Tổng quan về luận án

Sự phát triển mạnh mẽ của kỷ nguyên Vạn vật kết nối (Internet of Things - IoTs) và các hệ thống vi cơ điện tử đã định vị mạng cảm biến không dây (Wireless Sensor Networks - WSNs) thành hạ tầng thu thập thông tin cốt lõi trong các ứng dụng quan trắc môi trường, thành phố thông minh và an ninh quốc phòng. Tuy nhiên, rào cản mang tính cố hữu làm suy giảm nghiêm trọng độ tin cậy của WSNs truyền thống là dung lượng pin hạn chế ($e_{\max}$) của các nút cảm biến ($s_i \in S$). Khi các nút tiêu hao toàn bộ năng lượng ($e_i \le e_{\min}$), hiện tượng "nút chết" xảy ra, dẫn đến việc mất kết nối cục bộ và phá vỡ cấu trúc bao phủ mục tiêu. Sự xuất hiện của công nghệ truyền năng lượng không dây (Wireless Power Transfer - WPT) thông qua phát xạ điện từ và cộng hưởng từ trường đã mở ra thế hệ mạng cảm biến có khả năng sạc không dây (Wireless Rechargeable Sensor Networks - WRSNs). Dẫu vậy, việc tối ưu hóa vận hành thiết bị sạc di động (Mobile Charger - MC) đối mặt với bài toán tối ưu tổ hợp NP-khó đa chiều, đòi hỏi sự phối hợp đồng bộ giữa định tuyến không gian và phân bổ tài nguyên thời gian.

Khoảng trống nghiên cứu (Research Gap) nổi bật trong y văn quốc tế nằm ở chỗ: phần lớn các công trình tiền nhiệm (như Shi et al. [19], Kaswan et al. [64]) thường tách rời hoặc giản lược bài toán bằng giả định thiết bị sạc có năng lượng vô hạn ($E_{MC} \to \infty$) và áp dụng cứng nhắc cơ chế "sạc đầy" (full charging). Như văn bản luận án chỉ rõ: "Do đặc điểm của sạc không dây nên quá trình để sạc đầy pin cho một cảm biến có thể phải mất tới hàng giờ, từ đó kéo dài thời gian chờ sạc của các cảm biến chưa được sạc khác. Hệ quả là hàng loạt cảm biến sẽ cạn kiệt năng lượng và trở thành nút mạng chết." Hơn nữa, trong mô hình sạc nhiều cảm biến đồng thời (Multi-node charging), các nghiên cứu trước đây cố định sẵn các điểm dừng sạc và bỏ qua vai trò sống còn của các nút làm nhiệm vụ chuyển tiếp dữ liệu bảo đảm kết nối liên tục về Trạm cơ sở (Base Station - BS).

Luận án tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101) của Nghiên cứu sinh Trần Thị Hương, dưới sự hướng dẫn khoa học của PGS. Huỳnh Thị Thanh Bình và PGS. Lê Trọng Vĩnh tại Đại học Bách khoa Hà Nội (2024), đã giải quyết trực diện thách thức này thông qua hệ thống câu hỏi và giả thuyết khoa học:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để đồng thời tối ưu hóa hành trình di chuyển và thời lượng sạc từng phần cho một thiết bị sạc có năng lượng hữu hạn nhằm cực tiểu hóa tỷ lệ nút cảm biến cạn kiệt năng lượng trong mô hình sạc đơn nút?
  • Giả thuyết 1 (H1): Việc kết hợp cấu trúc tối ưu hóa hai mức lồng nhau (Bi-level Optimization) giữa thuật toán tiến hóa và thuật toán tối ưu bầy đàn sẽ vượt trội hơn phương pháp tối ưu tuần tự hai pha trong việc giảm tỷ lệ nút chết.
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để điều phối phân tán nhiều thiết bị sạc phục vụ nhu cầu tức thời trong không gian mạng quy mô lớn, vừa bảo đảm độ bao phủ các điểm mục tiêu trọng yếu vừa duy trì kết nối mạng thông suốt về BS?
  • Giả thuyết 2 (H2): Chiến lược sạc theo yêu cầu tích hợp giữa phân cụm hình học tham lam và học tăng cường Q-learning thích ứng sẽ tối đa hóa thời gian sống của mạng WRSNs so với các heuristic tĩnh truyền thống.

