Tổng quan về luận án

Sự phát triển đột phá của công nghệ Vi điện tử và Mạng kết nối vạn vật (Internet of Things - IoTs) sau đại dịch COVID-19 đã thúc đẩy sự phổ biến mạnh mẽ của Mạng cảm biến không dây (Wireless Sensor Networks - WSNs) trong nhiều lĩnh vực trọng yếu: từ giám sát môi trường, cảnh báo thiên tai, nông nghiệp thông minh đến các hệ thống phòng thủ quân sự và an ninh quốc gia. Tuy nhiên, rào cản nội tại lớn nhất của WSNs truyền thống nằm ở giới hạn dung lượng pin của các nút cảm biến ($e_{max}$). Khi năng lượng cạn kiệt, các cảm biến trở thành "nút chết", làm gián đoạn đường truyền dữ liệu về trạm cơ sở (Base Station - BS), gây mất kết nối mạng và tạo ra các lỗ hổng giám sát nghiêm trọng.

Sự xuất hiện của công nghệ truyền năng lượng không dây (Wireless Power Transfer - WPT) dựa trên cộng hưởng từ trường và phát xạ sóng vô tuyến đã khai sinh thế hệ Mạng cảm biến có khả năng sạc không dây (Wireless Rechargeable Sensor Networks - WRSNs). Bằng cách triển khai các thiết bị sạc di động (Mobile Chargers - MCs) như robot tự hành hay phương tiện không người lái, năng lượng có thể được bổ sung định kỳ hoặc theo yêu cầu. Dẫu vậy, việc điều phối MC đối mặt với thách thức tối ưu hóa phức tạp: "Tối ưu chiến lược sạc được chứng minh là bài toán NP-khó, liên quan với cả yếu tố về không gian (hành trình sạc) và thời gian (thời gian sạc)".

Khoảng trống nghiên cứu (Research Gap) cốt lõi được xác định: Phần lớn các công trình tiền nhiệm đơn giản hóa bài toán bằng cách giả định năng lượng MC là vô hạn, áp dụng cơ chế sạc đầy (full charging) hoặc chỉ tối ưu hóa riêng rẽ hành trình di chuyển (TSP-based tours) mà bỏ qua thời gian dừng sạc, dẫn đến hiện tượng nhiều cảm biến cạn kiệt năng lượng trong hàng đợi chờ phục vụ.

Luận án tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101) của Nghiên cứu sinh Trần Thị Hương, dưới sự hướng dẫn khoa học của PGS. Huỳnh Thị Thanh Bình và PGS. Lê Trọng Vĩnh tại Đại học Bách khoa Hà Nội (2024), mang tiêu đề "Tối ưu chiến lược sạc cho các cảm biến để kéo dài thời gian sống của mạng WRSNs", đã giải quyết trực diện bài toán trên thông qua các câu hỏi và giả thuyết nghiên cứu tường minh:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để đồng thời tối ưu hóa hành trình di chuyển và phân bổ thời gian sạc từng phần cho một MC có dung lượng pin hữu hạn ($E_{MC}$) nhằm tối thiểu hóa số lượng nút cảm biến cạn kiệt năng lượng trong mô hình sạc từng cảm biến?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để điều phối phân tán nhiều thiết bị sạc di động (Multiple MCs) theo thời gian thực trong mô hình sạc nhiều cảm biến đồng thời nhằm tối đa hóa thời gian bao phủ mục tiêu và bảo toàn tính kết nối định tuyến về trạm cơ sở?
  • Giả thuyết nghiên cứu 1 (H1): Việc kết hợp tối ưu hóa hai mức (Bi-level Optimization) giữa Thuật toán Di truyền (GA), Heuristic tham lam và Tối ưu hóa Bầy đàn (PSO) sẽ vượt trội hơn các giải thuật tiến hóa đơn mức trong việc giảm thiểu tỷ lệ nút chết dưới ràng buộc năng lượng thực tế.
  • Giả thuyết nghiên cứu 2 (H2): Mô hình Học tăng cường dựa trên giá trị (Value-based Reinforcement Learning - Q-learning) kết hợp Heuristic cụm hóa điểm sạc có khả năng thích ứng linh hoạt với mức tiêu thụ năng lượng biến thiên, kéo dài thời gian sống của mạng vượt bậc so với các chiến lược sạc tĩnh hoặc sạc theo luật cố định.

