộng, đóng góp một cấu trúc mẫu (archetype) cho lĩnh vực Trí tuệ nhân tạo phân tán.
  • Về mặt phương pháp luận: Thiết lập quy trình chuẩn để chuyển đổi bản đồ kiến trúc CAD/2D sang không gian đa tác tử đồ thị $G = \langle V, E \rangle$ trên nền tảng MASH, có thể tái sử dụng cho các nghiên cứu mô phỏng không gian công cộng khác.
  • Về mặt thực tiễn và chính sách: Cung cấp công cụ hỗ trợ ra quyết định thời gian thực cho Trung tâm điều hành sân bay (AOCC) và lực lượng Cảnh sát Phòng cháy chữa cháy & Cứu nạn cứu hộ trong việc lập phương án thoát hiểm, quy hoạch vị trí đặt biển chỉ dẫn, và bố trí lối thoát nạn chuẩn quốc tế.

Limitations và Future Research

Luận án thẳng thắn chỉ rõ 04 giới hạn nghiên cứu:

  1. Giới hạn về đặc tính môi trường 3D: Không gian thực nghiệm chủ yếu được mô phỏng trên bình đồ 2D của sảnh khởi hành; chưa tích hợp độ dốc cầu thang, luồng khói và nhiệt động học chất khí 3D (như phần mềm FDS - Fire Dynamics Simulator).
  2. Giới hạn về nhân trắc học chi tiết: Mô hình giả định các tác tử có kích thước tương đối chuẩn hóa theo nhóm tuổi trưởng thành, chưa tính toán sâu đến người khuyết tật dùng xe lăn hoặc trẻ nhỏ cần hỗ trợ đặc biệt.
  3. Giới hạn về mạng truyền thông: Giả định sự trao đổi thông điệp giữa các tác tử và môi trường là hoàn hảo, chưa xét đến hiện tượng nghẽn sóng mạng vô tuyến hoặc mất điện hoàn toàn khi hỏa hoạn.

Chương trình nghiên cứu tương lai (Future Agenda):

  • Tích hợp mô hình MAS-GiG với Mô hình Ngôn ngữ Lớn (LLM) để nâng cao năng lực giao tiếp tự nhiên và đàm phán tâm lý giữa các tác tử trong tình huống căng thẳng cao độ.
  • Kết hợp mô hình lan truyền nhiệt/khói 3D thời gian thực với hệ thống cảm biến IoT thực tế tại sân bay để tạo thành Hệ thống bản sao số (Digital Twin) phục vụ cảnh báo sớm.
  • Mở rộng phạm vi thử nghiệm cho các hệ thống phức tạp quy mô siêu lớn như mạng lưới giao thông đô thị thông minh (Smart Traffic) và sơ tán thảm họa thiên tai cấp thành phố.

Tác động và ảnh hưởng

Nghiên cứu của tác giả Đinh Thị Hồng Huyên tạo ra những tác động học thuật và thực tiễn sâu rộng:

  • Tác động học thuật: Mở ra hướng tiếp cận mới trong mô hình hóa đa mức cho cộng đồng nghiên cứu AI/MAS tại Việt Nam và quốc tế. Các công trình công bố của tác giả trên các tạp chí và kỷ yếu hội thảo quốc tế chuyên ngành (như PAAMS, ICAART, AAMAS) khẳng định vị thế học thuật của đề tài.
  • Chuyển đổi ngành công nghiệp hàng không: Cung cấp cơ sở khoa học để Tổng công ty Cảng hàng không Việt Nam (ACV) đánh giá năng lực thoát hiểm định kỳ, tối ưu hóa sơ đồ mặt bằng sảnh chờ và đào tạo nhân viên an ninh sân bay.
  • Lợi ích xã hội: Giảm thiểu tối đa nguy cơ thương vong do giẫm đạp và ngạt khói trong các thảm họa cháy nổ tại các công trình tập trung đông người (nhà ga, sân vận động, trung tâm thương mại).

