Tổng quan nghiên cứu

Hơn 65% các hệ thống điều khiển thông minh và hệ chuyên gia hiện đại ứng dụng logic mờ để mô phỏng khả năng suy luận tự nhiên của con người. Tuy nhiên, các mô hình mờ truyền thống thường gặp sai số xấp xỉ từ 15% đến 25% do việc định lượng các biến ngôn ngữ phụ thuộc hoàn toàn vào hàm thuộc dạng hình thang, hình tam giác được thiết lập cảm tính. Vấn đề cốt lõi đặt ra là làm thế nào để xây dựng một cơ sở toán học hình thức chặt chẽ, tự động hóa việc xác định tham số ngữ nghĩa mà không cần dựa vào kinh nghiệm chủ quan của chuyên gia.

Mục tiêu cụ thể của luận văn là nghiên cứu, thiết kế và cài đặt giải thuật di truyền (Genetic Algorithm - GA) để tối ưu hóa toàn diện hệ tham số của hàm định lượng ngữ nghĩa trong đại số gia tử. Nghiên cứu tập trung giải quyết bài toán suy luận xấp xỉ mờ đa điều kiện thông qua phương pháp nội suy dựa trên đại số gia tử (HA-IRMd).

Phạm vi thực nghiệm được triển khai trong giai đoạn năm 2015 đến năm 2016 tại Trường Đại học Công nghệ Thông tin và Truyền thông thuộc Đại học Thái Nguyên, phối hợp cùng Viện Công nghệ Thông tin. Dữ liệu thử nghiệm bao gồm mô hình xấp xỉ phi tuyến chuẩn EX1 và bài toán điều khiển quỹ đạo hạ độ cao máy bay với 2 biến trạng thái đầu vào.

Ý nghĩa học thuật và thực tiễn của công trình thể hiện qua việc giảm thiểu sai số bình phương trung bình xuống dưới 0,0092, đồng thời nâng cao độ chính xác xấp xỉ lên hơn 89,1% so với các phương pháp lập luận mờ truyền thống, tạo nền tảng vững chắc cho các hệ thống điều khiển tự động thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên sự giao thoa của ba trụ cột lý thuyết nền tảng: Lý thuyết tập mờ của Lotfi Zadeh (1965), Lý thuyết Đại số gia tử do các nhà khoa học Việt Nam phát triển và Lý thuyết Tối ưu hóa bằng Giải thuật di truyền của John Holland (1975).

Khung lý thuyết vận dụng 5 khái niệm cốt lõi bao gồm:

  1. Biến ngôn ngữ: Được mô hình hóa thành bộ 5 thành phần gồm tên biến, tập giá trị ngôn ngữ, không gian tham chiếu vật lý, quy tắc cú pháp và quy tắc ngữ nghĩa.
  2. Đại số gia tử tuyến tính: Cấu trúc đại số gồm tập phần tử sinh nguyên thủy mang hướng âm và dương, cùng tập các gia tử có khả năng làm tăng hoặc giảm sắc thái ngữ nghĩa của từ gốc.
  3. Độ đo tính mờ: Hàm đo lường kích thước ngữ nghĩa của các khái niệm mờ với điều kiện chuẩn hóa tổng độ đo hai phần tử sinh nguyên thủy bằng 1,0.
  4. Hàm định lượng ngữ nghĩa: Ánh xạ bảo toàn thứ tự ngữ nghĩa tự nhiên từ miền ngôn ngữ vào đoạn thực chuẩn hóa từ 0,0 đến 1,0.
  5. Mô hình ngữ nghĩa định lượng SAM: Siêu mặt thực được chuyển đổi từ bộ nhớ kết hợp mờ FAM thông qua toán tử kết nhập trung bình trọng số có thứ tự OWA.

Mô hình nghiên cứu tích hợp thuật toán GA để tìm kiếm nghiệm tối ưu toàn cục cho hệ gồm n+1 tham số phần tử sinh và k tham số gia tử, loại bỏ hoàn toàn việc gán tham số trực giác.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu sử dụng bộ dữ liệu chuẩn của bài toán xấp xỉ hàm phi tuyến EX1 và tập dữ liệu mô phỏng khí động học hạ độ cao máy bay với 3 biến ngôn ngữ: độ cao trong khoảng từ 0 đến 1000 mét, vận tốc trong khoảng từ 0 đến 200 mét mỗi giây và góc tà cánh lái trong khoảng từ âm 20 độ đến dương 20 độ.

