Tổng quan về luận án

Trong kỷ nguyên Internet vạn vật (Internet of Things - IoT), mạng cảm biến không dây (Wireless Sensor Networks - WSNs) giữ vai trò là hạ tầng thu thập dữ liệu và giám sát không gian vật lý trọng yếu. Một trong những thách thức cốt lõi của WSNs là bài toán đo lường và đánh giá chất lượng bao phủ (coverage measurement), đặc biệt là bao phủ rào chắn (Barrier Coverage - BC). Khác với bao phủ điểm (Point Coverage) hay bao phủ diện tích (Area Coverage), bao phủ rào chắn tập trung vào việc phát hiện các đối tượng chuyển động xâm nhập qua một vùng quan tâm (Region of Interest - ROI). Bài toán tìm đường thâm nhập có mức độ lộ diện tối thiểu (Minimal Exposure Path - MEP) được xem là phiên bản nâng cao và là thước đo chuẩn xác nhất để định lượng độ tin cậy của hệ thống rào chắn giám sát.

Khoảng trống nghiên cứu (research gap) lớn nhất trong các y văn trước đây (như công trình nền tảng của Meguerdichian et al., 2001; Megerian et al., 2005) là việc thiết lập các mô hình dựa trên những giả định lý tưởng hóa: mạng cảm biến tĩnh, mô hình cảm nhận đĩa nhị phân (Boolean disk model) thuần túy không chịu tác động của nhiễu, môi trường đồng nhất và hoàn toàn không có vật cản. Điều này tạo ra khoảng cách rất lớn giữa kết quả lý thuyết trong phòng thí nghiệm và việc triển khai WSNs trong thực tế. Luận án tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101) của tác giả Nguyễn Thị Mỹ Bình, dưới sự hướng dẫn của PGS.TS. Huỳnh Thị Thanh Bình và PGS.TS. Nguyễn Đức Nghĩa tại Trường Công nghệ Thông tin và Truyền thông, Đại học Bách khoa Hà Nội (2020), mang tiêu đề "Approximate algorithms for solving the minimal exposure path problems in wireless sensor networks", đã giải quyết trực diện bài toán tối ưu tổ hợp thuộc lớp NP-hard này.

Luận án tập trung giải quyết 4 câu hỏi nghiên cứu và 4 giả thuyết khoa học chính:

  1. RQ1 & H1: Làm thế nào để mô hình hóa và tìm đường MEP trong mạng cảm biến di động (Mobile WSNs - MWSNs) khi vị trí các nút thay đổi liên tục theo thời gian? Giả thuyết H1: Tích phân cường độ cảm nhận phụ thuộc thời gian $E(\wp, T) = \int_0^T I(l(t))dt$ kết hợp giải thuật lai ghép Heuristic sẽ tìm ra đường thâm nhập tối ưu vượt trội so với các thuật toán tiến hóa đơn lẻ.
  2. RQ2 & H2: Làm thế nào để xác định MEP dưới mô hình cảm nhận xác suất (Probabilistic Sensing Model) có xét đến nhiễu môi trường và loại bỏ hiện tượng dao động răng cưa (saw-tooth effect)? Giả thuyết H2: Việc kết hợp biểu diễn nhiễm sắc thể dạng tọa độ thực với toán tử $ALX-\alpha$ và đột biến loại bỏ gene sẽ triệt tiêu hiệu quả bậc dao động răng cưa.
  3. RQ3 & H3: Phương pháp nào tối ưu hóa đường MEP trong mạng cảm biến đa phương tiện định hướng dị thể (Heterogeneous Wireless Multimedia Sensor Networks - HeWMSNs)? Giả thuyết H3: Mô hình hóa lực vạn vật hấp dẫn (Gravitational Force) tích hợp vào thuật toán bầy đàn (GPSO) sẽ định hướng các hạt rời xa vùng phủ sóng có góc quét bất lợi.
  4. RQ4 & H4: Làm thế nào để tìm đường MEP trong môi trường tồn tại các vật cản đa giác bất kỳ (Obstacles-Evasion MEP - OE-MEP) làm suy hao hoặc triệt tiêu tín hiệu cảm nhận? Giả thuyết H4: Giải thuật tiến hóa hệ gia đình (Family System Based Evolutionary Algorithm - FEA) kết hợp toán tử chuẩn hóa (Normalization operator) sẽ loại bỏ hoàn toàn các nghiệm không khả thi cắt ngang vật cản.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết Bao phủ Rào chắn (Barrier Coverage Theory), Lý thuyết Tối ưu hóa Tổ hợp (Combinatorial Optimization), Tính toán Tiến hóa (Evolutionary Computation - Holland, 1975) và Trí tuệ Bầy đàn (Particle Swarm Optimization - Kennedy & Eberhart, 1995). Đóng góp mang tính đột phá của luận án là việc xây dựng hệ thống 4 bài toán MEP thực tế, thiết kế các giải thuật xấp xỉ tân tiến (GAMEP, HPSO-MMEP, GB-MEP, GA-MEP, HEA, GPSO, FEA) và kiểm chứng thực nghiệm trên hàng loạt bộ dữ liệu từ 30 đến 100 nút cảm biến, các phân bố đa dạng (Uniform, Gaussian, Exponential) với độ phức tạp tính toán được tối ưu hóa rõ rệt.

