[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20b%E1%BA%A7y%20%C4%91%C3%A0n{\"limit\":5}":3,"_public_topic_byId_tối ưu hóa bầy đàn":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":53,"createUser":63,"publishUser":67,"keywords":71,"keywordCount":10,"enrichTopicLink":72,"status":73,"createTime":74,"updateTime":75,"publishTime":76,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":77,"relateTopics":78},"tối ưu hóa bầy đàn","Tối ưu hóa bầy đàn là gì? Thuật toán PSO và ứng dụng","Tối ưu hóa bầy đàn (PSO) là thuật toán tối ưu hóa siêu phỏng sinh học mô phỏng hành vi di chuyển bầy đàn để tìm cực trị hàm mục tiêu đa chiều.","\u003Cp>Tối ưu hóa bầy đàn (particle swarm optimization hay PSO) là một thuật toán tính toán tiến hóa và tối ưu hóa siêu phỏng sinh học (metaheuristic) dựa trên quần thể, được lấy cảm hứng từ hành vi xã hội phối hợp của đàn chim tìm mồi hoặc đàn cá bơi, trong đó mỗi hạt đại diện cho một nghiệm ứng viên di chuyển liên tục trong không gian tìm kiếm đa chiều theo vận tốc được cập nhật dựa trên kinh nghiệm cá nhân tốt nhất và kinh nghiệm toàn bầy tốt nhất. Trong khoa học máy tính, trí tuệ nhân tạo và kỹ thuật tối ưu hóa, PSO là một trong những thuật toán bầy đàn nổi tiếng và được ứng dụng rộng rãi nhất nhờ cấu trúc toán học đơn giản, dễ lập trình cài đặt, khả năng tìm kiếm toàn cục mạnh mẽ và không đòi hỏi hàm mục tiêu phải khả vi hay liên tục. Nền tảng lý thuyết và tiến hóa thuật toán của PSO được xây dựng vững chắc từ công trình khởi nguyên của Kennedy và Eberhart (1995) trên Kỷ yếu IEEE ICNN'95, cải tiến trọng số quán tính mang tính bước ngoặt của Shi và Eberhart (1998) trên Kỷ yếu IEEE ICEC'98, bằng chứng giải tích hội tụ và hệ số thắt của Clerc và Kennedy (2002) trên IEEE Transactions on Evolutionary Computation, cùng khảo luận hệ thống hóa hiện đại của Gad (2022) trên Archives of Computational Methods in Engineering. Bài viết này trình bày toàn diện về cơ sở toán học và phương trình cập nhật trạng thái hạt, quy trình mã giả thực thi từng bước, kiểm thử định lượng trên các hàm benchmark, phân tích ưu nhược điểm so sánh với giải thuật di truyền, các kỹ thuật tránh bẫy cực trị địa phương, cùng ứng dụng của PSO trong điều độ hệ thống điện, thị giác máy tính và kỹ thuật công nghệ tại Việt Nam.\u003C\u002Fp>\n\n\u003Ch2>Cơ sở Toán học và Phương trình Cập nhật Trạng thái Hạt theo Kennedy (1995) và Shi (1998)\u003C\u002Fh2>\n\u003Cp>Trong thuật toán PSO, một quần thể gồm N hạt chuyển động trong không gian nghiệm D chiều. Mỗi hạt i tại thời điểm lặp t được đặc trưng bởi hai vector cốt lõi: vector vị trí biểu diễn tọa độ nghiệm ứng viên và vector vận tốc biểu diễn hướng cũng như độ dịch chuyển bước tiếp theo.\u003C\u002Fp>\n\n\u003Ch3>1. Phương trình Cập nhật Vận tốc Hạt (Velocity Update Equation)\u003C\u002Fh3>\n\u003Cp>Theo công trình nền tảng của Kennedy và Eberhart (1995) kết hợp trọng số quán tính của Shi và Eberhart (1998), vận tốc của hạt i trên chiều thứ d được cập nhật tại mỗi bước lặp theo công thức:\u003C\u002Fp>\n\u003Cp>Vận tốc mới = Quán tính vận tốc cũ + Thành phần nhận thức cá nhân + Thành phần học tập xã hội.\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Thành phần Quán tính (Inertia Component):\u003C\u002Fstrong> Bằng tích của trọng số quán tính w và vận tốc hiện tại, phản ánh xu hướng hạt tiếp tục bay theo hướng chuyển động trước đó.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Thành phần Nhận thức Cá nhân (Cognitive Component):\u003C\u002Fstrong> Phản ánh trí nhớ của hạt về vị trí tốt nhất mà chính nó từng trải nghiệm (pbest), được điều khiển bởi hệ số gia tốc nhận thức c1 và một số ngẫu nhiên r1 phân phối đều trong khoảng từ 0 đến 1.