[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_l%E1%BA%ADp%20tr%C3%ACnh%20b%E1%BA%ADc%20hai{\"limit\":5}":3,"_public_topic_byId_lập trình bậc hai":39},{"code":4,"data":5,"meta":20},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":37,"vietnamLatest":38},[],[8,24],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":20,"url":21,"doi":22,"summary":23},"3102c072-e176-4c0b-9c5c-b8a077917cf0","Phương pháp nội điểm điều hòa sơ cấp - đối cấp cho các chương trình bậc hai lồi","A primal–dual regularized interior-point method for convex quadratic programs",[13,14],"M. P. Friedlander","D. Orban",2,"Mathematical Programming Computation",false,"2012-02-17",2012,null,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs12532-012-0035-2","10.1007\u002Fs12532-012-0035-2","\u003Cp>Toán tin ứng dụng phát triển phương pháp điểm trong nguyên thủy - đối ngẫu có điều hòa chính xác nhằm giải bài toán quy hoạch lồi và \u003Cb class=\"publication-topic-keywords\">lập trình bậc hai\u003C\u002Fb>. Thuật toán thiết lập cơ chế điều hòa hệ phương trình đối xứng, khắc phục sự suy biến của ma trận \u003Ci>Jacobian\u003C\u002Fi> do biến tự do. Kết quả lý thuyết chứng minh nghiệm quy hoạch tìm được hội tụ chuẩn xác về bài toán \u003Cb class=\"publication-topic-keywords\">lập trình bậc hai\u003C\u002Fb>.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":15,"journalName":31,"vietnamJournal":17,"publishDate":32,"publishYear":33,"totalCitation":20,"url":34,"doi":35,"summary":36},"dbdc22e0-9013-4e50-a85f-d512268691a3","Một Thuật Toán Điểm Cực Mới Và Ứng Dụng của Nó Trong Các Thuật Toán PSQP Để Giải Quyết Các Chương Trình Toán Học Với Các Ràng Buộc Tương Tương Tuyến Tính","A New Extreme Point Algorithm and Its Application in PSQP Algorithms for Solving Mathematical Programs with Linear Complementarity Constraints",[29,30],"Jianzhong Zhang","Guoshan Liu","Journal of Global Optimization","2001-04-01",2001,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1023\u002FA:1011226232107","10.1023\u002FA:1011226232107","\u003Cp>Toán học tối ưu hóa đề xuất thuật toán điểm cực mới giải bài toán quy hoạch toán học ràng buộc bù tuyến tính mà không đòi hỏi hàm mục tiêu cấp cao phải lõm. Phương pháp được tích hợp vào khung thuật toán \u003Cb class=\"publication-topic-keywords\">lập trình bậc hai\u003C\u002Fb> tuần tự đoạn \u003Ci>PSQP\u003C\u002Fi> để giải bài toán hiệu quả. Thực nghiệm số xác nhận tính khả thi và độ hội tụ ổn định của mô hình \u003Cb class=\"publication-topic-keywords\">lập trình bậc hai\u003C\u002Fb>.\u003C\u002Fp>",[],[],{"code":4,"data":40,"meta":20},{"id":41,"title":42,"description":43,"content":44,"term":45,"englishTitle":46,"synonyms":47,"definition":52,"discipline":53,"references":54,"faqs":71,"createUser":81,"publishUser":20,"keywords":85,"keywordCount":96,"enrichTopicLink":97,"status":98,"createTime":99,"updateTime":100,"publishTime":20,"linkEnrichedTime":101,"publicationScanTime":102,"contentErrorMessage":20,"viewCount":103,"relateTopics":104},"lập trình bậc hai","Lập trình bậc hai là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Lập trình bậc hai (quadratic programming): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên sâu.","\u003Cp>\u003Cstrong>Lập trình bậc hai\u003C\u002Fstrong> (\u003Cem>quadratic programming\u003C\u002Fem>) là trong tối ưu hóa toán học là bài toán tìm cực trị (cực tiểu hoặc cực đại) của một hàm mục tiêu bậc hai gồm nhiều biến số, thỏa mãn đồng thời một hệ thống các ràng buộc tuyến tính dưới dạng các đẳng thức hoặc bất đẳng thức.