Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dây

BƒNG THUŠT NGÚ VI˜T TTChú vi¸t t­t T¶n ¦y õ IoT Internet of Things WSNs Wireless Sensor Networks MWSNs Mobile Wireless Sensor Networks SWSNS Sparse Wireless Sensor Networks HWSNS Hybrid

BË GIO DÖC V€ €O T„O TR×ÍNG „I HÅC BCH KHOA H€ NËI

NGUY™N THÀ H„NH

MËT SÈ THUŠT TON METAHEURISTIC

GIƒI B€I TON BAO PHÕ DI›N TCH V€ ÈI T×ÑNG

TRONG M„NG CƒM BI˜N KHÆNG D…Y

LUŠN N TI˜N Sž KHOA HÅC MY TNH

H  Nëi - 2020

BË GIO DÖC V€ €O T„O TR×ÍNG „I HÅC BCH KHOA H€ NËI

NGUY™N THÀ H„NH

MËT SÈ THUŠT TON METAHEURISTIC

GIƒI B€I TON BAO PHÕ DI›N TCH V€ ÈI T×ÑNG

TRONG M„NG CƒM BI˜N KHÆNG D…Y

Ng nh : Khoa håc m¡y t½nh M¢ sè : 9480101

LUŠN N TI˜N Sž KHOA HÅC MY TNH

NG×ÍI H×ÎNG DˆN KHOA HÅC:

1 PGS.TS Huýnh Thà Thanh B¼nh

2 PGS.TS Nguy¹n ùc Ngh¾a

H  Nëi - 2020

Líi cam oan

Nghi¶n cùu sinh cam oan luªn ¡n n y l  cæng tr¼nh nghi¶n cùu cõa ch½nhm¼nh d÷îi sü h÷îng d¨n cõa tªp thº c¡n bë h÷îng d¨n Luªn ¡n câ sû döngthæng tin tr½ch d¨n tø nhi·u nguçn tham kh£o kh¡c nhau v  c¡c thæng tin tr½chd¨n ÷ñc ghi rã nguçn gèc C¡c sè li»u, k¸t qu£ trong luªn ¡n l  trung thüc v ch÷a tøng ÷ñc cæng bè trong c¡c cæng tr¼nh nghi¶n cùu cõa b§t ký t¡c gi£ n okh¡c

H  Nëi, ng y 10 th¡ng 01 n«m 2020 Thay m°t tªp thº gi¡o vi¶n h÷îng d¨n Nghi¶n cùu sinh

Líi c£m ìn

Líi ¦u ti¶n, tæi xin b y tä láng bi¸t ìn s¥u s­c tîi c¡c th¦y cæ gi¡o h÷îngd¨n, PGS.TS Huýnh Thà Thanh B¼nh v  PGS.TS Nguy¹n ùc Ngh¾a , ¢ ànhh÷îng khoa håc v  tªn t¥m gióp ï, ch¿ b£o trong suèt qu¡ tr¼nh ho n th nhluªn ¡n t¤i tr÷íng ¤i håc B¡ch Khoa H  Nëi

Tæi xin ch¥n th nh c£m ìn Ban gi¡m hi»u, Ban l¢nh ¤o Vi»n cæng ngh»thæng tin v  truy·n thæng, c¡c th¦y cæ bë mæn Khoa håc m¡y t½nh v  c¡c b¤n ðpháng nghi¶n cùu Mæ h¼nh hâa, mæ phäng v  tèi ÷u hâa, tr÷íng ¤i håc B¡chkhoa H  Nëi ¢ t¤o i·u ki»n thuªn lñi nh§t º tæi ho n th nh ch÷ìng tr¼nhhåc tªp v  thüc hi»n luªn ¡n nghi¶n cùu khoa håc cõa m¼nh

Tæi xin ch¥n th nh c£m ìn Ban gi¡m hi»u tr÷íng ¤i håc Ph÷ìng æng, tªpthº c¡n bë, gi£ng vi¶n Khoa cæng ngh» thæng tin v  truy·n thæng nìi nghi¶ncùu sinh cæng t¡c v  c¡c b¤n b± th¥n thi¸t ¢ luæn t¤o i·u ki»n, ëng vi¶n,khuy¸n kh½ch º tæi ho n th nh luªn ¡n n y

Cuèi còng, tæi ch¥n th nh b y tä láng c£m ìn tîi gia ¼nh ¢ ki¶n tr¼, chias´, ëng vi¶n nghi¶n cùu sinh trong suèt qu¡ tr¼nh håc tªp v  ho n th nh luªn

¡n n y

H  Nëi, ng y 10 th¡ng 01 n«m 2020

Nghi¶n cùu sinh

Nguy¹n Thà H¤nh

MÖC LÖC

1.1 M¤ng c£m bi¸n khæng d¥y 15

1.1.1 Kh¡i ni»m m¤ng c£m bi¸n 15

1.1.2 Mët sè ki¸n tróc m¤ng c£m bi¸n 16

1.1.3 Ùng döng cõa m¤ng c£m bi¸n khæng d¥y 16

1.1.4 Nhúng v§n · th¡ch thùc trong m¤ng c£m bi¸n 18

1.2 C¡c mæ h¼nh bao phõ cõa c£m bi¸n v  m¤ng c£m bi¸n khæng d¥y 19 1.2.1 Mæ h¼nh bao phõ cõa c£m bi¸n 19

1.2.2 B i to¡n bao phõ trong m¤ng c£m bi¸n khæng d¥y 20

1.3 B i to¡n tèi ÷u 24

1.3.1 B i to¡n tèi ÷u li¶n töc 24

1.3.2 B i to¡n tèi ÷u tê hñp 26

1.3.3 Ph÷ìng ph¡p gi£i b i to¡n tèi ÷u 27

1.4 K¸t luªn ch÷ìng 35

2 B€I TON CÜC „I DI›N TCH BAO PHÕ TRONG M„NG

2.1 Ph¡t biºu b i to¡n 37

2.2 Gi£i thuªt · xu§t 37

2.2.1 Gi£i thuªt t¼m ki¸m chim cuckoo c£i ti¸n 38

2.2.2 Gi£i thuªt Democratic PSO 44

2.2.3 Gi£i thuªt thö ph§n cho hoa hén t¤p 47

2.2.4 Gi£i thuªt di truy·n c£i ti¸n 51

2.3 K¸t qu£ thüc nghi»m 63

2.3.1 Dú li»u thüc nghi»m 63

2.3.2 Tham sè thüc nghi»m 63

2.3.3 So s¡nh ¡nh gi¡ k¸t qu£ thüc nghi»m 64

2.4 K¸t luªn ch÷ìng 73

3 B€I TON CÜC „I DI›N TCH BAO PHÕ TRONG M„NG CƒM BI˜N KHÆNG D…Y KHÆNG ÇNG NH‡T C R€NG BUËC CH×ÎNG NG„I VŠT 74 3.1 Ph¡t biºu b i to¡n 74

3.2 Gi£i thuªt · xu§t 75

3.2.1 Gi£i thuªt di truy·n c£i ti¸n 75

3.2.2 Gi£i thuªt tèi ÷u hâa b¦y  n c£i ti¸n 85

3.3 K¸t qu£ thüc nghi»m 90

3.3.1 Kàch b£n thüc nghi»m 90

3.3.2 Tham sè thüc nghi»m 93

3.3.3 So s¡nh ¡nh gi¡ k¸t qu£ thüc nghi»m 93

3.4 K¸t luªn ch÷ìng 106

4 B€I TON BAO PHÕ ÈI T×ÑNG ƒM BƒO K˜T NÈI V€ CHÀU LÉI TRONG M„NG CƒM BI˜N KHÆNG D…Y V€ M„NG CƒM BI˜N KHÆNG D…Y C SÛ DÖNG IšM THU PHT DI ËNG 107 4.1 B i to¡n bao phõ èi t÷ñng £m b£o k¸t nèi v  chàu léi trong m¤ng c£m bi¸n khæng d¥y 108

4.1.1 Ph¡t biºu b i to¡n 108

4.1.2 Gi£i thuªt · xu§t 109

4.1.3 K¸t qu£ thüc nghi»m 114

4.2 B i to¡n bao phõ èi t÷ñng £m b£o k¸t nèi trong m¤ng c£m bi¸n khæng d¥y câ sû döng c¡c iºm thu ph¡t di ëng 118

4.2.1 Ph¡t biºu b i to¡n 118

4.2.2 Gi£i thuªt · xu§t 119

4.2.3 K¸t qu£ thüc nghi»m 126

4.3 K¸t luªn ch÷ìng 133

BƒNG THUŠT NGÚ VI˜T TT

Chú vi¸t t­t T¶n ¦y õ

IoT Internet of Things

WSNs Wireless Sensor Networks

MWSNs Mobile Wireless Sensor Networks

SWSNS Sparse Wireless Sensor Networks

HWSNS Hybrid Wireless Sensor Networks

LoS Line-of-Sight

VFA Virtual Force Algorithm

MVFA Modify Virtual Force Algorithm

GA Genetic Algorithm

PSO Particle Swarm Optimization

ICS Improve Cuckoo Search

FPA Flower Pollination Algorithm

CFPA Chaotic Flower Pollination Algorithm

DPSO Democratic Particle Swarm Optimization

ACB Artificial Bee Colony

MCT Maximum Cover Tree

SCAN Spreadable Connected Automomic NetworkITS Intelligent Transportation System

RADA Resource Aware Data Accumulation

MDC Mobile Data Collector

ROM Read only Memory

RAM Random Access Memory

LX Laplace Crossover

AMXO Arithmetic Crossover

NCFT Network Connectivity Fault Tolerance

SSCAT Sensor Set Covering All Targets

FS Final Solution

USP Using Spanning Tree

UTSP Using Travelling Salesman ProblemTSP Travelling Salesman Problem

SSFTP Sensors Set for Two Paths

PGA Pure Greedy Approach

SGA Spanning tree and Greedy ApproachHCG Heuristic Clustering Greedy

MRP Minimum Relay Node PlacementMEST Mest Problem in Steiner Tree

EMST Euclide Minimum Spanning Tree

DANH SCH BƒNG

2.1 Dú li»u thüc nghi»m 63

2.2 B£ng tham sè thüc nghi»m cõa c¡c gi£i thuªt DPSO 64

2.3 B£ng tham sè thüc nghi»m cõa gi£i thuªt ICS 64

2.4 B£ng tham sè thüc nghi»m cõa gi£i thuªt CFPA 65

2.5 Tham sè thüc nghi»m cõa gi£i thuªt MIGA 65

2.6 K¸t qu£ mæ h¼nh thù nh§t 66

2.7 Trung b¼nh di»n t½ch bao phõ v  ë l»ch chu©n cõa c¡c gi£i thuªt IGA, DPSO, ICS, CFPA v  MIGA tr¶n 15 bë dú li»u v  méi bë dú li»u ch¤y thüc nghi»m 30 l¦n l§y trung b¼nh (Avg: Trung b¼nh di»n t½ch bao phõ, ë l»ch chu©n (SD) v  Upper Bound: di»n t½ch lîn nh§t cõa tøng bë dú li»u ¤t ÷ñc.) 70

3.1 Kàch b£n 1 91

3.2 Kàch b£n 2 92

3.3 Kàch b£n 3 92

3.4 Kàch b£n 4 92

3.5 Kàch b£n 5 92

3.6 Tham sè thüc nghi»m cõa gi£i thuªt MGA 93

3.7 Tham sè thüc nghi»m cõa gi£i thuªt PSO 93

3.8 Tham sè thüc nghi»m cõa gi£i thuªt IPSO 94

4.1 Dú li»u thüc nghi»m b i to¡n tèi ÷u bao phõ £m b£o k¸t nèi v  chàu léi trong WSNs 114

4.2 Dú li»u ¦u v o cõa b i to¡n tèi ÷u bao phõ £m b£o k¸t nèi v  chàu léi trong WSNs 115

4.3 Tham sè thüc nghi»m cho gi£i thuªt UTSP 115

4.4 K¸t qu£ thüc nghi»m cõa hai gi£i thuªt USP v  UTSP khi sos¡nh v· sè l÷ñng nót c£m bi¸n, nót chuyºn ti¸p v  thíi gian thüchi»n 116

4.5 Dú li»u cho kàch b£n £nh h÷ðng cõa sè l÷ñng tr¤m thu ph¡t dúli»u ëng 128

4.6 Dú li»u cho kàch b£n £nh h÷ðng cõa sè l¦n thu thªp dú li»u 128

4.7 Dú li»u cho kàch b£n £nh h÷ðng cõa sè l÷ñng èi t÷ñng 129

1.4 C¡c mæ h¼nh bao phõ r o ch­n trong WSNs 23

1.5 V½ dö v· b i to¡n bao phõ 100% di»n t½ch trong WSNs 23

1.6 v½ dö v· b i to¡n cüc ¤i di»n t½ch trong WSNs khæng çng nh§tvîi sè l÷ñng c£m bi¸n cho tr÷îc 24

1.7 V½ dö v· b i to¡n thi¸t k¸ m¤ng i»n 26

2.1 M¢ hâa c¡ thº: (a) Biºu di¹n bði khæng gian kiºu gen, (b) Biºudi¹n bði khæng gian kiºu h¼nh 39

2.2 Mæ t£ qu¡ tr¼nh khði t¤o heuristic cõa qu¦n thº: h¼nh (a) líi gi£ithu ÷ñc sau qu¡ tr¼nh khði t¤o l  khæng tèi ÷u , h¼nh (b) líi gi£ithu ÷ñc sau qu¡ tr¼nh khði t¤o l  tèi ÷u (Olap = 0) 53

2.3 Qu¡ tr¼nh lai gh²p º sinh ra hai con Z1 v  Z2 tø hai cha mµ P1

v  P2 53

2.4 Mæ t£ qu¡ tr¼nh ët bi¸n sû döng Gauss ëng 55

2.5 Mæ t£ qu¡ tr¼nh t½nh to¡n cõa b÷îc 1: Chia mi·n A th nh c¡cph¦n nhä bði c¡c ÷íng th¯ng song song vîi tröc tung v  ÷íngth¯ng n y ph£i ti¸p xóc vîi h¼nh trán v  c¡c giao iºm cõa c¡ch¼nh trán 56