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Thành phần Xã hội Bầy đàn (Social Component):\u003C\u002Fstrong> Phản ánh sự tương tác thông tin bầy đàn hướng về vị trí tốt nhất mà toàn bộ bầy hạt từng khám phá (gbest), được điều khiển bởi hệ số gia tốc xã hội c2 và số ngẫu nhiên r2 phân phối đều trong khoảng từ 0 đến 1.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>2. Phương trình Cập nhật Vị trí Hạt (Position Update Equation)\u003C\u002Fh3>\n\u003Cp>Sau khi xác định vận tốc mới, tọa độ vị trí của hạt i được cập nhật bằng cách cộng trực tiếp vận tốc mới vào vị trí hiện tại:\u003C\u002Fp>\n\u003Cp>Vị trí mới = Vị trí cũ + Vận tốc mới.\u003C\u002Fp>\n\u003Cp>Hàm mục tiêu sau đó được đánh giá tại vị trí mới để cập nhật kỷ lục cá nhân pbest và kỷ lục toàn bầy gbest cho vòng lặp tiếp theo.\u003C\u002Fp>\n\n\u003Ch2>Quy trình Thực thi Thuật toán PSO Tiêu chuẩn (Algorithm Workflow)\u003C\u002Fh2>\n\u003Cp>Quy trình thực thi của thuật toán PSO tiêu chuẩn diễn ra tuần tự qua các bước:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Bước 1: Khởi tạo Quần thể:\u003C\u002Fstrong> Khởi tạo ngẫu nhiên vị trí và vận tốc ban đầu cho N hạt trong không gian tìm kiếm đa chiều có giới hạn biên.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Bước 2: Đánh giá Độ thích nghi:\u003C\u002Fstrong> Tính toán giá trị hàm mục tiêu (Fitness Function) cho từng hạt. Gán vị trí ban đầu là kỷ lục cá nhân pbest của hạt đó.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Bước 3: Xác định Nghiệm Toàn bầy:\u003C\u002Fstrong> Tìm hạt có độ thích nghi tốt nhất trong toàn bầy và gán vị trí của hạt đó làm kỷ lục toàn bầy gbest.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Bước 4: Vòng lặp Tiến hóa:\u003C\u002Fstrong> Với mỗi hạt trong bầy:\n  \u003Cul>\n  \u003Cli>Cập nhật vận tốc mới theo phương trình có trọng số quán tính của Shi và Eberhart (1998) hoặc hệ số thắt của Clerc và Kennedy (2002).\u003C\u002Fli>\n  \u003Cli>Kiểm tra và giới hạn vận tốc không vượt quá ngưỡng biên vận tốc cực đại cho phép.\u003C\u002Fli>\n  \u003Cli>Cập nhật tọa độ vị trí mới và kiểm tra ràng buộc không gian tìm kiếm.\u003C\u002Fli>\n  \u003Cli>Tính toán lại giá trị hàm mục tiêu tại vị trí mới.\u003C\u002Fli>\n  \u003Cli>Cập nhật lại pbest nếu vị trí mới tốt hơn pbest cũ, và cập nhật lại gbest nếu pbest mới vượt qua kỷ lục gbest hiện tại.\u003C\u002Fli>\n  \u003C\u002Ful>\n\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Bước 5: Kiểm tra Điều kiện Dừng:\u003C\u002Fstrong> Thuật toán dừng lại khi đạt số vòng lặp tối đa hoặc khi sai số giữa gbest và nghiệm lý thuyết nhỏ hơn ngưỡng dung sai cho trước.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Bảng đối chiếu So sánh Thuật toán PSO với Giải thuật Di truyền (Genetic Algorithm)\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Đặc tính so sánh thuật toán\u003C\u002Fth>\n\u003Cth>Tối ưu hóa bầy đàn (PSO)\u003C\u002Fth>\n\u003Cth>Giải thuật di truyền (GA)\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Nguồn gốc cảm hứng sinh học\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Hành vi xã hội bầy đàn động vật (đàn chim, đàn cá)\u003C\u002Ftd>\n\u003Ctd>Thuyết tiến hóa tự nhiên và di truyền học Darwin\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Cơ chế sinh nghiệm mới\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Cập nhật vận tốc định hướng dựa trên pbest và gbest\u003C\u002Ftd>\n\u003Ctd>Các toán tử chọn lọc, lai ghép (crossover) và đột biến (mutation)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Biểu diễn không gian nghiệm\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Trực tiếp trong không gian số thực liên tục đa chiều\u003C\u002Ftd>\n\u003Ctd>Mã hóa chuỗi nhị phân (Binary) hoặc số thực (Real-coded)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Chia sẻ thông tin quần thể\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Chia sẻ thông tin một chiều: các hạt hướng về hạt tốt nhất\u003C\u002Ftd>\n\u003Ctd>Chia sẻ thông tin hai chiều qua sự phối hợp nhiễm sắc thể bố mẹ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Tốc độ tính toán & Bộ nhớ\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Bộ nhớ lưu trữ nhỏ, tốc độ hội tụ nhanh\u003C\u002Ftd>\n\u003Ctd>Chi phí tính toán toán tử di truyền lớn hơn\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Bảng đối chiếu Đánh giá Hiệu năng PSO trên Các Hàm Thử nghiệm Chuẩn (Benchmark Functions)\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Hàm thử nghiệm chuẩn\u003C\u002Fth>\n\u003Cth>Dạng địa hình không gian nghiệm\u003C\u002Fth>\n\u003Cth>Đặc tính toán học chính\u003C\u002Fth>\n\u003Cth>Thách thức đối với thuật toán PSO\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Hàm Sphere\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Đơn đỉnh (Unimodal), đối xứng hoàn hảo\u003C\u002Ftd>\n\u003Ctd>Hàm lồi trơn, cực tiểu toàn cục tại gốc tọa độ\u003C\u002Ftd>\n\u003Ctd>Đánh giá tốc độ hội tụ và khả năng khai thác cục bộ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Hàm Rosenbrock\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Đơn đỉnh, thung lũng cong dạng quả chuối\u003C\u002Ftd>\n\u003Ctd>Độ dốc rất thoải dọc theo đáy thung lũng hẹp\u003C\u002Ftd>\n\u003Ctd>Kiểm tra khả năng dò tìm trong địa hình dốc hẹp\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Hàm Rastrigin\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Đa đỉnh (Multimodal), có vô số cực trị địa phương\u003C\u002Ftd>\n\u003Ctd>Nhiễu dao động cosin trên nền parabol\u003C\u002Ftd>\n\u003Ctd>Kiểm tra khả năng vượt bẫy cực tiểu địa phương\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Hàm Ackley\u003C\u002Fstrong>\u003C\u002Ftd>\n\u003Ctd>Đa đỉnh, bề mặt phẳng ngoài rìa và hố sâu ở tâm\u003C\u002Ftd>\n\u003Ctd>Độ dốc thoải bên ngoài, hố dốc đứng ở tâm\u003C\u002Ftd>\n\u003Ctd>Đánh giá khả năng chuyển đổi từ thăm dò sang khai thác\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Kiểm soát Động lực học và Phân tích Hội tụ theo Clerc (2002) và Gad (2022)\u003C\u002Fh2>\n\u003Cp>Sự ổn định toán học và độ tin cậy của thuật toán phụ thuộc vào chiến lược điều chỉnh tham số:\u003C\u002Fp>\n\n\u003Ch3>1. Hệ số Thắt của Clerc và Kennedy (2002)\u003C\u002Fh3>\n\u003Cp>Công trình giải tích của Clerc và Kennedy (2002) trên IEEE Transactions on Evolutionary Computation đã chỉ ra rằng việc chọn các hệ số gia tốc c1 và c2 không phù hợp có thể dẫn đến hiện tượng vận tốc hạt phân kỳ không kiểm soát. Bằng cách thiết lập hệ số thắt chi (chi = 0.729) nhân với phương trình vận tốc, thuật toán được chứng minh toán học đảm bảo hội tụ ổn định về điểm cực trị mà không cần áp đặt các ngưỡng cắt vận tốc nhân tạo.\u003C\u002Fp>\n\n\u003Ch3>2. Các Cấu trúc Tô-pô Mạng Xã hội Bầy đàn và Biến thể Hiện đại (Gad, 2022)\u003C\u002Fh3>\n\u003Cp>Theo khảo luận hệ thống của Gad (2022) trên Archives of Computational Methods in Engineering, cấu trúc kết nối trao đổi thông tin giữa các hạt chi phối trực tiếp cân bằng giữa tốc độ hội tụ và tính đa dạng nghiệm:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Tô-pô Toàn cục (Global Best - gbest \u002F Star Topology):\u003C\u002Fstrong> Tất cả các hạt kết nối trực tiếp với hạt tốt nhất toàn bầy, cho tốc độ hội tụ tối đa trên các hàm đơn đỉnh.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Tô-pô Vòng nhẫn (Local Best - lbest \u002F Ring Topology):\u003C\u002Fstrong> Mỗi hạt chỉ tương tác với k láng giềng kề cận, làm chậm sự lan truyền thông tin nhưng duy trì khả năng khám phá nhiều vùng không gian độc lập.