[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20%C4%91a%20bi%E1%BA%BFn{\"limit\":5}":3,"_public_topic_byId_tối ưu hóa đa biến":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":17,"synonyms":10,"definition":18,"discipline":19,"references":20,"faqs":40,"createUser":50,"publishUser":54,"keywords":58,"keywordCount":69,"enrichTopicLink":70,"status":71,"createTime":72,"updateTime":73,"publishTime":74,"linkEnrichedTime":75,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":76,"relateTopics":77},"tối ưu hóa đa biến","Tối ưu hóa đa biến là gì? Các nghiên cứu khoa học liên quan","Tối ưu hóa đa biến là quá trình tìm cực trị của hàm mục tiêu phụ thuộc nhiều biến, ứng dụng rộng rãi trong kỹ thuật, tài chính và khoa học dữ liệu. Lĩnh vực này bao gồm nhiều phương pháp từ giải tích cổ điển đến metaheuristics, giúp xử lý các bài toán phức tạp với ràng buộc đa dạng. ","\u003Cp>\u003Cstrong>Tối ưu hóa đa biến\u003C\u002Fstrong> (\u003Cem>Multivariable optimization \u002F Multivariate optimization\u003C\u002Fem>) là thuật ngữ khoa học then chốt.\u003C\u002Fp>\n\u003Ch2>Giới thiệu về tối ưu hóa đa biến\u003C\u002Fh2>\n\u003Cp>Tối ưu hóa đa biến (multivariate optimization) là một lĩnh vực của {{topic|%7B%22topic%22%3A%22to%C3%A1n%20h%E1%BB%8Dc%20%E1%BB%A9ng%20d%E1%BB%A5ng%22%7D}} và {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%20m%C3%A1y%20t%C3%ADnh%22%7D}} tập trung vào việc tìm cực trị của một hàm mục tiêu phụ thuộc vào nhiều biến số. Trong các tình huống thực tế, đa phần các bài toán tối ưu không chỉ phụ thuộc vào một biến duy nhất mà có thể liên quan đến hàng chục hoặc hàng trăm biến khác nhau. Bản chất của tối ưu hóa đa biến là xử lý mối quan hệ phức tạp giữa các biến này để đạt được giá trị tối ưu toàn cục hoặc cực trị cục bộ.\u003C\u002Fp>\n\u003Cp>Trong bối cảnh kỹ thuật và công nghệ, tối ưu hóa đa biến được ứng dụng rộng rãi trong: {{topic|%7B%22topic%22%3A%22thi%E1%BA%BFt%20k%E1%BA%BF%20s%E1%BA%A3n%20ph%E1%BA%A9m%22%7D}}, điều chỉnh tham số mô hình trong trí tuệ nhân tạo, phân bổ nguồn lực, và {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20t%C3%A0i%20ch%C3%ADnh%22%7D}} định lượng. Ví dụ, trong thiết kế cánh máy bay, các biến tối ưu có thể bao gồm chiều dài cánh, góc nghiêng, vật liệu sử dụng, và hình dạng mép cánh; tất cả đều ảnh hưởng đến hiệu suất khí động học.\u003C\u002Fp>\n\u003Cp>Một số đặc điểm cơ bản của tối ưu hóa đa biến gồm:\n\u003C\u002Fp>\u003Cul>\n\u003Cli>Số chiều của không gian biến có thể rất lớn, dẫn tới {{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}} cao.\u003C\u002Fli>\n\u003Cli>Hàm mục tiêu có thể là tuyến tính hoặc phi tuyến, khả vi hoặc không khả vi.\u003C\u002Fli>\n\u003Cli>Không gian nghiệm có thể chứa nhiều cực trị cục bộ, gây khó khăn trong việc tìm cực trị toàn cục.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Phân loại các bài toán tối ưu hóa đa biến\u003C\u002Fh2>\n\u003Cp>Tùy theo đặc điểm của hàm mục tiêu và các điều kiện ràng buộc, bài toán tối ưu hóa đa biến được phân loại thành nhiều nhóm. Hai nhóm chính gồm: tối ưu hóa không ràng buộc và tối ưu hóa có ràng buộc.