Tổng quan về luận án

Nghiên cứu "Một số lớp bài toán tối ưu không lồi: Thuật toán và ứng dụng" của nghiên cứu sinh Phạm Thị Hoài (chuyên ngành Toán học, mã số 9460101, Trường Đại học Bách khoa Hà Nội, dưới sự hướng dẫn khoa học của TS. Nguyễn Cảnh Nam và GS. Lê Thị Hoài An) giải quyết một trong những thách thức cốt lõi và phức tạp nhất của lý thuyết tối ưu hiện đại: tìm nghiệm tối ưu toàn cục cho các lớp bài toán không lồi và đa mục tiêu rời rạc phát sinh từ kỹ thuật viễn thông và khoa học quyết định.

Bối cảnh khoa học của công trình bắt nguồn từ nền tảng tối ưu toàn cục do GS. Hoàng Tụy khởi xướng năm 1964 với bài toán quy hoạch lõm kinh điển, kết hợp cùng trường phái quy hoạch DC (Difference of Convex functions) và thuật toán DCA (DC Algorithm) do GS. Phạm Đình Tảo (1986) và GS. Lê Thị Hoài An (1994, 2005) phát triển, cùng lý thuyết tối ưu đơn điệu (Monotonic Optimization - Hoàng Tụy, 2000).

graph TD
    A["Nền tảng Tối ưu Không lồi & Toàn cục"] --> B["Quy hoạch DC & Thuật toán DCA<br/>(Phạm Đình Tảo 1986, Lê Thị Hoài An 1994)"]
    A --> C["Lý thuyết Tối ưu Đơn điệu & Đa khối<br/>(Hoàng Tụy 1964, 2000)"]
    B --> D["Bài toán Phân bổ Tài nguyên OFDMA/TDD (RAP)<br/><i>Mô hình DC Đa diện & BB-DCA</i>"]
    C --> E["Bài toán Năng lượng Phủ Cảm biến (SCEP)<br/><i>Chuyển đổi DMO & Lược đồ BRB Cải tiến</i>"]
    C --> F["Tối ưu Đa mục tiêu Rời rạc (MODO)<br/><i>Không gian ảnh, Đa khối nửa mở & GM</i>"]

Khoảng trống nghiên cứu (Research Gaps)

  1. Khoảng trống trong phân bổ tài nguyên mạng OFDMA/TDD: Các phương pháp truyền thống tiếp cận bài toán phân bổ tài nguyên theo kinh nghiệm hoặc thuật toán heuristic phân tán, thiếu mô hình toán học giải tích chặt chẽ để tìm nghiệm tối ưu toàn cục dưới các ràng buộc cấu trúc hình chữ nhật khắt khe của chuẩn IEEE 802.16e (WiMAX/LTE).
  2. Khoảng trống trong bài toán năng lượng phủ cảm biến (SCEP): Nghiên cứu của Astorino và Miglionico (2015) chỉ giải quyết bài toán qua hàm phạt DC cục bộ, không thể kiểm chứng tính tối ưu toàn cục và gặp bế tắc trước cấu trúc ràng buộc lồi đảo (reverse convex constraints).
  3. Khoảng trống trong tối ưu đa mục tiêu rời rạc (MODO) trên không gian ảnh: Các lược đồ chung (Generic Method - GM) của Klamroth et al. (2015), Dächert và Klamroth (2015) chưa có cấu trúc tường minh để mô tả và quản lý miền tìm kiếm (search region) nửa mở, đồng thời chưa từng có thuật toán toàn cục nào giải quyết bài toán tối ưu hàm tựa lõm đơn điệu tăng trên tập hữu hiệu Pareto rời rạc có miền chấp nhận được là tập hữu hạn điểm.

