Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Mạng cảm biến không dây (Wireless Sensor Networks – WSNs) đóng vai trò là kiến trúc hạ tầng cốt lõi trong các hệ thống kết nối vạn vật (Internet of Things – IoTs), phục vụ đa dạng các lĩnh vực từ dân sự (giám sát môi trường, cảnh báo thiên tai, giao thông thông minh) đến an ninh, quân sự (theo dõi mục tiêu, phát hiện xâm nhập). Tuy nhiên, rào cản kỹ thuật lớn nhất của mạng WSNs là các nút cảm biến (sensor nodes) hoạt động dựa vào nguồn pin có dung lượng giới hạn. Khi năng lượng cạn kiệt, các nút cảm biến trở thành nút chết, gây gián đoạn đường truyền dữ liệu về trạm cơ sở (Base Station – BS) và làm tê liệt chức năng bao phủ hoặc kết nối của toàn mạng.

Sự phát triển của công nghệ truyền năng lượng không dây đã hình thành mạng cảm biến có khả năng sạc không dây (Wireless Rechargeable Sensor Networks – WRSNs), sử dụng các thiết bị sạc di động (Mobile Chargers – MCs) để bổ sung năng lượng định kỳ hoặc theo yêu cầu cho các cảm biến. Mặc dù vậy, tối ưu chiến lược sạc cho MC là bài toán thuộc lớp NP-khó vì đòi hỏi giải quyết đồng thời bài toán tối ưu không gian (hành trình di chuyển của MC) và thời gian (thời gian sạc tại mỗi điểm dừng hoặc mỗi cảm biến).

Văn bản luận án chỉ ra các khoảng trống nghiên cứu chính trong các công trình trước đây:

  • Đa phần các công trình chỉ tập trung tối ưu hành trình di chuyển và giả định năng lượng của MC là vô hạn hoặc cực lớn.
  • Áp dụng phương pháp sạc đầy (nạp pin cảm biến đến mức tối đa $e_{max}$) một cách cứng nhắc, dẫn tới thời gian dừng sạc tại một nút quá lâu (có thể kéo dài hàng giờ), khiến các nút cảm biến khác trong hàng đợi cạn kiệt năng lượng trước khi MC kịp tiếp cận.
  • Rất ít nghiên cứu giải quyết trực tiếp bài toán tránh cạn kiệt năng lượng (Energy Depletion Avoidance Problem – EDAP) dưới các ràng buộc khắt khe về năng lượng hữu hạn của MC.
  • Đối với mô hình sạc nhiều cảm biến đồng thời, các nghiên cứu hiện hữu thường cố định trước các điểm dừng sạc, chỉ sử dụng một thiết bị sạc đơn lẻ và bỏ qua vai trò đặc thù của các cảm biến trong nhiệm vụ duy trì bao phủ mục tiêu cũng như bảo đảm tính kết nối dữ liệu liên tục về trạm cơ sở BS.

Mục tiêu và câu hỏi nghiên cứu

Luận án xác định mục tiêu tổng quát là giải quyết vấn đề kéo dài thời gian sống của mạng WRSNs thông qua tối ưu hóa chiến lược sạc của các thiết bị sạc di động cho hai mô hình sạc: mô hình sạc từng cảm biến và mô hình sạc nhiều cảm biến đồng thời.

Mục tiêu cụ thể được luận án phân định:

  1. Nghiên cứu vấn đề tối đa hóa thời gian sống của mạng WRSNs theo cách tiếp cận tối ưu chiến lược sạc cho hai mô hình: sạc từng cảm biến và sạc nhiều cảm biến đồng thời.
  2. Nghiên cứu lớp các thuật toán tối ưu gần đúng (heuristic và meta-heuristic) nhằm tìm kiếm lời giải hiệu quả cho các bài toán tối ưu chiến lược sạc NP-khó.
  3. Nghiên cứu và ứng dụng các thuật toán học tăng cường (Reinforcement Learning – RL), cụ thể là thuật toán Q-learning, để xây dựng chiến lược sạc phân tán cho hệ thống gồm nhiều thiết bị sạc di động.

Các câu hỏi và bài toán nghiên cứu cốt lõi được đánh số theo văn bản:

