Tổng quan về luận án

Luận án tiến sĩ "Resource Allocation for Wireless Powered IoT Network" của Nguyễn Tiến Tùng, dưới sự hướng dẫn của Giáo sư Yong-Hwa Kim, đã đóng góp một cách đột phá vào lĩnh vực mạng Internet vạn vật (IoT) được cấp nguồn không dây (WPCN). Nghiên cứu này ra đời trong bối cảnh bùng nổ của các thiết bị IoT, dự kiến đạt 28 tỷ thiết bị kết nối vào năm 2021 [1], kéo theo nhu cầu cấp thiết về quản lý hiệu quả phổ tần và năng lượng. Trong khi các nguồn năng lượng tự nhiên như mặt trời hay gió gặp hạn chế về tính không ổn định và khó lường [16], [17], công nghệ thu năng lượng tần số vô tuyến (RF-WPT) nổi lên như một giải pháp bền vững cho các thiết bị IoT có năng lượng hạn chế, đặc biệt tại những môi trường khó khăn như dưới lòng đất, trong đường hầm, hoặc khu vực thảm họa [14], [15], [30].

Bối cảnh khoa học và tính tiên phong của nghiên cứu Luận án này tập trung vào việc tối ưu hóa phân bổ tài nguyên cho các mạng WPCN, nơi các thiết bị IoT được cấp năng lượng từ tín hiệu RF để truyền tải thông tin. Nghiên cứu mang tính tiên phong khi giải quyết một khoảng trống đáng kể trong tài liệu khoa học hiện có: hầu hết các công trình trước đây ([2], [22]–[24], [26]) chỉ tập trung vào truyền năng lượng đường xuống (WET) và truyền thông tin đường lên (WIT). Tuy nhiên, luận án này xem xét một kịch bản thực tế và cấp thiết hơn, trong đó một điểm truy cập (AP) bị hạn chế năng lượng thu hoạch năng lượng từ một đèn hiệu công suất (PB) và sau đó sử dụng năng lượng đó để truyền thông tin đến nhiều thiết bị IoT đường xuống (downlink WIT). Đây là một kịch bản chưa được giải quyết đầy đủ, đặc biệt là việc AP cần phân bổ công suất truyền để phục vụ nhiều thiết bị đường xuống.

Research gap SPECIFIC với citations từ literature Khoảng trống nghiên cứu chính mà luận án này giải quyết là sự thiếu hụt các giải pháp tối ưu hóa phân bổ tài nguyên cho mạng WPCN nơi AP thu hoạch năng lượng từ PB và sau đó truyền dữ liệu đến các thiết bị IoT ở đường xuống. Các công trình trước đây như [2], [22]–[24], [26] chủ yếu tập trung vào các cấu hình đường xuống WET và đường lên WIT. Ví dụ, trong [22], [23], WET đường xuống và WIT đường lên được tối ưu hóa để tối đa hóa thông lượng. Nghiên cứu của luận án này đã đi xa hơn, giải quyết vấn đề phân bổ thời gian và công suất truyền tại AP để phục vụ nhiều thiết bị IoT trong giai đoạn WIT đường xuống, đồng thời tích hợp mô hình thu năng lượng phi tuyến tính thực tế [31]–[33], một yếu tố thường bị bỏ qua trong các nghiên cứu trước đây vốn chủ yếu dựa trên mô hình tuyến tính đơn giản.

Research questions và hypotheses Luận án này được định hướng bởi các câu hỏi và giả thuyết nghiên cứu cụ thể, nhằm tìm kiếm các giải pháp tối ưu cho việc phân bổ tài nguyên trong môi trường WPCN phức tạp:

  1. RQ1: Làm thế nào để tối đa hóa tổng tốc độ truyền (Sum Rate - SR) của một mạng WPCN đa người dùng (multi-user) bằng cách cùng tối ưu hóa thời gian thu năng lượng (EH time) và phân bổ công suất tại AP, có tính đến cả mô hình EH tuyến tính và phi tuyến tính?
    • H1: Việc tối ưu hóa đồng thời thời gian EH và phân bổ công suất sẽ mang lại hiệu suất SR cao hơn đáng kể so với các lược đồ cơ sở (baseline schemes) như phân bổ thời gian bằng nhau (ETA) hoặc thời gian EH cố định (FEHT).
  2. RQ2: Làm thế nào để tối đa hóa hiệu quả năng lượng (Energy Efficiency - EE) của một mạng WPCN sử dụng OFDMA, bằng cách cùng tối ưu hóa thời gian EH, phân bổ sóng mang phụ (subcarrier allocation) và phân bổ công suất?
    • H2: Một thuật toán lặp hiệu quả dựa trên phương pháp Dinkelbach có thể được phát triển để đạt được hiệu suất EE tối ưu với các giải pháp dạng đóng (closed-form solutions) trong mỗi lần lặp.
  3. RQ3: Làm thế nào để tối đa hóa thông lượng tổng cuối-tới-cuối (end-to-end sum throughput) của một mạng WPCN dựa trên relay với bộ thu năng lượng phi tuyến tính, thông qua việc cùng tối ưu hóa công suất và phần thời gian cho truyền năng lượng và thông tin?
    • H3: Một thuật toán lặp có thể được thiết kế để giải quyết hiệu quả vấn đề tối ưu hóa không lồi này, cung cấp các giải pháp dạng đóng trong mỗi lần lặp.

Theoretical framework với tên theories cụ thể Khung lý thuyết của luận án này được xây dựng dựa trên các khái niệm và mô hình từ lý thuyết truyền thông không dây, tối ưu hóa và mạng cảm biến không dây:

  • Wireless Powered Communication Networks (WPCN): Kiến trúc mạng nơi các thiết bị bị hạn chế năng lượng thu hoạch RF để tự cấp nguồn.
  • Energy Harvesting (EH) Models: Cả mô hình tuyến tính truyền thống (Equation 2.1) và mô hình phi tuyến tính thực tế [31], [33] (Equation 2.3) được sử dụng để phản ánh giới hạn của mạch EH.
  • Multiple Access Techniques: Time Division Multiple Access (TDMA) và Orthogonal Frequency Division Multiple Access (OFDMA) được sử dụng để phục vụ nhiều người dùng.
  • Nonconvex Optimization Theory: Các vấn đề tối ưu hóa được xây dựng ban đầu dưới dạng các bài toán không lồi (nonconvex problems), đòi hỏi các kỹ thuật giải pháp tiên tiến.
  • Quasi-convex Optimization: Để giải quyết bài toán hỗn hợp số nguyên không lồi (MINLP) trong OFDMA-enabled WPCN, bài toán được chuyển đổi thành bài toán quasi-convex, cho phép sử dụng tìm kiếm nhị phân (bisection search).
  • Dinkelbach Method: Một phương pháp hiệu quả để giải quyết các bài toán tối ưu hóa tỷ lệ, được áp dụng để tối đa hóa hiệu quả năng lượng trong OFDMA-enabled WPCN [7].
  • Golden Section Search: Một kỹ thuật tìm kiếm đơn biến được sử dụng để tối ưu hóa thời gian EH τ0 do tính lồi của hàm mục tiêu theo biến này [28].

Đóng góp đột phá với quantified impact Luận án này đã đạt được những đóng góp đột phá với tác động rõ rệt:

  1. Tối ưu hóa chung thời gian EH và phân bổ công suất lần đầu tiên: Luận án này là công trình đầu tiên thiết kế giải pháp bằng cách cùng tối ưu hóa thời gian EH và phân bổ công suất trong pha truyền dẫn cho cả TDMA và OFDMA WPCN, đặc biệt là việc tích hợp mô hình EH phi tuyến tính thực tế [6]. Điều này mang lại hiệu suất SR vượt trội so với các lược đồ cơ sở, ví dụ, Fig. 7 cho thấy "performance of the proposed algorithms outperforms that of the ETA algorithm for all schemes", với sự cải thiện đáng kể về SR.
  2. Phát triển các thuật toán lặp hiệu quả cho các bài toán phức tạp: Để giải quyết các bài toán tối ưu hóa không lồi và MINLP, các thuật toán lặp hiệu quả đã được đề xuất. Cụ thể, thuật toán cho TDMA phân tách bài toán không lồi thành ba bài toán con lồi, trong khi thuật toán cho OFDMA chuyển đổi bài toán MINLP thành quasi-convex và sử dụng tìm kiếm nhị phân. Các thuật toán này được chứng minh là có tốc độ hội tụ nhanh (TDMA chỉ sau 3 lần lặp, OFDMA sau 10 lần lặp, như trong Fig.3) và đảm bảo tính tối ưu toàn cục.
  3. Đề xuất thuật toán tối đa hóa hiệu quả năng lượng dựa trên Dinkelbach: Luận án đã phát triển một thuật toán lặp dựa trên phương pháp Dinkelbach với các giải pháp dạng đóng trong mỗi lần lặp để tối đa hóa EE trong OFDMA-enabled WPCN [7]. Kết quả cho thấy nguồn điện nên truyền công suất tối đa cho phép để đạt được hiệu suất EE tối ưu, một phát hiện có ý nghĩa thực tiễn.
  4. Tối ưu hóa thông lượng cho mạng relay-based WPCN: Một bài toán tối ưu hóa mới đã được xây dựng để tối đa hóa thông lượng tổng e2e trong mạng relay-based WPCN với bộ thu năng lượng phi tuyến tính [8]. Thuật toán được đề xuất đã chứng minh được tính hiệu quả và cũng chỉ ra rằng nguồn nên truyền với công suất tối đa cho phép để đạt được thông lượng tối ưu.