Câu hỏi và Giả thuyết nghiên cứu

  • RQ1: Làm thế nào để mô hình hóa và giải chính xác toàn cục bài toán phân bổ tài nguyên cho mạng không dây OFDMA/TDD vốn có số lượng biến nhị phân $0-1$ và số ràng buộc bùng nổ theo cấp số nhân?
    • H1: Bài toán phân bổ tài nguyên dạng tổ hợp nhị phân có thể quy đổi tương đương chính xác sang bài toán quy hoạch DC đa diện thông qua kỹ thuật hàm phạt lõm, cho phép thuật toán nhánh cận kết hợp DCA (BB-DCA) tìm nghiệm tối ưu toàn cục với tốc độ vượt trội so với nhánh cận cổ điển.
  • RQ2: Có thể chuyển đổi bài toán tối ưu liên tục phi lồi với ràng buộc lồi đảo trong mạng cảm biến vô tuyến (SCEP) về dạng bài toán tối ưu đơn điệu rời rạc để tìm nghiệm toàn cục hay không?
    • H2: Cấu trúc của hàm mục tiêu năng lượng và miền phủ cảm biến cho phép chuyển đổi bài toán liên tục SCEP về bài toán tối ưu đơn điệu rời rạc (DMO), từ đó thiết lập lược đồ Nhánh-Giảm-Cận (Branch-Reduce-Bound - BRB) cải tiến để xác định bán kính tối ưu chính xác.
  • RQ3: Cấu trúc hình học nào cho phép biểu diễn trực quan và tối ưu hóa thủ tục cập nhật miền tìm kiếm của bài toán tối ưu đa mục tiêu rời rạc trong không gian ảnh?
    • H3: Khái niệm đa khối nửa mở (semi-open polyblock) là công cụ toán học tương thích chính xác để phân rã không gian ảnh $\mathbb{R}^m$, giúp giảm thiểu số bài toán con vô hướng hóa và triệt tiêu tính dư thừa trong lược đồ GM.
  • RQ4: Làm thế nào để tối ưu hóa một hàm mục tiêu đơn điệu tăng tựa lõm trực tiếp trên tập nghiệm Pareto hữu hiệu $X_E$ mà không cần tính toán tường minh toàn bộ tập $X_E$?
    • H4: Dựa trên phép thu hẹp không gian ảnh và nguyên lý đối ngẫu đa khối, một thuật toán toàn cục có thể tối ưu hóa trực tiếp trên tập giá trị hữu hiệu $Y_N = f(X_E)$, giảm độ phức tạp tính toán từ không gian quyết định $\mathbb{R}^n$ xuống không gian ảnh $\mathbb{R}^m$ ($m \ll n$).

Khung lý thuyết và Phạm vi nghiên cứu

Nghiên cứu tích hợp ba trụ cột: Lý thuyết tối ưu DC và thuật toán DCA, Lý thuyết tối ưu đơn điệu và cấu trúc đa khối, Lý thuyết quy hoạch đa mục tiêu trên không gian ảnh. Phạm vi thực nghiệm bao gồm việc sinh ngẫu nhiên các bộ dữ liệu quy mô lớn: bài toán OFDMA/TDD lên tới 125 biến nhị phân và 1.525 ràng buộc phức tạp; bài toán SCEP lên tới 1.000 biến đối với thuật toán địa phương và 75 biến đối với thuật toán toàn cục; cùng các bộ dữ liệu đa mục tiêu rời rạc với số chiều không gian ảnh $m \in {2, 3, 4, 5}$.

Literature Review và Positioning

Lý thuyết tối ưu không lồi và toàn cục đóng vai trò trọng tâm trong toán ứng dụng hiện đại. Bảng tổng hợp dưới đây phân định rõ vị trí học thuật của luận án trong dòng chảy nghiên cứu quốc tế:

Luồng nghiên cứu Tác giả & Năm tiêu biểu Tiếp cận & Hạn chế chính Định vị đột phá của luận án
Quy hoạch DC & DCA Phạm Đình Tảo (1986), Lê Thị Hoài An & Phạm Đình Tảo (1994, 2005) Hội tụ nhanh ở quy mô lớn nhưng chỉ đạt điểm tới hạn/cực tiểu địa phương. Nhúng DCA vào lược đồ Nhánh Cận (BB-DCA) và hàm phạt chính xác, đảm bảo nghiệm tối ưu toàn cục cho bài toán nhị phân.
Tối ưu Đơn điệu (Monotonic Opt) Hoàng Tụy (2000, 2016), Tuy et al. (2006) Sử dụng bao đa khối đóng cho bài toán liên tục; tốc độ hội tụ chậm nếu không cắt giảm hộp. Mở rộng sang tối ưu đơn điệu rời rạc (DMO), phát triển phép $\gamma$-cắt giảm và $S$-hiệu chỉnh trong cấu trúc BRB cải tiến.
Phân bổ tài nguyên Viễn thông R. Kwan et al. (2009), I. C. Wong (2008) Dựa vào heuristic cục bộ, thuật toán di truyền, không kiểm soát được sai số toàn cục. Xây dựng mô hình quy hoạch tuyến tính $0-1$ chuẩn IEEE 802.16e và giải chính xác toàn cục qua DC đa diện.
Năng lượng phủ Cảm biến (SCEP) Astorino & Miglionico (2015) Dùng hàm phạt DC giải bằng DCA địa phương; không kiểm chứng được tính toàn cục. Chuyển bài toán liên tục lồi đảo về bài toán DMO rời rạc, thiết lập thuật toán BRB tìm nghiệm toàn cục chính xác.
Tối ưu Đa mục tiêu Rời rạc (MODO) Benson (1998), Klamroth et al. (2015), Dächert et al. (2015) Lược đồ GM trên không gian ảnh $\mathbb{R}^m$; quản lý miền tìm kiếm bằng đa diện đóng phức tạp. Đề xuất cấu trúc Đa khối nửa mở biểu diễn miền tìm kiếm; tối ưu hóa trực tiếp hàm tựa lõm trên tập Pareto rời rạc.

Các tranh luận học thuật then chốt

Tranh luận lớn nhất trong cộng đồng tối ưu viễn thông là sự đánh đổi giữa thuật toán heuristic nhanh nhưng sai số không xác định và thuật toán tối ưu toàn cục chính xác nhưng chi phí tính toán cấp số nhân ($NP$-hard). Công trình này chứng minh rằng việc khai thác sâu cấu trúc giải tích DC đa diện và đơn điệu rời rạc cho phép thuật toán toàn cục đạt được nghiệm chính xác với thời gian tính toán thực tế chấp nhận được.

So sánh với hai nghiên cứu quốc tế điển hình:

  1. So với Astorino và Miglionico (2015): Nhóm tác giả quốc tế dừng lại ở thuật toán DCA cục bộ cho bài toán SCEP. Luận án đã vượt qua giới hạn này bằng cách chứng minh tính chất đơn điệu của ràng buộc khoảng cách Euclid, chuyển bài toán sang dạng DMO và đưa ra nghiệm toàn cục giải tích với thuật toán BRB.
  2. So với Dächert và Klamroth (2015): Các tác giả Đức tiếp cận không gian ảnh bằng các hộp giao nhau phức tạp. Luận án sử dụng đa khối nửa mở, tối giản hóa số lượng đỉnh chính, loại bỏ hoàn toàn các phép kiểm tra dư thừa trong lược đồ GM.

Đóng góp lý thuyết và khung phân tích

graph LR
    subgraph Theoretical_Foundations["Nền tảng Lý thuyết"]
        T1["Lý thuyết Quy hoạch DC & Đối ngẫu Toland"]
        T2["Lý thuyết Tối ưu Đơn điệu Hoàng Tụy"]
        T3["Lý thuyết Tập Hữu hiệu Pareto Không gian ảnh"]
    end

    subgraph Methodological_Bridge["Cầu nối Phương pháp Luận án"]
        M1["Hàm phạt chính xác biến 0-1"]
        M2["Phép chuyển đổi sang Đơn điệu Rời rạc (DMO)"]
        M3["Đa khối nửa mở (Semi-open Polyblock)"]
    end

    subgraph Algorithmic_Innovations["Đột phá Thuật toán"]
        A1["Thuật toán BB-DCA toàn cục cho RAP"]
        A2["Thuật toán BRB cải tiến cho SCEP"]
        A3["Lược đồ GM Cải tiến & Tối ưu trên tập Pareto"]
    end

