[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_byId_optimization":3},{"code":4,"data":5,"meta":10},"SUCCESS",{"id":6,"title":7,"description":8,"content":9,"term":6,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":11,"publishUser":10,"keywords":15,"keywordCount":27,"enrichTopicLink":28,"status":29,"createTime":30,"updateTime":31,"publishTime":10,"linkEnrichedTime":10,"contentErrorMessage":10,"viewCount":32,"relateTopics":33},"optimization","Optimization là gì? Các nghiên cứu khoa học về Optimization","Tối ưu hóa là quá trình tìm giá trị tốt nhất của một hàm mục tiêu trong không gian nghiệm, có thể kèm theo các ràng buộc toán học cụ thể. Đây là nền tảng trong toán ứng dụng và khoa học dữ liệu, giúp giải quyết hiệu quả các bài toán ra quyết định trong nhiều lĩnh vực. ","\u003Ch2>Định nghĩa tối ưu hóa (Optimization)\u003C\u002Fh2>\u003Cp>Tối ưu hóa (optimization) là quá trình tìm giá trị tốt nhất của một hàm mục tiêu trong một không gian nghiệm xác định, có thể có hoặc không có ràng buộc. Giá trị tốt nhất ở đây có thể là cực đại hoặc cực tiểu của một hàm số nào đó, phụ thuộc vào mục tiêu thực tế. Tối ưu hóa đóng vai trò nền tảng trong các lĩnh vực {{topic|%7B%22topic%22%3A%22to%C3%A1n%20h%E1%BB%8Dc%20%E1%BB%A9ng%20d%E1%BB%A5ng%22%7D}}, khoa học dữ liệu, trí tuệ nhân tạo, kinh tế học và kỹ thuật.\u003C\u002Fp>\u003Cp>Một {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%7D}} hóa điển hình được biểu diễn dưới dạng:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\min_{x \\in X} f(x)\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>trong đó:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cscript type=\"math\u002Ftex\">f(x)\u003C\u002Fscript>: hàm mục tiêu (objective function)\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>: biến số cần tối ưu\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript>: tập nghiệm khả thi (feasible set)\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Bài toán tối ưu hóa có thể không có ràng buộc (unconstrained) hoặc có ràng buộc (constrained). Khi có ràng buộc, bài toán bao gồm các điều kiện đẳng thức \u003Cscript type=\"math\u002Ftex\">h_i(x) = 0\u003C\u002Fscript> hoặc bất đẳng thức \u003Cscript type=\"math\u002Ftex\">g_i(x) \\leq 0\u003C\u002Fscript>. Một ví dụ điển hình là tìm kết cấu chịu lực tốt nhất với {{topic|%7B%22topic%22%3A%22kh%E1%BB%91i%20l%C6%B0%E1%BB%A3ng%22%7D}} nhỏ nhất mà vẫn đảm bảo điều kiện an toàn.\u003C\u002Fp>\u003Ch2>Phân loại các bài toán tối ưu\u003C\u002Fh2>\u003Cp>Tùy vào cấu trúc hàm mục tiêu và ràng buộc, {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%7D}} được phân loại thành nhiều dạng khác nhau. Mỗi loại bài toán có đặc điểm riêng và yêu cầu phương pháp giải phù hợp. Dưới đây là một số phân loại phổ biến:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Tối ưu hóa không ràng buộc:\u003C\u002Fstrong> chỉ {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20%C6%B0u%22%7D}} hàm số mà không có điều kiện kèm theo, thường gặp trong bài toán học máy đơn giản.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tối ưu hóa có ràng buộc:\u003C\u002Fstrong> nghiệm cần thỏa mãn một hệ các phương trình hoặc bất phương trình.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tối ưu hóa lồi (convex optimization):\u003C\u002Fstrong> hàm mục tiêu và miền nghiệm đều lồi, đảm bảo nghiệm tối ưu toàn cục.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tối ưu hóa không lồi:\u003C\u002Fstrong> khó hơn, có thể có nhiều cực trị cục bộ, thường cần dùng {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%20x%E1%BA%A5p%20x%E1%BB%89%22%7D}} hoặc heuristic.