[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_th%E1%BB%9Di%20gian%20ho%C3%A0n%20th%C3%A0nh{\"limit\":5}":3,"_public_topic_byId_thời gian hoàn thành":42},{"code":4,"data":5,"meta":36},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":40,"vietnamLatest":41},[],[8,25],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":20,"totalCitation":21,"url":22,"doi":23,"summary":24},"d02a7d6b-b451-44cc-801d-e6125884d4f4","Vấn đề lập lịch dòng chảy hoán vị phân tán với mục tiêu tối thiểu hóa thời gian hoàn thành tổng thể","Distributed permutation flowshop scheduling problem with total completion time objective",[13,14,15],"Arshad Ali","Yuvraj Gajpal","Tarek Y. Elmekkawy",3,"OPSEARCH",false,"2020-11-19",2020,23,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs12597-020-00484-3","10.1007\u002Fs12597-020-00484-3","\u003Cp>Mô hình toán điều hành sản xuất giải quyết bài toán lập lịch dòng chảy hoán vị phân tán \u003Ci>DPFSP\u003C\u002Fi> với mục tiêu tối ưu hóa tổng \u003Cb class=\"publication-topic-keywords\">thời gian hoàn thành\u003C\u002Fb> của toàn bộ hệ thống nhà máy song song. Thuật toán tìm kiếm lặp cục bộ kết hợp chiến lược hoán đổi việc làm giảm thiểu tình trạng trễ đơn hàng và máy nhàn rỗi. Giải pháp giúp các chuỗi cung ứng sản xuất phân tán nâng cao hiệu suất vận hành và giảm chi phí lưu kho.\u003C\u002Fp>",{"publicationId":26,"title":27,"originalTitle":28,"authorNames":29,"authorCount":16,"journalName":33,"vietnamJournal":18,"publishDate":34,"publishYear":35,"totalCitation":36,"url":37,"doi":38,"summary":39},"c430042e-a6c2-46e6-a0b0-dfabb184bd2c","Xấp xỉ thời gian hoàn thành có trọng số thông qua tương quan âm mạnh mẽ hơn","Approximating weighted completion time via stronger negative correlation",[30,31,32],"Alok Baveja","Xiaoran Qu","Aravind Srinivasan","Journal of Scheduling","2023-03-30",2023,null,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10951-023-00780-y","10.1007\u002Fs10951-023-00780-y","\u003Cp>Nghiên cứu tối ưu hóa tổ hợp đề xuất thuật toán xấp xỉ giải bài toán lập lịch máy song song nhằm cực tiểu hóa tổng \u003Cb class=\"publication-topic-keywords\">thời gian hoàn thành\u003C\u002Fb> có trọng số \u003Ci>weighted completion time\u003C\u002Fi>. Tác giả khai thác kỹ thuật tương quan âm mạnh mẽ \u003Ci>negative correlation\u003C\u002Fi> để làm tròn nghiệm và cải thiện tỷ số xấp xỉ lý thuyết của \u003Ci>Bansal\u003C\u002Fi>. Kết quả mang lại đóng góp quan trọng cho lý thuyết lập lịch hiện đại và bài toán điều phối tài nguyên phân tán.\u003C\u002Fp>",[],[],{"code":4,"data":43,"meta":36},{"id":44,"title":45,"description":46,"content":47,"term":44,"englishTitle":36,"synonyms":36,"definition":36,"discipline":36,"references":36,"faqs":36,"createUser":48,"publishUser":52,"keywords":56,"keywordCount":36,"enrichTopicLink":18,"status":57,"createTime":58,"updateTime":59,"publishTime":60,"linkEnrichedTime":36,"publicationScanTime":61,"contentErrorMessage":36,"viewCount":62,"relateTopics":63},"thời gian hoàn thành","Thời gian hoàn thành là gì? Các bài báo nghiên cứu khoa học","Thời gian hoàn thành là khoảng thời gian kể từ khi một tác vụ bắt đầu đến khi kết thúc hoạt động liên quan, phản ánh hiệu quả xử lý. Chỉ số này là thước đo quan trọng trong quản