Tổng quan về luận án

Bài toán Cây Steiner nhỏ nhất (Steiner Minimal Tree - SMT) trên đồ thị vô hướng, liên thông và có trọng số không âm là một trong những bài toán tối ưu hóa tổ hợp kinh điển thuộc lớp NP-hard. Nghiên cứu của NCS. Trần Việt Chương với đề tài "Nghiên cứu phát triển thuật toán metaheuristic giải bài toán Cây Steiner nhỏ nhất định hướng ứng dụng cho thiết kế hệ thống mạng", thực hiện tại Học viện Công nghệ Bưu chính Viễn thông dưới sự hướng dẫn của PGS. Hà Hải Nam và TS. Phan Tấn Quốc (chuyên ngành Hệ thống thông tin, Mã số: 9.04), đại diện cho công trình luận án tiến sĩ kỹ thuật tiên phong tại Việt Nam tập trung giải quyết toàn diện bài toán SMT trên đồ thị thưa kích thước lớn.

Bối cảnh khoa học của luận án xuất phát từ yêu cầu thực tiễn cấp bách: "Việc kết nối một tập điểm cho trước với chi phí tối thiểu được xem như một trong những bài toán quan trọng nhất của thiết kế mạng truyền thông". Trong khi các phương pháp giải chính xác như quy hoạch động (Dreyfus & Wagner, 1971) hay nhánh cận (Koch & Martin, 1998) bị giới hạn nghiêm ngặt bởi sự bùng nổ tổ hợp ($O(3^{|L|} n + 2^{|L|} n^2)$), các thuật toán xấp xỉ đa thức chỉ đảm bảo các cận tỉ lệ $\alpha \ge 1.39$ (Byrka et al., 2013) hoặc $\alpha = 2$ như MST-Steiner (Wu & Chao, 2004). Research gap cốt lõi được xác định: Thiếu hụt các khung thuật toán heuristic và metaheuristic có khả năng cân bằng tối ưu giữa chất lượng nghiệm tiệm cận tối ưu toàn cục và chi phí tính toán khả thi khi mở rộng không gian đồ thị thưa lên đến $100.000$ đỉnh.

Luận án đặt ra 3 câu hỏi nghiên cứu và hệ giả thuyết khoa học:

  1. RQ1: Làm thế nào để cải tiến cấu trúc tìm kiếm đường đi ngắn nhất nhằm giảm bậc phức tạp thời gian khi khởi tạo cây Steiner trên đồ thị thưa quy mô siêu lớn?
    • Giả thuyết H1: Thay thế cấu trúc hàng đợi ưu tiên nhị phân của Dijkstra bằng thuật toán Dial (Bucket Queue) trong kiến trúc SPT/PD sẽ giảm thời gian tính toán thực nghiệm trên đồ thị thưa lớn mà vẫn duy trì chất lượng chi phí $C(T)$.
  2. RQ2: Các cơ chế tìm kiếm lân cận nào (Node-based, Path-based, Greedy, Probabilistic) mang lại sự cân bằng tối ưu giữa tính tăng cường (intensification) và tính đa dạng (diversification) trong không gian nghiệm SMT?
    • Giả thuyết H2: Tích hợp chiến lược lân cận lai ghép (Hybrid Neighborhoods) vào thuật toán Quần thể Bầy ong (Bees Algorithm) và Tìm kiếm lân cận biến đổi (VNS) sẽ vượt qua bẫy tối ưu cục bộ, tạo ra nghiệm vượt trội hơn các giải thuật Tabu Search và Genetic Algorithm truyền thống.
  3. RQ3: Mức độ tương thích và hiệu quả chi phí của các thuật toán đề xuất khi ánh xạ vào các bài toán quy hoạch mạng thực tế (WLAN, WAN, VPN, VLSI) đạt được ở ngưỡng định lượng nào?
    • Giả thuyết H3: Khung thuật toán đề xuất rút giảm từ 1.5% đến 8.2% chi phí topo mạng so với các giải pháp heuristic chuẩn trên cùng tài nguyên tính toán.

Phạm vi nghiên cứu bao gồm 78 bộ dữ liệu chuẩn OR-Library (steinb, steinc, steind, steine với kích thước từ 50 đến 1.000 đỉnh) và 80 bộ dữ liệu đồ thị thưa mở rộng kích thước lớn do luận án tự sinh (steinf, steing, steinh, steini với quy mô từ 10.000 đến 100.000 đỉnh).

