GS.TS Huỳnh Thị Thanh Bình, Phó Hiệu trưởng Trường Công nghệ Thông tin và Truyền thông, Đại học Bách khoa Hà Nội.

Giữa hàng chục bài toán tối ưu, một kinh nghiệm tìm kiếm có thể giúp bài toán này tiến nhanh hơn nhưng lại kéo bài toán khác đi chệch hướng. Trong tính toán tiến hóa, hiện tượng ấy được gọi là “chuyển giao âm”: kiến thức được chia sẻ không phù hợp khiến chất lượng lời giải giảm thay vì tăng.

Đó là nút thắt GS.TS Huỳnh Thị Thanh Bình cùng Lê Văn Cường, Tạ Bảo Thắng và Nguyễn Hoàng Long chọn xử lý trong thuật toán EME-BI. Thay vì để các bài toán trao đổi thông tin theo một tỷ lệ cố định, EME-BI theo dõi chất lượng từng lần chuyển giao, tăng cơ hội cho những trao đổi hữu ích và hạn chế những cặp nhiệm vụ thường gây nhiễu cho nhau.

Cách làm này đưa một câu hỏi rất đời thường vào bên trong thuật toán: kinh nghiệm nào đáng học và kinh nghiệm nào nên bỏ qua?

Một bài toán có thể giúp hoặc làm hại bài toán khác

Trong cách giải truyền thống, mỗi bài toán tối ưu thường được xử lý riêng. Tiến hóa đa nhiệm đi theo hướng khác: nhiều bài toán được giải trong cùng một quá trình tìm kiếm, nhờ đó những nhiệm vụ có điểm tương đồng có thể chia sẻ các đặc điểm của lời giải tốt.

Có thể hình dung một hệ thống phải đồng thời tìm đường cho nhiều khu vực giao hàng. Cấu trúc tuyến đường hiệu quả ở khu vực này đôi khi giúp rút ngắn quá trình tìm kiếm tại khu vực khác. Nhưng nếu hai mạng lưới đường khác nhau đáng kể, việc sao chép kinh nghiệm có thể khiến thuật toán mất thời gian theo đuổi một hướng không phù hợp.

Các thuật toán tiến hóa đa nhiệm trước đó thường dùng một tham số cố định để quyết định mức độ trao đổi giữa các nhiệm vụ. Nhóm tác giả EME-BI cho rằng cách phân bổ như vậy chưa phản ánh được hai thực tế: các bài toán không khó như nhau và việc chuyển kiến thức không phải lúc nào cũng mang lại lợi ích cho cả hai phía.

Trong công bố trên IEEE Transactions on Evolutionary Computation, EME-BI sử dụng một ma trận để điều chỉnh mức độ trao đổi cho từng cặp nhiệm vụ. Nếu lời giải được tạo ra từ một lần chuyển giao hoạt động tốt, khả năng tiếp tục trao đổi giữa hai nhiệm vụ được tăng lên. Những lần chuyển giao kém hiệu quả khiến tỷ lệ này giảm xuống.

Chữ “học” trong tiêu đề vì thế cần được hiểu đúng. Thuật toán không hiểu bài toán như con người, mà cập nhật lựa chọn dựa trên kết quả của những lần thử trước.

GS.TS Huỳnh Thị Thanh Bình hiện là Phó Hiệu trưởng Trường Công nghệ Thông tin và Truyền thông, Đại học Bách khoa Hà Nội, đồng thời là Trưởng nhóm nghiên cứu Tối ưu hóa. Bà được công nhận đạt chuẩn chức danh giáo sư năm 2025. Hồ sơ chính thức của nhà trường xác định các hướng nghiên cứu chính của bà gồm trí tuệ nhân tạo, thuật toán và tối ưu, trí tuệ tính toán cùng tiến hóa đa nhiệm.

Công trình EME-BI không phải thành quả cá nhân. Bản thảo đầy đủ do nhóm công khai ghi rõ bốn tác giả đóng góp ngang nhau, Lê Văn Cường là tác giả liên hệ. Vì vậy, vị trí đứng tên đầu của GS.TS Huỳnh Thị Thanh Bình không phải căn cứ để xem ba cộng sự còn lại giữ vai trò phụ.