lý dự án và khoa học máy tính, giúp ước lượng tiến độ, tối ưu lịch trình và phân bổ tài nguyên. ","\u003Cdiv>\u003Ch2>Giới thiệu\u003C\u002Fh2>\n\u003Cp>Thời gian hoàn thành (Completion Time) là khoảng thời gian tính từ khi một công việc hoặc tác vụ được khởi động đến khi kết thúc toàn bộ các hoạt động liên quan. Đây là thước đo quan trọng để đánh giá mức độ hiệu quả và năng suất của quy trình, dự án hoặc hệ thống xử lý tác vụ. Trong quản lý dự án, thời gian hoàn thành giúp xác định tiến độ, đánh giá rủi ro và tối ưu hóa phân bổ tài nguyên. Trong khoa học máy tính, đặc biệt là trong lý thuyết sắp xếp (scheduling theory), thời gian hoàn thành được sử dụng để so sánh các thuật toán và chiến lược phân chia công việc trên hệ thống đa bộ xử lý.\u003C\u002Fp>\n\u003Cp>Thước đo này không chỉ bao gồm thời gian thao tác thực thi mà còn tính đến các khoảng chờ, trì hoãn và bất kỳ thời gian trễ nào phát sinh trong quá trình xử lý. Việc ước tính và đo lường chính xác thời gian hoàn thành yêu cầu ghi nhận các thời điểm bắt đầu và kết thúc cho từng tác vụ, đồng thời phân tích toàn bộ chuỗi sự kiện liên quan. Kết quả thu được từ phân tích thời gian hoàn thành có thể được sử dụng trong việc cải tiến quy trình, rút ngắn thời gian giao hàng, tối ưu hóa việc sử dụng tài nguyên và nâng cao năng lực cạnh tranh.\u003C\u002Fp>\n\u003Cp>Trong ngữ cảnh doanh nghiệp, thời gian hoàn thành thường được kết hợp với các chỉ số khác như tổng thời gian chờ (Flow Time), độ trễ (Tardiness) và độ lệch (Lateness) để có cái nhìn toàn diện về hiệu suất. Kết quả phân tích nhằm hỗ trợ nhà quản lý trong việc điều chỉnh lịch trình, cắt giảm lãng phí và lập kế hoạch chiến lược.\u003C\u002Fp>\n\n\u003Ch2>Định nghĩa thời gian hoàn thành\u003C\u002Fh2>\n\u003Cp>Về mặt toán học, thời gian hoàn thành của tác vụ j được ký hiệu là \u003Cstrong>C\u003Csub>j\u003C\u002Fsub>\u003C\u002Fstrong>, biểu diễn thời điểm tác vụ j hoàn thành toàn bộ hoạt động. Nếu xét tập các tác vụ {1, 2, …, n}, thời gian hoàn thành muộn nhất (makespan) được định nghĩa là:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">C_{\\max} = \\max_{1 \\le j \\le n} C_j\u003C\u002Fscript>\n\u003Cp>Trong đó, \u003Cstrong>C\u003Csub>max\u003C\u002Fsub>\u003C\u002Fstrong> là mốc thời gian lớn nhất mà một tác vụ kết thúc, thể hiện tổng thời gian cần thiết để hoàn tất toàn bộ tập tác vụ. Makespan thường được sử dụng làm mục tiêu tối ưu trong nhiều bài toán sắp xếp công việc, nhằm giảm thiểu tổng thời gian dự án hoặc quy trình.\u003C\u002Fp>\n\u003Cp>Ngoài makespan, các khái niệm liên quan bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Flow Time (F\u003Csub>j\u003C\u002Fsub>):\u003C\u002Fstrong> F\u003Csub>j\u003C\u002Fsub> = C\u003Csub>j\u003C\u002Fsub> − r\u003Csub>j\u003C\u002Fsub>, với r\u003Csub>j\u003C\u002Fsub> là thời điểm tác vụ j sẵn sàng để thực thi.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tardiness (T\u003Csub>j\u003C\u002Fsub>):\u003C\u002Fstrong> T\u003Csub>j\u003C\u002Fsub> = max(0, C\u003Csub>j\u003C\u002Fsub> − D\u003Csub>j\u003C\u002Fsub>), với D\u003Csub>j\u003C\u002Fsub> là thời hạn chót.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Lateness (L\u003Csub>j\u003C\u002Fsub>):\u003C\u002Fstrong> L\u003Csub>j\u003C\u002Fsub> = C\u003Csub>j\u003C\u002Fsub> − D\u003Csub>j\u003C\u002Fsub>, có thể âm hoặc dương.