Tối ưu hóa thời gian sống mạng cảm biến không dây trong thu hoạch dữ liệu nhờ sử dụng thiết bị bay không người lái

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Tối ưu hóa thời gian sống mạng cảm biến không dây thu hoạch liệu nhờ sử dụng thiết bị bay khơng người lái NGUYỄN CHÍ HIẾU hieu.nc151331@sis.hust.edu.vn Ngành Khoa học máy tính Giảng viên hướng dẫn: PGS TS Nguyễn Khanh Văn Viện: Công nghệ Thông tin Truyền thông HÀ NỘI, 2021 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Tối ưu hóa thời gian sống mạng cảm biến không dây thu hoạch liệu nhờ sử dụng thiết bị bay không người lái NGUYỄN CHÍ HIẾU hieu.nc151331@sis.hust.edu.vn Ngành Khoa học máy tính Giảng viên hướng dẫn: PGS TS Nguyễn Khanh Văn Viện: Công nghệ Thông tin Truyền thông Chữ ký GVHD HÀ NỘI, 2021 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Nguyễn Chí Hiếu Đề tài luận văn: Tối ưu hóa thời gian sống mạng cảm biến không dây thu hoạch liệu nhờ sử dụng thiết bị bay không người lái Chuyên ngành: Khoa học máy tính Mã số SV: 20202758M Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 30/10/2021 với nội dung sau: - Chỉnh sửa lỗi tả - Chỉnh sửa lỗi viết nhầm “luận văn” thành “luận án” (trang 13) - Việt hóa lại hình vẽ (Hình 1, Hình 12, Hình 15) - Việt hóa lại thuật ngữ (Uniform network) - Thống khuôn dạng, số hiệu công thức toán tối ưu chương chương - Gộp chương chương thành chương Ngày 15 tháng 12 năm 2021 Giáo viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG Mẫu 1c ĐỀ TÀI LUẬN VĂN Tối ưu hóa thời gian sống mạng cảm biến không dây thu hoạch liệu nhờ sử dụng thiết bị bay không người lái Học viên: Nguyễn Chí Hiếu Ngành: Khoa học máy tính Giáo viên hướng dẫn Ký ghi rõ họ tên Lời cảm ơn Lời em xim gửi lời cảm ơn chân thành đến PGS TS Nguyễn Khanh Văn giúp đỡ định hướng em trình học tập nghiên cứu với lời khuyên, học bổ ích Em xin gửi lời cảm ơn đến thầy cô trường ĐHBK HN đặc biệt thầy cô Viện CNTT&TT truyền cho em kiến thức kinh nghiệm quý báu suốt thời gian học tập trường Cuối cùng, em xin gửi lời cảm ơn chân thành đến gia đình, bạn bè quan tâm, động viên đóng góp ý kiến giúp đỡ em trình học tập, nghiên cứu hồn thành luận văn Tóm tắt nội dung luận văn Mạng cảm biến khơng dây (Wireless Sensor Networks - WSNs) đóng vai trị quan trọng lĩnh vực Internet Vạn Vật (Internet of Things - IoT) để thực mục đích giám sát theo thời gian thực giám sát dài hạn Tối ưu lượng mối quan tâm hàng đầu mạng cảm biến không dây nút cảm biến phải hoạt động thời gian dài lượng cung cấp từ nguồn hạn chế pin Gần đây, công nghệ phương tiện bay không người lái (Unmanned Aerial Vehicles - UAV) có phát triển nhanh chóng ứng dụng rộng rãi nhiều lĩnh vực quân sự, cứu hộ khẩn cấp, giao thông vận tải nhiều ứng dụng giám sát, theo dõi khác Công nghệ lên cách tiếp cận hiệu để thu hoạch liệu cảm biến mạng cảm biến có quy mơ lớn ưu điểm khả động cao, tốc độ tốt, linh hoạt lợi đường truyền tầm nhìn thẳng Mặc dù vậy, hạn chế thời lượng pin UAV dân dụng ngày không cho phép chúng thực nhiệm thời gian dài Vì vậy, luận văn nghiên cứu tốn sử dụng UAV để thu hoạch liệu từ mạng cảm biến không dây quy mô lớn với ràng buộc thời lượng hoạt động UAV mục tiêu kéo dài thời gian sống mạng Hai giải pháp tổ chức thu hoạch liệu dựa việc kết hợp sử dụng cấu trúc phân cụm mạng thiết kế tuyến đường cho UAV cách hiệu Trong đó, giải pháp thứ đề xuất