Tổng quan về luận án
Mạng cảm biến không dây (Wireless Sensor Networks - WSNs) giữ vai trò then chốt trong kỷ nguyên Internet vạn vật (IoT), tự động hóa tòa nhà thông minh, giám sát môi trường và y tế kỹ thuật số. Tuy nhiên, rào cản mang tính quyết định đến khả năng duy trì hoạt động lâu dài của mạng WSNs là giới hạn khắt khe về nguồn năng lượng dự trữ. Phần lớn các nút cảm biến được cấp nguồn bởi pin hóa học có dung lượng hữu hạn (thường chỉ từ vài chục đến vài trăm mAh), trong khi việc thay thế pin trên diện rộng hoặc tại các vị trí khắc nghiệt là hoàn toàn bất khả thi về mặt kỹ thuật và chi phí vận hành. Khi các nút cạn kiệt năng lượng, mạng sẽ đối mặt với hiện tượng suy giảm vùng phủ sóng (coverage hole), đứt gãy liên kết truyền thông, phá vỡ cấu trúc mạng và dẫn tới việc toàn bộ hệ thống bị tê liệt.
Nghiên cứu định vị research gap cốt lõi: Mặc dù các giải pháp cấp độ nút (như phần cứng công suất thấp, thu thập năng lượng môi trường) và cấp độ mạng (như giao thức MAC tiết kiệm năng lượng, thuật toán định tuyến LEACH, DEEC) đã đạt được nhiều tiến bộ, nhưng các cơ chế lập lịch hoạt động hiện hữu chủ yếu giải quyết các bài toán đơn lẻ, tĩnh, và hoàn toàn tách rời quá trình biến đổi năng lượng động học trong từng chế độ làm việc (ngủ, chờ, đo lường, truyền thông). Hơn nữa, bài toán lập lịch cho mạng cảm biến ứng dụng thực tế là bài toán tối ưu hóa tổ hợp đa mục tiêu, phi tuyến với không gian tìm kiếm bùng nổ, nơi các giải thuật di truyền truyền thống với nhiễm sắc thể cố định (FLC-GA) bộc lộ sự xơ cứng, không phản ánh được tính biến thiên trạng thái của các nút mạng hỗn tạp.
Để giải quyết triệt để vấn đề trên, luận án xác định hệ thống câu hỏi nghiên cứu và giả thuyết khoa học:
- Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để mô hình hóa và mô phỏng chính xác quá trình nạp - xả năng lượng động học đa thành phần của từng nút cảm biến theo cơ chế hướng sự kiện trong môi trường mạng hỗn tạp?
- Câu hỏi nghiên cứu 2 (RQ2): Cấu trúc nhiễm sắc thể và hệ toán tử di truyền nào có khả năng giải quyết hiệu quả bài toán tối ưu hóa lịch trình hoạt động mạng với chiều dài trạng thái biến thiên dưới các ràng buộc khắt khe về năng lượng và chất lượng đo lường?
- Giả thuyết nghiên cứu 1 (H1): Việc tích hợp mô hình phóng-nạp phi tuyến của pin và quá trình thu năng lượng tái tạo vào nền tảng mô phỏng hướng sự kiện sẽ giảm sai số ước lượng năng lượng tiêu thụ (RMSE) xuống dưới mức sai số của các trình mô phỏng truyền thống (NS2, OMNeT++).
- Giả thuyết nghiên cứu 2 (H2): Giải thuật di truyền biến thể với nhiễm sắc thể có chiều dài thay đổi (VLC-GA) vượt trội hơn FLC-GA về tốc độ hội tụ, khả năng tránh cực trị cục bộ và tối ưu hóa đồng thời dung lượng pin còn lại ($Q_{min}$, $\Delta Q$) cùng mật độ phép đo thời gian thực.
Luận án xây dựng khung lý thuyết dựa trên sự kết hợp giữa lý thuyết điều khiển tối ưu, lý thuyết mạng cảm biến không dây hướng sự kiện và giải thuật tiến hóa thích nghi. Đóng góp đột phá của luận án được định lượng cụ thể: Xây dựng thành công nền tảng mô phỏng mạng cảm biến năng lượng chuyên dụng và giải thuật VLC-GA giúp cân bằng năng lượng tiêu thụ, kéo dài tuổi thọ mạng cảm biến trong kịch bản tự động hóa tòa nhà đa nút qua chu kỳ vận hành 3 ngày và mở rộng dài hạn.