Literature Review và Positioning

Nghiên cứu về SMT hình thành qua bốn dòng tư tưởng chính trong y văn quốc tế:

  • Dòng tiếp cận giải chính xác (Exact Algorithms): Khởi đầu từ giải thuật quy hoạch động của Dreyfus & Wagner (1971) với độ phức tạp hàm mũ theo số đỉnh terminal $|L|$, mở rộng bởi Beasley (1989) với phương pháp nới lỏng Lagrange (Lagrangian Relaxation) và kỹ thuật quy hoạch nguyên kết hợp cắt mặt phẳng (Branch-and-Cut) của Koch & Martin (1998) trong thư viện SteinLib. Nhóm này tìm được nghiệm $Opt$, nhưng giới hạn nghiêm ngặt ở $|L| \le 50$ và $n \le 1.000$.
  • Dòng thuật toán quy giảm đồ thị (Graph Reduction): Điển hình bởi Kingston & Sheppard (2003), Polzin (2003), và Souza (2003), tập trung vào việc loại bỏ các đỉnh/cạnh không thể thuộc cây Steiner tối ưu dựa trên kiểm tra khoảng cách ngắn nhất và điều kiện liên thông cạnh cầu Steiner ($e_{uv}$), nhằm thu hẹp hệ số $(n - |L|)$.
  • Dòng xấp xỉ có bảo đảm cận tỉ lệ (Approximation Algorithms): Thuật toán Kou-Markowsky-Berman (KMB, 1981) và MST-Steiner của Bang Ye Wu & Kun-Mao Chao (2004) bảo đảm cận tỉ lệ $\alpha = 2(1 - 1/l) \le 2$; Zelikovsky (1993) đề xuất cận $11/6 \approx 1.833$; Robins & Zelikovsky (2000) hạ cận xuống $1.55$; và Byrka et al. (2013) đạt cận $1.39$. Điểm hạn chế là cận lý thuyết thường quá bảo thủ so với chất lượng nghiệm thực nghiệm.
  • Dòng Heuristic và Metaheuristic tiên tiến: Shortest Path Heuristic (SPH) của Takahashi & Matsuyama (1980), Distance Network Heuristic (DNH), thuật toán Heu (Koch & Martin, 1998), Node-Based/Path-Based Local Search (Ribeiro et al., 2002), Tabu Search (Souza, 2003), và Parallel Genetic Algorithm (PGA-Steiner của Martins et al., 2000).

Tranh luận học thuật trung tâm nằm ở sự đánh đổi giữa thời gian hội tụ và nguy cơ mắc kẹt tại cực trị địa phương:

  • Trường phái Quần thể (Population-based) như PGA (Martins et al., 2000) có khả năng khám phá không gian rộng nhưng chịu chi phí tính toán cực lớn trên đồ thị kích thước $n > 10.000$.
  • Trường phái Đơn cá thể (Single-solution-based) như VNS (Mladenović & Hansen, 1997) hay Tabu Search (Ribeiro et al., 2002) có tốc độ khai thác nhanh nhưng dễ mất tính đa dạng nếu cấu trúc lân cận cố định.

Luận án định vị nghiên cứu vào khoảng trống giao thoa: Tận dụng ưu thế thời gian của thuật toán Dial để xây dựng heuristic nền tảng cho đồ thị siêu thưa ($n = 100.000$), đồng thời thiết kế cấu trúc lân cận đa tầng (Node/Path/Greedy/Probability) tích hợp trong mô hình bầy ong Bees Algorithm và VNS, mang lại hiệu năng vượt trội so với các công bố quốc tế của Ribeiro et al. (2002) và Souza (2003).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng nền tảng lý thuyết đồ thị và tối ưu hóa tổ hợp thông qua các chứng minh và mô hình hóa toán học:

  1. Lý thuyết chặn trên đỉnh Steiner: Xác thực định lý toán học: "Cho đồ thị $G$ và tập terminal $L$, Cây Steiner $T$ của $L$ có $p$ đỉnh thì số đỉnh Steiner của $T$ không vượt quá $p - 2$". Định lý này thiết lập không gian tìm kiếm hữu hạn cho các thuật toán thêm/bớt đỉnh Steiner.
  2. Mô hình hóa chi phí hàm mục tiêu $F(s)$: Phát biểu toán học chặt chẽ về chi phí cây Steiner: $$C(T) = \sum_{e \in E(T)} w(e)$$ với điều kiện liên thông bắt buộc phủ tập terminal $L \subseteq V(T) \subseteq V(G)$.
  3. Mô hình cân bằng động giữa Tăng cường (Intensification) và Đa dạng (Diversification): Luận án hình thức hóa quá trình tìm kiếm metaheuristic qua phương trình chuyển dịch trạng thái không gian nghiệm: $$S_{t+1} = \mathcal{M}{divers}(\mathcal{M}{intens}(S_t, \mathcal{N}k(s)), P{explore})$$ trong đó $\mathcal{N}k$ biểu diễn cấu trúc lân cận thứ $k$ và $P{explore}$ là xác suất phân rã lời giải cạn kiệt.

Khung phân tích độc đáo

Khung phân tích tích hợp 3 trụ cột lý thuyết: Lý thuyết tối ưu hóa tổ hợp (Combinatorial Optimization Theory), Lý thuyết bầy đàn sinh học (Swarm Intelligence Theory), và Lý thuyết không gian tìm kiếm phức hợp (Complex Search Space Topology).

Các khái niệm then chốt:

  • Đồ thị rút gọn Steiner ($G'$): Đồ thị thỏa mãn $|V(G')| \le |V(G)|$, $|E(G')| \le |E(G)|$ và bảo toàn ít nhất một cây SMT tối ưu của $L$.
  • Cấu trúc lân cận Node-Based (NB): Thay đổi tập đỉnh Steiner thông qua phép chèn đỉnh $v \in V(G) \setminus V(T)$ và tính lại cây khung nhỏ nhất (MST).
  • Cấu trúc lân cận Path-Based (PB): Thay đổi đường đi nối giữa các cặp đỉnh terminal bằng đường đi ngắn nhất thay thế qua các đỉnh trung gian mới.
  • Biên giới hạn áp dụng (Boundary Conditions): Áp dụng trên đồ thị đơn, vô hướng, liên thông, trọng số không âm ($w(e) \ge 0$), tỷ lệ mật độ cạnh thưa ($m \ll n(n-1)/2$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng thế giới quan thực chứng (Positivism) kết hợp phương pháp nghiên cứu định lượng thực nghiệm mô phỏng chuẩn mực (Algorithmic Empirical Framework). Thiết kế đa cấp (Multi-level Experimental Design) được chia thành:

  • Level 1 (Heuristic cấp cơ sở): Kiểm nghiệm tính đúng đắn và độ phức tạp tính toán của các giải thuật nền tảng (SPT-Steiner, PD-Steiner).
  • Level 2 (Heuristic cải tiến cho dữ liệu quy mô lớn): Kiểm thử hiệu năng của i-SPT-Steiner và i-PD-Steiner sử dụng thuật toán Dial trên đồ thị thưa từ $10.000$ đến $100.000$ đỉnh.
  • Level 3 (Metaheuristic cấp cao): Đánh giá chất lượng nghiệm tối ưu của Bees-Steiner, VNS, và HCSMT đối chiếu với nghiệm chính xác $Opt$.

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm tuân thủ tiêu chuẩn quốc tế:

  • Tiền xử lý và chuẩn hóa dữ liệu: Sử dụng 78 đồ thị thưa chuẩn từ OR-Library (Beasley) gồm 4 nhóm:
    • Nhóm steinb: 18 đồ thị ($n = 50 - 100$, $m = 63 - 200$, $|L| = 9 - 50$)
    • Nhóm steinc: 20 đồ thị ($n = 500$, $m = 625 - 2.500$, $|L| = 5 - 250$)
    • Nhóm steind: 20 đồ thị ($n = 1.000$, $m = 1.250 - 5.000$, $|L| = 5 - 500$)
    • Nhóm steine: 20 đồ thị ($n = 2.500$, $m = 3.125 - 12.500$, $|L| = 5 - 1.250$)
  • Hệ thống dữ liệu mở rộng: Tự sinh 80 bộ đồ thị thưa kích thước lớn:
    • Nhóm steinf: 20 đồ thị ($n = 10.000$, $m = 12.500 - 50.000$)
    • Nhóm steing: 20 đồ thị ($n = 25.000$, $m = 31.250 - 125.000$)
    • Nhóm steinh: 20 đồ thị ($n = 50.000$, $m = 62.500 - 250.000$)
    • Nhóm steini: 20 đồ thị ($n = 100.000$, $m = 125.000 - 500.000$)
  • Quy trình kiểm soát sai số: Mỗi bộ dữ liệu được thực thi độc lập nhiều lần để tính giá trị chi phí trung bình và thời gian CPU trung bình. Chuẩn hóa tốc độ tính toán phần cứng dựa trên thang đo Mflop/s (Dongarra, 2014).

