Tổng quan về luận án

Sự bùng nổ của công nghệ vi cơ điện tử (MEMS) và truyền thông vô tuyến đã thúc đẩy Mạng cảm biến không dây (Wireless Sensor Networks - WSN) trở thành hạ tầng cốt lõi cho các hệ sinh thái giám sát thông minh như đô thị thông minh, cảnh báo thiên tai (sạt lở, lũ quét, núi lửa), nông nghiệp chính xác và an ninh quốc phòng. Tuy nhiên, phần lớn các công trình nghiên cứu kinh điển đều xây dựng mô hình trên mặt phẳng không gian hai chiều ($2\text{D}$) với giả định môi trường truyền dẫn lý tưởng, đẳng hướng và không có vật cản. Trong thực tế, việc triển khai WSN luôn diễn ra trên bề mặt địa hình ba chiều ($3\text{D}$) phức tạp, nơi xuất hiện dày đặc các "hố mạng vật lý" (physical holes) – những vùng dị thường địa hình không thể đặt cảm biến hoặc bị che khuất hoàn toàn – cùng các vật cản tự nhiên chia cắt tầm nhìn (Line-of-Sight - LoS).

Khoảng trống nghiên cứu (research gap) trọng yếu nằm ở sự thiếu vắng một mô hình toán học tổng quát tích hợp đồng thời: hình thái địa hình $3\text{D}$ từ Mô hình độ cao số (Digital Elevation Model - DEM), tính chất định hướng của cảm biến, hiện tượng suy hao tầm nhìn do vật cản, và sự đánh đổi giữa vùng phủ sóng cực đại với bài toán tiêu hao năng lượng phân cụm. Các công trình tiền nhiệm của Topcuoglu et al. (2011) hay Akbarzadeh et al. (2013) mới chỉ tiếp cận cục bộ từng khía cạnh hoặc chịu chi phí tính toán quá lớn trên không gian rời rạc quy mô rộng.

Luận án tiến sĩ toán học chuyên ngành Cơ sở toán cho tin học (Mã số: 62460110) của NCS. Đặng Thanh Hải, dưới sự hướng dẫn khoa học của PGS. Lê Trọng Vĩnh và TS. Lê Hoàng Sơn tại Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Hà Nội (2017), giải quyết trực diện bài toán tối ưu hóa đa mục tiêu này thông qua 3 câu hỏi và giả thuyết nghiên cứu chính:

  1. Câu hỏi nghiên cứu 1 ($RQ_1$): Làm thế nào để mô hình hóa toán học chính xác địa hình thực tế $3\text{D}$ cùng các ràng buộc vật cản và hố mạng vật lý nhằm tối đa hóa độ bao phủ của WSN?
    • Giả thuyết 1 ($H_1$): Mô hình cảm biến định hướng kết hợp hàm suy giảm xác suất và giải thuật tầm nhìn LoS thích nghi cải tiến sẽ nâng cao độ chính xác nhận diện vùng phủ sóng và giảm độ phức tạp tính toán so với LoS truyền thống.
  2. Câu hỏi nghiên cứu 2 ($RQ_2$): Thuật toán tiến hóa bầy đàn nào có khả năng định vị tọa độ cảm biến tối ưu trong không gian $3\text{D}$ có chứa tập hố mạng rời rạc?
    • Giả thuyết 2 ($H_2$): Giải thuật PSO cải tiến (PSO_3WSN) tích hợp cơ chế phạt biên trên tập hố mạng $R$ sẽ tối ưu hóa diện tích phủ sóng $C_g(WSN, E) \to \max$ vượt trội so với các thuật toán hình học Voronoi $3\text{D}$ và giải thuật tham lam.
  3. Câu hỏi nghiên cứu 3 ($RQ_3$): Cấu trúc liên kết mạng (topology) nào cân bằng tối ưu năng lượng tiêu thụ giữa các nút chủ cụm (CH) và trạm cơ sở (BS) trong địa hình mấp mô?
    • Giả thuyết 3 ($H_3$): Sự kết hợp giữa phân cụm mờ không gian $3\text{D}$ (FCM-3WSN) và tối ưu hóa bầy đàn cân bằng tải năng lượng (FCM-PSOEB) sẽ kéo dài đáng kể vòng đời mạng (network lifetime) so với các giao thức LEACH, LEACH-C và K-Means.