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tối ưu hóa tổ hợp (combinatorial optimization):\u003C\u002Fstrong> không gian nghiệm rời rạc, như bài toán người giao hàng, bài toán lập lịch.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tối ưu hóa đa mục tiêu:\u003C\u002Fstrong> tồn tại nhiều mục tiêu cần tối ưu đồng thời, thường dùng khái niệm Pareto optimality.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Bảng phân loại sau giúp so sánh một số dạng bài toán tối ưu phổ biến:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Loại bài toán\u003C\u002Fth>\u003Cth>Đặc điểm\u003C\u002Fth>\u003Cth>Ví dụ ứng dụng\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Không ràng buộc\u003C\u002Ftd>\u003Ctd>Miền nghiệm tự do\u003C\u002Ftd>\u003Ctd>Điều chỉnh tham số mô hình trong {{topic|%7B%22topic%22%3A%22h%E1%BB%8Dc%20m%C3%A1y%22%7D}}\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Có ràng buộc\u003C\u002Ftd>\u003Ctd>Thỏa mãn tập điều kiện\u003C\u002Ftd>\u003Ctd>Tối ưu hóa kết cấu cơ khí\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Lồi\u003C\u002Ftd>\u003Ctd>Bảo đảm nghiệm tối ưu toàn cục\u003C\u002Ftd>\u003Ctd>Tối ưu hóa {{topic|%7B%22topic%22%3A%22danh%20m%E1%BB%A5c%20%C4%91%E1%BA%A7u%20t%C6%B0%22%7D}} tài chính\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Tổ hợp\u003C\u002Ftd>\u003Ctd>Không gian rời rạc\u003C\u002Ftd>\u003Ctd>Tối ưu lộ trình giao hàng\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Đa mục tiêu\u003C\u002Ftd>\u003Ctd>Nhiều hàm cần tối ưu cùng lúc\u003C\u002Ftd>\u003Ctd>Thiết kế kỹ thuật tối ưu cả chi phí và hiệu suất\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Ứng dụng trong thực tế\u003C\u002Fh2>\u003Cp>Tối ưu hóa là công cụ không thể thiếu trong việc giải quyết các vấn đề {{topic|%7B%22topic%22%3A%22th%E1%BB%B1c%20ti%E1%BB%85n%22%7D}} phức tạp. Các ngành như kỹ thuật, tài chính, logistics, trí tuệ nhân tạo và y tế đều sử dụng tối ưu hóa như một phần thiết yếu của quá trình phân tích và ra quyết định.\u003C\u002Fp>\u003Cp>Một số ứng dụng tiêu biểu:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Trong kỹ thuật:\u003C\u002Fstrong> tối ưu thiết kế cấu trúc, hệ thống điều khiển, {{topic|%7B%22topic%22%3A%22hi%E1%BB%87u%20su%E1%BA%A5t%20n%C4%83ng%20l%C6%B0%E1%BB%A3ng%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Trong tài chính:\u003C\u002Fstrong> phân bổ tài sản, tối ưu lợi nhuận kỳ vọng dưới rủi ro cho phép.\u003C\u002Fli>\u003Cli>\u003Cstrong>Trong {{topic|%7B%22topic%22%3A%22logistics%22%7D}}:\u003C\u002Fstrong> tối ưu hóa lộ trình vận chuyển, quản lý kho hàng, dự báo nhu cầu.\u003C\u002Fli>\u003Cli>\u003Cstrong>Trong AI\u002FML:\u003C\u002Fstrong> huấn luyện mô hình, lựa chọn siêu tham số, giảm sai số dự đoán.\u003C\u002Fli>\u003Cli>\u003Cstrong>Trong {{topic|%7B%22topic%22%3A%22y%20sinh%22%7D}}:\u003C\u002Fstrong> cá nhân hóa liều lượng thuốc, mô hình hóa phản ứng sinh học.\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Ví dụ trong học máy, bài toán tối ưu có thể là tìm vector tham số \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> sao cho hàm mất mát \u003Cscript type=\"math\u002Ftex\">\\mathcal{L}(\\theta)\u003C\u002Fscript> đạt giá trị thấp nhất, từ đó mô hình học được phân phối dữ liệu tốt nhất. Trong công nghiệp sản xuất, tối ưu hóa có thể giúp tiết kiệm nguyên vật liệu và giảm chi phí vận hành.\u003C\u002Fp>\u003Ch2>Mô hình hóa bài toán tối ưu\u003C\u002Fh2>\u003Cp>Mô hình hóa là bước đầu tiên và quan trọng nhất trong quy trình giải bài toán tối ưu. Việc chuyển một vấn đề thực tiễn thành một mô hình toán học gồm biến, hàm mục tiêu và ràng buộc giúp áp dụng các kỹ thuật giải toán hiệu quả.\u003C\u002Fp>\u003Cp>Một mô hình tối ưu hóa thường gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Biến quyết định (Decision variables):\u003C\u002Fstrong> Các đại lượng cần xác định giá trị.