[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_thu%E1%BA%ADt%20to%C3%A1n%20ti%E1%BA%BFn%20h%C3%B3a{\"limit\":5}":3,"_public_topic_byId_thuật toán tiến hóa":38},{"code":4,"data":5,"meta":11},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":36,"vietnamLatest":37},[],[8,21],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":14,"journalName":15,"vietnamJournal":16,"publishDate":17,"publishYear":18,"totalCitation":11,"url":19,"doi":11,"summary":20},"3d6defb1-d134-40e3-8dbb-d8e964623f1c","ỨNG DỤNG THUẬT TOÁN TIẾN HÓA VI PHÂN TRONG THIẾT KẾ TỐI ƯU DẦM CHÍNH CẦU TRỤC ",null,[13],"TÂN NGUYỄN VIẾT",1,"Tạp chí Khoa học Công nghệ Hàng hải",false,"2021-10-01",2021,"https:\u002F\u002Fjmst.vimaru.edu.vn\u002Findex.php\u002Ftckhcnhh\u002Farticle\u002Fview\u002F181","\u003Cp>\u003Cb>Nghiên cứu kỹ thuật cơ khí tính toán\u003C\u002Fb> áp dụng biến thể \u003Cb class=\"publication-topic-keywords\">thuật toán tiến hóa\u003C\u002Fb> vi phân nhằm tối ưu hóa kích thước hình học và khối lượng dầm chính cầu trục. Phân tích số chỉ ra phương pháp tìm kiếm nghiệm tối ưu toàn cục nhanh chóng, giảm đáng kể lượng vật liệu thép tiêu hao mà vẫn bảo đảm độ bền kết cấu. Công trình minh chứng tính khả thi của \u003Cb class=\"publication-topic-keywords\">thuật toán tiến hóa\u003C\u002Fb> trong tự động hóa thiết kế máy móc, dù cần xét thêm điều kiện dao động động học.\u003C\u002Fp>",{"publicationId":22,"title":23,"originalTitle":24,"authorNames":25,"authorCount":29,"journalName":30,"vietnamJournal":16,"publishDate":31,"publishYear":32,"totalCitation":11,"url":33,"doi":34,"summary":35},"40d00099-a9f9-459b-92df-90271b58f5a2","Thuật toán đồng tiến hóa lân cận không bị chi phối đa mục tiêu với quần thể ưu tú","Multiobjective nondominated neighbor coevolutionary algorithm with elite population",[26,27,28],"Caihong Mu","Licheng Jiao","Yi Liu",4,"Soft Computing","2014-07-01",2014,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00500-014-1346-1","10.1007\u002Fs00500-014-1346-1","\u003Cp>\u003Cb>Nghiên cứu khoa học máy tính ứng dụng\u003C\u002Fb> phát triển \u003Cb class=\"publication-topic-keywords\">thuật toán tiến hóa\u003C\u002Fb> đồng tiến hóa lân cận không bị chi phối \u003Ci>NNCA\u003C\u002Fi> kết hợp quần thể ưu tú cho bài toán tối ưu đa mục tiêu. Thử nghiệm trên 20 tập dữ liệu chuẩn \u003Ci>ZDT\u003C\u002Fi>, \u003Ci>DTLZ\u003C\u002Fi> và \u003Ci>CEC09\u003C\u002Fi> chỉ ra thuật toán duy trì độ đa dạng nghiệm vượt trội. Kết quả làm rõ ưu thế tìm kiếm của \u003Cb class=\"publication-topic-keywords\">thuật toán tiến hóa\u003C\u002Fb>, dù chi phí tính toán tăng khi số chiều lớn.\u003C\u002Fp>",[],[],{"code":4,"data":39,"meta":11},{"id":40,"title":41,"description":42,"content":43,"term":40,"englishTitle":44,"synonyms":11,"definition":45,"discipline":46,"references":47,"faqs":67,"createUser":77,"publishUser":81,"keywords":85,"keywordCount":96,"enrichTopicLink":97,"status":98,"createTime":99,"updateTime":100,"publishTime":101,"linkEnrichedTime":102,"publicationScanTime":103,"contentErrorMessage":11,"viewCount":104,"relateTopics":105},"thuật toán tiến hóa","Thuật toán tiến hóa là gì? Khái niệm, cơ chế và ứng dụng","Thuật toán tiến hóa (evolutionary algorithm - EA) là tập hợp các thuật toán tối ưu hóa tìm kiếm dựa trên quần thể, mô phỏng các cơ chế tiến hóa tự nhiên...","\u003Cp>\u003Cstrong>Thuật toán tiến hóa\u003C\u002Fstrong> (\u003Cem>Evolutionary algorithm (EA)\u003C\u002Fem>) là (evolutionary algorithm - EA) là tập hợp các thuật toán tối ưu hóa tìm kiếm dựa trên quần thể, mô phỏng các cơ chế tiến hóa tự nhiên của học thuyết Darwin như đột biến, lai ghép và chọn lọc tự nhiên để giải các bài toán phức tạp.\u003C\u002Fp>\n\u003Ch2>Định nghĩa thuật toán tiến hóa\u003C\u002Fh2>\n\u003Cp>Thuật toán tiến hóa (Evolutionary Algorithm, EA) là phương pháp tối ưu hóa và tìm kiếm giải pháp dựa trên nguyên lý {{topic|%7B%22topic%22%3A%22ch%E1%BB%8Dn%20l%E1%BB%8Dc%20t%E1%BB%B1%20nhi%C3%AAn%22%7D}}, di truyền học và cơ chế tiến hóa sinh học. Khởi đầu từ một quần thể các cá thể (mỗi cá thể biểu diễn một giải pháp), EA áp dụng các toán tử như lai ghép (crossover), đột biến (mutation) và chọn lọc (selection) để tạo ra thế hệ mới với hy vọng gia tăng chất lượng tổng thể.\u003C\u002Fp>\n\u003Cp>Mỗi cá thể được mã hóa dưới dạng chuỗi gen (binary string, vector số thực hoặc cây biểu thức) và đánh giá bằng hàm thích nghi (fitness function). Giá trị fitness xác định khả năng \"sống sót\" và \"sinh sản\" của cá thể, từ đó những cá thể có fitness cao sẽ có xác suất sinh con cao hơn, dần hình thành quần thể hội tụ về giải pháp tối ưu.\u003C\u002Fp>\n\u003Cp>Quá trình tiến hóa lặp đi lặp lại cho đến khi đạt điều kiện dừng: số thế hệ tối đa, fitness đạt ngưỡng hoặc không có cải thiện đáng kể. EA có ưu điểm khả năng tìm kiếm toàn cục, không yêu cầu tính khả vi hay liên tục của hàm mục tiêu, phù hợp với các bài toán phức tạp, nhiễu và đa cực trị.\u003C\u002Fp>\n\n\u003Ch2>Lịch sử và phát triển\u003C\u002Fh2>\n\u003Cp>Năm 1954, Rosenblatt đề xuất ý tưởng Perceptron với phần học dựa trên điều chỉnh trọng số gợi nhớ cơ chế tiến hóa của tự nhiên. Thập niên 1960–1970, Fraser và Schwefel phát triển Evolution Strategies (ES) tại Đức, tập trung vào tối ưu hóa số thực và điều chỉnh kích thước bước nhảy.\u003C\u002Fp>\n\u003Cp>Trong cùng thời kỳ, Fogel, Owens và Walsh ở Hoa Kỳ giới thiệu Evolutionary Programming (EP), tập trung vào cải tiến cấu trúc và hành vi của các {{topic|%7B%22topic%22%3A%22ch%C6%B0%C6%A1ng%20tr%C3%ACnh%20m%C3%A1y%20t%C3%ADnh%22%7D}}. Sang thập niên 1980, John Holland hệ thống hóa Genetic Algorithms (GA), đưa ra mô hình lai ghép và chọn lọc dùng chuỗi nhị phân.\u003C\u002Fp>\n\u003Cp>Đến năm 1992, thuật ngữ chung Evolutionary Algorithm xuất hiện, bao quát GA, ES, EP và mở ra kỷ nguyên nghiên cứu EA tổng quát. Từ đó đến nay, cộng đồng nghiên cứu phát triển đa dạng biến thể: từ multi-objective EA (NSGA-II) đến các {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%20lai%22%7D}} ghép với học máy, mở rộng ứng dụng sang xử lý ảnh, học sâu và tối ưu hóa công nghiệp.\u003C\u002Fp>\n\n\u003Ch2>Phân loại chính\u003C\u002Fh2>\n\u003Cp>Thuật toán tiến hóa chia theo cấu trúc và cách mã hóa cá thể, gồm bốn nhóm chính:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Genetic Algorithms (GA):\u003C\u002Fstrong> cá thể mã hóa dưới dạng chuỗi nhị phân hoặc số thực, sử dụng lai ghép đa điểm và đột biến bit.