Tổng quan về luận án

Trong bối cảnh đô thị hóa và sự gia tăng nhanh chóng của các hạ tầng giao thông trọng điểm, việc đảm bảo an toàn tính mạng cho con người tại các không gian công cộng tập trung đông người là một thách thức cấp bách. Luận án tiến sĩ kỹ thuật chuyên ngành Khoa học máy tính (Mã số: 9480101) của nghiên cứu sinh Đinh Thị Hồng Huyên, dưới sự hướng dẫn khoa học của TS. Hoàng Thị Thanh Hà tại Trường Đại học Bách khoa – Đại học Đà Nẵng (bảo vệ tháng 05/2024), đã giải quyết trực diện bài toán này thông qua đề tài: "Nghiên cứu và xây dựng mô hình đa tác tử đa mức giám sát hệ thống phức tạp".

Hệ thống phức tạp (Complex Systems) chứa đựng các đặc trưng phi tuyến tính, bất định, không đồng nhất và đa quy mô (multiscale). Trong đó, hành vi đám đông (crowd dynamics) trong các tình huống khẩn cấp như hỏa hoạn tại các nhà ga sân bay là một minh chứng điển hình cho hệ thống phức tạp với sự xuất hiện của các hiện tượng trồi sinh (emergence) và cơ chế tự tổ chức (self-organization). Khoảng trống nghiên cứu then chốt (specific research gap) được luận án nhận diện là: Các mô hình mô phỏng đám đông hiện hữu hoặc chỉ tập trung ở mức vi mô cục bộ (microscopic) dẫn đến bùng nổ chi phí tính toán khi quy mô tác tử tăng cao, hoặc dừng lại ở mức vĩ mô (macroscopic) làm triệt tiêu tính không đồng nhất và mối quan hệ xã hội giữa các cá nhân. Đặc biệt, các mô hình đa tác tử đa mức trước đây như MMASS (Fernandes et al., 1999) hay HOMASCOW (Rodriguez et al., 2003) thiếu đi cơ chế liên kết xuyên suốt, nhất quán giữa cấu trúc thực thể - môi trường với cấu trúc tổ chức nhóm động lồng nhau.

Để giải quyết khoảng trống học thuật này, luận án xác lập ba câu hỏi nghiên cứu và ba giả thuyết tương ứng:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để hình thức hóa một mô hình đa tác tử đa mức có khả năng mô tả đồng thời hành vi cá nhân vi mô và hiện tượng tập thể vĩ mô mà không làm đứt gãy tính kết nối giữa các tầng quan sát?
    • Giả thuyết 1 (H1): Việc tích hợp cấu trúc AEIO (Agent, Environment, Interaction, Organization) với mô hình nhóm đa mức thông qua thành phần tổ chức $O$ sẽ thiết lập một cấu trúc tổ chức phân cấp xuyên suốt, cho phép kiểm soát và truy xuất phân tán hiệu quả.
  • Câu hỏi nghiên cứu 2 (RQ2): Cơ chế định tuyến và phân tầng thông tin sơ tán khẩn cấp dựa trên nhóm xã hội tác động như thế nào đến việc giảm thiểu tắc nghẽn cục bộ khi có cháy?
    • Giả thuyết 2 (H2): Dựa trên thực tế xã hội học "có 50-70% số lượng cá nhân trong đám đông di chuyển theo nhóm" [62, 63], việc lập kế hoạch sơ tán dựa trên đại diện nhóm đa mức sẽ tối ưu hóa dòng di chuyển và triệt tiêu các luồng chuyển động ngược chiều (counter-flow).
  • Câu hỏi nghiên cứu 3 (RQ3): Mô hình đa tác tử đa mức đề xuất có cải thiện định lượng thời gian thoát hiểm tổng thể và khả năng thích ứng động so với các phương pháp sơ tán truyền thống trong không gian sân bay thực tế không?
    • Giả thuyết 3 (H3): Mô hình đề xuất trên nền tảng mô phỏng phân tán MASH sẽ rút ngắn đáng kể tổng thời gian sơ tán ($T_{evac}$) trong mọi kịch bản cháy phức tạp.

