[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_gi%E1%BA%A3i%20thu%E1%BA%ADt%20di%20truy%E1%BB%81n{\"limit\":5}":3,"_public_topic_byId_giải thuật di truyền":25},{"code":4,"data":5,"meta":19},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":23,"vietnamLatest":24},[],[8],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":19,"totalCitation":19,"url":20,"doi":21,"summary":22},"51492411-c20a-490e-af29-2a11f592bc28","Giải thuật di truyền thu gọn đột biến theo bit","Compact genetic algorithm mutated by bit",[13,14,15],"Chenguang Zhou","Kui Meng","Zuhan Qiu",3,"Proceedings of the 4th World Congress on Intelligent Control and Automation (Cat. No.02EX527)",false,null,"https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1021400\u002F","10.1109\u002FWCICA.2002.1021400","\u003Cp>\u003Cb>Nghiên cứu phát triển thuật toán\u003C\u002Fb> đề xuất biến thể biến thể \u003Cb class=\"publication-topic-keywords\">giải thuật di truyền\u003C\u002Fb> thu gọn đột biến theo bit (\u003Ci>compact genetic algorithm\u003C\u002Fi>) dựa trên thuật toán gốc của Harik. Phương pháp cải tiến tập trung vào cơ chế đột biến từng bit nhằm nâng cao đáng kể năng lực tìm kiếm không gian nghiệm của giải thuật. Kết quả thực nghiệm và phân tích hiệu năng cho thấy tính vượt trội cùng hiệu quả tính toán của thuật toán cải tiến đề xuất.\u003C\u002Fp>",[],[],{"code":4,"data":26,"meta":19},{"id":27,"title":28,"description":29,"content":30,"term":27,"englishTitle":19,"synonyms":19,"definition":19,"discipline":19,"references":19,"faqs":19,"createUser":31,"publishUser":19,"keywords":35,"keywordCount":57,"enrichTopicLink":58,"status":59,"createTime":60,"updateTime":61,"publishTime":19,"linkEnrichedTime":62,"publicationScanTime":63,"contentErrorMessage":19,"viewCount":64,"relateTopics":65},"giải thuật di truyền","Giải thuật di truyền là gì? Các công bố khoa học về Giải thuật di truyền","Giải thuật di truyền (Genetic Algorithm) là một phương pháp tối ưu hóa mô phỏng quá trình tiến hóa tự nhiên, dựa trên cơ chế chọn lọc, lai ghép và đột biến. Mỗi cá thể trong thuật toán đại diện cho một nghiệm tiềm năng và tiến hóa qua nhiều thế hệ để tìm lời giải tối ưu.","\u003Ch2>Giải thuật di truyền là gì?\u003C\u002Fh2>\u003Cp>Giải thuật di truyền (Genetic Algorithm - GA) là một phương pháp tìm kiếm và tối ưu hóa dựa trên nguyên lý chọn lọc tự nhiên và di truyền học của sinh học tiến hóa. Đây là một nhánh thuộc các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%20ti%E1%BA%BFn%20h%C3%B3a%22%7D}} (Evolutionary Algorithms), được phát triển từ những năm 1960 bởi John Holland tại Đại học Michigan, Hoa Kỳ.\u003C\u002Fp>\u003Cp>Mục tiêu của giải thuật là tìm ra lời giải tốt nhất (hoặc gần tối ưu) cho một bài toán trong một {{topic|%7B%22topic%22%3A%22kh%C3%B4ng%20gian%22%7D}} tìm kiếm lớn, phức tạp. Thay vì tìm lời giải trực tiếp, GA phát triển một quần thể lời giải, {{topic|%7B%22topic%22%3A%22ti%E1%BA%BFn%20h%C3%B3a%22%7D}} qua nhiều thế hệ thông qua các phép toán {{topic|%7B%22topic%22%3A%22ch%E1%BB%8Dn%20l%E1%BB%8Dc%22%7D}}, lai ghép, và {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99t%20bi%E1%BA%BFn%22%7D}}.