Độ phức tạp của thuật toán BGS:
– Giai đoạn sinh các lời giải con bộ phận (Thuật toán 2.1): tại mỗi lần lặp, mỗi lời giải bộ phận xk sẽ sinh ra nhiều nhất m −1 lời giải bộ phận cho lần lặp sau (dòng thứ 5). Với mỗi lời giải bộ phận, việc sắp xếp các cảm biến để lựa chọn n/y cảm biến kết nối đến nút chuyển tiếp đang được xem xét có độ phức tạp là O(nlogn) (dòng thứ 8). Tại mỗi bước có c lời giải con bộ phận được giữ lại (dòng thứ 3), nên độ phức tạp của giai đoạn tìm tất cả các lời giải con bộ phận sẽ là
O(c×(m−1)×n×logn).
– Giai đoạn lựa chọn các lời giải con bộ phận: tất cả các lời giải con bộ phận sẽ được sắp xếp cho bước chọn lọc sử dụng hàm Genitor. Do có c×(m−1)lời giải con bộ phận sẽ được sinh ra sau giai đoạn sinh các lời giải con bộ phận. Nên độ phức tạp tạp của thuật toán sắp xếp các lời giải con bộ phận này là O(c×(m−1)×log(c×(m−1))).
tìm được của hai giai đoạn trên: O(c×(m−1)×n×logn).
– Thuật toán BGS lặp y lần để tìm ra được lời giải hoàn chỉnh gồm y thành phần. Như vậy, độ phức tạp của thuật toán là O(y×c×(m− 1)×n×logn) =O(y×c×m×n×logn).
Độ phức tạp của thuật toán MXFGA:
– Số cạnh trong đồ thị G bằng n×y, do đó, thủ tục tìm kiếm nhị phân trên tập cạnh Es có độ phức tạp là O(log(n×y)).
– Độ phức tạp của thuật toán Dinic để tìm luồng cực đại có độ phức tạp là O(n×y×(n+y)2).
– Thuật toán tìm kiếm nhị phân trên đồ thị luồng (Thuật toán MXF-BS) có độ phức tạp là O((log(n×y)×n×y(n+y)2) =O(log(n×y)×n3×y). – Giai đoạn phân n cảm biến vào y cụm sử dụng thuật toán K-means
có độ phức tạp là O(n2).
– Độ phức tạp của thủ tục khởi tạo CluRNS là O(log(n×y)×n3×y). – Độ phức tạp của thuật toán MXFGA sẽ là O(P size×GEN ×log(n×
y)×n3×y), trong đó P size là kích thước quần thể, GEN là số thế hệ tối đa.
Độ phức tạp của thuật toán BMBM:
Tương tự như thuật toán BMBM, tại mỗi bước chúng ta sẽ giữ lại c lời giải con bộ phận có giá trị đại diện tốt nhất. Giá trị đại diện của mỗi lời giải con bộ phận tìm được bằng cách sử dụng thuật toán tìm kiếm nhị phân trên đồ thị cặp ghép. Độ phức tạp của bước tìm giá trị đại diện là
O((n +y)5/2log(n+y). Như vậy, độ phức tạp của thuật toán BMBM là:
O(c×(n+y)5/2log(n+y)
Từ bảng tóm tắt độ phức tạp của các thuật toán 2.15, chúng ta thấy rằng thuật toán BMBM có độ phức tạp tốt hơn so với BGS và MXFGA.
Bảng 2.15: So sánh độ phức tạp của các thuật toán.
Thuật toán Độ phức tạp Độ phức tạp (theo n)
Yuan O((m3−y3)n) O(n4)
BGS O(y×c×m×n×logn) O(n4)logn
MXFGA O(P size×GEN ×log(n×y)n3×y) O(n4)logn×P size×GEN
2.5 Kết luận chương
Chương này trình bày bài toán tối ưu hóa thời gian sống cho lớp mạng cảm biến không dây ngầm bằng cách đặt các nút chuyển tiếp. Ba thuật toán tối ưu được đề xuất để giải quyết bài toán. Thuật toán đầu tiên dựa trên sự kết hợp của phương pháp tìm kiếm chùm tia với hàm phân phối xác suất Genitor và thuật toán heuristic để giảm kết nối lớn nhất thu được giữa các cặp nút cảm biến - nút chuyển tiếp. Thuật toán thứ hai dựa trên thuật toán di truyền với khởi tạo phân cụm. Cách tiếp cận thứ ba dựa trên sự kết hợp giữa thuật toán tìm kiếm chùm tia với phân phối Boltzmann và thuật toán tìm cặp ghép trên đồ thị hai phía. Kết quả thực nghiệm đã chỉ ra rằng, các thuật toán đề xuất là vượt trội hơn so với nghiên cứu đã có.