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Sự khác biệt giữa các chỉ số này cho phép phân tích chi tiết về hiệu suất theo từng khía cạnh: tốc độ hoàn thành, mức độ tuân thủ lịch trình và khoảng thời gian chờ.\u003C\u002Fp>\n\n\u003Ch2>Phân loại thời gian hoàn thành\u003C\u002Fh2>\n\u003Cp>Thời gian hoàn thành có thể được phân thành các loại chính dựa trên mục tiêu tối ưu hoặc môi trường xử lý:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Cá biệt (Individual Completion Time):\u003C\u002Fstrong> Thời gian hoàn thành riêng của từng tác vụ, dùng để đánh giá chi tiết và so sánh từng công việc nhỏ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tổng thời gian hoàn thành (Total Completion Time):\u003C\u002Fstrong> ΣC\u003Csub>j\u003C\u002Fsub> = C\u003Csub>1\u003C\u002Fsub> + C\u003Csub>2\u003C\u002Fsub> + … + C\u003Csub>n\u003C\u002Fsub>, mục tiêu giảm tổng thời gian để cải thiện hiệu quả chung.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Makespan (C\u003Csub>max\u003C\u002Fsub>):\u003C\u002Fstrong> Mục tiêu giảm thời gian hoàn thành dài nhất trong toàn bộ tập tác vụ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Thời gian trễ tổng (ΣT\u003Csub>j\u003C\u002Fsub>):\u003C\u002Fstrong> Tổng độ trễ so với thời hạn, đánh giá mức độ chậm tiến độ.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Trong môi trường xử lý song song hoặc đa máy, các chỉ tiêu này có thể xung đột lẫn nhau. Ví dụ, giảm makespan chưa chắc đã tối ưu tổng thời gian hoàn thành nếu phân bổ tài nguyên không cân bằng.\u003C\u002Fp>\n\n\u003Ch2>Đặc tính và tính chất\u003C\u002Fh2>\n\u003Cp>Thời gian hoàn thành chịu ảnh hưởng mạnh mẽ bởi các yếu tố sau:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Thứ tự thực thi (Sequencing):\u003C\u002Fstrong> Lựa chọn chiến lược sắp xếp tác vụ (như SPT: Shortest Processing Time, LPT: Longest Processing Time) quyết định phần lớn giá trị C\u003Csub>max\u003C\u002Fsub> và ΣC\u003Csub>j\u003C\u002Fsub>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Cấu trúc hệ thống:\u003C\u002Fstrong> Số lượng và khả năng song song của máy móc\u002Fnhân lực. Môi trường một máy và nhiều máy khác nhau về độ phức tạp tính toán bài toán tối ưu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tính ngẫu nhiên:\u003C\u002Fstrong> Biến động thời gian xử lý và thời điểm sẵn sàng (r\u003Csub>j\u003C\u002Fsub>) gây khó khăn trong việc ước tính chính xác.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Yếu tố\u003C\u002Fth>\n      \u003Cth>Ảnh hưởng chính\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Chiến lược sắp xếp\u003C\u002Ftd>\n      \u003Ctd>Xác định thứ tự, ảnh hưởng trực tiếp đến C\u003Csub>max\u003C\u002Fsub>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Số lượng máy\u003C\u002Ftd>\n      \u003Ctd>Quyết định mức độ song song, thay đổi độ phức tạp tính toán\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Biến động thời gian\u003C\u002Ftd>\n      \u003Ctd>Yêu cầu mô hình hóa xác suất và ước tính rủi ro\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Nghiên cứu cho thấy bài toán tối ưu makespan trong môi trường đa máy số lượng lớn là NP-khó, khiến việc tìm chiến lược tối ưu trở nên bất khả thi về tính toán với số lượng tác vụ lớn. Các giải thuật xấp xỉ hoặc metaheuristic (như genetic algorithm, simulated annealing) thường được áp dụng để đạt kết quả đủ tốt trong thời gian hợp lý.