TỐI ƯU HÓA THỜI GIAN SỐNG CỦA MỘT LỚP MẠNG CẢM BIẾN KHÔNG DÂY THEO HƯỚNG TIẾP CẬN XẤP XỈ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Nguyễn Thị Tâm TỐI ƯU HÓA THỜI GIAN SỐNG CỦA MỘT LỚP MẠNG CẢM BIẾN KHÔNG DÂY THEO HƯỚNG TIẾP CẬN XẤP XỈ Ngành Mã số : Khoa học máy tính : 9480101 TĨM TẮT LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH Hà Nội - 2021 Cơng trình hồn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS.TS Huỳnh Thị Thanh Bình PGS.TS Lê Trọng Vĩnh Phản biện 1: PGS.TS Ngô Thành Long Phản biện 2: PGS.TS Lê Sỹ Vinh Phản biện 3: PGS.TS Đặng Thế Ngọc Luận án bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp Trường Đại học Bách khoa Hà Nội Vào hồi 30, ngày tháng 10 năm 2021 Có thể tìm hiểu luận án thư viện: Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội Thư viện Quốc gia Việt Nam DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN Nguyen Thi Tam, Huynh Thi Thanh Binh, Dinh Anh Dung, Tran Huy Hung, Le Trong Vinh (2019) “Prolong the Network Lifetime of Wireless Underground Sensor Networks by Optimal Relay Node Placement.” Springer, Cham, 439-453 Nguyen Thi Tam, Huynh Thi Thanh Binh, Dinh Anh Dung, Phan Ngoc Lan, Le Trong Vinh, Bo Yuan, Xin Yao (2019) “A hybrid clustering and evolutionary approach for wireless underground sensor network lifetime maximization.” 504, 372-393 Q1, IF 6.79 Nguyen Thi Tam, Huynh Thi Thanh Binh, Vi Thanh Dat, Phan Ngoc Lan, Le Trong Vinh (2020) “Towards optimal wireless sensor network lifetime in three dimensional ter 206, 106407 Q1, rains using relay placement metaheuristics” IF 8.03 Nguyen Thi Tam, Dinh Anh Dung, Tran Huy Hung, Huynh Thi Thanh Binh, Shui Yu (2020) “Exploiting relay nodes for maximizing wireless underground sensor network lifetime” 50(12), 4568-4585 Q2, IF 5.08 Nguyen Thi Tam, Tran Quang Tuan, Huynh Thi Thanh Binh, Ananthram Swami, (2020) “Multifactorial evolutionary optimization for maximizing data aggregation tree lifetime in wireless sensor networks” (Vol 11413, 114130Z) Nguyen Thi Tam, Tran Son Tung (2020), “An Evolutionary Algorithm for Data Aggregation Tree Construction in Three-Dimensional Wireless Sensor Networks”, , 732-737 Nguyen Thi Tam, Tran Huy Hung, Huynh Thi Thanh Binh, Le Trong Vinh, (2021) A multi-objective evolutionary decomposition algorithm for optimizing lifetime in threedimensional wireless sensor networks, ,107, 107365 Q1, IF 6.72 Nguyen Thi Tam, Vi Thanh Dat, Phan Ngoc Lan, Huynh Thi Thanh Binh, Le Trong Vinh, and Ananthram Swami (2020) “Multifactorial evolutionary optimization to maximize lifetime of wireless sensor network”, ,576, 355-373 Q1, IF 6.79 Tran Cong Dao, Tran Huy Hung, Nguyen Thi Tam and Binh Huynh Thi Thanh.“A multifactorial evolutionary algorithm for minimum energy cost data aggregation tree in wireless sensor networks” 2021 Congress on Evolutionary Computation (CEC) IEEE, 2021, 1656-1663 MỞ ĐẦU Trong năm gần đây, với phát triển nhanh chóng khoa học cơng nghệ, mạng cảm biến không dây ( ) nhiều nhà khoa học quan tâm nghiên cứu WSNs mạng liên kết nút cảm biến ( ) với nhờ liên kết khơng dây sóng vơ tuyến, hồng ngoại [1] Mỗi nút cảm biến có chức cảm nhận, thu thập, xử lý truyền liệu Các nút thường thiết bị đơn giản, nhỏ gọn, giá thành thấp phân bố phạm vi rộng lớn thường gọi khu vực cảm biến ( ) Trong mạng cảm biến, liệu sau thu thập nút cảm biến định tuyến đến trạm sở ( ) Các trạm sở gửi liệu đến người dùng thông qua Internet hay vệ tinh Các đặc tính triển khai nhanh chóng, khả tự tổ chức chịu lỗi cho thấy mạng cảm biến không dây công nghệ đầy triển vọng Ngày nay, mạng cảm biến không dây áp dụng lĩnh vực khác đời sống, từ ứng dụng dân như: nông nghiệp, môi trường đến ứng dụng quân giám sát chiến trường, phát vũ khí hóa học [2] Một đặc trưng riêng biệt mạng cảm biến khơng dây hạn chế khả tính toán lượng nút cảm biến, nút sử dụng nguồn lượng pin ắc quy để tồn Sau triển khai mạng, việc tiếp thêm lượng cho nút cảm biến không khả thi trường hợp mạng triển khai địa hình khắc nghiệt Do đó, lượng cảm biến đóng vai trị quan trọng, định thời gian sống (thời gian tồn tại) mạng Trong nghiên cứu [3], tác giả đưa nhiều định nghĩa khác để tính thời gian sống mạng dựa vào số lượng nút hoạt động (cịn sống) mạng Trong đó, cách định nghĩa thời gian sống mạng thời gian từ khởi tạo mạng nút mạng hết lượng nhiều tác giả sử dụng Cách định nghĩa phù hợp mạng mà vai trò nút cảm biến nhau, nút hết lượng việc phân tích liệu thu thập khơng cịn xác Hầu hết nghiên cứu có tập trung vào việc tối ưu thời