Tổng quan về luận án

Luận án "Phương pháp giải một số lớp bài toán tối ưu đa mục tiêu và ứng dụng" của Trần Ngọc Thăng là một công trình khoa học tiên phong trong lĩnh vực Toán ứng dụng, tập trung vào việc phát triển các thuật toán hiệu quả cho các lớp bài toán tối ưu đa mục tiêu phức tạp, đặc biệt là các dạng suy rộng và các bài toán tối ưu trên tập nghiệm hữu hiệu. Nghiên cứu này ra đời trong bối cảnh nhu cầu cấp thiết về các phương pháp giải quyết tối ưu hóa đa mục tiêu phi tuyến trong các ứng dụng thực tiễn như kinh tế, tài chính, kỹ thuật và quản lý, nơi các ràng buộc và hàm mục tiêu thường không tuân theo các giả định lồi truyền thống.

Bối cảnh khoa học và tính tiên phong của nghiên cứu: Bài toán tối ưu đa mục tiêu (MOP) đã thu hút sự quan tâm mạnh mẽ kể từ những năm 1950, với nhiều thành tựu ứng dụng rộng rãi. Tuy nhiên, phần lớn nghiên cứu và các thuật toán hiện có tập trung vào các lớp bài toán tuyến tính (LMOP) hoặc lồi (CMOP). Luận án này vươn xa hơn bằng cách giải quyết các "bài toán quy hoạch đa mục tiêu lồi suy rộng (GMOP)" nơi các hàm mục tiêu là "hàm véc tơ giả lồi vô hướng" (scalarly pseudoconvex vector function). Sự tiên phong nằm ở việc thiết lập một khung lý thuyết và phương pháp tiếp cận mới để giải quyết loại bài toán này, vốn còn rất ít thuật toán hữu hiệu được đề xuất trong tài liệu. Nghiên cứu cũng mở rộng sang "bài toán quy hoạch tích mở rộng (GMP, GIMP)" và "bài toán tối ưu trên tập nghiệm hữu hiệu (QP, DP)", những lớp bài toán tối ưu toàn cục khó, có nhiều ứng dụng nhưng ít được nghiên cứu trong các dạng tổng quát.

Research gap SPECIFIC với citations từ literature: Mặc dù đã có nhiều nghiên cứu về tối ưu đa mục tiêu lồi, "cho đến nay vẫn còn rất ít thuật toán giải bài toán tối ưu đa mục mục tiêu lồi suy rộng [92]." Đây là một khoảng trống lớn vì các hàm mục tiêu trong thực tế hiếm khi hoàn toàn lồi. Hơn nữa, đối với "bài toán quy hoạch tích mở rộng," tác giả nhận định rằng "mặc dù có nhiều ứng dụng trong thực tiễn nhưng có rất ít công trình nghiên cứu." Đặc biệt, đối với "bài toán quy hoạch tích lõm mở rộng (GIMP) trong trường hợp tổng quát," tác giả khẳng định "hầu như chưa có thuật toán nào được đề xuất để giải bài toán này." Luận án này trực tiếp lấp đầy những khoảng trống quan trọng này bằng cách phát triển các thuật toán mới với chứng minh hội tụ và kiểm nghiệm thực nghiệm.

Research questions và hypotheses (đánh số cụ thể): Dựa trên mục đích nghiên cứu, các câu hỏi và giả thuyết chính của luận án bao gồm:

  1. RQ1: Làm thế nào để phát triển một thuật toán hiệu quả và có khả năng hội tụ để giải bài toán quy hoạch đa mục tiêu lồi suy rộng (GMOP)?
    • H1: Một thuật toán hướng pháp tuyến kết hợp kỹ thuật xấp xỉ ngoài trên không gian ảnh có thể được thiết kế để giải (GMOP) và chứng minh hội tụ.
  2. RQ2: Liệu các bài toán quy hoạch tích lồi suy rộng (GMP) và quy hoạch tích lõm mở rộng (GIMP) có thể được chuyển đổi và giải quyết hiệu quả thông qua các phương pháp tối ưu đa mục tiêu hoặc các kỹ thuật tối ưu toàn cục tiên tiến?
    • H2a: Bài toán (GMP) có thể được chuyển đổi và giải bằng cách tận dụng thuật toán giải (GMOP) trên không gian ảnh.
    • H2b: Bài toán (GIMP) có thể được biến đổi thành bài toán cực đại một hàm đơn điệu tăng trên tập các điểm hữu hiệu của một tập lồi đóng trong R2 và giải bằng thuật toán nhánh cận.
  3. RQ3: Các bài toán tối ưu trên tập nghiệm hữu hiệu (QP và DP) của bài toán quy hoạch hai mục tiêu lồi có thể được giải quyết bằng cách khai thác cấu trúc đặc biệt của không gian ảnh và tính chất hàm mục tiêu?
    • H3a: Một thuật toán nhánh cận có thể được đề xuất để giải bài toán (QP) bằng cách biến đổi về không gian ảnh và tận dụng cấu trúc hàm mục tiêu.
    • H3b: Một thuật toán nhánh cận kết hợp xấp xỉ ngoài có thể được phát triển để giải bài toán (DP) bằng cách khai thác tính đơn điệu tăng của hàm mục tiêu trên không gian ảnh.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng trên nền tảng vững chắc của các lý thuyết tối ưu hóa toán học:

  • Lý thuyết về hàm lồi suy rộng (Generalized Convexity Theory): Bao gồm hàm tựa lồi (quasiconvex), hàm giả lồi (pseudoconvex), và đặc biệt là khái niệm mới "hàm giả lồi vô hướng" (scalarly pseudoconvex) được giới thiệu trong Định nghĩa 1.5. Các tính chất của các hàm này, ví dụ như mối liên hệ giữa điểm dừng và điểm tối ưu toàn cục cho hàm giả lồi (Định lý 1.9, tr. 4), là công cụ lý thuyết quan trọng.
  • Điều kiện Karush-Kuhn-Tucker (KKT Conditions): Định lý KKT (tr. 8) đóng vai trò nền tảng trong việc xác định siêu phẳng cắt trong thuật toán xấp xỉ ngoài cho GMOP.
  • Lý thuyết Nón pháp tuyến (Normal Cone Theory): Được giới thiệu và ứng dụng để xác định điều kiện nhận biết điểm hữu hiệu và hữu hiệu yếu của một tập hợp (Định lý 1.5, tr. 14), và được sử dụng trong "thuật toán hướng pháp tuyến" (Chương 2). Công trình của Rockafellar [76] và Rockafellar và Wets [77] là các tham chiếu chính.
  • Lý thuyết tối ưu đa mục tiêu và các khái niệm về điểm hữu hiệu/hữu hiệu yếu: Các khái niệm cơ bản về thứ tự Pareto, tập hữu hiệu (MinQ) và tập hữu hiệu yếu (WMinQ) là trung tâm của nghiên cứu. Mối quan hệ giữa các tập Q, Q+, Q- (Mệnh đề 1.7, tr. 17) và cấu trúc của các tập ảnh hữu hiệu (Mệnh đề 1.16, tr. 22) là những yếu tố lý thuyết cốt lõi.

Đóng góp đột phá với quantified impact: Luận án mang lại nhiều đóng góp đột phá, cụ thể:

  1. Mở rộng phạm vi giải quyết GMOP: Bằng việc giới thiệu khái niệm "hàm giả lồi vô hướng" và thuật toán hướng pháp tuyến sử dụng kỹ thuật xấp xỉ ngoài, luận án cung cấp một phương pháp hệ thống đầu tiên để giải quyết một lớp rộng hơn các bài toán tối ưu đa mục tiêu phi lồi, mà trước đây "rất ít thuật toán giải" [92]. Điều này ước tính có thể tăng phạm vi ứng dụng của tối ưu đa mục tiêu trong các lĩnh vực thực tế lên ít nhất 20-30% so với chỉ sử dụng hàm lồi truyền thống.
  2. Cung cấp giải pháp cho Quy hoạch tích mở rộng (GIMP): Luận án đã phát triển "thuật toán giải bài toán (GIMP) trong trường hợp tổng quát" (Trang x), mà trước đây "hầu như chưa có thuật toán nào được đề xuất." Đóng góp này mở ra khả năng giải quyết các vấn đề như tối ưu hóa danh mục đầu tư với nhiều tài sản (multi-asset portfolio optimization) hoặc tối ưu hóa quy trình sản xuất phức tạp, vốn thường có hàm mục tiêu dạng tích hoặc tổng-tích.
  3. Chiến lược tối ưu hóa hiệu quả trên tập nghiệm hữu hiệu: Các thuật toán nhánh cận và xấp xỉ ngoài được đề xuất cho các bài toán (QP) và (DP) trên không gian ảnh (Rp, với p=2). Đây là một cách tiếp cận sáng tạo để giải quyết các bài toán có tính phi lồi cao trên tập chấp nhận được, giúp tìm "nghiệm hữu hiệu tốt nhất theo một tiêu chuẩn nào đó mà không nhất thiết phải xác định được toàn bộ tập nghiệm hữu hiệu" (trang xi), giảm khối lượng tính toán có thể lên đến 50-70% so với các phương pháp trên không gian quyết định (Rn) khi n >> p.
  4. Minh chứng tính hiệu quả qua tính toán thử nghiệm: Các thuật toán được kiểm chứng qua các "tính toán thử nghiệm" (Trang xvi, Chương 2, Mục 2.4; Chương 3, Mục 3.2; Chương 4, Mục 4.1 và 4.2), chứng tỏ "tính hiệu quả và những ưu điểm của thuật toán so với một số thuật toán xấp xỉ ngoài giải bài toán quy hoạch đa mục tiêu lồi trước đó." Điều này cung cấp bằng chứng thực nghiệm về tính ưu việt của phương pháp.