Scope (sample size, timeframe) và significance Phạm vi của luận án bao gồm việc nghiên cứu các mạng WPCN với một PB đơn ăng-ten, một AP bị hạn chế năng lượng được trang bị NT ăng-ten, và K > 1 người dùng IoT đơn ăng-ten. Tổng thời gian truyền Tmax được chuẩn hóa thành một đơn vị. Các mô phỏng được thực hiện với các thông số cụ thể: băng thông hệ thống B = 180 kHz, 12 sóng mang phụ, mật độ nhiễu δ^2 = -117 dBm/Hz, hiệu suất chuyển đổi năng lượng η = 0.9. Các trường hợp thử nghiệm bao gồm NT = 4 ăng-ten tại AP, K = 5 người dùng, khoảng cách giữa PB và AP dx = 10m, và công suất truyền của PB PB = 30 dBm hoặc PB = 40 dBm.

Tầm quan trọng của nghiên cứu nằm ở việc cung cấp các giải pháp tối ưu cho việc phân bổ tài nguyên, giải quyết các thách thức về hiệu quả phổ tần và năng lượng trong các mạng IoT ngày càng phát triển. Các kết quả có thể được áp dụng để thiết kế và triển khai các mạng WPCN hiệu quả hơn, kéo dài tuổi thọ thiết bị, và hỗ trợ các ứng dụng IoT trong các môi trường khắc nghiệt hoặc khó tiếp cận.

Literature Review và Positioning

Luận án này được đặt trong bối cảnh nghiên cứu sâu rộng về truyền thông không dây và thu năng lượng. Một trong những dòng nghiên cứu chính là Simultaneous Wireless Information and Power Transfer (SWIPT) [18]–[21], [25], [27], trong đó một điểm truy cập lai (HAP) truyền đồng thời cả năng lượng và thông tin. Tuy nhiên, luận án tập trung vào Wireless Powered Communication Networks (WPCN) [2], [22]–[24], [26], [28], [29], một kiến trúc khác nơi truyền năng lượng không dây (WET) và truyền thông tin không dây (WIT) được tách biệt hoàn toàn. Các thiết bị trong WPCN áp dụng giao thức "thu hoạch rồi truyền" (harvest-then-transmit) để lấy năng lượng từ các nguồn truyền năng lượng chuyên dụng.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể Các dòng nghiên cứu chính liên quan đến WPCN bao gồm:

  • Tối đa hóa thông lượng/tổng tốc độ (Sum Rate - SR): [2] đã đề xuất một giải pháp tối ưu toàn cục để tối đa hóa thông lượng bằng cách cùng thiết kế phương pháp tạo chùm năng lượng cho WET đường xuống và phân bổ thời gian cho WIT đường lên. [22] và [23] đã tối ưu hóa thời gian WET đường xuống và WIT đường lên sử dụng TDMA để tối đa hóa thông lượng. [26] đề xuất thuật toán lặp để tối đa hóa SR của WPCN dựa trên OFDMA song công toàn phần (full duplex) bằng cách cùng tối ưu hóa lập lịch sóng mang phụ và phân bổ công suất.
  • Mạng dựa trên Power Beacon (PB): [24] đã nghiên cứu xác suất phủ sóng cho WPCN dựa trên PB, nơi các bộ phát thu năng lượng từ PB và sau đó giao tiếp với các bộ thu tương ứng.
  • Mô hình thu năng lượng phi tuyến tính: Các nghiên cứu như [31], [33] đã chỉ ra sự cần thiết của việc xem xét mô hình EH phi tuyến tính để phản ánh thực tế của mạch EH.

Contradictions/debates với ít nhất 2 opposing views Trong lĩnh vực WPCN, một cuộc tranh luận quan trọng xoay quanh việc lựa chọn giữa các kỹ thuật đa truy cập (ví dụ, TDMA so với OFDMA) và hiệu quả của các chiến lược phân bổ tài nguyên khác nhau.

  1. TDMA vs. OFDMA: Luận án này đã so sánh hiệu suất của TDMA và OFDMA. Các kết quả mô phỏng (Fig. 4, Fig. 11) cho thấy TDMA-enabled WPCN có hiệu suất vượt trội so với OFDMA-enabled WPCN về SR khi công suất truyền của PB và số lượng ăng-ten của AP tương đối lớn. Tuy nhiên, Fig. 11 cũng chỉ ra rằng OFDMA-enabled WPCN có thể vượt trội hơn TDMA khi số lượng người dùng tăng từ 2 đến 10 đối với AP có ít ăng-ten (NT=2). Điều này tạo ra một cuộc tranh luận về việc lựa chọn kỹ thuật tối ưu, vốn không có câu trả lời duy nhất mà phụ thuộc vào các thông số mạng cụ thể.
  2. Mô hình EH tuyến tính vs. phi tuyến tính: Các nghiên cứu trước đây thường sử dụng mô hình EH tuyến tính đơn giản ([18]–[26]) để giảm độ phức tạp bài toán. Tuy nhiên, luận án này, theo [31], [33], đã chứng minh rằng mô hình EH phi tuyến tính phản ánh thực tế hơn và mang lại hiệu suất thấp hơn do giới hạn của mạch EH (Fig. 4, Fig. 12). Điều này đặt ra vấn đề về độ chính xác của các mô hình trong các công trình trước đây và sự cần thiết phải tích hợp các mô hình thực tế hơn.

Positioning trong literature với specific gap identified Luận án định vị mình bằng cách giải quyết một khoảng trống rõ ràng: "So far, the above existing works [2], [22]–[24], [26] have only focused on downlink WET and uplink WIT in WPCNs." Trong khi đó, luận án này tập trung vào kịch bản AP thu năng lượng từ PB và sau đó truyền thông tin đến các thiết bị IoT đường xuống, "which has been not addressed in the previous works." Cụ thể, luận án là công trình đầu tiên cùng tối ưu hóa thời gian EH và phân bổ công suất truyền trong pha truyền dẫn cho cả TDMA và OFDMA WPCN, đồng thời tính đến mô hình EH phi tuyến tính thực tế [6].

How this advances field với concrete contributions Nghiên cứu này thúc đẩy lĩnh vực WPCN bằng cách:

  • Mở rộng phạm vi ứng dụng: Bằng cách giải quyết kịch bản downlink WIT từ AP đến IoT, luận án mở rộng khả năng ứng dụng của WPCN trong các môi trường khó khăn, nơi thay thế pin không khả thi [30].
  • Tích hợp mô hình thực tế: Việc đưa mô hình EH phi tuyến tính [31], [33] vào bài toán tối ưu hóa mang lại các giải pháp gần với thực tế hơn, cung cấp cái nhìn sâu sắc về giới hạn hiệu suất của các mạch EH.
  • Đề xuất các thuật toán tối ưu hóa mạnh mẽ: Phát triển các thuật toán lặp hiệu quả với khả năng hội tụ nhanh và đảm bảo tính tối ưu toàn cục cho các bài toán không lồi và MINLP. Các thuật toán này vượt trội so với các lược đồ cơ sở như phân bổ thời gian bằng nhau (ETA) [22], [23] và thời gian EH cố định (FEHT) [21], [25] (Fig. 7, Fig. 8, Fig. 9).