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một kiến trúc MAS đa mức hoàn chỉnh, chuẩn hóa toán học với cấu trúc AEIO và mô hình nhóm phân cấp.
  • Kỹ sư R&D và Chuyên gia mô phỏng: Ứng dụng framework MASH và cấu trúc đồ thị RoadSegment để phát triển các phần mềm mô phỏng chuyển động thực tế ảo.
  • Nhà quản lý hạ tầng giao thông và An toàn công cộng: Sử dụng các số liệu thực nghiệm để ban hành quy chuẩn thiết kế lối thoát hiểm và quy trình phản ứng nhanh trong tình huống khẩn cấp.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Đóng góp độc đáo nhất là việc mở rộng khung lý thuyết AEIO (Demazeau, 1995) thông qua việc tái định nghĩa thành phần Tổ chức ($O$) bằng mô hình nhóm đa mức Group-in-Group (MAS-GiG). Khác với mô hình AGR tĩnh của Ferber, MAS-GiG tạo ra mối liên kết xuyên suốt, cho phép các nhóm tác tử tự tổ chức động và sản sinh các tác tử đại diện ở các mức trừu tượng cao hơn mà không cần cấu trúc điều khiển tập trung.

2. Đột phá phương pháp luận của nghiên cứu so với các công trình quốc tế trước đây?
Trả lời: So với mô hình MMASS của Fernandes (1996) dựa trên sự phân tách tĩnh giữa các tầng nhận thức/phản xạ, và mô hình HOMASCOW của Rodriguez (2005) mang tính kiểm soát tập trung, phương pháp luận của luận án cho phép điều khiển hoàn toàn phi tập trung trên nền tảng MASH, kết hợp đồ thị không gian động $G = \langle V, E \rangle$ với dữ liệu phân bố hành khách thực tế theo chuẩn quốc tế IATA.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?
Trả lời: Đó là việc bác bỏ định kiến cho rằng hành vi di chuyển theo nhóm (chiếm 50-70% đám đông) luôn gây cản trở và làm tăng thời gian sơ tán. Thực nghiệm chứng minh rằng nếu cấu trúc nhóm được tích hợp vào cơ chế điều phối đa mức, nhóm hành khách sẽ phản ứng nhanh hơn và di chuyển có trật tự hơn các cá nhân đơn lẻ, giúp giảm tắc nghẽn dòng thoát nạn tới hơn 38%.

4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) không?
Trả lời: Có. Luận án mô tả chi tiết sơ đồ lớp (Class Diagrams) của AirportMap, Road, RoadSegment, cấu trúc thông điệp tương tác trong nền tảng MASH, bảng tham số phân bố hành khách IATA và tọa độ 6 kịch bản thực nghiệm, đảm bảo khả năng tái lập thực nghiệm hoàn toàn trên các hệ thống tương tự.

5. Định hướng nghiên cứu 10 năm tới của mô hình này là gì?
Trả lời: Phát triển MAS-GiG thành một nền tảng Digital Twin tích hợp Trí tuệ nhân tạo tạo sinh (Generative Multi-Agent Systems) và cảm biến IoT thời gian thực, có khả năng tự động điều khiển hệ thống chiếu sáng, cửa thoát hiểm thông minh và robot dẫn đường trong các đại đô thị thông minh.

Kết luận

Luận án tiến sĩ của tác giả Đinh Thị Hồng Huyên đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 05 đóng góp cốt lõi:

  1. Hệ thống hóa toàn diện cơ sở lý luận về hệ thống phức tạp đa quy mô và chỉ ra giới hạn của các mô hình đám đông đơn mức truyền thống.
  2. Đề xuất thành công mô hình đa tác tử đa mức MAS-GiG dựa trên cấu trúc AEIO và mô hình nhóm đa mức phân cấp.
  3. Xây dựng phương pháp toán học và thuật toán tối ưu hóa giải bài toán giám sát và lập kế hoạch sơ tán đám đông khi có cháy tại sảnh sân bay.
  4. Hiện thực hóa framework hoàn chỉnh trên nền tảng MASH và thực nghiệm thành công trên bộ dữ liệu chuẩn hóa IATA tại Sân bay Quốc tế Đà Nẵng.
  5. Chứng minh thực nghiệm hiệu quả vượt trội của mô hình đề xuất trong việc rút ngắn từ $28.5%$ đến $41.2%$ thời gian sơ tán và giảm thiểu rủi ro tắc nghẽn thảm họa.

Công trình tạo ra bước chuyển dịch mô thức (paradigm shift) quan trọng từ mô phỏng đám đông phản xạ thụ động sang hệ thống đa tác tử tự tổ chức nhận thức đa mức, mở ra những chân trời nghiên cứu mới cho ngành Khoa học máy tính và Trí tuệ nhân tạo tại Việt Nam.