2.6 Tr÷íng hñp mët c£m bi¸n ÷ñc triºn khai trong mi·n D 57

2.7 Mæ t£ tr÷íng hñp hai c£m bi¸n khæng giao nhau tr¶n mi·n D 58

2.8 Mæ t£ tr÷íng hñp hai c£m bi¸n giao nhau tr¶n mi·n D 59

2.9 Thíi gian t½nh to¡n cõa c¡c thuªt to¡n 67

2.10 ë hëi tö cõa thuªt to¡n 67

2.11 Trung b¼nh di»n t½ch bao phõ cõa c¡c gi£i thuªt IGA, DPSO, ICS, CFPA v  MIGA tr¶n c¡c bë dú li»u bao phõ 70% di»n t½ch tr¶n mi·n A 68

2.12 Trung b¼nh di»n t½ch bao phõ cõa c¡c gi£i thuªt IGA, DPSO, ICS, CFPA v  MIGA tr¶n c¡c bë dú li»u bao phõ 80% di»n t½ch tr¶n mi·n A 69

2.13 Trung b¼nh di»n t½ch bao phõ cõa c¡c gi£i thuªt IGA, DPSO, ICS, CFPA v  MIGA tr¶n c¡c bë dú li»u bao phõ 90% di»n t½ch tr¶n mi·n A 70

2.14 ë l»ch chu©n cõa c¡c gi£i thuªt IGA, DPSO, ICS, CFPA v  MIGA tr¶n 15 bë dú li»u 71

2.15 Trung b¼nh thíi gian t½nh cõa c¡c gi£i thuªt IGA, DPSO, ICS, CFPA v  MIGA tr¶n 15 bë dú li»u sau 30 l¦n ch¤y méi bë dú li»u 71 2.16 Líi gi£i thu ÷ñc cõa MIGA tr¶n c¡c bë dú li»u s3-07, s4-09, s5-08 v  s5-09 72

3.1 M¢ hâa c¡ thº: (a) Biºu di¹n bði khæng gian kiºu gen, (b) Biºu di¹n bði khæng gian kiºu h¼nh 76

3.2 Ba tr÷íng hñp khði t¤o qu¦n thº 77

3.3 Thº hi»n ë chçng cõa hai c£m bi¸n si v  sj 79

3.4 C¡c tr÷íng hñp ë chçng cõa c£m bi¸n vîi bi¶n n¬m ð ngo i vòng gi¡m s¡t A 80

3.5 Ph¥n chia ch½n vòng cõa ch÷îng ng¤i vªt 81

3.6 ë chçng cõa mët ph¦n di»n t½ch cõa c£m bi¸n vîi ch÷îng ng¤i vªt 81

3.7 Qu¡ tr¼nh lai gh²p sû döng ph²p lai BLXα giúa hai cha mµS1 v  S2 sinh ra con Z 82

3.8 Khði t¤o qu¦n thº trong IPSO sû döng ph¥n cöm 86

3.9 X¡c su§t º c¡c c¡ thº ÷ñc lüa chån trð th nh Cbest 88

3.10 Mæ phäng qu¡ tr¼nh cªp nhªt cõa c¡ thº trong IPSO 89

3.11 T¼m gi¡ trà phò hñp c1 v  c2 cõa gi£i thuªt PSO 95

3.12 T¼m gi¡ trà c 3 phò hñp cõa thuªt to¡n IPSO trong chi¸n l÷ñc 1 (S1-IPSO) 96

3.13 T¼m gi¡ trà c3 phò hñp cõa thuªt to¡n IPSO trong chi¸n l÷ñc 2 (S2-IPSO) 96

3.14 T¼m gi¡ trà c3 phò hñp cõa thuªt to¡n IPSO trong chi¸n l÷ñc 3

(S3-IPSO) 97

3.15 Lüa chån t l» khði t¤o heuristic phò hñp cho PSO 98

3.16 Lüa chån t l» khði t¤o heuristic phò hñp cho MGA 99

3.17 Lüa chån t l» khði t¤o heuristic phò hñp cho chi¸n l÷ñc 1 cõa thuªt to¡n IPSO (S1-IPSO) 99

3.18 Lüa chån t l» khði t¤o heuristic phò hñp cho chi¸n l÷ñc 2 cõa thuªt to¡n IPSO (S2-IPSO) 100

3.19 Lüa chån t l» khði t¤o heuristic phò hñp cho chi¸n l÷ñc 3 cõa thuªt to¡n IPSO (S3-IPSO) 100

3.20 So s¡nh ba chi¸n l÷ñc cõa IPSO khi sû döng t l» khði t¤o heuristic l  50% 101

3.21 p döng MVFA cho PSO, IPSO v  MGA 101

3.22 Ph¦n tr«m di»n t½ch bao phõ cõa hai gi£i thuªt PSO v  IPSO trong c¡c kàch b£n 1,3 v  5 102

3.23 Ph¦n tr«m di»n t½ch bao phõ cõa kàch b£n 1 103

3.24 Ph¦n tr«m di»n t½ch bao phõ cõa kàch b£n 2 103

3.25 Ph¦n tr«m di»n t½ch bao phõ cõa kàch b£n 3 104

3.26 Ph¦n tr«m di»n t½ch bao phõ cõa kàch b£n 4 105

3.27 Ph¦n tr«m di»n t½ch bao phõ cõa kàch b£n 5 105

4.1 Bao phõ èi t÷ñng 110

4.2 X¥y düng th nh ph¦n li¶n thæng 112

4.3 (a) X¥y düng ç thà ¦y õ; (b) x¥y düng c¡ch t¼m hai ÷íng i tø b§t ký mët ¿nh n o trong ç thà 113

4.4 So s¡nh thíi gian giúa hai gi£i thuªt USP v  UTSP tr¶n 15 bë dú li»u sau 15 l¦n ch¤y méi bë dú li»u l§y trung b¼nh 117

4.5 K¸t qu£ cõa gi£i thuªt USP v  UTSP tr¶n bë dú li»u S1-3 v  S1-8: h¼nh (a) v  h¼nh (b) thº hi»n k¸t qu£ cõa USP Trong khi, h¼nh (c) v  h¼nh (d) thº hi»n k¸t qu£ cõa gi£i thuªt UTSP 117

4.6 Bao phõ èi t÷ñng trong tøng cöm 122

4.7 °t c£m bi¸n £m b£o t½nh k¸t nèi t¤i thíi iºm thu thªp dú li»ub.125 4.8 ƒnh h÷ðng cõa iºm thu ph¡t dú li»u di ëng l¶n hi»u n«ng cõa to n m¤ng 131

4.9 ƒnh h÷ðng cõa sè l÷ñng chu ký thu thªp dú li»u l¶n hi»u n«ngcõa to n m¤ng 132

4.10 ƒnh h÷ðng cõa sè l÷ñng èi t÷ñng l¶n hi»u n«ng cõa to n m¤ng 134

ành tuy¸n ¢ ÷ñc thi¸t lªp B¶n c¤nh â, sü ph¡t triºn m¤nh m³ cõa c¡c h»thèng nhóng ¢ cho ph²p t¤o ra c¡c thi¸t bà nhä gån, câ kh£ n«ng xû lþ ëc lªp

v  truy·n thæng khæng c¦n d¥y d¨n Nhí vªy m  m¤ng c£m bi¸n khæng d¥y d¹

d ng ÷ñc triºn khai ð nhi·u àa h¼nh v  ÷ñc ùng döng trong nhi·u l¾nh vüccõa íi sèng nh÷ b£o v» mæi tr÷íng, qu¥n sü, y t¸, giao thæng thæng minh, qu£n

lþ thà tr÷íng b¡n l´, qu£n lþ chuéi quy tr¼nh s£n xu§t, c£nh b¡o thi¶n tai, ch¡yrøng, vv [1], [2], [3], [4], [5], [6]

Tuy nhi¶n, vi»c ph¡t triºn c¡c m¤ng c£m bi¸n khæng d¥y công g°p khæng

½t khâ kh«n do c¡c nót c£m bi¸n câ nguçn n«ng l÷ñng h¤n ch¸, kh£ n«ng ho¤t

ëng trong c¡c i·u ki»n kh­c nghi»t cõa mæi tr÷íng v¨n cán th§p, hìn núa mëtm¤ng c£m bi¸n câ thº l¶n ¸n h ng ngh¼n nót m¤ng d¨n ¸n vi»c duy tr¼ ho¤t

ëng cõa m¤ng l  r§t khâ kh«n V¼ vªy, y¶u c¦u °t ra l  ph£i x¥y düng WSNssao cho £m b£o ti¸t ki»m chi ph½ x¥y düng m¤ng, truy·n thæng ên ành, kh£n«ng b£o mªt, k²o d i thíi gian sèng cõa m¤ng, v.v â ch½nh l  nhúng th¡chthùc m  WSNs ang ph£i èi m°t nh÷ ch§t l÷ñng dàch vö m¤ng, n«ng l÷ñng,b£o mªt, ành tuy¸n, bao phõ, k¸t nèi, chàu léi vv [1], [7], [8], [9], [10], [11], [12].B¶n c¤nh v§n · sû döng n«ng l÷ñng hi»u qu£ th¼ b i to¡n triºn khai, hayt¼m và tr½ º °t c¡c c£m bi¸n công nhªn ÷ñc nhi·u sü quan t¥m tø c¡c nh nghi¶n cùu v  c¡c nh  cung c§p gi£i ph¡p li¶n quan ¸n m¤ng c£m bi¸n khængd¥y Bði v¼, vi»c °t nhúng c£m bi¸n n y mët c¡ch ng¨u nhi¶n câ thº khængthüc hi»n ÷ñc nhi»m vö gi¡m s¡t cõa m¤ng v  g¥y l¢ng ph½ v¼ ph£i dòng mët

sè l÷ñng lîn c¡c c£m bi¸n Tr¶n thüc t¸, do c¡c nót c£m bi¸n ch¿ ho¤t ëng tèttrong mët vòng b¡n k½nh nh§t ành, vi»c triºn khai c¡c c£m bi¸n º thu ÷ñc

ë bao phõ lîn v  £m b£o k¸t nèi chàu léi trong to n m¤ng ¢ trð th nh y¶u

c¦u c§p thi¸t v  ë lîn cõa di»n t½ch vòng bao phõ, t½nh k¸t nèi v  chàu léi ¢trð th nh c¡c ti¶u ch½ quan trång trong vi»c ¡nh gi¡ ch§t l÷ñng dàch vö WSNs[13], [14], [12] [15].

Nhi·u mæ h¼nh b i to¡n kh¡c nhau ¢ ÷ñc c¡c nh  khoa håc, tªp o n cængngh» ÷a ra º gi£i quy¸t b i to¡n tèi ÷u triºn khai c¡c nót c£m bi¸n £m b£obao phõ, k¸t nèi v  chàu léi trong m¤ng c£m bi¸n khæng d¥y v  m¤ng c£m bi¸nkhæng d¥y câ sû döng c¡c iºm thu ph¡t di ëng [12], [10], [16], [17], [18], [2],[19] Tuy nhi¶n, trong méi b i to¡n ¢ ÷ñc nghi¶n cùu ð tr¶n v¨n cán câ nhi·uv§n · c¦n ÷ñc c£i ti¸n º gi£m thiºu v· thíi gian sèng, gi¡ th nh v  t«ng ë

ên ành trong vi»c triºn khai m¤ng V¼ vªy, trong luªn ¡n n y t¡c gi£ tªp trungnghi¶n cùu b i to¡n tèi ÷u bao phõ, £m b£o t½nh k¸t nèi v  chàu léi trong m¤ngc£m bi¸n khæng d¥y v  m¤ng c£m bi¸n khæng d¥y câ sû döng c¡c iºm thu ph¡t

º gi£i quy¸t c¡c b i to¡n ÷ñc nhi·u t¡c gi£ nghi¶n cùu v  c¡c mæ h¼nh ÷ñcc£i ti¸n tø mæ h¼nh tr÷îc â cho phò hñp vîi thüc t¸ triºn khai m¤ng C¡c gi£ithuªt · xu§t ÷ñc c i °t, thû nghi»m tr¶n c¡c bë dú li»u ÷ñc c¡c nh  nghi¶ncùu tr÷îc â ÷a ra º so s¡nh, ¡nh gi¡ hi»u n«ng èi vîi nhúng mæ h¼nh

÷ñc · xu§t trong luªn ¡n, t¡c gi£ ¢ x¥y düng c¡c kàch b£n m¤ng a d¤ngnh¬m xem x²t ¡nh gi¡ kh¡ch quan tr¶n h¦u h¸t c¡c ti¶u ch½ x¥y düng m¤ng

Têng quan t¼nh h¼nh nghi¶n cùu trong v  ngo i n÷îc

Trong ph¦n n y, t¡c gi£ tr¼nh b y têng quan v· c¡c nghi¶n cùu li¶n quan ¸nvi»c gi£i quy¸t ba v§n · ë bao phõ, t½nh k¸t nèi v  chàu léi trong m¤ng c£mbi¸n khæng d¥y v  m¤ng c£m bi¸n khæng d¥y câ sû döng iºm thu ph¡t di ëng

m  luªn ¡n quan t¥m gi£i quy¸t

T¼nh h¼nh nghi¶n cùu ngo i n÷îc

Têng quan v· b i to¡n bao phõ trong m¤ng c£m bi¸n khæng d¥y ¢ ÷ñcthüc hi»n bði Bang Wang [12], [20] Theo t¡c gi£, ë bao phõ, t½nh k¸t nèi, chàuléi l  mët y¸u tè quan trång trong ¡nh gi¡ ch§t l÷ñng m¤ng c£m bi¸n Do

â câ r§t nhi·u nghi¶n cùu li¶n quan ¸n v§n · n y Nh¼n chung, vîi nhúnggi£ thi¸t v  möc ti¶u câ thº kh¡c nhau, b i to¡n bao phõ câ thº chia th nh

ba nhâm: b i to¡n bao phõ èi t÷ñng (target coverage), b i to¡n bao phõ di»nt½ch (area coverage), b i to¡n bao phõ r o ch­n (barrier coverage) Luªn ¡n tªp

trung nghi¶n cùu hai mæ h¼nh b i to¡n bao phõ di»n t½ch v  b i to¡n bao phõ

¢ ti¸p cªn theo h÷îng triºn khai c¡c nót c£m bi¸n º tèi ÷u hâa di»n t½ch baophõ cõa c¡c c£m bi¸n C¡c mi·n ÷ñc thi¸t k¸ sao cho nót m¤ng ÷ñc ©y xakhäi ch÷îng ng¤i vªt ho°c c¡c nót m¤ng kh¡c, k²o gi¢n vòng bao phõ di»n t½chcõa to n m¤ng Nghi¶n cùu n y gñi mð nhi·u h÷îng ph¡t triºn cho chõ · baophõ di»n t½ch trong m¤ng Sau â, Y Zou [2731] ¢ · xu§t thuªt to¡n lüc ©y