áp dụng mô hình quy hoạch số ngun hỗn hợp tuyến tính (MILP) Giải pháp thứ hai dựa cách tiếp cận heuristic khai thác thuật toán ngẫu nhiên để phân cụm mạng cách cân kết hợp với việc giải tốn m-TSP có kích thước số lượng cụm Kết thực nghiệm cho thấy mơ hình MILP tìm lời giải tối ưu cho toán WSN với tối đa 50 nút cảm biến, giải pháp heuristic phù hợp để áp dụng WSN có quy mơ lớn lên đến hàng ngàn nút Giải pháp cho khả kéo dài thời gian sống WSN thêm khoảng 33% 38% so với đề xuất sử dụng nhiều UAV trước HỌC VIÊN Ký ghi rõ họ tên MỤC LỤC CHƯƠNG GIỚI THIỆU 1.1 Đặt vấn đề 1.2 Các đóng góp luận văn 1.3 Cấu trúc luận văn CHƯƠNG TỔNG QUAN LÝ THUYẾT 2.1 Mạng cảm biến không dây 2.2 Các giải pháp thu hoạch liệu mạng cảm biến không dây 2.2.1 Vấn đề thu hoạch liệu mạng cảm biến không dây 2.2.2 Thu hoạch liệu với cấu trúc phân cụm 2.2.3 Thu hoạch liệu trạm sở/phương tiện di động 2.2.4 Ứng dụng UAV thu hoạch liệu 11 CHƯƠNG MƠ HÌNH BÀI TỐN 14 3.1 Mơ hình mạng cảm biến không dây 14 3.2 Mơ hình thu hoạch liệu UAV mạng cảm biến không dây thông qua nút điểm hẹn 15 3.3 Phát biểu toán 16 3.4 Mơ hình hóa tốn dạng quy hoạch số ngun hỗn hợp tuyến tính 17 3.4.1 Mơ hình MILP 2-index: 18 3.4.2 Mơ hình MILP 3-index: 22 CHƯƠNG GIẢI PHÁP HEURISTIC 26 4.1 Xây dựng ý tưởng 26 4.2 Thuật toán GAMBAC 33 CHƯƠNG THỰC NGHIỆM ĐÁNH GIÁ 39 5.1 5.2 5.3 Đánh giá mô hình MILP đề xuất 39 5.1.1 Kịch thực nghiệm 39 5.1.2 Kết 40 So sánh cách tiếp cận heuristic MILP 41 5.2.1 Kịch thực nghiệm 41 5.2.2 Kết 41 So sánh với giải pháp có 41 5.3.1 Kịch thực nghiệm 41 5.3.2 Kết 43 KẾT LUẬN 45 TÀI LIỆU THAM KHẢO 46 PHỤ LỤC 50 DANH MỤC HÌNH VẼ Hình Kiến trúc mạng cảm biến không dây Hình Các thành phần nút cảm biến Hình Hoạt động nút cảm biến Hình Cơ chế định tuyến đa bước WSN Hình Khi nút gần BS ( s0 ) hết lượng, liệu gửi BS Hình Thu hoạch liệu WSN UAV thông qua nút điểm hẹn 12 Hình Mơ hình thu hoạch liệu UAV mạng cảm biến không dây phân cụm 16 Hình Minh họa chuyển tiếp liệu mạng 18 Hình Ví dụ biến số luồng g ik, j 22 Hình 10 Ví dụ biến số luồng f i ,kj 24 Hình 11 Ví dụ sơ đồ Voronoi phẳng với phần tử trung tâm bao gồm tập hợp điểm tập hợp đoạn thẳng P  {H , H1 , , H q } L  {H H1 , H1H , , H q H } 27 Hình 12 Ví dụ cách chia nhỏ phân vùng Voronoi H t H t 1 28 Hình 13 Ví dụ cách chia nhỏ phân vùng Voronoi H t 30 Hình 14 Minh họa cách xây dựng chu trình dạng xoắn ốc cho UAV 32 Hình 15 Minh họa cho việc lựa chọn vị trí CH 32 Hình 16 Mối quan hệ K max1m4 ( m ) 36 Hình 17 Minh họa phần thừa xung quanh Hình 18 Cụm new k cụm k lớn 37 tạo si trở thành nút CH 37 Hình 19 Thời gian sống mạng với kịch sử dụng nhiều UAV 43 Hình 20 Năng lượng tối thiểu SN sau chu kỳ 43 Hình 21 Độ lệch chuẩn lượng SN sau chu kỳ 43 Hình 22 Thời gian sống mạng với kịch sử dụng UAV 44 DANH MỤC BẢNG Bảng Các tham số thực nghiệm so sánh mơ hình MILP 40 Bảng Kết so sánh hai mơ hình MILP đề xuất 40 Bảng So sánh tiếp cận MILP heuristic 41 Bảng Các tham số thực nghiệm mô 42 Bảng Tổng quan giải pháp so sánh 42 DANH MỤC MỤC TỪ VIẾT TẮT WSN Wireless Sensor Network Mạng cảm biến không dây BS Base Station Trạm sở SN Sensor Node Nút cảm biến CH Cluster Head Nút trưởng cụm UAV Unmanned Aerial Vehicle Phương tiện bay không người lái DFT Data Forwarding Tree Cây chuyển tiếp liệu MILP Mixed-Integer Linear Programming Quy hoạch số nguyên hỗn hợp tuyến tính CHP Convex-Hull based