\u003C\u002Fp>\n\u003Cp>Trong \u003Cstrong>tối ưu hóa không ràng buộc\u003C\u002Fstrong>, hàm mục tiêu được định nghĩa trên toàn bộ không gian biến hoặc một miền mở không giới hạn. Mục tiêu là tìm điểm mà tại đó gradient của hàm bằng 0 và ma trận Hessian thỏa mãn điều kiện xác định dương hoặc âm, tùy vào việc tìm cực tiểu hay cực đại.\u003C\u002Fp>\n\u003Cp>Trong \u003Cstrong>tối ưu hóa có ràng buộc\u003C\u002Fstrong>, miền nghiệm được giới hạn bởi các phương trình hoặc bất đẳng thức:\n\u003C\u002Fp>\u003Cul>\n\u003Cli>Ràng buộc bằng (Equality constraints): \u003Cscript type=\"math\u002Ftex\">g_i(\\mathbf{x}) = 0\u003C\u002Fscript>\u003C\u002Fli>\n\u003Cli>Ràng buộc bất đẳng thức (Inequality constraints): \u003Cscript type=\"math\u002Ftex\">h_j(\\mathbf{x}) \\leq 0\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\nMột ví dụ là tối ưu hóa danh mục đầu tư với yêu cầu tổng tỷ trọng tài sản bằng 1 và mỗi tỷ trọng không âm.\u003Cp>\u003C\u002Fp>\n\u003Cp>Bảng so sánh nhanh:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n\u003Ctbody>\u003Ctr>\n\u003Cth>Loại\u003C\u002Fth>\n\u003Cth>Đặc điểm\u003C\u002Fth>\n\u003Cth>Ví dụ\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Không ràng buộc\u003C\u002Ftd>\n\u003Ctd>Không có giới hạn về biến\u003C\u002Ftd>\n\u003Ctd>Tối ưu hóa hàm chi phí trong học máy không giới hạn\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Có ràng buộc\u003C\u002Ftd>\n\u003Ctd>Có giới hạn về miền nghiệm\u003C\u002Ftd>\n\u003Ctd>Thiết kế cầu với yêu cầu tải trọng và kích thước\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Phương pháp cổ điển\u003C\u002Fh2>\n\u003Cp>Phương pháp cổ điển trong tối ưu hóa đa biến dựa trên thông tin đạo hàm để tìm điểm cực trị. Phương pháp gradient descent là một trong những kỹ thuật cơ bản và phổ biến nhất. Ý tưởng là di chuyển từ một điểm khởi đầu theo hướng ngược với gradient để giảm giá trị hàm mục tiêu.\u003C\u002Fp>\n\u003Cp>Phương pháp Newton sử dụng cả gradient và ma trận Hessian để ước lượng điểm cực trị nhanh hơn, nhưng yêu cầu tính toán ma trận đạo hàm bậc hai, điều này có thể tốn kém khi số biến lớn. Các biến thể như BFGS (Broyden–Fletcher–Goldfarb–Shanno) và L-BFGS (Limited-memory BFGS) được phát triển để giảm yêu cầu bộ nhớ và chi phí tính toán.\u003C\u002Fp>\n\u003Cp>Bảng so sánh một số phương pháp cổ điển:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n\u003Ctbody>\u003Ctr>\n\u003Cth>Phương pháp\u003C\u002Fth>\n\u003Cth>Ưu điểm\u003C\u002Fth>\n\u003Cth>Nhược điểm\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Gradient descent\u003C\u002Ftd>\n\u003Ctd>Đơn giản, dễ triển khai\u003C\u002Ftd>\n\u003Ctd>Dễ mắc kẹt tại cực trị cục bộ, tốc độ hội tụ chậm nếu bước nhảy không tối ưu\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Newton\u003C\u002Ftd>\n\u003Ctd>Hội tụ nhanh gần nghiệm\u003C\u002Ftd>\n\u003Ctd>Tính toán Hessian tốn kém\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>BFGS\u003C\u002Ftd>\n\u003Ctd>Không cần Hessian chính xác, hiệu quả hơn\u003C\u002Ftd>\n\u003Ctd>Vẫn tốn bộ nhớ cho ma trận xấp xỉ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Điều kiện cần và đủ để đạt cực trị\u003C\u002Fh2>\n\u003Cp>Xét một hàm khả vi \u003Cscript type=\"math\u002Ftex\">f(x_1, x_2, \\dots, x_n)\u003C\u002Fscript>. Điều kiện cần để điểm \u003Cscript type=\"math\u002Ftex\">\\mathbf{x}^*\u003C\u002Fscript> là cực trị là gradient tại điểm đó bằng 0:\n\u003Cscript type=\"math\u002Ftex\">\\nabla f(\\mathbf{x}^*) = \\mathbf{0}\u003C\u002Fscript>\nĐây là hệ phương trình đạo hàm riêng cho mỗi biến bằng 0.