gian sống cho mạng cảm biến khơng dây địa hình hai chiều Giả định hợp lý ứng dụng mà nút cảm biến triển khai địa hình tương đối đồng đều, độ cao nút khơng đáng kể so với bán kính truyền thơng Tuy nhiên, nhiều ứng dụng thực tế, triển khai mạng cần xem xét đến độ cao độ sâu nút mạng Vì vậy, luận án này, tác giả tập trung nghiên cứu toán tối ưu thời gian sống cho lớp mạng cảm biến không dây bao gồm hai loại mạng: mạng cảm biến không dây ngầm ( ) với nút cảm biến đặt đất mạng cảm biến không dây địa hình ba chiều ( ) với nút cảm biến đặt địa hình ba chiều có xem xét đến độ cao nút Nhiều toán tối ưu thời gian sống cho mạng WUSNs mạng WSN3D tốn NP-hard Có hai cách tiếp cận để giải toán dạng này: sử dụng thuật tốn xác sử dụng thuật tốn xấp xỉ Các thuật tốn xác đảm bảo tìm lời giải xác cho tốn tối ưu thời gian sống mạng Tuy nhiên, tốn có kích thước liệu lớn, phương pháp khơng khả thi Việc áp dụng thuật tốn xấp xỉ ưu tiên sử dụng Mặc dù thuật tốn xấp xỉ tìm lời giải gần đúng, thời gian thực thuật toán chấp nhận cho liệu Mục tiêu nghiên cứu luận án Trên sở phân tích trên, tác giả chọn đề tài “ ” làm đề tài nghiên cứu cho luận án Tiến sĩ Luận án hướng đến việc sử dụng thuật toán metaheuristic (một lớp thuật toán xấp xỉ) để giải toán tối ưu thời gian sống cho lớp mạng bao gồm hai loại mạng: mạng WUSNs mạng WSN3D Các mục tiêu cụ thể luận án bao gồm: Mục tiêu thứ luận án nghiên cứu mạng cảm biến không dây, vấn đề tối ưu thời gian sống mạng cảm biến không dây Đặc biệt, luận án sâu vào giải vấn đề tối ưu thời gian sống lớp mạng cảm biến không dây bao gồm WUSNs WSN3D việc sử dụng nút chuyển tiếp Mục tiêu thứ hai luận án nghiên cứu kỹ thuật để giải toán tối ưu thời gian sống cho lớp mạng Bởi tốn nghiên cứu luận án toán NP-hard nên tác giả tiếp cận giải thuật gần để giải toán Mục tiêu thứ ba luận án nghiên cứu phương pháp xây dựng kịch mạng, xây dựng liệu, xây dựng kịch thực nghiệm để đánh giá hiệu thuật toán đề xuất Phạm vi nghiên cứu Trong mạng cảm biến không dây, nút cảm biến gần nút nguồn/trạm sở có khả bị cạn kiệt nguồn lượng nhanh chúng phải định tuyến liệu nhiều Phương pháp định tuyến truyền thống sử dụng phương pháp phân cụm Trong phương pháp này, cảm biến phân thành cụm, cụm có nút đóng vai trị cụm đầu Dữ liệu từ cảm biến thay gửi trực tiếp đến trạm sở nút nguồn gửi thông qua cụm đầu Cụm đầu chịu trách nhiệm điều hướng hoạt động thành viên cụm giao tiếp với cụm đầu khác trạm sở Tuy nhiên, cụm đầu phải chuyển tiếp liệu tất nút cụm dẫn đến tiêu hao lượng nhanh nút khác Gần đây, phương pháp sử dụng nút chuyển tiếp ( ) để kéo dài thời gian sống mạng nhà nghiên cứu quan tâm Ý tưởng phương pháp sử dụng nút chuyển tiếp để giảm khoảng cách truyền thông từ nút cảm biến đến trạm sở, từ giảm lượng tiêu thụ Các nút chuyển tiếp có nguồn lượng giới hạn nên cần cân tải chúng để đảm bảo nút bị tải Trong nghiên cứu trước đó, vấn đề bị bỏ qua, nút cảm biến tự động gán cho nút chuyển tiếp có khoảng cách ngắn suy hao q trình truyền dẫn Điều dẫn đến phân bố không đồng nút Một vài nút chuyển tiếp phải xử lý nhiều gần nhiều nút cảm biến Trong đó, vài nút chuyển tiếp khác khơng có nút cảm biến kết nối đến Cân tải cách tiếp cận tốt để tăng thông lượng làm giảm tắc nghẽn mạng Ý tưởng cân tải định khối lượng công việc cho tất nút chuyển tiếp Hai cách cân tải cho nút chuyển tiếp có cân tải số lượng cân tải lượng Trong cách cân tải số lượng, nút chuyển tiếp thực việc tập hợp liệu số nút cảm biến Trong cách cân tải lượng, nút chuyển tiếp tiêu thụ lượng lượng Các nghiên cứu liên quan đến việc triển khai nút chuyển tiếp để kéo dài thời gian sống mạng chia thành hai loại: có ràng buộc khơng có ràng buộc Các tốn khơng có ràng buộc toán triển khai nút chuyển tiếp vị trí địa hình Ngược lại, tốn triển khai có ràng buộc, nút chuyển tiếp triển khai vị trí xác định trước địa hình Các vị trí khơng nằm lỗ hổng vật lý mạng sơng, suối, ao, hồ, Từ khía cạnh cấu trúc định tuyến, việc triển khai nút chuyển cách phân thành hai loại: kiến trúc đơn tầng ( ) kiến trúc hai tầng ( ) Trong kiến trúc đơn tầng, nút cảm biến (SNs) nút chuyển tiếp (RNs) gửi gói tin Trong đó, kiến trúc hai tầng RNs chuyển tiếp gói tin SNs có vai trị thu thập liệu truyền liệu đến RNs (hoặc BS chúng kết nối trực tiếp đến BS) Luận án tập trung vào giải tốn có ràng buộc theo hai loại kiến trúc mạng Chi tiết phạm vi nghiên cứu luận án đưa sau: Tối ưu hóa thời gian sống mạng WUSNs: luận án nghiên cứu toán tối ưu thời gian sống mạng WUSNs với kiến trúc mạng hai tầng dựa mơ hình