Data và phân tích

Thuật toán được cài đặt bằng ngôn ngữ C++/GCC, thực thi trên hệ thống máy tính tiêu chuẩn. Phân tích độ phức tạp thời gian lý thuyết:

  • MST-Steiner (Wu & Chao): $O(|L| \cdot (m + n \log n) + |L|^2 \log |L|)$
  • SPT-Steiner: $O(|L| \cdot (m + n \log n) + m)$
  • PD-Steiner: $O(|L| \cdot (m + n \log n))$
  • i-SPT-Steiner và i-PD-Steiner (sử dụng Dial): $O(|L| \cdot (m + n \cdot C_{max}))$, trong đó $C_{max}$ là trọng số cạnh cực đại, giúp loại bỏ hoàn toàn chi phí heap $\log n$, tăng tốc đột phá trên đồ thị thưa lớn.

Phát hiện đột phá và implications

               SO SÁNH CHI PHÍ C(T) TRÊN CÁC BỘ BENCHMARK CHUẨN

Những phát hiện then chốt

  1. Sự vượt trội của Metaheuristic dạng quần thể: Khảo sát thực nghiệm khẳng định: "Trong số các thuật toán trên, thuật toán metaheuristic dạng quần thể cho lời giải chất lượng tốt hơn so với các thuật toán heuristic và các thuật toán metaheuristic dạng cá thể". Cụ thể, trên các bộ dữ liệu phức tạp như steine18, PGA đạt chi phí $572$, tiệm cận $Opt=564$ vượt trội hoàn toàn so với SPH ($627$) và Heu ($608$).
  2. Nghịch lý quy mô và thời gian thực thi (Trade-off Matrix): Trên các đồ thị quy mô nhỏ và trung bình ($n \le 1.000$), metaheuristic dạng quần thể cho nghiệm tối ưu tuyệt đối. Tuy nhiên, khi đồ thị mở rộng ($n \ge 10.000$), chi phí duy trì và lai ghép quần thể bùng nổ; lúc này, các heuristic cải tiến (i-PD-Steiner) và metaheuristic cá thể (HCSMT, VNS kết hợp lân cận tham lam) cho thời gian hội tụ nhanh hơn hàng chục lần mà độ lệch nghiệm chỉ dưới $1.2%$.
  3. Đột phá tốc độ từ thuật toán Dial: Việc thay thế cấu trúc dữ liệu Dijkstra bằng Dial trong i-PD-Steiner và i-SPT-Steiner đã rút ngắn thời gian xử lý trên nhóm dữ liệu steinf đến steini ($100.000$ đỉnh) từ hàng giờ xuống hàng giây, giải quyết triệt để nút thắt cổ chai tính toán trong mạng truyền thông lớn.
  4. Hiệu quả của chiến lược lân cận có xác suất: Kết hợp tìm kiếm ngẫu nhiên có định hướng xác suất giúp thuật toán HCSMT thoát khỏi 94.6% các bẫy cực trị địa phương (local optima traps) mà thuật toán leo đồi thuần túy mắc phải.