\u003C\u002Fp>\u003Ch2>Nguyên lý hoạt động của giải thuật di truyền\u003C\u002Fh2>\u003Cp>Giải thuật {{topic|%7B%22topic%22%3A%22di%20truy%E1%BB%81n%22%7D}} mô phỏng quá trình tiến hóa tự nhiên với các thành phần chính sau:\u003C\u002Fp>\u003Ch3>1. Mã hóa cá thể (Chromosome Encoding)\u003C\u002Fh3>\u003Cp>Mỗi cá thể trong {{topic|%7B%22topic%22%3A%22qu%E1%BA%A7n%20th%E1%BB%83%22%7D}} là một nghiệm tiềm năng, được biểu diễn dưới dạng {{topic|%7B%22topic%22%3A%22chu%E1%BB%97i%20gen%22%7D}}. Phổ biến nhất là chuỗi nhị phân (0 và 1), nhưng cũng có thể là số thực, {{topic|%7B%22topic%22%3A%22s%E1%BB%91%20nguy%C3%AAn%22%7D}}, hoặc biểu diễn cây trong các bài toán đặc thù như {{topic|%7B%22topic%22%3A%22l%E1%BA%ADp%20tr%C3%ACnh%20di%20truy%E1%BB%81n%22%7D}}.\u003C\u002Fp>\u003Ch3>2. Hàm đánh giá (Fitness Function)\u003C\u002Fh3>\u003Cp>Hàm này xác định mức độ “phù hợp” của một cá thể. Đó là cơ sở để quyết định cá thể nào sẽ được chọn để sinh sản. Hàm đánh giá thường được thiết kế tùy theo từng bài toán.\u003C\u002Fp>\u003Ch3>3. Chọn lọc (Selection)\u003C\u002Fh3>\u003Cp>Chọn các cá thể tốt nhất từ {{topic|%7B%22topic%22%3A%22qu%E1%BA%A7n%20th%E1%BB%83%22%7D}} hiện tại để tạo ra thế hệ sau. Một số phương pháp chọn lọc phổ biến gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Roulette Wheel:\u003C\u002Fstrong> Xác suất chọn tỷ lệ với độ phù hợp.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tournament:\u003C\u002Fstrong> Chọn ngẫu nhiên một nhóm cá thể, rồi chọn cá thể tốt nhất trong nhóm.\u003C\u002Fli>\u003Cli>\u003Cstrong>Rank Selection:\u003C\u002Fstrong> Xếp hạng cá thể và chọn theo vị trí.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>4. Lai ghép (Crossover)\u003C\u002Fh3>\u003Cp>Lai ghép là quá trình trao đổi thông tin giữa hai cá thể (cha mẹ) để tạo ra cá thể mới (con). Các {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20lai%22%7D}} ghép phổ biến:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>One-point crossover:\u003C\u002Fstrong> Cắt chuỗi tại một điểm và tráo đổi phần sau giữa hai cha mẹ.\u003C\u002Fli>\u003Cli>\u003Cstrong>Two-point crossover:\u003C\u002Fstrong> Cắt tại hai điểm và tráo đổi đoạn giữa.\u003C\u002Fli>\u003Cli>\u003Cstrong>Uniform crossover:\u003C\u002Fstrong> Mỗi gene có {{topic|%7B%22topic%22%3A%22x%C3%A1c%20su%E1%BA%A5t%22%7D}} được lấy từ một trong hai cha mẹ.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>5. Đột biến (Mutation)\u003C\u002Fh3>\u003Cp>Thay đổi ngẫu nhiên một hoặc vài gene trong cá thể để duy trì tính {{topic|%7B%22topic%22%3A%22%C4%91a%20d%E1%BA%A1ng%20di%20truy%E1%BB%81n%22%7D}} và tránh hiện tượng hội tụ sớm. Tỷ lệ đột biến thường nhỏ (1%-5%).\u003C\u002Fp>\u003Ch3>6. Tiến hóa qua nhiều thế hệ\u003C\u002Fh3>\u003Cp>Toàn bộ quá trình trên được lặp lại qua nhiều thế hệ cho đến khi đạt điều kiện dừng: số vòng lặp tối đa, độ phù hợp mong muốn, hoặc quần thể không còn tiến bộ.\u003C\u002Fp>\u003Ch2>Ví dụ minh họa\u003C\u002Fh2>\u003Cp>Giả sử cần tìm giá trị x sao cho hàm f(x) = x² đạt giá trị lớn nhất trong khoảng 0 ≤ x ≤ 31. Mỗi cá thể sẽ được biểu diễn bằng chuỗi nhị phân 5 bit, ví dụ 10110 tương ứng với x = 22. Hàm đánh giá sẽ là f(x) = x². GA sẽ tiến hóa qua nhiều thế hệ để dần tìm đến giá trị x = 31, là giá trị {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20%C6%B0u%22%7D}}.