[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20qu%E1%BA%A7n%20th%E1%BB%83%20h%E1%BA%A1t{\"limit\":5}":3,"_public_topic_byId_t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20qu%E1%BA%A7n%20th%E1%BB%83%20h%E1%BA%A1t":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":17,"englishTitle":18,"synonyms":10,"definition":19,"discipline":20,"references":21,"faqs":46,"createUser":56,"publishUser":60,"keywords":64,"keywordCount":75,"enrichTopicLink":76,"status":77,"createTime":78,"updateTime":79,"publishTime":80,"linkEnrichedTime":81,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":82,"wikidataId":10,"relateTopics":83},"tối ưu hóa quần thể hạt","Tối ưu hóa quần thể hạt là gì? Các bài nghiên cứu khoa học","Tối ưu hóa quần thể hạt (PSO) là một thuật toán ngẫu nhiên mô phỏng hành vi bầy đàn, dùng để tìm nghiệm tối ưu trong không gian nhiều chiều phức tạp. PSO dựa trên sự kết hợp giữa kinh nghiệm cá nhân và ảnh hưởng tập thể, giúp cân bằng giữa khai thác và khám phá để tiếp cận nghiệm toàn cục. ","\u003Cp>\u003Cstrong>Tối ưu hóa quần thể hạt\u003C\u002Fstrong> (\u003Cem>Particle swarm optimization (PSO)\u003C\u002Fem>) là thuật toán tính toán tiến hóa mô phỏng hành vi di chuyển bầy đàn của đàn chim hoặc đàn cá, trong đó các hạt ứng viên cập nhật vận tốc và vị trí dựa trên kinh nghiệm cá nhân tốt nhất và kinh nghiệm toàn bầy để tìm nghiệm tối ưu toàn cục.\u003C\u002Fp>\n\u003Cp>Thuật toán PSO được đề xuất lần đầu bởi James Kennedy và Russell Eberhart vào năm 1995, ban đầu như một mô hình mô phỏng hành vi xã hội, sau đó nhanh chóng được điều chỉnh và ứng dụng như một công cụ tối ưu hóa mạnh mẽ. Nhờ ưu điểm dễ cài đặt, ít tham số cần điều chỉnh và khả năng hội tụ nhanh, PSO đã trở thành một trong những thuật toán heuristic phổ biến nhất trong lĩnh vực trí tuệ nhân tạo, học máy và khoa học tính toán. Những nghiên cứu tiếp theo không chỉ khẳng định tính hiệu quả của PSO mà còn mở rộng ứng dụng của nó trong nhiều lĩnh vực khoa học và kỹ thuật.\u003C\u002Fp>\n\u003Cp>Đặc trưng cơ bản của PSO là quá trình “khai thác” (exploitation) và “khám phá” (exploration) được điều chỉnh linh hoạt. Các hạt vừa tìm kiếm gần vị trí tốt nhất mà chúng đã biết, vừa bị hấp dẫn về phía nghiệm tốt nhất mà cả quần thể đạt được. Sự cân bằng này giúp PSO có khả năng tiếp cận nghiệm toàn cục trong khi vẫn tránh được việc bị mắc kẹt tại các cực trị địa phương. Chính nhờ đặc tính này, PSO được ứng dụng rộng rãi trong những bài toán có độ phức tạp cao và không gian tìm kiếm rộng.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Không yêu cầu đạo hàm hay tính khả vi.\u003C\u002Fli>\n  \u003Cli>Dựa trên mô hình xã hội tự nhiên.\u003C\u002Fli>\n  \u003Cli>Ít tham số cần điều chỉnh so với các thuật toán khác.\u003C\u002Fli>\n  \u003Cli>Khả năng mở rộng cho nhiều lĩnh vực.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Nguồn gốc và lịch sử phát triển\u003C\u002Fh2>\n\u003Cp>Sự ra đời của PSO gắn liền với bối cảnh phát triển các thuật toán heuristic vào cuối thế kỷ 20. Kennedy và Eberhart ban đầu quan tâm đến việc mô phỏng hành vi tập thể của các sinh vật như chim di cư hoặc cá bơi theo đàn. Qua quan sát, họ nhận thấy rằng các cá thể trong một nhóm thường không hành động độc lập mà có sự phối hợp, vừa dựa vào thông tin cá nhân vừa học hỏi từ những cá thể khác. Điều này đã truyền cảm hứng cho việc xây dựng một mô hình tính toán bắt chước cơ chế học tập xã hội.