\u003C\u002Fp>\n\u003Ch2>Định nghĩa lập trình bậc hai\u003C\u002Fh2>\u003Cp>Lập trình bậc hai (Quadratic Programming - QP) là một lĩnh vực con trong {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20phi%20tuy%E1%BA%BFn%22%7D}}, chuyên giải quyết các bài toán cực trị trong đó hàm mục tiêu là một hàm bậc hai và các ràng buộc là tuyến tính. Cụ thể, dạng tổng quát của bài toán được biểu diễn như sau: \u003Cscript type=\"math\u002Ftex\">\\min_{x \\in \\mathbb{R}^n} \\frac{1}{2} x^T Q x + c^T x \\quad \\text{subject to } A x \\leq b\u003C\u002Fscript> trong đó \u003Cscript type=\"math\u002Ftex\">Q \\in \\mathbb{R}^{n \\times n}\u003C\u002Fscript> là ma trận đối xứng, \u003Cscript type=\"math\u002Ftex\">c \\in \\mathbb{R}^n\u003C\u002Fscript> là véc-tơ hệ số, \u003Cscript type=\"math\u002Ftex\">A \\in \\mathbb{R}^{m \\times n}\u003C\u002Fscript>, và \u003Cscript type=\"math\u002Ftex\">b \\in \\mathbb{R}^m\u003C\u002Fscript>.\u003C\u002Fp>\u003Cp>Không giống như {{topic|%7B%22topic%22%3A%22l%E1%BA%ADp%20tr%C3%ACnh%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} chỉ xử lý các hàm mục tiêu tuyến tính, lập trình bậc hai cho phép mô hình hóa các hệ thống có mối quan hệ phi tuyến vừa phải, ví dụ như chi phí bậc hai, mức độ rủi ro, hoặc hàm năng lượng. Khi ma trận \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript> xác định dương, bài toán là lồi và có nghiệm tối ưu toàn cục duy nhất.\u003C\u002Fp>\u003Cp>Lập trình bậc hai đóng vai trò quan trọng trong nhiều lĩnh vực ứng dụng như tài chính, điều khiển tối ưu, học máy, kỹ thuật và nghiên cứu vận trù học. Đặc điểm của QP là cho phép tối ưu hóa hiệu quả ngay cả trong điều kiện có hàm mục tiêu phi tuyến nhưng vẫn giữ được cấu trúc toán học thuận lợi để tính toán.\u003C\u002Fp>\u003Ch2>Đặc điểm của hàm mục tiêu bậc hai\u003C\u002Fh2>\u003Cp>Hàm mục tiêu trong QP có cấu trúc đặc biệt: là một hàm bậc hai đối với biến tối ưu \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>. Dạng chuẩn là: \u003Cscript type=\"math\u002Ftex\">f(x) = \\frac{1}{2} x^T Q x + c^T x\u003C\u002Fscript> trong đó \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript> mô tả mối quan hệ phi tuyến (chẳng hạn như tương quan giữa các biến), còn \u003Cscript type=\"math\u002Ftex\">c\u003C\u002Fscript> biểu diễn xu hướng tuyến tính. Nếu \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript> là {{topic|%7B%22topic%22%3A%22ma%20tr%E1%BA%ADn%20x%C3%A1c%20%C4%91%E1%BB%8Bnh%20d%C6%B0%C6%A1ng%22%7D}} (positive definite), đồ thị của hàm mục tiêu là hình parabol lồi, đảm bảo tồn tại nghiệm tối ưu toàn cục.\u003C\u002Fp>\u003Cp>Khi \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript> không xác định (indefinite), hàm mục tiêu có thể có nhiều cực trị cục bộ và việc tìm nghiệm toàn cục trở nên phức tạp hơn, thường yêu cầu {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%22%7D}} phi lồi hoặc heuristics. Trong trường hợp đặc biệt khi \u003Cscript type=\"math\u002Ftex\">Q = 0\u003C\u002Fscript>, bài toán QP trở thành bài toán LP – lập trình tuyến tính.\u003C\u002Fp>\u003Cp>Đặc điểm của hàm mục tiêu bậc hai cho phép mô phỏng chi phí phi tuyến, phản ánh chính xác hơn thực tế các hệ thống có tăng trưởng bậc hai về chi phí hoặc rủi ro, đặc biệt hữu ích trong mô hình tài chính và thiết kế kỹ thuật.