Protocol Giao thức thu hoạch liệu dựa bao lồi LoS Line of Sight Đặc tính lan truyền đường ngắm MBS Mobile Base Station Trạm sở di động MDC Mobile Data Collector Phương tiện thu hoạch liệu di động Phần thừa Phần thừa Hình 17 Minh họa phần thừa xung quanh k cụm k lớn Hình 18 Cụm new tạo si trở thành nút CH Trong bước tuyển chọn CH RecruitNewCHs( G, , ) Algo 3, thuật toán liên tiếp chọn nút CH từ cụm lớn chèn vào , tất lượng liệu bên cụm nhỏ ngưỡng thr  (1   ) (V ) Cụ thể, cụm K k có kích thước liệu cần thu hoạch lớn thr , ta xác định phần thừa xung quanh hợp nút phía ngồi cần bỏ bớt khỏi k k , tập để làm cho lượng liệu bên cụm nhỏ thr minh họa Hình 17 Tập hợp thành tập k hợp , k  1,, K Sau đó, bước lựa chọn theo bánh xe roulette (dòng 24-30, Algo 3) lặp lại nhằm chọn CH si từ vào union xóa tất SN cụm hình thành new union , thêm si khỏi union (Hình 18) Quá trình thêm vào lặp lại tập hợp union trở nên trống Trong bước lựa chọn, xác suất SN chọn làm CH tỷ lệ với lượng cịn dư nó, tức nút có lượng cao ưu tiên để trở thành nút CH Với cách tiếp cận này, lượng SNs cân qua nhiều chu kỳ, kéo dài thời gian sống mạng Algorithm Thuật toán phân cụm đề xuất // Input: Đồ thị G , số lượng cụm K , tham số cân  , số lần lặp tối đa max _ iter // Output: Tập hợp nút CH , tập hợp cụm Nếu cách phân cụm  -cân tìm thấy trước vượt số lần lặp tối đa, thuật toán trả cách phân cụm này; ngược lại thuật toán trả cách phân cụm cân tìm 1: Procedure ConstructClusters( G(V , E ), K ,  ) 2: Lựa chọn ngẫu nhiên tập K nút CH  GraphVoronoi( G, 3:  {ch1 ,, chK } từ V ) /* Tính toán sơ đồ Voronoi đồ thị với tập nút trung tâm cách sử dụng giải thuật Parallel Dijkstra [33] gán sơ đồ Voronoi */ 37 4: 5: 6: 7:  For i  1,, max _ iter  RecruitNewCHs( G, , ) Loại bỏ | |  K nút CH có lượng liệu cần thu hoạch best 8: cụm nhỏ từ  GraphVoronoi( G, ) 9: If max k (V ) then return K ( k )  max k  best ( k ) then ( k )  (1   ) Else if max 10: End for 11: , best return 12: End procedure 13: k , best  // Input: Đồ thị G , Tập nút CH , Tập cụm // Output: Tập CH lượng liệu cần thu hoạch cụm không vượt (1   ) (V ) K 14: Procedure RecruitNewCHs( G, ,, 15: 16: For K k , )  such that ( k )  (1   )  (V ) K /* Dịng 17-22 phía tính toán tập nút cần cắt bớt khỏi k */ 17: 18: Sắp xếp For all SN si  k  If ( 24: While 26: 27: union k  {si } k k )  ( End for 21: 22: End for 23: union  1 k  K 25: theo thứ tự giảm dần khoảng cách tới k nút CH chk 19: 20: k k )  (1   ) (V ) then break K k   Lựa chọn ngẫu nhiên nút si từ union với prob( si )  Eir r Etotal   {si } new  phân vùng Voronoi si GraphVoronoi( G, ) 28: union  union 29: End while 30: return 31: End procedure new 38 CHƯƠNG THỰC NGHIỆM ĐÁNH GIÁ Trong phần thực nghiệm, luận văn tiến hành so sánh hai mơ hình MILP đề xuất thời gian giải độ tối ưu lời giải Tiếp đó, luận văn đánh giá độ hiệu giải pháp heuristic GAMBAC đề xuất so với cách tiếp cận tối ưu hóa Cuối cùng, thực nghiệm mô thực để so sánh thuật toán GAMBAC với đề xuất trước hiệu kéo dài thời gian sống mạng 5.1 Đánh giá mơ hình MILP đề xuất 5.1.1 Kịch thực nghiệm Trong phần thực nghiệm này, luận văn tiến hành đánh giá mơ hình MILP mạng cảm biến có kích thước dao động từ N =15 đến 100 nút cảm biến UAV Với kích thước mạng, thực nghiệm tiến hành 20 WSN ngẫu nhiên sinh Các WSN triển khai vùng đất hình vng, với trạm sở đặt trung tâm vùng