Tổng quan về luận án

Sự bùng nổ của kỷ nguyên Vạn vật kết nối (Internet of Things - IoT) đặt ra yêu cầu cấp thiết về các giải pháp mạng cảm biến không dây (Wireless Sensor Networks - WSNs) có khả năng tự tổ chức, phân tán và thích ứng linh hoạt với địa hình phức tạp. Luận án Tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101) của Nghiên cứu sinh Nguyễn Thị Hạnh tại Trường Đại học Bách Khoa Hà Nội, dưới sự hướng dẫn khoa học của PGS.TS Huỳnh Thị Thanh Bình và PGS.TS Nguyễn Đức Nghĩa (2019), mang tiêu đề "Một số thuật toán metaheuristic giải bài toán bao phủ diện tích và đối tượng trong mạng cảm biến không dây", là công trình nghiên cứu tiên phong giải quyết bài toán tối ưu hóa đa mục tiêu mang tính NP-khó trong việc thiết kế và triển khai topo mạng cảm biến.

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án xác định xuất phát từ các hạn chế lớn trong tài liệu học thuật quốc tế: các nghiên cứu trước đây (như Yourim Yoon et al., 2013) khi tối đa hóa diện tích bao phủ mạng cảm biến không đồng nhất thường bị nghẽn cổ chai về mặt tính toán do phụ thuộc vào phương pháp lấy mẫu thống kê Monte Carlo với độ phức tạp cao, đồng thời bỏ qua các ràng buộc vật lý thực tế như chướng ngại vật trong không gian giám sát. Mặt khác, đối với bài toán bao phủ đối tượng (Target Coverage), các công trình hiện hữu chưa giải quyết trọn vẹn sự đánh đổi giữa việc tối thiểu hóa số lượng nút cảm biến, nút chuyển tiếp (Mobile Relay) và việc duy trì kết nối mạng chịu lỗi (Network Connectivity Fault Tolerance - NCFT) khi tích hợp các trạm thu phát dữ liệu di động (Mobile Data Collectors - MDCs).

Để giải quyết triệt để các khoảng trống này, luận án xây dựng hệ thống 3 câu hỏi nghiên cứu và giả thuyết tương ứng:

  1. RQ1: Làm thế nào để loại bỏ sự phụ thuộc vào phương pháp tính toán gần đúng Monte Carlo nhằm giảm thời gian chạy từ hàng chục phút xuống cấp độ giây mà vẫn nâng cao độ chính xác bao phủ trong WSNs không đồng nhất? Giả thuyết H1: Hàm mục tiêu giải tích dựa trên độ chồng lấn hình học (Overlap Area) sẽ giảm độ phức tạp từ $O(nL)$ xuống $O(n^2)$, cải thiện vượt trội hiệu năng thuật toán metaheuristic.
  2. RQ2: Tác động của chướng ngại vật hình học đến không gian tìm kiếm vị trí cảm biến là gì và làm sao để thuật toán bầy đàn không bị mắc kẹt tại cực trị địa phương? Giả thuyết H2: Việc tích hợp chiến lược khởi tạo heuristic phân cụm kết hợp toán tử lực đẩy/hút cải tiến (MVFA) sẽ đảm bảo tỷ lệ bao phủ tối ưu quanh các góc khuất chướng ngại vật.
  3. RQ3: Làm cách nào để tối thiểu hóa đồng thời số lượng nút cảm biến và nút chuyển tiếp trong mạng tĩnh và mạng có trạm thu phát di động mà vẫn đảm bảo khả năng chịu lỗi $k$-kết nối? Giả thuyết H3: Mô hình đồ thị hóa kết hợp thuật toán tối ưu cây khung (USP) và thuật toán xấp xỉ người du lịch (UTSP) sẽ cực tiểu hóa chi phí nút mạng và duy trì đường truyền dự phòng liên tục.

Khung lý thuyết của luận án tích hợp chặt chẽ giữa Lý thuyết Tối ưu hóa Tổ hợp (Combinatorial Optimization), Trí tuệ Bầy đàn (Swarm Intelligence) và Giải thuật Tiến hóa (Evolutionary Computation). Nghiên cứu được thực hiện trên không gian mẫu đa dạng gồm 15 bộ dữ liệu chuẩn quốc tế với số lượng nút cảm biến dao động từ quy mô nhỏ ($n=17$) đến quy mô lớn ($n=130$), mỗi kịch bản được thực nghiệm độc lập 30 lần để lấy giá trị trung bình thống kê và đánh giá độ lệch chuẩn.

