Dịch vụ thành lập Thay đổi Giấy phép kinh doanh cty Việt Nam cty vốn FDI Tuyển Cộng tác viên (CK 15% gói Dịch vụ) 0899315716 MỤC LỤC DANH MỤC THUẬT NGỮ VÀ TỪ VIẾT TÁT vi DANH MỤC BẢNG BIÊU vii DANH MỤC HÌNH ẢNH x GIỚI THIÊU 1 Chương 1 Cơ SỞ LÝ THUYẾT 8 1.1 Bài toán tối ưu 8 1.1.1 Bài toán tối ưu đơn mục tiêu 8 1.1.2 Bài toán tối ưu đa mục tiêu 9 1.2 Một số thuật toán giải bài toán tối ưu đơn mục tiêu 15 1.2.1 Thuật toán di truyền 15 1.2.2 Thuật toán tiến hóa đa nhân tố 19 1.3 Một số thuật toán giải bài toán tối ưu đa mục tiêu 24 1.3.1 Thuật toán di truyền sắp xếp không trội 25 1.3.2 Thuật toán tiến hóa đa mục tiêu dựa trên phân rã 31 1.3.3 Các độ đo đa mục tiêu 36 1.4 Bài toán tối ưu thời gian sống của mạng cảm biến không dây ... 38 1.4.1 Định nghĩa thời gian sống của mạng 38 1.4.2 Bài toán tối ưu thời gian sống cho mạng cảm biến không dây ngầm 39 1.4.3 Bài toán tối ưu thời gian sống cho mạng cảm biến không dây địa hình ba chiều 44 1.5 Kết luận chương 47 Chương 2 TỐI ƯU HÓA THỜI GIAN SốNG CỦA MẠNG CẢM BIẾN KHÔNG DÂY DựA TRÊN MÔ HÌNH TỔN THẤT TRUYỀN THÔNG 48 2.1 Đặt vấn đề 48 2.2 Phát biểu bài toán 49 2.2.1 Mô hình hóa bài toán 50 2.2.2 Mô hình quy hoạch nguyên 51 2.3 Thuật toán đề xuất 53 2.3.1 Thuật toán tìm kiếm chùm tia với hàm Genitor 53 2.3.2 Thuật toán di truyền với khởi tạo dựa trên phâm cụm ... 57 2.3.3 Thuật toán tìm kiếm chùm tia và cặp ghép trong đồ thị . . 64 2.4 Thực nghiệm 69 2.4.1 Dữ liệu thực nghiệm 70 2.4.2 Cài đặt thực nghiệm 71 2.4.3 Tiêu chí đánh giá 72 2.4.4 So sánh và đánh giá kết quả thực nghiệm 73 2.4.5 Đánh giá độ phức tạp thuật toán 85 2.5 Kết luận chương 87 Chương 3 TỐI ƯU HÓA THỜI GIAN SốNG CỦA MẠNG CẢM BIẾN KHÔNG DÂY DựA TRÊN MÔ HÌNH SUY HAO NĂNG LƯỢNG 88 3.1 Đặt vấn đề 88 3.2 Mô hình bài toán trong địa hình ba chiều 89 3.2.1 Dữ liệu độ cao số 89 3.2.2 Mô hình bài toán 90 3.2.3 Mô hình quy hoạch nguyên 93 3.3 Thuật toán tìm kiếm cục bộ 94 3.3.1 Biểu diễn lời giải 94 3.3.2 Lượng giá lời giải 95 3.3.3 Tìm kiếm các láng giềng 97 3.3.4 Khởi tạo lời giải 98 3.3.5 Thuật toán leo đồi ngẫu nhiên 98 3.3.6 Thực nghiệm 99 3.4 Thuật toán tối ưu đa mục tiêu dựa trên phân rã 105 3.4.1 Chuẩn hóa các hàm mục tiêu 106 3.4.2 Thuật toán đa mục tiêu dựa trên phân rã các mục tiêu ………… 106 3.4.3 Thực nghiệm 112 3.4.4 Đánh giá độ phức tạp thuật toán 119 3.5 Thuật toán tiến hóa đa nhân tố giải bài toán tối ưu trên các loại mạng khác nhau 121 3.5.1 Biểu diễn lời giải 125 3.5.2 Thuật toán tiến hóa đa nhân tố giải bài toán tối ưu thời gian sống cho hai loại mạng 127 3.5.3 Thực nghiệm 130 3.6 Kết luận chương 137 Chương 4 KẾT LUẬN 139 DANH MỤC CÔNG TRÌNH CÔNG Bố 141 TÀI LIÊU THAM KHẢO 143 DANH MỤC THUẬT NGỮ VÀ TỪ VIẾT TẮT STT Từ viết tắt Tên đầy đủ 1 BGS Beam Genitor Search 2 BMBM Beam Boltzmann Search and Maximum Bipartite Matching Sensor Nodes Reassignment 3 BS Beam Search 4 CluRNS Clusteringbased heuristic for Relay Node Selection 5 FCLS Flow Capacity Local Search 6 LBSNA Load Balanced Sensor Node Assignment 7 LURNS Load Unrestricted Relay Node Selection 8 MBFS Maxium Flow Binary Search 9 MBMRS Maximum Bipartite Matching Sensor Nodes Reassignment 10 MFEA Multifactorial Evolutionary Algorithm 11 MOEAs Multiobjective Evolutionary Algorithms 12 MOEAD Multiobjective Evolutionary Algorithm based on Decomposition 13 MRP MinMax Relay Placement 14 MXFBS Maxium Flow Binary Search 15 MXFMC Maxium Flow with Minmax Cost 16 MXFGA Maxium Flowbased Genetic Algorithm 17 NSGAII Nondominated Sorting Genetic Algorithm II 18 ORP3D Optimal Relay Node Placement in 3D terrains 19 OSA3D Optimal Sensor Assignment in 3D terrains 20 WSNs Wireless Sensor Networks 21 WUSNs Wireless Underground Sensor Networks 22 RNs Relay Nodes 23 SNs Sensor Nodes DANH MỤC BẢNG BIỂU 1.1 Giá trị cp và Dp được tính từ ma trận trội ………………………………… 27 1.2 Giá trị của các tham số truyền thông trong mạng 45 2.1 Các tham số về địa hình 70 2.2 Các tham số bài toán 70 2.3 Các tham số của thuật toán 72 2.4 Tiêu chí đánh giá 72 2.5 Giá trị tổn thất truyền thông trung bình với kích thước chùm tia khác nhau 75 2.6 So sánh thời gian thực hiện thuật toán BMBM với kích thước chùm tia khác nhau 75 2.7 Giá trị tổn thất truyền thông trung bình với các giá trị tt khác nhau. 76 2.8 So sánh kết quả thu được của các thuật toán trên kịch bản 1. . . . 77 2.9 So sánh kết quả thu được của các thuật toán trên kịch bản 2. . . . 78 2.10 So sánh kết quả thu được của các thuật toán trên kịch bản 3 . . . 80 2.11 So sánh kết quả thu được của các thuật toán trên kịch bản 4 . . . 81 2.12 So sánh kết quả thu được của các thuật toán trên kịch bản 5 . . . 82 2.13 So sánh kết quả thu được của các thuật toán trên kịch bản 6 . . . 83 2.14 Tóm tắt kết quả đạt được của các thuật toán 85 2.15 So sánh độ phức tạp của các thuật toán 86 3.1 Mô tả tóm tắt các hình thái địa hình 99 3.2 Tham số cho các địa hình 100 3.3 Tiêu chí đánh giá 101 3.4 Kết quả khởi tạo MBFS và khởi tạo ngẫu nhiên trên tập dữ liệu Type 3s 102 3.5 Kết quả khởi tạo MBFS và khởi tạo ngẫu nhiên trên tập dữ liệu Type 3l 102 3.6 Kết quả thu được trên các tập dữ liệu Type 1s, Type 2s, Type 3s. 103 3.7 Kết quả thu được trên các tập dữ liệu Type 1l, Type 2l, Type 3l. . 103 3.8 Kết quả thu được trên các tập dữ liệu Type 3s, Type 4s, Type 5s. 104 3.9 Kết quả thu được trên các tập dữ liệu Type 3l, Type 4l, Type 5l. . 104 3.10 Tham số thuật toán MOEALS 112 3.11 So sánh thuật toán MOEALS và các thuật toán tiến hóa đa mục tiêu dựa trên độ đo ỏ 114 3.12 So sánh các thuật toán tiến hóa đa mục tiêu dựa trên độ đo A. . . 114 3.13 So sánh các thuật toán tiến hóa đa mục tiêu khác dựa trên độ đo S.115 3.14 So sánh các thuật toán tiến hóa đa mục tiêu khác dựa trên độ đo NDS 115 3.15 So sánh số lượng bộ dữ liệu mà thuật toán MOEALS tốt hơn thuật toán tiến hóa đa mục tiêu khác 116 3.16 So sánh năng lượng tiêu thụ của các thuật toán khác nhau (đơn vị mJ) 118 3.17 So sánh thuật toán MOEALS và thuật toán FCLS dựa trên độ đo S 119 3.18 Độ phức tạp của các thuật toán đa mục tiêu 121 3.19 Tham số cho bài toán RSS và RSM 131 3.20 Các bộ dữ liệu cho bài toán RSM 131 3.21 Các bộ dữ liệu cho bài toán RSS 131 3.22 Các tiêu chí đánh giá 131 3.23 Tham số cho các thuật toán 132 3.24 So sánh năng lượng tiêu thụ tìm được trên bài toán RSM với các giá trị rmp khác nhau 133 3.25 So sánh năng lượng tiêu thụ tìm được trên bài toán RSS với các giá trị rmp khác nhau 133 3.26 So sánh năng lượng tiêu thụ trên bài toán RSM với số lượng tác vụ khác nhau 134 3.27 So sánh năng lượng tiêu thụ trên bài toán RSS với số lượng tác vụ khác nhau 134 3.28 Đánh giá hiệu quả của thuật toán trên bài toán RSM với bán kính khác nhau 137 3.29 Đánh giá hiệu quả của thuật toán trên bài toán RSS với bán kính khác nhau. 137 DANH MỤC HÌNH ẢNH 1.1 Minh họa hai hàm mục tiêu fi; f2 trong không gian thiết kế 10 1.2 Minh họa không gian thiết kế và không gian mục tiêu 12 1.3 Ví dụ về tối ưu Pareto và tối ưu Pareto yếu 15 1.4 Sơ đồ khối của thuật toán di truyền 17 1.5 Minh họa việc sắp xếp không trội 26 1.6 Ma trận trội 27 1.7 Minh họa khoảng cách quy tụ 29 1.8 Minh họa việc lựa chọn các cá thể để đưa vào quần thể Pt+1. ... 31 1.9 Minh họa cách tiếp cận dựa trên biên 33 1.10 Minh họa độ đo HV cho bài toán tối ưu hai mục tiêu 37 1.11 Truyền thông trong mạng cảm biến không dây ngầm 41 2.1 Minh họa cho hàm Genitor với bias = 2 56 2.2 Minh họa thuật toán BGS 56 2.3 Biểu diễn cá thể 59 2.4 Ví dụ của đồ thị G với khả năng thông qua 61 2.5 Minh họa toán tử lai ghép của thuật toán MXFGA 63 2.6 Minh họa toán tử đột biến của thuật toán MXFGA 63 2.7 Đánh giá ảnh hưởng của tỉ lệ khởi tạo 74 2.8 Tỉ lệ % các thuật toán đề xuất cải thiện so với Yuan trên kịch bản 1. 77 2.9 Tỉ lệ % các thuật toán đề xuất cải thiện so với Yuan trên kịch bản 2. 78 2.10 Tỉ lệ % các thuật toán đề xuất cải thiện so với Yuan trên kịch bản 3. 79 2.11 Tỉ lệ % các thuật toán đề xuất cải thiện so với Yuan trên kịch bản 4. 80 2.12 Tỉ lệ % các thuật toán đề xuất cải thiện so với Yuan trên kịch bản 5. 82 2.13 Tỉ lệ % các thuật toán đề xuất cải thiện so với Yuan trên kịch bản 6. 83 3.1 Ví dụ về đồ thị luồng được xây dựng từ các nút chuyển tiếp và các nút cảm biến 96 3.2 Ví dụ về các phép dịch chuyển 97 3.3 Minh họa một số địa hình 100 3.4 So sánh số lượng nút chuyển tiếp và năng lượng tiêu thụ (J) trên các tập dữ liệu Type 3s, Type 4s, Type 5s 105 3.5 So sánh số lượng nút chuyển tiếp và năng lượng tiêu thụ (J) trên các tập dữ liệu Type 3l, Type 4l, Type 5l. 105 3.6 Ví dụ cách mã hóa cá thể 108 3.7 Ví dụ về các phép toán di truyền 110 3.8 Minh họa phương pháp giảm năng lượng cho các nút chuyển tiếp. 112 3.9 Số lượng nút chuyển tiếp sử dụng trong kịch bản 1 117 3.10 Số lượng nút chuyển tiếp sử dụng trong kịch bản 2 117 3.11 So sánh độ đo HV giữa thuật toán đề xuất và thuật toán đơn mục tiêu. 119 3.12 Ví dụ cho bài toán RSS 123 3.13 Ví dụ cho bài toán RSM 124 3.14 Biểu diễn lời giải với mã hóa netkeys 125 3.15 Quá trình xây dựng cây 126 3.16 Giải mã cá thể cho từng tác vụ 128 3.17 Ví dụ về phép lai ghép 129 3.18 Ví dụ minh họa phép đột biến 130 3.19 Sự cải thiện kết quả của thuật toán MFRPEA so với các thuật toán khác trên bài toán RSS và bài toán RSM 136 MỞ ĐẦU Trong những năm gần đây, cùng với sự phát triển nhanh chóng của khoa học công nghệ, mạng cảm biến không dây (wireless sensor networks WSNs) đã được nhiều nhà khoa học quan tâm nghiên cứu. WSNs là mạng liên kết các nút cảm biến (sensor nodes) với nhau nhờ các liên kết không dây như sóng vô tuyến, hồng ngoại 1. Mỗi nút cảm biến có chức năng cảm nhận, thu thập, xử lý và truyền dữ liệu. Các nút này thường là các thiết bị đơn giản, nhỏ gọn, giá thành thấp được phân bố trên một phạm vi rộng lớn thường gọi là các khu vực cảm biến (sensor