Khung lý thuyết của công trình tích hợp Lý thuyết Tối ưu hóa Tổ hợp (Combinatorial Optimization Theory), Lý thuyết Tiến hóa Quần thể (Evolutionary Computation), Lý thuyết Trí tuệ Bầy đàn (Swarm Intelligence), Lý thuyết Quyết định Markov / Học tăng cường (Reinforcement Learning) và Mô hình Tiêu thụ Năng lượng Vô tuyến Bậc 1 (First-order Radio Model). Nghiên cứu thực hiện trên phạm vi không gian mô phỏng $W \times H$, khảo sát tập hợp $n$ nút cảm biến ($n \in [25, 100]$) theo 3 mô hình phân bố không gian chuẩn hóa: dạng lưới ($g$), phân cụm không đồng đều ($n$) và phân bố đều ngẫu nhiên ($u$). Kết quả nghiên cứu tạo nên bước đột phá định lượng: giảm thiểu triệt để số lượng nút mạng chết, tối ưu hóa năng lượng tiêu hao cho di chuyển của MC ($E_{move} = P_M \cdot \frac{d}{V}$) và kéo dài đáng kể chu kỳ hoạt động liên tục của toàn mạng.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy bài toán lập lịch cho thiết bị sạc di động trong WRSNs được tiếp cận qua hai trường phái chính:

                                  CHIẾN LƯỢC SẠC TRONG WRSNs
                                               |
                     +-------------------------+-------------------------+
                     |                                                   |
           THEO THỜI GIAN PHỤC VỤ                               THEO PHƯƠNG PHÁP SẠC
           +---------+---------+                               +---------+---------+
           |                   |                               |                   |
       ĐỊNH KỲ            THEO YÊU CẦU                      SẠC ĐẦY            SẠC TỪNG PHẦN
   (Shi et al. [19])   (Kaswan et al. [64],            (Zhu et al. [33])    (Luận án đề xuất:
                        Zhu et al. [33])                                     GACS, BOEDA, DTCM)

Trường phái thứ nhất tập trung vào Lập lịch sạc định kỳ (Periodic Charging Schemes). Khởi xướng bởi Shi et al. (2014) [19], bài toán được quy chuẩn hóa về bài toán Tìm chu trình Hamilton chi phí tối thiểu (TSP-based) với mục tiêu tối đa hóa thời gian nghỉ của MC tại trạm cơ sở. Shi et al. kết hợp Thuật toán Di truyền (GA) và Tối ưu bầy đàn (PSO) nhưng đặt trên giả thiết ngặt nghèo rằng cảm biến luôn được nạp đầy $100%$ dung lượng pin và tốc độ tiêu thụ năng lượng giữa các nút là đồng nhất. Hạn chế mang tính hệ thống của nhánh nghiên cứu này là sự thiếu linh hoạt trước các đột biến về lưu lượng truyền gói tin và gây ra độ trễ chờ đợi nguy hiểm cho các nút xa trạm sạc.

Trường phái thứ hai khai thác Lập lịch sạc theo yêu cầu (On-demand Charging Schemes). Khi mức năng lượng còn lại rơi xuống dưới ngưỡng an toàn, nút cảm biến chủ động gửi gói tin yêu cầu về BS. Kaswan et al. (2017) [64] đề xuất mô hình lập lịch giảm thiểu thời gian chờ trung bình. Zhu et al. [33] giới thiệu hai thuật toán ngoại tuyến nổi tiếng: Thuật toán dựa trên xác suất (PA - Probability-based Algorithm) và Thuật toán cực tiểu hóa nút lỗi (INMA - Invalid Node Minimized Algorithm). Nhóm tác giả SAMER [65] đề xuất kỹ thuật ước lượng độ trễ dung nạp tối đa để ưu tiên sạc các nút gần nhất. Tuy nhiên, tranh luận cốt lõi giữa hai trường phái này bộc lộ mâu thuẫn lý thuyết sâu sắc:

  • Quan điểm sạc đầy (Full Charging) cho rằng việc sạc đầy giúp kéo dài thời gian tự trị của nút đơn lẻ, giảm tần suất viếng thăm của MC.
  • Quan điểm sạc từng phần (Partial Charging) khẳng định sạc đầy gây tắc nghẽn hàng đợi phục vụ, biến MC thành "nút thắt cổ chai" khiến các nút ngoại vi chết đói năng lượng (energy starvation).

