5.1.1 Kịch bản thực nghiệm
Trong phần thực nghiệm này, luận văn tiến hành đánh giá các mô hình MILP trên các mạng cảm biến có kích thước dao động từ N =15 đến 100 nút cảm biến và 2 UAV. Với mỗi kích thước mạng, thực nghiệm sẽ tiến hành trên 20 WSN ngẫu nhiên được sinh ra. Các WSN đều được triển khai trên các vùng đất hình vuông, với trạm cơ sở đặt tại trung tâm của vùng đất. Bán kính truyền tin của một nút cảm biến là 40m. Độ cao bay và khoảng cách bay liên tục tối đa của các UAV lần lượt là 20m và 100m. Theo mặc định, mỗi SN si sẽ sinh ra một lượng dữ liệu có kích thước 100Kb trong mỗi chu kỳ.
Trong thí nghiệm này, hai cài đặt năng lượng khác nhau được sử dụng. Cụ thể, với mỗi giá trị N sẽ có 10 WSN sử dụng cài đặt năng lượng thứ nhất, trong đó năng lượng ban đầu của mỗi SN là một giá trị được chọn ngẫu nhiên trong khoảng [20J, 40J] để phản ánh kịch bản WSN không đồng nhất. Với 10 mạng còn lại, mỗi SN sẽ có giá trị năng lượng được lấy ngẫu nhiên từ một khoảng giá trị hẹp hơn là [10J, 12J]. Cách cài đặt năng lượng thứ hai này phản ánh tình trạng mạng sau nhiều vòng khi mà năng lượng SN dần được cân bằng trong quá trình hoạt động. Bảng 1 tổng hợp các tham số của thực nghiệm.
Luận văn sử dụng công cụ MIP CPLEX trong phiên bản 20.10 để giải các mô hình MILP đã đề xuất. Các thực nghiệm được thực hiện trên máy tính có cấu hình CPU Intel(R) Core(TM) i7-4770 xung nhịp 3,40GHz và 8GB RAM. Với mỗi mô hình đánh giá, độ sai số MIP tương đối cho phép được đặt là 0,1%. Thời gian giải tối đa cho từng mô hình là 30 phút. Khi thời gian giải vượt quá giới hạn, quá trình giải sẽ kết thúc và giá trị khoảng cách tối ưu (optimality gap) tốt nhất đạt được sẽ được ghi lại. Các thông số cấu hình khác của bộ giải CPLEX được cài đặt theo mặc định. Mô hình mạng Diện tích 15/20/30 SNs: 50m50m 50 SNs: 70m70m 100 SNs: 100m100m
Vị trí BS Trung tâm của vùng đất hình vuông Số lượng UAV 2
40
Khoảng cách bay tối đa của UAV
100m Kích thước gói
tin
100Kb
Năng lượng SN Giá trị ngẫu nhiên trong khoảng [20J,40J] và [10J, 12J] Mô hình năng lượng elec E 50 nJ/bit fs 10 pJ/bit/m2
Bảng 1. Các tham số trong thực nghiệm so sánh mô hình MILP
5.1.2 Kết quả
Kết quả thực nghiệm được biểu diễn trong Bảng 2. Trong bảng này, thời gian giải và khoảng cách tương đối so với lời giải tối ưu, bao gồm giá trị trung bình và giá trị trường hợp xấu nhất, lần lượt được trình bày trong cột "Thời gian" và "Gap". Bên cạnh đó, cột "Popt" cho biết tỷ lệ phần trăm số trường hợp có thể tìm được lời giải tối ưu trên tổng số 20 trường hợp. Một ô nằm trong cột "Gap" hoặc "Popt" được để trống trong trường hợp tất cả các trường hợp thử nghiệm đều tìm được lời giải tối ưu.
Theo kết quả, mô hình 3-index có thời gian giải ngắn hơn đáng kể so với mô hình 2-index do không sử dụng các ràng buộc Big M. Ngoài ra, mô hình 3-index có thể giải quyết các bài toán cho mạng cảm biến với 50 SN một cách tối ưu, trong khi mô hình 2-index chỉ có thể xử lý mạng có ít hơn 30 nút. Tuy nhiên, với N100
, cả hai mô hình đều không thể tìm ra lời giải hợp lệ.
