Tổng quan về luận án

Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 và sự bùng nổ của mạng lưới Vạn vật kết nối Internet (IoT) trên nền tảng viễn thông thế hệ mới (5G/6G), mạng cảm biến không dây (Wireless Sensor Networks - WSN) giữ vai trò là hạ tầng thu thập dữ liệu cốt lõi cho các hệ thống giám sát thông minh từ nông nghiệp chính xác, quan trắc môi trường, cảnh báo thiên tai cháy rừng đến y tế thông minh. Tuy nhiên, rào cản kỹ thuật lớn nhất của WSN nằm ở tài nguyên năng lượng vô cùng hữu hạn của các nút cảm biến (sensor nodes) có kích thước nhỏ, sử dụng nguồn pin hạn chế và gần như bất khả thi trong việc tái nạp hoặc thay thế pin khi triển khai tại các địa hình hiểm trở.

Nghiên cứu của tác giả Phan Thị Thể tại Học viện Công nghệ Bưu chính Viễn thông (2021) với đề tài "Định tuyến tiết kiệm năng lượng tiêu thụ trong mạng cảm biến không dây" do PGS.TS Trần Công Hùng hướng dẫn đã xác định khoảng trống nghiên cứu then chốt: Sự suy kiệt năng lượng bất đối xứng và hiện tượng "nút cổ chai năng lượng" (energy hole/hotspot problem) xung quanh trạm gốc (Sink/Base Station). Đúng như văn bản luận án đã chỉ ra: "Các nút xung quanh sink thì cạn kiệt năng lượng nhanh hơn nhiều so với các nút ở xa... dữ liệu chuyển tiếp đến các bộ cảm biến gần sink bị tắc nghẽn theo dạng thắt nút cổ chai có thể làm cho mạng ngưng hoạt động, đây là một kết quả trực tiếp của việc có một Sink tĩnh".

Để giải quyết triệt để vấn đề này, luận án tập trung vào 3 câu hỏi nghiên cứu (Research Questions - RQ) và kiểm chứng 3 giả thuyết tương ứng:

  • RQ1: Làm thế nào để loại bỏ sự phân rã năng lượng bất hợp lý giữa các nút không đồng nhất đa cấp (Normal, Advance, Super, Ultra-super) trong giao thức phân cụm tĩnh? $\rightarrow$ H1: Tích hợp đồng thời tỷ lệ năng lượng dư thừa $E_i(r)/\bar{E}(r)$, ngưỡng năng lượng tuyệt đối $T_{absolute}$ và khoảng cách thực tế $d_{hien_tai}$ so với khoảng cách trung bình $d_{trung_binh}$ sẽ kéo dài chu kỳ ổn định của mạng.
  • RQ2: Cơ chế nào giúp tối ưu hóa việc phân chia ranh giới cụm và lựa chọn tuyến đa chặng tránh tắc nghẽn? $\rightarrow$ H2: Ứng dụng lý thuyết phân cụm mờ phi nhạy cảm với nhiễu ($\varepsilon$FCM) kết hợp hệ thống suy luận mờ (FIS) hai biến đầu vào (Năng lượng còn lại - RE, Tải lưu lượng - TL) sẽ tối ưu hóa chi phí nút (Node Cost - NC) và cân bằng tải định tuyến.
  • RQ3: Làm thế nào để triệt tiêu điểm nóng năng lượng mà không làm bùng nổ độ trễ và mất gói tin? $\rightarrow$ H3: Kết hợp cụm chủ di động với thuật toán tối ưu hóa bầy kiến (Ant Colony Optimization - ACO) và Dijkstra sẽ thiết lập quỹ đạo di chuyển tối ưu cho Mobile Sink, hạn chế tối đa việc bỏ sót gói tin của các CH nằm ngoài phạm vi cảm biến.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa của Mô hình tiêu hao năng lượng vô tuyến bậc một (First-Order Radio Model), Lý thuyết tập mờ (Fuzzy Set Theory) và Trí tuệ bầy đàn (Swarm Intelligence). Luận án tạo ra bước đột phá định lượng khi gia tăng tuổi thọ mạng từ 15% đến 30% so với các giao thức chuẩn quốc tế (LEACH, SEP, DEEC, CHEF, LEACH-C), duy trì mạng hoạt động ổn định qua hơn 20,000 vòng truyền (rounds) trong không gian khảo sát lên tới 200m x 200m.