fields). Trong mạng cảm biến, dữ liệu sau khi được thu thập bởi các nút cảm biến sẽ được định tuyến đến các trạm cơ sở (base stations). Các trạm cơ sở sẽ gửi dữ liệu đến người dùng thông qua Internet hay vệ tinh. Các đặc tính như triển khai nhanh chóng, khả năng tự tổ chức và chịu lỗi đã cho thấy mạng cảm biến không dây là một công nghệ đầy triển vọng. Ngày nay, mạng cảm biến không dây được áp dụng trong các lĩnh vực khác của đời sống, từ các ứng dụng trong dân sự như: nông nghiệp, môi trường đến những ứng dụng trong quân sự như giám sát chiến trường, phát hiện vũ khí hóa học 2. Một trong những đặc trưng riêng biệt của mạng cảm biến không dây chính là hạn chế về khả năng tính toán và năng lượng của các nút cảm biến, do các nút này sử dụng nguồn năng lượng pin hoặc ắc quy để tồn tại. Sau khi triển khai mạng, việc tiếp thêm năng lượng cho các nút cảm biến là không khả thi trong trường hợp mạng được triển khai trong những địa hình khắc nghiệt. Do đó, năng lượng của các cảm biến đóng một vai trò quan trọng, quyết định thời gian sống (thời gian tồn tại) của mạng. Trong nghiên cứu 3, các tác giả đưa ra nhiều định nghĩa khác nhau để tính thời gian sống của mạng dựa vào số lượng các nút còn hoạt động (còn sống) trong mạng. Trong đó, cách định nghĩa thời gian sống của mạng là thời gian từ khi khởi tạo mạng cho đến khi nút đầu tiên trong mạng hết năng lượng được nhiều tác giả sử dụng. Cách định nghĩa này phù hợp đối với các mạng mà vai trò của các nút cảm biến là như nhau, nếu một nút hết năng lượng thì việc phân tích dữ liệu thu thập được sẽ không còn chính xác. Hầu hết các nghiên cứu đã có đều tập trung vào việc tối ưu thời gian sống cho mạng cảm biến không dây trong địa hình hai chiều. Giả định này hợp lý đối với các ứng dụng mà các nút cảm biến được triển khai trên một địa hình tương đối đồng đều, độ cao của các nút không đáng kể so với bán kính truyền thông. Tuy nhiên, trong nhiều ứng dụng thực tế, khi triển khai mạng cần xem xét đến độ cao và độ sâu các nút mạng. Vì vậy, trong luận án này, tác giả tập trung nghiên cứu bài toán tối ưu thời gian sống cho hai loại mạng: mạng cảm biến không dây ngầm (wireless underground sensor networks WUSNs) với các nút cảm biến được đặt dưới đất và mạng cảm biến không dây trong địa hình ba chiều (wireless sensor networks in three dimensional terrains WSN3D) với các nút cảm biến được đặt trong địa hình ba chiều. Nhiều bài toán tối ưu thời gian sống cho mạng WUSNs và mạng WSN3D là bài toán NPhard. Có hai cách tiếp cận để giải bài toán dạng này: sử dụng thuật toán chính xác và sử dụng thuật toán xấp xỉ. Các thuật toán chính xác đảm bảo tìm được lời giải chính xác cho các bài toán tối ưu thời gian sống của mạng. Tuy nhiên, đối với những bài toán có kích thước dữ liệu lớn, phương pháp này là không khả thi. Việc áp dụng các thuật toán xấp xỉ được ưu tiên sử dụng. Mặc dù các thuật toán xấp xỉ chỉ tìm được lời giải gần đúng, nhưng thời gian thực hiện thuật toán là chấp nhận được cho mọi bộ dữ liệu. Mục tiêu nghiên cứu của luận án Trên cơ sở phân tích ở trên, tác giả chọn đề tài “ Tối ưu hóa thời gian sống của một lớp mạng cảm biến không dây theo hướng tiếp cận xấp xỉ ” làm đề tài nghiên cứu cho luận án Tiến sĩ. Luận án hướng đến việc sử dụng các thuật toán metaheuristic (một lớp các thuật toán xấp xỉ) để giải quyết bài toán tối ưu thời gian sống cho hai loại mạng: mạng WUSNs và mạng WSN3D. Các mục tiêu cụ thể trong luận án bao gồm: • Mục tiêu thứ nhất của luận án là nghiên cứu về mạng cảm biến không dây, vấn đề tối ưu thời gian sống trong mạng cảm biến không dây. Đặc biệt, luận án đi sâu vào giải quyết vấn đề tối ưu thời gian sống của hai lớp mạng cảm biến không dây: WUSNs và WSN3D bằng việc sử dụng các nút chuyển tiếp. • Mục tiêu thứ hai của luận án là nghiên cứu các kỹ thuật để giải quyết bài toán tối ưu thời gian sống cho hai lớp mạng ở trên. Bởi vì các bài toán được nghiên cứu trong luận án đều là các bài toán NPhard nên tác giả tiếp cận các giải thuật gần đúng để giải quyết các bài toán này. • Mục tiêu thứ ba của luận án là nghiên cứu các phương pháp xây dựng kịch bản mạng, xây dựng các bộ dữ liệu, xây dựng các kịch bản thực nghiệm để đánh giá được hiệu quả của các thuật toán đề xuất. Phạm vi nghiên cứu Trong mạng cảm biến không dây, các nút cảm biến gần nút nguồntrạm cơ sở có khả năng bị cạn kiệt nguồn năng lượng nhanh hơn do chúng phải định tuyến dữ liệu nhiều hơn. Phương pháp định tuyến truyền thống được sử dụng là phương pháp phân cụm. Trong phương pháp này, các cảm biến sẽ được phân thành các cụm, trong mỗi cụm sẽ có một nút đóng vai trò là cụm đầu. Dữ liệu từ các cảm biến thay vì được gửi trực tiếp đến trạm cơ sở hoặc các nút nguồn sẽ được gửi thông qua các cụm đầu. Cụm đầu chịu trách nhiệm điều hướng hoạt động của các thành viên trong cụm và giao tiếp với các cụm đầu khác hoặc trạm cơ sở. Tuy nhiên, cụm đầu phải chuyển tiếp dữ liệu của tất cả các nút trong cụm sẽ dẫn đến tiêu hao năng lượng nhanh hơn các nút khác. Gần đây, các phương pháp sử dụng các nút chuyển tiếp (relay nodes) để kéo dài thời gian sống của mạng đã được các nhà nghiên cứu quan tâm. Ý tưởng của phương pháp này là sử dụng nút chuyển tiếp để giảm khoảng cách truyền thông từ các nút cảm biến đến trạm cơ sở, từ đó có thể giảm năng lượng tiêu thụ. Các nút chuyển tiếp có nguồn năng lượng giới hạn nên cần cân bằng tải giữa chúng để đảm bảo không có nút nào bị quá tải. Trong các nghiên cứu trước đó, vấn đề này bị bỏ qua, các nút cảm biến được tự động gán cho các nút chuyển tiếp có khoảng cách ngắn nhất hoặc sự suy hao trong quá trình truyền dẫn là ít nhất. Điều này dẫn đến sự phân bố không đồng đều của các nút. Một vài nút chuyển tiếp sẽ phải xử lý nhiều do ở gần nhiều nút cảm biến hơn. Trong khi đó, một vài nút chuyển tiếp khác có thể không có bất kì các nút cảm biến nào được kết nối đến. Cân bằng tải là cách tiếp cận tốt nhất để tăng thông lượng và làm giảm tắc nghẽn trong mạng. Ý tưởng cân bằng tải là chỉ định một khối lượng công việc như nhau cho tất cả các nút chuyển tiếp. Hai cách cân bằng tải cho nút chuyển tiếp có thể có là cân bằng tải về số lượng và cân bằng tải về năng lượng. Trong cách cân bằng tải về số lượng, mỗi nút chuyển tiếp sẽ thực hiện việc tập hợp dữ liệu của một số các nút cảm biến như nhau. Trong cách cân bằng tải về năng lượng, các nút chuyển tiếp sẽ tiêu thụ một lượng năng lượng như nhau. Các nghiên cứu liên quan đến việc triển khai nút chuyển tiếp để kéo dài thời gian sống của mạng có thể chia thành hai loại: có ràng buộc và không có ràng buộc. Các bài toán không có ràng buộc là bài toán triển khai các nút chuyển tiếp tại các vị trí bất kỳ trên địa hình. Ngược lại, trong bài toán triển khai có ràng buộc, các nút chuyển tiếp chỉ được triển khai tại các vị trí xác định trước trên địa hình. Các vị trí này không nằm trong các lỗ hổng vật lý của mạng như sông, suối, ao, hồ,... Từ khía cạnh cấu trúc định tuyến, việc triển khai nút chuyển tiếp theo cách này được phân thành hai loại: kiến trúc đơn tầng (singletiered) và kiến trúc hai tầng (twotiered). Trong kiến trúc đơn tầng, cả nút cảm biến (SNs) và nút chuyển tiếp (RNs) đều có thể gửi gói tin. Trong khi đó, đối với kiến trúc hai tầng chỉ RNs chuyển tiếp gói tin và SNs chỉ có vai trò thu thập dữ liệu và truyền dữ liệu đến RNs (hoặc BS nếu chúng có thể kết nối trực tiếp đến BS). Luận án tập trung vào giải quyết bài toán có ràng buộc theo cả hai loại kiến trúc mạng. Chi tiết về phạm vi nghiên cứu của luận án được đưa ra như sau: Tối ưu hóa thời gian sống của mạng WUSNs: luận án nghiên cứu bài toán tối ưu thời gian sống của mạng WUSNs với kiến trúc mạng hai tầng dựa trên mô hình tổn thất truyền thông. Mô hình này thường được sử dụng trong các loại mạng cảm biến không dây ngầm. Việc tối ưu thời gian sống của mạng cảm biến không dây dựa trên mô hình tổn thất truyền thông được nhiều các nhà nghiên cứu quan tâm 4, 5, 6, 7. Lý do cho việc sử dụng mô hình này là do năng lượng tiêu thụ của các nút cảm biến tỉ lệ thuận với tổn thất truyền thông. Việc tối ưu tổn thất truyền thông sẽ dẫn đến tối ưu năng lượng tiêu thụ của các nút, nhờ đó kéo dài thời gian sống của mạng. Đối với với các mạng cảm biến không dây ngầm, việc truyền tín hiệu trong đa môi trường sẽ dẫn đến sự suy giảm của tín hiệu do sự hấp thụ của nhiều yếu tố trong đất và sự phản xạ, khúc xạ ở bền mặt. Sự suy giảm trong môi trường đất phụ thuộc vào một số yếu tố như thành phần của đất, mật độ, hàm lượng nước và thể tích. Ngoài ra, các đặc tính lan truyền của sóng điện từ ở trong đất cũng khác biệt khá nhiều so với trong không khí. Sóng điện từ sẽ bị suy hao do ảnh hưởng của khoảng cách truyền thông. Tối ưu hóa thời gian sống của mạng WSN3D: luận án nghiên cứu bài toán tối ưu hóa thời gian sống của mạng WSN3D theo cả hai loại kiến trúc mạng: đơn tầng và hai tầng dựa trên mô hình suy hao năng lượng. Năng lượng của một nút cảm biến tiêu thụ chủ yếu cho các nhiệm vụ: truyền thông, xử lý dữ liệu, cảm biến dữ liệu 8. Có nhiều mô hình suy hao năng lượng đã được đề xuất, trong đó mô hình suy hao năng lượng dựa vào khoảng cách đã được nhiều nhà nghiên cứu sử dụng 9, 10, 11, 12. Trong mô hình này, năng lượng tiêu thụ chủ yếu được tính dựa vào sự suy hao năng lượng khi truyền dữ liệu trong một khoảng cách nhất định. Mô hình này dùng cho các mạng cảm biến được triển khai ở phía trên mặt đất trong địa hình ba chiều. Ngoài ra, trong giao tiếp không dây, hai nút có thể không kết nối được với nhau do hai nguyên nhân chính. Lý do thứ nhất là khoảng cách giao tiếp quá lớn. Lý do thứ hai là đường tầm nhìn (lineofsight) giữa hai nút có nhiều vật cản. Luận án tuân theo giả định đầu tiên, có nghĩa là, hai nút trong mạng có thể kết nối được với nhau nếu khoảng