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hàm mục tiêu (Objective function):\u003C\u002Fstrong> Đại diện cho mục tiêu cần tối đa hóa hoặc tối thiểu hóa.\u003C\u002Fli>\u003Cli>\u003Cstrong>Ràng buộc (Constraints):\u003C\u002Fstrong> Điều kiện mà nghiệm phải thỏa mãn.\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Ví dụ: trong bài toán phân phối hàng hóa\u003C\u002Fp>\u003Cul>\u003Cli>Biến: số lượng hàng chuyển từ kho i đến điểm j\u003C\u002Fli>\u003Cli>Hàm mục tiêu: tổng chi phí vận chuyển cần tối thiểu hóa\u003C\u002Fli>\u003Cli>Ràng buộc: tổng hàng xuất không vượt quá tồn kho, tổng hàng nhận đúng nhu cầu\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Quy trình mô hình hóa bài toán tối ưu có thể được tóm tắt trong bảng sau:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Bước\u003C\u002Fth>\u003Cth>Mô tả\u003C\u002Fth>\u003Cth>Ví dụ minh họa\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>1. Xác định mục tiêu\u003C\u002Ftd>\u003Ctd>Lợi nhuận, chi phí, rủi ro...\u003C\u002Ftd>\u003Ctd>Giảm thời gian giao hàng\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>2. Xác định biến số\u003C\u002Ftd>\u003Ctd>Giá trị cần tìm để tối ưu\u003C\u002Ftd>\u003Ctd>Số xe vận chuyển\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>3. Xây dựng hàm mục tiêu\u003C\u002Ftd>\u003Ctd>Hàm phụ thuộc biến số\u003C\u002Ftd>\u003Ctd>Tổng chi phí vận hành\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>4. Thiết lập ràng buộc\u003C\u002Ftd>\u003Ctd>Các điều kiện giới hạn\u003C\u002Ftd>\u003Ctd>Xe không vượt trọng tải\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Phương pháp giải tối ưu hóa\u003C\u002Fh2>\u003Cp>Việc lựa chọn phương pháp giải bài toán tối ưu phụ thuộc vào loại bài toán, tính chất hàm mục tiêu, ràng buộc và độ phức tạp tính toán. Các phương pháp được phân chia thành hai nhóm lớn: giải tích (analytical) và số học (numerical).\u003C\u002Fp>\u003Cp>Một số phương pháp phổ biến bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Phương pháp đạo hàm:\u003C\u002Fstrong> Áp dụng cho bài toán liên tục, khả vi. Tìm điểm dừng bằng cách giải phương trình \u003Cscript type=\"math\u002Ftex\">\\nabla f(x) = 0\u003C\u002Fscript>.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phương pháp Gradient Descent:\u003C\u002Fstrong> Cập nhật nghiệm theo hướng ngược gradient. Được dùng rộng rãi trong huấn luyện mô hình học máy.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phương pháp Newton và Quasi-Newton:\u003C\u002Fstrong> Dựa trên ma trận Hessian để tăng tốc hội tụ.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phương pháp lập trình tuyến tính (Linear Programming):\u003C\u002Fstrong> Áp dụng với hàm mục tiêu và ràng buộc tuyến tính. Phổ biến nhất là Simplex Method và Interior-Point Method.\u003C\u002Fli>\u003Cli>\u003Cstrong>Thuật toán heuristic\u002Fmetaheuristic:\u003C\u002Fstrong> Áp dụng cho bài toán phi tuyến, không khả vi hoặc tổ hợp. Gồm Genetic Algorithm, Simulated Annealing, Particle Swarm Optimization.\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Ví dụ: gradient descent cập nhật nghiệm theo công thức:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">x_{k+1} = x_k - \\alpha_k \\nabla f(x_k)\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>trong đó \u003Cscript type=\"math\u002Ftex\">\\alpha_k\u003C\u002Fscript> là tốc độ học (learning rate) và \u003Cscript type=\"math\u002Ftex\">\\nabla f(x_k)\u003C\u002Fscript> là gradient tại điểm \u003Cscript type=\"math\u002Ftex\">x_k\u003C\u002Fscript>.