Luận án TS Trần Thị Hương: Tối ưu sạc cảm biến kéo dài thời gian sống WRSNs

Mạng cảm biến sạc không dây (WRSNs) đại diện cho một bước tiến quan trọng trong công nghệ mạng cảm biến. WRSNs giải quyết vấn đề cạn kiệt năng lượng, một hạn chế lớn của mạng cảm biến không dây truyền thống (WSNs). Trong WRSNs, các nút cảm biến có khả năng sạc lại năng lượng. Điều này được thực hiện thông qua công nghệ sạc không dây. Hệ thống này đảm bảo hoạt động liên tục và bền vững của mạng. Sự ra đời của WRSNs mở ra nhiều ứng dụng mới. Các nút cảm biến có thể được triển khai ở những môi trường khó tiếp cận. Khả năng sạc lại giúp kéo dài tuổi thọ mạng. Các nhà nghiên cứu tập trung vào việc tối ưu hóa cách thức sạc. Mục tiêu là duy trì năng lượng cho tất cả các nút.

Truyền năng lượng không dây (WPT) là công nghệ cốt lõi của WRSNs. WPT cho phép xe sạc di động (MC) hoặc các trạm sạc cố định cung cấp năng lượng từ xa. Nút cảm biến nhận năng lượng mà không cần tiếp xúc vật lý. Công nghệ này loại bỏ nhu cầu thay pin thủ công. Có nhiều mô hình WPT khác nhau, bao gồm cảm ứng điện từ và cộng hưởng từ. Việc tối ưu hóa quá trình WPT là cần thiết. Nó ảnh hưởng đến hiệu quả năng lượng tổng thể. WPT giúp duy trì trạng thái hoạt động của nút cảm biến. Sự ổn định này rất quan trọng đối với các ứng dụng dài hạn.

Mục tiêu chính trong WRSNs là tối ưu hóa năng lượng. Việc quản lý năng lượng hiệu quả là rất phức tạp. Nút cảm biến tiêu thụ năng lượng khác nhau. Vị trí và khoảng cách đến xe sạc cũng thay đổi. Các chiến lược sạc phải cân nhắc nhiều yếu tố. Điều này bao gồm lộ trình di chuyển của xe sạc di động. Thời gian sạc tại mỗi điểm cũng cần được tính toán. Thách thức lớn là đảm bảo không nút cảm biến nào bị cạn kiệt năng lượng. Đồng thời, cần tối đa hóa tuổi thọ mạng. Hiệu quả năng lượng của toàn bộ hệ thống là mục tiêu cuối cùng. Các giải pháp sáng tạo là cần thiết để vượt qua những thách thức này.

Bài toán lập lịch sạc từng cảm biến là một vấn đề tối ưu hóa quan trọng. Trong mô hình này, xe sạc di động (MC) phục vụ các nút cảm biến riêng lẻ. MC di chuyển trong khu vực mạng theo một lộ trình được xác định. Mục tiêu chính là tránh tình trạng cạn kiệt năng lượng cho bất kỳ nút cảm biến nào. Đồng thời, xe sạc phải quay về trạm gốc để sạc lại. Lịch trình sạc cần được tối ưu hóa. Điều này bao gồm xác định thứ tự ghé thăm các nút và thời gian dừng tại mỗi nút. Việc tối ưu hóa năng lượng là trọng tâm. Các ràng buộc về dung lượng pin và tốc độ sạc cần được xem xét. Đây là một bài toán phức tạp đòi hỏi các thuật toán hiệu quả.

Để giải quyết bài toán sạc từng cảm biến, luận án đã đề xuất hai thuật toán chính. Thuật toán di truyền hai pha (GACS) sử dụng cơ chế di truyền để tìm kiếm giải pháp tối ưu. GACS chia quá trình tối ưu thành hai giai đoạn. Nó giúp xác định lộ trình và thời gian sạc hiệu quả. Thuật toán sạc tối ưu hai mức (BOEDA) là một phương pháp khác. BOEDA tập trung vào việc tránh cạn kiệt năng lượng. Nó cân bằng giữa việc sạc kịp thời và tối ưu hóa lộ trình. Cả GACS và BOEDA đều được thiết kế để nâng cao tuổi thọ mạng. Chúng đảm bảo các nút cảm biến luôn có đủ năng lượng hoạt động.