\u003C\u002Fp>\u003Ch2>Phân loại lập trình bậc hai\u003C\u002Fh2>\u003Cp>Dựa trên tính chất của ma trận \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript> và dạng ràng buộc, QP có thể được chia thành các loại sau:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>QP lồi (convex QP):\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">Q \\succeq 0\u003C\u002Fscript> – bài toán có nghiệm toàn cục duy nhất và ổn định\u003C\u002Fli>\u003Cli>\u003Cstrong>QP không lồi (non-convex QP):\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript> không xác định dương – khó giải, có thể có nhiều nghiệm cục bộ\u003C\u002Fli>\u003Cli>\u003Cstrong>QP có ràng buộc bằng:\u003C\u002Fstrong> hệ ràng buộc dạng \u003Cscript type=\"math\u002Ftex\">A x = b\u003C\u002Fscript>\u003C\u002Fli>\u003Cli>\u003Cstrong>QP có ràng buộc bất đẳng thức:\u003C\u002Fstrong> hệ ràng buộc dạng \u003Cscript type=\"math\u002Ftex\">A x \\leq b\u003C\u002Fscript>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Phân loại này giúp lựa chọn thuật toán giải phù hợp và đánh giá {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20ph%E1%BB%A9c%20t%E1%BA%A1p%20t%C3%ADnh%20to%C3%A1n%22%7D}}.\u003C\u002Fp>\u003Cp> \u003C\u002Fp>\u003Cp>Bảng phân biệt:\u003C\u002Fp>\u003Cfigure>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Loại QP\u003C\u002Fth>\u003Cth>Ma trận Q\u003C\u002Fth>\u003Cth>Ràng buộc\u003C\u002Fth>\u003Cth>Độ khó giải\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Convex QP\u003C\u002Ftd>\u003Ctd>Xác định dương\u003C\u002Ftd>\u003Ctd>Tuyến tính\u003C\u002Ftd>\u003Ctd>Thấp\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Non-convex QP\u003C\u002Ftd>\u003Ctd>Không xác định\u003C\u002Ftd>\u003Ctd>Tuyến tính\u003C\u002Ftd>\u003Ctd>Cao\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>QP với equality\u003C\u002Ftd>\u003Ctd>Bất kỳ\u003C\u002Ftd>\u003Ctd>\u003Cscript type=\"math\u002Ftex\">A x = b\u003C\u002Fscript>\u003C\u002Ftd>\u003Ctd>Trung bình\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Phương pháp giải thuật\u003C\u002Fh2>\u003Cp>Việc giải QP đòi hỏi các thuật toán tối ưu hóa hiệu quả, đặc biệt khi số biến hoặc ràng buộc lớn. Một số phương pháp giải phổ biến bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Interior Point Method:\u003C\u002Fstrong> dùng trong QP lồi, hiệu quả với bài toán quy mô lớn\u003C\u002Fli>\u003Cli>\u003Cstrong>Active Set Method:\u003C\u002Fstrong> thích hợp cho bài toán có ít ràng buộc đang hoạt động\u003C\u002Fli>\u003Cli>\u003Cstrong>KKT Conditions:\u003C\u002Fstrong> hệ {{topic|%7B%22topic%22%3A%22%C4%91i%E1%BB%81u%20ki%E1%BB%87n%20c%E1%BA%A7n%20v%C3%A0%20%C4%91%E1%BB%A7%22%7D}} cho cực trị trong bài toán có ràng buộc\u003C\u002Fli>\u003Cli>\u003Cstrong>Gradient chiếu (Projected Gradient):\u003C\u002Fstrong> dùng cho bài toán có ràng buộc hộp\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Mỗi thuật toán có ưu nhược riêng, phụ thuộc vào độ lồi, kích thước, dạng ràng buộc và mục tiêu tính toán.\u003C\u002Fp>\u003Cp> \u003C\u002Fp>\u003Cp>Chọn đúng thuật toán có thể rút ngắn thời gian xử lý từ hàng giờ xuống còn vài giây, đặc biệt trong ứng dụng thời gian thực như điều khiển robot hoặc tối ưu hóa mạng. Các solver hiện đại như Gurobi, MOSEK và OSQP tích hợp các kỹ thuật lai để tận dụng ưu điểm của từng phương pháp.\u003C\u002Fp>\u003Ch2>Ứng dụng trong tài chính và kinh tế\u003C\u002Fh2>\u003Cp>Lập trình bậc hai có ứng dụng sâu rộng trong lĩnh vực tài chính, đặc biệt là trong bài toán tối ưu hóa danh mục đầu tư. Mô hình cổ điển của Markowitz sử dụng phương sai lợi suất làm hàm mục tiêu bậc hai để đại diện cho rủi ro, trong khi lợi nhuận kỳ vọng được mô hình hóa dưới dạng hàm tuyến tính. Bài toán điển hình: \u003Cscript type=\"math\u002Ftex\">\\min_x \\frac{1}{2} x^T \\Sigma x - \\mu^T x \\quad \\text{subject to } \\sum x_i = 1, \\ x_i \\geq 0\u003C\u002Fscript> trong đó \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript> là {{topic|%7B%22topic%22%3A%22ma%20tr%E1%BA%ADn%20hi%E1%BB%87p%20ph%C6%B0%C6%A1ng%20sai%22%7D}}, \u003Cscript type=\"math\u002Ftex\">\\mu\u003C\u002Fscript> là vector lợi suất kỳ vọng, và \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> là vector tỷ trọng tài sản.