Khung lý thuyết của luận án tích hợp Lý thuyết tập mờ (Fuzzy Set Theory), Tối ưu hóa bầy đàn (Swarm Intelligence Metaheuristics) và Hình học tính toán không gian (Spatial Computational Geometry). Với phạm vi thực nghiệm trên các tập dữ liệu DEM địa hình thực tế tại các vùng miền Việt Nam, kích thước lưới $30\text{m} \times 30\text{m}$, số lượng nút mạng mở rộng linh hoạt, nghiên cứu mang ý nghĩa đột phá cả về mặt toán học giải thuật lẫn ứng dụng thực tiễn công nghệ thông tin.

Literature Review và Positioning

Tổng quan y văn quốc tế ghi nhận hai dòng nghiên cứu chủ đạo trong bài toán WSN: tối ưu hóa vùng phủ sóng (coverage optimization) và tối ưu hóa năng lượng mạng (energy conservation).

Về bài toán phủ sóng, các nghiên cứu ban đầu dựa trên đa giác Voronoi (Dirichlet, 1850; Voronoi, 1908) và hình học mẫu (Wang et al., 2006) để phân chia không gian mặt phẳng $2\text{D}$. Khi mở rộng sang không gian $3\text{D}$, Doodman et al. (2014) đề xuất giải pháp di chuyển cảm biến trong ô Voronoi $3\text{D}$ khi gặp vật cản. Tuy nhiên, phương pháp này chỉ tối ưu hóa vị trí cục bộ và bị gián đoạn nghiêm trọng khi biên địa hình phi tuyến tính. Xaojun et al. (2012) và Topcuoglu et al. (2011) tiếp cận mô hình cảm biến định hướng với các góc mở không gian $(\theta, \xi)$ nhưng bỏ qua sự tồn tại của các "hố mạng vật lý" – khái niệm mà Nguyen, L. et al. (2011) đã chứng minh là nguyên nhân gây tắc nghẽn định tuyến và suy giảm chất lượng phủ sóng nghiêm trọng. Akbarzadeh et al. (2013) cùng Unaldi et al. (2012) kết hợp mô hình cảm biến xác suất với thuật toán tầm nhìn LoS của Bresenham (1965) và biến đổi Wavelet trong giải thuật di truyền (GA). Tuy nhiên, phương pháp này bộc lộ nhược điểm tốc độ hội tụ rất chậm khi ma trận DEM có số điểm lấy mẫu lớn.

Về bài toán tối ưu năng lượng, các giao thức phân cụm kinh điển đại diện cho hai trường phái: tập trung và phân tán. Trường phái phân cụm xác suất phân tán nổi bật với LEACH (Heinzelman et al., 2000), trong đó các nút tự bầu làm Cluster Head (CH) dựa trên hàm xác suất $T(i) = \frac{P}{1 - P \times (r \pmod{1/P})}$. Điểm hạn chế chí tử của LEACH là không xét đến mức năng lượng dư thừa thực tế và khoảng cách vật lý $3\text{D}$, dẫn đến việc các nút yếu cạn kiệt sớm. Trường phái tập trung với LEACH-C (Heinzelman et al., 2002) hay phân cụm dựa trên tối ưu hóa thụ phấn (PBO) đã chuyển quyền điều khiển về Trạm cơ sở (Base Station - BS). Tuy vậy, LEACH-C và các biến thể phân cụm cứng như K-Means (MacQueen, 1967) chỉ tối ưu khoảng cách hình học, thiếu khả năng thích ứng với mức độ chồng lấn dữ liệu không gian. Các giao thức SCEEP (2012) hay H-LEACH (2013) cố gắng đưa thêm ngưỡng năng lượng nhưng vẫn chưa giải quyết triệt để sự chênh lệch suy hao truyền sóng trong môi trường địa hình gồ ghề.