\u003C\u002Fp>\n\u003Cp>Năm 1995, bài báo khoa học đầu tiên về PSO được công bố tại hội nghị IEEE, đặt nền móng cho sự phát triển mạnh mẽ sau đó. Ban đầu PSO chỉ được thử nghiệm trên các bài toán tối ưu hóa đơn giản, nhưng nhờ hiệu quả nổi bật, cộng đồng khoa học nhanh chóng mở rộng nghiên cứu sang các biến thể khác nhau. Trong vòng hơn hai thập kỷ, PSO đã được cải tiến liên tục với nhiều phiên bản mới nhằm khắc phục hạn chế và nâng cao khả năng ứng dụng.\u003C\u002Fp>\n\u003Cp>Sự phát triển của PSO cũng đi kèm với việc kết hợp cùng các thuật toán khác. PSO được lai ghép với {{topic|%7B%22topic%22%3A%22gi%E1%BA%A3i%20thu%E1%BA%ADt%20di%20truy%E1%BB%81n%22%7D}}, thuật toán bầy kiến, hoặc được cải tiến để thích nghi với các tham số động thay đổi theo thời gian. Các biến thể này được áp dụng rộng rãi trong các bài toán {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20%C6%B0u%20%C4%91a%20m%E1%BB%A5c%20ti%C3%AAu%22%7D}}, tối ưu ràng buộc và các bài toán quy mô lớn. Từ một ý tưởng đơn giản mô phỏng hành vi xã hội, PSO đã trở thành một trụ cột quan trọng trong ngành tối ưu hóa hiện đại.\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Năm\u003C\u002Fth>\n    \u003Cth>Sự kiện\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>1995\u003C\u002Ftd>\n    \u003Ctd>Kennedy và Eberhart giới thiệu PSO lần đầu\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>2000–2010\u003C\u002Ftd>\n    \u003Ctd>Xuất hiện nhiều biến thể: PSO lai GA, PSO thích nghi, PSO phân tán\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>2010–nay\u003C\u002Ftd>\n    \u003Ctd>Ứng dụng mạnh mẽ trong AI, y sinh học, {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20n%C4%83ng%20l%C6%B0%E1%BB%A3ng%22%7D}}\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Cơ chế hoạt động\u003C\u002Fh2>\n\u003Cp>Trong PSO, mỗi hạt được xem như một nghiệm tiềm năng của {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%7D}}. Mỗi hạt có hai thuộc tính quan trọng: vị trí và vận tốc. Vị trí biểu diễn nghiệm hiện tại trong không gian tìm kiếm, còn vận tốc quyết định hướng di chuyển và khoảng cách bước tiếp theo. Cập nhật vị trí và vận tốc là quá trình then chốt để các hạt dịch chuyển dần đến nghiệm tốt nhất.\u003C\u002Fp>\n\u003Cp>Công thức cập nhật vận tốc và vị trí được biểu diễn như sau:\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nv_{i}(t+1) = w \\cdot v_{i}(t) + c_{1}r_{1}(p_{i} - x_{i}(t)) + c_{2}r_{2}(g - x_{i}(t))\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nx_{i}(t+1) = x_{i}(t) + v_{i}(t+1)\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>Trong đó: \u003Cscript type=\"math\u002Ftex\">x_{i}\u003C\u002Fscript> là vị trí của hạt \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">v_{i}\u003C\u002Fscript> là vận tốc, \u003Cscript type=\"math\u002Ftex\">p_{i}\u003C\u002Fscript> là nghiệm tốt nhất mà hạt \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> từng đạt được, \u003Cscript type=\"math\u002Ftex\">g\u003C\u002Fscript> là nghiệm tốt nhất mà toàn bộ quần thể đạt được. Các tham số \u003Cscript type=\"math\u002Ftex\">w, c_{1}, c_{2}\u003C\u002Fscript> lần lượt là hệ số quán tính, hệ số học hỏi cá nhân và hệ số học hỏi xã hội. Các số ngẫu nhiên \u003Cscript type=\"math\u002Ftex\">r_{1}, r_{2}\u003C\u002Fscript> tạo tính ngẫu nhiên, giúp thuật toán có khả năng khám phá nhiều vùng trong không gian nghiệm.