Khung lý thuyết của công trình tích hợp Lý thuyết Tiến hóa Toán học (Holland, Michalewicz), Lý thuyết Trí tuệ Bầy đàn (Kennedy, Eberhart), Lý thuyết Học tăng cường và Phương trình Tối ưu Bellman (Sutton, Barto), cùng các định luật truyền dẫn sóng điện từ Friis. Nghiên cứu thực nghiệm trên các tập dữ liệu mô phỏng quy mô lớn với ba cấu trúc phân bố không gian: phân bố chuẩn Gaussian ($g$), phân bố không đồng đều Normal ($n$), và phân bố đều Uniform ($u$), đem lại đóng góp lý thuyết và thực tiễn vững chắc cho lĩnh vực mạng cảm biến thông minh.

Literature Review và Positioning

Nghiên cứu về chiến lược sạc trong WRSNs được phân nhánh rõ rệt theo các trường phái tiếp cận về phương thức phục vụ (định kỳ vs. theo yêu cầu), mô hình nạp năng lượng (sạc đầy vs. sạc từng phần), và công nghệ truyền dẫn (sạc đơn nút vs. sạc đa nút đồng thời).

                             TIẾN TRÌNH NGHIÊN CỨU WRSNs
[Mô hình Định kỳ / Sạc đầy]                                           [Mô hình Động / Theo yêu cầu]
Shi et al. (2011) [19]                                                Kaswan et al. (2018) [64]
Dai et al. (2014) [20]                                                Zhu et al. (2018) [33]
Mo et al. (2019) [21]                                                 Angelin et al. (2016) [65]

Trong trường phái sạc định kỳ (Periodic Charging), Shi và cộng sự (2011) [19] tiên phong xây dựng mô hình toán học nhằm tối đa hóa thời gian nghỉ của MC tại trạm sạc, quy đổi bài toán di chuyển về bài toán tìm chu trình Hamilton (TSP). Tuy nhiên, nghiên cứu này mặc định giả định năng lượng MC vô hạn và áp dụng cơ chế sạc đầy cho mọi nút. Liang et al. (2014) và Shu et al. (2016) mở rộng không gian tìm kiếm bằng giải thuật Heuristic, nhưng vẫn xem nhẹ biến số thời gian dừng sạc ($\tau_i$), dẫn đến hiện tượng nghẽn hàng đợi sạc nghiêm trọng khi mật độ nút tăng cao.

Đối với trường phái sạc theo yêu cầu (On-demand Charging), Kaswan et al. (2018) [64] và Angelin et al. (2016) [65] (với thuật toán SAMER - Starvation Avoidance Mobile Energy Replenishment) đã tính toán ngưỡng trễ sạc chấp nhận được dựa trên tốc độ tiêu thụ năng lượng. Dù vậy, SAMER chỉ xem xét độ trễ cục bộ của từng nút riêng lẻ thay vì tối ưu hóa toàn cục, đồng thời bỏ qua tính hữu hạn của pin MC. Đáng chú ý, Zhu et al. (2018) [33] đề xuất hai thuật toán trực tuyến PA (Probability-based Algorithm) và INMA (Invalid Node Minimized Algorithm) nhằm tối thiểu hóa số nút chết. Dẫu tiến bộ, INMA vẫn bị ràng buộc bởi giả thiết công suất tiêu hao không đổi suốt chu kỳ vận hành.

Trong phân nhánh sạc nhiều cảm biến đồng thời (Multi-node Charging), Dai et al. (2014) [20] phân chia không gian mạng thành các lưới ô vuông có kích thước cạnh $d \in [R, 2R]$ và áp dụng tìm kiếm láng giềng gần nhất. Mo et al. (2019) [21] xây dựng quy trình hai pha dựa trên hình học giao thoa đường tròn phủ sạc bán kính $R$. Điểm yếu chung của các nghiên cứu quốc tế này là giả định công suất sạc tĩnh, không tính toán suy hao phi tuyến theo khoảng cách và chưa gắn liền với bài toán duy trì bao phủ mục tiêu kết hợp bảo toàn luồng dữ liệu liên tục về BS.

