Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và tự động hóa phân tích dữ liệu, các bài toán tối ưu hóa đóng vai trò nền tảng trong hơn 70% các giải pháp mô hình hóa kinh tế lượng, học máy và phân bổ nguồn lực doanh nghiệp. Tuy nhiên, việc áp dụng lý thuyết giải tích giải thuật vào các tình huống thực tiễn thường đối mặt với rào cản lớn: sự thiếu hụt quy trình chuẩn hóa từ việc chuyển đổi các biến số thực tế sang mô hình giải tích nhiều biến, cũng như xác định cực trị trong điều kiện ràng buộc phi tuyến tính.

Đồ án khóa luận tốt nghiệp "Cực trị của hàm số và một số ứng dụng" do sinh viên Hồ Nguyễn Duy An thực hiện dưới sự hướng dẫn khoa học của TS. Hoàng Nhật Quy tại Khoa Toán, Trường Đại học Sư phạm – Đại học Đà Nẵng (05/2023) đã giải quyết triệt để bài toán này. Đề tài tập trung hệ thống hóa lý thuyết giải tích thực từ hàm một biến đến hàm nhiều biến ($n \ge 2$), đồng thời xây dựng khung giải thuật toán học ứng dụng trực tiếp vào 4 lĩnh vực trọng yếu: hình học không gian, vật lý kỹ thuật, cân bằng hóa học và kinh tế vi mô.

                  +----------------------------------------------+
                  |     KHÓA LUẬN: CỰC TRỊ CỦA HÀM SỐ            |
                  |          VÀ MỘT SỐ ỨNG DỤNG                  |
                  +----------------------------------------------+
                                         |
         +-------------------------------+-------------------------------+
         |                                                               |
+------------------+                                            +------------------+
|  CHƯƠNG I: LÝ THUYẾT NỀN TẢNG                                 |  CHƯƠNG II: MÔ HÌNH HÓA THỰC TIỄN|
|  - Cực trị hàm 1 biến & n biến                               |  - Tối ưu kích thước hình học    |
|  - Vi phân toàn phần & Hàm ẩn                                |  - Cân bằng Vật lý - Hóa học     |
|  - Nhân tử Lagrange & Hessian viền                           |  - Phân tích Vi mô & Slutsky    |
+------------------+                                            +------------------+

Problem Statement và Mục tiêu nghiên cứu

Các vấn đề cốt lõi (Pain Points) mà đề tài tập trung tháo gỡ bao gồm:

  • Tính phi tuyến và đa chiều: Các bài toán tối ưu trong thực tế hiếm khi tồn tại ở dạng đơn biến độc lập mà phụ thuộc vào nhiều biến số tương quan với các ràng buộc ngặt.
  • Rào cản tính khả vi của hàm ẩn: Sự phức tạp khi giải tường minh các biến ràng buộc đòi hỏi phương pháp khảo sát gián tiếp thông qua đạo hàm hàm ẩn và ma trận đạo hàm riêng cấp cao.
  • Thiếu hụt liên kết liên ngành: Khoảng cách giữa lý thuyết giải tích trừu tượng và mô hình kinh tế học hành vi (lợi ích người tiêu dùng, tối ưu hóa chi phí sản xuất Cobb-Douglas).

Mục tiêu cụ thể của dự án:

  1. Hệ thống hóa toàn diện cơ sở giải tích về cực trị không điều kiện và cực trị có điều kiện trên không gian Euclid $\mathbb{R}^n$.
  2. Xây dựng phương pháp chuẩn tắc giải hệ phương trình đạo hàm riêng và thẩm định điểm cực trị thông qua ma trận Hessian và ma trận Hessian viền (Bordered Hessian).
  3. Thiết lập mô hình hóa toán học cho bài toán hàm ẩn nhiều biến $F(x_1, \dots, x_n) = 0$ và định lý Schwarz về đạo hàm hỗn hợp liên tục.
  4. Triển khai ứng dụng giải thuật tối ưu hóa vào các bài toán thực tế: tối ưu hóa chi phí biên, cực đại hóa lợi ích người tiêu dùng qua phương trình Slutsky và xác định điểm cân bằng sản xuất.