  • Bài toán 1: Tối ưu chiến lược sạc cho mô hình sạc từng cảm biến nhằm tối thiểu hóa số lượng cảm biến bị cạn kiệt năng lượng (tối thiểu tỷ lệ nút chết) sau mỗi chu kỳ sạc, dưới ràng buộc năng lượng hữu hạn của một thiết bị sạc di động.
  • Bài toán 2: Tối ưu chiến lược sạc cho mô hình sạc nhiều cảm biến đồng thời với nhiều thiết bị sạc di động, nhằm tối đa hóa thời gian giám sát liên tục các điểm mục tiêu quan trọng và duy trì đường truyền dữ liệu kết nối về trạm cơ sở BS.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Mạng cảm biến có khả năng sạc không dây (WRSNs); thiết bị sạc di động (MC); các nút cảm biến sạc lại (rechargeable sensors); trạm cơ sở (BS); các giải thuật tối ưu hóa meta-heuristic (GA, PSO) và học tăng cường (Q-learning).
  • Phạm vi không gian: Mạng WRSNs triển khai trên khu vực hai chiều kích thước $W \times H$, trong đó các cảm biến có tọa độ cố định. Luận án khảo sát ba phương pháp bố trí không gian mạng: phân bố dạng lưới (grid - $g$), phân bố chuẩn (normal - $n$) và phân bố đều (uniform - $u$).
  • Phạm vi công nghệ sạc: Khảo sát hai công nghệ truyền năng lượng không dây gồm công nghệ không phát xạ dựa trên cộng hưởng từ trường (khoảng cách gần, sạc từng cảm biến) và công nghệ phát xạ điện từ dựa trên sóng vô tuyến RF theo mô hình Friis (khoảng cách xa, sạc nhiều cảm biến đồng thời).
  • Phạm vi định nghĩa thời gian sống của mạng:
    1. Thời gian sống tính theo số lượng nút cảm biến chết trong mạng (mục tiêu tối thiểu số nút cạn kiệt năng lượng).
    2. Thời gian sống tính theo vai trò của cảm biến trong việc đảm bảo bao phủ các mục tiêu quan trọng và duy trì kết nối truyền dữ liệu về trạm cơ sở BS (tính đến thời điểm nút đầu tiên phụ trách nhiệm vụ bị chết).

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước được luận án điểm luận

Văn bản luận án phân loại và tổng thuật chi tiết các công trình nghiên cứu tiền nhiệm theo các đặc trưng: thời gian phục vụ (sạc định kỳ và sạc theo yêu cầu), phương pháp sạc (sạc đầy và sạc từng phần), số lượng thiết bị sạc (đơn MC và đa MC).

Nhóm nghiên cứu / Tác giả Hướng tiếp cận & Thuật toán Giả thiết & Hạn chế được ghi nhận
Shi và cộng sự [19] Lập lịch sạc định kỳ tối đa hóa thời gian nghỉ của MC tại trạm sạc; đưa bài toán về tìm chu trình Hamilton; kết hợp GA và PSO. Giả định sạc đầy pin cho từng cảm biến; năng lượng tiêu thụ không đồng nhất nhưng không xét sạc từng phần.
Nghiên cứu [57, 58, 59] Tối đa hóa thời gian sống của mạng IoT sạc không dây; [59] dùng thuật toán tham lam cực đại thời gian sống nút yếu nhất; [57] dùng quy hoạch tuyến tính xác định thời gian sạc. Chưa tối ưu đồng thời không gian và thời gian trong không gian tìm kiếm lớn; giả thiết năng lượng MC chưa phản ánh đa dạng kịch bản.
Nghiên cứu [20] Tối thiểu hóa chi phí sạc cho mô hình sạc nhiều cảm biến; chia mạng thành lưới ô vuông cạnh $d \in [R, 2R]$; dùng thuật toán láng giềng gần nhất (Nearest Neighbor). Cố định các điểm dừng sạc tại đỉnh lưới, MC đi từ vòng trong ra vòng ngoài mà chưa tối ưu vị trí dừng thực tế.
Kaswan và cộng sự [64] Lập lịch sạc theo yêu cầu (on-demand); trạm cơ sở lập lịch khi năng lượng cảm biến dưới ngưỡng nhằm tối thiểu thời gian chờ. Không giải quyết trọn vẹn sự bùng nổ yêu cầu sạc khi mạng quy mô lớn; chưa tối ưu hóa thời gian dừng sạc.
Zhu [33] Đề xuất thuật toán trực tuyến PA (dựa trên xác suất) và INMA (tối thiểu hóa số lượng nút chết) dựa vào độ trễ sạc chấp nhận được. Giả định trạm cơ sở có thể truyền trực tiếp dữ liệu cảm biến cho MC; ưu tiên nút có thời gian sạc ngắn.
Nghiên cứu [65] Đề xuất chiến lược SAMER (Starvation Avoidance Mobile Energy Replenishment) dựa trên độ trễ sạc tối đa và thời gian chờ; ưu tiên nút gần MC. Chỉ xét độ trễ của từng cảm biến cục bộ, giả định năng lượng MC vô hạn và tốc độ tiêu thụ năng lượng của cảm biến là hằng số.
Wang và cộng sự [70] Kết hợp 1 xe thu thập dữ liệu và nhiều xe sạc; đưa về bài toán tìm hành trình có lợi nhuận lớn nhất; gom cụm mạng. Các nút chủ cụm tiêu hao năng lượng nhanh chóng, dẫn đến cạn kiệt năng lượng sớm hơn các nút thành viên.
Nghiên cứu [62] Lược đồ sạc tức thời dựa trên nguyên lý Nearest-Job-Next with Preemption (NJNP). Bỏ qua các yêu cầu sạc không được đáp ứng kịp thời, khiến số lượng lớn cảm biến bị cạn kiệt năng lượng.
Nghiên cứu [21] Lược đồ sạc hai pha cho mạng mật độ dày: Pha 1 tìm tập điểm sạc tối thiểu; Pha 2 tìm thời gian sạc tại mỗi điểm để tổng thời gian sạc nhỏ nhất. Giả định mức tiêu hao năng lượng của cảm biến là hằng số và công suất sạc đồng nhất trong phạm vi phủ sóng là không thực tế.