Literature Review và Positioning
Tổng quan tài liệu cho thấy hai luồng nghiên cứu chính trong tối ưu hóa năng lượng mạng cảm biến:
- Luồng nghiên cứu cấp độ nút (Node-level): Tập trung vào vi kiến trúc phần cứng công suất thấp và kỹ thuật thu gom năng lượng môi trường (Energy Harvesting). Nghiên cứu của Halgamuge et al. [39] đã phân rã giải phẫu năng lượng nút cảm biến, chứng minh rằng hoạt động truyền thông tiêu tốn năng lượng áp đảo với $51%$ tổng tiêu thụ, trong khi xử lý dữ liệu chiếm $12%$, lưu trữ chiếm $14%$, biến đổi tín hiệu $8%$, thu thập mẫu $6%$ và trạng thái chờ chuyển đổi chiếm $10%$. Tương tự, Jan M. Rabaey et al. [40] phân tích chi tiết tác vụ truyền thông, chỉ ra bộ vi xử lý chiếm $30%$, cấu hình $25%$, đồng bộ hóa $14%$, nhận tin $12%$, truyền tin $5%$ và băng tần cơ sở chiếm $13%$. Về thu năng lượng, Oscar López-Lapeña et al. [56] và FK. Shaikh et al. [61] chỉ ra quang điện mặt trời đạt mật độ $100\text{ mW/cm}^2$ với hiệu suất $5\text{--}30%$, nhưng phụ thuộc ngặt nghèo vào chu kỳ ngày - đêm; N. Stephen [64] khảo sát máy phát điện quán tính rung động (như Perpetuum EM đạt $4000\text{ }\mu\text{W}$ tại $100\text{ Hz}$); FK. Readally [48] khảo sát hiệu ứng nhiệt điện Seebeck ($150\text{ mW}$ với chênh lệch nhiệt độ $\Delta T = 34^\circ\text{C}$); và các nghiên cứu RF [75] chỉ ra công suất thu rất nhỏ (TX91501 Powercaster đạt $189\text{ }\mu\text{W}$ ở khoảng cách $5\text{ m}$).
- Luồng nghiên cứu cấp độ mạng (Network-level): Tập trung vào giao thức MAC và định tuyến. A. El-Hoiydi et al. [41] mô hình hóa công suất tiêu thụ lý tưởng và thực tế của các giao thức WiseMAC, PTIP và PSM:
$$P_{Ideal} = \frac{P_z T_S + \hat{P}_R T_D + \hat{P}_T (T_C + T_T) + P_z(L - T_S - T_D - T_C - T_T)}{L}$$
Heinzelman et al. [14] phát triển giao thức phân cụm LEACH, tiếp nối bởi SEP, DEEC và DDEEC nhằm cân bằng tải giữa các cụm.
┌────────────────────────────────────────────────────────┐
│ Tối ưu hóa năng lượng mạng cảm biến không dây (WSNs) │
└──────────────────────────┬─────────────────────────────┘
│
┌───────────────────────────────┴───────────────────────────────┐
▼ ▼
┌───────────────────────────┐ ┌───────────────────────────┐
│ Cấp độ Nút (Node) │ │ Cấp độ Mạng (Network) │
├───────────────────────────┤ ├───────────────────────────┤
│ • Năng lượng nội tại: │ │ • Giao thức MAC & Routing:│
│ - Truyền thông (51%) │ │ - LEACH, DEEC, SEP │
│ - Xử lý / Lưu trữ (26%) │ │ - WiseMAC, PTIP, PSM │
│ - Thu nhận / Đổi (14%) │ │ • Lập lịch truyền thông: │
│ • Thu năng lượng tái tạo: │ │ - Phân cấp / Không phân │
│ - Quang điện (Seebeck) │ │ - Lập lịch tĩnh │
│ - Rung động / Sóng RF │ │ - Tối ưu hóa đơn lẻ │
└─────────────┬─────────────┘ └─────────────┬─────────────┘
│ │
└──────────────────────────────┬────────────────────────────────┘
▼
┌───────────────────────────────────────────────────────────────┐
│ Research Gap: Thiếu sự kết hợp giữa mô phỏng năng lượng động │
│ và thuật toán tối ưu hóa lịch trình thích ứng biến thiên trạng│
└───────────────────────────────┬───────────────────────────────┘
▼
┌───────────────────────────────────────────────────────────────┐
│ Đóng góp của Luận án: Nền tảng mô phỏng hướng sự kiện + │
│ Thuật toán di truyền chiều dài thay đổi (VLC-GA) │
└───────────────────────────────────────────────────────────────┘
Tranh luận học thuật nảy sinh giữa hai quan điểm: Quan điểm thứ nhất cho rằng việc tối ưu hóa cục bộ tại từng tầng giao thức (cross-layer hoặc MAC-centric) là đủ để duy trì mạng; ngược lại, quan điểm thứ hai (được luận án bảo vệ) khẳng định rằng nếu không tích hợp mô hình tiêu hao năng lượng chi tiết của từng chế độ vật lý vào một bài toán lập lịch tổng thể đa mục tiêu, mạng vẫn sẽ xuất hiện các điểm nghẽn năng lượng cục bộ (energy bottlenecks).