Luận án này định vị chính xác tại giao điểm của các hạn chế trên: chuyển dịch mô hình từ sạc đầy sang sạc từng phần thích ứng; chuyển từ tối ưu hóa tuần tự/đơn mức sang tối ưu hóa đồng thời hai mức (Bi-level BOEDA); và tích hợp thuật toán Học tăng cường Q-learning phân tán đa tác nhân (DTCM) trong điều kiện năng lượng MC hữu hạn và công suất cảm biến biến thiên phi tuyến.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án thiết lập các đóng góp lý thuyết nền tảng trong lĩnh vực Tối ưu hóa Tổ hợp và Khoa học Mạng:

                  KHUNG KHÁI NIỆM & TIẾN TRÌNH LÝ THUYẾT
[Chương trình Tối ưu Hai mức - BOEDA]             [Quy trình Q-learning Phân tán - DTCM]

  1. Hình thức hóa Toán học Bài toán Tránh cạn kiệt Năng lượng (EDAP): Xây dựng mô hình quy hoạch toán học chặt chẽ cho EDAP với hàm mục tiêu tối thiểu hóa số lượng cảm biến chết $\sum_{i=1}^n z_i$ ($z_i \in {0, 1}$), chịu các ràng buộc không gian - thời gian phi tuyến:

    $$\min \sum_{i=1}^n z_i$$

    Ràng buộc năng lượng của MC:

    $$E_{move} + E_{charge} \le E_{MC} - E_{MC}^{min}$$

    Ràng buộc thời gian chu kỳ:

    $$\sum_{i=1}^n \tau_i + \sum_{i=0}^n \frac{d_{\pi_i, \pi_{i+1}}}{V} \le CT$$

  2. Mệnh đề Tối ưu hóa Đồng thời Hai mức (Proposition 1 - Bi-level Co-evolution): Chứng minh trên phương diện cấu trúc không gian nghiệm rằng việc phân tách tuần tự bài toán tìm đường và bài toán phân bổ thời gian sẽ triệt tiêu khả năng tiếp cận nghiệm tối ưu toàn cục. Luận án đề xuất cấu trúc tiến hóa lồng nhau: Cấp thượng tầng (Upper-level) tối ưu hóa vector hoán vị thứ tự nút $\pi = {\pi_1, \pi_2, \dots, \pi_n}$ thông qua GA; Cấp hạ tầng (Lower-level) tối ưu hóa vector liên tục thời gian sạc $\mathbf{t} = {\tau_1, \tau_2, \dots, \tau_n}$ thông qua PSO kết hợp Heuristic tham lam.

  3. Khung Q-learning Ra quyết định Phân tán trên Không gian Trạng thái Động (Proposition 2 - MDP Formulation for Multi-MC): Mô hình hóa quá trình sạc đa MC dưới dạng Quá trình Ra quyết định Markov (MDP). Thiết lập hàm phần thưởng phản ánh trực tiếp năng lượng nhận được của các nút trọng yếu tham gia bao phủ mục tiêu và duy trì kết nối mạng, đảm bảo tính hội tụ theo phương trình Bellman tối ưu.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết nền tảng:

  • Lý thuyết Truyền dẫn Năng lượng Không gian Tự do Friis & Ghép nối Từ trường: Mô hình hóa chính xác công suất thu $P_{rx}$ của cảm biến. Đối với sạc đơn nút: $P_{rx} = \mu(d) P_{tx}$, với $\mu(d)$ là hàm hiệu suất suy giảm theo khoảng cách $d$. Đối với sạc đa nút:

    $$P_{rx} = \begin{cases} \frac{\lambda}{(d + \beta)^2}, & \text{nếu } d \le r_{charge} \ 0, & \text{nếu } d > r_{charge} \end{cases}$$

    trong đó $\lambda = \frac{G_{tx} G_{rx} \eta \zeta^2}{L_p (4\pi)^2} P_{tx}$.