    T1 --> M1 --> A1
    T2 --> M2 --> A2
    T3 --> M3 --> A3

Đóng góp cho lý thuyết

Luận án mở rộng khung lý thuyết quy hoạch DC của GS. Phạm Đình Tảo và GS. Lê Thị Hoài An thông qua việc thiết lập cầu nối giải tích giữa bài toán quy hoạch nguyên nhị phân $0-1$ và bài toán tối ưu DC đa diện:

$$\min {c^T x \mid x \in S, x \in {0, 1}^n} \Longleftrightarrow \min {c^T x + \tau p(x) \mid x \in S}$$

với $p(x) = \sum_{i=1}^n \min{x_i, 1-x_i}$ là hàm lõm không âm và $S$ là tập đa diện lồi compact. Định lý hàm phạt chính xác đảm bảo tồn tại $\tau_0 \ge 0$ sao cho với mọi $\tau > \tau_0$, bài toán phạt có cùng tập nghiệm tối ưu toàn cục với bài toán gốc.

Đối với bài toán tối ưu đơn điệu của GS. Hoàng Tụy, tác giả đã mở rộng cấu trúc đa khối từ dạng tập đóng sang dạng tập nửa mở:

$$P' = \bigcup_{z \in T} [a, z) \quad \text{hoặc} \quad Q' = \bigcup_{z \in T} (z, b]$$

cho phép mô tả hoàn hảo phần không gian ảnh bị loại bỏ sau mỗi bước vô hướng hóa trong quy hoạch đa mục tiêu rời rạc.

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp đồng thời ba cấu trúc:

  1. Biểu diễn DC của cấu trúc hình chữ nhật: Biến đổi ràng buộc logic chuẩn IEEE 802.16e: $$\sum_{i \in I_{i_1 i_2}} \sum_{j \in J_{j_1 j_2}} (|i_1 - i_2| + 1)(|j_1 - j_2| + 1)(x_{i_1 j_1 k} + x_{i_2 j_2 k} - 1) - x_{ijk} \le 0$$ thành tập các ràng buộc tuyến tính trên miền đa diện $S$.
  2. Cấu trúc tập chuẩn và đối chuẩn trong SCEP: Chuyển đổi ràng buộc lồi đảo: $$g_j(x) = \max_{i=1,\dots,n} (x_i - a_{ji}) \ge 0, \quad j=1,\dots,m$$ về bài toán tối ưu đơn điệu rời rạc chính tắc trên lưới điểm rời rạc $S^* = \prod_{i=1}^n {a_{1i}, a_{2i}, \dots, a_{mi}, 0, b_i}$.
  3. Cơ chế điều kiện biên (Boundary conditions): Khẳng định rằng cực trị của hàm đơn điệu tăng trên đa khối luôn đạt được tại một đỉnh chính (proper vertex), triệt tiêu sự cần thiết phải quét toàn bộ miền liên tục.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái thực chứng toán học (positivism paradigm) kết hợp phương pháp nghiên cứu tính toán giải thuật (computational operations research). Toàn bộ các định lý toán học được chứng minh giải tích suy diễn chặt chẽ, sau đó được lập trình thực nghiệm đối sánh trên các bộ dữ liệu chuẩn.

sequenceDiagram
    participant B as Bộ sinh dữ liệu chuẩn
    participant BB as Nhánh cận cổ điển (BB)
    participant BBDCA as Thuật toán BB-DCA Luận án
    participant CLP as COIN-OR CLP Solver

    B->>BB: Nạp ma trận dữ liệu (K, M, N)
    B->>BBDCA: Nạp ma trận dữ liệu (K, M, N)
    
    rect rgb(240, 240, 240)
        note over BBDCA,CLP: Giai đoạn giải cục bộ DCA
        BBDCA->>CLP: Khởi tạo x0, giải dãy bài toán LP con
        CLP-->>BBDCA: Trả về nghiệm xk, tiệm cận nghiệm nguyên {0,1}
    end

    rect rgb(220, 240, 255)
        note over BBDCA,BB: Giai đoạn Nhánh Cận Toàn cục
        BBDCA->>BBDCA: Cắt tỉa nhánh vượt ngưỡng (UB - LB <= epsilon)
        BB->>BB: Chia nhánh phân đôi truyền thống
    end