\u003C\u002Fp>\n\u003Cp>Điều kiện đủ liên quan đến ma trận Hessian:\n\u003C\u002Fp>\u003Cul>\n\u003Cli>Nếu Hessian tại \u003Cscript type=\"math\u002Ftex\">\\mathbf{x}^*\u003C\u002Fscript> xác định dương (positive definite) ⇒ điểm là cực tiểu cục bộ.\u003C\u002Fli>\n\u003Cli>Nếu Hessian xác định âm (negative definite) ⇒ điểm là cực đại cục bộ.\u003C\u002Fli>\n\u003Cli>Nếu Hessian bán xác định ⇒ điểm yên ngựa (saddle point).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>Bảng phân loại theo Hessian:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n\u003Ctbody>\u003Ctr>\n\u003Cth>Hessian\u003C\u002Fth>\n\u003Cth>Loại điểm\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Xác định dương\u003C\u002Ftd>\n\u003Ctd>Cực tiểu cục bộ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Xác định âm\u003C\u002Ftd>\n\u003Ctd>Cực đại cục bộ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Bán xác định\u003C\u002Ftd>\n\u003Ctd>Điểm yên ngựa hoặc không xác định\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\u003Ch2>Phương pháp xử lý ràng buộc\u003C\u002Fh2>\n\u003Cp>Trong các bài toán tối ưu hóa đa biến có ràng buộc, miền nghiệm bị giới hạn bởi các điều kiện về biến số. Việc xử lý ràng buộc đóng vai trò then chốt để đảm bảo nghiệm tìm được không chỉ tối ưu về mặt giá trị hàm mục tiêu mà còn tuân thủ toàn bộ yêu cầu kỹ thuật hoặc thực tế. Có hai nhóm phương pháp phổ biến: phương pháp giải tích (analytical) và phương pháp số (numerical).\u003C\u002Fp>\n\u003Cp>Phương pháp nhân tử Lagrange được sử dụng rộng rãi trong trường hợp ràng buộc bằng. Ý tưởng là kết hợp hàm mục tiêu \u003Cscript type=\"math\u002Ftex\">f(\\mathbf{x})\u003C\u002Fscript> với các ràng buộc \u003Cscript type=\"math\u002Ftex\">g_i(\\mathbf{x})=0\u003C\u002Fscript> thông qua các biến mới gọi là nhân tử Lagrange \u003Cscript type=\"math\u002Ftex\">\\lambda_i\u003C\u002Fscript>, tạo thành hàm Lagrangian:\n\u003Cscript type=\"math\u002Ftex\"> \\mathcal{L}(\\mathbf{x}, \\lambda) = f(\\mathbf{x}) + \\sum_{i=1}^m \\lambda_i g_i(\\mathbf{x})\u003C\u002Fscript>\nCực trị của bài toán xảy ra khi gradient của Lagrangian đối với cả \u003Cscript type=\"math\u002Ftex\">\\mathbf{x}\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">\\lambda\u003C\u002Fscript> đều bằng 0.\u003C\u002Fp>\n\u003Cp>Phương pháp penalty và barrier áp dụng cho ràng buộc bất đẳng thức hoặc hỗn hợp. Trong phương pháp penalty, ta cộng vào hàm mục tiêu một thành phần phạt tăng mạnh khi vi phạm ràng buộc. Ngược lại, phương pháp barrier thêm một thành phần ngăn chặn nghiệm tiến gần biên của miền khả thi. Cả hai phương pháp đều biến bài toán có ràng buộc thành bài toán không ràng buộc để xử lý bằng các kỹ thuật gradient hoặc Newton.