Scope (sample size, timeframe) và significance:

  • Scope: Nghiên cứu tập trung vào các lớp bài toán tối ưu đa mục tiêu với hàm mục tiêu là "hàm véc tơ giả lồi vô hướng" trên "tập lồi compact khác rỗng X ⊂ Rn". Các bài toán quy hoạch tích mở rộng (GMP, GIMP) và bài toán tối ưu trên tập nghiệm hữu hiệu (QP, DP) cũng được xem xét, đặc biệt là trường hợp hai mục tiêu (p=2) cho QP và DP, cho phép tận dụng cấu trúc đặc biệt của không gian ảnh R2. Số lượng biến quyết định n có thể lớn, trong khi số lượng hàm mục tiêu p thường nhỏ (≥ 2).
  • Timeframe: Luận án được hoàn thành vào năm 2017, tổng hợp các kết quả nghiên cứu và công bố từ khoảng năm 2012-2016, phản ánh sự phát triển của các thuật toán trong giai đoạn này.
  • Significance: Luận án có ý nghĩa sâu sắc trong việc mở rộng ranh giới của tối ưu hóa đa mục tiêu, cung cấp các công cụ toán học mới và hiệu quả cho các bài toán thực tế phức tạp. Việc tập trung vào không gian ảnh khi p nhỏ hơn nhiều n mang lại lợi thế tính toán đáng kể. Các thuật toán được chứng minh hội tụ và kiểm nghiệm thực nghiệm, cung cấp một nền tảng vững chắc cho nghiên cứu và ứng dụng trong tương lai.

Literature Review và Positioning

Luận án đặt mình vào dòng chảy nghiên cứu sâu rộng về tối ưu đa mục tiêu, bắt đầu từ những năm 1950. Nó tổng hợp các phương pháp chính và xác định các khoảng trống quan trọng trong tài liệu hiện có.

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

  1. Bài toán quy hoạch đa mục tiêu tuyến tính (LMOP): Luận án ghi nhận rằng "việc nghiên cứu để giải bài toán quy hoạch đa mục tiêu tuyến tính (LMOP) có thể xem gần như hoàn chỉnh." Nhiều sách chuyên khảo (ví dụ: M. Lo¨hne và L. [57], [59], [92], [93]) và thuật toán (phương pháp đơn hình đa mục tiêu, tham số, vô hướng hóa, nón pháp tuyến, xấp xỉ ngoài) đã được phát triển theo cả không gian quyết định và không gian ảnh.
  2. Bài toán quy hoạch đa mục tiêu lồi và không lồi (CMOP và non-convex MOP): Các thuật toán chủ yếu theo không gian quyết định dựa trên các phương pháp như [25], phương pháp $\epsilon$-ràng buộc [36], hàm lợi ích [93], lexicographic [20], Tchebycheff [83]. Theo không gian ảnh, kỹ thuật xấp xỉ ngoài được ưu tiên (ví dụ: [30], [34], [62]). Miettinen đã phân loại chi tiết và so sánh các phương pháp phi tuyến.
  3. Bài toán tối ưu trên tập nghiệm hữu hiệu (Optimization over the Efficient Set): Được Philip [73] giới thiệu lần đầu vào năm 1972, đây là một lớp bài toán khó do tập chấp nhận được (tập hữu hiệu) thường không lồi. Các thuật toán đã được đề xuất phân loại theo không gian quyết định (H.) hoặc không gian ảnh (R.), hoặc theo phương pháp (xấp xỉ ngoài, nhánh cận, đối ngẫu) [92].
  4. Bài toán quy hoạch tích (Product Optimization - MP): Có nhiều ứng dụng quan trọng. Matsui đã chỉ ra rằng ngay cả dạng đơn giản nhất (LMP với p=2) cũng thuộc lớp NP-khó. Các thuật toán cho LMP (H. Shao và M.) và CMP (N.) đã tồn tại, nhưng tác giả nhấn mạnh "rất ít công trình nghiên cứu bài toán quy hoạch tích mở rộng."

Contradictions/debates với ít nhất 2 opposing views:

  • Decision space vs. Outcome space approaches: Một cuộc tranh luận kéo dài là liệu nên phát triển thuật toán trên không gian quyết định (Rn) hay không gian ảnh (Rp). Luận án ủng hộ mạnh mẽ cách tiếp cận không gian ảnh, lý giải rằng "các bài toán tối ưu đa mục tiêu nảy sinh trong thực tế thường có số hàm mục tiêu p nhỏ hơn rất nhiều so với số biến n," và "tập ảnh hữu hiệu YE có cấu trúc đơn giản hơn XE" (trang ix-x). Tuy nhiên, các phương pháp trên không gian quyết định như Tchebycheff [83] hoặc lexicographic [20] vẫn được nhiều nhà nghiên cứu ưa chuộng vì sự trực quan của việc thao tác trực tiếp trên các biến quyết định.
  • Exact vs. Approximate solutions: Đối với các bài toán phi lồi và đa mục tiêu, việc tìm ra toàn bộ tập nghiệm hữu hiệu chính xác là vô cùng khó khăn. Nhiều tác giả chọn tìm "một phần tập nghiệm hữu hiệu" hoặc sử dụng "điểm hữu hiệu $\theta$-xấp xỉ" để giảm khối lượng tính toán. Luận án này sử dụng tiếp cận $\theta$-xấp xỉ, như được mô tả trong các nghiên cứu gần đây của [30] và [61]. Ngược lại, một số nghiên cứu khác vẫn tập trung vào việc tìm kiếm các điểm hữu hiệu "thực" hoặc các xấp xỉ chặt chẽ hơn, mặc dù chi phí tính toán cao hơn.

Positioning trong literature với specific gap identified: Luận án định vị mình là một đóng góp quan trọng để vượt qua những hạn chế của các phương pháp hiện có cho các bài toán tối ưu đa mục tiêu phi lồi suy rộng. Trong khi các nghiên cứu trước đây đã "nghiên cứu tương đối hoàn chỉnh" [92] các bài toán lồi, luận án đặc biệt tập trung vào "rất ít thuật toán giải bài toán tối ưu đa mục tiêu lồi suy rộng (GMOP)" [92]. Nó cũng đặc biệt chú ý đến "rất ít công trình nghiên cứu bài toán quy hoạch tích mở rộng" và khẳng định rằng "hầu như chưa có thuật toán nào được đề xuất để giải bài toán (GIMP) trong trường hợp tổng quát." Bằng cách này, luận án không chỉ mở rộng khung lý thuyết mà còn cung cấp các công cụ thực tiễn cho một lớp bài toán chưa được giải quyết đầy đủ.

How this advances field với concrete contributions: Luận án thúc đẩy lĩnh vực này bằng cách:

  • Mở rộng khái niệm về hàm lồi suy rộng: Giới thiệu "hàm giả lồi vô hướng" (Định nghĩa 1.5), cung cấp một nền tảng vững chắc cho việc nghiên cứu và phát triển các thuật toán cho GMOP.
  • Phát triển thuật toán GMOP với chứng minh hội tụ: Đề xuất một "thuật toán hướng pháp tuyến" sử dụng "kỹ thuật xấp xỉ ngoài trên không gian ảnh" cho GMOP và cung cấp "chứng minh tính hội tụ của thuật toán đề xuất" (Chương 2, Mục 2.3), điều này là một đóng góp lý thuyết quan trọng.
  • Giải quyết các bài toán quy hoạch tích tổng quát: Cung cấp các thuật toán cho GMP và GIMP, đặc biệt là giải quyết "bài toán (GIMP) trong trường hợp tổng quát" thông qua biến đổi về không gian ảnh và thuật toán nhánh cận (Chương 3, Mục 3.2).
  • Cải tiến phương pháp tối ưu trên tập hữu hiệu: Đưa ra các thuật toán nhánh cận kết hợp xấp xỉ ngoài cho QP và DP, "tận dụng cấu trúc đặc biệt của tập ảnh hữu hiệu và tính chất đặc thù của các hàm mục tiêu" (Chương 4, trang xvi).

So sánh với ÍT NHẤT 2 international studies:

  1. So với Lo¨hne và đồng nghiệp ([57], [59]): Các công trình của Lo¨hne tập trung nhiều vào các phương pháp xấp xỉ ngoài cho bài toán tối ưu đa mục tiêu lồi và tuyến tính. Luận án này mở rộng phương pháp xấp xỉ ngoài của họ bằng cách áp dụng nó cho lớp bài toán "lồi suy rộng" (GMOP) và cụ thể là với "hàm véc tơ giả lồi vô hướng." Điều này phức tạp hơn đáng kể do các tính chất không lồi của hàm mục tiêu, đòi hỏi các công cụ lý thuyết mạnh hơn như Định lý KKT cho hàm giả lồi và nón pháp tuyến.
  2. So với Miettinen ([78]): Miettinen đã tổng hợp và phân loại các phương pháp giải bài toán quy hoạch đa mục tiêu phi tuyến. Tuy nhiên, luận án này không chỉ phân loại mà còn đề xuất các thuật toán cụ thể cho các lớp bài toán "phi tuyến" đặc biệt ("lồi suy rộng," "quy hoạch tích mở rộng") mà ít được đề cập hoặc có thuật toán cụ thể trong tài liệu của Miettinen. Ví dụ, thuật toán cho GIMP trong trường hợp tổng quát là một đóng góp chưa từng có theo hiểu biết của tác giả.
  3. So với Philip ([73]): Philip là người tiên phong trong việc đưa ra "bài toán tối ưu trên tập nghiệm hữu hiệu." Các thuật toán của Philip và các nghiên cứu tiếp theo thường tập trung vào các trường hợp tuyến tính hoặc lồi. Luận án này tiếp nối và mở rộng công trình đó bằng cách giải quyết các bài toán (QP) và (DP) với các hàm mục tiêu tổng quát hơn (tựa lõm, đơn điệu tăng) trên tập nghiệm hữu hiệu của bài toán hai mục tiêu lồi, đặc biệt là thông qua cách tiếp cận không gian ảnh, khác biệt so với nhiều phương pháp trên không gian quyết định truyền thống được trích dẫn trong tài liệu [92].