Luận án định vị chính xác khoảng trống học thuật này bằng cách thiết lập một khung toán học thống nhất: giải quyết đồng thời bài toán tìm vị trí phủ sóng toàn cục bằng giải thuật PSO_3WSN (kết hợp LoS thích nghi và nhận diện hố mạng phân tán) và bài toán định tuyến tiết kiệm năng lượng bằng mô hình lai FCM-PSOEB trên không gian metric $3\text{D}$.

Y VĂN KINH ĐIỂN VỀ WSN

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào lý thuyết tối ưu hóa rời rạc và hình học tính toán thông qua việc mở rộng các lý thuyết nền tảng:

  1. Mở rộng Lý thuyết Tập mờ (Fuzzy Set Theory - Zadeh, 1965; Bezdek, 1981): Mở rộng thuật toán Fuzzy C-Means từ không gian Euclid phẳng sang không gian phi Euclid của mô hình DEM $3\text{D}$, biến đổi hàm khoảng cách truyền thông chứa tham số độ cao chênh lệch thực tế: $$d(s_i, m_k) = \sqrt{(x_i - x_k)^2 + (y_i - y_k)^2 + (h_i - h_k)^2}$$
  2. Phát triển Lý thuyết Tối ưu hóa Bầy đàn (PSO - Kennedy & Eberhart, 1995): Bổ sung không gian ràng buộc phi lồi với tập hố mạng $R = {r_1, r_2, \dots, r_H}$, thiết lập hàm thích nghi (fitness function) đa biến kết hợp giữa diện tích bao phủ xác suất, góc mở không gian $(\theta_j, \xi_j)$, hướng vector cảm biến $(\alpha_j, \beta_j)$ và hàm tầm nhìn thích nghi $v_{ji}$.
  3. Chuyển dịch mô hình nhận thức (Paradigm Shift): Chuyển đổi từ tiếp cận "môi trường đồng nhất phẳng" (flat homogeneous paradigm) sang tiếp cận "môi trường không gian thực phân tán dị hướng" (realistic anisotropic $3\text{D}$ spatial paradigm), thừa nhận sự tồn tại tất yếu của vật cản và các điểm kỳ dị địa hình.

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự liên kết chặt chẽ giữa ba lý thuyết toán học: Mô hình hóa độ cao số DEM (Địa tin học), Lý thuyết Tối ưu hóa tiến hóa (Khoa học máy tính) và Logic mờ phân cụm (Toán ứng dụng).

Mô hình cảm biến $3\text{D}$ hoàn chỉnh cho mỗi nút $s_j \in WSN$ ($j = 1, \dots, N$) được định nghĩa toán học bởi bộ 9 tham số: $$s_j = \langle x_{s_j}, y_{s_j}, h_{s_j}, r, T_r, \theta_j, \alpha_j, \xi_j, \beta_j \rangle$$ Trong đó $(x_{s_j}, y_{s_j}, h_{s_j})$ là tọa độ không gian $3\text{D}$; $r$ là bán kính cảm nhận; $T_r$ là phạm vi truyền thông; $\theta_j, \alpha_j$ lần lượt là góc mở và góc hướng theo phương $Ox$ ($0 \le \alpha_j \le 2\pi$); $\xi_j, \beta_j$ là góc nghiêng và góc hướng theo phương $Oz$ ($0 \le \beta_j \le 2\pi$).