\u003C\u002Fp>\n\u003Cp>Bảng so sánh các phương pháp xử lý ràng buộc:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n\u003Ctbody>\u003Ctr>\n\u003Cth>Phương pháp\u003C\u002Fth>\n\u003Cth>Ưu điểm\u003C\u002Fth>\n\u003Cth>Nhược điểm\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Lagrange multipliers\u003C\u002Ftd>\n\u003Ctd>Giải tích chính xác, phù hợp cho bài toán nhỏ\u003C\u002Ftd>\n\u003Ctd>Khó áp dụng cho bài toán phi tuyến lớn\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Penalty\u003C\u002Ftd>\n\u003Ctd>Dễ triển khai, linh hoạt\u003C\u002Ftd>\n\u003Ctd>Cần chọn hệ số phạt hợp lý để tránh mất ổn định\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Barrier\u003C\u002Ftd>\n\u003Ctd>Hiệu quả khi nghiệm ở sâu trong miền khả thi\u003C\u002Ftd>\n\u003Ctd>Kém hiệu quả nếu nghiệm gần biên\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Tối ưu hóa đa biến trong môi trường thực tế\u003C\u002Fh2>\n\u003Cp>Tối ưu hóa đa biến xuất hiện trong nhiều lĩnh vực ứng dụng. Trong khoa học dữ liệu và học máy, việc tìm bộ tham số tối ưu của mô hình như mạng nơ-ron, hồi quy logistic, hay mô hình cây quyết định đều dựa trên tối ưu hóa đa biến. Mỗi tham số của mô hình tương ứng với một biến trong không gian tối ưu.\u003C\u002Fp>\n\u003Cp>Trong kỹ thuật, đặc biệt là thiết kế cơ khí và điện tử, tối ưu hóa đa biến được dùng để cân bằng giữa hiệu suất, độ bền, chi phí và trọng lượng sản phẩm. Ví dụ, {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20h%C3%ACnh%20d%E1%BA%A1ng%22%7D}} cánh quạt để vừa đạt {{topic|%7B%22topic%22%3A%22hi%E1%BB%87u%20su%E1%BA%A5t%20n%C4%83ng%20l%C6%B0%E1%BB%A3ng%22%7D}} cao vừa giảm tiếng ồn.\u003C\u002Fp>\n\u003Cp>Trong tài chính định lượng, tối ưu hóa đa biến được áp dụng trong phân bổ tài sản, lựa chọn danh mục đầu tư và quản lý rủi ro. Mục tiêu là tìm tỷ trọng đầu tư cho mỗi tài sản sao cho lợi nhuận kỳ vọng tối đa trong khi rủi ro (đo bằng phương sai hoặc độ lệch chuẩn) được giới hạn.\u003C\u002Fp>\n\n\u003Ch2>Phương pháp số và tối ưu hóa không xác định (metaheuristics)\u003C\u002Fh2>\n\u003Cp>Khi bài toán có hàm mục tiêu phi tuyến, không khả vi hoặc có nhiều cực trị cục bộ, các {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%22%7D}} cổ điển dựa trên đạo hàm thường khó áp dụng. Khi đó, các phương pháp metaheuristic trở thành lựa chọn hữu ích nhờ khả năng tìm kiếm toàn cục và không yêu cầu thông tin đạo hàm.\u003C\u002Fp>\n\u003Cp>Các kỹ thuật metaheuristic phổ biến:\n\u003C\u002Fp>\u003Cul>\n\u003Cli>Thuật toán di truyền (Genetic Algorithms - GA): mô phỏng quá trình tiến hóa sinh học thông qua chọn lọc tự nhiên, lai ghép và đột biến.\u003C\u002Fli>\n\u003Cli>Tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO): dựa trên {{topic|%7B%22topic%22%3A%22h%C3%A0nh%20vi%20t%C3%ACm%20ki%E1%BA%BFm%20th%E1%BB%A9c%20%C4%83n%22%7D}} của đàn chim hoặc cá.\u003C\u002Fli>\n\u003Cli>Simulated Annealing (SA): dựa trên nguyên lý ủ nhiệt trong luyện kim để tránh kẹt tại cực trị cục bộ.\u003C\u002Fli>\n\u003Cli>Tabu Search: sử dụng bộ nhớ để tránh lặp lại các nghiệm đã xét.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>Bảng so sánh một số phương pháp metaheuristic:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n\u003Ctbody>\u003Ctr>\n\u003Cth>Phương pháp\u003C\u002Fth>\n\u003Cth>Ưu điểm\u003C\u002Fth>\n\u003Cth>Nhược điểm\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>GA\u003C\u002Ftd>\n\u003Ctd>Linh hoạt, tìm kiếm toàn cục tốt\u003C\u002Ftd>\n\u003Ctd>Tốc độ chậm khi không tinh chỉnh tham số\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>PSO\u003C\u002Ftd>\n\u003Ctd>Dễ cài đặt, ít tham số điều chỉnh\u003C\u002Ftd>\n\u003Ctd>Dễ hội tụ sớm\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>SA\u003C\u002Ftd>\n\u003Ctd>Khả năng thoát cực trị cục bộ tốt\u003C\u002Ftd>\n\u003Ctd>Hội tụ chậm\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Ưu và nhược điểm của từng phương pháp\u003C\u002Fh2>\n\u003Cp>Mỗi phương pháp tối ưu hóa đa biến có những điểm mạnh và hạn chế riêng. Việc lựa chọn phương pháp phụ thuộc vào tính chất hàm mục tiêu, số lượng biến, điều kiện ràng buộc, và yêu cầu về thời gian tính toán.\u003C\u002Fp>\n\u003Cp>Phương pháp gradient và Newton thích hợp cho hàm khả vi, hội tụ nhanh khi gần nghiệm, nhưng kém hiệu quả khi có nhiều cực trị cục bộ. Ngược lại, metaheuristics có thể xử lý hàm không khả vi hoặc nhiễu, nhưng đòi hỏi thời gian tính toán dài hơn và không đảm bảo tìm được nghiệm tối ưu toàn cục trong mọi trường hợp.\u003C\u002Fp>\n\n\u003Ch2>Ví dụ minh họa\u003C\u002Fh2>\n\u003Cp>Xét bài toán tối ưu hóa hai biến:\n\u003Cscript type=\"math\u002Ftex\">f(x,y) = (x - 1)^2 + (y + 2)^2\u003C\u002Fscript>\nHàm này đạt cực tiểu tại \u003Cscript type=\"math\u002Ftex\">(x,y) = (1,-2)\u003C\u002Fscript> với giá trị \u003Cscript type=\"math\u002Ftex\">f=0\u003C\u002Fscript>. Đây là ví dụ đơn giản minh họa tối ưu hóa không ràng buộc.\u003C\u002Fp>\n\u003Cp>Ví dụ phức tạp hơn: tối ưu hóa hàm Rosenbrock trong hai biến:\n\u003Cscript type=\"math\u002Ftex\">f(x,y) = (a - x)^2 + b(y - x^2)^2\u003C\u002Fscript>\nvới \u003Cscript type=\"math\u002Ftex\">a=1\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">b=100\u003C\u002Fscript>. Hàm này có dạng \"thung lũng hẹp\", rất khó tối ưu bằng phương pháp gradient đơn giản vì gradient nhỏ ở nhiều vùng.\u003C\u002Fp>\n\n\u003Ch2>Xu hướng và phát triển mới\u003C\u002Fh2>\n\u003Cp>Các nghiên cứu gần đây tập trung vào việc kết hợp tối ưu hóa đa biến với học máy và trí tuệ nhân tạo. Ví dụ, sử dụng deep learning để dự đoán hình dạng hàm mục tiêu hoặc hướng tìm kiếm, từ đó tăng tốc độ hội tụ.\u003C\u002Fp>\n\u003Cp>Tối ưu hóa bất đối xứng (stochastic optimization) như Adam, RMSProp, Adagrad đang trở thành tiêu chuẩn trong huấn luyện mạng nơ-ron sâu nhờ khả năng thích ứng bước nhảy theo từng tham số. Ngoài ra, tối ưu hóa nhúng (embedded optimization) cho phép tích hợp trực tiếp bộ giải tối ưu vào hệ thống {{topic|%7B%22topic%22%3A%22%C4%91i%E1%BB%81u%20khi%E1%BB%83n%20th%E1%BB%9Di%20gian%20th%E1%BB%B1c%22%7D}}.\u003C\u002Fp>\n\n\u003Ch2>Danh mục tài liệu tham khảo\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>Nocedal, J. & Wright, S. (2006). \u003Cem>Numerical Optimization\u003C\u002Fem>. Springer.\u003C\u002Fli>\n\u003Cli>Bertsekas, D. P. (1999). \u003Cem>Nonlinear Programming\u003C\u002Fem>. Athena Scientific.\u003C\u002Fli>\n\u003Cli>Boyd, S. & Vandenberghe, L. (2004). \u003Cem>Convex Optimization\u003C\u002Fem>. Cambridge University Press.\u003C\u002Fli>\n\u003Cli>Ruder, S. (2016). “An overview of gradient descent optimization algorithms”. \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.04747\">arXiv:1609.04747\u003C\u002Fa>.\u003C\u002Fli>\n\u003Cli>Kennedy, J. & Eberhart, R. (1995). “Particle Swarm Optimization”. \u003Ca href=\"https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F488968\">IEEE\u003C\u002Fa>.