  • Lý thuyết Thuật toán Tiến hóa Kết hợp (Hybrid Meta-heuristics): Tích hợp toán tử lai ghép trật tự PMX (Partially Mapped Crossover), đột biến đảo đoạn CIM (Continuous Inversion Mutation) và cơ chế cập nhật vận tốc bầy đàn có trọng số quán tính $w \in [0.4, 0.9]$ cùng kỹ thuật kẹp vận tốc $[-V_{max}, V_{max}]$.

  • Lý thuyết Học tăng cường Không mô hình (Model-free RL): Khai thác cấu trúc bảng $Q(s, a)$ với cơ chế cân bằng khám phá - khai thác $\epsilon$-greedy, khấu hao tương lai $\gamma \in [0, 1]$ và tốc độ học $\alpha \in [0, 1]$.

Điều kiện biên (Boundary Conditions): Áp dụng trong không gian mạng 2D kích thước $W \times H$, vận tốc MC $V$ không đổi, kênh truyền vô tuyến chịu ảnh hưởng của mô hình suy hao năng lượng sơ cấp (First-order Radio Model).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan Thực chứng (Positivism) và phương pháp luận Nghiên cứu Định lượng Thực nghiệm (Quantitative Empirical Design) trong Khoa học Máy tính. Thiết kế thực nghiệm đa cấp độ bao gồm:

                            QUY TRÌNH THỰC NGHIỆM ĐA CẤP ĐỘ
[CẤP ĐỘ 1: SẠC TỪNG NÚT (SINGLE-MC)]                    [CẤP ĐỘ 2: SẠC ĐA NÚT (MULTI-MC)]
  1. Cấp độ 1 (Mô hình Sạc đơn nút): Đánh giá hiệu năng của thuật toán di truyền hai pha GACS và thuật toán tối ưu hóa hai mức BOEDA trên các tập dữ liệu có quy mô $N \in [25, 100]$ cảm biến.
  2. Cấp độ 2 (Mô hình Sạc đa nút đồng thời): Khảo sát thuật toán Heuristic xác định điểm sạc kết hợp lược đồ DTCM trên các cấu hình mạng quy mô lớn $N \in [100, 500]$ cảm biến với nhiều điểm mục tiêu cần giám sát nghiêm ngặt.

Quy trình nghiên cứu rigorous

Mô hình hóa năng lượng tiêu thụ được thiết lập theo chuẩn viễn thông quốc tế: Năng lượng tiêu thụ để nhận 1 bit dữ liệu là $e_i^{re} = \varepsilon_{elec}$ (J/bit). Năng lượng tiêu thụ để truyền 1 bit dữ liệu qua khoảng cách Euclid $d_{ih}$ giữa nút $s_i$ và $s_h$:

$$e_i^{tr} = \begin{cases} \varepsilon_{elec} + \varepsilon_{fs} \times d_{ih}^2, & \text{nếu } d_{ih} < d_0 \ \varepsilon_{elec} + \varepsilon_{mp} \times d_{ih}^4, & \text{nếu } d_{ih} \ge d_0 \end{cases}$$

Các tham số vật lý được chuẩn hóa chính xác:

  • $\varepsilon_{elec} = 50\text{ nJ/bit}$ (Năng lượng mạch điện phát/thu)
  • $\varepsilon_{fs} = 10\text{ pJ/bit/m}^2$ (Hệ số suy hao mô hình không gian tự do)
  • $\varepsilon_{mp} = 0.0013\text{ pJ/bit/m}^4$ (Hệ số suy hao mô hình đa đường)
  • Khoảng cách ngưỡng chuyển đổi: $d_0 = \sqrt{\frac{\varepsilon_{fs}}{\varepsilon_{mp}}} \approx 87.7\text{ m}$.

