Tổng quan về luận án

Luận án này định vị mình trong bối cảnh khoa học của Cuộc cách mạng công nghiệp 4.0, nơi nhu cầu lập lịch và phân phối tài nguyên hiệu quả trở nên cấp thiết do sự bùng nổ dữ liệu và tài nguyên hữu hạn trong các hệ thống thông minh, IoT, và dây chuyền sản xuất. Nghiên cứu tiên phong trong việc giải quyết các thách thức tối ưu hóa phức tạp trong lập lịch dự án với tài nguyên giới hạn và đa kỹ năng (MS-RCPSP), đồng thời mở rộng phạm vi nghiên cứu bằng việc đề xuất một bài toán mới mang tính thực tiễn cao.

Research gap cụ thể mà luận án giải quyết là sự thiếu hiệu quả của các phương pháp metaheuristic truyền thống (như GA, Ant, Greedy) trong việc giải quyết bài toán MS-RCPSP, như được chỉ ra trong "Hiện nay nhiều nhà khoa học đã đưa ra các phương pháp giải bài toán MS-RCPSP dựa trên giải thuật heuristic và metaheuristic, tuy nhiên các phương pháp này thường dựa trên các kỹ thuật khá truyền thống nên đạt hiệu quả chưa thực sự tốt" [Mở đầu, tr. 2]. Ngoài ra, các nghiên cứu trước đây về MS-RCPSP thường chỉ dừng lại ở mô hình lý thuyết và chưa được kiểm chứng trên dữ liệu thực tế. Luận án nhấn mạnh: "những bài toán của Hosseinian và Baradaran mới chỉ dừng ở mô hình lý thuyết, chưa được gắn với thực tế cũng như chưa được thực nghiệm trên một bộ dữ liệu thực tế" [Chương 1, tr. 22].

Để giải quyết những khoảng trống này, luận án đặt ra ba mục tiêu nghiên cứu chính:

  1. Nghiên cứu, đề xuất các phương pháp gần đúng để giải bài toán MS-RCPSP nhằm cực tiểu hóa thời gian thực hiện dự án (makespan).
  2. Đề xuất bài toán mới Real-RCPSP, là bài toán có khả năng ứng dụng cao trong việc lập kế hoạch điều phối sản xuất, đặc biệt là các dây chuyền sản xuất sản phẩm.
  3. Nghiên cứu và đề xuất thuật toán gần đúng để giải bài toán Real-RCPSP.

Khung lý thuyết của luận án được xây dựng dựa trên các giải thuật tiến hóa (Evolutionary Algorithms) tiên tiến, bao gồm Tối ưu bầy đàn (Particle Swarm Optimization - PSO) [12],[23],[33],[56],[59], Tiến hóa vi phân (Differential Evolution - DE) [8],[26], và thuật toán Cuckoo Search (CS) [20],[25],[34],[36],[60],[61]. Các thuật toán này được chọn làm nền tảng để phát triển các phương pháp mới, hiệu quả hơn.

Những đóng góp đột phá của luận án bao gồm:

  1. Đề xuất bài toán Real-RCPSP: Đây là một mở rộng đáng kể của MS-RCPSP, đưa vào ràng buộc thực tế rằng "tài nguyên có bậc kỹ năng cao hơn thường sẽ hoàn thành tác vụ nhanh hơn" [Mở đầu, tr. 2]. Điều này tạo ra một mô hình lập lịch chân thực hơn, đặc biệt hữu ích cho các dây chuyền sản xuất.
  2. Phát triển các thuật toán metaheuristic mới hiệu quả cao: Luận án giới thiệu M-PSO và DEM cho MS-RCPSP, cùng với A-DEM, R-CSM, và RR-CSM cho Real-RCPSP. Các thuật toán này được kỳ vọng sẽ vượt trội so với các phương pháp hiện có.
  3. Phương pháp số hóa dữ liệu thực tế: Luận án đề xuất "phương pháp số hóa dữ liệu thực tế để áp dụng cho mô hình bài toán lập lịch" [Mở đầu, tr. 5], tạo điều kiện cho việc ứng dụng công nghệ thông tin trong tự động hóa sản xuất doanh nghiệp.
  4. Kiểm chứng trên bộ dữ liệu thực tế TNG: Ngoài bộ dữ liệu chuẩn iMOPSE [42],[45], luận án còn thực nghiệm trên "bộ dữ liệu TNG do nghiên cứu sinh tự thu thập và xây dựng" [Chương 4, tr. 7], chứng minh tính khả thi và hiệu quả thực tiễn của các thuật toán đề xuất.

Phạm vi nghiên cứu của luận án tập trung vào các phương pháp cận tối ưu và các thuật toán tiến hóa để giải quyết bài toán MS-RCPSP và Real-RCPSP. Các thực nghiệm được tiến hành trên bộ dữ liệu chuẩn iMOPSE và bộ dữ liệu thực tế của Công ty cổ phần đầu tư và thương mại TNG, khẳng định sự chặt chẽ và ý nghĩa thực tiễn của nghiên cứu.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án trình bày một phân tích sâu sắc về các dòng nghiên cứu chính liên quan đến bài toán lập lịch với tài nguyên giới hạn và đa kỹ năng (MS-RCPSP), một bài toán đã được chứng minh là thuộc lớp NP-Khó [2],[22],[46]. Các nghiên cứu được tổng hợp từ năm 1950, khi các bài toán lập lịch bắt đầu được đề xuất [37].

Các luồng nghiên cứu chính được tổng hợp với tên tác giả và năm cụ thể:

  • Myszkowski và cộng sự [31],[42],[43],[44],[45] (từ 2013-2019): Đây là nhóm nghiên cứu tiên phong, ban đầu giải quyết MS-RCPSP bằng heuristic [31],[43],[44] như sắp xếp tác vụ theo thời lượng và chọn tài nguyên rẻ nhất. Sau đó, họ chuyển sang các metaheuristic như Tabu Search [31], thuật toán Đàn kiến [44], và Genetic Algorithms (GA) [43]. Đóng góp nổi bật nhất của nhóm này là việc xây dựng và công bố bộ dữ liệu chuẩn iMOPSE [42] thay vì bộ dữ liệu PSPLIB [47] vốn không hoàn toàn phù hợp với MS-RCPSP.
  • Hosseinian và Baradaran [4],[5],[6],[7] (từ 2018): Nhóm này nghiên cứu các biến thể của MS-RCPSP, như Multi-mode Multi-skilled Resource-Constrained Project Scheduling Problem (MMSRCPSP) [4]. Họ sử dụng GA cổ điển kết hợp Shannon-entropy [4] và sau đó là thuật toán Dandelion Algorithm [5] (một thuật toán tiến hóa mới công bố năm 2017 [53]), cùng với Pareto-based Grey Wolf Optimizer cho bài toán đa mục tiêu [6]. Điều đáng chú ý là họ cũng lựa chọn bộ dữ liệu iMOPSE [42] để kiểm chứng.
  • Javanmard và cộng sự [51] (2017): Đã sử dụng GA và PSO để tối thiểu hóa tổng chi phí dự án trong ngành hóa chất, kiểm chứng trên bộ dữ liệu PSPLIB [47]. Tuy nhiên, công trình này bị hạn chế bởi việc không so sánh với các thuật toán mới hơn.
  • H. Davari-Ardakani [21] (2019): Đề xuất một biến thể đa mục tiêu của MS-RCPSP (MSPSP) nhưng chỉ giới hạn trong các dự án có thời điểm thực hiện tùy ý và chi phí năng lượng cao. Nghiên cứu này chưa đề xuất giải pháp mới mà chỉ thực nghiệm với các giải pháp đã có như Max-min.
  • Huafeng Dai [15] (2019): Tiếp cận bằng thuật toán memetic, cũng sử dụng iMOPSE làm bộ dữ liệu thực nghiệm và so sánh với các thuật toán của nhóm Myszkowski. Tuy nhiên, thuật toán memetic được coi là "truyền thống" và thiếu đột phá.

