Tối ưu hóa thời gian sống của một lớp mạng cảm biến không dây theo hướng tiếp cận xấp xỉ

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 16 tháng 10 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 16 tháng 10 năm 2021 Nghiên cứu sinh Nguyễn Thị Tâm ii MỤC LỤC DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT DANH MỤC BẢNG BIỂU vi viii DANH MỤC HÌNH ẢNH xi MỞ ĐẦU 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 30 1.3.3 Các độ đo đa mục tiêu 35 1.4 Bài toán tối ưu thời gian sống mạng cảm biến không dây 37 1.4.1 Định nghĩa thời gian sống mạng 37 1.4.2 Bài toán tối ưu thời gian sống cho mạng cảm biến không dây ngầm 38 1.4.3 Bài toán tối ưu thời gian sống cho mạng cảm biến khơng dây địa hình ba chiều 43 1.5 Kết luận chương 46 Chương TỐI ƯU HÓA THỜI GIAN SỐNG CỦA MẠNG CẢM BIẾN KHƠNG DÂY DỰA TRÊN MƠ HÌNH SUY HAO ĐƯỜNG TRUYỀN 47 2.1 Đặt vấn đề 47 2.2 Phát biểu toán 48 2.2.1 Mơ hình hóa tốn 49 2.2.2 Mơ hình quy hoạch ngun 50 iii 2.3 Thuật toán đề xuất 52 2.3.1 Thuật tốn tìm kiếm chùm tia với hàm Genitor 52 2.3.2 Thuật toán di truyền với khởi tạo dựa phâm cụm 55 2.3.3 Thuật tốn tìm kiếm chùm tia cặp ghép đồ thị 62 2.3.4 Đánh giá độ phức tạp thuật toán 68 2.4 Thực nghiệm 70 2.4.1 Dữ liệu thực nghiệm 70 2.4.2 Cài đặt thực nghiệm 72 2.4.3 Tiêu chí đánh giá 72 2.4.4 So sánh đánh giá kết thực nghiệm 73 2.5 Kết luận chương 85 Chương TỐI ƯU HĨA THỜI GIAN SỐNG CỦA MẠNG CẢM BIẾN KHƠNG DÂY DỰA TRÊN MƠ HÌNH SUY HAO NĂNG LƯỢNG 86 3.1 Đặt vấn đề 86 3.2 Mơ hình tốn địa hình ba chiều 87 3.2.1 Dữ liệu độ cao số 87 3.2.2 Mơ hình tốn 88 3.2.3 Mơ hình quy hoạch ngun 91 3.3 Thuật tốn tìm kiếm cục 92 3.3.1 Biểu diễn lời giải 92 3.3.2 Lượng giá lời giải 93 3.3.3 Tìm kiếm láng giềng 95 3.3.4 Khởi tạo lời giải 96 3.3.5 Thuật toán leo đồi ngẫu nhiên 96 3.3.6 Thực nghiệm 97 3.4 Thuật toán tối ưu đa mục tiêu dựa phân rã 103 3.4.1 Chuẩn hóa hàm mục tiêu 103 3.4.2 Thuật toán đa mục tiêu dựa phân rã mục tiêu 104 3.4.3 Đánh giá độ phức tạp thuật toán 110 3.4.4 Thực nghiệm 111 3.5 Thuật tốn tiến hóa đa nhân tố giải tốn tối ưu loại mạng khác 118 iv 3.5.1 Biểu diễn lời giải 122 3.5.2 Thuật tốn tiến hóa đa nhân tố giải tốn tối ưu thời gian sống cho hai loại mạng 124 3.5.3 Thực nghiệm 127 3.6 Kết luận chương 134 Chương KẾT LUẬN 135 DANH MỤC CƠNG TRÌNH CƠNG BỐ 137 TÀI LIỆU THAM KHẢO 138 v DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Danh mục ký hiệu STT Ký hiệu C(A, B) N DS(A) HV(A, z ∗ ) S(A, B) ∆(A) R(A, B)i S(A, B) 10 11 12 13 n m c λ = (λ1 , , λd ) xk xi Ý nghĩa Độ đo C thuật toán A thuật tốn B Số lượng lời giải khơng bị trội thu từ thuật toán A Độ đo HV thuật toán A với điểm tham chiếu z ∗ Số lượng liệu thuật toán A vượt trội thuật toán B độ đo HV Độ đo ∆ thu từ thuật toán A Tỉ lệ phần trăm cải thiện kết thuật toán A so với thuật toán B liệu thứ i Số lượng liệu mà thuật tốn A có kết tốt thuật toán B Số lượng nút cảm biến Số lượng vị trí khả thi để đặt nút chuyển tiếp Kích thước chùm tia Véc tơ trọng số ứng với d hàm mục tiêu Véc tơ thứ i Thành phần thứ i véc tơ Danh mục chữ viết tắt STT Từ viết tắt EA BGS BMBM BS CluRNS FCLS GA LBSNA Tiếng Anh Evolutionary Algorithm Tiếng Việt Thuật tốn tiến hóa Thuật tốn tìm kiếm chùm tia với hàm Beam Genitor Search Genitor Thuật tốn tìm kiếm chùm tia với hàm Beam Boltzmann Search and phân phối Boltzmann cặp ghép Maximum Bipartite Matching đồ thị Beam Search Thuật tốn tìm kiếm chùm tia Clustering-based heuristic for Thuật toán khởi tạo phân cụm Relay node Selection Thuật tốn tìm kiếm cục kết hợp với Flow Capacity Local Search luồng Genetic Algorithm Thuật toán di truyền Load Balanced Sensor Node Bài toán gán nút cảm biến cho nút Assignment chuyển tiếp đảm bảo cân tải vi STT Từ viết tắt LURNS 10 MBM-RS 11 MFEA 12 MOEA 13 MOEAD 14 MOEA-LS 15 MRP 16 MXFBS 17 MXF-MC 18 MXFGA 19 NSGA-II 20 ORP3D 21 OSA3D 22 23 24 RN SN WSN 25 