Chương 3
TỐI ƯU HÓA THỜI GIAN SỐNG CỦA MẠNG CẢM BIẾN KHÔNG DÂY DỰA TRÊN MÔ
HÌNH SUY HAO NĂNG LƯỢNG
3.1 Đặt vấn đề
Mạng cảm biến không dây địa hình ba chiều (WSN3D) có nhiều ứng dụng trong thực tế như: giám sát môi trường, theo dõi động vật, phát hiện cháy rừng, và cứu trợ thiên tai,...[74]. Ứng dụng giám sát môi trường cho phép các nhà nghiên cứu có thể đo chi tiết các thông số cụ thể của một môi trường sống nào đó. Đối với ứng dụng trong phát hiện cháy rừng, chúng ta có thể triển khai mạng với các nút cảm biến được trang bị thiết bị cảm biến nhiệt độ trong một khu vực dễ xảy ra cháy rừng. Các nút cảm biến có nhiệm vụ cảm nhận nhiệt độ quanh vị trí đặt chúng. Dữ liệu thu thập được sẽ được truyền tới các trạm cơ sở để phân tích, phát hiện và cảnh báo sớm ngăn chặn các thảm họa cháy rừng xảy ra.
Chương 2 đã trình bày bài toán MRP để tối ưu thời gian sống cho lớp mạng cảm biến không dây ngầm dựa trên mô hình tổn thất truyền thông. Theo mô hình này, tất cả các nút trong mạng đều có thể kết nối được với nhau (các nút ở xa nhau có giá trị tổn thất truyền thông lớn và ngược lại). Tuy nhiên, trong các giao tiếp không dây theo mô hình suy hao năng lượng, hai nút không kết nối được với nhau nếu vi phạm một trong hai điều kiện. Thứ nhất, khoảng cách giao tiếp quá lớn. Thứ hai, đường tầm nhìn (line-of-sight) nối giữa hai nút có nhiều vật cản. Luận án tuân theo giả định đầu tiên, có nghĩa là, hai nút trong mạng có thể kết nối được với nhau nếu khoảng cách giữa chúng không quá lớn (khoảng cách giữa hai nút nhỏ hơn bán kính truyền thông). Thứ hai, bài toán MRP trong Chương 2 chỉ xem xét kết nối giữa các nút cảm biến và các nút chuyển tiếp, không xem xét đến kết nối giữa các nút chuyển tiếp và trạm cơ sở do việc giả định nguồn năng lượng của các nút chuyển tiếp là vô hạn. Cuối cùng, bài toán MRP chỉ xem xét cân bằng tải về số lượng giữa các nút chuyển
Chương này sẽ trình bày bài toán tối ưu thời gian sống cho các mạng cảm biến trong địa hình ba chiều dựa trên mô hình suy hao năng lượng khi truyền dữ liệu. Những đóng góp chính của chương này như sau:
Nghiên cứu bài toán đa mục tiêu triển khai các nút chuyển tiếp để tối ưu hóa thời gian sống của mạng trong địa hình ba chiều (ORP3D). Bài toán 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). Luận án đề xuất hai cách tiếp cận để giải quyết bài toán đa mục tiêu. Đối với cách tiếp cận đầu tiên, bài toán ORP3D sẽ được đưa về bài toán đơn mục tiêu triển khai các nút chuyển tiếp để tối ưu hóa thời gian sống của mạng trong địa hình ba chiều (OSA3D) 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 cho bài toán ORP3D. Cuối cùng, thuật toán tìm kiếm cục bộ dựa trên luồng cực đại được đề xuất để giải quyết bài toán ORP3D. Những đóng góp của đề xuất này được công bố trong công trình 3. Trong cách tiếp cận thứ hai, luận án đề xuất thuật toán tiến hóa đa mục tiêu dựa trên phân rã để giải quyết bài toán đa mục tiêu ORP3D. Nội dung của đóng góp này được trình bày trong công trình 7.
Nghiên cứu bài toán tối ưu hóa thời gian sống cho nhiều loại mạng có cấu trúc khác nhau. Thuật toán tiến hóa đa nhân tố được đề xuất để giải quyết bài toán này. Nội dung của đóng góp này được công bố trong công trình 8.