đất Bán kính truyền tin nút cảm biến 40m Độ cao bay khoảng cách bay liên tục tối đa UAV 20m 100m Theo mặc định, SN si sinh lượng liệu có kích thước 100Kb chu kỳ Trong thí nghiệm này, hai cài đặt lượng khác sử dụng Cụ thể, với giá trị N có 10 WSN sử dụng cài đặt lượng thứ nhất, lượng ban đầu SN giá trị chọn ngẫu nhiên khoảng [20J, 40J] để phản ánh kịch WSN không đồng Với 10 mạng cịn lại, SN có giá trị lượng lấy ngẫu nhiên từ khoảng giá trị hẹp [10J, 12J] Cách cài đặt lượng thứ hai phản ánh tình trạng mạng sau nhiều vòng mà lượng SN dần cân trình hoạt động Bảng tổng hợp tham số thực nghiệm Luận văn sử dụng công cụ MIP CPLEX phiên 20.10 để giải mơ hình MILP đề xuất Các thực nghiệm thực máy tính có cấu hình CPU Intel(R) Core(TM) i7-4770 xung nhịp 3,40GHz 8GB RAM Với mơ hình đánh giá, độ sai số MIP tương đối cho phép đặt 0,1% Thời gian giải tối đa cho mơ hình 30 phút Khi thời gian giải vượt giới hạn, trình giải kết thúc giá trị khoảng cách tối ưu (optimality gap) tốt đạt ghi lại Các thơng số cấu hình khác giải CPLEX cài đặt theo mặc định Mơ hình mạng Diện tích 15/20/30 SNs: 50m  50m 50 SNs: 70m  70m 100 SNs: 100m  100m Vị trí BS Trung tâm vùng đất hình vng Số lượng UAV 39 Mơ hình lượng Khoảng cách bay tối đa UAV 100m Kích thước gói tin 100Kb Năng lượng SN Giá trị ngẫu nhiên khoảng [20J,40J] [10J, 12J] Eelec 50 nJ/bit 10 pJ/bit/m fs Bảng Các tham số thực nghiệm so sánh mơ hình MILP 5.1.2 Kết Kết thực nghiệm biểu diễn Bảng Trong bảng này, thời gian giải khoảng cách tương đối so với lời giải tối ưu, bao gồm giá trị trung bình giá trị trường hợp xấu nhất, trình bày cột "Thời gian" "Gap" Bên cạnh đó, cột " Popt " cho biết tỷ lệ phần trăm số trường hợp tìm lời giải tối ưu tổng số 20 trường hợp Một ô nằm cột "Gap" " Popt " để trống trường hợp tất trường hợp thử nghiệm tìm lời giải tối ưu Theo kết quả, mơ hình 3-index có thời gian giải ngắn đáng kể so với mơ hình 2-index khơng sử dụng ràng buộc Big M Ngồi ra, mơ hình 3-index giải toán cho mạng cảm biến với 50 SN cách tối ưu, mơ hình 2-index xử lý mạng có 30 nút Tuy nhiên, với N  100 , hai mơ hình khơng thể tìm lời giải hợp lệ N 15 20 30 50 100 Mơ hình Popt Thời gian (s) avg max 2-index 2.83 7.75 3-index 0.50 2.05 14.95 59.99 1.08 3.17 1026.02 1800.00 5.58 20.23 2-index 95% 3-index 2-index 45% 3-index Gap (%) avg max 2.07 9.24 2-index 0% 1800.00 1800.00 8.94 28.25 3-index 95% 256.66 1800.00 0.05 0.10 2-index 0% 1800.00 1800.00 inf inf 3-index 0% 1800.00 1800.00 inf inf Bảng Kết so sánh hai mô hình MILP đề xuất 40 5.2 So sánh cách tiếp cận heuristic MILP 5.2.1 Kịch thực nghiệm Thời gian giải Năng lượng dư SN Mơ hình MILP >30 phút 78.35% Giải pháp GAMBAC (heuristic) 0.35s 69.65% Bảng So sánh tiếp cận MILP heuristic Tiếp theo, luận văn so sánh hiệu cách tiếp cận MILP heuristic thời gian giải thời gian sống mạng Mơ hình MILP giải giải MIP CPLEX 20.10 với sai số tương đối cho phép 1% thời gian giải tối đa 30 phút Trong thực nghiệm này, mạng cảm biến sử dụng bao gồm 50 nút cảm biến phân bố ngẫu nhiên khu vực 100m  100m UAV với giới hạn quãng đường bay 200m Mỗi nút cảm biến có thiết lập lượng ban đầu 50J tạo lượng liệu 64 Kb chu kỳ 5.2.2 Kết Bảng cho biết kết thời gian trung bình chu kỳ để tính tốn lại cách tổ chức thu hoạch giá trị tối thiểu phần trăm lượng lại SN sau 50 chu kỳ áp dụng hai giải pháp theo hai cách tiếp cận Ta thấy giải pháp