suy hao đường truyền Mơ hình thường sử dụng mạng cảm biến không dây ngầm Việc tối ưu thời gian sống mạng cảm biến khơng dây dựa mơ hình suy hao đường truyền nhiều nhà nghiên cứu quan tâm [4, 5, 6, 7] Lý cho việc sử dụng mơ hình lượng tiêu thụ nút cảm biến tỉ lệ thuận với suy hao đường truyền Việc tối ưu suy hao đường truyền dẫn đến tối ưu lượng tiêu thụ nút, nhờ kéo dài thời gian sống mạng Đối với với mạng cảm biến không dây ngầm, việc truyền tín hiệu đa mơi trường dẫn đến suy giảm tín hiệu hấp thụ nhiều yếu tố đất phản xạ, khúc xạ bền mặt Sự suy giảm môi trường đất phụ thuộc vào số yếu tố thành phần đất, mật độ, hàm lượng nước thể tích Ngồi ra, đặc tính lan truyền sóng điện từ đất khác biệt nhiều so với khơng khí Sóng điện từ bị suy hao ảnh hưởng khoảng cách truyền thơng Tối ưu hóa thời gian sống mạng WSN3D: luận án nghiên cứu tốn tối ưu hóa thời gian sống mạng WSN3D theo hai loại kiến trúc mạng: đơn tầng hai tầng dựa mơ hình suy hao lượng Năng lượng nút cảm biến tiêu thụ chủ yếu cho nhiệm vụ: truyền thông, xử lý liệu, cảm biến liệu [8] Có nhiều mơ hình suy hao lượng đề xuất, mơ hình suy hao lượng dựa vào khoảng cách nhiều nhà nghiên cứu sử dụng [9, 10, 11, 12] Trong mô hình này, lượng tiêu thụ chủ yếu tính dựa vào suy hao lượng truyền liệu khoảng cách định Mơ hình dùng cho mạng cảm biến triển khai phía mặt đất địa hình ba chiều Ngồi ra, giao tiếp khơng dây, hai nút không kết nối với hai nguyên nhân Lý thứ khoảng cách giao tiếp lớn Lý thứ hai đường tầm nhìn ( ) hai nút có nhiều vật cản Luận án tuân theo giả định đầu tiên, có nghĩa là, hai nút mạng kết nối với khoảng cách chúng không lớn (khoảng cách hai nút nhỏ bán kính truyền thơng) Các đóng góp luận án Bài tốn 1: tối ưu hóa việc triển khai nút chuyển tiếp để kéo dài thời gian sống mạng cảm biến khơng dây ngầm (WUSNs) dựa mơ hình suy hao đường truyền (bài toán MRP) Bài toán xem xét ràng buộc cân tải số lượng cho nút chuyển tiếp Trong nghiên cứu [7], tác giả đề xuất cách tiếp cận hai pha với sáu thuật toán heuristic để giải toán MRP Nhược điểm thuật toán đề xuất chia toán thành hai pha riêng biệt, nút chuyển tiếp lựa chọn pha thứ thay đổi pha thứ hai Điều dẫn đến việc, chọn vị trí khơng tốt để đặt nút chuyển tiếp dẫn đến lời giải có chất lượng khơng tốt Do đó, luận án đề xuất thuật toán để khắc phục nhược điểm thuật tốn có: Đề xuất thuật tốn tham lam dựa tìm kiếm chùm tia với hàm Genitor (BGS) để tạo nhiều lời giải cho tốn MRP Tuy nhiên, thuật tốn BGS có hạn chế cách lựa chọn nút cảm biến để kết nối đến nút chuyển tiếp bước tham lam Cách lựa chọn tham lam chưa dẫn đến lời giải tối ưu toàn cục Từ hạn chế thuật toán BGS, luận án đề xuất thuật toán di truyền với khởi tạo phân cụm (MXFGA) để giải toán Ý tưởng cách tiếp cận biết xác vị trí lựa chọn để đặt nút chuyển tiếp, tìm cách kết nối nút chuyển tiếp nút cảm biến cho giá trị suy hao đường truyền lớn cặp kết nối tìm nhỏ Thuật toán phân cụm dựa K-means dùng nghiên cứu trước để giải tốn tối ưu thời gian sống mạng cảm biến không dây Tuy nhiên, so với pha phân cụm thuật toán đề xuất MXFGA có nhiều điểm khác biệt Thứ nhất, sau trình phân cụm, nút chuyển tiếp lựa chọn làm cụm đầu thay nút cảm biến thuật tốn phân cụm trước Thứ hai, cách chọn nút chuyển tiếp làm cụm đầu cụm thuật toán MXFGA chọn nút chuyển tiếp có suy hao đường truyền lớn đến tất nút cảm biến cụm nhỏ (thay cách chọn thơng thường chọn nút gần tâm cụm làm cụm đầu) Thuật toán MXFGA có hạn chế thời gian chạy lâu độ phức tạp khởi tạo phân cụm thuật tốn di truyền Ngồi ra, tốn tử lai ghép đột biến làm thay đổi nhiều cấu trúc cụm ban đầu Để khắc phục hạn chế BGS MXFGA, luận án đề xuất thuật toán BMBM dựa kết hợp thuật tốn tìm kiếm chùm tia với hàm phân phối Boltzmann để tạo phương án khả thi cho toán tối ưu hóa thời gian sống mạng Các cặp kết nối nút cảm biến nút chuyển tiếp tìm xác cách đưa tốn tìm cặp ghép đồ thị Bài tốn 2: tối ưu hóa đa mục tiêu việc triển khai nút chuyển tiếp để kéo dài thời gian sống mạng cảm biến khơng dây địa hình ba chiều (bài tốn ORP3D) dựa mơ hình suy hao lượng Bài toán xem xét việc cân tải lượng cho nút chuyển tiếp Hai cách tiếp cận đề xuất để giải toán này: Đề xuất phương pháp dựa tổng trọng số để đưa toán đa mục tiêu ORP3D tốn tối ưu hóa đơn mục tiêu (OSA3D) Luận án đề xuất mơ hình quy hoạch ngun tuyến tính cho tốn dùng để tìm cận lời giải Cuối cùng, thuật tốn tìm kiếm cục dựa luồng cực đại đề xuất để tìm lời giải gần cho tốn Đề xuất thuật tốn tiến hóa đa mục tiêu dựa phân rã để tìm biên Pareto xấp xỉ biên