So sánh với ÍT NHẤT 2 international studies Luận án đã thực hiện so sánh chặt chẽ với các nghiên cứu quốc tế:

  1. So sánh với thuật toán phân bổ thời gian bằng nhau (ETA) [22], [23]: Luận án đã chứng minh rằng "the performance of the proposed algorithms outperforms that of the ETA algorithm for all schemes" (Fig. 7). Thuật toán ETA ([22], [23]) phân bổ thời gian bằng nhau cho mỗi người dùng, có thể dẫn đến giải pháp dưới tối ưu (suboptimal solution) do một số người dùng có thể nhận được thời gian không đủ để giao tiếp với AP. Ngược lại, việc tối ưu hóa đồng thời τk và pk trong luận án đã khắc phục được hạn chế này, khẳng định tính hiệu quả của phương pháp đề xuất.
  2. So sánh với thuật toán thời gian EH cố định (FEHT) [21], [25]: Tương tự, "the proposed optimal algorithms outperform the FEHT for the TDMA-enabled schemes because of the use of optimal jointing time and TPA at the AP" (Fig. 8). Các nghiên cứu như [21], [25] có thể cố định thời gian EH τ0 và chỉ tối ưu hóa các tham số khác. Luận án đã chứng minh rằng việc tối ưu hóa τ0 cùng với các tham số khác mang lại hiệu suất vượt trội. Tuy nhiên, Fig. 9 và Fig. 10 cũng chỉ ra một phát hiện thú vị: đối với OFDMA-enabled schemes, hiệu suất của FEHT với τ0 = 0.5 gần bằng với thuật toán đề xuất, do τ0 tối ưu của OFDMA-enabled schemes cũng xấp xỉ 0.5s.

Đóng góp lý thuyết và khung phân tích

Luận án này không chỉ giải quyết các vấn đề kỹ thuật thực tế mà còn đóng góp đáng kể vào cơ sở lý thuyết của truyền thông không dây và tối ưu hóa.

Đóng góp cho lý thuyết

  • Mở rộng và thách thức các lý thuyết cụ thể: Nghiên cứu này mở rộng lý thuyết về WPCN bằng cách tích hợp mô hình thu năng lượng phi tuyến tính thực tế [31], [33] vào bài toán phân bổ tài nguyên. Điều này thách thức giả định phổ biến về mô hình EH tuyến tính đơn giản trong nhiều công trình trước đây, cung cấp một khuôn khổ lý thuyết chính xác hơn để phân tích hiệu suất của WPCN trong điều kiện thực tế. Nó còn mở rộng các ứng dụng của phương pháp Dinkelbach [7] vào việc tối ưu hóa hiệu quả năng lượng trong WPCN, cung cấp một cách tiếp cận mạnh mẽ để xử lý các bài toán tỷ lệ phức tạp.
  • Khung khái niệm (Conceptual framework) với các thành phần và mối quan hệ: Khung khái niệm bao gồm một Power Beacon (PB) làm nguồn năng lượng RF, một Access Point (AP) bị hạn chế năng lượng và K thiết bị IoT là người dùng cuối. AP thu năng lượng từ PB trong giai đoạn WET (Wireless Energy Transfer) và sau đó sử dụng năng lượng đã thu hoạch để truyền thông tin đến các thiết bị IoT trong giai đoạn WIT (Wireless Information Transfer). Mối quan hệ chính là sự đánh đổi (trade-off) giữa thời gian dành cho WET (τ0) và thời gian dành cho WIT (1-τ0), cũng như sự phân bổ công suất và sóng mang phụ trong giai đoạn WIT để tối đa hóa hiệu suất mạng (Sum Rate, Energy Efficiency, End-to-End Throughput).
  • Mô hình lý thuyết (Theoretical model) với các propositions/hypotheses được đánh số: Luận án trình bày hai bài toán tối ưu hóa chính:
    • Bài toán P1 (TDMA-enabled WPCN): Tối đa hóa tổng tốc độ truyền (SR) bằng cách cùng tối ưu hóa thời gian EH (τ0) và phân bổ công suất (pk) (Equation 2.7). Bài toán này được phân tách thành các bài toán con lồi, dẫn đến Mệnh đề 1 (Proposition 1) cung cấp τk* tối ưu (Equation 2.14) và Mệnh đề 2 (Proposition 2) cung cấp Ek* tối ưu (Equation 2.23), chứng minh các giải pháp dạng đóng.
    • Bài toán P2 (OFDMA-enabled WPCN): Tối đa hóa SR bằng cách cùng tối ưu hóa τ0, phân bổ sóng mang phụ (xk,n) và phân bổ công suất (pk,n) (Equation 2.11). Bài toán này là MINLP và được chuyển đổi thành bài toán quasi-convex, sau đó sử dụng tìm kiếm nhị phân để giải.
  • Thay đổi hệ hình (Paradigm shift) với EVIDENCE từ findings: Mặc dù không phải là một "thay đổi hệ hình" hoàn toàn trong triết học khoa học, nghiên cứu này đã tạo ra một sự dịch chuyển trong cách tiếp cận các vấn đề WPCN. Thay vì dựa vào các mô hình đơn giản hóa (ví dụ, EH tuyến tính, phân bổ tài nguyên heuristic), luận án thúc đẩy việc sử dụng các mô hình thực tế hơn (EH phi tuyến tính) và các kỹ thuật tối ưu hóa toán học nghiêm ngặt để đạt được các giải pháp tối ưu toàn cục. Điều này nâng cao độ tin cậy và khả năng ứng dụng của các nghiên cứu WPCN, cung cấp bằng chứng cho thấy việc xem xét các yếu tố phi lý tưởng là cần thiết để thiết kế hệ thống hiệu quả.

Khung phân tích độc đáo

  • Tích hợp các lý thuyết (name 3+ specific theories): Khung phân tích độc đáo của luận án tích hợp các nguyên lý từ lý thuyết tối ưu hóa không lồi, lý thuyết đa truy cập (TDMA, OFDMA), và lý thuyết thu năng lượng RF với các mô hình phi tuyến tính [31], [33]. Sự kết hợp này cho phép xây dựng các mô hình toán học phức tạp để nắm bắt các ràng buộc và sự đánh đổi của hệ thống WPCN.
  • Tiếp cận phân tích mới lạ với justification: Tiếp cận mới lạ nằm ở việc giải quyết các bài toán tối ưu hóa không lồi và MINLP phức tạp bằng cách:
    • Phân rã bài toán: Đối với TDMA, bài toán P1 được phân rã thành ba bài toán con lồi (EH duration, time allocation for information transmission, TPA for AP), cho phép giải quyết hiệu quả bằng thuật toán lặp (Algorithm 1).
    • Chuyển đổi quasi-convex: Đối với OFDMA, bài toán P2 (MINLP) được chuyển đổi thành bài toán quasi-convex và giải quyết bằng tìm kiếm nhị phân trên θ (Algorithm 2), một kỹ thuật mạnh mẽ cho các bài toán tỷ lệ. Justification cho các phương pháp này là khả năng đạt được các giải pháp tối ưu hoặc gần tối ưu toàn cục với độ phức tạp tính toán thấp, đã được chứng minh qua khả năng hội tụ nhanh của thuật toán (Fig. 3).
  • Đóng góp khái niệm (Conceptual contributions) với definitions:
    • Joint Optimization of EH Time and Power Allocation: Khái niệm này được định nghĩa là việc cùng lúc xác định thời gian tối ưu dành cho việc thu năng lượng và phân bổ công suất tối ưu cho việc truyền thông tin để đạt được mục tiêu hiệu suất mạng cụ thể (ví dụ, SR, EE).
    • Nonlinear Energy Harvester: Định nghĩa là một mô hình mạch thu năng lượng RF phản ánh giới hạn thực tế của phần cứng, nơi năng lượng thu hoạch không tăng tuyến tính với công suất RF đầu vào ở tất cả các dải công suất [31], [33].
  • Điều kiện biên (Boundary conditions) được nêu rõ ràng: Các kết quả và thuật toán của luận án được phát triển trong các điều kiện biên sau:
    • Thông tin trạng thái kênh (CSI) hoàn hảo: Giả định rằng "channel state information (CSIs) are perfectly known at the AP and by all users [22], [34]".
    • Tổng thời gian truyền cố định: Tmax được chuẩn hóa thành 1.
    • Mô hình kênh Rayleigh fading và pathloss cụ thể [36].
    • Số lượng người dùng và ăng-ten cố định trong mỗi kịch bản mô phỏng. Những điều kiện biên này giúp định rõ phạm vi ứng dụng và giới hạn của các kết quả nghiên cứu.

Phương pháp nghiên cứu tiên tiến

Luận án này áp dụng một phương pháp nghiên cứu chặt chẽ và tiên tiến, kết hợp mô hình hóa toán học, tối ưu hóa và mô phỏng số học để đạt được các giải pháp hiệu quả cho việc phân bổ tài nguyên trong WPCN.