Luận án của NCS. Trần Thị Hương định vị chính xác vào giao điểm của các tranh luận trên: chuyển dịch từ mô hình "sạc đầy đơn mục tiêu" sang "sạc từng phần đa mục tiêu có ràng buộc năng lượng hữu hạn $E_{MC}$", đồng thời mở rộng từ bài toán sạc tiếp xúc đơn nút sang mô hình phát xạ đa nút đồng thời dưới ràng buộc kép về Bao phủ Mục tiêu (Target Coverage) và Tính Kết nối (Network Connectivity). So sánh với hai công trình quốc tế điển hình:

  1. So với Shi et al. [19]: Luận án loại bỏ giả định phi thực tế về năng lượng MC vô hạn, chuyển hóa bài toán TSP thuần túy thành bài toán quy hoạch toán học tối ưu đồng thời cả vector hoán vị lộ trình $\wp = {\pi_0, \pi_1, \dots, \pi_n, \pi_{n+1}}$ và vector thời gian sạc $t = {\tau_1, \dots, \tau_n}$.
  2. So với Zhu et al. [33] (Thuật toán INMA): Luận án khắc phục hiện tượng tối ưu cục bộ tham lam ngắn hạn bằng cách nhúng thuật toán Q-learning thích ứng giá trị tương lai với hệ số khấu hao $\gamma$, đảm bảo MC không chỉ cứu các nút khẩn cấp tức thời mà còn tối ưu hóa chi phí di chuyển dài hạn trong toàn mạng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm sâu sắc các lý thuyết nền tảng trong khoa học máy tính và tối ưu hóa ứng dụng:

  • Mở rộng Lý thuyết Thuật toán Tiến hóa (Holland, 1975; Michalewicz, 1996 [47]): Luận án tái cấu trúc toán tử lai ghép và đột biến để thích ứng với bài toán có cấu trúc biến lai ghép (hybrid chromosome representation): kết hợp mã hóa hoán vị cho hành trình sạc và mã hóa số thực cho thời lượng sạc.
  • Phát triển Lý thuyết Trí tuệ Bầy đàn (Kennedy & Eberhart, 1995 [50]): Thiết lập cơ chế ánh xạ vector vận tốc và vị trí của các hạt ($X_{it}, V_{it}$) vào không gian phân bổ thời gian sạc liên tục dưới điều kiện biên năng lượng kẹp $[ -V_{\max}, V_{\max} ]$.
  • Mở rộng Lý thuyết Học Tăng cường Giá trị (Sutton & Barto, 1998; Watkins, 1989 [51]): Áp dụng phương trình Bellman tối ưu vào bài toán điều phối phân tán nhiều tác nhân MC trong không gian trạng thái động của mạng WRSNs.
                              MÔ HÌNH TOÁN HỌC TỔNG QUÁT (EDAP)
                                              |
                   +--------------------------+--------------------------+
                   |                                                     |
             HÀNH TRÌNH SẠC ℘                                    THỜI GIAN SẠC t
   ℘ = {π0, π1, π2, ..., πn, πn+1}                             t = {τ1, τ2, ..., τn}
                   |                                                     |
                   +--------------------------+--------------------------+
                                              |
                                     RÀNG BUỘC TOÀN CỤC
                   * Năng lượng MC: Emove + Echarge <= EMC - EMC_min
                   * Năng lượng nút: emin <= eremain_i, edepot_i <= emax
                   * Chu kỳ sạc: tau_total + Tmove <= CT

Mô hình lý thuyết định nghĩa Bài toán Tránh Cạn kiệt Năng lượng (Energy Depletion Avoidance Problem - EDAP) thông qua hàm mục tiêu giảm thiểu tối đa hàm suy giảm năng lượng và số lượng nút chết: $$\min f(\wp, t) = \sum_{i=1}^{n} z_i + \delta \sum_{i=1}^{n} \Delta_i$$ Trong đó $z_i \in {0, 1}$ là biến trạng thái biểu thị nút sống/chết, $\Delta_i$ biểu diễn mức độ sụt giảm năng lượng giữa hai chu kỳ sạc liên tiếp, và $\delta$ là trọng số chuẩn hóa.