Hiệu suất của GACS và BOEDA được đánh giá kỹ lưỡng thông qua thực nghiệm. Các thử nghiệm xem xét ảnh hưởng của nhiều yếu tố. Số lượng nút cảm biến, tốc độ sạc của xe sạc di động, và dung lượng pin là những tham số quan trọng. Kết quả thực nghiệm cho thấy sự giảm đáng kể tỷ lệ nút chết. Các thuật toán này vượt trội so với các phương pháp hiện có. Xu hướng hội tụ của thuật toán BOEDA cũng được phân tích. Điều này chứng minh khả năng tìm ra giải pháp ổn định. Việc tối ưu hóa năng lượng thông qua lập lịch sạc từng cảm biến là hiệu quả. Nó góp phần kéo dài tuổi thọ mạng WRSNs.

Mô hình sạc nhiều cảm biến đồng thời là một phương pháp nâng cao hiệu quả năng lượng. Trong mô hình này, xe sạc di động (MC) có khả năng sạc nhiều nút cảm biến cùng lúc. Điều này khác biệt so với việc sạc từng nút riêng lẻ. Sạc đồng thời giúp tiết kiệm thời gian và năng lượng di chuyển của MC. Tuy nhiên, việc lập lịch sạc trở nên phức tạp hơn. Xe sạc cần xác định vị trí tối ưu để sạc một nhóm nút. Việc quản lý năng lượng cho nhiều nút đồng thời đòi hỏi tính toán chính xác. Mục tiêu vẫn là tối đa hóa tuổi thọ mạng. Mô hình này hướng tới việc nâng cao hiệu quả sử dụng tài nguyên sạc.

Để giải quyết bài toán sạc đa cảm biến, luận án đề xuất một số thuật toán. Một thuật toán tham lam được sử dụng để xác định các điểm sạc hiệu quả. Thuật toán này đưa ra quyết định nhanh chóng dựa trên trạng thái hiện tại. Ngoài ra, lược đồ sạc phân tán dựa trên học tăng cường (RL) được phát triển. Đặc biệt, thuật toán Q-learning được áp dụng. Q-learning giúp xe sạc di động tự động học cách đưa ra các quyết định tối ưu. Nó xác định điểm sạc tối ưu và lịch trình sạc. Mục tiêu là duy trì năng lượng cho các nút cảm biến. Điều này tăng cường hiệu quả năng lượng của toàn bộ hệ thống.

Việc xác định thời gian sạc tối ưu là yếu tố then chốt. Thời gian sạc cần phù hợp với mức năng lượng hiện tại của nút cảm biến. Nó cũng phải cân nhắc dung lượng của xe sạc di động và tốc độ sạc. Các thuật toán đề xuất trong luận án tập trung vào việc này. Chúng tối ưu hóa thời gian sạc để đạt được hiệu quả năng lượng cao nhất. Đánh giá thực nghiệm chứng minh hiệu suất của các thuật toán. Các yếu tố như phạm vi sạc và số lượng nút ảnh hưởng đến kết quả. Việc tối ưu hóa này góp phần đáng kể vào việc kéo dài tuổi thọ mạng. Nó đảm bảo các nút cảm biến hoạt động liên tục.