heuristic GAMBAC cho thời gian giải thấp nhiều so với việc giải mơ hình MILP, đạt hiệu lượng với thời gian sống dự kiến đạt khoảng 89% so với thời gian sống giải pháp sử dụng MILP 5.3 So sánh với giải pháp có 5.3.1 Kịch thực nghiệm Trong phần này, luận văn đánh giá hiệu giải pháp heuristic đề xuất cách thực nghiệm với trình mơ OMNET++ Các thực nghiệm chạy máy tính có CPU Intel(R) Core(TM) i7-4770 xung nhịp 3,40GHz GB RAM Trong phần cài đặt chung, bán kính truyền tin nút cảm biến độ cao bay UAV đặt 100m Trong chu kỳ, SN si sinh gói liệu có kích thước cố định bi , bi chọn ngẫu nhiên từ tập {2, 4,8,16} Kb Các thí nghiệm thực hai cài đặt lượng khác ký hiệu A B, cụ thể: lượng ban đầu SN 75J không đổi cài đặt A chọn ngẫu nhiên từ khoảng [50J, 100J] cài đặt B (qua phản ánh WSN không đồng nhất) Bảng tổng hợp thông số cài đặt mô khác 41 Mô hình mạng Mơ hình lượng Số lượng SN 1000 Diện tích 600m  600m Vị trí BS Trung tâm vùng đất hình vng Số lượng UAV UAV Kích thước liệu sinh cảm biến Giá trị ngẫu nhiên tập {2, 4,8,16} Kb Năng lượng SN  Setting A: 75J  Setting B: Giá trị ngẫu nhiên khoảng [50J,100J] Eelec 50 nJ/bit fs 10 pJ/bit/m Bảng Các tham số thực nghiệm mô Các giải pháp so sánh bao gồm Giao thức dựa đường bao lồi (Convex-Hull based protocol - CHP) [24] giải pháp dựa phân cụm kmeans nhằm giảm độ trễ (DBRkM) đề xuất [22] Tương tự thuật toán GAMBAC, hai đề xuất tuân theo cách tiếp cận tập trung, cấu hình cụm chu trình UAV tính tốn trạm sở Bảng tổng hợp đặc điểm chúng CHP có nhiều điểm tương đồng với giải pháp heuristic đề xuất luận văn hai xử lý với trường hợp nhiều UAV CHP sử dụng cách tiếp cận dựa hình học mạng chia thành nhiều khu vực với tỷ lệ phần trăm lượng giảm khu vực phương tiện thu hoạch di động (UAV) đảm nhận việc thu hoạch liệu khu vực Ban đầu, chu trình UAV xây dựng bên khu vực phương pháp hình học sau điều chỉnh giải thuật mô luyện (simulated anealling) để đạt tổng mức tiêu thụ lượng nhỏ Xác định CH Xác định chu trình UAV GAMBAC Phân cụm cân dựa sơ đồ Voronoi Sử dụng giải thuật di truyền cho toán m-TSP CHP [24] Lựa chọn CH dựa khoảng cách lượng Xây dựng chu trình dựa Có phương pháp hình học kết hợp với giải thuật mô luyện DBRkM [22] Phân cụm Kmeans Thuật toán Christofides cho toán TSP Hỗ trợ nhiều UAV Có Khơng Bảng Tổng quan giải pháp so sánh 42 5.3.2 Kết Đầu tiên, luân văn so sánh GAMBAC với CHP hiệu kéo dài thời gian sống mạng, định nghĩa khoảng thời gian từ mạng triển khai SN hết lượng Luận văn tiến hành thử nghiệm với giá trị max (độ dài chu trình tối đa) khác nhau, cụ thể 600, 1000 1400m Kết cho thấy GAMBAC đạt thời gian sống mạng cao Hình 19, cao CHP 17% cài đặt A 33% cài đặt B, tương ứng Hình 19 Thời gian sống mạng với kịch sử dụng nhiều UAV Khi so sánh GAMBAC với CHP với cài đặt B max  600 m cố định Hình 20 biểu diễn lượng SN tối thiểu sau chu kỳ GAMBAC ln trì lượng cịn lại SN cao Việc sử dụng phân cụm cân cấu hình lại chu kỳ giúp phân phối tải CH cách đồng cân lượng SN thời gian dài Điều phản ánh Hình 21, thuật toán GAMBAC đề xuất cho giá trị độ lệch chuẩn lượng SN thấp giảm dần q trình mơ (từ xấp xỉ 14 giảm xuống 12) Hình 20 Năng lượng tối thiểu SN sau mỡi chu kỳ Hình 21 Độ lệch chuẩn lượng SN sau mỗi chu kỳ Trong kịch cịn lại có UAV triển khai, luận văn tiến hành thực nghiệm với giá trị max thay đổi từ 1600m đến 4000m Theo Hình 22, GAMBAC có thời