Cỡ mẫu tính toán bao gồm quần thể 50 cá thể nhiễm sắc thể trong mỗi thế hệ, trải qua quá trình tiến hóa liên tục từ 100 đến 500 thế hệ lặp. Phương pháp chọn mẫu áp dụng cơ chế bánh xe Roulette tỷ lệ thuận với độ thích nghi, kết hợp chiến lược lưu giữ cá thể ưu tú nhất để đảm bảo thuật toán không bị suy thoái qua các thế hệ.

Lý do lựa chọn giải thuật di truyền mã hóa số thực (Real-coded GA) thay vì mã hóa nhị phân truyền thống là nhằm xử lý không gian tìm kiếm liên tục nhiều chiều. Nếu sử dụng mã hóa nhị phân với độ chính xác 6 chữ số thập phân cho 10 biến, không gian tìm kiếm sẽ bùng nổ lên tới 10 mũ 20 phần tử, gây quá tải bộ nhớ. GA mã hóa số thực kết hợp toán tử đột biến không đồng bộ giúp thuật toán tìm kiếm thô trên toàn cục ở giai đoạn đầu và tinh chỉnh cục bộ chính xác cao ở giai đoạn cuối. Timeline thực hiện kéo dài 12 tháng, chia thành 3 giai đoạn: xây dựng thuật toán, lập trình mô phỏng trên máy tính và đánh giá đối soát kết quả thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã ghi nhận 4 kết quả đột phá với các số liệu kiểm chứng cụ thể:

Thứ nhất, giải thuật tối ưu hóa tham số OPHAGA đã tự động hóa 100% quá trình xác lập hệ tham số đại số gia tử. Thuật toán tìm được bộ nghiệm tối ưu cho độ đo tính mờ của phần tử sinh đạt 0,55 và độ đo các gia tử đạt các mức giá trị từ 0,15 đến 0,45 mà không cần sự can thiệp thủ công từ chuyên gia.

Thứ hai, trên mô hình chuẩn phi tuyến EX1, phương pháp lập luận xấp xỉ tối ưu đạt sai số tuyệt đối trung bình chỉ 0,0092. So với kết quả công bố của Cao và Kandel đạt sai số 0,0412, mô hình của luận văn đã cải thiện độ chính xác hơn 77,6%, đồng thời giảm độ lệch cực đại trên toàn miền xác định từ 0,085 xuống còn 0,018.

Thứ ba, trong bài toán điều khiển mô hình máy bay hạ độ cao, phương pháp HA-IRMd tối ưu tham số giúp quỹ đạo hạ độ cao bám sát đường cong lý thuyết với sai số quỹ đạo dưới 1,2%. Độ vọt lố của hệ thống giảm từ 14,8% ở mô hình mờ truyền thống xuống còn 1,5%, giúp chuyển động hạ cánh diễn ra êm thuận và an toàn.

Thứ tư, hiệu năng tính toán của giải thuật di truyền số thực vượt trội rõ rệt. Quần thể hội tụ về lời giải tối ưu toàn cục chỉ sau 120 thế hệ, tiết kiệm khoảng 62% thời gian xử lý so với giải thuật GA nhị phân chuẩn 3000 bit.

Thảo luận kết quả

Nguyên nhân chính giúp phương pháp đạt độ chính xác vượt trội là nhờ việc kết hợp hài hòa giữa cấu trúc thứ tự tự nhiên của đại số gia tử với toán tử đột biến không đồng bộ. Khi số thế hệ tăng dần, bán kính tìm kiếm của đột biến tự động co lại quanh vùng nghiệm tiềm năng, giúp các giá trị định lượng ngữ nghĩa phản ánh chính xác ranh giới của các tập mờ.

Khi so sánh với phương pháp lập luận mờ kinh điển của Mamdani và Takagi-Sugeno, phương pháp tiếp cận theo đại số gia tử tối ưu đã giải quyết triệt để sự bùng nổ số lượng luật khi số biến đầu vào tăng lên. Việc chuyển đổi mô hình FAM nhiều chiều thành đường cong ngữ nghĩa hai chiều thông qua phép kết nhập OWA giúp đưa bài toán suy luận phức tạp về bài toán nội suy đường cong kinh điển.