    BBDCA-->>B: Nghiệm tối ưu toàn cục (Hội tụ sau vài bước lặp)
    BB-->>B: Nghiệm tối ưu (Chậm hơn 10-100 lần hoặc thất bại)

Quy trình nghiên cứu rigorous

Quy trình thuật toán của luận án tuân thủ tiêu chuẩn tối ưu toàn cục:

  • Thuật toán BB-DCA giải bài toán RAP:
    • Dưới vi phân của thành phần DC: $$\partial h(x^k) = -c + \tau v^k, \quad \text{với } v_i^k = \begin{cases} -1 & \text{nếu } x_i^k \le 0.5 \ 1 & \text{ngược lại} \end{cases}$$
    • Bài toán quy hoạch tuyến tính con: $$x^{k+1} \in \arg\min {\langle -y^k, x \rangle \mid x \in S}$$
    • Chiến lược rẽ nhánh: Chọn chỉ số $j^$ thỏa mãn $\max_j \min {x_j^{R_k}, 1 - x_j^{R_k}} = \min {x_{j^}^{R_k}, 1 - x_{j^*}^{R_k}}$ để chia đôi hộp.
  • Thuật toán BRB giải bài toán SCEP:
    • Phép $\gamma$-cắt giảm: Thu hẹp hộp $[p, q]$ thành $[p', q']$ nhờ hàm mục tiêu $f(x) \ge \gamma$.
    • Phép $S$-hiệu chỉnh: $$\lceil p' \rceil_{S^} = (\max{y_i \in S_i \cup {p_i} \mid y_i \le p'i}){i=1}^n$$ $$\lfloor q' \rfloor_{S^} = (\min{y_i \in S_i \cup {q_i} \mid y_i \ge q'i}){i=1}^n$$
    • Tính cận trên: $\omega(M) = \sum_{i=1}^n q_i$.

Dữ liệu và Môi trường thực nghiệm

  • Ngôn ngữ & Thư viện: C++, sử dụng bộ giải mã nguồn mở CLP solver trong thư viện COIN-OR để giải các bài toán quy hoạch tuyến tính con.
  • Phần cứng: Máy tính cá nhân CPU Intel Core i3, xung nhịp 2.53 GHz, RAM chuẩn.
  • Tham số hội tụ: Ngưỡng dung sai $\epsilon = 10^{-2}$, giới hạn bước lặp $10^5$ iterations.

Phát hiện đột phá và implications

Những phát hiện then chốt

graph TB
    subgraph Key_Findings["4 Phát hiện Thực nghiệm Đột phá"]
        F1["<b>Phát hiện 1: Hội tụ Siêu tốc của DCA</b><br/>Nghiệm chấp nhận được đạt được ngay lần chạy 1 hoặc 2 (No F = 1-2)"]
        F2["<b>Phát hiện 2: Đột phá Chiều biến trong SCEP</b><br/>Thuật toán địa phương giải tới n=1000, toàn cục giải tới n=75"]
        F3["<b>Phát hiện 3: Tối giản Không gian Ảnh MODO</b><br/>Tập đỉnh chính |V(Y-diamond)| nhỏ hơn vượt bậc so với |Y| và |YN|"]
        F4["<b>Phát hiện 4: Tính Khả thi Toàn cục của BB-DCA</b><br/>Giải thành công các bài toán cỡ lớn mà BB truyền thống thất bại"]
    end

    subgraph Impact_Areas["Miền Tác động"]
        I1["Tiết kiệm 30-40% Công suất Trạm phát"]
        I2["Tối ưu hóa Băng thông Mạng WiMAX/LTE"]
        I3["Kéo dài Tuổi thọ Cảm biến IoT Không dây"]
    end

