Luận án tiến sĩ: Phát triển thuật toán tiến hóa giải bài toán tối ưu mạng không dây - Nguyễn Gia Như (ĐH KHTN HN)

Mạng không dây thế hệ mới, bao gồm mạng 5G và mạng IoT, đang tạo ra một kỷ nguyên kết nối mới. Tuy nhiên, chúng cũng mang đến những thách thức tối ưu hóa đáng kể. Các vấn đề như tối đa hóa thông lượng, tối thiểu hóa độ trễ, và kéo dài tuổi thọ pin cho các thiết bị mạng cảm biến không dây là rất quan trọng. Mạng lưới không dây (Wireless Mesh Networks) và mạng Ad-hoc có cấu trúc năng động, gây khó khăn trong việc quản lý. Việc phân bổ tài nguyên phổ tần và năng lượng một cách hiệu quả trở nên phức tạp. Ngoài ra, việc cân bằng tải giữa các node, giảm thiểu nhiễu xuyên kênh, và đảm bảo kết nối ổn định trong môi trường thay đổi liên tục cũng là các rào cản lớn. Các giải pháp tối ưu hóa truyền thống thường không đáp ứng được tính phức tạp và quy mô của các bài toán này. Cần có những phương pháp thông minh, linh hoạt để đáp ứng những yêu cầu khắt khe của hạ tầng mạng hiện đại.

Thuật toán tiến hóa là một nhóm các phương pháp meta-heuristics lấy cảm hứng từ sinh học. Chúng mô phỏng quá trình tiến hóa tự nhiên, bao gồm chọn lọc tự nhiên, lai ghép, và đột biến. Mục tiêu là tìm kiếm các giải pháp tối ưu cho các bài toán phức tạp. Trong số đó, thuật toán di truyền (Genetic Algorithm - GA) và thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO) là hai đại diện nổi bật. Các thuật toán này thuộc lĩnh vực trí tuệ nhân tạo và học máy. Chúng có khả năng tìm kiếm hiệu quả trong không gian giải pháp rộng lớn, thậm chí với các bài toán tối ưu hóa đa mục tiêu. Đặc biệt, chúng rất phù hợp để giải quyết các vấn đề tối ưu không lồi và NP-hard. Luận án này khai thác sâu sắc tiềm năng của thuật toán tiến hóa. Chúng cung cấp các công cụ mạnh mẽ để cải thiện hiệu suất và quản lý hiệu quả tài nguyên trong mạng không dây.

Meta-heuristics đóng vai trò trung tâm trong nghiên cứu tối ưu hóa mạng không dây. Chúng là các chiến lược tìm kiếm giải pháp gần tối ưu một cách hiệu quả, đặc biệt khi không gian tìm kiếm quá lớn hoặc phức tạp. Khác với các phương pháp tối ưu hóa chính xác, meta-heuristics không đảm bảo tìm ra giải pháp tối ưu toàn cục. Tuy nhiên, chúng có khả năng tìm kiếm các giải pháp rất tốt trong thời gian tính toán chấp nhận được. Các ví dụ điển hình bao gồm thuật toán di truyền, tối ưu hóa bầy đàn, và tối ưu hóa đàn kiến (Ant Colony Optimization - ACO). Những phương pháp này được ứng dụng rộng rãi trong việc phân bổ tài nguyên, định tuyến, và đặt cấu hình mạng. Sự linh hoạt và khả năng thích ứng của meta-heuristics giúp chúng trở thành công cụ không thể thiếu. Chúng giải quyết các bài toán tối ưu hóa đa mục tiêu trong mạng 5G, mạng IoT, và mạng cảm biến không dây. Luận án tận dụng tối đa những ưu điểm này.