Implications đa chiều

  • Về mặt học thuật: Thiết lập chuẩn thực nghiệm mới cho cộng đồng tối ưu hóa tổ hợp tại Việt Nam; cung cấp bộ benchmark 80 đồ thị lớn (steinf - steini) có giá trị tham chiếu cao.
  • Về mặt kỹ thuật viễn thông: Đề xuất sơ đồ khối giải quyết bài toán quy hoạch mạng 3 bước chuẩn hóa (Khảo sát $\rightarrow$ Xây dựng Topology tối ưu bằng SMT $\rightarrow$ Phân tích khả thi), cho phép giảm chi phí hạ tầng cáp truyền dẫn và thiết bị định tuyến từ 5% đến 12%.
  • Về thiết kế vi mạch VLSI: Cung cấp thuật toán tối ưu hóa chiều dài dây nối (wirelength minimization) trên mô hình lưới trực giao, giảm điện dung ký sinh và độ trễ truyền tín hiệu trên chip bán dẫn mật độ cao.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  1. Giới hạn không gian khoảng cách: Luận án chỉ giới hạn khảo sát bài toán SMT trên đồ thị vô hướng với khoảng cách ngẫu nhiên (trọng số cạnh cố định), chưa mở rộng sang không gian Euclid động hoặc đồ thị có hướng (Directed Steiner Tree).
  2. Giả định ràng buộc tĩnh: Mô hình chưa tích hợp các ràng buộc động phức tạp của mạng thế hệ mới như: Ràng buộc chất lượng dịch vụ đa chiều (QoS: Delay jitter, Packet loss rate), giới hạn dung lượng nút mạng (Capacity-constrained Steiner Tree), và định tuyến nhiều cây Steiner cùng lúc.
  3. Phần cứng thực nghiệm: Chưa triển khai thuật toán trên kiến trúc tính toán song song quy mô lớn GPU (CUDA) hay môi trường đám mây phân tán.

Chương trình nghiên cứu 5-10 năm tới:

  • Phát triển biến thể SMT đa mục tiêu (Multi-objective SMT: đồng thời tối ưu chi phí, độ trễ và độ tin cậy kết nối).
  • Nghiên cứu cơ chế tự thích ứng tham số (Self-adaptive Parameter Control) cho Bees-Steiner sử dụng học tăng cường (Deep Reinforcement Learning).
  • Mở rộng ứng dụng sang mạng 5G/6G Network Slicing và cấu trúc phân chia cây tiến hóa phát sinh loài (Phylogenetic Tree) trong Tin sinh học với khoảng cách Hamming.

Tác động và ảnh hưởng

Luận án tạo ra tác động sâu rộng trên cả phương diện lý thuyết và ứng dụng:

  • Ảnh hưởng học thuật: Đặt nền móng cho các nghiên cứu chuyên sâu về Metaheuristic ứng dụng trong tối ưu hóa mạng tại Việt Nam, cung cấp hệ thống mã nguồn và tập dữ liệu mở rộng phục vụ đào tạo sau đại học.
  • Chuyển đổi công nghiệp ICT: Giúp các doanh nghiệp viễn thông (VNPT, Viettel, FPT) và các nhà cung cấp dịch vụ Internet (ISP) tối ưu hóa cấu hình mạng riêng ảo VPN, hạ tầng mạng LAN/WLAN cho các tòa nhà thông minh, và giảm thiểu chi phí đầu tư hạ tầng truyền dẫn.
  • Chính sách và Xã hội: Cung cấp cơ sở khoa học cho các cơ quan quản lý nhà nước (như UBND và Sở Thông tin và Truyền thông các tỉnh thành) trong việc lập quy hoạch hạ tầng viễn thông băng rộng và đô thị thông minh một cách tối ưu, tiết kiệm ngân sách công.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Khoa học máy tính / Hệ thống thông tin: Tiếp cận mô hình toán học chuẩn mực, các chứng minh độ phức tạp và phương pháp luận thực nghiệm thuật toán metaheuristic tiên tiến.
  • Kỹ sư quy hoạch và thiết kế mạng truyền thông: Nhận được công cụ thuật toán thực thi trực tiếp (SPT-Steiner, i-PD-Steiner, Bees-Steiner) để giải quyết bài toán định tuyến cáp, đặt trạm phát sóng và cấu hình VPN tối ưu chi phí.
  • Kỹ sư thiết kế vật lý vi mạch (VLSI Physical Design Engineers): Áp dụng thuật toán vào khâu định tuyến dây nối (Routing phase) nhằm tối ưu diện tích chip và hiệu năng truyền dẫn.
  • Chuyên gia Tin sinh học (Bioinformatics Researchers): Tận dụng mô hình SMT để tái cấu trúc cây phả hệ phát sinh loài với độ chính xác cao dựa trên ma trận khoảng cách Hamming.

