Bảng 3.28: So sánh hiệu quả của thuật toán đề xuất trên bài toán RSM với các nút có bán kính khác nhau. Type 3M R(A, GAm) R(A, P SOm) R(A, DEm) Type 4M R(A, GAm) R(A, P SOm) R(A, DEm) uu25_1m -0.04 13.74 7.36 uu50_1m 10.73 18.27 13.90 uu25_2m 7.09 12.30 9.17 uu50_2m 16.59 18.76 6.13 uu25_3m 2.77 16.26 3.64 uu50_3m 16.32 18.20 14.04 uu25_4m 1.29 16.82 4.47 uu50_4m 8.87 8.96 15.85 uu25_5m 4.07 0.59 1.62 uu50_5m 6.63 11.80 4.92 uu25_6m 2.99 9.30 2.08 uu50_6m 11.26 13.56 4.35 uu25_7m 1.72 12.20 0.80 uu50_7m 9.33 18.58 15.03 uu25_8m 5.14 15.38 4.15 uu50_8m 14.22 18.87 8.95 uu25_9m 14.01 19.05 11.30 uu50_9m 6.63 19.63 12.14 uu25_10m 17.41 12.08 14.96 uu50_10m 12.64 15.18 5.80 Trung bình 5.64 12.77 5.95 11.32 16.18 10.11
Bảng 3.29: So sánh hiệu quả của thuật toán đề xuất trên bài toán RSS với các nút có bán kính khác nhau.
Type 3S R(A, GAs) R(A, P SOs) R(A, DEs) Type 4S R(A, GAs) R(A, P SOs) R(A, DEs)
uu25_1s 16.52 4.52 3.40 uu50_1s 1.59 -0.11 1.90 uu25_2s 3.98 2.18 1.35 uu50_2s 0.00 0.00 0.00 uu25_3s 0.00 0.00 0.00 uu50_3s 0.00 0.00 0.00 uu25_4s 0.00 0.00 0.00 uu50_4s 0.00 0.00 0.00 uu25_5s 0.00 0.00 0.00 uu50_5s 0.16 0.00 0.00 uu25_6s 0.00 0.00 0.00 uu50_6s 0.00 0.00 0.00 uu25_7s 0.00 0.00 0.00 uu50_7s 3.48 0.00 0.00 uu25_8s 0.00 0.00 0.00 uu50_8s 0.00 0.00 0.00 uu25_9s 5.41 0.00 0.00 uu50_9s 1.15 0.00 1.15 uu25_10s 10.54 0.00 0.00 uu50_10s 0.00 0.00 0.00 Trung bình 3.65 0.67 0.47 0.64 -0.01 0.30 3.6 Kết luận chương
Chương này đã trình bày hai vấn đề chính:
Nghiên cứu bài toán đa mục tiêu để tối ưu hóa thời gian sống của mạng cảm biến không dây trong địa hình ba chiều. Ý tưởng của các tiếp cận này là giảm năng lượng tiêu thụ bằng cách triển khai các nút chuyển tiếp. Bài toán đa mục tiêu có hai mục tiêu chính: tối thiểu số lượng các nút chuyển tiếp sử dụng và tối thiểu giá trị năng lượng tiêu thụ tối đa của các nút trong mạng (mỗi nút mạng hoặc là nút cảm biến hoặc là nút chuyển tiếp). Hai cách tiếp cận được đề xuất để giải quyết bài toán đa mục tiêu này: cách tiếp cận tổng trọng số và các tiếp cận đa mục tiêu. Cách tiếp cận tổng trọng số đưa bài toán đa mục tiêu về bài toán đơn mục tiêu ORP3D bằng cách sử dụng trọng số cho từng mục tiêu. Mô hình quy hoạch nguyên được
đề xuất để tìm được cận dưới của lời giải. Cuối cùng, một cách tiếp cận dựa trên thuật toán tìm kiếm cục bộ dựa trên luồng cực đại được đề xuất để giải quyết bài toán. Cách tiếp cận thứ hai dựa trên thuật toán tiến hóa đa mục tiêu dựa trên phân rã để tìm biên xấp xỉ biên Pareto tối ưu. Trong thực tế, nếu người quyết định biết trọng số cho từng mục tiêu, thì việc áp dụng thuật toán FCLS là hợp lý do thuật toán tìm lời giải khá gần với lời giải tối ưu và tiết kiệm thời gian tìm kiếm. Ngược lại, nếu người quyết định muốn tìm một tập các lời giải tối ưu cho bài toán thì áp dụng thuật toán MOEA-LS sẽ cho kết quả tốt.