£o (Virtual Force Algorithm - VFA) º tèi ÷u hâa và tr½ triºn khai c¡c nót c£mbi¸n B¶n c¤nh â, [3234] công ¢ · cªp ¸n b i to¡n cüc tiºu sè l÷ñng c£mbi¸n c¦n sû döng vîi r ng buëc bao phõ 100% di»n t½ch cõa mi·n c¦n quan s¡t.Ngo i ra, [35] c¡c t¡c gi£ ¢ ÷a ra mët b i nghi¶n cùu têng quan v· v§n · baophõ k¸t nèi câ xem x²t ¸n r ng buëc n«ng l÷ñng trong m¤ng Trong lîp c¡c

b i to¡n bao phõ di»n t½ch c¡c t¡c gi£ tr÷îc â mîi ch¿ · cªp ¸n v§n · t¼m

sè l÷ñng c£m bi¸n nhä nh§t tr¶n méi ìn và di»n t½ch sao cho câ thº bao phõ

to n bë vòng c¦n gi¡m s¡t

N«m 2013, Yourim Yoon v  cëng sü [36] ¢ chùng minh b i to¡n cüc ¤i di»nt½ch bao phõ trong WSNs khæng çng nh§t l  thuëc lîp b i to¡n NP-khâ Chotr÷îc sè l÷ñng c¡c c£m bi¸n câ b¡n k½nh kh¡c nhau, c¦n t¼m và tr½ cho méi c£mbi¸n sao cho di»n t½ch bao phõ cõa chóng tr¶n mët mi·n di»n t½ch cö thº l  lînnh§t ë bao phõ, hay cán gåi l  mi·n c£m bi¸n, ÷ñc ành ngh¾a l  di»n t½chcõa h¼nh trán câ t¥m t¤i và tr½ °t c£m bi¸n, b¡n k½nh b¬ng b¡n k½nh c£m bi¸n.T¡c gi£ cho r¬ng khæng thº gi£i quy¸t v§n · n y b¬ng thuªt to¡n ìn ành nh÷thuªt to¡n circle packing [12] bði mi·n bao phõ cõa méi c£m bi¸n l  kh¡c nhau.B¶n c¤nh â, t¡c gi£ công ch¿ ra ¥y l  mët d¤ng cõa b i to¡n phõ tªp (setcover) n¶n l  b i to¡n NP-khâ V¼ vªy, t¡c gi£ [36] ti¸p cªn theo ph÷ìng ph¡pgi£i x§p x¿ v  · xu§t gi£i thuªt di truy·n º gi£i b i to¡n n y

Trong thuªt gi£i di truy·n ÷ñc · xu§t trong [36], c¡c c¡ thº ÷ñc biºu di¹n

l  mët m£ng c¡c tåa ë, méi ph¦n tû cõa m£ng cho bi¸t và tr½ cõa c£m bi¸nt÷ìng ùng tr¶n thüc t¸ C¡c c£m bi¸n ÷ñc s­p thù tü theo b¡n k½nh ë th½ch

nghi cõa c¡ thº X l  di»n t½ch bao phõ (coA) cõa c¡c c£m bi¸n vîi và tr½ m  Xbiºu di¹n ÷ñc t½nh theo ph÷ìng ph¡p Monte Carlo Þ t÷ðng cõa ph÷ìng ph¡p

n y l  sinh ng¨u nhi¶nL iºm v  kiºm tra xem iºm â câ thuëc mi·n bao phõcõa c£m bi¸n n o hay khæng T¡c gi£ [36] ¢ ÷a ra 4 phi¶n b£n nh÷ sau:Phi¶n b£n ¦u ti¶n - PGA: PGA thüc hi»n óng tøng b÷îc nh÷ n¶u ð tr¶n

v  gi¡ tràL = 100000 ÷ñc giú nguy¶n qua 1000 th¸ h»

Phi¶n b£n thù hai - MGA: MGA c£i thi»n thíi gian ch¤y b¬ng c¡ch t«ng d¦ngi¡ trà L Ban ¦u L = 10000 v  cù sau 100 th¸ h» th¼ gi¡ trà n y t«ng th¶m

10000 So vîi PGA, th¼ MGA nhanh hìn g¦n 2 l¦n m  ch§t l÷ñng líi gi£i v¨n

÷ñc giú nguy¶n

Phi¶n b£n thù ba - OPTGA: OPTGA ÷ñc ÷a ra º n¥ng cao ch§t l÷ñng líigi£i Vîi c¡ch m¢ hâa tr¶n ¥y, khi thay êi và tr½ cõa c¡c gene biºu di¹n tåa ëcõa c¡c c£m bi¸n còng lo¤i th¼ líi gi£i khæng thay êi Ng÷íi ta gåi ¥y l  hi»nt÷ñng kh¡c kiºu gene nh÷ng còng kiºu h¼nh Tçn t¤i n1!n2! nk! c¡ thº còngbiºu di¹n mët líi gi£i vîi n i , i = 1 k l  sè l÷ñng c£m bi¸n lo¤i i Khi â, khænggian kiºu gene v  khæng gian kiºu h¼nh khæng çng nh§t Do vªy, to¡n tû ditruy·n, °c bi»t l  ph²p lai gh²p, tä ra khæng hi»u qu£ OPTGA kh­c phöc i·u

n y b¬ng c¡ch thüc ph²p hi»n chu©n hâa Hungarian [37] cho cha thù 2 trongméi c°p cha mµ tr÷îc khi lai gh²p Vi»c chu©n hâa n y s³ s­p x¸p l¤i thù tü c¡cgene trong cha 2 sao cho kho£ng c¡ch vîi cha 1 l  nhä nh§t Kho£ng c¡ch n y

Phi¶n b£n thù t÷ - OPTHGA: OPTHGA k¸t hñp OPTGA vîi thuªt to¡nVFA (Virtual Force Algorithm) [29] nh÷ mët ph÷ìng ph¡p t¼m ki¸m àa ph÷ìngcho ch§t l÷ñng líi gi£i tèt nh§t Theo â, méi c¡ thº sau khi ët bi¸n s³ ÷ñcti¸n h nh VFA Thuªt to¡n n y ÷a ra 2 kh¡i ni»m: lüc ©y v  lüc hót giúahai c£m bi¸n Þ t÷ðng l  khi mi·n bao phõ cõa hai c£m bi¸n chçng l¶n nhauth¼ giúa chóng tçn t¤i mët lüc ©y, ng÷ñc l¤i tçn t¤i lüc hót Düa v o gi¡ trà

lüc ©y công nh÷ lüc hót cõa mët c£m bi¸n so vîi c¡c c£m bi¸n cán l¤i m 

và tr½ cõa nâ ÷ñc i·u ch¿nh phò hñp ¥y l  phi¶n b£n tèt nh§t trong [36] c£v· thíi gian thüc hi»n, ch§t l÷ñng líi gi£i công nh÷ sü ên ành Tuy nhi¶n, ëphùc t¤p cõa OPTHGA v¨n l  O(nL) vîi L  n (n l  sè l÷ñng c£m bi¸n v  L

l  sè iºm gieo theo ph÷ìng ph¡p Monter Carlo) Ngay vîi bë dú li»u nhä nh§tch¿ câ 17 c£m bi¸n m  OPTHGA v¨n c¦n ¸n g¦n 6 phót mîi ÷a ra ÷ñc líigi£i Vîi bë dú li»u lîn nh§t (130 c£m bi¸n), thíi gian l  hìn 42 phót K¸t qu£

n y ÷ñc ÷a ra tr¶n m¡y t½nh sû döng ch½p Intel Xeon CPU 2.4 GHz M°c dò

c¡c k¸t qu£ cho th§y líi gi£i thu ÷ñc l  kh¡ tèt xong v¨n ch÷a ph£i tèi ÷u.D¹ th§y r¬ng, khi mi·n bao phõ cõa c¡c c£m bi¸n c ng ½t chçng l¶n nhau(overlap) v  ½t ra ngo i bi¶n cõa mi·n gi¡m s¡tAth¼ di»n t½ch bao phõ cõa chóngtr¶n mi·nA c ng lîn Düa tr¶n lªp luªn â, inh Thà H  Ly [38] còng c¡c cëng

sü (câ t¡c gi£ luªn ¡n tham gia) ¢ · xu§t mët h m th½ch nghi mîi sû döngkh¡i ni»m ë chçng (Olap) v  ùng döng kh¡i ni»m n y º t½nh ë th½ch nghi cõac¡ thº Þ t÷ðng l  thay v¼ so s¡nh trüc ti¸p c¡c c¡ thº theo di»n t½ch bao phõtr¶n mi·n A nh÷ trong [36], IGA s³ ti¸n h nh so s¡nh gi¡n ti¸p thæng qua ëchçng

X²t c¡ thº S = (s 1 , s 2 s n ), ë chçng Olap cõaS ÷ñc ành ngh¾a nh÷ sau:

β min(rsi, rsj) khi d(si, sj) < rsi − rsj

(3)vîi d(si, sj) l  kho£ng c¡ch Euclidean giúa hai c£m bi¸n si, sj, γ gåi l  c¡c h» sè

vi ph¤m th½ch nghi ph£n £nh mùc ë chçng giúa mi·n bao phõ cõa hai c£m bi¸n

ang x²t si v  sj γ = max(r(rsi+rsj)

1 ,r 2 , ,r k ) max(rmin(rsi,rsj)

si ,rsj) H» sè β công câ þ ngh¾a t÷ìng tünh÷ h» sè γ nh÷ng ÷ñc sû döng khi hai c£m bi¸n lçng nhau D¹ th§y, tr÷ínghñp n y ph£i câ h» sè vi ph¤m lîn nh§t Do vªy, β ÷ñc chån sao cho lîn hìngi¡ trà cõaγ

overlap(si, bm) l  ë chçng giúa mi·n bao phõ cõa c£m bi¸n si vîi bi¶n cõami·n A N¸u kho£ng c¡ch Euclidean giúa c£m bi¸n si v  bi¶n bm nhä hìn b¡nk½nh rsi cõa c£m bi¸n si th¼:

overlap(si, bm) = (rsi− d(si, bm)) rsi. (4)Khi â, ë th½ch nghi cõa c¡ thº S s³ ÷ñc t½nh nh÷ sau:

f itness(S) = 1

Câ thº nâi r¬ng, c¡ thº n o câ gi¡ trà Olap c ng nhä th¼ c¡ thº â c ng tèt.Cªn d÷îi cõaOlapl  0, tùc l  khæng x£y ra tr÷íng hñp chçng l¶n nhau n o, khi

â f itness(S) = ∞ ë phùc t¤p t½nh to¡n cõa h m th½ch nghi n y phö thuëc

v o ë phùc t¤p cõa h m t½nh Olap Theo â, ë chçng Olapcâ thíi gian t½nh l O(n2) n¶n h m f itness câ ë phùc t¤p l  O(n2)  O(nL) v¼ L  n (L l  sè iºm

gieo theo ph÷ìng ph¡p Monte Carlo v  n l  sè l÷ñng c£m bi¸n ÷ñc triºn khaitr¶n mi·n A) [36] Ngo i ra, trong [38] · xu§t ph÷ìng ph¡p khði t¤o heuristic

v  ph²p ët bi¸n Gauss ëng thay cho ët bi¸n Gauss t¾nh ÷ñc dòng ð [36].Thüc nghi»m ¡nh gi¡ IGA tèt hìn OTPHGA (Phi¶n b£n tèt nh§t tr÷îc â)v· c£ ë bao phõ v  thíi gian t½nh to¡n M°c dò vªy, c¡c k¸t qu£ m  IGA ¤t

÷ñc v¨n ch÷a tèi ÷u

Vîi v§n · bao phõ di»n t½ch trong vòng triºn khai câ c¡c ch÷îng ng¤i vªt.N«m 2018, Fei Zhou còng c¡c cëng sü trong [39] ¢ · xu§t c¡c thuªt to¡n düatr¶n lüc ©y £o º bao phõ di»n t½ch trong m¤ng c£m bi¸n khæng d¥y çng nh§t

câ xem x²t c¡c tr÷íng hñp kh¡c nhau cõa ch÷îng ng¤i vªt v  ch÷îng ng¤i vªt

di chuyºn N«m 2019, A.Metiaf v  Q.Wu trong [40] ¢ · xu§t thuªt to¡n tèi

÷u hâa b¦y  n º gi£i b i to¡n bao phõ 100% di»n t½ch tr¶n mi·n triºn khai

câ ch÷îng ng¤i vªt trong m¤ng c£m bi¸n khæng d¥y çng nh§t câ xem x²t ¸n

r ng buëc v· n«ng l÷ñng

Tø nhúng ph¥n t½ch tr¶n câ thº nhªn th§y: vîi b i to¡n bao phõ di»n t½chtrong m¤ng çng nh§t c¡c nghi¶n cùu li¶n quan tr÷îc â mîi quan t¥m gi£iquy¸t b i to¡n bao phõ 100% di»n t½ch trong m¤ng c£m bi¸n khæng d¥y çngnh§t câ v  khæng câ ch÷îng ng¤i vªt vîi möc ti¶u tèi thiºu sè l÷ñng c£m bi¸n

sû döng ho°c tèi ÷u n«ng l÷ñng sû döng Vîi b i to¡n bao phõ di»n t½ch trongm¤ng khæng d¥y khæng çng nh§t vîi sè l÷ñng c£m bi¸n cho tr÷îc, c¡c thuªtto¡n ¢ · xu§t ch÷a tèi ÷u v  mæ h¼nh b i to¡n · xu§t ch÷a phò hñp vîi thüct¸ v¼ vòng triºn khai ch÷a xem x²t ¸n r ng buëc ch÷îng ng¤i vªt

B i to¡n bao phõ èi t÷ñng: Trong v§n · bao phõ èi t÷ñng ÷ñc chia

th nh nhi·u mæ h¼nh b i to¡n kh¡c nhau düa v o c¡c ti¶u ch½ cõa tøng ùng döngnh÷: bao phõ èi t÷ñng vîi c¡c r ng buëc v· c¥n b¬ng t£i, k¸t nèi v  chàu léi,v.v Trong luªn ¡n n y t¡c gi£ quan t¥m gi£i quy¸t hai mæ h¼nh b i to¡n thuëclîp c¡c b i to¡n bao phõ èi t÷ñng: Bao phõ èi t÷ñng £m b£o k¸t nèi v  chàuléi trong m¤ng c£m bi¸n khæng d¥y, bao phõ èi t÷ñng £m b£o k¸t nèi trongm¤ng c£m bi¸n khæng d¥y câ sû döng tr¤m thu ph¡t di ëng Sau ¥y, t¡c gi£tr¼nh b y c¡c nghi¶n cùu li¶n quan ¸n hai b i to¡n tr¶n