Những mâu thuẫn/tranh luận trong tài liệu bao gồm:

  • Hiệu quả của Heuristic so với Metaheuristic: Ban đầu, Myszkowski và cộng sự giải quyết bằng heuristic [31],[43],[44], nhưng sau đó nhận ra rằng "các heuristic thiếu ổn định và có phạm vi ứng dụng hẹp so với các metaheuristic" [Chương 1, tr. 21]. Điều này thúc đẩy sự chuyển dịch sang các thuật toán tiến hóa.
  • Sự phù hợp của bộ dữ liệu: Myszkowski chỉ ra rằng bộ dữ liệu PSPLIB [47] "thiếu trường thông tin về chi phí thực hiện tác vụ, do đó không hoàn toàn thích hợp với bài toán MS-RCPSP" [Chương 1, tr. 21], dẫn đến việc họ phải xây dựng iMOPSE [42].
  • Tính thực tiễn của mô hình: Nhiều nghiên cứu, như của Hosseinian và Baradaran, "mới chỉ dừng ở mô hình lý thuyết, chưa được gắn với thực tế cũng như chưa được thực nghiệm trên một bộ dữ liệu thực tế" [Chương 1, tr. 22], tạo ra một khoảng trống lớn về ứng dụng.

Luận án này định vị mình trong tài liệu bằng cách giải quyết những khoảng trống rõ ràng:

  1. Đề xuất các metaheuristic mới và hiệu quả hơn: Luận án đặt mục tiêu "tìm ra các thuật toán Metaheuristic mới để giải bài toán MS-RCPSP" [Chương 1, tr. 22], dựa trên nền tảng PSO, DE, và CS, vượt qua các thuật toán "truyền thống" mà Myszkowski hay Javanmard sử dụng.
  2. Đề xuất bài toán mới Real-RCPSP: Điều này mở rộng đáng kể khung lý thuyết hiện có bằng cách tích hợp các ràng buộc thực tế về thời gian thực hiện tác vụ thay đổi theo bậc kỹ năng của tài nguyên, một yếu tố chưa được các nghiên cứu trước đây như của Myszkowski hay Hosseinian đưa vào.
  3. Kiểm chứng trên dữ liệu thực tế: Khác với các công trình chỉ dừng ở mô hình lý thuyết hoặc sử dụng dữ liệu sinh ngẫu nhiên (như ProGen của Hosseinian [4]), luận án này thực hiện "triển khai thực nghiệm trên các bộ dữ liệu thực tế" [Chương 1, tr. 22], bao gồm bộ dữ liệu TNG do nghiên cứu sinh tự xây dựng.

So sánh với ít nhất 2 nghiên cứu quốc tế:

  • So với Myszkowski và cộng sự [31],[42],[43],[44],[45]: Trong khi Myszkowski đã đóng góp bộ dữ liệu iMOPSE quan trọng và các thuật toán như GA, Ant, luận án này tiến xa hơn bằng cách đề xuất các thuật toán metaheuristic mới, "hiệu quả hơn" [Mở đầu, tr. 5], vượt trội về chất lượng lời giải, thay vì chỉ sử dụng các thuật toán "truyền thống".
  • So với Hosseinian và Baradaran [4],[5],[6],[7]: Mặc dù cách tiếp cận của Hosseinian có nhiều điểm tương đồng về bài toán và lựa chọn giải pháp (thuật toán tiến hóa mới), nhưng công trình của họ "mới chỉ dừng ở mô hình lý thuyết, chưa được gắn với thực tế cũng như chưa được thực nghiệm trên một bộ dữ liệu thực tế" [Chương 1, tr. 22]. Luận án này khắc phục hạn chế đó bằng việc kiểm chứng trên bộ dữ liệu TNG thực tế, tăng cường giá trị ứng dụng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này thực hiện những đóng góp đáng kể cho lý thuyết lập lịch và tối ưu hóa tổ hợp bằng cách mở rộng và thách thức các mô hình hiện có, đặc biệt trong bối cảnh bài toán lập lịch dự án với tài nguyên giới hạn. Nghiên cứu mở rộng lý thuyết về Bài toán lập lịch với tài nguyên giới hạn (RCPSP) [2],[46] và Bài toán lập lịch với tài nguyên giới hạn và đa kỹ năng (MS-RCPSP) [4],[6],[22],[31]. Cụ thể, nó mở rộng MS-RCPSP bằng cách giới thiệu Bài toán Real-RCPSP mới. Điểm đột phá này thách thức giả định truyền thống trong MS-RCPSP rằng "thời gian thực hiện tác vụ là như nhau với bất kỳ tài nguyên thực hiện nào" [Mở đầu, tr. 2]. Thay vào đó, Real-RCPSP tích hợp một ràng buộc thực tế quan trọng: "thời gian thực hiện thay đổi theo bậc kỹ năng của tài nguyên thực hiện" [Mở đầu, tr. 2], như ví dụ về "thợ bậc 7 sẽ hoàn thành công việc trong thời gian ngắn hơn so với thợ bậc 3" [Mở đầu, tr. 2].

Khung khái niệm của luận án được xây dựng trên cơ sở các thành phần cốt lõi của bài toán lập lịch: tập các tác vụ (W), tập các tài nguyên (L), ràng buộc về thứ tự ưu tiên (C), và yêu cầu kỹ năng của tác vụ (ri). Mối quan hệ giữa các thành phần này được định nghĩa lại trong Real-RCPSP để phản ánh sự phụ thuộc của thời gian thực hiện (tj) vào bậc kỹ năng (hi) của tài nguyên (Li) được gán. Mô hình lý thuyết được phát triển với các mệnh đề/giả thuyết được đánh số, tập trung vào việc cực tiểu hóa Makespan của lịch biểu (f(P) → min) trong khi thỏa mãn các ràng buộc phức tạp của MS-RCPSP và Real-RCPSP. Các ràng buộc này bao gồm:

  • Ràng buộc ưu tiên giữa các tác vụ: Ej – Bi ≥ ti nếu (Wi, Wj) ∈ C (tác vụ cha kết thúc trước khi tác vụ con bắt đầu) [Chương 1, (1.2)].
  • Ràng buộc năng lực tài nguyên: Mỗi tài nguyên Lk phải có ít nhất một kỹ năng (Sk ≠ ∅) [Chương 1, (1.5)].
  • Ràng buộc về kỹ năng và mức kỹ năng: "Tài nguyên thực hiện cần có cùng loại kỹ năng và mức kỹ năng lớn hơn hoặc bằng mức kỹ năng yêu cầu" [Chương 1, tr. 16], được biểu thị bằng gS = gSi và hS_q ≥ h_ri [Chương 1, (1.7)].
  • Ràng buộc về việc sử dụng tài nguyên: "mỗi tài nguyên chỉ được thực hiện tối đa một tác vụ tại mỗi thời điểm (q)" [Chương 1, (1.8)].

Luận án đề xuất một sự dịch chuyển mô hình (paradigm shift) từ mô hình lập lịch lý tưởng hóa sang một mô hình thực tế hơn. Bằng cách tích hợp ràng buộc thời gian biến đổi theo kỹ năng, nghiên cứu này mang lại bằng chứng từ các phát hiện rằng các mô hình lý thuyết cần phải gần với thực tiễn hơn để có thể ứng dụng hiệu quả. Sự dịch chuyển này được hỗ trợ bởi việc "số hóa dữ liệu thực tế để áp dụng cho mô hình bài toán lập lịch" [Mở đầu, tr. 5], điều này là cần thiết để ứng dụng trong môi trường công nghiệp 4.0.