\u003C\u002Fli>\n\u003Cli>Goldberg, D. E. (1989). \u003Cem>Genetic Algorithms in Search, Optimization, and Machine Learning\u003C\u002Fem>. Addison-Wesley.\u003C\u002Fli>\n\u003Cli>Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). “Optimization by Simulated Annealing”. \u003Ca href=\"https:\u002F\u002Fscience.sciencemag.org\u002Fcontent\u002F220\u002F4598\u002F671\">Science\u003C\u002Fa>.\u003C\u002Fli>\n\u003Cli>Glover, F. (1989). “Tabu Search — Part I”. \u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002FBF00120633\">ORSA Journal on Computing\u003C\u002Fa>.\u003C\u002Fli>\n\u003C\u002Ful>","Multivariable optimization \u002F Multivariate optimization","Tối ưu hóa đa biến là lĩnh vực toán học ứng dụng nghiên cứu các phương pháp tìm kiếm giá trị cực đại hoặc cực tiểu của một hàm mục tiêu phụ thuộc vào nhiều biến số độc lập, có hoặc không kèm theo các điều kiện ràng buộc.","NATURAL_SCIENCES",[21,29,35],{"citationText":22,"title":23,"authors":24,"source":25,"year":26,"doi":27,"url":28},"Forsgren (2001). EQUALITY-CONSTRAINED NONLINEAR PROGRAMMING: KKT NECESSARY OPTIMALITY CONDITIONS. Encyclopedia of Optimization.","EQUALITY-CONSTRAINED NONLINEAR PROGRAMMING: KKT NECESSARY OPTIMALITY CONDITIONS","Forsgren","Encyclopedia of Optimization",2001,"10.1007\u002F0-306-48332-7_120","https:\u002F\u002Fdoi.org\u002F10.1007\u002F0-306-48332-7_120",{"citationText":30,"title":31,"authors":24,"source":25,"year":32,"doi":33,"url":34},"Forsgren (2024). Equality-Constrained Nonlinear Programming: KKT Necessary Optimality Conditions. Encyclopedia of Optimization.","Equality-Constrained Nonlinear Programming: KKT Necessary Optimality Conditions",2024,"10.1007\u002F978-3-030-54621-2_162-1","https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-3-030-54621-2_162-1",{"citationText":36,"title":31,"authors":24,"source":25,"year":37,"doi":38,"url":39},"Forsgren (2008). Equality-Constrained Nonlinear Programming: KKT Necessary Optimality Conditions. Encyclopedia of Optimization.",2008,"10.1007\u002F978-0-387-74759-0_162","https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-0-387-74759-0_162",[41,44,47],{"question":42,"answer":43},"Phương pháp nhân tử Lagrange giải quyết bài toán tối ưu hóa đa biến có ràng buộc đẳng thức theo nguyên lý nào?","Phương pháp chuyển bài toán tối ưu có ràng buộc thành bài toán không ràng buộc bằng cách đưa thêm các tham số nhân tử Lagrange vào hàm mục tiêu, biến điều kiện cực trị thành việc tìm điểm dừng của hàm Lagrange mở rộng.",{"question":45,"answer":46},"Thuật toán hạ gradient (Gradient Descent) và các biến thể bậc hai (như Newton-Raphson, BFGS) khác nhau thế nào về tốc độ hội tụ?","Hạ gradient chỉ sử dụng đạo hàm bậc một (vectơ gradient) nên có độ phức tạp tính toán thấp mỗi bước nhưng tốc độ hội tụ tuyến tính; trong khi các phương pháp bậc hai sử dụng ma trận Hessian cho tốc độ hội tụ bậc hai nhanh hơn nhiều nhưng tốn bộ nhớ tính toán.",{"question":48,"answer":49},"Điều kiện Karush-Kuhn-Tucker (KKT) mở rộng cho các bài toán tối ưu phi tuyến có ràng buộc bất đẳng thức như thế nào?","Điều kiện KKT là tổng quát hóa của nhân tử Lagrange cho bài toán quy hoạch phi