cách giữa chúng không quá lớn (khoảng cách giữa hai nút nhỏ hơn bán kính truyền thông). Các đóng góp chính của luận án Bài toán 1: tối ưu hóa việc triển khai các nút chuyển tiếp để kéo dài thời gian sống của mạng cảm biến không dây ngầm (WUSNs) dựa trên mô hình tổn thất truyền thông (bài toán MRP). Bài toán này sẽ xem xét ràng buộc cân bằng tải về số lượng cho các nút chuyển tiếp. Trong nghiên cứu 7, các tác giả đề xuất cách tiếp cận hai pha với sáu thuật toán heuristic để giải quyết bài toán MRP. Nhược điểm của các thuật toán đề xuất là chia bài toán thành hai pha riêng biệt, các nút chuyển tiếp đã được lựa chọn trong pha thứ nhất sẽ không thể được thay đổi trong pha thứ hai. Điều này dẫn đến việc, nếu chọn các vị trí không tốt để đặt các nút chuyển tiếp sẽ dẫn đến một lời giải có chất lượng không tốt. Do đó, luận án đề xuất các thuật toán để khắc phục nhược điểm của 6 thuật toán đã có: • Đề xuất thuật toán tham lam dựa trên tìm kiếm chùm tia với hàm Genitor (BGS) để tạo ra nhiều lời giải cho bài toán MRP. Tuy nhiên, thuật toán BGS có hạn chế là cách lựa chọn các nút cảm biến để kết nối đến nút chuyển tiếp trong mỗi bước là tham lam. Cách lựa chọn tham lam này chưa chắc đã dẫn đến một lời giải tối ưu toàn cục. • Từ hạn chế của thuật toán BGS, luận án đề xuất thuật toán di truyền với khởi tạo phân cụm (MXFGA) để giải quyết bài toán. Ý tưởng của cách tiếp cận này là nếu biết chính xác các vị trí được lựa chọn để đặt nút chuyển tiếp, chúng ta có thể tìm được cách kết nối giữa các nút chuyển tiếp và các nút cảm biến sao cho giá trị tổn thất truyền thông lớn nhất của các cặp kết nối tìm được là nhỏ nhất. Thuật toán MXFGA có hạn chế là thời gian chạy khá lâu do độ phức tạp của khởi tạo phân cụm và thuật toán di truyền. Ngoài ra, các toán tử lai ghép và đột biến cũng làm thay đổi khá nhiều cấu trúc cụm ban đầu. • Để khắc phục hạn chế của BGS và MXFGA, luận án đề xuất thuật toán BMBM dựa trên sự kết hợp của thuật toán tìm kiếm chùm tia với hàm phân phối Boltzmann để tạo ra các phương án khả thi cho bài toán tối ưu hóa thời gian sống của mạng. Các cặp kết nối giữa các nút cảm biến và các nút chuyển tiếp sẽ được tìm chính xác bằng cách đưa về bài toán tìm cặp ghép trên đồ thị. Bài toán 2: tối ưu hóa đa mục tiêu việc triển khai các nút chuyển tiếp để kéo dài thời gian sống của mạng cảm biến không dây địa hình ba chiều (bài toán ORP3D) dựa trên mô hình suy hao năng lượng. Bài toán này sẽ xem xét việc cân bằng tải về năng lượng cho các nút chuyển tiếp. Hai cách tiếp cận được đề xuất để giải quyết bài toán này: • Đề xuất phương pháp dựa trên tổng trọng số để đưa bài toán đa mục tiêu ORP3D về bài toán tối ưu hóa đơn mục tiêu (OSA3D). Luận án đề xuất mô hình quy hoạch nguyên để tìm được cận dưới của lời giải. Cuối cùng, thuật toán tìm kiếm cục bộ dựa trên luồng cực đại được đề xuất để giải bài toán OSA3D. • Đề xuất thuật toán tiến hóa đa mục tiêu dựa trên phân rã để tìm biên Pareto xấp xỉ biên tối ưu. Bài toán 3: tối ưu hóa thời gian sống cho các loại mạng cảm biến không dây trong địa hình ba chiều với các cấu trúc mạng khác nhau. Luận án đề xuất thuật toán tiến hóa đa nhân tố với cách mã hóa Netkeys để giải quyết bài toán. Cấu trúc của luận án Ngoài phần mở đầu và phần kết luận, nội dung luận án được trình bày trong ba chương như sau: Chương 1: cơ sở lý thuyết. Chương này trình bày cơ sở lý thuyết của bài toán tối ưu, các phương pháp giải bài toán tối ưu đơn mục tiêu và đa mục tiêu. Ngoài ra, các nghiên cứu liên quan đến bài toán tối ưu hóa thời gian sống của mạng cảm biến không dây cũng được trình bày. Chương 2: tối ưu hóa thời gian sống của mạng cảm biến không dây dựa trên mô hình tổn thất truyền thông. Trong chương này, luận án nghiên cứu bài toán triển khai các nút chuyển tiếp để tối ưu thời gian sống của mạng cảm biến không dây ngầm dựa trên mô hình tổn thất truyền thông nhằm đảm bảo ràng buộc cân bằng tải về số lượng giữa các nút chuyển tiếp. Luận án đề xuất ba cách tiếp cận để giải quyết bài toán. So sánh các cách tiếp cận đề xuất với các nghiên cứu trước đó về: giá trị của hàm mục tiêu, độ phức tạp của thuật toán và thời gian thực hiện. Chương 3: tối ưu hóa thời gian sống của mạng cảm biến không dây dựa trên mô hình suy hao năng lương. Trong chương này, luận án nghiên cứu hai bài toán. Bài toán thứ nhất là bài toán đa mục tiêu triển khai các nút chuyển tiếp để tối ưu hóa thời gian sống của mạng trong địa hình ba chiều. Bài toán này có hai mục tiêu chính: tối thiểu số lượng các nút chuyển tiếp được sử dụng và tối thiểu giá trị tiêu thụ năng lượng tối đa của các nút trong mạng. Để giải quyết bài toán này, hai cách tiếp cận được đề xuất. Cách tiếp cận đầu tiên dựa trên tổng trọng số. Ý tưởng của cách tiếp cận này là đưa bài toán đa mục tiêu về bài toán đơn mục tiêu bằng cách thêm trọng số cho các hàm mục tiêu. Thuật toán tìm kiếm cục bộ dựa trên luồng cực đại được đề xuất để giải quyết bài toán đơn mục tiêu này. Cách tiếp cận thứ hai dựa trên các thuật toán tối ưu đa mục tiêu để tìm một biên Pareto xấp xỉ cho bài toán. B ài toán thứ hai là bài toán tối ưu thời gian sống của các mạng có cấu trúc khác nhau: mạng đơn tầng và mạng hai tầng. Luận án đề xuất thuật toán tiến hóa đa nhân tố để giải quyết bài toán này. Chương 1 Cơ SỞ LÝ THUYẾT Chương này trình bày các kiến thức cơ sở về bài toán tối ưu, các phương pháp giải bài toán tối ưu đơn mục tiêu và đa mục tiêu. Ngoài ra, các nghiên cứu liên quan đến bài toán tối ưu thời gian sống của mạng cảm biến không dây cũng được trình bày. 1.1 Bài toán tối ưu Trong thực tế, chúng ta thường gặp những vấn đề có nhiều cách giải quyết khác nhau. Một cách tự nhiên, những cách làm “tốt nhất” (hay còn gọi là cách làm tối ưu nhất) thường được lựa chọn, ví dụ như: nhanh nhất, chi phí rẻ nhất hoặc tốn ít nhân công nhất,... Trong khoa học máy tính, việc tìm lời giải “tốt nhất” trong một tập các lời giải khả thi cho một vấn đề nào đó được gọi là tối ưu hóa 13. Trong nghiên cứu 13, các tác giả đã đưa ra một số cách phân loại bài toán tối ưu, một trong số đó là phân loại dựa vào số lượng mục tiêu. Theo cách phân loại này, bài toán tối ưu được phân thành hai loại: bài toán tối ưu đơn mục tiêu và bài toán tối ưu đa mục tiêu. 1.1.1 Bài toán tối ưu đơn mục tiêu Bài toán tối ưu đơn mục tiêu được định nghĩa như sau: Định nghĩa 1.1 (Bài toán tối ưu đơn mục tiêu (single objective optimization problem SOOP)13). MinimizeMaximize: f (x) Ràng buộc: gi(x) < 0 h (x) = 0 x G Q. trong đó: • x = (x1,x2, ...,xn) với xk là các biến liên tục hoặc rời rạc, k =1,2,..., n. • f (x): Rn R là hàm mục tiêu của bài toán. • gi(x) < 0 là các ràng buộc bất đẳng thức, q là số ràng buộc bất đẳng thức. • hj (x) = 0 là các ràng buộc đẳng thức, p là số ràng buộc đẳng thức. 1.1.2 Bài toán tối ưu đa mục tiêu Tối ưu đa mục tiêu (tối ưu Pareto) là tìm lời giải cho bài toán liên quan đến nhiều hơn một mục tiêu (tiêu chí) tối ưu. Các mục tiêu trong một bài toán được gọi là không xung đột nếu việc tối ưu một mục tiêu sẽ không ảnh hưởng đến các mục tiêu còn lại. Do đó, tập lời giải của bài toán tối ưu dạng này chỉ gồm một lời giải. Những bài toán tối ưu với các mục tiêu như vậy, người ta gọi là tối ưu đa mục tiêu tầm thường. Ngược lại, nếu bài toán tối ưu với các mục tiêu xung đột nhau được gọi là tối ưu đa mục tiêu không tầm thường. Các mục tiêu được gọi là xung đột nếu việc tối ưu một mục tiêu sẽ làm giảm tính tối ưu của các mục tiêu khác. Tập lời giải của bài toán đa mục tiêu không tầm thường sẽ bao gồm nhiều lời giải khác nhau. Tùy vào mục đích, người quyết định có thể lựa chọn lời giải phù hợp. Phần này sẽ trình bày tổng quan về bài toán tối ưu đa mục tiêu, các khái niệm trong tối ưu đa mục tiêu và các phương pháp thường được dùng để giải quyết bài toán tối ưu đa mục tiêu không tầm thường. Không mất tính tổng quát, giả sử rằng tất cả mục tiêu của bài toán tối ưu đa mục tiêu đều được cực tiểu hóa. Bài toán tối ưu m mục tiêu được định nghĩa như sau: Định nghĩa 1.2 (Bài toán tối ưu đa mục tiêu (multiobjective optimization problem MOO) 14). Minimize: F(x) = (fi(x), f2(x),..., fm(x)) (1.5) trong đó, • F(x) = (f1(x), f2(x),..., fm(x)) là véc tơ hàm mục tiêu. • x = (x1,x2, ...,xn) là véc tơ lời giải. Giá trị xlk là cận dưới và xk là cận trên. • gi(x) < 0 là các ràng buộc bất đẳng thức, q là số ràng buộc bất đẳng thức • hj (x) = 0 là các ràng buộc đẳng thức, p là số ràng buộc đẳng thức. 1.1.2.1 Không gian thiết kế và không gian mục tiêu Định nghĩa 1.3 (Không gian thiết kế (design space)14). Không gian thiết kế Q 2 Rn của bài toán MOO là tập các véc tơ x thỏa mẫn các ràng buộc 1.6, 1.7, 1.8 của bài toán. Ví dụ 1. Minimize: 1 (x1;X2) = X2 + x2. (1.9) 2(xi,x2) = (xi 2)2 + x2. (1.10) Rang buộc: X1 > 0;X2 > 0. (1.11) Hình 1.1: Minh họa hai hàm mục tiêu 1; 2 trong không gian thiết kế 14. Đường biểu diễn hai hàm mục tiêu lần lượt là các đường tròn có tâm tại (0, 0) và (2, 0). Không gian thiết kế của bài toán này là: Q = {x 2 R2|x1 > 0; x2 > 0g. Đây chính là góc phần tư thứ nhất trong hình 1.1. Hàm 1 đạt cực tiểu tại điểm O(0, 0), hàm 2 đạt cực tiểu tại điểm B(2; 0). Tuy nhiên, 2(O) = 4 và 1(B) = 4 không phải là điểm cực tiểu. Như vậy, không có một điểm nào làm cho 1 và 2 cùng đạt cực tiểu. Điểm A(1; 0) được coi là lời giải “thỏa hiệp” của hai hàm, tại điểm này 1 (A) = 2(A) = 1. Có thể thấy rằng bất cứ một điểm nào nằm ngoài đường thẳng nối giữa hai điểm O và B (có nghĩa là x2 = 0 và X1 2 (0; 2)) đều không thể làm giảm giá trị cả hai hàm mục tiêu một cách đồng thời. Ví dụ, tại điểm C(3; 0), 1(C) = 9 và 2(C) = 1. Ngược lại, bất cứ một lời giải nào nằm giữa hai điểm O và B đều được coi là chấp nhận được vì không thể thực hiện việc giảm giá trị một hàm mục tiêu mà không làm tăng giá