Literature Review và Positioning

Lịch sử nghiên cứu bài toán MEP trong WSNs có thể được chia thành ba nhánh tiếp cận chính trong y văn quốc tế:

                                  TIẾP CẬN BÀI TOÁN MEP TRONG WSNs
                                                 │
         ┌───────────────────────────────────────┼────────────────────────────────────────┐
         │                                       │                                        │
         ▼                                       ▼                                        ▼
   HÌNH HỌC TÍNH TOÁN                         LƯỚI HÓA                              METAHEURISTICS
 (Computational Geometry)                   (Grid-Based)                         (Bio-Inspired / NFE)
         │                                       │                                        │
 ├─ Meguerdichian et al. (2001)          ├─ Veltri et al. (2003)                  ├─ Wang et al. (2014) - PSO
 ├─ Megerian et al. (2005)               ├─ Djidjev et al. (2006)                 ├─ Huang et al. (2016) - GA
 └─ Biểu đồ Voronoi                      └─ Rời rạc hóa đồ thị Dijkstra           └─ Chuyển đổi hàm cực trị NFE
         │                                       │                                        │
   [NHƯỢC ĐIỂM]                            [NHƯỢC ĐIỂM]                             [NHƯỢC ĐIỂM]
 • Chỉ xét Closest-sensing               • Hạn chế hướng di chuyển                • Hiện tượng dao động răng cưa
 • Không áp dụng mạng dị thể             • Bùng nổ tính toán khi Δs nhỏ            (saw-tooth jumping)
 • Nghiệm nằm trên cạnh Voronoi          • Sai số rời rạc hóa lớn                 • Dễ bẫy cực trị địa phương

  1. Nhánh tiếp cận Hình học tính toán (Computational Geometry / Voronoi Diagram): Đi đầu bởi các công trình kinh điển của Meguerdichian et al. (2001) và Megerian et al. (2005). Các tác giả định nghĩa độ lộ diện của vật thể chuyển động là tích phân đường của hàm độ nhạy cảm biến và sử dụng biểu đồ Voronoi để tìm Đường vi phạm tối đa (Maximal Breach Path - MBP) cũng như MEP. Tuy nhiên, phương pháp Voronoi bộc lộ 3 nhược điểm cố hữu: (a) Không thể giải quyết mô hình đo cường độ tích lũy từ tất cả cảm biến (All-sensor intensity model $\sum f(d)$); (b) Khi điểm bắt đầu và kết thúc không nằm trên cạnh Voronoi, giải thuật không thể tìm được nghiệm tối ưu toàn cục; (c) Khi khả năng cảm nhận của các nút không đồng nhất (mạng dị thể), đường MEP thực tế không còn nằm trên các đoạn thẳng của biểu đồ Voronoi. Về sau, Zhang et al. (2009) mở rộng biểu đồ Voronoi cho mạng lai (hybrid) chứa nút di động nhưng hoàn toàn không thể tổng quát hóa cho mạng di động toàn phần (pure MWSNs).

  2. Nhánh tiếp cận Lưới hóa (Grid-based Methods): Được phát triển bởi Veltri et al. (2003) và Djidjev et al. (2006), phân chia không gian ROI liên tục thành các ô lưới vuông kích thước $\Delta s \times \Delta s$, gán trọng số cạnh bằng giá trị lộ diện tích phân và áp dụng thuật toán Dijkstra để tìm đường đi ngắn nhất. Nhược điểm chí mạng của phương pháp lưới hóa là sự đánh đổi gay gắt giữa kích thước mắt lưới $\Delta s$ và độ chính xác của nghiệm: khi $\Delta s$ giảm từ $5.0$ xuống $0.1$, thời gian tính toán bùng nổ theo cấp số nhân, trong khi chuyển động của vật thể bị gò bó vào các hướng di chuyển cố định trên lưới, không phản ánh đúng động học thực tế.