Ước lượng năng lượng tiêu thụ trung bình của cảm biến $s_i$ được thực hiện tại Trạm cơ sở thông qua cửa sổ trượt lịch sử $L = 10$ mốc liên tiếp, mỗi chu kỳ con $l_q = 100\text{s}$:

$$p_i = \frac{\sum_{q=1}^L e_i^q \times l_q}{\sum_{q=1}^L l_q}$$

                CƠ CHẾ ĐIỀU PHỐI HAI MỨC CỦA THUẬT TOÁN BOEDA
[Pha 1: Quần thể GA (Hành trình π)]                 [Pha 2: Bầy đàn PSO (Thời gian τ)]
                      [Đánh giá nghiệm toàn cục &]
                      [Cập nhật mức năng lượng MC]

Quy trình vận hành chi tiết của thuật toán hai mức BOEDA:

  • Bước 1 (Khởi tạo): Tạo quần thể $N_{pop}$ cá thể đại diện cho các hoán vị chu trình sạc $\pi$.
  • Bước 2 (Giải mã & Tối ưu mức dưới): Với mỗi hoán vị $\pi$, kích hoạt bầy đàn PSO để tìm vector thời gian dừng sạc tối ưu $\mathbf{t} = {\tau_1, \tau_2, \dots, \tau_n}$ thỏa mãn dung lượng pin $E_{MC}$.
  • Bước 3 (Đánh giá thích nghi): Tính toán số lượng nút chết dự báo tại cuối chu kỳ sạc $CT$.
  • Bước 4 (Tiến hóa): Thực hiện lai ghép PMX, đột biến CIM để tạo thế hệ kế tiếp cho đến khi đạt số lần lặp tối đa $MaxGen$.

Quy trình vận hành thuật toán Q-learning trong DTCM:

  • Trạng thái ($s$): Biểu diễn phân bố năng lượng và tình trạng bao phủ các mục tiêu.

  • Hành động ($a$): Lựa chọn điểm dừng sạc kế tiếp $D_v$ từ tập điểm ứng viên Heuristic.

  • Cập nhật giá trị $Q$:

    $$Q(s, a) \leftarrow (1 - \alpha) Q(s, a) + \alpha \left[ r + \gamma \max_{a'} Q(s', a') \right]$$

Data và phân tích

Hệ thống thuật toán được lập trình trên môi trường mô phỏng C++ / Python. Tính giá trị và độ tin cậy được kiểm chứng thống kê thông qua các bài kiểm tra phi tham số (Non-parametric statistical tests):

  • Kiểm định thứ hạng Friedman (Friedman rank test) và kiểm định Quade để đánh giá sự khác biệt có ý nghĩa thống kê giữa BOEDA và các đối thủ cạnh tranh (GACS, GA, PSO, Greedy).
  • Thủ tục điều chỉnh giá trị $p$ (Adjusted $p$-values) hậu kiểm (Post-hoc procedures) sử dụng các hiệu chỉnh nghiêm ngặt: Bonferroni-Dunn, Holm, và Hochberg, đảm bảo kiểm soát tỷ lệ sai số loại I (Family-wise Error Rate) ở mức $\alpha = 0.05$.

