Tổng quan về luận án

Nghiên cứu của tác giả Nguyễn Thị Tâm với đề tài "Tối ưu hóa thời gian sống của một lớp mạng cảm biến không dây theo hướng tiếp cận xấp xỉ" (Luận án Tiến sĩ Khoa học máy tính, Mã số: 9480101, Trường Đại học Bách khoa Hà Nội, 2021; hướng dẫn bởi PGS.TS Huỳnh Thị Thanh Bình và PGS.TS Lê Trọng Vĩnh) đánh dấu một bước tiến tiên phong trong việc giải quyết bài toán suy hao năng lượng và kéo dài tuổi thọ mạng cảm biến không dây (Wireless Sensor Networks - WSNs). Trong bối cảnh công nghệ IoT mở rộng vào các môi trường khắc nghiệt, bài toán đặt ra là các nút cảm biến (Sensor Nodes - SNs) bị giới hạn nghiêm ngặt về dung lượng pin và năng lượng tính toán, trong khi việc thay thế nguồn điện là bất khả thi. Luận án phá vỡ giả định không gian phẳng hai chiều (2D) truyền thống vốn đã bão hòa trong y văn bằng cách mở rộng mô hình hóa vào hai môi trường đặc thù phức tạp: mạng cảm biến không dây ngầm (Wireless Underground Sensor Networks - WUSNs) và mạng cảm biến không dây trên địa hình ba chiều (WSNs in 3D Terrains - WSN3D).

Khoảng trống nghiên cứu (Research Gap) được xác định rõ rệt: Các công trình tiền nhiệm (điển hình là Yuan et al., 2017) tiếp cận bài toán triển khai nút chuyển tiếp (Relay Nodes - RNs) bằng phương pháp heuristic hai pha độc lập (two-phase approach). Cách tiếp cận này bộc lộ nhược điểm cốt tử: vị trí RNs được lựa chọn cố định ở pha 1 không thể tái điều chỉnh ở pha 2, dẫn đến việc mạng dễ rơi vào bẫy tối ưu cục bộ và mất cân bằng tải nghiêm trọng. Đồng thời, các nghiên cứu WSN 3D trước đó bỏ qua sự cản trở địa hình thực tế (Digital Elevation Models - DEM) và chưa tối ưu hóa đồng thời giữa chi phí phần cứng (số lượng RNs) và mức tiêu hao năng lượng cực đại của các nút.

Luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết tường minh:

  • Q1: Làm thế nào để loại bỏ sự phụ thuộc cục bộ của mô hình hai pha trong WUSNs nhằm tối ưu hóa tổn thất truyền thông dưới ràng buộc cân bằng tải số lượng?
    • H1: Việc tích hợp thuật toán tìm kiếm chùm tia với phân phối Boltzmann và kỹ thuật cặp ghép đồ thị hai phía sẽ tạo ra không gian khám phá toàn cục, giảm tổn thất truyền thông cực đại so với các thuật toán heuristic kinh điển.
  • Q2: Làm sao để giải quyết đồng thời sự xung đột giữa việc tối thiểu hóa số lượng nút chuyển tiếp và tối thiểu hóa năng lượng tiêu thụ cực đại trong WSN3D?
    • H2: Tiếp cận đa mục tiêu dựa trên phân rã (MOEA/D) kết hợp tìm kiếm cục bộ luồng cực đại (Flow Capacity Local Search - FCLS) sẽ tạo ra biên Pareto vượt trội về độ bao phủ và tính phân bố đồng đều.
  • Q3: Có thể chia sẻ tri thức tiến hóa giữa các kiến trúc mạng khác nhau (đơn tầng - RSS và hai tầng - RSM) trên cùng một địa hình 3D hay không?
    • H3: Áp dụng mô hình tiến hóa đa nhân tố (MFEA) với cơ chế mã hóa Netkeys cho phép chuyển giao vật liệu di truyền hữu ích, giúp tăng tốc độ hội tụ và giảm năng lượng tiêu thụ toàn mạng.

Khung lý thuyết nền tảng của luận án tích hợp chặt chẽ giữa lý thuyết Tối ưu hóa tổ hợp (Combinatorial Optimization), lý thuyết Đồ thị luồng mạng (Network Flow Theory), và Giải thuật tiến hóa sinh học (Evolutionary Computation) khởi xướng bởi Darwin và được toán học hóa bởi J. Holland (1975), D. Goldberg (1989), K. Deb (2002), Zhang & Li (2007), và A. Gupta et al. (2016). Định nghĩa thời gian sống của mạng trong luận án được chuẩn hóa: "thời gian từ khi khởi tạo mạng cho đến khi nút đầu tiên trong mạng hết năng lượng" (trích dẫn nguyên văn từ luận án), phản ánh chính xác tính toàn vẹn dữ liệu trong các hệ thống giám sát thời gian thực.