tối ưu Bài tốn 3: tối ưu hóa thời gian sống cho loại mạng cảm biến không dây địa hình ba chiều với cấu trúc mạng khác Luận án đề xuất thuật tốn tiến hóa đa nhân tố với cách mã hóa Netkeys để giải tốn Cấu trúc luận án Ngồi phần mở đầu phần kết luận, nội dung luận án trình bày ba chương sau: Chương 1: sở lý thuyết Chương trình bày sở lý thuyết toán tối ưu, phương pháp giải toán tối ưu đơn mục tiêu đa mục tiêu Ngoài ra, nghiên cứu liên quan đến tốn tối ưu hóa thời gian sống mạng cảm biến khơng dây trình bày Chương 2: tối ưu hóa thời gian sống mạng cảm biến khơng dây dựa mơ hình suy hao đường truyền Trong chương này, luận án nghiên cứu toán triển khai nút chuyển tiếp để tối ưu thời gian sống mạng cảm biến không dây ngầm dựa mô hình suy hao đường truyền nhằm đảm bảo ràng buộc cân tải số lượng nút chuyển tiếp Luận án đề xuất ba cách tiếp cận để giải toán So sánh cách tiếp cận đề xuất với nghiên cứu trước về: giá trị hàm mục tiêu, độ phức tạp thuật toán thời gian thực Chương 3: tối ưu hóa thời gian sống mạng cảm biến khơng dây dựa mơ hình suy hao lượng Trong chương này, luận án nghiên cứu hai toán toán đa mục tiêu triển khai nút chuyển tiếp để tối ưu hóa thời gian sống mạng địa hình ba chiều Bài tốn có hai mục tiêu chính: tối thiểu số lượng nút chuyển tiếp sử dụng tối thiểu giá trị tiêu thụ lượng tối đa nút mạng Để giải toán này, hai cách tiếp cận đề xuất Cách tiếp cận dựa tổng trọng số Ý tưởng cách tiếp cận đưa toán đa mục tiêu toán đơn mục tiêu cách thêm trọng số cho hàm mục tiêu Thuật tốn tìm kiếm cục dựa luồng cực đại đề xuất để giải toán đơn mục tiêu Cách tiếp cận thứ hai dựa thuật toán tối ưu đa mục tiêu để tìm biên Pareto xấp xỉ cho toán toán tối ưu thời gian sống mạng có cấu trúc khác nhau: mạng đơn tầng mạng hai tầng Luận án đề xuất thuật toán tiến hóa đa nhân tố để giải tốn 3.2.3 3.3 Mơ hình quy hoạch ngun Thuật tốn tìm kiếm cục 3.3.1 Biểu diễn lời giải Một lời giải biểu diễn véc tơ , Bài tốn (Bài tốn tìm kết nối cho nút cảm biến) Định lý 3.3.1 3.3.2 Tìm kiếm láng giềng Các lời giải láng giềng tạo sử dụng ba phép toán: phép hoán đổi, phép dịch chuyển phép tăng giảm 3.3.3 Khởi tạo cá thể Các cá thể ban đầu khởi tạo cách sử dụng hai chiến lược khởi tạo ngẫu nhiên khởi tạo theo luồng 3.3.4 Thuật toán leo đồi ngẫu nhiên Phần đề xuất thuật tốn tìm kiếm cục dựa luồng ( ) lấy ý tưởng từ thuật tốn leo đồi ngẫu nhiên [77] để tìm véc tơ lời giải tối ưu 3.3.5 Thực nghiệm 3.3.5.1 Dữ liệu thực nghiệm 3.3.5.2 Các cài đặt thực nghiệm 3.3.5.3 Kết thực nghiệm Thực nghiệm 1: đánh giá hiệu thuật toán với phương pháp khởi tạo khác Thực nghiệm so sánh hiệu của phương pháp khởi tạo tìm luồng cực đại với chi phí cực tiểu (min-max binary flow search ) khởi tạo ngẫu nhiên Trong thực nghiệm này, tất nút cảm biến nút chuyển tiếp có bán kính truyền thơng Phương pháp khởi tạo MBFS tốt khởi tạo ngẫu nhiên liệu nhỏ khoảng liệu lớn khoảng 19 Thực nghiệm 2: đánh giá hiệu thuật toán với phân phối khác Thực nghiệm đánh giá kết thuật toán FCLS áp dụng phân phối khác (Gaussian, Uniform and Gamma).Thuật toán FCLS cho kết tốt với phân phối nút cảm biến Thực nghiệm 3: đánh giá hiệu thuật toán với bán kính khác Thực nghiệm đánh giá hiệu thuật toán áp dụng ba loại bán kính truyền thơng khác nút cảm biến: 25m, 30m 45m Kết thực nghiệm cho thấy, bán kính truyền thơng tăng lên, lượng tiêu thụ tăng số lượng nút chuyển tiếp sử dụng giảm nhanh 3.4 Thuật toán tối ưu đa mục tiêu dựa phân rã 3.4.1 Chuẩn hóa hàm mục tiêu 3.4.2 Thuật tốn đa mục tiêu dựa phân rã mục tiêu Ở phần trước, luận án giải toán tối ưu hóa đa mục tiêu cách đưa tốn tối ưu hóa đơn mục tiêu Theo đó, mục tiêu gán trọng số thể tính quan trọng mục tiêu Tuy nhiên, cách tiếp cận đơn mục tiêu chịu ảnh hưởng nhiều cách chọn véc tơ trọng số Phần đề xuất thuật toán đa mục tiêu dựa phân rã kết hợp với tìm kiếm cục ( ) để giải toán đưa Cách tiếp cận dựa thuật tốn tiến hóa giải tốn tối ưu đa mục tiêu cách trì tập lời giải không bị trội tốn Người định ( ) lựa chọn lời giải phù hợp với nhu cầu họ 3.4.2.1 Mã hóa cá thể Mỗi cá thể mã hóa véc tơ , đó, nút cảm biến kết nối tới nút chuyển tiếp đặt vị trí 3.4.2.2 3.4.2.3 3.4.2.4 3.4.2.5 3.4.2.6 3.4.2.7 Tìm kiếm điểm tham chiếu Sinh véc tơ trọng số Khởi tạo quần thể Cập nhật điểm tham chiếu Các toán tử di truyền Pha cải thiện lời giải 3.4.3 3.4.4 Đánh giá độ phức tạp thuật toán Thực nghiệm 3.4.4.1 Cài đặt thực nghiệm Các độ đo sử dụng để đánh giá 20 , , , 3.4.4.2 Dữ liệu thực nghiệm Type 1s Type 1l: nút cảm biến nút chuyển tiếp tạo địa hình