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Tối ưu hóa Bầy đàn Đa mục tiêu (Multi-Objective PSO - MOPSO):\u003C\u002Fstrong> Tích hợp kho lưu trữ lưu giữ các nghiệm không bị thống trị (Pareto Front) và cơ chế chọn lọc dựa trên mật độ lưới để tìm kiếm tập nghiệm thỏa hiệp tối ưu.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ranh giới Áp dụng, Hạn chế và Thách thức Tối ưu hóa Thực tế\u003C\u002Fh2>\n\u003Cp>Mặc dù là công cụ tối ưu hóa mạnh mẽ, PSO vẫn có những giới hạn nội tại cần lưu ý:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Hội tụ Sớm và Kẹt Cực tiểu Địa phương (Stagnation):\u003C\u002Fstrong> Khi toàn bộ bầy hạt bị hút vào một nghiệm dưới mức tối ưu, vận tốc của các hạt tiến dần về 0 và bầy mất khả năng thoát khỏi thung lũng cục bộ. Cần khắc phục bằng cách kết hợp cơ chế đột biến ngẫu nhiên hoặc lai ghép với thuật toán mô phỏng tôi luyện thép (Simulated Annealing).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Độ nhạy cảm với Chiều Dữ liệu Cao:\u003C\u002Fstrong> Khi số chiều bài toán D vượt quá hàng trăm chiều, không gian tìm kiếm giãn nở theo hàm mũ làm giảm hiệu suất rà quét của bầy. Cần áp dụng chiến lược phân tách chiều hợp tác (Cooperative Coevolution).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Xử lý Bài toán Ràng buộc Phức tạp:\u003C\u002Fstrong> PSO nguyên bản được thiết kế cho bài toán không ràng buộc. Khi áp dụng cho bài toán kỹ thuật có nhiều ràng buộc bất đẳng thức, cần sử dụng hàm phạt (Penalty Function) hoặc phương pháp bảo tồn tính khả thi.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng Kỹ thuật của Thuật toán PSO trong Công nghiệp và Nghiên cứu tại Việt Nam\u003C\u002Fh2>\n\u003Cp>Tại Việt Nam, PSO là công cụ tối ưu hóa chủ lực trong nhiều dự án kỹ thuật và công nghệ số:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Điều độ Tối ưu Hệ thống Điện và Tích hợp Năng lượng Tái tạo:\u003C\u002Fstrong> Ứng dụng PSO để giải bài toán phân phối kinh tế tổ máy phát điện (Economic Dispatch) và tối ưu hóa vị trí lắp đặt nguồn điện mặt trời mái nhà, giảm thiểu tổn thất công suất trên lưới truyền tải quốc gia.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Huấn luyện Tham số Mạng Nơ-ron và Thị giác Máy tính:\u003C\u002Fstrong> Sử dụng PSO để tối ưu hóa trọng số và siêu tham số cho các mô hình học sâu CNN\u002FLSTM, hỗ trợ nhận dạng ảnh nông sản và phân loại bệnh lý cây trồng tự động.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Quy hoạch Đường đi cho Robot Tự hành (AGV) trong Kho Thông minh:\u003C\u002Fstrong> Lập kế hoạch quỹ đạo di chuyển ngắn nhất và tránh va chạm cho các đội robot vận chuyển hàng hóa trong các trung tâm logistics và nhà máy sản xuất tự động hóa.\u003C\u002Fli>\n\u003C\u002Ful>","particle swarm optimization","Tối ưu hóa bầy đàn (particle swarm optimization hay PSO) là một thuật toán tính toán tiến hóa và tối ưu hóa siêu phỏng sinh học (metaheuristic) dựa trên quần thể, được lấy cảm hứng từ hành vi xã hội phối hợp của đàn chim tìm mồi hoặc đàn cá bơi, trong đó mỗi hạt đại diện cho một nghiệm ứng viên di chuyển liên tục trong không gian tìm kiếm đa chiều theo vận tốc được cập nhật dựa trên kinh nghiệm cá nhân tốt nhất và kinh nghiệm toàn bầy tốt nhất.","ENGINEERING_TECHNOLOGY",[21,29,37,45],{"citationText":22,"title":23,"authors":24,"source":25,"year":26,"doi":27,"url":28},"Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN'95 - International Conference on Neural Networks (Vol. 4, pp. 1942-1948). IEEE.","Particle swarm optimization","Kennedy, Eberhart","Proceedings of ICNN'95 - International Conference on Neural Networks",1995,"10.1109\u002Ficnn.1995.488968","https:\u002F\u002Fdoi.org\u002F10.1109\u002Ficnn.1995.488968",{"citationText":30,"title":31,"authors":32,"source":33,"year":34,"doi":35,"url":36},"Shi, Y., & Eberhart, R. (1998). A