trị của hàm mục tiêu còn lại. Do đó, lời giải tối ưu của bài toán là Sp = {x 2 R2|0 < X1 < 2;X2 = 0g. Đối với một bài toán đơn giản như trong ví dụ 1, tập lời giải tối ưu có thể được tìm thấy dễ ràng trong không gian thiết kế. Tuy nhiên, đối với nhiều bài toán khó, việc tìm tập lời giải tối ưu không hề đơn giản. Việc sử dụng không gian thiết kế là không đủ để tìm ra tập lời giải tối ưu. Để hiểu khái niệm bài toán đa mục tiêu và các kỹ thuật giải, bài toán sẽ phải được chuyển sang một không gian mới gọi là không gian mục tiêu (criterion space objective space). Định nghĩa về không gian mục tiêu được đưa ra như sau: Định nghĩa 1.4 (Không gian mục tiêu (objective space) 14). Không gian mục tiêu được định nghĩa là tập của các giá trị hàm mục tiêu tương ứng với các điểm trong không gian thiết kế. Z = {F(x)|x 2 Q}. Bài toán đa mục tiêu trong ví dụ 1 có thể được biểu diễn trong không gian mục tiêu như trong hình 1.2(b) với các trục là các hàm mục tiêu. Các ràng buộc ban đầu của bài toán được chuyển sang không gian mục tiêu bằng cách giải x1 và x2 theo f1 và f2 như trong phương trình (1.12). xi(i,2) = 0.25 X (fi f2) + 1 > 0. (1.12) x2(f1;f2) = q f1 xi = pf1 (0.25 X (f1 f2) + 1)2 > 0. Không gian mục tiêu Z của bài toán này được định nghĩa trong phương trình (1.13) là tập các giá trị các hàm mục tiêu tương ứng với các điểm khả thi trong không gian thiết kế: Z = {F(x)|x 2 Q}. (1.13) Như trong hình 1.2(a), các điểm O,A,B trong không gian thiết kế sẽ được ánh xạ thành các điểm o,a,b trong không gian mục tiêu. Tập các lời giải tối ưu trong không gian thiết kế là Sp, được chuyển thành đường cong Zp trong không gian mục tiêu, Zp = {F = (f1, f2) 2 R210 < f1 < 4; 0 < f2 < 4; pf1 xị = ỵf1 (0.25 X (f1 f2) + 1)2 = 0}. Đường cong Zp trong không gian mục tiêu biểu diễn các lời giải tối ưu của bài toán tối ưu đa mục tiêu. Từ không gian mục tiêu trong hình 1.2(b), chúng ta có thể dễ dàng thấy rằng giá trị nhỏ nhất của hàm f1 = 0 tại điểm o(0; 4), giá trị nhỏ nhất của hàm f2 = 0 tại điểm b(4; 0). Hơn nữa, mỗi một mục tiêu f1, f2 không thể giảm hơn nữa mà không làm tăng giá trị của hàm mục tiêu còn lại tại bất cứ một điểm nào trên đường cong Zp. Đối với mỗi điểm không thuộc đường cong Zp, ví dụ như điểm d(4; 4), có thể giảm đồng thời giá trị của hai hàm mục tiêu bằng cách di chuyển điểm đó gần về phía đuờng cong này. Cần lưu ý rằng, mỗi điểm trong không gian thiết kế có thể ánh xạ tói một điểm trong không gian mục tiêu. Tuy nhiên, điều ngược lại có thể không đúng; nghĩa là mọi điểm trong không gian mục tiêu không nhất thiết phải tương ứng vói các điểm hoặc một điểm duy nhất trong không gian thiết kế. Ví dụ hình 1.2, điểm e(0,0) trong không gian mục tiêu không ánh xạ đến bất cứ một điểm nào trong không gian thiết kế. Điểm d(4,4) trong không gian mục tiêu ánh xạ đến 2 điểm D1 (1, Ự3) và D2 (1, — 3) trong không gian thiết kế, D1 2 Q và D2 2 Q. 1.1.2.2 Tối ưu Pareto Việc xác định các lời giải cho bài toán MOO được gọi là tối ưu Pareto. Một điểm x trong không gian thiết kế Q được gọi là tối ưu Pareto (Pareto optimal) nếu không có điểm nào khác trong Q làm giảm tại ít nhất một mục tiêu mà không làm tăng các mục tiêu khác. Tối ưu Pareto được định nghĩa một cách tường minh như sau: Định nghĩa 1.5 (Tối ưu Pareto 14). Một điểm x 2 Q được gọi là tối ưu Pareto nếu và chỉ nếu không tồn tại một điểm x trong không gian thiết kế Q mà fi(x) < fi(x) với mọi i và fi(x) < fi(x) với ít nhất một mục tiêu i, i = 1, ...,m. Đe minh họa cho định nghĩa 1.5, giả sử rằng x = (3,0) được gọi là tối ưu Pareto (đây chính là điểm C trong hình 1.2(a) và chúng ta biết rằng điểm này không phải là điểm tối ưu Pareto). Tại điểm này, fi(x) = 9 và f2 (x) = 1. Có nhiều điểm x thỏa mân điều kiện F(x) < F(x) và fi(x) < fi(x) với ít nhất một mục tiêu i. Ví dụ, điểm A, có x = (1; 0) và fi(x) = f2(x) = 0. Do đó F(x) < F(x) và f1 (x) = 1 < f1(x) = 9. Do đó từ định nghĩa 1.5, điểm x = (3; 0) không là tối ưu Pareto. Mặt khác, nếu chọn x = (1; 0) (điểm A), f1(x) = 1 và f2(x) = 1, không tồn tại bất cứ một điểm nào mà f1 và f2 nhỏ hơn hoặc bằng giá trị của nó tại điểm (1, 0). Do đó, x = (1; 0) được gọi là tối ưu Pareto. Định nghĩa 1.6 (Trội (dominated) và không trội (nondominated) 14). Một véc tơ của các mục tiêu F = F(x) 2 Z là không bị trội nếu và chỉ nếu không tồn tại một véc tơ F 2 Z mà fi (x) < fi (x) 8i và fi (x) < fi (x) với ít nhất một i. Ngược lại, F là bị trội. Kí hiệu F(x) F(x): véc tơ F(x) bị trội bởi véc tơ F(x). Nói một cách khác, một nghiệm x được gọi là trội so với nghiệm x, nếu hai điều kiện sau đây được thỏa mân: • Nghiệm x không xấu hơn nghiệm x trong tất cả các giá trị của hàm mục tiêu, tức là fi(x) < fi(x) với mọi i = 1; 2,...,m. • Nghiệm x tốt hơn nghiệm x trên ít nhất một mục tiêu, tức là fi (x) < fi(x) trên ít nhất một i. Nếu hai điều kiện trên bị vi phạm, ta nói nghiệm x không trội so với nghiệm x. Định nghĩa 1.7 (Tập tối ưu Pareto (Pareto optimal set 14)). Là tập bao gồm tất cả các lời giải không bị trội bởi bất cứ một lời giải nào P = {x 2 Q|:3xz 2 Q,F(x0) z F(x)g (1.14) Với tập tối ưu Pareto đâ cho, các giá trị hàm mục tiêu tương ứng trong không gian mục tiêu được gọi là biên Pareto (Pareto front). Định nghĩa biên Pareto được đưa ra một cách tường minh như sau: Định nghĩa 1.8 (Biên Pareto (Pareto front 14)). PF = {u = F(x)|x 2 Pg (1.15) Mục tiêu của các thuật toán tối ưu đa mục tiêu là xác định các lời giải trong tập tối ưu Pareto. Thực tế, việc tìm tất cả các lời giải tối ưu thường không khả thi về mặt tính toán. Vì vậy, một cách tiếp cận thường được sử dụng để giải các bài toán tối ưu đa mục tiêu là tìm kiếm các tập lời giải thể hiện tốt nhất có thể của tập tối ưu Pareto. Tập các lời giải như vậy thường được gọi là bestknown Pareto. Một khái niệm liên quan chặt chẽ tới tối ưu Pareto là tối ưu Pareto yếu. Tại các điểm tối ưu Pareto yếu, một số mục tiêu có thể được cải thiện mà không vi phạm đến các mục tiêu khác. Định nghĩa về tối ưu Pareto yếu được đưa ra như sau: Định nghĩa 1.9 (Tối ưu Pareto yếu 14). Một điểm x 2 Q được gọi là tối ưu Pareto yếu nếu và chỉ nếu không tồn tại một điểm x 2 Q mà fi(x) < fi(x) Vi = 1,..., m. Nói một cách khác, một điểm được gọi là tối ưu Pareto yếu nếu không tồn tại một điểm khác có thể cải thiện các hàm mục tiêu một cách đồng thời. Tuy nhiên, có thể có các điểm cải thiện một vài mục tiêu mà vẫn giữ cho các mục tiêu khác không thay đổi. Ví dụ minh họa cho định nghĩa này được đưa ra trong hình 1.3. Mục tiêu là cực tiểu hai hàm f1 và f2. ở đây, các đoạn thẳng AB và BC là biên của không gian mục tiêu khả thi Z. Trong trường hợp này, tất cả các điểm A,B, C đều là các điểm tối ưu Pareto yếu. Tuy nhiên, chỉ các điểm A và C là điểm tối ưu Pareto. Nếu lấy bất cứ một điểm nào trên đường thẳng AB (không bao gồm A), ví dụ lấy điểm E, ta không thể tìm bất cứ một điểm x nào trong không gian mục tiêu khả thi để f1 (x) < f1(xE) và f2(x) < f2(xE). Do đó, điểm E được gọi là điểm Pareto yếu. Tương tự như vậy, tất cả các điểm trên đường thẳng BC (không bao gồm điểm C) đều là các điểm tối ưu Pareto yếu nhưng không phải là điểm tối ưu Pareto. Như vậy, tối ưu Pareto là tối ưu Pareto yếu, nhưng tối ưu Pareto yếu không nhất thiết là tối ưu Pareto. Định nghĩa 1.10 (Điểm Utopia 14). Một điểm F0 = {f0, f0,..., fm} trong không gian mục tiêu được gọi là điểm Utopia nếu fi = min{fi(x)|x 2 Q} Vi = 1,..., m. Điểm Utopia tìm được bằng cách giải quyết từng mục tiêu riêng rẽ mà không quan tâm đến các mục tiêu khác. Nhìn chung, rất hiếm khi tất cả các mục tiêu khi tối thiểu đều kết thúc tại cùng một điểm trong không gian. Do đó, điểm Utopia chỉ tồn tại trong không gian mục tiêu và khó có thể tìm được. Hình 1.3: Ví dụ về tối ưu Pareto và tối ưu Pareto yếu. 1.2 Một số thuật toán giải bài toán tối ưu đơn mục tiêu Với khả năng hiện nay, máy tính đã giúp con người giải quyết được rất nhiều bài toán khó. Tuy nhiên, có những bài toán có ứng dụng trong thực tiễn vẫn chưa tìm được thuật toán hợp lý để giải quyết. Các bài toán này đòi hỏi tìm kiếm lời giải tốt nhất trong không gian các lời giải vô cùng lớn. Khi không gian tìm kiếm nhỏ, các phương pháp cổ điển như vét cạn cũng đủ để giải quyết, nhưng khi không gian tìm kiếm lớn hơn cần phải dùng đến những kỹ thuật của trí tuệ nhân tạo đặc biệt, ví dụ như giải thuật tiến hóa (Evolutionary Algorithms EAs). EAs sử dụng các kỹ thuật bắt nguồn từ các cơ chế tiến hóa hữu cơ (organic evolution) chẳng hạn như biến dị, tái tổ hợp và chọn lọc tự nhiên để tìm lời giải tối ưu cho một bài toán với các ràng buộc cụ thể. Phần này trình bày một cách tổng quan về thuật toán di truyền và thuật toán tiến hóa đa nhân tố. Đây là những thuật toán mà tác giả sử dụng để giải quyết các bài toán trong khuôn khổ của luận án. 1.2.1 Thuật toán di truyền 1.2.1.1 Giới thiệu Trong những năm đầu của thế kỉ 19, khoa học về sinh học đã trải qua một cuộc cách mạng khi Charles Darwin phát hiện ra quá trình lựa chọn và tối ưu hóa trong tự nhiên cũng phù hợp với quá trình tiến hóa diễn ra trong cuộc sống của con người 15. Sự ra đời mạnh mẽ của máy tính và các hệ thống tính toán thời kì đó đã cho phép áp dụng các quá trình tối ưu hóa trong tự nhiên dưới hình thức của thuật toán di truyền (Genetic Algorithms GAs). Tuy nhiên, J. H. Holland là người đầu tiên triển khai ý tưởng và phương thức giải quyết vấn đề dựa quy luật tiến hóa trong tự nhiên. “ Adaptation in natural and artificial systems” xuất bản năm 1975 là tập sách đầu tiên đề cập đến lĩnh vực này, J. H. Holland được xem là cha đẻ của thuật toán di truyền. Ong và các đồng nghiệp đã không ngừng phát triển tạo nên cơ sở lý thuyết vững chắc cho thuật toán di truyền. Thuật toán di truyền được ứng dụng trong nhiều lĩnh vực khác nhau của cuộc sống. Thuật