Luận án định vị vị trí học thuật bằng cách so sánh với các công cụ mô phỏng chuẩn quốc tế:
- NS2 / NS3 / OMNeT++: Rất mạnh về kiểm thử giao thức mạng và mô hình truyền thông gói tin, nhưng mô hình năng lượng chỉ dừng lại ở mức trừu tượng hóa tuyến tính cơ bản, không có khả năng mô hình hóa động học nạp - xả pin phi tuyến hay tích hợp đồng thời các nguồn năng lượng tái tạo hướng sự kiện.
- J-Sim / SENS / SENSE: Hỗ trợ mô phỏng WSNs chuyên biệt nhưng thiếu khả năng đồng mô phỏng (co-simulation) tương tác hai chiều trực tiếp với các thuật toán tiến hóa tối ưu hóa lịch trình tổ hợp như VLC-GA.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mở rộng lý thuyết điều khiển và quản lý năng lượng mạng WSNs thông qua ba đóng góp nền tảng:
- Hình thức hóa bài toán lập lịch mạng cảm biến dưới dạng mô hình tối ưu hóa tổ hợp đa mục tiêu có ràng buộc động: Mở rộng lý thuyết điều phối trạng thái rời rạc sang không gian trạng thái năng lượng liên tục.
- Xây dựng lý thuyết tiến hóa với nhiễm sắc thể biến thiên trạng thái (VLC-GA): Khắc phục triệt để hạn chế của lý thuyết giải thuật di truyền cổ điển (Holland, 1975) khi áp dụng vào các hệ thống WSNs có kích thước lịch trình không đồng nhất giữa các nút mạng.
- Mô hình toán học hóa quá trình năng lượng 4 chế độ làm việc: Chế độ ngủ ($BS$), Chế độ chờ ($BI$), Chế độ đo lường ($BM$), và Chế độ truyền thông ($BC$), kết hợp mô hình suy hao đường truyền lũy thừa:
$$E_{txN}(b, d_{ij}) = b E_{elec} + b d_{ij}^n E_{amp}$$
với $E_{proN}$ phụ thuộc tần số xử lý $f$, điện áp nhiệt $V_t$, dòng rò $I_0$ và điện dung chuyển mạch $C_{avg}$:
$$E_{proN} = b \cdot N_{cyc} C_{avg} V_{dd}^2 + V_{dd} \left( I_0 \cdot e^{\frac{V_{dd}}{n_p V_t}} \right) \frac{b \cdot N_{cyc}}{f}$$
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp chặt chẽ 3 trụ cột lý thuyết: Lý thuyết mạng cảm biến không dây hướng sự kiện, Lý thuyết pin điện hóa phi tuyến (mô phỏng theo đặc tính nạp/xả của Panasonic BK-60AAAH Ni-MH) và Lý thuyết thuật toán tiến hóa tổ hợp.
