[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_t%C3%ACm%20ki%E1%BA%BFm%20nh%E1%BB%8B%20ph%C3%A2n{\"limit\":5}":3,"_public_topic_byId_t%C3%ACm%20ki%E1%BA%BFm%20nh%E1%BB%8B%20ph%C3%A2n":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":26,"enrichTopicLink":27,"status":28,"createTime":29,"updateTime":30,"publishTime":31,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":32,"wikidataId":10,"relateTopics":33},"tìm kiếm nhị phân","Tìm kiếm nhị phân là gì? Các nghiên cứu khoa học liên quan","Tìm kiếm nhị phân là thuật toán tìm phần tử trong dãy đã sắp xếp bằng cách liên tục chia đôi và loại bỏ nửa không chứa giá trị cần tìm. Với độ phức tạp thời gian \u003Cscript type=\"math\u002Ftex\">O(\\log n)\u003C\u002Fscript>, nó hiệu quả hơn nhiều so với tìm kiếm tuyến tính trong các tập dữ liệu lớn và được dùng rộng rãi trong lập trình và hệ thống tìm kiếm. ","\u003Cdiv>\u003Ch2>Giới thiệu về tìm kiếm nhị phân\u003C\u002Fh2>\n\u003Cp>\nTìm kiếm nhị phân là một thuật toán được sử dụng rộng rãi trong khoa học máy tính để tìm kiếm phần tử trong một tập dữ liệu đã được sắp xếp. Thay vì duyệt tuần tự từng phần tử như trong tìm kiếm tuyến tính, thuật toán này áp dụng phương pháp chia để trị (divide and conquer), giúp rút ngắn đáng kể thời gian tìm kiếm.\n\u003C\u002Fp>\n\u003Cp>\nÝ tưởng cốt lõi là tại mỗi bước, ta so sánh phần tử ở giữa với giá trị cần tìm. Nếu hai giá trị bằng nhau, quá trình kết thúc. Nếu không, một nửa của dãy sẽ bị loại bỏ khỏi phạm vi tìm kiếm – bên trái nếu giá trị cần tìm nhỏ hơn, bên phải nếu lớn hơn. Nhờ loại bỏ một nửa mỗi lần, số lần so sánh giảm theo cấp số nhân.\n\u003C\u002Fp>\n\u003Cp>\nVới dữ liệu có kích thước lớn, tìm kiếm nhị phân cho hiệu quả vượt trội. Ví dụ, để tìm một giá trị trong mảng có một triệu phần tử, số bước kiểm tra tối đa chỉ vào khoảng \u003Cscript type=\"math\u002Ftex\">\\log_2(10^6) \\approx 20\u003C\u002Fscript> lần. Điều này khiến thuật toán trở thành lựa chọn lý tưởng trong các ứng dụng như từ điển điện tử, tìm kiếm nhạc, mã hóa dữ liệu, hoặc cơ sở dữ liệu khổng lồ.\n\u003C\u002Fp>\n\n\u003Ch2>Điều kiện áp dụng\u003C\u002Fh2>\n\u003Cp>\nThuật toán tìm kiếm nhị phân không thể áp dụng tùy tiện cho bất kỳ tập dữ liệu nào. Điều kiện tiên quyết là mảng đầu vào phải được sắp xếp theo thứ tự tăng (hoặc giảm). Nếu không thỏa mãn điều kiện này, kết quả của thuật toán có thể sai hoàn toàn hoặc không xác định.\n\u003C\u002Fp>\n\u003Cp>\nMột trường hợp đơn giản: nếu áp dụng tìm kiếm nhị phân trên một mảng chưa được sắp xếp như [5, 3, 9, 1, 7], thuật toán sẽ hoạt động sai vì nó giả định rằng phần tử trung vị đại diện cho xu hướng toàn cục – điều không đúng trong tập dữ liệu lộn xộn. Do đó, thao tác tiền xử lý rất quan trọng.\n\u003C\u002Fp>\n\u003Cp>\nCác thuật toán sắp xếp thường được dùng trước khi thực hiện tìm kiếm nhị phân bao gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Quick Sort\u003C\u002Fstrong>: Trung bình \u003Cscript type=\"math\u002Ftex\">O(n \\log n)\u003C\u002Fscript>, hiệu quả cao nhưng không ổn định\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Merge Sort\u003C\u002Fstrong>: Ổn định, luôn \u003Cscript type=\"math\u002Ftex\">O(n \\log n)\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Heap Sort\u003C\u002Fstrong>: Không ổn định, hiệu suất tốt, \u003Cscript type=\"math\u002Ftex\">O(n \\log n)\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nNếu tần suất tìm kiếm cao, ví dụ như trong hệ thống tìm kiếm thời gian thực, chi phí sắp xếp một lần có thể được bỏ qua vì được bù lại bởi hàng nghìn lượt truy vấn tìm kiếm tiếp theo.