\u003C\u002Fp>\u003Cp>Thông qua QP, nhà đầu tư có thể lựa chọn cấu trúc danh mục tối ưu nhất giữa rủi ro và lợi nhuận, đồng thời áp dụng thêm các ràng buộc như giới hạn đầu tư tối thiểu, mức độ thanh khoản, hoặc điều kiện pháp lý. Việc sử dụng QP giúp hệ thống hóa quá trình ra quyết định tài chính dưới dạng bài toán tính toán cụ thể.\u003C\u002Fp>\u003Cp>Ngoài đầu tư, QP còn được dùng trong định giá quyền chọn, thiết kế {{topic|%7B%22topic%22%3A%22chi%E1%BA%BFn%20l%C6%B0%E1%BB%A3c%20giao%20d%E1%BB%8Bch%22%7D}} tự động, và hoạch định nguồn lực trong doanh nghiệp để tối thiểu hóa chi phí hoặc thời gian sản xuất, đặc biệt khi chi phí có xu hướng tăng phi tuyến với quy mô đầu vào.\u003C\u002Fp>\u003Ch2>Vai trò trong kỹ thuật và học máy\u003C\u002Fh2>\u003Cp>Trong kỹ thuật, QP được sử dụng rộng rãi trong điều khiển tối ưu (optimal control), đặc biệt là trong điều khiển mô hình tiên đoán (Model Predictive Control – MPC), nơi bài toán tại mỗi thời điểm được mô tả bằng QP để tối ưu hóa đầu vào điều khiển. Ưu điểm của QP là khả năng giải nhanh và đảm bảo tính chính xác khi xử lý các hệ thống vật lý có ràng buộc nghiêm ngặt.\u003C\u002Fp>\u003Cp>Trong học máy, QP là nền tảng toán học cho nhiều thuật toán phân loại, nổi bật là máy vector hỗ trợ (Support Vector Machine – SVM). Mục tiêu của SVM là tìm siêu phẳng phân chia hai tập dữ liệu sao cho khoảng cách biên giữa hai lớp là lớn nhất – một bài toán có hàm mục tiêu bậc hai và ràng buộc tuyến tính: \u003Cscript type=\"math\u002Ftex\">\\min_{\\mathbf{w}, b, \\xi} \\frac{1}{2} \\|\\mathbf{w}\\|^2 + C \\sum \\xi_i \\quad \\text{s.t. } y_i(\\mathbf{w}^T x_i + b) \\geq 1 - \\xi_i\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>QP cũng hỗ trợ huấn luyện các mạng nơ-ron tuyến tính bị ràng buộc, hồi quy chính quy hóa (ridge regression), và giảm chiều không gian. Khả năng diễn tả sự cân bằng giữa độ chính xác và độ phức tạp khiến QP trở thành lựa chọn mặc định trong nhiều hệ thống học máy truyền thống.\u003C\u002Fp>\u003Ch2>Liên hệ với lập trình tuyến tính và bậc cao hơn\u003C\u002Fh2>\u003Cp>Lập trình bậc hai là sự mở rộng tự nhiên của lập trình tuyến tính (LP). Khi ma trận \u003Cscript type=\"math\u002Ftex\">Q = 0\u003C\u002Fscript>, bài toán QP trở thành LP, có thể giải bằng phương pháp Simplex hoặc Interior Point nhanh chóng. Ngược lại, nếu hàm mục tiêu có bậc cao hơn hai hoặc chứa hàm phi tuyến, bài toán thuộc về {{topic|%7B%22topic%22%3A%22l%E1%BA%ADp%20tr%C3%ACnh%20phi%20tuy%E1%BA%BFn%22%7D}} tổng quát (Nonlinear Programming – NLP).\u003C\u002Fp>\u003Cp>So với NLP, QP có cấu trúc tốt hơn, cho phép áp dụng các thuật toán hiệu quả, dễ quy hoạch tài nguyên tính toán và thường hội tụ nhanh hơn. Đó là lý do vì sao trong các phương pháp như Sequential Quadratic Programming (SQP), mỗi bước lặp được xấp xỉ bằng một bài toán QP con – đảm bảo giải quyết từng bước với độ chính xác cao trong tối ưu hóa phi tuyến.