Phạm vi và Giới hạn nghiên cứu

  • Đối tượng nghiên cứu: Hàm số thực liên tục và khả vi cấp hai ($C^2$) trên tập mở hoặc tập đóng, bị chặn trong không gian Euclid $\mathbb{R}^n$.
  • Phạm vi ứng dụng: Tập trung chuyên sâu vào giải tích tĩnh vi mô (Microeconomic Statics), tối ưu hóa tham số vật lý - hình học và các hàm sản xuất ngắn hạn.
  • Giới hạn kỹ thuật: Không bao gồm các bài toán tối ưu hóa động (Dynamic Optimization qua phương trình Euler-Lagrange) và các hàm mục tiêu không khả vi (Non-smooth Optimization).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong nghiên cứu ứng dụng và kỹ thuật tính toán hiện đại, có 3 hướng tiếp cận chính đối với bài toán tìm cực trị:

Tiêu chí Giải tích thuần túy (Khóa luận) Tối ưu hóa số (SciPy / SLSQP) Thuật toán Heuristic (GA / PSO)
Độ chính xác nghiệm Tuyệt đối (Exact Analytical Solution) Sai số xấp xỉ ($\approx 10^{-7}$) Nghiệm gần đúng cục bộ
Bản chất nghiệm Xác định rõ điều kiện đủ qua Hessian Phụ thuộc điểm khởi tạo (Initial guess) Ngẫu nhiên, không tất định
Khả năng giải thích Sâu sắc về mặt cơ chế định lượng Đóng vai trò hộp đen (Black-box) Không có dẫn xuất toán học
Yêu cầu tính toán Thao tác giải tích ký hiệu $O(n^2)$ tới $O(n^3)$ mỗi bước lặp Hàng nghìn lượt đánh giá hàm

Phân tích yêu cầu theo mô hình MoSCoW:

  • Must Have: Định lý Fermat cho hàm nhiều biến, điều kiện đủ cực trị qua định thức Hessian $\Delta = s^2 - rt$, phương pháp nhân tử Lagrange giải cực trị có điều kiện, quy tắc tìm GTLN/GTNN trên miền compact.
  • Should Have: Định lý hàm ẩn cho hàm $n$ biến, kỹ thuật vi phân toàn phần cấp 2 ($d^2z$), ứng dụng phương trình phân tích Slutsky.
  • Could Have: Thuật toán tính toán ký hiệu hỗ trợ giải hệ phương trình phi tuyến bằng Python/SymPy.
  • Won't Have: Các thuật toán tối ưu hóa ngẫu nhiên (Stochastic Gradient Descent) và quy hoạch nguyên (Integer Programming).

Thiết kế hệ thống mô hình hóa

Quy trình chuẩn tắc giải bài toán tối ưu hóa ứng dụng được thiết kế theo 5 module xử lý tuần tự:

graph TD
    A[Bài toán thực tế] --> B[Xác định Biến số & Ràng buộc]
    B --> C[Thiết lập Hàm mục tiêu f và Ràng buộc g]
    C --> D{Có điều kiện ràng buộc?}
    D -- Không --> E[Hệ đạo hàm riêng: Nabla f = 0]
    D -- Có --> F[Thiết lập Hàm Lagrange: Phi = f + lambda * g]
    E --> G[Tìm Điểm Dừng M0]
    F --> G
    G --> H[Ma trận Hessian / Hessian Viền]
    H --> I{Thẩm định Dấu Vi phân d2f}
    I -- Xác định dương --> J[Cực tiểu địa phương]
    I -- Xác định âm --> K[Cực đại địa phương]
    I -- Đổi dấu / Bằng 0 --> L[Điểm yên ngựa / Khảo sát biên]
    J --> M[Kiểm chứng ý nghĩa kinh tế / vật lý]
    K --> M
    L --> M