\u003C\u002Fp>\u003Ch2>Vai trò trong học máy và AI\u003C\u002Fh2>\u003Cp>Trong học máy, tối ưu hóa là bước cốt lõi của quá trình học. Việc huấn luyện mô hình nhằm mục tiêu tìm bộ tham số \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> tối ưu sao cho sai số dự đoán nhỏ nhất trên tập dữ liệu huấn luyện.\u003C\u002Fp>\u003Cp>Công thức tổng quát của quá trình này:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\min_{\\theta} \\mathcal{L}(\\theta) = \\frac{1}{n} \\sum_{i=1}^{n} \\ell(f(x_i; \\theta), y_i)\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\mathcal{L}\u003C\u002Fscript>: hàm mất mát (loss function)\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">f(x_i; \\theta)\u003C\u002Fscript>: đầu ra dự đoán của mô hình\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">y_i\u003C\u002Fscript>: nhãn thực tế\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Các kỹ thuật như Early Stopping, Regularization cũng là hình thức tối ưu hóa có ràng buộc nhằm ngăn hiện tượng overfitting. Trong học sâu (deep learning), các thuật toán như SGD, Adam, RMSprop giúp điều chỉnh tham số của mạng nơ-ron theo hướng cực tiểu hàm mất mát phi tuyến và không lồi.\u003C\u002Fp>\u003Ch2>Tối ưu hóa trong học sâu (Deep Learning)\u003C\u002Fh2>\u003Cp>Do đặc điểm phi tuyến, số lượng tham số lớn và dữ liệu cao chiều, tối ưu hóa trong deep learning gặp nhiều thách thức. Các phương pháp dựa trên gradient được thiết kế để tính toán hiệu quả trên GPU, sử dụng batch và mini-batch để tăng tốc.\u003C\u002Fp>\u003Cp>Một số thuật toán nổi bật:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Thuật toán\u003C\u002Fth>\u003Cth>Đặc điểm chính\u003C\u002Fth>\u003Cth>Ứng dụng\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>SGD\u003C\u002Ftd>\u003Ctd>Cập nhật từng bước nhỏ, đơn giản\u003C\u002Ftd>\u003Ctd>Huấn luyện mô hình nhỏ đến trung bình\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Adam\u003C\u002Ftd>\u003Ctd>Kết hợp động lượng và điều chỉnh tốc độ học\u003C\u002Ftd>\u003Ctd>Phổ biến trong mọi kiến trúc deep learning\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>RMSprop\u003C\u002Ftd>\u003Ctd>Điều chỉnh tốc độ học theo từng tham số\u003C\u002Ftd>\u003Ctd>Mạng RNN, bài toán tuần tự\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>Hàm mất mát trong deep learning thường không lồi, nên các thuật toán tối ưu chủ yếu tìm nghiệm cục bộ tốt thay vì tối ưu toàn cục. Sự kết hợp giữa chiến lược học (learning strategy) và lựa chọn thuật toán là yếu tố quyết định hiệu quả tối ưu.\u003C\u002Fp>\u003Ch2>Ràng buộc và điều kiện KKT\u003C\u002Fh2>\u003Cp>Với bài toán tối ưu hóa có ràng buộc, điều kiện cần để xác định nghiệm tối ưu là điều kiện Karush-Kuhn-Tucker (KKT). Đây là sự mở rộng của phương pháp nhân tử Lagrange cho bài toán có ràng buộc bất đẳng thức.\u003C\u002Fp>\u003Cp>Hệ điều kiện KKT được biểu diễn như sau:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\begin{cases} \\nabla f(x^*) + \\sum_{i=1}^{m} \\lambda_i \\nabla g_i(x^*) = 0 \\\\ g_i(x^*) \\leq 0,\\ \\lambda_i \\geq 0,\\ \\lambda_i g_i(x^*) = 0 \\end{cases}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>trong đó:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cscript type=\"math\u002Ftex\">g_i(x)\u003C\u002Fscript>: các ràng buộc bất đẳng thức\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\lambda_i\u003C\u002Fscript>: nhân tử Lagrange\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Điều kiện KKT cung cấp nền tảng cho nhiều thuật toán tối ưu phi tuyến hiện đại, đặc biệt trong tối ưu hóa có ràng buộc phi tuyến.\u003C\u002Fp>\u003Ch2>Phần mềm và công cụ hỗ trợ\u003C\u002Fh2>\u003Cp>Tối ưu hóa hiện đại được hỗ trợ bởi nhiều thư viện và công cụ mạnh mẽ, từ mã nguồn mở đến thương mại. Việc sử dụng phần mềm chuyên biệt giúp giải quyết bài toán nhanh chóng, đặc biệt với bài toán quy mô lớn.