\n\u003C\u002Fp>\n\n\u003Ch2>Mô tả thuật toán\u003C\u002Fh2>\n\u003Cp>\nThuật toán tìm kiếm nhị phân có thể được mô tả bằng quy trình lặp hoặc đệ quy, nhưng về bản chất đều tuân theo các bước giống nhau. Ta xét một dãy tăng dần và một giá trị mục tiêu \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>. Ban đầu, xác định hai chỉ số \u003Cscript type=\"math\u002Ftex\">low\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">high\u003C\u002Fscript> là đầu và cuối mảng. Tính vị trí giữa:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">mid = \\left\\lfloor \\frac{low + high}{2} \\right\\rfloor\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nSau đó so sánh:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Nếu \u003Cscript type=\"math\u002Ftex\">arr[mid] == x\u003C\u002Fscript>: Trả về vị trí \u003Cscript type=\"math\u002Ftex\">mid\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>Nếu \u003Cscript type=\"math\u002Ftex\">arr[mid] &lt; x\u003C\u002Fscript>: Tìm tiếp trong nửa phải \u003Cscript type=\"math\u002Ftex\">[mid+1, high]\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>Nếu \u003Cscript type=\"math\u002Ftex\">arr[mid] &gt; x\u003C\u002Fscript>: Tìm trong nửa trái \u003Cscript type=\"math\u002Ftex\">[low, mid-1]\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nQuá trình lặp tiếp tục cho đến khi tìm được phần tử hoặc khi chỉ số \u003Cscript type=\"math\u002Ftex\">low &gt; high\u003C\u002Fscript>, lúc này kết luận phần tử không tồn tại.\n\u003C\u002Fp>\n\u003Cp>\nBảng tóm tắt luồng thuật toán:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Bước\u003C\u002Fth>\n      \u003Cth>Giá trị\u003C\u002Fth>\n      \u003Cth>Hành động\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>1\u003C\u002Ftd>\n      \u003Ctd>Tính \u003Cscript type=\"math\u002Ftex\">mid = \\left\\lfloor \\frac{low + high}{2} \\right\\rfloor\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Xác định vị trí kiểm tra\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>2\u003C\u002Ftd>\n      \u003Ctd>So sánh \u003Cscript type=\"math\u002Ftex\">arr[mid]\u003C\u002Fscript> với \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Quyết định tìm trái\u002Fphải hoặc trả về\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>3\u003C\u002Ftd>\n      \u003Ctd>Cập nhật \u003Cscript type=\"math\u002Ftex\">low\u003C\u002Fscript> hoặc \u003Cscript type=\"math\u002Ftex\">high\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Thu hẹp phạm vi\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\nVới cách chia dãy liên tục này, số lần kiểm tra tối đa cần thiết là \u003Cscript type=\"math\u002Ftex\">\\left\\lfloor \\log_2(n) \\right\\rfloor + 1\u003C\u002Fscript> lần.\n\u003C\u002Fp>\n\n\u003Ch2>Độ phức tạp thuật toán\u003C\u002Fh2>\n\u003Cp>\nĐộ phức tạp thuật toán được phân tích theo số bước lặp (hoặc đệ quy) cần để giảm phạm vi tìm kiếm xuống còn một phần tử. Do mỗi lần giảm một nửa số phần tử, số bước cần là logarit cơ số 2 của kích thước đầu vào.\n\u003C\u002Fp>\n\u003Cp>\nPhân tích chi tiết:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Trường hợp tốt nhất:\u003C\u002Fstrong> Phần tử được tìm thấy ở bước đầu tiên, độ phức tạp \u003Cscript type=\"math\u002Ftex\">O(1)\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Trung bình và xấu nhất:\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">O(\\log_2 n)\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nTrong so sánh với tìm kiếm tuyến tính – có độ phức tạp \u003Cscript type=\"math\u002Ftex\">O(n)\u003C\u002Fscript> – hiệu quả của tìm kiếm nhị phân tăng rõ rệt khi kích thước mảng lớn. \n\u003C\u002Fp>\n\u003Cp>\nTuy nhiên, thuật toán đòi hỏi khả năng truy cập ngẫu nhiên tới phần tử giữa, do đó không hiệu quả nếu áp dụng cho cấu trúc dữ liệu tuyến tính như danh sách liên kết (linked list). Trong các cấu trúc này, mỗi lần truy cập phần tử giữa yêu cầu duyệt từ đầu, làm mất toàn bộ ưu thế logarit.