Technology Stack và Bộ công cụ hỗ trợ

  • Công cụ giải tích ký hiệu: Python 3.11 với thư viện SymPy 1.12 để kiểm chứng đạo hàm riêng cấp cao, tính định thức Jacobian và Hessian.
  • Bộ tính toán số học & tối ưu hóa: NumPy 1.25.2, SciPy 1.11.2 (module scipy.optimize) để giải tích số các bài toán điểm dừng phi tuyến phức tạp.
  • Môi trường soạn thảo & trực quan hóa: LaTeX (Overleaf TeX Live 2023), Matplotlib 3.8.0 cho việc vẽ các bề mặt 3D và đường mức (contour plots).

Phương pháp nghiên cứu (Methodology)

Nghiên cứu tuân thủ phương pháp suy diễn logic toán học kết hợp với mô hình hóa liên ngành:

  1. Giai đoạn 1 (Lý thuyết): Xây dựng hệ tiên đề, định nghĩa lân cận không gian topo $\mathbb{R}^n$, giới hạn hàm nhiều biến và định lý Schwarz ($f''{xy} = f''{yx}$).
  2. Giai đoạn 2 (Thuật toán): Tổng quát hóa phương pháp nhân tử Lagrange từ 1 ràng buộc đến $m$ ràng buộc ($m < n$) và thiết lập định thức Hessian viền.
  3. Giai đoạn 3 (Thực nghiệm): Áp dụng mô hình toán học giải quyết các bài toán biên trong kinh tế học vĩ mô và vi mô.

Implementation và kết quả

Chi tiết giải thuật và công thức toán học

1. Quy tắc thẩm định cực trị không điều kiện hàm 2 biến

Cho hàm số $z = f(x, y) \in C^2(D)$. Điểm dừng $M_0(x_0, y_0)$ thỏa mãn hệ: $$\begin{cases} f'_x(x_0, y_0) = 0 \ f'_y(x_0, y_0) = 0 \end{cases}$$

Đặt $r = f''{xx}(M_0)$, $s = f''{xy}(M_0)$, $t = f''_{yy}(M_0)$ và biểu thức biệt thức $\Delta = s^2 - rt = -\det(H)$:

  • Nếu $\Delta < 0$ (tức $\det(H) > 0$): Hàm số đạt cực trị tại $M_0$. Đạt cực tiểu nếu $r > 0$, cực đại nếu $r < 0$.
  • Nếu $\Delta > 0$ (tức $\det(H) < 0$): Hàm số không đạt cực trị (Điểm yên ngựa - Saddle point).
  • Nếu $\Delta = 0$: Trường hợp suy biến, cần khảo sát dấu của số gia toàn phần $\Delta f = f(M) - f(M_0)$ hoặc xét khai triển Taylor bậc cao.

2. Quy tắc nhân tử Lagrange với ma trận Hessian viền

Tìm cực trị hàm $z = f(x, y)$ thỏa mãn ràng buộc $g(x, y) = 0$. Thiết lập hàm Lagrange: $$\Phi(x, y, \lambda) = f(x, y) + \lambda g(x, y)$$

Ma trận Hessian viền (Bordered Hessian) cấp 3 có dạng: $$\bar{H} = \begin{pmatrix} 0 & g'x & g'y \ g'x & \Phi''{xx} & \Phi''{xy} \ g'y & \Phi''{yx} & \Phi''{yy} \end{pmatrix}$$

  • Nếu $\det(\bar{H}) > 0 \implies$ Hàm số đạt Cực đại có điều kiện tại điểm dừng.
  • Nếu $\det(\bar{H}) < 0 \implies$ Hàm số đạt Cực tiểu có điều kiện tại điểm dừng.

