[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_x%E1%BA%A5p%20x%E1%BB%89%20t%E1%BB%91i%20%C6%B0u{\"limit\":5}":3,"_public_topic_byId_xấp xỉ tối ưu":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":18,"definition":22,"discipline":23,"references":24,"faqs":65,"createUser":78,"publishUser":82,"keywords":83,"keywordCount":94,"enrichTopicLink":95,"status":96,"createTime":97,"updateTime":98,"publishTime":99,"linkEnrichedTime":100,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":101,"relateTopics":102},"xấp xỉ tối ưu","Xấp xỉ tối ưu là gì? Lý thuyết, phương pháp và ứng dụng","Xấp xỉ tối ưu là phân ngành giải tích hàm nghiên cứu việc tìm kiếm phần tử trong một tập con tối thiểu hóa khoảng cách đến một phần tử mục tiêu cho trước.","\u003Cp>\u003Cstrong>Xấp xỉ tối ưu\u003C\u002Fstrong> (tiếng Anh: \u003Cem>Best Approximation\u003C\u002Fem> hoặc \u003Cem>Optimal Approximation\u003C\u002Fem>) là một phân ngành nền tảng của giải tích hàm và lý thuyết xấp xỉ toán học, nghiên cứu bài toán tìm kiếm một phần tử trong một tập con cho trước sao cho khoảng cách đo bằng chuẩn của không gian đến một phần tử mục tiêu đạt giá trị cực tiểu. Trong khi các phương pháp nội suy cổ điển buộc hàm xấp xỉ phải đi qua chính xác các mốc dữ liệu rời rạc, lý thuyết xấp xỉ tối ưu hướng tới việc tối thiểu hóa sai số toàn cục theo các chuẩn hàm khác nhau, thiết lập nền tảng toán học cho giải tích số, tối ưu hóa lồi, xử lý tín hiệu số và học máy hiện đại.\u003C\u002Fp>\n\n\u003Ch2>Phát biểu bài toán tổng quát và toán tử xấp xỉ\u003C\u002Fh2>\n\u003Cp>Cho một không gian véc-tơ định chuẩn ký hiệu là \u003Cscript type=\"math\u002Ftex\">(X, \\|\\cdot\\|)\u003C\u002Fscript> và một tập con phi rỗng ký hiệu là \u003Cscript type=\"math\u002Ftex\">Y \\subset X\u003C\u002Fscript>. Cho một phần tử mục tiêu ký hiệu là \u003Cscript type=\"math\u002Ftex\">x \\in X\u003C\u002Fscript>, bài toán xấp xỉ tối ưu tìm phần tử \u003Cscript type=\"math\u002Ftex\">y^* \\in Y\u003C\u002Fscript> thỏa mãn hệ thức cực tiểu hóa khoảng cách:\u003C\u002Fp>\n\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\|x - y^*\\| = \\inf_{y \\in Y} \\|x - y\\| = \\text{dist}(x, Y)\u003C\u002Fscript>\u003C\u002Fp>\n\n\u003Cp>Trong biểu thức toán học trên, ký hiệu \u003Cscript type=\"math\u002Ftex\">\\|\\cdot\\|\u003C\u002Fscript> biểu thị chuẩn định lượng trong không gian \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript>, ký hiệu \u003Cscript type=\"math\u002Ftex\">\\inf\u003C\u002Fscript> là cận dưới đúng của khoảng cách, phần tử \u003Cscript type=\"math\u002Ftex\">y^*\u003C\u002Fscript> được gọi là phần tử xấp xỉ tốt nhất (hoặc nghiệm xấp xỉ tối ưu) của phần tử \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> từ tập con \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript>, và đại lượng \u003Cscript type=\"math\u002Ftex\">\\text{dist}(x, Y)\u003C\u002Fscript> là khoảng cách từ điểm \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> tới tập con \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Tập hợp tất cả các phần tử xấp xỉ tốt nhất của \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> từ \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> được xác định bởi ánh xạ đa trị, thường