Tiến hóa đa nhiệm giải bài toán cây tổng hợp dữ liệu với năng lượng nhỏ nhất

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ TIẾN HOÁ ĐA NHIỆM GIẢI BÀI TOÁN CÂY TỔNG HỢP DỮ LIỆU VỚI NĂNG LƯỢNG NHỎ NHẤT Trần Quang Tuấn Tuantqhust95@gmail.com Ngành Khoa học máy tính Giảng viên hướng dẫn: PGS.TS Huỳnh Thị Thanh Bình Viện: Cơng nghệ thơng tin truyền thông Chữ ký GVHD HÀ NỘI, 10/2021 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Trần Quang Tuấn Đề tài luận văn: Tiến hóa đa nhiệm giải tốn tổng hợp liệu với tổng lượng nhỏ Chuyên ngành: Khoa học máy tính Mã số SV: CB190215 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 28/04/2021 với nội dung sau: - Thống tên gọi đồ án / luận văn nội dung - Sửa lại lỗi tham chiếu hình ảnh - Sửa lại lỗi tả Ngày tháng 10 năm 2021 Giáo viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG Lời cảm ơn Tôi xin gửi lời cảm ơn sâu sắc đến cô Huỳnh Thị Thanh Bình thầy mơn Khoa Học Máy Tính cho phép tơi nghiên cứu, viết luận văn đề tài: “Giải thuật tiến hoá đa nhiệm giải toán tổng hợp liệu với tổng lượng nhỏ nhất” Tôi xin chân thành cảm ơn quý thầy cô giảng dạy, dẫn thời gian học tập trường Những kiến thức quý báu thầy cô giúp nhiều học tập sống Cuối xin gửi lời cảm ơn đến bố mẹ, bạn bè & gia đình gắn bó, giúp đỡ tơi q trình tơi nghiên cứu viết luận văn HỌC VIÊN Ký ghi rõ họ tên MỤC LỤC DANH MỤC CÁC THUẬT NGỮ VÀ TỪ VIẾT TẮT MỞ ĐẦU 10 CƠ SỞ LÝ THUYẾT 13 1.1 1.2 1.3 1.4 Tổng quan mạng cảm biến 13 1.1.1 Cấu trúc mạng cảm biến 14 1.1.2 Kiến trúc giao thức mạng cảm biến không dây 16 1.1.3 Ứng dụng mạng cảm biến 17 Các vấn đề mạng cảm biến 19 1.2.1 Định vị 20 1.2.2 Đồng hóa 20 1.2.3 Bao phủ 21 1.2.4 An ninh 21 1.2.5 Nén tổng hợp liệu 22 Tổng hợp liệu 22 1.3.1 Độ đo tổng hợp liệu 23 1.3.2 Phương pháp tổng hợp liệu 25 Bài toán tối ưu tổ hợp 27 1.4.1 Các phương pháp giải xác 29 1.4.2 Các phương pháp giải gần 29 THUẬT TOÁN ĐỀ XUẤT 31 2.1 Giải thuật di truyền 31 2.1.1 Các bước giải thuật di truyền 31 2.1.2 Nguyên lý giải thuật di truyền 33 2.1.3 Thuật tốn tiến hóa đa nhiệm 35 2.1.4 Mơ hình tiến hóa đa nhiệm 36 2.1.5 Giải thuật tiến hóa đa nhiệm 38 2.2 Bài toán tổng hợp liệu với lượng nhỏ 42 2.3 Thuật tốn tiến hóa đa nhiệm cho toán tổng hợp liệu với lượng nhỏ 45 2.3.1 Biểu diễn 45 2.3.2 Mã hóa khơng gian chung 46 2.3.3 Khởi tạo 48 2.3.4 Lai ghép 49 2.3.5 Đột biến 51 KẾT QUẢ THỰC NGHIỆM 53 3.1 Cấu hình thực nghiệm 53 3.2 Kết đánh giá 55 KẾT LUẬN 59 DANH MỤC HÌNH VẼ Hình 1-1 Mạng cảm biến không dây thực tế 15 Hình 1-2 Kiến trúc nút cảm biến 15 Hình 1-3 Kiến trúc giao thức mạng cảm biến khơng dây 16 Hình 1-4 Ứng dụng smarthouse 18 Hình 1-5 Đồng hóa thời gian mạng cảm biến 21 Hình 1-6 Vấn đề bao phủ mạng cảm biến 21 Hình 1-7 Quá trình tổng hợp liệu 23 Hình 1-8 Tổng quan phương pháp tổng