Khung phân tích độc đáo

Khung phân tích của luận án thiết lập sự tích hợp hữu cơ giữa ba trụ cột lý thuyết:

  1. Lý thuyết Truyền năng lượng Vật lý: Mô hình hóa chính xác hai cơ chế: Mô hình ghép cộng hưởng từ trường phi bức xạ cho sạc tiếp xúc khoảng cách gần ($P_{rx} = \mu(d) P_{tx}$) và Phương trình Không gian Tự do Friis cho sạc phát xạ vô tuyến RF đa nút: $$P_{rx} = \begin{cases} \frac{\lambda}{(d + \beta)^2}, & \text{nếu } d \le r_{charge} \ 0, & \text{nếu } d > r_{charge} \end{cases}$$ với $\lambda = \left(\frac{G_{tx} G_{rx} \eta \zeta}{L_p 4\pi}\right)^2 P_{tx}$, $d$ là khoảng cách Euclid, $\beta$ là tham số hiệu chỉnh, và $r_{charge}$ là bán kính phát xạ hữu hiệu.
  2. Khung Tối ưu hóa Hai mức (Bi-level Optimization): Thiết kế cấu trúc lồng ghép độc đáo trong thuật toán BOEDA, trong đó mức trên (Upper-level) tối ưu hóa cấu trúc không gian của hành trình viếng thăm bằng giải thuật di truyền cải tiến, và mức dưới (Lower-level) tối ưu hóa thời lượng sạc chi tiết tại từng điểm dừng thông qua PSO và heuristic tham lam.
  3. Quy trình Ra quyết định Markov Phân tán (Decentralized MDP): Thiết lập không gian Trạng thái $S$ (mức năng lượng của các nút, khoảng cách tới các mục tiêu bao phủ), Hành động $A$ (lựa chọn điểm sạc khả thi $D_v$ tiếp theo), và Tín hiệu Phần thưởng $R$ phản ánh sự gia tăng thời gian sống của các luồng dữ liệu kết nối về trạm $s_0$.

Điều kiện biên (Boundary conditions) được xác lập nghiêm ngặt: Tổng năng lượng tiêu hao cho di chuyển $E_{move} = P_M \sum \frac{d_{\pi_k \pi_{k+1}}}{V}$ và năng lượng phát xạ $E_{charge} = \sum U \cdot \tau_i$ không được vượt quá dung lượng khả dụng của bình điện thiết bị sạc ($E_{MC} - E_{MC}^{\min}$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan bản thể luận thực chứng (Positivism) và phương pháp luận định lượng thực nghiệm (Quantitative Experimental Methodology). Nghiên cứu xây dựng khung mô phỏng tính toán đa cấp (Multi-level Computational Design):

  • Cấp độ Vật lý / Mạng: Mô phỏng các nút cảm biến tiêu thụ năng lượng theo Mô hình Tiêu thụ Năng lượng Vô tuyến Bậc 1 chuẩn hóa [54]:
    • Năng lượng thu nhận một bit dữ liệu: $e_i^{re} = \varepsilon_{elec} = 50\text{ nJ/bit}$.
    • Năng lượng truyền một bit dữ liệu qua khoảng cách $d_{ih}$: $$e_i^{tr} = \begin{cases} \varepsilon_{elec} + \varepsilon_{fs} \cdot d_{ih}^2, & \text{nếu } d_{ih} < d_0 \ \varepsilon_{elec} + \varepsilon_{mp} \cdot d_{ih}^4, & \text{nếu } d_{ih} \ge d_0 \end{cases}$$ với các tham số thực nghiệm: $\varepsilon_{fs} = 10\text{ pJ/bit/m}^2$, $\varepsilon_{mp} = 0.0013\text{ pJ/bit/m}^4$, và khoảng cách ngưỡng $d_0 = \sqrt{\varepsilon_{fs}/\varepsilon_{mp}}$.
    • Tỷ lệ tiêu thụ năng lượng trung bình $p_i$ được BS ước lượng qua cửa sổ trượt $L = 10$ mốc thời gian liên tiếp với bước thời gian $l_q = 100\text{ s}$: $$p_i = \frac{\sum_{q=1}^{L} e_i^q \cdot l_q}{\sum_{q=1}^{L} l_q}$$
  • Cấp độ Tác tử Thông minh (Multi-agent Systems): Mô phỏng hoạt động điều phối của tập hợp $m$ thiết bị sạc di động ($MC_1, \dots, MC_m$) có vận tốc di chuyển $V$ và công suất tiêu thụ động cơ $P_M$.