Phát hiện đột phá và implications

Những phát hiện then chốt

      TỔNG HỢP SO SÁNH HIỆU NĂNG CÁC THUẬT TOÁN ĐỀ XUẤT VS BASELINES
  1. Sự vượt trội của Cơ chế Tối ưu hóa Đồng thời Hai mức (BOEDA): Trên cả ba dạng phân bố mạng ($g, n, u$), thuật toán BOEDA giảm thiểu tỷ lệ nút chết từ mức trung bình $32.6% - 41.5%$ (ở các thuật toán GA và PSO truyền thống) xuống dưới $4.2%$. Phép thử Friedman và Quade cho thấy sự khác biệt có ý nghĩa thống kê cao với các giá trị $p_{adjusted} < 0.001$ sau hiệu chỉnh Holm và Hochberg.
  2. Tính ưu việt của Chiến lược Sạc từng phần Thích ứng: Kết quả chỉ ra nghịch lý của cơ chế sạc đầy truyền thống: Việc cố gắng nạp $100%$ dung lượng pin ($e_{max}$) cho các nút ở đầu hành trình làm kéo dài thời gian chờ của các nút cuối hành trình, dẫn đến hiệu ứng domino làm chết hàng loạt cảm biến. Phân bổ thời gian sạc linh hoạt $\tau_i$ của BOEDA giúp cân bằng năng lượng toàn mạng, duy trì $100%$ nút sống qua nhiều chu kỳ sạc liên tiếp.
  3. Khả năng thích ứng vượt trội của DTCM trong Sạc Đa nút: Thuật toán DTCM kết hợp Heuristic và Q-learning giúp kéo dài thời gian sống của mạng WRSNs thêm $45.8% - 72.3%$ so với thuật toán Nearest-Job-Next with Preemption (NJNP) và các phương pháp tham lam tĩnh.
  4. Tác động phi tuyến của Tốc độ học ($\alpha$) và Hệ số Khấu hao ($\gamma$): Thực nghiệm chứng minh khi $\gamma \approx 0.8$ và $\alpha \approx 0.1 - 0.2$, tác nhân Q-learning đạt sự cân bằng tối ưu giữa việc đáp ứng nhu cầu sạc cấp bách trước mắt và duy trì kết nối mạng dài hạn. Khi $\gamma \to 0$ (thuật toán thuần tham lam), thời gian sống của mạng suy giảm nghiêm trọng do MC sa vào bẫy tối ưu cục bộ.

Implications đa chiều

  • Ý nghĩa Lý thuyết: Mở rộng lý thuyết điều khiển tối ưu trong mạng không dây, đặt nền móng cho các nghiên cứu kết hợp giữa Meta-heuristics và Học máy tăng cường trong các bài toán NP-khó có ràng buộc động.
  • Ý nghĩa Thực tiễn: Cung cấp giải pháp kỹ thuật hoàn chỉnh cho các doanh nghiệp phát triển hạ tầng IoT công nghiệp, hệ thống quan trắc môi trường thông minh và lưới điện thông minh (Smart Grid), giúp giảm chi phí bảo trì và thay thế pin thủ công.
  • Khuyến nghị Chính sách & Tiêu chuẩn: Đề xuất các cơ quan quản lý viễn thông và hiệp hội tiêu chuẩn hóa (như IEEE, ITU) tích hợp các giao thức sạc năng lượng thông minh và chia sẻ tài nguyên không dây vào các khung tiêu chuẩn WSNs/IoT thế hệ mới.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Môi trường không gian 2D lý tưởng hóa: Nghiên cứu giả định các nút cảm biến và MC di chuyển trên mặt phẳng 2D không vật cản ($W \times H$), chưa tính toán đến địa hình đồi núi phức tạp 3D hoặc môi trường đô thị có nhiều chướng ngại vật cản trở sóng RF.
  2. Mô hình kênh truyền suy hao đơn giản: Mô hình suy hao sóng tự do Friis và tiêu thụ năng lượng sơ cấp chưa phản ánh hết hiện tượng đa đường (multipath fading), che khuất (shadowing) và biến động nhiệt độ môi trường thực tế làm suy giảm dung lượng pin cảm biến.
  3. Đặc tính động học của MC: Chưa xét đến gia tốc, độ trễ chuyển hướng và năng lượng tiêu hao khi phanh/khởi động lại của thiết bị sạc di động.

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

  • Mở rộng bài toán sang không gian 3D với sự tham gia của Thiết bị bay không người lái (UAVs) đóng vai trò trạm sạc trên không.
  • Ứng dụng Học tăng cường sâu (Deep Reinforcement Learning - DRL như DDPG, PPO) để xử lý không gian trạng thái và hành động liên tục trong các mạng quy mô hàng chục nghìn nút.
  • Tích hợp mô hình thu hoạch năng lượng lai (Hybrid Energy Harvesting - kết hợp năng lượng mặt trời/gió với WPT).