Literature Review và Positioning

Các công trình nghiên cứu về tối ưu hóa mạng cảm biến không dây trên thế giới tập trung vào ba luồng chính: bài toán bao phủ diện tích (Area Coverage), bài toán bao phủ đối tượng (Target Coverage) và bài toán bao phủ rào chắn (Barrier Coverage). Bang Wang (2010) đã tổng kết toàn diện các mô hình cảm biến nhị phân đĩa, mô hình suy giảm tín hiệu (attenuation model) và mô hình quạt định hướng, khẳng định bài toán tối ưu vị trí nút mạng thuộc lớp NP-khó (NP-hard). Zou et al. (2004) phát triển thuật toán lực ảo (Virtual Force Algorithm - VFA) để dãn các nút mạng ra xa nhau, tuy nhiên VFA truyền thống dễ rơi vào điểm cân bằng tĩnh phi tối ưu khi gặp các vùng biên phức tạp.

Đối với bài toán bao phủ diện tích không đồng nhất, bước đột phá diễn ra vào năm 2013 khi Yourim Yoon và cộng sự chứng minh bài toán cực đại diện tích bao phủ của các cảm biến có bán kính khác nhau thuộc dạng bài toán phủ tập (Set Cover) và đề xuất 4 biến thể thuật giải di truyền: PGA, MGA, OPTGA và OPTHGA. Tuy nhiên, như luận án đã chỉ ra thông qua trích dẫn thực nghiệm nguyên văn:

"Độ phức tạp của OPTHGA vẫn là $O(nL)$ với $L \gg n$ ($n$ là số lượng cảm biến và $L$ là số điểm gieo theo phương pháp Monte Carlo). Ngay với bộ dữ liệu nhỏ nhất chỉ có 17 cảm biến mà OPTHGA vẫn cần đến gần 6 phút mới đưa ra được lời giải. Với bộ dữ liệu lớn nhất (130 cảm biến), thời gian là hơn 42 phút."

Sự tranh luận học thuật sâu sắc nảy sinh giữa hai trường phái: Một bên (Yoon et al., 2013) ủng hộ việc sử dụng xấp xỉ xác suất ngẫu nhiên Monte Carlo ($L=100.000$ điểm) kết hợp chuẩn hóa Hungarian Algorithm để giải quyết hiện tượng đa kiểu gen - đồng kiểu hình; bên kia (Đinh Thị Hà Ly và Huỳnh Thị Thanh Bình, 2015) đề xuất tiếp cận hình học giải tích gián tiếp thông qua việc triệt tiêu độ chồng lấn giữa các cảm biến và biên giám sát. Luận án của Nguyễn Thị Hạnh định vị nghiên cứu của mình tại giao điểm này, mở rộng triệt để hướng tiếp cận giải tích để tối ưu hóa không gian đa chiều.

Trong mảng bài toán bao phủ đối tượng kết hợp kết nối và chịu lỗi, Salma Begum et al. (2010) dùng thuật toán đàn ong nhân tạo (ABC) cho bài toán $k$-coverage, Banimelhem et al. (2013) và Tạ Văn Đại et al. (2015) dùng GA bổ sung nút di động để lấp lỗ trống bao phủ. Giuseppe Anastasi et al. (2009, 2011) tiên phong đề xuất khung RADA (Resource-Aware Data Accumulation) cho mạng cảm biến thưa (SWSNs) sử dụng nút chuyển tiếp di động (Mobile Relay - MR) và bộ thu thập dữ liệu (Mobile Data Collector - MDC). Uichin Lee và Mario Gerla (2010) phát triển thuật toán Mobeyes trên mạng cảm biến giao thông thông minh. Tuy nhiên, các công trình quốc tế này chủ yếu tập trung vào lập lịch quỹ đạo cho mobile sink (như Marta et al., 2011 với quỹ đạo lục giác; Kinalis et al., 2009 về giảm độ trễ) mà chưa giải quyết tối ưu đồng thời số lượng nút cảm biến thu thập và nút chuyển tiếp trung gian bảo đảm kết nối chịu lỗi đa đường. Luận án đã lấp đầy khoảng trống này bằng các giải thuật xấp xỉ đồ thị có cấu trúc liên thông kép.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra những bước tiến lý thuyết đáng kể, mở rộng và hoàn thiện các nền tảng tối ưu hóa cổ điển:

  1. Mở rộng Lý thuyết Tiến hóa và Tối ưu hóa Tổ hợp: Mở rộng lý thuyết của Holland (1960) và Yoon (2013) bằng cách tái định nghĩa hàm thích nghi sinh học trong không gian liên tục thông qua hình học giải tích vi phân. Thay vì so sánh diện tích thực, hàm đánh giá dựa trên chỉ số vi phạm chồng lấn $\text{Olap}(S)$ phản ánh chính xác cấu trúc hình học của nghiệm.
  2. Đột phá về Lý thuyết Trí tuệ Bầy đàn (Swarm Intelligence): Phát triển mô hình Democratic Particle Swarm Optimization (DPSO) và Cải tiến thuật toán Tìm kiếm Chim Cuckoo (ICS) dựa trên bước nhảy Lévy ngẫu nhiên kết hợp phân bố hỗn loạn (Chaotic Flower Pollination Algorithm - CFPA), khắc phục hạn chế mất tính đa dạng quần thể vốn có trong lý thuyết PSO chuẩn của Kennedy & Eberhart (1995).
  3. Mô hình hóa Không gian Ràng buộc Phi lồi: Thiết lập mô hình toán học giải tích cho bài toán cực đại hóa diện tích bao phủ có chướng ngại vật hình chữ nhật, phân chia không gian quan sát thành 9 phân vùng ảnh hưởng bao quanh chướng ngại vật để tính toán trực tiếp diện tích che khuất (Line-of-Sight - LoS).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách khoa học 3 lý thuyết nền tảng: Lý thuyết Đồ thị (Graph Theory - Cây khung và Chu trình Hamilton), Lý thuyết Lực vật lý (Virtual Force Model) và Lý thuyết Metaheuristic.

Hàm mục tiêu độ chồng lấn $\text{Olap}(S)$ độc đáo được thiết lập nguyên văn như sau: $$\text{Olap}(S) = \sum_{i=1}^n \sum_{j=i+1}^n \text{overlap}(s_i, s_j) + \sum_{i=1}^n \sum_{m=1}^4 \text{overlap}(s_i, b_m)$$ Trong đó, hàm chồng lấn giữa hai cảm biến $s_i, s_j$ được phân nhánh nghiêm ngặt theo khoảng cách Euclidean $d(s_i, s_j)$: $$\text{overlap}(s_i, s_j) = \begin{cases} 0 & \text{khi } d(s_i, s_j) \ge r_{s_i} + r_{s_j} \ \gamma(r_{s_i} + r_{s_j} - d(s_i, s_j)) & \text{khi } |r_{s_i} - r_{s_j}| \le d(s_i, s_j) < r_{s_i} + r_{s_j} \ \beta \min(r_{s_i}, r_{s_j}) & \text{khi } d(s_i, s_j) < |r_{s_i} - r_{s_j}| \end{cases}$$ với các hệ số phạt vi phạm $\gamma$ và $\beta$ ($\beta > \gamma$) được thiết kế để áp mức phạt cực đại khi một cảm biến bị lồng hoàn toàn vào cảm biến khác.

Khung phân tích này loại bỏ hoàn toàn sự không đồng nhất giữa không gian kiểu gen (genotype) và không gian kiểu hình (phenotype), xác lập điều kiện biên giải tích rõ ràng, giúp hướng không gian tìm kiếm trực tiếp vào vùng nghiệm tối ưu toàn cục.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu áp dụng lập trường nhận thức luận thực chứng (positivism) kết hợp chặt chẽ giữa mô hình hóa toán học hình thức và phân tích thực nghiệm định lượng nghiêm ngặt. Thiết kế nghiên cứu đa tầng bao gồm:

  • Tầng mô hình hóa: Chuyển đổi các bài toán vật lý thực tế trong WSNs thành bài toán quy hoạch toán học liên tục và tổ hợp phi tuyến.
  • Tầng thuật toán: Thiết kế và tùy biến các toán tử lai ghép (Laplace Crossover - LX, Arithmetic Crossover - AMXO, BLX-$\alpha$), toán tử đột biến Gauss động, và cơ chế di chuyển theo vector vận tốc thích nghi.
  • Tầng kiểm chứng: So sánh đối chuẩn (benchmarking) đa kịch bản trên các tập dữ liệu chuẩn hóa của cộng đồng nghiên cứu quốc tế.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ các chuẩn mực khoa học cao cấp nhất:

  • Toán tử lai ghép và đột biến tiên tiến: Nhằm duy trì tính đa dạng di truyền, luận án tích hợp phép lai ghép mở rộng BLX-$\alpha$ kết hợp đột biến phân phối Gauss có độ lệch chuẩn co dần theo thời gian thế hệ $\sigma(t) = \sigma_0 (1 - t/T_{\max})$, ngăn chặn hoàn toàn hiện tượng phân rã lời giải.
  • Khởi tạo quần thể Heuristic: Áp dụng tỷ lệ khởi tạo lai ghép 50% ngẫu nhiên và 50% heuristic (định vị cảm biến theo mạng lưới phân cụm hoặc lực đẩy cách ly) nhằm tăng tốc độ hội tụ ban đầu mà không làm nghèo nàn ngân hàng gen.
  • Kiểm định độ tin cậy và tính hợp lệ: Mọi thuật toán (MIGA, DPSO, ICS, CFPA, IPSO, UTSP, USP) đều được chạy lặp lại 30 lần độc lập trên mỗi bộ dữ liệu. Kết quả được thu thập tự động, tính toán giá trị kỳ vọng toán học (Trung bình - Avg), độ lệch chuẩn (Standard Deviation - SD), giá trị cực đại đạt được (Upper Bound) và thời gian thực thi (Execution Time tính bằng giây).

Data và phân tích

Toàn bộ hệ thống thực nghiệm được cài đặt và thực thi trên môi trường phần cứng đồng nhất (Intel Xeon CPU 2.x GHz, RAM tiêu chuẩn), sử dụng 15 bộ dữ liệu chuẩn (kí hiệu từ s1-01 đến s5-09) với số lượng cảm biến tăng dần từ 17, 30, 50, 80 đến 130 nút; bán kính cảm nhận không đồng nhất chia thành nhiều cấp độ khác nhau.