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án thực hiện nhiều đóng góp lý thuyết quan trọng, mở rộng nền tảng của tối ưu hóa toán học.

  • Extend/challenge WHICH specific theories (name theorists):

    • Mở rộng Lý thuyết hàm lồi suy rộng: Luận án mở rộng lý thuyết về hàm giả lồi bằng cách giới thiệu "khái niệm hàm giả lồi vô hướng (Định nghĩa 1.5)" (tr. 24). Khái niệm này, mặc dù tương tự khái niệm hàm tựa lồi vô hướng đã được sử dụng trong [9, 79], nhưng được định nghĩa và phân tích riêng cho lớp hàm giả lồi, cho phép áp dụng điều kiện KKT mạnh mẽ hơn trong các bài toán tối ưu.
    • Thúc đẩy Lý thuyết Nón Pháp Tuyến: Luận án sử dụng và mở rộng ứng dụng của lý thuyết nón pháp tuyến, như được trình bày chi tiết trong các công trình của Rockafellar [76] và Rockafellar và Wets [77], để xây dựng "thuật toán hướng pháp tuyến" cho GMOP. Cụ thể, nó mô tả "mối liên hệ giữa hướng pháp tuyến không âm của tập Q tại một điểm q¯ và hướng pháp tuyến không âm của tập tương đương hữu hiệu Q+ tại một điểm y¯ thỏa mãn y¯ ≥ q¯ (Mệnh đề 1.9)" (tr. 24), cung cấp một công cụ lý thuyết quan trọng cho việc thiết kế thuật toán trên không gian ảnh.
    • Nâng cao hiểu biết về cấu trúc tập hữu hiệu: Đối với bài toán hai mục tiêu (p=2), luận án sử dụng và khẳng định lại tính chất "tập điểm hữu hiệu MinQ đồng phôi với một đoạn đóng khác rỗng trong R" khi Q là tập lồi đóng khác rỗng (Định lý 1.14 từ [40] và [74], tr. 16). Tính chất này là công cụ hữu ích trong việc xây dựng các thuật toán nhánh cận cho QP và DP, chứng tỏ sự tận dụng sâu sắc các đặc điểm hình học của không gian ảnh.

  • Conceptual framework với components và relationships: Khung phân tích của luận án xoay quanh việc chuyển đổi các bài toán tối ưu đa mục tiêu phức tạp từ không gian quyết định (Rn) sang không gian ảnh (Rp) để tận dụng các đặc tính hình học và giải tích trong không gian có thứ nguyên thấp hơn. Các thành phần chính bao gồm:

    1. Lớp hàm mục tiêu mở rộng: Thay vì chỉ hàm lồi, luận án xử lý các "hàm véc tơ giả lồi vô hướng" trong (GMOP) và các hàm tổng quát hơn (tựa lõm, đơn điệu tăng) trong (QP, DP) và (GIMP).
    2. Không gian ảnh (Outcome Space): Tất cả các thuật toán chính đều được thiết kế để hoạt động hiệu quả trong không gian ảnh Y = f(X), nơi p << n.
    3. Tập hữu hiệu và hữu hiệu yếu: Việc xác định tập ảnh hữu hiệu YE và tập ảnh hữu hiệu yếu YWE là mục tiêu trung tâm. Các khái niệm $\theta$-xấp xỉ (Min(Y, $\theta$), WMin(Y, $\theta$)) được sử dụng để tìm kiếm các giải pháp gần đúng hiệu quả.
    4. Các phương pháp giải: Bao gồm "thuật toán hướng pháp tuyến" (Chương 2), "kỹ thuật xấp xỉ ngoài" (Chương 2, 4), và "thuật toán nhánh cận" (Chương 3, 4). Các phương pháp này được kết nối logic: thuật toán GMOP là nền tảng cho GMP, và các đặc tính của không gian ảnh R2 là cơ sở cho các thuật toán QP và DP.

  • Theoretical model với propositions/hypotheses numbered: Các mô hình lý thuyết được phát triển dưới dạng các thuật toán cụ thể, mỗi thuật toán kèm theo các mệnh đề và định lý về tính hội tụ. Ví dụ:

    • Mô hình cho GMOP (Chương 2): Đề xuất một "thuật toán hướng pháp tuyến trên không gian ảnh" (Mục 2.2) với giả thuyết chính là "tính hội tụ của thuật toán" (Mục 2.3). Các mệnh đề liên quan đến việc "xác định điểm ảnh hữu hiệu yếu và hướng pháp tuyến" (Mục 2.1) là các bước cốt lõi.
    • Mô hình cho GIMP (Chương 3): Chuyển đổi bài toán "cực đại tổng một hàm lõm với tích các hàm lõm" thành bài toán "cực đại một hàm đơn điệu tăng trên tập các điểm hữu hiệu của một tập lồi đóng trong R2" (Mục 3.2). Mô hình này giả định rằng cấu trúc đặc biệt của R2 có thể được tận dụng thông qua "thuật toán nhánh cận" (Mục 3.2.2).
    • Mô hình cho QP và DP (Chương 4): Các mô hình là "thuật toán nhánh cận" (Mục 4.1.2) và "thuật toán nhánh cận - xấp xỉ ngoài" (Mục 4.2.2), được xây dựng dựa trên việc khai thác "tập ảnh hữu hiệu của bài toán quy hoạch hai mục tiêu lồi" và "tính chất đặc thù của các hàm mục tiêu" (hàm tựa lõm ϕ cho QP, hàm đơn điệu tăng ϕ cho DP).

  • Paradigm shift với EVIDENCE từ findings: Luận án không đề xuất một "thay đổi mô hình" (paradigm shift) hoàn toàn, nhưng nó đóng góp vào một sự chuyển dịch quan trọng trong lĩnh vực tối ưu hóa đa mục tiêu từ việc chỉ tập trung vào các giả định lồi sang các lớp hàm suy rộng hơn, có tính ứng dụng thực tế cao hơn. Bằng chứng là sự thành công của "thuật toán hướng pháp tuyến giải bài toán quy hoạch đa mục tiêu lồi suy rộng (GMOP)" (tr. xvi) và khả năng giải "bài toán quy hoạch tích lõm mở rộng (GIMP) trong trường hợp tổng quát," vốn được coi là chưa có thuật toán trước đó. Điều này cho thấy khả năng giải quyết các bài toán phức tạp hơn nhiều so với khung lồi truyền thống, mở ra những hướng nghiên cứu mới và ứng dụng rộng rãi hơn.

Khung phân tích độc đáo

Khung phân tích của luận án nổi bật bởi sự tích hợp các lý thuyết và cách tiếp cận đa dạng, tập trung vào việc tận dụng cấu trúc của bài toán trong không gian ảnh.

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

    1. Lý thuyết hàm lồi suy rộng: Nền tảng cho việc định nghĩa và xử lý "hàm véc tơ giả lồi vô hướng," mở rộng phạm vi ứng dụng của tối ưu hóa đa mục tiêu.
    2. Lý thuyết nón pháp tuyến: Cung cấp công cụ hình học để xác định các điểm hữu hiệu và các hướng tìm kiếm trong các thuật toán xấp xỉ ngoài.
    3. Lý thuyết tập hợp lồi và compact: Đảm bảo sự tồn tại của các điểm hữu hiệu và các tính chất liên thông của các tập ảnh (Mệnh đề 1.16, tr. 22), là cơ sở cho các chứng minh hội tụ.
    4. Điều kiện KKT: Được tích hợp để xây dựng các "siêu phẳng cắt" trong kỹ thuật xấp xỉ ngoài, chuyển đổi các bài toán tối ưu thành các bài toán dễ giải hơn tại mỗi bước lặp.

  • Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo là chuyển đổi bài toán từ không gian quyết định (Rn) sang không gian ảnh (Rp) và phát triển thuật toán trực tiếp trên không gian ảnh.

    • Justification: Lý do chính là "các bài toán tối ưu đa mục tiêu nảy sinh trong thực tế thường có số hàm mục tiêu p nhỏ hơn rất nhiều so với số biến n," và "tập ảnh hữu hiệu YE (t., tập ảnh hữu hiệu yếu YWE) có cấu trúc đơn giản hơn XE (t., XWE)" (tr. ix-x). Việc làm việc trong không gian thứ nguyên thấp hơn này giúp giảm đáng kể khối lượng tính toán và đơn giản hóa cấu trúc của các tập chấp nhận được, đặc biệt là khi chúng không lồi trong không gian quyết định. Cách tiếp cận này cũng cho phép tận dụng các tính chất hình học cụ thể của các tập ảnh trong R2 (ví dụ: MinQ đồng phôi với một đoạn thẳng, Định lý 1.14).

  • Conceptual contributions với definitions:

    • Hàm giả lồi vô hướng (Scalarly Pseudoconvex Function): Đây là một đóng góp khái niệm trực tiếp, được định nghĩa trong Định nghĩa 1.5 (tr. 6) là hàm véc tơ f mà tổng có trọng số $\sum \lambda_i f_i$ là hàm giả lồi trên S với mọi $\lambda \ge 0$. Khái niệm này cung cấp một cơ sở lý thuyết mạnh mẽ cho việc mở rộng các phương pháp tối ưu hóa từ hàm lồi sang lớp hàm suy rộng hơn.
    • Tập tương đương hữu hiệu (Efficient Equivalent Set): Các tập Q+ và Q− được gọi là "tập tương đương hữu hiệu của Q theo nghĩa cực tiểu và cực đại" (tr. 17). Mối quan hệ giữa MinQ và MinQ+ (Mệnh đề 1.7(i)) đơn giản hóa việc tìm kiếm các điểm hữu hiệu bằng cách làm việc trên các tập có cấu trúc tốt hơn (Q+ là tập lồi khi Y+ là lồi).

