ORLab-SLSCM Center

🚀 EP20 Discovery & Modeling Workshop Series
From Challenges to Models, Data & Decisions

The Smart Logistics and Supply Chain Management Laboratory (SLSCM Lab) invites students to join a new workshop series designed to help you better understand Logistics Technology and Supply Chain Management (EP20) — and explore how modern supply chains are being transformed by data, optimization, and artificial intelligence.

🌍 What is EP20 really about?

Logistics and supply chain management today goes far beyond transportation and warehousing. Modern supply chains involve complex decisions such as:

• Where should facilities be located?
• How should vehicles be routed?
• How much inventory should a company hold?
• How can demand be forecast?
• How should production and transportation be coordinated?
• How can data and AI support better decisions?

The opening session will introduce the broader landscape of EP20, including:

🔹 What you will study in the EP20 program
🔹 How modern logistics and supply chains operate
🔹 Global trends in logistics, technology, analytics, and AI
🔹 The roles of Data Science, Artificial Intelligence, Operations Research, and Optimization
🔹 Applications in transportation, warehousing, inventory, production, e-commerce, and supply chain planning
🔹 Career opportunities in logistics, supply chain management, analytics, optimization, technology, and consulting
🔹 Master's and PhD opportunities in Vietnam and abroad
🔹 Undergraduate research, competitions, projects, and opportunities to work with SLSCM Lab

📐 From Problems to Models

The following workshops will move from exploration to hands-on modeling.

Participants will learn how to transform real-world problems into mathematical and computational models through the process:

Real-world Problem → Mathematical Model → Computational Solution → Decision

Topics will include:

• Introduction to mathematical modeling
• Decision variables, objective functions, and constraints
• Basic linear and integer optimization models
• Modeling fundamental logistics and supply chain problems
• Introduction to optimization and modeling tools
• Implementing simple models using programming
• Solving models and interpreting computational results

💻 Recommended background

No previous knowledge of Operations Research or mathematical optimization is required.

Participants should have:

• Basic programming skills
• Basic mathematical reasoning
• Basic knowledge of Linear Algebra
• Curiosity about using mathematics, data, algorithms, and AI to solve real-world problems

🎓 Who should join?

The series is particularly suitable for EP20 students, especially those in the early stages of the program who want to understand what they are learning, where the field is heading, and what academic and career opportunities may follow.

Students interested in logistics, supply chain management, optimization, data science, artificial intelligence, and quantitative decision-making are also welcome.

Understand the field. Learn to model. Build the tools to solve real-world supply chain problems.

📍 Organized by Smart Logistics and Supply Chain Management Laboratory (SLSCM Lab)

Send a message to learn more

🚀 SLSCM Lab website is now live:

SLSCM Lab · Smart Logistics & Supply Chain Management | NEU SLSCM Lab - Smart Logistics and Supply Chain Management Lab, College of Technology, National Economics University (NEU)

🎉 [ News] CHÚC MỪNG CÁC THÀNH VIÊN SLSCM! 🎉

Lab xin chúc mừng các thành viên với những tin vui mới trong hành trình học tập và phát triển sự nghiệp:

🔬 Hòa Trang – chính thức đảm nhận vị trí Research Engineer tại Singapore Management University (SMU) 🇸🇬
🎓 Thành Lộc và Quang Chiến – xuất sắc nhận học bổng chương trình cao học tại VinUniversity (VinUni) 🌟

👏 Đây là những dấu mốc đáng tự hào, ghi nhận sự nỗ lực, tinh thần học hỏi và định hướng phát triển nghiêm túc của các thành viên SLSCM.

🚀 Keep learning. Keep growing. Keep moving forward!

Send a message to learn more

🎉 [ News] CÔNG BỐ QUỐC TẾ MỚI CỦA SLSCM LAB! 🎉

SLSCM Lab xin chúc mừng HVCH. Trần Nam Khánh, TS. Vũ Đức Minh cùng các đồng nghiệp với bài báo:

📄 “A Stage-based Formulation and Meta-heuristic Algorithm for the Revisit Flying SideKick Traveling Salesman Problem”

Bài báo đã chính thức được xuất bản trên Transportation Research Part C: Emerging Technologies — một trong những tạp chí uy tín hàng đầu trong lĩnh vực giao thông vận tải và tối ưu hóa:

🏆 SCIE Q1
📊 SJR: 2.396
📈 H-index: 214

Công trình nghiên cứu đề xuất một mô hình stage-based formulation cùng thuật toán meta-heuristic cho bài toán Revisit Flying SideKick Traveling Salesman Problem, góp phần mở rộng các hướng nghiên cứu về tối ưu hóa vận tải kết hợp xe tải – drone.