hợp liệu 26 Hình 1-9 Phương pháp tổng hợp liệu tree-based 27 Hình 2-1 Sơ đồ giải thuật di truyền 32 Hình 2-2 Minh họa MFEA 35 Hình 2-3 Sơ đồ thuật tốn MFEA 39 Hình 2-4 Ví dụ mạng cảm biến mơ hình dạng đồ thị 43 Hình 2-5 Ví dụ mạng cảm biến có nút 44 Hình 2-6 Cây tổng hợp liệu thứ 44 Hình 2-7 Cây tổng hợp liệu thứ 44 Hình 2-8 Ví dụ đường ngắn (b) đến nút A đồ thị (a) 45 Hình 2-9 Ví dụ đồ thị G 46 Hình 2-10 Ví dụ Cây bao trùm T đồ thị G 46 Hình 2-11 Dạng biểu diễn mã hóa T 46 Hình 2-12 Ví dụ mã hóa 𝑇𝑇1 𝑇𝑇2 tác vụ 𝑘𝑘1, 𝑘𝑘2 không gian chung 47 Hình 2-13 Giải mã với tác vụ 𝑘𝑘1, 𝑘𝑘2 48 Hình 2-14 Ví dụ với đồ thị 𝐺𝐺1 𝐺𝐺2, bao trùm 𝑇𝑇1, 𝑇𝑇2 tương ứng 50 Hình 2-15 Đồ thị tạo 𝑇𝑇1 ∪ 𝑇𝑇2 51 32T Hình 2-16 Kết phép giao 𝐺𝐺1 ∩ (𝑇𝑇1 ∪ 𝑇𝑇2) 51 Hình 2-17 Kết hệ cuối đồ thị 𝐺𝐺1 51 Hình 2-18 Cá thể cha p(T,G) với bao trùm T đồ thị G 52 Hình 2-19 Cá thể p đột biến thêm cạnh ngẫu nhiên thuộc G 52 Hình 2-20 cá thể c sau kết thúc đột biến 52 Hình 3-1 So sánh tốc độ hội tụ thuật tốn nhóm kịch 57 Hình 3-2 So sánh tốc độ hội tụ thuật toán nhóm kịch 57 DANH MỤC BẢNG Bảng 3-1 Cấu hình hệ thống 53 Bảng 3-2 Tham số liệu 54 Bảng 3-3 Bảng tham số thuật toán 54 Bảng 3-4 Kết thực nghiệm với nhóm kịch 56 Bảng 3-5 Kết thực nghiệm với nhóm kịch 56 DANH MỤC CÁC THUẬT NGỮ VÀ TỪ VIẾT TẮT Mạng cảm biến không dây………………………………………… WSN Giải thuật tiến hóa đa nhiệm…………………………………………MFEA Giải thuật di truyền………………………………………………… GA Lai ghép…………………………………………………………… Cross-over Đột biến…………………………………………………… ………Mutation Nút gốc………………………………………………………………Sink Giải thuật gần đúng………………………………………………….Heuristic Tổng hợp liệu………………………………………………Data Aggregation MỞ ĐẦU Tính cấp thiết đề tài Sự phát triển mạnh mẽ khoa học công nghệ, kĩ thuật đo lường đặc biệt mạng cảm biến không dây mang lại hiệu to lớn cho sống người Với tính riêng biệt, mạng cảm biến không dây giúp người thám hiểm khám phá nhiều địa hình khác nhau, ví dụ địa hình hiểm trở hay môi trường độc hại người tiếp cận Hiện nay, mạng cảm biến không dây ứng dụng lĩnh vực từ quân đến dân sự, thực nhiều công việc khác giám sát địa hình, cảnh báo tượng thiên tai, dự báo thời tiết, quản lý chất lượng sản phẩm, theo dõi sức khỏe người hay tích hợp vào thiết bị điện nhà [1] Ứng dụng thực tế mạng cảm biến khơng dây kể đến như: vườn trồng hay trang trại thực phẩm có quy mơ lớn, thiết bị cảm biến giúp cung cấp cho người chủ vườn thơng tin xác thiết thực [1] Mạng cảm biến không dây hệ thống liên kết nhiều cảm biến với sử dụng kết nối không dây Chúng phối hợp thực nhiệm vụ thu thập thông tin liệu với quy mô lớn Mạng liên kết trực tiếp với nút quản lý giám sát trực tiếp hay gián tiếp thông qua điểm thu phát môi trường mạng công cộng Internet hay vệ tinh Mỗi cảm biến có nhiều nhiệm vụ khác tùy thuộc vào ứng dụng Các thiết bị cảm biến