toán di truyền được xây dựng dựa trên quy luật tiến hóa sinh học của một quần thể sống. Các cá thể trải qua một quá trình phát triển và sinh sản để tạo ra những cá thể mới cho thế hệ tiếp theo. Trong quá trình sinh trưởng và phát triển, những cá thể xấu tức là những cá thể không thích nghi được với môi trường sẽ bị đào thải. Ngược lại, những cá thể tốt sẽ được giữ lại (đây chính là quá trình chọn lọc) và được lai ghép để tạo ra những cá thể mới cho thế hệ sau. Những cá thể mới được sinh ra mang những tính trạng của cá thể chamẹ (còn gọi là hiện tượng di truyền). Những cá thể được giữ lại có độ thích nghi khác nhau và quá trình lai ghép được thực hiện hoàn toàn ngẫu nhiên giữa các cá thể trong quần thể. Các cá thể được tạo ra trong quá trình lai ghép có thể sẽ xảy ra hiện tượng đột biến và tạo ra những cá thể khác với cá thể chamẹ. Cá thể này có thể tốt hơn hoặc xấu hơn cá thể chamẹ. Lai ghép và đột biến là hai cơ chế có vai trò như nhau trong quá trình tiến hóa, mặc dù cơ chế đột biến xảy ra với xác suất nhỏ hơn nhiều so với xác suất của cơ chế lai ghép. Quá trình lai ghép và chọn lọc là hai quá trình cơ bản xuyên suốt quá trình tiến hóa tự nhiên. Thuật toán di truyền cũng như các thuật toán tiến hóa nói chung được hình thành trên quan niệm cho rằng, quá trình tiến hóa là quá trình hoàn hảo nhất vì tự nó đã mang tính tối ưu 16. Thể hiện ở chỗ, cá thể sau được sinh ra sẽ tốt hơn, hoàn hảo hơn cá thể cha mẹ, chúng có khả năng thích nghi với sự thay đổi của môi trường cao hơn cá thể cha mẹ. Tuy nhiên, không phải là tất cả, vẫn có một hoặc một số cá thể của thế hệ trước tốt hơn các cá thể ở thế hệ tiếp theo. Vì vậy, trong khi sử dụng thuật toán di truyền, những cá thể tốt nhất của mỗi thế hệ cần được lưu giữ. Trải qua một số thế hệ (lần lặp) nhất định, các cá thể tốt của mỗi thế hệ sẽ được so sánh với nhau và chọn ra một cá thể tốt nhất trong số đó. 1.2.1.2 Sơ đồ của thuật toán di truyền Các nhà nghiên cứu đã đề xuất nhiều biến thể khác nhau của GAs. Để minh họa chức năng cơ bản của GAs, phần này sử dụng thuật toán di truyền truyền thống được minh họa bởi Goldberg 17. Loại GAs này sử dụng lai ghép như là toán tử chính và đột biến chỉ đóng vai trò là nhiễu nền. Các bước cơ bản của thuật toán GAs truyền thống được mô tả như trong hình 1.4. Hình 1.4: Sơ đồ khối của thuật toán di truyền. Biểu diễn cá thể Cá thể (chromosome): một cá thể trong thuật toán di truyền biểu diễn một lời giải của bài toán. Có nhiều cách biểu diễn cá thể khác nhau. Tùy thuộc vào từng bài toán mà chúng ta lựa chọn cách biểu diễn phù hợp. Một số biểu diễn thường gặp là: biểu diễn nhị phân, biểu diễn nguyên, biểu diễn thực, biểu diễn theo hoán vị, biểu diễn trộn,... 18. Khởi tạo quần thể Quần thể (population) là tập hợp của các cá thể (lời giải) của môi trường (bài toán) đang xét. Khởi tạo quần thể ban đầu là bước đầu tiên trong thuật toán di truyền. Thông thường để khởi tạo quần thể trong bài toán tối ưu, ta tạo ra một cách ngẫu nhiên các lời giải có thể (thường là các lời giải đã thỏa mãn ràng buộc của bài toán nhưng chưa biết đã tối ưu hay chưa). Tùy vào từng bài toán cụ thể ta có những phương pháp khởi tạo khác nhau. Chất lượng của quần thể ban đầu càng cao thì lời giải mà thuật toán di truyền đưa ra càng tốt. Do đó, trong nhiều thuật toán di truyền thường sử dụng các thuật toán đã có để giải bài toán mà cho kết quả khá tốt để khởi tạo quần thể ban đầu. Kích thước quần thể cho biết có bao nhiêu cá thể của quần thể trong một thế hệ. Qua các nghiên cứu cũng như các thử nghiệm đã cho thấy kích thước quần thể không nên quá bé cũng như không quá lớn. Nếu có quá ít cá thể thì ít có khả năng thực hiện lai ghép và chỉ một phần nhỏ không gian tìm kiếm được dùng. Điều này sẽ dễ xảy ra trường hợp bỏ qua các lời giải tốt. Tuy nhiên, quá nhiều cá thể trong quần thể cũng không tốt vì GAs sẽ chạy chậm đi, ảnh hưởng đến hiệu quả của thuật toán. Đánh giá độ thích nghi Độ thích nghi (fitness) là khả năng phù hợp của mỗi cá thể (lời giải) đối với môi trường (bài toán). Việc xây dựng độ thích nghi cũng là một bước quan trọng trong thuật toán di truyền. Để đánh giá được độ thích nghi của các cá thể, thuật toán di truyền sử dụng một hàm đo gọi là hàm đánh giá độ thích nghi (fitness function). Hàm đánh giá độ thích nghi cho một cá thể có đầu vào là biểu diễn của cá thể đó và đầu ra là một số thực. Tùy theo giá trị của số thực này mà ta biết độ tốt của cá thể đó (chẳng hạn với bài toán tìm cực đại thì giá trị trả ra càng lớn thì cá thể càng tốt, và ngược lại, với bài toán tìm cực tiểu thì giá trị trả ra càng nhỏ thì cá thể càng tốt). Lai ghép Lai ghép là quá trình tạo ra con lai từ các cá thể cha mẹ ban đầu. Các phép lai ghép được sử dụng phổ biến nhất là lai ghép một điểm cắt (one point crossover), lai ghép hai điểm cắt (two point crossover),... 18. Đột biến Nếu như phép lai ghép tạo ra các cá thể mới có thể kế thừa được những gen tốt của cha mẹ thì phép đột biến sẽ giúp duy trì tính đa dạng của quần thể bằng cách thêm vào các gen mới một cách ngẫu nhiên. Điều này có thể giúp cho quần thể tránh mắc kẹt tại một cá thể tối ưu cục bộ. Phép đột biến thường xảy ra với một xác suất nhỏ vì nếu xác suất đột biến lớn thì thuật toán di truyền sẽ trở thành quá trình tìm kiếm ngẫu nhiên. Một số phép đột biến thường gặp là: đột biến đảo bít (bit flip mutation), đột biến hoán vị (swap mutation), đột biến trộn (scramble mutation),.... 18. Chọn lọc Chọn lọc là quá trình chọn những cá thể từ quần thể hiện tại để tạo ra thế hệ sau. Theo thuyết tiến hóa của Darwin, những cá thể xấu sẽ bị đào thải những cá thể tốt sẽ được giữ lại. Như vậy, độ thích nghi của các cá thể trong quần thể sẽ hoàn thiện hơn sau nhiều thế hệ. Có nhiều phương pháp để chọn lọc cá thể, ví dụ: chọn lọc theo cách quay bánh xe Ru lét (roulette wheel), chọn lọc xếp hạng (rank selection), chọn lọc tranh đấu (tournament selection),... Điều kiện dừng Thuật toán di truyền là một quá trình ngẫu nhiên, nên không thể đảm bảo chắc chắn thuật toán sẽ dừng sau hữu hạn bước. Vì vậy, để đảm bảo thuật toán di truyền sẽ kết thúc, chúng ta thường định nghĩa điều kiện dừng cho thuật toán. Một vài trường hợp dừng thông thường như sau: • Kết thúc theo kết quả: một khi đạt đến mức giá trị yêu cầu thì kết thúc kết quả thực hiện. • Kết thúc dựa vào số thế hệ: chọn số thế hệ, quá trình sẽ dừng đúng ngay số thế hệ đã qui định trước, không cần biết kết quả như thế nào. • Tính theo thời gian: không cần biết qua bao nhiêu thế hệ hay kết quả như thế nào, chỉ dựa vào thời gian qui định kết thúc. • Kết hợp: dùng nhiều phương pháp khác nhau cho vấn đề chẳng hạn như: chạy theo số thế hệ, tiếp đến đánh giá theo kết quả hoặc ngược lại. 1.2.2 Thuật toán tiến hóa đa nhân tố Các thuật toán tiến hóa đã được áp dụng thành công để giải quyết nhiều bài toán tối ưu trong khoa học, nghiên cứu, và các bài toán thực tiễn trong cuộc sống. GAs cũng như các thuật toán tiến hóa khác chỉ tập trung vào việc tìm lời giải tối ưu cho một bài toán (nhiệm vụ) tại một thời điểm. Mặc dù vậy, trong thực tế, có nhiều bài toán cần được giải quyết đồng thời. Ví dụ là các dịch vụ điện toán đám mây cần phải đối mặt với nhiều yêu cầu từ người dùng. Mỗi yêu cầu có thể được xem như một nhiệm vụ tối ưu cần được giải quyết. Những nhiệm vụ này có thể có những tính chất tương tự hoặc hoàn toàn khác nhau. Để giải quyết vấn đề này, Gupta và các cộng sự 19 đã giới thiệu mô hình tiến hóa mới được gọi là tiến hóa đa nhân tố. Đây là mô hình tiến hóa đa nhiệm được đặc trưng bởi sự tồn tại đồng thời của nhiều không gian tìm kiếm tương ứng với các nhiệm vụ khác nhau (có thể có hoặc không phụ thuộc lẫn nhau). Mô hình này được lấy cảm hứng từ quan sát: mỗi nhiệm vụ tiến hóa sẽ đóng góp một nhân tố duy nhất ảnh hưởng đến quá trình tiến hóa của quần thể. 1.2.2.1 Tiến hóa đa nhân tố Giả sử, cần phải giải quyết K nhiệm vụ tối ưu hóa đồng thời. Không mất tính tổng quát, giả sử rằng tất cả các nhiệm vụ đều là bài toán tối thiểu hóa (minimization problem). Tác vụ thứ jth ký hiệu là Tj có không gian tìm kiếm Xj với hàm mục tiêu là fj : Xj R. Mỗi nhiệm vụ có thể bị ràng buộc bởi các phương trình hoặc bất phương trình nào đó. Trong bối cảnh như vậy, người ta định nghĩa tiến hóa đa nhân tố là một chiến lược tiến hóa đa nhiệm được xây dựng trên sự song song hóa hoàn toàn của việc tìm kiếm dựa vào quần thể với mục đích tìm: {xi, X2,..., XK 1, XK } = argmin{fi (x), f2(x),..., fKi (x),fK (x)}, trong đó Xj là một lời giải khả thi trong Xj. Nguyên tắc cơ bản trong thiết kế thuật toán tiến hóa đa nhân tố là dựa trên nguyên tắc chọn lọc tự nhiên của Darwin, do đó, cần xây dựng một kĩ thuật để đánh giá các cá thể trong một môi trường đa nhiệm. Dựa theo đó, ta sẽ xác định một tập hợp các thuộc tính của mỗi cá thể pi riêng lẻ, trong đó i 2 {1, 2,..., P|}, trong một quần thể P. Các cá thể được mã hóa trong một không gian tìm kiếm hợp nhất bao gồm X1, X2,..., Xk, và có thể được giải mã thành lời giải riêng cho mỗi nhiệm vụ. Dạng giải mã của cá thể pi có thể được ii i i i i viết như là {Xi, X2,..., XK}, trong đó Xi 2 Xi, X2 2 7X2,..., XK 2 XK . Định nghĩa 1.11 (nhân tố chi phí (factorial cost) 19). Chi phí Tj của cá thể pi đối với nhiệm vụ Tj là Tj = x.