I. Khám phá lý thuyết đối ngẫu bài toán tối ưu đa mục tiêu
Lý thuyết đối ngẫu là một trụ cột quan trọng trong lĩnh vực tối ưu hóa toán học. Đối với các bài toán tối ưu một mục tiêu, việc xây dựng bài toán đối ngẫu và thiết lập các định lý đối ngẫu mạnh, yếu đã trở thành công cụ cơ bản. Tuy nhiên, khi chuyển sang bài toán tối ưu đa mục tiêu, các thách thức trở nên phức tạp hơn đáng kể. Thay vì tìm kiếm một giá trị tối ưu duy nhất, mục tiêu là xác định một tập hợp các nghiệm hữu hiệu Pareto. Đây là những nghiệm mà không thể cải thiện một hàm mục tiêu nào mà không làm xấu đi ít nhất một hàm mục tiêu khác. Lý thuyết đối ngẫu cho bài toán tối ưu đa mục tiêu cung cấp một phương pháp luận mạnh mẽ để phân tích cấu trúc của bài toán gốc. Nó không chỉ giúp hiểu sâu hơn về các điều kiện tối ưu mà còn là nền tảng để xây dựng các thuật toán hiệu quả. Các nghiên cứu tiên phong, đặc biệt là của Bot–Wanka, đã hệ thống hóa và phát triển nhiều loại bài toán đối ngẫu khác nhau, từ đối ngẫu Lagrange, Wolfe, Weir-Mond cho đến các dạng phức tạp hơn. Việc nghiên cứu các bài toán này và mối quan hệ giữa chúng mở ra những cách tiếp cận mới để giải quyết các vấn đề ra quyết định phức tạp trong kỹ thuật, kinh tế và khoa học quản lý.
1.1. Định nghĩa bài toán tối ưu đa mục tiêu P và mục tiêu
Bài toán tối ưu đa mục tiêu gốc, ký hiệu là (P), được định nghĩa là việc tìm cách tối thiểu hóa đồng thời một véc-tơ hàm mục tiêu f(x) = (f1(x), ..., fm(x)) trên một tập hợp chấp nhận được A. Tập A được xác định bởi các ràng buộc nón, g(x) ≤_K 0, trong đó K là một nón lồi đóng. Mục tiêu không phải là tìm một điểm x duy nhất làm cho tất cả các hàm fi(x) đạt giá trị nhỏ nhất, vì điều này thường là bất khả thi do tính mâu thuẫn giữa các mục tiêu. Thay vào đó, mục tiêu là tìm tập hợp các nghiệm hữu hiệu Pareto. Một nghiệm x được gọi là hữu hiệu Pareto nếu không tồn tại một nghiệm x' nào khác trong A sao cho f(x') "tốt hơn" f(x) ở tất cả các mục tiêu và "tốt hơn hẳn" ở ít nhất một mục tiêu. Các nghiệm này tạo thành một "biên giới" gọi là tập Pareto tối ưu, cung cấp cho người ra quyết định một loạt các lựa chọn đánh đổi tốt nhất.
1.2. Vai trò cốt lõi của lý thuyết đối ngẫu trong tối ưu hóa
Lý thuyết đối ngẫu đóng vai trò kép: lý thuyết và ứng dụng. Về mặt lý thuyết, nó cung cấp một góc nhìn khác về bài toán gốc, giúp khám phá các tính chất cấu trúc và điều kiện cần/đủ cho một nghiệm tối ưu. Các định lý đối ngẫu yếu và mạnh thiết lập mối quan hệ giữa giá trị mục tiêu của bài toán gốc và bài toán đối ngẫu, tạo ra các chặn trên hoặc chặn dưới cho nghiệm. Về mặt ứng dụng, các bài toán đối ngẫu thường có cấu trúc toán học thuận lợi hơn, chẳng hạn như tính lồi hoặc tính khả vi, ngay cả khi bài toán gốc không có. Điều này cho phép phát triển các thuật toán số hiệu quả. Khoảng cách đối ngẫu (duality gap) giữa nghiệm của bài toán gốc và đối ngẫu cũng là một thước đo quan trọng để đánh giá chất lượng của một nghiệm tìm được. Trong bối cảnh đa mục tiêu, lý thuyết đối ngẫu giúp xác định và xấp xỉ toàn bộ tập Pareto hiệu quả.