không dây liên kết thành mạng tạo nhiều khả cho người Ưu điểm nút cảm biến hoạt động mơi trường khắc nghiệt với yêu cầu lượng thấp Bên cạnh ưu điểm giúp mạng cảm biến không dây ứng dụng nhiều lĩnh vực, mạng cảm biến không dây gặp khơng trở ngại thách thức Một số phải kể đến vấn đề lượng tiêu thụ Do nút cảm biến sử dụng nguồn lượng pin để tồn tại, hết lượng nút trở thành nút mạng chết Do đó, mức tiêu thụ lượng lượng yếu tố định đến chi phí trì thời gian sống mạng (trong mạng cảm biến sử dụng pin) Vì vậy, định hướng dẫn PGS.TS Huỳnh Thị Thanh Bình, luận văn sâu nghiên cứu vấn đề tối ưu lượng mạng cảm biến Luận văn nghiên cứu thuật tốn định tuyến mạng cảm biến 10 Hình 2-13 Giải mã với tác vụ 𝑘𝑘1 , 𝑘𝑘2 Lời giải 𝑘𝑘2 sử dụng gene đầu tiên, lời giải 𝑘𝑘1 sử dụng tất gene Từ nhiễm sắc thể này, có lời giải tương ứng 𝑇𝑇1 , 𝑇𝑇2 2.3.3 Khởi tạo Một chiến lược khởi tạo ngẫu nhiên thường không tạo nên bao trùm hợp lệ Vì thế, phần trình bày chiến lược khởi tạo dựa thuật toán Krukal [25], để đảm bảo tính hợp lệ cá thể khởi tạo Thuật tốn khởi tạo mơ tả sau: Đầu vào: Tập đồ thị 𝐺𝐺 = {𝐺𝐺1 , 𝐺𝐺2 … , 𝐺𝐺𝑛𝑛 } với 𝐺𝐺1 = (𝑉𝑉1 , 𝐸𝐸1 ), 𝐺𝐺2 = (𝑉𝑉2 , 𝐸𝐸2 ) … đồ thị n tác vụ khác Đầu ra: cá thể 𝑝𝑝 (𝑇𝑇𝑝𝑝 , 𝐺𝐺𝑝𝑝 ) với 𝑇𝑇𝑝𝑝 = (𝑉𝑉𝑝𝑝 , 𝐸𝐸𝑇𝑇𝑝𝑝 ) , 𝐺𝐺𝑝𝑝 = (𝑉𝑉𝑝𝑝 , 𝐸𝐸𝑝𝑝 ) Begin: k = số nguyên dương ngẫu nhiên khoảng [1, n] 𝐺𝐺𝑝𝑝 = 𝐺𝐺𝑘𝑘 End 𝑇𝑇𝑝𝑝 = 𝑅𝑅𝑅𝑅𝑅𝑅(𝐺𝐺𝑝𝑝 ) Thuật toán khởi tạo Sau trình bày thuật tốn RTG để sinh ngẫu nhiên đồ thị dựa thuật toán Kruskal: 48 Đầu vào: đồ thị 𝐺𝐺 = (𝑉𝑉, 𝐸𝐸) Đầu ra: bao trùm hợp lệ 𝑇𝑇 = (𝑉𝑉, 𝐸𝐸𝑡𝑡 ) G Begin 𝑉𝑉𝑇𝑇 = 𝑉𝑉 𝐸𝐸𝑇𝑇𝑝𝑝 = ∅ While � 𝐸𝐸𝑇𝑇𝑝𝑝 � < �𝑉𝑉𝑝𝑝 − 1� do: e = cạnh ngẫu nhiên 𝐸𝐸𝑝𝑝 If (khơng có chu trình tìm thấy �𝐸𝐸𝑇𝑇𝑝𝑝 ∪ 𝑒𝑒�) do: End 𝐸𝐸𝑇𝑇𝑝𝑝 = 𝐸𝐸𝑇𝑇𝑝𝑝 ∪ 𝑒𝑒 Thuật toán Sinh ngẫu nhiên Thuật toán RTG chọn cạnh ngẫu nhiên e đồ thị 𝐺𝐺𝑝𝑝 , sau kiểm tra xem e có tạo chu trình với 𝑇𝑇𝑝𝑝 hay khơng Nếu khơng, thêm e vào 𝑇𝑇𝑝𝑝 , có bỏ qua Quy trình lặp lại 𝑇𝑇𝑝𝑝 tạo thành bao trùm hợp lệ 𝐺𝐺𝑝𝑝 2.3.4 Lai ghép Kí hiệu 𝑝𝑝1 (𝑇𝑇1 , 𝐺𝐺1 , 𝜏𝜏1 ) 𝑝𝑝2 (𝑇𝑇2 , 𝐺𝐺2 , 𝜏𝜏2 ) cá thể cha/mẹ chọn lai ghép, T bao trùm đồ thị G, 𝜏𝜏 skill factor cá thể Ta có, 𝜏𝜏1 = 𝜏𝜏2 , cá thể cha mẹ luôn thực việc crossover Nếu không, chúng thực lai ghép với tỷ lệ rmp (giống với thuật tốn MFEA gốc) [2] Các cá thể khơng thực việc lai ghép đột biến Toán tử lai ghép mô tả sau: Đầu vào: cá thể cha mẹ 𝑝𝑝1 (𝑇𝑇1 , 𝐺𝐺1 , 𝜏𝜏1 ) 𝑝𝑝2 (𝑇𝑇2 , 𝐺𝐺2 , 𝜏𝜏2 ) Đầu ra: hệ offspring 𝑐𝑐1 (𝑇𝑇𝑐𝑐1 , 𝐺𝐺𝑐𝑐1 , 𝜏𝜏𝑐𝑐1 ) 𝑐𝑐2 (𝑇𝑇𝑐𝑐2 , 𝐺𝐺𝑐𝑐2 , 𝜏𝜏𝑐𝑐2 ) Begin 𝜏𝜏𝑐𝑐1 = random (𝜏𝜏1 , 𝜏𝜏2 ) 𝜏𝜏𝑐𝑐2 = random (𝜏𝜏1 , 𝜏𝜏2 ) If (𝜏𝜏𝑐𝑐1 = 𝜏𝜏1 ) 49 𝜏𝜏𝑐𝑐1 = RTG (𝐺𝐺1 ∩ (𝑇𝑇1 ∪ 𝑇𝑇2 )) 𝐺𝐺𝑐𝑐1 = 𝐺𝐺1 Else 𝜏𝜏𝑐𝑐1 = RTG (𝐺𝐺2 ∩ (𝑇𝑇1 ∪ 𝑇𝑇2 )) 𝐺𝐺𝑐𝑐1 = 𝐺𝐺2 If (𝜏𝜏𝑐𝑐2 = 𝜏𝜏1 ) 𝜏𝜏𝑐𝑐2 = RTG (𝐺𝐺1 ∩ (𝑇𝑇1 ∪ 𝑇𝑇2 )) 𝐺𝐺𝑐𝑐2 = 𝐺𝐺1 Else 𝜏𝜏𝑐𝑐1 = RTG (𝐺𝐺2 ∩ (𝑇𝑇1 ∪ 𝑇𝑇2 )) End 𝐺𝐺𝑐𝑐1 = 𝐺𝐺2 Thuật tốn Lai ghép Ví dụ mơ tả q trình lai ghép hình ảnh trực