\u003C\u002Fp>\n\u003Cp>Trong thực tế, việc điều chỉnh các tham số \u003Cscript type=\"math\u002Ftex\">w, c_{1}, c_{2}\u003C\u002Fscript> có ý nghĩa lớn. Nếu \u003Cscript type=\"math\u002Ftex\">w\u003C\u002Fscript> lớn, hạt có xu hướng tiếp tục di chuyển theo quán tính, giúp tăng khả năng khám phá. Nếu \u003Cscript type=\"math\u002Ftex\">c_{1}\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">c_{2}\u003C\u002Fscript> lớn, hạt bị hút mạnh về nghiệm cá nhân tốt nhất hoặc nghiệm toàn cục, tăng khả năng khai thác. Vì vậy, một sự cân bằng hợp lý giữa các tham số này sẽ giúp PSO đạt hiệu quả tối ưu.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">w\u003C\u002Fscript>: Điều chỉnh quán tính, cân bằng giữa khám phá và khai thác.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">c_{1}\u003C\u002Fscript>: Học hỏi từ kinh nghiệm cá nhân.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">c_{2}\u003C\u002Fscript>: Học hỏi từ nghiệm tốt nhất của quần thể.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">r_{1}, r_{2}\u003C\u002Fscript>: Tạo tính ngẫu nhiên, tránh hội tụ sớm.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Đặc điểm chính của PSO\u003C\u002Fh2>\n\u003Cp>PSO sở hữu nhiều đặc điểm khiến nó được lựa chọn rộng rãi trong cộng đồng khoa học và kỹ thuật. Tính đơn giản là ưu điểm đầu tiên. So với các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%20ti%E1%BA%BFn%20h%C3%B3a%22%7D}} khác như giải thuật di truyền, PSO chỉ cần một số ít tham số điều chỉnh, giúp việc cài đặt và triển khai nhanh chóng hơn. Bên cạnh đó, PSO cũng có tốc độ hội tụ nhanh, thường đạt được nghiệm tốt chỉ sau một số ít vòng lặp.\u003C\u002Fp>\n\u003Cp>PSO có khả năng mở rộng cho nhiều loại bài toán khác nhau. Nó không chỉ áp dụng cho các hàm toán học trơn tru mà còn hiệu quả trong những bài toán phức tạp có ràng buộc phi tuyến hoặc môi trường động. Khả năng kết hợp với các thuật toán khác cũng làm tăng sức mạnh ứng dụng của PSO. Nhờ tính linh hoạt, PSO đã trở thành một công cụ quan trọng trong nhiều lĩnh vực như tối ưu hóa năng lượng, học máy, xử lý tín hiệu và mô hình hóa y sinh.\u003C\u002Fp>\n\u003Cp>Điểm quan trọng khác là PSO mang tính toàn cục. Thay vì chỉ tập trung khai thác nghiệm lân cận như một số phương pháp khác, PSO duy trì một tập hợp hạt di chuyển trong toàn bộ không gian tìm kiếm, nhờ đó tăng xác suất tìm ra nghiệm tối ưu toàn cục. Sự kết hợp giữa đơn giản, nhanh chóng và hiệu quả khiến PSO trở thành một lựa chọn hàng đầu trong số các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%22%7D}} heuristic hiện nay.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Dễ cài đặt, ít tham số điều chỉnh.\u003C\u002Fli>\n  \u003Cli>Khả năng hội tụ nhanh với số vòng lặp ít.