II. Thách thức chính trong bài toán tối ưu đa mục tiêu phức tạp
Việc giải quyết bài toán tối ưu đa mục tiêu đối mặt với những thách thức vốn có, khác biệt hoàn toàn so với tối ưu hóa một mục tiêu. Thách thức cơ bản nhất là sự xung đột giữa các hàm mục tiêu. Việc cải thiện một mục tiêu thường dẫn đến sự suy giảm của một mục tiêu khác, đòi hỏi một sự đánh đổi. Do đó, khái niệm "nghiệm tối ưu" không còn đơn giản. Thay vào đó, ta làm việc với tập hợp các nghiệm hữu hiệu Pareto. Một thách thức khác đến từ cấu trúc của bài toán. Dữ liệu bài toán, bao gồm các hàm mục tiêu và hàm ràng buộc, có thể không lồi, không khả vi, hoặc có kích thước lớn. Đặc biệt, các ràng buộc nón (conic constraints) yêu cầu các công cụ từ giải tích lồi và giải tích hàm để xử lý. Để đảm bảo sự tồn tại của nghiệm và tính đúng đắn của các định lý đối ngẫu, các nhà nghiên cứu thường phải đưa ra các giả thiết chặt chẽ. Theo luận văn của Nguyễn Quang Phú, ba giả thiết quan trọng thường được sử dụng là tính lồi của các hàm (Af), (Ag) và điều kiện ràng buộc Slater (ACQ). Việc kiểm tra và thỏa mãn các điều kiện này trong thực tế không phải lúc nào cũng dễ dàng.
2.1. Khó khăn trong việc xác định một nghiệm tối ưu duy nhất
Trong tối ưu hóa đa mục tiêu, không tồn tại một "nghiệm tốt nhất" duy nhất theo nghĩa tuyệt đối. Bất kỳ nghiệm nào trên biên Pareto đều là "tối ưu" theo một nghĩa nào đó, vì không thể cải thiện nó thêm nữa mà không phải hy sinh một mục tiêu khác. Sự lựa chọn cuối cùng phụ thuộc vào sở thích của người ra quyết định. Điều này tạo ra hai thách thức lớn: 1) Làm thế nào để sinh ra hoặc xấp xỉ toàn bộ tập Pareto hiệu quả một cách hiệu quả? 2) Làm thế nào để hỗ trợ người ra quyết định lựa chọn một nghiệm phù hợp nhất từ tập hợp này? Các phương pháp đối ngẫu giúp giải quyết thách thức đầu tiên bằng cách cung cấp các cách tiếp cận khác nhau để mô tả và tìm kiếm tập hợp các nghiệm hiệu quả.
2.2. Các giả thiết quan trọng tính lồi Af Ag và ACQ
Để xây dựng một lý thuyết đối ngẫu chặt chẽ với các định lý mạnh, cần có các giả thiết nền tảng. Luận văn nghiên cứu nhấn mạnh ba giả thiết chính: (Af) yêu cầu các hàm mục tiêu fi phải là hàm chính thường và lồi; (Ag) yêu cầu hàm véc-tơ ràng buộc g phải lồi theo nón lồi đóng K; và (ACQ), một dạng của điều kiện Slater, đảm bảo tồn tại một điểm trong miền xác định làm cho ràng buộc trở nên chặt chẽ bên trong nón -K. Các giả thiết này, đặc biệt là tính lồi, đóng vai trò then chốt. Chúng đảm bảo rằng không có khoảng cách đối ngẫu (duality gap) giữa bài toán gốc và đối ngẫu sau khi vô hướng hóa. Khi các giả thiết này được thỏa mãn, các định lý đối ngẫu mạnh có thể được chứng minh, khẳng định rằng giá trị tối ưu của hai bài toán là bằng nhau và nghiệm có thể đạt được. Nếu thiếu các giả thiết này, ta thường chỉ có thể chứng minh được các định lý đối ngẫu yếu.