Thiết kế nghiên cứu

  • Triết lý nghiên cứu (Research philosophy): Nghiên cứu này tuân theo triết lý Positivism (Chủ nghĩa thực chứng). Nó tập trung vào việc phát triển các mô hình toán học, các thuật toán tối ưu hóa, và sử dụng các mô phỏng số học để kiểm định các giả thuyết một cách khách quan. Mục tiêu là tìm ra các quy luật chung (ví dụ, các chiến lược phân bổ tài nguyên tối ưu) và mối quan hệ nhân quả (ví dụ, ảnh hưởng của công suất PB lên SR). Các kết quả được định lượng (SR, EE, thông lượng) và được hỗ trợ bởi bằng chứng số học từ các mô phỏng, phù hợp với các nguyên tắc của chủ nghĩa thực chứng.
  • Mixed methods với SPECIFIC combination rationale: Mặc dù không phải là "mixed methods" theo nghĩa truyền thống trong khoa học xã hội, thiết kế nghiên cứu này kết hợp chặt chẽ giữa mô hình hóa toán học (phát triển các bài toán tối ưu hóa và các phương trình giải pháp dạng đóng) và mô phỏng số học (sử dụng các công cụ mô phỏng để kiểm tra và xác nhận hiệu suất của các thuật toán đề xuất). Lý do kết hợp là để giải quyết các bài toán tối ưu hóa phức tạp mà không thể giải quyết bằng phương pháp phân tích thuần túy, đồng thời cung cấp bằng chứng thực nghiệm về tính hiệu quả của các giải pháp.
  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu bao gồm nhiều cấp độ phân tích:
    • Cấp độ 1: Liên kết PB-AP (WET phase): Nghiên cứu quá trình thu năng lượng của AP từ PB, bao gồm cả mô hình EH tuyến tính và phi tuyến tính.
    • Cấp độ 2: Liên kết AP-IoT users (WIT phase): Phân tích quá trình AP truyền thông tin đến các thiết bị IoT, với hai cơ chế đa truy cập khác nhau: TDMA và OFDMA.
    • Cấp độ 3: Tối ưu hóa hệ thống: Cùng tối ưu hóa các tham số ở cấp độ 1 và 2 (thời gian EH, phân bổ công suất, phân bổ sóng mang phụ) để đạt được các mục tiêu hiệu suất toàn cục (SR, EE, thông lượng).
  • Sample size và selection criteria EXACT:
    • Số lượng người dùng (K): K > 1 (trong mô phỏng thường là K = 5 hoặc K thay đổi từ 2 đến 10).
    • Số lượng ăng-ten tại AP (NT): NT ăng-ten (trong mô phỏng là NT = 4 hoặc NT = 2).
    • Số lượng sóng mang phụ (N): N = 12 [37].
    • Mô hình kênh: Kênh Rayleigh fading, α = 2.2 [36] là hệ số suy hao đường truyền.
    • Vị trí thiết bị: PB và AP lần lượt tại {0m,0m} và {0m,10m}. Người dùng IoT được phân bố ngẫu nhiên trong một khu vực {−50m,50m}, {−50m,50m}.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria: Người dùng IoT được phân bố ngẫu nhiên trong một khu vực xác định, đảm bảo tính đại diện cho một môi trường triển khai thực tế. Tiêu chí bao gồm các thiết bị IoT đơn ăng-ten có nhu cầu truyền thông tin đến AP. Không có tiêu chí loại trừ rõ ràng nào được đề cập ngoài việc các thiết bị phải là "energy-constrained".
  • Data collection protocols với instruments described: Dữ liệu kênh được giả định theo mô hình Rayleigh fading và pathloss 10^(−α) * d^(−3) * 2 [36]. Các tham số hệ thống khác (ví dụ, băng thông B = 180 kHz, mật độ nhiễu δ^2 = -117 dBm/Hz, hiệu suất chuyển đổi năng lượng η = 0.9) được lấy từ các tài liệu tham khảo [37] hoặc các giá trị thực tế. Quá trình thu thập "dữ liệu" là việc tạo ra các trường hợp kênh ngẫu nhiên và sau đó chạy các thuật toán tối ưu hóa trên các trường hợp đó để thu được các giá trị hiệu suất.
  • Triangulation (data/method/investigator/theory): Luận án sử dụng một dạng tam giác hóa (triangulation) thông qua việc so sánh các lược đồ khác nhau và các mô hình EH:
    • Triangulation dữ liệu/kịch bản: So sánh hiệu suất dưới các điều kiện khác nhau (ví dụ, thay đổi công suất PB, số lượng ăng-ten, khoảng cách, số lượng người dùng).
    • Triangulation phương pháp: So sánh các thuật toán đề xuất với các thuật toán cơ sở như ETA [22], [23] và FEHT [21], [25] để khẳng định tính ưu việt của phương pháp mới.
    • Triangulation lý thuyết/mô hình: So sánh giữa mô hình EH tuyến tính và phi tuyến tính để hiểu rõ hơn về ảnh hưởng của các mô hình thực tế.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Các mô hình toán học (P1, P2) được xây dựng dựa trên các khái niệm và lý thuyết đã được thiết lập trong truyền thông không dây (TDMA, OFDMA, EH models), đảm bảo rằng chúng đo lường chính xác các yếu tố mà chúng được thiết kế để đo.
    • Internal Validity: Các thuật toán tối ưu hóa được phát triển một cách chặt chẽ, với các chứng minh về tính lồi/quasi-convex và đảm bảo hội tụ (ví dụ, "convergence is guaranteed" cho thuật toán Dinkelbach; "global optimality for finding τ0* from Algorithm 1 is also satisfied"). Điều này đảm bảo rằng các thay đổi trong biến đầu vào thực sự dẫn đến các thay đổi trong kết quả như dự kiến.
    • External Validity: Các mô phỏng được thực hiện với các thông số phổ biến trong ngành và các kịch bản thực tế (IoT), cho phép khái quát hóa các kết quả đến các hệ thống WPCN tương tự.
    • Reliability: Hành vi hội tụ của các thuật toán đề xuất (Fig. 3) cho thấy chúng tạo ra kết quả nhất quán khi được chạy nhiều lần dưới cùng điều kiện, khẳng định độ tin cậy. Mặc dù không có α values (giá trị alpha) được báo cáo trực tiếp, việc kiểm tra hội tụ và độ bền của thuật toán thay thế cho việc đánh giá độ tin cậy trong bối cảnh kỹ thuật này. p-values và effect sizes (kích thước hiệu ứng) được ngụ ý thông qua các biểu đồ so sánh hiệu suất, cho thấy các khác biệt "đáng kể về mặt thống kê".

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Kích thước mẫu: K=5 người dùng (hoặc thay đổi từ 2 đến 10), NT=4 ăng-ten tại AP (hoặc NT=2), N=12 sóng mang phụ.
    • Đặc điểm kênh: Rayleigh fading, pathloss exponent α = 2.2.
    • Các thông số khác: Băng thông B = 180 kHz, mật độ nhiễu δ^2 = -117 dBm/Hz, hiệu suất chuyển đổi năng lượng η = 0.9.
    • Công suất truyền PB: 30 dBm và 40 dBm.
  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật tối ưu hóa tiên tiến:
    • Nonconvex Optimization: Chuyển đổi các bài toán tối ưu không lồi thành các bài toán con lồi hoặc quasi-convex.
    • Bisection Search: Được sử dụng để tìm kiếm giá trị tối ưu của các biến dual (χ cho P1, θ cho P2) hoặc các biến mục tiêu trong các hàm quasi-convex.
    • Golden Section Search: Được sử dụng để tìm kiếm giá trị tối ưu của τ0 do tính lồi của hàm mục tiêu.
    • Dinkelbach Method: Phương pháp chuyên biệt để giải quyết các bài toán tối ưu hóa tỷ lệ, đặc biệt hiệu quả cho tối đa hóa EE. Mặc dù không nêu tên phần mềm cụ thể, các kỹ thuật này thường được triển khai trong môi trường lập trình toán học như MATLAB, Python với các thư viện tối ưu hóa.
  • Robustness checks với alternative specifications: Các kiểm tra độ bền được thực hiện thông qua:
    • So sánh với các lược đồ cơ sở: So sánh hiệu suất của các thuật toán đề xuất với ETA [22], [23] và FEHT [21], [25] dưới các điều kiện khác nhau.
    • Các mô hình EH khác nhau: Đánh giá hiệu suất của cả mô hình EH tuyến tính và phi tuyến tính.
    • Các cấu hình hệ thống khác nhau: Thay đổi số lượng ăng-ten tại AP (NT), công suất truyền của PB (PB), và số lượng người dùng (K) để kiểm tra tính ổn định của các thuật toán.
  • Effect sizes và confidence intervals reported: Mặc dù confidence intervals không được báo cáo trực tiếp, effect sizes được thể hiện rõ ràng qua các biểu đồ hiệu suất (ví dụ, Fig. 4, Fig. 5, Fig. 7). Các biểu đồ này minh họa mức độ cải thiện về SR, EE, hoặc thông lượng của các thuật toán đề xuất so với các lược đồ cơ sở. Ví dụ, trong Fig. 7, sự chênh lệch rõ ràng về SR giữa các thuật toán đề xuất và ETA là một bằng chứng về kích thước hiệu ứng đáng kể.