\u003C\u002Fli>\n  \u003Cli>Khả năng áp dụng đa dạng, kể cả bài toán phức tạp.\u003C\u002Fli>\n  \u003Cli>Tính toàn cục, hạn chế bị kẹt ở cực trị địa phương.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Biến thể của PSO\u003C\u002Fh2>\n\u003Cp>Trong suốt quá trình phát triển, nhiều biến thể của PSO đã được đề xuất để giải quyết các hạn chế vốn có của phiên bản gốc. Một trong những nhược điểm chính của PSO cơ bản là xu hướng hội tụ sớm và dễ mắc kẹt tại cực trị địa phương khi không gian tìm kiếm quá phức tạp. Để khắc phục điều này, các nhà nghiên cứu đã đưa ra nhiều chiến lược cải tiến.\u003C\u002Fp>\n\u003Cp>PSO lai ghép với giải thuật di truyền (Genetic Algorithm - GA) là một trong những biến thể phổ biến. Ý tưởng là kết hợp khả năng khai thác của PSO với khả năng khám phá mạnh mẽ của GA. Trong biến thể này, các toán tử của GA như lai ghép và đột biến được tích hợp để tăng cường sự đa dạng trong quần thể, giúp các hạt tránh bị hội tụ sớm.\u003C\u002Fp>\n\u003Cp>Bên cạnh đó, PSO thích nghi (Adaptive PSO) được phát triển nhằm điều chỉnh động các tham số \u003Cscript type=\"math\u002Ftex\">w, c_{1}, c_{2}\u003C\u002Fscript> theo thời gian. Thay vì cố định, các tham số này thay đổi tùy vào giai đoạn tìm kiếm: giai đoạn đầu ưu tiên khám phá, giai đoạn sau ưu tiên khai thác. Ngoài ra, PSO phân tán (Distributed PSO) cũng được giới thiệu, trong đó quần thể được chia thành nhiều nhóm nhỏ hoạt động song song, sau đó trao đổi thông tin để nâng cao hiệu quả toàn cục.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>PSO lai GA: cải thiện đa dạng quần thể.\u003C\u002Fli>\n  \u003Cli>PSO thích nghi: điều chỉnh động tham số theo thời gian.\u003C\u002Fli>\n  \u003Cli>PSO phân tán: xử lý bài toán quy mô lớn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Những biến thể này giúp PSO ngày càng trở thành một công cụ tối ưu hóa linh hoạt, đáp ứng yêu cầu của nhiều lĩnh vực phức tạp trong kỹ thuật và khoa học \u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS0957417418304041\" target=\"_blank\">[Expert Systems with Applications]\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong kỹ thuật và khoa học\u003C\u002Fh2>\n\u003Cp>PSO được ứng dụng rộng rãi trong nhiều lĩnh vực kỹ thuật nhờ tính hiệu quả và dễ triển khai. Trong tối ưu hóa toán học, PSO được dùng để giải các bài toán cực trị của hàm phi tuyến, nơi mà các phương pháp giải tích truyền thống gặp nhiều khó khăn. Ngoài ra, PSO còn được áp dụng trong điều chỉnh tham số cho các mô hình dự báo và hệ thống điều khiển tự động.\u003C\u002Fp>\n\u003Cp>Trong lĩnh vực năng lượng, PSO được sử dụng để tối ưu hóa vận hành hệ thống điện, phân phối tải và tích hợp {{topic|%7B%22topic%22%3A%22n%C4%83ng%20l%C6%B0%E1%BB%A3ng%20t%C3%A1i%20t%E1%BA%A1o%22%7D}}. Các bài toán như tối ưu hóa vị trí đặt tuabin gió, điều khiển công suất điện mặt trời đều có thể giải quyết hiệu quả bằng PSO. Tương tự, trong thiết kế mạch điện tử và xử lý tín hiệu, PSO hỗ trợ trong việc tinh chỉnh tham số nhằm cải thiện hiệu năng hệ thống.\u003C\u002Fp>\n\u003Cp>Các ứng dụng tiêu biểu bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tối ưu hóa hàm mục tiêu phi tuyến và nhiều cực trị.