Khoa Công nghệ số ứng dụng trân trọng giới thiệu công bố quốc tế mới nhất với tiêu đề: "BDERL: A Reinforcement Learning-Enhanced Differential Evolution for the Earliness–Tardiness RCPSP" trên Big Data and Cognitive Computing”. Bài báo được thực hiện bởi Tiến sĩ Đặng Quốc Hữu (Giảng viên Khoa Công nghệ số ứng dụng) và cộng sự.

Bối cảnh và chủ đề Nghiên cứu

Bài toán lập lịch trình dự án giới hạn tài nguyên (Resource-Constrained Project Scheduling Problem - RCPSP) với tiêu chí sớm-muộn (Earliness–Tardiness RCPSP) đóng vai trò trọng yếu trong quản lý dự án, sản xuất công nghiệp và chuỗi cung ứng hiện đại. Trong thực tiễn, việc hoàn thành công việc quá sớm dẫn đến chi phí lưu kho và tồn đọng vốn, trong khi hoàn thành trễ hạn gây ra các khoản phạt hợp đồng và mất uy tín. Nghiên cứu tập trung giải quyết bài toán tối ưu hóa tổ hợp phức tạp này nhằm tìm ra lịch trình tối ưu cân bằng giữa các yếu tố thời gian và chi phí.

Phương pháp Nghiên cứu

Nghiên cứu đề xuất thuật toán BDERL (Reinforcement Learning-Enhanced Differential Evolution), là sự kết hợp tiên tiến giữa:

  • Thuật toán Tiến hóa vi sai (Differential Evolution): Nền tảng tìm kiếm toàn cục mạnh mẽ trong không gian giải pháp liên tục và tổ hợp.

  • Học tăng cường (Reinforcement Learning): Cơ chế học tập tự động giúp điều chỉnh và tối ưu hóa các tham số, chiến lược tìm kiếm của thuật toán tiến hóa trong suốt quá trình chạy, giúp tăng cường khả năng thích ứng với các bài toán có quy mô lớn và ràng buộc ngặt nghèo.

Các phát hiện chính

Kết quả thử nghiệm và đánh giá mô hình mang lại những đóng góp cốt lõi:

  • Hiệu quả hội tụ vượt trội: Việc tích hợp Học tăng cường giúp thuật toán Tiến hóa vi sai khắc phục được nhược điểm kẹt ở cực trị địa phương, nâng cao tốc độ hội tụ và chất lượng lời giải.

  • Tối ưu hóa chi phí sớm - muộn: BDERL thể hiện ưu thế rõ rệt trong việc tìm kiếm các phương án lập lịch giúp giảm thiểu tối đa tổng chi phí phạt do lệch thời hạn (cả sớm và trễ) so với các phương pháp truyền thống.

Ý nghĩa thực tiễn

Từ kết quả nghiên cứu, nhóm tác giả mang lại những hàm ý ứng dụng thiết thực cho công tác quản trị:

  • Đối với quản lý dự án và sản xuất: Cung cấp một công cụ thuật toán thông minh giúp các nhà quản lý tự động hóa quy trình lập lịch trình thi công, sản xuất tối ưu dưới áp lực giới hạn về nguồn lực và thời gian.

  • Đối với nghiên cứu khoa học: Đóng góp một hướng tiếp cận mới trong việc kết hợp giữa học máy (Machine Learning/Reinforcement Learning) và các thuật toán tiến hóa (Evolutionary Algorithms) để giải quyết các bài toán tối ưu hóa phức tạp.

Tổng kết

Công bố trên tạp chí Big Data and Cognitive Computing (Scopus/SCIE) là minh chứng cho năng lực nghiên cứu chuyên sâu của nhóm tác giả trong lĩnh vực tối ưu hóa, học máy và hệ thống thông tin. Nghiên cứu không chỉ mang giá trị học thuật cao mà còn có tính ứng dụng rộng rãi trong thực tiễn chuyển đổi số và quản trị vận hành hiện đại.

 

Chi tiết bài báo xem tại: Link.