Tác động và ảnh hưởng

  • Tác động Học thuật: Các thuật toán đề xuất (BOEDA, GACS, DTCM) cung cấp chuẩn đối sánh (benchmark) mới cho cộng đồng nghiên cứu quốc tế trong lĩnh vực WRSNs và Tối ưu hóa tính toán (Computational Optimization), với tiềm năng trích dẫn cao trong các tạp chí chuyên ngành hạng Q1 (IEEE Transactions on Mobile Computing, IEEE Internet of Things Journal, ACM TOSN).
  • Chuyển đổi Công nghiệp: Ứng dụng trực tiếp vào các nhà máy thông minh (Industry 4.0), hệ thống nông nghiệp công nghệ cao và kho vận tự động, nơi hàng triệu cảm biến cần duy trì vận hành liên tục 24/7 mà không phụ thuộc vào dây dẫn điện.
  • Lợi ích Xã hội & Quốc phòng: Nâng cao độ tin cậy của các hệ thống cảnh báo sớm thiên tai (cháy rừng, lũ quét, động đất) và hệ thống phòng thủ biên giới, bảo vệ an toàn tính mạng con người và tài sản quốc gia.

Đối tượng hưởng lợi

                           HỆ SINH THÁI ĐỐI TƯỢNG HƯỞNG LỢI
[Nghiên cứu sinh / Giới học thuật]   [Kỹ sư R&D / Doanh nghiệp IoT]   [Cơ quan Quản lý / Nhà hoạch định]
  • Nghiên cứu sinh & Nhà khoa học: Kế thừa khung hình thức hóa toán học của bài toán EDAP và quy trình thực nghiệm kiểm định phi tham số chuẩn mực để mở rộng sang các bài toán tối ưu hóa đa mục tiêu phức tạp.
  • Kỹ sư R&D & Doanh nghiệp Công nghệ: Sử dụng mã nguồn và thuật toán BOEDA, DTCM để nạp trực tiếp vào firmware điều khiển của các robot sạc tự hành, giảm thiểu chi phí nhân công thay pin vật lý ước tính từ $60% - 80%$.
  • Nhà hoạch định Chính sách & Đô thị thông minh: Ứng dụng mô hình để thiết kế hạ tầng cảm biến quan trắc chất lượng không khí, giao thông đô thị với độ bền vững năng lượng cao.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc thiết lập Khung tối ưu hóa đồng thời hai mức (Bi-level Optimization Architecture) cho bài toán EDAP, mở rộng Lý thuyết Tối ưu hóa Tiến hóa và Quy hoạch Phi tuyến. Thay vì phân tách tuần tự làm mất tính liên kết nghiệm, luận án đã tích hợp đồng thời thuật toán Di truyền (cấp 1 - tìm chu trình hoán vị) và thuật toán PSO kết hợp Tham lam (cấp 2 - phân bổ mảng thời gian sạc $\tau_i$), giải quyết triệt để sự đánh đổi giữa chi phí di chuyển của MC và nguy cơ cạn kiệt năng lượng của các nút cảm biến.

2. Đổi mới phương pháp luận của luận án so với hai công trình quốc tế tiêu biểu?

So với nghiên cứu của Shi et al. (2011) [19] (chỉ tối ưu chu trình TSP với giả định sạc đầy và năng lượng MC vô hạn) và Zhu et al. (2018) [33] (thuật toán INMA trực tuyến nhưng bỏ qua sự biến thiên động của năng lượng tiêu thụ), luận án đổi mới toàn diện: (1) Mô hình hóa chính xác hàm tiêu thụ năng lượng lịch sử qua cửa sổ trượt $L=10$ mốc thời gian; (2) Tích hợp kiểm định thống kê phi tham số Friedman/Quade với hiệu chỉnh đa biến Holm-Hochberg để xác thực độ tin cậy của thuật toán.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?

Phát hiện phản trực giác nhưng có căn cứ toán học vững chắc: Chiến lược sạc đầy pin ($100%$) thực chất là nguyên nhân chính phá hủy mạng nhanh hơn. Trong điều kiện sạc không dây công suất thấp, việc dừng sạc quá lâu tại một nút để đạt mức $e_{max}$ sẽ tiêu tốn toàn bộ quỹ thời gian cứu vãn các nút khác, dẫn đến cái chết hàng loạt của các cảm biến trong hàng đợi. Ngược lại, chiến lược sạc từng phần linh hoạt của BOEDA duy trì trạng thái "vừa đủ sống" cho toàn bộ mạng lưới, giữ tỷ lệ sống sót đạt gần như tuyệt đối.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hoàn chỉnh không?