N Mô hình Popt Thời gian (s) Gap (%)
avg max avg max
15 2-index 2.83 7.75 3-index 0.50 2.05 20 2-index 95% 14.95 59.99 3-index 1.08 3.17 30 2-index 45% 1026.02 1800.00 2.07 9.24 3-index 5.58 20.23 50 2-index 0% 1800.00 1800.00 8.94 28.25 3-index 95% 256.66 1800.00 0.05 0.10 100
2-index 0% 1800.00 1800.00 inf inf 3-index 0% 1800.00 1800.00 inf inf
41
5.2 So sánh giữa cách tiếp cận heuristic và MILP
5.2.1 Kịch bản thực nghiệm
Thời gian giải Năng lượng còn dư của SN
Mô hình MILP >30 phút 78.35% Giải pháp GAMBAC
(heuristic) 0.35s 69.65%
Bảng 3. So sánh giữa 2 tiếp cận MILP và heuristic
Tiếp theo, luận văn so sánh hiệu quả của 2 cách tiếp cận MILP và heuristic về thời gian giải và thời gian sống của mạng. Mô hình MILP được giải bộ giải MIP CPLEX 20.10 với sai số tương đối cho phép là 1% và thời gian giải tối đa là 30 phút. Trong thực nghiệm này, mạng cảm biến được sử dụng bao gồm 50 nút cảm biến được phân bố ngẫu nhiên trong khu vực 100m100m và 4 UAV với giới hạn quãng đường bay là 200m. Mỗi nút cảm biến có cùng thiết lập năng lượng ban đầu là 50J và tạo ra cùng một lượng dữ liệu 64 Kb ở mỗi chu kỳ.
5.2.2 Kết quả
Bảng 3 cho biết kết quả về thời gian trung bình mỗi chu kỳ để tính toán lại cách tổ chức thu hoạch mới và giá trị tối thiểu của phần trăm năng lượng còn lại của SN sau 50 chu kỳ khi áp dụng lần lượt hai giải pháp theo hai cách tiếp cận. Ta có thể thấy giải pháp heuristic GAMBAC cho thời gian giải thấp hơn nhiều so với việc giải mô hình MILP, trong khi vẫn có thể đạt được hiệu quả năng lượng với thời gian sống dự kiến đạt được bằng khoảng 89% so với thời gian sống khi giải pháp sử dụng MILP.
5.3 So sánh với các giải pháp hiện có
5.3.1 Kịch bản thực nghiệm
Trong phần này, luận văn đánh giá hiệu quả của giải pháp heuristic được đề xuất bằng cách thực nghiệm với trình mô phỏng OMNET++. Các thực nghiệm được chạy trên máy tính có CPU Intel(R) Core(TM) i7-4770 xung nhịp 3,40GHz và 8 GB RAM. Trong phần cài đặt chung, bán kính truyền tin của một nút cảm biến và độ cao bay của mỗi UAV đều được đặt là 100m.
Trong mỗi chu kỳ, mỗi SN si sinh ra một gói dữ liệu có kích thước cố định
i
b, trong đó bi được chọn ngẫu nhiên từ tập {2, 4,8,16} Kb. Các thí nghiệm được thực hiện trên hai cài đặt năng lượng khác nhau ký hiệu là A và B, cụ thể: năng lượng ban đầu của mỗi SN là 75J không đổi ở cài đặt A trong khi được chọn ngẫu nhiên từ khoảng [50J, 100J] trong cài đặt B (qua đó phản ánh WSN không đồng nhất).