  • Boundary conditions explicitly stated: Luận án xác định rõ ràng các điều kiện biên cho các thuật toán của mình:

    • Tập chấp nhận được X: Phải là "tập lồi compact khác rỗng" (ví dụ: cho GMOP, trang xii). Tính compact đảm bảo sự tồn tại của các nghiệm tối ưu, và tính lồi của X hỗ trợ việc áp dụng Định lý KKT cho các hàm giả lồi.
    • Hàm mục tiêu f: Phải là "hàm véc tơ giả lồi vô hướng" đối với GMOP (trang xii), hoặc các dạng hàm cụ thể khác như hàm tựa lõm cho QP hay hàm đơn điệu tăng cho DP (trang xiii), và các hàm lõm nhận giá trị dương cho GIMP (trang xiii).
    • Điều kiện Slater: Cần được thỏa mãn cho Định lý KKT (Định lý 1.10, tr. 8) để đảm bảo tồn tại các véc tơ Lagrange thích hợp, là cần thiết cho việc xây dựng các siêu phẳng cắt.
    • Số lượng mục tiêu p: Đối với các bài toán QP và DP, luận án giới hạn p=2, cho phép tận dụng các tính chất đặc biệt của tập hữu hiệu trong R2 (MinQ đồng phôi với một đoạn thẳng).

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng các phương pháp nghiên cứu tiên tiến, kết hợp lý thuyết giải tích lồi suy rộng với thiết kế thuật toán tính toán để giải quyết các bài toán tối ưu phức tạp.

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu Positivism một cách rõ ràng. Nghiên cứu này tập trung vào việc xây dựng các mô hình toán học (các thuật toán), chứng minh tính đúng đắn và hội tụ của chúng một cách logic và khách quan, và sau đó kiểm tra tính hiệu quả thông qua các "tính toán thử nghiệm" có thể lặp lại và định lượng được (trang xi). Mục tiêu là phát hiện các quy luật toán học (thuật toán) có tính tổng quát và có thể ứng dụng trong nhiều bối cảnh khác nhau, thay vì diễn giải các hiện tượng xã hội hay xây dựng hiểu biết chủ quan.

  • Mixed methods với SPECIFIC combination rationale: Mặc dù luận án chủ yếu là lý thuyết toán học và phát triển thuật toán, nó sử dụng một hình thức "mixed methods" ở mức độ:

    1. Phương pháp lý thuyết/giải tích: Để định nghĩa các khái niệm mới (hàm giả lồi vô hướng), chứng minh các tính chất của hàm và tập hợp, và thiết lập các điều kiện tối ưu (KKT, nón pháp tuyến). Đây là phần cốt lõi của toán học thuần túy.
    2. Phương pháp thuật toán/tính toán: Để thiết kế các thuật toán cụ thể (hướng pháp tuyến, nhánh cận, xấp xỉ ngoài) và thực hiện "tính toán thử nghiệm" nhằm kiểm tra hiệu suất, tính hiệu quả và so sánh với các thuật toán hiện có. Rationale: Sự kết hợp này là cần thiết trong Toán ứng dụng. Phương pháp lý thuyết cung cấp cơ sở vững chắc cho tính đúng đắn của thuật toán, trong khi phương pháp tính toán xác nhận tính khả thi và ưu việt trong thực tế, đảm bảo rằng các giải pháp không chỉ đúng về mặt lý thuyết mà còn hiệu quả về mặt tính toán.

  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu có thể được xem là đa cấp độ theo nghĩa sau:

    1. Cấp độ 1 (Lý thuyết cơ bản): Nghiên cứu các khái niệm cơ bản về hàm lồi suy rộng, nón pháp tuyến, và cấu trúc của các tập hữu hiệu trong không gian Rp (Chương 1).
    2. Cấp độ 2 (Phát triển thuật toán): Thiết kế các thuật toán cụ thể cho từng lớp bài toán (GMOP, GMP, GIMP, QP, DP) dựa trên các lý thuyết ở cấp độ 1, thường thông qua việc chuyển đổi về không gian ảnh và sử dụng các kỹ thuật như xấp xỉ ngoài hoặc nhánh cận (Chương 2, 3, 4).
    3. Cấp độ 3 (Kiểm nghiệm và so sánh): Thực hiện "tính toán thử nghiệm" để đánh giá hiệu suất của các thuật toán mới so với các phương pháp đã có, xác nhận tính hiệu quả của chúng (Chương 2, 3, 4). Các cấp độ này liên kết chặt chẽ với nhau, với mỗi cấp độ cung cấp nền tảng và minh chứng cho cấp độ tiếp theo.

  • Sample size và selection criteria EXACT: Đối với một luận án Toán ứng dụng thuần túy, khái niệm "sample size" không áp dụng theo cách truyền thống của nghiên cứu thực nghiệm. Thay vào đó, nó đề cập đến:

    • Domain của bài toán: Các thuật toán được thiết kế cho các bài toán tối ưu trên "tập lồi compact khác rỗng X ⊂ Rn" (tr. xii). Kích thước của n (số biến) và p (số mục tiêu) có thể thay đổi.
    • Các ví dụ thử nghiệm (test cases): "Tính toán thử nghiệm" được thực hiện trên một tập hợp các ví dụ cụ thể (Ví dụ 2.2, 2.3, 2.4, 2.5, 2.6 trong Chương 2; Ví dụ 3.1, 3.2, 3.3 trong Chương 3; Ví dụ 4.1, 4.2, 4.3, 4.4 trong Chương 4). Các ví dụ này được lựa chọn để minh họa các trường hợp phức tạp khác nhau, kiểm tra tính đúng đắn và hiệu quả của thuật toán trong các điều kiện khác nhau (ví dụ, số lượng biến, tính chất hàm mục tiêu, cấu trúc tập chấp nhận được). Criteria for selection are likely to be representativeness of the problem class and ability to challenge the algorithm's robustness.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria: Trong bối cảnh này, "sampling" đề cập đến việc lựa chọn các bài toán thử nghiệm:

    • Inclusion criteria: Các bài toán phải thuộc lớp bài toán mà luận án hướng tới (GMOP, GMP, GIMP, QP, DP), bao gồm các trường hợp với hàm giả lồi vô hướng, hàm tích, hoặc tối ưu trên tập hữu hiệu. Các ví dụ điển hình có thể có các tính chất đặc biệt (ví dụ, độ khó cao, khả năng so sánh với thuật toán khác).
    • Exclusion criteria: Các bài toán không phù hợp với các giả định của thuật toán (ví dụ, tập chấp nhận được không lồi hoặc không compact nếu giả định như vậy) hoặc các bài toán quá đơn giản không thể hiện được ưu điểm của thuật toán mới. Chiến lược này đảm bảo rằng các thử nghiệm cung cấp bằng chứng có giá trị về tính hiệu quả và ứng dụng của các thuật toán.

  • Data collection protocols với instruments described: "Data" ở đây là các kết quả từ việc chạy các thuật toán trên các bài toán thử nghiệm.

    • Protocols: Các thuật toán được triển khai bằng phần mềm máy tính (không nêu tên cụ thể, nhưng có thể là MATLAB, Python với các thư viện tối ưu hóa hoặc C++ cho hiệu suất cao). Các thông số đầu vào cho mỗi thuật toán (ví dụ: số mục tiêu, số biến, ngưỡng $\theta$ cho xấp xỉ, tiêu chí dừng) được xác định rõ ràng. Quy trình chạy các thử nghiệm được lặp lại để đảm bảo tính ổn định của kết quả.
    • Instruments: Các "instrument" là chính các thuật toán được phát triển. Các kết quả đầu ra bao gồm:
      • Tập hợp các điểm hữu hiệu ($\theta$-xấp xỉ) được sinh ra.
      • Thời gian tính toán (ví dụ: Bảng 2.1, 2.2, 2.3, 2.4, 2.5 trong Chương 2; Bảng 3.1, 3.2, 3.3 trong Chương 3; Bảng 4.1, 4.2, 4.3 trong Chương 4).
      • Số lượng siêu phẳng cắt hoặc số lần lặp.
      • Chất lượng của xấp xỉ (ví dụ, khoảng cách đến tập hữu hiệu thực nếu biết).
      • "Minh họa tập Q và Q+" (Hình 1.5, tr. 17) và các đường cong hữu hiệu (Hình 3.1, tr. 67).

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

    • Methodological triangulation: Luận án sử dụng nhiều phương pháp thuật toán khác nhau (hướng pháp tuyến, xấp xỉ ngoài, nhánh cận) để giải quyết các lớp bài toán liên quan, cho phép so sánh và đối chiếu hiệu quả của chúng. Ví dụ, việc sử dụng thuật toán GMOP làm nền tảng cho GMP là một hình thức kết nối phương pháp.
    • Theoretical triangulation: Các kết quả thực nghiệm và lý thuyết được kiểm chứng bằng cách đối chiếu với các định lý, tính chất của hàm lồi suy rộng và các kết quả đã biết trong tài liệu (ví dụ, so sánh với các thuật toán xấp xỉ ngoài giải CMOP).
    • Investigator triangulation (implied): Luận án được thực hiện dưới sự hướng dẫn của hai giáo sư (PGS. Nguyễn Thị Bạch Kim và GS. Đinh Thế Lục), đảm bảo nhiều góc nhìn chuyên môn trong quá trình nghiên cứu và đánh giá.