Câu hỏi chuyên sâu

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

Luận án đã mở rộng khung lý thuyết xấp xỉ tổ hợp bằng việc chứng minh toán học và mô hình hóa thành công cấu trúc chặn số đỉnh Steiner ($|V(T) \setminus L| \le p - 2$), đồng thời xây dựng mô hình cân bằng động giữa hai toán tử Tăng cường hóa (Intensification) và Đa dạng hóa (Diversification) trên không gian nghiệm của bài toán SMT.

2. Đột phá về phương pháp luận nghiên cứu so với các công bố quốc tế trước đây?

So sánh với nghiên cứu của Ribeiro et al. (2002) và Souza (2003): Thay vì chỉ sử dụng hàng đợi ưu tiên Dijkstra truyền thống ($O(m + n \log n)$), luận án đã cải tiến cấu trúc dữ liệu bằng thuật toán Dial với hàng đợi Bucket ($O(m + n \cdot C_{max})$), cho phép mở rộng không gian thực nghiệm đồ thị thưa lên quy mô chưa từng có tiền lệ tại Việt Nam ($n = 100.000$ đỉnh trong nhóm steini).

3. Phát hiện thực nghiệm nào gây bất ngờ nhất?

Phát hiện về sự đảo chiều hiệu năng giữa heuristic cải tiến và metaheuristic quần thể trên đồ thị siêu lớn: Trong khi các thuật toán quần thể (PGA, Bees) chiếm ưu thế tuyệt đối ở đồ thị $n \le 1.000$, thì thuật toán i-PD-Steiner cải tiến lại vượt trội hoàn toàn về mặt thời gian thực thi ở quy mô $n \ge 50.000$ với chất lượng nghiệm suy giảm không đáng kể ($< 1.5%$), biến nó thành lựa chọn lý tưởng cho các bài toán thực thi thời gian thực (real-time network operations).

4. Luận án có cung cấp giao thức tái lập thực nghiệm (Replication Protocol) không?

Có. Toàn bộ 78 bộ dữ liệu chuẩn OR-Library và 80 bộ dữ liệu mở rộng (steinf - steini), quy tắc sinh đồ thị thưa từ cây khung ngẫu nhiên, cấu hình phần cứng chuẩn hóa theo Mflop/s, và mã giả chi tiết của từng thuật toán đều được công bố minh bạch trong luận án và các phụ lục.

5. Lộ trình nghiên cứu 10 năm được vạch ra như thế nào?

Lộ trình tập trung vào 3 hướng: (1) Tích hợp Trí tuệ nhân tạo (Deep Reinforcement Learning) để tự động hóa việc lựa chọn chiến lược lân cận; (2) Giải quyết bài toán SMT động trên mạng 6G và Internet of Vehicles (IoV); (3) Triển khai tính toán phân tán hiệu năng cao trên nền tảng GPU CUDA.

Kết luận

  1. Đề xuất thành công 02 thuật toán heuristic mới (SPT-Steiner, PD-Steiner) và 02 thuật toán heuristic cải tiến (i-SPT-Steiner, i-PD-Steiner) giải quyết tối ưu bài toán SMT trên đồ thị thưa.
  2. Xây dựng 03 thuật toán metaheuristic tiên tiến (Bees-Steiner, VNS, HCSMT) tích hợp các chiến lược lân cận lai ghép (Node-based, Path-based, Greedy, Probabilistic), vượt trội hơn các giải thuật kinh điển trên hệ thống benchmark chuẩn.
  3. Mở rộng hệ thống dữ liệu thực nghiệm chuẩn quốc tế bằng việc đóng góp 80 bộ dữ liệu đồ thị thưa quy mô siêu lớn lên đến $100.000$ đỉnh (steinf, steing, steinh, steini).
  4. Chuẩn hóa quy trình 3 bước ứng dụng bài toán SMT vào thiết kế, quy hoạch mạng truyền thông, mạng riêng ảo VPN, vi mạch VLSI và tin sinh học.
  5. Chứng minh tính ưu việt của cấu trúc dữ liệu Dial trong việc loại bỏ độ phức tạp logarit, tạo bước nhảy vọt về tốc độ xử lý cho các hệ thống tính toán mạng quy mô lớn.
  6. Mở ra các hướng nghiên cứu liên ngành mới kết hợp giữa tối ưu hóa tổ hợp, trí tuệ nhân tạo bầy đàn và thiết kế hệ thống thông tin viễn thông thế hệ mới.