Khoảng trống luận án lựa chọn giải quyết

Từ việc phân tích các hạn chế nêu trên, luận án định vị giải quyết các khoảng trống:

  1. Trực tiếp giải quyết bài toán tránh cạn kiệt năng lượng (EDAP) với mục tiêu tối thiểu hóa số nút chết dưới ràng buộc năng lượng hữu hạn của MC ($E_{MC}$) và áp dụng kỹ thuật sạc từng phần.
  2. Đề xuất các thuật toán tối ưu hóa đồng thời cả hành trình sạc và thời gian dừng sạc tại mỗi điểm thay vì tối ưu tuần tự hoặc giả định sạc đầy cố định.
  3. Giải quyết bài toán sạc cho mạng diện tích lớn sử dụng nhiều MC, trong đó các điểm dừng sạc không cố định trước mà được lựa chọn tối ưu theo vị trí các mục tiêu quan trọng và bảo đảm tính kết nối dữ liệu đa chặng về trạm cơ sở.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các mô hình toán học

Luận án xây dựng trên nền tảng lý thuyết tối ưu hóa, lý thuyết thuật toán tiến hóa, học tăng cường và mô hình truyền thông không dây:

  • Tối ưu hóa liên tục và tối ưu hóa rời rạc (quy hoạch nguyên): Mô hình hóa bài toán lập lịch sạc với biến nhị phân $z_i$ biểu diễn trạng thái hoạt động của cảm biến $s_i$, biến liên tục $\tau_i$ biểu diễn thời gian sạc, và hoán vị $\wp = {\pi_1, \pi_2, \dots, \pi_n}$ biểu diễn hành trình di chuyển của MC qua $n$ cảm biến bắt đầu và kết thúc tại trạm cơ sở $\pi_0, \pi_{n+1}$.
  • Thuật toán di truyền (Genetic Algorithm - GA): Ứng dụng các toán tử chọn lọc, lai ghép một điểm cắt, lai ghép ánh xạ từng phần (Partially Mapped Crossover - PMX), đột biến đảo đoạn (CIM - Cycle/Inversion Mutation), đột biến đổi chỗ (swap mutation) và đột biến lật bit (bit flipping).
  • Thuật toán tối ưu bầy đàn (Particle Swarm Optimization - PSO): Cập nhật vận tốc và vị trí các hạt theo công thức: $$V_i^{t+1}[] = w \times V_i^t[] + c_1 \times r_1 \times (pbest_i^t[] - X_i^t[]) + c_2 \times r_2 \times (gbest^t[] - X_i^t[])$$ $$X_i^{t+1}[] = X_i^t[] + V_i^{t+1}[]$$ Sử dụng kỹ thuật vận tốc kẹp giới hạn vận tốc trong đoạn $[-V_{max}, V_{max}]$, với $V_{max} = k \times X_{max}$ ($k \in [0.1, 0.2]$).
  • Học tăng cường (Reinforcement Learning) & Thuật toán Q-learning: Dựa trên phương trình Bellman và quá trình ra quyết định Markov, cập nhật giá trị bảng $Q(s,a)$ theo công thức: $$Q(s, a) \leftarrow (1 - \alpha) \times Q(s, a) + \alpha \left( r + \gamma \max_{a'} Q(s', a') \right)$$ Trong đó $\alpha$ là tốc độ học, $\gamma \in [0, 1]$ là hệ số khấu hao, $r$ là tín hiệu phần thưởng tức thời.