ôj + fj; trong đó A là một hằng số phạt lớn, fj và ôj là giá trị mục tiêu và tổng số sự vi phạm ràng buộc tương ứng của pi đối với nhiệm vụ Tj. Do vậy, nếu pi là cá thể hợp lệ đối với nhiệm vụ Tj (sự vi phạm ràng buộc bằng 0) thì Tj = fi. Định nghĩa 1.12 (hạng của cá thể với từng tác vụ (factorial rank) 19). Hạng rj của cá thểpi đối với nhiệm vụ Tj là thứ hạng của pi trong quần thể P sau khi được sắp sếp theo thứ tự tăng dần hoặc giảm dần của Tj. Định nghĩa 1.13 (hàm thích nghi vô hướng (scalar fitness) 19). Danh sách các xếp hạng của một cá thểpi trên K nhiệm vụ {ri ,r2,... ,rK} có thể được biến đổi sang một hình thức đơn giản hơn là giá trị hàm thích nghi vô hướng i. Giá trị này được tính dựa trên thứ tự xếp hạng tốt nhất của pi trên tất cả các nhiệm vụ, nghĩa là i = 1 min {rị}. je{i,2,...,K} j Định nghĩa 1.14 (chỉ số kỹ năng phù hợp nhất (skill factor) 19). Nhân tố kỹ năng Ti của cá thểpi là nhiệm vụ mà cá thểpi thực hiện hiệu quả nhất, nghĩa là Ti = arg min {ri} • i ỜJ2{1,C.,KỶ jJ Cá thể pa được xem là tốt hơn pb trong ngữ cảnh đa nhân tố nếu a > b. Nếu hai cá thể có cùng chỉ số kỹ năng phù hợp nhất Ta = Tb = j (phù hợp với nhiệm vụ thứ jth nhất), gán nhân chúng là giống nhau mạnh (strong counterparts). Định nghĩa 1.15 (tối ưu đa nhân tố (multifactorial optimality) 19). Một cá thểp, với một danh sách các giá trị mục tiêu {f1,f2,:::,fKg, được xem là tối ưu hóa trong ngữ cảnh đa nhân tố nếu và chỉ nếu 9j 2 {1;2;:::;Kg sao cho fj < fj (xj) đối với mọi Xj khả thi trong Xj. 1.2.2.2 Thuật toán tiến hóa đa nhân tố Thuật toán tiến hóa đa nhân tố (multifactorial evolutionary algorithm MFEA) được lấy cảm hứng từ mô hình văn hóa sinh học của kế thừa đa nhân tố. Thuật toán làm việc dựa trên chuyển giao vật liệu di truyền và văn hóa từ cha mẹ đến con cái của họ. Cụ thể việc chuyển giao văn hóa được kết hợp thông qua hai đặc tính của kế thừa đa nhân tố là giao phối hợp nhất (assortative mating) và truyền văn hóa theo chiều dọc (vertical cultural transmission). Chi tiết về MFEA được đưa ra trong thuật toán 1.1. Thuật toán 1.1: Cấu trúc cơ bản của MFEA Khởi tạo quần thể currentpop (P) ban đầu ; Đánh giá các cá thể trên các nhiệm vụ ; Tính chỉ số kỹ năng phù hợp nhất (T) cho mỗi cá thể ; while điều kiện dừng chưa được thỏa mãn do Ắp dụng các phép toán di truyền lên quần thể currentpop để tạo ra một quần thể con offspringpop (C); . Xem Thuật toán 1.3.; Đánh giá các cá thể trong quần thể offspringpop (C) chỉ đối với các nhiệm vụ được lựa chọn ; Gộp offspringpop và currentpop để tạo ra quần thể trung gian intermediatepop (P u C) ; Cập nhật hàm thích nghi vô hướng () và chỉ số kỹ năng phù hợp nhất (T) của các cá thể trong intermediatepop ; Lựa chọn các cá thể trong intermediatepop để hình thành currentpop cho thế hệ tiếp theo; end Khởi tạo quần thể Giả sử rằng K nhiệm vụ tối ưu đ
BỘ GIÁO DỤC 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 LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH Hà Nội - 2021 BỘ GIÁO DỤC 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: Khoa học máy tính Mã số: 9480101 LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Huỳnh Thị Thanh Bình PGS.TS Lê Trọng Vĩnh Hà Nội - 2021 Lời cam đoan Nghiên cứu sinh cam đoan luận án cơng trình nghiên cứu nghiên cứu sinh hướng dẫn tập thể cán hướng dẫn Luận án có sử dụng thơng tin trích dẫn từ nhiều nguồn tham khảo khác thông tin trích dẫn ghi rõ nguồn gốc Các số liệu, kết luận án trung thực chưa cơng bố cơng trình nghiên cứu tác giả khác Tập thể giáo viên hướng dẫn Hà Nội, ngày 08 tháng 06 năm 2021 Nghiên cứu sinh PGS.TS Huỳnh Thị Thanh Bình Nguyễn Thị Tâm PGS.TS Lê Trọng Vĩnh i Lời cảm ơn Đầu tiên, xin gửi lời cảm ơn chân thành đến thầy cô giáo hướng dẫn tôi, PGS.TS Huỳnh Thị Thanh Bình PGS.TS Lê Trọng Vĩnh Thầy cô định hướng, giúp đỡ, đồng hành suốt thời gian thực luận án Tôi bày tỏ biết ơn sâu sắc đến thầy giáo Viện Cơng nghệ thông tin Truyền thông, Trường Đại học Bách khoa Hà Nội truyền đạt cho kiến thức q báu để tơi có tảng vững q trình hồn thành luận án Xin cảm ơn PGS.TS Nguyễn Đắc Trung thầy giáo Phịng Đào tạo, Trường Đại học Bách khoa Hà Nội nhiệt tình giúp đỡ, theo sát, hỗ trợ tơi q trình học tập Tơi xin trân trọng cảm ơn Quỹ học bổng đổi sáng tạo Vingroup không tạo điều kiện vật chất để tơi n tâm học tập mà cịn nguồn động lực để tơi hồn thành mục tiêu đề Tơi xin chân thành cảm ơn Ban lãnh đạo Phịng thí nghiệm Khoa học Dữ liệu Bộ môn Tin học, Khoa Toán - Cơ - Tin học, Trường Đại học Khoa học Tự nhiên, Đại học quốc gia Hà Nội tạo điều kiện, động viên, khuyến khích để tơi hồn thành luận án Cuối cùng, tơi muốn gửi lời cảm ơn sâu sắc đến gia đình bạn bè điểm tựa vững đồng hành suốt năm học tập vừa qua Hà Nội, ngày 08 tháng 06 năm 2021 Nghiên cứu sinh Nguyễn Thị Tâm ii MỤC LỤC DANH MỤC THUẬT NGỮ VÀ TỪ VIẾT TẮT DANH MỤC BẢNG BIỂU vi vii DANH MỤC HÌNH ẢNH x GIỚI THIỆU Chương CƠ SỞ LÝ THUYẾT 1.1 Bài toán tối ưu 1.1.1 Bài toán tối ưu đơn mục tiêu 1.1.2 Bài toán tối ưu đa mục tiêu 1.2 Một số thuật toán giải toán tối ưu đơn mục tiêu 15 1.2.1 Thuật toán di truyền 15 1.2.2 Thuật tốn tiến hóa đa nhân tố 19 1.3 Một số thuật toán giải toán tối ưu đa mục tiêu 24 1.3.1 Thuật tốn di truyền xếp khơng trội 25 1.3.2 Thuật tốn tiến hóa đa mục tiêu dựa phân rã 31 1.3.3 Các độ đo đa mục tiêu 36 1.4 Bài toán tối ưu thời gian sống mạng cảm biến không dây 38 1.4.1 Định nghĩa thời gian sống mạng 38 1.4.2 Bài toán tối ưu thời gian sống cho mạng cảm biến không dây ngầm 39 1.4.3 Bài toán tối ưu thời gian sống cho mạng cảm biến khơng dây địa hình ba chiều 44 1.5 Kết luận chương 47 Chương TỐI ƯU HÓA THỜI GIAN SỐNG CỦA MẠNG CẢM BIẾN KHƠNG DÂY DỰA TRÊN MƠ HÌNH TỔN THẤT TRUYỀN THƠNG 48 2.1 Đặt vấn đề 48 2.2 Phát biểu toán 49 2.2.1 Mơ hình hóa tốn 50 2.2.2 Mơ hình quy hoạch ngun 51 iii 2.3 Thuật toán đề xuất 53 2.3.1 Thuật tốn tìm kiếm chùm tia với hàm Genitor 53 2.3.2 Thuật toán di truyền với khởi tạo dựa phâm cụm 57 2.3.3 Thuật tốn tìm kiếm chùm tia cặp ghép đồ thị 64 2.4 Thực nghiệm 69 2.4.1 Dữ liệu thực nghiệm 70 2.4.2 Cài đặt thực nghiệm 71 2.4.3 Tiêu chí đánh giá 72 2.4.4 So sánh đánh giá kết thực nghiệm 73 2.4.5 Đánh giá độ phức tạp thuật toán 85 2.5 Kết luận chương 87 Chương TỐI ƯU HÓA THỜI GIAN SỐNG CỦA MẠNG CẢM BIẾN KHÔNG DÂY DỰA TRÊN MƠ HÌNH SUY HAO NĂNG LƯỢNG 88 3.1 Đặt vấn đề 88 3.2 Mơ hình tốn địa hình ba chiều 89 3.2.1 Dữ liệu độ cao số 89 3.2.2 Mơ hình tốn 90 3.2.3 Mơ hình quy hoạch ngun 93 3.3 Thuật tốn tìm kiếm cục 94 3.3.1 Biểu diễn lời giải 94 3.3.2 Lượng giá lời giải 95 3.3.3 Tìm kiếm láng giềng 97 3.3.4 Khởi tạo lời giải 98 3.3.5 Thuật toán leo đồi ngẫu nhiên 98 3.3.6 Thực nghiệm 99 3.4 Thuật toán tối ưu đa mục tiêu dựa phân rã 105 3.4.1 Chuẩn hóa hàm mục tiêu 106 3.4.2 Thuật toán đa mục tiêu dựa phân rã mục tiêu 106 3.4.3 Thực nghiệm 112 3.4.4 Đánh giá độ phức tạp thuật toán 119 3.5 Thuật toán tiến hóa đa nhân tố giải tốn tối ưu loại mạng khác 121 iv 3.5.1 Biểu diễn lời giải 125 3.5.2 Thuật tốn tiến hóa đa nhân tố giải tốn tối ưu thời gian sống cho hai loại mạng 127 3.5.3 Thực nghiệm 130 3.6 Kết luận chương 137 Chương KẾT LUẬN 139 DANH MỤC CƠNG TRÌNH CƠNG BỐ 141 TÀI LIỆU THAM KHẢO 143 v DANH MỤC THUẬT NGỮ VÀ TỪ VIẾT TẮT STT Từ viết tắt Tên đầy đủ BGS Beam Genitor Search BMBM Beam Boltzmann Search and Maximum Bipartite Matching Sensor Nodes Reassignment BS Beam Search CluRNS Clustering-based heuristic for Relay Node Selection FCLS Flow Capacity Local Search LBSNA Load Balanced Sensor Node Assignment LURNS Load Unrestricted Relay Node Selection MBFS Maxium Flow Binary Search MBM-RS Maximum Bipartite Matching Sensor Nodes Reassignment 10 MFEA Multif actorial Evolutionary Algorithm 11 MOEAs Multiobjective Evolutionary Algorithms 12 MOEAD Multiobjective Evolutionary Algorithm Decomposition 13 MRP Min-Max Relay Placement 14 MXFBS Maxium Flow Binary Search 15 MXF-MC Maxium Flow with Min-max Cost 16 MXFGA Maxium Flow-based Genetic Algorithm 17 NSGA-II Non-dominated Sorting Genetic Algorithm II 18 ORP3D Optimal Relay Node Placement in 3D terrains 19 OSA3D Optimal Sensor Assignment in 3D terrains 20 WSNs Wireless Sensor Networks 21 WUSNs Wireless Underground Sensor Networks 22 RNs Relay Nodes 23 SNs Sensor Nodes vi based on DANH MỤC BẢNG BIỂU 1.1 Giá trị cp Dp tính từ ma trận trội 27 1.2 Giá trị tham số truyền thông mạng 45 2.1 Các tham số địa hình 70 2.2 Các tham số toán 70 2.3 Các tham số thuật toán 72 2.4 Tiêu chí đánh giá 72 2.5 Giá trị tổn thất truyền thơng trung bình với kích thước chùm tia khác 75 2.6 So sánh thời gian thực thuật tốn BMBM với kích thước chùm tia khác 75 2.7 Giá trị tổn thất truyền thơng trung bình với giá trị tt khác 76 2.8 So sánh kết thu thuật toán kịch 77 2.9 So sánh kết thu thuật toán kịch 78 2.10 So sánh kết thu thuật toán kịch 80 2.11 So sánh kết thu thuật toán kịch 81 2.12 So sánh kết thu thuật toán kịch 82 2.13 So sánh kết thu thuật toán kịch 83 2.14 Tóm tắt kết đạt thuật toán 85 2.15 So sánh độ phức tạp thuật toán 86 3.1 Mơ tả tóm tắt hình thái địa hình 99 3.2 Tham số cho địa hình 100 3.3 Tiêu chí đánh giá 101 3.4 Kết khởi tạo MBFS khởi tạo ngẫu nhiên tập liệu Type 3s 102 vii 3.5 Kết khởi tạo MBFS khởi tạo ngẫu nhiên tập liệu Type 3l 102 3.6 Kết thu tập liệu Type 1s, Type 2s, Type 3s 103 3.7 Kết thu tập liệu Type 1l, Type 2l, Type 3l 103 3.8 Kết thu tập liệu Type 3s, Type 4s, Type 5s 104 3.9 Kết thu tập liệu Type 3l, Type 4l, Type 5l 104 3.10 Tham số thuật toán MOEA-LS 112 3.11 So sánh thuật tốn MOEA-LS thuật tốn tiến hóa đa mục tiêu dựa độ đo δ 114 3.12 So sánh thuật tốn tiến hóa đa mục tiêu dựa độ đo ∆ 114 3.13 So sánh thuật toán tiến hóa đa mục tiêu khác dựa độ đo S 115 3.14 So sánh thuật tốn tiến hóa đa mục tiêu khác dựa độ đo N DS 115 3.15 So sánh số lượng liệu mà thuật toán MOEA-LS tốt thuật tốn tiến hóa đa mục tiêu khác 116 3.16 So sánh lượng tiêu thụ thuật toán khác (đơn vị mJ) 118 3.17 So sánh thuật toán MOEA-LS thuật toán FCLS dựa độ đo S 119 3.18 Độ phức tạp thuật toán đa mục tiêu 121 3.19 Tham số cho toán RSS RSM 131 3.20 Các liệu cho toán RSM 131 3.21 Các liệu cho toán RSS 131 3.22 Các tiêu chí đánh giá 131 3.23 Tham số cho thuật toán 132 3.24 So sánh lượng tiêu thụ tìm tốn RSM với giá trị rmp khác 133 3.25 So sánh lượng tiêu thụ tìm toán RSS với giá