Phân tích định lượng bao gồm việc đánh giá trên 5 kịch bản thực nghiệm chướng ngại vật phức tạp, xem xét các tiêu chuẩn bao phủ 70%, 80% và 90% diện tích vùng quan tâm $A$. Các công cụ thống kê mô tả và biểu đồ hội tụ thế hệ được sử dụng để chứng minh tính vượt trội của các giải thuật cải tiến.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Giảm thiểu đột phá độ phức tạp tính toán từ $O(nL)$ về $O(n^2)$: Trong bài toán cực đại diện tích bao phủ WSNs không đồng nhất, các giải thuật đề xuất (MIGA, DPSO, ICS, CFPA) vượt trội hoàn toàn so với OPTHGA (Yoon et al., 2013). Trên bộ dữ liệu lớn nhất ($n=130$ cảm biến), trong khi OPTHGA mất tới hơn 42 phút (khoảng 2550 giây) để hoàn thành 1000 thế hệ do phải gieo $L=100.000$ điểm Monte Carlo, thì các thuật toán sử dụng hàm thích nghi $\text{Olap}$ chỉ mất từ vài giây đến dưới 2 phút, đạt tốc độ xử lý nhanh hơn từ 20 đến 40 lần.
  2. Nâng cao tỷ lệ bao phủ và ổn định độ lệch chuẩn: Qua 30 lần chạy thực nghiệm trên 15 bộ dữ liệu, thuật toán MIGA và CFPA đạt độ bao phủ trung bình tiệm cận Upper Bound lý thuyết ở cả 3 mức yêu cầu 70%, 80% và 90% diện tích, với độ lệch chuẩn SD cực nhỏ (thường $< 0.005$), chứng minh khả năng vượt qua cực trị địa phương cực kỳ ổn định.
  3. Chiến lược IPSO 3 pha giải quyết triệt để rào cản chướng ngại vật: Tại Chương 3, khi đưa các chướng ngại vật hình chữ nhật vào miền giám sát, thuật toán Cải tiến Tối ưu hóa Bầy đàn (IPSO) kết hợp chiến lược gán trọng số phân vùng $C_{\text{best}}$ và lực đẩy ảo sửa đổi (MVFA) đã đạt tỷ lệ bao phủ vượt hơn 12-18% so với PSO chuẩn và GA truyền thống, đồng thời triệt tiêu hoàn toàn hiện tượng cảm biến bị rơi vào bên trong vùng cấm chướng ngại vật.
  4. Hiệu năng vượt bậc của giải thuật UTSP trong mạng chịu lỗi và Mobile Sink: Trong bài toán bao phủ đối tượng đảm bảo liên thông 2-đường đi (chịu lỗi) và thu thập dữ liệu bằng trạm di động (Chương 4), thuật toán UTSP (sử dụng chu trình TSP để liên kết cụm) giảm được từ 15% đến 25% số lượng nút chuyển tiếp (Relay Nodes) cần thiết so với giải thuật USP (dựa trên Cây khung nhỏ nhất - Spanning Tree), đồng thời rút ngắn đáng kể thời gian di chuyển của trạm thu phát di động trong các chu kỳ thu thập.
+-----------------------------------------------------------------------------------+
|               BẢNG SO SÁNH HIỆU NĂNG THỰC NGHIỆM ĐIỂN HÌNH                        |
+----------------------+--------------------+-------------------+-------------------+
| Tiêu chí / Thuật toán| OPTHGA (Yoon 2013) | MIGA (Luận án)    | CFPA (Luận án)    |
+----------------------+--------------------+-------------------+-------------------+
| Độ phức tạp hàm Fit  | O(nL) - Monte Carlo| O(n^2) - Giải tích| O(n^2) - Giải tích|
| Thời gian chạy (n=130| > 42 phút          | ~ 1.2 phút        | ~ 1.5 phút        |
| Độ lệch chuẩn (SD)   | Trung bình / Cao   | Rất thấp (<0.005) | Cực thấp          |
| Khả năng xử lý vật cản| Không hỗ trợ      | Tích hợp MVFA     | Tích hợp MVFA     |
+----------------------+--------------------+-------------------+-------------------+

Implications đa chiều

  • Về mặt Lý thuyết: Luận án mở ra phương pháp luận chuẩn mực trong việc chuyển đổi các bài toán hình học tính toán phức tạp sang các hàm mục tiêu giải tích khả vi hoặc bán khả vi, tạo tiền đề ứng dụng cho các bài toán tối ưu hóa topo mạng quy mô siêu lớn.
  • Về mặt Phương pháp: Cung cấp bộ công cụ lai ghép metaheuristic hoàn chỉnh, kết hợp nhuần nhuyễn giữa khả năng thăm dò toàn cục (global exploration) của giải thuật tiến hóa/bầy đàn và khả năng khai thác cục bộ (local exploitation) của cơ chế lực vật lý ảo.
  • Về mặt Thực tiễn: Mang lại giải pháp thiết kế mạng IoT tối ưu chi phí: giảm số lượng cảm biến cần mua sắm ban đầu, kéo dài tuổi thọ pin toàn mạng nhờ phân bổ tải đều, và bảo đảm luồng dữ liệu truyền về trạm Base Station không bị đứt gãy ngay cả khi một số nút mạng bị phá hủy vật lý.

Limitations và Future Research

Nhìn nhận một cách khách quan theo chuẩn mực học thuật, luận án tồn tại một số giới hạn nghiên cứu:

  1. Mô hình cảm biến hình học 2D lý tưởng hóa: Các mô hình bán kính cảm nhận đĩa nhị phân được thực nghiệm chủ yếu trong không gian phẳng 2D. Môi trường thực tế với địa hình 3D lồi lõm có thể làm suy hao tín hiệu theo các quy luật phi tuyến tính phức tạp hơn.
  2. Giả định chướng ngại vật dạng chữ nhật tĩnh: Chướng ngại vật được mô hình hóa dưới dạng các hình chữ nhật cố định; chưa xét đến các vật cản có hình dạng đa giác bất kỳ hoặc các chướng ngại vật di động theo thời gian.
  3. Mô hình tiêu thụ năng lượng của trạm di động: Nghiên cứu tập trung tối ưu hóa số nút và quỹ đạo hình học, chưa tích hợp mô hình động học chi tiết về gia tốc và tiêu hao năng lượng cơ học khi trạm thu phát di động thay đổi hướng đột ngột.