Khung lý thuyết nền tảng của nghiên cứu được định hình từ sự tích hợp giữa Lý thuyết Hệ thống phức tạp đa quy mô, Lý thuyết Trí tuệ nhân tạo phân tán (Distributed Artificial Intelligence - DAI) và Khung kiến trúc AEIO (Wooldridge, 2000; Demazeau & Rocha-Costa, 1996; Ferber, 1999). Đóng góp mang tính đột phá của luận án là đề xuất mô hình đa tác tử đa mức MAS-GiG (Multi-Agent System – Group in Group). Phạm vi thực nghiệm của nghiên cứu được triển khai trên không gian thực tế của sảnh khởi hành Tầng 1 thuộc Sân bay Quốc tế Đà Nẵng, mô phỏng mật độ hành khách phân bố theo quy chuẩn của Hiệp hội Vận tải Hàng không Quốc tế (IATA, 1989), kiểm thử qua 6 kịch bản cháy ($F_1, F_2, F_3$) tại phạm vi một phòng chờ (phòng chờ số 5), hai phòng chờ (phòng chờ 5 và 6) và toàn bộ sảnh khởi hành gồm bốn phòng chờ.

Literature Review và Positioning

Nghiên cứu về mô hình hóa đám đông và hệ thống phức tạp trong nhiều thập kỷ qua đã phát triển qua ba trường phái học thuật chính:

Trường phái thứ nhất là các mô hình dựa trên lực vật lý (Force-based models), khởi xướng từ mô hình Boids của Reynolds (1987) [56] mô phỏng sự phối hợp đàn, tiếp nối bởi Mô hình Lực lượng Xã hội (Social Force Model) kinh điển của Helbing & Molnár (1995) [57] và mô hình hoảng loạn của Helbing, Farkas & Vicsek (2000) [58]. Nhóm mô hình này lượng hóa tương tác giữa người đi bộ bằng các lực đẩy/hút cơ học và trường tâm lý. Mặc dù phản ánh mượt mà chuyển động vật lý, trường phái này bộc lộ nhược điểm cố hữu: chi phí tính toán tỷ lệ bậc hai $O(N^2)$ theo số lượng cá nhân, đồng thời bất lực trong việc biểu diễn các đặc trưng nhận thức, vai trò xã hội phức tạp và cấu trúc nhóm lồng nhau.

Trường phái thứ hai là các mô hình mạng ô rời rạc dựa trên Automat tế bào (Cellular Automata - CA) được phát triển bởi Blue & Adler (2001) và Burstedde et al. (2001) [60]. CA chia không gian thành các lưới ô vuông kích thước cố định ($0{,}4\text{ m} \times 0{,}4\text{ m}$) với thời gian cập nhật rời rạc ($0{,}4\text{ s}$). Mặc dù CA có hiệu năng tính toán cao, nhưng việc đồng nhất hóa không gian và tốc độ di chuyển khiến CA không thể phản ánh tính không đồng nhất về thể trạng (ví dụ: hành khách mang hành lý hoặc lính cứu hỏa mang trang thiết bị cồng kềnh) và triệt tiêu hoàn toàn trạng thái tâm lý xã hội học của con người.

Trường phái thứ ba là Mô hình dựa trên tác tử (Agent-Based Modeling - ABM) và Hệ thống đa tác tử (MAS) (Ferber, 1999 [22]; Wooldridge, 2000 [24]; Drogoul et al., 2008 [61]). MAS khắc phục triệt để các hạn chế của CA và Social Force nhờ khả năng mô hình hóa các tác tử tự trị, không đồng nhất với đầy đủ năng lực nhận thức (cognitive), phản xạ (reactive) và tương tác xã hội.

