TỐI ƯU HÓA THỜI GIAN SỐNG CỦA MỘT LỚP MẠNG CẢM BIẾN KHÔNG DÂY THEO HƯỚNG TIẾP CẬN XẤP XỈ

Luận án hướng đến việc sử dụng các thuật toán Mục tiêu thứ nhất của luận án là nghiên cứu về mạng cảm biến không dây, vấn đề tối ưu thời gian sống trong mạng cảm biến không dây.. Các đó

Mã số : 9480101

TÓM TẮT LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH

Hà Nội - 2021

Công trình được hoàn thành tại:

Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học:

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN

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.”

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.” 504,

372-393 Q1, IF 6.79

3 Nguyen Thi Tam, Huynh Thi Thanh Binh, Vi Thanh Dat, Phan Ngoc Lan, Le Trong

Vinh (2020) “Towards optimal wireless sensor network lifetime in three dimensional ter- rains using relay placement metaheuristics” 206, 106407 Q1,

5 Nguyen Thi Tam, Tran Quang Tuan, Huynh Thi Thanh Binh, Ananthram Swami,

(2020) “Multifactorial evolutionary optimization for maximizing data aggregation tree

8 Nguyen Thi Tam, Vi Thanh Dat, Phan Ngoc Lan, Huynh Thi Thanh Binh, Le Trong

Vinh, and Ananthram Swami (2020) “Multifactorial evolutionary optimization to max- imize lifetime of wireless sensor network”, ,576, 355-373 Q1, IF 6.79.

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, 1656-1663.

MỞ ĐẦU

Trong những năm gần đây, cùng với sự phát triển nhanh chóng của khoa học

công nghệ, mạng cảm biến không dây ( ) đã được

nhiều nhà khoa học quan tâm nghiên cứu WSNs là mạng liên kết các nút cảm

sẽ được định tuyến đến các trạm cơ sở ( ) Các trạm cơ sở sẽ gửi dữ

liệu đến người dùng thông qua Internet hay vệ tinh

Các đặc tính như triển khai nhanh chóng, khả năng tự tổ chức và chịu lỗi đã

cho thấy mạng cảm biến không dây là một công nghệ đầy triển vọng Ngày nay,

trong quân sự như giám sát chiến trường, phát hiện vũ khí hóa học [2]

Một trong những đặc trưng riêng biệt của mạng cảm biến không dây chính là

nghĩa khác nhau để tính thời gian sống của mạng dựa vào số lượng các nút còn

hoạt động (còn sống) trong mạng Trong đó, cách định nghĩa thời gian sống của

toán là chấp nhận được cho mọi bộ dữ liệu.

Mục tiêu nghiên cứu của luận án

Trên cơ sở phân tích ở trên, tác giả chọn đề tài “

” làm đề tài nghiên

cứu cho luận án Tiến sĩ Luận án hướng đến việc sử dụng các thuật toán

Mục tiêu thứ nhất của luận án là nghiên cứu về mạng cảm biến không dây,

vấn đề tối ưu thời gian sống trong mạng cảm biến không dây Đặc biệt, luận

các giải thuật gần đúng để giải quyết các bài toán này

Mục tiêu thứ ba của luận án là nghiên cứu các phương pháp xây dựng kịch

cụm, trong mỗi cụm sẽ có một nút đóng vai trò là cụm đầu Dữ liệu từ các cảm

khai nút chuyển tiếp theo cách này được phân thành hai loại: kiến trúc đơn tầng

( ) và kiến trúc hai tầng ( ) Trong kiến trúc đơn tầng, cả

không dây dựa trên mô hình suy hao đường truyền được nhiều nhà nghiên cứu

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)

Các đóng góp chính của luận án

Bài toán 1: tối ưu hóa việc triển khai các nút chuyển tiếp để kéo dài thời

gian sống của mạng cảm biến không dây ngầm (WUSNs) dựa trên mô hình suy

hao đường truyền (bài toán MRP) Bài toán này sẽ xem xét ràng buộc cân bằng

các nút chuyển tiếp đã được lựa chọn trong pha thứ nhất sẽ không thể được thay

đổi trong pha thứ hai Điều này dẫn đến việc, nếu chọn các vị trí không tốt để

trong các nghiên cứu trước đó để giải quyết bài toán tối ưu thời gian sống

của mạng cảm biến không dây Tuy nhiên, so với pha phân cụm trong thuật

chạy khá lâu do độ phức tạp của khởi tạo phân cụm và thuật toán di truyền

thời gian sống của mạng Các cặp kết nối giữa các nút cảm biến và các nút

Cấu trúc của luận án

Ngoài phần mở đầu và phần kết luận, nội dung luận án được trình bày trong

ba chương như sau:

bảo ràng buộc cân bằng tải về số lượng giữa các nút chuyển tiếp Luận án đề xuất

Chương 1

CƠ SỞ LÝ THUYẾT

1.1 Bài toán tối ưu

1.1.1 Bài toán tối ưu đơn mục tiêu

Định nghĩa 1.1 (Bài toán tối ưu đơn mục tiêu (

Định nghĩa 1.3 (Không gian thiết kế ( )[14])