\u003C\u002Fp>\u003Cp>Một số công cụ tiêu biểu:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fcvxopt.org\">CVXOPT\u003C\u002Fa>: Thư viện Python cho tối ưu hóa lồi\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.gurobi.com\">Gurobi\u003C\u002Fa>: Trình giải thương mại tối ưu hóa tuyến tính và nguyên\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fanalytics\u002Fcplex-optimizer\">IBM CPLEX\u003C\u002Fa>: Hỗ trợ tối ưu hóa tuyến tính, nguyên và phi tuyến\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fjulialang.org\u002Fpackages\u002FOptimization\u002F\">Julia Optimization\u003C\u002Fa>: Giao diện tối ưu hóa linh hoạt trên Julia\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fscipy.org\">SciPy.optimize\u003C\u002Fa>: Thư viện Python cho bài toán tối ưu hóa tổng quát\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\u003Col>\u003Cli>Boyd, S., & Vandenberghe, L. (2004). \u003Ci>Convex Optimization\u003C\u002Fi>. Cambridge University Press.\u003C\u002Fli>\u003Cli>Nocedal, J., & Wright, S. J. (2006). \u003Ci>Numerical Optimization\u003C\u002Fi>. Springer.\u003C\u002Fli>\u003Cli>Carnegie Mellon University – Center for Optimization. \u003Ca href=\"https:\u002F\u002Foptimization.cmu.edu\">https:\u002F\u002Foptimization.cmu.edu\u003C\u002Fa>\u003C\u002Fli>\u003Cli>SciPy Optimize Library. \u003Ca href=\"https:\u002F\u002Fdocs.scipy.org\u002Fdoc\u002Fscipy\u002Freference\u002Foptimize.html\">https:\u002F\u002Fdocs.scipy.org\u003C\u002Fa>\u003C\u002Fli>\u003Cli>PyTorch Optimization. \u003Ca href=\"https:\u002F\u002Fpytorch.org\u002Fdocs\u002Fstable\u002Foptim.html\">https:\u002F\u002Fpytorch.org\u003C\u002Fa>\u003C\u002Fli>\u003Cli>Gurobi Optimizer. \u003Ca href=\"https:\u002F\u002Fwww.gurobi.com\">https:\u002F\u002Fwww.gurobi.com\u003C\u002Fa>\u003C\u002Fli>\u003Cli>IBM CPLEX Optimizer. \u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fanalytics\u002Fcplex-optimizer\">https:\u002F\u002Fwww.ibm.com\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>",null,{"id":12,"researcherId":10,"name":13,"imageUrl":14},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[16,17,18,17,19,20,21,22,23,24,25,26],"toán học ứng dụng","bài toán tối ưu","khối lượng","tối ưu","thuật toán xấp xỉ","học máy","danh mục đầu tư","thực tiễn","hiệu suất năng lượng","logistics","y sinh",12,true,"PUBLISHED","2023-08-15T12:57:19.036+00:00","2025-11-05T03:09:27.981+00:00",1026,[34,37,40,43,46,49,52,55,58,61],{"id":35,"title":36,"term":35,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":38,"title":39,"term":38,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":41,"title":42,"term":41,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"cơ sở vật chất","Cơ sở vật chất là gì? Các công bố khoa học về Cơ sở vật chất",{"id":44,"title":45,"term":44,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":47,"title":48,"term":47,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"in silico","In silico là gì? Các công bố khoa học về In silico",{"id":50,"title":51,"term":50,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":53,"title":54,"term":53,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":56,"title":57,"term":56,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu liên ngành","Nghiên cứu liên ngành là gì? Các nghiên cứu khoa học",{"id":59,"title":60,"term":59,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thực nghiệm","Thực nghiệm là gì? Các nghiên cứu khoa học Thực nghiệm",{"id":62,"title":63,"term":62,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực sáng tạo","Năng lực sáng tạo là gì? Các nghiên cứu khoa học liên quan"]