  3. Nhánh tiếp cận Metaheuristics và Biến đổi Cực trị Hàm số (NFE - Numerical Function Extreme): Nhằm khắc phục tính chất NP-hard và phi tuyến cao chiều, Wang et al. (2014) và Huang et al. (2016) đề xuất cố định khoảng cách tọa độ trục hoành $\Delta x$ và biến đổi MEP thành bài toán tìm tập tọa độ trục tung $Y = {y_1, y_2, \dots, y_m}$ tối ưu hàm mục tiêu NFE. Dù vậy, các giải thuật GA và PSO truyền thống khi áp dụng trực tiếp lên NFE đều tạo ra các đường đi gãy khúc nghiêm trọng (saw-tooth jumping phenomenon). Mặc dù Huang et al. đã thử nghiệm toán tử chiếu (projection operator) hay toán tử lộn ngược (upside-down operator), mức độ răng cưa vẫn rất cao và chi phí thời gian không thể đáp ứng được các mạng WSNs quy mô lớn.

Luận án định vị nghiên cứu của mình tại giao điểm tiên tiến nhất: mở rộng bài toán từ không gian tĩnh, lý tưởng sang 4 bài toán thực tiễn phức tạp (MWSNs, Mô hình cảm nhận xác suất, Mạng cảm biến đa phương tiện định hướng dị thể HeWMSNs, và Môi trường có vật cản OE-MEP), đồng thời thiết kế các toán tử sinh học - vật lý học độc biến để triệt tiêu hoàn toàn các hạn chế của cả phương pháp Voronoi, Grid-based lẫn Metaheuristic truyền thống.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và thách thức các lý thuyết nền tảng trong lĩnh vực WSNs:

                            MỞ RỘNG CÁC HỆ LÝ THUYẾT NỀN TẢNG
                                            │
   ┌────────────────────────────────────────┼────────────────────────────────────────┐
   │                                        │                                        │
   ▼                                        ▼                                        ▼
LÝ THUYẾT ĐỘ LỘ DIỆN                   LÝ THUYẾT CẢM NHẬN                      LÝ THUYẾT TIẾN HÓA
(Exposure Theory)                      ĐỊNH HƯỚNG DỊ THỂ                       VÀ BẦY ĐÀN
(Meguerdichian et al., 2001)           (Directional Sensing)                   (EA / PSO Modifications)
   │                                        │                                        │
   ├─ Không gian tĩnh:                      ├─ Boolean Directional                  ├─ Phép lai ALX-α & Leaning
   │  E(℘) = ∫ I(l) dl                      ├─ Attenuated Directional               ├─ Đột biến Push-Force
   │                                        └─ Truncated Directional                ├─ Toán tử Normalization
   └─ Chuyển sang Miền thời gian (MWSN):       với vật cản đa giác                  └─ Gia tốc trọng trường GPSO
      E(℘, T) = ∫₀ᵀ I(l(t)) dt
  • Mở rộng Lý thuyết Độ lộ diện (Exposure Theory) của Meguerdichian et al. từ không gian tĩnh sang miền phụ thuộc thời gian. Trong mạng tĩnh, công thức kinh điển tính độ lộ diện theo tích phân hình học: $$E(\wp) = \int I(l)dl$$ Tác giả chứng minh rằng công thức này hoàn toàn mất hiệu lực trong MWSN vì cường độ cảm nhận tại một điểm thay đổi theo thời gian $t$, và nếu kẻ xâm nhập dừng lại một khoảng thời gian $\phi$, công thức cũ sẽ tính độ lộ diện bằng 0 (vô lý). Luận án xác lập công thức lý thuyết chuẩn tắc: $$E(\wp, T) = \int_0^T I(l(t))dt \approx \sum_{k=1}^{T/\Delta t} \sum_{i=1}^N f\big(d(s_i(k\Delta t), l(k\Delta t))\big)\Delta t$$
  • Lý thuyết Cảm nhận định hướng (Directional Sensing Theory): Phát triển mô hình suy giảm định hướng (Attenuated Directional Sensing Model) phụ thuộc cả khoảng cách Euclidean $d(s_i, l)$ và góc lệch $\theta$ so với vector hướng chính $\vec{V}_i$: $$f(s_i, l) = \frac{C}{(d(s_i, l))^\lambda} \cdot \cos^\beta(\theta)$$ kết hợp mô hình cắt cụt (Truncated Model) khi gặp vật cản hấp thụ sóng.
  • Chuyển dịch Paradigm Tối ưu hóa: Đưa ra nguyên lý "Lực đẩy vật lý và Trọng trường ảo" trong không gian tìm kiếm tiến hóa, chuyển từ việc tối ưu hóa hộp đen thuần túy sang tối ưu hóa có định hướng hình học và động lực học.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp 4 lý thuyết cốt lõi:

  1. Lý thuyết Lan truyền và Suy hao Tín hiệu Không dây (Signal Propagation & Attenuation Model).
  2. Lý thuyết Quy hoạch Phi tuyến và Cực trị Hàm số Số học (NFE Transformation).
  3. Lý thuyết Tương tác Lực vạn vật hấp dẫn (Newtonian Universal Gravitation Dynamics): Định nghĩa mỗi cảm biến đóng vai trò là một khối lượng sinh lực đẩy/hút gia tốc để hiệu chỉnh vector vận tốc hạt trong GPSO: $$a_i = \sum_{j=1}^N G \frac{M_j}{(d_{ij} + \epsilon)^2} \vec{u}_{ij}$$
  4. Lý thuyết Cấu trúc Gia đình Sinh học (Family System Theory): Phân tầng quần thể thành các gia tộc (families) với cá thể cha, mẹ và con cái nhằm duy trì sự đa dạng di truyền, chống co cụm cục bộ.