Mạng lưới không dây mang lại nhiều lợi ích về khả năng mở rộng và độ tin cậy. Chúng là nền tảng quan trọng cho các ứng dụng trong mạng IoT và mạng 5G. Tuy nhiên, việc tối ưu thông lượng trong môi trường này cực kỳ phức tạp. Bài toán liên quan đến việc thiết lập định tuyến tối ưu, quản lý hiệu quả tài nguyên kênh, và cân bằng tải. Luận án mô hình hóa chi tiết bài toán thông lượng mạng lưới. Các yếu tố như nhiễu, công suất truyền, và kiến trúc mạng được xem xét kỹ lưỡng. Mục tiêu là đạt được thông lượng tổng thể cao nhất có thể, đồng thời đảm bảo công bằng cho tất cả người dùng. Việc phân tích và đánh giá các phương pháp tính toán thông lượng hiện có cũng được thực hiện. Điều này đặt nền móng cho việc phát triển các giải pháp tối ưu hóa mới.

Vị trí đặt các gateway có ảnh hưởng rất lớn đến thông lượng và vùng phủ sóng của mạng không dây. Luận án đề xuất một phương pháp dựa trên thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO) để xác định vị trí tối ưu cho các gateway. Một mô hình biểu diễn các phần tử giải pháp được xây dựng. Hàm đo độ thích nghi được thiết kế để đánh giá hiệu suất của từng cấu hình đặt gateway. Qua quá trình tiến hóa lặp lại, thuật toán PSO tìm kiếm và hội tụ về các vị trí gateway mang lại thông lượng cao nhất. Phương pháp này giúp phân bổ tài nguyên mạng hiệu quả, giảm thiểu tắc nghẽn, và tăng cường khả năng kết nối. Các kết quả mô phỏng chứng minh rằng cách tiếp cận dựa trên trí tuệ nhân tạo này mang lại hiệu quả vượt trội. Nó tối ưu hóa đáng kể so với các phương pháp lựa chọn vị trí truyền thống.

Truyền thông Broadcast là một chế độ truyền dữ liệu thiết yếu trong nhiều ứng dụng mạng không dây, bao gồm mạng cảm biến không dây và IoT. Để đạt hiệu quả cao, cần có một cây truyền thông tối ưu. Luận án giải quyết bài toán cây khung truyền thông tối ưu bằng cách sử dụng thuật toán PSO. Một phương pháp mã hóa liên kết cạnh và nút (LNB) được phát triển để biểu diễn cấu trúc cây trong không gian tìm kiếm của PSO. Điều này cho phép thuật toán tìm kiếm các cấu trúc cây mang lại hiệu suất Broadcast tốt nhất. Cây truyền thông tối ưu giúp giảm tải mạng, giảm độ trễ, và đảm bảo phân phối thông tin nhanh chóng, đáng tin cậy. Nghiên cứu này đóng góp vào việc cải thiện hiệu suất của các hệ thống truyền thông đa điểm, vốn rất quan trọng trong các ứng dụng thực tế.

Vị trí đặt các trạm cơ sở có ảnh hưởng quyết định đến vùng phủ sóng, dung lượng và chi phí triển khai của mạng thông tin di động. Luận án nghiên cứu chi tiết bài toán đặt trạm điều khiển, với mục tiêu kép là tối đa hóa vùng phủ sóng và tối thiểu hóa số lượng trạm cần thiết. Thuật toán tối ưu hóa bầy đàn (PSO) được áp dụng để tìm kiếm các vị trí tối ưu cho các trạm. Một mô hình thực nghiệm được xây dựng, cùng với việc thiết lập tham số cẩn thận cho thuật toán. Các phân tích và đánh giá cho thấy rằng phương pháp dựa trên PSO mang lại hiệu quả vượt trội. Nó tốt hơn nhiều so với các phương pháp lựa chọn vị trí hiện có. Giải pháp này đặc biệt hữu ích cho việc quy hoạch và mở rộng mạng 5G, giúp tối ưu hóa chi phí đầu tư và vận hành.