III. Phương pháp vô hướng hóa nền tảng của lý thuyết đối ngẫu
Một trong những phương pháp tiếp cận phổ biến và hiệu quả nhất để giải quyết bài toán tối ưu đa mục tiêu (P) là thông qua vô hướng hóa. Kỹ thuật này chuyển đổi bài toán đa mục tiêu phức tạp thành một họ các bài toán tối ưu một mục tiêu (vô hướng), mà chúng ta đã có nhiều công cụ mạnh để giải quyết. Ý tưởng cốt lõi là tổ hợp các hàm mục tiêu f1(x), ..., fm(x) thành một hàm mục tiêu duy nhất bằng cách sử dụng một véc-tơ trọng số λ = (λ1, ..., λm). Bài toán vô hướng thu được, ký hiệu là (Pλ), có dạng inf Σ λi*fi(x) trên cùng một tập chấp nhận được A. Một kết quả quan trọng trong lý thuyết tối ưu đa mục tiêu khẳng định rằng, dưới các điều kiện tính lồi nhất định, nghiệm của bài toán vô hướng (Pλ) với các trọng số λi > 0 sẽ là một nghiệm hữu hiệu Pareto của bài toán (P) gốc. Cách tiếp cận này không chỉ giúp tìm ra các nghiệm riêng lẻ mà còn có thể sinh ra toàn bộ tập Pareto bằng cách thay đổi véc-tơ trọng số λ. Quan trọng hơn, nó là cầu nối để áp dụng lý thuyết đối ngẫu kinh điển vào bối cảnh đa mục tiêu.
3.1. Xây dựng bài toán vô hướng Pλ từ bài toán gốc P
Bài toán vô hướng (Pλ) được xây dựng bằng cách lấy một tổ hợp tuyến tính có trọng số của các hàm mục tiêu gốc. Cụ thể, cho một véc-tơ trọng số λ thuộc nón dương ℝm+, bài toán (Pλ) được định nghĩa là tìm infimum của hàm Σ λi*fi(x) với x thuộc tập ràng buộc A. Việc lựa chọn λ phản ánh tầm quan trọng tương đối mà người ra quyết định gán cho mỗi mục tiêu. Ví dụ, nếu λ1 lớn hơn nhiều so với các λi khác, bài toán sẽ ưu tiên tối thiểu hóa f1(x). Bằng cách thay đổi λ trong không gian các trọng số, ta có thể khám phá các vùng khác nhau của biên Pareto. Đây là nền tảng của nhiều phương pháp sinh tập Pareto, chẳng hạn như phương pháp trọng số (weighted-sum method).
3.2. Áp dụng lý thuyết đối ngẫu cho bài toán vô hướng
Một khi đã có bài toán vô hướng (Pλ), ta có thể áp dụng các kỹ thuật đối ngẫu tiêu chuẩn như đối ngẫu Lagrange hoặc đối ngẫu Fenchel. Chẳng hạn, bài toán đối ngẫu Lagrange (DLλ) được xây dựng bằng cách đưa các hàm ràng buộc vào hàm mục tiêu thông qua nhân tử Lagrange. Theo luận văn, các bài toán đối ngẫu vô hướng như (DLλ), (DFλ), và (DFLλ) được thiết lập. Dưới các giả thiết (Af), (Ag) và (ACQ), định lý đối ngẫu mạnh được chứng minh. Định lý này khẳng định inf(Pλ) = max(DLλ) = max(DFλ) = max(DFLλ). Sự bằng nhau này là cực kỳ quan trọng, vì nó đảm bảo không có khoảng cách đối ngẫu và cho phép tìm nghiệm của bài toán gốc thông qua việc giải bài toán đối ngẫu, vốn có thể dễ dàng hơn về mặt tính toán. Các điều kiện tối ưu (ví dụ: điều kiện KKT) cũng được suy ra từ mối quan hệ này.
IV. Hướng dẫn 6 loại bài toán đối ngẫu đa mục tiêu Bot Wanka
Dựa trên nền tảng của các bài toán đối ngẫu vô hướng, các nhà nghiên cứu, đặc biệt là Bot–Wanka, đã xây dựng một hệ thống gồm sáu loại bài toán đối ngẫu đa mục tiêu cho bài toán (P). Các bài toán này không chỉ là sự mở rộng trực tiếp mà còn mang những sắc thái riêng, cung cấp các góc nhìn khác nhau về cấu trúc đối ngẫu. Luận văn của Nguyễn Quang Phú trình bày chi tiết sáu loại này: (D1), (Dα), (DFL), (DF), (DL), và (DP). Mỗi bài toán được định nghĩa bởi một hàm mục tiêu véc-tơ và một tập hợp các biến và ràng buộc đối ngẫu riêng. Chẳng hạn, (D1) và (Dα) là một họ các bài toán đối ngẫu có tham số, trong khi (DFL), (DF), (DL) được xây dựng dựa trên các dạng đối ngẫu Fenchel-Lagrange, Fenchel và Lagrange tương ứng. Bài toán (DP) là một dạng đối ngẫu kinh điển được Jahn giới thiệu. Việc nghiên cứu sáu loại đối ngẫu này cho phép một sự hiểu biết toàn diện về lý thuyết đối ngẫu trong không gian đa mục tiêu, đồng thời thiết lập các định lý đối ngẫu yếu và mạnh cho từng cặp (P) và bài toán đối ngẫu tương ứng, tạo cơ sở cho việc phân tích và giải quyết bài toán.