được gọi là toán tử hình chiếu mêtric:\u003C\u002Fp>\n\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">P_Y(x) = \\{y^* \\in Y : \\|x - y^*\\| = \\text{dist}(x, Y)\\}\u003C\u002Fscript>\u003C\u002Fp>\n\n\u003Cp>Hai câu hỏi lý thuyết trung tâm được M. J. D. Powell (1981) và Frank Deutsch (2001) nhấn mạnh là: Khi nào tập hợp \u003Cscript type=\"math\u002Ftex\">P_Y(x)\u003C\u002Fscript> khác rỗng (tính tồn tại nghiệm)? Và khi nào tập hợp này chứa đúng một phần tử duy nhất (tính duy nhất nghiệm)?\u003C\u002Fp>\n\n\u003Ch2>Tính tồn tại và duy nhất trong không gian định chuẩn và Hilbert\u003C\u002Fh2>\n\u003Cp>Tính chất hình học của không gian hàm và cấu trúc topo của tập con xấp xỉ quyết định trực tiếp khả năng giải được của bài toán xấp xỉ tối ưu:\u003C\u002Fp>\n\n\u003Ch3>Điều kiện tồn tại nghiệm\u003C\u002Fh3>\n\u003Cp>Theo {{topic|%7B%22topic%22%3A%22gi%E1%BA%A3i%20t%C3%ADch%22%7D}} hàm tổng quát, nghiệm xấp xỉ tối ưu luôn tồn tại trong các trường hợp sau:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tập con compact:\u003C\u002Fstrong> Nếu tập con \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> là một tập compact trong không gian định chuẩn, ánh xạ khoảng cách liên tục luôn đạt giá trị cực tiểu toàn cục theo định lý Weierstrass.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Không gian con hữu hạn chiều:\u003C\u002Fstrong> Nếu \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> là một {{topic|%7B%22topic%22%3A%22kh%C3%B4ng%20gian%20con%22%7D}} tuyến tính hữu hạn chiều của không gian định chuẩn \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript>, tập hợp các phần tử xấp xỉ luôn khác rỗng với mọi \u003Cscript type=\"math\u002Ftex\">x \\in X\u003C\u002Fscript> do tính chất đóng và compact địa phương của các hình cầu đóng hữu hạn chiều (Frank Deutsch, 2001).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Không gian Banach phản xạ:\u003C\u002Fstrong> Nếu không gian \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> phản xạ (chẳng hạn như các không gian \u003Cscript type=\"math\u002Ftex\">L^p\u003C\u002Fscript> với bậc khả tích lớn hơn một) và \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> là một tập con lồi đóng, tính compact yếu của hình cầu đóng bảo đảm sự tồn tại của phần tử xấp xỉ tối ưu.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Tính duy nhất và Định lý hình chiếu trực giao Hilbert\u003C\u002Fh3>\n\u003Cp>Tính duy nhất của phần tử xấp xỉ tối ưu gắn liền với tính lồi nghiêm ngặt (strict convexity) của chuẩn không gian. Một không gian định chuẩn được gọi là lồi nghiêm ngặt nếu hình cầu đơn vị không chứa bất kỳ đoạn thẳng nào trên biên. Trong không gian lồi nghiêm ngặt, nếu tập con \u003Cscript type=\"math\u002Ftex\">Y\u003C\u002Fscript> là tập lồi thì nghiệm xấp xỉ tối ưu (nếu tồn tại) là duy nhất.