modified particle swarm optimizer. In 1998 IEEE International Conference on Evolutionary Computation Proceedings (pp. 69-73). IEEE.","A modified particle swarm optimizer","Shi, Eberhart","1998 IEEE International Conference on Evolutionary Computation Proceedings",1998,"10.1109\u002Ficec.1998.699146","https:\u002F\u002Fdoi.org\u002F10.1109\u002Ficec.1998.699146",{"citationText":38,"title":39,"authors":40,"source":41,"year":42,"doi":43,"url":44},"Clerc, M., & Kennedy, J. (2002). The particle swarm - explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation, 6(1), 58-73.","The particle swarm - explosion, stability, and convergence in a multidimensional complex space","Clerc, Kennedy","IEEE Transactions on Evolutionary Computation",2002,"10.1109\u002F4235.985692","https:\u002F\u002Fdoi.org\u002F10.1109\u002F4235.985692",{"citationText":46,"title":47,"authors":48,"source":49,"year":50,"doi":51,"url":52},"Gad, A. G. (2022). Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review. Archives of Computational Methods in Engineering, 29(5), 2531-2561.","Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review","Gad","Archives of Computational Methods in Engineering",2022,"10.1007\u002Fs11831-021-09694-4","https:\u002F\u002Fdoi.org\u002F10.1007\u002Fs11831-021-09694-4",[54,57,60],{"question":55,"answer":56},"Trọng số quán tính của Shi và Eberhart (1998) giải quyết bài toán cân bằng giữa thăm dò và khai thác như thế nào?","Theo nghiên cứu của Shi và Eberhart (1998) trên IEEE ICEC, tham số trọng số quán tính w điều khiển mức độ kế thừa vận tốc từ bước lặp trước của hạt. Khi w có giá trị lớn (khoảng 0.9 ở giai đoạn đầu), các hạt có vận tốc cao để bay rộng khắp không gian tìm kiếm, tăng cường khả năng thăm dò toàn cục (exploration). Khi w giảm dần theo hàm tuyến tính xuống mức thấp (khoảng 0.4 ở giai đoạn sau), vận tốc hạt thu hẹp giúp bầy tập trung khai thác cục bộ (exploitation) và tinh chỉnh độ chính xác quanh vùng cực trị tiềm năng.",{"question":58,"answer":59},"Hệ số thắt của Clerc và Kennedy (2002) đảm bảo tính ổn định toán học của thuật toán PSO bằng cách nào?","Theo phân tích động lực học của Clerc và Kennedy (2002) trên IEEE Transactions on Evolutionary Computation, nếu không có cơ chế hãm vận tốc, các thành phần gia tốc ngẫu nhiên có thể làm vận tốc hạt tăng theo hàm số mũ tới vô hạn (hiện tượng nổ hạt - swarm explosion). Bằng cách giải phương trình vi phân động lực học bầy đàn, Clerc và Kennedy đã chứng minh việc nhân toàn bộ phương trình vận tốc với hệ số thắt chi (xấp xỉ 0.729) đảm bảo bầy hạt luôn hội tụ ổn định về vị trí tối ưu mà không cần phải giới hạn biên vận tốc Vmax một cách thủ công.",{"question":61,"answer":62},"Tổng quan của Gad (2022) phân loại các hướng cải tiến hiện đại của thuật toán PSO như thế nào?","Theo tổng quan hệ thống của Gad (2022) trên Archives of Computational Methods in Engineering, các hướng phát triển đương đại của PSO tập trung vào: tối ưu hóa đa mục tiêu (MOPSO) sử dụng tập nghiệm Pareto, các kỹ thuật điều khiển tham số thích ứng động (Dynamic Parameter Adaptation), các cấu trúc tô-pô mạng xã hội phi tập trung (lbest, von Neumann, cấu trúc tô-pô thích ứng), và thuật toán lai ghép giữa PSO với các mô hình học máy học sâu (như tối ưu hóa trọng số mạng nơ-ron CNN\u002FLSTM và tinh chỉnh siêu tham số).",{"id":64,"researcherId":10,"name":65,"imageUrl":66},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":68,"researcherId":10,"name":69,"imageUrl":70},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],false,"PUBLISHED","2025-05-09T13:45:28.521+00:00","2026-08-23T07:58:47.236+00:00","2025-08-09T16:48:07.684+00:00",309,[79,88,98,104,109,114,119,124,129,134],{"id":80,"title":81,"term":80,"englishTitle":82,"definition":83,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"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.","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":89,"title":90,"term":89,"englishTitle":91,"definition":92,"discipline":93,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"bài