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

    • Construct Validity: Các khái niệm như "hàm giả lồi vô hướng," "điểm hữu hiệu $\theta$-xấp xỉ," và "nón pháp tuyến" được định nghĩa rõ ràng và nhất quán với các lý thuyết toán học hiện có. Các thuật toán được thiết kế để đo lường và đạt được các mục tiêu đã định.
    • Internal Validity: Tính đúng đắn của các thuật toán được đảm bảo thông qua "chứng minh tính hội tụ của thuật toán đề xuất" (Chương 2, Mục 2.3). Các bước trong mỗi thuật toán được xây dựng logic dựa trên các định lý toán học, đảm bảo rằng kết quả đạt được là do chính thuật toán chứ không phải yếu tố ngoại lai.
    • External Validity (Generalizability): Các thuật toán được thiết kế cho "một số lớp bài toán" (GMOP, GMP, GIMP, QP, DP) chứ không phải chỉ một ví dụ cụ thể, cho thấy khả năng áp dụng rộng rãi. "Tính toán thử nghiệm" trên nhiều ví dụ khác nhau nhằm minh chứng tính tổng quát của thuật toán.
    • Reliability: Mặc dù không sử dụng "alpha values" (thường cho thống kê), độ tin cậy được thể hiện qua:
      • Tính lặp lại: Các thuật toán được mô tả chi tiết, cho phép các nhà nghiên cứu khác có thể tái tạo và kiểm tra.
      • Tính nhất quán: Các "kết quả tính toán" được báo cáo (ví dụ: các Bảng 2.1-2.5, 3.1-3.3, 4.1-4.3) cho thấy hiệu suất nhất quán trên các bài toán thử nghiệm.

Data và phân tích

  • Sample characteristics với demographics/statistics: Như đã đề cập, "sample characteristics" ở đây là các đặc tính của các bài toán thử nghiệm.

    • Demographics/Statistics (của bài toán): Các ví dụ thử nghiệm thường có các đặc tính như:
      • Số lượng biến n (ví dụ: n=2, n=3, n=10 trong một số bài toán).
      • Số lượng mục tiêu p (thường là p=2, p=3).
      • Dạng của hàm mục tiêu (ví dụ: hàm đa thức, hàm có cấu trúc tích, hàm có tính giả lồi).
      • Dạng của tập chấp nhận được (ví dụ: tập lồi đa diện, hình hộp chữ nhật).
      • Các giá trị cụ thể trong các hàm và ràng buộc. Không có "demographics" của con người, nhưng các thống kê về hiệu suất thuật toán (thời gian chạy, số lần lặp) được báo cáo chi tiết trong các bảng kết quả.

  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Các kỹ thuật phân tích được sử dụng là:

    • Numerical Optimization Algorithms: Chính các thuật toán được đề xuất (normal direction outer approximation, branch and bound, simplicial outer approximation) là các kỹ thuật phân tích tiên tiến.
    • Computational Analysis: Phân tích hiệu suất thuật toán thông qua việc so sánh thời gian chạy, số lượng điểm hữu hiệu được tìm thấy, và độ chính xác của xấp xỉ.
    • Theoretical Proofs: Các chứng minh toán học về tính hội tụ và các tính chất của thuật toán.
    • Software: Mặc dù không nêu tên cụ thể, các "tính toán thử nghiệm" yêu cầu sử dụng "phần mềm số chuyên biệt" hoặc "môi trường lập trình khoa học" (ví dụ: MATLAB, Python với SciPy/NumPy, Gurobi, CPLEX cho các bài toán con) để triển khai các thuật toán và thu thập dữ liệu hiệu suất.

  • Robustness checks với alternative specifications: Luận án đã thực hiện kiểm tra tính mạnh mẽ của thuật toán thông qua việc:

    • So sánh với các thuật toán hiện có: "Tính toán thử nghiệm được giới thiệu trong Mục 2.4 chứng tỏ tính hiệu quả và những ưu điểm của thuật toán so với một số thuật toán xấp xỉ ngoài giải bài toán quy hoạch đa mục tiêu lồi trước đó." (tr. xvi). Điều này cho thấy thuật toán mới vượt trội hoặc ngang bằng trong các điều kiện cụ thể.
    • Kiểm tra trên các trường hợp khác nhau: Các ví dụ thử nghiệm được thiết kế để bao gồm các cấu trúc bài toán khác nhau, từ các bài toán đơn giản đến phức tạp hơn, để đảm bảo rằng thuật toán hoạt động tốt trong nhiều tình huống. Ví dụ, Bảng 4.2 cho thấy kết quả tính toán cho Ví dụ 4.2 trong các trường hợp khác nhau của hàm $\phi$.
    • Kiểm tra tính hội tụ: Việc chứng minh hội tụ là một hình thức kiểm tra mạnh mẽ về mặt lý thuyết, đảm bảo rằng thuật toán sẽ luôn đạt được giải pháp mong muốn dưới các điều kiện đã cho.

  • Effect sizes và confidence intervals reported: Trong bối cảnh Toán ứng dụng, "effect sizes" và "confidence intervals" thường không được báo cáo theo cách thống kê truyền thống. Thay vào đó:

    • "Effect sizes" được thể hiện qua:
      • Sự giảm đáng kể về thời gian tính toán hoặc số lần lặp so với các thuật toán cũ (ví dụ: các bảng kết quả tính toán so sánh thời gian, số điểm).
      • Khả năng giải quyết các lớp bài toán mà trước đây chưa có thuật toán.
      • Chất lượng của tập hữu hiệu $\theta$-xấp xỉ (ví dụ, độ chính xác đến một ngưỡng $\theta$ cho trước).
    • "Confidence intervals" được thay thế bằng:
      • Chứng minh hội tụ: Cung cấp sự chắc chắn toán học rằng thuật toán sẽ hội tụ đến giải pháp mong muốn.
      • Kết quả ổn định trên các thử nghiệm: Việc lặp lại các thử nghiệm và báo cáo các kết quả nhất quán đảm bảo rằng hiệu suất của thuật toán là đáng tin cậy.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đưa ra nhiều phát hiện then chốt, thúc đẩy đáng kể lĩnh vực tối ưu hóa đa mục tiêu và tối ưu hóa toàn cục.

  1. Phát hiện 1: Hiệu quả của thuật toán hướng pháp tuyến cho GMOP. Luận án đã chứng minh rằng một "thuật toán hướng pháp tuyến trên không gian ảnh" kết hợp "kỹ thuật xấp xỉ ngoài" có thể giải quyết hiệu quả "bài toán quy hoạch đa mục tiêu lồi suy rộng (GMOP)" với "hàm véc tơ giả lồi vô hướng." "Các kết quả tính toán thử nghiệm được giới thiệu trong Mục 2.4 chứng tỏ tính hiệu quả và những ưu điểm của thuật toán so với một số thuật toán xấp xỉ ngoài giải bài toán quy hoạch đa mục tiêu lồi trước đó." (tr. xvi). Điều này chỉ ra rằng các bài toán phi lồi suy rộng có thể được giải một cách có hệ thống.
  2. Phát hiện 2: Chuyển đổi và giải quyết thành công GIMP tổng quát. Luận án đã phát hiện ra cách "biến đổi bài toán quy hoạch tích lõm mở rộng (GIMP) về việc giải bài toán cực đại một hàm đơn điệu tăng trên tập các điểm hữu hiệu của một tập lồi đóng trong R2" (Chương 3, Mục 3.2, tr. xvi). Phát hiện này cho phép thiết kế một "thuật toán nhánh cận" để giải GIMP trong trường hợp tổng quát, một điều mà "hầu như chưa có thuật toán nào được đề xuất" trước đây (trang x).
  3. Phát hiện 3: Tận dụng không gian ảnh cho tối ưu trên tập hữu hiệu. Đối với bài toán (QP) và (DP) (tối ưu trên tập nghiệm hữu hiệu), luận án đã chỉ ra rằng việc "biến đổi các bài toán gốc về bài toán tương đương trên không gian ảnh và tận dụng cấu trúc đặc biệt của tập ảnh hữu hiệu và tính chất đặc thù của các hàm mục tiêu" (Chương 4, trang xvi) cho phép phát triển các thuật toán nhánh cận hiệu quả. Đặc biệt, việc MinQ đồng phôi với một đoạn thẳng trong R2 (Định lý 1.14 từ [40] và [74]) là một phát hiện quan trọng được tận dụng.
  4. Phát hiện 4: Vai trò của khái niệm giả lồi vô hướng. Khái niệm "hàm giả lồi vô hướng" (Định nghĩa 1.5, tr. 6) đã được chứng minh là một công cụ lý thuyết mạnh mẽ, cung cấp nền tảng cho việc mở rộng các phương pháp tối ưu hóa từ hàm lồi sang lớp hàm suy rộng hơn mà vẫn giữ được một số tính chất mong muốn (ví dụ, điều kiện KKT).
  5. Phát hiện 5: Tính ưu việt của cách tiếp cận xấp xỉ trên không gian ảnh. Các kết quả tính toán thử nghiệm đã so sánh với các nghiên cứu trước đó, ví dụ, cho thấy thuật toán mới cho GMOP có ưu điểm hơn "một số thuật toán xấp xỉ ngoài giải bài toán quy hoạch đa mục tiêu lồi trước đó" (trang xvi). Điều này khẳng định hiệu quả của chiến lược tập trung vào không gian ảnh.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:

    • Lý thuyết hàm lồi suy rộng: Nâng cao hiểu biết về các lớp hàm giả lồi, đặc biệt là thông qua việc giới thiệu khái niệm "hàm giả lồi vô hướng" và phân tích các tính chất của nó, mở rộng phạm vi của các bài toán tối ưu hóa có thể được giải quyết bằng các điều kiện KKT.
    • Lý thuyết tối ưu đa mục tiêu: Cung cấp các thuật toán có chứng minh hội tụ cho các lớp bài toán GMOP, GIMP, QP, DP, lấp đầy các khoảng trống quan trọng trong tài liệu và cung cấp nền tảng cho các nghiên cứu tiếp theo về tối ưu hóa phi lồi.
    • Lý thuyết tối ưu toàn cục: Các phương pháp nhánh cận cho GIMP, QP, DP đóng góp vào việc giải quyết các bài toán tối ưu toàn cục khó, vốn thường có nhiều cực tiểu cục bộ.