Mô hình truyền nhận năng lượng và tiêu thụ năng lượng

  1. Mô hình sạc từng cảm biến (cộng hưởng từ): Tỷ lệ nhận năng lượng của cảm biến $s_i$ từ MC cách khoảng cách $d$ là $P_{rx} = \mu(d) P_{tx}$. Khi MC dừng trực tiếp tại vị trí cảm biến ($d = 0$), tỷ lệ nhận năng lượng đạt cực đại $P_{rx} = P_{tx} = U$.
  2. Mô hình sạc nhiều cảm biến (phát xạ điện từ Friis): $$P_{rx} = \begin{cases} \dfrac{\lambda}{(d + \beta)^2}, & \text{nếu } d \le r_{charge} \ 0, & \text{nếu } d > r_{charge} \end{cases}$$ với $\lambda = \left(\dfrac{G_{tx} G_{rx} \eta \zeta}{4\pi L_p}\right)^2 P_{tx}$, $r_{charge}$ là bán kính sạc tối đa của MC.
  3. Mô hình tiêu thụ năng lượng của cảm biến:
  • Năng lượng nhận 1 bit dữ liệu: $e_i^{re} = \varepsilon_{elec}$ (J/bit).
  • Năng lượng truyền 1 bit dữ liệu đến nút $s_h$ cách khoảng cách $d_{ih}$: $$e_i^{tr} = \begin{cases} \varepsilon_{elec} + \varepsilon_{fs} \times d_{ih}^2, & \text{nếu } d_{ih} < d_0 \ \varepsilon_{elec} + \varepsilon_{mp} \times d_{ih}^4, & \text{nếu } d_{ih} \ge d_0 \end{cases}$$ với $d_0 = \sqrt{\varepsilon_{fs} / \varepsilon_{mp}}$.
  • Tổng năng lượng tiêu hao để truyền và nhận dữ liệu: $e_i = e_i^{re} + e_i^{tr}$.

Các tham số tiêu chuẩn được luận án thiết lập trong mô hình tiêu thụ năng lượng:

Ký hiệu Ý nghĩa tham số Giá trị
$\varepsilon_{elec}$ Năng lượng chạy mạch phát hoặc thu trên mỗi bit $50\text{ nJ/bit}$
$\varepsilon_{fs}$ Hệ số khuếch đại truyền thông mô hình không gian tự do $10\text{ pJ/bit/m}^2$
$\varepsilon_{mp}$ Hệ số khuếch đại truyền thông mô hình đa đường $0.0013\text{ pJ/bit/m}^4$
$L$ Số mốc thời gian liên tiếp trong quá khứ để ước lượng $10$
$l_q$ Độ dài mỗi mốc thời gian quan sát quá khứ $100\text{ s}$

Tỷ lệ tiêu thụ năng lượng trung bình $p_i$ của cảm biến $s_i$ được trạm cơ sở BS ước lượng qua công thức: $$p_i = \frac{\sum_{q=1}^L e_i^q \times l_q}{\sum_{q=1}^L l_q}$$

Phương pháp nghiên cứu thực nghiệm và xử lý số liệu

  • Phương pháp định lượng: Xây dựng chương trình mô phỏng thực nghiệm trên máy tính, chạy kiểm thử thuật toán trên nhiều kịch bản mạng với số lượng cảm biến, số lượng mục tiêu và phương thức phân bố khác nhau.
  • Phương pháp thống kê phi tham số: Để so sánh hiệu năng các thuật toán, luận án sử dụng kiểm định xếp hạng Friedman và kiểm định Quade, tính toán các đại lượng thống kê $z$-value, $p$-value và các giá trị $p$-value hiệu chỉnh (adjusted $p$-values) theo các thủ tục kiểm định Bonferroni-Dunn, Holm, Hochberg hoặc Finner.

Nội dung chính theo từng chương

Chương 1: Cơ sở lý thuyết

Chương 1 thiết lập khung lý thuyết hoàn chỉnh cho toàn bộ luận án, bao gồm:

  1. Bài toán tối ưu hóa: Định nghĩa toán học cho bài toán tối ưu liên tục và tối ưu rời rạc (quy hoạch nguyên tuyến tính và phi tuyến). Phân tích ưu nhược điểm của phương pháp giải chính xác (chỉ phù hợp kích thước nhỏ) và phương pháp giải gần đúng.
  2. Các thuật toán tối ưu Meta-heuristic: Trình bày nguyên lý sinh học, cấu trúc cá thể, hàm thích nghi (fitness function), các toán tử tiến hóa (lai ghép, đột biến, chọn lọc) của Thuật toán di truyền (GA) và cơ chế trao đổi thông tin xã hội trong không gian tìm kiếm của Thuật toán tối ưu bầy đàn (PSO).
  3. Học tăng cường (Reinforcement Learning): Trình bày mô hình tương tác Agent – Environment, định nghĩa hàm giá trị hành động $q_\pi(s, a)$, hàm giá trị trạng thái $v_\pi(s)$, hệ số khấu hao $\gamma$, phương trình quy hoạch động Bellman, thuật toán SARSA, thuật toán Monte-Carlo và thuật toán Q-learning.
  4. Mạng cảm biến không dây và sạc không dây: Phân tích 5 thành phần phần cứng của nút cảm biến (bộ cảm nhận, bộ xử lý, bộ truyền thông, bộ nhớ, bộ lưu trữ năng lượng). Nêu rõ 4 thách thức kỹ thuật lớn trong WSNs: bao phủ, định vị, an ninh bảo mật và năng lượng. Phân tích chi tiết hai nguyên lý truyền năng lượng không dây: không phát xạ (cộng hưởng từ) và phát xạ (sóng vô tuyến RF).
  5. Mô hình tiêu thụ năng lượng và phân loại chiến lược sạc: Mô hình hóa tiêu hao năng lượng truyền nhận dữ liệu $e_i$, tốc độ tiêu thụ $p_i$, cấu trúc thiết bị sạc di động MC. Phân loại các chiến lược sạc theo thời gian (định kỳ / theo yêu cầu), theo phương pháp (sạc đầy / từng phần), theo số lượng MC (đơn MC / đa MC).