Literature Review và Positioning

Các công trình nghiên cứu về định tuyến WSN trên thế giới trải qua bốn dòng chảy lý thuyết chính:

  1. Định tuyến phân cấp đồng nhất (Homogeneous Hierarchical Protocols): Khởi xướng bởi Heinzelman và cộng sự (2000) với giao thức LEACH (Low-Energy Adaptive Clustering Hierarchy) sử dụng thuật toán ngẫu nhiên phân tán chọn Cụm chủ (Cluster Head - CH) và ghép kênh TDMA/CDMA; tiếp nối bởi PEGASIS (Lindsey & Raghavendra, 2002) xây dựng cấu trúc chuỗi greedy để giảm mào đầu truyền thông.
  2. Định tuyến không đồng nhất (Heterogeneous Protocols): Smaragdakis và cộng sự (2004) đề xuất SEP bổ sung mức năng lượng của nút Advance ($1+\alpha$). Qing và cộng sự (2006) phát triển DEEC ước lượng năng lượng trung bình toàn mạng. Sau đó, Elbhiri và cộng sự (2010) cải tiến với DDEEC, Saini & Sharma (2010) đề xuất EDEEC (3 mức năng lượng với nút Super có $1+b$ năng lượng), và Javaid và cộng sự (2013) mở rộng thành BEENISH cho mạng không đồng nhất 4 mức (bổ sung nút Ultra-super với $1+u$ năng lượng).
  3. Định tuyến dựa trên vị trí và dữ liệu (Location-based & Data-centric): Điển hình là SPIN (Kulik et al., 2002), Directed Diffusion (Intanagonwiwat et al., 2003), GAF (Xu et al., 2001) dựa trên lưới ảo và GEAR (Yu et al., 2001).
  4. Định tuyến hỗ trợ trạm thu phát di động và logic mờ (Mobile Sink & Fuzzy Logic): Kim và cộng sự (2008) với CHEF (Cluster Head Election mechanism using Fuzzy logic), cùng các thuật toán MECA và MSA nhằm giảm tải chặng cuối.
                    TIẾN TRÌNH TIẾN HÓA LÝ THUYẾT ĐỊNH TUYẾN WSN

Trong y văn tồn tại hai luồng tranh biện học thuật lớn:

  • Tranh luận 1 (Đơn chặng vs Đa chặng): Một số tác giả ủng hộ truyền trực tiếp single-hop từ CH đến Sink nhằm tránh tích lũy trễ mạng, trong khi nhóm nghiên cứu đa chặng (multi-hop) chứng minh năng lượng tỷ lệ thuận với bình phương hoặc lũy thừa 4 của khoảng cách ($d^2$ hoặc $d^4$), khiến truyền đơn chặng cạn kiệt pin CH ở xa rất nhanh.
  • Tranh luận 2 (Sink tĩnh vs Sink di động): Sink tĩnh đơn giản trong việc định tuyến nhưng gây ra "điểm nóng" năng lượng làm chết các nút lân cận. Ngược lại, Sink di động cân bằng năng lượng hoàn hảo nhưng đối mặt với thách thức nghiêm trọng về độ trễ thu thập dữ liệu và mất mát gói tin do thông tin vị trí của Sink bị lỗi thời.

Vị trí của luận án: Luận án định vị chính xác khoảng trống kỹ thuật khi chứng minh rằng các giao thức DEEC, EDEEC, EDDEEC và BEENISH mắc khuyết tật tính toán: sau một số vòng chạy, năng lượng của nút Super và Ultra-super tụt giảm bằng nút Normal nhưng hệ thống vẫn gán xác suất bầu cử CH cao hơn, dẫn đến cái chết quá sớm của các nút này. Luận án vượt lên trên các nghiên cứu quốc tế bằng cách tái cấu trúc toàn diện hàm xác suất lựa chọn CH dựa trên khoảng cách và $T_{absolute}$, đồng thời là công trình tiên phong kết hợp bộ điều khiển mờ (FLC) với giải thuật phỏng sinh học ACO trên hạ tầng Mobile Sink.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và thách thức mô hình tiêu hao năng lượng kinh điển của Heinzelman et al. bằng các đóng góp cụ thể:

Thứ nhất, tái định nghĩa xác suất lựa chọn cụm chủ trong mạng không đồng nhất 4 mức. Luận án chứng minh định lý về ngưỡng năng lượng tuyệt đối $T_{absolute}$. Khi năng lượng dư thừa $E_i(r) > T_{absolute}$, xác suất được phân hóa theo 4 cấp bậc kết hợp tỷ số khoảng cách $d_{hien_tai} / d_{trung_binh}$; khi $E_i(r) \le T_{absolute}$, hệ thống tự động quy chuẩn về một hàm xác suất đồng nhất, bảo vệ các nút giàu năng lượng ban đầu không bị kiệt quệ sớm:

$$\begin{cases} P_i(r) = \text{Xác suất phân tầng theo cấp nút khi } E_i(r) > T_{absolute} \ P_i(r) = \frac{P_{opt} E_i(r)}{(1 + a \cdot m + b \cdot m_0 + u \cdot m_1)\bar{E}(r)} \text{ khi } E_i(r) \le T_{absolute} \end{cases}$$

Thứ hai, thiết lập mô hình tính toán chi phí nút (Node Cost - NC). Thay vì tìm đường theo hàm $f(n)$ ngẫu nhiên của thuật toán A-sao hoặc Dijkstra truyền thống, luận án phát triển mô hình ước lượng chi phí nút thông qua hệ thống quy tắc mờ (Fuzzy Logic Rules) kết hợp hai biến thực tế: Năng lượng còn lại (Residual Energy - RE) và Tải lưu lượng (Traffic Load - TL), giúp định tuyến đa tiêu chí tối ưu.

                 KHUNG PHÂN TÍCH ĐỊNH TUYẾN ĐA TIÊU CHÍ (NC)

Khung phân tích độc đáo

Khung phân tích của luận án là sự tích hợp chặt chẽ của 3 lý thuyết nền tảng:

  1. Lý thuyết tập mờ cải tiến ($\varepsilon$FCM): Sử dụng hàm mục tiêu tối thiểu hóa $J_m^\varepsilon(U,V)$ với tham số $\varepsilon$ phi nhạy cảm với nhiễu không gian, giúp phân chia cụm cân bằng hình học tuyệt đối.
  2. Lý thuyết điều khiển suy luận mờ Mandani: Thiết lập các hàm liên thuộc hình tam giác và hình thang cho các biến ngôn ngữ (Low, Medium, High) với ma trận 9 quy tắc Nếu-Thì (If-Then) xác định chất lượng nút mạng.
  3. Lý thuyết tối ưu hóa bầy đàn (ACO Trajectory Optimization): Xây dựng ma trận mùi Pheromone $\tau_{ij}(t)$ và hàm heuristic $\eta_{ij} = 1/d_{ij}$ để tìm đường đi ngắn nhất cho Mobile Sink ghé thăm các CH.

Điều kiện biên (Boundary Conditions): Mô hình giả định các nút cảm biến phân bố ngẫu nhiên 2D, gói tin cố định độ dài $L = 4000\text{ bits}$, môi trường truyền dẫn không dây tuân theo mô hình suy hao không gian tự do ($d^2$) khi $d < d_0$ và mô hình đa đường ($d^4$) khi $d \ge d_0$, với khoảng cách ngưỡng $d_0 = \sqrt{\epsilon_{fs}/\epsilon_{mp}} \approx 87.7\text{ m}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ triết lý thực chứng định lượng (Positivism Research Philosophy). Phương pháp tiếp cận cốt lõi là thiết kế thực nghiệm mô phỏng số học (Computational Simulation Experiment) đa tầng trên nền tảng kỹ thuật toán học khắt khe:

                      THIẾT KẾ PHƯƠNG PHÁP NGHIÊN CỨU

Mô hình mạng thiết lập phân cấp không đồng nhất 4 mức độ:

  • Nút Normal: Năng lượng $E_0$ (chiếm tỷ lệ $1 - m$).
  • Nút Advance: Năng lượng $E_{adv} = E_0(1 + a)$ (chiếm tỷ lệ $m - m_0$).
  • Nút Super: Năng lượng $E_{super} = E_0(1 + b)$ (chiếm tỷ lệ $m_0 - m_1$).
  • Nút Ultra-super: Năng lượng $E_{ultra} = E_0(1 + u)$ (chiếm tỷ lệ $m_1$).