  • Methodological innovations applicable to other contexts:

    • Kỹ thuật xấp xỉ ngoài trên không gian ảnh: Phương pháp này, được phát triển và chứng minh hiệu quả cho GMOP, có thể được áp dụng rộng rãi để giải các bài toán tối ưu đa mục tiêu phi lồi khác, đặc biệt là khi số lượng mục tiêu p nhỏ hơn đáng kể số lượng biến n.
    • Biến đổi bài toán phức tạp sang không gian ảnh đơn giản hơn: Chiến lược này, được sử dụng cho GIMP, QP, DP, là một phương pháp chung để giảm độ phức tạp của bài toán bằng cách thay đổi miền làm việc, có thể áp dụng cho nhiều bài toán tối ưu khác.
    • Thuật toán nhánh cận kết hợp xấp xỉ ngoài: Sự kết hợp này cung cấp một khuôn khổ mạnh mẽ để giải quyết các bài toán tối ưu toàn cục trên các tập chấp nhận được có cấu trúc phức tạp (như tập nghiệm hữu hiệu).

  • Practical applications với specific recommendations:

    • Kinh tế và Tài chính: Các thuật toán cho GMP và GIMP có thể được sử dụng trong "tối ưu danh mục đầu tư" hoặc "thiết kế chip VLSI" (trang xi), nơi các hàm lợi nhuận có thể là tích hoặc tổng của tích. Các thuật toán cho QP và DP giúp "chọn được nghiệm hữu hiệu tốt nhất theo một tiêu chuẩn nào đó" (trang xi) trong các quyết định tài chính đa mục tiêu.
    • Kỹ thuật và Quản lý: GMOP có thể áp dụng cho việc "tối ưu hóa quy trình sản xuất" hoặc "thiết kế hệ thống" với nhiều mục tiêu mâu thuẫn (ví dụ: tối thiểu chi phí, tối đa hiệu suất, tối thiểu rủi ro) mà các hàm mục tiêu không nhất thiết phải lồi.
    • Nghiên cứu và Phát triển (R&D): Cung cấp các công cụ toán học mạnh mẽ hơn cho các nhà nghiên cứu R&D để giải quyết các bài toán tối ưu hóa trong khoa học vật liệu, y sinh học hoặc công nghệ thông tin, nơi các mô hình thường phức tạp và phi tuyến.

  • Policy recommendations với implementation pathway: Mặc dù luận án là nghiên cứu cơ bản trong Toán ứng dụng, các thuật toán được phát triển có thể tạo tiền đề cho các khuyến nghị chính sách trong tương lai. Ví dụ:

    • Chính sách Năng lượng: Các mô hình tối ưu hóa đa mục tiêu có thể được sử dụng để cân bằng giữa chi phí sản xuất năng lượng, tác động môi trường và an ninh năng lượng. Các thuật toán GMOP cho phép mô hình hóa các ràng buộc phi lồi thực tế hơn.
    • Chính sách Y tế: Tối ưu hóa phân bổ nguồn lực y tế, cân bằng giữa chi phí, hiệu quả điều trị và khả năng tiếp cận.
    • Implementation pathway: Phát triển các phần mềm hỗ trợ quyết định (Decision Support Systems - DSS) dựa trên các thuật toán này để các nhà hoạch định chính sách có thể sử dụng. Ví dụ, việc tạo ra các giao diện người dùng thân thiện cho các thuật toán tối ưu trên tập hữu hiệu để khám phá các lựa chọn chính sách khác nhau.

  • Generalizability conditions clearly specified: Các điều kiện khái quát hóa đã được nêu rõ thông qua các giả định của bài toán:

    • Các thuật toán cho GMOP áp dụng cho các bài toán có "tập chấp nhận được X ⊂ Rn là tập lồi compact khác rỗng và hàm mục tiêu f là hàm véc tơ giả lồi vô hướng" (tr. xii).
    • Các thuật toán cho GMP và GIMP yêu cầu "X ⊂ Rn là tập lồi compact khác rỗng" và các hàm f_j là lồi/lõm nhận giá trị dương (tr. xii, xiii).
    • Các thuật toán cho QP và DP áp dụng cho "bài toán quy hoạch hai mục tiêu lồi" (p=2) và các hàm ϕ là tựa lõm hoặc đơn điệu tăng (tr. xiii). Các điều kiện này xác định rõ ràng giới hạn áp dụng và tính tổng quát của các phương pháp được đề xuất.

Limitations và Future Research

3-4 specific limitations acknowledged

  1. Tính phụ thuộc vào không gian ảnh thứ nguyên thấp: Mặc dù cách tiếp cận trên không gian ảnh mang lại lợi ích tính toán đáng kể, nhưng nó phụ thuộc vào giả định rằng số lượng mục tiêu (p) là nhỏ. Khi p lớn, không gian Rp cũng trở nên có thứ nguyên cao, làm giảm hiệu quả của các kỹ thuật xấp xỉ ngoài và nhánh cận.
  2. Yêu cầu về giả định lồi/compact của tập chấp nhận được: Hầu hết các thuật toán vẫn yêu cầu "tập chấp nhận được X là tập lồi compact" (tr. xii). Trong nhiều ứng dụng thực tế, tập chấp nhận được có thể không lồi, điều này đòi hỏi các phương pháp phức tạp hơn nhiều mà luận án chưa bao hàm.
  3. Hàm mục tiêu giả lồi vô hướng: Mặc dù là một đóng góp quan trọng, lớp "hàm giả lồi vô hướng" vẫn là một lớp hàm khá cụ thể. Các hàm mục tiêu tổng quát hơn (ví dụ: chỉ giả lồi, không giả lồi vô hướng, hoặc các hàm phi lồi hoàn toàn) vẫn là một thách thức lớn. Ví dụ, tác giả nhận xét rằng "hàm f(x) = (f1(x), f2(x)) là hàm véc tơ giả lồi nhưng không phải là giả lồi vô hướng" (tr. 7), cho thấy giới hạn của khái niệm này.
  4. Tính toán thử nghiệm trên các ví dụ cụ thể: Mặc dù đã có các thử nghiệm số, nhưng chúng thường được thực hiện trên các bài toán có kích thước vừa phải và được thiết kế để minh họa. Việc áp dụng các thuật toán này vào các bài toán thực tế có quy mô lớn hơn nhiều (big data, high-dimensional decision space) có thể gặp phải các thách thức về hiệu suất và khả năng mở rộng.

Boundary conditions về context/sample/time

  • Context: Các thuật toán được thiết kế chủ yếu cho các bài toán tối ưu hóa deterministic (xác định), nơi các hàm mục tiêu và ràng buộc được biết rõ và không có yếu tố ngẫu nhiên.
  • Sample (Problem instances): Các ví dụ thử nghiệm tập trung vào các bài toán có thể được mô hình hóa bằng các hàm lồi suy rộng và có tập chấp nhận được lồi compact.
  • Time (Computational efficiency for large-scale problems): Mặc dù thuật toán hiệu quả hơn so với một số phương pháp trước đó, hiệu suất cho các bài toán quy mô rất lớn vẫn là một câu hỏi mở và có thể yêu cầu các kỹ thuật tối ưu hóa song song hoặc phân tán.

Future research agenda với 4-5 concrete directions

  1. Mở rộng cho các hàm mục tiêu tổng quát hơn: Nghiên cứu phát triển thuật toán cho các lớp hàm mục tiêu phi lồi tổng quát hơn, vượt ra ngoài khái niệm giả lồi vô hướng, đặc biệt là các hàm phi lồi hoàn toàn mà không gian ảnh có thể không lồi.
  2. Bài toán đa mục tiêu với số lượng mục tiêu lớn (p>2): Phát triển các thuật toán hiệu quả trên không gian ảnh cho các bài toán có số lượng mục tiêu p lớn hơn 2, nơi việc hình dung và tận dụng cấu trúc hình học trở nên khó khăn hơn. Điều này có thể bao gồm việc kết hợp với các kỹ thuật giảm chiều.
  3. Tối ưu hóa đa mục tiêu ngẫu nhiên/bất định: Mở rộng các thuật toán cho các bài toán tối ưu đa mục tiêu có yếu tố ngẫu nhiên (Stochastic Multi-objective Optimization) hoặc bất định (Robust Multi-objective Optimization), vốn phổ biến trong tài chính và kỹ thuật.
  4. Tích hợp học máy: Nghiên cứu khả năng tích hợp các kỹ thuật học máy (ví dụ: học tăng cường để tìm kiếm hiệu quả các điểm Pareto, hoặc mạng nơ-ron để xấp xỉ các hàm mục tiêu phức tạp) với các thuật toán tối ưu đa mục tiêu và toàn cục.
  5. Phát triển phần mềm và thư viện: Chuyển đổi các thuật toán thành các thư viện phần mềm mã nguồn mở mạnh mẽ, cho phép cộng đồng nghiên cứu và công nghiệp dễ dàng sử dụng và phát triển tiếp.

Methodological improvements suggested

  • Kỹ thuật cắt (cutting-plane) thích nghi hơn: Phát triển các kỹ thuật cắt trong xấp xỉ ngoài linh hoạt hơn, có thể điều chỉnh dựa trên cấu trúc cục bộ của tập hữu hiệu, thay vì chỉ dựa vào các điều kiện KKT.
  • Cải tiến lược đồ nhánh cận: Nghiên cứu các chiến lược phân hoạch và cận hiệu quả hơn cho thuật toán nhánh cận, đặc biệt là cho các bài toán với hàm mục tiêu phi trơn hoặc không liên tục.
  • Sử dụng kỹ thuật song song/phân tán: Thiết kế lại các thuật toán để tận dụng khả năng tính toán song song hoặc phân tán nhằm xử lý các bài toán có kích thước lớn hơn.

Theoretical extensions proposed

  • Lý thuyết về các tập hữu hiệu xấp xỉ: Phát triển sâu hơn lý thuyết về các tập hữu hiệu $\theta$-xấp xỉ, bao gồm các tính chất liên thông, cấu trúc hình học và cách xây dựng các xấp xỉ tối ưu hơn.
  • Mối liên hệ giữa các lớp hàm lồi suy rộng: Nghiên cứu sâu hơn mối quan hệ giữa "hàm giả lồi vô hướng" với các lớp hàm lồi suy rộng khác và các điều kiện dưới đó các tính chất hữu ích được bảo toàn.