🔗 Link bài báo:
https://www.sciencedirect.com/.../abs/pii/S0968090X2600392X

[ News] Chúc mừng Trần Nam Khánh với bài báo có tên "A Stage-based Formulation and Meta-heuristic Algorithm for the Revisit Flying SideKick Traveling Salesman Problem" được chấp nhận đăng ở tạp chí chuyên ngành SCIE Q1 (SJR 2.394 - H-Index 214) - Transportation Research Part C: Emerging Technologies.

https://www.scimagojr.com/journalsearch.php?q=20893&tip=sid

📈 Khóa học ngắn “Từ dữ liệu đến phân tích và ra quyết định thông minh”

⏱️ Thời gian: 05 - 06/08/2026
🏢 Địa điểm: Viện Nghiên cứu cao cấp về Toán (VIASM), 161 Phố Huỳnh Thúc Kháng, Hà Nội.
📣 Hình thức: Trực tiếp

📍Mục tiêu
Khóa học ngắn trong khuôn khổ Hội thảo COMOSA 2026 hướng tới mục tiêu thu hẹp khoảng cách giữa lý thuyết học thuật tiên tiến và ứng dụng thực tiễn trong kỷ nguyên số. Chương trình được thiết kế nhằm trang bị cho học viên, bao gồm sinh viên, học viên cao học và các nhà nghiên cứu trẻ một tư duy toàn diện và năng lực thực thi mạnh mẽ: từ việc khai phá dữ liệu, kể câu chuyện dữ liệu trực quan cho đến việc làm chủ các mô hình trí tuệ nhân tạo tạo sinh (Generative AI) thế hệ mới nhất. Đặc biệt, khoá học chú trọng nâng cao tư duy phân tích và khả năng tối ưu hóa, giúp học viên có thể đưa ra các quyết định quản trị thông minh, hiệu quả và có độ chống chịu cao trước các biến động phức tạp và điều kiện bất định của môi trường thực tế.

Hội thảo Quốc tế về Tối ưu hoá, Mô hình hoá, Mô phỏng và Phân tích (COMOSA 2026) là một diễn đàn liên ngành hàng đầu, nơi hội tụ và kết nối 04 trụ cột cốt lõi: Tối ưu hoá, Mô hình hoá, Mô phỏng và Phân tích. Được tổ chức tại Trường Đại học Ngoại thương Hà Nội và được tài trợ bởi Viện Nghiên cứu Cao cấp về Toán (VIASM), hội thảo là điểm hẹn cho các nhà nghiên cứu, chuyên gia thực hành và học viên cùng thảo luận, khám phá cách các lĩnh vực chuyên sâu này thúc đẩy sự đổi mới sáng tạo trong mọi khía cạnh của công nghệ. Chi tiết tại: https://comosa.vn/

👨‍🏫 Giảng viên
GS. Nguyễn Việt Anh – Đại học Trung Văn Hồng Kông;
GS. Nguyễn Hồng Thanh – Đại học Orgeon;
PGS.TS. Nguyễn Thanh Bình – Trường Đại học Khoa học Tự nhiên, ĐHQG TP. Hồ Chí Minh.

📋 Đăng ký tham dự và tài trợ: Để đăng ký tham dự và đăng ký tài trợ tham dự Khóa học ngắn, vui lòng điền đầy đủ thông tin tại: https://forms.gle/yTv1oZUnEHabu46j8
- Thời hạn đăng ký tài trợ: 28/07/2026
- Thời hạn đăng ký tham dự: 01/08/2026

🌐Website: https://viasm.edu.vn/hdkh/COMOSA-2026
Liên hệ: TS. Đinh Nho Minh, Đại học Kinh tế Quốc dân, email: [email protected]; Ms. Nguyễn Thị Lan Hương, email: [email protected]

Lab với báo cáo mời tại hội thảo được tổ chức bởi trong các ngày 01-03/07

https://horizons2026.vinuni.edu.vn/

[ News] Chúc mừng SV Mai Thành Lộc với giải nhì NCKH cấp Đại học. Nghiên cứu này tìm hiểu và đề xuất một mô hình quy hoạch toán học cho bài toán phân cụm nhị phân; và nghiên cứu đề xuất sử dụng hàm mất mát Pinball để xử lý các yếu tố nhiễu và outlier. Phiên bản bài báo đang được review lần 2 và hi vọng sớm nhận được sự đánh giá và sự ủng hộ của các reviewers.