nhỏ địa hình lớn từ T1 đến T10 theo phân phối Gamma Bán kính cảm biến đặt 25m Type 2s Type 2l: nút cảm biến nút chuyển tiếp tạo địa hình nhỏ địa hình lớn từ T1 đến T10 theo phân phối Gaussian Bán kính cảm biến đặt 25m Type 3s Type 3l: tương tự Type Type 2, nhiên nút sinh theo phân phối Uniform Type 4s Type 4l: tương tự Type 3, nhiên bán kính nút cảm biến 35m Type 5s Type 5l: tương tự Type Type 4, nhiên bán kính nút cảm biến 45m 3.4.4.3 Kết thực nghiệm Thực nghiệm 1: So sánh thuật toán đề xuất MOEA-LS với thuật tốn tiến hóa đa mục tiêu khác theo độ đo đa mục tiêu So sánh thuật tốn đề xuất thuật tốn tiến hóa đa mục tiêu NSGAII [20], MOEAD gốc [21], SPEA2 [78], MODE [79] theo độ đo đa mục tiêu Các thuật tốn có số hệ, kích thước quần thể, xác suất lai ghép, đột biến Trong lần chạy, kết độ đo biên Pareto thuật toán lưu lại Kết thu cuối kết trung bình độ đo biên Pareto lần chạy Kết thực nghiệm cho thấy thuật toán MOEA-LS tốt tất thuật toán đa mục tiêu khác tất tập liệu Thực nghiệm 2: So sánh thuật toán đề xuất MOEA-LS với thuật tốn tiến hóa đa mục tiêu khác theo giá trị hai mục tiêu Mục tiêu số lượng nút chuyển tiếp sử dụng: thuật toán đề xuất MOEA-LS vượt trội MOEAD, NSGA-II, SPEA2, MOEAD liệu khác (số nút chuyển tiếp sử dụng hơn) Mục tiêu lượng tiêu thụ: năm thuật tốn có lượng tiêu thụ xấp xỉ loại liệu từ Type 1s đến Type 4s Tuy nhiên, tập liệu từ Type 1l đến Type 4l, thuật toán MOEA-LS cho kết tốt Thực nghiệm 3: So sánh với thuật toán đơn mục tiêu FCLS Trong thực nghiệm này, thuật toán MOEA-LS so sánh với thuật tốn FCLS trình bày phần 3.3 Trong số ba biến thể thuật tốn tối ưu 21 đơn mục tiêu trình bày cơng trình [80], luận án lựa chọn cách tiếp cận SOGA-3 cho thuật toán FCLS Cụ thể thuật tốn MOEA-LS tốt trung bình 52% số kịch liệu (Type từ 1s đến Type 5s) tốt 60% số kịch liệu (Type 1l đến Type 5l) 3.5 Thuật tốn tiến hóa đa nhân tố giải tốn tối ưu loại mạng khác Phần nghiên cứu tốn triển khai nút chuyển tiếp có ràng buộc vị trí [81] để kéo dài thời gian sống hai loại mạng tầng (single-tiered) hai tầng (two-tiered) [82] Bài toán RSS Bài toán RSM Bài tốn có nhiều khác biệt so với toán Steiner thắt nút cổ chai Hauptmann Karpinki [83] Trong toán 5, trọng số phụ thuộc vào số nút thay cố định Ngoài nút cảm biến phải bao gồm phải nút 3.5.1 Biểu diễn lời giải Luận án sử dụng cách biểu diễn khóa ngẫu nhiên ( ) đề xuất tác giả [84] Trong biểu diễn này, lời giải biểu diễn véc tơ số thực có độ dài 22 3.5.2 Thuật tốn tiến hóa đa nhân tố 3.5.2.1 Biểu diễn cá thể khơng gian chung 3.5.2.2 Giá trị thích nghi Trong toán RSM, ràng buộc số lượng hop cần xem xét, hay nói cách khác, giới hạn số liên kết tối đa từ nút đến trạm sở không vượt Những ràng buộc xử lý ngầm hàm phạt thêm vào tính tốn độ thích nghi cá thể 3.5.2.3 Khởi tạo 3.5.2.4 Các phép toán di truyền 3.5.3 Thực nghiệm 3.5.3.1 Cài đặt thực nghiệm 3.5.3.2 Dữ liệu thực nghiệm 3.5.3.3 Kết thực nghiệm Thực nghiệm 1: Lựa chọn tham số cho thuật toán MFRPEA Thực nghiệm 2: So sánh thuật toán MFRPEA với thuật toán khác Trong thực nghiệm này, thuật toán đề xuất MFRPEA so sánh với thuật toán GA, PSO, DE Thuật toán MFRPEA tốt thuật toán khác với liệu với phân phối khác nút Đối với toán RSS, MFRPEA cải thiện giá trị hàm mục tiêu khoảng 3.38% liệu _ 11.78% _ Đối với toán RSM, thuật toán cải thiện đáng kể liệu mà nút có bán kính truyền thơng lớn Chúng ta thấy rằng, hai kịch mạng: mạng dày mạng thưa, thuật toán MFRPEA cho kết tốt thuật toán GA, PSO, DE giải toán 3.6 Kết luận chương 23 Chương KẾT LUẬN Kết đạt Các kết đạt luận án: , luận án nghiên cứu toán triển khai nút chuyển tiếp để tối ưu thời gian sống mạng cảm biến khơng dây ngầm dựa mơ hình suy hao đường truyền Luận án đề xuất ba cách tiếp cận để giải vấn đề , luận án nghiên cứu toán triển khai nút chuyển tiếp để tối đa thời gian sống của mạng địa hình ba chiều Hai hướng tiếp cận đề xuất để giải vấn đề , luận án nghiên cứu tốn tối ưu hóa thời gian sống mạng với cấu trúc khác nhau: mạng hai lớp (single-hop) mạng nhiều lớp (multi-hop) với ràng buộc số hop Luận án đề xuất thuật toán tiến hóa đa nhân tố với cách mã hóa Netkeys để giải toán Hướng phát triển Trong thời gian tới, nghiên cứu sinh dự định xem xét nghiên cứu toán đây: Luận án nghiên cứu toán tối ưu lượng tiêu thụ thời điểm truyền liệu Tuy nhiên, mạng cảm biến, nút liên tục truyền liệu đến trạm sở Do đó, việc nghiên cứu toán tối ưu thời gian sống mạng WUSN WSN3D nhiều vòng ( ) cần thiết Ngoài ra, nghiên cứu sinh dự định xem xét toán tối ưu thời gian sống