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Evolution Strategies (ES):\u003C\u002Fstrong> tối ưu hóa số thực, cá thể mang tham số đột biến, tự điều chỉnh biến thể đột biến.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Evolutionary Programming (EP):\u003C\u002Fstrong> tập trung vào đột biến mạnh, không dùng lai ghép, phù hợp với tối ưu hóa hành vi và mô hình {{topic|%7B%22topic%22%3A%22th%E1%BB%9Di%20gian%20th%E1%BB%B1c%22%7D}}.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Genetic Programming (GP):\u003C\u002Fstrong> mã hóa cá thể dưới dạng cây biểu thức, thích hợp cho sinh chương trình máy tính hoặc phát hiện quy tắc.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\u003Cth>Loại EA\u003C\u002Fth>\u003Cth>Mã hóa\u003C\u002Fth>\u003Cth>Toán tử chính\u003C\u002Fth>\u003Cth>Ứng dụng tiêu biểu\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>GA\u003C\u002Ftd>\n      \u003Ctd>Chuỗi nhị phân\u002Fsố thực\u003C\u002Ftd>\n      \u003Ctd>Lai ghép (crossover), Đột biến (mutation)\u003C\u002Ftd>\n      \u003Ctd>Tối ưu rời rạc, thiết kế mạng lưới\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>ES\u003C\u002Ftd>\n      \u003Ctd>Vector số thực\u003C\u002Ftd>\n      \u003Ctd>Đột biến có phân phối Gaussian\u003C\u002Ftd>\n      \u003Ctd>Tối ưu hàm số liên tục, {{topic|%7B%22topic%22%3A%22%C4%91i%E1%BB%81u%20khi%E1%BB%83n%20robot%22%7D}}\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>EP\u003C\u002Ftd>\n      \u003Ctd>Biểu diễn hành vi\u003C\u002Ftd>\n      \u003Ctd>Đột biến mạnh\u003C\u002Ftd>\n      \u003Ctd>Mô hình hóa hệ thống động\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>GP\u003C\u002Ftd>\n      \u003Ctd>Cây biểu thức\u003C\u002Ftd>\n      \u003Ctd>Lai ghép cây, Đột biến cây\u003C\u002Ftd>\n      \u003Ctd>Khám phá quy tắc, lập trình tự động\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Các biến thể kết hợp giữa GA và ES hay tích hợp với mạng nơ-ron ngày càng phổ biến, khai thác ưu điểm của từng phương pháp để tăng hiệu suất và tính khả dụng trong thực tiễn.\u003C\u002Fp>\n\n\u003Ch2>Cơ sở sinh học\u003C\u002Fh2>\n\u003Cp>EA mô phỏng quá trình tiến hóa sinh học gồm bốn nguyên lý cốt lõi: chọn lọc tự nhiên (natural selection), di truyền (inheritance), lai ghép (recombination) và đột biến (mutation). Chọn lọc tự nhiên đảm bảo các cá thể có fitness cao có xác suất cao truyền gen sang thế hệ tiếp theo.\u003C\u002Fp>\n\u003Cp>Lai ghép tái phối hợp gen giữa hai cá thể, tương tự giao phối sinh học, giúp khám phá không gian giải pháp mới. Đột biến biến đổi gen ngẫu nhiên, duy trì {{topic|%7B%22topic%22%3A%22%C4%91a%20d%E1%BA%A1ng%20di%20truy%E1%BB%81n%22%7D}}, giảm nguy cơ hội tụ sớm vào nghiệm cục bộ.\u003C\u002Fp>\n\u003Cp>Quá trình này lặp đi lặp lại qua các thế hệ, tích lũy dần các đặc tính ưu việt và loại bỏ dần các gen kém thích nghi, dẫn đến quần thể hội tụ về giải pháp tối ưu hoặc gần tối ưu theo tiêu chí định trước.