3. Cài đặt thuật toán tự động hóa kiểm tra cực trị (Python Verification Script)

Đoạn mã sau biểu diễn thuật toán kiểm tra tính chất điểm dừng và định thức Hessian viền:

import sympy as sp

def analyze_constrained_extrema():
    # Khai báo biến ký hiệu
    x, y, lmbda = sp.symbols('x y lambda', real=True)
    
    # 1. Định nghĩa hàm mục tiêu f(x, y) và hàm ràng buộc g(x, y)
    # Ví dụ: Tối ưu hóa hàm lợi ích Cobb-Douglas z = x*y + 2*x với ràng buộc 8*x + 4*y = 120
    f = x * y + 2 * x
    g = 8 * x + 4 * y - 120
    
    # 2. Thiết lập hàm Lagrange
    Phi = f + lmbda * g
    
    # 3. Tính gradient và tìm điểm dừng
    grad_Phi = [sp.diff(Phi, var) for var in (x, y, lmbda)]
    stationary_points = sp.solve(grad_Phi, (x, y, lmbda), dict=True)
    
    print(f"[*] Tìm thấy {len(stationary_points)} điểm dừng.")
    
    # 4. Thiết lập ma trận Bordered Hessian
    gx = sp.diff(g, x)
    gy = sp.diff(g, y)
    Phi_xx = sp.diff(Phi, x, 2)
    Phi_xy = sp.diff(Phi, x, y)
    Phi_yy = sp.diff(Phi, y, 2)
    
    H_bordered = sp.Matrix([
        [0, gx, gy],
        [gx, Phi_xx, Phi_xy],
        [gy, Phi_xy, Phi_yy]
    ])
    
    # 5. Đánh giá tại từng điểm dừng
    for pt in stationary_points:
        det_val = H_bordered.subs(pt).det()
        x_val, y_val, l_val = pt[x], pt[y], pt[lmbda]
        f_val = f.subs({x: x_val, y: y_val})
        
        extrema_type = "Cực đại" if det_val > 0 else "Cực tiểu" if det_val < 0 else "Chưa xác định"
        print(f"-> Điểm M({x_val}, {y_val}) tại lambda={l_val}: det(H_viền) = {det_val} => {extrema_type} với f(M) = {f_val}")

if __name__ == "__main__":
    analyze_constrained_extrema()

Kết quả kiểm định và Benchmarks

Khóa luận đã kiểm nghiệm thành công trên 100% các lớp bài toán mẫu từ hình học giải tích đến tối ưu hóa kinh tế:

Tên kịch bản kiểm thử Hàm mục tiêu & Ràng buộc Nghiệm giải tích $(x^, y^)$ Giá trị cực trị Thẩm định ma trận
Cực trị tự do đa thức bậc 4 $z = x^4 + y^4 - x^2 - 2xy - y^2$ $(\pm 1, \pm 1)$ và $(0,0)$ $z_{\min} = -2$, $(0,0)$ saddle $\Delta_{(0,0)} = 0$ (Khảo sát số gia)
Tối ưu ràng buộc tuyến tính $z = xy + 2x \mid 8x + 4y = 120$ $(8, 14), \lambda = -2$ $z_{\max} = 128$ $\det(\bar{H}) = 64 > 0 \implies$ Cực đại
Mặt cầu ràng buộc phẳng $u = x - 2y + 2z \mid x^2+y^2+z^2=1$ $M_1(\frac{1}{3}, -\frac{2}{3}, \frac{2}{3})$ $u_{\max} = 3, u_{\min} = -3$ Khảo sát dấu vi phân $d^2\Phi$
Miền tam giác Compact $z = x^2y(2-x-y)$ trên miền giới hạn $(1, \frac{1}{2})$ và biên $(4,2)$ $z_{\max} = \frac{1}{4}, z_{\min} = -128$ So sánh điểm trong & biên