42
Mô hình mạng
Số lượng SN 1000
Diện tích 600m600m
Vị trí BS Trung tâm của vùng đất hình vuông Số lượng UAV 1 hoặc 4 UAV
Kích thước dữ liệu sinh bởi cảm biến
Giá trị ngẫu nhiên trong tập {2, 4,8,16} Kb
Năng lượng SN Setting A: 75J
Setting B: Giá trị ngẫu nhiên trong khoảng [50J,100J] Mô hình năng lượng elec E 50 nJ/bit fs 10 pJ/bit/m2
Bảng 4. Các tham số trong thực nghiệm mô phỏng
Các giải pháp được so sánh bao gồm Giao thức dựa trên đường bao lồi (Convex-Hull based protocol - CHP) trong [24] và giải pháp dựa trên phân cụm k- means nhằm giảm độ trễ (DBRkM) được đề xuất trong [22]. Tương tự như thuật toán GAMBAC, hai đề xuất này tuân theo cách tiếp cận tập trung, trong đó cấu hình cụm và chu trình của UAV được tính toán tại trạm cơ sở. Bảng 5 tổng hợp các đặc điểm chính của chúng. CHP có nhiều điểm tương đồng nhất với giải pháp heuristic được đề xuất trong luận văn vì cả hai đều xử lý được với trường hợp nhiều UAV. CHP sử dụng cách tiếp cận dựa trên hình học trong đó mạng được chia thành nhiều khu vực với cùng một tỷ lệ phần trăm năng lượng giảm trong mỗi khu vực và mỗi phương tiện thu hoạch di động (UAV) đảm nhận việc thu hoạch dữ liệu trong một khu vực duy nhất. Ban đầu, chu trình của UAV được xây dựng bên trong khu vực của nó bằng phương pháp hình học và sau đó được điều chỉnh bằng giải thuật mô phỏng tôi luyện (simulated anealling) để đạt được tổng mức tiêu thụ năng lượng nhỏ nhất.
Xác định CH Xác định chu trình UAV Hỗ trợ
nhiều UAV
GAMBAC Phân cụm cân bằng dựa trên sơ đồ Voronoi
Sử dụng giải thuật di truyền cho bài toán m-TSP Có CHP [24] Lựa chọn CH dựa trên khoảng cách và năng lượng
Xây dựng chu trình dựa trên phương pháp hình học kết hợp với giải thuật mô phỏng tôi luyện
Có
DBRkM [22]
Phân cụm K- means
Thuật toán của Christofides cho bài toán TSP
Không
43
5.3.2 Kết quả
Đầu tiên, luân văn so sánh GAMBAC với CHP về hiệu quả kéo dài thời gian sống của mạng, được định nghĩa là khoảng thời gian từ khi mạng triển khai cho đến khi
SN đầu tiên hết năng lượng. Luận văn tiến hành thử nghiệm với các 3 giá trị max (độ dài chu trình tối đa) khác nhau, cụ thể là 600, 1000 và 1400m. Kết quả cho thấy GAMBAC đạt được thời gian sống của mạng cao nhất như trong Hình 19, cao hơn trong CHP ít nhất 17% ở cài đặt A và 33% trong cài đặt B, tương ứng.
Hình 19. Thời gian sống của mạng với kịch bản sử dụng nhiều UAV
Khi so sánh GAMBAC với CHP với cài đặt B và max 600m cố định. Hình 20 biểu diễn năng lượng SN tối thiểu sau mỗi chu kỳ trong đó GAMBAC luôn duy trì được năng lượng còn lại của SN cao hơn. Việc sử dụng phân cụm cân bằng và cấu hình lại trong mỗi chu kỳ giúp phân phối tải giữa các CH một cách đồng đều và cân bằng năng lượng của các SN trong thời gian dài. Điều này được phản ánh trong Hình 21, thuật toán GAMBAC được đề xuất cho giá trị độ lệch chuẩn về năng lượng SN thấp nhất và còn giảm dần trong quá trình mô phỏng (từ xấp xỉ 14 giảm xuống 12).
Hình 20. Năng lượng tối thiểu của SN sau mỗi chu kỳ
Hình 21. Độ lệch chuẩn của năng lượng SN sau mỗi chu kỳ
Trong kịch bản còn lại khi chỉ có một UAV duy nhất được triển khai, luận văn tiến hành thực nghiệm với giá trị max thay đổi từ 1600m đến 4000m. Theo Hình 22, GAMBAC có thời gian tồn tại lâu nhất, lâu hơn trong CHP và DBRkM cho ít nhất 13% và 201% trong cài đặt A và 38% và 247% trong thiết lập B, tương ứng.