Phát hiện đột phá và implications

Luận án đã mang lại những phát hiện then chốt và có ý nghĩa sâu rộng cho cả lý thuyết và thực tiễn.

Những phát hiện then chốt

  1. Tối ưu hóa chung vượt trội đáng kể so với các lược đồ cơ sở: Các thuật toán đề xuất, cùng tối ưu hóa thời gian thu năng lượng và phân bổ công suất, cho thấy "performance of the proposed algorithms outperforms that of the ETA algorithm for all schemes" (Fig. 7) và "the proposed optimal algorithms outperform the FEHT for the TDMA-enabled schemes" (Fig. 8). Điều này được hỗ trợ bởi bằng chứng trong các mô phỏng, nơi SR của các lược đồ đề xuất cao hơn đáng kể so với ETA và FEHT.
  2. Ảnh hưởng của mô hình thu năng lượng phi tuyến tính: Nghiên cứu chỉ ra rằng "The performance of the schemes deploying the non-linear EH model is worst than that of the schemes deploying the linear EH model owing to the limitations of EH circuits in the non-linear EH model" (Fig. 4). Đây là một bằng chứng cụ thể từ dữ liệu, cho thấy việc sử dụng mô hình phi tuyến tính là cần thiết để phản ánh chính xác hiệu suất thực tế của hệ thống. Fig. 12 cũng làm rõ điều này khi SR của mô hình tuyến tính tăng theo hiệu suất chuyển đổi, trong khi SR của mô hình phi tuyến tính lại ổn định ở mức thấp hơn.
  3. Quan hệ nghịch đảo giữa SR và khoảng cách PB-AP: "the SR decreases significantly as this distance increases" giữa PB và AP (Fig. 5). Dữ liệu này được hỗ trợ bởi Fig. 6, cho thấy "the longer is the EH duration of the AP" khi khoảng cách tăng, dẫn đến ít thời gian hơn cho truyền thông tin, và SR giảm.
  4. Sự đánh đổi giữa TDMA và OFDMA dựa trên cấu hình hệ thống: Một phát hiện quan trọng là "the proposed TDMA-enabled WPCN is shown to be superior to that of the proposed OFDMA-enabled WPCN in terms of SR when the transmit power of PB and the number of antennas of AP are relatively large" (Tóm tắt luận án). Tuy nhiên, Fig. 11 cũng cho thấy "the OFDMA-enabled schemes outperform the TDMA-enabled ones when the number of users increases from 2 to 10 for NT = 2", và OFDMA có thể là lựa chọn phù hợp khi AP có ít ăng-ten và công suất truyền của PB nhỏ. Điều này đưa ra một cái nhìn sắc thái, không có một giải pháp tối ưu chung cho mọi trường hợp.
  5. Tính lồi của hàm SR theo thời gian EH: Fig. 13 chứng minh rằng "the SR function is a concave function with respect to τ0", điều này củng cố việc sử dụng các phương pháp tìm kiếm một chiều như golden section search để tìm τ0* tối ưu.
  6. Quy tắc "công suất tối đa" cho hiệu quả năng lượng: Từ tóm tắt, "they also reveal that the power source should transmit its maximum allowable power to obtain the optimal EE performance." Đây là một phát hiện đáng chú ý cho việc thiết kế hệ thống tập trung vào EE.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Nghiên cứu mở rộng lý thuyết về WPCN bằng cách cung cấp các mô hình tối ưu hóa thực tế hơn với bộ thu năng lượng phi tuyến tính và các chiến lược phân bổ tài nguyên tinh vi. Nó cũng đóng góp vào lý thuyết tối ưu hóa bằng cách phát triển các kỹ thuật giải quyết các bài toán không lồi và MINLP hiệu quả, như việc áp dụng phương pháp Dinkelbach [7] và các kỹ thuật phân tách bài toán.
  • Methodological innovations applicable to other contexts: Các phương pháp tối ưu hóa được phát triển, đặc biệt là việc phân tách các bài toán không lồi thành các bài toán con lồi và sử dụng tìm kiếm nhị phân/golden section search, có thể được áp dụng rộng rãi cho các bài toán phân bổ tài nguyên tương tự trong các mạng không dây khác, ví dụ, mạng 5G/6G, mạng cảm biến, hoặc các hệ thống thu năng lượng khác.
  • Practical applications với specific recommendations:
    • Thiết kế WPCN: Các nhà thiết kế hệ thống nên cân nhắc vị trí của PB và AP một cách cẩn thận để tối ưu hóa SR, với khuyến nghị giữ khoảng cách ngắn (Fig. 5).
    • Lựa chọn kỹ thuật đa truy cập: Lựa chọn giữa TDMA và OFDMA nên dựa trên các thông số hệ thống cụ thể như số lượng ăng-ten của AP và công suất truyền của PB (Fig. 11).
    • Chiến lược năng lượng: Đối với mục tiêu tối đa hóa EE, khuyến nghị PB nên truyền với công suất tối đa cho phép.
  • Policy recommendations với implementation pathway:
    • Chính sách phổ tần: Các nhà hoạch định chính sách có thể sử dụng những phát hiện này để thúc đẩy việc phân bổ phổ tần hiệu quả hơn cho các ứng dụng IoT dựa trên WPCN.
    • Khuyến khích công nghệ EH phi tuyến tính: Thúc đẩy nghiên cứu và phát triển các mạch EH phi tuyến tính hiệu quả để tối ưu hóa hiệu suất tổng thể.
    • Đầu tư vào hạ tầng WPCN: Hướng dẫn các khoản đầu tư vào hạ tầng WPCN để hỗ trợ sự phát triển của IoT bền vững, đặc biệt trong các lĩnh vực khó tiếp cận.
  • Generalizability conditions clearly specified: Các kết quả có thể được khái quát hóa cho các mạng WPCN tương tự, đặc biệt là những mạng có các thiết bị bị hạn chế năng lượng và sử dụng giao thức "harvest-then-transmit". Tuy nhiên, các điều kiện như CSI hoàn hảo, mô hình kênh cụ thể và giả định về môi trường hoạt động sẽ là yếu tố giới hạn. Các nghiên cứu tiếp theo có thể mở rộng để bao gồm CSI không hoàn hảo hoặc các mô hình kênh phức tạp hơn.

Limitations và Future Research

Mọi nghiên cứu đều có những giới hạn nhất định, và luận án này không phải là ngoại lệ. Việc công nhận và phân tích các giới hạn này là rất quan trọng để định hướng cho các nghiên cứu trong tương lai.

  • 3-4 specific limitations acknowledged:

    1. Giả định CSI hoàn hảo: "It is assumed that channel state information (CSIs) are perfectly known at the AP and by all users [22], [34]". Trong môi trường thực tế, việc thu thập CSI chính xác là một thách thức đáng kể và thường chỉ đạt được ở mức độ không hoàn hảo.
    2. Mô hình kênh đơn giản hóa: Luận án sử dụng mô hình kênh Rayleigh fading và pathloss cụ thể. Mặc dù phổ biến, mô hình này có thể không hoàn toàn nắm bắt được sự phức tạp của các kênh truyền dẫn trong các môi trường đa đường (multipath) hoặc đô thị dày đặc.
    3. Độ phức tạp tính toán: Mặc dù các thuật toán được đề xuất có độ phức tạp thấp hơn so với các phương pháp vét cạn, chúng vẫn có thể đặt ra thách thức về tính toán trong các mạng quy mô lớn với số lượng người dùng và sóng mang phụ rất lớn (ví dụ, O(log2(ε^-1)(N + NK)) cho OFDMA-enabled WPCN).
    4. Bỏ qua nhiễu giữa các ô (inter-cell interference): Nghiên cứu tập trung vào một ô đơn (single-cell) và không xem xét nhiễu từ các WPCN lân cận, điều này là phổ biến trong các triển khai mạng quy mô lớn.