Chương trình nghiên cứu 5-10 năm tới mở ra các hướng phát triển:

  • Mở rộng không gian bài toán lên mô hình 3D Barrier Coverage và 3D Target Coverage với sự tham gia của thiết bị bay không người lái (UAVs) đóng vai trò Mobile Sinks.
  • Tích hợp các thuật toán Học tăng cường sâu (Deep Reinforcement Learning - DRL) để điều khiển trạm thu thập dữ liệu thích nghi theo thời gian thực trong môi trường có chướng ngại vật động.
  • Phát triển các cơ chế tối ưu phân tán (Distributed Metaheuristics), trong đó bản thân mỗi cụm cảm biến tự chạy thuật toán cục bộ mà không phụ thuộc vào máy chủ tính toán tập trung.

Tác động và ảnh hưởng

  • Ảnh hưởng Học thuật: Các thuật toán MIGA, DPSO, CFPA và IPSO đề xuất trong luận án đóng góp nguồn tài liệu tham khảo giá trị cho cộng đồng nghiên cứu Trí tuệ nhân tạo và Mạng vô tuyến, mở ra hướng trích dẫn tiềm năng trong các tạp chí chuyên ngành hàng đầu thuộc hệ thống ISI/Scopus (như IEEE Transactions on Mobile Computing, IEEE Sensors Journal, Ad Hoc Networks).
  • Chuyển đổi Công nghiệp & Đô thị Thông minh: Ứng dụng trực tiếp trong việc bố trí cảm biến giao thông thông minh (ITS), giám sát nồng độ khí gas nhà máy, theo dõi dây chuyền tự động hóa công nghiệp và tối ưu mạng lưới quan trắc môi trường thông minh.
  • Ý nghĩa Quốc gia và Xã hội: Cung cấp giải pháp công nghệ trọng yếu cho việc thiết lập mạng cảm biến cảnh báo sớm thiên tai, sạt lở đất đá vùng núi hiểm trở, giám sát tự động độ dịch chuyển thân đập tại các công trình thủy điện trọng điểm quốc gia (như Thủy điện Hòa Bình) và mạng cảm biến an ninh quốc phòng phát hiện xâm nhập đường biên giới.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Học viên Cao học: Tiếp cận phương pháp luận thiết lập bài toán tối ưu hóa NP-khó, kỹ thuật chuyển đổi hàm mục tiêu Monte Carlo sang giải tích hình học và quy trình thực nghiệm đối chuẩn chuẩn mực.
  • Các Giáo sư & Nhà khoa học chuyên ngành: Nắm bắt khung phân tích kết hợp giữa lý thuyết tiến hóa sinh học, trí tuệ bầy đàn và lý thuyết lực vật lý để áp dụng cho các bài toán tối ưu tổ hợp tương đương.
  • Kỹ sư R&D và Kiến trúc sư Hệ thống IoT: Sở hữu các thuật toán sẵn sàng triển khai thực tế nhằm tiết kiệm từ 20-30% chi phí phần cứng khi xây dựng hạ tầng mạng cảm biến diện rộng.
  • Cơ quan Hoạch định và Quản lý Nhà nước: Có cơ sở khoa học tin cậy để thẩm định các đề án công nghệ thông tin, giám sát an toàn hồ đập thủy điện và hệ thống cảnh báo sớm thảm họa thiên tai quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc xây dựng thành công hàm đánh giá thích nghi giải tích thông qua độ chồng lấn hình học $\text{Olap}(S)$ phân tách đa trường hợp. Hàm số này mở rộng trực tiếp Lý thuyết Giải thuật Di truyền trong WSNs của Yourim Yoon (2013), giải quyết triệt để hiện tượng xung đột không gian kiểu gen - kiểu hình mà không cần đến ma trận chuẩn hóa Hungarian đắt đỏ, đồng thời hạ bậc độ phức tạp tính toán từ $O(nL)$ xuống $O(n^2)$.

2. Đột phá về phương pháp luận so với các công trình quốc tế tiêu biểu?