44
45
KẾT LUẬN
Luận văn nghiên cứu bài toán tổ chức thu hoạch dữ liệu từ WSN theo định kỳ về trạm cơ sở bằng UAV thông qua nút điểm hẹn với mục tiêu kéo dài thời gian sống của mạng và đề xuất các giải pháp dựa trên hai cách tiếp cận khác nhau đó là tối ưu hóa và heuristic. Với cách tiếp cận đầu tiên, luận văn đề xuất hai mô hình quy hoạch hỗn hợp số nguyên tuyến tính trong đó mô hình dựa trên phương pháp luồng đa hàng hóa đạt được hiệu quả tốt hơn cả về mặt thời gian và kích thước bài toán có thể giải quyết. Tuy nhiên, kết quả thực nghiệm đã cho thấy rằng cách tiếp cận bằng mô hình MILP chỉ phù hợp với các kịch bản WSN kích thước nhỏ với tối đa 50 nút cảm biến. Để ứng dụng được trong các WSN có quy mô lớn trong thực tế với số lượng hàng nghìn nút, luận văn đã đề xuất một giải pháp heuristic là GAMBAC dựa trên ý tưởng phân cụm mạng ngẫu nhiên bằng sơ đồ Voronoi trên đồ thị và cân bằng về lượng dữ liệu cần thu hoạch bên trong mỗi cụm. So sánh với cách tiếp cận MILP, giải pháp GAMBAC cho hiệu quả vượt trội về thời gian tính toán trong khi vẫn đảm bảo được thời gian sống của mạng đạt được khoảng 89% so với giải pháp tối ưu. Giải pháp heuristic được đề xuất cũng hoạt động tốt hơn so với các đề xuất hiện có. Các thực nghiệm mô phỏng cho thấy GAMBAC có thể kéo dài thời gian sống của mạng thêm 38% so với các đề xuất cho trường hợp 1 UAV và 33% so với các đề xuất cho trường hợp nhiều UAV hiện có.
Trong tương lai, tác giả hướng đến việc xây dựng một giải pháp tổ chức thu hoạch dữ liệu trong đó cơ chế hình thành các cụm được thực hiện theo kiểu phân tán đồng thời giữ sự thay đổi trong cách phân cụm giữa các chu kỳ liên tiếp ở mức tối thiểu qua đó tiết kiệm thời gian và tài nguyên để cập nhật lại cấu trúc mạng.
46
TÀI LIỆU THAM KHẢO
[1] C. M. N. Salim, "K-predictions based data reduction approach in WSN for smart agriculture," Computing , vol. 103, p. 509–532, 2021.
[2] M. Ma, Y. Yang and M. Zhao, "Tour Planning for Mobile Data-Gathering Mechanisms in Wireless Sensor Networks," 2013.
[3] X. Xu, Y. Zeng, Y. L. Guan and R. Zhang, "Overcoming Endurance Issue: UAV-Enabled Communications With Proactive Caching," 2018.
[4] Y. Gu, F. Ren, Y. Ji and J. Li, "The Evolution of Sink Mobility Management in Wireless Sensor Networks: A Survey," 2016.
[5] W. Heinzelman, A. Chandrakasan and H. Balakrishnan, "Energyefficient communication protocol for wireless microsensor networks," 33rd Hawaii International Conference on System Sciences (HICSS'00), pp. 8020-8030, 1 2000.
[6] O. Younis and S. Fahmy, "HEED: a hybrid, energy-efficient, distributed clustering approach for ad hoc sensor networks," IEEE Transactions on Mobile Computing, vol. 3, pp. 366-379, 10 2004.
[7] M. Ye, C. Li, G. Chen and J. Wu, "EECS: an energy efficient clustering scheme in wireless sensor networks," PCCC 2005. 24th IEEE International Performance, Computing, and Communications Conference, 2005., pp. 535- 540, 2005.