Định nghĩa 1.4 (Không gian mục tiêu ( ) [14])

1.1.2.2 Tối ưu Pareto

Định nghĩa 1.5 (Tối ưu Pareto [14])

Định nghĩa 1.6 (Trội ( ) và không trội ( ) [14])

Định nghĩa 1.7 (Tập tối ưu Pareto ( [14]))

Định nghĩa 1.8 (Biên Pareto ( [14]))

Định nghĩa 1.9 (Tối ưu Pareto yếu [14])

Định nghĩa 1.10 (Điểm Utopia [14])

1.2 Một số thuật toán giải bài toán tối ưu đơn mục tiêu

1.2.1 Thuật toán di truyền

1.2.1.1 Giới thiệu

Thuật toán thuật toán di truyền ( ) được nghiên cứu

trong [15, 16, 17, 18]

1.2.1.2 Sơ đồ của thuật toán di truyền

1.2.2 Thuật toán tiến hóa đa nhân tố

Được đề xuất bởi [19] để giải quyết nhiệm vụ tối ưu đồng thời Nhiệm vụthứ ký hiệu là có không gian tìm kiếm với hàm mục tiêu là

1.2.2.1 Tiến hóa đa nhân tố

Định nghĩa 1.11 (nhân tố chi phí ( ) [19])

Định nghĩa 1.12 (hạng của cá thể với từng tác vụ ( ) [19])

Định nghĩa 1.13 (hàm thích nghi vô hướng ( ) [19])

Định nghĩa 1.14 (nhân tố kỹ năng phù hợp nhất ( ) [19])

Định nghĩa 1.15 (tối ưu đa nhân tố ( ) [19])

1.2.2.2 Thuật toán tiến hóa đa nhân tố

1.3 Một số thuật toán giải bài toán tối ưu đa mục tiêu

1.3.1 Thuật toán di truyền sắp xếp không trội

Thuật toán di truyền sắp xếp không trội (

) được giới thiệu lần đầu tiên vào năm 2000 bởi Deb và

Agarwal [20] để giải quyết các bài toán tối ưu đa mục tiêu

1.3.2 Thuật toán tiến hóa đa mục tiêu dựa trên phân rã

Thuật toán đa mục tiêu dựa trên phân rã (

) là thuật toán tiến hóa đầu tiên vào năm 2007

bởi Zang và Li dựa trên ý tưởng tổng hợp các hàm mục tiêu [21]

không dây

1.4.1 Định nghĩa thời gian sống của mạng

Thời gian sống là một trong những thách thức quan trọng của mạng cảm biến

gian sống của mạng được tính dựa vào số lượng các nút còn sống trong mạng

Thời gian sống của mỗi nút trong mạng được tính dựa vào hai yếu tố: năng lượng

nút cảm biến tiêu thụ năng lượng chủ yếu cho việc truyền và nhận dữ liệu [34],[35, 36].

1.4.2.2 Các nghiên cứu liên quan

1.4.3 Bài toán tối ưu thời gian sống cho mạng cảm biến không dây

địa hình ba chiều

1.4.3.1 Mô hình suy hao năng lượng

này có thể xung đột nhau, có nghĩa là việc tối ưu một mục tiêu có thể dẫn đến

việc giảm tính tối ưu của các mục tiêu còn lại

Bài toán tối ưu đa mục tiêu liên quan đến thời gian sống của mạng/năng

lượng tiêu thụ đã được các nhà nghiên cứu quan tâm trong thời gian gần đây

[52, 53, 54],[55], [56], [57, 58, 59], [60], [61, 62], [63], [64], [65]