Hệ thống / Mô hình Loại tác tử Tính đa mức Loại điều khiển Cấu trúc MAS Hạn chế chính
AGR (Ferber & Gutknecht, 1998) [21] Không đồng nhất $n$ mức tĩnh Phi tập trung Có thứ bậc Cấu trúc nhóm tĩnh, không phản ánh biến động nhóm khẩn cấp
SWARM (Minar et al., 1996) [27] Swarm $n$ mức xác định trước Phi tập trung Đệ quy Thiếu cơ chế phân cấp ngữ nghĩa tổ chức rõ ràng
MMASS (Fernandes et al., 1999) [28] Đệ quy (Lai MORISMA) $n$ mức động Phi tập trung Đệ quy Phức tạp trong đồng bộ giữa tầng nhận thức SMAC và phản xạ SMAR
GEAMAS (Marcenac et al., 1998) [29] Tác tử, nhóm, xã hội 3 mức cài sẵn Phi tập trung Đệ quy Cố định 3 mức trừu tượng, khó tùy biến không gian rộng lớn
HOMASCOW (Rodriguez et al., 2003) [30] 4 loại tác tử Holon $n$ mức xác định Tập trung Holonic Điều khiển tập trung, dễ gây nghẽn điểm chết khi xảy ra sự cố
MAS-R (Bichet-Sanchez et al., 2010) [31] Tác tử cơ sở, tác tử hợp $n$ mức động Phi tập trung Đệ quy Dựa trên các hàm động phức tạp, khó áp dụng trực tiếp cho sơ tán đám đông
MAS-GiG (Luận án đề xuất, 2024) Tác tử tự trị đa năng $n$ mức động Phi tập trung Phân cấp lồng nhau qua $O$ (AEIO) Khắc phục toàn bộ các điểm nghẽn về tính kết nối xuyên suốt và truy xuất nhóm

So sánh đối chuẩn quốc tế chỉ ra rằng: Khác với mô hình MMASS vốn phân tách cứng nhắc giữa tầng nhận thức và tầng phản xạ, hay HOMASCOW duy trì cơ chế kiểm soát tập trung kém linh hoạt, mô hình MAS-GiG định vị chính xác điểm giao thoa giữa tính mở của tổ chức xã hội và khả năng tối ưu hóa tính toán phân tán. MAS-GiG kế thừa cấu trúc AEIO nhưng tạo ra bước nhảy vọt bằng cách lấy thành phần tổ chức $O$ làm trục liên kết đa mức, giải quyết triệt để sự xung đột giữa hành vi tự phát cục bộ và sự điều phối toàn cục.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng trực tiếp khung lý thuyết tương tác và tổ chức của Demazeau & Rocha-Costa (1996) và Michael Wooldridge (2000) thông qua việc cấu trúc hóa lại thành phần tổ chức $O$ trong không gian trạng thái AEIO:

Mô hình lý thuyết MAS-GiG xác lập ba mệnh đề khoa học (Propositions):

  • Mệnh đề 1 (P1 - Tính lồng ghép đại diện): Đại diện của một nhóm tác tử ở mức $k$ ($Group_i^k$) đồng thời là một thành viên nguyên tử đóng vai trò tác tử cấu thành trong nhóm ở mức cao hơn $k+1$ ($Group_j^{k+1}$). Mối liên kết này bảo toàn tính toàn vẹn thông tin hai chiều (bottom-up aggregation và top-down regulation).
  • Mệnh đề 2 (P2 - Tính tối ưu truy xuất): Chi phí tìm kiếm và phát tán thông điệp cảnh báo trong không gian $N$ tác tử thông qua cây tổ chức phân cấp MAS-GiG đạt độ phức tạp $O(\log N)$ thay vì $O(N)$ như trong các mô hình phẳng truyền thống.
  • Mệnh đề 3 (P3 - Tính thích ứng trồi sinh): Hành vi trồi sinh của tập thể không xuất hiện ngẫu nhiên vô tổ chức mà được dẫn dắt bởi cơ chế đàm phán cục bộ giữa các đại diện nhóm thông qua các luật di chuyển tối ưu không gian.

Khung phân tích độc đáo

Khung phân tích của mô hình MAS-GiG được xây dựng dựa trên sự hợp nhất chặt chẽ giữa 3 thành phần lý thuyết:

  1. Lý thuyết Đồ thị không gian (Spatial Graph Theory): Không gian vật lý được trừu tượng hóa thành đồ thị toán học $G = \langle V, E \rangle$, trong đó $V$ là tập hợp các điểm giao cắt, cửa thoát hiểm, vị trí ghế ngồi; $E$ là tập hợp các phân đoạn đường (RoadSegment) thuộc các tuyến đường chính (Road).
  2. Lý thuyết Tương tác AEIO đa tầng:
    • Tương tác tiếp nhận ($I_{percept}$): Tác tử thu nhận tín hiệu cháy và khói từ môi trường $E$.
    • Tương tác hành động ($I_{action}$): Tác tử tác động thay đổi vị trí trên lưới đồ thị.
    • Tương tác nhận thức ($I_{cognitive}$): Trao đổi thông điệp cứu nạn trực tiếp giữa các tác tử đại diện nhóm qua giao thức bản tin định dạng chuẩn.
  3. Lý thuyết Quản trị đám đông khẩn cấp: Tích hợp 4 bài toán hỗ trợ sơ tán: (1) Giám sát phân bố mật độ; (2) Phát hiện và khoanh vùng sự cố cháy; (3) Tối ưu hóa phân luồng đa tuyến tránh xung đột; (4) Điều phối thích nghi thời gian thực.