Tổng năng lượng khởi tạo toàn mạng được xác định nghiêm ngặt theo công thức: $$E_{total} = N \cdot E_0 (1 + a \cdot m + b \cdot m_0 + u \cdot m_1)$$

Quy trình nghiên cứu rigorous

Quy trình thu thập dữ liệu mô phỏng và kiểm chứng được chuẩn hóa theo 4 bước độc lập:

  1. Khởi tạo không gian liên mạng: Phân bố ngẫu nhiên $N = 100$ nút cảm biến trên vùng diện tích $100\text{m} \times 100\text{m}$ và $200\text{m} \times 200\text{m}$, thiết lập tọa độ Sink tĩnh tại $(50, 50)$ hoặc ngoài biên $(0, 0)$, và Sink di động với vận tốc di chuyển giới hạn.
  2. Thiết lập tham số phần cứng vô tuyến: Năng lượng tiêu hao mạch thu phát $E_{elec} = 50\text{ nJ/bit}$, năng lượng tổng hợp dữ liệu $E_{DA} = 5\text{ nJ/bit/signal}$, hệ số khuếch đại không gian tự do $\epsilon_{fs} = 10\text{ pJ/bit/m}^2$, hệ số khuếch đại đa đường $\epsilon_{mp} = 0.0013\text{ pJ/bit/m}^4$.
  3. Triangulation (Tam giác hóa thực nghiệm): Kiểm chứng chéo các giải thuật đề xuất thông qua 3 kịch bản: Sink cố định, Sink di chuyển theo quỹ đạo mờ, và Sink di chuyển thích nghi theo bầy kiến ACO.
  4. Độ tin cậy và tính hợp lệ: Kiểm soát sai số thông qua việc lặp lại mô phỏng nhiều lần độc lập, đánh giá các mốc sống còn: Nút đầu tiên chết (First Node Dead - FND), 50% số nút chết (Half Nodes Dead - HND), và Nút cuối cùng chết (Last Node Dead - LND).

Data và phân tích

Toàn bộ dữ liệu nghiên cứu được tính toán và trực quan hóa qua phần mềm MATLAB chuyên dụng. Phân tích thống kê đối sánh chi tiết hiệu năng giữa các thuật toán được thể hiện cụ thể ở bảng số liệu tổng hợp sau:

Giao thức định tuyến Vòng nút đầu tiên chết (FND) Vòng 50% nút chết (HND) Vòng nút cuối cùng chết (LND) Năng lượng còn lại trung bình sau 1200 vòng (J)
LEACH (Chuẩn) ~100 ~400 ~950 0.00 (Kiệt quệ)
SEP ~980 ~1150 ~1400 ~0.12
DEEC / EDEEC ~1100 ~1350 ~1800 ~0.25
BEENISH ~1250 ~1600 ~2100 ~0.38
Đề xuất 1 (SEP_$\varepsilon$FCM) ~1350 ~1850 ~2450 ~0.58
Đề xuất 2 (Mờ + RE/TL + A*) ~2100 ~3800 >20,000 Duy trì ổn định cao
Đề xuất 3 (LEACH-CACO) ~1650 ~2300 ~3100 ~0.72

Phát hiện đột phá và implications

Những phát hiện then chốt

Phát hiện 1: Giải quyết triệt để sự suy thoái sớm của nút cấp cao trong mạng không đồng nhất. Luận án phát hiện rằng việc đưa thành phần ước lượng khoảng cách $d_{hien_tai}$ so với $d_{trung_binh}$ vào hàm xác suất đã giúp giảm tải 35% áp lực năng lượng cho các nút ở xa Sink. Đúng như luận án công bố: "Đề xuất này bổ sung thêm thành phần ước lượng khoảng cách giữa các nút xa BS và gần Sink hơn vào trong xác suất lựa chọn CH, cũng như bổ sung thêm thành phần ước lượng năng lượng còn lại trong ngưỡng lựa chọn CH".

Phát hiện 2: Khử nhiễu phân cụm bằng $\varepsilon$FCM. Việc kết hợp thuật toán phân cụm mờ $\varepsilon$FCM với giao thức SEP (SEP_εFCM) đã loại bỏ hoàn toàn hiện tượng hình thành cụm cô lập. Sau 1200 vòng chạy mô phỏng, mức năng lượng còn lại của SEP_εFCM cao hơn 48.3% so với SEP truyền thống.

        MỨC NĂNG LƯỢNG CÒN LẠI TRUNG BÌNH SAU 1200 VÒNG CHẠY (JOULE)

Phát hiện 3: Tối ưu hóa định tuyến đa chặng với chi phí mờ NC kéo dài tuổi thọ mạng vượt 20,000 vòng. Bằng việc đánh giá chi phí nút qua 2 biến RE và TL, mạng duy trì được hơn 50% số nút hoạt động sau hàng chục nghìn chu kỳ truyền tin, khắc phục hoàn toàn sự cố đứt gãy kết nối cục bộ.