quan miêu tả Hình 2-14 Hình 2-14 Ví dụ với đồ thị 𝐺𝐺1 𝐺𝐺2 , bao trùm 𝑇𝑇1 , 𝑇𝑇2 tương ứng 50 Hình 2-15 Đồ thị tạo 𝑇𝑇1 ∪ 𝑇𝑇2 Hình 2-16 Kết phép giao 𝐺𝐺1 ∩ (𝑇𝑇1 ∪ 𝑇𝑇2 ) Ở giả sử sinh có skill factor giống với 𝑇𝑇1 Hình 2-17 Kết hệ cuối đồ thị 𝐺𝐺1 Thế hệ đánh giá theo task 𝑇𝑇1 , task khác có skill factor = ∞ Các số kĩ (skill factor) lựa chọn ngẫu nhiên từ số kĩ cha mẹ chúng Vì chứa hầu hết hồn tồn cạnh tìm thấy cha mẹ, chiến lược đảm bảo mức độ kế thừa cao từ hệ trước sang hệ sau 2.3.5 Đột biến Trong ESMFA, toán tử đột biến biểu diễn trình thêm cạnh ngẫu nhiên vào bảo phủ Sau đó, xóa bỏ cạnh tạo nên chu trình khỏi thêm Thuật toán diễn tả sau: Input: cá thể cha 𝑝𝑝( 𝑇𝑇, 𝐺𝐺 , 𝜏𝜏) Output: cá thể Offspring c (𝑇𝑇𝑐𝑐 , 𝐺𝐺𝑐𝑐 , 𝜏𝜏𝑐𝑐 ) Begin 51 𝜏𝜏𝑐𝑐 = 𝜏𝜏 , 𝐺𝐺𝑐𝑐 = 𝐺𝐺 G’ = 𝐺𝐺\𝑇𝑇 e = cạnh ngẫu nhiên G’ T’ = 𝑇𝑇 ∪ 𝑒𝑒 e’ = (𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑜𝑜𝑜𝑜 𝑇𝑇’)\𝑒𝑒 𝑇𝑇𝑐𝑐 = 𝑇𝑇 ′ \𝑒𝑒 ′ End Thuật tốn Đột biến Hình 2-18 Cá thể cha p(T,G) với bao trùm T đồ thị G Hình 2-19 Cá thể p đột biến thêm cạnh ngẫu nhiên thuộc G Hình 2-20 cá thể c sau kết thúc đột biến 52 KẾT QUẢ THỰC NGHIỆM 3.1 Cấu hình thực nghiệm Trong chương này, kết thực nghiệm so sánh thuật toán: thuật toán đường ngắn (SPT) đề xuất tác giả [3], thuật toán di truyền cổ điển (SGA) giải thuật đề xuất (ESMFA) Tất kết thực nghiệm chạy cấu hình máy tính sau: Commented [NT5]: Được đề xuất tác giả [] Done Commented [NT6]: Bỏ Commented [Office7R6]: Done CPU Intel Core i5 8400 OS Ubuntu 16.04 DRam 16Gb Environment Python 3.5 Bảng 3-1 Cấu hình hệ thống Dữ liệu thực nghiệm Mơ hình lượng mạng khởi tạo giống chương Các liệu thử nghiệm khởi tạo cách phân bố cảm biến ngẫu nhiên khu vực mục tiêu, chọn kích thước report size ngẫu nhiên, với giá trị cho trước kích thước khu vực, bán kính truyền thơng, tỷ lệ tổng hợp Tất kịch giả định có tỷ lệ tổng hợp liệu thống nút nút gốc ln đặt trung tâm khu vực mục tiêu Tổng cộng có 180 kịch thử nghiệm tạo Các giá trị tham số kịch đưa Bảng 3-2 Các khu vực thử nghiệm có số lượng cảm biến lớn 140 nút tạo cách thêm 50 nút cảm biến vào phiên có giữ lại thuộc tính khác Các cặp biểu thị chúng gốc chúng định nghĩa cặp "mở rộng" Nói tóm lại, trường hợp cặp “mở rộng” biểu thị nút cảm biến mạng trạng thái khác Phần phân loại kịch theo kích thước khu vực thành phần, phần có 90 kịch Nhóm kịch tương ứng với trường hợp có diện tích nhỏ 100 × 100, Nhóm kịch tương ứng với trường hợp có diện tích lớn 200 𝑥𝑥 200 53 Số lượng nút 100,110,120,…200 Kích thước 100x100, 200x200 Bán kính truyền thơng 10,15,20 Tỷ lệ tổng hợp 2,4,6 Năng lượng gửi Năng lượng nhận Report size ngẫu nhiên [1,2,3,4,5] Bảng 3-2 Tham số liệu Tham số thuật toán Tham số thuật toán ESMFA SGA cho bảng sau: Tham số ESMFEA MFEA Kích thước quần thể 100 100 Số lượng hệ chạy tối đa 1000 