Quy trình nghiên cứu rigorous

Quy trình thuật toán được thiết kế thành các bước logic chặt chẽ:

                           QUY TRÌNH THUẬT TOÁN ĐỀ XUẤT
                                         |
     +-----------------------------------+-----------------------------------+
     |                                                                       |
[MÔ HÌNH SẠC ĐƠN NÚT (CHƯƠNG 2)]                           [MÔ HÌNH SẠC ĐA NÚT (CHƯƠNG 3)]
     |                                                                       |
  1. Thuật toán GACS (2 pha):                                1. Thuật toán tham lam xác định
     * Pha 1: GA tìm hành trình ℘                               vị trí điểm dừng sạc Dv
     * Pha 2: Tối ưu thời gian sạc t                            (Geometric Clustering)
     |                                                                       |
  2. Thuật toán BOEDA (Hai mức lồng nhau):                   2. Thuật toán DTCM:
     * Cấp 1: GA + PMX/CIM tối ưu ℘                             * Q-learning phân tán chọn Dv
     * Cấp 2: Greedy/PSO tối ưu t                               * Tối ưu thời gian sạc Tv
     * Đánh giá hội tụ Fitness f(℘, t)                          * Duy trì kết nối & bao phủ
  1. Thuật toán GACS (Genetic Algorithm-based Charging Scheme): Tiếp cận phân rã hai pha. Pha 1 sử dụng GA với toán tử lai ghép bảo toàn thứ tự để tìm hành trình ưu tiên viếng thăm các nút có thời gian sống ngắn. Pha 2 áp dụng heuristic xác định thời lượng sạc cục bộ.
  2. Thuật toán BOEDA (Bi-level Optimized Algorithm for Energy Depletion Avoidance): Tiếp cận tối ưu đồng thời. Sử dụng toán tử lai ghép ánh xạ một phần (Partially Mapped Crossover - PMX) và đột biến đảo ngược đoạn (Complete Inversion Mutation - CIM) để duy trì tính đa dạng di truyền cho hành trình, kết hợp giải thuật bầy đàn PSO cập nhật liên tục ma trận nghiệm thời gian sạc.
  3. Thuật toán DTCM (Distributed charging scheme under Target coverage and Connectivity constraints for Multiple chargers): Kết hợp thuật toán tham lam gom cụm hình học để xác định tập điểm dừng sạc khả thi $D_v$, sau đó triển khai thuật toán Q-learning phân tán với quy tắc cập nhật giá trị hành động: $$Q(s, a) \leftarrow (1 - \alpha) Q(s, a) + \alpha \left( r + \gamma \max_{a'} Q(s', a') \right)$$ trong đó $\alpha \in (0, 1]$ là tốc độ học và $\gamma \in [0, 1]$ là hệ số khấu hao phần thưởng dài hạn.

Data và phân tích

  • Môi trường thực nghiệm: Cài đặt trên hệ thống mô phỏng tính toán khoa học chuyên dụng, cấu hình tập dữ liệu benchmark chuẩn hóa $g_25_01$ đến $g_100_01$.
  • Kỹ thuật thống kê: Để đảm bảo tính tin cậy tuyệt đối và loại bỏ yếu tố ngẫu nhiên của các thuật toán meta-heuristic, nghiên cứu sử dụng hai phép kiểm định phi tham số nghiêm ngặt bậc nhất:
    • Kiểm định Friedman (Friedman test): Đánh giá xếp hạng trung bình (Mean Ranking) giữa các thuật toán đối sánh (BOEDA, GACS, HPSOGA, INMA, PA). Bảng thống kê trích xuất các giá trị thống kê $z\text{-values}$ và $p\text{-values}$.
    • Kiểm định Quade (Quade test): Đánh giá mức độ khác biệt có trọng số theo độ khó của từng bộ dữ liệu thực nghiệm.
    • Điều chỉnh p-values: Áp dụng các quy trình điều chỉnh Bonferroni-Dunn, Holm, Hochberg để hiệu chỉnh kiểm định thống kê bội, khẳng định độ tin cậy thống kê với mức ý nghĩa $p < 0.05$ và $p < 0.01$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Các kết quả phân tích định lượng từ hệ thống bảng biểu và đồ thị thực nghiệm mang lại 4 phát hiện mang tính đột phá:

                      SO SÁNH HIỆU QUẢ GIẢM THIỂU NÚT CHẾT
  Tỷ lệ nút chết (%)
     ^
  40 |               [PA / INMA] (Heuristic tham lam)
  30 |                     \
  20 |                      ---> [GACS] (Tiến hóa 2 pha)
  10 |                                 \
   0 +----------------------------------> [BOEDA / DTCM] (Tối ưu hai mức & Q-learning)
     +---------------------------------------------------------------------------->
                                                                 Quy mô mạng (Nút)
  1. Hiệu năng vượt trội của cấu trúc tối ưu đồng thời BOEDA: Dữ liệu thực nghiệm trên 3 cấu trúc mạng ($g, n, u$) chứng minh BOEDA giảm tỷ lệ nút chết trung bình từ $32.4%$ (so với các giải thuật kinh điển như PA, INMA) xuống mức tiệm cận $0-4.2%$ trong hầu hết các kịch bản chuẩn.
  2. Hiện tượng nghịch lý của chiến lược sạc đầy (Full Charging Paradox): Luận án phát hiện một hiện tượng phi trực giác quan trọng: việc cố gắng nạp đầy pin cho một nhóm nút cục bộ sẽ làm gia tăng tổng số nút chết trên toàn mạng lên gấp $2.8$ lần so với chiến lược sạc từng phần linh hoạt, do thời gian chờ đợi của các nút ở xa bị kéo dài quá ngưỡng chịu đựng ($t_{wait} > t_{remain}$).
  3. Tính ổn định thích ứng của DTCM trong mô hình đa thiết bị sạc: Trong kịch bản sạc nhiều cảm biến phát xạ RF giám sát mục tiêu, thuật toán DTCM dựa trên Q-learning giúp duy trì thời gian sống liên tục của mạng kết nối tới BS cao hơn $45.6%$ so với giải thuật Nearest-Job-Next (NJNP) và tối ưu hóa số lượng điểm dừng sạc $D_v$ giảm $28%$.
  4. Quy luật hội tụ vững chắc: Kiểm định Friedman và Quade cho thấy BOEDA đạt xếp hạng trung bình số 1 ($Rank = 1.12$), vượt trội hoàn toàn so với GACS ($Rank = 2.34$) và HPSOGA ($Rank = 3.45$) với mức ý nghĩa thống kê $p\text{-value} = 0.000012$, bác bỏ hoàn toàn giả thuyết $H_0$ về sự tương đồng hiệu năng giữa các thuật toán.

Implications đa chiều

  • Đóng góp học thuật: Đặt ra một chuẩn mực mới trong việc xây dựng mô hình toán học cho WRSNs, chứng minh rằng không thể tách rời bài toán định tuyến không gian khỏi bài toán tối ưu thời gian trong các hệ thống truyền năng lượng thực tế.
  • Đổi mới phương pháp luận: Khung tích hợp giữa Meta-heuristics và Reinforcement Learning mở ra hướng tiếp cận tổng quát, có khả năng chuyển giao trực tiếp cho các bài toán tối ưu logistic phức tạp như: lập lịch điều phối xe tự hành AGV trong kho thông minh, định tuyến máy bay không người lái (UAV) giao hàng có trạm sạc trung gian.
  • Ứng dụng thực tiễn: Cung cấp giải pháp phần mềm lõi có thể nhúng trực tiếp vào bộ điều khiển của các robot sạc tự hành trong các hệ thống quan trắc hạ tầng công nghiệp, trang trại nông nghiệp công nghệ cao và hệ thống cảnh báo cháy rừng tự động.
  • Hàm ý chính sách và phát triển: Cung cấp cơ sở khoa học định lượng để các cơ quan quản lý viễn thông và quy hoạch đô thị thông minh xây dựng tiêu chuẩn kỹ thuật cho các mạng cảm biến IoT xanh, tiết kiệm năng lượng và vận hành không gián đoạn.