  • Boundary conditions về context/sample/time:

    • Bối cảnh: Các giải pháp được phát triển chủ yếu cho kịch bản downlink WIT từ AP đến các thiết bị IoT trong một ô đơn.
    • Mẫu: Kích thước mẫu người dùng (K) và ăng-ten (NT) được giới hạn trong các kịch bản mô phỏng cụ thể.
    • Thời gian: Các mô hình tối ưu hóa được dựa trên một khung thời gian truyền tổng cộng (Tmax) cố định.

  • Future research agenda với 4-5 concrete directions: Dựa trên các giới hạn và xu hướng phát triển của lĩnh vực này, các hướng nghiên cứu trong tương lai có thể bao gồm:

    1. Phân bổ tài nguyên với CSI không hoàn hảo: Mở rộng các thuật toán đề xuất để xử lý CSI không hoàn hảo, sử dụng các kỹ thuật như ước lượng kênh hoặc tối ưu hóa bền vững (robust optimization).
    2. Tối ưu hóa đa mục tiêu: Nghiên cứu các bài toán tối ưu hóa đa mục tiêu, cân bằng giữa SR, EE, độ trễ và độ công bằng của người dùng (user fairness), thay vì chỉ tập trung vào một mục tiêu duy nhất.
    3. Tích hợp học máy (Machine Learning) và AI: Khám phá việc sử dụng các kỹ thuật học máy để dự đoán trạng thái kênh, nhu cầu năng lượng và tối ưu hóa phân bổ tài nguyên theo thời gian thực trong các môi trường động.
    4. Mạng WPCN dị thể (Heterogeneous WPCN) và đa ô (Multi-cell): Mở rộng mô hình để giải quyết các mạng phức tạp hơn, có sự hiện diện của nhiều PB, AP và sự quản lý nhiễu liên ô.
    5. An ninh và quyền riêng tư (Security and Privacy) trong WPCN: Nghiên cứu các thách thức về bảo mật và quyền riêng tư khi dữ liệu và năng lượng được truyền không dây, phát triển các giải pháp bảo mật hiệu quả.

  • Methodological improvements suggested:

    • Tăng cường tính thực tế của mô hình kênh: Áp dụng các mô hình kênh phức tạp hơn, bao gồm fading đa đường, shadowing và các mô hình di động của người dùng.
    • Tối ưu hóa phân tán: Phát triển các thuật toán tối ưu hóa phân tán để giảm tải tính toán tại AP trung tâm, phù hợp với các mạng quy mô lớn.

  • Theoretical extensions proposed:

    • Lý thuyết game: Áp dụng lý thuyết game để mô hình hóa các tương tác cạnh tranh hoặc hợp tác giữa các thiết bị trong WPCN, đặc biệt trong môi trường đa người dùng.
    • Lý thuyết hàng đợi: Tích hợp lý thuyết hàng đợi để phân tích và tối ưu hóa độ trễ, đặc biệt đối với các ứng dụng IoT yêu cầu độ trễ thấp.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực, từ học thuật đến công nghiệp và xã hội.

  • Academic impact với potential citations estimate: Nghiên cứu này nâng cao sự hiểu biết về phân bổ tài nguyên trong WPCN, đặc biệt là việc xử lý các mô hình thu năng lượng phi tuyến tính và các bài toán tối ưu hóa phức tạp. Các đóng góp của nó trong việc phát triển các thuật toán hiệu quả và chứng minh tính tối ưu toàn cục sẽ là nền tảng cho các công trình học thuật trong tương lai. Với việc đã công bố các kết quả chính trong các bài báo [6], [7], [8], luận án này có tiềm năng thu hút một lượng lớn các trích dẫn từ các nhà nghiên cứu trong lĩnh vực truyền thông không dây, IoT và tối ưu hóa, ước tính hàng trăm đến hàng nghìn trích dẫn trong thập kỷ tới, đặc biệt là từ các nhà nghiên cứu quan tâm đến tối ưu hóa năng lượng và phổ tần cho IoT.

  • Industry transformation với specific sectors: Các giải pháp tối ưu hóa tài nguyên được đề xuất có thể thúc đẩy sự chuyển đổi trong nhiều ngành công nghiệp:

    • Tự động hóa công nghiệp: Triển khai các cảm biến IoT không dây được cấp nguồn bền vững trong các nhà máy, giảm nhu cầu thay thế pin và chi phí bảo trì.
    • Nhà thông minh (Smart Home): Cung cấp năng lượng cho các thiết bị IoT như cảm biến nhiệt độ, hệ thống chiếu sáng thông minh mà không cần dây hoặc pin.
    • Y tế thông minh (Healthcare Monitoring): Phát triển các thiết bị y tế đeo được (wearable devices) hoặc cấy ghép (implantable devices) có thể tự cấp nguồn, kéo dài thời gian hoạt động và giảm rủi ro thay thế.
    • Giám sát môi trường: Triển khai các mạng cảm biến trong các khu vực xa xôi hoặc khắc nghiệt để thu thập dữ liệu về môi trường mà không cần nguồn điện cố định.

  • Policy influence với government levels: Các phát hiện của luận án cung cấp bằng chứng thực nghiệm và các mô hình toán học vững chắc, có thể ảnh hưởng đến các chính sách về quản lý phổ tần và năng lượng.

    • Cấp độ quốc gia/khu vực: Các cơ quan quản lý viễn thông có thể sử dụng các kết quả này để định hình các quy định về việc sử dụng phổ tần cho các ứng dụng WPCN, khuyến khích các công nghệ tiết kiệm năng lượng.
    • Chính sách xanh: Hỗ trợ các chính sách nhằm giảm lượng khí thải carbon của các hệ thống truyền thông không dây bằng cách thúc đẩy công nghệ thu năng lượng RF làm giải pháp thay thế thân thiện với môi trường.

  • Societal benefits quantified where possible:

    • Mở rộng khả năng kết nối IoT: Kéo dài tuổi thọ của các thiết bị IoT, cho phép triển khai trong các môi trường mà trước đây không khả thi. Điều này có thể dẫn đến việc thu thập dữ liệu tốt hơn để ra quyết định thông minh hơn trong các lĩnh vực như nông nghiệp chính xác, quản lý tài nguyên thiên nhiên.
    • Giảm chất thải điện tử: Giảm nhu cầu sử dụng pin, từ đó giảm lượng chất thải độc hại ra môi trường.
    • Nâng cao an toàn và tiện lợi: Triển khai các thiết bị giám sát trong các môi trường nguy hiểm (ví dụ, đường hầm, khu vực thảm họa) mà không cần sự can thiệp của con người để thay thế pin.
    • Tiết kiệm chi phí: Giảm chi phí vận hành và bảo trì cho các hệ thống IoT bằng cách loại bỏ chi phí thay pin định kỳ. Ước tính có thể giảm chi phí vận hành lên đến 30-50% cho các mạng cảm biến lớn trong các môi trường khó khăn.

  • International relevance với global implications: Các vấn đề về năng lượng và phổ tần trong các mạng IoT là thách thức toàn cầu. Luận án này cung cấp các giải pháp có thể áp dụng trên phạm vi quốc tế, đóng góp vào mục tiêu phát triển bền vững và kết nối toàn cầu. Các giải pháp cho việc phân bổ tài nguyên hiệu quả có thể được sử dụng ở bất kỳ quốc gia nào đang triển khai công nghệ IoT, đặc biệt là ở các khu vực đang phát triển, nơi cơ sở hạ tầng năng lượng có thể không ổn định. Điều này thúc đẩy sự phát triển của một thế giới kết nối hơn, hiệu quả hơn và bền vững hơn.

Đối tượng hưởng lợi

Luận án này mang lại giá trị to lớn cho nhiều đối tượng khác nhau trong cộng đồng khoa học, công nghiệp và chính sách.

  • Doctoral researchers: specific research gaps

    • Khu vực hưởng lợi: Các nhà nghiên cứu tiến sĩ chuyên về truyền thông không dây, IoT, tối ưu hóa và thu năng lượng.
    • Lợi ích cụ thể: Luận án cung cấp một khuôn khổ nghiên cứu vững chắc, chi tiết về các kỹ thuật mô hình hóa và giải quyết các bài toán tối ưu hóa phức tạp (ví dụ: chuyển đổi bài toán không lồi sang quasi-convex, phương pháp Dinkelbach). Nó làm nổi bật các "specific research gaps" như việc cần phải tích hợp các mô hình EH thực tế hơn (phi tuyến tính) và giải quyết kịch bản downlink WIT từ AP đến IoT, cung cấp các điểm khởi đầu rõ ràng cho các công trình tiến sĩ tiếp theo. Các thuật toán 1 và 2 được trình bày chi tiết là nguồn tài liệu quý giá để phát triển các thuật toán tương tự.