Điều kiện biên (Boundary Conditions): Vùng khảo sát là dải chữ nhật 2D ($ROI \subset \mathbb{R}^2$) giới hạn bởi $x \in [0, L], y \in [0, W]$; kẻ xâm nhập chuyển động với vận tốc cực đại không đổi $v_I$ từ biên trái ($x=0, y_B$) sang biên phải ($x=L, y_E$); các vật cản là tập hợp các đa giác lồi hoặc lõm khép kín $\mathcal{O} = {O_1, O_2, \dots, O_m}$ không giao nhau.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ triết lý nghiên cứu Thực chứng luận (Positivism), kết hợp chặt chẽ giữa mô hình hóa toán học giải tích và mô phỏng thực nghiệm tính toán số học trên nền tảng hướng đối tượng.

                           THIẾT KẾ PHƯƠNG PHÁP NGHIÊN CỨU TỔNG THỂ
                                              │
    ┌─────────────────────────────────────────┼─────────────────────────────────────────┐
    │                                         │                                         │
    ▼                                         ▼                                         ▼
1. THIẾT LẬP MÔ HÌNH TOÁN             2. RỜI RẠC HÓA & MÃ HÓA                   3. THIẾT KẾ GIẢI THUẬT
 ├─ MMEP: E(℘, T) = ∫ I(l(t))dt        ├─ Rời rạc hóa thời gian Δt               ├─ GAMEP & HPSO-MMEP
 ├─ PM-based-MEP: Sensing xác suất     ├─ Bước dịch chuyển: Δs = vI * Δt         ├─ GB-MEP cải tiến & GA-MEP
 ├─ HM-MEP: Góc quét định hướng θ      ├─ Mã hóa cá thể:                         ├─ HEA (Local Search) & GPSO
 └─ OE-MEP: Vật cản đa giác               Chr = (y₁, y₂, ..., yₘ)                └─ FEA (Hệ gia đình & Lực đẩy)
                                              │
                                              ▼
                             4. ĐÁNH GIÁ THỰC NGHIỆM & KIỂM ĐỊNH
                               ├─ Topo: Uniform, Gauss, Exponential (N = 30 - 100)
                               ├─ Chỉ số: Mev, Time(s), Sd, Dst (Độ răng cưa)
                               └─ Kiểm định phi tham số: Sign Test (p < 0.05)

Thiết kế nghiên cứu được chia làm 4 pha logic:

  • Pha 1: Hình thức hóa bài toán từ mô tả hình học sang bài toán tối ưu hóa tổ hợp có ràng buộc.
  • Pha 2: Rời rạc hóa miền không gian/thời gian với bước nhảy $\Delta t$ và $\Delta s = v_I \cdot \Delta t$, ánh xạ đường cong $\wp$ thành nhiễm sắc thể biểu diễn tọa độ thực $Chr = (y_1, y_2, \dots, y_m)$.
  • Pha 3: Thiết kế các toán tử metaheuristic chuyên biệt để định hướng không gian tìm kiếm.
  • Pha 4: Thử nghiệm Monte Carlo đa kịch bản với kích thước mẫu lặp lại 30-50 lần độc lập để đảm bảo độ tin cậy thống kê.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu áp dụng kỹ thuật kiểm soát sai số và độ bất định nghiêm ngặt:

  • Chiến lược lấy mẫu và sinh Topo mạng: Thực hiện trên 3 phân bố không gian chuẩn mực của WSNs: Phân bố đều (Uniform distribution), Phân bố chuẩn Gauss (Gaussian distribution - tập trung mật độ ở trung tâm), và Phân bố số mũ (Exponential distribution - dồn mật độ về một phía biên).
  • Hệ thống Triangulation (Tam giác đạc phương pháp): Kiểm chứng chéo kết quả giữa 3 phương pháp độc lập: (1) Phương pháp lưới đồ thị cải tiến (GB-MEP), (2) Phương pháp giải thuật di truyền cải tiến (GA-MEP/HEA/FEA), (3) Phương pháp bầy đàn thông minh (HPSO-MMEP/GPSO).
  • Độ tin cậy và Kiểm soát dao động: Để đánh giá tính trơn nhẵn của đường xâm nhập, luận án thiết lập chỉ số Định lượng mức độ răng cưa (Saw-tooth jumping degree - $Dst$): $$Dst(\wp) = \sum_{k=2}^{m-1} \big| (y_{k+1} - y_k) - (y_k - y_{k-1}) \big|$$ Chỉ số $Dst$ càng nhỏ chứng minh đường đi càng tiệm cận đường cong chuyển động thực tế của vật thể.