Bài toán khó được nhận thêm nguồn lực

Một điểm khác của EME-BI nằm ở cách phân phối các lời giải mới. Trong thuật toán tiến hóa, những lời giải ứng viên được lai ghép, biến đổi và sàng lọc qua nhiều thế hệ. Tài liệu chuyên môn gọi các ứng viên mới sinh ra là “cá thể con”.

Nếu nhiều bài toán cùng được xử lý, câu hỏi đặt ra là mỗi cá thể mới nên phục vụ nhiệm vụ nào. EME-BI sử dụng cơ chế kế thừa nhân tố kỹ năng có thiên lệch, ưu tiên giao cá thể cho bài toán mà nó có khả năng hoạt động hiệu quả hơn. Cơ chế này cũng giúp dành thêm nguồn lực cho những nhiệm vụ khó, thay vì chia đều cơ hội cho tất cả.

Thuật toán còn được trang bị hai phép tìm kiếm có đặc tính khác nhau. Tại mỗi giai đoạn, EME-BI tự lựa chọn phép tìm kiếm phù hợp hơn với từng nhiệm vụ dựa trên kết quả đã ghi nhận. Quy mô quần thể lời giải cũng được giảm dần: giai đoạn đầu giữ nhiều ứng viên để thăm dò không gian tìm kiếm, giai đoạn sau thu hẹp số lượng để tập trung khai thác những vùng có triển vọng.

Ba bộ phận này không hoạt động tách rời. Việc điều chỉnh chuyển giao giúp các nhiệm vụ chọn đúng nguồn kiến thức; lựa chọn phép tìm kiếm giúp thích nghi với đặc điểm từng bài toán; còn giảm quy mô quần thể giúp dành thêm năng lực tính toán cho những lời giải đã bộc lộ tiềm năng.

GS.TS Huỳnh Thị Thanh Bình (giữa) tại lễ công bố và trao giấy chứng nhận đạt tiêu chuẩn chức danh giáo sư năm 2025. Ảnh: SoICT – Đại học Bách khoa Hà Nội.

Nhóm tác giả đã kiểm tra riêng từng thành phần bằng cách lần lượt loại bỏ chúng khỏi thuật toán. Kết quả trong bài báo cho thấy chất lượng EME-BI giảm khi thiếu một trong ba cơ chế, trong đó việc bỏ điều chỉnh chuyển giao gây mức suy giảm lớn nhất. Đây là bằng chứng thực nghiệm trong phạm vi bộ dữ liệu thử, chưa phải kết luận rằng cấu hình này tối ưu cho mọi loại bài toán.

Thắng trên bộ thử chưa đồng nghĩa đã đi vào đời sống

Ở bộ thử CEC’17 gồm 10 nhiệm vụ, EME-BI cho kết quả tốt hơn thuật toán MFEA cơ bản và EBSGA trên cả 10 nhiệm vụ. Khi so với bốn phương pháp còn lại, EME-BI tốt hơn hoặc tương đương; không có đối thủ nào đạt kết quả tốt hơn có ý nghĩa thống kê trên một nhiệm vụ trong bộ thử này.

Kết quả trở nên bớt tuyệt đối khi số lượng bài toán tăng lên. Bộ GECCO’20 gồm 10 nhóm, mỗi nhóm có 50 nhiệm vụ. So với EMaTO-MKT, EME-BI tốt hơn trên 125 nhiệm vụ, tương đương trên 199 nhưng kém hơn trên 176 nhiệm vụ. Con số này cho thấy EME-BI cạnh tranh tốt, nhưng không thể được mô tả như thuật toán luôn vượt mọi phương pháp khác.

Các so sánh được thực hiện qua 30 lần chạy độc lập và sử dụng kiểm định thống kê. Đề xuất EME-BI cũng giành giải Nhất tại cuộc thi tối ưu tiến hóa đa nhiệm đơn mục tiêu thuộc IEEE CEC 2021.

Ngoài các hàm chuẩn, nhóm nghiên cứu thử thuật toán trên mô hình cánh tay robot phẳng. Mỗi nhiệm vụ yêu cầu tìm góc của các khớp để đưa đầu cánh tay tới gần một điểm đích. Các bộ thử gồm 500, 1.000, 1.500 và 2.000 cánh tay có tham số khác nhau được xử lý đồng thời.