WSN3D 26 WUSN Tiếng Anh Tiếng Việt Load Unrestricted Relay Node Bài toán lựa chọn nút chuyển tiếp Selection bỏ qua cân tải Thuật tốn tìm kết nối cho nút cảm Maximum Bipartite Matching biến dựa thuật tốn tìm cặp ghép Sensor Nodes Reassignment cực đại với chi phí cực tiểu Multifactorial Evolutionary Thuật tốn tiến hóa đa nhân tố Algorithm Multiobjective Evolutionary Thuật tốn tiến hóa đa mục tiêu Algorithm Multiobjective Evolutionary Thuật tốn tiến hóa đa mục tiêu dựa Algorithm based on Decompotrên phân rã sition Multiobjective Evolutionary Thuật tốn tiến hóa đa mục tiêu dựa Algorithm based on Decompo- phân rã kết hợp với tìm kiếm cục sition and Local Search Bài toán đặt nút chuyển tiếp kéo Min-Max Relay Placement dài thời gian sống mạng Thuật tốn tìm kiếm nhị phân đồ Maxium Flow Binary Search thị luồng Maxium Flow with Min-max Bài tốn tìm luồng cực đại mạng Cost với chi phí cực tiểu Maxium Flow-based Genetic Thuật toán di truyền dựa luồng Algorithm cực đại Non-dominated Sorting Ge- Thuật tốn di truyền xếp khơng netic Algorithm II trội Optimal Relay Node Place- Tối ưu hóa vị trí nút chuyển ment in 3D terrains tiếp địa hình ba chiều Optimal Sensor Assignment in Tối ưu hóa việc gán nút cảm biến 3D terrains địa hình ba chiều Relay Node Nút chuyển tiếp Sensor Node Nút cảm biến Wireless Sensor Network Mạng cảm biến không dây Wireless Sensor Network in Mạng cảm biến khơng dây địa three-dimensional terrain hình ba chiều Wireless Underground Sensor Mạng cảm biến không dây ngầm Network vii 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 44 2.1 So sánh độ phức tạp thuật toán 70 2.2 Các tham số địa hình 70 2.3 Các tham số toán 71 2.4 Các tham số thuật toán 72 2.5 Tiêu chí đánh giá 73 2.6 Giá trị suy hao đường truyền trung bình với kích thước chùm tia khác 76 2.7 So sánh thời gian thực thuật tốn BMBM với kích thước chùm tia khác 76 2.8 Giá trị suy hao đường truyền trung bình với giá trị tt khác 77 2.9 So sánh kết thu thuật toán kịch 78 2.10 So sánh kết thu thuật toán kịch 79 2.11 So sánh kết thu thuật toán kịch 80 2.12 So sánh kết thu thuật toán kịch 81 2.13 So sánh kết thu thuật toán kịch 82 2.14 So sánh kết thu thuật toán kịch 83 2.15 Tóm tắt kết đạt thuật toán 85 3.1 Mô tả tóm tắt hình thái địa hình 97 3.2 Tham số cho địa hình 98 3.3 Tiêu chí đánh giá 99 3.4 Kết khởi tạo MBFS khởi tạo ngẫu nhiên tập liệu Type 3s 100 viii Bảng 3.29: So sánh hiệu thuật toán đề xuất toán RSS với nút có bán kính khác Type 3S uu25_1s uu25_2s uu25_3s uu25_4s uu25_5s uu25_6s uu25_7s uu25_8s uu25_9s uu25_10s Trung bình 3.6 R(A, GAs ) 16.52 3.98 0.00 0.00 0.00 0.00 0.00 0.00 5.41 10.54 3.65 R(A, P SOs ) 4.52 2.18 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.67 R(A, DEs ) 3.40 1.35 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.47 Type 4S uu50_1s uu50_2s uu50_3s uu50_4s uu50_5s uu50_6s uu50_7s uu50_8s uu50_9s uu50_10s R(A, GAs ) 1.59 0.00 0.00 0.00 0.16 0.00 3.48 0.00 1.15 0.00 0.64 R(A, P SOs ) -0.11 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 -0.01 R(A, DEs ) 1.90 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.15 0.00 0.30 Kết luận chương Chương trình bày hai vấn đề chính: ❼ Nghiên cứu tốn đa mục tiêu để tối ưu hóa thời gian sống mạng cảm biến khơng dây địa hình ba chiều (ORP3D) Bài tốn có hai mục tiêu chính: tối thiểu số lượng nút chuyển tiếp sử dụng tối thiểu giá trị lượng tiêu thụ tối đa nút mạng (mỗi nút mạng nút cảm biến nút chuyển tiếp) Hai cách tiếp cận đề xuất để giải toán đa mục tiêu này: cách tiếp cận tổng trọng số tiếp cận đa mục tiêu Cách tiếp cận tổng trọng số đưa toán ORP3D toán đơn mục tiêu OSA3D cách sử dụng trọng số cho mục tiêu Mơ hình quy hoạch ngun đề xuất để tìm cận lời giải Cuối cùng, 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 toán MFRPEA cho kết tốt thuật toán khác GA, PSO DE hầu hết kịch liệu 134 Chương KẾT