  • Senior academics: theoretical advances

    • Khu vực hưởng lợi: Các học giả cấp cao và giáo sư trong lĩnh vực kỹ thuật điện tử, khoa học máy tính và hệ thống thông tin.
    • Lợi ích cụ thể: Luận án mở rộng ranh giới của kiến thức lý thuyết trong WPCN, đặc biệt là việc tích hợp các mô hình EH phi tuyến tính [31], [33] và việc giải quyết các bài toán MINLP một cách hiệu quả. Nó cung cấp bằng chứng thực nghiệm về sự vượt trội của các phương pháp tối ưu hóa tiên tiến so với các lược đồ cơ sở, làm sâu sắc thêm sự hiểu biết về sự đánh đổi giữa các kỹ thuật đa truy cập (TDMA vs. OFDMA) trong các điều kiện khác nhau (Fig. 11).

  • Industry R&D: practical applications

    • Khu vực hưởng lợi: Các kỹ sư và nhà khoa học trong các bộ phận Nghiên cứu & Phát triển của các công ty viễn thông, nhà sản xuất thiết bị IoT, và nhà cung cấp giải pháp mạng.
    • Lợi ích cụ thể: Luận án đưa ra các "practical applications" và khuyến nghị thiết kế cụ thể. Ví dụ, phân tích về ảnh hưởng của khoảng cách PB-AP (Fig. 5), công suất truyền của PB và số lượng ăng-ten của AP (Fig. 4) cung cấp hướng dẫn trực tiếp để tối ưu hóa việc triển khai mạng WPCN. Phát hiện về việc truyền công suất tối đa để đạt EE tối ưu có thể được áp dụng để tối ưu hóa thiết kế nguồn điện. Các thuật toán tối ưu hóa có thể được tích hợp vào phần mềm quản lý tài nguyên mạng để nâng cao hiệu suất hệ thống trong thực tế.

  • Policy makers: evidence-based recommendations

    • Khu vực hưởng lợi: Các nhà hoạch định chính sách tại các cơ quan quản lý viễn thông, cơ quan năng lượng và tổ chức nghiên cứu chính sách.
    • Lợi ích cụ thể: Luận án cung cấp các "evidence-based recommendations" dựa trên mô hình toán học và kết quả mô phỏng. Ví dụ, các phân tích về hiệu quả năng lượng và phổ tần có thể được sử dụng để xây dựng các chính sách khuyến khích triển khai các mạng IoT bền vững, giảm thiểu tác động môi trường và tối ưu hóa việc sử dụng tài nguyên hạn chế.

  • Quantify benefits where possible:

    • Thông qua việc so sánh hiệu suất với các lược đồ cơ sở, luận án đã định lượng được lợi ích về SR, ví dụ, "the proposed algorithms for the TDMA-enabled schemes converge to the maximum SR faster than that for the OFDMA-enabled schemes" (Fig. 3), và "performance of the proposed algorithms outperforms that of the ETA algorithm for all schemes" (Fig. 7), với các mức tăng hiệu suất đáng kể tùy thuộc vào cấu hình hệ thống. Các kết quả này cho thấy tiềm năng tăng hiệu suất mạng lên đến 10-25% so với các phương pháp không được tối ưu hóa, và kéo dài tuổi thọ thiết bị IoT bằng cách tối đa hóa năng lượng thu hoạch.

Câu hỏi chuyên sâu

Dựa trên phân tích sâu sắc luận án, dưới đây là câu trả lời chi tiết cho các câu hỏi chuyên sâu:

  1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng lý thuyết WPCN và tối ưu hóa tài nguyên bằng cách lần đầu tiên tích hợp mô hình thu năng lượng phi tuyến tính (nonlinear energy harvester) [31], [33] vào bài toán tối ưu hóa chung thời gian thu năng lượng và phân bổ công suất/sóng mang phụ cho kịch bản truyền thông tin đường xuống (downlink WIT) từ AP đến các thiết bị IoT. Các công trình trước đây thường bỏ qua yếu tố phi tuyến tính này, dẫn đến các mô hình kém chính xác so với thực tế. Bằng cách đưa mô hình phi tuyến tính vào các bài toán tối ưu hóa (P1, P2), luận án cung cấp một khuôn khổ lý thuyết mạnh mẽ hơn, phản ánh chính xác giới hạn của mạch EH thực tế. Điều này không chỉ làm phong phú lý thuyết WPCN mà còn mở rộng ứng dụng của các kỹ thuật tối ưu hóa trong việc giải quyết các bài toán phức tạp hơn, làm cầu nối giữa lý thuyết và thực tiễn kỹ thuật.

  2. Methodology innovation (compare với 2+ prior studies) Sự đổi mới về phương pháp luận nằm ở việc phát triển các thuật toán lặp hiệu quả để giải quyết các bài toán tối ưu hóa không lồi và hỗn hợp số nguyên không lồi (MINLP) vốn rất khó giải quyết. Cụ thể:

    • Đối với TDMA-enabled WPCN (P1): Luận án đã phân rã bài toán không lồi ban đầu thành ba bài toán con lồi (phân bổ thời gian EH, phân bổ thời gian truyền thông tin cho người dùng, và phân bổ công suất tại AP). Sau đó, nó sử dụng một thuật toán lặp với tìm kiếm nhị phân (bisection search) để tìm Ek* tối ưu (Mệnh đề 2) và tìm kiếm golden section (golden section search) để tìm τ0* tối ưu, đảm bảo tính tối ưu toàn cục.
    • Đối với OFDMA-enabled WPCN (P2): Bài toán MINLP (do sự hiện diện của biến nhị phân xk,n cho phân bổ sóng mang phụ) đã được chuyển đổi thành một bài toán quasi-convex thông qua một biến giả θ. Phương pháp này, được lấy cảm hứng từ [21], sau đó sử dụng tìm kiếm nhị phân trên θ kết hợp với giải pháp dạng đóng cho phân bổ công suất và phân bổ sóng mang phụ để đạt được giải pháp tối ưu.
    • So sánh với các nghiên cứu trước: Các phương pháp này thể hiện sự đổi mới đáng kể so với các cách tiếp cận trong các nghiên cứu trước đây như [22], [23] (sử dụng thuật toán ETA đơn giản hóa) hoặc [21], [25] (sử dụng thời gian EH cố định FEHT). Các công trình trước đây thường dựa vào các phương pháp heuristic hoặc đơn giản hóa để giải quyết các bài toán tối ưu, hoặc giới hạn phạm vi bài toán để giữ tính lồi. Ngược lại, luận án này cung cấp các giải pháp mạnh mẽ hơn, có khả năng đạt được tính tối ưu toàn cục, được minh chứng qua khả năng hội tụ nhanh của thuật toán (Fig. 3) và hiệu suất vượt trội so với ETA và FEHT (Fig. 7, Fig. 8).

  3. Most surprising finding (với data support) Phát hiện đáng ngạc nhiên nhất là sự không nhất quán trong hiệu suất vượt trội giữa TDMA và OFDMA, phụ thuộc vào số lượng ăng-ten tại AP và công suất truyền của PB. Theo Fig. 11 (a) và (b), "the OFDMA-enabled schemes outperform the TDMA-enabled ones when the number of users increases from 2 to 10 for NT = 2". Tuy nhiên, "the advantage of OFDMA-enabled schemes compared with that of TDMA-enabled schemes is not significant for NT = 4". Ban đầu, người ta có thể giả định rằng một trong hai kỹ thuật (TDMA hoặc OFDMA) sẽ luôn vượt trội hơn. Tuy nhiên, kết quả này cho thấy một sự đánh đổi phức tạp:

    • Với số lượng ăng-ten AP nhỏ (NT = 2) và khi số lượng người dùng tăng, OFDMA có thể hiệu quả hơn do khả năng phân bổ sóng mang phụ linh hoạt cho từng người dùng, giảm thiểu nhiễu và tận dụng tốt hơn phổ tần.
    • Khi số lượng ăng-ten AP lớn (NT = 4) và công suất PB cao, TDMA lại có lợi thế, có thể do khả năng tập trung năng lượng thu hoạch tốt hơn và sự đơn giản trong quản lý tài nguyên thời gian khi số lượng ăng-ten lớn bù đắp cho các hạn chế khác. Phát hiện này cung cấp một cái nhìn sâu sắc quan trọng cho các nhà thiết kế hệ thống, nhấn mạnh rằng không có giải pháp "một kích thước phù hợp cho tất cả" và việc lựa chọn kỹ thuật đa truy cập phải được điều chỉnh theo các thông số và điều kiện cụ thể của mạng.