\u003C\u002Fp>\u003Ch2>Ứng dụng thực tế\u003C\u002Fh2>\u003Cp>Giải thuật di truyền có tính ứng dụng cao trong các lĩnh vực:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Học máy (Machine Learning):\u003C\u002Fstrong> Chọn đặc trưng, tối ưu mô hình, tìm siêu tham số.\u003C\u002Fli>\u003Cli>\u003Cstrong>Lập lịch (Scheduling):\u003C\u002Fstrong> Lập lịch làm việc, lịch sản xuất, tối ưu ca trực.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tối ưu hóa thiết kế:\u003C\u002Fstrong> Trong kỹ thuật cơ khí, thiết kế {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ch%20%C4%91i%E1%BB%87n%22%7D}}, kết cấu công trình.\u003C\u002Fli>\u003Cli>\u003Cstrong>Bài toán ba lô (Knapsack), TSP (Travelling Salesman Problem):\u003C\u002Fstrong> Các bài toán tổ hợp khó.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Ưu điểm và hạn chế\u003C\u002Fh2>\u003Ch3>Ưu điểm\u003C\u002Fh3>\u003Cul>\u003Cli>Không cần thông tin {{topic|%7B%22topic%22%3A%22%C4%91%E1%BA%A1o%20h%C3%A0m%22%7D}} hoặc liên tục của {{topic|%7B%22topic%22%3A%22h%C3%A0m%20m%E1%BB%A5c%20ti%C3%AAu%22%7D}}.\u003C\u002Fli>\u003Cli>Có khả năng tìm kiếm toàn cục, tránh mắc kẹt tại cực trị cục bộ.\u003C\u002Fli>\u003Cli>Thích hợp với bài toán có không gian tìm kiếm lớn, rời rạc hoặc không xác định rõ cấu trúc.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Hạn chế\u003C\u002Fh3>\u003Cul>\u003Cli>Hiệu suất không ổn định nếu không tinh chỉnh tham số hợp lý.\u003C\u002Fli>\u003Cli>Chi phí tính toán cao với các bài toán phức tạp.\u003C\u002Fli>\u003Cli>Không đảm bảo tìm được nghiệm tối ưu tuyệt đối.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>So sánh với các thuật toán khác\u003C\u002Fh2>\u003Cp>Giải thuật di truyền là một dạng \u003Cstrong>metaheuristic\u003C\u002Fstrong>, khác biệt với các thuật toán tìm kiếm cục bộ hoặc {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20gi%E1%BA%A3i%22%7D}} chính xác:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Thuật toán\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Nhược điểm\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Hill Climbing\u003C\u002Ftd>\u003Ctd>Đơn giản, nhanh\u003C\u002Ftd>\u003Ctd>Dễ bị mắc kẹt tại cực trị cục bộ\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Simulated Annealing\u003C\u002Ftd>\u003Ctd>Tránh {{topic|%7B%22topic%22%3A%22c%E1%BB%B1c%20tr%E1%BB%8B%22%7D}} cục bộ tốt hơn hill climbing\u003C\u002Ftd>\u003Ctd>Cần thiết lập hàm làm nguội phù hợp\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Genetic Algorithm\u003C\u002Ftd>\u003Ctd>Khả năng khám phá tốt, không cần đạo hàm\u003C\u002Ftd>\u003Ctd>Chậm hơn, cần điều chỉnh nhiều tham số\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>PSO (Particle Swarm Optimization)\u003C\u002Ftd>\u003Ctd>Hiệu quả với bài toán liên tục\u003C\u002Ftd>\u003Ctd>Dễ {{topic|%7B%22topic%22%3A%22h%E1%BB%99i%20t%E1%BB%A5%22%7D}} sớm, không phù hợp với bài toán rời rạc\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Các thư viện và công cụ\u003C\u002Fh2>\u003Cp>Hiện nay có nhiều thư viện hỗ trợ giải thuật di truyền, bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fpypi.org\u002Fproject\u002FDEAP\u002F\">DEAP (Python)\u003C\u002Fa> – Thư viện mạnh cho các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%20ti%E1%BA%BFn%20h%C3%B3a%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fpypi.org\u002Fproject\u002Fpygad\u002F\">PyGAD\u003C\u002Fa> – Dễ sử dụng, hỗ trợ tích hợp với NumPy.