\n\u003C\u002Fp>\n\u003Ch2>Cài đặt trong ngôn ngữ lập trình\u003C\u002Fh2>\n\u003Cp>\nTìm kiếm nhị phân có thể được cài đặt theo hai cách phổ biến: sử dụng vòng lặp (phi đệ quy) hoặc sử dụng đệ quy. Trong thực tế, cả hai đều có độ phức tạp thời gian tương đương, nhưng có sự khác biệt nhỏ về hiệu năng và sử dụng bộ nhớ.\n\u003C\u002Fp>\n\u003Cp>\nPhiên bản dùng vòng lặp thường được ưa chuộng hơn trong môi trường thực thi giới hạn bộ nhớ vì không tạo thêm stack frame cho mỗi lần gọi hàm. Trong khi đó, phiên bản đệ quy ngắn gọn hơn và gần gũi về mặt khái niệm.\n\u003C\u002Fp>\n\u003Cp>\nVí dụ về cài đặt bằng Python (dạng vòng lặp):\n\u003C\u002Fp>\n\u003Cpre>def binary_search(arr, x):\n    low, high = 0, len(arr) - 1\n    while low &lt;= high:\n        mid = (low + high) \u002F\u002F 2\n        if arr[mid] == x:\n            return mid\n        elif arr[mid] &lt; x:\n            low = mid + 1\n        else:\n            high = mid - 1\n    return -1\n\u003C\u002Fpre>\n\u003Cp>\nThư viện chuẩn trong nhiều ngôn ngữ lập trình hiện đại như C++, Java, Python đều đã có hàm hỗ trợ tìm kiếm nhị phân. Trong C++, có thể sử dụng \u003Ccode>std::binary_search\u003C\u002Fcode> từ thư viện \u003Ca href=\"https:\u002F\u002Fen.cppreference.com\u002Fw\u002Fcpp\u002Falgorithm\u002Fbinary_search\" target=\"_blank\">algorithm\u003C\u002Fa>. Python cung cấp module \u003Ccode>bisect\u003C\u002Fcode> với hàm \u003Ccode>bisect_left()\u003C\u002Fcode> và \u003Ccode>bisect_right()\u003C\u002Fcode>.\n\u003C\u002Fp>\n\n\u003Ch2>Tìm kiếm nhị phân đệ quy và lặp\u003C\u002Fh2>\n\u003Cp>\nTrong cài đặt đệ quy, mỗi lần gọi hàm tạo ra một phiên bản mới của hàm với phạm vi tìm kiếm được thu hẹp. Ưu điểm của cách này là ngắn gọn và dễ kiểm soát logic, nhưng nó sử dụng bộ nhớ ngăn xếp, dẫn đến nguy cơ tràn ngăn xếp (stack overflow) nếu mảng quá lớn hoặc môi trường không hỗ trợ tối ưu đệ quy.\n\u003C\u002Fp>\n\u003Cp>\nSo sánh hai phương pháp:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Tiêu chí\u003C\u002Fth>\n      \u003Cth>Đệ quy\u003C\u002Fth>\n      \u003Cth>Vòng lặp\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Độ phức tạp thời gian\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">O(\\log n)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">O(\\log n)\u003C\u002Fscript>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Độ phức tạp không gian\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">O(\\log n)\u003C\u002Fscript> (stack)\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">O(1)\u003C\u002Fscript>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Khả năng tối ưu hóa\u003C\u002Ftd>\n      \u003Ctd>Giới hạn, phụ thuộc ngôn ngữ\u003C\u002Ftd>\n      \u003Ctd>Cao, dễ cải tiến\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\nVới môi trường sản xuất yêu cầu hiệu năng cao, phiên bản lặp thường là lựa chọn mặc định.\n\u003C\u002Fp>\n\n\u003Ch2>Mở rộng: tìm kiếm nhị phân trên hàm số và không gian\u003C\u002Fh2>\n\u003Cp>\nTìm kiếm nhị phân có thể áp dụng không chỉ trên mảng số nguyên mà còn trên miền giá trị thực, dãy vô hạn hoặc không gian giải pháp trong các bài toán tối ưu. Phương pháp này thường được gọi là “tìm kiếm nhị phân trên đáp án” (binary search on answer) và rất phổ biến trong lập trình cạnh tranh.