Ngày 1/9/2026, nhóm nghiên cứu công bố bài báo khoa học mã số arXiv:2608.28627, giới thiệu khung giải pháp kết hợp học máy và thuật toán Tabu Search nhằm giải bài toán tối ưu hóa thiết kế mạng không dây chiến thuật (tactical wireless network). Đây là bài toán tối ưu tổ hợp phức tạp, đòi hỏi hệ thống phải đánh giá liên tục các phương án cấu hình mạng dựa trên mô hình truyền dẫn vật lý và lưu lượng thực tế.
Theo báo cáo trên arXiv, các phương pháp siêu phỏng đoán cổ điển (metaheuristics) như Tabu Search thường gặp rào cản lớn về chi phí tính toán. Trong mỗi vòng lặp, thuật toán phải tính toán và đánh giá một lượng lớn các bước chuyển đổi ứng viên (candidate moves), khiến tốc độ xử lý bị chậm đáng kể khi mạng lưới mở rộng quy mô. Thay vì thay đổi cấu trúc vùng lân cận tìm kiếm, nhóm tác giả đề xuất khai thác tri thức ẩn chứa bên trong chính quỹ đạo tìm kiếm (search trajectories) sinh ra trong quá trình tối ưu.
Về mặt kỹ thuật, hệ thống thu thập dữ liệu về các phép biến đổi cạnh làm cải thiện lẫn không cải thiện chất lượng mạng ở mỗi vòng lặp, kết hợp cùng bộ đặc trưng mô tả cấu trúc, hình học và hiệu năng mạng lưới. Dữ liệu này được dùng để huấn luyện một mạng nơ-ron đồ thị (Graph Neural Network - GNN) có nhiệm vụ dự đoán mức độ tác động của từng bước dịch chuyển lên hàm mục tiêu. Khi tích hợp vào Tabu Search, mô hình GNN sẽ xếp hạng các phép biến đổi ứng viên, qua đó cắt giảm tối đa số lần đánh giá hàm mục tiêu tốn kém mà vẫn duy trì khả năng tìm kiếm nghiệm tối ưu hiệu quả.
Kết quả thử nghiệm trên các bộ dữ liệu điểm chuẩn tổng hợp (synthetic benchmarks) cho thấy giải pháp Tabu Search hỗ trợ bởi học máy giúp giảm rõ rệt thời gian tính toán, đồng thời tạo ra các cấu hình mạng có chất lượng cao hơn hẳn thuật toán tiêu chuẩn. Nhóm tác giả nhận định việc kết hợp GNN với metaheuristics mở ra hướng đi tiềm năng cho các bài toán thiết kế mạng quy mô lớn.
Dù vậy, bài báo hiện chỉ mới dừng lại ở kết quả thử nghiệm trên dữ liệu mô phỏng tổng hợp, chưa cung cấp số liệu kiểm thử trên môi trường mạng thực tế cũng như chưa công bố mã nguồn mở kèm theo.