Từ điển học thuật Kỹ thuật và công nghệ

Tối ưu hóa đa mục tiêu là gì? Khái niệm Pareto và thuật toán giải

Tiếng Anhmulti-objective optimization

Tên gọi kháctối ưu đa mục tiêuMOOtối ưu hóa Pareto

Tối ưu hóa đa mục tiêu (Multi-Objective Optimization – MOO) là lĩnh vực toán học và tối ưu hóa giải quyết bài toán tìm kiếm tập nghiệm tốt nhất thỏa hiệp đồng thời nhiều hàm mục tiêu mâu thuẫn nhau.

322 lượt xem Cập nhật 29/8/2026

Định nghĩa và phạm vi

Tối ưu hóa đa mục tiêu (Multi-Objective Optimization, MOO) là quá trình tìm kiếm tập hợp các giải pháp tốt nhất đồng thời theo nhiều hàm mục tiêu có thể mâu thuẫn, không thể gộp thành một tiêu chí duy nhất. Mỗi giải pháp trong tập Pareto đại diện cho một thỏa hiệp giữa các mục tiêu và không thể cải thiện mục tiêu này mà không làm suy giảm mục tiêu khác.

Không gian quyết định XX bao gồm tất cả các biến số đầu vào hợp lệ, thường bị ràng buộc bởi hệ bất đẳng thức và đẳng thức. Không gian mục tiêu là tập hợp các vector F(x)=(f1(x),f2(x),…,fk(x))F(x) = (f_1(x), f_2(x), \dots, f_k(x)) mà ta cần tối ưu hóa đồng thời.

  • Ứng dụng kỹ thuật: thiết kế cơ khí, tối ưu kết cấu cầu, cân bằng độ bền và chi phí.
  • Ứng dụng kinh tế: tối ưu lợi nhuận và rủi ro trong đầu tư tài chính.
  • Ứng dụng logistics: tối ưu chi phí vận chuyển và thời gian giao hàng.

Giải thích chi tiết về MOO có thể tham khảo tài liệu giảng dạy của MIT OpenCourseWare ở đây, cung cấp cơ sở lý thuyết và ví dụ minh hoạ.

Lịch sử và phát triển

Nguồn gốc MOO bắt đầu từ công trình của Charnes và Cooper (thập niên sáu mươi) với bài toán lập trình tuyến tính nhiều mục tiêu. Họ đề xuất cách xây dựng hàm mục tiêu tổng hợp bằng trọng số, mở đường cho các phương pháp scalarization.

Những năm thời kỳ đầu, Kuhn–Tucker và các nhà toán học tiếp tục phát triển lý thuyết tối ưu lồi đa mục tiêu, định nghĩa điều kiện bão hòa và biện luận tối ưu cục bộ. Góc nhìn lý thuyết giúp xác định tính khả thi và tính lồi của miền Pareto.

  • thập niên sáu mươi: Charnes & Cooper – Linear Programming đa mục tiêu.
  • thời kỳ đầu: Kuhn–Tucker – Điều kiện tối ưu lồi.
  • sau đós: Phương pháp ε-constraint, phương pháp điểm tham chiếu.

Cách mạng thực sự xảy ra với thuật toán tiến hóa NSGA-II của Deb và cộng sự (2002), cung cấp khả năng tìm và duy trì đa dạng giải pháp Pareto trong một quần thể với độ phức tạp tính toán hợp lý Deb et al., 2002.

Hình thức bài toán

Bài toán MOO điển hình được biểu diễn dưới dạng:

min⁡x∈XF(x)=(f1(x),f2(x),…,fk(x)) \min_{x\in X} F(x) = \bigl(f_1(x), f_2(x), \dots, f_k(x)\bigr)

Trong đó, X={x∈Rn:gj(x)≤0 (j=1,…,m), hℓ(x)=0 (ℓ=1,…,p)}X = \{x\in\mathbb{R}^n: g_j(x)\le0\ (j=1,\dots,m),\ h_\ell(x)=0\ (\ell=1,\dots,p)\} xác định miền khả thi. Các hàm mục tiêu fi(x)f_i(x) có thể tuyến tính hoặc phi tuyến, lồi hoặc không lồi.

Để giải quyết bài toán phi tuyến đa mục tiêu, thường phải chuyển bài toán sang dạng xấp xỉ hoặc phân mảnh thành nhiều bài toán con scalarization:

  1. Trọng số tuyến tính: min⁡∑i=1kwifi(x),wi≥0,  ∑wi=1 \min \sum_{i=1}^k w_i f_i(x),\quad w_i\ge0,\;\sum w_i=1
  2. Phương pháp ε-constraint: \min f_p(x)\ \text{với}\ f_i(x)\le\varepsilon_i,\ i\ne p \end{script>
Phương pháp Nguyên lý Ưu/Nhược
Trọng số tuyến tính Tổng có trọng số các hàm mục tiêu Đơn giản; khó áp dụng khi không lồi
ε-constraint Ràng buộc mục tiêu phụ Bao phủ Pareto tốt; khó chọn ε phù hợp

Khái niệm Pareto

Giải pháp