\u003C\u002Fli>\n  \u003Cli>Điều chỉnh tham số bộ điều khiển PID trong kỹ thuật điều khiển.\u003C\u002Fli>\n  \u003Cli>Thiết kế và huấn luyện mạng nơ-ron nhân tạo.\u003C\u002Fli>\n  \u003Cli>Tối ưu hóa hệ thống năng lượng tái tạo.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>PSO đã chứng minh tính hiệu quả trong việc giải quyết các bài toán phức tạp, không chỉ trong nghiên cứu học thuật mà còn trong công nghiệp thực tế \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41598-021-94401-9\" target=\"_blank\">[Nature Scientific Reports]\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong y sinh học và y tế\u003C\u002Fh2>\n\u003Cp>PSO cũng được ứng dụng trong lĩnh vực y sinh học nhờ khả năng tối ưu hóa nhanh và chính xác. Một ví dụ nổi bật là {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20tham%20s%E1%BB%91%22%7D}} trong các mô hình sinh học phức tạp. Việc xây dựng các mô hình dự đoán hành vi của tế bào, hệ miễn dịch hoặc dược động học thuốc thường đòi hỏi một quá trình tinh chỉnh tham số phức tạp, và PSO được xem là công cụ hữu ích cho mục tiêu này.\u003C\u002Fp>\n\u003Cp>Trong phân tích hình ảnh y tế, PSO được sử dụng để cải thiện chất lượng phân đoạn ảnh, giúp hỗ trợ bác sĩ trong việc chẩn đoán chính xác các tổn thương hoặc khối u. Thuật toán cũng có thể kết hợp với mạng nơ-ron để tăng độ chính xác trong {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20h%E1%BB%97%20tr%E1%BB%A3%20quy%E1%BA%BFt%20%C4%91%E1%BB%8Bnh%22%7D}} y khoa.\u003C\u002Fp>\n\u003Cp>Một số ứng dụng cụ thể:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tối ưu hóa tham số mô hình dự đoán dược động học thuốc.\u003C\u002Fli>\n  \u003Cli>Phân tích và phân đoạn ảnh y tế (MRI, CT scan).\u003C\u002Fli>\n  \u003Cli>Tối ưu hóa thuật toán trong hệ thống hỗ trợ chẩn đoán.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các kết quả nghiên cứu đã cho thấy PSO là công cụ quan trọng để giải quyết những thách thức lớn trong y học hiện đại \u003Ca href=\"https:\u002F\u002Fpubmed.ncbi.nlm.nih.gov\u002F34088361\u002F\" target=\"_blank\">[PubMed]\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Ưu điểm và hạn chế\u003C\u002Fh2>\n\u003Cp>PSO mang lại nhiều ưu điểm so với các thuật toán tối ưu hóa khác. Ưu điểm lớn nhất là tính đơn giản, dễ hiểu và dễ cài đặt. Thuật toán không yêu cầu thông tin đạo hàm và có thể hoạt động trong các không gian tìm kiếm phức tạp. PSO cũng có tốc độ hội tụ nhanh, thường đạt được nghiệm tốt chỉ sau một số vòng lặp nhỏ.\u003C\u002Fp>\n\u003Cp>Tuy nhiên, PSO cũng tồn tại nhiều hạn chế. Một trong số đó là nguy cơ hội tụ sớm, khi các hạt bị hút về cực trị địa phương và không thể thoát ra. Ngoài ra, hiệu quả của PSO phụ thuộc nhiều vào lựa chọn tham số. Việc chọn sai giá trị cho \u003Cscript type=\"math\u002Ftex\">w, c_{1}, c_{2}\u003C\u002Fscript> có thể làm giảm hiệu năng đáng kể. Cuối cùng, trong các bài toán có không gian tìm kiếm cực kỳ lớn, PSO có thể yêu cầu tài nguyên tính toán đáng kể.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Ưu điểm:\u003C\u002Fstrong> Dễ lập trình, hội tụ nhanh, không cần đạo hàm.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Hạn chế:\u003C\u002Fstrong> Hội tụ sớm, phụ thuộc tham số, chi phí tính toán cao cho bài toán lớn.