Khung phân tích độc đáo

Khung phân tích độc đáo của luận án này được xây dựng trên sự tích hợp tinh vi của ba lý thuyết metaheuristic chính:

  1. Particle Swarm Optimization (PSO): Dựa trên mô hình dịch chuyển của các cá thể trong quần thể, cập nhật "vector vị trí" và "vector vận tốc" theo "pbesti" (vị trí tốt nhất của cá thể) và "gbest" (vị trí tốt nhất của quần thể) [Chương 1, (1.10) và (1.11)]. Luận án đề xuất M-PSO sử dụng "kỹ thuật Di cư" (Migration) để cải thiện quá trình tối ưu [Chương 2, tr. 45].
  2. Differential Evolution (DE): Đặc trưng bởi việc sử dụng thông tin định hướng trong toán tử đột biến [Chương 1, (1.13)] để tạo ra các cá thể mới thông qua "lai ghép, đột biến và chọn lọc". Luận án phát triển DEM cho MS-RCPSP và A-DEM cho Real-RCPSP, có "phương pháp tái thiết lập tài nguyên thực hiện" và "phương pháp thích nghi" [Chương 2 & Chương 4].
  3. Cuckoo Search (CS): Dựa trên bước dịch chuyển ngẫu nhiên Lévy Flight, mô phỏng hành vi tìm kiếm mồi của động vật, có khả năng "lục soát kỹ vùng lân cận" (Exploitation) và "khám phá những khu vực mới" (Exploration) [Chương 1, tr. 37]. Luận án đề xuất R-CSM và RR-CSM cho Real-RCPSP, tích hợp "phương pháp Rotate" và "Reallocate" để nâng cao hiệu quả [Chương 4].

Phương pháp phân tích mới mẻ này được biện minh bằng khả năng của nó trong việc xử lý các bài toán NP-Khó và cung cấp lời giải cận tối ưu với chất lượng cao hơn so với các phương pháp truyền thống. Các đóng góp khái niệm bao gồm:

  • Thang đo độ chênh của cá thể: Một "thang đo độ chênh lệch giữa các cá thể" [Chương 2, tr. 45] được đề xuất cho MS-RCPSP, đóng vai trò quan trọng trong quá trình tính toán tiến hóa của các cá thể, cho phép đánh giá và so sánh chất lượng lời giải một cách định lượng hơn.
  • Phương pháp biểu diễn cá thể: Các phương pháp mã hóa cá thể cụ thể được xây dựng cho cả MS-RCPSP và Real-RCPSP, đảm bảo tính khả thi và hiệu quả của các giải thuật tiến hóa.

Các điều kiện biên được nêu rõ ràng: luận án tập trung vào các bài toán lập lịch nhằm "tối thiểu hóa thời gian thực hiện dự án (makespan)" [Mở đầu, tr. 3] và bị ràng buộc bởi tài nguyên giới hạn, yếu tố đa kỹ năng, và đặc biệt là sự thay đổi thời gian thực hiện theo bậc kỹ năng của tài nguyên trong Real-RCPSP. Nghiên cứu sử dụng các bộ dữ liệu chuẩn (iMOPSE) và dữ liệu thực tế (TNG), giới hạn tính tổng quát hóa trong các miền ứng dụng tương tự như lập lịch sản xuất và điều phối tài nguyên.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Triết lý nghiên cứu của luận án nghiêng về hướng thực chứng (positivism), với mục tiêu xây dựng và kiểm chứng các mô hình toán học và thuật toán thông qua thực nghiệm khách quan và phân tích định lượng. Cách tiếp cận này tìm kiếm các lời giải tối ưu hoặc cận tối ưu có thể được đo lường, so sánh và tổng quát hóa. Luận án sử dụng một thiết kế nghiên cứu kết hợp giữa phát triển thuật toán và kiểm chứng thực nghiệm. Mặc dù không sử dụng "mixed methods" theo nghĩa truyền thống, luận án kết hợp chặt chẽ việc xây dựng lý thuyết (mô hình toán học, thuật toán mới) với bằng chứng thực nghiệm mạnh mẽ. Rationale cho sự kết hợp này là để đảm bảo rằng các thuật toán đề xuất không chỉ có nền tảng lý thuyết vững chắc mà còn mang lại hiệu quả vượt trội trong thực tế. "Để kiểm chứng, cuối mỗi phần đều trình bày quá trình cài đặt các thuật toán đề xuất, thu thập, so sánh, phân tích và đánh giá kết quả thực nghiệm" [Mở đầu, tr. 4]. Thiết kế đa cấp không được nêu rõ, nhưng nghiên cứu xử lý các tác vụ (tasks) và tài nguyên (resources) ở các cấp độ khác nhau trong bài toán lập lịch. Kích thước mẫu và tiêu chí lựa chọn:

  • Bộ dữ liệu iMOPSE: Đây là bộ dữ liệu chuẩn quốc tế được Myszkowski [42],[45] và cộng sự xây dựng riêng cho bài toán MS-RCPSP, đảm bảo tính so sánh quốc tế và độ tin cậy. Dữ liệu này được sử dụng để kiểm chứng các thuật toán đề xuất.
  • Bộ dữ liệu TNG: Luận án sử dụng "bộ dữ liệu TNG do nghiên cứu sinh tự thu thập và xây dựng" [Chương 4, tr. 7], là dữ liệu thực tế từ Công ty cổ phần đầu tư và thương mại TNG. Điều này cung cấp một trường hợp nghiên cứu thực tiễn để đánh giá khả năng ứng dụng của các thuật toán. Các bảng dữ liệu như Bảng 1.1 "Thông tin đầu vào của dự án" (10 tác vụ, 2 tài nguyên với S1=7, S2=4) và Bảng 1.2 "Dữ liệu về tác vụ và yêu cầu thực hiện" (10 công việc từ J1 đến J10) cung cấp các ví dụ cụ thể về kích thước và đặc điểm của các trường hợp thử nghiệm.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu: Dựa trên việc sử dụng các bộ dữ liệu có sẵn (iMOPSE) và bộ dữ liệu thực tế được thu thập riêng (TNG).

  • Tiêu chí đưa vào (inclusion criteria): Các bài toán lập lịch phải thuộc loại RCPSP hoặc MS-RCPSP, hoặc biến thể mới Real-RCPSP, với các ràng buộc về tài nguyên giới hạn, đa kỹ năng, và đặc biệt là sự thay đổi thời gian thực hiện theo bậc kỹ năng.
  • Tiêu chí loại trừ (exclusion criteria): Các bài toán không phù hợp với các ràng buộc trên hoặc không thể được biểu diễn bằng các mô hình toán học đã định nghĩa. Các giao thức thu thập dữ liệu: Đối với bộ dữ liệu TNG, nghiên cứu sinh đã "tự thu thập và xây dựng" [Chương 4, tr. 7], ngụ ý một quy trình thu thập và số hóa dữ liệu thực tế từ hoạt động sản xuất hoặc quản lý dự án để chuyển đổi nó thành định dạng phù hợp cho mô hình bài toán lập lịch. Các công cụ và giao thức cụ thể để đảm bảo chất lượng dữ liệu được đề xuất trong phần ý nghĩa thực tiễn "phương pháp số hóa dữ liệu thực tế để áp dụng cho mô hình bài toán lập lịch" [Mở đầu, tr. 5]. Tính hợp lệ và độ tin cậy: Mặc dù không trực tiếp đề cập đến các loại hợp lệ (construct/internal/external) hay giá trị α, tính nghiêm ngặt của nghiên cứu được thể hiện qua:
  • So sánh đối chứng: Các thuật toán đề xuất được so sánh với các thuật toán hiện có (ví dụ: GA-M) và các thuật toán metaheuristic khác đã được công bố (ví dụ: các thuật toán của nhóm Myszkowski [31],[43],[44] và Hosseinian [4],[5],[6]), đảm bảo tính khách quan trong đánh giá hiệu suất.
  • Thực nghiệm trên bộ dữ liệu chuẩn: Sử dụng iMOPSE, một bộ dữ liệu được cộng đồng khoa học công nhận, giúp đảm bảo tính hợp lệ bên ngoài cho các kết quả.
  • Phân tích thống kê: "Phân tích phương sai; So sánh giá trị trung bình; Phân tích tương quan" được sử dụng để đánh giá chất lượng lời giải, giúp xác nhận tính hiệu quả một cách định lượng và đáng tin cậy.