\u003C\u002Fp>\n\u003Cp>Đặc biệt, trong không gian Hilbert ký hiệu là \u003Cscript type=\"math\u002Ftex\">H\u003C\u002Fscript> với tích vô hướng ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\langle \\cdot, \\cdot \\rangle\u003C\u002Fscript>, chuẩn cảm sinh từ tích vô hướng luôn thỏa mãn đẳng thức hình bình hành và có tính lồi nghiêm ngặt. Định lý hình chiếu trực giao Hilbert thiết lập rằng:\u003C\u002Fp>\n\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\langle x - y^*, y \\rangle = 0 \\quad \\forall y \\in M\u003C\u002Fscript>\u003C\u002Fp>\n\n\u003Cp>Trong hệ thức giải tích trên, không gian con đóng ký hiệu là \u003Cscript type=\"math\u002Ftex\">M\u003C\u002Fscript>, phần tử mục tiêu là \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>, và phần tử xấp xỉ tối ưu duy nhất \u003Cscript type=\"math\u002Ftex\">y^*\u003C\u002Fscript> chính là hình chiếu trực giao của \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> lên không gian con \u003Cscript type=\"math\u002Ftex\">M\u003C\u002Fscript>. Sai số xấp xỉ \u003Cscript type=\"math\u002Ftex\">x - y^*\u003C\u002Fscript> vuông góc với mọi véc-tơ thuộc không gian con xấp xỉ, biến {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%7D}} khoảng cách thành bài toán giải hệ phương trình tuyến tính đại số Gramian.\u003C\u002Fp>\n\n\u003Ch2>Xấp xỉ đều tối ưu Chebyshev và Thuật toán Remez\u003C\u002Fh2>\n\u003Cp>Trong không gian các hàm số liên tục ký hiệu là \u003Cscript type=\"math\u002Ftex\">C[a, b]\u003C\u002Fscript> trang bị chuẩn hội tụ đều (chuẩn Chebyshev hay chuẩn vô hạn):\u003C\u002Fp>\n\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\|f - P_n\\|_\\infty = \\max_{t \\in [a, b]} |f(t) - P_n(t)|\u003C\u002Fscript>\u003C\u002Fp>\n\n\u003Cp>Không gian này không có tính lồi nghiêm ngặt. Tuy nhiên, khi xét bài toán xấp xỉ {{topic|%7B%22topic%22%3A%22h%C3%A0m%20li%C3%AAn%20t%E1%BB%A5c%22%7D}} \u003Cscript type=\"math\u002Ftex\">f\u003C\u002Fscript> bằng không gian con các đa thức đại số có bậc không vượt quá \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> ký hiệu là \u003Cscript type=\"math\u002Ftex\">\\mathcal{P}_n\u003C\u002Fscript>, nghiệm xấp xỉ tối ưu minimax vẫn tồn tại duy nhất nhờ cấu trúc đặc biệt thỏa mãn điều kiện Haar của hệ cơ sở đơn thức (M. J. D. Powell, 1981).\u003C\u002Fp>\n\n\u003Ch3>Định lý luân phiên Chebyshev\u003C\u002Fh3>\n\u003Cp>Theo định lý luân phiên Chebyshev (Chebyshev Equioscillation Theorem), một đa thức \u003Cscript type=\"math\u002Ftex\">P_n \\in \\mathcal{P}_n\u003C\u002Fscript> là đa thức xấp xỉ đều tối ưu duy nhất cho hàm số \u003Cscript type=\"math\u002Ftex\">f \\in C[a, b]\u003C\u002Fscript> khi và chỉ khi hàm sai số \u003Cscript type=\"math\u002Ftex\">e(t) = f(t) - P_n(t)\u003C\u002Fscript> đạt chuẩn cực đại và luân phiên đổi dấu tại ít nhất \u003Cscript type=\"math\u002Ftex\">n + 2\u003C\u002Fscript> điểm {{topic|%7B%22topic%22%3A%22c%E1%BB%B1c%20tr%E1%BB%8B%22%7D}} liên tiếp trên đoạn \u003Cscript type=\"math\u002Ftex\">[a, b]\u003C\u002Fscript>:\u003C\u002Fp>\n\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">f(t_k) - P_n(t_k) = (-1)^k \\cdot \\sigma \\cdot \\|f - P_n\\|_\\infty \\quad (k = 0, 1, \\dots, n+1)\u003C\u002Fscript>\u003C\u002Fp>\n\n\u003Cp>Trong công thức trên, các điểm \u003Cscript type=\"math\u002Ftex\">a \\le t_0 \u003C t_1 \u003C \\dots \u003C t_{n+1} \\le b\u003C\u002Fscript> được gọi là các điểm luân phiên Chebyshev, và tham số \u003Cscript type=\"math\u002Ftex\">\\sigma \\in \\{-1, 1\\}\u003C\u002Fscript> xác định dấu khởi đầu của hàm sai số.