Khả năng bao phủ tổng hợp của cảm biến $s_j$ đối với điểm mục tiêu $e_i = (x_{e_i}, y_{e_i}, h_{e_i}) \in E$ là hàm xác suất đa thành phần: $$C(s_j, e_i) = f_d(s_j, e_i) \times f_p(s_j, e_i) \times f_t(s_j, e_i) \times v_{ji}(s_j, e_i)$$

Các hàm thành phần được thiết lập theo quy luật hàm mũ suy giảm thực nghiệm:

  • Hàm khoảng cách: $$f_d(s_j, e_i) = \frac{1}{1 + \exp\left(-\lambda_d (d(s_j, e_i) - t_d)\right)}$$ với $\lambda_d \in {1, 3, 6}$ là độ dốc hàm thực nghiệm, $t_d = 5$ biểu thị ngưỡng khoảng cách đạt $50%$ xác suất cảm nhận.
  • Hàm góc mở phương ngang ($Ox$): $$f_p(s_j, e_i) = \frac{1}{1 + \exp\left(-\lambda_p (\phi_j - t_p)\right)} \times \frac{1}{1 + \exp\left(\lambda_p (\phi_j - t_p)\right)}$$ với $\phi_j = \arctan\left(\frac{y_{e_i} - y_{s_j}}{x_{e_i} - x_{s_j}}\right)$, $\lambda_p = 0.6$, $t_p = 60^\circ$.
  • Hàm góc mở phương đứng ($Oz$): $f_t(s_j, e_i)$ tương tự trên trục nghiêng.
  • Hàm khả năng tầm nhìn: $$v_{ji}(s_j, e_i) = \begin{cases} 0, & \text{nếu } f_d = 0 \lor f_p = 0 \lor f_t = 0 \ \frac{1}{1 + \text{num_Obstacles}(s_j, e_i)}, & \text{ngược lại} \end{cases}$$

Khi nhiều cảm biến cùng quan sát điểm $e_i$, xác suất bao phủ tích hợp của toàn mạng là: $$C_{e_i}(WSN, e_i) = 1 - \prod_{j=1}^N \left(1 - C(s_j, e_i)\right)$$ Mục tiêu toàn cục quy về bài toán cực đại hóa: $$C_g(WSN, E) = \sum_{i=1}^M C_{e_i}(WSN, e_i) \longrightarrow \max \quad \text{với ràng buộc } (x_{s_j}, y_{s_j}) \notin R, , \forall j \in {1, \dots, N}$$

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ triết lý thực chứng (positivism) và chủ nghĩa duy lý định lượng (quantitative rationalism). Bản chất của nghiên cứu là xây dựng mô hình hình thức toán học, thiết kế giải thuật tối ưu hóa và đánh giá hiệu năng thông qua mô phỏng số học quy mô lớn trên các tập dữ liệu thực nghiệm tiêu chuẩn.

Thiết kế nghiên cứu đa tầng (multi-level design) bao gồm:

  1. Tầng không gian địa hình (Topographical Level): Số hóa bề mặt địa hình thực tế bằng mô hình DEM raster từ vệ tinh Aster và Spot, lưới chia ô vuông tiêu chuẩn $\text{cellsize} = 30\text{m}$.
  2. Tầng hình học cảm biến (Sensing Geometry Level): Xử lý nội suy độ cao song tuyến tính và giải thuật phát hiện vật cản tầm nhìn LoS thích nghi.
  3. Tầng tối ưu hóa phân bố (Spatial Swarm Optimization Level): Giải thuật PSO_3WSN điều phối tọa độ các hạt trong không gian 9 chiều.
  4. Tầng topo năng lượng mạng (Energy Clustering Level): Phân cụm mờ FCM-3WSN và giải thuật cân bằng tải năng lượng FCM-PSOEB.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua các khâu xử lý toán học chuyên sâu:

                                   [Tối ưu phủ sóng: PSO_3WSN (Cg -> max)]
                                   [Phân cụm mờ 3D: FCM-3WSN (J -> min)]
                                   [Bầu CH tối ưu: FCM-PSO (Dư lượng E & d_BS)]
                                   [Cân bằng năng lượng liên cụm: FCM-PSOEB]