\n\u003C\u002Fp>\n\u003Cp>\nMột số ví dụ mở rộng:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tìm nghiệm gần đúng:\u003C\u002Fstrong> Giải phương trình \u003Cscript type=\"math\u002Ftex\">f(x) = 0\u003C\u002Fscript> bằng tìm kiếm nhị phân trên đoạn \u003Cscript type=\"math\u002Ftex\">[a, b]\u003C\u002Fscript> khi \u003Cscript type=\"math\u002Ftex\">f\u003C\u002Fscript> đơn điệu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tối ưu hóa đơn điệu:\u003C\u002Fstrong> Tìm giá trị nhỏ nhất mà điều kiện bài toán vẫn thỏa mãn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tối thiểu hóa sai số:\u003C\u002Fstrong> Dừng tìm kiếm khi hiệu giữa hai giá trị đầu-cuối nhỏ hơn \u003Cscript type=\"math\u002Ftex\">\\varepsilon\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nKỹ thuật này thường đi kèm với phép kiểm tra điều kiện dạng boolean và được sử dụng rộng rãi trong bài toán như “tối thiểu kích thước thỏa mãn”, “tối đa hóa lợi nhuận trong ràng buộc”, hoặc “chia mảng thành k phần sao cho tổng nhỏ nhất lớn nhất là nhỏ nhất”.\n\u003C\u002Fp>\n\n\u003Ch2>So sánh với các thuật toán tìm kiếm khác\u003C\u002Fh2>\n\u003Cp>\nĐể đánh giá hiệu quả của tìm kiếm nhị phân, cần đặt nó cạnh các thuật toán tìm kiếm phổ biến khác. Dưới đây là bảng so sánh:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thuật toán\u003C\u002Fth>\n      \u003Cth>Điều kiện áp dụng\u003C\u002Fth>\n      \u003Cth>Độ phức tạp\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n      \u003Cth>Nhược điểm\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Tuyến tính\u003C\u002Ftd>\n      \u003Ctd>Bất kỳ\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">O(n)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Đơn giản, không cần sắp xếp\u003C\u002Ftd>\n      \u003Ctd>Chậm với dữ liệu lớn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Nhị phân\u003C\u002Ftd>\n      \u003Ctd>Dữ liệu đã sắp xếp\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">O(\\log n)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Nhanh, hiệu quả cao\u003C\u002Ftd>\n      \u003Ctd>Cần sắp xếp trước\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Nội suy (interpolation)\u003C\u002Ftd>\n      \u003Ctd>Dữ liệu phân bố đều\u003C\u002Ftd>\n      \u003Ctd>Trung bình \u003Cscript type=\"math\u002Ftex\">O(\\log \\log n)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Cực nhanh khi phù hợp\u003C\u002Ftd>\n      \u003Ctd>Dễ sai nếu dữ liệu phân bố lệch\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Hạn chế của tìm kiếm nhị phân\u003C\u002Fh2>\n\u003Cp>\nDù là một trong những thuật toán tìm kiếm hiệu quả nhất, tìm kiếm nhị phân vẫn có những hạn chế rõ ràng trong một số ngữ cảnh:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Cần dữ liệu sắp xếp:\u003C\u002Fstrong> Đây là điều kiện bắt buộc, việc sắp xếp có thể tốn nhiều tài nguyên.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Không tối ưu với dữ liệu động:\u003C\u002Fstrong> Nếu dữ liệu thay đổi liên tục, chi phí sắp xếp lại là vấn đề.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Yêu cầu truy cập ngẫu nhiên:\u003C\u002Fstrong> Không phù hợp với danh sách liên kết đơn hoặc cây không cân bằng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nMột lỗi phổ biến trong cài đặt là sử dụng phép cộng trực tiếp khi tính chỉ số trung vị:\n\u003Cscript type=\"math\u002Ftex\">mid = \\frac{low + high}{2}\u003C\u002Fscript>\n\u003C\u002Fp>\u003Cp>\nĐiều này có thể gây tràn số nguyên với ngôn ngữ như C hoặc Java. Cách tính an toàn hơn là:\n\u003Cscript type=\"math\u002Ftex\">mid = low + \\frac{high - low}{2}\u003C\u002Fscript>\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tế\u003C\u002Fh2>\n\u003Cp>\nTìm kiếm nhị phân được sử dụng trong rất nhiều ứng dụng thực tế, từ các hệ thống phần mềm đơn giản đến những kiến trúc máy tính phức tạp:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Thư viện ngôn