4.1. Đối ngẫu DFL DF và DL Cách tiếp cận Fenchel Lagrange
Ba loại đối ngẫu này là trung tâm của lý thuyết. Bài toán (DFL) (Fenchel-Lagrange type dual) kết hợp cả hàm liên hợp (Fenchel) và nhân tử Lagrange. Nó được coi là dạng đối ngẫu "đầy đủ" nhất. Bài toán (DF) (Fenchel type dual) chỉ sử dụng hàm liên hợp và hàm chỉ của tập ràng buộc, bỏ qua cấu trúc chi tiết của hàm ràng buộc g(x). Ngược lại, bài toán (DL) (Lagrange type dual) chỉ sử dụng nhân tử Lagrange và không tách biệt các hàm mục tiêu thông qua hàm liên hợp. Mỗi dạng có ưu và nhược điểm riêng trong việc phân tích lý thuyết và ứng dụng tính toán. Ví dụ, (DL) có thể dễ xây dựng hơn nhưng (DFL) thường cung cấp một chặn đối ngẫu chặt chẽ hơn.
4.2. Đối ngẫu D1 Dα và DP Các dạng đối ngẫu khác
Bài toán (D1) và (Dα) là một lớp các bài toán đối ngẫu được tham số hóa bởi một hàm α. Chúng cung cấp một khung làm việc linh hoạt có thể bao trùm nhiều dạng đối ngẫu khác nhau bằng cách chọn α phù hợp. Bài toán (DP) là một dạng đối ngẫu đơn giản hơn, được xây dựng trực tiếp từ bài toán vô hướng (Pλ). Mặc dù đơn giản, định lý đối ngẫu mạnh cho cặp (P)-(DP) vẫn đúng mà không cần đến giả thiết (ACQ), làm cho nó trở nên hấp dẫn trong một số trường hợp. Việc hiểu rõ định nghĩa và tính chất của từng loại đối ngẫu này là cần thiết để có thể lựa chọn phương pháp tiếp cận phù hợp nhất cho một bài toán cụ thể.
4.3. Các định lý đối ngẫu yếu và mạnh cho từng loại bài toán
Đối với mỗi cặp bài toán gốc (P) và một trong sáu bài toán đối ngẫu, các định lý đối ngẫu tương ứng được thiết lập. Định lý đối ngẫu yếu luôn đúng và khẳng định rằng không tồn tại một nghiệm chấp nhận được của bài toán gốc và một nghiệm của bài toán đối ngẫu mà nghiệm này "tốt hơn" nghiệm kia. Đây là một tính chất cơ bản đảm bảo tính nhất quán của mô hình. Định lý đối ngẫu mạnh, ngược lại, yêu cầu các giả thiết chặt chẽ hơn như (Af), (Ag) và (ACQ). Khi đúng, nó khẳng định rằng với mỗi nghiệm hữu hiệu chính thường của (P), tồn tại một nghiệm hữu hiệu của bài toán đối ngẫu sao cho giá trị của chúng bằng nhau. Kết quả này là nền tảng cho việc phát triển các thuật toán dừng khi khoảng cách đối ngẫu bằng không.