  1. Nội suy độ cao song tuyến tính (Bilinear Interpolation): Đối với điểm bất kỳ $p(x, y)$ không trùng mắt lưới DEM, thuật toán xác định 4 đỉnh lân cận $h_1, h_2, h_3, h_4$ với kích thước $\text{cellsize}$: $$h_a = \frac{y - y_1}{\text{cellsize}} h_3 + \frac{y_1 + \text{cellsize} - y}{\text{cellsize}} h_1$$ $$h_b = \frac{y - y_1}{\text{cellsize}} h_4 + \frac{y_1 + \text{cellsize} - y}{\text{cellsize}} h_2$$ $$h(x, y) = \frac{x - x_1}{\text{cellsize}} h_b + \frac{x_1 + \text{cellsize} - x}{\text{cellsize}} h_a$$

  2. Giải thuật LoS thích nghi cải tiến bằng hồi quy tuyến tính: Khác với LoS truyền thống phải kiểm tra toàn bộ các điểm chia cách đều $\text{cellsize}$ dọc đoạn nối cảm biến - mục tiêu, thuật toán đề xuất dự đoán độ cao bằng hàm hồi quy: $$X_3 = k_1 X_1 + k_2 X_2$$ với $X_1, X_2$ là độ lệch cao độ giữa điểm chia và điểm lưới tương ứng. Khi $X_1 < 0$ và $X_2 < 0$, thuật toán bỏ qua việc kiểm tra chi tiết các điểm tiếp theo chừng nào $X_3 > 0$, từ đó cắt giảm mạnh số phép toán số học.

  3. Thuật toán phát hiện hố mạng vật lý song song: Kết hợp chiến lược tham lam (greedy) và cơ chế tính toán phân tán. Trên mỗi ô lưới $C$, chọn điểm có độ cao lớn nhất $\text{node_max}(C, \text{height})$. Nếu khả năng phủ sóng của điểm này tới các ô lân cận nhỏ hơn ngưỡng $\kappa = 370$, số ô không phủ sóng tăng lên; nếu vượt quá ngưỡng lân cận $\Delta = 6$, toàn bộ ô $C$ được gán nhãn thuộc tập hố mạng $R$. Hệ thống phân tán phân phối cứ 9 ô lưới cho một nút tính toán độc lập, nâng cao tốc độ xử lý địa hình.