\u003C\u002Fp>\n\n\u003Ch3>Thuật toán trao đổi Remez\u003C\u002Fh3>\n\u003Cp>Để tìm kiếm đa thức xấp xỉ tối ưu Chebyshev trong thực tế tính toán số học, nhà toán học Evgeny Y. Remez đã phát minh ra thuật toán trao đổi Remez. W. Fraser (1965) đã tổng kết rằng thuật toán này giải bài toán xấp xỉ thông qua quy trình lặp hai giai đoạn:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Giai đoạn giải hệ phương trình tuyến tính trên tập mẫu thử gồm các điểm luân phiên hiện thời để xác định các hệ số đa thức và độ lệch sai số tham số.\u003C\u002Fli>\n  \u003Cli>Giai đoạn tìm kiếm cực trị địa phương của hàm sai số trên toàn miền liên tục và tiến hành trao đổi các điểm kiểm tra nhằm nâng dần giá trị cực tiểu sai số.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Nghiên cứu của Ricardo Pachón và Lloyd N. Trefethen (2009) đã nâng cấp thuật toán này lên dạng công thức {{topic|%7B%22topic%22%3A%22n%E1%BB%99i%20suy%22%7D}} trọng tâm (Barycentric Remez Algorithm), giúp thuật toán đạt tốc độ hội tụ bậc hai và triệt tiêu hiện tượng mất ổn định số học khi bậc đa thức tăng cao.\u003C\u002Fp>\n\n\u003Ch2>Xấp xỉ tuyến tính và Xấp xỉ phi tuyến tối ưu\u003C\u002Fh2>\n\u003Cp>Lý thuyết xấp xỉ hiện đại phân tách rõ rệt giữa hai mô hình xấp xỉ:\u003C\u002Fp>\n\u003Cp>Trong xấp xỉ tuyến tính truyền thống, không gian xấp xỉ là một không gian con tuyến tính cố định (chẳng hạn như không gian đa thức, hệ hàm lượng giác Fourier hoặc hàm ghép trơn B-splines trên lưới điểm cố định). Sai số xấp xỉ phụ thuộc hoàn toàn vào độ trơn toàn cục của hàm số trong không gian Sobolev.\u003C\u002Fp>\n\u003Cp>Ngược lại, theo tổng quan kinh điển của Ronald A. DeVore (1998), xấp xỉ {{topic|%7B%22topic%22%3A%22phi%20tuy%E1%BA%BFn%22%7D}} tối ưu cho phép tập hợp các phần tử xấp xỉ thay đổi linh hoạt theo từng hàm số cụ thể. Trường hợp tiêu biểu là bài toán xấp xỉ tốt nhất bằng tổ hợp gồm một số lượng hữu hạn phần tử được lựa chọn thích nghi từ một từ điển cơ sở trực chuẩn (như cơ sở sóng nhỏ Wavelet):\u003C\u002Fp>\n\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\sigma_m(f) = \\inf_{g \\in \\Sigma_m} \\|f - g\\|\u003C\u002Fscript>\u003C\u002Fp>\n\n\u003Cp>Trong đó ký hiệu \u003Cscript type=\"math\u002Ftex\">\\Sigma_m\u003C\u002Fscript> là tập hợp tất cả các tổ hợp tuyến tính chứa không quá \u003Cscript type=\"math\u002Ftex\">m\u003C\u002Fscript> phần tử cơ sở bất kỳ, và đại lượng \u003Cscript type=\"math\u002Ftex\">\\sigma_m(f)\u003C\u002Fscript> biểu thị sai số xấp xỉ phi tuyến tốt nhất. DeVore (1998) đã chứng minh rằng xấp xỉ phi tuyến đạt tốc độ suy giảm sai số vượt trội so với xấp xỉ tuyến tính khi hàm số xuất hiện các điểm gián đoạn, bước nhảy hoặc các biến đổi cục bộ mạnh, tạo nền móng toán học cho chuẩn nén ảnh sóng nhỏ và lý thuyết cảm nhận nén (Compressed Sensing).\u003C\u002Fp>\n\n\u003Ch2>Bảng so sánh các bài toán xấp xỉ tối ưu kinh điển\u003C\u002Fh2>\n\u003Cp>Bảng dưới đây tổng hợp các đặc trưng toán học của các bài toán xấp xỉ tối ưu phổ biến nhất:\u003C\u002Fp>\n\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Bài toán xấp xỉ\u003C\u002Fth>\n      \u003Cth>Không gian hàm và Chuẩn sai số\u003C\u002Fth>\n      \u003Cth>Tập con xấp xỉ\u003C\u002Fth>\n      \u003Cth>Tính duy nhất nghiệm\u003C\u002Fth>\n      \u003Cth>Đặc trưng nghiệm toán