V. Phân tích mối quan hệ giữa sáu loại bài toán đối ngẫu
Một trong những đóng góp quan trọng của các nghiên cứu hiện đại về đối ngẫu bài toán tối ưu đa mục tiêu là việc làm sáng tỏ mối quan hệ giữa các loại bài toán đối ngẫu khác nhau. Thay vì xem xét chúng một cách độc lập, việc phân tích quan hệ bao hàm thức (inclusion relationship) giữa các tập ảnh của chúng (tức là tập hợp các giá trị mục tiêu có thể đạt được) mang lại một cái nhìn sâu sắc và thống nhất. Luận văn của Nguyễn Quang Phú, dựa trên công trình của Bot-Wanka, đã chứng minh một chuỗi các quan hệ bao hàm thức quan trọng. Trong trường hợp tổng quát, các tập ảnh này có thể khác nhau. Ví dụ, tập ảnh của (D1) là tập con thực sự của tập ảnh của (Dα), và tập ảnh của (Dα) lại là tập con thực sự của (DFL). Tuy nhiên, một kết quả đáng chú ý là khi các giả thiết (Af), (Ag) và (ACQ) được thỏa mãn, một số tập ảnh này trở nên bằng nhau. Cụ thể, DFL = DF = DL = DP. Điều này cho thấy dưới điều kiện lồi và chính quy, bốn loại đối ngẫu này là tương đương về mặt các giá trị mục tiêu mà chúng có thể tạo ra. Kết quả này không chỉ có ý nghĩa lý thuyết mà còn giúp đơn giản hóa việc lựa chọn mô hình đối ngẫu trong thực hành.
5.1. Quan hệ bao hàm thức giữa các tập ảnh D1 Dα và DFL
Nghiên cứu chỉ ra một hệ thống phân cấp rõ ràng: D1 ∩ ℝm ⊂ Dα ∩ ℝm ⊂ DFL. Điều này có nghĩa là mọi giá trị mục tiêu hữu hạn có thể đạt được bởi đối ngẫu (D1) cũng có thể đạt được bởi (Dα), và mọi giá trị của (Dα) cũng có thể đạt được bởi (DFL). Các bao hàm thức này là chặt, nghĩa là tồn tại các ví dụ mà DFL chứa những phần tử không thuộc Dα, và Dα chứa những phần tử không thuộc D1. Tuy nhiên, một kết quả quan trọng khác là mặc dù các tập ảnh này khác nhau, tập hợp các phần tử cực đại (maximal elements) của chúng lại bằng nhau: vmax D1 = vmax Dα = vmax DFL. Vì việc tìm nghiệm hữu hiệu Pareto của bài toán đối ngẫu tương đương với việc tìm các phần tử cực đại này, kết quả trên cho thấy cả ba loại đối ngẫu này đều dẫn đến cùng một tập nghiệm hiệu quả.
5.2. Điều kiện bằng nhau khi DFL DL DF DP
Sự tương đương giữa các mô hình đối ngẫu được thể hiện rõ nhất khi các giả thiết về tính lồi và điều kiện chính quy (ACQ) được áp dụng. Định lý trung tâm trong Chương 2 của luận văn khẳng định rằng nếu (Af), (Ag) và (ACQ) đúng, thì ta có DFL = DL = DF = DP. Điều này thống nhất bốn cách tiếp cận đối ngẫu khác nhau thành một. Nó cho thấy rằng, trong các bài toán có cấu trúc tốt, sự khác biệt giữa đối ngẫu Lagrange, Fenchel hay Fenchel-Lagrange sẽ biến mất về mặt kết quả đầu ra. Điều này mang lại sự linh hoạt cho nhà nghiên cứu: có thể chọn mô hình đối ngẫu nào thuận tiện nhất về mặt toán học để phân tích hoặc xây dựng thuật toán, vì chúng đều dẫn đến cùng một tập hợp giá trị đối ngẫu.
5.3. So sánh với các đối ngẫu kinh điển Nakayama và Wolfe
Ngoài sáu loại đối ngẫu trên, luận văn cũng so sánh chúng với các mô hình đối ngẫu kinh điển khác như đối ngẫu Nakayama và đối ngẫu Wolfe. Kết quả cho thấy, ngay cả khi các giả thiết (Af), (Ag) và (ACQ) đúng, các mối quan hệ vẫn là bao hàm thức chặt. Cụ thể, DL = DF = DP ⊂ DN (đối ngẫu Nakayama). Điều này cho thấy mô hình của Nakayama có thể tạo ra một tập giá trị đối ngẫu lớn hơn. Ngược lại, đối ngẫu Wolfe (DW) lại có tập ảnh là tập con của D1 ∩ ℝm. Hệ thống phân cấp này cung cấp một bản đồ toàn diện về các phương pháp đối ngẫu khác nhau, giúp các nhà nghiên cứu hiểu rõ điểm mạnh và giới hạn của từng phương pháp trong bối cảnh tối ưu đa mục tiêu.