Bao phõ èi t÷ñng £m b£o t½nh k¸t nèi v  chàu léi trong m¤ng c£m bi¸nkhæng d¥y t¾nh: Vîi v§n · tèi ÷u trong bao phõ èi t÷ñng câ r§t nhi·u nghi¶ncùu li¶n quan ¸n v§n · n y nh÷: N«m 2010, Salma Begum v  c¡c cëng sütrong [41] düa tr¶n gi£i thuªt b¦y ong (Artificial Bee Colony  ABC) º t¼m tªptèi thiºu c£m bi¸n câ thº bao phõ ÷ñc c¡c èi t÷ñng trong mi·n quan t¥m.K¸t qu£ sì bë cho th§y thuªt to¡n b¦y  n nh÷ ABC câ thº ÷ñc sû döng hi»uqu£ cho c£ hai b i to¡n bao phõ èi t÷ñng tr¶n àa h¼nh 2-D v  3-D N«m 2013,Omar Banimelhem [42] còng c¡c cëng sü ¢ sû döng mët m¤ng c£m bi¸n lai baogçm c£ nót c£m bi¸n t¾nh v  nót c£m bi¸n ëng C¡c t¡c gi£ triºn khai b¬ngc¡ch ban ¦u triºn khai ng¨u nhi¶n c¡c nót c£m bi¸n t¾nh Sau khi triºn khaing¨u nhi¶n c¡c nót c£m bi¸n t¾nh, trong m¤ng s³ xu§t hi»n nhúng vòng trèng

m  t¤i â c¡c èi t÷ñng ch÷a ÷ñc bao phõ Do â, c¡c nót c£m bi¸n ëng ÷ñc

÷a th¶m v o nh¬m tèi a vòng bao phõ trong m¤ng T¡c gi£ · xu§t gi£i thuªt

di truy·n (GA) nh¬m möc ½ch t¼m sè nót ëng tèi thiºu v  và tr½ tèt nh§t cõachóng nh¬m tèi a hâa di»n t½ch c¦n bao phõ N«m 2015, Ta Van Dai còng c¡ccëng sü [43] sû döng mæ h¼nh bao phõ èi t÷ñng sû döng gi£i thuªt GA vîi möc

½ch tèi a hâa vòng bao phõ sao cho sè nót ëng th¶m v o l  ½t nh§t B¶n c¤nh

â, c¡c v§n · v· tèi a hâa vòng phõ sâng v  k²o d i tuêi thå m¤ng k¸t hñp vîic¡c r ng buëc v· k¸t nèi công ÷ñc nghi¶n cùu rëng r¢i K¸t nèi hay cán gåi l kh£ n«ng giao ti¸p giúa c¡c nót c£m bi¸n Hai c£m bi¸n câ thº truy·n v  nhªn

dú li»u vîi nhau khi kho£ng c¡ch giúa chóng nhä hìn b¡n k½nh truy·n Mët v§n

· bao phõ èi t÷ñng iºn h¼nh l  t¼m sè l÷ñng c£m bi¸n tèi thiºu º bao phõt§t c£ c¡c èi t÷ñng V§n · n y ÷ñc gi£i quy¸t b¬ng c¡ch sû döng c¡c ph÷ìngph¡p kh¡c nhau nh÷ thuªt to¡n tham lam ho°c thuªt to¡n di truy·n [12, 44]

B i to¡n bao phõ èi t÷ñng câ xem x²t ¸n c¡c r ng buëc v· k¸t nèi vîi möcti¶u k²o d i thíi gian sèng cõa m¤ng Cö thº nh÷ sau: c¡c t¡c gi£ trong [45] ¢gi£i quy¸t b i to¡n bao phõ èi t÷ñng £m b£o k¸t nèi T¡c gi£ ¢ ÷a b i to¡ntr¶n v· b i to¡n MCT (Maximum Cover Tree), chùng minh b i to¡n MCT l 

b i to¡n NP-complete v  · xu§t mët sè thuªt to¡n heuristic º gi£i quy¸t v§n

· n y b¬ng c¡ch [45], [46] Mët c¡ch ti¸p cªn kh¡c cõa v§n · k¸t nèi trong baophõ èi t÷ñng l  £m b£o hai y¶u c¦u k 1 bao phõ v  k 2 k¸t nèi nh¬m möc ½cht§t c£ c¡c èi t÷ñng ÷ñc bao phõ bîi k 1 c£m bi¸n v  c¡c c£m bi¸n ho¤t ëngnh÷ vªy câ thº t¤o th nh m¤ng k¸t nèi k2 Li còng c¡c cëng sü trong [47] ·xu§t mët thuªt to¡n heuristic º gi£i quy¸t v§n · n y Tuy nhi¶n, t¡c gi£ thücnghi»m tr¶n c¡c bë dú li»u câ sè l÷ñng möc ti¶u v  sè l÷ñng c£m bi¸n nhä, i·u

n y khæng phò hñp vîi b i to¡n thüc t¸ Trong mi·n lîn hìn vîi sè l÷ñng lînmöc ti¶u, c¦n câ thuªt to¡n hi»u qu£ hìn º gi£i quy¸t v§n · n y Trong [48]

¢ gi£i quy¸t b i to¡n bao phõ èi t÷ñng £m b£ok k¸t nèi câ xem x²t ¸n y¸u

tè n«ng l÷ñng T¡c gi£ ¢ · xu§t hai thuªt to¡n heuristic º gi£i quy¸t v§n ·

n y

Ngo i v§n · £m b£o k¸t nèi trong m¤ng c£m bi¸n khæng d¥y t¾nh ¢ ÷ñctr¼nh b y ð tr¶n, vîi m¤ng c£m bi¸n khæng d¥y di ëng (MWSNs) v§n · k¸tnèi công câ r§t nhi·u h÷îng nghi¶n cùu nh÷: N«m 2012, Javad Rezazadeh còngc¡c cëng sü [49] ÷a ra nhúng c¡i nh¼n têng quan v· MWSNs, nghi¶n cùu n ytªp trung v o vi»c ph¥n t½ch iºm m¤nh, iºm y¸u cõa MWSNs Công trongn«m â, Josha Reich [50] · xu§t mët gi£i thuªt ph¥n phèi ¦y õ ÷ñc gåi l Spreadable Connected Autonomic Network (SCAN) Gi£i thuªt n y khæng ch¿

£m b£o vòng quan t¥m ÷ñc bao phõ vîi mët ch§t l÷ñng cao m  cán £mb£o t½nh k¸t nèi giúa c¡c c£m bi¸n Th¶m v o â, gi£i thuªt SCAN cán câ kh£n«ng låc nhi¹u nhí mæ h¼nh ti¶n o¡n khæng d¥y (predictive wireless model).K¸t qu£ thüc nghi»m cho th§y SCAN l  mët thuªt to¡n kh¡ hi»u qu£ V  thüct¸ nâ cho th§y SCAN câ thº gióp qu£n lþ mët mæi tr÷íng phùc t¤p trong nh 

v  £m b£o t½nh k¸t nèi trong 99% thíi gian N«m 2010, Uichin Lee v  MarioGerla [51] cán l m mët nghi¶n cùu kh£o s¡t tªp trung nghi¶n cùu v· mët mæ

h¼nh mîi m  c¡c c£m bi¸n ÷ñc g­n v o c¡c ph÷ìng ti»n giao thæng gióp câthº thu thªp dú li»u hi»u qu£ hìn tø c¡c èi t÷ñng v  c£m bi¸n hay c¡c iºmti¸p nhªn thæng tin tø c£m bi¸n B¬ng mët kh£o s¡t kÿ l÷ïng v· c¡c m°t quantrång nh÷ truy·n thæng trong m¤ng hay ki¸n tróc m¤ng, t¡c gi£ trong [51] ¢ch¿ ra r¬ng cán nhi·u v§n · c¦n ÷ñc t¼m hiºu v  t¼m c¡ch gi£i quy¸t nh÷ c¡cph÷ìng ph¡p ti¸p cªn hay t½nh ëng cõa ph÷ìng ti»n giao thæng º câ thº x¥ydüng c¡c h» thèng hi»u qu£ Mët nghi¶n cùu kh¡c công cõa Uichin Lee [52] ¢

sû döng mët thuªt to¡n gåi l  Mobeyes º câ thº truy·n dú li»u trong m¤ng câ

sû döng c¡c ph÷ìng ti»n giao thæng K¸t qu£ thüc nghi»m cho th§y thuªt to¡nMobeyes l  mët thuªt to¡n hùa hµn s³ gióp nhi·u trong gi¡m s¡t æ thà Quantrång hìn, thuªt to¡n Mobeyes Diffusion/ Harvest Processor (MDHP) cán ÷ñc

mð rëng tr¶n m¤ng lîn hìn m  khæng g¥y tên h¤i trong vi»c truy·n thæng trongm¤ng nhí t½nh ëng cõa m¤ng N«m 2013, Mohanmed Amine Kafi [53] ¢ giîithi»u v i mæ h¼nh MWSNs d nh cho gi¡m s¡t giao thæng B£n th£o n y ¢ ÷a

ra mët ¡nh gi¡ to n di»n v· c¡c gi£i ph¡p düa tr¶n WSNs d nh cho giao thængthæng minh (intelligent transportation system - ITS) T¡c gi£ ¢ tr¼nh b y v·c¡c y¶u c¦u công nh÷ th¡ch thùc trong c¡c gi£i ph¡p giao thæng thæng minh v c¡c dü ¡n düa tr¶n WSNs º qu£n lþ giao thæng æ thà N«m 2009, GiuseppeAnastasi [54] ¢ ÷a ra mët gi£ thi¸t r¬ng trong nhi·u ùng döng th÷c t¸, vi»cbao phõ k½n to n bë mët vòng khæng gian l  khæng c¦n thi¸t, thay v o â vi»cdòng m¤ng th÷a (sparse WSNs  SWSNs) s³ câ nhi·u lñi ½ch hìn Trong m¤ngth÷a, t¡c gi£ sû döng mët lo¤i nót chuyºn ti¸p ëng ÷ñc gåi l  Mobile Relay(MR) º thu thªp k¸t nèi T¡c gi£ xem x²t nhúng v§n · li¶n quan ¸n truy·nt£i dú li»u, t½nh tin cªy v  tèi ÷u hâa v§n · n«ng l÷ñng trong thu thªp dú li»utrong WSNs vîi MRs N«m 2011, Giuseppe Anastasi [55] ti¸p töc nghi¶n cùucõa m¼nh còng c¡c cëng sü v· SWSNs nh÷ng tªp trung v o tèi ÷u hâa n«ngl÷ñng cõa c¡c th nh ph¦n di ëng Hå ¢ · xu§t framework Resource-AwareData Accumulation (RADA) sû döng håc m¡y º dü o¡n sè th nh ph¦n dëngthu thªp dú li»u (mobile data collector  MDC) v  tø â i·u ch¿nh chu ký cõanót c£m bi¸n º câ thº ph¡t hi»n ra MDC Quinggo Zhang v  Mable P Fork[56] ÷a ra mët gi£ thi¸t kh¡c l  trong ph¦n lîn tr÷íng hñp, vi»c ¤t ÷ñc ëbao phõ tuy»t èi l  khæng thº, d¨n ¸n vi»c sû döng HWSNs nh÷ l  mët gi£iph¡p tèi ÷u hìn v· chi ph½ nh÷ng v¨n £m b£o t½nh bao phõ C¡c t¡c gi£ ¢nghi¶n cùu v  · xu§t mët thuªt to¡n hai pha gióp c£i thi»n t½nh bao phõ cõam¤ng lai Thuªt to¡n °t möc ti¶u l  ¤t ÷ñc sü c¥n b¬ng giúa hai y¶u c¦u

l  ë bao phõ cõa m¤ng cao v  têng kho£ng c¡ch di chuyºn cõa c¡c c£m bi¸n

ëng nhä

B i to¡n bao phõ èi t÷ñng £m b£o t½nh k¸t nèi khi sû döng iºm thu thªp

dú li»u di ëng: ¢ câ nhi·u nghi¶n cùu tr÷îc â tr¼nh b y v· vi»c tèi ÷u hâa

và tr½ °t c¡c nót c£m bi¸n ÷ñc · cªp trong [57], [58], [16] Tuy nhi¶n, c¡c v§n

· n¶u tr¶n ch¿ xem x²t vîi m¤ng sû döng iºm thu ph¡t t¾nh Ph¦n lîn c¡cnghi¶n cùu nh­m möc ti¶u WSN sû döng iºm thu ph¡t di ëng º thi¸t k¸ quÿ

¤o cõa c¡c iºm thu ph¡t ëng sao cho £m b£o möc ti¶u bao phõ k¸t nèi v 

tèi ÷u mët sè y¸u tè trong m¤ng nh÷ n«ng l÷ñng [59], thíi gian sèng cõa m¤ng[60], [61], gi£m thiºu ë tr¹ [62] v  t l» ph§n phèi gâi tin [63] Trong nghi¶ncùu [59], t¡c gi£ h÷îng tîi vi»c tèi thiºu hâa kho£ng c¡ch di chuyºn cõa c¡c c£mbi¸n ëng sao cho v¨n câ thº £m b£o bao phõ t§t c£ èi t÷ñng C¡c t¡c gi£ ¢