Data và phân tích

Đặc điểm mẫu: Các bộ dữ liệu được sử dụng bao gồm:

  • iMOPSE dataset: Bộ dữ liệu chuẩn cho bài toán MS-RCPSP [42],[45], bao gồm thông tin chi tiết về tác vụ, tài nguyên, kỹ năng và chi phí. Ví dụ, Bảng 1.11 "Bộ dữ liệu iMOPSE cho bài toán MS-RCPSP" [Chương 2, tr. 56] cung cấp cấu trúc của dữ liệu này.
  • TNG dataset: "Bộ dữ liệu TNG do nghiên cứu sinh tự thu thập và xây dựng" [Chương 4, tr. 7], mô phỏng các "hợp đồng may công nghiệp" và "dữ liệu chuyền may của TNG" [Chương 4, Bảng 4.5, 4.6], cho phép kiểm chứng ứng dụng trong bối cảnh thực tế. Các kỹ thuật phân tích tiên tiến: Luận án sử dụng các phương pháp thống kê để đánh giá hiệu suất của thuật toán:
  • Phân tích phương sai (ANOVA): Để kiểm tra sự khác biệt có ý nghĩa thống kê giữa các nhóm kết quả từ các thuật toán khác nhau.
  • So sánh giá trị trung bình (Mean comparison): Để đánh giá hiệu suất trung bình của các thuật toán (ví dụ: giá trị BEST, AVG, STD). Bảng 1.13 "So sánh kết quả thực nghiệm M-PSO với các thuật toán khác" [Chương 2, tr. 60] và Hình 2.11 "So sánh giá trị BEST giữa M-PSO và GA-M" [Chương 2, tr. 58] là ví dụ.
  • Phân tích tương quan (Correlation analysis): Để đánh giá mối quan hệ giữa các biến (ví dụ: ảnh hưởng của các tham số thuật toán đến makespan). Không có phần mềm cụ thể nào được nêu tên trong đoạn trích, nhưng việc thực hiện các thuật toán và phân tích thống kê đòi hỏi các công cụ lập trình (ví dụ: Python, MATLAB) và phần mềm thống kê (ví dụ: R, SPSS). Kiểm tra tính mạnh mẽ (Robustness checks): Mặc dù không mô tả chi tiết "alternative specifications", việc so sánh các thuật toán đề xuất với nhiều thuật toán hiện có trên cùng một bộ dữ liệu (iMOPSE) và sau đó trên một bộ dữ liệu thực tế (TNG) đã cung cấp một hình thức kiểm tra tính mạnh mẽ. Các kết quả thực nghiệm như "Bảng 1.12: Kết quả thực nghiệm M-PSO" và "Bảng 1.17: Kết quả thực nghiệm DEM với bộ dữ liệu iMOPSE" [Chương 2, tr. 57, 68] cung cấp các chỉ số như BEST, AVG, STD, phản ánh hiệu suất của thuật toán. Các kết quả bao gồm "statistical significance (p-values, effect sizes)" không được nêu rõ ràng trong đoạn trích, nhưng việc sử dụng phân tích phương sai ngụ ý rằng các giá trị p-value sẽ được báo cáo để xác định ý nghĩa thống kê của các phát hiện. Các "effect sizes" cũng sẽ được suy ra từ các so sánh giá trị trung bình và độ lệch chuẩn.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đưa ra những phát hiện then chốt chứng minh tính hiệu quả và ý nghĩa của các phương pháp được đề xuất:

  1. Hiệu suất vượt trội của M-PSO và DEM cho MS-RCPSP: "Kết quả thực nghiệm M-PSO với bộ dữ liệu iMOPSE" [Bảng 1.12, Chương 2] và "Kết quả thực nghiệm DEM với bộ dữ liệu iMOPSE" [Bảng 1.17, Chương 2] cho thấy các thuật toán M-PSO và DEM mang lại "giá trị tốt nhất" (BEST) và "giá trị trung bình" (AVG) cho makespan thấp hơn so với các thuật toán khác như GA-M. Ví dụ, Hình 2.11 "So sánh giá trị BEST giữa M-PSO và GA-M" và Hình 2.12 "So sánh giá trị STD giữa M-PSO và GA-M" [Chương 2, tr. 58, 59] cung cấp bằng chứng trực quan về sự cải thiện này.
  2. Khả năng giải quyết bài toán Real-RCPSP bằng A-DEM, R-CSM và RR-CSM: Các thuật toán A-DEM, R-CSM và RR-CSM được chứng minh là hiệu quả trong việc giải quyết bài toán Real-RCPSP mới. "Kết quả thực nghiệm A-DEM trên bộ dữ liệu iMOPSE" [Bảng 4.7, Chương 4] và "Kết quả thực nghiệm R-CSM với bộ dữ liệu iMOPSE" [Bảng 4.9, Chương 4] cung cấp bằng chứng về khả năng xử lý bài toán mới này.
  3. Tính hiệu quả trên dữ liệu thực tế TNG: Các thực nghiệm trên "bộ dữ liệu TNG do nghiên cứu sinh tự thu thập và xây dựng" [Chương 4, tr. 7] cho thấy các thuật toán đề xuất, như A-DEM và R-CSM, duy trì hiệu suất cao. "So sánh giá trị BEST giữa A-DEM và GA-M và TNG" [Hình 4.6, Chương 4] và "So sánh giá trị BEST giữa R-CSM, GA-M và TNG trên" [Hình 4.8, Chương 4] cung cấp bằng chứng cụ thể về việc giảm makespan trong môi trường công nghiệp thực tế.
  4. Sự cải thiện của các kỹ thuật "Di cư", "tái thiết lập tài nguyên" và "Rotate": Các kỹ thuật như "Di cư" (Migration) trong M-PSO, "phương pháp tái thiết lập tài nguyên thực hiện" trong DEM, và "phương pháp Rotate" trong RR-CSM đã đóng góp vào việc nâng cao chất lượng lời giải. Minh họa phương pháp tái thiết lập tài nguyên [Hình 2.17, Chương 2] cho thấy cách các tài nguyên được điều chỉnh để tối ưu hóa lịch biểu.

Các kết quả có ý nghĩa thống kê (p-values, effect sizes) được ngụ ý thông qua việc sử dụng "Phân tích phương sai" và "So sánh giá trị trung bình", mặc dù các giá trị cụ thể không được trích dẫn trong phần mở đầu. Không có kết quả phản trực giác (counter-intuitive results) được nêu rõ, nhưng sự nhất quán của các thuật toán đề xuất trong việc đạt được makespan thấp hơn trên cả bộ dữ liệu chuẩn và thực tế là một phát hiện quan trọng. Các hiện tượng mới (new phenomena) bao gồm sự khẳng định rằng việc tính đến "thời gian thực hiện thay đổi theo bậc kỹ năng của tài nguyên thực hiện" [Mở đầu, tr. 2] là một yếu tố quan trọng để đạt được lịch biểu tối ưu hơn trong thực tế. Ví dụ về "thợ bậc 7 sẽ hoàn thành công việc trong thời gian ngắn hơn so với thợ bậc 3" [Mở đầu, tr. 2] minh họa rõ ràng hiện tượng này. So với các nghiên cứu trước đây (như Myszkowski [42],[45], Hosseinian [4],[5]), các phát hiện của luận án cho thấy một sự tiến bộ rõ rệt trong việc đạt được "hiệu quả tốt hơn" [Mở đầu, tr. 2] trong việc giải quyết MS-RCPSP và giới thiệu một mô hình mới, thực tế hơn là Real-RCPSP.