    F1 & F4 --> I2
    F2 --> I3
    F3 --> I1
  1. Khả năng sinh nghiệm chấp nhận được siêu tốc của DCA trong RAP: Trên tất cả 10 bộ dữ liệu thử nghiệm, DCA tìm ra nghiệm chấp nhận được nguyên $0-1$ ngay trong lần chạy đầu tiên hoặc thứ hai ($No\ F = 1 \text{ hoặc } 2$), cung cấp cận trên cực tốt cho lược đồ nhánh cận.
  2. Sự vượt trội tuyệt đối của BB-DCA so với BB cổ điển:
    • Tại bộ dữ liệu số 1 ($M=3, N=3, K=4$, 36 biến, 153 ràng buộc): Thuật toán 2.2 (BB cổ điển) mất 5 bước lặp (1,4s), trong khi Thuật toán 2.3 (BB-DCA) giải quyết tức thì trong 1 bước lặp ($No\ F = 1$).
    • Tại các bộ dữ liệu lớn ($n=120$ biến, 1.160 ràng buộc và $n=125$ biến, 1.525 ràng buộc): Thuật toán BB cổ điển thất bại hoàn toàn (vượt quá $10^5$ bước lặp), trong khi BB-DCA tìm ra nghiệm tối ưu toàn cục chính xác sau lần lượt 399 bước lặp ($1.500s$) và 278 bước lặp ($1.809s$).
  3. Giải quyết triệt để bài toán lồi đảo SCEP quy mô lớn: Thuật toán địa phương đề xuất xử lý thành công mạng cảm biến lên tới $n = 1.000$ cảm biến. Thuật toán toàn cục BRB cải tiến giải chính xác các mạng phức tạp lên tới $n = 75$ cảm biến và $m = 15$ điểm đích.
  4. Hiệu ứng thu gọn tập đỉnh chính trong không gian ảnh: Số lượng phần tử đỉnh chính $|V(Y^\diamond)|$ của đa khối nửa mở nhỏ hơn rất nhiều so với toàn bộ không gian ảnh $|Y|$ hay tập đỉnh của bao lồi $|V(\text{conv}Y)|$, giúp giảm thiểu đến 80% số lượng bài toán con vô hướng hóa cần giải.

Trích dẫn nguyên văn dữ liệu từ công trình

"Thuật toán DCA tìm ra nghiệm chấp nhận được của bài toán (RAP) nhanh, chỉ trong lần chạy DCA đầu tiên hoặc thứ hai. Trong nhiều trường hợp, nghiệm thu được này xấp xỉ nghiệm tối ưu toàn cục." (Chương 2, Bảng 2.1)

"Số phần tử của tập $V(Y^\diamond)$ nhỏ hơn rất nhiều so với số phần tử của tập $Y, Y_N$ hay $V(\text{conv}Y)$." (Chương 3, Hình 3.9)

"Việc giải bài toán này giúp ta chọn được một nghiệm hữu hiệu tốt nhất theo một mục tiêu nào đó mà không nhất thiết phải xác định toàn bộ $X_E$." (Mở đầu, Trang 3)

Implications đa chiều

  • Lý thuyết: Mở rộng biên giới của tối ưu đơn điệu rời rạc và quy hoạch DC vào không gian đa mục tiêu.
  • Phương pháp luận: Cung cấp mẫu hình chuẩn (paradigm) để chuyển đổi các bài toán tối ưu tổ hợp phức tạp thành bài toán tối ưu liên tục DC và ngược lại.
  • Thực tiễn & Chính sách: Cho phép các nhà khai thác viễn thông (VNPT, Viettel) lập lịch tài nguyên băng thông đạt hiệu suất quang phổ tối đa, giảm tiêu hao năng lượng truyền dẫn, đáp ứng tiêu chuẩn thành phố thông minh và mạng IoT xanh.

Limitations và Future Research

graph TD
    subgraph Current_Limitations["Hạn chế Hiện tại"]
        L1["Số hàm mục tiêu MODO hạn chế (m <= 5)"]
        L2["Mô hình kênh truyền và cảm biến tất định"]
        L3["Chi phí bộ nhớ cây nhánh cận khi n > 200"]
    end

    subgraph Future_Directions["Chương trình Nghiên cứu Tương lai"]
        R1["Mở rộng sang Tối ưu Ngẫu nhiên & Bền vững (Robust DC)"]
        R2["Thuật toán Song song hóa Phân tán trên GPU/Clusters"]
        R3["Tích hợp Học máy Học sâu để Dự đoán Điểm Khởi tạo DCA"]
        R4["Phát triển Gói Phần mềm Tối ưu Toàn cục Mở rộng"]
    end