\u003C\u002Fp>\n\u003Ch2>Ứng dụng trong quản lý dự án\u003C\u002Fh2>\n\u003Cp>Trong quản lý dự án, thời gian hoàn thành (Completion Time) được sử dụng để xác định tiến độ tổng thể và các mốc quan trọng (milestones). Sử dụng biểu đồ mạng PERT (Program Evaluation and Review Technique) và phương pháp đường găng CPM (Critical Path Method) giúp xác định đường găng dài nhất, từ đó ước tính C\u003Csub>max\u003C\u002Fsub> của toàn bộ dự án. Việc phân tích đường găng cũng cho phép nhận diện các hoạt động có độ trễ cho phép (float\u002Fslack) và tập trung điều phối tài nguyên tối ưu cho các công việc then chốt (\u003Ca href=\"https:\u002F\u002Fwww.pmi.org\u002F\" target=\"_blank\" rel=\"noopener\">Project Management Institute\u003C\u002Fa>).\u003C\u002Fp>\n\u003Cp>Biểu đồ Gantt hỗ trợ trực quan hóa tiến độ từng công việc, cho phép theo dõi thời gian hoàn thành thực tế so với kế hoạch. Các công cụ quản lý dự án như Microsoft Project, Primavera hoặc Asana đều cung cấp chức năng theo dõi thời gian hoàn thành và tính toán tự động các chỉ số độ trễ (Tardiness) và độ lệch (Lateness).\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Phân tích đường găng để ước tính C\u003Csub>max\u003C\u002Fsub> và float giữa các công việc.\u003C\u002Fli>\n  \u003Cli>Theo dõi tiến độ thực tế, điều chỉnh lịch trình và phân bổ nguồn lực.\u003C\u002Fli>\n  \u003Cli>Đánh giá rủi ro về trễ hạn và lập kế hoạch dự phòng.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng trong lý thuyết sắp xếp\u003C\u002Fh2>\n\u003Cp>Trong khoa học máy tính, bài toán sắp xếp (scheduling) tập trung vào việc phân phối n tác vụ lên m tài nguyên xử lý để tối ưu một hoặc nhiều mục tiêu, điển hình là makespan (C\u003Csub>max\u003C\u002Fsub>) hoặc tổng thời gian hoàn thành ΣC\u003Csub>j\u003C\u002Fsub>. Các thuật toán cổ điển bao gồm:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>\u003Cstrong>SPT (Shortest Processing Time):\u003C\u002Fstrong> Ưu tiên xử lý tác vụ có thời gian thực thi ngắn nhất trước, thường tối ưu ΣC\u003Csub>j\u003C\u002Fsub> nhưng không nhất thiết giảm C\u003Csub>max\u003C\u002Fsub>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>LPT (Longest Processing Time):\u003C\u002Fstrong> Xử lý tác vụ dài trước, giúp cân bằng tải và giảm độ chệnh lệch giữa các máy, cải thiện makespan trong môi trường song song đồng nhất.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>List Scheduling:\u003C\u002Fstrong> Phân bổ theo danh sách ưu tiên kết hợp heuristics, dễ triển khai nhưng chỉ cho kết quả xấp xỉ.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Trong môi trường đa bộ xử lý không đồng nhất (heterogeneous), bài toán càng phức tạp và NP-khó. Các giải thuật metaheuristic như thuật toán di truyền (Genetic Algorithm), mô phỏng làm nguội (Simulated Annealing) hay tối ưu bầy đàn (Particle Swarm Optimization) thường được áp dụng để tìm nghiệm gần tối ưu trong thời gian thực.