\u003C\u002Fp>\n\u003Ch2>Thành phần chính và toán tử\u003C\u002Fh2>\n\u003Cp>Thuật toán tiến hóa bao gồm sáu thành phần cơ bản: khởi tạo quần thể, đánh giá fitness, chọn lọc, lai ghép, đột biến và thay thế. Quần thể ban đầu P₀ thường được tạo ngẫu nhiên hoặc dựa trên kinh nghiệm, đảm bảo đa dạng khởi tạo.\u003C\u002Fp>\n\u003Cp>Đánh giá fitness ánh xạ mỗi cá thể thành giá trị số, thể hiện chất lượng giải pháp. Hàm fitness có thể là hàm mục tiêu đơn hoặc đa mục tiêu; với bài toán đa mục tiêu, EA thường sử dụng công cụ như NSGA-II để phân loại cá thể theo biên Pareto citeieeexplore.ieee.org\u002Fdocument\u002F996017.\u003C\u002Fp>\n\u003Cp>Chọn lọc (selection) xác định cá thể làm cha mẹ cho thế hệ sau. Các phương pháp phổ biến bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Roulette wheel: xác suất chọn tỉ lệ thuận với fitness.\u003C\u002Fli>\n  \u003Cli>Tournament: ngẫu nhiên chọn nhóm nhỏ và chọn cá thể tốt nhất trong nhóm.\u003C\u002Fli>\n  \u003Cli>Rank selection: sắp xếp cá thể theo fitness rồi {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} đều hơn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Lai ghép (crossover) kết hợp gen từ hai cha mẹ để tạo con, thường dùng một điểm (one-point) hoặc đa điểm (multi-point) với chuỗi nhị phân, hoặc crossover tuyến tính cho vector số thực. Đột biến (mutation) thay đổi ngẫu nhiên một phần gen để duy trì đa dạng di truyền.\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\u003Cth>Toán tử\u003C\u002Fth>\u003Cth>Chuỗi nhị phân\u003C\u002Fth>\u003Cth>Số thực\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\u003Ctd>One-point crossover\u003C\u002Ftd>\u003Ctd>Đảo chéo tại vị trí ngẫu nhiên\u003C\u002Ftd>\u003Ctd>Không áp dụng\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Arithmetic crossover\u003C\u002Ftd>\u003Ctd>Không áp dụng\u003C\u002Ftd>\u003Ctd>\u003Cscript type=\"math\u002Ftex\">\u003C\\alpha x_i + (1-\\alpha) y_i>\u003C\u002Fscript>\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Bit-flip mutation\u003C\u002Ftd>\u003Ctd>Đổi 0⇄1 với xác suất p\u003C\u002Ftd>\u003Ctd>Không áp dụng\u003C\u002Ftd>\u003C\u002Ftr>\n    \u003Ctr>\u003Ctd>Gaussian mutation\u003C\u002Ftd>\u003Ctd>Không áp dụng\u003C\u002Ftd>\u003Ctd>Thêm nhiễu \u003Cscript type=\"math\u002Ftex\">N(0,\\sigma^2)\u003C\u002Fscript>\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Biểu diễn và mã hóa\u003C\u002Fh2>\n\u003Cp>Cách mã hóa cá thể ảnh hưởng trực tiếp đến hiệu quả tìm kiếm. Các dạng mã hóa phổ biến:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Binary string:\u003C\u002Fstrong> mã hóa bit phù hợp với bài toán rời rạc, dễ áp dụng toán tử bit-flip và crossover.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Real-valued vector:\u003C\u002Fstrong> phù hợp với tối ưu hóa liên tục, cho phép sử dụng toán tử số học và đột biến Gaussian.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Expression tree:\u003C\u002Fstrong> trong Genetic Programming, cá thể là cây biểu thức đại diện cho chương trình hoặc công thức toán học.