trị rmp khác 133 3.26 So sánh lượng tiêu thụ toán RSM với số lượng tác vụ khác 134 3.27 So sánh lượng tiêu thụ toán RSS với số lượng tác vụ khác 134 viii đề xuất để tìm cận lời giải Cuối cùng, cách tiếp cận dựa thuật toán tìm kiếm cục dựa luồng cực đại đề xuất để giải toán Cách tiếp cận thứ hai dựa thuật tốn tiến hóa đa mục tiêu dựa phân rã để tìm biên xấp xỉ biên Pareto tối ưu Trong thực tế, người định biết trọng số cho mục tiêu, việc áp dụng thuật toán FCLS hợp lý thuật tốn tìm lời giải gần với lời giải tối ưu tiết kiệm thời gian tìm kiếm Ngược lại, người định muốn tìm tập lời giải tối ưu cho tốn áp dụng thuật toán MOEA-LS cho kết tốt ❼ Nghiên cứu tốn tối ưu hóa thời gian sống cho nhiều loại mạng có cấu trúc khác Luận án đề xuất thuật tốn tiến hóa đa nhân tố (MFRPEA) với mã hóa (netkeys) để giải tốn Thuật toánMFRPEA cho kết tốt thuật toán khác GA, PSO DE hầu hết liệu với cách phân bố nút khác 138 Chương KẾT LUẬN Kết đạt Luận án tập trung giải ba vấn đề: i) tối ưu thời gian sống mạng cảm biến không dây ngầm (WUSN) dựa mơ hình tổn thất truyền thông; ii) tối ưu thời gian sống mạng cảm biến địa hình ba chiều (WSN3D) dựa mơ hình suy hao lượng; iii) tối ưu thời gian sống đồng thời cho nhiều loại mạng WSN3D có cấu trúc khác Các đóng góp luận án: Thứ nhất, luận án nghiên cứu toán triển khai nút chuyển tiếp để tối ưu thời gian sống mạng WUSN dựa mơ hình tổn thất truyền thơng nhằm đảm bảo cân tải số lượng nút chuyển tiếp Luận án đề xuất ba cách tiếp cận để giải vấn đề ❼ Đề xuất thuật tốn tham lam dựa tìm kiếm chùm tia với hàm Genitor (BGS) ❼ Đề xuất thuật toán di truyền với khởi tạo dựa phân cụm (MXFGA) Ý tưởng thuật tốn biết xác vị trí lựa chọn để đặt nút chuyển tiếp, tìm cách kết nối nút chuyển tiếp nút cảm biến cho giá trị tổn thất truyền thông lớn cặp kết nối tìm nhỏ ❼ Đề xuất phương pháp dựa kết hợp thuật tốn tìm kiếm chùm tia với hàm phân phối Boltzmann (BMBM) để tạo phương án khả thi cho toán Các kết nối tối ưu tìm xác cách đưa tốn tìm cặp ghép cực đại với chi phí cực tiểu Thứ hai, luận án nghiên cứu toán triển khai nút chuyển tiếp tối thiểu để kéo dài thời gian sống mạng WSN3D Mơ hình đánh giá thời gian sống sử dụng cho loại mạng mơ hình suy hao lượng Luận án đề xuất hai hướng tiếp cận để giải toán ❼ Đề xuất phương pháp dựa tổng trọng số để đưa toán đa mục tiêu tốn tối ưu hóa đơn mục tiêu ORP3D cách thêm trọng số cho mục tiêu Mơ hình quy hoạch nguyên đề xuất để tìm cận lời giải Cuối cùng, thuật tốn dựa tìm kiếm cục dựa luồng cực đại đề xuất để giải toán 139 ❼ Đề xuất thuật tốn tiến hóa đa mục tiêu dựa phân rã để tìm biên Pareto xấp xỉ biên tối ưu cho toán đa mục tiêu ban đầu Thứ ba, 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 (multihop) với ràng buộc số hop Luận án đề xuất thuật toán tiến hóa đa nhân tố với cách mã hóa Netkeys để giải toán Kết thực nghiệm cho thấy rằng, thuật toán đề xuất tốt thuật tốn di truyền (GA), tối ưu hóa bầy đàn (PSO), tiến hóa vi phân (DE) hầu hết liệu Hướng phát triển Nghiên cứu toán tối ưu hóa thời gian sống mạng cảm biến khơng dây vấn đề lớn, vậy, khơng thể hồn thành hết khn khổ luận án Nghiên cứu luận án xem xét đến lớp mạng cảm biến không dây ngầm (WUSN) mạng cảm biến khơng dây địa hình ba chiều (WSN3D) Ngồi lớp mạng trên, cịn có nhiều mạng cảm biến với đặc trưng khác nhau, ví dụ mạng cảm biến âm nước, mạng cảm biến triển khai đường ống dẫn khí, Trong thời gian tới, nghiên cứu sinh dự định xem xét nghiên cứu toán đây: ❼ 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 tốn tối ưu thời gian sống mạng WUSN WSN3D nhiều vòng (round ) cần thiết ❼ 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 (mobile sink ) 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 ❼ Trong địa hình ba chiều, việc truyền thơng cảm biến bị suy giảm vật như: tòa nhà, núi cao, Việc kéo dài thời gian sống mạng cần xem xét đến yếu tố 140 DANH MỤC CÔNG TRÌNH CƠNG BỐ 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.” International Conference on the Applications of Evolutionary Computation 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.” Information Sciences 504, 372-393 Q1, IF 5.91 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 terrains using relay placement metaheuristics” Knowledge-based systems 206, 106407 Q1, IF 5.92 Nguyen Thi Tam, Dinh Anh Dung, Tran Huy Hung, Huynh Thi Thanh Binh, Shui Yu (2021) “Exploiting relay nodes for maximizing wireless underground sensor network lifetime” Applied Intelligence 50(12), 4568-4585 Q2, IF 3.32 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” In Artificial Intelligence and Machine Learning for Multi-Domain Operations Applications II (Vol 11413, p 114130Z) International Society for Optics and Photonics Nguyen Thi Tam, Tran Son Tung (2020), “An Evolutionary Algorithm for Data Aggregation Tree Construction in Three-Dimensional Wireless Sensor Networks”, IEEE Region 10 Conference (TENCON), 732-737 Nguyen Thi Tam, Tran Huy Hung, Huynh Thi Thanh Binh, Le Trong Vinh (2020) “A decomposition-based multi-objective optimization approach for balancing the energy consumption of wireless sensor networks” Applied Soft Computing, DOI = 10.1016/j.asoc.2021.107365, Q1, IF 5.47 Nguyen Thi Tam, Vi Thanh Dat, Phan Ngoc Lan, Huynh Thi Thanh Binh, Le Trong Vinh, and Ananthram Swami (2020) “Multifactorial evo141 lutionary optimization to maximize lifetime of wireless sensor network”, Information Sciences (accepted) Q1, IF 5.91 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 142 TÀI LIỆU THAM KHẢO [1] Mustafa Kocakulak and Ismail Butun An overview of wireless sensor networks towards internet of things In 2017 IEEE 7th Annual Computing and Communication Workshop and Conference (CCWC), pages 1–6 IEEE, 2017 [2] Fernando Martincic and Loren Schwiebert Introduction to wireless sensor networking, volume chapter, 2005 [3] Isabel Dietrich and Falko Dressler On the lifetime of wireless sensor networks ACM Transactions on Sensor Networks (TOSN), 5(1):139, 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 2019 IEEE 44th LCN Symposium on Emerging Topics in Networking (LCN Symposium), pages 50–57 IEEE, 2019 [5] Abdul Salam and Mehmet C Vuran Em-based wireless underground sensor networks In Underground sensing, 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 Ad Hoc Networks, 71:104–116, 2018 [7] Bo Yuan, Huanhuan Chen, and Xin Yao Optimal relay placement for lifetime maximization in wireless underground sensor networks Inf Sci., 418(C):463–479, December 2017 [8] Nihar Ranjan Roy and Pravin Chandra Energy dissipation model for wireless sensor networks: a survey International Journal of Information Technology, 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 2018 Renewable Energies, Power Systems & Green Inclusive Economy (REPS-GIE), pages 1–6 IEEE, 2018 143 [10] Ashraf Hossain Equal energy dissipation in wireless sensor network AEU-International Journal of Electronics and Communications, 71:192– 196, 2017 [11] Deepak Sharma and Amol P Bhondekar An improved cluster head selection in routing for solar energy-harvesting multi-heterogeneous wireless sensor networks Wireless Personal Communications, 108(4):2213–2228, 2019 [12] Jingxia Zhang and Ruqiang Yan Centralized energy-efficient clustering routing protocol for mobile nodes in wireless sensor networks IEEE Communications Letters, 23(7):1215–1218, 2019 [13] Stephen Boyd, Stephen P Boyd, and Lieven Vandenberghe Convex optimization Cambridge university press, 2004 [14] KH Chang Multiobjective optimization and advanced topics Design Theory and Methods Using CAD/CAE, pages 325–406, 2015 [15] Daniel S Weile and Eric Michielssen Genetic algorithm optimization applied to electromagnetics: A review IEEE Transactions on Antennas and Propagation, 45(3):343–353, 1997 [16] Nguyễn Đình Thúc Lập trình tiến hóa Nhà xuất Giáo Dục, 1996 [17] David E Goldberg, Bradley Korb, Kalyanmoy Deb, et al Messy genetic algorithms: Motivation, analysis, and first results Complex systems, 3(5):493– 530, 1989 [18] Franz Rothlauf Representations for genetic and evolutionary algorithms In Representations for Genetic and Evolutionary Algorithms, pages 9–32 Springer, 2006 [19] Abhishek Gupta, Yew-Soon Ong, and Liang Feng Multifactorial evolution: toward evolutionary multitasking IEEE Transactions on Evolutionary Computation, 20(3):343–357, 2015 [20] Kalyanmoy Deb, Amrit Pratap, Sameer Agarwal, and TAMT Meyarivan A fast and elitist multiobjective genetic algorithm: Nsga-ii IEEE transactions on evolutionary computation, 6(2):182–197, 2002 144 [21] Qingfu Zhang and Hui Li Moea/d: A multiobjective evolutionary algorithm based on decomposition IEEE Transactions on evolutionary computation, 11(6):712–731, 2007 [22] Shi Cheng, Yuhui Shi, and Quande Qin On the performance metrics of multiobjective optimization In International Conference in Swarm Intelligence, 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 IEEE Transactions on Control of Network Systems, 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 IEEE Transactions on Vehicular Technology, 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 IEEE Access, 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 IEEE Communications Surveys & Tutorials, 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 IEEE Access, 5:18051–18065, 2017 [28] Milad Esmaeilpour, Amir G Aghdam, and Stephane Blouin Lifetime optimization and connectivity control in asymmetric networks In 2019 American Control Conference (ACC), 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 IEEE Access, 7:28940–28954, 2019 145 [30] Hwa-Chun Lin and Wei-Yu Chen An approximation algorithm for the maximum-lifetime data aggregation tree problem