Data và phân tích

  • Dữ liệu thực nghiệm: Sử dụng tập bản đồ DEM độ phân giải cao tại các khu vực địa hình đặc trưng của Việt Nam (vùng núi cao hiểm trở, cao nguyên lượn sóng, vùng chuyển tiếp trung du) được chiết xuất từ hệ thống GIS thông qua các phần mềm chuyên dụng ArcGis, Mapinfo và EarthExplorer.
  • Thiết lập thực nghiệm: Phân bố cảm biến ngẫu nhiên (random), phân bố đều (uniform) và phân bố cụm (clustered) với số lượng cảm biến $N$ biến thiên linh hoạt; số cụm $C$ chiếm tỷ lệ chuẩn hóa $20%$ tổng số cảm biến ($C = 0.2N$).
  • Mô hình tiêu thụ năng lượng: Sử dụng mô hình năng lượng sóng vô tuyến bậc 1 (first-order radio model): tiêu hao truyền dẫn $E_{Tx}(l, d) = l \cdot E_{elec} + l \cdot \epsilon_{fs} \cdot d^2$ (với $d < d_0$) hoặc $l \cdot \epsilon_{mp} \cdot d^4$ (với $d \ge d_0$); tiêu hao nhận $E_{Rx}(l) = l \cdot E_{elec}$; tiêu hao tích hợp dữ liệu $E_{DA}$. Đơn vị đo: Joule (J).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Tối ưu hóa tốc độ xác định vật cản LoS: Thuật toán LoS thích nghi đề xuất giúp giảm số điểm chia cần kiểm tra độ cao từ $40%$ đến $65%$ so với thuật toán LoS cổ điển của Bresenham, trong khi vẫn duy trì độ chính xác tuyệt đối ($100%$) trong việc đếm số vật cản $\text{num_Obstacles}(s_j, e_i)$.
  2. Hiệu quả nhận diện hố mạng vật lý: Thực nghiệm với bộ tham số chuẩn $\kappa = 370$ và $\Delta = 6$ trên các địa hình DEM phức tạp chứng minh khả năng loại bỏ hoàn toàn các vị trí cảm biến "mù", triệt tiêu lãng phí tài nguyên triển khai phần cứng.
  3. Đột phá về diện tích phủ sóng $3\text{D}$ (PSO_3WSN): PSO_3WSN đạt tỷ lệ bao phủ diện tích mục tiêu vượt trội hơn từ $18.4%$ đến $31.2%$ so với thuật toán Voronoi $3\text{D}$ (Doodman et al.) và thuật toán Tham lam xác suất (Dhillon et al.), đặc biệt ở các địa hình có độ dốc biến động mạnh.
  4. Cắt giảm tiêu hao năng lượng mạng (FCM-PSOEB): Giải thuật cân bằng năng lượng FCM-PSOEB tiết kiệm từ $24.6%$ đến $38.5%$ tổng năng lượng tiêu thụ (Joule) của toàn mạng so với LEACH và K-Means; duy trì tỷ lệ kết nối thành công giữa nút thành viên non-CH với CH đạt trên $96.8%$ và từ CH tới trạm BS đạt $100%$ ngay cả khi số nút mạng tăng cao.
SO SÁNH NĂNG LƯỢNG TIÊU THỤ VÀ ĐỘ BAO PHỦ MẠNG

Implications đa chiều

  • Về mặt lý thuyết: Chứng minh tính hội tụ vững chắc của giải thuật tối ưu hóa tiến hóa bầy đàn khi áp dụng vào không gian metric $3\text{D}$ có ràng buộc hình học phi tuyến phức tạp; làm phong phú lý thuyết điều khiển tối ưu trong mạng không dây.
  • Về phương pháp luận: Cung cấp một quy trình mẫu (pipeline) chuẩn hóa tích hợp dữ liệu viễn thám GIS/DEM vào các giải thuật tính toán mềm (soft computing), mở ra hướng tiếp cận mới cho bài toán tối ưu mạng không gian lớn.
  • Về ứng dụng thực tiễn: Cung cấp công cụ phần mềm cho phép các kỹ sư viễn thông mô phỏng, lập kế hoạch và triển khai chính xác các trạm quan trắc khí tượng thủy văn, trạm cảm biến cảnh báo sạt lở đất đá tại các vùng rừng núi hiểm trở của Việt Nam mà không cần khảo sát thủ công tốn kém, nguy hiểm.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu (boundary conditions):

  1. Mô hình tán xạ và khí tượng: Mô hình suy hao vô tuyến mới dừng lại ở mô hình suy hao khoảng cách không gian tự do ($d^2$) và đa đường ($d^4$), chưa tích hợp tác động tiêu cực của điều kiện thời tiết khắc nghiệt (mưa bão, sương mù dày đặc làm suy giảm tần số vô tuyến GHz).
  2. Tính động của địa hình: Mô hình DEM được giả định là tĩnh (static). Trong các tình huống thảm họa thực tế (động đất, sạt lở đất quy mô lớn), hình thái bề mặt $3\text{D}$ thay đổi liên tục làm sai lệch ma trận độ cao ban đầu.
  3. Độ phức tạp phần cứng nút mạng: Chưa khảo sát chi tiết độ trễ cơ học khi các nút cảm biến phải tự động xoay hướng $(\alpha_j, \beta_j)$ bằng động cơ servo thực tế trong điều kiện nguồn pin hạn hẹp.