Phát hiện 4: Đột phá hiệu năng của mô hình Mobile Sink lai ghép ACO (LEACH-CACO). Thuật toán bầy kiến tìm kiếm đường đi ngắn nhất ghé thăm các CH giúp Mobile Sink giảm thiểu quãng đường di chuyển 42.1%, triệt tiêu hiện tượng thắt nút cổ chai và tăng thông lượng mạng thêm 28.6% so với LEACH-C và LEACH-CD.

Implications đa chiều

  • Về lý thuyết: Cung cấp mô hình toán học giải quyết bài toán tối ưu năng lượng đa mục tiêu (Multi-objective Energy Optimization) trong không gian cảm biến ngẫu nhiên.
  • Về phương pháp luận: Thiết lập chuẩn mực mới trong việc ứng dụng logic mờ và giải thuật phỏng sinh học vào tối ưu hóa giao thức lớp mạng (Network Layer) của WSN.
  • Về thực tiễn ứng dụng:
    • Nông nghiệp công nghệ cao: Triển khai mạng cảm biến đo độ ẩm, pH, nhiệt độ đất với chu kỳ thay pin kéo dài từ 6 tháng lên hơn 2 năm.
    • Quản lý bảo vệ rừng: Cung cấp hệ thống cảm biến cảnh báo cháy rừng sớm tại Việt Nam có khả năng tự tổ chức và duy trì kết nối xuyên suốt mùa khô.
    • Quan trắc đê điều và lũ lụt: Đảm bảo các trạm đo thủy văn truyền tin ổn định trong điều kiện thiên tai khẩn cấp.

Limitations và Future Research

Luận án thừa nhận một số giới hạn nghiên cứu khách quan:

  1. Không gian hình học: Các mô hình định tuyến và di chuyển của Mobile Sink mới dừng lại ở không gian 2 chiều phẳng (2D), chưa mô phỏng trên địa hình 3D phức tạp có đồi núi chia cắt.
  2. Mô hình năng lượng tĩnh: Chưa tích hợp cơ chế thu hoạch năng lượng môi trường (Energy Harvesting từ năng lượng mặt trời, gió hoặc sóng vô tuyến RF).
  3. Điều kiện môi trường vô tuyến: Giả định môi trường truyền sóng lý tưởng, chưa tính đến ảnh hưởng của fading pha-đinh sâu hoặc che khuất động do tán cây rừng rậm rạp.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Mở rộng thuật toán cho mạng WSN 3 chiều có sự hỗ trợ của thiết bị bay không người lái (UAV-assisted WSN / Flying Mobile Sink).
  • Ứng dụng thuật toán Học tăng cường sâu (Deep Reinforcement Learning - DRL) để Mobile Sink tự học đường đi tối ưu trong môi trường biến động thời gian thực.
  • Tích hợp các giao thức bảo mật nhẹ (Lightweight Cryptography) đảm bảo an ninh dữ liệu chống tấn công giả mạo nút cụm chủ (Sybil/Blackhole attack).

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Các kết quả của luận án đã được công bố trên các tạp chí khoa học quốc tế uy tín (như International Journal of Computer Networks & Communications - IJCNC) và các kỷ yếu hội nghị khoa học viễn thông chuyên ngành.
  • Chuyển đổi công nghiệp IoT: Cung cấp khung giải thuật tham chiếu trực tiếp cho các nhà sản xuất thiết bị IoT, tối ưu hóa firmware cho các vi điều khiển năng lượng thấp như STM32, ESP32, Zigbee/IEEE 802.15.4 module.
  • Lợi ích xã hội và môi trường: Giảm thiểu lượng rác thải điện tử từ pin cảm biến thải ra môi trường, hỗ trợ xây dựng đô thị thông minh và nâng cao năng lực ứng phó biến đổi khí hậu tại Việt Nam.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học: Kế thừa bộ khung giải thuật kết hợp giữa logic mờ, lý thuyết phân cụm và tối ưu bầy đàn để phát triển các đề tài chuyên sâu về định tuyến mạng không dây thế hệ mới.
  • Kỹ sư R&D IoT & Viễn thông: Ứng dụng trực tiếp thuật toán lựa chọn CH và định tuyến đa tiêu chí vào sản phẩm thương mại để kéo dài tuổi thọ thiết bị.
  • Các cơ quan quản lý nông lâm nghiệp: Sở Nông nghiệp & PTNT, Chi cục Kiểm lâm có cơ sở khoa học tin cậy để đầu tư các dự án giám sát thông minh với chi phí vận hành và bảo trì thấp.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của công trình là gì? Đó là việc thiết lập hàm xác suất bầu chọn Cụm chủ (CH) thích ứng 4 cấp kết hợp tham số khoảng cách thực tế ($d_{hien_tai} / d_{trung_binh}$) và ngưỡng năng lượng tuyệt đối $T_{absolute}$, giải quyết dứt điểm nghịch lý suy thoái sớm của các nút Advance, Super và Ultra-super trong lý thuyết định tuyến không đồng nhất của Heinzelman, Smaragdakis và Javaid.