in wireless sensor networks IEEE Transactions on Wireless Communications, 16(6):3787–3798, 2017 [31] Selvakumar Sasirekha and Sankaranarayanan Swamynathan Cluster-chain mobile agent routing algorithm for efficient data aggregation in wireless sensor network Journal of Communications and Networks, 19(4):392–401, 2017 [32] Hashim A Hashim, Babajide Odunitan Ayinde, and Mohamed A Abido Optimal placement of relay nodes in wireless sensor network using artificial bee colony algorithm Journal of Network and Computer Applications, 64:239–248, 2016 [33] Nashat Abughalieh, Yann-Aăel Le Borgne, Kris Steenhaut, and Ann Nowộ Lifetime optimization for wireless sensor networks with correlated data gathering In 8th International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks, pages 266–272 IEEE, 2010 [34] Hui Wang, Nazim Agoulmine, Maode Ma, and Yanliang Jin Network lifetime optimization in wireless sensor networks IEEE Journal on Selected Areas in Communications, 28(7):1127–1137, 2010 [35] Ian F Akyildiz, Zhi Sun, and Mehmet C Vuran Signal propagation techniques for wireless underground communication networks Physical Communication, 2(3):167–183, 2009 [36] Li Li, Mehmet C Vuran, and Ian F Akyildiz Characteristics of underground channel for wireless underground sensor networks In Proc Med-Hoc-Net, volume 7, pages 13–15, 2007 [37] Dejun Yang, Xi Fang, Guoliang Xue, and Jian Tang Relay station placement for cooperative communications in wimax networks In 2010 IEEE Global Telecommunications Conference GLOBECOM 2010, pages 1– IEEE, 2010 146 [38] Weiyi Zhang, Shi Bai, Guoliang Xue, Jian Tang, and Chonggang Wang Darp: Distance-aware relay placement in wimax mesh networks In 2011 Proceedings IEEE INFOCOM, 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 2012 IEEE Global Communications Conference (GLOBECOM), pages 2566– 2571 IEEE, 2012 [40] Xiaofeng Han, Xiang Cao, Errol L Lloyd, and Chien-Chung Shen Faulttolerant relay node placement in heterogeneous wireless sensor networks IEEE Transactions on Mobile Computing, 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 IEEE/ACM Transactions on Networking (TON), 18(2):434–447, 2010 [42] Ying Huang, Yan Gao, and Klara Nahrstedt Relay placement for reliable base station connectivity in polymorphous networks In 2010 7th Annual IEEE Communications Society Conference on Sensor, Mesh and Ad Hoc Communications and Networks (SECON), pages 1–9 IEEE, 2010 [43] Yuanteng Pei and Matt W Mutka Joint bandwidth-aware relay placement and routing in heterogeneous wireless networks In 2011 IEEE 17th International Conference on Parallel and Distributed Systems, pages 420–427 IEEE, 2011 [44] Abhijit Bhattacharya and Anurag Kumar A shortest path tree based algorithm for relay placement in a wireless sensor network and its performance analysis Computer Networks, 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 IEEE Transactions on Wireless Communications, 13(7):3510–3523, 2014 147 [46] ZHI Sun, Ian F Akyildiz, and Gerhard P Hancke Dynamic connectivity in wireless underground sensor networks IEEE Transactions on Wireless Communications, 10(12):4334–4344, 2011 [47] MOSTAFA Baghouri, ABDERRAHMANE Hajraoui, and SAAD Chakkor Low energy adaptive clustering hierarchy for three-dimensional wireless sensor network Recent Advances in Communications, pages 214–218, 2015 [48] Dang Thanh Hai, Trong Le Vinh, et al Novel fuzzy clustering scheme for 3d wireless sensor networks Applied Soft Computing, 54:141–149, 2017 [49] Wendi Rabiner Heinzelman, Anantha Chandrakasan, and Hari Balakrishnan Energy-efficient communication protocol for wireless microsensor networks In Proceedings of the 33rd annual Hawaii international conference on system sciences, 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 Wireless Networks, 24(5):1477–1490, 2018 [51] Muhammad Iqbal, Muhammad Naeem, Alagan Anpalagan, Ashfaq Ahmed, and Muhammad Azam Wireless sensor network optimization: Multi- objective paradigm Sensors, 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 Applied Soft Computing, 68:268–282, 2018 [53] Sukhchandan Randhawa and Sushma Jain Mlbc: Multi-objective load balancing clustering technique in wireless sensor networks Applied Soft Computing, 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 Journal of The Institution of Engineers (India): Series B, pages 1–12, 2020 148 [55] Shengbin Liao and Qingfu Zhang A multiutility framework with application for studying tradeoff between utility and lifetime in wireless sensor networks IEEE Transactions on Vehicular Technology, 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 Wireless personal communications, 71(1):195–215, 2013 [57] Ramin Yarinezhad Reducing delay and prolonging the lifetime of wireless sensor network using efficient routing protocol based on mobile sink and virtual infrastructure Ad Hoc Networks, 84:42–55, 2019 [58] Jacob John and Paul Rodrigues Motco: Multi-objective taylor crow optimization algorithm for cluster head selection in energy aware wireless sensor network Mobile Networks and Applications, 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 AIJR Abstracts, 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 Journal of Network and Computer Applications, 93:76–90, 2017 [61] Dejun Yang, Xi Fang, and Guoliang Xue Near-optimal relay sta- tion placement for power minimization in wimax networks In 2011 IEEE Global Telecommunications Conference-GLOBECOM 2011, pages 1– IEEE, 2011 [62] Fei Che, Errol L Lloyd, Jason O Hallstrom, and SS Ravi Topology control with a limited number of relays In 2012 IEEE Global Communications Conference (GLOBECOM), 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 IEEE Sensors Journal, 16(2):515–528, 2015 149 [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 Sensors, 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 Applied Soft Computing, 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 2016 International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET), pages 1212–1216 IEEE, 2016 [67] Muhammad Sohail Sardar, Wan Xuefen, Yang Yi, Farzana Kausar, and Mohammad Wasim Akbar Wireless underground sensor networks International Journal of Performability Engineering, (11), 2019 [68] Muhammed Enes Bayrakdar A smart insect pest detection technique with qualified underground wireless sensor nodes for precision agriculture IEEE Sensors Journal, 19(22):10892–10897, 2019 [69] Dr Shinghal, Neelam Srivastava, et al Wireless sensor networks in agriculture: for potato farming Neelam, Wireless Sensor Networks in Agriculture: For Potato Farming (September 22, 2017), 2017 [70] Peng Si Ow and Thomas E Morton Filtered beam search in scheduling The International Journal Of Production Research, 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 Icga, volume 89, pages 116–123 Fairfax, VA, 1989 [72] CR Reeves Genetic algorithms and combinatorial optimization Applications of modern heuristic methods, 111:126, 1995 150 [73] Thilo Mahnig and Heinz Muhlenbein A new adaptive boltzmann selection schedule sds In Proceedings of the 2001 Congress on Evolutionary Computation (IEEE Cat No 01TH8546), 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 IEEE Internet of Things Journal, 5(6):4843–4856, 2018 [75] Igor Florinsky Digital terrain analysis in soil science and geology Academic Press, 2016 [76] Shengkui Gao and Viktor Gruev Bilinear and bicubic interpolation methods for division of focal plane polarimeters Optics express, 19(27):26161– 26173, 2011 [77] Stuart J Russell and Peter Norvig Artificial intelligence: a modern approach Malaysia; Pearson Education Limited„ 2016 [78] Eckart Zitzler, Marco Laumanns, and Lothar Thiele Spea2: Improving the strength pareto evolutionary algorithm TIK-report, 103, 2001 [79] Feng Xue, Arthur C Sanderson, and Robert J Graves Pareto-based multiobjective differential evolution In The 2003 Congress on Evolutionary Computation, 2003 CEC’03., 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 2006 IEEE International Conference on Evolutionary Computation, 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 IEEE Transactions on Wireless Communications, 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 151 2018 International Conference on Information Networking (ICOIN), pages 738–743 IEEE, 2018 [83] Mathias Hauptmann and Marek Karpi´ nski A compendium on Steiner tree problems Inst fă ur Informatik, 2013 [84] José Fernando Gon¸calves and Mauricio GC Resende Biased random-key genetic algorithms for combinatorial optimization Journal of Heuristics, 17(5):487–525, 2011 152 ... 1.4 Bài toán tối ưu thời gian sống mạng cảm biến không dây 38 1.4.1 Định nghĩa thời gian sống mạng 38 1.4.2 Bài toán tối ưu thời gian sống cho mạng cảm biến không dây ngầm ... tối ưu thời gian sống mạng cảm biến không dây 1.4.1 Định nghĩa thời gian sống mạng Thời gian sống thách thức quan trọng mạng cảm biến khơng dây Có nhiều cách định nghĩa thời gian sống mạng dựa vào... tốn 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 không dây trình bày Chương 2: tối ưu hóa thời gianLuận văn Khoa học ĐỘC QUYỀN (Word): Tối ưu hóa thời gian sống của một lớp mạng cảm biến không dây theo hướng tiếp cận xấp xỉ
165
20
0
THÔNG TIN TÀI LIỆU
Thông tin cơ bản
| Định dạng | |
|---|---|
| Số trang | 165 |
| Dung lượng | 3,63 MB |
| File đính kèm | MẠNG CẢM BIẾN KHÔNG DÂY XẤP XỈ.rar (4 MB) |
Nội dung
Ngày đăng: 10/09/2021, 15:13
HÌNH ẢNH LIÊN QUAN
TỪ KHÓA LIÊN QUAN
TÀI LIỆU CÙNG NGƯỜI DÙNG
-
28 564 3
-
99 686 2
-
94 752 1
-
82 702 0
-
29 10 0
-
52 45 0
TÀI LIỆU LIÊN QUAN
-
80 1,4K 18
-
63 363 0
-
8 557 0
-
72 1,1K 6
-
67 705 1
-
7 543 0
-
30 454 0
-
133 552 0