Data và phân tích

Toàn bộ thuật toán được cài đặt bằng ngôn ngữ C++ và môi trường mô phỏng tùy biến chuyên sâu, biên dịch trên hệ thống máy tính tính toán hiệu năng cao.

Bộ dữ liệu / Topo Đặc tính mạng Mô hình cảm nhận Số lượng nút ($N$) Kích thước ROI ($L \times W$)
Dataset 1 Homogeneous (Đồng nhất) Boolean Binary Disk 30, 40, 50, ..., 100 $1000m \times 500m$
Dataset 2 Heterogeneous (Dị thể) Binary Disk ($\neq r_i$) 30, 50, 70, 100 $1000m \times 500m$
Dataset 3 Heterogeneous (Dị thể) Attenuated Directional 30, 50, 80, 100 $1000m \times 500m$
OE-Dataset Obstacle-present (Vật cản) Truncated Directional 50, 70, 100 + Đa giác $1000m \times 500m$
  • Phân tích Thống kê: Báo cáo đầy đủ Giá trị độ lộ diện tối thiểu tốt nhất ($BMev$), Giá trị độ lộ diện trung bình ($AMev$), Độ lệch chuẩn ($Sd$), Thời gian tính toán ($Time(s)$), và Bậc răng cưa ($Dst$).
  • Kiểm định phi tham số (Sign Test): Áp dụng Sign Test cho các so sánh từng cặp (Pairwise comparisons) giữa GA-MEP và HGA-NFE trên 24 trường hợp topo khác nhau ($p\text{-value} < 0.001$), xác nhận sự vượt trội có ý nghĩa thống kê ở mức độ tin cậy 99%.

Phát hiện đột phá và implications

Những phát hiện then chốt

                                  4 PHÁT HIỆN ĐỘT PHÁ CỐT LÕI
                                               │
   ┌───────────────────────────────────────────┼───────────────────────────────────────────┐
   │                                           │                                           │
   ▼                                           ▼                                           ▼
PHÁT HIỆN 1 (MWSN)                         PHÁT HIỆN 2 (PM-MEP)                        PHÁT HIỆN 3 & 4 (HeWMSN & OE)
 • HPSO-MMEP hội tụ nhanh                    • GA-MEP giảm Dst từ 35-60%                 • GPSO & HEA giảm Mev từ
   hơn GAMEP 2.5 lần                           so với HGA-NFE                              12.4% - 28.6%
 • Kiểm soát chính xác đường                 • Giải quyết triệt để bùng nổ               • FEA loại bỏ 100% nghiệm
   xâm nhập khi nút đổi chỗ                    thời gian tính toán của Grid                cắt vật cản qua Normalization
  1. Hiệu năng vượt trội trong Mạng di động (MWSNs): Thuật toán HPSO-MMEP kết hợp khởi tạo cá thể bằng điểm điều khiển (control-point initialization) đạt giá trị độ lộ diện ($Mev$) thấp hơn từ $8.5%$ đến $16.3%$ và độ lệch chuẩn ($Sd$) nhỏ hơn đáng kể so với GAMEP thuần túy trên cả phân bố Gauss và phân bố đều. Động học của kẻ xâm nhập bị ảnh hưởng phi tuyến bởi tỷ lệ vận tốc $v_I / v_S$.
  2. Triệt tiêu hiện tượng răng cưa và Tối ưu hóa thời gian trong Mô hình xác suất: GA-MEP với toán tử lai ghép $ALX-\alpha$ và đột biến Gene-removal giúp giảm chỉ số $Dst$ từ $35%$ đến $60%$ so với thuật toán HGA-NFE (Huang et al., 2016). Trong khi phương pháp lưới OGB mất hơn $182.4$ giây khi $\Delta s = 0.5$, giải thuật GA-MEP chỉ mất trung bình $1.12$ đến $3.45$ giây để đạt nghiệm có chất lượng tương đương hoặc tốt hơn ($Mev$ giảm $3.2% - 7.1%$).
  3. Đột phá định hướng trong HeWMSNs nhờ GPSO và HEA: Trên Dataset 3 (mạng đa phương tiện suy giảm định hướng), GPSO và HEA đạt độ lộ diện trung bình giảm $12.4% - 28.6%$ so với các thuật toán PSO truyền thống. Lực hấp dẫn ảo trong GPSO giúp quần thể hạt thoát khỏi các "bẫy góc quét" (blind spots và over-sensing areas) của cảm biến video/acoustic.
  4. Xử lý triệt để bài toán vật cản (OE-MEP) bằng thuật toán FEA: Phép lai Leaning Crossover kết hợp toán tử Chuẩn hóa (Normalization operator) và đột biến lực đẩy (Push-Force mutation) cho phép tái cấu trúc các đoạn gene xuyên qua vật cản thành các đường vòng ôm sát biên đa giác. Kết quả thực nghiệm khẳng định FEA đạt $100%$ nghiệm khả thi với giá trị $Mev$ thấp hơn $14.2%$ so với GA-MEP và thời gian chạy nhanh hơn phương pháp Grid-based tới 8 lần trên topo có 100 nút và 5 vật cản phức tạp.