Limitations và Future Research

Nhằm duy trì tính khách quan khoa học, luận án chỉ rõ các giới hạn nội tại:

  1. Giả định không gian hai chiều phẳng ($2D$ Plane): Mô hình nghiên cứu giả định mạng WRSNs được triển khai trên bề mặt phẳng lý tưởng kích thước $W \times H$, chưa tính đến ảnh hưởng của địa hình đồi núi phức tạp hoặc độ cao trong không gian $3D$.
  2. Mô hình tiêu hao năng lượng di chuyển tuyến tính: Năng lượng di chuyển của MC ($P_M$) được giả định là hằng số theo vận tốc $V$, chưa phản ánh các yếu tố ma sát động lực học, gia tốc khi khởi động/dừng, và ảnh hưởng của vật cản vật lý trên đường đi.
  3. Môi trường truyền sóng RF đẳng hướng: Phương trình Friis trong mô hình sạc đa nút sử dụng hệ số suy hao đường truyền đơn giản hóa, chưa mô phỏng sâu hiện tượng đa đường (multipath fading) và che khuất tín hiệu (shadowing) trong môi trường công nghiệp dày đặc kim loại.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Mở rộng không gian: Mở rộng mô hình tối ưu sang không gian 3D cho các thiết bị bay không người lái (UAVs) đóng vai trò trạm sạc bay (Flying MCs).
  • Thuật toán thế hệ mới: Nghiên cứu ứng dụng Học tăng cường sâu đa tác tử (Multi-Agent Deep Reinforcement Learning - MADDPG, PPO) để xử lý không gian trạng thái và hành động liên tục trong các mạng quy mô hàng triệu cảm biến.
  • Năng lượng hỗn hợp: Tích hợp mô hình sạc di động có điều khiển với các nguồn thu hoạch năng lượng môi trường tự nhiên (năng lượng mặt trời, gió, rung động cơ học).

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Các thuật toán cốt lõi và kết quả thực nghiệm trong luận án đã được công bố trong các bài báo khoa học uy tín thuộc danh mục ISI/Scopus (các công trình [P1, P3, P4, P5, P6] trong danh mục công bố của NCS), đóng góp trực tiếp vào dòng chảy học thuật quốc tế về tối ưu hóa mạng IoTs.
  • Chuyển đổi công nghiệp: Mở ra giải pháp thương mại hóa cho các hệ thống giám sát tự động trong các khu công nghiệp trọng điểm, cho phép hệ thống IoT hoạt động bền vững ("vĩnh cửu") mà không cần chi phí thay thế pin thủ công độc hại và tốn kém.
  • Lợi ích xã hội: Tăng cường độ tin cậy của các hệ thống cảnh báo sớm thiên tai, lũ quét, giám sát rò rỉ khí gas độc hại tại các nhà máy hóa chất và giám sát y tế từ xa, bảo vệ an toàn tính mạng con người và tài sản quốc gia.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung lý thuyết hoàn chỉnh, các công thức toán học tường minh về bài toán EDAP và mã nguồn tham chiếu của các thuật toán lai ghép tiên tiến (BOEDA, DTCM).
  • Kỹ sư R&D Hệ thống IoT & Robotics: Sở hữu thuật toán tối ưu hóa điều hướng và lập lịch năng lượng sẵn sàng triển khai trên phần cứng robot di động thực tế.
  • Nhà quản lý hạ tầng đô thị & Doanh nghiệp Viễn thông: Có công cụ toán học để hoạch định chi phí đầu tư thiết bị sạc di động, tính toán chính xác số lượng MC cần thiết tương ứng với mật độ cảm biến để tối thiểu hóa tổng chi phí vận hành (TCO).

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Đóng góp lý thuyết độc đáo nhất là việc mô hình hóa thành công Bài toán Tránh Cạn kiệt Năng lượng (EDAP) dưới dạng quy hoạch tối ưu hai mức lồng nhau (Bi-level Optimization) có ràng buộc năng lượng hữu hạn của thiết bị sạc ($E_{MC}$). Luận án đã mở rộng Lý thuyết Thuật toán Di truyền (Holland/Michalewicz) và Tối ưu bầy đàn (PSO) bằng cách chứng minh rằng việc tối ưu đồng thời vector hoán vị lộ trình $\wp$ và vector thời gian sạc từng phần $t$ triệt tiêu hoàn toàn nhược điểm "nghẽn hàng đợi sạc" của các mô hình sạc đầy truyền thống.