KHUNG PHÂN TÍCH TỔNG THỂ
┌─────────────────────────┐ ┌─────────────────────────┐ ┌─────────────────────────┐
│ Lý thuyết Mạng Cảm biến│ │ Lý thuyết Động học │ │ Lý thuyết Giải thuật │
│ hướng Sự kiện │ │ Pin Phi tuyến │ │ Tiến hóa Thích nghi │
└────────────┬────────────┘ └────────────┬────────────┘ └────────────┬────────────┘
│ │ │
└───────────────────────┬───────┴───────────────────────────────┘
▼
┌───────────────────────────────────┐
│ NỀN TẢNG MÔ PHỎNG NĂNG LƯỢNG WSNs │
│ • Mô đun Pin (SOC, nạp/xả) │
│ • Mô đun Nguồn môi trường │
│ • Mô đun Cảm biến & Vi điều khiển│
│ • Mô đun Truyền thông Đa truy cập│
└─────────────────┬─────────────────┘
│ (Đồng mô phỏng & Đánh giá hàm thích nghi BFV)
▼
┌───────────────────────────────────┐
│ THUẬT TOÁN TIẾN HÓA VLC-GA │
│ • Nhiễm sắc thể chiều dài đổi │
│ • 4 Toán tử: MC, MI, MR, MS │
│ • Tối ưu đa mục tiêu lịch trình │
└─────────────────┬─────────────────┘
│
▼
┌───────────────────────────────────┐
│ LỊCH TRÌNH HOẠT ĐỘNG TỐI ƯU │
│ (Triển khai thực tế trên mạng) │
└───────────────────────────────────┘
- Mô hình biểu diễn gen: Mỗi cá thể $q$ đại diện cho một lịch trình toàn mạng $C^q$, cấu thành từ các đoạn gen $C_i^q$ tương ứng với lịch trình của nút $i$. Trạng thái $j$ của nút $i$ được mã hóa bởi cặp giá trị $(m_j^{qi}, t_j^{qi})$, trong đó $m_j^{qi} \in {BS, BI, BM, BC}$ và $t_j^{qi}$ là thời lượng duy trì trạng thái.
- Hệ toán tử thích nghi biến thiên:
- Toán tử sao chép gen ($P_{MC}$): Nhân bản một trạng thái hoạt động hiệu quả.
- Toán tử chèn gen ($P_{MI}$): Chèn thêm trạng thái đo hoặc truyền thông vào chuỗi khi năng lượng dư thừa.
- Toán tử loại bỏ gen ($P_{MR}$): Cắt giảm các trạng thái tiêu tốn năng lượng khi pin tiến gần ngưỡng an toàn.
- Toán tử dịch chuyển gen ($P_{MS}$): Tái phân bổ mốc thời gian hoạt động nhằm tránh xung đột truyền thông.
- Điều kiện biên: Mô hình áp dụng cho mạng cảm biến tĩnh và bán di động, phân cấp hoặc lưới, có hoặc không có nguồn thu năng lượng phụ trợ, với chu kỳ lập lịch theo ngày ($24\text{ giờ}$) hoặc theo khối chu kỳ thực nghiệm.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Nghiên cứu tuân thủ triết lý thực chứng (positivism) kết hợp thiết kế nghiên cứu thực nghiệm đa mức (multi-level experimental design):
- Cấp độ 1 (Mô hình hóa toán học & Mô phỏng): Thiết kế kiến trúc hướng đối tượng cho nền tảng mô phỏng, phân tách rõ ràng thành 4 mô đun độc lập (Pin, Nguồn năng lượng, Truyền thông, Cảm biến).
- Cấp độ 2 (Thực nghiệm vật lý phần cứng): Xây dựng nút cảm biến thực nghiệm đo nhiệt độ - độ ẩm sử dụng vi điều khiển và module truyền thông tiêu thụ thấp, tiến hành đo kiểm dòng tiêu thụ thực tế ở các chế độ làm việc thông qua thiết bị đo chuyên dụng.
- Cấp độ 3 (Thuật toán tối ưu hóa): Cài đặt và đồng bộ thuật toán VLC-GA tương tác trực tiếp với nền tảng mô phỏng để giải bài toán tối ưu lịch trình cho mạng 1 nút và mạng đa nút (3 nút, 35 nút trong cấu trúc cây/lưới).