Nghiên cứu bài toán tối ưu hóa thời gian sống cho nhiều loại mạng có cấu trúc khác nhau. Luận án đề xuất thuật toán tiến hóa đa nhân tố
(MFRPEA) với mã hóa (netkeys) để giải quyết bài toán này. Thuật toánMFRPEA cho kết quả tốt hơn các thuật toán khác như GA, PSO và DE trên hầu hết
Chương 4
KẾT LUẬN
Kết quả đạt được
Luận án tập trung giải quyết ba vấn đề: i) tối ưu thời gian sống của mạng cảm biến không dây ngầm (WUSN) dựa trên mô hình tổn thất truyền thông; ii) tối ưu thời gian sống của mạng cảm biến trong địa hình ba chiều (WSN3D) dựa trên mô hình suy hao năng lượng; iii) tối ưu thời gian sống đồng thời cho nhiều loại mạng WSN3D có cấu trúc khác nhau. Các đóng góp của luận án:
Thứ nhất, luận án nghiên cứu bài toán triển khai các nút chuyển tiếp để tối ưu thời gian sống của mạng WUSN dựa trên mô hình tổn thất truyền thông nhằm đảm bảo cân bằng tải về số lượng giữa các nút chuyển tiếp. Luận án đề xuất ba cách tiếp cận để giải quyết vấn đề này.
Đề xuất thuật toán tham lam dựa trên tìm kiếm chùm tia với hàm Genitor (BGS).
Đề xuất thuật toán di truyền với khởi tạo dựa trên phân cụm (MXFGA). Ý tưởng của thuật toán này là nếu biết chính xác vị trí được lựa chọn để đặt các 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.
Đề xuất phương pháp dựa trên sự kết hợp của thuật toán tìm kiếm chùm tia với hàm phân phối Boltzmann (BMBM) để tạo ra các phương án khả thi cho bài toán. Các kết nối tối ưu sẽ được tìm chính xác bằng cách đưa về bài toán tìm cặp ghép cực đại với chi phí cực tiểu.
Thứ hai, luận án nghiên cứu bài toán triển khai các nút chuyển tiếp tối thiểu để kéo dài thời gian sống của mạng WSN3D. Mô hình đánh giá thời gian sống được sử dụng cho loại mạng này là mô hình suy hao năng lượng. Luận án đề xuất hai hướng tiếp cận để giải quyết bài toán này.
Đề xuất phương pháp dựa trên tổng trọng số để đưa bài toán đa mục tiêu về bài toán tối ưu hóa đơn mục tiêu ORP3D bằng cách thêm trọng số cho từng mục tiêu. Mô hình quy hoạch nguyên được đề xuất để tìm được cận dưới của lời giải. Cuối cùng, thuật toán dựa trên tìm kiếm cục bộ dựa trên luồng cực đại được đề xuất để giải quyết bài toán.
Đề xuất thuật toán tiến hóa đa mục tiêu dựa trên phân rã để tìm biên Pareto xấp xỉ biên tối ưu cho bài toán đa mục tiêu ban đầu.
Thứ ba, luận án nghiên cứu bài toán tối ưu hóa thời gian sống của các mạng với cấu trúc khác nhau: mạng hai lớp (single-hop) và mạng nhiều lớp (multi- hop) với ràng buộc số hop. Luận án đề xuất thuật toán tiến hóa đa nhân tố với cách mã hóa Netkeys để giải quyết bài toán này. Kết quả thực nghiệm cho thấy rằng, thuật toán đề xuất tốt hơn thuật toán di truyền (GA), tối ưu hóa bầy đàn (PSO), tiến hóa vi phân (DE) trên hầu hết các bộ dữ liệu.
Hướng phát triển
Nghiên cứu về bài toán tối ưu hóa thời gian sống của mạng cảm biến không dây là một vấn đề lớn, vì vậy, nó không thể được hoàn thành hết trong khuôn khổ một luận án. Nghiên cứu của luận án mới chỉ xem xét đến lớp mạng cảm biến không dây ngầm (WUSN) và mạng cảm biến không dây trong địa hình ba chiều (WSN3D). Ngoài lớp mạng trên, còn có rất nhiều các mạng cảm biến với các đặc trưng khác nhau, ví dụ như mạng cảm biến âm thanh dưới nước, mạng cảm biến được triển khai trong đường ống dẫn khí,... Trong thời gian tới, nghiên cứu sinh dự định sẽ xem xét nghiên cứu các bài toán dưới đây:
Luận án nghiên cứu bài toán tối ưu năng lượng tiêu thụ tại một thời điểm truyền dữ liệu. Tuy nhiên, trong mạng cảm biến, các nút sẽ liên tục truyền dữ liệu đến trạm cơ sở. Do đó, việc nghiên cứu bài toán tối ưu thời gian sống của mạng WUSN và WSN3D trong nhiều vòng (round) là cần thiết.
