Phương pháp tôi được áp dụng phổ biến nhằm tăng cơ tính của thép sau gia công cơ. Tuy nhiên, hiệu quả của quá trình tôi này phụ thuộc vào một số yếu tố như nhiệt độ tôi, chất làm mát, thời gian giữ nhiệt… cần phải được nghiên cứu để đạt được kết quả tối ưu về độ cứng, độ bền chảy, độ bền đứt. Nghiên cứu này nhằm mục đích tối ưu hóa quy trình cải thiện cơ tính của thép carbon trung bình bằng cách thay đổi một số yếu tố chính như chất làm tôi, nhiệt độ tôi và thời gian giữ nhiệt. Kết quả đo được trong nghiên cứu này là độ cứng, độ bền chảy dẻo và độ bền cực đại giới hạn trước khi bị phá hủy.

Sự gia tăng gần đây trong việc sử dụng phương tiện bay không người lái drone cho việc giao hàng, đã đáp ứng yêu cầu tối ưu hóa sự vận hành của quy trình giao hàng. Chúng tôi xem xét đến bài toán tối ưu hóa Định tuyến Lập lịch Drone Song song xem xét đến lợi nhuận. Trong bài toán này, xe tải giao hàng và đội drones được sử dụng kết hợp. Xe tải chịu trách nhiệm phục vụ khách hàng ở những nơi vượt quá tầm bay của drone hay những khách hàng có gói hàng nặng. Chúng tôi đã nghiên cứu mục tiêu lợi nhuận của quy trình giao hàng và đề xuất dùng phương pháp SA-ILS (Simulated Annealing - Iterated Local Search) giải bài toán người giao hàng lập lịch drone song song nhằm đưa ra lời giải với lợi nhuận tối đa.

Khi môi trường vô tuyến phức tạp (xấu) với rất nhiều thiết bị triển khai, giao tiếp truyền dẫn chủ yếu là các gói tin ngắn (50 byte- 70 byte), để đáp ứng thời gian thực, cần sử dụng mã kênh tốt có chiều dài từ mã ngắn với tỉ lệ mã hóa cao. Với mong muốn nâng cao chất lượng đường truyền trong các ứng dụng truyền tin hiện đại, bài báo đã đề xuất một họ mã kênh với tỉ lệ mã hóa cao cùng thuật toán giải mã lặp có độ phức tạp chấp nhận được. Kết quả mô phỏng cho thấy, tại tỉ lệ lỗi bit 10-5, sử dụng mã kênh có chiều dài 445 bít với tỉ lệ mã hóa 0,6427, yêu cầu về tỉ lệ công suất tín hiệu trên tạp âm chỉ cần 3,84 dB. Thuật toán giải mã mới cho độ lợi giải mã từ 0,64 dB đến 0,68 dB với độ phức tạp tương đương so với công bố trước đó, đem đến tính khả dụng trong các hệ thống truyền tin số.

Mặc dù học sâu có thể giải quyết các bài toán mà các thuật toán học máy cũ không giải quyết được nhưng cần lượng dữ liệu rất lớn và trong thực tế dữ liệu không phải lúc nào cũng có sẵn trong bài toán điều khiển. Học tăng cường là một giải pháp tốt trong bài toán điều khiển robot, dữ liệu được tạo ra khi tác tử tương tác với môi trường. Cùng với sự ra đời của mạng neural, nhiều nghiên cứu đã tập trung kết hợp mạng neural vào học tăng cường tạo nên học tăng cường sâu. Trong bài báo này chúng tôi đề xuất mô hình học tăng cường sâu mới dựa trên sự cải tiến thuật giải Deep Q Learning truyền thống bằng cách kết hợp các kỹ thuật: Fixed_Q Target, Double Deep Q, Prioritized Experience Replay, với mô hình mạng VGG16, ứng dụng điều khiển robot xếp hàng hóa với không gian trạng thái tự thiết kế sử dụng Unity ML-Agents. Thực nghiệm, so sánh đánh giá hiệu quả mô hình đề xuất so với mô hình ban đầu, kết quả cho thấy phương pháp đề xuất hội tụ nhanh và khắc phục được hiện tượng ước lượng quá mức giá trị q.