học\u003C\u002Fth>\n      \u003Cth>Thuật toán tính toán\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Bình phương bé nhất Hilbert\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>Không gian \u003Cscript type=\"math\u002Ftex\">L^2[a, b]\u003C\u002Fscript> hoặc Hilbert, chuẩn tích vô hướng\u003C\u002Ftd>\n      \u003Ctd>Không gian con tuyến tính đóng hữu hạn chiều\u003C\u002Ftd>\n      \u003Ctd>Duy nhất tuyệt đối (do tính lồi nghiêm ngặt)\u003C\u002Ftd>\n      \u003Ctd>Sai số trực giao với không gian con xấp xỉ\u003C\u002Ftd>\n      \u003Ctd>Phương trình chuẩn tắc Gram, phân tích QR hoặc Cholesky\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Minimax Chebyshev\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>Không gian \u003Cscript type=\"math\u002Ftex\">C[a, b]\u003C\u002Fscript>, chuẩn cực đại đều vô hạn\u003C\u002Ftd>\n      \u003Ctd>Không gian đa thức thỏa mãn điều kiện Haar\u003C\u002Ftd>\n      \u003Ctd>Duy nhất (theo định lý Haar)\u003C\u002Ftd>\n      \u003Ctd>Hàm sai số đạt cực đại luân phiên đổi dấu tại các điểm Chebyshev\u003C\u002Ftd>\n      \u003Ctd>Thuật toán trao đổi Remez, thuật toán Remez trọng tâm (Pachón & Trefethen, 2009)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Xấp xỉ trong chuẩn L1\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>Không gian \u003Cscript type=\"math\u002Ftex\">L^1[a, b]\u003C\u002Fscript>, chuẩn tích phân trị tuyệt đối\u003C\u002Ftd>\n      \u003Ctd>Không gian con hàm đa thức hoặc hàm ghép\u003C\u002Ftd>\n      \u003Ctd>Không nhất thiết duy nhất\u003C\u002Ftd>\n      \u003Ctd>Hàm sai số đổi dấu tại các điểm nút đặc trưng\u003C\u002Ftd>\n      \u003Ctd>Quy hoạch tuyến tính, phương pháp đơn pha lặp\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>\u003Cstrong>Xấp xỉ phi tuyến Wavelet\u003C\u002Fstrong>\u003C\u002Ftd>\n      \u003Ctd>Không gian \u003Cscript type=\"math\u002Ftex\">L^2\u003C\u002Fscript> hoặc Besov, chuẩn Lebesgue tương ứng\u003C\u002Ftd>\n      \u003Ctd>Đa tạp phi tuyến gồm tổ hợp hữu hạn phần tử thích nghi\u003C\u002Ftd>\n      \u003Ctd>Có thể có nhiều nghiệm xấp xỉ tối ưu tương đương\u003C\u002Ftd>\n      \u003Ctd>Lựa chọn các hệ số wavelet có biên độ lớn nhất sau phép chiếu\u003C\u002Ftd>\n      \u003Ctd>Thuật toán cắt ngưỡng hệ số thích nghi (DeVore, 1998)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Thách thức tính toán và ranh giới áp dụng\u003C\u002Fh2>\n\u003Cp>Dù có cấu trúc lý thuyết chặt chẽ, việc triển khai bài toán xấp xỉ tối ưu trong giải tích số và khoa học tính toán đòi hỏi xử lý các thách thức căn bản:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Hiện tượng Runge và mất ổn định {{topic|%7B%22topic%22%3A%22ma%20tr%E1%BA%ADn%22%7D}} Vandermonde:\u003C\u002Fstrong> Việc xấp xỉ đa thức bậc cao trên các mốc chia đều dẫn đến sự bùng nổ sai số khủng khiếp ở gần hai đầu mút đoạn (hiện tượng Runge). Để khắc phục, các nhà giải tích số chuyển sang sử dụng các mốc phân bố theo nghiệm của đa thức Chebyshev hoặc sử dụng các hệ đa thức trực chuẩn thay cho hệ đơn thức kinh điển.