Luận án điều kiện cần và đủ cho nghiệm bài toán cân bằng vectơ qua dưới vi phân suy rộng - Trần Thị Mai, ĐH Sư phạm Thái Nguyên

Lý thuyết tối ưu hóa hình thành từ những giai đoạn đầu của toán học. Ban đầu, các bài toán cực trị bao gồm phép tính biến phân cổ điển và quy hoạch toán học. Các điều kiện tối ưu thường được mô tả dưới dạng phương trình Euler. Sự phát triển tiếp theo mang đến nguyên lý cực đại Pontriagin và quy tắc nhân tử Lagrange. Giải tích hàm cung cấp một ngôn ngữ thống nhất để diễn tả các điều kiện tối ưu. Cuốn sách 'Optimization and Nonsmooth Analysis' của F. Clarke đã mở ra kỷ nguyên mới. Đây là giai đoạn phát triển của giải tích không trơn và tối ưu không trơn. Sự mở rộng từ các bài toán tối ưu đơn giản đến phức tạp là xu hướng tất yếu. Các bài toán có ràng buộc, đa mục tiêu, và không trơn ngày càng được quan tâm.

Bài toán cân bằng (equilibrium problem) được E. Oettli giới thiệu lần đầu vào năm 1994. Nó nhanh chóng thu hút sự chú ý của nhiều nhà toán học. Phạm vi ứng dụng rộng lớn là lý do chính cho sự quan tâm này. Bài toán cân bằng vectơ là một dạng mở rộng của bài toán cân bằng cổ điển. Nó xử lý các giá trị đầu ra là vectơ thay vì vô hướng. Mô hình này xuất hiện trong nhiều lĩnh vực như kinh tế, kỹ thuật và khoa học tự nhiên. Việc tìm kiếm nghiệm của bài toán cân bằng vectơ là thách thức lớn. Các điều kiện cần đủ đóng vai trò quan trọng trong việc xác định sự tồn tại và duy nhất của nghiệm. Nghiên cứu này góp phần làm rõ cấu trúc của các nghiệm.

Bài toán bất đẳng thức biến phân xuất hiện từ những năm 1960. G. Stampacchia và cộng sự là những người tiên phong. Mô hình bất đẳng thức biến phân một vectơ có nhiều ứng dụng. Nó được dùng trong tối ưu vectơ và các bài toán cân bằng mạng giao thông. Bất đẳng thức biến phân trong không gian vô hạn chiều cũng được nghiên cứu rộng rãi. Chúng có mối liên hệ mật thiết với bài toán cân bằng vectơ. Nhiều bài toán cân bằng có thể được chuyển đổi thành bài toán bất đẳng thức biến phân. Điều này mở ra các phương pháp giải quyết mới. Nghiên cứu bất đẳng thức biến phân cung cấp công cụ mạnh mẽ. Công cụ này giúp phân tích điều kiện cần đủ cho nghiệm bài toán cân bằng vectơ.

Điều kiện tồn tại nghiệm là một trong những câu hỏi cơ bản. Nó đặt ra liệu có ít nhất một điểm cân bằng tồn tại hay không. Việc chứng minh sự tồn tại thường dựa trên các định lý điểm bất động. Các định lý như Kakutani, Fan, hoặc Browder thường được sử dụng. Các hàm số tham gia vào bài toán cần có các tính chất nhất định. Chúng có thể là tính liên tục, tính nửa liên tục trên, hoặc tính lồi. Không gian vectơ cũng cần có cấu trúc phù hợp. Ví dụ, không gian Banach hoặc không gian Hilbert. Điều kiện bị chặn hoặc tính compact của tập ràng buộc cũng quan trọng. Luận án xem xét các tập hợp đóng và bị chặn trong không gian vectơ. Điều này giúp thiết lập các điều kiện tồn tại nghiệm chặt chẽ.

Sau khi xác định sự tồn tại, vấn đề tiếp theo là duy nhất nghiệm. Duy nhất nghiệm đảm bảo rằng chỉ có một điểm cân bằng tồn tại. Điều này rất quan trọng trong các ứng dụng thực tiễn. Tính duy nhất giúp tránh sự mơ hồ trong kết quả. Điều kiện duy nhất nghiệm thường liên quan đến tính đơn điệu của hàm số. Các khái niệm như đơn điệu mạnh, đơn điệu giả, hoặc đơn điệu chặt được sử dụng. Trong bối cảnh bài toán cân bằng vectơ, hàm mục tiêu phải thỏa mãn tính chất đặc biệt. Ví dụ, tính lồi mạnh hoặc tính quasi-convex chặt. Những tính chất này hạn chế sự 'phẳng' của hàm số. Chúng đảm bảo chỉ có một điểm cực trị toàn cục. Luận án phát triển các tiêu chí để kiểm tra tính duy nhất. Các tiêu chí này dựa trên cấu trúc của hàm và tập hợp.