Implications đa chiều

  • Về mặt Lý thuyết: Xác lập hệ phương pháp luận hoàn chỉnh cho bài toán Tối ưu hóa Bao phủ Rào chắn trong WSNs thế hệ mới, tích hợp các ràng buộc phi tuyến và suy hao tín hiệu thực tế.
  • Về mặt Phương pháp: Bộ toán tử di truyền hình học ($ALX-\alpha$, Leaning Crossover, Push-Force Mutation) có khả năng chuyển giao và ứng dụng trực tiếp cho các bài toán tối ưu hóa đường đi liên tục khác như: Quy hoạch đường bay cho thiết bị bay không người lái (UAV Path Planning), Điều hướng Robot tự hành tránh vật cản (Autonomous Mobile Robot Navigation).
  • Về mặt Ứng dụng Thực tiễn: Cung cấp công cụ phần mềm chuẩn xác cho các nhà thiết kế hệ thống giám sát an ninh:
    • Đối với bên phòng thủ (Defenders): Xác định chính xác "vùng trũng giám sát" (vị trí đường MEP) để bổ sung cảm biến, tái cấu trúc mạng, thiết lập bẫy bắt kẻ xâm nhập.
    • Đối với bên tấn công/thâm nhập hợp pháp (Intruders): Cung cấp lộ trình an toàn nhất cho các lực lượng cứu hộ xâm nhập vùng thảm họa hoặc robot trinh sát hoạt động trong vùng kiểm soát của đối phương.

Limitations và Future Research

Luận án đã thẳng thắn chỉ ra 4 giới hạn nghiên cứu chính:

  1. Ràng buộc Không gian 2 Chiều (2D Limitation): Toàn bộ mô hình toán học và không gian khảo sát được giới hạn trên mặt phẳng 2D. Trong thực tế, địa hình triển khai WSNs thường là đồi núi 3D hoặc vùng biển, không gian có độ dốc và độ cao thay đổi làm biến dạng vùng cảm nhận của cảm biến.
  2. Giả định Quỹ đạo Cảm biến Di động Tuyến tính: Trong bài toán MMEP, các nút di động được giả định di chuyển theo các quỹ đạo định trước (hình chữ nhật hoặc tuần hoàn điểm) với vận tốc không đổi $v_S$, chưa xét đến mô hình di động ngẫu nhiên động học (Random Waypoint Mobility Model) hoặc chuyển động bầy đàn tương tác.
  3. Mô hình Năng lượng chưa tích hợp: Nghiên cứu mới chỉ tối ưu hàm mục tiêu duy nhất là Độ lộ diện ($Mev$), chưa tối ưu hóa đa mục tiêu (Multi-objective) đồng thời giữa mức độ lộ diện, năng lượng tiêu thụ của nút cảm biến và độ dài vật lý của đường thâm nhập.
  4. Vận tốc kẻ xâm nhập cố định ($v_I = const$): Giả định kẻ xâm nhập luôn di chuyển với vận tốc tối đa $v_I$ có thể chưa bao quát được các kịch bản kẻ xâm nhập có hành vi thích nghi (dừng lại ẩn nấp khi cảm biến quét qua và tăng tốc khi cảm biến di chuyển ra xa).

Chương trình nghị sự nghiên cứu 10 năm (10-Year Research Agenda)

  • Giai đoạn 1 (1-3 năm): Mở rộng mô hình MEP lên không gian 3D địa hình gồ ghề (3D Terrains) và mạng cảm biến không dây hỗ trợ bởi UAV (UAV-assisted WSNs).
  • Giai đoạn 2 (4-6 năm): Xây dựng bài toán Tối ưu hóa đa mục tiêu (Multi-Objective MEP - MOMEP) giải quyết đồng thời: Tối thiểu hóa lộ diện + Tối thiểu hóa năng lượng mạng + Tối thiểu hóa thời gian di chuyển bằng các thuật toán NSGA-III và MOEA/D.
  • Giai đoạn 3 (7-10 năm): Tích hợp Học tăng cường sâu (Deep Reinforcement Learning - DRL) và Lý thuyết trò chơi động (Dynamic Game Theory) để mô hình hóa cuộc đối đầu thời gian thực giữa Hệ thống cảm biến phòng thủ thích nghi và Tác tử xâm nhập thông minh.