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Lời nguyền chiều không gian (Curse of Dimensionality):\u003C\u002Fstrong> Trong các bài toán xấp xỉ hàm nhiều chiều, số lượng phần tử cơ sở cần thiết để duy trì độ chính xác xấp xỉ tăng theo hàm mũ của số chiều biến số, làm tắc nghẽn khả năng tính toán số học. Điều này thúc đẩy sự phát triển của các phương pháp lưới thưa (sparse grids) và xấp xỉ ten-xơ thứ hạng thấp.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ranh giới phi lồi trong xấp xỉ {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ng%20n%C6%A1-ron%22%7D}}:\u003C\u002Fstrong> Xấp xỉ hàm bằng mạng nơ-ron nhân tạo sâu là một dạng xấp xỉ phi tuyến phức tạp. Mặc dù các định lý xấp xỉ phổ quát bảo đảm sự tồn tại của nghiệm xấp xỉ tối ưu với sai số bé tùy ý, {{topic|%7B%22topic%22%3A%22h%C3%A0m%20m%E1%BB%A5c%20ti%C3%AAu%22%7D}} huấn luyện lại phi lồi với vô số cực trị địa phương, khiến việc tìm kiếm nghiệm xấp xỉ tối ưu toàn cục trở thành bài toán tính toán chưa có thuật toán giải quyết triệt để trong thời gian đa thức.\u003C\u002Fli>\n\u003C\u002Ful>\n","Best Approximation",[19,20,21],"Xấp xỉ tốt nhất","Optimal approximation","Minimax approximation","Xấp xỉ tối ưu là bài toán giải tích hàm tìm kiếm một phần tử trong tập con cho trước sao cho khoảng cách đo bằng chuẩn của không gian đến một phần tử mục tiêu đạt giá trị cực tiểu toàn cục.","NATURAL_SCIENCES",[25,33,41,49,57],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":32},"Deutsch F (2001). Best Approximation in Inner Product Spaces. Springer New York.","Best Approximation in Inner Product Spaces","Frank Deutsch","Springer New York",2001,"10.1007\u002F978-1-4684-9298-9","https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-1-4684-9298-9",{"citationText":34,"title":35,"authors":36,"source":37,"year":38,"doi":39,"url":40},"Fraser W (1965). A Survey of Methods of Computing Minimax and Near-Minimax Polynomial Approximations for Functions of a Single Independent Variable. Journal of the ACM, 12(3), 295-314.","A Survey of Methods of Computing Minimax and Near-Minimax Polynomial Approximations for Functions of a Single Independent Variable","W. Fraser","Journal of the ACM",1965,"10.1145\u002F321281.321282","https:\u002F\u002Fdoi.org\u002F10.1145\u002F321281.321282",{"citationText":42,"title":43,"authors":44,"source":45,"year":46,"doi":47,"url":48},"Powell MJD (1981). Approximation Theory and Methods. Cambridge University Press.","Approximation Theory and Methods","M. J. D. Powell","Cambridge University Press",1981,"10.1017\u002Fcbo9781139171502","https:\u002F\u002Fdoi.org\u002F10.1017\u002Fcbo9781139171502",{"citationText":50,"title":51,"authors":52,"source":53,"year":54,"doi":55,"url":56},"DeVore RA (1998). Nonlinear approximation. Acta Numerica, 7, 51-150.","Nonlinear approximation","Ronald A. DeVore","Acta Numerica",1998,"10.1017\u002Fs0962492900002816","https:\u002F\u002Fdoi.org\u002F10.1017\u002Fs0962492900002816",{"citationText":58,"title":59,"authors":60,"source":61,"year":62,"doi":63,"url":64},"Pachón R, Trefethen LN (2009). Barycentric-Remez algorithms for best polynomial approximation in the chebfun system. BIT Numerical Mathematics, 49(4), 721-741.","Barycentric-Remez algorithms for best polynomial approximation in the chebfun system","Ricardo Pachón, Lloyd N. Trefethen","BIT Numerical