Implications đa chiều

Các implications của luận án này mang tính đa chiều, ảnh hưởng đến lý thuyết, phương pháp luận, ứng dụng thực tiễn và chính sách:

  • Tiến bộ lý thuyết: Luận án đóng góp vào ít nhất hai lý thuyết chính:
    • Lý thuyết tối ưu hóa tổ hợp: Bằng cách mở rộng bài toán RCPSP thành Real-RCPSP, luận án cung cấp một khung lý thuyết mới để xử lý các ràng buộc phức tạp trong lập lịch, đặc biệt là sự phụ thuộc của thời gian thực hiện vào kỹ năng tài nguyên.
    • Lý thuyết thuật toán metaheuristic: Phát triển các thuật toán M-PSO, DEM, A-DEM, R-CSM, RR-CSM, luận án đã mở rộng hiểu biết về cách các kỹ thuật tiến hóa (PSO, DE, CS) có thể được tùy chỉnh và cải tiến để giải quyết các bài toán NP-Khó cụ thể với hiệu quả cao hơn.
  • Đổi mới phương pháp luận: Các kỹ thuật như "Di cư" trong PSO, "tái thiết lập tài nguyên thực hiện" trong DE, và "Rotate" trong CS không chỉ là cải tiến thuật toán mà còn là những đổi mới phương pháp luận có thể áp dụng cho các bài toán tối ưu hóa tương tự trong các bối cảnh khác. "Thang đo độ chênh lệch giữa các cá thể" [Chương 2, tr. 45] cũng là một đóng góp phương pháp luận đáng chú ý.
  • Ứng dụng thực tiễn: Các thuật toán được đề xuất có thể được áp dụng trực tiếp trong nhiều lĩnh vực:
    • Lập lịch sản xuất: "giúp nâng cao hiệu suất của nhiều lĩnh vực nhất là trong điều kiện cách mạng công nghiệp 4.0 đang diễn ra trên mọi lĩnh vực" [Mở đầu, tr. 2], đặc biệt là "các dây chuyền sản xuất sản phẩm" [Mở đầu, tr. 3] như đã kiểm chứng với dữ liệu TNG.
    • Điều phối tài nguyên: Trong "hệ điều hành, các hệ thống phân tán" [Mở đầu, tr. 2], Fog Computing và Edge Computing [Chương 1, tr. 16] để tối ưu hóa việc bố trí và sử dụng tài nguyên tính toán.
    • Quản lý dự án: Trong các dự án có yếu tố đa kỹ năng và thời gian thực hiện biến động. Các khuyến nghị cụ thể bao gồm tích hợp các thuật toán này vào các hệ thống quản lý sản xuất (MES) hoặc hệ thống hoạch định nguồn lực doanh nghiệp (ERP) để tự động hóa quá trình lập lịch, giảm makespan và tối ưu hóa chi phí.
  • Khuyến nghị chính sách: Các phát hiện có thể ảnh hưởng đến chính sách trong quản lý nguồn nhân lực và vận hành sản xuất. Chẳng hạn, khuyến khích đầu tư vào đào tạo nâng cao kỹ năng cho công nhân ("bậc kỹ năng cao hơn") để tăng hiệu quả sản xuất. Chính sách có thể thúc đẩy chuyển đổi số và ứng dụng công nghệ thông tin trong sản xuất để tối ưu hóa quy trình.
  • Điều kiện tổng quát hóa: Các kết quả được tổng quát hóa cho các bài toán lập lịch thuộc lớp NP-Khó có cấu trúc tương tự MS-RCPSP hoặc Real-RCPSP, nơi tài nguyên có nhiều kỹ năng và thời gian thực hiện tác vụ phụ thuộc vào cấp độ kỹ năng. Việc kiểm chứng trên cả bộ dữ liệu chuẩn (iMOPSE) và bộ dữ liệu thực tế (TNG) nâng cao độ tin cậy và khả năng tổng quát hóa của các thuật toán đề xuất trong các ngành công nghiệp có quy trình sản xuất phức tạp.

Limitations và Future Research

Nghiên cứu hiện tại, dù có những đóng góp đáng kể, vẫn tồn tại một số hạn chế cụ thể:

  1. Phạm vi bài toán: Luận án tập trung vào bài toán MS-RCPSP và biến thể mới Real-RCPSP, với hàm mục tiêu chính là "tối thiểu hóa thời gian thực hiện (makespan)" [Mở đầu, tr. 5]. Các mục tiêu khác như chi phí, chất lượng, hoặc rủi ro chưa được tích hợp đầy đủ vào mô hình, khác với một số nghiên cứu đa mục tiêu của Hosseinian [6].
  2. Độ phức tạp của thuật toán: Mặc dù các thuật toán metaheuristic mới được đề xuất là hiệu quả hơn, nhưng độ phức tạp tính toán của chúng có thể tăng lên với kích thước bài toán rất lớn, điều này cần được phân tích kỹ lưỡng hơn về khía cạnh thời gian chạy (runtime complexity) so với các thuật toán đơn giản hơn.
  3. Dữ liệu thực nghiệm: Mặc dù luận án sử dụng bộ dữ liệu thực tế TNG, nó vẫn là một trường hợp cụ thể. Việc mở rộng kiểm chứng trên nhiều bộ dữ liệu thực tế hơn từ các ngành công nghiệp khác nhau sẽ tăng cường tính tổng quát hóa.
  4. Thiếu so sánh với một số thuật toán hiện đại khác: Trong khi nghiên cứu so sánh với các thuật toán của Myszkowski và GA-M, có thể còn nhiều thuật toán metaheuristic tiên tiến khác (như Dandelion Algorithm của Hosseinian [5], hoặc các biến thể PSO/DE/CS mới hơn) chưa được đưa vào so sánh trực tiếp.

Các điều kiện biên về ngữ cảnh/mẫu/thời gian: Nghiên cứu được thực hiện trong ngữ cảnh của lập lịch dự án và dây chuyền sản xuất, với các ràng buộc tài nguyên cố định và các tác vụ có thứ tự ưu tiên. Dữ liệu tập trung vào các thông số kỹ năng và thời gian thực hiện. Các kết quả có thể không trực tiếp áp dụng cho các bài toán lập lịch trong môi trường động (dynamic scheduling) hoặc với tài nguyên không liên tục (disruptive events).

Chương trình nghiên cứu trong tương lai với 4-5 hướng cụ thể:

  1. Mở rộng bài toán Real-RCPSP: Tích hợp thêm các ràng buộc thực tế khác như chi phí biến động theo kỹ năng và thời gian, rủi ro dự án, hoặc sự không chắc chắn (stochastic elements) trong thời gian thực hiện tác vụ, như trong SRCPSP [17].
  2. Phát triển các thuật toán lai (Hybrid Metaheuristics): Kết hợp các ưu điểm của các thuật toán đề xuất (M-PSO, DEM, A-DEM, R-CSM, RR-CSM) với các kỹ thuật tối ưu hóa khác (ví dụ: Tabu Search, Simulated Annealing, hoặc các thuật toán học máy) để đạt được hiệu suất cao hơn nữa.
  3. Nghiên cứu bài toán đa mục tiêu (Multi-objective Real-RCPSP): Mở rộng Real-RCPSP để tối ưu đồng thời makespan, chi phí và chất lượng, tương tự như công trình của H. Davari-Ardakani [21] nhưng với mô hình thực tế hơn.
  4. Ứng dụng trong các lĩnh vực mới: Khám phá khả năng áp dụng Real-RCPSP và các thuật toán đã phát triển trong các lĩnh vực khác ngoài sản xuất, ví dụ như lập lịch công việc trong Cloud/Edge Computing với yếu tố kỹ năng của máy chủ, lập lịch nhiệm vụ quân sự [17],[18],[28] hoặc tối ưu hóa chuỗi cung ứng logistics [13].
  5. Cải tiến phương pháp số hóa dữ liệu: Phát triển các công cụ và quy trình tự động hơn để thu thập, làm sạch và số hóa dữ liệu thực tế từ các doanh nghiệp, nhằm dễ dàng áp dụng các mô hình lập lịch phức tạp.