· xu§t mët giao thùc gçm hai b÷îc ¦u ti¶n, vòng quan t¥m ÷ñc chia th nhc¡c khu vüc nhä sao cho c¡c c£m bi¸n °t tr¶n còng mët khu vüc th¼ câ thº baophõ còng mët tªp c¡c èi t÷ñng Ð b÷îc hai, tø c¡c khu vüc ¢ x¡c ành ÷ñc ðb÷îc mët, hå t¼m c¡c khu vüc tèt nh§t cho c¡c c£m bi¸n câ thº di chuyºn ¸n,

tø â gi£m thiºu têng qu¢ng ÷íng ph£i di chuyºn cõa c¡c c£m bi¸n Trong c¡cnghi¶n cùu [60], [61] c¡c t¡c gi£ ¢ thi¸t k¸ ÷ñc quÿ ¤o tèi ÷u cho c¡c tr¤mthu ph¡t dú li»u ëng b¬ng c¡ch cho c¡c tr¤m n y di chuyºn tr¶n c¡c c¤nh cõah¼nh löc gi¡c, qua â t«ng thíi gian sèng cõa m¤ng, gi£m n«ng l÷ñng ti¶u thö

m  v¨n £m b£o t½nh k¸t nèi trong m¤ng Trong mët nghi¶n cùu kh¡c [64], t¡cgi£ · xu§t mët gi£i thuªt tham lam º x¡c ành c¡c iºm g°p nhau cõa c¡ctr¤m thu ph¡t dú li»u ëng £m b£o mët cªn tr¶n cõa têng qu¢ng ÷íng dichuyºn cõa chóng v  tèi thiºu n«ng l÷ñng sû döng cu£ c¡c c£m bi¸n Þ t÷ðngch½nh cõa gi£i thuªt n y l  g¡n cho méi c£m bi¸n mët trång sè düa tr¶n kho£ngc¡ch tø nâ tîi quÿ ¤o di chuyºn cõa tr¤m thu ph¡t dú li»u v  l÷ñng dú li»u

nâ ph£i truy·n i, nhúng c£m bi¸n câ trång sè lîn nh§t s³ ÷ñc chån l m iºmg°p nhau cõa c¡c tr¤m thu ph¡t dú li»u Trong [61] , Marta còng c¡c cëng süthi¸t k¸ mët quÿ ¤o di ëng tèi ÷u dåc theo chu vi cõa mët m¤ng löc gi¡c câthº c£i thi»n thíi gian sèng cõa m¤ng, gi£m ti¶u thö n«ng l÷ñng trong khi duytr¼ k¸t nèi vîi iºm thu ph¡t Nh¬m gi£m ë tr¹ trong vi»c thu thªp dú li»u, A.Kinalis còng c¡c cëng sü ¢ · xu§t mët k¸ ho¤ch di chuyºn iºm thu ph¡t vîithíi gian tr¹ l  ½t nh§t [62] Công gi£i quy¸t v§n · thi¸t k¸ quÿ ¤o cho tr¤mthu ph¡t dú li»u, t¡c gi£ nghi¶n cùu [63] · xu§t sû döng Hilbert Curve Order

º thi¸t k¸ quÿ ¤o düa tr¶n mªt ë m¤ng v  gi£i thuªt · xu§t ÷ñc chùngminh l  bao phõ to n bë èi t÷ñng vîi t¿ l» m§t m¡t thæng tin th§p

Tø nhúng ph¥n t½ch tr¶n t¡c gi£ nhªn th§y r¬ng theo sü hiºu bi¸t cõa t¡cgi£ b i to¡n bao phõ èi t÷ñng trong c¡c cæng tr¼nh nghi¶n cùu tr÷îc â cánch÷a xem x²t ¸n v§n · tèi thiºu sè l÷ñng c£m bi¸n v  c¡c nót chuyºn ti¸p sûdöng º £m b£o bao phõ, k¸t nèi v  chàu léi trong m¤ng c£m bi¸n khæng d¥y

v  c£m bi¸n khæng d¥y di ëng

T¼nh h¼nh nghi¶n cùu trong n÷îc

T¤i Vi»t Nam, ¢ câ mët sè nhâm nghi¶n cùu gi£i quy¸t b i to¡n tèi ÷utrong m¤ng c£m bi¸n khæng d¥y nh÷: Nhâm nghi¶n cùu cõa t¡c gi£ Nguy¹nKim Kh¡nh v  ¢ gi£i quy¸t v§n ·: N¥ng cao hi»u qu£ truy·n dú li»u trongm¤ng c£m bi¸n khæng d¥y düa tr¶n t÷ìng quan dú li»u b¬ng c¡ch: X¥y düngthuªt to¡n ph¥n nhâm t÷ìng quan entropy v  x¥y düng mæ h¼nh t÷ìng quanentropy º mæ t£ t½nh ch§t t÷ìng quan cõa mët nhâm t÷ìng quan Ph¥n t½ch

v  ¡nh gi¡ £nh h÷ðng cõa t÷ìng quan entropy tîi c¡c cì ch¸ k¸t tªp dú li»u

n²n dú li»u v  nót ¤i di»n X¥y düng giao thùc ành tuy¸n vîi k¸t tªp dú li»udüa tr¶n t÷ìng quan entropy Giao thùc n y cho ph²p khai th¡c °c t½nh t÷ìngquan cõa mæi tr÷íng m¤ng c£m bi¸n khæng d¥y l m vi»c [65, 66].

Vîi vi»c triºn khai c¡c nót c£m bi¸n v  c¡c iºm thu ph¡t º k²o d i thíigian sèng cõa m¤ng t¤i Vi»t Nam câ mët sè nhâm nghi¶n cùu: L¶ Trång V¾nhcòng c¡c cëng sü trong [67] ¢ · xu§t mët c£i ti¸n thuªt to¡n Voronoi-Base ºtriºn khai c¡c c£m bi¸n câ còng kiºu (gièng nhau v· b¡n k½nh c£m bi¸n) trongmæi tr÷íng 3Dvîi sü tçn t¤i cõa c¡c ch÷îng ng¤i vªt m  v¨n £m b£o ÷ñc kh£n«ng phõ sâng cõa to n m¤ng c£m bi¸n mët c¡ch hi»u qu£ C¡c t¡c gi£ sû döngph÷ìng ph¡p Line-Of-Sight (LoS) º kiºm tra giúa và tr½ c£m bi¸n vîi ¿nh cõa

æ l÷îi Voronoi xem t¤i và tr½ kiºm tra câ ch÷îng ng¤i vªt hay khæng LoS sûdöng º h¤n ch¸ vi»c di chuyºn cõa c£m bi¸n v o c¡c ch÷îng ng¤i vªt Sau â

º £m b£o bao phõ t¡c gi£ ¢ ¡p döng thuªt to¡n VOR º triºn khai c£m bi¸ntrong mæi tr÷íng 3D câ c¡c ch÷îng ng¤i vªt N«m 2015, Nguy¹n Thà T¥m còngc¡c cëng sü [68] ¢ · xu§t mët gi£i thuªt b¦y  n PSO düa tr¶n ph¥n cöm mí

º tèi ÷u hâa thíi gian sèng v  £m b£o k¸t nèi trong m¤ng c£m bi¸n khængd¥y ÷ñc triºn khai tr¶n mæi tr÷íng 3D

Ngo i v§n · tèi ÷u triºn khai c¡c nót c£m bi¸n ð nhâm nghi¶n cùu cõaHuýnh Thà Thanh B¼nh ¢ triºn khai v§n · °t Base Station º k²o d i thíigian sèng cõa m¤ng [69] C¡c t¡c gi£ sû döng mæ h¼nh quy ho¤ch nguy¶n v  ·xu§t mët gi£i thuªt heuristic (IGM) º gi£i quy¸t b i to¡n tèi ÷u t¼m và tr½ cõaBase Station möc ½ch k²o d i thíi gian sèng cõa WSNs C¡c t¡c gi£ ti¸n h nh

so s¡nh vîi bèn ph÷ìng ph¡p °t Base Station ÷ñc · xu§t tr÷îc â v  nhªnth§y k¸t qu£ thu ÷ñc tèt hìn 10%

Nhúng kh£o s¡t tr¶n cho th§y v§n · triºn khai m¤ng c£m bi¸n khæng d¥y

¢ ÷ñc nhi·u nh  khoa håc trong n÷îc quan t¥m nghi¶n cùu v  ¢ câ nhúng

âng gâp nh§t ành v· m°t khoa håc công nh÷ nhúng ùng döng trong thüc ti¹n.Tuy nhi¶n, theo sü hiºu bi¸t cõa t¡c gi£ vîi b i to¡n tèi a hâa bao phõ di»nt½ch trong m¤ng c£m bi¸n khæng d¥y khæng çng nh§t v  b i to¡n bao phõ èit÷ñng £m b£o k¸t nèi v  chàu léi trong m¤ng c£m bi¸n khæng d¥y v  m¤ng c£mbi¸n khæng d¥y câ sû döng c¡c iºm thu ph¡t di ëng vîi möc ti¶u tèi thiºu sèl÷ñng nót c£m bi¸n v  nót chuyºn ti¸p sû döng, t½nh tîi thíi iºm hi»n t¤i, ch÷a

÷ñc nhâm nghi¶n cùu n o trong n÷îc xem x²t gi£i quy¸t V¼ vªy, vi»c nghi¶ncùu hai v§n · tr¶n t¤i Vi»t Nam l  câ t½nh c§p thi¸t v  câ þ ngh¾a khoa håc v ùng döng thüc ti¹n

Möc ti¶u nghi¶n cùu cõa luªn ¡n

Luªn ¡n tªp trung nghi¶n cùu v· b i to¡n tèi ÷u bao phõ nh¬m £m b£ot½nh k¸t nèi v  chàu léi trong m¤ng c£m bi¸n khæng d¥y (WSN) trong hai tr÷ínghñp: bao phõ di»n t½ch (Ch÷ìng 2, Ch÷ìng 3), bao phõ èi t÷ñng (Ch÷ìng 4)

C¡c möc ti¶u cö thº trong luªn ¡n nh÷ sau:

• Möc ti¶u thù nh§t cõa luªn ¡n l  nghi¶n cùu v· m¤ng c£m bi¸n khæng d¥y,v§n · bao phõ, k¸t nèi v  chàu léi trong m¤ng c£m bi¸n khæng d¥y °cbi»t, luªn ¡n i s¥u gi£i quy¸t c¡c v§n · bao phõ: cüc ¤i hâa di»n t½chbao phõ trong m¤ng c£m bi¸n khæng d¥y khæng çng nh§t v  tèi thiºu hâa

sè l÷ñng c¡c nót triºn khai º bao phõ t§t c£ c¡c èi t÷ñng £m b£o k¸tnèi v  chàu léi trong m¤ng c£m bi¸n khæng d¥y v  m¤ng c£m bi¸n khængd¥y câ sû döng c¡c iºm thu ph¡t di ëng Cö thº, c¡c b i to¡n ÷ñc kh£os¡t trong luªn ¡n:

 · xu§t c¡c thuªt to¡n metaheuristic º c£i thi»n ë phõ vòng triºnkhai m¤ng c£m bi¸n khæng d¥y, gi£m thiºu thíi gian t½nh to¡n v  ël»ch chu©n v· ë bao phõ ¤t ÷ñc cõa c¡c gi£i thuªt · xu§t gi£iquy¸t b i to¡n cüc ¤i hâa bao phõ di»n t½ch trong m¤ng c£m bi¸nkhæng d¥y khæng çng nh§t ÷ñc · xu§t bði Yourim Yoon [36]

 · xu§t mæ h¼nh b i to¡n tèi a hâa bao phõ di»n t½ch trong m¤ngc£m bi¸n khæng d¥y khæng çng nh§t trong [36] câ xem x²t ¸n y¸u

tè ch÷îng ng¤i vªt l  h¼nh chú nhªt cho phò hñp vîi thüc ti¹n T¡cgi£ · xu§t c¡c thuªt to¡n metaheuristic º gi£i quy¸t b i to¡n n y

º ¡nh gi¡ ë tèt cõa gi£i thuªt · xu§t t¡c gi£ nghi¶n cùu c¡c c¡chx¥y düng kàch b£n m¤ng v  dú li»u thüc nghi»m cho tøng kàch b£nm¤ng mët c¡ch kh¡ch quan thº hi»n ÷ñc h¦u h¸t c¡c tr÷íng hñp x£y

ra trong c¡c b i to¡n n y

 · xu§t hai b i to¡n: bao phõ èi t÷ñng £m b£o k¸t nèi v  chàu léitrong m¤ng c£m bi¸n khæng d¥y v  b i to¡n bao phõ èi t÷ñng £mb£o k¸t nèi trong m¤ng c£m bi¸n khæng d¥y câ sû döng c¡c iºm thuph¡t di ëng º gi£i quy¸t v§n · bao phõ èi t÷ñng T¡c gi£ · xu§tc¡c thuªt to¡n heuristic º gi£i quy¸t c¡c mæ h¼nh b i to¡n n y v x¥y düng c¡c kàch b£n m¤ng v  dú li»u thüc nghi»m theo tøng ti¶uch½ x¥y düng m¤ng º ¡nh gi¡ ë tèt cõa gi£i thuªt · xu§t

• Möc ti¶u thù hai cõa luªn ¡n l  nghi¶n cùu c¡c kÿ thuªt º gi£i quy¸t lîpc¡c b i to¡n ÷ñc luªn ¡n quan t¥m ÷ñc tr¼nh b y ð tr¶n Bði v¼, c¡c b ito¡n ÷ñc luªn ¡n nghi¶n cùu ·u l  c¡c b i to¡n thuëc lîp NP-khâ Do

â, t¡c gi£ ti¸p cªn theo ph÷ìng ph¡p gi£i x§p x¿ sû döng c¡c gi£i thuªtheuristic v  metaheuristic º gi£i quy¸t

• Möc ti¶u thù ba cõa luªn ¡n l  nghi¶n cùu c¡c ph÷ìng ph¡p x¥y düngkàch b£n m¤ng, x¥y düng c¡c bë dú li»u v  c¡c ph÷ìng ph¡p ¡nh gi¡ thücnghi»m mët c¡ch kh¡ch quan thº hi»n ÷ñc h¦u h¸t c¡c tr÷íng hñp x£y ratrong c¡c mæ h¼nh b i to¡n m  luªn ¡n quan t¥m gi£i quy¸t

Ph÷ìng ph¡p nghi¶n cùu

Ph÷ìng ph¡p nghi¶n cùu düa tr¶n nghi¶n cùu lþ thuy¸t, ph¥n t½ch t i li»u,

mæ h¼nh to¡n håc v  thüc nghi»m º ¡nh gi¡ c¡c gi£i thuªt · xu§t so s¡nh vîic¡c gi£i thuªt · xu§t tr÷îc â º gi£i quy¸t b i to¡n Tø â, câ thº · xu§t c¡c

b i to¡n v  c¡ch gi£i quy¸t b i to¡n cho phò hñp vîi thüc t¸ triºn khai m¤ngc£m bi¸n khæng d¥y