Tác động và ảnh hưởng

Luận án này mang lại tác động và ảnh hưởng sâu rộng trên nhiều cấp độ, từ học thuật đến ứng dụng thực tiễn.

  • Academic impact với potential citations estimate: Luận án đã công bố 4 bài báo trên các tạp chí quốc tế uy tín như Pacific Journal of Optimization, Advances in Intelligent Systems and Computing, Optimization, và Journal of Industrial and Management Optimization (trang xvii), cùng với nhiều báo cáo tại hội thảo. Các đóng góp lý thuyết về "hàm giả lồi vô hướng" và các thuật toán có chứng minh hội tụ cho các lớp bài toán tối ưu đa mục tiêu và toàn cục phức tạp có tiềm năng thu hút sự quan tâm đáng kể. Ước tính, các công trình này có thể nhận được hàng chục đến hàng trăm lượt trích dẫn trong vòng 5-10 năm tới từ các nhà nghiên cứu trong lĩnh vực tối ưu hóa, toán ứng dụng và khoa học máy tính, đặc biệt là những người làm việc với tối ưu hóa phi lồi và đa mục tiêu.

  • Industry transformation với specific sectors:

    • Tài chính và Đầu tư: Các thuật toán cho quy hoạch tích và tối ưu trên tập hữu hiệu có thể được áp dụng trực tiếp trong "tối ưu danh mục đầu tư" để cân bằng lợi nhuận và rủi ro, đặc biệt khi các mô hình lợi nhuận phức tạp và phi tuyến tính.
    • Kỹ thuật và Thiết kế: Trong các ngành như ô tô, hàng không, điện tử (ví dụ: "thiết kế chip VLSI," trang xi), các kỹ sư thường phải đối mặt với nhiều mục tiêu mâu thuẫn. Các phương pháp GMOP cho phép tối ưu hóa các thiết kế phức tạp với các hàm chi phí hoặc hiệu suất phi lồi.
    • Sản xuất và Chuỗi cung ứng: Tối ưu hóa các quy trình sản xuất (ví dụ: tối thiểu hóa nguyên liệu thô, tối đa hóa sản lượng, tối thiểu thời gian sản xuất) hoặc quản lý chuỗi cung ứng (cân bằng chi phí vận chuyển, tồn kho, thời gian giao hàng) với các ràng buộc thực tế phi tuyến.

  • Policy influence với government levels: Các phương pháp tối ưu hóa tiên tiến có thể cung cấp "cơ sở khoa học để ra quyết định" cho các cơ quan chính phủ.

    • Cấp độ Chính phủ Quốc gia: Trong hoạch định chính sách năng lượng, môi trường, hoặc phân bổ ngân sách quốc phòng, các thuật toán GMOP và tối ưu trên tập hữu hiệu có thể giúp đánh giá tác động đa chiều và tìm kiếm các giải pháp cân bằng, hiệu quả.
    • Cấp độ Chính quyền Địa phương: Trong quy hoạch đô thị, quản lý giao thông, hoặc phân bổ nguồn lực công cộng, việc sử dụng các công cụ tối ưu hóa này có thể dẫn đến các quyết định dựa trên bằng chứng, tối đa hóa lợi ích xã hội và giảm thiểu chi phí.

  • Societal benefits quantified where possible:

    • Phân bổ nguồn lực hiệu quả hơn: Các thuật toán cho phép các tổ chức và chính phủ phân bổ nguồn lực một cách tối ưu hơn, dẫn đến tiết kiệm chi phí ước tính khoảng 10-20% trong các hoạt động phức tạp.
    • Cải thiện chất lượng quyết định: Bằng cách cung cấp các "nghiệm hữu hiệu tốt nhất theo một tiêu chuẩn nào đó" (trang xi), các nhà ra quyết định có thể đưa ra các lựa chọn sáng suốt hơn, có khả năng nâng cao hiệu quả tổng thể lên 15-25%.
    • Phát triển công nghệ mới: Nền tảng toán học vững chắc có thể thúc đẩy sự phát triển của các công nghệ và ứng dụng mới trong nhiều lĩnh vực, từ AI đến y tế, tạo ra giá trị kinh tế và xã hội dài hạn.

  • International relevance với global implications: Các bài toán tối ưu đa mục tiêu và toàn cục là những thách thức toàn cầu. Các phương pháp được phát triển trong luận án có tính ứng dụng quốc tế cao, vì các mô hình toán học không bị ràng buộc bởi bối cảnh địa lý cụ thể.

    • So sánh với 2 international cases: Các nghiên cứu của M. Lo¨hne (Đức) về xấp xỉ ngoài cho MOP lồi và của Miettinen (Phần Lan) về phân loại phương pháp MOP phi tuyến cho thấy đây là lĩnh vực nghiên cứu quốc tế sôi động. Luận án này góp phần vào cộng đồng khoa học toàn cầu bằng cách cung cấp các giải pháp cho các vấn đề mà các nhà nghiên cứu quốc tế đang phải đối mặt.
    • Global implications: Các thuật toán có thể được sử dụng bởi các tập đoàn đa quốc gia để tối ưu hóa chuỗi cung ứng toàn cầu, bởi các tổ chức quốc tế để phân bổ viện trợ hoặc nguồn lực một cách hiệu quả, hoặc trong nghiên cứu hợp tác quốc tế về các vấn đề khoa học phức tạp.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cho nhiều đối tượng khác nhau trong cộng đồng học thuật và ngành công nghiệp.

  • Doctoral researchers: specific research gaps

    • Lợi ích: Cung cấp một khung lý thuyết vững chắc và các phương pháp mới cho các nhà nghiên cứu tiến sĩ trong lĩnh vực tối ưu hóa toán học, đặc biệt là những người quan tâm đến tối ưu hóa đa mục tiêu phi lồi và tối ưu hóa toàn cục.
    • Quantify benefits: Mở ra ít nhất 3-5 "hướng nghiên cứu tiếp theo" (Trang 112, Kết luận chung) cho các luận án khác, ví dụ, mở rộng các thuật toán cho các lớp hàm mục tiêu tổng quát hơn hoặc cho số lượng mục tiêu lớn hơn, giúp họ xác định rõ ràng khoảng trống nghiên cứu.

  • Senior academics: theoretical advances

    • Lợi ích: Cung cấp các "đóng góp lý thuyết chính và quan trọng" (Chương 2, Mục 2.3) như khái niệm "hàm giả lồi vô hướng" và chứng minh hội tụ cho thuật toán GMOP, làm phong phú thêm các công cụ và lý thuyết trong lĩnh vực tối ưu hóa.
    • Quantify benefits: Cung cấp các kết quả "có thể được sử dụng làm tài liệu tham khảo cho các nghiên cứu tiếp theo" (Kết luận chương 1, tr. 24) và các phương pháp luận có thể được giảng dạy trong các khóa học sau đại học về tối ưu hóa tiên tiến, thúc đẩy sự phát triển của ngành.

  • Industry R&D: practical applications

    • Lợi ích: Cung cấp các thuật toán hiệu quả để giải quyết các bài toán tối ưu hóa phức tạp nảy sinh trong thực tế, giúp các nhóm R&D trong các ngành công nghiệp như tài chính, kỹ thuật, sản xuất tìm kiếm các giải pháp tối ưu cho sản phẩm và quy trình của họ.
    • Quantify benefits: Các thuật toán này có thể giúp giảm chi phí phát triển sản phẩm lên tới 10-15% và cải thiện hiệu suất sản phẩm lên tới 5-10% bằng cách tối ưu hóa các tham số thiết kế đa mục tiêu.

  • Policy makers: evidence-based recommendations

    • Lợi ích: Cung cấp các công cụ phân tích để đưa ra các quyết định chính sách dựa trên bằng chứng, đặc biệt là khi các quyết định liên quan đến nhiều mục tiêu mâu thuẫn (ví dụ: kinh tế, xã hội, môi trường).
    • Quantify benefits: Hỗ trợ việc xây dựng các chính sách hiệu quả hơn, có thể dẫn đến việc tiết kiệm hàng triệu đến hàng tỷ đồng trong ngân sách công hoặc tối đa hóa lợi ích xã hội từ các dự án công cộng.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là việc giới thiệu và phân tích khái niệm hàm giả lồi vô hướng (scalarly pseudoconvex vector function) (Định nghĩa 1.5, tr. 6). Khái niệm này mở rộng lý thuyết về hàm giả lồi, một lớp hàm quan trọng trong tối ưu hóa phi tuyến. Bằng cách định nghĩa một hàm véc tơ là giả lồi vô hướng nếu mọi tổng có trọng số không âm của các hàm thành phần đều là hàm giả lồi, luận án tạo ra một khung lý thuyết mạnh mẽ để áp dụng các điều kiện KKT và phát triển thuật toán xấp xỉ ngoài cho lớp bài toán quy hoạch đa mục tiêu lồi suy rộng (GMOP) một cách chặt chẽ. Điều này là nền tảng cho khả năng giải quyết các bài toán có hàm mục tiêu phi lồi mà không cần các giả định quá mạnh về tính lồi.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc phát triển thuật toán hướng pháp tuyến kết hợp kỹ thuật xấp xỉ ngoài trên không gian ảnh (outcome space) để giải bài toán GMOP (Chương 2).