Hoàn toàn đầy đủ. Luận án công bố chi tiết hệ thống tham số thực nghiệm: mô hình năng lượng vô tuyến ($\varepsilon_{elec}=50\text{ nJ/bit}$, $\varepsilon_{fs}=10\text{ pJ/bit/m}^2$, $\varepsilon_{mp}=0.0013\text{ pJ/bit/m}^4$), các quy tắc sinh dữ liệu phân bố ($g, n, u$), tham số giải thuật di truyền (lai ghép PMX, đột biến CIM), tham số PSO ($w \in [0.4, 0.9]$, $c_1=c_2=2.0$), và các siêu tham số Q-learning ($\alpha=0.1, \gamma=0.8, \epsilon=0.1$). Mọi nhà nghiên cứu độc lập đều có thể tái lập chính xác các kết quả thực nghiệm.

5. Lộ trình nghiên cứu 10 năm tới được phác thảo như thế nào?

Lộ trình 10 năm định hình sự phát triển của WRSNs qua 3 giai đoạn:

  • Giai đoạn 1 (2024-2027): Tích hợp UAVs 3D và thuật toán DRL (Deep Q-Network, Multi-Agent PPO) điều khiển bầy thiết bị sạc tự hành thích ứng với địa hình phức tạp.
  • Giai đoạn 2 (2027-2030): Phát triển mạng WRSNs tự trị hỗ trợ 6G và truyền năng lượng thông minh thông qua Bề mặt phản xạ thông minh (Reconfigurable Intelligent Surfaces - RIS).
  • Giai đoạn 3 (2030-2034): Hiện thực hóa mạng Zero-Power IoT toàn cầu kết hợp công nghệ sạc không dây lượng tử và siêu vật liệu thu hoạch năng lượng môi trường.

Kết luận

Luận án tiến sĩ của Nghiên cứu sinh Trần Thị Hương đã giải quyết xuất sắc bài toán then chốt trong mạng WRSNs với 5 đóng góp cốt lõi:

  1. Hình thức hóa toàn diện bài toán EDAP: Xây dựng mô hình toán học giải quyết đồng thời cả hai chiều không gian (hành trình sạc) và thời gian (thời gian sạc) dưới ràng buộc năng lượng MC hữu hạn.
  2. Đề xuất thuật toán hai pha GACS: Phân rã bài toán lớn thành hai pha tiến hóa di truyền, tối ưu hóa thứ tự phục vụ ưu tiên các nút có thời gian sống ngắn.
  3. Sáng tạo thuật toán tối ưu hai mức BOEDA: Đột phá trong việc kết hợp co-evolution giữa GA, Greedy và PSO, giảm tỷ lệ nút chết xuống dưới $4.2%$ trên các kịch bản mạng phức tạp.
  4. Phát triển thuật toán tham lam xác định điểm sạc tối ưu: Giảm thiểu số lượng điểm dừng của MC trong mô hình phát xạ sóng điện từ Friis, tối ưu hóa năng lượng di chuyển.
  5. Xây dựng lược đồ sạc phân tán DTCM dựa trên Q-learning: Điều phối hiệu quả nhiều MC theo thời gian thực, tối đa hóa thời gian bao phủ mục tiêu và bảo toàn kết nối dữ liệu mạng.

Công trình không chỉ tạo nên bước tiến mô thức (paradigm shift) từ các phương pháp sạc tĩnh, sạc đầy truyền thống sang hệ thống sạc động, sạc từng phần thông minh, mà còn mở ra các nhánh nghiên cứu liên ngành giàu tiềm năng giữa Khoa học Dữ liệu, Trí tuệ Nhân tạo và Viễn thông Không dây thế hệ mới.