\u003C\u002Fp>\u003Cp>Bảng phân biệt:\u003C\u002Fp>\u003Cfigure>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Loại bài toán\u003C\u002Fth>\u003Cth>Hàm mục tiêu\u003C\u002Fth>\u003Cth>Ràng buộc\u003C\u002Fth>\u003Cth>Độ khó\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>LP\u003C\u002Ftd>\u003Ctd>Tuyến tính\u003C\u002Ftd>\u003Ctd>Tuyến tính\u003C\u002Ftd>\u003Ctd>Thấp\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>QP\u003C\u002Ftd>\u003Ctd>Bậc hai\u003C\u002Ftd>\u003Ctd>Tuyến tính\u003C\u002Ftd>\u003Ctd>Trung bình\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>NLP\u003C\u002Ftd>\u003Ctd>Phi tuyến bất kỳ\u003C\u002Ftd>\u003Ctd>Phi tuyến\u003C\u002Ftd>\u003Ctd>Cao\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Phần mềm và công cụ tính toán\u003C\u002Fh2>\u003Cp>Giải bài toán QP ngày nay được hỗ trợ bởi nhiều phần mềm và thư viện toán học mạnh mẽ. Một số công cụ phổ biến:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>MATLAB:\u003C\u002Fstrong> hàm quadprog hỗ trợ nhiều dạng ràng buộc\u003C\u002Fli>\u003Cli>\u003Cstrong>Python:\u003C\u002Fstrong> CVXOPT, SciPy.optimize, hoặc thư viện chuyên dụng như OSQP, QP_solver\u003C\u002Fli>\u003Cli>\u003Cstrong>Gurobi, CPLEX:\u003C\u002Fstrong> các solver thương mại hiệu suất cao, hỗ trợ song song và đa luồng\u003C\u002Fli>\u003Cli>\u003Cstrong>MOSEK:\u003C\u002Fstrong> mạnh trong giải QP lồi và bài toán quy mô lớn\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các thư viện này hỗ trợ lập mô hình bài toán dễ dàng, tương thích với nhiều ngôn ngữ lập trình và có tài liệu hướng dẫn chi tiết.\u003C\u002Fp>\u003Cp> \u003C\u002Fp>\u003Cp>Trong môi trường tính toán hiệu năng cao (HPC), việc giải các QP có hàng triệu biến và ràng buộc trở nên khả thi nhờ các solver phân tán và GPU-based optimization. Các công cụ hiện đại tích hợp tự động chọn thuật toán phù hợp và điều chỉnh tham số nội bộ để tối đa hóa hiệu quả tính toán.\u003C\u002Fp>\u003Ch2>Hạn chế và hướng nghiên cứu\u003C\u002Fh2>\u003Cp>Mặc dù QP có nhiều ưu điểm, nhưng cũng tồn tại một số hạn chế. Các vấn đề khó như:\u003C\u002Fp>\u003Cul>\u003Cli>Giải QP không lồi: có thể hội tụ chậm hoặc rơi vào nghiệm cục bộ\u003C\u002Fli>\u003Cli>Ràng buộc phi tuyến: không thể xử lý trực tiếp trong QP\u003C\u002Fli>\u003Cli>Ma trận \u003Cscript type=\"math\u002Ftex\">Q\u003C\u002Fscript> gần suy biến (ill-conditioned): gây bất ổn số học\u003C\u002Fli>\u003C\u002Ful>\u003Cp>đặt ra yêu cầu cho nghiên cứu phát triển các thuật toán ổn định và hiệu quả hơn.\u003C\u002Fp>\u003Cp> \u003C\u002Fp>\u003Cp>Các hướng nghiên cứu hiện nay bao gồm: kết hợp QP với học sâu (deep QP), tối ưu hóa tăng cường (reinforcement-guided QP), và giải tích QP bằng mạng nơron (neural QP solvers). Những tiến bộ này hướng tới mục tiêu tích hợp lập trình bậc hai vào các hệ thống tự động hóa, {{topic|%7B%22topic%22%3A%22%C4%91i%E1%BB%81u%20khi%E1%BB%83n%20th%C3%B4ng%20minh%22%7D}}, và mô hình hóa dữ liệu quy mô lớn trong thời gian thực.\u003C\u002Fp>\u003Ch2>Kết luận\u003C\u002Fh2>\u003Cp>Lập trình bậc hai là công cụ mạnh mẽ cho các bài toán tối ưu hóa có cấu trúc đặc biệt, cân bằng tốt giữa khả năng biểu diễn phi tuyến và độ khả thi trong giải thuật. Với sự hỗ trợ từ các công cụ phần mềm hiện đại và vai trò cốt lõi trong nhiều lĩnh vực ứng dụng, QP tiếp tục giữ vai trò trung tâm trong khoa học dữ liệu, tài chính tính toán, kỹ thuật và học máy.\u003C\u002Fp>","Lập trình bậc hai","quadratic programming",[48,49,50,51],"quy hoạch bậc hai","QP","quadratic optimization","tối ưu hóa bậc hai","Lập trình bậc hai trong tối ưu hóa toán học là bài toán tìm cực trị (cực tiểu hoặc cực đại) của một hàm mục tiêu bậc hai gồm nhiều biến số, thỏa mãn đồng thời một hệ thống các ràng buộc tuyến tính dưới dạng các đẳng thức hoặc bất đẳng thức.","NATURAL_SCIENCES",[55,61,66],{"citationText":56,"title":57,"authors":58,"source":59,"year":33,"doi":60,"url":20},"Andersen (2001). Entropy optimization: Interior point methods; Interior point methods for semidefinite programming; Linear programming: Interior