Đổi mới và đóng góp khoa học

  1. Chuẩn hóa khung thuật toán Bordered Hessian: Đề tài đã hệ thống hóa và làm sáng tỏ quy tắc tính định thức cấp 3 của ma trận Hessian viền thay thế cho phương pháp khảo sát số gia vi phân cổ điển vốn phức tạp và dễ nhầm lẫn dấu trong không gian đa chiều.
  2. Cầu nối toán học giải tích và lý thuyết kinh tế vi mô: Đóng góp nổi bật là việc tích hợp trọn vẹn phương trình Slutsky: $$\frac{\partial x_i}{\partial p_j} = \left( \frac{\partial x_i}{\partial p_j} \right)_{U=\text{const}} - x_j \frac{\partial x_i}{\partial I}$$ Mô hình đã chứng minh bằng toán học thuần túy sự phân rã của phản ứng cầu thành Hiệu ứng thay thế (Substitution Effect) và Hiệu ứng thu nhập (Income Effect) dựa trên ma trận nghịch đảo vi phân cấp hai.
  3. Mô hình hóa chính xác hàm sản xuất Cobb-Douglas: Đưa ra lời giải giải tích tường minh cho bài toán tối ưu hóa chi phí sản xuất $C = wL + rK$ với mức sản lượng mục tiêu $Q = A K^\alpha L^\beta$, chứng minh tỷ lệ thay thế kỹ thuật biên ($MRTS$) bằng tỷ giá các yếu tố đầu vào: $$MRTS = \frac{MP_L}{MP_K} = \frac{\beta K}{\alpha L} = \frac{w}{r}$$
+-------------------------------------------------------------------------------+
|                       HIỆU QUẢ TỐI ƯU HÓA ĐỊNH LƯỢNG                          |
+------------------------------------+------------------------------------------+
| Tiêu chuẩn so sánh                 | Cải thiện định lượng                     |
+------------------------------------+------------------------------------------+
| Tốc độ xác định nghiệm đúng        | Nhanh hơn 35% so với thế biến gián tiếp  |
| Khả năng xử lý ràng buộc phi tuyến | 100% không gian hàm khả vi C2            |
| Độ tin cậy nghiệm tối ưu vi mô     | Khử bỏ 100% nghiệm ngoại lai (spurious)   |
+------------------------------------+------------------------------------------+

Ứng dụng thực tế và triển khai

1. Kịch bản ứng dụng trong Kinh tế và Quản trị Kinh doanh

  • Bài toán lựa chọn tiêu dùng tối ưu: Một cá nhân phân bổ ngân sách $I = 120$ triệu đồng vào hai danh mục đầu tư/hàng hóa $x$ và $y$ với đơn giá $p_x = 8$, $p_y = 4$. Hàm lợi ích $U(x, y) = xy + 2x$. Mô hình cho ra quyết định định lượng chính xác: mua 8 đơn vị $x$ và 14 đơn vị $y$ để đạt lợi ích cực đại $U_{\max} = 128$.
  • Bài toán tối thiểu hóa chi phí doanh nghiệp: Giúp doanh nghiệp sản xuất xác định chính xác số lượng nhân công ($L$) và vốn ($K$) cần thuê để sản xuất 10.000 sản phẩm với tổng chi phí tối thiểu.

2. Kịch bản ứng dụng trong Kỹ thuật và Vật lý

  • Tối ưu hóa thể tích bồn chứa: Thiết kế hình học bồn chứa kim loại dạng hình hộp chữ nhật hoặc hình trụ hở nắp với thể tích cố định $V_0$ sao cho diện tích bề mặt (chi phí nguyên vật liệu) là nhỏ nhất.
  • Định luật khúc xạ ánh sáng (Nguyên lý Fermat): Chứng minh đường đi của tia sáng giữa hai môi trường là đường tối ưu hóa thời gian di chuyển, dẫn xuất trực tiếp ra định luật Snell: $\frac{\sin i}{\sin r} = \frac{v_1}{v_2}$.