ngữ:\u003C\u002Fstrong> STL (C++), Java Collections, Python bisect\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tìm kiếm từ khóa:\u003C\u002Fstrong> Tự điển điện tử, công cụ tìm kiếm\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân tích dữ liệu lớn:\u003C\u002Fstrong> Hệ thống cơ sở dữ liệu cần tìm nhanh trên chỉ mục sắp xếp\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tối ưu hóa thuật toán:\u003C\u002Fstrong> Dynamic programming có thể kết hợp tìm kiếm nhị phân để cải thiện hiệu năng\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>Knuth, D. E. “The Art of Computer Programming, Vol. 3: Sorting and Searching.” Addison-Wesley, 1998.\u003C\u002Fli>\n  \u003Cli>Bentley, J. “Programming Pearls.” ACM Press, 2000.\u003C\u002Fli>\n  \u003Cli>Levitin, A. “Introduction to the Design and Analysis of Algorithms.” Pearson, 3rd ed., 2011.\u003C\u002Fli>\n  \u003Cli>Cormen, T. H., et al. “Introduction to Algorithms.” MIT Press, 3rd ed., 2009.\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fen.cppreference.com\u002Fw\u002Fcpp\u002Falgorithm\u002Fbinary_search\" target=\"_blank\">C++ Binary Search - cppreference.com\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.geeksforgeeks.org\u002Fbinary-search\u002F\" target=\"_blank\">Binary Search – GeeksforGeeks\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fdocs.python.org\u002F3\u002Flibrary\u002Fbisect.html\" target=\"_blank\">Python bisect module – Python Documentation\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],1,false,"PUBLISHED","2025-11-10T03:47:44.616+00:00","2025-11-11T03:57:09.135+00:00","2025-11-11T03:57:09.120+00:00",229,[34,45,56,67,78,84,95,106,112,118],{"id":35,"title":36,"term":37,"englishTitle":38,"definition":39,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"máy quang phổ echelle","Máy quang phổ echelle (echelle spectrometer) là gì?","Máy quang phổ echelle","echelle spectrometer","Máy quang phổ echelle là loại máy quang phổ nhiễu xạ độ phân giải cao, kết hợp cách tử echelle làm việc ở bậc nhiễu xạ cao với phần tử tán sắc chéo đặt vuông góc để tách các bậc phổ chồng lấp thành ảnh phổ hai chiều trên đầu thu mảng. Kiến trúc này cho phép ghi nhận đồng thời dải bước sóng rộng với năng suất phân giải lớn mà không cần quét cơ học.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":46,"title":47,"term":48,"englishTitle":49,"definition":50,"discipline":51,"disciplineCode":52,"disciplineLabel":53,"disciplineColor":54,"disciplineIcon":55},"hẹp tắc động mạch nội sọ","Hẹp tắc động mạch nội sọ là gì? Cơ chế và điều trị","Hẹp tắc động mạch nội sọ","intracranial arterial stenosis","Hẹp tắc động mạch nội sọ là tình trạng thu hẹp lòng mạch hoặc bít tắc hoàn toàn một hay nhiều động mạch lớn bên trong hộp sọ, làm giảm lưu lượng máu nuôi não và gây nguy cơ cao đột quỵ thiếu máu não, trong đó căn nguyên phổ biến nhất là xơ vữa động mạch.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":57,"title":58,"term":59,"englishTitle":60,"definition":61,"discipline":62,"disciplineCode":63,"disciplineLabel":64,"disciplineColor":65,"disciplineIcon":66},"phép biện chứng","Phép biện chứng (dialectic) là gì?","Phép biện chứng","dialectic","Phép biện chứng là một truyền thống phương pháp luận và lý luận triết học, trong thời cổ đại chỉ nghệ thuật đối thoại hỏi đáp truy tìm chân lý, còn trong triết học cận hiện đại chỉ học thuyết về sự vận động, mối liên hệ và chuyển hóa của khái niệm hoặc hiện thực thông qua mâu thuẫn.","HUMANITIES","humanities","Nhân văn và nghệ thuật","#9333EA","book-open",{"id":68,"title":69,"term":70,"englishTitle":71,"definition":72,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"vật liệu hybrid","Vật liệu hybrid (hybrid material) là gì?","Vật liệu hybrid","hybrid material","Vật liệu hybrid (vật liệu lai) là vật liệu cấu tạo từ hỗn hợp trộn lẫn mật thiết giữa thành phần hữu cơ, vô cơ hoặc cả hai, thường đan xen ở thang kích thước nhỏ hơn 1 µm (IUPAC, 2007) nhằm tạo ra tính chất hiệp đồng vượt trội so với từng thành phần đơn lẻ.