1.5 Kết luận chương

các nhà nghiên cứu trong thời gian gần đây do các nút cảm biến được triển khai ở

2.2 Phát biểu bài toán

2.3.1 Thuật toán tìm kiếm chùm tia với hàm Genitor

Thuật toán tìm kiếm chùm tia với hàm Genitor ( )

cho bài toán Tập này có thể vẫn chứa những lời giải có giá trị suy hao đường

truyền cao Một thuật toán tham lam được đề xuất để giảm giá trị của suy hao

đường truyền cho các lời giải này Ý tưởng chính của thuật toán tham lam này

là tìm cách cải thiện các lời giải đã có bằng cách thay đổi kết nối giữa các nút

chuyển tiếp và các nút cảm biến

2.3.2 Thuật toán di truyền với khởi tạo dựa trên phâm cụm

2.3.2.1 Biểu diễn cá thể

Thuật toán di truyền với khởi tạo phân cụm (

2.3.2.4 Các toán tử di truyền

2.3.4 Đánh giá độ phức tạp thuật toán

2.4 Thực nghiệm

2.4.1 Dữ liệu thực nghiệm

Các thực nghiệm được tiến hành trên hai tập dữ liệu: 1 tập dữ liệu nhỏ gồm

Kịch bản 2 Type br1: và Type br2: các nút cảm biến được triển khai

ngẫu nhiên nhưng gần về phía biên, các nút chuyển tiếp được triển khai ngẫunhiên

2.4.4.3 Thực nghiệm 3: đánh giá kết quả chung của các thuật toán đề xuất

Thuật toán BGS cải thiện lần lượt là 10.56% và 16.52% so với kết quả của Yuan

suy hao đường truyền tốt nhất trên tất cả các kịch bản dữ liệu còn lại là 105.92

Tuy nhiên, trên tập dữ liệu lớn, thuật toánMXFGA thu được kết quả suy

khả năng áp dụng của thuật toán MXFGA đối với dữ liệu dạng này

vật cản Trong chương này, 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

3.2.3 Mô hình quy hoạch nguyên

3.3 Thuật toán tìm kiếm cục bộ

3.3.5.3 Kết quả thực nghiệm

Thực nghiệm 1: đánh giá hiệu quả của thuật toán với các phương pháp khởi tạo khác nhau

Thực nghiệm này so sánh hiệu của của phương pháp khởi tạo tìm luồng cực

đại với chi phí cực tiểu (min-max binary flow search - ) và khởi tạo ngẫu

nhiên Trong thực nghiệm này, tất cả các nút cảm biến và các nút chuyển tiếp có

Thực nghiệm 2: đánh giá hiệu quả của thuật toán với các phân phối khác nhau

Thực nghiệm này đánh giá kết quả của thuật toán FCLS khi áp dụng trên cácphân phối khác nhau (Gaussian, Uniform and Gamma).Thuật toán FCLS cho kết

quả tốt với cả 3 phân phối của các nút cảm biến

Mỗi cá thể được mã hóa bởi một véc tơ , trong đó,

nếu và chỉ nếu nút cảm biến được kết nối tới nút chuyển tiếp đặt tại vị trí

3.4.2.2 Tìm kiếm điểm tham chiếu

3.4.2.3 Sinh các véc tơ trọng số

3.4.2.4 Khởi tạo quần thể

3.4.2.5 Cập nhật điểm tham chiếu

3.4.2.6 Các toán tử di truyền

3.4.4.2 Dữ liệu thực nghiệm

Type 1s và Type 1l: các nút cảm biến và nút chuyển tiếp được tạo ra trên

địa hình nhỏ và địa hình lớn từ T1 đến T10 theo phân phối Gamma Bán

kính cảm biến được đặt là 25m

Type 2s và Type 2l: các nút cảm biến và nút chuyển tiếp được tạo ra trên

địa hình nhỏ và địa hình lớn từ T1 đến T10 theo phân phối Gaussian Bán

So sánh thuật toán đề xuất và các thuật toán tiến hóa đa mục tiêu NSGAII

[20], MOEAD gốc [21], SPEA2 [78], MODE [79] theo các độ đo đa mục tiêu Các

thuật toán có cùng số thế hệ, kích thước quần thể, và các xác suất lai ghép, đột

biến Trong mỗi lần chạy, kết quả về các độ đo trên biên Pareto của các thuật

Mục tiêu số lượng nút chuyển tiếp sử dụng: thuật toán đề xuất MOEA-LS vượt

trội hơn MOEAD, NSGA-II, SPEA2, và MOEAD trên các bộ dữ liệu khác nhau

(số nút chuyển tiếp được sử dụng ít hơn)

Trong thực nghiệm này, thuật toán MOEA-LS được so sánh với thuật toán

FCLS được trình bày trong phần 3.3 Trong số ba biến thể của thuật toán tối ưu

đơn mục tiêu được trình bày trong công trình [80], luận án lựa chọn cách tiếp cận

3.5 Thuật toán tiến hóa đa nhân tố giải bài toán tối ưu

trên các loại mạng khác nhau

3.5.2 Thuật toán tiến hóa đa nhân tố

3.5.2.1 Biểu diễn cá thể trong không gian chung

3.5.2.2 Giá trị thích nghi

Trong bài toán RSM, ràng buộc số lượng hop cần được xem xét, hay nói cách

khác, giới hạn số liên kết tối đa từ bất kì nút nào đến trạm cơ sở đều không vượt