Chương 2: Tối ưu chiến lược sạc cho mô hình sạc từng cảm biến

Chương 2 tập trung giải quyết bài toán tránh cạn kiệt năng lượng (EDAP) cho mô hình sạc từng cảm biến, với mục tiêu tối thiểu hóa số nút chết trong mạng sau mỗi chu kỳ sạc $CT$.

Hành trình sạc: ℘ = {π0, π1, π2, ..., πn, πn+1}
Thời gian sạc:   t = {τ1, τ2, ..., τn}
Ràng buộc:       E_move + E_charge ≤ E_MC - E_MC^min
                 Tổng thời gian chu kỳ ≤ CT
Mục tiêu:        Minimizing ∑ zi (số nút cạn kiệt năng lượng)

Nội dung trọng tâm và giải thuật đề xuất trong chương:

  1. Mô hình bài toán: Xác định năng lượng còn lại $e_i^{remain}$ của cảm biến khi MC tới vị trí sạc, mức năng lượng $e_i^{depot}$ khi kết thúc chu kỳ, năng lượng tiêu hao do di chuyển $E_{move} = \sum P_M \frac{d_{i, i+1}}{V}$, năng lượng tiêu hao do sạc $E_{charge} = \sum U \tau_i$. Tổng năng lượng không vượt quá giới hạn pin của MC: $E_{move} + E_{charge} \le E_{MC} - E_{MC}^{min}$.
  2. Đề xuất Thuật toán di truyền hai pha GACS (Genetic Algorithm-based Charging Scheme):
    • Pha 1: Tối ưu hành trình sạc $\wp$ dựa trên giải thuật di truyền, ưu tiên tiếp cận sớm các nút có thời gian sống dự kiến ngắn nhất.
    • Pha 2: Cố định hành trình từ Pha 1, tối ưu chuỗi thời gian sạc $t = {\tau_1, \tau_2, \dots, \tau_n}$ cho từng nút để giảm thiểu số nút chết.
  3. Đề xuất Thuật toán sạc tối ưu hai mức BOEDA (Bi-level Optimized Algorithm For Energy Depletion Avoidance):
    • Khắc phục nhược điểm phụ thuộc kết quả Pha 1 của GACS bằng cách thiết kế cấu trúc lồng nhau (bi-level).
    • Tối ưu hóa đồng thời cả hành trình di chuyển $\wp$ và thời gian dừng sạc $\tau_i$ bằng cách tích hợp GA (tìm hành trình), phương pháp tham lam và PSO (tối ưu thời gian sạc tại mức dưới).
    • Thiết kế các toán tử lai ghép đặc thù (lai ghép một điểm cắt, PMX) và đột biến (CIM, swap mutation) để bảo đảm tính hợp lệ của hoán vị hành trình.
  4. Phân tích độ phức tạp thuật toán: Đánh giá chi phí tính toán theo số lượng cá thể quần thể $N_{pop}$, số thế hệ lặp $Max_Gen$, số lượng nút cảm biến $n$.
  5. Kết quả thực nghiệm và kiểm định thống kê:
    • Đánh giá trên bộ dữ liệu chuẩn (ví dụ bộ dữ liệu g_25_01) và các kịch bản mạng với 3 phương thức triển khai: dạng lưới ($g$), phân bố chuẩn ($n$) và phân bố đều ($u$).
    • Phân tích ảnh hưởng của tham số khởi tạo $\alpha$, số lượng cảm biến, công suất tiêu thụ trung bình, tốc độ sạc $U$, dung lượng $E_{MC}$ đến tỷ lệ nút chết.
    • Đo lường xu hướng hội tụ và so sánh thời gian thực thi giữa BOEDA, GACS, HPSOGA, GA, PSO.
    • Thực hiện kiểm định thống kê phi tham số Friedman và Quade, cung cấp các bảng giá trị xếp hạng trung bình, $z$-values, $p$-values và $p$-values hiệu chỉnh chứng minh sự vượt trội có ý nghĩa thống kê của BOEDA.

Chương 3: Tối ưu chiến lược sạc cho mô hình sạc nhiều cảm biến

Chương 3 mở rộng nghiên cứu sang mô hình sạc nhiều cảm biến đồng thời bằng công nghệ phát xạ điện từ, phục vụ mạng WRSNs quy mô lớn có nhiệm vụ giám sát các điểm mục tiêu quan trọng và duy trì kết nối truyền dữ liệu về BS thông qua nhiều thiết bị sạc di động (Multi-MC).