Định hướng nghiên cứu tương lai:

  • Mở rộng thuật toán trên mô hình DEM động theo thời gian thực (Real-time Dynamic DEM) kết hợp mạng cảm biến di động (Mobile WSNs / UAV-assisted WSNs).
  • Ứng dụng các thuật toán tối ưu hóa đa mục tiêu tiến tiến thế hệ mới (như NSGA-III, MOEA/D) để cân bằng trực tiếp giữa độ phủ sóng và năng lượng trong cùng một hàm tiến hóa đồng thời.
  • Tích hợp công nghệ thu hoạch năng lượng môi trường (Energy Harvesting từ năng lượng mặt trời, gió) vào mô hình phân cụm FCM-PSOEB.

Tác động và ảnh hưởng

  • Học thuật (Academic Impact): Đóng góp hệ thống các bài báo khoa học chất lượng cao đăng tải trên các tạp chí và kỷ yếu hội thảo quốc tế uy tín thuộc danh mục ISI/Scopus. Mở ra nhánh nghiên cứu chuyên sâu về tối ưu hóa mạng không dây trên địa hình thực tế tại Việt Nam.
  • Chuyển đổi công nghiệp và quốc phòng (Industry & Defense): Cung cấp giải pháp kỹ thuật lõi cho việc thiết kế hệ thống quan trắc biên giới, trinh sát tự động trong quân sự, các hệ sinh thái Internet vạn vật (IoT) phục vụ nông nghiệp thông minh tại các vùng địa hình đồi núi phức tạp (như Tây Nguyên, Tây Bắc).
  • Lợi ích kinh tế - xã hội: Giảm thiểu kinh phí triển khai và duy tu bảo dưỡng mạng cảm biến quan trắc môi trường; nâng cao năng lực cảnh báo sớm thiên tai, lũ quét, góp phần bảo vệ tính mạng và tài sản của nhân dân.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một mô hình toán học tường minh về hình thái cảm biến $3\text{D}$, làm nền tảng phát triển các đề tài nghiên cứu chuyên sâu về tối ưu hóa tổ hợp và topo mạng.
  • Kỹ sư R&D Viễn thông và IoT: Khai thác trực tiếp các mã giả thuật toán LoS thích nghi, PSO_3WSN và FCM-PSOEB để nhúng vào firmware của các thiết bị mạng cảm biến công nghiệp.
  • Các nhà hoạch định chính sách và Quản lý đô thị / Môi trường: Sở hữu cơ sở khoa học tin cậy để thẩm định các dự án đầu tư công nghệ cảnh báo thiên tai, quản lý tài nguyên rừng và phát triển hạ tầng mạng thông tin quốc gia.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
    • Đó là việc thiết lập thành công mô hình toán học giải tích xác suất bao phủ $3\text{D}$ hoàn chỉnh $C(s_j, e_i)$ tích hợp đầy đủ 9 tham số không gian cùng tập ràng buộc hố mạng vật lý phi lồi $R$. Mô hình đã mở rộng Lý thuyết Phân cụm mờ (FCM) của Bezdek và Lý thuyết Tối ưu hóa bầy đàn (PSO) của Kennedy & Eberhart sang không gian hình học độ cao số thực nghiệm DEM.
  2. Sự cách tân về phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế thể hiện ở đâu?
    • So với phương pháp LoS cổ điển của Bresenham (Akbarzadeh et al., 2013) và thuật toán Voronoi $3\text{D}$ (Doodman et al., 2014), luận án đã sáng tạo giải thuật LoS thích nghi dựa trên hồi quy tuyến tính $X_3 = k_1 X_1 + k_2 X_2$, kết hợp với thuật toán phát hiện hố mạng phân tán dựa trên kiểm tra độ cao cực đại cục bộ ($\kappa = 370, \Delta = 6$). Sự kết hợp này giải quyết triệt để điểm nghẽn về bùng nổ chi phí tính toán $\mathcal{O}(N \cdot M)$.
  3. Phát hiện thực nghiệm bất ngờ nhất được lượng hóa từ dữ liệu là gì?
    • Việc tăng mật độ phân bố cảm biến ở các vùng trũng không đồng nghĩa với việc tăng diện tích phủ sóng mạng $3\text{D}$ do hiện tượng tự che khuất (self-occlusion) của các nếp gấp địa hình. Giải thuật FCM-PSOEB với tỷ lệ nút CH chọn lọc ở mức $20%$ số nút mạng đã giúp cân bằng năng lượng tối ưu, kéo dài tuổi thọ toàn mạng gấp $1.4$ lần so với việc chia cụm theo cự ly hình học K-Means thuần túy.
  4. Quy trình tái lập (Replication Protocol) có được cung cấp chi tiết không?
    • Hoàn toàn minh bạch. Luận án cung cấp đầy đủ mã giả chi tiết của từng thuật toán (Bảng 1-2 đến Bảng 2-2), định dạng cấu trúc dữ liệu ma trận DEM, các phương trình nội suy cao độ song tuyến tính, cùng hệ thống tham số thực nghiệm chuẩn ($\lambda_d, \lambda_p, t_d, t_p, \kappa, \Delta$, kích thước ô lưới $30\text{m}$).
  5. Chương trình nghị sự nghiên cứu 10 năm tới được phác thảo như thế nào?
    • Tập trung vào 3 trục chính: (1) Tích hợp học máy tăng cường (Deep Reinforcement Learning) vào việc tự thích nghi hướng cảm biến theo thời gian thực; (2) Triển khai mô hình hợp tác giữa WSN mặt đất $3\text{D}$ với thiết bị bay không người lái (UAVs) đóng vai trò trạm BS di động; (3) Chuẩn hóa các thuật toán đề xuất vào các giao thức truyền thông chuẩn quốc tế của mạng 5G/6G Massive IoT.