1000 Số lượng hệ trước dừng 100 100 Tỷ lệ lai ghép - 0.85 Tỷ lệ đột biến - 0.15 rmp 0.3 - thuật tốn Bảng 3-3 Bảng tham số thuật tốn Để cơng việc so sánh ESMFA SGA, tham số sở kích thước quần thể hệ số đặt giá trị Với giá trị rmp = 0,3 cho ESMFA, giá trị ngưỡng lai ghép tương đương đột biến cho SGA 0,85 0,15 Kịch ESMFA chạy đồng thời 2, tác vụ lúc Có hai kịch lựa chọn tác vụ cho ESMFA: Đầu tiên chọn tác vụ có số lượng nút cảm biến (SNN – same node number) Kiểu kịch chọn tác vụ với số lượng nút cảm biến khác (DNN – different node number) ESMFA với kiểu kịch SNN ký hiệu ESMFA-xs (ví dụ: ESMFA-2s, số lượng tác vụ) ESMFA với kiểu kịch DNN ký hiệu ESMFA-xd (ví dụ: ESMFA-3d) Kịch DNN nhằm mục đích kiểm 54 tra tính hiệu giải toán gần giống ESMFA, SNN để thử nghiệm tính hiệu giải thuật tiến hóa đa nhân tố với tác vụ có số lượng nút Trong DNN, Đối với trường hợp tác vụ, tác vụ chọn cặp mở rộng (bộ liệu gần giống nhau) Đối với trường hợp tác vụ lúc, có cặp tác vụ mở rộng tác vụ khác Cuối cùng, trường hợp tác vụ bao gồm cặp mở rộng 3.2 Kết đánh giá Phương pháp đánh giá: • Kết trung bình (Avg): kết trung bình thuật toán lần chạy tập liệu Kết lần chạy tính fitness tốt quần thể giải thuật di truyền, fitness đường ngắn (với giải thuật SPT) • Số lần đánh giá (Eval_count): độ đo dùng cho SGA ESMFA, biểu thị số lần gọi đánh giá cá thể mà thuật toán di truyền cần dung để đạt kết tốt so với thuật toán đường ngắn (SPT) • Độ lệch chuẩn trung bình: đánh giá tính bất ổn kết thuật toán di truyền SGA ESMFA, ngẫu nhiên trình khỏi tạo lai ghép/ đột biến Kết thực nghiệm & đánh giá 55 Dataset SPT SGA ESMFA-2d ESMFA-2s ESMFA-3d ESMFA-3s ESMFA-4d ESMFA-4s Avg Avg Std Avg Std Avg Std Avg Std Avg Std Avg Std Avg Std S2_100 969.1 944.2 3.8 942.0 2.9 941.5 4.2 942.4 2.4 937.0 4.4 939.4 2.3 936.4 3.8 S2_110 1197.3 1184.6 2.1 1182.2 1.9 1179.5 2.1 1177.7 1.9 1182.0 2.1 1174.9 2.0 1182.2 2.1 S2_120 1071.0 1037.7 4.3 1035.6 7.8 1034.4 3.9 1039.3 7.3 1029.7 3.5 1037.8 6.4 1029.0 3.6 S2_130 1380.1 1359.4 3.6 1359.8 2.9 1359.0 4.1 1355.3 3.1 1364.8 3.8 1354.9 3.6 1363.9 4.1 S2_140 1425.8 1418.9 8.1 1413.6 7.9 1415.9 7.6 1419.5 6.4 1411.9 7.2 1416.2 6.6 1411.3 6.3 S2_150 1494.3 1463.4 5.3 1459.8 5.8 1464.6 4.7 1462.7 5.3 1470.6 5.2 1462.6 4.6 1471.0 6.2 S2_160 1881.6 1865.0 6.6 1861.2 5.6 1868.9 5.4 1853.6 6.6 1871.0 5.1 1851.4 5.4 1870.8 4.8 S2.170 1509.9 1482.8 6.7 1479.8 4.0 1487.8 7.8 1476.0 3.5 1487.7 7.9 1469.4 2.9 1488.8 9.1 S2_180 2025.1 1999.2 4.4 1991.4 5.9 1990.6 5.0 1987.0 6.6 1982.0 4.5 1981.7 6.6 1981.5 5.2 S2_190 2001.4 1975.4 10.5 1973.0 10.3 1982.7 10.1 1973.6 9.6 1980.7 9.9 1971.8 7.7 1981.8 10.3 Bảng 3-4 Kết thực nghiệm với nhóm kịch Dataset SPT SGA ESMFA-2d ESMFA-2s ESMFA-3d ESMFA-3s ESMFA-4d ESMFA-4s Avg Avg Std Avg Std Avg Std Avg Std