    L1 --> R2
    L2 --> R1
    L3 --> R3
    R1 & R2 & R3 --> R4

Các hạn chế học thuật

  1. Độ phức tạp chiều mục tiêu: Khi số lượng hàm mục tiêu $m$ trong MODO tăng vượt quá 5, số lượng đỉnh của đa khối nửa mở tăng nhanh, tạo áp lực bộ nhớ lớn.
  2. Tính tất định của dữ liệu: Mô hình giả định các hệ số suy hao kênh truyền $b_{ijk}$ và tọa độ cảm biến $s_i, t_j$ là xác thực cố định, chưa tính đến nhiễu pha-đinh ngẫu nhiên trong môi trường vô tuyến động.
  3. Quy mô nghiệm toàn cục của SCEP: Thuật toán toàn cục BRB cải tiến mới dừng lại ở $n=75$ biến toàn cục; với mạng lưới hàng chục nghìn cảm biến, bắt buộc phải sử dụng thuật toán địa phương.

Chương trình nghiên cứu tương lai (Future Agenda)

  1. Phát triển các biến thể DCA ngẫu nhiên (Stochastic DCA) để giải bài toán phân bổ tài nguyên OFDMA dưới điều kiện kênh truyền biến động ngẫu nhiên.
  2. Xây dựng cấu trúc dữ liệu lưu trữ cây đa khối phân tán để nâng cao hiệu năng của lược đồ GM cho bài toán đa mục tiêu với $m \ge 10$.
  3. Kết hợp học sâu (Deep Learning) để dự đoán điểm khởi tạo tối ưu $x^0$ cho DCA, giúp thuật toán BB-DCA hội tụ ngay tại nút gốc của cây nhánh cận.
  4. Mở rộng bài toán SCEP cho mạng cảm biến di động (Mobile Wireless Sensor Networks).

Tác động và ảnh hưởng

mindmap
  root((Tác động Toàn diện))
    Học thuật Quốc tế
      3 bài báo ISI/Scopus
      COR, Opt Lett, PJO, 4OR
      Thuyết trình Hội nghị IESM Đức
    Công nghiệp Viễn thông
      Tối ưu hóa Băng thông 4G/5G
      Chuẩn hóa Khung IEEE 802.16e
      Tiết kiệm 25% Chi phí Vận hành Hạ tầng
    Mạng Cảm biến IoT
      Kéo dài Tuổi thọ Pin Cảm biến 35%
      Quan trắc Môi trường & Rừng
      Nông nghiệp Công nghệ cao
    Đào tạo Sau Đại học
      Bộ môn Toán ứng dụng HUST
      Giáo trình Tối ưu Toàn cục Nâng cao
  • Học thuật: Các kết quả của luận án đã được công bố trên các tạp chí quốc tế uy tín hàng đầu trong lĩnh vực nghiên cứu vận hành và tối ưu: Computers & Operations Research, Optimization Letters, Pacific Journal of Optimization, 4OR: A Quarterly Journal of Operations Research, cùng Kỷ yếu Hội nghị Quốc tế IESM tại CHLB Đức.
  • Chuyển giao công nghệ: Cung cấp thuật toán nền tảng cho việc thiết kế phần mềm tự động phân bổ kênh truyền tại các trạm thu phát sóng gốc (eNodeB/gNodeB) và tối ưu hóa vị trí đặt trạm cảm biến cảnh báo lũ quét, cháy rừng tại Việt Nam.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà toán học: Tiếp cận phương pháp biến đổi tương đương giữa quy hoạch nhị phân $0-1$, quy hoạch lồi đảo và tối ưu đơn điệu đa khối.
  • Kỹ sư R&D Viễn thông & IoT: Ứng dụng trực tiếp thuật toán BB-DCA và BRB để tối ưu hóa thiết bị mạng, tiết kiệm năng lượng pin và tối đa hóa thông lượng mạng.
  • Nhà hoạch định chính sách phổ tần: Có cơ sở khoa học định lượng để phân bổ băng tần vô tuyến quốc gia một cách minh bạch, hiệu quả kinh tế cao nhất.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Đó là định lý chuyển đổi tương đương giữa bài toán quy hoạch tuyến tính nhị phân $0-1$ với bài toán quy hoạch DC đa diện qua hàm phạt lõm chính xác $p(x) = \sum_{i=1}^n \min{x_i, 1-x_i}$, kết hợp cấu trúc biểu diễn miền tìm kiếm bằng đa khối nửa mở trong không gian ảnh $\mathbb{R}^m$, mở rộng toàn diện khung lý thuyết của GS. Hoàng Tụy và GS. Lê Thị Hoài An.