point methods; Linear programming: Karmarkar projective algorithm; Potential reduction methods for linear programming; Sequential quadratic programming: Interior point methods for distributed optimal control problems; Successive quadratic programming: Solution by active sets and interior point methods HOMOGENEOUS SELFDUAL METHODS FOR LINEAR PROGRAMMING. Encyclopedia of Optimization.","Entropy optimization: Interior point methods; Interior point methods for semidefinite programming; Linear programming: Interior point methods; Linear programming: Karmarkar projective algorithm; Potential reduction methods for linear programming; Sequential quadratic programming: Interior point methods for distributed optimal control problems; Successive quadratic programming: Solution by active sets and interior point methods HOMOGENEOUS SELFDUAL METHODS FOR LINEAR PROGRAMMING","Andersen","Encyclopedia of Optimization","10.1007\u002F0-306-48332-7_200",{"citationText":62,"title":63,"authors":64,"source":59,"year":33,"doi":65,"url":20},"André (2001). Optimization with equilibrium constraints: A piecewise SQP approach; Sequential quadratic programming: Interior point methods for distributed optimal control problems; Successive quadratic programming; Successive quadratic programming: Applications in distillation systems; Successive quadratic programming: Applications in the process industry; Successive quadratic programming: Decomposition methods; Successive quadratic programming: Full space methods; Successive quadratic programming: Solution by active sets and interior point methodsOptimization with equilibrium constraints: A piecewise SQP approach; Sequential quadratic programming: Interior point methods for distributed optimal control problems; Successive quadratic programming; Successive quadratic programming: Applications in distillation systems; Successive quadratic programming: Applications in the process industry; Successive quadratic programming: Decomposition methods; Successive quadratic programming: Full space methods; Successive quadratic programming: Solution by active sets and interior point methodsFEASIBLE SEQUENTIAL QUADRATIC PROGRAMMING. Encyclopedia of Optimization.","Optimization with equilibrium constraints: A piecewise SQP approach; Sequential quadratic programming: Interior point methods for distributed optimal control problems; Successive quadratic programming; Successive quadratic programming: Applications in distillation systems; Successive quadratic programming: Applications in the process industry; Successive quadratic programming: Decomposition methods; Successive quadratic programming: Full space methods; Successive quadratic programming: Solution by active sets and interior point methodsOptimization with equilibrium constraints: A piecewise SQP approach; Sequential quadratic programming: Interior point methods for distributed optimal control problems; Successive quadratic programming; Successive quadratic programming: Applications in distillation systems; Successive quadratic programming: Applications in the process industry; Successive quadratic programming: Decomposition methods; Successive quadratic programming: Full space methods; Successive quadratic programming: Solution by active sets and interior point methodsFEASIBLE SEQUENTIAL QUADRATIC PROGRAMMING","André","10.1007\u002F0-306-48332-7_134",{"citationText":67,"title":68,"authors":69,"source":59,"year":33,"doi":70,"url":20},"Tunç (2001). Duality for semidefinite programming; Entropy optimization: Interior point methods; Homogeneous selfdual methods for linear