LUẬN Kết đạt Luận án tập trung giải ba vấn đề: i) tối ưu thời gian sống mạng cảm biến khơng dây ngầm (WUSN) dựa mơ hình suy hao đường truyền; 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 suy hao đường truyền 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 toán 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 toán 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 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 Mô 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 OSA3D cách thêm trọng số cho mục tiêu Mơ hình quy hoạch ngun đề xuất để tìm cận lời giải Cuối cùng, thuật toán dựa tìm kiếm cục luồng cực đại đề xuất để giải toán 135 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 toán 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 tốn tiến hóa đa nhân tố với cách mã hóa Netkeys để giải tốn 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 kịch liệu Hướng phát triển Nghiên cứu tốn tối ưu hóa thời gian sống mạng cảm biến không dây vấn đề lớn, vậy, khơng thể hồn thành hết khuôn khổ luận án Nghiên cứu luận án xem xét đến lớp mạng cảm biến bao gồm mạng WUSN mạng WSN3D Ngoài 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 toán 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 khơng thể 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 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 136 DANH MỤC CƠNG 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 (Part of EvoStar) 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 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 terrains using relay placement metaheuristics” Knowledge-based systems 206, 106407 Q1, 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” Applied Intelligence 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” In Artificial Intelligence and Machine Learning for Multi-Domain Operations Applications II (Vol 11413, 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, (2021) A multi-objective evolutionary decomposition algorithm for optimizing lifetime in three-dimensional wireless sensor networks, Applied Soft Computing,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 evo137 lutionary optimization to maximize lifetime of wireless sensor network”, Information Sciences,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 138 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):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 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 139 [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 140 [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 141 [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, 64:239248, 2016 [33] Nashat Abughalieh, Yann-Aăel Le Borgne, Kris Steenhaut, and Ann Nowé 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 142 [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 143 [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 144 [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):4701–4711, 2014 ¨ ¨ [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 145 [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 146 [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 147 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] Josộ Fernando Gonácalves and Mauricio GC Resende Biased random-key genetic algorithms for combinatorial optimization Journal of Heuristics, 17(5):487–525, 2011 148 ... 1.4 Bài toán tối ưu thời gian sống mạng cảm biến không dây 37 1.4.1 Định nghĩa thời gian sống mạng 37 1.4.2 Bài toán tối ưu thời gian sống cho mạng cảm biến không dây ngầm ... 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. .. toán tối ưu thời gian sống cho lớp mạng cảm biến không dây bao gồm hai loại mạng: mạng cảm biến không dây ngầm (wireless underground sensor networks - WUSNs) với nút cảm biến đặt đất mạng cảm biến