\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thuật toán\u003C\u002Fth>\n      \u003Cth>Mục tiêu chính\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>SPT\u003C\u002Ftd>\n      \u003Ctd>Min ΣC\u003Csub>j\u003C\u002Fsub>\u003C\u002Ftd>\n      \u003Ctd>Đơn giản, hiệu quả cho bài toán một máy\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>LPT\u003C\u002Ftd>\n      \u003Ctd>Min C\u003Csub>max\u003C\u002Fsub>\u003C\u002Ftd>\n      \u003Ctd>Cân bằng tải, thích hợp môi trường song song\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>GA (Genetic Algorithm)\u003C\u002Ftd>\n      \u003Ctd>Min C\u003Csub>max\u003C\u002Fsub>, ΣC\u003Csub>j\u003C\u002Fsub>\u003C\u002Ftd>\n      \u003Ctd>Tìm nghiệm xấp xỉ tốt cho bài toán NP-khó\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Phương pháp đo và ước tính\u003C\u002Fh2>\n\u003Cp>Đo lường thời gian hoàn thành đòi hỏi hệ thống ghi nhận chính xác thời điểm bắt đầu r\u003Csub>j\u003C\u002Fsub> và kết thúc C\u003Csub>j\u003C\u002Fsub> cho mỗi tác vụ. Trong sản xuất, hệ thống MES (Manufacturing Execution System) tự động thu thập dữ liệu thời gian máy chạy, thời gian chờ và thời gian bảo trì.\u003C\u002Fp>\n\u003Cp>Phương pháp mô phỏng Monte Carlo được sử dụng để ước tính phân phối thời gian hoàn thành khi thông số đầu vào có tính ngẫu nhiên. Bước cơ bản gồm xác định phân phối xác suất cho thời gian thực thi, thực hiện hàng ngàn kịch bản mô phỏng và phân tích kết quả để rút ra khoảng tin cậy cho C\u003Csub>max\u003C\u002Fsub>.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Hệ thống giám sát tự động (SCADA\u002FMES) kết hợp IoT để ghi nhận r và C\u003Csub>j\u003C\u002Fsub> theo thời gian thực.\u003C\u002Fli>\n  \u003Cli>Mạng PERT: tính toán thời gian sớm nhất (ES) và muộn nhất (LS) cho từng hoạt động.\u003C\u002Fli>\n  \u003Cli>Mô phỏng Monte Carlo: ước tính phân phối C\u003Csub>max\u003C\u002Fsub> và đánh giá rủi ro trễ hạn.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Yếu tố ảnh hưởng\u003C\u002Fh2>\n\u003Cp>Các yếu tố chính tác động đến thời gian hoàn thành bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tài nguyên:\u003C\u002Fstrong> Số lượng và công suất của máy móc, nhân lực, băng thông mạng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Thứ tự và ưu tiên:\u003C\u002Fstrong> Chiến lược sắp xếp và phân bổ thứ tự thực thi tác vụ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Độ biến động:\u003C\u002Fstrong> Sự không chắc chắn về thời gian xử lý, sai số trong ước tính và rủi ro đột xuất như lỗi thiết bị.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tương tác giữa tác vụ:\u003C\u002Fstrong> Tác vụ song song hoặc phụ thuộc hoàn thành lẫn nhau (precedence constraints).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Trong môi trường sản xuất lean hoặc Agile, yếu tố con người và giao tiếp liên đội nhóm cũng ảnh hưởng trực tiếp đến thời gian hoàn thành thông qua hiệu quả phối hợp và khả năng phản ứng nhanh với thay đổi.\u003C\u002Fp>\n\n\u003Ch2>Ý nghĩa và tầm quan trọng\u003C\u002Fh2>\n\u003Cp>Thời gian hoàn thành là chỉ số cốt lõi để đánh giá hiệu suất quy trình và năng lực cạnh tranh. Giảm thiểu C\u003Csub>max\u003C\u002Fsub> mang lại lợi ích:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Giảm chi phí lưu kho và chi phí vận hành.