Mathematics",2009,"10.1007\u002Fs10543-009-0240-1","https:\u002F\u002Fdoi.org\u002F10.1007\u002Fs10543-009-0240-1",[66,69,72,75],{"question":67,"answer":68},"Xấp xỉ tối ưu khác biệt gì so với phương pháp nội suy hàm số?","Nội suy hàm số yêu cầu đường cong xấp xỉ phải đi qua chính xác các điểm mốc rời rạc đã cho, dễ dẫn đến hiện tượng dao động Runge ở bậc cao. Ngược lại, xấp xỉ tối ưu tìm kiếm hàm số cực tiểu hóa sai số toàn cục theo một chuẩn không gian định trước mà không bắt buộc phải đi qua các điểm mốc rời rạc.",{"question":70,"answer":71},"Khi nào nghiệm của bài toán xấp xỉ tối ưu được bảo đảm duy nhất?","Nghiệm xấp xỉ tối ưu tồn tại duy nhất khi không gian định chuẩn có tính lồi nghiêm ngặt (như không gian Hilbert hoặc không gian Lp với p lớn hơn một) và tập con xấp xỉ là tập lồi đóng, hoặc khi tập hàm xấp xỉ thỏa mãn điều kiện Haar trong chuẩn đều Chebyshev.",{"question":73,"answer":74},"Định lý luân phiên Chebyshev phát biểu điều gì về xấp xỉ đều đa thức?","Định lý luân phiên Chebyshev chỉ ra rằng một đa thức bậc n là xấp xỉ đều tối ưu duy nhất cho một hàm liên tục khi và chỉ khi hiệu số sai số đạt giá trị cực đại và luân phiên đổi dấu tại ít nhất n cộng 2 điểm cực trị liên tiếp trên đoạn khảo sát.",{"question":76,"answer":77},"Thuật toán Remez hoạt động theo cơ chế nào để tìm nghiệm minimax?","Thuật toán Remez là quy trình lặp hai giai đoạn: trước tiên giải hệ phương trình tuyến tính trên tập các điểm luân phiên thử nghiệm để xác định đa thức cục bộ, sau đó quét tìm các điểm cực trị sai số thực tế trên toàn miền để trao đổi và cập nhật tập điểm luân phiên cho bước lặp kế tiếp.",{"id":79,"researcherId":10,"name":80,"imageUrl":81},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":79,"researcherId":10,"name":80,"imageUrl":81},[84,85,86,87,88,89,90,91,92,93],"giải tích","không gian con","bài toán tối ưu","hàm liên tục","cực trị","nội suy","phi tuyến","ma trận","mạng nơ-ron","hàm mục tiêu",10,true,"PUBLISHED","2025-12-01T09:43:09.816+00:00","2026-09-06T10:09:01.776+00:00","2026-09-06T09:34:50.113+00:00","2026-09-06T10:09:01.058+00:00",0,[103,106,109,112,115,118,121,124,127,130],{"id":104,"title":105,"term":104,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":107,"title":108,"term":107,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"biến đổi wavelet","Biến đổi wavelet là gì? Các nghiên cứu khoa học về Wavelet Transform",{"id":110,"title":111,"term":110,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":113,"title":114,"term":113,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":116,"title":117,"term":116,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":119,"title":120,"term":119,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"pls sem","PLS-SEM là gì? Các bài nghiên cứu khoa học về PLS-SEM",{"id":122,"title":123,"term":122,"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":125,"title":126,"term":125,"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":128,"title":129,"term":128,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"lý thuyết lượng tử","Lý thuyết lượng tử là gì? Các nghiên cứu khoa học ",{"id":131,"title":132,"term":131,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"giải thuật di truyền","Giải thuật di truyền là gì? Các công bố khoa học về Giải thuật di truyền"]