Avg Std Avg Std Avg Std S1_100 624.5 596.0 2.7 592.6 1.1 598.0 3.1 594.1 1.1 596.9 3.3 593.5 1.2 596.9 3.1 S1_110 603.4 579.4 2.2 579.0 2.4 579.9 2.4 581.8 2.3 581.8 2.0 581.6 2.6 581.4 1.7 S1_120 723.3 690.5 2.6 687.0 2.3 689.0 2.8 690.3 2.3 688.4 3.2 688.3 2.2 688.1 3.6 S1_130 837.8 803.0 4.9 798.6 2.9 804.4 4.2 796.4 3.4 805.0 4.9 794.7 3.3 804.2 5.3 S1_140 867.3 829.8 2.5 826.4 2.5 827.3 2.9 823.1 2.8 831.2 3.5 820.6 3.3 831.9 4.0 S1_150 1011.9 974.6 4.0 970.6 2.8 971.2 3.4 972.5 2.8 970.9 3.4 968.3 2.5 970.4 3.7 S1_160 981.1 934.0 3.7 934.8 4.1 935.2 3.9 937.8 4.5 938.5 3.2 935.0 4.0 938.8 3.2 S1_170 1065.8 1029.4 5.9 1019.6 5.1 1034.3 6.0 1019.6 6.0 1037.6 7.1 1015.3 7.0 1037.7 7.3 S1_180 1212.5 1152.6 3.7 1150.2 2.8 1154.8 4.4 1149.5 2.7 1158.0 5.0 1148.1 3.1 1157.8 4.1 S1_190 1215.0 1177.0 4.9 1173.0 4.2 1177.8 4.3 1177.3 4.4 1174.1 4.8 1173.5 4.5 1173.8 5.6 Bảng 3-5 Kết thực nghiệm với nhóm kịch Đánh giá dựa hàm mục tiêu: Hai giải thuật tiến hóa cho kết vượt trội thuật toán SPT hầu hết liệu Sự khác biệt đáng kể nhóm kịch 1, với mức cải thiện lên tới 4,9%, so với 2,5% nhóm kịch Sự cải thiện suy giảm số lượng nút cảm biến tăng lên, với giá trị khoảng 3,6% liệu S2_100 so với giá trị 1% liệu S2_190 Mặt khác, ESMFA cho kết tốt SGA, với ngoại lệ tập liệu S1_160 Sự khác biệt rõ rệt nhóm kịch 2, lên tới 0,5%, trong nhóm kịch 1, giá trị 0,2% Số lượng nút cảm biến yếu tố ảnh hưởng đến khác biệt hiệu suất ESMFA SGA So sánh kết hợp tác vụ ESMFA khác nhau, phần nhận thấy đa tác vụ thường dẫn đến kết tốt hơn, không 56 phải biên độ lớn ESMFA-4d đạt kết tốt hầu hết liệu, cho thấy hiệu giải thuật di truyền đa nhiệm số tác vụ tăng lên Độ lệch chuẩn gần giống SGA ESMFA, với xu hướng tăng với số lượng nút, lên tới 10 liệu lớn (S_2190) Sự ổn định phần giải thích MFEA cho thấy cải tiến đáng ý so với SPT liệu dày đặc Đánh giá dựa tốc độ hội tụ: Hình 3-1 So sánh tốc độ hội tụ thuật tốn nhóm kịch Hình 3-2 So sánh tốc độ hội tụ thuật tốn nhóm kịch Trong nhóm kịch kịch 2, việc giải nhiều task lúc thường dẫn đến tốc độ hội tụ nhanh Ngoài ra, ESMFA-xd cho kết vượt trội so SGA & ESMFA-xs tập liệu hai trường hợp Trong nhóm kịch 2, thuật tốn ESMFA-xd nhanh ~ 45% so với thuật tốn cịn lại Ở nhóm kịch 1, số nằm khoảng từ 13% đến 32% Điều cho thấy hiệu trao đổi thuộc tính task gần giống Khơng có nhiều khác biệt tốc độ hội tụ ESMFA-xs SGA, cho thấy 57 tác vụ SNN có số lượng cảm biến, chúng không đủ giống để tận dụng tối đa trao đổi gene đa tác vụ ESMFA-4d đạt kết bật nhất, vượt trội với kịch DNN khác Mặt khác, thấy cặp liệu giống chia sẻ tập hợp nốt chung giúp tăng tốc độ hội tụ thuật toán 58 KẾT LUẬN Về mặt lý thuyết, luận văn trình bày nội dung sau: • Tổng quan mạng cảm biến: lý thuyết, mơ hình, tổng quan kiến trúc mạng cảm biến khơng