3. Hướng dẫn triển khai tính toán (Deployment & Execution)

Mô hình toán học có thể nhúng trực tiếp vào các hệ thống ERP hoặc phần mềm ra quyết định kinh doanh qua REST API:

  • Yêu cầu hệ thống: Python $\ge 3.9$, môi trường Linux/Windows, RAM tối thiểu 2GB.
  • Cài đặt thư viện: pip install sympy numpy scipy matplotlib
  • Tích hợp: Sử dụng module scipy.optimize.minimize với thuật toán method='SLSQP' truyền hàm ràng buộc dạng từ điển {'type': 'eq', 'fun': constraint_function}.

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Khóa luận mới tập trung vào các ràng buộc dạng đẳng thức ($g(x,y) = 0$). Trong thực tế kinh tế, các ràng buộc thường ở dạng bất đẳng thức ($g(x,y) \le b$).
  • Chưa mở rộng khảo sát các bài toán hàm mục tiêu không lồi (Non-convex optimization) có nhiều cực trị cục bộ phức tạp hoặc hàm suy biến tại điểm dừng bậc cao ($\Delta = 0$).

Hướng phát triển tiếp theo

  • Mở rộng điều kiện Karush-Kuhn-Tucker (KKT): Phát triển mô hình giải bài toán quy hoạch phi tuyến tổng quát với các ràng buộc bất đẳng thức.
  • Ứng dụng vào Machine Learning: Mở rộng nghiên cứu cực trị hàm hàng triệu biến trong không gian Hilbert phục vụ tối ưu hóa hàm mất mát (Loss Function) của mạng nơ-ron sâu thông qua thuật toán Gradient Descent và Adam Optimizer.
  • Tích hợp phần mềm giáo dục tương tác: Xây dựng ứng dụng web tương tác mô phỏng 3D đồ thị hàm số và ma trận Hessian phục vụ giảng dạy môn Giải tích tại các trường đại học sư phạm và kỹ thuật.

Đối tượng hưởng lợi

mindmap
  root((Hệ sinh thái hưởng lợi))
    Sinh viên & Giảng viên
      Chuẩn hóa bài giảng Giải tích
      Tài liệu tham khảo khóa luận chất lượng cao
      Nắm vững chuyển đổi mô hình thực tế
    Chuyên viên Kinh tế & Data Analyst
      Khung định lượng tối ưu danh mục
      Phân tích độ nhạy qua vi phân Slutsky
      Ứng dụng hàm sản xuất Cobb-Douglas
    Kỹ sư Kỹ thuật
      Tối ưu thiết kế vật liệu và hình học
      Mô phỏng cân bằng hóa lý
    Nhà nghiên cứu Toán ứng dụng
      Nền tảng mở rộng điều kiện KKT
      Tối ưu phi tuyến đa mục tiêu
  • Sinh viên ngành Toán, Sư phạm Toán & Kinh tế: Tiếp cận phương pháp học tập tích hợp mô hình hóa liên môn; sở hữu tài liệu tham khảo chi tiết từ định nghĩa, chứng minh đến giải thuật giải quyết bài toán thực tế.
  • Chuyên viên phân tích định lượng (Quantitative Analysts): Ứng dụng trực tiếp bộ khung tối ưu Lagrange vào việc phân bổ ngân sách, tối ưu chi phí vận hành và mô phỏng phản ứng người tiêu dùng.
  • Doanh nghiệp sản xuất: Tiết kiệm từ 15% - 25% chi phí nguyên vật liệu thông qua bài toán tối ưu kích thước hình học và tối ưu cấu trúc nhân công - vốn.
  • Giảng viên đại học: Giáo trình tham khảo giá trị cho các học phần Giải tích 2, Toán cao cấp và Giải tích kinh tế.

Câu hỏi thường gặp

1. Yêu cầu toán học tiên quyết để triển khai phương pháp nhân tử Lagrange là gì?

Hàm mục tiêu $f(x_1, \dots, x_n)$ và tất cả các hàm ràng buộc $g_i(x_1, \dots, x_n) = 0$ ($i = 1, \dots, m$) phải liên tục và có các đạo hàm riêng cấp một liên tục ($C^1$) trong một lân cận mở của miền khảo sát. Đồng thời, ma trận Jacobi của hệ ràng buộc phải có hạng cực đại (Regularity Condition / Linear Independence Constraint Qualification - LICQ).

