Tham số Giá trị
Số thế hệ tối đa 200 Kích thước quần thể 100 Số bài toán con 41 Số láng giềng 3 Xác suất lai ghép 0.9 Xác suất đột biến 0.01
3.4.3.2 Kết quả thực nghiệm
Thực nghiệm 1: Lựa chọn tham số cho thuật toán MFRPEA Tham số rmp
rmp là một tham số quan trọng trong MFRPEA. rmp giúp cân bằng giữa việc khai thác và khám phá không gian tìm kiếm. Nếu rmp nhỏ thì chỉ những cá thể giống nhau về văn hóa mới lai ghép được với nhau, nếu rmp lớn thì quá trình lai ghép có xu hướng ngẫu nhiên. Để phân tích ảnh hưởng của rmp, luận án áp dụng các giá trịrmp khác nhau từ 0.1 đến 0.9. Bảng 3.25 và bảng 3.24 minh họa kết quả của MFRPEA với các giá trị khác nhau của rmp. Những kết quả này cho thấy rằng, đối với cả RSS và RSM, các giá trị củarmp nhỏ hơn có xu hướng cho kết quả tốt hơn. Do đó, luận án chọn các kết quả khi rmp = 0.2 để so sánh MFRPEA với thuật toán khác. Giá trịrmp thấp hơn cho thấy rằng trong trường hợp MFRPEA, phép lai ghép giữa các cá thể khác nguồn gốc văn hóa không có nhiều tác động tích cực đến lời giải. Do đó, việc trao đổi thông tin giữa các nền văn hóa chỉ nên diễn ra với xác suất nhỏ.
Bảng 3.24: So sánh năng lượng tiêu thụ lớn nhất (đơn vị mJ) của các nút mạng tìm được bởi thuật toán MFRPEA với các giá trị khác nhau của rmp trên bài toán RSM. Giá trị in đậm là giá trị tốt nhất tìm được.
rmp 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 M T1s−1m 0.870 0.833 0.840 0.840 0.828 0.840 0.862 0.867 0.859 M T3s−1m 0.845 0.846 0.850 0.875 0.865 0.895 0.893 0.896 0.912 M T1s−3m 0.849 0.851 0.854 0.855 0.852 0.874 0.855 0.878 0.896 M T3s−3m 0.864 0.824 0.857 0.835 0.841 0.868 0.860 0.868 0.880 Trung bình 0.857 0.838 0.850 0.851 0.847 0.869 0.867 0.877 0.887
Bảng 3.25: So sánh năng lượng tiêu thụ lớn nhất (đơn vị mJ) của các nút mạng tìm được bởi thuật toán MFRPEA với các giá trị khác nhau củarmp trên bài toán RSS. Giá trị in đậm là giá trị tốt nhất tìm được. rmp 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 M T1s−1m 1.677 1.677 1.677 1.677 1.677 1.677 1.677 1.677 1.678 M T3s−1m 1.685 1.677 1.677 1.677 1.677 1.677 1.677 1.677 1.686 M T1s−3m 1.679 1.677 1.677 1.677 1.677 1.677 1.677 1.677 1.686 M T3s−3m 1.680 1.677 1.677 1.677 1.677 1.677 1.683 1.677 1.683 Trung bình 1.680 1.677 1.677 1.677 1.677 1.677 1.679 1.677 1.683 Số lượng tác vụ
Bảng 3.26 và 3.27 đưa ra kết quả so sánh MFRPEA với số lượng tác vụ khác nhau. Có thể thấy rằng, thuật toán đa nhân tố thường hoạt động tốt hơn khi
các tác vụ là những bài toán cùng loại. Với bài toán RSS, các giá trị của năng lượng tiêu thụ trung bình tìm được lần lượt là 1.494mJ, 1.508 mJ, 1.485 mJ và 1.494mJ. Với số lượng tác vụK = 2 (1s-1m), K = 4 (3s - 1m),K = 4 (1s-3m) và K = 6 (3s-3m), các kết quả trên bài toán RSM lần lượt là 2.736 mJ, 2.727 mJ, 2.739 mJ và 2.733 mJ. Thuật toán MFRPEA cho kết quả tốt hơn cho bài toán RSM khi trong các tác vụ được giải có nhiều tác vụ là bài toán RSM. Điều này cho thấy ảnh hưởng của loại tác vụ đến thuật toán: khi kết hợp các loại tác vụ có độ tương tự cao, thuật toán mang lại kết quả tốt hơn.