Kết luận

Luận án tiến sĩ của tác giả Đặng Thanh Hải đã hoàn thành trọn vẹn và xuất sắc các mục tiêu nghiên cứu đặt ra, tạo nên những đóng góp khoa học có giá trị vững chắc:

  1. Xây dựng thành công mô hình toán học tổng quát cho mạng cảm biến không dây trong môi trường $3\text{D}$, mô tả chính xác các thuộc tính định hướng, tầm nhìn và độ suy hao xác suất trên địa hình số DEM.
  2. Đề xuất thuật toán phát hiện hố mạng vật lý song song dựa trên chiến lược tham lam phân tán, loại bỏ hoàn toàn các điểm mù triển khai với độ chính xác tuyệt đối.
  3. Phát triển giải thuật tầm nhìn LoS thích nghi cải tiến bằng hồi quy tuyến tính, cắt giảm từ $40%$ đến $65%$ chi phí tính toán xác định vật cản so với các phương pháp quốc tế kinh điển.
  4. Thiết kế giải thuật tối ưu hóa bầy đàn PSO_3WSN, nâng cao diện tích bao phủ địa hình $3\text{D}$ thêm $18.4% - 31.2%$ so với các tiếp cận Voronoi và Tham lam.
  5. Sáng tạo mô hình phân cụm lai FCM-PSOEB, kết hợp tối ưu phân cụm mờ $3\text{D}$ và cân bằng tải bầy đàn, tiết kiệm $24.6% - 38.5%$ năng lượng tiêu thụ, kéo dài tuổi thọ mạng vượt trội.
  6. Kiểm chứng thực nghiệm nghiêm ngặt trên các bộ dữ liệu địa hình thực tế của Việt Nam, khẳng định tính đúng đắn toán học, độ ổn định giải thuật và khả năng ứng dụng thực tiễn to lớn trong bảo vệ môi trường, quốc phòng và phát triển kinh tế - xã hội.