gian tồn lâu nhất, lâu CHP DBRkM cho 13% 201% cài đặt A 38% 247% thiết lập B, tương ứng 43 Hình 22 Thời gian sống mạng với kịch sử dụng UAV 44 KẾT LUẬN Luận văn nghiên cứu toán tổ chức thu hoạch liệu từ WSN theo định kỳ trạm sở UAV thông qua nút điểm hẹn với mục tiêu kéo dài thời gian sống mạng đề xuất giải pháp dựa hai cách tiếp cận khác tối ưu hóa heuristic Với cách tiếp cận đầu tiên, luận văn đề xuất hai mơ hình quy hoạch hỗn hợp số ngun tuyến tính mơ hình dựa phương pháp luồng đa hàng hóa đạt hiệu tốt mặt thời gian kích thước tốn giải Tuy nhiên, kết thực nghiệm cho thấy cách tiếp cận mơ hình MILP phù hợp với kịch WSN kích thước nhỏ với tối đa 50 nút cảm biến Để ứng dụng WSN có quy mô lớn thực tế với số lượng hàng nghìn nút, luận văn đề xuất giải pháp heuristic GAMBAC dựa ý tưởng phân cụm mạng ngẫu nhiên sơ đồ Voronoi đồ thị cân lượng liệu cần thu hoạch bên cụm So sánh với cách tiếp cận MILP, giải pháp GAMBAC cho hiệu vượt trội thời gian tính tốn đảm bảo thời gian sống mạng đạt khoảng 89% so với giải pháp tối ưu Giải pháp heuristic đề xuất hoạt động tốt so với đề xuất có Các thực nghiệm mơ cho thấy GAMBAC kéo dài thời gian sống mạng thêm 38% so với đề xuất cho trường hợp UAV 33% so với đề xuất cho trường hợp nhiều UAV có Trong tương lai, tác giả hướng đến việc xây dựng giải pháp tổ chức thu hoạch liệu chế hình thành cụm thực theo kiểu phân tán đồng thời giữ sự thay đổi cách phân cụm chu kỳ liên tiếp mức tối thiểu qua tiết kiệm thời gian tài nguyên để cập nhật lại cấu trúc mạng 45 TÀI LIỆU THAM KHẢO [1] C M N Salim, "K-predictions based data reduction approach in WSN for smart agriculture," Computing , vol 103, p 509–532, 2021 [2] M Ma, Y Yang and M Zhao, "Tour Planning for Mobile Data-Gathering Mechanisms in Wireless Sensor Networks," 2013 [3] X Xu, Y Zeng, Y L Guan and R Zhang, "Overcoming Endurance Issue: UAV-Enabled Communications With Proactive Caching," 2018 [4] Y Gu, F Ren, Y Ji and J Li, "The Evolution of Sink Mobility Management in Wireless Sensor Networks: A Survey," 2016 [5] W Heinzelman, A Chandrakasan and H Balakrishnan, "Energyefficient communication protocol for wireless microsensor networks," 33rd Hawaii International Conference on System Sciences (HICSS'00), pp 8020-8030, 2000 [6] O Younis and S Fahmy, "HEED: a hybrid, energy-efficient, distributed clustering approach for ad hoc sensor networks," IEEE Transactions on Mobile Computing, vol 3, pp 366-379, 10 2004 [7] M Ye, C Li, G Chen and J Wu, "EECS: an energy efficient clustering scheme in wireless sensor networks," PCCC 2005 24th IEEE International Performance, Computing, and Communications Conference, 2005., pp 535540, 2005 [8] G Chen, C Li, M Ye and J Wu, "An unequal cluster-based routing protocol in wireless sensor networks," Wireless Networks, vol 15, no 2, pp 193-207, 2009 [9] M Farooq, A Dogar and G Shah, "MR-LEACH: Multi-hop Routing with Low Energy Adaptive Clustering Hierarchy," 2010 [10] L He, Z Chen and J.