toán tối ưu","Bài toán tối ưu là gì? Các nghiên cứu khoa học liên quan","Optimization Problem","Bài toán tối ưu là bài toán toán học nhằm tìm kiếm nghiệm cực trị (cực tiểu hoặc cực đại) của một hàm mục tiêu xác định trên một tập hợp các phương án khả thi, thường kèm theo các hệ thống điều kiện ràng buộc đẳng thức và bất đẳng thức.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":99,"title":100,"term":101,"englishTitle":102,"definition":103,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"thuật toán heuristic","Thuật toán heuristic là gì? Phân loại, nguyên lý và ứng dụng","Thuật toán heuristic","heuristic algorithm","Thuật toán heuristic (heuristic algorithm, hay phương pháp phỏng đoán) là kỹ thuật giải quyết bài toán được thiết kế nhằm tìm kiếm lời giải đủ tốt và chấp nhận được trong khoảng thời gian tính toán thực tế cho các bài toán tối ưu hóa phức tạp, đánh đổi tính tối ưu tuyệt đối để lấy tốc độ thực thi.",{"id":105,"title":106,"term":105,"englishTitle":107,"definition":108,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"hỏa hoạn","Hỏa hoạn là gì? Các bài báo nghiên cứu khoa học liên quan","fire","Hỏa hoạn là sự cố cháy lớn ngoài tầm kiểm soát do phản ứng hóa học tỏa nhiệt nhanh giữa chất cháy và chất oxy hóa (thường là oxy trong không khí), gây thiệt hại nghiêm trọng về người, tài sản và môi trường.",{"id":110,"title":111,"term":110,"englishTitle":112,"definition":113,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"hệ thống hỗ trợ quyết định","Hệ thống hỗ trợ quyết định là gì? Các nghiên cứu khoa học","decision support system","Hệ thống hỗ trợ quyết định (Decision Support System - DSS) là hệ thống thông tin tích hợp dữ liệu, mô hình phân tích và giao diện tương tác nhằm hỗ trợ con người giải quyết các bài toán ra quyết định phức tạp và bán cấu trúc.",{"id":115,"title":116,"term":115,"englishTitle":117,"definition":118,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"tổn thất công suất","Tổn thất công suất là gì? Nguyên nhân, công thức và giải pháp","power loss","Tổn thất công suất là hiện tượng tiêu hao năng lượng điện dưới dạng nhiệt hoặc từ trường trong các phần tử của hệ thống điện như dây dẫn, máy biến áp và thiết bị truyền tải trong quá trình vận hành.",{"id":120,"title":121,"term":120,"englishTitle":122,"definition":123,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"khí động học","Khí động học: Khái niệm, nguyên lý và ứng dụng","Aerodynamics","Khí động học 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":125,"title":126,"term":125,"englishTitle":127,"definition":128,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"ứng suất nhiệt","Ứng suất nhiệt là gì? Các bài nghiên cứu khoa học liên quan","ung suat nhiet","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học kỹ thuật và công nghệ, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":130,"title":131,"term":130,"englishTitle":132,"definition":133,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"lực kéo","Lực kéo là gì? Bản chất cơ học, công thức và ứng xử vật liệu","tensile force","Lực kéo (tensile force) là lực tác dụng có xu hướng làm giãn dài hoặc kéo dãn một vật thể dọc theo trục tác dụng, gây ra trạng thái ứng suất kéo và biến dạng kéo trong vật liệu.",{"id":135,"title":136,"term":135,"englishTitle":137,"definition":138,"discipline":19,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"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."]