Thuật toán MFRPEA tốt hơn các thuật toán khác với các bộ dữ liệu với các

phân phối khác nhau của các nút

Đối với bài

Chương 4 KẾT LUẬN

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

TÀI LIỆU THAM KHẢO

[1] Mustafa Kocakulak and Ismail Butun An overview of wireless sensor net-

works towards internet of things In

, pages 1–6 IEEE, 2017.[2] Fernando Martincic and Loren Schwiebert

, volume 1 chapter, 2005

[3] Isabel Dietrich and Falko Dressler On the lifetime of wireless sensor networks

networks In , pages 247–285 Elsevier, 2018

[6] Hoang Thi Huyen Trang, Seong Oun Hwang, et al Connectivity analysis

479, December 2017

[8] Nihar Ranjan Roy and Pravin Chandra Energy dissipation model for wireless

sensor networks: a survey ,12(4):1343–1353, 2020

[10] Ashraf Hossain Equal energy dissipation in wireless sensor network

, 71:192–196, 2017

[11] Deepak Sharma and Amol P Bhondekar An improved cluster head selection

Cambridge university press, 2004

[14] KH Chang Multiobjective optimization and advanced topics

11(6):712–731, 2007

[22] Shi Cheng, Yuhui Shi, and Quande Qin On the performance metrics of mul-

tiobjective optimization In ,pages 504–512 Springer, 2012

[23] Christos G Cassandras, Tao Wang, and Sepideh Pourazarm Optimal routing

and energy allocation for lifetime maximization of wireless sensor networks

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

, 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 ,3:2191–2226, 2015

[26] Halil Yetgin, Kent Tsz Kan Cheung, Mohammed El-Hajjar, and Lajos Hanzo

Hanzo A survey of network lifetime maximization techniques in wirelesssensor networks , 19(2):828–854,2017

[27] Jamal N Al-Karaki and Amjad Gawanmeh The optimal deployment,

age, and connectivity problems in wireless sensor networks: revisited

, 5:18051–18065, 2017

[28] Milad Esmaeilpour, Amir G Aghdam, and Stephane Blouin Lifetime opti-

mization and connectivity control in asymmetric networks In

, 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 , 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 networks

, 16(6):3787–3798, 2017

[31] Selvakumar Sasirekha and Sankaranarayanan Swamynathan Cluster-chain

[34] Hashim A Hashim, Babajide Odunitan Ayinde, and Mohamed A Abido

timal placement of relay nodes in wireless sensor network using artificial bee

248, 2016

[35] Nashat Abughalieh, Yann-A¨el Le Borgne, Kris Steenhaut, and Ann Nowé

Lifetime optimization for wireless sensor networks with correlated data gath-ering In

, pages 266–272 IEEE, 2010

[36] Hui Wang, Nazim Agoulmine, Maode Ma, and Yanliang Jin Network lifetime

optimization in wireless sensor networks

, 28(7):1127–1137, 2010

[37] Dejun Yang, Xi Fang, Guoliang Xue, and Jian Tang Relay station placement

for cooperative communications in wimax networks In

, pages 1–5 IEEE, 2010

[38] Weiyi Zhang, Shi Bai, Guoliang Xue, Jian Tang, and Chonggang Wang Darp:

, 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.

, 9(5):643–656, 2009

[41] Satyajayant Misra, Seung Don Hong, Guoliang Xue, and Jian Tang

strained relay node placement in wireless sensor networks: Formulation andapproximations , 18(2):434–

447, 2010

[42] Yuanteng Pei and Matt W Mutka Joint bandwidth-aware relay placement

and routing in heterogeneous wireless networks In

, pages 420–427 IEEE,2011

[43] Ying Huang, Yan Gao, and Klara Nahrstedt Relay placement for reliable

base station connectivity in polymorphous networks In

, pages 1–9 IEEE, 2010

[44] Abhijit Bhattacharya and Anurag Kumar A shortest path tree based algo-

networks for pipeline inspection

, 13(7):3510–3523, 2014

[46] ZHI Sun, Ian F Akyildiz, and Gerhard P Hancke Dynamic connectivity

in wireless underground sensor networks

, 10(12):4334–4344, 2011

[47] MOSTAFA Baghouri, ABDERRAHMANE Hajraoui, and SAAD Chakkor

Low energy adaptive clustering hierarchy for three-dimensional wireless sen-sor network , pages 214–218, 2015

[48] Dang Thanh Hai, Trong Le Vinh, et al Novel fuzzy clustering scheme for 3dwireless sensor networks , 54:141–149, 2017