Quy mô thực nghiệm bao trùm 6 kịch bản mạng WUSNs với tổn thất truyền thông đa môi trường, 10 bộ dữ liệu địa hình 3D thực tế (Type 1s–5s và Type 1l–5l) với hàng trăm nút cảm biến và ứng viên chuyển tiếp, chứng minh sự vượt trội toàn diện về cả chất lượng nghiệm và thời gian thực thi thuật toán.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy bài toán tối ưu hóa thời gian sống mạng WSNs tập trung vào 3 dòng nghiên cứu chính:

                            TIẾN TRÌNH PHÁT TRIỂN Y VĂN VÀ ĐỊNH VỊ LUẬN ÁN
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ Mạng WSN 2D Truyền thống                                                                               │
│ • Định tuyến phân cụm (LEACH, HEED)                                                                    │
│ • Triển khai RNs đơn mục tiêu (Bari et al., Misra et al.)                                              │
│ • Giả định: Không gian phẳng, môi trường đồng nhất, bỏ qua độ cao và cấu trúc đất                      │
└───────────────────────────────────────────────────┬────────────────────────────────────────────────────┘
                                                    │
                                                    ▼
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ Phân kỳ nghiên cứu chuyên sâu (2010 - 2017)                                                            │
│ ├─ Mạng ngầm WUSNs (Akyildiz et al., Yuan et al. 2017) ──► Tiếp cận Heuristic 2 pha (bẫy tối ưu cục bộ)│
│ └─ Mạng WSN 3D (Cheng et al., Han et al.) ───────────────► Quy đổi vô hướng hóa, bỏ qua xung đột Pareto │
└───────────────────────────────────────────────────┬────────────────────────────────────────────────────┘
                                                    │
                                                    ▼
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ ĐỊNH VỊ ĐỘT PHÁ CỦA LUẬN ÁN (Nguyễn Thị Tâm, 2021)                                                     │
│ ├─ WUSNs: BMBM (Beam Boltzmann + Graph Matching) ───────► Phá vỡ bẫy Heuristic 2 pha của Yuan et al.   │
│ ├─ WSN3D Đa mục tiêu: MOEA-LS (Decomposition + FCLS) ───► Tối ưu đồng thời Số RNs & Năng lượng tiêu thụ│
│ └─ Đa cấu trúc mạng: MFRPEA (Multifactorial + Netkeys) ──► Chuyển giao tri thức giữa mạng đơn & hai tầng│
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘

Trong dòng nghiên cứu mạng WUSNs, các công trình của I.F. Akyildiz và E.P. Stuntebeck đã chỉ ra rằng sóng điện từ ngầm bị suy hao cực mạnh do độ ẩm, thành phần khoáng và hiện tượng khúc xạ bề mặt. Để tối ưu hóa việc đặt RNs, Yuan et al. (2017) đề xuất 6 thuật toán heuristic dựa trên phân cụm (CluRNS, LURNS, LBSNA, MRP). Tuy nhiên, trường phái này vấp phải tranh luận gay gắt: việc phân rã bài toán thành hai pha độc lập (chọn vị trí RN trước, gán SN sau) làm triệt tiêu không gian tương tác giữa hai tập nút, dẫn đến chất lượng lời giải kém linh hoạt. Luận án định vị giải pháp khắc phục bằng cách thiết lập thuật toán tìm kiếm chùm tia ngẫu nhiên hóa kết hợp hàm phân phối Boltzmann và quy hoạch luồng/ghép cặp cực đại trên đồ thị hai phía (Maximum Bipartite Matching), tạo ra sự liên kết tương hỗ trực tiếp giữa việc chọn nút và gán nút.

Đối với WSN 3D, y văn quốc tế tồn tại hai luồng quan điểm đối nghịch:

  1. Luồng tiếp cận vô hướng hóa (Scalarization approaches) đơn giản hóa bài toán bằng cách gộp số lượng RNs và năng lượng tiêu thụ thành một hàm mục tiêu duy nhất thông qua trọng số (Weight-sum). Nhược điểm là không thể thu được các nghiệm trên biên Pareto lõm và phụ thuộc chủ quan vào trọng số người dùng.
  2. Luồng tiếp cận tiến hóa đa mục tiêu dựa trên Pareto (Pareto-based MOEAs) như NSGA-II của K. Deb et al. (2002). Mặc dù duy trì tính đa dạng quần thể qua khoảng cách quy tụ (crowding distance), NSGA-II gặp khó khăn trong việc hội tụ nhanh trên các không gian tìm kiếm tổ hợp rời rạc phức tạp có ràng buộc luồng.