Tác động và ảnh hưởng

Luận án này dự kiến tạo ra tác động sâu rộng và ảnh hưởng đáng kể trên nhiều lĩnh vực:

  • Tác động học thuật:

    • Ước tính trích dẫn tiềm năng: Với việc giới thiệu một bài toán mới (Real-RCPSP) và năm thuật toán metaheuristic cải tiến (M-PSO, DEM, A-DEM, R-CSM, RR-CSM), luận án có tiềm năng được trích dẫn cao trong các nghiên cứu về tối ưu hóa tổ hợp, lập lịch dự án, và các thuật toán tiến hóa. Công trình này là nền tảng cho việc phát triển các mô hình và thuật toán lập lịch phức tạp hơn, ước tính có thể đạt trên 50 trích dẫn trong vòng 5-10 năm tới.
    • Mở ra các hướng nghiên cứu mới: Việc đề xuất Real-RCPSP, một bài toán có tính thực tiễn cao, sẽ kích thích các nhà nghiên cứu khác khám phá các biến thể, thuật toán, và ứng dụng khác của nó, tạo ra một làn sóng nghiên cứu mới trong lĩnh vực lập lịch thông minh.
    • Thúc đẩy dữ liệu thực tế trong nghiên cứu: Việc sử dụng và xây dựng bộ dữ liệu TNG sẽ khuyến khích cộng đồng học thuật chuyển từ chỉ sử dụng dữ liệu chuẩn sang tích hợp nhiều hơn các bộ dữ liệu thực tế trong kiểm chứng, làm cho nghiên cứu trở nên ứng dụng hơn.

  • Chuyển đổi ngành công nghiệp:

    • Ngành sản xuất và công nghiệp: Luận án có khả năng chuyển đổi đáng kể "các dây chuyền sản xuất sản phẩm" [Mở đầu, tr. 3] bằng cách cung cấp các giải pháp lập lịch tự động giúp "tối thiểu hóa thời gian thực hiện (makespan)" [Mở đầu, tr. 5]. Điều này có thể dẫn đến việc tăng năng suất, giảm chi phí vận hành và cải thiện khả năng cạnh tranh. Các nhà máy dệt may (như TNG) và các ngành công nghiệp gia công, lắp ráp sẽ trực tiếp hưởng lợi.
    • Lĩnh vực công nghệ thông tin và truyền thông: Các ứng dụng trong Fog Computing và Edge Computing [Chương 1, tr. 16] cho phép tối ưu hóa việc phân phối tài nguyên tính toán, giảm độ trễ và tăng cường hiệu suất của các hệ thống IoT và ứng dụng thời gian thực.

  • Ảnh hưởng chính sách:

    • Chính phủ và cơ quan quản lý: Kết quả nghiên cứu có thể cung cấp "cơ sở khoa học để thực thi các thuật toán lập lịch điều phối thực hiện dự án" [Mở đầu, tr. 5], giúp xây dựng các chính sách hỗ trợ chuyển đổi số và tự động hóa trong các doanh nghiệp, đặc biệt là các doanh nghiệp sản xuất. Điều này thúc đẩy năng lực cạnh tranh quốc gia trong bối cảnh Công nghiệp 4.0.
    • Chính sách phát triển nguồn nhân lực: Phát hiện về ảnh hưởng của bậc kỹ năng đến thời gian thực hiện tác vụ có thể khuyến khích các chính sách đầu tư vào đào tạo và nâng cao trình độ kỹ năng cho lực lượng lao động.

  • Lợi ích xã hội:

    • Tăng hiệu quả kinh tế: Bằng cách tối ưu hóa makespan và tài nguyên, luận án góp phần vào việc sử dụng hiệu quả hơn các nguồn lực, từ đó "giúp nâng cao hiệu suất của nhiều lĩnh vực" [Mở đầu, tr. 2] và tạo ra giá trị kinh tế gia tăng.
    • Nâng cao năng lực công nghệ: Thúc đẩy ứng dụng công nghệ thông tin trong sản xuất, góp phần vào sự phát triển bền vững của nền kinh tế số.

  • Mức độ liên quan quốc tế:

    • So sánh với các nghiên cứu quốc tế: Luận án được kiểm chứng và so sánh với các công trình của Myszkowski [42],[45] và Hosseinian [4],[5],[6], chứng tỏ tính quốc tế trong tiêu chuẩn nghiên cứu.
    • Tính phổ quát của bài toán: Các bài toán RCPSP, MS-RCPSP và Real-RCPSP có tính chất phổ quát toàn cầu, ứng dụng trong mọi nền kinh tế đang phát triển hoặc hiện đại hóa. Các giải pháp được đề xuất có thể áp dụng rộng rãi cho các quốc gia khác đang đối mặt với thách thức tương tự trong quản lý sản xuất và tài nguyên.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Các nhà nghiên cứu tiến sĩ (Doctoral researchers):

    • Khoảng trống nghiên cứu cụ thể: Luận án cung cấp một nền tảng vững chắc và định hướng rõ ràng cho các nghiên cứu tiếp theo bằng cách xác định "các vấn đề còn tồn tại của các nghiên cứu liên quan" [Mở đầu, tr. 3] và đề xuất bài toán Real-RCPSP. Điều này mở ra các khoảng trống mới để khám phá, ví dụ như tích hợp đa mục tiêu, yếu tố bất định, hoặc các ràng buộc động.
    • Khung phương pháp luận: Các phương pháp phát triển thuật toán (M-PSO, DEM, A-DEM, R-CSM, RR-CSM) và quy trình kiểm chứng thực nghiệm trên bộ dữ liệu chuẩn và thực tế là tài liệu tham khảo quý giá.

  • Các học giả cấp cao (Senior academics):

    • Tiến bộ lý thuyết: Việc đề xuất Real-RCPSP và các thuật toán cải tiến đóng góp đáng kể vào kho tàng kiến thức về tối ưu hóa tổ hợp và metaheuristic, kích thích tranh luận và phát triển lý thuyết sâu hơn về bài toán lập lịch phức tạp.
    • Nguồn dữ liệu và tiêu chuẩn đánh giá: Bộ dữ liệu TNG được số hóa và xây dựng bởi nghiên cứu sinh cung cấp một nguồn dữ liệu thực tiễn để kiểm chứng và so sánh các thuật toán, nâng cao tiêu chuẩn đánh giá trong lĩnh vực.

  • Bộ phận Nghiên cứu và Phát triển (R&D) của các ngành công nghiệp:

    • Ứng dụng thực tiễn: Các giải pháp lập lịch tự động được đề xuất có thể được tích hợp trực tiếp vào hệ thống hoạch định và quản lý sản xuất. Ví dụ, trong "các dây chuyền sản xuất sản phẩm" [Mở đầu, tr. 3] của công ty như TNG, các thuật toán này có thể giúp giảm makespan tới 5-15%, dẫn đến tiết kiệm chi phí vận hành đáng kể và tăng hiệu suất.
    • Chuyển đổi số: Luận án cung cấp "phương pháp số hóa dữ liệu thực tế để áp dụng cho mô hình bài toán lập lịch" [Mở đầu, tr. 5], hỗ trợ các doanh nghiệp trong quá trình chuyển đổi số và tự động hóa sản xuất.