dây • Tổng quan tốn tổng hợp liệu, mơ hình tốn nghiên cứu liên quan • Tổng quan giải thuật di truyền giải thuật tiến hóa đa nhiệm: sở giải thuật di truyền, sở giải thuật tiến hóa đa nhiệm • Đưa mơ hình giải thuật tiến hóa đa nhiệm giải tốn tổng hợp liệu, đề xuất giải thuật ESMFA dựa giải thuật tiến hóa đa nhiệm Về mặt thực nghiệm, luận văn thu số kết quả: • Cài đặt giải thuật đề xuất thực nghiệm với liệu mơ mạng cảm biến thực tế • So sánh kết thực nghiệm giải thuật đề xuất với cách tiếp cận thuật toán SPT so sánh mơ hình đa nhiệm với đơn nhiệm • Tổng kết thực nghiệm đưa đánh giá, nhận xét kết luận tính ưu nhược giải thuật đề xuất Các vấn đề cịn tồn đọng chưa giải quyết: • Dữ liệu thực nghiệm so sánh chưa đủ đa dạng • Chưa đánh giá đầy đủ hiệu phương pháp tiếp cận dựa giải thuật tối ưu khác, đàn kiến, đàn ong,… Từ tồn đọng đó, tác giả đề xuất mở rộng việc áp dụng tiến hóa đa nhiệm cho mơ hình mạng cảm biến khác nhiều liệu khác nhau: • Tiếp tục nghiên cứu tiến hóa đa nhiệm Tập trung vào giải vấn đề nên dùng đa nhiệm với độ đo thực tế • Nghiên cứu phát triển chiến lược tự thích nghi điều chỉnh tham số • Kết hợp tiến hóa đa nhiệm với phương pháp tối ưu khác để nâng cao hiệu suất 59 Tài liệu tham khảo [1] Xu, Ning "A survey of sensor network applications." IEEE communications magazine 40.8 (2002): 102-114 [2] Gupta, Abhishek, Yew-Soon Ong, and Liang Feng "Multifactorial evolution: toward evolutionary multitasking." IEEE Transactions on Evolutionary Computation 20.3 (2015): 343-357., IEEE Transactions on Evolutionary Computation, 2015 [3] Kuo, Tung-Wei, Kate Ching-Ju Lin, and Ming-Jer Tsai "On the construction of data aggregation tree with minimum energy cost in wireless sensor networks: NP-completeness and approximation algorithms." IEEE Transactions on Computers 65.10 (2015): 3109-3121., IEEE Transactions on Computers, 2015 [4] Dargie, Waltenegus, Xiaojuan Chao, and Mieso K Denko "Modelling the energy cost of a fully operational wireless sensor network." Telecommunication Systems 44.1 (2010): 3-15 [5] Yick, Jennifer, Biswanath Mukherjee, and Dipak Ghosal "Wireless sensor network survey." Computer networks 52.12 (2008): 2292-2330 [6] Vieira, Marcos Augusto M., et al "Survey on wireless sensor network devices." EFTA 2003 2003 IEEE Conference on Emerging Technologies and Factory Automation Proceedings (Cat No 03TH8696) Vol IEEE, 2003 [7] Li, Yingshu, and My T Thai, eds Wireless sensor networks and applications Springer Science & Business Media, 2008 [8] vnexpress.net [9] Yu, Xiaoqing, et al "A survey on wireless sensor network infrastructure for agriculture." Computer Standards & Interfaces 35.1 (2013): 59-64 60 [10] Mao, Guoqiang, Barış Fidan, and Brian DO Anderson "Wireless sensor network localization techniques." Computer networks 51.10 (2007): 25292553 [11] Huang, Chi-Fu, and Yu-Chee Tseng "The coverage problem in a wireless sensor network." Mobile networks and Applications 10.4 (2005): 519-528 [12] López, Javier, and Jianying Zhou, eds Wireless sensor network security Vol Ios Press, 2008 [13] Ding, Min, Xiuzhen Cheng, and Guoliang Xue "Aggregation tree construction in sensor networks." 