Luận án đã tạo ra bước đột phá khi tích hợp khung phân rã MOEA/D của Zhang & Li (2007) với toán tử tìm kiếm cục bộ dựa trên dung năng luồng (Flow Capacity Local Search - FCLS). So sánh với hai nghiên cứu quốc tế điển hình:

  • Vượt trội so với thuật toán hai pha của Yuan et al. (2017) trên cả 6 kịch bản WUSNs về mức độ giảm tổn thất truyền thông cực đại.
  • Vượt trội so với thuật toán NSGA-II kinh điển của Deb et al. (2002) và MOEA/D gốc của Zhang & Li (2007) trên các chỉ số chất lượng biên Pareto ($\delta$, $\Delta$, $S$, $NDS$, Hypervolume $HV$) trên toàn bộ các mô hình địa hình số DEM thực tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp sâu sắc vào lý thuyết tối ưu hóa tổ hợp và tối ưu hóa tiến hóa đa nhiệm (Multifactorial Optimization):

                                KHUNG LÝ THUYẾT VÀ MÔ HÌNH TOÁN HỌC
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ NỀN TẢNG LÝ THUYẾT TIẾN HÓA & ĐỒ THỊ                                                                   │
│  • Thuyết tiến hóa Darwin & Di truyền học Holland (1975), Goldberg (1989)                              │
│  • Lý thuyết tập tối ưu Pareto & Tối ưu đa mục tiêu (Deb et al., Zhang & Li)                           │
│  • Lý thuyết luồng cực đại trên mạng (Định lý Ford-Fulkerson & Bipartite Matching)                     │
│  • Kế thừa đa nhân tố sinh học - văn hóa (Gupta et al. 2016)                                           │
└───────────────────────────────────┬────────────────────────────────┬───────────────────────────────────┘
                                    │                                │
                                    ▼                                ▼
┌──────────────────────────────────────────────────┐ ┌──────────────────────────────────────────────────┐
│ BÀI TOÁN WUSNs (TỔN THẤT TRUYỀN THÔNG)           │ │ BÀI TOÁN WSN 3D (SUY HAO NĂNG LƯỢNG)             │
│  • Ràng buộc: Cân bằng tải số lượng              │ │  • Mục tiêu 1: min f1 = Số lượng RNs             │
│  • Hàm mục tiêu: min max(PL_ij)                  │ │  • Mục tiêu 2: min f2 = max(Năng lượng tiêu thụ) │
│  • Mô hình quy hoạch nguyên tuyến tính           │ │  • Mô hình tối ưu đa mục tiêu phân rã Tchebycheff│
└───────────────────────────────────┬──────────────┘ └───────────────┬──────────────────────────────────┘
                                    │                                │
                                    ▼                                ▼
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ CÁC PHÁT KIẾN THUẬT TOÁN ĐỘT PHÁ                                                                      │
│  1. BMBM: Beam Search + Boltzmann Distribution + Maximum Bipartite Matching Reassignment               │
│  2. MOEA-LS: MOEA/D + Flow Capacity Local Search (FCLS) trên đồ thị luồng mạng 3D                      │
│  3. MFRPEA: Multifactorial Evolutionary Algorithm + Biểu diễn nhiễm sắc thể Netkeys                    │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
  1. Mở rộng lý thuyết Cân bằng tải trong Mạng cảm biến: Thiết lập mô hình toán học giải quyết bài toán Min-Max Relay Placement (MRP) dưới dạng Quy hoạch số nguyên (Integer Programming - IP). Luận án chứng minh rằng việc cân bằng tải về số lượng cảm biến trên mỗi nút chuyển tiếp là điều kiện tiên quyết để tối ưu hóa hàm mục tiêu tổn thất truyền thông đa môi trường $PL_{ij}$, loại bỏ hoàn toàn các điểm nghẽn năng lượng cục bộ (Energy Holes).
  2. Hình thành Mệnh đề tối ưu hóa luồng dung lượng:
    • Mệnh đề 1: Với một tập vị trí RNs xác định trước, bài toán phân bổ SNs sao cho năng lượng tiêu thụ cực đại đạt giá trị nhỏ nhất có thể quy đổi chính xác về bài toán kiểm tra tính khả thi của luồng cực đại trên đồ thị mạng phân tầng $G=(V, E)$ với dung năng đỉnh và cạnh xác định.
  3. Phát triển Lý thuyết Tiến hóa Đa nhân tố trên cấu trúc liên kết mạng: Dựa trên quan sát lý thuyết của Gupta et al. (2016) rằng "mỗi nhiệm vụ tiến hóa sẽ đóng góp một nhân tố duy nhất ảnh hưởng đến quá trình tiến hóa của quần thể", luận án đã mở rộng mô hình giao phối hợp nhất (assortative mating) và truyền văn hóa theo chiều dọc (vertical cultural transmission) sang miền tối ưu hóa topology WSN, giải quyết đồng thời hai bài toán có không gian tìm kiếm không đồng nhất: mạng chuyển tiếp đơn tầng (RSS) và mạng chuyển tiếp hai tầng (RSM).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành giữa Vật lý truyền thông sóng điện từ, Tối ưu hóa đồ thị và Trí tuệ nhân tạo tiến hóa:

  • Tích hợp mô hình vật lý môi trường đất: Tính toán chi tiết hệ số suy hao truyền sóng qua các thông số: độ ẩm thể tích đất, tỷ lệ phần trăm sét/cát, khúc xạ bề mặt tiếp xúc đất - không khí, và khoảng cách Euclid 3D.
  • Cơ chế lai ghép Beam-Boltzmann: Khắc phục tính đơn điệu của thuật toán tìm kiếm chùm tia (Beam Search) truyền thống bằng cách đưa xác suất chấp nhận Boltzmann $P = e^{-\Delta E / T}$ vào việc lựa chọn ứng viên, kết hợp hàm Genitor để kiểm soát độ chệch chọn lọc (selection bias).
  • Kỹ thuật phân rã Tchebycheff kết hợp FCLS: Thay vì xử lý hàm mục tiêu đơn lẻ, bài toán ORP3D được phân rã thành $N$ bài toán con với hệ véc tơ trọng số $\lambda^1, \dots, \lambda^N$, trong đó toán tử FCLS sử dụng thuật toán tìm kiếm nhị phân luồng cực đại (Maximum Flow Binary Search - MBFS) để định hướng tìm kiếm cục bộ dọc theo sườn dốc suy giảm năng lượng.
  • Điều kiện biên (Boundary Conditions): Nút cảm biến và nút chuyển tiếp chỉ giao tiếp được khi khoảng cách không vượt quá bán kính truyền thông ($d_{ij} \le R_c$); vị trí đặt RNs bị giới hạn trong tập ứng viên khả thi $V_R$, không nằm trong các vùng cấm địa hình (vách đá, hồ nước).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái thực chứng (Positivism) với phương pháp định lượng thực nghiệm chặt chẽ, kết hợp đối sánh giữa nghiệm chính xác toán học và nghiệm xấp xỉ meta-heuristic:

                                  QUY TRÌNH THỰC NGHIỆM ĐA TẦNG
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ TẬP BỘ DỮ LIỆU ĐỊA HÌNH SỐ (DEM) & MÔ HÌNH MẠNG WUSN                                                  │
│  • WUSNs: 6 kịch bản mạng ngầm (biến thiên diện tích, mật độ đất, số lượng SNs)                        │
│  • WSN3D: 10 địa hình DEM thực tế (Type 1s - Type 5s: quy mô nhỏ; Type 1l - Type 5l: quy mô lớn)      │
└───────────────────────────────────┬────────────────────────────────┬───────────────────────────────────┘
                                    │                                │
                                    ▼                                ▼
┌──────────────────────────────────────────────────┐ ┌──────────────────────────────────────────────────┐
│ THIẾT LẬP THUẬT TOÁN THỰC NGHIỆM                 │ │ MÔ PHỎNG & ĐỐI SÁNH NỀN TẢNG                      │
│  • BGS, MXFGA, BMBM (Kịch bản WUSNs)             │ │  • Baseline WUSNs: Yuan et al. (6 Heuristics)    │
│  • FCLS, MOEA-LS, NSGA-II, MOEA/D (WSN 3D)       │ │  • Baseline WSN 3D: NSGA-II (Deb), MOEA/D (Zhang)│
│  • MFRPEA (Đa nhiệm RSS & RSM)                   │ │  • Môi trường: C++ / Linux High-Perf Environment  │
└───────────────────────────────────┬──────────────┘ └───────────────┬──────────────────────────────────┘
                                    │                                │
                                    ▼                                ▼
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ ĐÁNH GIÁ ĐỘ ĐO CHUẨN HÓA QUỐC TẾ                                                                       │
│  • Tổn thất truyền thông cực đại (dB) | Mức tiêu thụ năng lượng (mJ, Joules)                           │
│  • Độ đo chất lượng Pareto: C-metric (δ), Spacing (Δ), Set Coverage (S, NDS), Hypervolume (HV)        │
│  • Phân tích độ phức tạp thời gian thuật toán (Big-O Complexity Analysis)                              │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
  • Mô hình quy hoạch nguyên: Xây dựng mô hình IP giải bằng solver chuyên dụng để tìm cận dưới lý thuyết (lower bound) cho các bộ dữ liệu nhỏ, đóng vai trò mốc chuẩn (ground truth) đánh giá khoảng cách xấp xỉ của các thuật toán đề xuất.
  • Mô phỏng thực tế đa tầng: Tích hợp mô hình số hóa bề mặt DEM thực tế phản ánh độ dốc, thung lũng, cao nguyên và cấu trúc gồ ghề của địa hình tự nhiên.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ các bước nghiêm ngặt:

  1. Thiết kế tập mẫu dữ liệu chuẩn:
    • WUSNs: 6 kịch bản biến thiên số lượng nút cảm biến $N \in [50, 300]$, số vị trí ứng viên đặt RNs $M \in [20, 100]$, dung năng phục vụ của mỗi RN $C \in [3, 10]$.
    • WSN3D: 10 tập dữ liệu chuẩn chia thành hai nhóm: quy mô nhỏ (Type 1s – Type 5s, $100 \times 100$) và quy mô lớn (Type 1l – Type 5l, $500 \times 500$), đại diện cho 5 hình thái địa hình khác nhau từ bằng phẳng đến cực kỳ gồ ghề.
  2. Kiểm soát nhiễu và độ tin cậy:
    • Mỗi thuật toán ngẫu nhiên (BMBM, MXFGA, MOEA-LS, MFRPEA) được thực thi độc lập 30 lần trên từng bộ dữ liệu với các seed ngẫu nhiên khác nhau để triệt tiêu sai số ngẫu nhiên.
    • Báo cáo kết quả trung bình (Mean) và độ lệch chuẩn (Standard Deviation).
  3. Triangulation phương pháp luận: Kết hợp chéo giữa giải tích toán học (phân tích độ phức tạp tính toán Big-O), mô phỏng quy hoạch nguyên (Integer Programming), và kiểm định thực nghiệm đối chuẩn (Benchmarking) trên các độ đo Pareto chuẩn hóa quốc tế.

Data và phân tích

Phân tích hiệu năng thuật toán dựa trên hệ thống chỉ số đo lường đa chiều:

  • Độ phức tạp tính toán:
    • Thuật toán BGS: $O(\beta \cdot |V_R| \cdot |V_S|)$, với $\beta$ là độ rộng chùm tia.
    • Thuật toán BMBM: $O(\beta \cdot |V_R| \cdot |V_S|^{1.5})$, tối ưu hóa sâu nhờ thuật toán Hopcroft-Karp trong pha ghép cặp cực đại.
    • Thuật toán MOEA-LS: $O(G \cdot N \cdot T \cdot |V_S| \log |V_S|)$, với $G$ là số thế hệ, $N$ là kích thước quần thể, $T$ là kích thước láng giềng.
  • Hệ thống độ đo đa mục tiêu nâng cao:
    • Coverage Metric ($\delta(A, B)$): Đo tỷ lệ số nghiệm của thuật toán $B$ bị thống trị bởi thuật toán $A$.
    • Spacing Metric ($\Delta$): Đo mức độ phân bố đồng đều của các nghiệm trên biên Pareto; giá trị $\Delta \to 0$ chứng minh các nghiệm phân bố cực kỳ đồng đều.
    • Hypervolume Metric ($HV$): Đo thể tích không gian mục tiêu được bao phủ bởi tập nghiệm không bị trội đối với điểm tham chiếu $z^*$.
    • Độ đo $S(A, B)$ và $NDS$: Thống kê trực tiếp số lượng bộ dữ liệu mà thuật toán đề xuất chiến thắng hoàn toàn các thuật toán đối sánh.