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ví dụ mã hóa số thực cho biến x, y:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Khởi tạo ngẫu nhiên trong khoảng \u003Cscript type=\"math\u002Ftex\">[a,b]\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>Áp dụng arithmetic crossover: \u003Cscript type=\"math\u002Ftex\">z_i = \\alpha x_i + (1-\\alpha) y_i\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>Mutation theo Gaussian: \u003Cscript type=\"math\u002Ftex\">x_i' = x_i + N(0,\\sigma^2)\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Ưu điểm của mã hóa số thực là giảm số tham số và cho phép khám phá gradient ngẫu nhiên, tuy nhiên dễ rơi vào extrema cục bộ nếu p_mutation quá thấp.\u003C\u002Fp>\n\n\u003Ch2>Hàm thích nghi (Fitness Function)\u003C\u002Fh2>\n\u003Cp>Hàm thích nghi xác định độ “tốt” của mỗi cá thể. Với {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%7D}} đơn mục tiêu, thường dùng giá trị hàm mục tiêu hoặc nghịch đảo chi phí. Với bài toán đa mục tiêu, EA sử dụng chiến lược không thống nhất (non-dominated sorting) như NSGA-II để phân hạng và duy trì đa dạng citeieeexplore.ieee.org\u002Fdocument\u002F996017.\u003C\u002Fp>\n\u003Cp>Trong một số trường hợp, fitness là hàm kết hợp nhiều tiêu chí:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n\\text{fitness} = w_1 f_1(x) + w_2 f_2(x) + \\dots + w_k f_k(x)\n\u003C\u002Fscript>\n\u003Cp>trong đó \u003Cscript type=\"math\u002Ftex\">w_i\u003C\u002Fscript> là trọng số ưu tiên. Cần đảm bảo các hàm con \u003Cscript type=\"math\u002Ftex\">f_i\u003C\u002Fscript> cùng thang đo hoặc được chuẩn hóa để tránh thiên lệch.\u003C\u002Fp>\n\n\u003Ch2>Quy trình tổng quát\u003C\u002Fh2>\n\u003Cp>Quy trình thuật toán tiến hóa thường lặp lại theo sáu bước:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Khởi tạo quần thể P₀ với N cá thể.\u003C\u002Fli>\n  \u003Cli>Đánh giá fitness cho Pₜ.\u003C\u002Fli>\n  \u003Cli>Chọn lọc cá thể làm bố mẹ từ Pₜ.\u003C\u002Fli>\n  \u003Cli>Áp dụng lai ghép và đột biến để sinh quần thể con Qₜ.\u003C\u002Fli>\n  \u003Cli>Đánh giá fitness Qₜ và hợp nhất với Pₜ để tạo Pₜ₊₁.\u003C\u002Fli>\n  \u003Cli>Kiểm tra điều kiện dừng: số thế hệ, fitness tối đa hoặc hội tụ.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Sự kết hợp giữa chọn lọc elitist (giữ lại cá thể tốt nhất) và xác suất ngẫu nhiên giúp cân bằng giữa khai thác (exploitation) và khám phá (exploration).\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng\u003C\u002Fh2>\n\u003Cp>Thuật toán tiến hóa có mặt trong nhiều lĩnh vực:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Kỹ thuật:\u003C\u002Fstrong> tối ưu {{topic|%7B%22topic%22%3A%22thi%E1%BA%BFt%20k%E1%BA%BF%20k%E1%BA%BFt%20c%E1%BA%A5u%22%7D}}, bố trí thiết bị, tối ưu luồng công việc trong sản xuất.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học máy:\u003C\u002Fstrong> chọn tính năng, tối ưu siêu tham số cho mô hình học sâu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tài chính:\u003C\u002Fstrong> tối ưu {{topic|%7B%22topic%22%3A%22danh%20m%E1%BB%A5c%20%C4%91%E1%BA%A7u%20t%C6%B0%22%7D}}, mô hình định giá quyền chọn không tuyến tính.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Điều khiển tự động:\u003C\u002Fstrong> tinh chỉnh bộ điều khiển PID, lập kế hoạch chuyển động cho robot.