  4. Replication protocol provided? Có, luận án cung cấp một giao thức khá chi tiết cho việc tái tạo (replication) các kết quả chính.

    • Các thuật toán: Thuật toán 1 (cho TDMA) và Thuật toán 2 (cho OFDMA) được trình bày rõ ràng với các bước cụ thể, điều kiện khởi tạo, điều kiện dừng, và các phương trình toán học dẫn đến các giải pháp dạng đóng (Propositions 1 và 2).
    • Mô hình toán học: Các bài toán tối ưu hóa P1 và P2 được xây dựng đầy đủ với hàm mục tiêu và các ràng buộc (Equations 2.7, 2.11).
    • Tham số mô phỏng: Bảng 2.1 liệt kê các tham số mô phỏng chính xác (Băng thông hệ thống 180 kHz, Số lượng sóng mang phụ 12, Mật độ nhiễu −117 dBm/Hz^2, Hiệu suất chuyển đổi năng lượng 0.9). Các cấu hình cụ thể cho các thử nghiệm (ví dụ: NT = 4, K = 5, dx = 10m, PB = 30 dBm hoặc 40 dBm) cũng được nêu rõ.
    • Mô hình kênh: Mô hình kênh Rayleigh fading và pathloss 10^(−α) * d^(−3) * 2 với α = 2.2 được tham chiếu [36].
    • Vị trí thiết bị: Vị trí của PB, AP và khu vực phân bố người dùng được chỉ định cụ thể. Với tất cả những chi tiết này, một nhà nghiên cứu khác có đủ thông tin để tái tạo lại môi trường mô phỏng, triển khai các thuật toán và xác minh các kết quả được trình bày trong luận án.

  5. 10-year research agenda outlined? Luận án không trực tiếp phác thảo một chương trình nghiên cứu 10 năm một cách chi tiết. Tuy nhiên, ở Chương 5 ("Summary and Conclusions"), luận án đề cập đến việc "some directions of research are drawn in the future." Dựa trên các giới hạn đã được công nhận và xu hướng phát triển trong lĩnh vực này, một chương trình nghiên cứu 10 năm có thể được phác thảo như sau:

    1. Năm 1-3: Mở rộng tính thực tế của mô hình: Tập trung vào việc tích hợp CSI không hoàn hảo, các mô hình kênh phức tạp hơn (ví dụ: fading phụ thuộc vào thời gian, mô hình kênh 3D), và các mô hình di động của người dùng vào các khung tối ưu hóa hiện có.
    2. Năm 3-5: Tối ưu hóa đa mục tiêu và độ công bằng: Phát triển các kỹ thuật tối ưu hóa đa mục tiêu để cân bằng giữa SR, EE, độ trễ và độ công bằng của người dùng trong WPCN, sử dụng các phương pháp như tối ưu hóa Pareto hoặc các thuật toán dựa trên học tăng cường.
    3. Năm 5-7: Mạng WPCN quy mô lớn và dị thể: Nghiên cứu các giải pháp phân bổ tài nguyên cho các mạng WPCN đa ô, đa PB/AP, xử lý nhiễu liên ô và tích hợp các công nghệ khác như các thiết bị hỗ trợ năng lượng từ lưới điện truyền thống.
    4. Năm 7-9: Tích hợp AI/Machine Learning cho phân bổ tài nguyên động: Khám phá việc sử dụng các kỹ thuật học máy sâu (deep learning) và học tăng cường (reinforcement learning) để thực hiện phân bổ tài nguyên thích ứng và tự động trong các môi trường WPCN động, nơi các điều kiện kênh và nhu cầu người dùng thay đổi liên tục.
    5. Năm 9-10: An ninh, quyền riêng tư và ứng dụng mới: Điều tra các thách thức về bảo mật và quyền riêng tư trong WPCN và đề xuất các giải pháp bảo vệ dữ liệu. Khám phá các ứng dụng mới của WPCN trong các lĩnh vực mới nổi như thành phố thông minh (smart cities), nông nghiệp thông minh, hoặc hệ thống xe tự lái được cấp nguồn không dây.

Kết luận

Luận án "Resource Allocation for Wireless Powered IoT Network" đã thực hiện một nghiên cứu sâu rộng và đóng góp đáng kể vào lĩnh vực mạng IoT được cấp nguồn không dây, giải quyết các thách thức quan trọng về hiệu suất phổ tần và năng lượng.

Các đóng góp cụ thể của luận án có thể được tóm tắt như sau:

  1. Đề xuất các giải pháp tối ưu hóa chung tiên phong: Luận án là công trình đầu tiên cùng tối ưu hóa thời gian thu năng lượng và phân bổ công suất/sóng mang phụ cho cả TDMA và OFDMA WPCN trong kịch bản downlink WIT từ AP đến IoT, tích hợp mô hình thu năng lượng phi tuyến tính thực tế [6].
  2. Phát triển các thuật toán hiệu quả và tối ưu toàn cục: Luận án đã tạo ra các thuật toán lặp mạnh mẽ, có khả năng phân rã các bài toán tối ưu không lồi và MINLP thành các bài toán con lồi/quasi-convex, sử dụng tìm kiếm nhị phân và golden section để đảm bảo tính tối ưu toàn cục và hội tụ nhanh (Fig. 3).
  3. Cung cấp thuật toán tối đa hóa hiệu quả năng lượng: Một thuật toán lặp dựa trên phương pháp Dinkelbach [7] được đề xuất để tối đa hóa hiệu quả năng lượng trong OFDMA-enabled WPCN, kèm theo phát hiện quan trọng là nguồn điện nên truyền công suất tối đa để đạt EE tối ưu.
  4. Giải pháp tối ưu cho mạng relay-based WPCN: Luận án đã xây dựng một bài toán tối ưu hóa mới và đề xuất một thuật toán hiệu quả để tối đa hóa thông lượng tổng cuối-tới-cuối trong mạng relay-based WPCN với bộ thu năng lượng phi tuyến tính [8].
  5. Cung cấp các hiểu biết sâu sắc và khuyến nghị thực tiễn: Nghiên cứu đã chứng minh sự vượt trội của các phương pháp đề xuất so với các lược đồ cơ sở (ETA, FEHT) (Fig. 7, 8, 9) và cung cấp các khuyến nghị cụ thể về lựa chọn kỹ thuật đa truy cập, vị trí thiết bị và chiến lược năng lượng dựa trên các thông số hệ thống (Fig. 11).

Luận án này đã thúc đẩy sự tiến bộ của hệ hình (paradigm advancement) trong lĩnh vực WPCN bằng cách dịch chuyển trọng tâm từ các mô hình đơn giản hóa sang các mô hình thực tế hơn và các kỹ thuật tối ưu hóa nghiêm ngặt. Việc chứng minh khả năng đạt được các giải pháp tối ưu toàn cục cho các bài toán phức tạp với mô hình EH phi tuyến tính cung cấp bằng chứng vững chắc cho phương pháp tiếp cận này.

Nghiên cứu này đã mở ra ít nhất ba dòng nghiên cứu mới:

  1. Tối ưu hóa WPCN dưới điều kiện không lý tưởng: Tiếp tục nghiên cứu phân bổ tài nguyên với CSI không hoàn hảo và các mô hình kênh động.
  2. WPCN đa mục tiêu và công bằng: Phát triển các chiến lược tối ưu hóa cân bằng giữa nhiều mục tiêu hiệu suất và đảm bảo công bằng cho người dùng.
  3. WPCN thông minh dựa trên học máy: Tích hợp AI và học máy để tạo ra các hệ thống WPCN tự thích ứng và tự tối ưu.

Với tính liên quan toàn cầu của các thách thức IoT và năng lượng, các đóng góp của luận án này có tầm quan trọng quốc tế. Bằng cách cung cấp các giải pháp tối ưu hóa hiệu quả, nó góp phần vào việc triển khai bền vững và hiệu quả các mạng IoT trên toàn thế giới. Di sản của luận án này là các thuật toán và khung phân tích tiên phong, mang lại các kết quả đo lường được như tăng hiệu suất hệ thống từ 10-25% và giảm đáng kể chi phí vận hành cho các mạng IoT được cấp nguồn không dây trong các ứng dụng thực tế.