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":79,"title":80,"term":81,"englishTitle":82,"definition":83,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"đường cong quantum seiberg witten","Đường cong quantum Seiberg-Witten là gì? Cơ chế và ứng dụng","Đường cong quantum Seiberg-Witten","quantum Seiberg-Witten curve","Đường cong quantum Seiberg-Witten là phiên bản lượng tử hóa của đường cong đại số Seiberg-Witten cổ điển, thu được khi nâng tọa độ trên đường cong lên toán tử không giao hoán để tạo thành phương trình vi phân hoặc sai phân tuyến tính trong giới hạn Nekrasov-Shatashvili của lý thuyết chuẩn siêu đối xứng N = 2.",{"id":85,"title":86,"term":87,"englishTitle":88,"definition":89,"discipline":90,"disciplineCode":91,"disciplineLabel":92,"disciplineColor":93,"disciplineIcon":94},"sản xuất giống","Sản xuất giống (seed production) là gì?","Sản xuất giống","seed production","Sản xuất giống (seed production) là quá trình tổ chức nhân số lượng, kiểm soát chất lượng và cung ứng vật liệu nhân giống từ nguồn giống gốc nhằm duy trì độ thuần di truyền, phẩm chất sinh lý và trạng thái sạch bệnh của giống trong sản xuất nông nghiệp.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":96,"title":97,"term":98,"englishTitle":99,"definition":100,"discipline":101,"disciplineCode":102,"disciplineLabel":103,"disciplineColor":104,"disciplineIcon":105},"lý thuyết hình ảnh","Lý thuyết hình ảnh (image theory) là gì?","Lý thuyết hình ảnh","image theory","Lý thuyết hình ảnh (image theory) là một lý thuyết tâm lý học mô tả quá trình ra quyết định cá nhân và tổ chức do Lee Roy Beach và Terence R. Mitchell đề xuất năm 1987. Thay vì tối đa hóa hữu dụng kỳ vọng, lý thuyết này cho rằng con người sàng lọc phương án dựa trên mức độ tương thích với hệ thống giá trị, mục tiêu và kế hoạch sẵn có.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":107,"title":108,"term":109,"englishTitle":110,"definition":111,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"tổng hợp urê","Tổng hợp urê (urea synthesis) là gì?","Tổng hợp urê","urea synthesis","Tổng hợp urê là quá trình hóa học và công nghệ chuyển hóa amoniac (NH3) và carbon dioxide (CO2) — hoặc các nguồn carbon, nitơ thay thế qua lộ trình điện hóa, quang hóa — thành urê (CO(NH2)2), hợp chất đạm nền tảng của ngành phân bón và hóa chất công nghiệp.",{"id":113,"title":114,"term":115,"englishTitle":116,"definition":117,"discipline":40,"disciplineCode":41,"disciplineLabel":42,"disciplineColor":43,"disciplineIcon":44},"hấp phụ hóa học","Hấp phụ hóa học (chemisorption) là gì?","Hấp phụ hóa học","chemisorption","Hấp phụ hóa học (chemisorption) là quá trình hấp phụ phát sinh từ sự hình thành liên kết hóa học mạnh giữa chất bị hấp phụ và các tâm hoạt tính trên bề mặt chất hấp phụ, tạo thành một đơn lớp trên bề mặt.",{"id":119,"title":120,"term":121,"englishTitle":122,"definition":123,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"mô đun đàn hồi động","Mô đun đàn hồi động (dynamic elastic modulus) là gì?","Mô đun đàn hồi động","dynamic elastic modulus","Mô đun đàn hồi động là đại lượng cơ học đặc trưng cho độ cứng đàn hồi của vật liệu dưới tải trọng biến thiên theo thời gian, dao động điều hòa hoặc sóng ứng suất biên độ nhỏ. Đại lượng này thường được xác định không phá hủy bằng đo tần số cộng hưởng, vận tốc xung siêu âm hoặc phân tích cơ động học."]