Không gian giám sát WRSN quy mô lớn

Nội dung trọng tâm của chương:

  1. Mô hình mạng và bài toán tối ưu: Mạng gồm nhiều cảm biến, nhiều mục tiêu và tập hợp $m$ thiết bị sạc ${MC_1, MC_2, \dots, MC_m}$. Định nghĩa thời gian sống của mạng là khoảng thời gian từ khi bắt đầu vận hành đến khi có ít nhất một mục tiêu bị mất bao phủ hoặc mất đường truyền dữ liệu kết nối về BS.
  2. Thuật toán tham lam xác định điểm dừng sạc: Do MC có thể sạc đồng thời nhiều cảm biến trong bán kính $r_{charge}$, thuật toán tham lam tìm kiếm và rút gọn không gian điểm dừng sạc liên tục thành tập hữu hạn các vị trí dừng sạc tối ưu $D_v$, cực đại hóa năng lượng truyền tới các cảm biến đóng vai trò quan trọng.
  3. Lược đồ sạc phân tán DTCM (Distributed charging scheme under Target coverage and Connectivity constraints for Multiple chargers):
    • Kết hợp giải thuật heuristic và thuật toán học tăng cường Q-learning.
    • Xác định thời gian sạc tối ưu ($T_v$): Tính toán thời gian sạc cần thiết tại mỗi điểm dừng $D_v$ dựa trên mức tiêu hao năng lượng của các cảm biến trong vùng phủ sóng.
    • Thuật toán Q-learning lựa chọn điểm sạc tiếp theo: Thiết kế không gian trạng thái (năng lượng còn lại, khoảng cách di chuyển, vai trò bao phủ/kết nối của các nút lân cận), không gian hành động (chọn điểm dừng $D_v$ kế tiếp), và hàm phần thưởng phản ánh trực tiếp thời gian sống kéo dài của mạng. Xây dựng và cập nhật bảng giá trị $Q$.
  4. Đánh giá độ phức tạp tính toán: Chứng minh thuật toán có độ phức tạp đa thức, phù hợp triển khai phân tán trên các bộ xử lý của MC.
  5. Thực nghiệm và đánh giá hiệu năng:
    • Thiết lập mô phỏng với các tham số mạng cụ thể.
    • Khảo sát sự ảnh hưởng của tham số học $\alpha$ và hệ số khấu hao $\gamma$ đến hiệu suất thuật toán.
    • Đánh giá sự ảnh hưởng của số lượng mục tiêu và số lượng cảm biến tới thời gian sống của mạng.
    • So sánh đối sánh hiệu năng của DTCM với các thuật toán tham chiếu trong văn bản, chứng minh hiệu quả kéo dài thời gian sống mạng và duy trì kết nối ổn định.

Kết quả và những đóng góp mới

Đóng góp về mặt lý thuyết và mô hình

  • Mô hình hóa bài toán tránh cạn kiệt năng lượng (EDAP): Xây dựng mô hình toán học giải quyết bài toán tối thiểu hóa số lượng cảm biến chết dưới ràng buộc năng lượng hữu hạn của MC, giải quyết bài toán NP-khó thông qua việc tối ưu đồng thời hai thành phần không gian (hành trình) và thời gian (thời gian sạc).
  • Mô hình hóa bài toán sạc đa mục tiêu bảo đảm kết nối: Đưa ra mô hình tối ưu hóa chiến lược sạc cho nhiều MC trong mạng sạc đồng thời, tích hợp đầy đủ hai ràng buộc thực tế: bao phủ mục tiêu liên tục và duy trì đường truyền dữ liệu kết nối đa chặng về trạm cơ sở BS.

Đóng góp về mặt thuật toán và giải pháp

  • Đề xuất hai thuật toán cho mô hình sạc từng cảm biến:
    1. Thuật toán GACS: Phương pháp tiếp cận hai pha dựa trên thuật toán di truyền giúp tách bài toán lớn thành hai bài toán con tối ưu hành trình và tối ưu thời gian.
    2. Thuật toán BOEDA: Thuật toán tối ưu hai mức lồng nhau kết hợp linh hoạt giữa GA, phương pháp tham lam và PSO, giải quyết triệt để sự phụ thuộc lời giải giữa hành trình và thời gian sạc, đem lại hiệu năng vượt trội trên các phân bố mạng dạng lưới, phân bố chuẩn và phân bố đều.
  • Đề xuất giải pháp phân tán cho mô hình sạc nhiều cảm biến:
    1. Thuật toán tham lam định vị điểm sạc: Rút gọn không gian tìm kiếm, xác định chính xác các tọa độ dừng sạc tối ưu $D_v$.
    2. Lược đồ sạc DTCM: Kết hợp giải thuật heuristic và thuật toán Q-learning, cho phép nhiều MC tự động ra quyết định chọn điểm sạc tiếp theo và thời gian sạc tại chỗ theo thời gian thực mà không cần điều khiển tập trung phức tạp.