Tối ưu hóa truy cập tập trung là một thách thức quan trọng trong việc quản lý hiệu quả tài nguyên mạng không dây. Bài toán này liên quan đến việc phân bổ quyền truy cập và lập lịch trình truyền dẫn cho nhiều thiết bị. Mục tiêu là tối đa hóa thông lượng hoặc giảm thiểu độ trễ. Luận án đề xuất một thuật toán PSO để giải quyết bài toán phức tạp này. Mô hình hóa và phát biểu bài toán được thực hiện một cách rõ ràng, xác định các mục tiêu và ràng buộc. Kết quả mô phỏng chứng minh rằng thuật toán có khả năng cải thiện đáng kể hiệu suất truy cập. Đặc biệt, nó giảm thiểu tắc nghẽn mạng và nâng cao khả năng phục vụ cho một lượng lớn các thiết bị trong mạng IoT. Đây là một đóng góp quan trọng cho việc quản lý tài nguyên thông minh.

Các phương pháp tối ưu hóa được phát triển trong luận án có tiềm năng ứng dụng rộng rãi. Đặc biệt trong các hệ thống mạng 5G và môi trường Internet of Things (IoT) đang phát triển nhanh chóng. Việc đặt trạm cơ sở tối ưu không chỉ giúp triển khai mạng 5G nhanh hơn, mà còn tiết kiệm chi phí vận hành. Tối ưu hóa truy cập tập trung cải thiện hiệu quả của mạng IoT. Nó đảm bảo các thiết bị cảm biến không dây hoạt động một cách tin cậy và hiệu quả năng lượng. Khả năng phân bổ tài nguyên động và thông minh là rất quan trọng. Nó đáp ứng yêu cầu đa dạng của các dịch vụ mới và các ứng dụng đòi hỏi độ trễ cực thấp. Luận án cung cấp một nền tảng vững chắc. Nó cho phép phát triển các giải pháp tối ưu hóa mạng không dây trong tương lai.

Thuật toán di truyền (GA) là một thuật toán tiến hóa cổ điển. Nó dựa trên nguyên lý chọn lọc tự nhiên và di truyền của Darwin. GA bắt đầu với một quần thể các giải pháp ngẫu nhiên. Nó sau đó cải thiện chúng qua nhiều thế hệ bằng các toán tử như chọn lọc, lai ghép (crossover), và đột biến (mutation). Các toán tử này mô phỏng quá trình tiến hóa sinh học. GA rất hiệu quả cho các bài toán tối ưu hóa đa mục tiêu và các không gian tìm kiếm phức tạp. Nó có khả năng thoát khỏi các cực tiểu cục bộ tốt. Luận án xem xét chi tiết cách GA có thể được điều chỉnh và áp dụng. Nó giải quyết các vấn đề phân bổ tài nguyên kênh, tối ưu hóa định tuyến, và nâng cao thông lượng trong mạng không dây. GA cung cấp một phương pháp mạnh mẽ cho trí tuệ nhân tạo trong tối ưu hóa.

Thuật toán tối ưu hóa bầy đàn (PSO) được lấy cảm hứng từ hành vi xã hội của các loài vật, như đàn chim hoặc bầy cá. Trong PSO, mỗi "hạt" (particle) đại diện cho một giải pháp tiềm năng. Nó di chuyển trong không gian tìm kiếm, điều chỉnh vị trí và vận tốc dựa trên kinh nghiệm của chính nó và kinh nghiệm tốt nhất của toàn bộ bầy. PSO nổi bật với khả năng hội tụ nhanh, cấu trúc đơn giản, và dễ triển khai. Những ưu điểm này làm cho PSO trở thành một công cụ lý tưởng cho các bài toán tối ưu hóa phức tạp. Luận án sử dụng PSO làm công cụ chính. Nó giải quyết các bài toán tối ưu hóa thông lượng, đặt gateway, và đặt trạm cơ sở trong mạng không dây. Các biến thể của PSO cũng được nghiên cứu để nâng cao hiệu quả.