\u003C\u002Fli>\n  \u003Cli>Nâng cao khả năng giao hàng đúng hạn, tăng hài lòng khách hàng.\u003C\u002Fli>\n  \u003Cli>Tạo khoảng đệm (buffer) cho các hoạt động bảo trì và khắc phục sự cố.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Trong nghiên cứu và triển khai, việc kết hợp phân tích dữ liệu lớn (Big Data) và trí tuệ nhân tạo (AI) giúp tối ưu lịch trình động, dự báo tình trạng quá tải và tự động điều chỉnh thứ tự thực thi để duy trì thời gian hoàn thành tối ưu.\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Cul>\n  \u003Cli>Project Management Institute. \u003Cem>A Guide to the Project Management Body of Knowledge (PMBOK® Guide)\u003C\u002Fem>. PMI; 2021. Truy cập tại \u003Ca href=\"https:\u002F\u002Fwww.pmi.org\u002Fpmbok-guide-standards\" target=\"_blank\" rel=\"noopener\">pmi.org\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>Pinedo M. \u003Cem>Scheduling: Theory, Algorithms, and Systems\u003C\u002Fem>. Springer; 2020.\u003C\u002Fli>\n  \u003Cli>Blazewicz J., et al. \u003Cem>Scheduling Computer and Manufacturing Processes\u003C\u002Fem>. Springer; 2019.\u003C\u002Fli>\n  \u003Cli>MIT OpenCourseWare. \u003Cem>Scheduling Algorithms\u003C\u002Fem>. Truy cập tại \u003Ca href=\"https:\u002F\u002Focw.mit.edu\u002F\" target=\"_blank\" rel=\"noopener\">ocw.mit.edu\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>Britannica. Scheduling. Truy cập tại \u003Ca href=\"https:\u002F\u002Fwww.britannica.com\u002Fscience\u002Fscheduling\" target=\"_blank\" rel=\"noopener\">britannica.com\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>Law A.M., Kelton W.D. \u003Cem>Simulation Modeling and Analysis\u003C\u002Fem>. McGraw-Hill; 2017.\u003C\u002Fli>\n  \u003Cli>Slack N., Chambers S., Johnston R. \u003Cem>Operations Management\u003C\u002Fem>. Pearson; 2018.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fdiv>",{"id":49,"researcherId":36,"name":50,"imageUrl":51},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":53,"researcherId":36,"name":54,"imageUrl":55},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[44],"PUBLISHED","2025-07-31T03:04:07.311+00:00","2026-09-05T08:24:33.501+00:00","2025-08-01T03:53:11.861+00:00","2026-09-05T08:24:33.499+00:00",398,[64,67,70,80,83,86,96,106,116,121],{"id":65,"title":66,"term":65,"englishTitle":36,"definition":36,"discipline":36,"disciplineCode":36,"disciplineLabel":36,"disciplineColor":36,"disciplineIcon":36},"động cơ học tập","Động cơ học tập là gì? Các nghiên cứu khoa học liên quan",{"id":68,"title":69,"term":68,"englishTitle":36,"definition":36,"discipline":36,"disciplineCode":36,"disciplineLabel":36,"disciplineColor":36,"disciplineIcon":36},"hệ thống bài tập","Hệ thống bài tập là gì? Các nghiên cứu khoa học liên quan",{"id":71,"title":72,"term":71,"englishTitle":73,"definition":74,"discipline":75,"disciplineCode":76,"disciplineLabel":77,"disciplineColor":78,"disciplineIcon":79},"mô phỏng quy trình","Mô phỏng quy trình là gì? Khái niệm, cơ chế và ứng dụng","Process simulation","Mô phỏng quy trình là phương pháp mô hình hóa toán học các quá trình vật lý, hóa học hoặc sản xuất công nghiệp trên máy tính, cho phép dự báo, tối ưu hóa các thông số vận hành và kiểm tra hành vi hệ thống mà không cần can thiệp trực tiếp vào dây chuyền thực tế.