Điều kiện biên (Boundary conditions): Khung phân tích được định hình trong môi trường công cộng khép kín, nơi các tác tử có tầm nhìn bị giới hạn bởi vách ngăn/khói và thông tin chỉ lan truyền thông qua hệ thống loa cảnh báo hoặc tương tác tầm gần giữa các cá nhân.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ triết lý khoa học thực chứng tính toán (Computational Positivism) kết hợp phương pháp nghiên cứu khoa học thiết kế (Design Science Research). Thiết kế đa mức được phân định thành 4 tầng rõ rệt:

  • Tầng 0 (Mức cá nhân - Micro): Đại diện cho hành khách riêng lẻ với các thuộc tính: vị trí $(x, y)$, vận tốc $v \in [0{,}8; 1{,}5]\text{ m/s}$, trạng thái tâm lý (bình tĩnh, hoảng loạn), lượng thông tin về đám cháy.
  • Tầng 1 (Mức nhóm nhỏ - Sub-group): Đại diện cho gia đình, nhóm bạn bè đi cùng (chiếm 50-70% tổng lượng người) với một tác tử trưởng nhóm đóng vai trò điều phối bước đi chung.
  • Tầng 2 (Mức phòng chờ - Zone Level): Đại diện cho không gian một phòng chờ (ví dụ: Phòng chờ số 5 hoặc số 6), quản lý bởi tác tử giám sát khu vực có tầm nhìn bao quát toàn bộ cửa ra tàu bay và lối thoát hiểm lân cận.
  • Tầng 3 (Mức sảnh khởi hành - Global Level): Tác tử trung tâm điều hành toàn bộ sảnh ga, tiếp nhận dữ liệu từ tất cả các phòng chờ để cân bằng tải giữa các cửa thoát hiểm chính $Exit_1, Exit_2, Exit_3, Exit_4$.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua 4 giai đoạn logic chặt chẽ:

Độ tin cậy và giá trị khoa học được bảo đảm thông qua:

  • Tam giác hóa phương pháp (Methodological Triangulation): Kết hợp giữa mô hình hóa hình thức bằng toán học tối ưu, phân tích đồ thị cấu trúc và mô phỏng tác tử động học trên phần mềm MASH.
  • Tính hợp thức của cấu trúc (Construct Validity): Mô hình hóa thuộc tính hành khách bám sát nghiên cứu xã hội học thực nghiệm, loại bỏ các giả định phi thực tế về hành vi di chuyển đơn độc.

Data và phân tích

Dữ liệu đầu vào của nghiên cứu được chuẩn hóa từ thực tiễn hàng không:

  • Dữ liệu phân bố hành khách: Dựa trên tiêu chuẩn của Hiệp hội Vận tải Hàng không Quốc tế (IATA, 1989), số lượng hành khách có mặt tại phòng chờ bay biến thiên theo thời gian trước giờ cất cánh:

$$\text{Phân bố hành khách theo thời gian (IATA 1989):}$$

Thời điểm trước khi bay ($t$) Tỷ lệ hành khách tích lũy (%) Mật độ tương đối tại sảnh
$t \ge 60\text{ phút}$ 10% - 15% Thấp, rải rác khu vực dịch vụ
$45 \le t < 60\text{ phút}$ 35% - 40% Trung bình, bắt đầu ổn định chỗ ngồi
$30 \le t < 45\text{ phút}$ 70% - 85% Cao, tập trung dày đặc khu vực ghế ngồi
$t < 30\text{ phút}$ (Giờ cao điểm) 95% - 100% Rất cao, chuẩn bị lên máy bay
  • Dữ liệu không gian: Bản đồ kiến trúc 2D sảnh khởi hành Tầng 1 Sân bay Quốc tế Đà Nẵng, bao gồm hệ thống cột chịu lực, hàng ghế chờ, quầy thủ tục kiểm soát an ninh, 4 cửa thoát hiểm chính và hệ thống hành lang liên thông giữa các phòng chờ số 5, 6, 7, 8.
  • Kịch bản cháy giả lập:
    • Kịch bản 1 ($F_1$): Cháy tại khu vực kỹ thuật/dịch vụ gần cửa thoát hiểm chính của phòng chờ số 5 (chặn lối thoát hiểm ngắn nhất).
    • Kịch bản 2 ($F_2$): Cháy tại trung tâm sảnh chờ (chia cắt đám đông thành hai khối riêng biệt).
    • Kịch bản 3 ($F_3$): Cháy tại khu vực giáp ranh giữa phòng chờ số 5 và số 6 (đe dọa sự an toàn liên phòng chờ).
  • Môi trường thực thi: Nền tảng MASH (MultiAgent Software/Hardware platform), hỗ trợ cơ chế đa luồng, xử lý thông điệp bất đồng bộ và trực quan hóa không gian 2D/3D trong thời gian thực.

Phát hiện đột phá và implications

Những phát hiện then chốt

Qua hàng trăm lượt chạy thực nghiệm đa kịch bản, luận án đã rút ra 4 phát hiện mang tính bước ngoặt:

    TỔNG THỜI GIAN SƠ TÁN TẠI PHÒNG CHỜ SỐ 5 GIỮA 3 PHƯƠNG PHÁP (GIÂY)
  1. Hiệu năng rút ngắn thời gian sơ tán vượt bậc: Phương pháp sơ tán kết hợp dựa trên mô hình MAS-GiG giúp giảm tổng thời gian sơ tán ($T_{evac}$) từ 35% đến 41.6% so với phương pháp sơ tán tự động tự phát (Autonomous Evacuation) và giảm từ 22% đến 25% so với phương pháp sơ tán dựa trên lưới tuyến đường tĩnh (Grid-based Route Evacuation).
  2. Triệt tiêu hiện tượng nghẽn cổ chai (Bottleneck Effect): Trong phương pháp tự phát, hơn 60% hành khách hoảng loạn có xu hướng đổ dồn về một cửa thoát hiểm duy nhất nhìn thấy đầu tiên, tạo nên mật độ cực đại (> 4 người/$m^2$) dẫn đến tắc nghẽn nghiêm trọng. Mô hình MAS-GiG nhờ sự điều phối ở tầng phòng chờ và tầng sảnh đã chủ động chia tách luồng người từ sớm, phân phối đều tải sang các cửa thoát hiểm thay thế.
  3. Thích ứng động vượt trội khi lối thoát bị lửa cô lập: Khi kịch bản $F_1$ xảy ra làm vô hiệu hóa cửa thoát hiểm gần nhất, phương pháp MAS-GiG chỉ mất chưa đầy $1{,}5\text{ giây}$ mô phỏng để toàn bộ các đại diện nhóm nhận diện đồ thị đường đi mới và tái định tuyến cho 100% thành viên trong nhóm, ngăn chặn hoàn toàn hiện tượng dòng người tiến vào vùng nguy hiểm.
  4. Chứng minh vai trò tích cực của tính gắn kết nhóm: Nghiên cứu chứng minh rằng việc mô hình hóa nhóm đi cùng (gia đình, bạn bè) không làm chậm quá trình thoát hiểm như các lý thuyết truyền thống giả định, mà trái lại, việc di chuyển có tổ chức dưới sự dẫn dắt của tác tử nhóm giúp ổn định tâm lý tập thể, giảm thiểu các chuyển động hỗn loạn và va chạm ngẫu nhiên.