Các tiếp cận giải tích cung cấp công cụ để xác định nghiệm. Chúng bao gồm việc sử dụng đạo hàm và dưới vi phân. Đạo hàm Clarke, đạo hàm Dini, và dưới vi phân Michel Penot là các công cụ chính. Các khái niệm này giúp xử lý các hàm không trơn. Phương pháp biến phân là một tiếp cận mạnh mẽ khác. Nó biến bài toán cân bằng thành bài toán bất đẳng thức biến phân tương đương. Giải các bất đẳng thức biến phân có thể dễ dàng hơn. Đặc biệt, trong trường hợp các hàm lồi, đạo hàm Fréchet hoặc Gâteaux được dùng. Việc chuyển đổi bài toán gốc sang dạng giải tích khác thường là bước quan trọng. Nó cho phép áp dụng các kỹ thuật toán học đã biết. Luận án khảo sát sâu các kỹ thuật này. Nó đưa ra các kết quả mới cho việc tìm kiếm nghiệm hiệu quả.

Bài toán cân bằng vectơ có thể được phân loại dựa trên ràng buộc. Bài toán không ràng buộc (VEP) là dạng cơ bản nhất. Nó tìm kiếm nghiệm trong toàn bộ không gian vectơ. Bài toán có ràng buộc (CVEP) phức tạp hơn. Nghiệm phải nằm trong một tập hợp cho trước. Tập hợp này có thể được định nghĩa bởi các phương trình hoặc bất phương trình. Ví dụ, bài toán bất đẳng thức biến phân vectơ có ràng buộc (CVVI). Việc xử lý các ràng buộc đòi hỏi các điều kiện chính quy. Điều kiện Mangasarian Fromovitz (MFCQ) là một ví dụ. Các điều kiện này giúp đảm bảo sự tồn tại của các nhân tử Lagrange. Nhân tử Lagrange hỗ trợ việc chuyển đổi bài toán có ràng buộc thành không ràng buộc. Luận án phân tích cấu trúc của các ràng buộc. Nó đưa ra các phương pháp để giải quyết chúng hiệu quả.

Bài toán cân bằng vectơ có mối liên hệ chặt chẽ với tối ưu đa mục tiêu. Bài toán tối ưu vectơ có ràng buộc (CVOP) là một ví dụ điển hình. Trong CVOP, mục tiêu là tìm một tập hợp các giải pháp Pareto hiệu quả. Các giải pháp này không thể cải thiện một mục tiêu mà không làm xấu đi ít nhất một mục tiêu khác. Bài toán cân bằng vectơ có thể được xem như một sự tổng quát hóa. Nó bao hàm cả các bài toán tối ưu đa mục tiêu dưới một số điều kiện nhất định. Các kỹ thuật và kết quả từ tối ưu đa mục tiêu có thể được áp dụng. Ví dụ, khái niệm về điểm yếu hiệu quả (weakly efficient point). Việc nghiên cứu mối liên hệ này mở rộng phạm vi ứng dụng. Nó cũng cung cấp những hiểu biết sâu sắc hơn về cấu trúc của nghiệm.

Nghiên cứu cân bằng vectơ thường diễn ra trong các không gian định chuẩn. Không gian định chuẩn cung cấp cấu trúc đủ tốt cho các phép toán giải tích. Ví dụ, không gian Banach hoặc không gian Hilbert. Các tính chất như tính đầy đủ, tính compact yếu, hoặc tính phản xạ đều quan trọng. Việc chọn không gian phù hợp ảnh hưởng đến kết quả nghiên cứu. Các khái niệm như nón pháp tuyến (normal cone) và nón tiếp tuyến (tangent cone) được sử dụng. Chúng giúp định nghĩa các điều kiện tối ưu trong không gian định chuẩn. Luận án khám phá các tính chất của hàm số trong không gian này. Nó phát triển các công cụ giải tích phù hợp. Các công cụ này áp dụng cho các bài toán trong không gian định chuẩn. Điều này mở rộng phạm vi áp dụng của lý thuyết cân bằng vectơ.

Dưới vi phân Clarke (∂C f(x)) và đạo hàm suy rộng là công cụ quan trọng. Chúng cho phép nghiên cứu các hàm không trơn. Ngoài ra, đạo hàm Dini (f d−, f d+) và đạo hàm Michel Penot (f♦) cũng được sử dụng. Các khái niệm này tổng quát hóa khái niệm đạo hàm cổ điển. Chúng giúp xác định hướng biến thiên của hàm tại các điểm không khả vi. Dưới vi phân suy rộng trên (∂∗f(x)) và dưới (∂∗f(x)) cũng đóng vai trò quan trọng. Chúng cung cấp thông tin về tập hợp các hướng dốc. Việc sử dụng các công cụ này giúp thiết lập điều kiện tối ưu. Điều kiện này áp dụng cho bài toán cân bằng vectơ. Luận án sử dụng các dưới vi phân này để xây dựng các điều kiện cần đủ mới.