mạng cảm biến khơng dây địa hình ba chiều sử dụng điểm thu phát di động ( ) Mạng cảm biến có xem xét đến yếu tố thực tế ví dụ như, lỗ hổng vật lý mạng Lỗ hổng vật lý miền mà đặt cảm biến đó, ví dụ sơng, suối, ao, hồ, Đối với mạng có lỗ hổng vật lý, cần xem xét đến thuật toán để xấp xỉ lỗ hổng đa giác lồi có hình dạng đơn giản Các thuật toán cần phải đảm bảo sai số lỗ hổng vật lý ban đầu hình khơng q lớn Sau đó, cần lập lịch cho điểm thu phát di động thu thập liệu tránh lỗ hổng vật lý 24 TÀI LIỆU THAM KHẢO [1] Mustafa Kocakulak and Ismail Butun An overview of wireless sensor networks towards internet of things In , pages 1–6 IEEE, 2017 [2] Fernando Martincic and Loren Schwiebert , volume chapter, 2005 [3] Isabel Dietrich and Falko Dressler On the lifetime of wireless sensor networks , 5(1):1–39, 2009 [4] Damien Wohwe Sambo, Anna Făorster, Blaise Omer Yenke, and Idrissa Sarr A new approach for path loss prediction in wireless underground sensor networks In , pages 50–57 IEEE, 2019 [5] Abdul Salam and Mehmet C Vuran Em-based wireless underground sensor networks In , pages 247–285 Elsevier, 2018 [6] Hoang Thi Huyen Trang, Seong Oun Hwang, et al Connectivity analysis of underground sensors in wireless underground sensor networks , 71:104–116, 2018 [7] Bo Yuan, Huanhuan Chen, and Xin Yao Optimal relay placement for lifetime maximization in wireless underground sensor networks , 418(C):463– 479, December 2017 [8] Nihar Ranjan Roy and Pravin Chandra Energy dissipation model for wireless sensor networks: a survey 12(4):1343–1353, 2020 , [9] Ali Jorio and Brahim Elbhiri An energy-efficient clustering algorithm based on residual energy for wireless sensor network In , pages 1–6 IEEE, 2018 [10] Ashraf Hossain Equal energy dissipation in wireless sensor network , 71:192–196, 2017 25 [11] Deepak Sharma and Amol P Bhondekar An improved cluster head selection in routing for solar energy-harvesting multi-heterogeneous wireless sensor networks , 108(4):2213–2228, 2019 [12] Jingxia Zhang and Ruqiang Yan Centralized energy-efficient clustering routing protocol for mobile nodes in wireless sensor networks , 23(7):1215–1218, 2019 [13] Stephen Boyd, Stephen P Boyd, and Lieven Vandenberghe Cambridge university press, 2004 [14] KH Chang Multiobjective optimization and advanced topics , pages 325–406, 2015 [15] Daniel S Weile and Eric Michielssen Genetic algorithm optimization applied to electromagnetics: A review , 45(3):343–353, 1997 [16] David E Goldberg, Bradley Korb, Kalyanmoy Deb, et al Messy genetic algorithms: Motivation, analysis, and first results , 3(5):493– 530, 1989 [17] Nguyễn Đình Thúc Nhà xuất Giáo Dục, 1996 [18] Franz Rothlauf Representations for genetic and evolutionary algorithms In , pages 9–32 Springer, 2006 [19] Abhishek Gupta, Yew-Soon Ong, and Liang Feng Multifactorial evolution: toward evolutionary multitasking , 20(3):343–357, 2015 [20] Kalyanmoy Deb, Amrit Pratap, Sameer Agarwal, and TAMT Meyarivan A fast and elitist multiobjective genetic algorithm: Nsga-ii , 6(2):182–197, 2002 [21] Qingfu Zhang and Hui Li Moea/d: A multiobjective evolutionary algorithm based on decomposition , 11(6):712–731, 2007 26 [22] Shi Cheng, Yuhui Shi, and Quande Qin On the performance metrics of multiobjective optimization In , pages 504–512 Springer, 2012 [23] Christos G Cassandras, Tao Wang, and Sepideh Pourazarm Optimal routing and energy allocation for lifetime maximization of wireless sensor networks with nonideal batteries , 1(1):86–98, 2014 [24] Halil Yetgin, Kent Tsz Kan Cheung, Mohammed El-Hajjar, and Lajos Hanzo Cross-layer network lifetime maximization in interference-limited wsns , 64(8):3795–3803, 2014 [25] Halil Yetgin, Kent Tsz Kan Cheung, Mohammed El-Hajjar, and Lajos Hanzo Network-lifetime maximization of wireless sensor networks , 3:2191–2226, 2015 [26] Halil Yetgin, Kent Tsz Kan Cheung, Mohammed El-Hajjar, and Lajos Hanzo Hanzo A survey of network lifetime maximization techniques in wireless sensor networks , 19(2):828–854, 2017 [27] Jamal N Al-Karaki and Amjad Gawanmeh The optimal deployment, coverage, and connectivity problems in wireless sensor networks: revisited , 5:18051–18065, 2017 [28] Milad Esmaeilpour, Amir G Aghdam, and Stephane Blouin Lifetime optimization and connectivity control in asymmetric networks In , pages 2107–2113 IEEE, 2019 [29] Mohammed Farsi, Mostafa A Elhosseini, Mahmoud Badawy, Hesham Arafat Ali, and Hanaa Zain Eldin Deployment techniques in wireless sensor