Implications đa chiều

  • Đóng góp học thuật lý thuyết: Khẳng định tính ưu việt của cấu trúc AEIO khi được kết hợp với mô hình nhóm lồng nhau (Group-in-Group), mở ra hướng nghiên cứu mới cho ngành Khoa học máy tính trong việc mô hình hóa các hệ thống phức tạp đa tầng quy mô lớn.
  • Đột phá phương pháp luận: Thiết lập framework hoàn chỉnh trên nền tảng MASH, cho phép tích hợp dữ liệu không gian thực tế với các thuật toán tối ưu hóa phân tán, làm mẫu chuẩn cho các nghiên cứu mô phỏng an toàn công trình.
  • Ứng dụng thực tiễn: Cung cấp công cụ hỗ trợ ra quyết định mạnh mẽ cho Ban quản lý Cảng hàng không, giúp thiết kế phương án thoát hiểm thông minh, tối ưu hóa vị trí đặt biển chỉ dẫn, cửa thoát hiểm và bố trí lực lượng an ninh cứu hộ.
  • Khuyến nghị chính sách: Cung cấp cơ sở khoa học định lượng để Cục Hàng không Việt Nam và Bộ Giao thông Vận tải cập nhật các quy chuẩn kỹ thuật quốc gia về thiết kế an toàn PCCC tại các nhà ga hàng không và công trình công cộng quy mô lớn.

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. Không gian mô phỏng 2D: Mô hình hiện tại mới triển khai trên bình diện không gian 2 chiều phẳng, chưa mô phỏng chi tiết các luồng di chuyển đa tầng (cầu thang bộ, thang cuốn, cửa nâng hạ tầng) thường thấy tại các siêu nhà ga quốc tế.
  2. Mô hình hóa động lực học chất lưu của khói và nhiệt: Nghiên cứu sử dụng mô hình lan truyền thông tin cháy hình học, chưa liên kết trực tiếp (co-simulation) với các phần mềm động lực học chất lưu chuyên dụng như FDS (Fire Dynamics Simulator) để tính toán nồng độ khí độc CO/CO2 và tầm nhìn suy giảm theo thời gian thực.
  3. Đặc trưng sinh trắc học cá nhân: Các yếu tố tâm lý hoảng loạn cực đoan (panic breakdown), người khuyết tật, người già và trẻ em cần được chi tiết hóa sâu hơn về mặt thông số cơ sinh học.

Chương trình nghiên cứu tương lai (Future Agenda):

  • Mở rộng mô hình MAS-GiG lên không gian 3D kết hợp công nghệ BIM (Building Information Modeling) và GIS không gian.
  • Tích hợp mạng cảm biến IoT và Camera AI thời gian thực để cập nhật vị trí hành khách tức thời vào mô hình đa tác tử.
  • Ứng dụng Học tăng cường đa tác tử (Multi-Agent Reinforcement Learning - MARL) để các tác tử tự học chiến lược thích ứng trong môi trường cháy biến đổi cực kỳ phức tạp.