----------
Abstract: Các bài toán phân loại hiện đại thường phải xử lý các bộ dữ liệu có số chiều cao, đồng thời bị nhiễu và chứa các điểm ngoại lai, gây ra nhiều thách thức đáng kể cho các mô hình học máy truyền thống. Mặc dù Máy vectơ hỗ trợ chuẩn, hay Support Vector Machine (SVM), cung cấp một nền tảng vững chắc cho bài toán phân loại, việc phụ thuộc vào hàm mất mát Hinge khiến mô hình nhạy cảm với các nhiễu loạn dữ liệu cực đoan. Bên cạnh đó, các kỹ thuật điều chuẩn L1 hoặc L2 truyền thống không cho phép kiểm soát chính xác mức độ thưa của tập đặc trưng. Để giải quyết đồng thời các thách thức này, nghiên cứu đề xuất một khung mô hình thống nhất mới: Máy vectơ hỗ trợ lựa chọn đặc trưng sử dụng hàm mất mát Pinball, gọi tắt là Pin-FS-SVM.

Mô hình Pin-FS-SVM được đề xuất tích hợp hàm mất mát Pinball dựa trên phân vị nhằm đạt được tính bền vững bất đối xứng trước dữ liệu bị nhiễu, đồng thời sử dụng Quy hoạch tuyến tính nguyên hỗn hợp, hay Mixed-Integer Linear Programming (MILP), để thực hiện lựa chọn đặc trưng chính xác thông qua một ràng buộc ngân sách nghiêm ngặt về số lượng đặc trưng. Để đánh giá khung mô hình này, các thí nghiệm toàn diện đã được tiến hành trên sáu bộ dữ liệu chuẩn đa dạng, trải rộng từ chẩn đoán y khoa đến tin sinh học chiều cao, dưới bốn kịch bản dữ liệu được kiểm soát: dữ liệu gốc, dữ liệu có nhiễu nhãn/đặc trưng, dữ liệu có điểm ngoại lai đối nghịch, và dữ liệu kết hợp cả nhiễu lẫn điểm ngoại lai. Các kết quả thực nghiệm, được kiểm định chặt chẽ bằng kiểm định Wilcoxon signed-rank, cho thấy Pin-FS-SVM liên tục vượt trội so với các mô hình nền tiên tiến, bao gồm MILP-FS-SVM, L1-SVM và RFE-SVM, xét về độ chính xác dự đoán và tính bền vững. Đáng chú ý, mô hình đạt được hiệu năng vượt trội này trong khi vẫn cô lập được một tập con đặc trưng dự báo nhỏ hơn đáng kể và có độ ổn định cao, qua đó tạo ra sự cân bằng hiệu quả giữa năng lực phân loại, khả năng chống chịu nhiễu và tính diễn giải của mô hình.

[ News] Xin chúc mừng PGS.TS. Hà Minh Hoàng, NCS Phạm Hoàng Giang (SMU), TS. Tạ Thúy Anh (PKA) và GS. TS. Mai Tiến (SMU), với nghiên cứu #5958 - "Beyond Homogeneous Adversaries: Stackelberg Security Games with Mixed Quantal Response" được chấp nhận tại hội nghị A* - IJCAI - 2026.
https://2026.ijcai.org/accepted-papers/?ijtrack=main-track
--
Mô hình phản hồi lượng tử (quantal response – QR) được sử dụng rộng rãi trong trò chơi an ninh Stackelberg (Stackelberg security games – SSGs) nhằm mô tả những đối thủ có lý trí hữu hạn. Tuy nhiên, các nghiên cứu hiện có về SSG dưới mô hình QR hầu như đều giả định rằng quần thể kẻ tấn công là đồng nhất, qua đó bỏ qua sự không đồng nhất về sở thích và mức độ lý trí của các kẻ tấn công.

Nghiên cứu này xem xét bài toán SSG với các kẻ tấn công phản hồi lượng tử hỗn hợp, trong đó quần thể người theo sau bao gồm nhiều kiểu kẻ tấn công rời rạc, mỗi kiểu tuân theo một mô hình QR riêng. Người phòng thủ phân bổ nguồn lực hữu hạn cho các mục tiêu, trong khi một kẻ tấn công được rút ra từ quần thể không đồng nhất này sẽ quan sát chiến lược của người phòng thủ và tấn công một mục tiêu duy nhất.

Bài toán này dẫn đến một bài toán tính toán cân bằng có tính phi lồi cao. Bài báo đề xuất một lược đồ xấp xỉ thời gian đa thức (polynomial-time approximation scheme – PTAS) cho bối cảnh này khi số lượng kiểu kẻ tấn công bị chặn, dựa trên một mô hình lập trình nón mũ (exponential cone programming) kết hợp với một thủ tục nhánh-cận (Branch-and-Bound) được thiết kế cẩn thận.

Các kết quả thực nghiệm cho thấy phương pháp đề xuất vượt trội so với các phương pháp dựa trên gradient tiêu chuẩn. Đồng thời, việc mô hình hóa tường minh tính không đồng nhất của kẻ tấn công mang lại lợi ích đáng kể so với các mô hình SSG truyền thống chỉ xét một kẻ tấn công QR duy nhất.

😍🤩😌😁