Tính lồi của hàm số và tập hợp là một thuộc tính quý giá. Nó đơn giản hóa việc tìm kiếm nghiệm bài toán cân bằng. Trong tối ưu hóa lồi, các điều kiện tối ưu thường đơn giản hơn. Các phương pháp số cũng hội tụ nhanh hơn. Khi hàm mục tiêu có tính lồi, nghiệm thường duy nhất. Tập hợp các nghiệm cũng là tập lồi. Luận án khai thác các tính chất này. Nó xem xét các trường hợp bài toán cân bằng vectơ với hàm lồi. Điều này bao gồm các trường hợp hàm lồi yếu, giả lồi, hoặc lồi mạnh. Việc chuyển đổi các bài toán không lồi thành lồi cũng được xem xét. Kỹ thuật này giúp áp dụng các lý thuyết lồi mạnh mẽ. Nó mở ra hướng giải quyết cho nhiều bài toán khó.

Bài toán cân bằng vectơ có mối liên hệ sâu sắc với bất đẳng thức biến phân. Nhiều bài toán cân bằng có thể được đưa về dạng bất đẳng thức biến phân. Ngược lại, một số bất đẳng thức biến phân có thể được diễn giải thành bài toán cân bằng. Mối quan hệ này rất hữu ích. Nó cho phép chuyển giao các kết quả và phương pháp giữa hai lĩnh vực. Các điều kiện cần và đủ cho bất đẳng thức biến phân thường đã được nghiên cứu kỹ lưỡng. Do đó, việc thiết lập mối liên hệ giúp rút ngắn quá trình nghiên cứu. Luận án khai thác mối liên hệ này một cách triệt để. Nó sử dụng các kết quả từ bất đẳng thức biến phân để giải quyết cân bằng vectơ. Nó cũng phát triển các loại đối ngẫu (như Mond-Weir, Wolfe) cho các bài toán liên quan.

Điểm cân bằng là một khái niệm cơ bản trong nhiều ngành khoa học. Trong kinh tế học, điểm cân bằng cung cầu xác định giá và lượng ổn định. Trong vật lý, điểm cân bằng của một hệ thống là trạng thái lực tổng bằng 0. Trong sinh học, điểm cân bằng có thể là trạng thái ổn định của một quần thể. Đối với các bài toán tối ưu, điểm cân bằng thường là nghiệm tối ưu. Hiểu rõ các điều kiện tồn tại và duy nhất của điểm cân bằng là rất quan trọng. Nó giúp đưa ra các quyết định chính sách, thiết kế hệ thống, hoặc dự báo. Luận án cung cấp một nền tảng toán học để phân tích các điểm cân bằng này. Nó nâng cao khả năng mô hình hóa và giải quyết các vấn đề thực tiễn.

Bài toán cân bằng vectơ có ứng dụng rộng rãi. Trong kinh tế, nó có thể mô hình hóa các bài toán cân bằng thị trường đa sản phẩm. Hoặc các bài toán cân bằng Nash trong lý thuyết trò chơi không hợp tác. Trong khoa học kỹ thuật, nó áp dụng cho các vấn đề tối ưu thiết kế. Nó cũng được dùng trong các bài toán điều khiển tối ưu và lập kế hoạch. Đặc biệt, trong mô hình hóa mạng giao thông, bài toán cân bằng vectơ rất hữu ích. Nó giúp dự đoán luồng giao thông và tối ưu hóa hệ thống. Các điều kiện cần đủ phát triển trong luận án là công cụ đắc lực. Công cụ này giúp các nhà khoa học và kỹ sư giải quyết các thách thức phức tạp. Nó mở ra cơ hội cho việc phát triển các thuật toán hiệu quả hơn.

Nghiên cứu về cân bằng vectơ vẫn còn nhiều tiềm năng. Các hướng nghiên cứu tiếp theo có thể bao gồm mở rộng bài toán. Ví dụ, nghiên cứu trong các không gian không trơn hơn. Hoặc với các loại hàm số phức tạp hơn. Việc phát triển các thuật toán số hiệu quả là một hướng quan trọng. Các thuật toán này cần khả năng xử lý bài toán có kích thước lớn. Ứng dụng các kết quả lý thuyết vào các mô hình thực tế cụ thể cũng là cần thiết. Ví dụ, mô hình hóa các hệ thống tài chính hoặc môi trường. Nghiên cứu liên ngành với học máy và trí tuệ nhân tạo cũng hứa hẹn. Mục tiêu là phát triển các phương pháp giải quyết tự động. Luận án là một bước đệm quan trọng. Nó tạo cơ sở cho các nghiên cứu đột phá trong tương lai.