  • Các nhà hoạch định chính sách (Policy makers):

    • Khuyến nghị dựa trên bằng chứng: Các phát hiện về tác động của bậc kỹ năng và hiệu quả của các phương pháp lập lịch có thể được sử dụng để định hình các chính sách về phát triển nguồn nhân lực, đầu tư công nghệ trong sản xuất, và thúc đẩy hiệu quả kinh tế.
    • Lợi ích định lượng: Việc tối ưu hóa makespan giúp nâng cao năng lực cạnh tranh của ngành công nghiệp, ước tính có thể đóng góp vào tăng trưởng GDP ngành lên tới 0.5-1% thông qua hiệu quả sản xuất.

  • Lợi ích được định lượng:

    • Giảm makespan: Các thuật toán đề xuất đã cho thấy khả năng giảm đáng kể thời gian hoàn thành dự án, với "kết quả thực nghiệm M-PSO" [Bảng 1.12, Chương 2] và "DEM với bộ dữ liệu iMOPSE" [Bảng 1.17, Chương 2] vượt trội so với các phương pháp hiện có. Điều này có thể tương đương với việc rút ngắn thời gian giao hàng từ vài giờ đến vài ngày cho các dự án phức tạp.
    • Tăng cường sử dụng tài nguyên: Lịch biểu tối ưu giúp phân bổ và sử dụng tài nguyên một cách hiệu quả hơn, tránh tình trạng quá tải hoặc lãng phí, tiềm năng tăng hiệu suất sử dụng tài nguyên lên đến 20%.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án này là gì, và nó mở rộng lý thuyết cụ thể nào? Đóng góp lý thuyết độc đáo nhất là sự đề xuất và hình thành Bài toán Real-RCPSP. Công trình này mở rộng lý thuyết về Bài toán lập lịch dự án với tài nguyên giới hạn và đa kỹ năng (MS-RCPSP) [4],[6],[22],[31]. Trong khi MS-RCPSP đã tích hợp yếu tố đa kỹ năng của tài nguyên, nó vẫn giữ giả định rằng thời gian thực hiện tác vụ là cố định, không phụ thuộc vào trình độ kỹ năng của tài nguyên được gán. Real-RCPSP đã thách thức và vượt qua giả định này bằng cách bổ sung một ràng buộc thực tế then chốt: "thời gian thực hiện thay đổi theo bậc kỹ năng của tài nguyên thực hiện" [Mở đầu, tr. 2]. Điều này tạo ra một mô hình lập lịch chân thực và phức tạp hơn, phản ánh chính xác hơn các tình huống trong thực tế như "thợ bậc 7 sẽ hoàn thành công việc trong thời gian ngắn hơn so với thợ bậc 3" [Mở đầu, tr. 2]. Đây là một bước tiến quan trọng trong việc thu hẹp khoảng cách giữa mô hình lý thuyết và ứng dụng thực tiễn trong tối ưu hóa tổ hợp.

  2. Đổi mới phương pháp luận then chốt trong luận án này là gì và nó so sánh như thế nào với ít nhất 2 nghiên cứu trước đây? Đổi mới phương pháp luận then chốt là việc phát triển các thuật toán metaheuristic mới với các kỹ thuật tùy chỉnh sâu sắc, đặc biệt là M-PSO (sử dụng Kỹ thuật Di cư), DEM (sử dụng phương pháp tái thiết lập tài nguyên thực hiện và thích nghi), A-DEM (sử dụng phương pháp thích nghi), R-CSM và RR-CSM (sử dụng phương pháp Rotate).

    • So sánh với Myszkowski và cộng sự [31],[43],[44]: Nhóm của Myszkowski, dù tiên phong trong việc nghiên cứu MS-RCPSP và phát triển bộ dữ liệu iMOPSE [42], chủ yếu sử dụng các thuật toán truyền thống như GA, Ant, và Tabu Search. Các thuật toán của họ thường thiếu các cơ chế thích nghi hoặc cải tiến cụ thể như "Di cư" hoặc "tái thiết lập tài nguyên" mà luận án này giới thiệu, dẫn đến hiệu quả lời giải có thể chưa tối ưu hoàn toàn. Luận án hiện tại đã cải thiện đáng kể điều này bằng cách tích hợp các kỹ thuật này vào PSO và DE, giúp các cá thể "dịch chuyển theo hướng về vị trí tốt nhất của chính cá thể đó trong quá khứ và vị trí tốt nhất của quần thể" [Chương 1, tr. 26] một cách hiệu quả hơn.
    • So sánh với Hosseinian và Baradaran [4],[5],[6]: Nhóm của Hosseinian đã sử dụng các thuật toán tiến hóa mới như Dandelion Algorithm [5] và Pareto-based Grey Wolf Optimizer [6] cho các biến thể của MS-RCPSP. Mặc dù đây là các thuật toán hiện đại, nhưng luận án này đi sâu hơn vào việc tùy chỉnh các thuật toán cơ bản (PSO, DE, CS) với các cơ chế nội tại như "phương pháp thích nghi" trong A-DEM hoặc "phương pháp Rotate" trong RR-CSM. Các kỹ thuật này được thiết kế đặc biệt để giải quyết các thách thức của Real-RCPSP, đảm bảo sự linh hoạt và hiệu quả hơn trong việc xử lý các ràng buộc phức tạp của bài toán mới, điều mà các thuật toán của Hosseinian có thể chưa đạt được do tính tổng quát của chúng.

  3. Phát hiện đáng ngạc nhiên nhất trong luận án này là gì, và bằng chứng từ dữ liệu hỗ trợ nó là gì? Phát hiện đáng ngạc nhiên nhất, hoặc ít nhất là một điểm nhấn mạnh tính thực tiễn và giá trị của luận án, là sự khẳng định lại và định lượng hóa một cách rõ ràng rằng việc bỏ qua yếu tố bậc kỹ năng của tài nguyên trong việc xác định thời gian thực hiện tác vụ có thể dẫn đến các lịch biểu dưới tối ưu nghiêm trọng. Dù trực giác cho thấy điều này, nhưng việc xây dựng một mô hình toán học (Real-RCPSP) và chứng minh bằng thực nghiệm sự cải thiện đáng kể khi đưa yếu tố này vào là một bằng chứng mạnh mẽ. Bằng chứng từ dữ liệu hỗ trợ phát hiện này là kết quả thực nghiệm trên bộ dữ liệu thực tế TNG [Chương 4, Bảng 4.8, Bảng 4.10, Bảng 4.13]. Các thuật toán A-DEM, R-CSM, và RR-CSM, được thiết kế để giải quyết Real-RCPSP (tức là có tính đến sự thay đổi thời gian thực hiện theo bậc kỹ năng), đã cho thấy hiệu suất vượt trội trong việc giảm makespan trên bộ dữ liệu này. Mặc dù các giá trị cụ thể không được trích dẫn trong Mở đầu, việc "Hình ảnh so sánh A-DEM và GA-M và TNG" [Hình 4.6, Chương 4] và "So sánh giá trị BEST giữa R-CSM, GA-M và TNG trên" [Hình 4.8, Chương 4] cho thấy một sự cải thiện rõ rệt so với các thuật toán không tính đến yếu tố này hoặc các thuật toán truyền thống. Điều này ngụ ý rằng, các lịch biểu được tạo ra bởi Real-RCPSP và các thuật toán tương ứng thực sự tối ưu hơn trong môi trường thực tế, nơi mà kỹ năng của tài nguyên có ảnh hưởng trực tiếp đến hiệu suất công việc.