Kiến nghị và giải pháp đề xuất

  • Ứng dụng chiến lược sạc từng phần: Khuyến nghị áp dụng kỹ thuật sạc từng phần thay cho phương pháp sạc đầy truyền thống trong các mạng WRSNs quy mô trung bình và lớn, nhằm giải tỏa hiện tượng nút thắt thời gian chờ cho các cảm biến sắp cạn pin.
  • Cân đối tham số vận hành MC: Cung cấp cơ sở định lượng trong việc lựa chọn dung lượng pin của MC ($E_{MC}$), tốc độ sạc ($U$) và vận tốc di chuyển ($V$) phù hợp với mật độ cảm biến để đạt tỷ lệ nút sống cao nhất.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Các mô hình toán học và thuật toán trong luận án được xây dựng và kiểm thử trên không gian hai chiều (2D), chưa xét tới các địa hình không gian ba chiều (3D) có độ mấp mô hoặc vật cản che chắn sóng RF.
  • Vị trí của các nút cảm biến được giả định là cố định sau khi triển khai, chưa tích hợp kịch bản các nút cảm biến có khả năng tự di chuyển (mobile sensors).
  • Quá trình đánh giá thuật toán chủ yếu dựa trên mô phỏng số học với mô hình tiêu thụ năng lượng lý thuyết, chưa thực nghiệm trên phần cứng mạng cảm biến vật lý thực tế ngoài hiện trường.

Hướng nghiên cứu tiếp theo

  • Mở rộng bài toán tối ưu chiến lược sạc cho không gian ba chiều (3D WRSNs) có tính đến ảnh hưởng của vật cản địa hình lên sự suy hao năng lượng sóng điện từ.
  • Nghiên cứu chiến lược sạc phối hợp khi trong mạng có sự kết hợp giữa các cảm biến cố định và các cảm biến di động.
  • Tích hợp thêm các nguồn thu hoạch năng lượng tự nhiên (năng lượng mặt trời, gió) kết hợp cùng thiết bị sạc di động MC để xây dựng hệ thống sạc lai ghép (hybrid energy replenishment).

Giá trị tham khảo

Đối tượng thụ hưởng

  • Nghiên cứu sinh, học viên cao học và nhà nghiên cứu: Thuộc các chuyên ngành Khoa học máy tính, Kỹ thuật máy tính, Mạng truyền thông và Tối ưu hóa tổ hợp. Luận án cung cấp hệ thống tài liệu chuẩn mực về việc áp dụng Meta-heuristic và Reinforcement Learning vào bài toán mạng cảm biến.
  • Giảng viên đại học: Có thể sử dụng nội dung luận án làm tài liệu tham khảo chuyên đề cho các học phần: Thuật toán tối ưu nâng cao, Mạng cảm biến không dây và IoTs, Học tăng cường ứng dụng.
  • Kỹ sư và nhà phát triển hệ thống: Các kỹ sư thiết kế mạng IoTs công nghiệp, nông nghiệp thông minh, giám sát môi trường hoặc an ninh biên giới có thể tham khảo cấu trúc thuật toán để lập trình điều khiển phương tiện tự hành (AGV/rô-bốt) sạc tự động cho các thiết bị đo xa.

Các phần nội dung đáng tham khảo

  • Chương 1: Phần trình bày toán học về phương trình Bellman, thuật toán Q-learning và các mô hình suy hao năng lượng sóng Friis, mô hình tiêu thụ năng lượng truyền thông.
  • Chương 2: Kỹ thuật mã hóa cá thể, thiết kế toán tử lai ghép PMX, đột biến CIM trong BOEDA và quy trình kiểm định thống kê phi tham số (Friedman, Quade test) để đánh giá độ tin cậy của thuật toán tối ưu.
  • Chương 3: Thiết kế hàm phần thưởng và bảng trạng thái - hành động $Q$ cho bài toán lập lịch di chuyển đa tác nhân (Multi-Agent/Multi-MC) dưới ràng buộc kết nối mạng.

Câu hỏi thường gặp

1. Luận án giải quyết mục tiêu cốt lõi nào và chia thành các bài toán cụ thể nào?

Luận án giải quyết vấn đề kéo dài thời gian sống của mạng cảm biến sạc không dây (WRSNs) thông qua tối ưu chiến lược sạc của thiết bị sạc di động (MC), bao gồm hai bài toán chính:

  • Bài toán 1: Tối ưu chiến lược sạc (hành trình và thời gian sạc) cho mô hình sạc từng cảm biến nhằm tối thiểu hóa số lượng nút bị cạn kiệt năng lượng sau mỗi chu kỳ, dưới ràng buộc năng lượng hữu hạn của MC.
  • Bài toán 2: Tối ưu chiến lược sạc cho mô hình sạc nhiều cảm biến đồng thời với nhiều MC nhằm tối đa hóa thời gian giám sát liên tục các mục tiêu quan trọng và bảo đảm tính kết nối truyền dữ liệu về trạm cơ sở BS.