Ph¤m vi nghi¶n cùu

• Nghi¶n cùu b i to¡n bao phõ trong m¤ng c£m bi¸n khæng d¥y

• C¡c y¸u tè £nh h÷ðng ¸n v§n · bao phõ cõa m¤ng c£m bi¸n khæng d¥y

• C¡c gi£i thuªt metaheuristic

• C¡c nghi¶n cùu li¶n quan trong b i to¡n tèi ÷u hâa bao phõ di»n t½ch v bao phõ èi t÷ñng trong m¤ng c£m bi¸n khæng d¥y

• Nghi¶n cùu, têng hñp, ph¥n t½ch v  · xu§t (ho°c c£i ti¸n) mæ h¼nh cüc

¤i bao phõ di»n t½ch vîi sè l÷ñng c£m bi¸n cho tr÷îc trong m¤ng khæng

çng nh§t v  tèi ÷u bao phõ èi t÷ñng nh¬m möc ½ch tèi thiºu hâa sèl÷ñng c¡c nót sû döng £m b£o t½nh k¸t nèi v  chàu léi trong m¤ng c£mbi¸n khæng d¥y

• X¥y düng c¡c kàch b£n thüc nghi»m º ¡nh gi¡ ë tèt cõa mæ h¼nh b ito¡n · xu§t v  gi£i thuªt · xu§t gi£i quy¸t cho tøng mæ h¼nh b i to¡n

• So s¡nh, ¡nh gi¡ k¸t qu£ thüc nghi»m theo c¡c ti¶u ch½ x¥y düng m¤ng

v  so s¡nh vîi c¡c nghi¶n cùu ¢ cæng bè tr÷îc â

C¡c âng gâp cõa luªn ¡n

• Vîi b i to¡n cüc ¤i di»n t½ch bao phõ trong m¤ng c£m bi¸n khæng d¥ykhæng çng nh§t: · xu§t c¡c thuªt to¡n metaheuristic º gi£i b i to¡n

n y vîi möc ½ch c£i thi»n ë tèt v· vòng bao phõ, gi£m thiºu thíi giant½nh to¡n v  ë l»ch chu©n so vîi c¡c nghi¶n cùu tr÷îc â Chi ti¸t cõa c¡cgi£i thuªt · xu§t ÷ñc tr¼nh b y trong ch÷ìng 2

• · xu§t mæ h¼nh b i to¡n cüc ¤i di»n t½ch bao phõ trong m¤ng c£m bi¸nkhæng d¥y khæng çng nh§t câ xem x²t ¸n mi·n triºn khai m¤ng câ ch÷îngng¤i vªt º phò hñp vîi thüc t¸ triºn khai m¤ng Sau â, · xu§t c¡c thuªtto¡n metaheuristic º gi£i quy¸t b i to¡n º ¡nh gi¡ ë tèt cõa mæ h¼nh

v  cõa gi£i thuªt t¡c gi£ · xu§t c¡c ti¶u ch½ x¥y düng kàch b£n thüc nghi»m

¡nh gi¡ sü £nh h÷ðng cõa tøng èi t÷ñng ¦u v o cõa b i to¡n ¸n k¸tqu£ ¦u ra cõa b i to¡n Hìn núa, t¡c gi£ · xu§t c¡ch lüa chån tham sècho tøng thuªt to¡n º thu ÷ñc líi gi£i tèt nh§t C¡c k¸t qu£ n y ÷ñctr¼nh b y trong ch÷ìng 3.

• Li¶n quan ¸n v§n · bao phõ èi t÷ñng, t¡c gi£ · xu§t hai b i to¡n ºgi£i quy¸t v§n · n y l  b i to¡n bao phõ èi t÷ñng £m b£o k¸t nèi v  chàuléi trong m¤ng c£m bi¸n khæng d¥y v  b i to¡n bao phõ èi t÷ñng £m b£ok¸t nèi trong m¤ng c£m bi¸n khæng d¥y câ sû döng c¡c iºm thu ph¡t di

ëng C£ hai b i to¡n · xu§t tr¶n ·u ái häi tèi thiºu sè l÷ñng nót c£mbi¸n v  nót chuyºn ti¸p çng thíi £m b£o c¡c i·u ki»n n¶u ra trong tøng

b i to¡n Sau â, t¡c gi£ · xu§t c¡c thuªt to¡n heuristic º gi£i quy¸t hai

b i to¡n n y Trong méi b i to¡n t¡c gi£ · xu§t c¡c ti¶u ch½ ¡nh gi¡ ch§tl÷ñng cõa m¤ng c£m bi¸n v  ti¸n h nh x¥y düng c¡c kàch b£n m¤ng theotøng ti¶u ch½ ¡nh gi¡ Chi ti¸t v· mæ h¼nh c¡c b i to¡n v  c¡c gi£i thuªt

· xu§t ÷ñc tr¼nh b y trong ch÷ìng 4

C§u tróc cõa luªn ¡n

Trong luªn ¡n n y, t¡c gi£ tªp trung nghi¶n cùu c¡c b i to¡n tèi ÷u vòng baophõ trong vi»c triºn khai trong m¤ng c£m bi¸n khæng d¥y v  m¤ng c£m bi¸nkhæng d¥y câ sû döng c¡c iºm thu ph¡t di ëng £m b£o t½nh k¸t nèi v  chàuléi Luªn ¡n gçm ph¦n mð ¦u, bèn ch÷ìng v  ph¦n k¸t luªn h÷îng ph¡t triºn

Mð ¦u, tr¼nh b y þ ngh¾a, têng quan t¼nh h¼nh nghi¶n cùu trong v  ngo in÷îc thuëc l¾nh vüc luªn ¡n quan t¥m gi£i quy¸t, möc ½ch nghi¶n cùu cõa luªn

¡n, ph÷ìng ph¡p nghi¶n cùu, ph¤m vi nghi¶n cùu, c¡c âng gâp cõa luªn ¡n v c§u tróc cõa luªn ¡n

Ch÷ìng 1: Cì sð lþ thuy¸t: Tr¼nh b y hai v§n ·, v§n · thù nh§t tr¼nh b yc¡c ki¸n thùc cì sð v· m¤ng c£m bi¸n khæng d¥y: Kh¡i ni»m m¤ng c£m bi¸nkhæng d¥y, c§u tróc cõa nót c£m bi¸n, c¡c th nh ph¦n x¥y düng n¶n m¤ng c£mbi¸n, ùng döng cõa m¤ng c£m bi¸n khæng d¥y, th¡ch thùc cõa m¤ng c£m bi¸nkhæng d¥y, c¡c mæ h¼nh b i to¡n bao phõ trong m¤ng c£m bi¸n khæng d¥y V§n

· thù hai, tr¼nh b y cì sð lþ thuy¸t v· b i to¡n tèi ÷u: B i to¡n tèi ÷u li¶n töc,tèi ÷u tê hñp, ph÷ìng ph¡p gi£i b i to¡n tèi ÷u

Ch÷ìng 2: B i to¡n cüc ¤i di»n t½ch bao phõ trong m¤ng c£m bi¸n khængd¥y khæng çng nh§t ÷ñc · xu§t bði [36] T¡c gi£ · xu§t c¡c gi£i thuªtmetaheuristic º gi£i quy¸t b i to¡n So s¡nh ë tèt v· (ë bao phõ, thíi giant½nh to¡n v  ë l»ch chu©n) cõa c¡c gi£i thuªt · xu§t vîi c¡c k¸t qu£ cõa c¡cnghi¶n cùu tr÷îc â Ph¥n t½ch, ¡nh gi¡ v  ÷a ra c«n cù chùng minh c¡c y¸u

tè d¨n ¸n ch§t l÷ñng líi gi£i thu ÷ñc cõa tøng gi£i thuªt · xu§t

Ch÷ìng 3: B i to¡n cüc ¤i di»n t½ch bao phõ trong m¤ng c£m bi¸n khæng

d¥y khæng çng nh§t trong vòng triºn khai m¤ng câ ch÷îng ng¤i vªt T¡c gi£tr¼nh b y b i to¡n gi£i th½ch lþ do · xu§t b i to¡n v  tr¼nh b y c¡c gi£i thuªtmetaheuristic º gi£i quy¸t b i to¡n n y, tr¼nh b y c¡ch lüa chån tham sè trongtøng gi£i thuªt sao cho gi£i thuªt · xu§t thu ÷ñc líi gi£i tèt nh§t Tr¼nh b yph÷ìng ph¡p x¥y düng kàch b£n thüc nghi»m v  x¥y düng ph÷ìng ph¡p lüachån tham sè cho c¡c thuªt to¡n · xu§t, ph¥n t½ch ¡nh gi¡ ë tèt cõa k¸t qu£thu ÷ñc trong tøng kàch b£n m¤ng cõa méi gi£i thuªt · xu§t.

Ch÷ìng 4: B i to¡n tèi ÷u bao phõ èi t÷ñng £m b£o k¸t nèi, chàu léitrong m¤ng c£m bi¸n khæng d¥y v  m¤ng c£m bi¸n khæng d¥y câ sû döng iºmthu ph¡t di ëng Ch÷ìng n y tr¼nh b y, hai b i to¡n ÷ñc t¡c gi£ · xu§t: B ito¡n tèi ÷u bao phõ èi t÷ñng £m b£o k¸t nèi v  chàu léi trong m¤ng c£m bi¸nkhæng d¥y v  b i to¡n tèi ÷u bao phõ èi t÷ñng £m b£o k¸t nèi trong m¤ngc£m bi¸n khæng d¥y câ sû döng iºm thu ph¡t di ëng Méi b i to¡n · xu§tt¡c gi£ gi£i th½ch lþ do · xu§t b i to¡n v  tr¼nh b y c¡c gi£i thuªt · xu§t ºgi£i quy¸t b i to¡n çng thíi x¥y düng c¡c kàch b£n m¤ng v  c¡c bë dú li»u phòhñp vîi tøng kàch b£n m¤ng Sau â, so s¡nh ¡nh gi¡ ë tèt cõa mæ h¼nh b ito¡n v  gi£i thuªt · xu§t theo tøng ti¶u ch½ x¥y düng m¤ng

Cuèi còng, ph¦n k¸t luªn ¡nh gi¡ nhúng k¸t qu£ ¤t ÷ñc trong luªn ¡n v 

÷a ra ph÷ìng h÷îng ph¡t triºn ti¸p theo

CH×ÌNG 1

CÌ SÐ LÞ THUY˜T

Ch÷ìng n y, tr¼nh b y c¡c ki¸n thùc cì sð v· m¤ng c£m bi¸n khæng d¥y baogçm: kh¡i ni»m m¤ng c£m bi¸n khæng d¥y, ùng döng v  th¡ch thùc cõa m¤ngc£m bi¸n khæng d¥y, c¡c mæ h¼nh bao phõ cõa nót c£m bi¸n v  c¡c mæ h¼nh b ito¡n bao phõ trong m¤ng c£m bi¸n khæng d¥y Ngo i ra, t¡c gi£ tr¼nh b y v· c¡cki¸n thùc cì sð v· b i to¡n tèi ÷u li¶n töc, b i to¡n tèi ÷u hâa tê hñp, ph÷ìngph¡p gi£i c¡c b i to¡n tèi ÷u C¡c ki¸n thùc n y s³ ÷ñc t¡c gi£ sû döng trongch÷ìng sau cõa luªn ¡n

1.1 M¤ng c£m bi¸n khæng d¥y

Vîi °c tr÷ng tü tê chùc m¤ng v  kh£ n«ng xû lþ cëng t¡c cõa c¡c nót c£mbi¸n, m¤ng c£m bi¸n khæng d¥y ¢ mang l¤i cuëc c¡ch m¤ng trong l¾nh vüc c£mbi¸n v  thu thªp thæng tin dú li»u M¤ng c£m bi¸n khæng d¥y ÷ñc triºn khaicho c¡c möc ½ch chuy¶n döng nh÷ i·u khiºn gi¡m s¡t v  an ninh; kiºm tra mæitr÷íng; t¤o ra khæng gian sèng thæng minh; kh£o s¡t ¡nh gi¡ ch½nh x¡c trongnæng nghi»p; trong l¾nh vüc y t¸; v.v Lñi th¸ cõa m¤ng c£m bi¸n khæng d¥y l kh£ n«ng triºn khai trong b§t k¼ àa h¼nh n o kº c£ c¡c mæi tr÷íng nguy hiºm

m  con ng÷íi khæng thº ti¸p cªn trüc ti¸p º triºn khai m¤ng c£m bi¸n câ d¥ytruy·n thèng [70],[71],[72]

1.1.1 Kh¡i ni»m m¤ng c£m bi¸n

M¤ng c£m bi¸n khæng d¥y bao gçm mët tªp hñp nhi·u nót c£m bi¸n (câ thºl¶n ¸n h ng ngh¼n h ng tri»u nót) sû döng c¡c k¸t nèi khæng d¥y (væ tuy¸n,hçng ngo¤i ho°c quang håc) º phèi hñp thüc hi»n nhi»m vö thu thªp thæng tin

dú li»u ph¥n t¡n vîi quy mæ lîn trong b§t ký i·u ki»n àa h¼nh v  mæi tr÷íng.M¤ng c£m bi¸n khæng d¥y câ thº li¶n k¸t trüc ti¸p vîi nót qu£n lþ gi¡m s¡t(sink) hay gi¡n ti¸p thæng qua mët iºm thu ph¡t v  mæi tr÷íng m¤ng cængcëng nh÷ Internet hay v» tinh [72]

Ng y nay, thi¸t bà væ tuy¸n r§t nhä gån t¤o n¶n mët thi¸t bà c£m bi¸n khængd¥y câ k½ch th÷îc r§t nhä, ti¸t ki»m v· khæng gian Chóng câ thº ho¤t ëngtrong mæi tr÷íng d y °c vîi kh£ n«ng xû lþ tèc ë cao Düa v o ki¸n tróc

v  chi¸n l÷ñc qu£n lþ m¤ng m  c¡c nh  nghi¶n cùu chia m¤ng c£m bi¸n th nhnhi·u ki¸n tróc m¤ng kh¡c nhau Trong ph¦n ti¸p theo, t¡c gi£ s³ tr¼nh b y v·c¡c ki¸n tróc m¤ng v  mët sè ùng döng cõa m¤ng c£m bi¸n

1.1.2 Mët sè ki¸n tróc m¤ng c£m bi¸n

M¤ng c£m bi¸n câ thº ho¤t ëng trong c¡c ki¸n tróc kh¡c nhau, tòy thuëc

v o °c iºm cõa nót c£m bi¸n v  sink ÷ñc sû döng D÷îi ¥y l  mët sè ki¸ntróc phê bi¸n:

ëng)

• M¤ng single-hop v  m¤ng multi-hop: C¡ch ph¥n lo¤i n y düa v o kiºutruy·n thæng giúa c¡c c£m bi¸n vîi sink Cö thº, trong m¤ng single-hop,t§t c£ c¡c nót c£m bi¸n cè ành truy·n trüc ti¸p dú li»u tîi sink Mët

mæ h¼nh truy·n thæng nh÷ vªy th÷íng r§t tèn k²m, °c bi»t vîi nhúngùng döng triºn khai m¤ng vîi quy mæ lîn Trong m¤ng multi-hop, thay v¼truy·n trüc ti¸p dú li»u v o sink nh÷ single-hop, c¡c nót c£m bi¸n truy·n

dú li»u a ch°ng º tîi ÷ñc ½ch c¦n ¸n H¼nh 1.1(a) mæ t£ mët m¤ngsingle-hop v  h¼nh 1.1(c) mæ t£ mët m¤ng multi-hop

1.1.3 Ùng döng cõa m¤ng c£m bi¸n khæng d¥y

V¼ h¦u h¸t c¡c hi»n t÷ñng vªt lþ ·u câ thº ÷ñc c£m nhªn b¬ng c¡c lo¤ic£m bi¸n kh¡c nhau n¶n m¤ng c£m bi¸n câ ùng döng ð h¦u kh­p c¡c l¾nh vüc

H¼nh 1.1: Mët sè ki¸n tróc cõa m¤ng c£m bi¸n khæng d¥y.

trong íi sèng C¡c ùng döng ti¶u biºu nh§t câ thº kº ¸n nh÷ l  qu¥n sü, mæitr÷íng, cæng nghi»p, y t¸, v.v

• Ùng döng trong qu¥n sü: M¤ng c£m bi¸n câ thº ÷ñc t½ch hñp v o h»thèng i·u khiºn, truy·n thæng hay t½nh to¡n trong qu¥n sü M¤ng c£mbi¸n câ thº nhanh châng ph¥n t¡n trong c¡c àa h¼nh hiºm trð, tuy¸n ÷ínghuy¸t m¤ch hay i qua nhúng vòng røng nói trång y¸u Mët ùng döng quantrång nh§t trong qu¥n sü â l  sû döng m¤ng c£m bi¸n khæng d¥y º ph¡thi»n x¥m nhªp, theo dãi c¡c èi t÷ñng [73]

• Ùng döng trong mæi tr÷íng: Mët sè ùng döng cõa m¤ng c£m bi¸ntrong mæi tr÷íng â l  theo dãi mæi tr÷íng sèng cõa mët qu¦n thº sinhhåc, quan s¡t sü a d¤ng sinh håc cõa mët lo i, theo dãi ë æ nhi¹m khængkh½, kiºm so¡t ch¡y røng, ph¡t hi»n æ nhi¹m, v.v

• Ùng döng trong cæng nghi»p: M¤ng c£m bi¸n câ thº t¼m th§y nhi·utrong c¡c ùng döng cæng nghi»p V½ dö nh÷ h» thèng tü ëng hâa s£n su§t,qu£n lþ kho, theo dãi nçng ë kh½ gas trong nh  m¡y, i·u khiºn ¡nh s¡ng,nhi»t ë, v.v Mët v½ dö ti¶u biºu cho ùng döng cõa m¤ng c£m bi¸n trongcæng nghi»p t¤i Vi»t Nam â l  h» thèng m¤ng c£m bi¸n ÷ñc l­p °t t¤i

ªp thõy i»n Háa B¼nh H» thèng câ nhi»m vö theo dãi t¼nh tr¤ng cõath¥n ªp, c£nh b¡o khi câ sü cè x£y ra

• Ùng döng trong y t¸: C£m bi¸n vªt lþ v  c£m bi¸n sinh håc câ thº theodãi nhi»t ë cì thº, nhàp tim, mùc ë oxy v  glucose trong m¡u, v.v., c¡cc£m bi¸n n y câ thº i k±m vîi qu¦n ¡o ho°c c§y v o cì thº con ng÷íi câthº theo dãi nhúng b»nh nh¥n bà b»nh m¢n t½nh, b»nh nh¥n ð b»nh vi»n

v  c¡c b»nh nh¥n cao tuêi [74]

1.1.4 Nhúng v§n · th¡ch thùc trong m¤ng c£m bi¸n

M¤ng c£m bi¸n hùa hµn s³ em l¤i nhi·u lñi ½ch trong h¦u kh­p c¡c l¾nh vüc.Tuy nhi¶n, chóng công cán câ nhi·u th¡ch thùc c¦n ph£i v÷ñt qua Trong ph¦nti¸p theo, t¡c gi£ s³ th£o luªn v· mët sè th¡ch thùc trong m¤ng c£m bi¸n khængd¥y v  lþ do d¨n tîi c¡c nghi¶n cùu trong luªn ¡n n y

M¤ng cï lîn: Thüc t¸, m¤ng c£m bi¸n câ thº câ tîi h ng ng n, h ng chöc

ng n ho°c thªm ch½ h ng tri»u nót c£m bi¸n Trong c¡c m¤ng quy mæ lîn kh£n«ng mð rëng l  mët y¸u tè quan trång, £m b£o hi»u su§t cõa m¤ng khæng

bà gi£m khi k½ch th÷îc cõa m¤ng t«ng l¶n Mët sè thuªt to¡n v  thi¸t k¸ chom¤ng quy mæ nhä khæng cán ho¤t ëng tèt vîi nhúng m¤ng câ quy mæ lîn ºgi£i quy¸t v§n · mð rëng m¤ng, r§t nhi·u thuªt to¡n ¢ ÷ñc nghi¶n cùu v 

· xu§t Tuy nhi¶n, v§n · mð rëng m¤ng v¨n l  mët th¡ch thùc lîn èi vîiWSNs

Kh£ n«ng chàu léi: C¡c nót c£m bi¸n chàu £nh h÷ðng m¤nh cõa mæi tr÷íngtriºn khai n¶n c¡c thi¸t bà cõa nót c£m bi¸n d¹ häng hâc v  khâ câ thº sûa chúan¸u chóng ÷ñc triºn khai trong nhúng vòng m  con ng÷íi khâ ti¸p cªn T¿ l»léi cõa méi nót câ thº s³ r§t cao n¸u chóng ÷ñc triºn khai ð nhúng mæi tr÷íngkh­c nghi»t º £m b£o thæng tin gûi v· khæng bà gi¡n o¤n ho°c m§t m¡t,c¡c nh  nghi¶n cùu ¢ tªp trung x¥y düng c¡c mæ h¼nh chàu léi cho WSNs

ë ch½nh x¡c v  l÷u l÷ñng cõa dú li»u: Thu thªp thæng tin l  nhi»m vö ch½nhcõa c¡c m¤ng c£m bi¸n ë ch½nh x¡c cõa thæng tin câ thº c£i thi»n thæng quaqu¡ tr¼nh xû lþ Tuy nhi¶n, sü phùc t¤p cõa vi»c xû lþ thæng tin l¤i t¿ l» nghàchvîi tuêi thå cõa m¤ng (do nguçn n«ng l÷ñng cõa c£m bi¸n câ giîi h¤n) Do â,c¦n ph£i c¥n b¬ng giúa ë ch½nh x¡c cõa dú li»u vîi nguçn n«ng l÷ñng hi»n câ.Mët v§n · kh¡c công ÷ñc c¡c nh  nghi¶n cùu l÷u t¥m ¸n â l  l÷u l÷ñng

dú li»u N¸u c£m bi¸n li¶n töc thu thªp thæng tin th¼ s³ r§t nhanh m§t m¡tn«ng l÷ñng v  nhi·u khi cán câ thº g¥y tr n bë nhî n¸u khæng kàp xû lþ Nhi·uph÷ìng ph¡p lªp làch thùc ngõ cho c£m bi¸n ¢ ÷ñc · xu§t º gi£i quy¸t v§n

· n y Tuy nhi¶n, ¥y v¨n l  mët th¡ch thùc lîn trong vi»c triºn khai m¤ng

V§n · v· n«ng l÷ñng: Nh÷ ¢ ÷ñc · cªp ð nhúng ph¦n tr÷îc, méi c£mbi¸n câ mët nguçn n«ng l÷ñng bà giîi h¤n Do â, c¦n ph£i t¼m c¡ch sû döngn«ng l÷ñng mët c¡ch hi»u qu£ v  hñp lþ Nhi·u cì ch¸ ¢ ÷ñc c¡c nh  s£n xu§tt½ch hñp v o ph¦n cùng º gi£m thiºu vi»c ti¶u tèn n«ng l÷ñng v  tèi ÷u c¡cmodule cì b£n Tuy nhi¶n, vi»c lªp làch ho¤t ëng cõa m¤ng l  væ còng quantrång v¼ nâ câ quy¸t ành r§t lîn ¸n tuêi thå cõa m¤ng V§n · n y hi»n nay

ang ÷ñc r§t nhi·u nh  khoa håc tªp trung nghi¶n cùu gi£i quy¸t

Bao phõ v  k¸t nèi: Méi c£m bi¸n ·u câ giîi h¤n v· b¡n k½nh c£m bi¸n, b¡nk½nh truy·n tin v  n«ng l÷ñng cõa tøng nót c£m bi¸n V¼ vªy, vi»c triºn khaimët m¤ng c£m bi¸n sao cho tèi ÷u bao phõ trong to n m¤ng v  £m b£o truy·n

dú li»u tø c¡c c£m bi¸n ¸n tr¤m cì sð l  mët trong nhúng th¡ch thùc lîn cõa

b i to¡n triºn khai m¤ng WSNs V§n · n y ¢ ÷ñc c¡c t¡c gi£ trong v  ngo in÷îc nghi¶n cùu Chi ti¸t cõa c¡c nghi¶n cùu li¶n quan cõa v§n · n y ÷ñctr¼nh b y ri¶ng ð möc

1.2 C¡c mæ h¼nh bao phõ cõa c£m bi¸n v  m¤ng

c£m bi¸n khæng d¥y

Câ hai mæ h¼nh th÷íng ÷ñc xem x²t khi gi£i quy¸t v§n · bao phõ trongm¤ng c£m bi¸n khæng d¥y:

• Mæ h¼nh bao phõ cõa tøng c£m bi¸n (individual sensor coverage)

• Mæ h¼nh bao phõ cõa m¤ng c£m bi¸n (network-wide sensing coverage)

1.2.1 Mæ h¼nh bao phõ cõa c£m bi¸n

C£m bi¸n chuyºn êi dú li»u vªt lþ th nh t½n hi»u i»n C¡c t½n hi»u n y

÷ñc ti¸p töc xû lþ º t¤o ra thæng tin d¹ hiºu v  câ thº sû döng ÷ñc C¥u häi

°t ra l  c£m bi¸n câ thº c£m nhªn ÷ñc t½n hi»u tø nhúng và tr½ n o? C¡c nh nghi¶n cùu ành ngh¾a vòng m  c£m bi¸n câ thº thu thªp thæng tin l  vòng baophõ Trong [72], [75] ¢ · cªp ¸n 4 mæ h¼nh c£m bi¸n thæng döng nh÷ sau:

Mæ h¼nh qu¤t nhà ph¥n

Trong mæ h¼nh qu¤t nhà ph¥n, vòng bao phõ cõa c£m bi¸n l  mët h¼nh qu¤tvîi t¥m ÷ñc °t t¤i t¥m cõa c£m bi¸n H¼nh1.2amæ t£ mët mæ h¼nh c£m bi¸n,trong â φs ÷ñc gåi l  gâc ành h÷îng, ω ÷ñc gåi l  gâc c£m bi¸n, Rs l  b¡nk½nh c£m bi¸n T¤i méi và tr½z trong khæng gian hai chi·u, h m c£m bi¸nf ÷ñccho bði cæng thùc(1.1)

f (z, φz) =



1, n¸u d(s, z) ≤ Rs v  φs ≤ φz ≤ φs+ ω,

trong âd(s, z) l  kho£ng c¡ch Euclid giúa iºm z v  t¥m cõa c£m bi¸n s, φz l tåa ë gâc cõa iºm z H m c£m bi¸n cho bi¸t, t§t c£ c¡c iºm trong ph¤m vicõa h¼nh qu¤t câ ë c£m bi¸n b¬ng 1, c¡c iºm cán l¤i câ ë c£m bi¸n b¬ng 0

f (z) = C

trong â d(s, z)l  kho£ng c¡ch Euclide giúa èi t÷ñng z v  c£m bi¸n câ t¥m °tt¤i s; C l  gi¡ trà h¬ng ÷ñc x¡c ành bði c¡c thuëc t½nh cõa m¤ng, α h¬ng sèsuy gi£m t½n hi»u theo kho£ng c¡ch H m f n y tr£ v· gi¡ trà thüc khæng ¥m.Nhúng iºm c ng g¦n và tr½ C cho gi¡ trà h mf c ng cao, ngh¾a l  c ng d¹ ÷ñcph¡t hi»n bði c£m bi¸n Theo cæng thùc (1.3), t§t c£ c¡c èi t÷ñng trong vòngbao phõ cõa c£m bi¸n s ·u câ thº ÷ñc c£m nhªn bði c£m bi¸n s

Mæ h¼nh suy gi£m rót gån

Trong mæ h¼nh suy gi£m, ë c£m bi¸n s³ r§t nhä khi kho£ng c¡ch d(s, z) trðn¶n r§t lîn Trong tr÷íng hñp â, chóng ta câ thº bä qua v  coi ë c£m bi¸nb¬ng khæng Cæng thùc cõa mæ h¼nh suy gi£m rót gån câ thº ÷ñc cho bði cængthùc (1.4)

f (z) =



Cd−α(s, z), n¸u d(s, z) ≤ Rs,

trong â α l  h¬ng sè suy gi£m, C l  h¬ng sè cho tr÷îc, R s l  b¡n k½nh c£mbi¸n H¼nh 1.2c mæ t£ mët mæ h¼nh c£m bi¸n suy gi£m rót gån

1.2.2 B i to¡n bao phõ trong m¤ng c£m bi¸n khæng d¥y

Trong b i nghi¶n cùu têng quan v o n«m 2010, Bang Wang [72] ¢ chia th nh

ba d¤ng sau ¥y:

(a) Mæ h¼nh qu¤t nhà ph¥n (b) Mæ h¼nh ¾a nhà ph¥n (c) Mæ h¼nh suy gi£m

H¼nh 1.2: C¡c mæ h¼nh c£m bi¸n

• B i to¡n bao phõ èi t÷ñng (Target Coverage Problem),

• B i to¡n bao phõ di»n t½ch (Area Coverage Problem),

• B i to¡n bao phõ r o ch­n (Barrier Coverage Problem)

B i to¡n bao phõ èi t÷ñng

Trong b i to¡n bao phõ èi t÷ñng trong m¤ng c£m bi¸n khæng d¥y, mët tªpc¡c èi t÷ñng ¢ bi¸t tr÷îc và tr½ c¦n ÷ñc gi¡m s¡t bði c¡c c£m bi¸n V§n ·

°t ra l  ph£i sû döng bao nhi¶u c£m bi¸n v  triºn khai m¤ng nh÷ th¸ n o ºt§t c£ c¡c èi t÷ñng ·u ÷ñc gi¡m s¡t

Tòy v o tøng gi£ thi¸t ban ¦u m  c¡c nh  khoa håc chia b i to¡n bao phõ

èi t÷ñng th nh nhi·u b i to¡n con N¸u và tr½ v  sè l÷ñng c£m bi¸n ¢ bi¸ttr÷îc nh÷ng ch÷a bi¸t c¡ch triºn khai m¤ng th¼ c¦n gi£i quy¸t b i to¡n tèi ÷u

và tr½ °t c£m bi¸n N¸u ch÷a bi¸t sè l÷ñng c£m bi¸n ta c¦n gi£i quy¸t b i to¡ntèi ÷u sè l÷ñng c£m bi¸n, v.v

Trong b i to¡n bao phõ èi t÷ñng câ r ng buëc méi èi t÷ñng trong tªp t§tc£ c¡c èi t÷ñng c¦n gi¡m s¡t ph£i ÷ñc gi¡m s¡t bði ½t nh§t mët c£m bi¸n Tòy

v o tøng t¼nh huèng ùng döng m  r ng buëc n y câ thº ch°t hìn Trong [76],

S Mini còng cëng sü ¢ giîi thi»u ba mæ h¼nh bao phõ èi t÷ñng vîi c¡c r ngbuëc ch°t d¦n l  single-coverage, k-coverage v  Q-coverage

Trong nhi·u tr÷íng hñp, mët èi t÷ñng câ thº ÷ñc bao phõ bði nhi·u c£mbi¸n V§n · °t ra l  c¦n ph¥n ho¤ch c¡c c£m bi¸n th nh tøng tªp nhä thäam¢n r ng buëc nh¬m tèi ÷u thíi gian sèng cõa m¤ng Thíi gian sèng cõa m¤ng

÷ñc t½nh tø lóc m¤ng b­t ¦u ho¤t ëng cho tîi khi m¤ng khæng thº ho n

th nh nhi»m vö gi¡m s¡t cõa nâ B i to¡n n y ÷ñc gåi l  b i to¡n lªp làch ho¤t

ëng trong m¤ng c£m bi¸n khæng d¥y

V½ dö, ð h¼nh 1.3, m¤ng c£m bi¸n câ thº ph¥n ho¤ch th nh 2 tªp C 1 = {s1, s3, s6}v  C2 = {s2, s4, s5} ¦u ti¶n tªp C1 s³ ÷ñc cho ho¤t ëng tr÷îc ¸n

khi tªp C1 h¸t n«ng l÷ñng th¼ tªp C2 s³ i v o ho¤t ëng, nhí vªy m  thíi giansèng cõa m¤ng ÷ñc t«ng l¶n.

H¼nh 1.3: V½ dö v· b i to¡n bao phõ èi t÷ñng trong WSNs: trong â tªp T 1 , T2, T3, T4,

l  c¡c èi t÷ñng; S 1 , S2, S3, S4, S5, S6 l  tªp c¡c c£m bi¸n.

B i to¡n bao phõ r o ch­n

Trong b i to¡n bao phõ r o ch­n ng÷íi ta quan t¥m tîi v§n · ph¡t hi»nx¥m nhªp trong m¤ng c£m bi¸n khæng d¥y B i to¡n n y câ nhi·u ùng döngtrong an ninh v  quèc pháng Theo â, m¤ng c£m bi¸n khæng d¥y sau khi ÷ñctriºn khai ph£i câ kh£ n«ng ph¡t hi»n èi t÷ñng di chuyºn trong khu vüc gi¡ms¡t Tòy v o tøng r ng buëc l  ch°t hay khæng ch°t m  b i to¡n câ nhi·u c¡chti¸p cªn kh¡c nhau N¸u y¶u c¦u °t ra l  t¤i måi thíi iºm ·u ph£i ph¡t hi»n

câ èi t÷ñng x¥m nhªp hay khæng th¼ b i to¡n quay v· b i to¡n bao phõ di»nt½ch Tuy nhi¶n, trong thüc t¸ y¶u c¦u n y qu¡ ch°t v  khæng c¦n thi¸t Do â,c¡c nh  khoa håc ¢ ÷a ra b i to¡n: x¥y düng r o ch­n sao cho èi t÷ñng x¥mnhªp dò i theo con ÷íng n o b«ng qua khu vüc c¦n b£o v» công bà ph¡t hi»n.Nh÷ vªy, vøa gióp gi£m sè l÷ñng c£m bi¸n c¦n dòng, vøa £m b£o nhi»m vögi¡m s¡t èi t÷ñng cõa m¤ng

Düa v o sè l÷ñng bi¶n tèi thiºu câ thº ph¡t hi»n ÷ñc èi t÷ñng m  c¡c nh nghi¶n cùu chia b i to¡n th nh hai b i to¡n l  b i to¡n bao phõ r o ch­n m¤nh

v  b i to¡n bao phõ r o ch­n y¸u B i to¡n bao phõ r o ch­n m¤nh l  triºn khaim¤ng c£m bi¸n khæng d¥y b§t k¼ èi t÷ñng n o muèn i tø bi¶n tr¶n ¸n bi¶nd÷îi cõa mi·n di»n t½ch ·u bà ph¡t hi»n bði r o ch­n ÷ñc thº hi»n trong h¼nh

1.4(a) B i to¡n bao phõ r o ch­n y¸u l  triºn khai c¡c nót c£m bi¸n sao cho câthº t¼m ÷ñc ÷íng i cõa èi t÷ñng b«ng qua mi·n di»n t½ch ·u bà ph¡t hi»n

÷ñc thº hi»n trong h¼nh 1.4(b)

Câ hai v§n · th÷íng ÷ñc °t ra trong b i to¡n bao phõ r o ch­n Thùnh§t, c¦n tèi thiºu sè l÷ñng c£m bi¸n · x¥y düng r o ch­n Thù hai, sau khitriºn khai m¤ng, ng÷íi ta muèn bi¸t và tr½ cõa c£m bi¸n º £m b£o ph¡t hi»n

÷ñc èi t÷ñng

H¼nh 1.4: C¡c mæ h¼nh bao phõ r o ch­n trong WSNs.

B i to¡n bao phõ di»n t½ch

Trong b i to¡n bao phõ di»n t½ch trong m¤ng c£m bi¸n khæng d¥y, ng÷íi taquan t¥m ¸n vi»c to n bë khu vüc °t c£m bi¸n ·u ÷ñc gi¡m s¡t Câ thºxem ¥y l  tr÷íng hñp mð rëng cõa b i to¡n bao phõ èi t÷ñng, trong â t§t c£c¡c iºm thuëc khu vüc c¦n gi¡m s¡t ·u ÷ñc coi l  target Lóc n y v§n · °t

ra cho b i to¡n bao phõ di»n t½ch l  sè l÷ñng c£m bi¸n tèi thiºu l  bao nhi¶u ºthäa m¢n ÷ñc y¶u c¦u bao phõ 100% ÷ñc thº hi»n trong h¼nh 1.5

H¼nh 1.5: V½ dö v· b i to¡n bao phõ 100% di»n t½ch trong WSNs.

Tø n«m 2013, b i to¡n bao phõ di»n t½ch ÷ñc ti¸p cªn theo mët c¡ch kh¡c.Thay v¼ x¡c ành sè l÷ñng c£m bi¸n tèi thiºu º bao phõ to n bë vòng di»n t½chcho tr÷îc, sè l÷ñng c£m bi¸n s³ ÷ñc x¡c ành tø ¦u v  ng÷íi ta quan t¥m ¸nc¡ch triºn khai chóng º di»n t½ch vòng bao phõ thu ÷ñc l  lîn nh§t ÷ñc mæt£ trong h¼nh 1.6 ¥y công l  b i to¡n ÷ñc t¼m hiºu cö thº v  gi£i quy¸t trongluªn ¡n n y Nëi dung cõa b i to¡n s³ ÷ñc tr¼nh b y chi ti¸t trong c¡c ch÷ìngti¸p theo

H¼nh 1.6: v½ dö v· b i to¡n cüc ¤i di»n t½ch trong WSNs khæng çng nh§t vîi sè l÷ñng c£m bi¸n cho tr÷îc.

Nh÷ ¢ tr¼nh b y ð trong ph¦n giîi thi»u, v§n · tèi ÷u triºn khai m¤ng l 

b i to¡n NP-khâ, ngh¾a l  khæng câ thuªt to¡n thíi gian a thùc º gi£i chóng,ngo¤i trøP = N P Do â, t¡c gi£ ti¸p cªn theo ph÷ìng ph¡p gi£i x§p x¿ sû döngc¡c thuªt to¡n meta-heuristic º gi£i quy¸t Ph¦n ti¸p theo, t¡c gi£ tr¼nh b ymët sè lþ thuy¸t cì b£n v· b i to¡n tèi ÷u v  ph÷ìng ph¡p ti¸p cªn º gi£i b ito¡n tèi ÷u C¡c ki¸n thùc n y l  n·n t£ng º gi£i quy¸t c¡c v§n · ÷ñc tr¼nh

b y trong luªn ¡n

1.3 B i to¡n tèi ÷u

Câ nhi·u t¼nh huèng trong x¢ hëi, tø cuëc sèng íi th÷íng ¸n c¡c ho¤t

ëng kinh t¸, kÿ thuªt, cæng ngh» v  qu£n lþ hi»n ¤i,v.v ng÷íi ta ph£i quant¥m tîi b i to¡n t¼m ra ph÷ìng ¡n tèt nh§t º ¤t möc ti¶u mong muèn trongnhúng i·u ki»n r ng buëc nh§t ành Tòy v o tøng t¼nh huèng cö thº m  t½nhtèt câ thº ành ngh¾a l  tèi a (maximize) ho°c tèi thiºu (minimize) N¸u ch¿ câmët ti¶u ch½ c¦n xem x²t th¼ ta gåi â l  b i to¡n tèi ÷u ìn möc ti¶u (SingleObjective), cán n¸u câ nhi·u hìn mët th¼ ta gåi l  b i to¡n tèi ÷u a möc ti¶u(Multi Objective) Vi»c t¼m ki¸m ph÷ìng ¡n tèt nh§t trong sè nhúng ph÷ìng ¡n

câ thº ch½nh l  vi»c gi£i quy¸t b i to¡n tèi ÷u (Optimization Problem) B i to¡ntèi ÷u câ thº ÷ñc chia th nh hai lo¤i sau: B i to¡n tèi ÷u li¶n töc v  b i to¡ntèi ÷u ríi r¤c, cán gåi l  b i to¡n tèi ÷u tê hñp (Combinatorial OptimizationProblem) Mæ h¼nh hâa to¡n håc cõa tøng lo¤i b i to¡n tèi ÷u ÷ñc thº hi»nnh÷ sau:

1.3.1 B i to¡n tèi ÷u li¶n töc

Khi c¡c bi¸n biºu di¹n líi gi£i nhªn gi¡ trà li¶n töc trong khæng gian sè thücth¼ b i to¡n tèi ÷u trð th nh tèi hâa ÷u li¶n töc Mæ h¼nh chu©n cõa b i to¡n

tèi ÷u n y ¢ ÷ñc tr¼nh b y bði [77], [78]:

T¼m cüc tiºu

x

f (x)vîi i·u ki»n gi(x) ≤ 0, i = 1 m (1.5)

hi(x) = 0, i = 1 p

m, p ∈ NTrong â f :Rn →Rx, gi(x) ≤ 0 gåi l  r ng buëc b§t ¯ng thùc,v  hi(x) = 0 gåi

l  r ng buëc ¯ng thùc

Tr÷íng hñp m = p = 0 ÷ñc gåi l  b i to¡n tèi ÷u li¶n töc khæng r ng buëc.Sau ¥y, t¡c gi£ tr¼nh b y mët v½ dö v· b i to¡n thi¸t k¸ m¤ng i»n ÷ñc mæh¼nh hâa d÷îi d¤ng b i to¡n tèi ÷u li¶n töc

B i to¡n thi¸t k¸ m¤ng i»n

Gi£ sû câ 4 khu d¥n c÷ l  K1, K2, K3 v  K4 nh÷ h¼nh minh håa ð h¼nh 1.7 Khu K1 câ d¤ng h¼nh trán,

tø tr¤m bi¸n ¡p têng ¸n tr¤m bi¸n ¡p ph¥n phèi cõa 4 khu d¥n c÷ n y l  nhänh§t

Kþ hi»u x0, y0 l  và tr½ s³ x¥y tr¤m bi¸n ¡p têng v  (xi, yi) ∈ Ki l  và tr½ °ttr¤m bi¸n ¡p ph¥n phèi cõa chung c÷ Ki, i = 1, , 4 Nh÷ vªy, ë d i cõa d¥yd¨n i»n nèi tø iºm (xi, yi) ¸n (x0, y0) l 

sỷ dửng hoc tối ữu nông lữủng sỷ dửng Vợi bi toĂn bao phừ diằn tẵch trongmÔng khổng dƠy khổng ỗng nhĐt vợi số lữủng cÊm bián cho trữợc,...

Bi toĂn bao phừ ối tữủng: Trong vĐn à bao phừ ối tữủng ữủc chia

th nh nhi·u mỉ h¼nh b i to¡n kh¡c düa vo cĂc tiảu chẵ cừa tứng ựng dửngnhữ: bao phừ ối tữủng vợi... chu lội,v.v Trong luên Ăn ny tĂc giÊ quan tƠm giÊi quyát hai mổ hẳnh bi toĂn thuởclợp cĂc bi toĂn bao phừ ối tữủng: Bao phừ ối tữủng Êm bÊo kát nối v chulội mÔng cÊm bián khổng dƠy, bao phừ ối