Tuy nhiên, đây vẫn là mô hình tính toán được tạo ra để kiểm tra thuật toán, không phải thí nghiệm trên hàng nghìn robot vật lý hay một hệ thống đã vận hành ngoài thực tế. Cách gọi “bài toán thực tế” trong công bố khoa học không nên được nâng thành “sản phẩm đã ứng dụng”.

Chính nhóm tác giả cũng thừa nhận hai giới hạn. EME-BI mới lựa chọn giữa hai phép tìm kiếm, trong khi một tập hợp đa dạng hơn có thể thích nghi tốt hơn với những nhiệm vụ chưa biết trước. Lĩnh vực này còn thiếu các bộ dữ liệu đa nhiệm công khai từ những bài toán rời rạc, tổ hợp trong đời sống; phần lớn thuật toán hiện vẫn được đánh giá chủ yếu trên dữ liệu chuẩn nhân tạo.

Ảnh minh họa cánh tay robot trong hệ thống tự động hóa; đây không phải thiết bị hoặc thí nghiệm của nhóm nghiên cứu GS.TS Huỳnh Thị Thanh Bình. Ảnh: Youn Seung Jin/Pexels.

Hồ sơ nghiên cứu của GS.TS Huỳnh Thị Thanh Bình đề cập các bài toán tìm đường, phân phối hàng hóa, mạng cảm biến, kéo dài thời gian hoạt động của thiết bị và lập lịch giao hàng bằng thiết bị bay không người lái. Đây là những hướng mà thuật toán tối ưu có thể phục vụ, nhưng nguồn hiện có chưa chứng minh EME-BI đã được triển khai thương mại trong các hệ thống đó.

Khoảng cách giữa kết quả trong phòng nghiên cứu với một sản phẩm có người sử dụng cũng là nội dung được nêu trong bài toán thương mại hóa nghiên cứu tại Đại học Bách khoa Hà Nội.

Mạch nghiên cứu tiếp tục với mô hình ngôn ngữ lớn

Sau EME-BI, hướng nghiên cứu của nhóm tiếp tục dịch chuyển sang câu hỏi rộng hơn: máy tính có thể tự thiết kế phương pháp tìm lời giải hay không.

Năm 2025, Phạm Vũ Tuấn Đạt, Long Doan và Huỳnh Thị Thanh Bình công bố HSEvo tại Hội nghị AAAI. Trong công trình này, GS.TS Huỳnh Thị Thanh Bình đứng tên thứ ba. Nhóm kết hợp mô hình ngôn ngữ lớn với thuật toán tiến hóa để tạo và sàng lọc các phương pháp giải gần đúng cho những bài toán khó.

HSEvo cố gắng giữ cân bằng giữa hai yêu cầu thường xung đột: tạo ra nhiều cách giải khác nhau để mở rộng vùng tìm kiếm, nhưng vẫn phải tập trung dần vào những cách giải có chất lượng tốt. Kết quả được báo cáo trên các bộ thử cho thấy phương pháp duy trì được độ đa dạng và chất lượng lời giải với chi phí tính toán cạnh tranh.

EME-BI và HSEvo không giải cùng một bài toán, nhưng có thể nhận ra một mạch nghiên cứu nhất quán: thay vì áp đặt một cách tìm kiếm cố định, nhóm xây dựng cơ chế để thuật toán tự lựa chọn, tự điều chỉnh và phân bổ nguồn lực theo phản hồi nhận được.

Giá trị chuyên môn của GS.TS Huỳnh Thị Thanh Bình vì thế không chỉ nằm ở danh sách công bố hay chức danh giáo sư. Điều đáng chú ý hơn là cách những câu hỏi trừu tượng được chuyển thành lựa chọn có thể đo lường: kiến thức nào nên chuyển, phép tìm kiếm nào nên dùng và bài toán nào cần thêm nguồn lực.

Chặng tiếp theo vẫn còn rõ ràng: đưa các kết quả cạnh tranh trên bộ thử sang những bài toán tổ hợp có dữ liệu thực, công khai quy trình để các nhóm độc lập kiểm tra lại và chứng minh hiệu quả trong môi trường vận hành. Chỉ khi vượt qua bước ấy, khả năng “học từ nhiều bài toán” mới đi hết quãng đường từ một ý tưởng thuật toán tới một công cụ có giá trị sử dụng.