Quy trình nghiên cứu
Quy trình nghiên cứu:
[Phân tích lý thuyết & Mô hình hóa toán học]
──> [Thiết kế & Chế tạo Node cảm biến thực nghiệm]
──> [Đo kiểm thực tế 10 lần ngẫu nhiên lấy mẫu I_sleep, I_active, I_tx, I_rx]
──> [Xây dựng Nền tảng Mô phỏng Năng lượng hướng đối tượng]
──> [Kiểm chứng chéo (Cross-Validation) giữa Mô phỏng và Thực nghiệm (500s, 1h, 6h)]
──> [Phát triển Thuật toán VLC-GA với 4 toán tử di truyền]
──> [Thử nghiệm Tối ưu hóa Lịch trình Mạng (1 nút & Đa nút trong 3 ngày)]
──> [Đánh giá So sánh VLC-GA vs FLC-GA]
Dữ liệu thực nghiệm phần cứng được thu thập qua 10 lần đo độc lập tại phòng thí nghiệm Đại học Bách khoa Hà Nội, đảm bảo tính lặp lại và khử trừ nhiễu ngẫu nhiên. Tính hợp lệ của mô hình mô phỏng được kiểm chứng chéo (cross-validation) với dữ liệu đo thực tế qua các mốc thời gian $500\text{ s}$, $1\text{ h}$ và $6\text{ h}$.
| Tham số đo thực nghiệm |
Giá trị trung bình |
Độ lệch chuẩn ($\sigma$) |
Thiết bị / Điều kiện kiểm chuẩn |
| Dòng chế độ Ngủ ($I_{sleep}$) |
$15.2\text{ }\mu\text{A}$ |
$\pm 0.4\text{ }\mu\text{A}$ |
Nguồn $2.2\text{--}3.3\text{V}$, tắt toàn bộ ngoại vi |
| Dòng chế độ Đo lường ($I_{measure}$) |
$2.35\text{ mA}$ |
$\pm 0.08\text{ mA}$ |
Cảm biến độ ẩm/nhiệt độ kích hoạt |
| Dòng chế độ Chờ ($I_{idle}$) |
$0.85\text{ mA}$ |
$\pm 0.03\text{ mA}$ |
Vi điều khiển ở trạng thái sẵn sàng |
| Dòng truyền tin ($I_{tx}$) |
$18.10\text{ mA}$ |
$\pm 0.35\text{ mA}$ |
Công suất phát chuẩn, gói tin $b\text{ bits}$ |
| Dòng nhận tin ($I_{rx}$) |
$19.45\text{ mA}$ |
$\pm 0.40\text{ mA}$ |
Module RF mở chế độ lắng nghe |
Data và phân tích
Dữ liệu tiêu thụ năng lượng của các nút thương mại chuẩn quốc tế được tích hợp để làm baseline so sánh:
| Nút cảm biến |
Dòng Ngủ ($I_{sleep}$) |
Dòng Xử lý ($I_{proc}$) |
Dòng Nhận ($I_{rx}$) |
Dòng Truyền ($I_{tx}$) |
Nguồn cấp ($V_{dd}$) |
| MicaZ |
$15\text{ }\mu\text{A}$ |
$8\text{ mA}$ |
$19.5\text{ mA}$ |
$17.5\text{ mA}$ |
$2.2\text{ V}$ |
| IRIS |
$8\text{ }\mu\text{A}$ |
$8\text{ mA}$ |
$30\text{ mA}$ |
$30\text{ mA}$ |
$2.7\text{ V}$ |
| Sunspot |
$33\text{ }\mu\text{A}$ |
$104\text{ mA}$ |
$16\text{ mA}$ |
$15\text{ mA}$ |
$3.7\text{ V}$ |
| WiSMote |
$12\text{ }\mu\text{A}$ |
$2.2\text{ mA}$ |
$44\text{ mA}$ |
$44\text{ mA}$ |
$3.0\text{ V}$ |
| IMote2 |
$390\text{ }\mu\text{A}$ |
$31\text{--}53\text{ mA}$ |
$44\text{ mA}$ |
$44\text{ mA}$ |
$3.3\text{ V}$ |
| Waspmote |
$55\text{ }\mu\text{A}$ |
$15\text{ mA}$ |
$30\text{ mA}$ |
$30\text{ mA}$ |
$3.3\text{ V}$ |
Nền tảng mô phỏng tự xây dựng sử dụng mô hình pin hóa học Panasonic BK-60AAAH Ni-MH với điện áp định mức $1.2\text{V}$, dung lượng $550\text{--}600\text{ mAh}$, mô phỏng chính xác đường cong suy giảm dung lượng (State of Charge - SOC) theo thời gian thực dưới các chế độ phụ tải biến đổi liên tục. Thuật toán VLC-GA được thiết lập với kích thước quần thể 100 cá thể, chạy qua 100 thế hệ tiến hóa.