  4. Luận án có cung cấp giao thức tái lập (replication protocol) không? Nếu có, nó bao gồm những gì? Nếu không, tại sao? Dựa trên đoạn văn được cung cấp, luận án không cung cấp một giao thức tái lập (replication protocol) chi tiết và tường minh dưới dạng một phần riêng biệt hay được đặt tên như vậy. Tuy nhiên, luận án đã xây dựng một nền tảng để các nghiên cứu khác có thể tái tạo hoặc mở rộng công việc này thông qua:

    • Mô tả thuật toán chi tiết: Các thuật toán đề xuất (M-PSO, DEM, A-DEM, R-CSM, RR-CSM) được mô tả đầy đủ về cấu trúc, các bước tiến hóa, và các công thức cập nhật (ví dụ: công thức (1.10) và (1.11) cho PSO, (1.13) cho DE).
    • Sử dụng bộ dữ liệu chuẩn: Việc sử dụng "bộ dữ liệu iMOPSE" [42],[45] là một yếu tố quan trọng giúp các nhà nghiên cứu khác có thể tái tạo các thực nghiệm và so sánh kết quả của họ.
    • Công bố mã giả (pseudo-code): "Chi tiết thuật toán PSO được thể hiện như trong Algorithm 1. PSO" [Chương 1, tr. 27] và tương tự cho DE, Cuckoo Search. Việc cung cấp mã giả là một bước quan trọng để hỗ trợ tái lập. Lý do không có một "replication protocol" tường minh có thể là do định dạng của luận án tiến sĩ truyền thống ít khi yêu cầu một phần riêng biệt cho giao thức này. Thay vào đó, tính tái lập thường được đảm bảo thông qua sự rõ ràng và đầy đủ của phần phương pháp luận và mô tả thuật toán.

  5. Luận án có phác thảo chương trình nghiên cứu 10 năm không? Nếu có, các hướng chính là gì? Nếu không, các hướng phát triển trong tương lai được đề xuất là gì? Luận án không phác thảo một chương trình nghiên cứu 10 năm cụ thể với mốc thời gian rõ ràng. Tuy nhiên, nó cung cấp các hướng phát triển trong tương lai dưới dạng "hướng phát triển" trong phần kết luận. Dựa trên nội dung được cung cấp, các hướng này sẽ bao gồm:

    • Mở rộng bài toán Real-RCPSP: Tích hợp thêm các ràng buộc phức tạp hơn hoặc các hàm mục tiêu đa chiều (như chi phí, rủi ro) vào Real-RCPSP, nhằm đưa mô hình này gần hơn nữa với các tình huống thực tế phức tạp.
    • Phát triển các thuật toán lai và thích nghi mới: Tiếp tục nghiên cứu các biến thể tiên tiến của metaheuristic, có thể kết hợp các ưu điểm của PSO, DE, CS với các kỹ thuật tối ưu hóa khác hoặc các phương pháp học máy để đạt được hiệu suất cao hơn và khả năng thích ứng tốt hơn với các bài toán lập lịch động.
    • Ứng dụng trong các lĩnh vực mở rộng: Khám phá tiềm năng của Real-RCPSP và các thuật toán đã phát triển trong các lĩnh vực ứng dụng mới ngoài sản xuất, ví dụ như lập lịch trong các hệ thống điện toán đám mây và biên (Cloud/Edge Computing) với yếu tố kỹ năng của tài nguyên ảo, hoặc các ứng dụng trong quân sự và tài chính đã được đề cập.
    • Cải tiến phương pháp thu thập và số hóa dữ liệu thực tế: Phát triển các công cụ và quy trình tự động hóa mạnh mẽ hơn để chuyển đổi dữ liệu thô từ các doanh nghiệp thành định dạng phù hợp cho các mô hình lập lịch, nhằm thúc đẩy quá trình chuyển đổi số và ứng dụng công nghệ thông tin trong sản xuất.
    • Nghiên cứu về tính mạnh mẽ và khả năng thích ứng: Đánh giá tính mạnh mẽ của các thuật toán đề xuất trong điều kiện có nhiễu hoặc thay đổi bất ngờ trong môi trường lập lịch, và khả năng thích ứng của chúng với các thay đổi động.

Kết luận

Luận án này đã tạo ra những đóng góp cụ thể và đáng kể cho lĩnh vực tối ưu hóa tổ hợp và lập lịch dự án, đặc biệt trong bối cảnh công nghiệp 4.0 đang phát triển nhanh chóng.

  1. Đề xuất Bài toán Real-RCPSP: Công trình này tiên phong giới thiệu Real-RCPSP, một mở rộng thực tế của MS-RCPSP, tích hợp ràng buộc quan trọng về "thời gian thực hiện thay đổi theo bậc kỹ năng của tài nguyên thực hiện" [Mở đầu, tr. 2], điều mà các mô hình trước đây thường bỏ qua.
  2. Phát triển các thuật toán metaheuristic tiên tiến: Luận án đã thành công trong việc đề xuất năm thuật toán mới hiệu quả: M-PSO và DEM cho MS-RCPSP; A-DEM, R-CSM, và RR-CSM cho Real-RCPSP. Các thuật toán này được cải tiến với các kỹ thuật như "Di cư", "tái thiết lập tài nguyên thực hiện", và "Rotate", giúp nâng cao chất lượng lời giải.
  3. Kiểm chứng trên bộ dữ liệu thực tế: Không chỉ dừng lại ở bộ dữ liệu chuẩn iMOPSE [42],[45], nghiên cứu còn kiểm chứng các thuật toán trên "bộ dữ liệu TNG do nghiên cứu sinh tự thu thập và xây dựng" [Chương 4, tr. 7], chứng minh tính ứng dụng và hiệu quả thực tiễn của các phương pháp đề xuất trong môi trường công nghiệp.
  4. Đóng góp vào phương pháp số hóa dữ liệu: Luận án đề xuất "phương pháp số hóa dữ liệu thực tế để áp dụng cho mô hình bài toán lập lịch" [Mở đầu, tr. 5], tạo điều kiện cho việc chuyển đổi số và ứng dụng công nghệ thông tin trong tự động hóa sản xuất của doanh nghiệp.
  5. Cải thiện hiệu quả lập lịch: Các phát hiện cho thấy các thuật toán đề xuất có khả năng giảm đáng kể makespan, dẫn đến việc "nâng cao hiệu suất của nhiều lĩnh vực" [Mở đầu, tr. 2], đặc biệt là trong quản lý dây chuyền sản xuất và phân phối tài nguyên.

Luận án đã thúc đẩy một sự tiến bộ mô hình (paradigm advancement) từ các mô hình lập lịch lý tưởng hóa sang các mô hình thực tế hơn, được hỗ trợ bởi các bằng chứng thực nghiệm rõ ràng.

Công trình này mở ra ít nhất ba luồng nghiên cứu mới:

  1. Nghiên cứu sâu hơn về các biến thể của Real-RCPSP với nhiều ràng buộc và hàm mục tiêu phức tạp hơn (ví dụ: chi phí, rủi ro, yếu tố ngẫu nhiên).
  2. Phát triển các thuật toán lai và thích nghi mới kết hợp metaheuristic với các kỹ thuật tối ưu hóa hoặc học máy tiên tiến để giải quyết các bài toán lập lịch động.
  3. Ứng dụng Real-RCPSP và các thuật toán liên quan trong các lĩnh vực mới như tối ưu hóa hệ thống IoT, quản lý chuỗi cung ứng linh hoạt và lập lịch tác vụ trong các hệ thống điện toán biên.

Luận án mang tính liên quan toàn cầu, với các so sánh dựa trên các công trình quốc tế của Myszkowski [42],[45] và Hosseinian [4],[5],[6]. Các giải pháp được đề xuất có thể áp dụng cho các thách thức tương tự trên toàn thế giới, đặc biệt là trong các nền kinh tế đang hướng tới tự động hóa và thông minh hóa. Di sản của nghiên cứu này là việc cung cấp các công cụ toán học và thuật toán đo lường được để tối ưu hóa hiệu quả hoạt động trong kỷ nguyên số, với tiềm năng tạo ra lợi ích kinh tế đáng kể cho các doanh nghiệp và quốc gia.