VI. Kết luận và hướng phát triển lý thuyết đối ngẫu đa mục tiêu
Nghiên cứu về đối ngẫu của bài toán tối ưu đa mục tiêu đã đạt được những bước tiến đáng kể, đặc biệt trong việc hệ thống hóa và so sánh các loại bài toán đối ngẫu khác nhau. Luận văn của Nguyễn Quang Phú, dựa trên các công trình của Bot–Wanka, đã trình bày một cách toàn diện sáu loại bài toán đối ngẫu và thiết lập các định lý đối ngẫu yếu, mạnh cùng các mối quan hệ bao hàm thức giữa chúng. Các kết quả chính cho thấy rằng, dưới các giả thiết về tính lồi và điều kiện chính quy, nhiều mô hình đối ngẫu trở nên tương đương, cung cấp một nền tảng lý thuyết vững chắc và thống nhất. Những hiểu biết này không chỉ có giá trị học thuật sâu sắc mà còn có ý nghĩa thực tiễn to lớn. Chúng là cơ sở để phát triển các thuật toán số mới, hiệu quả hơn để giải quyết các bài toán ra quyết định phức tạp trong nhiều lĩnh vực. Việc phân tích đối ngẫu giúp xác định các điều kiện tối ưu, đánh giá chất lượng nghiệm và khai thác cấu trúc của bài toán. Trong tương lai, lý thuyết đối ngẫu đa mục tiêu hứa hẹn sẽ tiếp tục phát triển theo nhiều hướng mới, góp phần giải quyết những thách thức ngày càng phức tạp của thế giới thực.
6.1. Tóm tắt các kết quả chính về quan hệ giữa các đối ngẫu
Nghiên cứu đã chỉ ra một hệ thống phân cấp rõ ràng giữa các tập ảnh của các bài toán đối ngẫu. Khi các giả thiết (Af), (Ag) và (ACQ) đúng, ta có chuỗi quan hệ: DW ⊂ D1 ∩ ℝm ⊂ Dα ∩ ℝm ⊂ DFL = DL = DF = DP ⊂ DN. Mặc dù các tập ảnh có thể khác nhau, tập hợp các phần tử cực đại của D1, Dα, DFL, DF, DL, DP là bằng nhau. Điều này có nghĩa là các mô hình này, mặc dù có công thức khác nhau, đều xác định cùng một tập nghiệm hữu hiệu Pareto đối ngẫu. Sự thống nhất này là một kết quả lý thuyết mạnh mẽ, khẳng định sự vững chắc của các phương pháp đối ngẫu trong bối cảnh lồi.
6.2. Ý nghĩa thực tiễn trong việc xây dựng thuật toán tối ưu
Các kết quả về lý thuyết đối ngẫu có ứng dụng trực tiếp vào việc thiết kế thuật toán. Ví dụ, các phương pháp điểm trong (interior-point methods) hay các thuật toán dựa trên gradient có thể được áp dụng cho bài toán đối ngẫu nếu nó có cấu trúc thuận lợi hơn bài toán gốc. Khoảng cách đối ngẫu cung cấp một tiêu chí dừng tự nhiên và đáng tin cậy cho các thuật toán lặp: thuật toán có thể kết thúc khi khoảng cách này đủ nhỏ. Hơn nữa, việc hiểu rõ mối quan hệ giữa các đối ngẫu cho phép các nhà phát triển thuật toán lựa chọn mô hình đối ngẫu phù hợp nhất với cấu trúc bài toán cụ thể, nhằm tối ưu hóa hiệu suất tính toán và độ chính xác của kết quả.
6.3. Các hướng nghiên cứu mở và tiềm năng trong tương lai
Lĩnh vực đối ngẫu bài toán tối ưu đa mục tiêu vẫn còn nhiều hướng nghiên cứu mở. Một hướng quan trọng là mở rộng lý thuyết cho các lớp bài toán không lồi, vốn phổ biến hơn trong thực tế. Điều này đòi hỏi các công cụ toán học mới để xử lý "khoảng cách đối ngẫu" vốn có trong các bài toán không lồi. Một hướng khác là phát triển đối ngẫu cho các bài toán tối ưu véc-tơ trong không gian vô hạn chiều, hoặc các bài toán có sự không chắc chắn (tối ưu ngẫu nhiên, tối ưu bền vững). Ngoài ra, việc kết hợp các kỹ thuật học máy để xấp xỉ các hàm đối ngẫu phức tạp cũng là một lĩnh vực đầy hứa hẹn, có khả năng tạo ra các thuật toán giải quyết được những bài toán quy mô lớn mà các phương pháp truyền thống chưa thể xử lý.