2003 IEEE 58th Vehicular Technology Conference VTC 2003-Fall (IEEE Cat No 03CH37484) Vol IEEE, 2003 [14] Ezhilarasi, M., and V Krishnaveni "A survey on wireless sensor network: energy and lifetime perspective." Taga Journal of Graphic Technology 14 (2018) [15] Zhao, Jerry, Ramesh Govindan, and Deborah Estrin "Computing aggregates for monitoring wireless sensor networks." Proceedings of the First IEEE International Workshop on Sensor Network Protocols and Applications, 2003 IEEE, 2003 [16] Rajagopalan, Ramesh, and Pramod K Varshney "Data aggregation techniques in sensor networks: A survey." (2006) [17] Krishnamachari, L., Deborah Estrin, and Stephen Wicker "The impact of data aggregation in wireless sensor networks." Proceedings 22nd international conference on distributed computing systems workshops IEEE, 2002 [18] Dagar, Mousam, and Shilpa Mahajan "Data aggregation in wireless sensor network: a survey." International Journal of Information and Computation Technology 3.3 (2013): 167-174 [19] Tối ưu hóa, Nguyễn Đức Nghĩa ,1996 [20] N Đ N Toán rời rạc 61 [21] Holland, John H "Genetic algorithms." Scientific american 267.1 (1992): 66-73 [22] Harik, Georges R., Fernando G Lobo, and David E Goldberg "The compact genetic algorithm." IEEE transactions on evolutionary computation 3.4 (1999): 287-297 [23] Bhandari, Dinabandhu, C A Murthy, and Sankar K Pal "Genetic algorithm with elitist model and its convergence." International journal of pattern recognition and artificial intelligence 10.06 (1996): 731-747 [24] Greenberg, Harvey J "Greedy algorithms for minimum spanning tree." University of Colorado at Denver (1998) [25] Greenberg, Harvey J "Greedy algorithms for minimum spanning tree." University of Colorado at Denver (1998) [26] S Nath, P.B Gibbons, S Seshan, Z.R Anderson, Synopsis diffusion 62 ... 38 2.2 Bài toán tổng hợp liệu với lượng nhỏ 42 2.3 Thuật tốn tiến hóa đa nhiệm cho tốn tổng hợp liệu với lượng nhỏ 45 2.3.1 Biểu diễn 45 2.3.2 Mã hóa khơng gian... tốn tổng hợp liệu đồng thời phát triển cải tiến giải thuật tiến hóa đa nhiệm để giải toán Luận văn cài đặt thực nghiệm giải thuật đề xuất theo mơ hình đơn nhiệm đa nhiệm, Đồng thời so sánh với. .. pháp tổng hợp liệu tree-based[10] Luận văn tập trung phân tích phương pháp tổng hợp liệu dựa (cây tổng hợp liệu) , với mơ hình tổng lượng nhỏ Cụ thể mơ hình tốn trình bày chương 2.1 1.4 Bài toán