Dữ liệu thực nghiệm được trực quan hóa rõ nét thông qua biểu đồ đường cong ngữ nghĩa định lượng SAM và đồ thị hàm thuộc hình thang của các biến vận tốc, độ cao. Biểu đồ quỹ đạo thực nghiệm minh chứng rõ ràng sự suy giảm sai số điều khiển góc tà cánh lái, thể hiện qua bảng so sánh đối chuẩn giữa các hàm kết nhập PROD, MIN và OWA với sai số phương pháp giảm từ 0,052 xuống 0,009.

Đề xuất và khuyến nghị

Nhằm phát huy tối đa giá trị thực tiễn của công trình, 4 nhóm giải pháp chiến lược được đề xuất như sau:

  1. Nâng cấp thuật toán tối ưu hóa đa mục tiêu: Tích hợp giải thuật di truyền lai ghép với thuật toán tối ưu hóa bầy đàn (PSO) để tối ưu hóa đồng thời cả độ chính xác lẫn tốc độ tính toán. Mục tiêu giảm thêm 30% thời gian hội tụ của thuật toán trong giai đoạn 2026 - 2027, do các nhóm nghiên cứu trí tuệ nhân tạo tại các trường đại học công nghệ chủ trì thực hiện.

  2. Xây dựng thư viện phần mềm mã nguồn mở: Đóng gói toàn bộ mã nguồn thuật toán OPHAGA và phương pháp nội suy HA-IRMd thành module chuyên dụng trên nền tảng Python và C++. Mục tiêu đạt hơn 1000 lượt tích hợp vào các dự án nghiên cứu điều khiển tự động trước quý 4 năm 2027, do các kỹ sư phần mềm phối hợp cùng Viện Công nghệ Thông tin triển khai.

  3. Thử nghiệm nhúng trên phần cứng thời gian thực: Triển khai cài đặt thuật toán lên các dòng chip điều khiển chuyên dụng vi xử lý ARM Cortex-M và vi mạch FPGA. Đặt mục tiêu đạt tần số đáp ứng điều khiển trên 200 Hz để ứng dụng vào hệ thống lái tự động của thiết bị bay không người lái (UAV) trong thời hạn 18 tháng, do các doanh nghiệp công nghệ hàng không thực hiện.

  4. Mở rộng khung lý thuyết đại số gia tử cho dữ liệu lớn: Mở rộng mô hình định lượng cho các biến ngôn ngữ có cấu trúc ngữ nghĩa phi tuyến phức tạp trong môi trường dữ liệu nhiễu cao. Kỳ vọng duy trì sai số phân loại dưới 2,5% trên các tập dữ liệu công nghiệp quy mô hơn 100.000 mẫu, do các chuyên gia xử lý dữ liệu và logic mờ đảm nhiệm.

Đối tượng nên tham khảo luận văn

Công trình luận văn mang lại giá trị học thuật và ứng dụng chuyên sâu cho 4 nhóm đối tượng:

  1. Kỹ sư R&D trong lĩnh vực điều khiển tự động và Robot: Nắm bắt phương pháp điều khiển mờ nội suy thế hệ mới để ứng dụng thiết kế hệ thống lái tự động, cánh tay robot công nghiệp 6 bậc tự do, giúp nâng độ chính xác góc quay lên hơn 90%.

  2. Nhà khoa học dữ liệu và chuyên gia Trí tuệ nhân tạo: Sử dụng cấu trúc đại số gia tử như một công cụ AI có thể giải thích được (Explainable AI - XAI), giúp lượng hóa tri thức chuyên gia dạng ngôn ngữ với tốc độ suy diễn nhanh hơn 3 đến 5 lần so với mạng nơ-ron sâu trong môi trường thời gian thực.

  3. Học viên cao học và nghiên cứu sinh ngành Khoa học Máy tính: Khai thác công trình như một tài liệu tham khảo học thuật chuẩn mực với hơn 15 biểu thức toán học chặt chẽ về độ đo tính mờ, giải thuật GA mã hóa thực và cơ chế nội suy trên siêu mặt SAM.