-D Xu, "Optimizing data collection path in sensor networks with mobile elements," International Journal of Automation and Computing, vol 8, no 1, pp 69-77, 2011 [11] L J García Villalba, A L Sandoval Orozco, A Triviño Cabrera and C J Barenco Abbas, "Routing Protocols in Wireless Sensor Networks," Sensors, vol 9, no 11, pp 8399-8421, 2009 [12] M Zhao and Y Yang, "Optimization-Based Distributed Algorithms for Mobile Data Gathering in Wireless Sensor Networks," IEEE Transactions on Mobile Computing, vol 11, no 10, pp 1464-1477, 2012 [13] M Zhao, M Ma and Y Yang, "Efficient Data Gathering with Mobile Collectors and Space-Division Multiple Access Technique in Wireless Sensor Networks," IEEE Transactions on Computers, vol 60, no 3, pp 400417, 2011 46 [14] E Ekici, Y Gu and D Bozdag, "Mobility-based communication in wireless sensor networks," IEEE Communications Magazine, vol 44, no 7, pp 5662, 2006 [15] S R Gandham, M Dawande, R Prakash and S Venkatesan, "Energy efficient schemes for wireless sensor networks with multiple mobile base stations," GLOBECOM '03 IEEE Global Telecommunications Conference (IEEE Cat No.03CH37489), vol 1, pp 377-381 Vol.1, 2003 [16] Z M Wang, S Basagni, E Melachrinoudis and C Petrioli, "Exploiting Sink Mobility for Maximizing Sensor Networks Lifetime," Proceedings of the 38th Annual Hawaii International Conference on System Sciences, pp 287a287a, 2005 [17] M Ma and Y Yang, "Data gathering in wireless sensor networks with mobile collectors," 2008 [18] C Zhan, Y Zeng and R Zhang, "Energy-Efficient Data Collection in UAV Enabled Wireless Sensor Network," 2018 [19] G Xing, T Wang, Z Xie and W Jia, "Rendezvous Planning in Wireless Sensor Networks with Mobile Elements," 2008 [20] S Alfattani, W Jaafar, H Yanikomeroglu and A Yongacoglu, "Multi-UAV Data Collection Framework for Wireless Sensor Networks," 2019 [21] P S Q Wu and A Boukerche, "Unmanned aerial vehicle-assisted energyefficient data collection scheme for sustainable wireless sensor networks," 2019 [22] K N A Kaswan and P K Jana, "Energy efficient path selection for mobile sink and data gathering in wireless sensor networks," 2017 [23] D Ebrahimi, S Sharafeddine, P Ho and C Assi, "Data Collection in Wireless Sensor Networks Using UAV and Compressive Data Gathering," 2018 [24] G P C Konstantopoulos N Vathis and D Gavalas, "Employing mobile elements for delay-constrained data gathering in WSNs," 2018 [25] R Anwit, A Tomar and P K Jana, "Tour planning for multiple mobile sinks in wireless sensor networks: A shark smell optimization approach," 2020 [26] N Christofides, A Mingozzi and P Toth, "Exact algorithms for the vehicle routing problem, based on spanning tree and shortest path relaxations," 1981 [27] W R Heinzelman, A Chandrakasan and H Balakrishnan, "Energy-efficient communication protocol for wireless microsensor networks," 2000 [28] M T a I E Grossmann, "Disjunctive Programming Techniques for the Optimization of Process Systems with Discontinuous Investment 47 Costs−Multiple Size Regions," Industrial & Engineering Chemistry Research, vol 35 , no 8, pp 2611-2623, 1996 [29] A Hill and S Schwarze, "Exact Algorithms for Bi-Objective Ring Tree Problems with Reliability Measures," GBR, 2018 [30] A Buluỗ, H Meyerhenke, I Safro, P Sanders and C Schulz, "Recent Advances in Graph Partitioning," 2016 [31] C.