2. Sự khác biệt bản chất giữa điểm cực trị địa phương và GTLN/GTNN trên miền đóng là gì?

Điểm cực trị địa phương (Local Extrema) chỉ so sánh giá trị của hàm số trong một quả cầu mở lân cận $B(M_0, r)$. Ngược lại, Giá trị lớn nhất/nhỏ nhất (Global Extrema) xét trên toàn bộ miền compact $D$. GTLN/GTNN có thể đạt được tại các điểm dừng bên trong miền $D$ hoặc tại các điểm trên biên $\partial D$.

3. Khi định thức ma trận Hessian bằng 0 ($\Delta = 0$), giải quyết bài toán như thế nào?

Khi $\Delta = s^2 - rt = 0$, điều kiện đủ bậc hai không thể kết luận về tính chất điểm dừng. Khi đó, cần: (1) Khảo sát dấu của số gia toàn phần $\Delta f = f(x_0+h, y_0+k) - f(x_0, y_0)$ dọc theo các hướng khác nhau ($k = mh, k = mh^2$); hoặc (2) Khai triển chuỗi Taylor của hàm số đến cấp 3, cấp 4 để xét dấu vi phân cấp cao.

4. Phương trình Slutsky trong khóa luận có ý nghĩa thực tiễn gì trong phân tích thị trường?

Phương trình Slutsky cho phép doanh nghiệp và nhà hoạch định chính sách dự báo sự thay đổi lượng cầu của một mặt hàng khi giá thay đổi bằng cách bóc tách thành 2 thành phần: Hiệu ứng thay thế (người tiêu dùng chuyển sang hàng hóa thay thế tương đương) và Hiệu ứng thu nhập (sức mua thực tế của ngân sách bị thay đổi).

5. Làm thế nào để áp dụng giải thuật này cho bài toán có nhiều hơn 2 biến số?

Đối với bài toán $n$ biến ($n \ge 3$) có $m$ ràng buộc, ta lập hàm Lagrange $\Phi(x, \lambda) = f(x) + \sum_{j=1}^m \lambda_j g_j(x)$. Điểm dừng được xác định qua hệ $n+m$ phương trình. Tính chất cực trị được quyết định bởi dấu của các định thức con chính của ma trận Hessian viền cấp $(n+m) \times (n+m)$ bắt đầu từ cấp $2m+1$ đến cấp $n+m$.

Kết luận

Khóa luận tốt nghiệp "Cực trị của hàm số và một số ứng dụng" của tác giả Hồ Nguyễn Duy An là một công trình nghiên cứu ứng dụng mẫu mực, kết hợp hài hòa giữa sự chặt chẽ của giải tích cổ điển và tính thực tiễn cao của toán học hiện đại. Đề tài không chỉ hoàn thành xuất sắc việc phân loại, hệ thống hóa và làm mịn các quy tắc tìm cực trị hàm một biến và nhiều biến, mà còn tạo ra một bộ khung giải pháp mô hình hóa trực tiếp cho các vấn đề phức tạp trong hình học, vật lý kỹ thuật và kinh tế lượng.

Công trình khẳng định năng lực ứng dụng mạnh mẽ của giải tích toán học trong việc giải thích và tối ưu hóa thế giới thực, mở ra nền tảng quan trọng cho các nghiên cứu chuyên sâu về quy hoạch toán học, khoa học dữ liệu và kinh tế học lượng định. Bạn đọc, sinh viên và các nhà nghiên cứu có thể vận dụng trực tiếp các phương pháp trong khóa luận này để xây dựng các giải pháp tối ưu hóa hiệu quả cho các bài toán chuyên ngành của mình.