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các công cụ phổ biến như DEAP (Python) hay ECJ (Java) hỗ trợ nhanh việc triển khai và tùy biến EA cho bài toán cụ thể citesciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS095741741100536X.\u003C\u002Fp>\n\n\u003Ch2>Ưu điểm và hạn chế\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>Ưu điểm:\u003C\u002Fstrong> khả năng tìm kiếm toàn cục, không yêu cầu tính khả vi của hàm mục tiêu, dễ tích hợp với các phương pháp khác, xử lý tốt bài toán nhiễu và đa cực trị.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Hạn chế:\u003C\u002Fstrong> chi phí tính toán lớn với kích thước quần thể và số thế hệ cao, dễ hội tụ sớm vào nghiệm cục bộ, hiệu quả phụ thuộc vào tham số thuật toán và cách mã hóa.\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\u003Cth>Tiêu chí\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Hạn chế\u003C\u002Fth>\u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Tìm kiếm toàn cục\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n      \u003Ctd>Chi phí tính toán lớn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Yêu cầu gradient\u003C\u002Ftd>\n      \u003Ctd>Không\u003C\u002Ftd>\n      \u003Ctd>Khó điều chỉnh tham số\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Khả năng mở rộng\u003C\u002Ftd>\n      \u003Ctd>Rộng rãi\u003C\u002Ftd>\n      \u003Ctd>Phụ thuộc dữ liệu khởi tạo\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>","Evolutionary algorithm (EA)","Thuật toán tiến hóa (evolutionary algorithm - EA) là tập hợp các thuật toán tối ưu hóa tìm kiếm dựa trên quần thể, mô phỏng các cơ chế tiến hóa tự nhiên của học thuyết Darwin như đột biến, lai ghép và chọn lọc tự nhiên để giải các bài toán phức tạp.","NATURAL_SCIENCES",[48,55,60],{"citationText":49,"title":50,"authors":51,"source":52,"year":53,"doi":54,"url":11},"Al-Hajri, Abido (2009). Assessment of Genetic Algorithm selection, crossover and mutation techniques in reactive power optimization. 2009 IEEE Congress on Evolutionary Computation. doi:10.1109\u002Fcec.2009.4983055","Assessment of Genetic Algorithm selection, crossover and mutation techniques in reactive power optimization","Al-Hajri, Abido","2009 IEEE Congress on Evolutionary Computation",2009,"10.1109\u002Fcec.2009.4983055",{"citationText":56,"title":57,"authors":58,"source":52,"year":53,"doi":59,"url":11},"Abido, Elazouni (2009). Improved crossover and mutation operators for Genetic-Algorithm project scheduling. 2009 IEEE Congress on Evolutionary Computation. doi:10.1109\u002Fcec.2009.4983168","Improved crossover and mutation operators for Genetic-Algorithm project scheduling","Abido, Elazouni","10.1109\u002Fcec.2009.4983168",{"citationText":61,"title":62,"authors":63,"source":64,"year":65,"doi":66,"url":11},"Chuang, Chen (2011). A study on real-coded genetic algorithm for process optimization using ranking selection, direction-based crossover and dynamic mutation. 