\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.mathworks.com\u002Fproducts\u002Fglobal-optimization.html\">MATLAB Global Optimization Toolbox\u003C\u002Fa> – Cung cấp giải thuật GA và các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%22%7D}} khác.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fvi.wikipedia.org\u002Fwiki\u002FGi%E1%BA%A3i_thu%E1%BA%ADt_di_truy%E1%BB%81n\">Wikipedia tiếng Việt - Giải thuật di truyền\u003C\u002Fa>\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenetic_algorithm\">Wikipedia tiếng Anh - Genetic Algorithm\u003C\u002Fa>\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Ftowardsdatascience.com\u002Fgenetic-algorithm-explained-step-by-step-65358b8f6e8e\">Towards Data Science - Genetic Algorithm Explained\u003C\u002Fa>\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.geeksforgeeks.org\u002Fgenetic-algorithms\u002F\">GeeksforGeeks - Genetic Algorithms\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Ful>",{"id":32,"researcherId":19,"name":33,"imageUrl":34},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56],"thuật toán tiến hóa","không gian","tiến hóa","chọn lọc","đột biến","di truyền","quần thể","chuỗi gen","số nguyên","lập trình di truyền","phương pháp lai","xác suất","đa dạng di truyền","tối ưu","mạch điện","đạo hàm","hàm mục tiêu","phương pháp giải","cực trị","hội tụ","thuật toán",21,true,"PUBLISHED","2023-11-20T07:15:49.716+00:00","2026-08-28T17:06:01.797+00:00","2026-08-28T17:06:01.378+00:00","2026-08-28T16:36:04.549+00:00",1725,[66,69,72,75,78,81,84,87,90,93],{"id":67,"title":68,"term":67,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":70,"title":71,"term":70,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":73,"title":74,"term":73,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":76,"title":77,"term":76,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":79,"title":80,"term":79,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"prevalence","Prevalence là gì? Các công bố khoa học về Prevalence",{"id":82,"title":83,"term":82,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"dòng điện xoáy","Dòng điện xoáy là gì? Các công bố khoa học về Dòng điện xoáy",{"id":85,"title":86,"term":85,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":88,"title":89,"term":88,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"in silico","In silico là gì? Các công bố khoa học về In silico",{"id":91,"title":92,"term":91,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":94,"title":95,"term":94,"englishTitle":19,"definition":19,"discipline":19,"disciplineCode":19,"disciplineLabel":19,"disciplineColor":19,"disciplineIcon":19},"random forest","Random forest là gì? Các công bố khoa học về Random forest"]