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Xu hướng nghiên cứu\u003C\u002Fh2>\n\u003Cp>Các hướng nghiên cứu mới về PSO tập trung vào việc cải thiện khả năng khám phá và giảm nguy cơ hội tụ sớm. Một trong những chiến lược là phát triển PSO động, trong đó các tham số được điều chỉnh liên tục dựa trên tiến trình tìm kiếm. Kết hợp PSO với các thuật toán khác như GA, bầy kiến (ACO), hoặc thuật toán tiến hóa đa mục tiêu (MOEA) cũng là xu hướng quan trọng.\u003C\u002Fp>\n\u003Cp>Bên cạnh đó, sự phát triển của công nghệ tính toán song song và đám mây mở ra cơ hội để áp dụng PSO cho các bài toán quy mô cực lớn. Các biến thể PSO phân tán và song song đang được nghiên cứu để tận dụng năng lực của siêu máy tính và hệ thống tính toán phân tán. Ngoài ra, việc ứng dụng PSO trong học sâu (deep learning) và {{topic|%7B%22topic%22%3A%22tr%C3%AD%20tu%E1%BB%87%20nh%C3%A2n%20t%E1%BA%A1o%22%7D}} cũng đang được đẩy mạnh, đặc biệt trong tối ưu hóa kiến trúc mạng nơ-ron.\u003C\u002Fp>\n\u003Cp>Xu hướng nghiên cứu hiện đại cho thấy PSO vẫn giữ vai trò quan trọng trong tối ưu hóa metaheuristic và sẽ tiếp tục được ứng dụng trong nhiều lĩnh vực mới nổi như Internet vạn vật (IoT), phân tích dữ liệu lớn và y học chính xác \u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00521-020-04868-7\" target=\"_blank\">[Neural Computing and Applications]\u003C\u002Fa>.\u003C\u002Fp>","Tối ưu hóa quần thể hạt","Particle swarm optimization (PSO)","là thuật toán tính toán tiến hóa mô phỏng hành vi di chuyển bầy đàn của đàn chim hoặc đàn cá, trong đó các hạt ứng viên cập nhật vận tốc và vị trí dựa trên kinh nghiệm cá nhân tốt nhất và kinh nghiệm toàn bầy để tìm nghiệm tối ưu toàn cục.","ENGINEERING_TECHNOLOGY",[22,30,38],{"citationText":23,"title":24,"authors":25,"source":26,"year":27,"doi":28,"url":29},"Aulia Fitri, Baita (2025). Optimization of Decision Tree Algorithm for Chronic Kidney Disease Classification Based on Particle Swarm Optimization (PSO). Journal of Applied Informatics and Computing.","Optimization of Decision Tree Algorithm for Chronic Kidney Disease Classification Based on Particle Swarm Optimization (PSO)","Aulia Fitri, Baita","Journal of Applied Informatics and Computing",2025,"10.30871\u002Fjaic.v9i1.8940","https:\u002F\u002Fdoi.org\u002F10.30871\u002Fjaic.v9i1.8940",{"citationText":31,"title":32,"authors":33,"source":34,"year":35,"doi":36,"url":37},"Mashayekhi, Mosayebi (2023). A New Hybrid Harris Hawks Optimization (HHO) and Particle Swarm Optimization (PSO) Algorithm for the Design of Castellated Beams. Research Square Platform LLC.","A New Hybrid Harris Hawks Optimization (HHO) and Particle Swarm Optimization (PSO) Algorithm for the Design of Castellated Beams","Mashayekhi, Mosayebi","Research Square Platform LLC",2023,"10.21203\u002Frs.3.rs-2608871\u002Fv1","https:\u002F\u002Fdoi.org\u002F10.21203\u002Frs.3.rs-2608871\u002Fv1",{"citationText":39,"title":40,"authors":41,"source":42,"year":43,"doi":44,"url":45},"Cuevas, Rodríguez (2020). Particle Swarm Optimization (PSO) Algorithm. Metaheuristic Computation with MATLAB®.","Particle Swarm Optimization (PSO) Algorithm","Cuevas, Rodríguez","Metaheuristic Computation with MATLAB®",2020,"10.1201\u002F9781003006312-6","https:\u002F\u002Fdoi.org\u002F10.1201\u002F9781003006312-6",[47,50,53],{"question":48,"answer":49},"Hệ thức cập nhật vận tốc chuẩn của từng hạt trong PSO bao gồm các thành phần nào?","Vận tốc hạt được cập nhật bởi ba thành phần: quán tính di chuyển v_i(t), thành phần nhận thức cá nhân hướng về vị trí tốt nhất của bản thân pbest_i, và thành phần tương tác xã hội bầy đàn hướng về vị trí tốt nhất của toàn quần thể gbest.",{"question":51,"answer":52},"Trọng số quán tính w có vai trò gì trong việc cân bằng giữa khám phá (exploration) và khai thác (exploitation)?","Trọng số quán tính w lớn tạo điều kiện cho hạt bay rộng để khám phá toàn diện không gian nghiệm tìm kiếm toàn cục; trong khi w nhỏ giúp hạt tập trung khai thác và tinh chỉnh cục bộ xung quanh các cực trị tiềm năng.",{"question":54,"answer":55},"Giải pháp nào giúp thuật toán PSO tránh bị bẫy vào các điểm cực tiểu cục bộ (local minima)?","Các biến thể cải tiến sử dụng trọng số quán tính giảm tuyến tính thích nghi, đột biến hỗn loạn (chaotic mutation), mô hình cấu trúc liên kết bầy đàn lân cận nhỏ (lbest) hoặc tích hợp với các thuật toán di truyền GA để duy trì độ đa dạng của quần thể.",{"id":57,"researcherId":10,"name":58,"imageUrl":59},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":61,"researcherId":10,"name":62,"imageUrl":63},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[65,66,67,68,69,70,71,72,73,74],"giải thuật di truyền","tối ưu đa mục tiêu","tối ưu hóa năng lượng","bài toán tối ưu","thuật toán tiến hóa","thuật toán tối ưu hóa","năng lượng tái tạo","tối ưu hóa tham số","hệ thống hỗ trợ quyết định","trí tuệ nhân tạo",10,true,"PUBLISHED","2025-09-13T13:47:13.289+00:00","2026-09-13T11:09:46.485+00:00","2025-09-16T09:38:06.909+00:00","2026-09-13T11:09:46.084+00:00",211,[84,87,90,93,96,99,102,105,108,111],{"id":85,"title":86,"term":85,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":88,"title":89,"term":88,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":91,"title":92,"term":91,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hình thái","Hình thái là gì? Các công bố khoa học về Hình thái",{"id":94,"title":95,"term":94,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":97,"title":98,"term":97,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"autonomy","Autonomy là gì? Các công bố khoa học về Autonomy",{"id":100,"title":101,"term":100,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu tổng quan","Nghiên cứu tổng quan là gì? Các bài báo nghiên cứu khoa học",{"id":103,"title":104,"term":103,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":106,"title":107,"term":106,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp đại số","Phương pháp đại số là gì? Các nghiên cứu khoa học liên quan",{"id":109,"title":110,"term":109,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp luận","Phương pháp luận là gì? Các nghiên cứu khoa học liên quan",{"id":112,"title":113,"term":112,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực chuyên môn","Năng lực chuyên môn là gì? Các nghiên cứu về Năng lực chuyên môn"]