networks, coverage and connectivity: A survey 2019 , 7:28940–28954, [30] Hwa-Chun Lin and Wei-Yu Chen An approximation algorithm for the maximum-lifetime data aggregation tree problem in wireless sensor networks , 16(6):3787–3798, 2017 27 [31] Selvakumar Sasirekha and Sankaranarayanan Swamynathan Cluster-chain mobile agent routing algorithm for efficient data aggregation in wireless sensor network , 19(4):392–401, 2017 [32] Ian F Akyildiz, Zhi Sun, and Mehmet C Vuran Signal propagation techniques for wireless underground communication networks , 2(3):167–183, 2009 [33] Li Li, Mehmet C Vuran, and Ian F Akyildiz Characteristics of underground channel for wireless underground sensor networks In volume 7, pages 13–15, 2007 , [34] Hashim A Hashim, Babajide Odunitan Ayinde, and Mohamed A Abido Optimal placement of relay nodes in wireless sensor network using artificial bee colony algorithm , 64:239– 248, 2016 [35] Nashat Abughalieh, Yann-Aăel Le Borgne, Kris Steenhaut, and Ann Nowộ Lifetime optimization for wireless sensor networks with correlated data gathering In , pages 266–272 IEEE, 2010 [36] Hui Wang, Nazim Agoulmine, Maode Ma, and Yanliang Jin Network lifetime optimization in wireless sensor networks , 28(7):1127–1137, 2010 [37] Dejun Yang, Xi Fang, Guoliang Xue, and Jian Tang Relay station placement for cooperative communications in wimax networks In , pages 1–5 IEEE, 2010 [38] Weiyi Zhang, Shi Bai, Guoliang Xue, Jian Tang, and Chonggang Wang Darp: Distance-aware relay placement in wimax mesh networks In , pages 2060–2068 IEEE, 2011 [39] Zhuofan Liao, Jianxin Wang, Shigeng Zhang, and Jiannong Cao Clique partition based relay placement in wimax mesh networks In , pages 2566–2571 IEEE, 2012 28 [40] Xiaofeng Han, Xiang Cao, Errol L Lloyd, and Chien-Chung Shen Faulttolerant relay node placement in heterogeneous wireless sensor networks , 9(5):643–656, 2009 [41] Satyajayant Misra, Seung Don Hong, Guoliang Xue, and Jian Tang Constrained relay node placement in wireless sensor networks: Formulation and approximations , 18(2):434– 447, 2010 [42] Yuanteng Pei and Matt W Mutka Joint bandwidth-aware relay placement and routing in heterogeneous wireless networks In , pages 420–427 IEEE, 2011 [43] Ying Huang, Yan Gao, and Klara Nahrstedt Relay placement for reliable base station connectivity in polymorphous networks In , pages 1–9 IEEE, 2010 [44] Abhijit Bhattacharya and Anurag Kumar A shortest path tree based algorithm for relay placement in a wireless sensor network and its performance analysis , 71:48–62, 2014 [45] Dalei Wu, Dimitris Chatzigeorgiou, Kamal Youcef-Toumi, Samir Mekid, and Rached Ben-Mansour Channel-aware relay node placement in wireless sensor networks for pipeline inspection , 13(7):3510–3523, 2014 [46] ZHI Sun, Ian F Akyildiz, and Gerhard P Hancke Dynamic connectivity in wireless underground sensor networks , 10(12):4334–4344, 2011 [47] MOSTAFA Baghouri, ABDERRAHMANE Hajraoui, and SAAD Chakkor Low energy adaptive clustering hierarchy for three-dimensional wireless sensor network , pages 214–218, 2015 [48] Dang Thanh Hai, Trong Le Vinh, et al Novel fuzzy clustering scheme for 3d wireless sensor networks , 54:141–149, 2017 29 [49] Wendi Rabiner Heinzelman, Anantha Chandrakasan, and Hari Balakrishnan Energy-efficient communication protocol for wireless microsensor networks In , pages 10–pp IEEE, 2000 [50] Nguyen Thi Tam, Dang Thanh Hai, et al Improving lifetime and network connections of 3d wireless sensor networks based on fuzzy clustering and particle swarm optimization , 24(5):1477–1490, 2018 [51] Muhammad Iqbal, Muhammad Naeem, Alagan Anpalagan, Ashfaq Ahmed, and Muhammad Azam Wireless sensor network optimization: Multiobjective paradigm , 15(7):17572–17620, 2015 [52] Ying Xu, Ou Ding, Rong Qu, and Keqin Li Hybrid multi-objective evolutionary algorithms based on decomposition for wireless sensor network coverage optimization , 68:268–282, 2018 [53] Sukhchandan Randhawa and Sushma Jain Mlbc: Multi-objective load balancing clustering technique in wireless sensor networks , 74:66–89, 2019 [54] A Nageswar Rao, Rajendra Naik, and Nirmala Devi On maximizing the coverage and network lifetime in wireless sensor networks through multiobjective metaheuristics , pages 1–12, 2020 [55] Shengbin Liao and Qingfu Zhang A multiutility framework with application for studying tradeoff between utility and lifetime in wireless sensor networks , 64(10):47014711, 2014 ă ă [56] Suat Ozdemir, A Attea Bara’a, and