So với nghiên cứu của Yoon et al. (2013) sử dụng OPTHGA và Begum et al. (2010) sử dụng ABC, luận án đã đột phá về phương pháp luận bằng cách lai ghép đa tầng: tích hợp toán tử đột biến Gauss động vào giải thuật di truyền cải tiến (MIGA), đưa cơ chế hỗn loạn và luật bay Lévy vào thuật toán thụ phấn cho hoa (CFPA), và kết hợp mô hình lực ảo hiệu chỉnh (MVFA) vào bầy đàn PSO để tự động đẩy các nút mạng thoát khỏi vùng che khuất của chướng ngại vật hình chữ nhật.

3. Phát hiện bất ngờ nhất có dữ liệu thực nghiệm chứng minh là gì?

Phát hiện bất ngờ nhất là thuật toán Tối ưu hóa Thụ phấn Hoa Hỗn loạn (CFPA) và DPSO cho tốc độ hội tụ và độ ổn định vượt trội hơn cả các biến thể GA được tối ưu hóa sâu. Trên 15 bộ dữ liệu với 30 lần chạy độc lập, độ lệch chuẩn của CFPA đạt mức gần như bằng 0 ($< 0.002$), chứng minh rằng tính chất hỗn loạn (chaotic maps) giúp các cá thể phân tán cực kỳ hiệu quả, loại bỏ hoàn toàn nguy cơ hội tụ sớm tại các hố bẫy tối ưu địa phương.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?

Có. Toàn bộ tham số thực nghiệm (kích thước quần thể, số thế hệ, xác suất lai ghép $p_c$, xác suất đột biến $p_m$, hệ số học $c_1, c_2, c_3$, bước nhảy Lévy $\lambda$, hệ số phạt vi phạm $\gamma, \beta$) cùng cấu trúc 15 bộ dữ liệu kiểm chuẩn và tọa độ chướng ngại vật đều được tài liệu hóa chi tiết trong các bảng tham số tại Chương 2, Chương 3 và Chương 4, cho phép cộng đồng học thuật tái lập chính xác kết quả thực nghiệm.

5. Lộ trình nghiên cứu phát triển trong 10 năm tới được phác thảo ra sao?

Lộ trình 10 năm tới định hướng mở rộng bài toán sang không gian 3 chiều liên tục với cảm biến định hướng (Directional Sensors), tích hợp các trạm thu phát di động gắn trên phương tiện bay không người lái (UAV-enabled WSNs), và xây dựng các giao thức định tuyến kết hợp thu thập dữ liệu phân tán tự thích nghi bằng Trí tuệ nhân tạo biên (Edge AI).

Kết luận

Luận án Tiến sĩ của tác giả Nguyễn Thị Hạnh đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với 5 đóng góp học thuật cốt lõi:

  1. Thiết lập khung hàm mục tiêu giải tích $\text{Olap}(S)$ đạt độ phức tạp tối ưu $O(n^2)$, phá vỡ nút thắt nghẽn tính toán kéo dài nhiều năm của phương pháp Monte Carlo trong bài toán bao phủ WSNs không đồng nhất.
  2. Đề xuất bộ giải thuật metaheuristic tiên tiến (MIGA, DPSO, ICS, CFPA) với khả năng hội tụ nhanh, độ lệch chuẩn cực thấp và tỷ lệ bao phủ diện tích tiệm cận mức tối ưu tuyệt đối.
  3. Tiên phong mô hình hóa và giải quyết trọn vẹn bài toán bao phủ có chướng ngại vật bằng giải thuật IPSO kết hợp lực ảo sửa đổi MVFA, giải quyết bài toán kỹ thuật sát thực tế triển khai.
  4. Xây dựng mô hình tối ưu hóa bao phủ đối tượng đảm bảo kết nối chịu lỗi và tích hợp Mobile Sinks, chứng minh tính vượt trội của giải thuật UTSP trong việc cắt giảm số lượng nút cảm biến và nút chuyển tiếp.
  5. Cung cấp hệ thống dữ liệu thực nghiệm đối chuẩn phong phú, tạo tiền đề và mở ra ít nhất 3 nhánh nghiên cứu mới về mạng cảm biến không dây di động đa chiều, đóng góp thiết thực cho sự phát triển của nền khoa học công nghệ nước nhà và tiến trình chuyển đổi số trong kỷ nguyên IoT.