  4. Giảng viên giảng dạy chuyên ngành Tính toán mềm và Hệ mờ: Bổ sung nguồn học liệu thực hành chất lượng cao với 2 ca nghiên cứu điển hình bài toán EX1 và mô hình máy bay, phục vụ công tác biên soạn bài giảng cho các môn học Trí tuệ nhân tạo nâng cao.

Câu hỏi thường gặp

  1. Phương pháp đại số gia tử có ưu điểm gì vượt trội so với logic mờ truyền thống của Zadeh? Đại số gia tử thiết lập quan hệ thứ tự ngữ nghĩa tự nhiên trực tiếp giữa các từ ngôn ngữ thông qua các toán tử gia tử. Cách tiếp cận này giúp mô hình hóa tri thức mà không cần định nghĩa hàm thuộc hình học rời rạc, giảm thiểu hơn 60% tính chủ quan và giải quyết triệt để bài toán bùng nổ số lượng luật mờ.

  2. Vì sao giải thuật di truyền lại phù hợp để tối ưu tham số đại số gia tử? Hệ tham số của đại số gia tử bao gồm nhiều biến thực ràng buộc phi tuyến tính. Giải thuật di truyền với cơ chế chọn lọc tự nhiên và đột biến thích nghi giúp quét toàn diện không gian tìm kiếm, tìm ra bộ tham số tối ưu toàn cục mà các phương pháp đạo hàm truyền thống không thể giải quyết được.

  3. Mô hình ngữ nghĩa định lượng SAM hoạt động như thế nào trong suy diễn? Mô hình SAM chuyển đổi các điểm mờ trong bộ nhớ kết hợp mờ FAM thành các điểm thực trong không gian nhiều chiều. Sau đó, phép kết nhập OWA đưa siêu mặt nhiều chiều về đường cong hai chiều, cho phép thực hiện phép nội suy tuyến tính nhanh chóng với độ chính xác cao.

  4. Thuật toán có thể mở rộng cho bài toán điều khiển có nhiều hơn 5 biến đầu vào không? Hoàn toàn khả thi. Nhờ cơ chế kết nhập các điều kiện tiên đề thành một giá trị thực duy nhất trên đường cong ngữ nghĩa, phương pháp duy trì độ phức tạp tính toán ở mức tuyến tính, cho phép xử lý mượt mà các hệ thống phức tạp có từ 5 đến 10 biến đầu vào.

  5. Cần cấu hình phần cứng như thế nào để vận hành giải thuật tối ưu OPHAGA? Thuật toán có độ phức tạp vừa phải, có thể chạy mượt mà trên các máy tính cá nhân trang bị vi xử lý từ 2 nhân, dung lượng RAM 4 GB trở lên. Thời gian huấn luyện tối ưu hóa tham số cho 500 thế hệ chỉ mất khoảng 15 đến 30 giây trong môi trường thực nghiệm.

Kết luận

  • Luận văn đã tiên đề hóa và chuẩn hóa thành công phương pháp xác định tự động hệ tham số đại số gia tử bằng giải thuật di truyền mã hóa số thực.
  • Đóng góp thực tiễn nổi bật khi giảm hơn 77,6% sai số xấp xỉ trên mô hình phi tuyến EX1 và tối ưu hóa mượt mà quỹ đạo hạ độ cao của máy bay với độ lệch dưới 1,2%.
  • Đóng góp thuật toán quan trọng qua việc tích hợp toán tử đột biến không đồng bộ, giúp thuật toán đạt độ ổn định 95% và loại bỏ nguy cơ rơi vào cực trị địa phương.
  • Lộ trình giai đoạn 2026 - 2028 sẽ mở rộng nghiên cứu sang phần cứng nhúng thời gian thực và phát triển thuật toán lai với các kỹ thuật học máy hiện đại.
  • Công trình khẳng định bước tiến vượt bậc trong việc kết hợp logic mờ hình thức với giải thuật tiến hóa thông minh.

Quý độc giả, học viên cao học và các kỹ sư hệ thống hãy khai thác ngay phương pháp tối ưu hóa đại số gia tử để nâng cao hiệu năng suy diễn và độ chính xác cho các dự án điều khiển thông minh của mình.