Tác động và ảnh hưởng

  • Tác động Học thuật: Luận án đã đóng góp 5 công trình nghiên cứu chất lượng cao trên các tạp chí và hội thảo quốc tế uy tín (bao gồm các hội thảo quốc tế chuyên ngành của IEEE/ACM và các tạp chí ISI/Scopus thuộc Nhà xuất bản Springer, Elsevier). Kết quả của luận án mở ra một nhánh nghiên cứu chuyên sâu về giải thuật xấp xỉ cho bài toán bao phủ trong WSNs dị thể và di động.
  • Chuyển đổi Công nghiệp và An ninh Quốc phòng:
    • Bảo vệ biên giới quốc gia và hải đảo: Ứng dụng thuật toán phân tích MEP giúp Bộ tư lệnh Biên phòng bố trí mạng lưới radar và cảm biến địa chấn/âm thanh tối ưu chi phí nhưng triệt tiêu hoàn toàn các đường xâm nhập trái phép.
    • Giám sát lâm nghiệp và cảnh báo cháy rừng: Thiết lập mạng cảm biến phát hiện sớm các vụ cháy với số lượng nút ít nhất nhưng khả năng bao phủ rào chắn đạt $99.9%$.
    • Hạ tầng đô thị thông minh (Smart Cities): Ứng dụng trong việc quy hoạch mạng lưới camera giám sát giao thông và an ninh đô thị, giảm thiểu các "điểm mù" quang học.

Đối tượng hưởng lợi

                                      ĐỐI TƯỢNG HƯỞNG LỢI
                                               │
   ┌───────────────────────┬───────────────────┴───────────────────┬───────────────────────┐
   │                       │                                       │                       │
   ▼                       ▼                                       ▼                       ▼
NCS & HỌC THUẬT       CHUYÊN GIA AN NINH WSNs               KỸ SƯ R&D ROBOT          NHÀ HOẠCH ĐỊNH
 (Researchers)               (Defense)                         (Autonomy)               (Policy)
       │                       │                                   │                       │
 • Khung lý thuyết &     • Công cụ rà quét lỗ hổng           • Thuật toán tránh radar  • Khung quy chuẩn triển
   toán tử tối ưu mới      hạ tầng giám sát biên giới          cho UAV/AGV tự hành       khai WSNs tối ưu chi phí
  • Nghiên cứu sinh và Giới học thuật (Doctoral Researchers & Academics): Tiếp cận phương pháp luận chuẩn mực về biến đổi bài toán hình học liên tục sang bài toán số học NFE; khai thác các toán tử $ALX-\alpha$, Leaning Crossover, Push-Force Mutation cho các bài toán tối ưu hóa tiến hóa phức tạp.
  • Chuyên gia An ninh Mạng và Quốc phòng (Defense & Security Engineers): Sử dụng thuật toán HPSO-MMEP và FEA làm công cụ rà quét lỗ hổng (vulnerability assessment tool) để đánh giá mức độ an toàn của hệ thống hàng rào điện tử.
  • Kỹ sư R&D Hệ thống Tự hành và Robotics: Ứng dụng trực tiếp thuật toán FEA và GPSO vào bộ vi điều khiển của Robot di động (AGV) và UAV để tự động lập quỹ đạo di chuyển né tránh chướng ngại vật và trạm quét radar đối phương.
  • Cơ quan Quản lý và Hoạch định Chính sách IoT: Tiết kiệm từ $20% - 35%$ ngân sách đầu tư trang thiết bị cảm biến nhờ tối ưu hóa vị trí đặt nút theo tiêu chuẩn Barrier Coverage thay vì triển khai bao phủ toàn phần (Full Area Coverage) lãng phí.

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 độc đáo nhất là việc tái cấu trúc Lý thuyết Độ lộ diện (Exposure Theory) của Meguerdichian et al. (2001) từ miền không gian thuần túy sang miền không gian - thời gian tích hợp $E(\wp, T) = \int_0^T I(l(t))dt$ cho Mạng cảm biến di động (MWSNs). Tác giả đã chỉ ra lỗ hổng của công thức giải tích cũ (vốn cho kết quả độ lộ diện bằng 0 khi vật thể đứng yên trong vùng phủ sóng) và thiết lập mô hình tính toán cường độ cảm nhận tích lũy chính xác theo từng bước dịch chuyển rời rạc $\Delta t$.

2. Đột phá về mặt phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế?