[8] G. Chen, C. Li, M. Ye and J. Wu, "An unequal cluster-based routing protocol in wireless sensor networks," Wireless Networks, vol. 15, no. 2, pp. 193-207, 2009.
[9] M. Farooq, A. Dogar and G. Shah, "MR-LEACH: Multi-hop Routing with Low Energy Adaptive Clustering Hierarchy," 2010.
[10] L. He, Z. Chen and J.-D. Xu, "Optimizing data collection path in sensor networks with mobile elements," International Journal of Automation and Computing, vol. 8, no. 1, pp. 69-77, 2011.
[11] L. J. García Villalba, A. L. Sandoval Orozco, A. Triviño Cabrera and C. J. Barenco Abbas, "Routing Protocols in Wireless Sensor Networks," Sensors,
vol. 9, no. 11, pp. 8399-8421, 2009.
[12] M. Zhao and Y. Yang, "Optimization-Based Distributed Algorithms for Mobile Data Gathering in Wireless Sensor Networks," IEEE Transactions on Mobile Computing, vol. 11, no. 10, pp. 1464-1477, 2012.
[13] M. Zhao, M. Ma and Y. Yang, "Efficient Data Gathering with Mobile Collectors and Space-Division Multiple Access Technique in Wireless Sensor Networks," IEEE Transactions on Computers, vol. 60, no. 3, pp. 400- 417, 2011.
47
[14] E. Ekici, Y. Gu and D. Bozdag, "Mobility-based communication in wireless sensor networks," IEEE Communications Magazine, vol. 44, no. 7, pp. 56- 62, 2006.
[15] S. R. Gandham, M. Dawande, R. Prakash and S. Venkatesan, "Energy efficient schemes for wireless sensor networks with multiple mobile base stations," GLOBECOM '03. IEEE Global Telecommunications Conference (IEEE Cat. No.03CH37489), vol. 1, pp. 377-381 Vol.1, 2003.
[16] Z. M. Wang, S. Basagni, E. Melachrinoudis and C. Petrioli, "Exploiting Sink Mobility for Maximizing Sensor Networks Lifetime," Proceedings of the 38th Annual Hawaii International Conference on System Sciences, pp. 287a- 287a, 2005.
[17] M. Ma and Y. Yang, "Data gathering in wireless sensor networks with mobile collectors," 2008.
[18] C. Zhan, Y. Zeng and R. Zhang, "Energy-Efficient Data Collection in UAV Enabled Wireless Sensor Network," 2018.
[19] G. Xing, T. Wang, Z. Xie and W. Jia, "Rendezvous Planning in Wireless Sensor Networks with Mobile Elements," 2008.
[20] S. Alfattani, W. Jaafar, H. Yanikomeroglu and A. Yongacoglu, "Multi-UAV Data Collection Framework for Wireless Sensor Networks," 2019.
[21] P. S. Q. Wu and A. Boukerche, "Unmanned aerial vehicle-assisted energy- efficient data collection scheme for sustainable wireless sensor networks," 2019.
[22] K. N. A. Kaswan and P. K. Jana, "Energy efficient path selection for mobile sink and data gathering in wireless sensor networks," 2017.
[23] D. Ebrahimi, S. Sharafeddine, P. Ho and C. Assi, "Data Collection in Wireless Sensor Networks Using UAV and Compressive Data Gathering," 2018.
[24] G. P. C. Konstantopoulos N. Vathis and D. Gavalas, "Employing mobile elements for delay-constrained data gathering in WSNs," 2018.
[25] R. Anwit, A. Tomar and P. K. Jana, "Tour planning for multiple mobile sinks in wireless sensor networks: A shark smell optimization approach," 2020. [26] N. Christofides, A. Mingozzi and P. Toth, "Exact algorithms for the vehicle
routing problem, based on spanning tree and shortest path relaxations," 1981. [27] W. R. Heinzelman, A. Chandrakasan and H. Balakrishnan, "Energy-efficient