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":81,"title":82,"term":81,"englishTitle":36,"definition":36,"discipline":36,"disciplineCode":36,"disciplineLabel":36,"disciplineColor":36,"disciplineIcon":36},"đánh giá nguy cơ té ngã","Đánh giá nguy cơ té ngã là gì? Các bài nghiên cứu khoa học",{"id":84,"title":85,"term":84,"englishTitle":36,"definition":36,"discipline":36,"disciplineCode":36,"disciplineLabel":36,"disciplineColor":36,"disciplineIcon":36},"process","Process là gì? Các bài báo nghiên cứu khoa học liên quan",{"id":87,"title":88,"term":87,"englishTitle":89,"definition":90,"discipline":91,"disciplineCode":92,"disciplineLabel":93,"disciplineColor":94,"disciplineIcon":95},"tăng sinh","Tăng sinh là gì? Các bài báo nghiên cứu khoa học liên quan","proliferation","Tăng sinh (tăng sinh tế bào, cellular proliferation) là quá trình sinh học gia tăng số lượng tế bào thông qua chu kỳ phân bào có kiểm soát, đóng vai trò nền tảng cho sự sinh trưởng phôi thai, tái tạo mô lành thương và khi mất kiểm soát sẽ dẫn đến bệnh lý ác tính.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":97,"title":98,"term":97,"englishTitle":99,"definition":100,"discipline":101,"disciplineCode":102,"disciplineLabel":103,"disciplineColor":104,"disciplineIcon":105},"hiệu suất công việc","Hiệu suất công việc là gì? Khái niệm, cơ chế và ứng dụng","Job performance","tổng hợp các hành vi và kết quả thực hiện có thể quan sát, đo lường được của người lao động nhằm đóng góp vào việc hoàn thành các mục tiêu chiến lược của tổ chức.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":107,"title":108,"term":107,"englishTitle":109,"definition":110,"discipline":111,"disciplineCode":112,"disciplineLabel":113,"disciplineColor":114,"disciplineIcon":115},"ruồi hành","Ruồi hành là gì? Sinh thái học và biện pháp phòng trừ","Onion fly","Ruồi hành (Delia antiqua) là loài côn trùng gây hại thuộc bộ Hai cánh (Diptera), họ Ruồi hoa (Anthomyiidae), chuyên gây hại trên các loài cây trồng thuộc chi Hành tỏi (Allium) thông qua việc ấu trùng đục phá mô ngầm và rễ củ.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":117,"title":118,"term":117,"englishTitle":119,"definition":120,"discipline":91,"disciplineCode":92,"disciplineLabel":93,"disciplineColor":94,"disciplineIcon":95},"chỉ số chỉnh hình cincinnati","Chỉ số chỉnh hình Cincinnati là gì? Đánh giá khớp gối","Cincinnati Knee Rating System","Chỉ số chỉnh hình Cincinnati là hệ thống thang điểm lượng giá lâm sàng chuyên biệt dùng để đo lường triệu chứng và chức năng khớp gối sau tổn thương hoặc tái tạo dây chằng chéo trước.",{"id":122,"title":123,"term":122,"englishTitle":124,"definition":125,"discipline":91,"disciplineCode":92,"disciplineLabel":93,"disciplineColor":94,"disciplineIcon":95},"theo dõi huyết áp","Theo dõi huyết áp là gì? Các phương thức và giá trị chẩn đoán","blood pressure monitoring","Theo dõi huyết áp (blood pressure monitoring) là quy trình lâm sàng và cận lâm sàng nhằm định lượng liên tục hoặc định kỳ áp lực huyết động do dòng máu tác động lên bề mặt thành động mạch qua các chu kỳ tâm thu và tâm trương của tim, đóng vai trò then chốt trong việc sàng lọc, chẩn đoán xác định, phân tầng nguy cơ tim mạch và đánh giá hiệu quả kiểm soát huyết áp."]