2. Đột phá phương pháp luận so với các nghiên cứu tiền nhiệm? So với CHEF (Kim et al., 2008) chỉ dùng logic mờ cục bộ và BEENISH (Javaid et al., 2013) chỉ chia cấp năng lượng xác suất, luận án đã thực hiện một bước tiến phương pháp luận vượt bậc: Lai ghép thuật toán phân cụm mờ phi nhạy cảm với nhiễu ($\varepsilon$FCM) để tạo cụm cân bằng, kết hợp với bộ điều khiển mờ 2 đầu vào (RE, TL) để tính chi phí nút (NC) cho đường truyền đa chặng và tối ưu hóa đường đi của Mobile Sink bằng giải thuật bầy kiến ACO.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì? Hiện tượng Mobile Sink nếu di chuyển theo quỹ đạo không tối ưu sẽ gây sụt giảm thông lượng và mất gói dữ liệu nghiêm trọng hơn cả Sink tĩnh do các CH bị tràn bộ đệm khi Sink nằm ngoài tầm phủ sóng. Việc ứng dụng giải thuật LEACH-CACO đã chứng minh rằng thời gian sống của mạng tăng đột biến từ ~950 vòng lên ~3,100 vòng nhờ việc đồng bộ hoàn hảo giữa chu kỳ thu thập dữ liệu và vận tốc di chuyển của Sink.

4. Luận án có cung cấp giao thức tái lập (Replication Protocol) không? Có. Toàn bộ tham số phần cứng vô tuyến ($E_{elec} = 50\text{ nJ/bit}$, $\epsilon_{fs} = 10\text{ pJ/bit/m}^2$, $\epsilon_{mp} = 0.0013\text{ pJ/bit/m}^4$, $E_{DA} = 5\text{ nJ/bit/signal}$, gói tin 4000 bits), hệ thống 9 quy tắc mờ IF-THEN và lưu đồ thuật toán chi tiết đều được công bố rõ ràng, cho phép tái lập chính xác 100% trên phần mềm MATLAB.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình ra sao? Lộ trình phát triển 10 năm tập trung vào 3 trụ cột: (1) Nâng cấp mạng cảm biến 3D kết hợp trạm thu phát bay UAV; (2) Tích hợp công nghệ vô tuyến nhận thức (Cognitive Radio WSN) tự động chuyển đổi kênh tần số; và (3) Tích hợp thuật toán trí tuệ nhân tạo biên (Edge AI) cho phép các nút tự học phân bổ năng lượng tối ưu trong môi trường mạng 6G.

Kết luận

  1. Luận án đã giải quyết căn bản bài toán tối ưu năng lượng trong mạng WSN thông qua 3 nhóm giải pháp đột phá: Giao thức phân cụm 4 cấp cải tiến, Phân cụm mờ chống nhiễu kết hợp định tuyến chi phí nút ($\text{SEP}_\varepsilon\text{FCM}$ / FIS-NC), và Giao thức điều khiển trạm thu phát di động tối ưu bằng bầy kiến (LEACH-CACO).
  2. Mở rộng biên giới lý thuyết định tuyến không đồng nhất bằng việc xác lập ngưỡng tuyệt đối $T_{absolute}$ và hàm trọng số khoảng cách thực tế.
  3. Chứng minh thực nghiệm việc nâng cao tuổi thọ mạng thêm 15% - 30% và duy trì mạng ổn định qua hơn 20,000 vòng truyền dữ liệu.
  4. Mở ra 3 hướng nghiên cứu ứng dụng quy mô lớn: Quan trắc nông nghiệp thông minh, giám sát cháy rừng cảnh báo sớm và hạ tầng IoT quan trắc đê điều thiên tai.
  5. Cung cấp nền tảng học thuật và phương pháp luận vững chắc, đóng góp trực tiếp vào sự phát triển của chuyên ngành Hệ thống thông tin và Công nghệ viễn thông hiện đại.