2. Đột phá phương pháp luận so với các nghiên cứu trước đây là gì?

So với Astorino và Miglionico (2015) (chỉ giải SCEP bằng DCA cục bộ) và Dächert et al. (2015) (dùng hộp lồi phức tạp cho MODO), luận án đã kết hợp đột phá giữa DCA với Nhánh Cận (BB-DCA) và đưa ra kỹ thuật $S$-hiệu chỉnh trên lưới điểm rời rạc của bài toán đơn điệu (DMO), đảm bảo tính hội tụ toàn cục giải tích.

3. Phát hiện thực nghiệm bất ngờ nhất là gì?

Tốc độ hội tụ của DCA cục bộ tại nút gốc: Trên 100% các bộ dữ liệu ngẫu nhiên của bài toán RAP, DCA luôn tìm ra nghiệm nguyên chấp nhận được xấp xỉ nghiệm toàn cục ngay trong lần chạy thứ 1 hoặc thứ 2 ($No\ F \le 2$), giúp triệt tiêu hàng nghìn nhánh tìm kiếm vô ích của cây nhánh cận.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp không?

Có. Luận án cung cấp toàn bộ công thức toán học tường minh cho các bước tính dưới vi phân, công thức phép cắt $\gamma$, thủ tục hiệu chỉnh $S$, cùng thông số môi trường tính toán (C++, COIN-OR CLP, Intel Core i3 2.53 GHz, $\epsilon = 10^{-2}$).

5. Kế hoạch nghiên cứu 10 năm được định hình như thế nào?

Định hướng phát triển hệ sinh thái tối ưu toàn cục tích hợp AI: Mở rộng DCA cho các bài toán học máy phi lồi quy mô hàng triệu chiều, tối ưu hóa mạng 5G/6G động và xây dựng thư viện phần mềm tối ưu DC - Đơn điệu mã nguồn mở cho cộng đồng khoa học.

Kết luận

  1. Thiết lập thành công mô hình toán học giải tích chặt chẽ cho bài toán phân bổ tài nguyên OFDMA/TDD (RAP) theo chuẩn IEEE 802.16e dưới dạng bài toán quy hoạch tuyến tính $0-1$.
  2. Đề xuất thuật toán toàn cục BB-DCA đột phá, giải quyết triệt để bài toán RAP quy mô lớn (lên tới 1.525 ràng buộc) trong khi thuật toán nhánh cận cổ điển hoàn toàn bế tắc.
  3. Chuyển đổi thành công bài toán năng lượng phủ cảm biến liên tục lồi đảo (SCEP) sang mô hình tối ưu đơn điệu rời rạc (DMO), phát triển thuật toán BRB cải tiến xác định cấu hình bán kính tối ưu toàn cục.
  4. Tiên phong ứng dụng khái niệm đa khối nửa mở để biểu diễn trực quan và tối ưu hóa việc quản lý miền tìm kiếm của bài toán tối ưu đa mục tiêu rời rạc (MODO) trong không gian ảnh.
  5. Xây dựng thuật toán toàn cục đầu tiên giải bài toán tối ưu hàm tựa lõm đơn điệu tăng trên tập nghiệm Pareto rời rạc với tập chấp nhận được hữu hạn điểm.
  6. Mở ra ba hướng nghiên cứu chuyên sâu về tối ưu DC ngẫu nhiên, tối ưu đơn điệu phân tán và ứng dụng trong mạng viễn thông thông minh thế hệ mới, khẳng định vị thế học thuật của trường phái Tối ưu Việt Nam trên trường quốc tế.