programming; Linear programming: Interior point methods; Linear programming: Karmarkar projective algorithm; Matrix completion problems; Potential reduction methods for linear programming; Semi-infinite programming, semidefinite programming and perfect duality; Semidefinite programming and determinant maximization; Semidefinite programming and structural optimization; Semidefinite programming: Optimality conditions and stability; Sequential quadratic programming: Interior point methods for distributed optimal control problems; Solving large scale and sparse semidefinite programs; Successive quadratic programming: Solution by active sets and interior point methods INTERIOR POINT METHODS FOR SEMIDEFINITE PROGRAMMING. Encyclopedia of Optimization.","Duality for semidefinite programming; Entropy optimization: Interior point methods; Homogeneous selfdual methods for linear programming; Linear programming: Interior point methods; Linear programming: Karmarkar projective algorithm; Matrix completion problems; Potential reduction methods for linear programming; Semi-infinite programming, semidefinite programming and perfect duality; Semidefinite programming and determinant maximization; Semidefinite programming and structural optimization; Semidefinite programming: Optimality conditions and stability; Sequential quadratic programming: Interior point methods for distributed optimal control problems; Solving large scale and sparse semidefinite programs; Successive quadratic programming: Solution by active sets and interior point methods INTERIOR POINT METHODS FOR SEMIDEFINITE PROGRAMMING","Tunç","10.1007\u002F0-306-48332-7_219",[72,75,78],{"question":73,"answer":74},"Dạng chuẩn tắc của bài toán quy hoạch bậc hai (QP) được phát biểu như thế nào?","Cực tiểu hóa hàm mục tiêu f(x) = (1\u002F2) x^T Q x + c^T x với điều kiện Ax \u003C= b; trong đó Q là ma trận vuông đối xứng bán xác định dương để bảo đảm bài toán lồi.",{"question":76,"answer":77},"Hệ điều kiện Karush-Kuhn-Tucker (KKT) đóng vai trò gì trong lập trình bậc hai?","Điều kiện KKT cung cấp các điều kiện cần và đủ bậc nhất để một điểm là nghiệm tối ưu toàn cục của bài toán quy hoạch bậc hai lồi có ràng buộc.",{"question":79,"answer":80},"Hai thuật toán số học chủ lực để giải bài toán lập trình bậc hai quy mô lớn là gì?","Phương pháp tập hoạt động (Active-Set Method - hiệu quả cho bài toán kích thước vừa) và phương pháp điểm trong (Interior-Point Method - tối ưu cho bài toán quy mô rất lớn).",{"id":82,"researcherId":20,"name":83,"imageUrl":84},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[86,87,88,89,90,91,92,93,94,95],"tối ưu hóa phi tuyến","lập trình tuyến tính","ma trận xác định dương","thuật toán tối ưu hóa","độ phức tạp tính toán","điều kiện cần và đủ","ma trận hiệp phương sai","chiến lược giao dịch","lập trình phi tuyến","điều khiển thông minh",10,true,"PUBLISHED","2025-05-23T10:15:18.340+00:00","2026-09-05T14:09:29.017+00:00","2026-09-05T14:09:21.814+00:00","2026-09-05T13:14:01.970+00:00",388,[105,115,124,128,133,138,141,146,151,154],{"id":106,"title":107,"term":106,"englishTitle":108,"definition":109,"discipline":110,"disciplineCode":111,"disciplineLabel":112,"disciplineColor":113,"disciplineIcon":114},"np khó","NP-khó là gì? Độ phức tạp, định lý Cook và giải pháp","NP-hard","NP-khó là lớp các bài toán tính toán mà mọi bài toán trong lớp NP đều có thể quy dẫn thời gian đa thức về chúng, bao gồm cả các bài toán tối ưu hóa.