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

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.. Công trongn«m â, Josha Reich [50] · xu§t mët gi£i thuªt ph¥n phèi ¦y õ ÷ñc gåi l S

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 CƒM BI˜N KHÆNG D…Y KHÆNG ÇNG NH‡T 36

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

UTSP Using Travelling Salesman Problem

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  X

biºu 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

vîi s1i = (x1i, yi1), s2i = (x2i, yi2) l¦n l÷ñt l  ph¦n tû thù i trong cha 1, cha 2 v 

d(s1i, s2i) l  kho£ng c¡ch Euclidean giúa hai c£m bi¸n câ tåa ë s1i, s2i OPTGAcông t«ng d¦n gi¡ trà Lnh÷ MGA K¸t qu£ cho th§y OPTGA câ thíi gian ch¤yt÷ìng ÷ìng MGA nh÷ng ch§t l÷ñng líi gi£i l¤i tèt hìn nhi·u

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:

4

X

m=1 overlap(si, bm)

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

Mæ h¼nh ¾a nhà ph¥n

Trong mæ h¼nh ¾a nhà ph¥n, vòng bao phõ cõa c£m bi¸n l  mët h¼nh tránvîi t¥m ÷ñc °t t¤i t¥m cõa c£m bi¸n H¼nh1.2b mæ t£ mët mæ h¼nh c£m bi¸n

¾a nhà ph¥n, trong â R s ÷ñc gåi l  b¡n k½nh cõa c£m bi¸n s T¤i méi và tr½ z

trong khæng gian hai chi·u, h m c£m bi¸n f ÷ñc cho bði cæng thùc (1.2)

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]:

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