Phát hiện đột phá và implications
Những phát hiện then chốt
So sánh hiệu năng hội tụ và tối ưu giữa VLC-GA và FLC-GA (100 thế hệ):
Giá trị BFV
▲
│ FLC-GA (Chiều dài cố định): Hội tụ sớm ~ thế hệ 35, BFV thấp, dễ mắc kẹt cực tiểu
│ ─────────────────────────────────────────────► (BFV ~ 0.68)
│
│ VLC-GA (Chiều dài thay đổi): Tiến hóa liên tục, vượt bẫy cực trị địa phương
│ ───────────────/‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾► (BFV ~ 0.89)
│
└────────────────────────────────────────────────────────► Thế hệ (Generations)
0 50 100
- Độ chính xác cao của nền tảng mô phỏng năng lượng: Kết quả đối sánh giữa thực nghiệm phần cứng và mô phỏng trên các khoảng thời gian $500\text{ s}$, $1\text{ h}$ và $6\text{ h}$ cho thấy mức độ sai lệch năng lượng tiêu thụ dưới $3.2%$. Nền tảng phản ánh chính xác các đỉnh xung dòng (current spikes) khi module RF chuyển mạch từ chế độ ngủ sang truyền tin.
- Sự vượt trội toàn diện của VLC-GA so với FLC-GA: Trong kịch bản tối ưu hóa lịch trình mạng đa nút qua 3 ngày, VLC-GA đạt giá trị hàm thích nghi tốt nhất ($BFV$) cao hơn $23.5%$ so với FLC-GA. FLC-GA bị giới hạn bởi số lượng trạng thái cố định trong mỗi khung thời gian $\Delta t$, dẫn đến việc lãng phí tài nguyên tính toán vào các gen dư thừa hoặc không đủ độ phân giải thời gian cho các tác vụ đo tức thời.
- Hiện tượng cân bằng dung lượng động (Dynamic Energy Balancing): Kết quả mô phỏng cho thấy VLC-GA tự động thích nghi lịch trình: các nút có khả năng thu nạp năng lượng mặt trời cao vào ban ngày được điều phối tăng tần suất đo lường và làm trạm chuyển tiếp (relay), trong khi các nút khuất ánh sáng được tự động chuyển sang chế độ tiết kiệm năng lượng, giúp độ sụt giảm pin toàn mạng $\Delta Q$ giảm $31.4%$ so với lập lịch phân tán thông thường.
- Giải quyết nghịch lý giữa số phép đo và tuổi thọ pin: VLC-GA tối ưu hóa thành công hai mục tiêu mâu thuẫn: tối đa hóa tổng số phép đo môi trường hữu ích $N$ đồng thời đảm bảo khoảng cách thời gian lớn nhất giữa hai lần đo liên tiếp $\Delta t_{max}$ không vượt ngưỡng cho phép, trong khi mức pin cuối ngày $L_s'$ của tất cả các nút đều được duy trì trên ngưỡng an toàn $75%$ dung lượng danh định.
Implications đa chiều
- Về mặt lý thuyết: Chứng minh tính khả thi của việc giải bài toán WSNs quy mô lớn bằng giải thuật tiến hóa cấu trúc mở (open-ended structural evolutionary algorithm), đặt nền móng lý thuyết cho việc kết hợp điều khiển tối ưu và điện toán nhận thức môi trường.
- Về mặt phương pháp luận: Cung cấp quy trình kiểm chuẩn 3 bước (Toán học - Thực nghiệm phần cứng - Đồng mô phỏng tiến hóa), có thể tái lập và mở rộng cho các hệ thống IoT phức tạp như mạng cảm biến dưới nước (UWSNs) hay mạng vệ tinh chùm (Nano-satellite Constellations).
- Về mặt thực tiễn và chính sách: Cung cấp giải pháp trực tiếp cho ngành tự động hóa tòa nhà (Smart Buildings), cho phép các nhà phát triển hệ sinh thái quản lý năng lượng (BEMS) cắt giảm chi phí bảo trì thay pin tới $60%$, giảm rác thải điện tử pin độc hại ra môi trường, hướng tới các mục tiêu phát triển bền vững và trung hòa carbon.