Onder A Khalil Multi-objective evolutionary algorithm based on decomposition for energy efficient coverage in wireless sensor networks 2013 , 71(1):195–215, [57] Ramin Yarinezhad Reducing delay and prolonging the lifetime of wireless sensor network using efficient routing protocol based on mobile sink and virtual infrastructure , 84:42–55, 2019 30 [58] Jacob John and Paul Rodrigues Motco: Multi-objective taylor crow optimization algorithm for cluster head selection in energy aware wireless sensor network , 24(5):1509–1525, 2019 [59] R Sarala and K Vigneshwari Multi objective cluster head selection in wireless sensor networks using social spider optimization technique page 45, 2020 , [60] Chaofan Ma, Wei Liang, and Meng Zheng Delay constrained relay node placement in two-tiered wireless sensor networks: A set-covering-based algorithm , 93:76–90, 2017 [61] Dejun Yang, Xi Fang, and Guoliang Xue Near-optimal relay station placement for power minimization in wimax networks In , pages 1–5 IEEE, 2011 [62] Fei Che, Errol L Lloyd, Jason O Hallstrom, and SS Ravi Topology control with a limited number of relays In , pages 645–651 IEEE, 2012 [63] Chaofan Ma, Wei Liang, Meng Zheng, and Hamid Sharif A connectivityaware approximation algorithm for relay node placement in wireless sensor networks , 16(2):515–528, 2015 [64] José M Lanza-Gutiérrez, Nuria Caballé, Juan A Gómez-Pulido, Broderick Crawford, and Ricardo Soto Toward a robust multi-objective metaheuristic for solving the relay node placement problem in wireless sensor networks , 19(3):677, 2019 [65] Jose M Lanza-Gutierrez and Juan A Gomez-Pulido Assuming multiobjective metaheuristics to solve a three-objective optimisation problem for relay node deployment in wireless sensor networks , 30:675–687, 2015 [66] Jetendra Joshi, Sibeli Mukherjee, Rishabh Kumar, Prakhar Awasthi, Manash Deka, Divya Sara Kurian, Sanya Mittal, and Bhumesh Birdi Monitoring of earth air tunnel (eat) a smart cooling system using wireless underground sensor network In , pages 1212–1216 IEEE, 2016 31 [67] Muhammad Sohail Sardar, Wan Xuefen, Yang Yi, Farzana Kausar, and Mohammad Wasim Akbar Wireless underground sensor networks , (11), 2019 [68] Muhammed Enes Bayrakdar A smart insect pest detection technique with qualified underground wireless sensor nodes for precision agriculture , 19(22):10892–10897, 2019 [69] Dr Shinghal, Neelam Srivastava, et al Wireless sensor networks in agriculture: for potato farming , 2017 [70] Peng Si Ow and Thomas E Morton Filtered beam search in scheduling , 26(1):35–62, 1988 [71] L Darrell Whitley et al The genitor algorithm and selection pressure: why rank-based allocation of reproductive trials is best In , volume 89, pages 116–123 Fairfax, VA, 1989 [72] CR Reeves Genetic algorithms and combinatorial optimization , 111:126, 1995 [73] Thilo Mahnig and Heinz Muhlenbein A new adaptive boltzmann selection schedule sds In , volume 1, pages 183–190 IEEE, 2001 [74] Steven Kisseleff, Ian F Akyildiz, and Wolfgang H Gerstacker Survey on advances in magnetic induction-based wireless underground sensor networks , 5(6):4843–4856, 2018 [75] Igor Florinsky Press, 2016 Academic [76] Shengkui Gao and Viktor Gruev Bilinear and bicubic interpolation methods for division of focal plane polarimeters , 19(27):26161–26173, 2011 [77] Stuart J Russell and Peter Norvig Malaysia; Pearson Education Limited„ 2016 32 [78] Eckart Zitzler, Marco Laumanns, and Lothar Thiele Spea2: Improving the strength pareto evolutionary algorithm , 103, 2001 [79] Feng Xue, Arthur C Sanderson, and Robert J Graves Pareto-based multiobjective differential evolution In , volume 2, pages 862–869 IEEE, 2003 [80] Hisao Ishibuchi, Yusuke Nojima, and Tsutomu Doi Comparison between single-objective and multi-objective genetic algorithms: Performance comparison and performance measures In , pages 1143–1150 IEEE, 2006 [81] Miloud Bagaa, Ali Chelli, Djamel Djenouri, Tarik Taleb, Ilangko Balasingham, and Kimmo Kansanen Optimal placement of relay nodes over limited positions in wireless sensor networks , 16(4):2205–2219, 2017 [82] P Sethu Lakshmi, MG Jibukumar, and VS Neenu Network lifetime enhancement of multi-hop wireless sensor network by rf energy harvesting In , pages 738– 743 IEEE, 2018 [83] Mathias Hauptmann and Marek Karpi nski Inst fă ur Informatik, 2013 [84] Josộ Fernando Gon¸calves and Mauricio GC Resende Biased random-key genetic algorithms for combinatorial optimization , 17(5):487–525, 2011 33