Để khắc phục nhược điểm và nâng cao hiệu quả, nhiều biến thể của PSO đã được phát triển. Luận án nghiên cứu các biến thể như PSO dạng Constriction, PSO–TVIW (Time-Varying Inertia Weight), PSO-TVAC (Time-Varying Acceleration Coefficients), và MPSO–TVAC (Multi-swarm PSO-TVAC). Mỗi biến thể có những cải tiến riêng. Chúng giúp tăng cường khả năng tìm kiếm toàn cục và tránh bị kẹt vào cực tiểu cục bộ. Ngoài ra, luận án cũng đề cập đến sự kết hợp PSO với các phương pháp khác, tạo ra các thuật toán lai mạnh mẽ hơn. Ví dụ, sự kết hợp với SWT-PSO. Các phương pháp này được thiết kế để giải quyết các bài toán tối ưu hóa đa mục tiêu phức tạp hơn trong mạng không dây. Chúng bao gồm cả mạng cảm biến không dây và các hệ thống phân bổ tài nguyên đòi hỏi độ chính xác cao.

Việc phát triển các thuật toán tiến hóa trong luận án tuân thủ một khung nghiên cứu bài bản. Khung này bắt đầu bằng việc phân tích và mô hình hóa bài toán chi tiết. Sau đó là lựa chọn và điều chỉnh thuật toán meta-heuristics phù hợp nhất. Các thành phần cơ bản của thuật toán, như hàm đo độ thích nghi, cơ chế khởi tạo quần thể, và điều kiện dừng, được tinh chỉnh cẩn thận. Mục tiêu là đảm bảo thuật toán đạt hiệu suất cao nhất. Khung này cho phép tạo ra các thuật toán mạnh mẽ và linh hoạt. Chúng có khả năng thích ứng với nhiều kịch bản mạng khác nhau, từ mạng cảm biến không dây đến mạng 5G. Nó cung cấp các công cụ tối ưu hóa linh hoạt. Nó hỗ trợ việc ra quyết định trong quản lý và vận hành mạng.

Nhiều bài toán tối ưu hóa trong mạng không dây không chỉ có một mục tiêu. Ví dụ, cần tối đa hóa thông lượng đồng thời tối thiểu hóa năng lượng tiêu thụ. Hoặc cân bằng tải và giảm độ trễ mạng. Đây là các bài toán tối ưu hóa đa mục tiêu. Các thuật toán tiến hóa đa mục tiêu được thiết kế để tìm ra một tập hợp các giải pháp thỏa hiệp, được gọi là tập Pareto. Mỗi giải pháp trong tập Pareto là tối ưu theo một khía cạnh nào đó. Nó không thể cải thiện một mục tiêu mà không làm xấu đi mục tiêu khác. Điều này cho phép các nhà khai thác mạng lựa chọn giải pháp phù hợp nhất với ưu tiên cụ thể của họ. Luận án đóng góp vào việc phát triển các phương pháp tiếp cận mới. Chúng giải quyết hiệu quả các bài toán phức tạp này trong mạng 5G và IoT.

Nghiên cứu này đóng góp đáng kể vào lĩnh vực trí tuệ nhân tạo và tối ưu hóa mạng không dây. Nó cung cấp các giải pháp tiên tiến để cải thiện thông lượng và tối ưu hóa truy cập mạng. Các thuật toán tối ưu hóa bầy đàn (PSO) được cải tiến và ứng dụng thành công. Nó giải quyết các bài toán thực tiễn như đặt gateway và đặt trạm cơ sở. Luận án mở ra nhiều hướng nghiên cứu tiếp theo. Bao gồm phát triển các thuật toán học máy kết hợp với tiến hóa. Nó cũng bao gồm việc áp dụng cho các công nghệ mạng mới như 6G. Các đóng góp này có ý nghĩa quan trọng. Chúng giúp nâng cao hiệu quả, độ tin cậy và khả năng mở rộng của các hệ thống mạng không dây hiện đại. Nó định hình tương lai của việc phân bổ tài nguyên thông minh.