Limitations và Future Research
Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:
- Giới hạn về quy mô thực nghiệm phần cứng: Mặc dù mô phỏng đã kiểm thử trên cấu trúc mạng cây và lưới quy mô 35 nút, thực nghiệm vật lý mới tập trung vào các cụm nút đo nhiệt độ - độ ẩm trong môi trường phòng thí nghiệm có kiểm soát.
- Mô hình kênh truyền: Giả định môi trường truyền sóng vô tuyến trong nhà chưa tính đến hiện tượng giao thoa đa đường cực mạnh hoặc che chắn động do con người di chuyển liên tục với mật độ cao.
- Nguồn năng lượng môi trường: Mô phỏng năng lượng mặt trời chủ yếu dựa trên chu kỳ chiếu sáng tiêu chuẩn, chưa bao quát đầy đủ các biến động thời tiết cực đoan kéo dài nhiều ngày.
Chương trình nghiên cứu tương lai (Future Agenda):
- Mở rộng giải thuật VLC-GA thành dạng phân tán hoàn toàn (Distributed / Parallel VLC-GA), cho phép các nút tự tối ưu hóa lịch trình cục bộ thông qua học tăng cường đa tác tử (Multi-Agent Reinforcement Learning - MARL).
- Tích hợp mô hình thu hoạch năng lượng đa nguồn kết hợp (Hybrid Energy Harvesting: Nhiệt điện Seebeck + Rung động áp điện + Sóng RF) vào nền tảng mô phỏng.
- Thử nghiệm thực địa quy mô lớn trên hệ thống tòa nhà văn phòng cao tầng thực tế trong thời gian liên tục từ 6 đến 12 tháng.
- Nghiên cứu cơ chế an ninh mạng nhẹ (Lightweight Security) tích hợp trực tiếp vào lịch trình truyền thông tiết kiệm năng lượng của VLC-GA.
Tác động và ảnh hưởng
Nghiên cứu mang lại tiềm năng trích dẫn học thuật cao nhờ giải quyết trúng điểm nghẽn tồn tại nhiều năm trong cộng đồng WSNs và IoT. Về mặt công nghiệp, giải pháp tạo bước đệm chuyển đổi cho các doanh nghiệp sản xuất thiết bị đo lường thông minh, chiếu sáng thông minh và điều hòa thông gió (HVAC). Việc tối ưu hóa lịch trình hoạt động giúp cắt giảm hàng triệu kilowatt-giờ điện năng tiêu thụ gián tiếp trong các tòa nhà công cộng, đồng thời đóng góp khung tham chiếu kỹ thuật cho các cơ quan quản lý nhà nước khi xây dựng quy chuẩn kỹ thuật quốc gia về tòa nhà xanh và hạ tầng đô thị thông minh.
Đối tượng hưởng lợi
- Nghiên cứu sinh & Nhà khoa học: Tiếp cận mô hình toán học hoàn chỉnh, phương pháp mã hóa nhiễm sắc thể chiều dài thay đổi và mã nguồn mô hình mô phỏng định lượng năng lượng.
- Kỹ sư R&D Hệ thống Nhúng & IoT: Ứng dụng trực tiếp cấu trúc vi điều khiển phân tách 4 chế độ làm việc và các toán tử VLC-GA vào firmware sản phẩm thương mại.
- Doanh nghiệp Vận hành Tòa nhà & Bất động sản Thông minh: Giảm chi phí nhân công bảo dưỡng, kiểm soát rủi ro mất kết nối hệ thống cảm biến an ninh, nâng cao hiệu quả sử dụng năng lượng tổng thể của tòa nhà.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nền tảng nào?
Luận án mở rộng trực tiếp Lý thuyết Thuật toán Di truyền (Holland, 1975; Goldberg, 1989) bằng việc đề xuất cấu trúc nhiễm sắc thể có chiều dài thay đổi (VLC-GA) chuyên biệt cho WSNs. Khác với FLC-GA cổ điển vốn ép buộc lịch trình vào các khe thời gian cố định, VLC-GA mã hóa lịch trình dưới dạng chuỗi các cặp trạng thái - thời lượng $(m_j^i, t_j^i)$ linh hoạt, cho phép cấu trúc gen co giãn thích nghi theo động học năng lượng của từng nút.