2011 IEEE Congress of Evolutionary Computation (CEC). doi:10.1109\u002Fcec.2011.5949926","A study on real-coded genetic algorithm for process optimization using ranking selection, direction-based crossover and dynamic mutation","Chuang, Chen","2011 IEEE Congress of Evolutionary Computation (CEC)",2011,"10.1109\u002Fcec.2011.5949926",[68,71,74],{"question":69,"answer":70},"Bốn thành phần chính trong vòng lặp tiến hóa của thuật toán là gì?","Khởi tạo quần thể, đánh giá độ thích nghi (fitness function), chọn lọc các cá thể ưu tú và sinh sản (lai ghép kết hợp đột biến).",{"question":72,"answer":73},"Sự khác nhau giữa giải thuật di truyền (GA) và chiến lược tiến hóa (ES) là gì?","GA thường mã hóa lời giải bằng chuỗi nhị phân hoặc rời rạc và chú trọng lai ghép, trong khi ES làm việc trực tiếp trên vector số thực và lấy đột biến làm toán tử chính.",{"question":75,"answer":76},"Tại sao thuật toán tiến hóa hiệu quả trong bài toán tối ưu hóa đa mục tiêu (MOEA)?","Thuật toán xử lý đồng thời một quần thể nghiệm, giúp tìm ra tập nghiệm tối ưu Pareto (Pareto front) chỉ trong một lần chạy mà không cần gán trọng số chủ quan.",{"id":78,"researcherId":11,"name":79,"imageUrl":80},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":82,"researcherId":11,"name":83,"imageUrl":84},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[86,87,88,89,90,91,92,93,94,95],"chọn lọc tự nhiên","chương trình máy tính","thuật toán lai","thời gian thực","điều khiển robot","đa dạng di truyền","phân phối xác suất","bài toán tối ưu","thiết kế kết cấu","danh mục đầu tư",10,true,"PUBLISHED","2025-05-23T02:18:26.219+00:00","2026-09-10T02:10:07.964+00:00","2025-08-01T10:27:34.290+00:00","2026-09-10T02:10:07.628+00:00","2026-09-06T05:22:31.454+00:00",384,[106,109,112,115,118,121,124,127,130,133],{"id":107,"title":108,"term":107,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"tán xạ","Tán xạ là gì? Các nghiên cứu khoa học về Tán xạ",{"id":110,"title":111,"term":110,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"trắc nghiệm khách quan","Trắc nghiệm khách quan là gì? Các công bố khoa học về Trắc nghiệm khách quan",{"id":113,"title":114,"term":113,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"bộ điều khiển pi","Bộ điều khiển Pi là gì? Các nghiên cứu về Bộ điều khiển Pi",{"id":116,"title":117,"term":116,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":119,"title":120,"term":119,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"lqr tự chỉnh","LQR tự chỉnh là gì? Các công bố khoa học về LQR tự chỉnh",{"id":122,"title":123,"term":122,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"bộ lọc kalman","Bộ lọc kalman là gì? Các nghiên cứu khoa học về Bộ lọc kalman",{"id":125,"title":126,"term":125,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"giải thuật di truyền","Giải thuật di truyền là gì? Các công bố khoa học về Giải thuật di truyền",{"id":128,"title":129,"term":128,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"chuỗi giá trị toàn cầu","Chuỗi giá trị toàn cầu là gì? Các nghiên cứu khoa học",{"id":131,"title":132,"term":131,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"webgis","WebGIS là gì? Các bài báo nghiên cứu khoa học về WebGIS",{"id":134,"title":135,"term":134,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"gân mác dài","Gân mác dài là gì? Các công bố khoa học về Gân mác dài"]