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":116,"title":117,"term":116,"englishTitle":118,"definition":119,"discipline":53,"disciplineCode":120,"disciplineLabel":121,"disciplineColor":122,"disciplineIcon":123},"độ chệch bias","Độ chệch (Bias) là gì? Công thức tính, phân rã MSE và sự đánh đổi Bias-Variance","statistical bias","Độ chệch (bias) trong thống kê và học máy là sự sai khác có tính hệ thống giữa kỳ vọng toán học của một ước lượng thống kê và giá trị thực sự của tham số tổng thể cần ước lượng.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":125,"title":126,"term":125,"englishTitle":125,"definition":127,"discipline":110,"disciplineCode":111,"disciplineLabel":112,"disciplineColor":113,"disciplineIcon":114},"quadrotor","Quadrotor là gì? Nguyên lý bay bốn cánh quạt, mô hình động lực học, mạch điều khiển và bầy đàn UAV","Quadrotor là máy bay không người lái cánh quạt quay sử dụng bốn động cơ bố trí đối xứng để tạo lực nâng và điều khiển toàn bộ chuyển động không gian.",{"id":129,"title":130,"term":129,"englishTitle":131,"definition":132,"discipline":110,"disciplineCode":111,"disciplineLabel":112,"disciplineColor":113,"disciplineIcon":114},"mô hình swat","Mô hình swat: Khái niệm, nguyên lý và ứng dụng","Soil and Water Assessment Tool (SWAT model)","Mô hình swat là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực engineering technology, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":134,"title":135,"term":134,"englishTitle":136,"definition":137,"discipline":110,"disciplineCode":111,"disciplineLabel":112,"disciplineColor":113,"disciplineIcon":114},"điện khí hóa","Điện khí hóa là gì? Các bài nghiên cứu khoa học liên quan","electrification","Điện khí hóa là quá trình chuyển đổi các hệ thống sử dụng nhiên liệu hóa thạch sang sử dụng năng lượng điện, thúc đẩy quá trình chuyển dịch năng lượng xanh.",{"id":139,"title":140,"term":139,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"hệ thống gợi ý","Hệ thống gợi ý là gì? Các bài nghiên cứu khoa học liên quan",{"id":142,"title":143,"term":142,"englishTitle":144,"definition":145,"discipline":110,"disciplineCode":111,"disciplineLabel":112,"disciplineColor":113,"disciplineIcon":114},"tối ưu hóa quy trình","Tối ưu hóa quy trình là gì? Các phương pháp và ứng dụng","process optimization","Tối ưu hóa quy trình là tập hợp các phương pháp toán học, kỹ thuật và quản lý nhằm điều chỉnh các thông số vận hành của một quy trình để đạt hiệu suất cao nhất theo các mục tiêu xác định dưới những ràng buộc kỹ thuật và kinh tế.",{"id":147,"title":148,"term":147,"englishTitle":149,"definition":150,"discipline":110,"disciplineCode":111,"disciplineLabel":112,"disciplineColor":113,"disciplineIcon":114},"lập trình ràng buộc","Lập trình ràng buộc là gì? Mô hình CSP, thuật toán và ứng dụng","constraint programming","Lập trình ràng buộc là mô hình lập trình khai báo giải quyết các bài toán tối ưu hóa tổ hợp bằng cách kết hợp lan truyền ràng buộc và tìm kiếm quay lui.",{"id":152,"title":153,"term":152,"englishTitle":20,"definition":20,"discipline":20,"disciplineCode":20,"disciplineLabel":20,"disciplineColor":20,"disciplineIcon":20},"mô hình mô phỏng","Mô hình mô phỏng là gì? Các nghiên cứu khoa học liên quan",{"id":155,"title":156,"term":155,"englishTitle":157,"definition":158,"discipline":110,"disciplineCode":111,"disciplineLabel":112,"disciplineColor":113,"disciplineIcon":114},"mô phỏng cfd","Mô phỏng cfd là gì? Các bài nghiên cứu khoa học liên quan","computational fluid dynamics simulation","Mô phỏng CFD (Computational Fluid Dynamics) là phương pháp mô phỏng số học sử dụng máy tính và các thuật toán giải số để phân tích chuyển động của chất lưu (chất lỏng và khí), truyền nhiệt và các hiện tượng vật lý - hóa học đi kèm."]