tuyến có ràng buộc bất đẳng thức, đòi hỏi thỏa mãn tính khả thi nguyên thủy, tính khả thi đối ngẫu và điều kiện bù (complementary slackness).",{"id":51,"researcherId":10,"name":52,"imageUrl":53},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":55,"researcherId":10,"name":56,"imageUrl":57},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[59,60,61,62,63,64,65,66,67,68],"toán học ứng dụng","khoa học máy tính","thiết kế sản phẩm","phân tích tài chính","độ phức tạp tính toán","tối ưu hóa hình dạng","hiệu suất năng lượng","phương pháp tối ưu hóa","hành vi tìm kiếm thức ăn","điều khiển thời gian thực",10,true,"PUBLISHED","2025-08-10T15:16:29.206+00:00","2026-09-11T09:40:03.628+00:00","2025-08-12T04:43:16.619+00:00","2026-09-11T09:40:03.167+00:00",313,[78,81,84,87,96,99,102,105,115,125],{"id":79,"title":80,"term":79,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"scopus","Scopus là gì? Các bài báo nghiên cứu khoa học về Scopus",{"id":82,"title":83,"term":82,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"đánh giá kinh tế y tế","Đánh giá kinh tế y tế là gì? Nghiên cứu khoa học liên quan",{"id":85,"title":86,"term":85,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp mô hình hóa","Phương pháp mô hình hóa là gì? Các công bố khoa học",{"id":88,"title":89,"term":88,"englishTitle":88,"definition":90,"discipline":91,"disciplineCode":92,"disciplineLabel":93,"disciplineColor":94,"disciplineIcon":95},"context","Context là gì? Các công bố khoa học về Context","Context (ngữ cảnh\u002Fbối cảnh) là tập hợp toàn bộ các điều kiện, hoàn cảnh, dữ kiện xung quanh và trạng thái môi trường có liên quan trực tiếp đến việc định hình ý nghĩa, nhận thức và hành vi của một đối tượng hoặc hệ thống.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":97,"title":98,"term":97,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"giải thuật gen ga","Giải thuật gen GA là gì? Các nghiên cứu về Giải thuật gen GA",{"id":100,"title":101,"term":100,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"optimization","Optimization là gì? Các nghiên cứu khoa học về Optimization",{"id":103,"title":104,"term":103,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"biogas","Biogas là gì? Các bài báo nghiên cứu khoa học về Biogas",{"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":120,"disciplineCode":121,"disciplineLabel":122,"disciplineColor":123,"disciplineIcon":124},"mô hình hóa","Mô hình hóa là gì? Bản chất, phương pháp và ứng dụng","modeling","Mô hình hóa là phương pháp khoa học nhằm xây dựng các biểu diễn trừu tượng, toán học hoặc vật lý để mô tả, giải thích và dự báo hành vi của các hệ thống và hiện tượng trong thế giới thực.","INTERDISCIPLINARY","interdisciplinary","Liên ngành","#0284C7","shapes",{"id":126,"title":127,"term":126,"englishTitle":128,"definition":129,"discipline":110,"disciplineCode":111,"disciplineLabel":112,"disciplineColor":113,"disciplineIcon":114},"phân loại đối tượng","Phân loại đối tượng là gì? Các bài báo nghiên cứu khoa học","object classification","Phân loại đối tượng (object classification) là tác vụ thị giác máy tính và học máy nhằm gán một hoặc nhiều nhãn danh mục xác định cho các đối tượng xuất hiện trong dữ liệu hình ảnh, video hoặc tín hiệu số."]