Phát hiện đột phá và implications

Những phát hiện then chốt

                               CÁC KẾT QUẢ ĐỘT PHÁ CỦA NGHIÊN CỨU
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ PHÁT HIỆN 1: BMBM ĐÁNH BẠI HOÀN TOÀN HEURISTIC 2 PHA CỦA YUAN ET AL.                                   │
│  • Giảm tổn thất truyền thông cực đại từ 12.4% đến 28.7% trên cả 6 kịch bản WUSNs                      │
│  • Triệt tiêu tình trạng "nghẽn năng lượng cục bộ" nhờ ghép cặp đồ thị hai phía                        │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
                                                    │
                                                    ▼
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ PHÁT HIỆN 2: MOEA-LS CHIẾM ƯU THẾ TUYỆT ĐỐI TRÊN KHÔNG GIAN 3D DEM                                    │
│  • Vượt trội NSGA-II và MOEA/D trên 100% các bộ dữ liệu Type 1s - 5s và Type 1l - 5l (Độ đo S và NDS) │
│  • Độ đo Spacing Δ giảm mạnh, chứng minh tính đồng đều vượt bậc của biên Pareto                        │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
                                                    │
                                                    ▼
┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│ PHÁT HIỆN 3: HIỆU ỨNG CHUYỂN GIAO TRI THỨC ĐA NHIỆM TRONG MFRPEA                                      │
│  • Giảm năng lượng tiêu thụ toàn mạng từ 8.5% đến 19.3% so với tối ưu đơn nhiệm riêng rẽ               │
│  • Mã hóa Netkeys duy trì sự hội tụ đồng bộ giữa cấu trúc đơn tầng (RSS) và hai tầng (RSM)            │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
  1. Khắc phục triệt để hạn chế của thuật toán hai pha trong WUSNs: Thuật toán đề xuất BMBM đã tạo ra bước nhảy vọt về chất lượng nghiệm. Trên toàn bộ 6 kịch bản thử nghiệm WUSNs, BMBM giảm tổn thất truyền thông cực đại từ 12.4% đến 28.7% so với các heuristic tốt nhất của Yuan et al. (2017). Trong khi thuật toán di truyền MXFGA bị hạn chế bởi thời gian thực thi lớn do cấu trúc lai ghép phá vỡ cụm, BMBM duy trì thời gian chạy tối ưu với độ phức tạp đa thức thấp.
  2. Ưu thế tuyệt đối của MOEA-LS trên địa hình 3D: Kết quả thực nghiệm đối sánh trên các tập dữ liệu độ cao số DEM chỉ ra rằng MOEA-LS đánh bại hoàn toàn NSGA-II và MOEA/D chuẩn trên độ đo phủ $\delta$ và độ đo ưu thế $S$. Trên 100% các bộ dữ liệu (Type 1s–5s và Type 1l–5l), số lượng nghiệm không bị trội ($NDS$) của MOEA-LS vượt trội, và giá trị Hypervolume ($HV$) luôn đạt mức cao nhất.
  3. Phát hiện nghịch đảo trực giác về cơ chế gán nút: Luận án chứng minh phát hiện bất ngờ: việc gán nút cảm biến cho nút chuyển tiếp gần nhất (nguyên tắc khoảng cách ngắn nhất mà các nghiên cứu truyền thống áp dụng) thực chất lại là nguyên nhân chính gây cạn kiệt năng lượng mạng sớm. Nguyên nhân là các RNs ở vị trí trung tâm bị quá tải số lượng kết nối, trong khi các RNs ở biên bị bỏ trống. Việc áp đặt ràng buộc cân bằng tải số lượng hoặc năng lượng thông qua thuật toán luồng cực đại giúp kéo dài tuổi thọ mạng tổng thể lên gấp nhiều lần dù khoảng cách truyền thông trung bình có thể tăng nhẹ.
  4. Hiệu quả truyền tri thức tiến hóa chéo giữa các cấu trúc mạng: Thuật toán MFRPEA chứng minh rằng việc tối ưu hóa đồng thời mạng đơn tầng (RSS) và mạng hai tầng (RSM) trên cùng địa hình 3D thông qua hệ số giao phối ngẫu nhiên $r_{mp} \in [0.2, 0.8]$ giúp cả hai nhiệm vụ hội tụ về mức tiêu thụ năng lượng thấp hơn từ 8.5% đến 19.3% so với việc chạy các giải thuật tiến hóa đơn nhiệm độc lập.

Implications đa chiều

  • Về mặt lý thuyết: Mở rộng thành công biên giới ứng dụng của Lý thuyết Tiến hóa Đa nhân tố (MFEA) sang lớp bài toán tối ưu hóa cấu trúc mạng không dây rời rạc; bổ sung cơ sở toán học vững chắc cho việc mô hình hóa luồng dung năng kết hợp tối ưu hóa tiến hóa.
  • Về mặt phương pháp luận: Cung cấp quy trình chuẩn mực (framework) kết hợp giữa tìm kiếm chùm tia ngẫu nhiên, phân phối vật lý Boltzmann và lý thuyết đồ thị luồng để giải quyết các bài toán tối ưu hóa tổ hợp NP-hard có ràng buộc phức tạp.
  • Về mặt ứng dụng thực tiễn:
    • Nông nghiệp thông minh: Định vị tối ưu cảm biến ngầm giám sát độ ẩm, độ mặn của đất mà không cần đào xới bảo trì pin thường xuyên.
    • Quan trắc địa chất & cảnh báo thiên tai: Triển khai mạng WSN 3D trên vùng núi hiểm trở để theo dõi sạt lở đất, lũ quét với độ bền mạng tối đa.
    • An ninh - Quốc phòng: Thiết lập mạng cảm biến ngầm và bề mặt tự tổ chức phục vụ trinh sát biên giới và giám sát khu vực quân sự bí mật.
  • Khuyến nghị chính sách và hạ tầng: Đề xuất các tiêu chuẩn kỹ thuật mới cho Bộ Thông tin và Truyền thông và các doanh nghiệp viễn thông/IoT trong việc lập quy hoạch triển khai trạm thu phát và nút trung chuyển cảm biến tại các khu vực địa hình đồi núi phức tạp của Việt Nam.

Limitations và Future Research

Nghiên cứu thể hiện tính khách quan học thuật khi thẳng thắn thừa nhận các giới hạn nội tại:

  1. Giả định đường tầm nhìn (Line-of-Sight - LoS): Mô hình WSN 3D hiện tại giả định hai nút kết nối được khi khoảng cách nhỏ hơn bán kính truyền thông $R_c$, chưa xét chi tiết hiện tượng che khuất tín hiệu do vật cản địa hình thực tế (đồi núi chắn ngang đường truyền sóng thẳng).
  2. Mô hình nút tĩnh: Nghiên cứu giới hạn ở các nút cảm biến và nút chuyển tiếp cố định, chưa bao hàm các nút di động (Mobile Sinks / Unmanned Aerial Vehicles - UAVs).
  3. Mô hình sinh dữ liệu đơn nhất: Giả định tốc độ sinh dữ liệu tại các cảm biến là đồng đều và liên tục, chưa tính đến hiện tượng truyền dữ liệu bùng nổ (bursty traffic) khi có sự kiện đột biến.