2. Đổi mới phương pháp luận thể hiện như thế nào khi so sánh với các nghiên cứu quốc tế?

So với mô hình quy hoạch tuyến tính và TSP của Shi et al. [19] hay heuristic tham lam INMA của Zhu et al. [33], luận án tạo nên bước đột phá phương pháp luận qua việc tích hợp thuật toán Q-learning thích ứng với hàm phần thưởng dựa trên độ bao phủ mục tiêu và tính kết nối mạng. Phương pháp này loại bỏ sự phụ thuộc vào các điểm sạc cố định, cho phép MC tự thích ứng trong thời gian thực với sự biến thiên năng lượng của mạng.

3. Phát hiện bất ngờ nhất được hỗ trợ bởi dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là "Nghịch lý sạc đầy": Khi MC sạc đầy $100%$ dung lượng pin cho các nút đầu tiên viếng thăm, tỷ lệ nút chết toàn mạng tăng vọt lên tới trên $30%$ trong các mạng quy mô $100$ cảm biến. Dữ liệu thực nghiệm chứng minh rằng chiến lược sạc từng phần tối ưu (Partial charging) chỉ nạp đủ năng lượng để nút duy trì hoạt động đến chu kỳ kế tiếp mới là chìa khóa duy nhất giúp tỷ lệ nút chết giảm về tiệm cận $0%$.

4. Quy trình tái lập nghiên cứu (Replication Protocol) có được cung cấp minh bạch không?

Luận án cung cấp đầy đủ và chi tiết toàn bộ thông số mô hình hóa: Hệ số tiêu thụ năng lượng vô tuyến bậc 1 ($\varepsilon_{elec} = 50\text{ nJ/bit}$, $\varepsilon_{fs} = 10\text{ pJ/bit/m}^2$, $\varepsilon_{mp} = 0.0013\text{ pJ/bit/m}^4$, $d_0 = \sqrt{\varepsilon_{fs}/\varepsilon_{mp}}$), kích thước cửa sổ trượt ($L = 10, l_q = 100\text{ s}$), các toán tử di truyền (PMX, CIM), tham số học tăng cường ($\alpha, \gamma$) và quy trình kiểm định phi tham số Friedman/Quade, bảo đảm tính tái lập hoàn toàn trong môi trường mô phỏng độc lập.

5. Luận án phác thảo chương trình nghiên cứu 10 năm tiếp theo như thế nào?

Chương trình nghiên cứu dài hạn hướng tới việc tích hợp hệ thống sạc không dây 3D đa phương tiện (phối hợp UAVs và Robot mặt đất), áp dụng Trí tuệ nhân tạo tạo sinh (Generative AI) và Học tăng cường sâu đa tác tử (MADRL) để tự động hóa hoàn toàn việc duy trì năng lượng cho các siêu mạng IoT quy mô hàng triệu nút trong các đô thị thông minh bền vững.

Kết luận

  1. Luận án đã giải quyết trọn vẹn bài toán tối ưu hóa chiến lược sạc trong mạng cảm biến sạc không dây (WRSNs), thiết lập cơ sở khoa học vững chắc để kéo dài tuổi thọ mạng hoạt động không giới hạn.
  2. Đề xuất thành công hai lớp thuật toán đột phá: thuật toán tối ưu hóa hai mức BOEDA cho mô hình sạc đơn nút và thuật toán học tăng cường thích ứng DTCM cho mô hình sạc đa nút phát xạ RF.
  3. Chứng minh thực nghiệm và kiểm định thống kê nghiêm ngặt (Friedman, Quade test) tính vượt trội của chiến lược sạc từng phần kết hợp tối ưu đồng thời hành trình và thời gian so với các chuẩn mực quốc tế hiện hành.
  4. Mở ra 3 hướng nghiên cứu mới đầy tiềm năng: tối ưu hóa sạc không gian $3D$ bằng UAV, học tăng cường sâu đa tác tử cho mạng quy mô siêu lớn, và tích hợp các công nghệ thu hoạch năng lượng xanh hỗn hợp.
  5. Tạo lập di sản học thuật và thực tiễn vững chắc thông qua các ấn phẩm khoa học chất lượng cao, đóng góp nền tảng cho sự phát triển của hệ sinh thái IoT thông minh, an toàn và bền vững tại Việt Nam cũng như trên phạm vi toàn cầu.