2. Hai thuật toán GACS và BOEDA trong Chương 2 có cơ chế hoạt động khác nhau như thế nào?

  • GACS (Genetic Algorithm-based Charging Scheme): Tiếp cận theo phương pháp hai pha tuần tự. Pha 1 sử dụng giải thuật di truyền để tìm hành trình sạc tối ưu (ưu tiên các nút có thời gian sống ngắn). Pha 2 tối ưu hóa thời gian dừng sạc cho từng nút dựa trên hành trình đã cố định từ Pha 1.
  • BOEDA (Bi-level Optimized Algorithm For Energy Depletion Avoidance): Tiếp cận theo mô hình tối ưu hai mức lồng nhau. Thuật toán tối ưu hóa đồng thời cả hành trình di chuyển và thời gian sạc tại mỗi nút bằng cách kết hợp giải thuật di truyền (GA ở mức trên), thuật toán tham lam và tối ưu hóa bầy đàn (PSO ở mức dưới), giúp khắc phục việc phụ thuộc vào lời giải hành trình cục bộ.

3. Mô hình tiêu thụ năng lượng của cảm biến được xác định bằng những công thức và tham số nào?

Năng lượng tiêu thụ của cảm biến $s_i$ gồm năng lượng nhận dữ liệu $e_i^{re} = \varepsilon_{elec}$ ($50\text{ nJ/bit}$) và năng lượng truyền dữ liệu $e_i^{tr}$ tới nút $s_h$: $$e_i^{tr} = \begin{cases} \varepsilon_{elec} + \varepsilon_{fs} \times d_{ih}^2, & \text{nếu } d_{ih} < d_0 \ \varepsilon_{elec} + \varepsilon_{mp} \times d_{ih}^4, & \text{nếu } d_{ih} \ge d_0 \end{cases}$$ Trong đó khoảng cách ngưỡng $d_0 = \sqrt{\varepsilon_{fs}/\varepsilon_{mp}}$, hệ số $\varepsilon_{fs} = 10\text{ pJ/bit/m}^2$, $\varepsilon_{mp} = 0.0013\text{ pJ/bit/m}^4$. Tổng năng lượng tiêu hao là $e_i = e_i^{re} + e_i^{tr}$. Tỷ lệ tiêu thụ trung bình $p_i$ được BS ước lượng qua $L=10$ mốc thời gian liên tiếp trong quá khứ, mỗi mốc $l_q = 100\text{ s}$.

4. Thuật toán DTCM trong Chương 3 hoạt động dựa trên nguyên lý nào để điều khiển nhiều thiết bị sạc?

DTCM là lược đồ sạc phân tán cho nhiều MC, kết hợp giữa giải thuật heuristic và thuật toán học tăng cường Q-learning:

  • Sử dụng thuật toán tham lam để xác định các vị trí dừng sạc tối ưu $D_v$.
  • Sử dụng công thức heuristic để tính toán thời gian sạc tối ưu $T_v$ tại từng điểm dừng dựa trên nhu cầu năng lượng của các cảm biến lân cận.
  • Ứng dụng thuật toán Q-learning để từng MC tự động học và quyết định điểm sạc $D_v$ tiếp theo trong không gian trạng thái, dựa trên tín hiệu phần thưởng phản ánh mức độ duy trì bao phủ mục tiêu và bảo đảm kết nối đa chặng về trạm cơ sở BS.

5. Luận án sử dụng các phương pháp thống kê nào để kiểm chứng kết quả thực nghiệm trong Chương 2?

Luận án sử dụng các phương pháp kiểm định thống kê phi tham số gồm:

  • Phép thử Friedman (Friedman test) và phép thử Quade (Quade test) để xếp hạng trung bình hiệu năng các thuật toán (BOEDA, GACS, HPSOGA, GA, PSO).
  • Tính toán các giá trị thống kê $z$-values, $p$-values và $p$-values hiệu chỉnh (adjusted $p$-values) theo các quy trình kiểm định đa so sánh nhằm khẳng định sự cải thiện về tỷ lệ nút chết và tốc độ hội tụ của thuật toán BOEDA là có ý nghĩa thống kê rõ rệt.

Kết luận

Luận án tiến sĩ của tác giả Trần Thị Hương đã giải quyết bài toán tối ưu chiến lược sạc cho các thiết bị sạc di động nhằm kéo dài thời gian sống của mạng cảm biến sạc không dây (WRSNs) dưới các ràng buộc tài nguyên thực tế. Tác giả đã đề xuất các giải thuật tối ưu meta-heuristic hai mức BOEDA cho mô hình sạc từng cảm biến và lược đồ phân tán DTCM kết hợp Q-learning cho mô hình sạc nhiều cảm biến với nhiều MC. Các kết quả thực nghiệm mô phỏng và kiểm định thống kê phi tham số khẳng định tính hiệu quả của các giải thuật đề xuất trong việc giảm thiểu tỷ lệ nút chết và bảo đảm tính kết nối bao phủ mục tiêu liên tục cho toàn mạng.