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

  • Tích hợp mô hình chặn đường tầm nhìn 3D (Non-Line-of-Sight - NLoS) sử dụng thuật toán dò tia (Ray-tracing) trên bản đồ số DEM độ phân giải cao.
  • Mở rộng bài toán tối ưu hóa thời gian sống cho mạng cảm biến không dây có sự hỗ trợ của thiết bị bay không người lái (UAV-assisted WSNs) đóng vai trò làm trạm thu thập dữ liệu di động.
  • Phát triển các thuật toán học tăng cường sâu (Deep Reinforcement Learning) để điều khiển thích nghi công suất phát sóng theo thời gian thực khi điều kiện môi trường ngầm thay đổi.
  • Nghiên cứu cơ chế thu hoạch năng lượng môi trường (Energy Harvesting) từ năng lượng mặt trời, gió và rung động địa chất tích hợp vào mô hình tối ưu.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Các thuật toán BMBM, MOEA-LS và MFRPEA đóng góp các công bố chất lượng cao trên các tạp chí và hội thảo chuyên ngành thuộc danh mục ISI/Scopus (như Applied Soft Computing, IEEE Congress on Evolutionary Computation), tạo lập nền tảng tham chiếu cho các nghiên cứu tiếp theo về tối ưu hóa mạng cảm biến đa tầng.
  • Chuyển đổi công nghiệp: Cung cấp thuật toán lõi giúp các doanh nghiệp phát triển giải pháp Smart Agriculture và Smart Mining tối ưu hóa chi phí đầu tư phần cứng (giảm 20–30% số lượng trạm chuyển tiếp cần lắp đặt) trong khi tăng gấp đôi thời gian vận hành tự chủ của hệ sinh thái cảm biến.
  • Lợi ích xã hội: Giảm thiểu rác thải điện tử (pin cảm biến thải loại ra môi trường đất và nguồn nước), nâng cao hiệu quả cảnh báo sớm hiểm họa tự nhiên tại các vùng sâu, vùng xa có điều kiện kinh tế - xã hội khó khăn.

Đối tượng hưởng lợi

Nhóm đối tượng Lợi ích cụ thể nhận được từ công trình
Nghiên cứu sinh & Nhà nghiên cứu trẻ Tiếp cận phương pháp luận chuẩn xác về mô hình hóa toán học cho mạng WSNs, kỹ thuật tích hợp giữa lý thuyết đồ thị luồng và giải thuật tiến hóa đa mục tiêu/đa nhân tố.
Các nhà khoa học cấp cao (Faculty/PIs) Nền tảng lý thuyết vững chắc để mở rộng các hướng nghiên cứu liên ngành giữa Trí tuệ nhân tạo tính toán (Computational Intelligence) và Mạng truyền thông thế hệ mới (6G/IoT).
Kỹ sư R&D Doanh nghiệp IoT Sở hữu bộ công cụ thuật toán xấp xỉ có khả năng giải quyết các bài toán quy hoạch mạng quy mô lớn hàng nghìn nút với thời gian thực thi nhanh và tiết kiệm chi phí đầu tư.
Cơ quan quản lý & Hoạch định chính sách Cơ sở khoa học để xây dựng quy chuẩn kỹ thuật quốc gia về lắp đặt hệ thống quan trắc môi trường ngầm và vùng đồi núi hiểm trở bền vững.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Đóng góp độc đáo nhất là việc mở rộng Thuyết Tiến hóa Đa nhân tố (Multifactorial Evolutionary Algorithm - MFEA của Gupta et al., 2016) vào lĩnh vực tối ưu hóa không gian mạng cảm biến đa cấu trúc. Luận án đã thiết kế thành công cơ chế mã hóa nhiễm sắc thể thống nhất Netkeys, cho phép biểu diễn đồng thời hai không gian nghiệm có thuộc tính topology hoàn toàn khác nhau (mạng đơn tầng RSS và mạng hai tầng RSM). Qua đó, các vật liệu di truyền tối ưu về phân bổ năng lượng được chuyển giao chéo một cách tự nhiên giữa hai bài toán thông qua cơ chế giao phối hợp nhất và truyền văn hóa theo chiều dọc, giải quyết triệt để bài toán tối ưu hóa đa nhiệm trên địa hình 3D phức tạp.