Bảng 3.26: So sánh năng lượng tiêu thụ lớn nhất (đơn vị mJ) của các nút mạng tìm được bởi thuật toán MFRPEA trên bài toán RSM với số lượng tác vụ khác nhau.
Datasets M T1s−1m M T3s−1m M T1s−3m M T3s−3m Type 1M 1.136 1.161 1.188 1.154 Type 2M 0.988 0.994 0.962 0.993 Type 3M 0.879 0.880 0.864 0.868 Type 4M 1.381 1.385 1.374 1.369 Type 5M 3.087 3.120 3.038 3.083 Trung bình 1.494 1.508 1.485 1.494
Bảng 3.27: So sánh năng lượng tiêu thụ lớn nhất (đơn vị mJ) của các nút mạng tìm được bởi thuật toán MFRPEA trên bài toán RSS với số lượng tác vụ khác nhau.
Datasets M T1s−1m M T3s−1m M T1s−3m M T3s−3m Type 1S 1.281 1.254 1.306 1.276 Type 2S 1.340 1.328 1.323 1.332 Type 3S 1.677 1.677 1.681 1.677 Type 4S 6.647 6.647 6.647 6.647 Trung bình 2.736 2.727 2.739 2.733
Thực nghiệm 2: So sánh thuật toán MFRPEA với các thuật toán khác
Trong thực nghiệm này, thuật toán đề xuất MFRPEA sẽ được so sánh với các thuật toán GA, PSO, DE. Các tham số cho thuật toán MFRPEA sẽ được sử dụng lại của các thực nghiệm trên, cụ thể rmp = 0.2, K = 6.
So sánh trên các bộ dữ liệu với các phân phối khác nhau của các nút
trị mục tiêu trung bình so với GA, PSO và DE trên các bộ dữ liệu của cả ba phân phối là 6.18%, 3.25% và 3.99%. Trên phân phối Gamma, thuật toán đề xuất cho kết quả tốt nhất, cải thiện 14.91% so với GA, 9.16% so với PSO và 11.14% so với DE.
Các kết quả cho bài toán RSM cũng tương tự như bài toán RSS. Thuật toán MFRPEA cho kết quả tốt nhất trên các bộ dữ liệu mà các nút tuân theo phân phối Gamma. Cụ thể, trên phân phối này, thuật toán đề xuất cải thiện 9.57% so với GA, 16.22% so với PSO và 15.06% so với DE. Kết quả trung bình trên các loại phân phối khác nhau, MFRPEA cải thiện so với GA, PSO, DE lần lượt là 8.33%, 14.23% và 10.7%. Điều này cho thấy thuật toán đề xuất cho kết quả tốt trên các bộ dữ liệu với các phân phối khác nhau của các nút.
So sánh trên các bộ dữ liệu với các nút có bán kính truyền thông khác nhau Trong thực nghiệm này, sự ảnh hưởng của bán kính truyền thông đến chất lượng của lời giải được đánh giá. Đối với bài toán RSS, MFRPEA cải thiện giá trị hàm mục tiêu khoảng 3.38% trong các bộ dữ liệu no25_xs và 11.78% trong các bộ no50_xs. Có thể thấy từ bảng 3.28, đối với bài toán RSM, thuật toán MFRPEA cải thiện đáng kể đối với các bộ dữ liệu mà các nút có bán kính truyền thông lớn. Điều này có thể lý giải rằng đối với các mạng dày (do bán kính lớn, đồ thị kết nối sẽ dày hơn), thuật toán MFRPEA có thể có nhiều cách lựa chọn kết nối hơn, số cá thể hợp lệ cũng tăng lên, do đó, kết quả tối ưu hơn. Đối với bài toán RSS, kết quả trên bảng 3.29 không thay đổi nhiều khi chúng ta thay đổi bán kính truyền thông của các nút. Bán kính nhỏ (đồ thị thưa) vẫn cho kết quả tốt hơn. Chúng ta có thể thấy rằng, ở cả hai kịch bản mạng: mạng dày và mạng thưa, thuật toán MFRPEA vẫn cho kết quả tốt hơn thuật toán GA, PSO, DE khi giải từng bài toán.
Hình 3.19: Sự cải thiện kết quả của thuật toán MFRPEA so với các thuật toán kháctrên bài toán RSS và bài toán RSM. trên bài toán RSS và bài toán RSM.
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-