Thuật toán di truyền (GA) là một phương pháp tối ưu hóa meta-heuristic mạnh mẽ. GA mô phỏng quá trình chọn lọc tự nhiên để tìm kiếm giải pháp. Trong bối cảnh WRSNs, GA được sử dụng để lập lịch sạc. Nó có khả năng tìm ra các lộ trình sạc hiệu quả. GA tối ưu hóa thứ tự ghé thăm và thời gian sạc của xe sạc di động. Phương pháp này đặc biệt hữu ích cho các bài toán phức tạp. Nó giải quyết nhiều ràng buộc và mục tiêu khác nhau. GA đóng góp vào việc cải thiện hiệu quả năng lượng. Nó giúp kéo dài tuổi thọ mạng bằng cách duy trì năng lượng cho nút cảm biến.

Học tăng cường (RL) cung cấp một khung làm việc động để giải quyết vấn đề. Thuật toán Q-learning là một phương pháp phổ biến trong RL. Q-learning cho phép xe sạc di động học cách tương tác với môi trường. Nó đưa ra các quyết định sạc tối ưu dựa trên kinh nghiệm. Q-learning tự động xác định điểm sạc và thời gian sạc. Mục tiêu là tối đa hóa lợi ích dài hạn, tức là tuổi thọ mạng. Phương pháp này mang lại sự linh hoạt và khả năng thích ứng cao. Nó nâng cao khả năng quản lý năng lượng của WRSNs trong các tình huống thay đổi.

Luận án đã khai thác sức mạnh của nhiều kỹ thuật tối ưu hóa. Sự kết hợp giữa thuật toán di truyền và học tăng cường là một điểm nổi bật. Các phương pháp này bổ trợ cho nhau. GA tìm kiếm các giải pháp toàn cục, trong khi RL tập trung vào ra quyết định cục bộ. Việc tích hợp các phương pháp này mang lại hiệu quả năng lượng vượt trội. Nó tối ưu hóa quá trình sạc không dây. Sự kết hợp giúp quản lý năng lượng tốt hơn cho các nút cảm biến. Điều này cuối cùng góp phần kéo dài đáng kể tuổi thọ mạng WRSNs.

Quản lý năng lượng toàn diện là yếu tố cốt lõi cho sự thành công của WRSNs. Nó bao gồm lập lịch sạc, tối ưu hóa lộ trình xe sạc di động và phân bổ năng lượng. Mục tiêu là đảm bảo không có nút cảm biến nào cạn kiệt năng lượng. Đồng thời, cần sử dụng hiệu quả nguồn năng lượng sạc. Một chiến lược quản lý năng lượng kém có thể làm giảm tuổi thọ mạng đáng kể. Ngược lại, một chiến lược tối ưu hóa năng lượng tốt sẽ kéo dài thời gian hoạt động. Các phương pháp được trình bày trong luận án đóng góp vào việc này. Chúng cung cấp các công cụ cần thiết cho quản lý năng lượng hiệu quả.

Các chiến lược sạc và thuật toán được đề xuất trong luận án mang lại lợi ích lớn. Chúng kéo dài đáng kể tuổi thọ mạng WRSNs. Bằng cách tối ưu hóa lập lịch sạc và quản lý năng lượng. Các nút cảm biến có thể hoạt động liên tục trong thời gian dài hơn. Điều này giảm thiểu chi phí bảo trì và tăng độ tin cậy của hệ thống. Hiệu quả năng lượng được cải thiện rõ rệt. Luận án cung cấp giải pháp thiết thực cho các hệ thống WRSNs. Nó đảm bảo tính bền vững và hiệu suất cao của mạng.

Nghiên cứu này mở ra nhiều hướng phát triển trong tương lai. Cần tiếp tục khám phá các kỹ thuật sạc không dây tiên tiến hơn. Điều này bao gồm việc phát triển các mô hình WPT hiệu quả hơn. Các thuật toán lập lịch sạc có thể được cải tiến. Chúng sẽ thích ứng tốt hơn với môi trường động. Việc tích hợp trí tuệ nhân tạo và học máy sâu là tiềm năng. Mục tiêu là đạt được hiệu quả năng lượng bền vững. Điều này đảm bảo tuổi thọ mạng tối ưu cho WRSNs. Các hệ thống quản lý năng lượng thông minh hơn sẽ định hình tương lai.