-H Nguyen and V Nguyen, "Balanced landmark-based graph partitioning with application in navigating with limited resources," 2019 [32] T Bektas, "The multiple traveling salesman problem: an overview of formulations and solution procedures," 2006 [33] M Erwig, "The graph Voronoi diagram with applications," 2000 [34] H Shakhatreh, A H Sawalmeh, A Al-Fuqaha, Z Dou, E Almaita, I Khalil, N S Othman, A Khreishah and M Guizani, "Unmanned Aerial Vehicles (UAVs): A Survey on Civil Applications and Key Research Challenges," 2019 [35] D Mianxiong, "UAV-assisted data gathering in wireless sensor networks," 2014 [36] B R Al-Kaseem, Z K Taha, S W Abdulmajeed and H S Al-Raweshidy, "Optimized Energy - Efficient Path Planning Strategy in WSN with Multiple Mobile Sinks," 2021 [37] I Dietrich and F Dressler, "On the lifetime of wireless sensor networks," 2009 [38] N T Nguyen, B H Liu, V T Pham and Y S Luo, "On maximizing the lifetime for data aggregation in wireless sensor networks using virtual data aggregation trees," 2016 [39] B Ombuki, B Ross and F Hanshar, "Multi-Objective Genetic Algorithms for Vehicle Routing Problem with Time Windows," 2006 [40] J H Chang and L Tassiulas, "Maximum lifetime routing in wireless sensor networks," 2004 [41] Y Yun and Y Xia, "Maximizing the lifetime of wireless sensor networks with mobile sink in delay-tolerant applications," 2010 [42] Institute of Electrical and Electronics Engineers, IEEE Conference on Computer Communications 34 2015.04.26-05.01 Hong Kong, IEEE INFOCOM Conference 34 2015.04.26-05.01 Hong Kong and IEEE Annual Conference on Computer Communications and Networks 34 2015.04.2605.01 Hong Kong, IEEE Conference on Computer Communications (INFOCOM), 2015 April 26, 2015 - May 1, 2015, Hong Kong, P.R China, IEEE, 2015 48 [43] fsdfds, "fds," 2011 [44] R Dasgupta and S Yoon, "Energy-Efficient Deadline-Aware DataGathering Scheme Using Multiple Mobile Data Collectors," 2017 [45] K Almi'ani, A Viglas and L Libman, "Energy-efficient data gathering with tour length-constrained mobile elements in wireless sensor networks," 2010 [46] C Zhan and Y Zeng, "Completion Time Minimization for Multi-UAVEnabled Data Collection," 2019 [47] S Rashed and M Soyturk, "Analyzing the Effects of UAV Mobility Patterns on Data Collection in Wireless Sensor Networks," 2017 [48] H Yetgin, K T K Cheung, M El-Hajjar and L H Hanzo, "A Survey of Network Lifetime Maximization Techniques in Wireless Sensor Networks," 2017 [49] B M Baker and M A Ayechew, "A genetic algorithm for the vehicle routing problem," 2003 49 PHỤ LỤC A1 Chứng minh Kết Giả sử khu vực triển khai phân vùng thành nhiều phân vùng Voronoi 0,1 , 1,2 , , , , , q 1, q , q, q ,0 q ,0 Khi áp dụng cách chứng minh tương tự Bổ đề 2, ta có , Recti hình chữ nhật thứ i phân vùng Voronoi t ,t 1 đoạn Ot Ot 1 (giống mô tả Bổ đề 1) Từ Phần lượng S2S gây tất nút nằm bên Tiếp theo, ta xem xét phân vùng Voronoi t t ,t 1 điểm H t chia phân vùng thành nhiều hình quạt Bổ đề Khi với hình quạt Seci ta có 50 Khi đó, phần lượng S2S gây tất nút nằm bên t Từ kết trên: Vì   , với K Stotal , ta có max  max Stotal K  Stotal 2max q  t 1 t □ 51 ... QUAN LÝ THUYẾT 2.1 Mạng cảm biến không dây 2.2 Các giải pháp thu hoạch liệu mạng cảm biến không dây 2.2.1 Vấn đề thu hoạch liệu mạng cảm biến không dây 2.2.2 Thu hoạch liệu với... CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Nguyễn Chí Hiếu Đề tài luận văn: Tối ưu hóa thời gian sống mạng cảm biến khơng dây thu hoạch liệu nhờ sử dụng thiết bị bay khơng người lái Chun...TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Tối ưu hóa thời gian sống mạng cảm biến không dây thu hoạch liệu nhờ sử dụng thiết bị bay khơng người lái NGUYỄN CHÍ HIẾU hieu.nc151331@sis.hust.edu.vn