2. Điểm cải tiến phương pháp luận của nền tảng mô phỏng đề xuất khi so sánh với NS2 và OMNeT++?
NS2 và OMNeT++ chủ yếu tiếp cận theo góc độ dòng gói tin mạng (packet flow) với mô hình tiêu thụ năng lượng trừu tượng tuyến tính. Nền tảng của luận án là hệ thống mô phỏng hướng đối tượng - hướng sự kiện, tích hợp mô hình nạp/xả pin phi tuyến thực tế (Panasonic BK-60AAAH Ni-MH) kết hợp mô hình thu năng lượng tái tạo theo thời gian thực, cho phép đồng mô phỏng và cung cấp phản hồi hàm thích nghi ($BFV$) trực tiếp cho thuật toán tối ưu hóa VLC-GA.
3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm và mô phỏng là gì?
Phát hiện cho thấy việc cố định tần suất lấy mẫu đo lường để tiết kiệm năng lượng trong FLC-GA thực chất lại làm giảm hiệu quả năng lượng tổng thể của mạng. VLC-GA đã chỉ ra rằng việc cho phép tần suất đo lường thay đổi linh hoạt theo nguồn năng lượng môi trường thu nạp tức thời giúp mạng duy trì số lượng phép đo cao hơn $18.6%$ trong khi dung lượng pin đáy ($Q_{min}$) vẫn cao hơn so với lập lịch cố định.
4. Luận án có cung cấp giao thức tái lập (Replication Protocol) không?
Có. Luận án chi tiết hóa toàn bộ thông số phần cứng nút cảm biến (bảng dòng tiêu thụ ở các chế độ ngủ $15.2\text{ }\mu\text{A}$, đo $2.35\text{ mA}$, truyền $18.10\text{ mA}$), thông số giải thuật di truyền (xác suất các toán tử $P_{MC}, P_{MI}, P_{MR}, P_{MS}$, kích thước quần thể 100, số thế hệ 100), cũng như sơ đồ mạch nguyên lý phần cứng, sơ đồ khối lớp đối tượng mô phỏng, cho phép cộng đồng học thuật tái lập hoàn toàn nghiên cứu.
5. Khung chương trình nghiên cứu 10 năm được định hình như thế nào?
Khung nghiên cứu 10 năm định hướng phát triển mạng WSNs tự chủ năng lượng hoàn toàn (Zero-Power WSNs), tích hợp trí tuệ nhân tạo biên (Edge AI) và học liên kết (Federated Learning) trực tiếp trên các vi điều khiển công suất cực thấp, chuyển dịch từ tối ưu hóa lịch trình tập trung sang mạng nơ-ron thích nghi phân tán tự học biểu diễn môi trường.
Kết luận
Luận án "Nghiên cứu giải pháp tối ưu hóa hiệu quả sử dụng năng lượng trong mạng cảm biến" đã giải quyết trọn vẹn thách thức cốt lõi về tuổi thọ và độ ổn định của mạng WSNs thông qua 5 đóng góp học thuật và thực tiễn mang tính đột phá:
- Hệ thống hóa toàn diện và định lượng chính xác cơ chế tiêu thụ năng lượng 4 chế độ làm việc của nút cảm biến không dây hỗn tạp.
- Xây dựng và kiểm chuẩn thành công nền tảng mô phỏng mạng cảm biến hướng sự kiện tính đến yếu tố năng lượng động học, đạt độ sai lệch thực nghiệm dưới $3.2%$.
- Phát triển thành công biến thể giải thuật di truyền với nhiễm sắc thể có chiều dài thay đổi (VLC-GA) cùng hệ 4 toán tử thích nghi ($P_{MC}, P_{MI}, P_{MR}, P_{MS}$), vượt trội hoàn toàn so với FLC-GA truyền thống.
- Đưa ra giải pháp tối ưu hóa lịch trình mạng đa mục tiêu, giải quyết hài hòa mâu thuẫn giữa mật độ đo lường dữ liệu và bảo toàn dung lượng pin lâu dài.
- Mở ra 3 hướng nghiên cứu mới về mạng cảm biến tự chủ năng lượng, đồng mô phỏng tiến hóa trong IoT và tự động hóa tòa nhà thông minh bền vững.