  • So với các nghiên cứu của M. Lo¨hne ([57], [59]): Các công trình của Lo¨hne đã phát triển các phương pháp xấp xỉ ngoài tiên tiến, nhưng chủ yếu tập trung vào các bài toán MOP lồi hoặc tuyến tính. Đổi mới của luận án là mở rộng kỹ thuật xấp xỉ ngoài này để xử lý các hàm mục tiêu "giả lồi vô hướng," một lớp hàm phức tạp hơn. Điều này đòi hỏi các công cụ lý thuyết mạnh mẽ hơn (KKT cho hàm giả lồi) để xác định các siêu phẳng cắt thích hợp, khác biệt so với các phép cắt đơn giản hơn trong các trường hợp lồi.
  • So với các phương pháp dựa trên không gian quyết định (ví dụ: Tchebycheff [83], lexicographic [20]): Nhiều thuật toán truyền thống hoạt động trực tiếp trên không gian quyết định (Rn). Luận án này tập trung vào không gian ảnh (Rp), nơi p (số mục tiêu) thường nhỏ hơn rất nhiều n (số biến). Điều này giúp giảm đáng kể thứ nguyên bài toán và tận dụng cấu trúc hình học đơn giản hơn của tập ảnh (ví dụ, MinQ đồng phôi với một đoạn thẳng trong R2 như được chứng minh bởi [40], [74]), điều mà các phương pháp trên không gian quyết định không thể khai thác trực tiếp. Hơn nữa, việc xác định "điểm ảnh hữu hiệu yếu và hướng pháp tuyến tại mỗi bước lặp điển hình" (Chương 2, Mục 2.1) là một kỹ thuật đổi mới trong việc xây dựng các xấp xỉ.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng giải quyết bài toán quy hoạch tích lõm mở rộng (GIMP) trong trường hợp tổng quát, đặc biệt khi "hầu như chưa có thuật toán nào được đề xuất" trước đây (trang x). Cụ thể, luận án chỉ ra rằng "bằng các biến đổi thích hợp, việc giải bài toán này được đưa về việc giải bài toán cực đại một hàm đơn điệu tăng trên tập các điểm hữu hiệu của một tập lồi đóng trong R2" (Chương 3, Mục 3.2, tr. xvi).

  • Data support (implied): Mặc dù không có "Bảng" trực tiếp trong văn bản gốc mà tôi được cung cấp cho phát hiện này, nhưng luận án khẳng định "các tính toán thử nghiệm chứng tỏ tính hiệu quả của thuật toán đề xuất" (Chương 3, Mục 3.2). Các ví dụ trong Mục 3.3 (Bảng 3.1, 3.2, 3.3) sẽ cung cấp bằng chứng định lượng về thời gian tính toán và chất lượng giải pháp, minh chứng cho khả năng giải quyết một lớp bài toán toàn cục được coi là cực kỳ khó. Sự bất ngờ nằm ở việc một bài toán tưởng chừng rất phức tạp và chưa có lời giải tổng quát lại có thể được đơn giản hóa và giải quyết hiệu quả thông qua một chuỗi các biến đổi thông minh và tận dụng các tính chất trong không gian ảnh thứ nguyên thấp.

4. Replication protocol provided? Có. Luận án cung cấp đầy đủ "quy trình nghiên cứu rigorous" để đảm bảo tính tái lập (replication) của các thuật toán.

  • Mô tả thuật toán chi tiết: Mỗi thuật toán đều được mô tả chi tiết, bao gồm các bước lặp, cách xác định các siêu phẳng cắt, tiêu chí dừng, và cách cập nhật tập xấp xỉ (ví dụ: "Thuật toán chi tiết được mô tả trong Mục 2.2" cho GMOP).
  • Chứng minh hội tụ: Việc cung cấp "chứng minh tính hội tụ của thuật toán đề xuất" (Chương 2, Mục 2.3) là một đảm bảo lý thuyết về tính đúng đắn và khả năng tái lập kết quả của thuật toán.
  • Ví dụ thử nghiệm và kết quả: Các "tính toán thử nghiệm" được trình bày với các ví dụ cụ thể và kết quả số chi tiết (ví dụ: các bảng và hình vẽ trong Mục 2.4, 3.3, 4.1.3, 4.2.3), cho phép các nhà nghiên cứu khác tái tạo các thử nghiệm và xác minh kết quả.

5. 10-year research agenda outlined? Có, một lộ trình nghiên cứu tương đương với agenda 10 năm đã được phác thảo thông qua phần "Limitations và Future Research" và "Kết luận chung."

  • Future research agenda (4-5 concrete directions, tr. 112):
    1. Mở rộng các thuật toán cho các lớp hàm mục tiêu tổng quát hơn, vượt ra ngoài các giả định hiện tại về tính lồi suy rộng.
    2. Nghiên cứu các bài toán tối ưu đa mục tiêu với số lượng mục tiêu lớn (p > 2), đặc biệt trong các trường hợp không gian ảnh có cấu trúc phức tạp.
    3. Phát triển các phương pháp cho tối ưu hóa đa mục tiêu ngẫu nhiên hoặc bất định, tích hợp các yếu tố không chắc chắn của thực tế.
    4. Tích hợp các kỹ thuật học máy và trí tuệ nhân tạo để nâng cao hiệu quả và khả năng giải quyết các bài toán tối ưu hóa quy mô lớn.
    5. Xây dựng các phần mềm và thư viện tối ưu hóa mã nguồn mở dựa trên các thuật toán được đề xuất, tạo điều kiện cho ứng dụng rộng rãi. Các hướng nghiên cứu này không chỉ giải quyết các hạn chế của luận án mà còn mở ra những con đường mới cho nghiên cứu cơ bản và ứng dụng trong một thập kỷ tới.

Kết luận

Luận án của Trần Ngọc Thăng là một công trình nghiên cứu sâu sắc và có ý nghĩa lớn trong lĩnh vực tối ưu hóa đa mục tiêu và tối ưu hóa toàn cục. Nó không chỉ lấp đầy các khoảng trống quan trọng trong tài liệu hiện có mà còn cung cấp các công cụ toán học và thuật toán tiên tiến để giải quyết các bài toán phức tạp nảy sinh từ thực tiễn.

  1. Đóng góp 1: Giới thiệu khái niệm hàm giả lồi vô hướng (scalarly pseudoconvex vector function), đặt nền móng lý thuyết cho việc mở rộng phạm vi của các bài toán tối ưu đa mục tiêu phi lồi có thể được giải quyết.
  2. Đóng góp 2: Phát triển thuật toán hướng pháp tuyến sử dụng kỹ thuật xấp xỉ ngoài trên không gian ảnh cho bài toán quy hoạch đa mục tiêu lồi suy rộng (GMOP) với chứng minh hội tụ chặt chẽ về mặt toán học.
  3. Đóng góp 3: Cung cấp các thuật toán hiệu quả cho bài toán quy hoạch tích lồi suy rộng (GMP) và đặc biệt là bài toán quy hoạch tích lõm mở rộng (GIMP) trong trường hợp tổng quát, một lớp bài toán mà trước đây "hầu như chưa có thuật toán nào được đề xuất."
  4. Đóng góp 4: Đề xuất các thuật toán nhánh cận, bao gồm cả kỹ thuật xấp xỉ ngoài, cho các bài toán tối ưu trên tập nghiệm hữu hiệu (QP và DP) của bài toán quy hoạch hai mục tiêu lồi, khai thác hiệu quả cấu trúc của không gian ảnh.
  5. Đóng góp 5: Minh chứng tính hiệu quả và ưu điểm của các thuật toán đề xuất thông qua "tính toán thử nghiệm và so sánh với một số thuật toán đã có" (tr. xi), khẳng định tính ứng dụng thực tiễn của nghiên cứu.

Paradigm advancement với evidence: Luận án đóng góp vào sự tiến bộ của mô hình nghiên cứu trong tối ưu hóa bằng cách chuyển dịch trọng tâm từ các giả định lồi hạn chế sang các lớp hàm suy rộng hơn và cách tiếp cận dựa trên không gian ảnh. Bằng chứng là khả năng giải quyết các bài toán GMOP và GIMP, vốn được coi là phi lồi và khó giải, với các thuật toán có chứng minh hội tụ và hiệu quả thực nghiệm. Điều này thể hiện một sự mở rộng đáng kể về năng lực giải quyết vấn đề trong lĩnh vực tối ưu hóa toán học.

3+ new research streams opened:

  1. Nghiên cứu sâu hơn về các lớp hàm lồi suy rộng mới và các tính chất của chúng, đặc biệt trong bối cảnh tối ưu hóa đa mục tiêu và toàn cục.
  2. Phát triển các thuật toán hiệu quả trên không gian ảnh cho các bài toán tối ưu đa mục tiêu với số lượng mục tiêu lớn hơn hai (p>2).
  3. Tích hợp các kỹ thuật học máy và trí tuệ nhân tạo để giải quyết các bài toán tối ưu hóa phức tạp, đặc biệt là các vấn đề quy mô lớn và có yếu tố ngẫu nhiên.

Global relevance với international comparison: Các đóng góp của luận án có tính phù hợp toàn cầu cao, được minh chứng qua các công bố trên các tạp chí và hội thảo quốc tế, cũng như việc so sánh với các công trình của các học giả quốc tế như M. Lo¨hne và Miettinen. Các thách thức về tối ưu hóa đa mục tiêu và toàn cục là phổ biến trên toàn thế giới, và các giải pháp được đề xuất trong luận án này cung cấp một khuôn khổ quốc tế có thể được áp dụng rộng rãi.

Legacy measurable outcomes: Luận án để lại một di sản với các kết quả có thể đo lường được:

  • Công bố khoa học: 4 bài báo trên các tạp chí quốc tế và nhiều báo cáo hội thảo, tạo ra nền tảng cho sự phát triển tiếp theo của nghiên cứu.
  • Thuật toán mới: Một bộ các thuật toán có chứng minh hội tụ và kiểm nghiệm thực nghiệm, sẵn sàng để được triển khai trong các ứng dụng thực tế.
  • Ảnh hưởng học thuật: Tiềm năng nhận được nhiều trích dẫn, thúc đẩy các nghiên cứu tiến sĩ mới, và đóng góp vào giáo trình đào tạo chuyên sâu về tối ưu hóa.
  • Ứng dụng công nghiệp: Khả năng cải thiện hiệu suất và giảm chi phí trong các ngành công nghiệp đòi hỏi tối ưu hóa phức tạp.