Tác động và ảnh hưởng

Luận án tạo ra tác động học thuật sâu rộng với chuỗi 6 công trình khoa học được công bố tại các hội thảo quốc tế uy tín (ICAART, PAAMS, AAMAS) và các tạp chí chuyên ngành Khoa học máy tính. Khung mô hình MAS-GiG cung cấp nền tảng tính toán có thể chuyển giao công nghệ trực tiếp cho các doanh nghiệp phát triển phần mềm mô phỏng cứu hộ đô thị (Smart City Safety Systems). Về mặt xã hội, việc ứng dụng mô hình giúp giảm thiểu tối đa rủi ro thương vong về người trong các thảm họa cháy nổ tại các nút giao thông huyết mạch quốc gia.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một mô hình đa tác tử đa mức hoàn chỉnh, có cơ sở toán học chặt chẽ và mã nguồn thực nghiệm rõ ràng trên nền tảng MASH để phát triển các đề tài mở rộng.
  • Kỹ sư R&D và Doanh nghiệp Phần mềm: Khai thác framework MAS-GiG để xây dựng các giải pháp Digital Twin mô phỏng luồng người và quản lý tòa nhà thông minh (Smart Building Management).
  • Cơ quan Quản lý Sân bay và PCCC: Sở hữu công cụ đắc lực để diễn tập cứu nạn ảo, đánh giá tính khả thi của các phương án tác chiến và quy hoạch mặt bằng nhà ga an toàn.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
    • Đóng góp cốt lõi nhất là việc kiến tạo mối liên kết hữu cơ giữa khung cấu trúc hình thức AEIO (Agent-Environment-Interaction-Organization) và mô hình nhóm đa mức thông qua thành phần tổ chức $O$. Nhờ cơ chế này, mô hình MAS-GiG giải quyết triệt để sự đứt gãy giữa cấp quan sát vi mô (hành vi từng hành khách) và vĩ mô (dòng chảy cả sảnh bay), tạo ra một cấu trúc kiểm soát phân cấp lồng nhau hoàn chỉnh và nhất quán.
  2. Điểm mới về phương pháp luận so với các nghiên cứu quốc tế trước đây?
    • So với mô hình MMASS (Fernandes et al., 1999) sử dụng tác tử lai MORISMA phức tạp và HOMASCOW (Rodriguez et al., 2003) kiểm soát tập trung cứng nhắc, MAS-GiG áp dụng cơ chế phi tập trung phân tán dựa trên đồ thị không gian $G=\langle V,E \rangle$ và cấu trúc nhóm động. Điều này giúp giảm độ phức tạp tính toán định tuyến từ bậc hai xuống bậc logarit, cho phép mô phỏng hàng nghìn tác tử trong thời gian thực.
  3. Phát hiện thực nghiệm gây bất ngờ nhất được hỗ trợ bởi dữ liệu là gì?
    • Trái ngược với giả định truyền thống cho rằng hành vi di chuyển theo nhóm (gia đình, đoàn khách) làm cản trở và chậm trễ tiến trình sơ tán, thực nghiệm của luận án chứng minh: Khi 50-70% hành khách di chuyển theo nhóm dưới sự điều phối của tác tử đại diện nhóm trong mô hình MAS-GiG, hiện tượng chuyển động ngược chiều và va chạm cục bộ giảm hơn 60%, giúp tổng thời gian sơ tán toàn sảnh giảm tới 41.6%.
  4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) không?
    • Hoàn toàn có. Luận án mô tả chi tiết kiến trúc lớp đối tượng môi trường (Road, RoadSegment, AirportMap), cấu trúc lớp tác tử trên nền tảng MASH, sơ đồ tuần tự (sequence diagram) của các thông điệp cứu nạn và các bảng thông số chuẩn hóa theo tiêu chuẩn IATA 1989.
  5. Chương trình nghiên cứu 10 năm tới được vạch ra như thế nào?
    • Lộ trình phát triển 10 năm bao gồm: Giai đoạn 1 (1-3 năm): Tích hợp động lực học khói cháy CFD 3D; Giai đoạn 2 (4-6 năm): Đồng bộ hóa thời gian thực với dữ liệu IoT/Camera AI tại các sân bay thông minh; Giai đoạn 3 (7-10 năm): Ứng dụng Trí tuệ nhân tạo tổng quát (GenAI/LLM Agents) kết hợp MARL để tự động sinh kịch bản ứng phó thảm họa đô thị quy mô lớn.

Kết luận

  1. Đã hệ thống hóa và làm sáng tỏ cơ sở lý luận về hệ thống phức tạp đa quy mô, chỉ rõ các giới hạn căn bản của các mô hình Social Force, Cellular Automata và MAS đơn mức.
  2. Đã đề xuất thành công mô hình đa tác tử đa mức MAS-GiG, tạo đột phá trong việc kết nối cấu trúc AEIO với mô hình nhóm phân cấp lồng nhau qua thành phần tổ chức $O$.
  3. Đã xây dựng mô hình toán học tối ưu hóa bài toán sơ tán khẩn cấp và thiết lập 4 bài toán thành phần hỗ trợ điều phối luồng người thông minh.
  4. Đã phát triển hoàn chỉnh framework ứng dụng trên nền tảng mô phỏng phân tán MASH, số hóa thành công mặt bằng Sân bay Quốc tế Đà Nẵng và dữ liệu phân bố chuẩn quốc tế IATA.
  5. Đã chứng minh bằng thực nghiệm định lượng tính ưu việt vượt trội của mô hình MAS-GiG với khả năng rút ngắn thời gian sơ tán từ 35% đến 41.6% và triệt tiêu tắc nghẽn dòng người.
  6. Mở ra các hướng nghiên cứu liên ngành giá trị cao giữa Khoa học máy tính, Trí tuệ nhân tạo và Kỹ thuật an toàn công trình, đóng góp thiết thực cho sự nghiệp bảo vệ an toàn tính mạng con người và an ninh quốc gia.