So sánh với phương pháp Voronoi Diagram (Meguerdichian et al.) vốn chỉ xử lý được cảm nhận gần nhất (closest-sensing) trên mạng tĩnh đồng nhất, và phương pháp Grid-based (Veltri et al.) bị bùng nổ thời gian tính toán khi giảm kích thước mắt lưới, luận án đã:

  • Chuyển đổi thành công bài toán sang dạng Cực trị hàm số giải tích (NFE) đa chiều.
  • Phát minh các toán tử di truyền đặc thù ($ALX-\alpha$, $M_{SPB}$, Gene-removal, Normalization, Push-Force) giúp giảm tới $60%$ bậc dao động răng cưa ($Dst$) so với HGA-NFE của Huang et al. (2016).
  • Tích hợp nguyên lý gia tốc vạn vật hấp dẫn (GPSO) giúp hạt tìm kiếm né tránh cực trị địa phương trong mạng đa phương tiện định hướng.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có minh chứng định lượng ra sao?

Phát hiện bất ngờ nhất là trong bài toán OE-MEP: Sự hiện diện của các vật cản đa giác không chỉ gây khó khăn cho chuyển động của kẻ xâm nhập mà còn tạo ra các "vùng bóng râm cảm nhận" (sensing shadows) rất lớn phía sau vật cản. Thuật toán FEA đã tận dụng xuất sắc đặc tính này bằng toán tử Leaning Crossover và Push-Force Mutation, dẫn đường kẻ xâm nhập đi áp sát đường biên vật cản để giảm mức độ lộ diện xuống thấp hơn $14.2%$ so với việc di chuyển trong không gian mở, với thời gian tính toán nhanh hơn phương pháp lưới tới 8 lần.

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

Có. Luận án mô tả chi tiết toàn bộ tham số giải thuật: kích thước quần thể ($PopSize = 50 - 100$), số thế hệ ($MaxGen = 1000$), xác suất lai ghép ($p_c = 0.8 - 0.9$), xác suất đột biến ($p_m = 0.05 - 0.1$), hằng số học tập ($C_1, C_2 = 2.0$), tham số suy hao tín hiệu ($\lambda = 2.0, \beta = 1.0$), quy cách cấu trúc topo (Uniform, Gauss, Exponential) và tọa độ các đỉnh của vật cản đa giác, cho phép cộng đồng học thuật tái lập $100%$ kết quả thực nghiệm.

5. Khung chương trình nghiên cứu 10 năm được phác thảo thế nào?

Luận án định hình lộ trình nghiên cứu mở rộng từ năm 2020 đến 2030: Chuyển dịch từ không gian 2D sang không gian 3D thực tế; tích hợp các thuật toán tối ưu hóa đa mục tiêu (MOMEP) giải quyết bài toán dung hòa giữa độ lộ diện và năng lượng mạng; và ứng dụng Trí tuệ nhân tạo tăng cường (Deep Reinforcement Learning) cho phép tương tác động thời gian thực giữa mạng cảm biến tự thích nghi và mục tiêu xâm nhập thông minh.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Thị Mỹ Bình đã hoàn thành xuất sắc và trọn vẹn mục tiêu nghiên cứu với 5 đóng góp học thuật cốt lõi:

  1. Thiết lập cơ sở toán học chuẩn xác cho 4 bài toán MEP thế hệ mới trong WSNs: Mạng cảm biến di động (MMEP), Mạng cảm biến mô hình xác suất (PM-based-MEP), Mạng cảm biến đa phương tiện định hướng dị thể (HM-MEP), và Mạng cảm biến trong môi trường có vật cản phức tạp (OE-MEP).
  2. Đề xuất hệ thống thuật toán metaheuristic tiên tiến: GAMEP, HPSO-MMEP, GA-MEP, HEA, GPSO và FEA với các toán tử đột phá ($ALX-\alpha$, Leaning Crossover, Push-Force Mutation, Normalization Operator).
  3. Giải quyết triệt để 2 vấn đề hóc búa của y văn: Hiện tượng dao động răng cưa gãy khúc ($Dst$) trên đường thâm nhập và sự bùng nổ chi phí tính toán thời gian của các phương pháp rời rạc hóa truyền thống.
  4. Chứng minh sự vượt trội qua thực nghiệm quy mô lớn: Dữ liệu kiểm thử đa dạng từ 30 đến 100 nút, 3 quy luật phân bố không gian, khẳng định chất lượng nghiệm ($Mev$) tốt hơn và thời gian tính toán nhanh hơn vượt bậc so với các giải thuật quốc tế tiền nhiệm (Voronoi-based, Grid-based, HGA-NFE, Standard PSO).
  5. Mở ra 3 hướng nghiên cứu chiến lược: Tối ưu hóa MEP trong không gian 3D/UAV, Tối ưu hóa đa mục tiêu dung hòa năng lượng mạng, và Điều khiển thâm nhập thời gian thực bằng Học tăng cường sâu (DRL).

Công trình là một đóng góp học thuật mẫu mực, kết hợp hài hòa giữa toán học tối ưu, khoa học máy tính và kỹ thuật mạng viễn thông, mang lại giá trị ứng dụng to lớn cho công cuộc xây dựng các hệ thống giám sát an ninh quốc phòng và hạ tầng IoT thông minh trong thời đại mới.