Ngoài ra, nghiên cứu sinh dự định xem xét bài toán tối ưu thời gian sống của mạng cảm biến không dây địa hình ba chiều sử dụng các điểm thu phát di động (mobile sink). Mạng cảm biến này có xem xét đến các yếu tố trong thực tế ví dụ như, lỗ hổng vật lý của mạng. Lỗ hổng vật lý là các miền mà chúng ta không thể đặt các cảm biến ở đó, ví dụ như sông, suối, ao, hồ,... Đối với mạng có các lỗ hổng vật lý, cần xem xét đến các thuật toán để xấp xỉ các lỗ hổng bằng các đa giác lồi có hình dạng đơn giản hơn. Các thuật toán này cần phải đảm bảo sai số giữa lỗ hổng vật lý ban đầu và các hình không quá lớn. Sau đó, cần lập lịch cho các điểm thu phát di động đi thu thập dữ liệu tránh các lỗ hổng vật lý này.
DANH MỤC CÔNG TRÌNH CÔNG BỐ
1. 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.” In- ternational Conference on the Applications of Evolutionary Computation. Springer, Cham, 439-453.
2. 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.
3. Nguyen Thi Tam, Huynh Thi Thanh Binh, Vi Thanh Dat, Phan Ngoc Lan, Le Trong Vinh (2020). “Towards optimal wireless sensor network life- time in three dimensional terrains using relay placement metaheuristics”. Knowledge-based systems. 206, 106407. Q1, IF 5.92.
4. Nguyen Thi Tam, Dinh Anh Dung, Tran Huy Hung, Huynh Thi Thanh Binh, Shui Yu (2021). “Exploiting relay nodes for maximizing wireless un- derground sensor network lifetime”. Applied Intelligence. 50(12), 4568-4585 Q2, IF 3.32.
5. Nguyen Thi Tam, Tran Quang Tuan, Huynh Thi Thanh Binh, Anan- thram Swami, (2020). “Multifactorial evolutionary optimization for maxi- mizing data aggregation tree lifetime in wireless sensor networks”. In Ar- tificial Intelligence and Machine Learning for Multi-Domain Operations Applications II (Vol. 11413, p. 114130Z). International Society for Optics and Photonics.
6. 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. 7. 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.
8. Nguyen Thi Tam, Vi Thanh Dat, Phan Ngoc Lan, Huynh Thi Thanh Binh, Le Trong Vinh, and Ananthram Swami (2020). “Multifactorial evo-
lutionary optimization to maximize lifetime of wireless sensor network”, Information Sciences (accepted). Q1, IF 5.91.
9. 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
TÀI LIỆU THAM KHẢO
[1] Mustafa Kocakulak and Ismail Butun. An overview of wireless sensor net- works 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 1. chapter, 2005.
[3] Isabel Dietrich and Falko Dressler. On the lifetime of wireless sensor net- works. ACM Transactions on Sensor Networks (TOSN), 5(1):1–39, 2009. [4] Damien Wohwe Sambo, Anna F¨orster, 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 wire- less sensor networks: a survey. International Journal of Information Tech- nology, 12(4):1343–1353, 2020.
[9] Ali Jorio and Brahim Elbhiri. An energy-efficient clustering algorithm based on residual energy for wireless sensor network. In2018 Renewable Energies, Power Systems & Green Inclusive Economy (REPS-GIE), pages 1–6. IEEE, 2018.
[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 Com- munications Letters, 23(7):1215–1218, 2019.
[13] Stephen Boyd, Stephen P Boyd, and Lieven Vandenberghe. Convex opti- mization. Cambridge university press, 2004.
[14] KH Chang. Multiobjective optimization and advanced topics. Design The- ory and Methods Using CAD/CAE, pages 325–406, 2015.
[15] Daniel S Weile and Eric Michielssen. Genetic algorithm optimization ap- plied 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 bản Giáo Dục, 1996. [17] David E Goldberg, Bradley Korb, Kalyanmoy Deb, et al. Messy genetic al-
gorithms: 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 evolu- tion: 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
[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 Intelli- gence, pages 504–512. Springer, 2012.
[23] Christos G Cassandras, Tao Wang, and Sepideh Pourazarm. Optimal rout- ing and energy allocation for lifetime maximization of wireless sensor net- works 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 La- jos 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, cover- age, and connectivity problems in wireless sensor networks: revisited. IEEE Access, 5:18051–18065, 2017.
[28] Milad Esmaeilpour, Amir G Aghdam, and Stephane Blouin. Lifetime opti- mization and connectivity control in asymmetric networks. In 2019 Amer- ican 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 net- works, coverage and connectivity: A survey. IEEE Access, 7:28940–28954, 2019.
[30] Hwa-Chun Lin and Wei-Yu Chen. An approximation algorithm for the maximum-lifetime data aggregation tree problem in wireless sensor net- works. 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 artifi- cial bee colony algorithm. Journal of Network and Computer Applications, 64:239–248, 2016.
[33] Nashat Abughalieh, Yann-A¨el 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 life-
time 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 tech- niques for wireless underground communication networks. Physical Com- munication, 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– 5. IEEE, 2010.
[38] Weiyi Zhang, Shi Bai, Guoliang Xue, Jian Tang, and Chonggang Wang. Darp: Distance-aware relay placement in wimax mesh networks. In 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. Fault- tolerant 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. Con- strained 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