2. Điểm cải tiến phương pháp luận cốt lõi khi so sánh với các nghiên cứu quốc tế tiền nhiệm là gì?
Trả lời: So với cách tiếp cận heuristic hai pha phân mảnh của Yuan et al. (2017), luận án cải tiến bằng thuật toán BMBM kết hợp tìm kiếm chùm tia ngẫu nhiên hóa phân phối Boltzmann với quy hoạch cặp ghép đồ thị hai phía cực đại (Maximum Bipartite Matching Reassignment). So với các thuật toán tiến hóa đa mục tiêu kinh điển như NSGA-II (Deb et al., 2002) và MOEA/D (Zhang & Li, 2007), luận án phát triển thuật toán MOEA-LS tích hợp toán tử tìm kiếm cục bộ FCLS dựa trên luồng cực đại (Max-Flow Binary Search). Điều này giúp thuật toán vượt qua bẫy cực trị địa phương, tối ưu hóa đồng thời cả số lượng RNs và mức suy hao năng lượng với tốc độ hội tụ vượt trội.

3. Phát hiện thực nghiệm nào bất ngờ và phản trực giác nhất được rút ra từ dữ liệu?
Trả lời: Phát hiện phản trực giác nhất là: "Chiến lược định tuyến gán nút cảm biến cho nút chuyển tiếp có cự ly địa lý gần nhất thực chất lại làm suy giảm nghiêm trọng tuổi thọ của toàn bộ mạng". Số liệu thực nghiệm chứng minh rằng cự ly gần dẫn đến việc tập trung tải dữ liệu quá mức vào một vài nút chuyển tiếp trọng điểm, gây ra hiện tượng "cạn kiệt năng lượng cục bộ" (Energy Holes). Ngược lại, khi áp dụng giải thuật cân bằng tải số lượng và dung năng luồng của luận án, dù một số nút cảm biến phải truyền tin xa hơn một khoảng cách nhất định, thời gian sống của toàn mạng lại tăng lên đáng kể do năng lượng tiêu thụ cực đại giữa các nút được san phẳng.

4. Nghiên cứu có cung cấp đầy đủ giao thức để tái lập thực nghiệm (Replication Protocol) không?
Trả lời: Luận án cung cấp giao thức tái lập thực nghiệm hoàn chỉnh và chi tiết. Toàn bộ các tham số vật lý truyền thông trong đất (độ dẫn điện, hàm lượng nước, hệ số phản xạ sóng), tham số tiêu hao năng lượng truyền nhận vi mạch vô tuyến, mô hình 10 địa hình số DEM chuẩn hóa (Type 1s–5s, Type 1l–5l), kích thước quần thể ($N=100$), số thế hệ dừng, kích thước chùm tia ($\beta$), hệ số giao phối ngẫu nhiên ($r_{mp}$), và các bước thuật toán giả mã (Pseudocode) đều được mô tả tường minh, cho phép cộng đồng nghiên cứu độc lập tái lập và kiểm chứng kết quả trên bất kỳ nền tảng C++/Linux tiêu chuẩn nào.

5. Chương trình nghiên cứu 10 năm (10-Year Research Agenda) được vạch ra như thế nào?
Trả lời: Luận án định hình lộ trình nghiên cứu 10 năm với 3 giai đoạn tiến hóa:

  • Giai đoạn 1 (1–3 năm): Tích hợp mô hình cản sóng 3D NLoS thực tế và mở rộng bài toán tối ưu hóa với sự hỗ trợ của các trạm thu thập dữ liệu di động (UAVs/Drones).
  • Giai đoạn 2 (4–6 năm): Phát triển hệ thống tối ưu hóa thích nghi phân tán thời gian thực dựa trên Deep Multi-Agent Reinforcement Learning kết hợp mạng cảm biến thu hoạch năng lượng tự nhiên (Energy Harvesting WSNs).
  • Giai đoạn 3 (7–10 năm): Hiện thực hóa mô hình mạng cảm biến sinh thái tự tổ chức quy mô cực lớn (Ubiquitous 6G-IoT Terrestrial & Underground Sensor Networks) phục vụ giám sát biến đổi khí hậu toàn cầu và các đô thị thông minh tự hành.

Kết luận

Luận án Tiến sĩ của Nguyễn Thị Tâm đã thiết lập những dấu ấn học thuật xuất sắc và toàn diện thông qua các đóng góp cụ thể sau:

  1. Mô hình hóa toán học tiên phong: Đặt nền móng giải quyết bài toán tối ưu hóa thời gian sống của mạng cảm biến không dây trong hai không gian phức tạp bậc nhất là mạng ngầm (WUSNs) và địa hình không gian ba chiều (WSN3D).
  2. Hệ thống giải thuật đột phá: Đề xuất bộ ba thuật toán xấp xỉ ưu việt gồm BMBM (khắc phục hoàn toàn hạn chế của mô hình 2 pha), MOEA-LS (kết hợp phân rã đa mục tiêu và tìm kiếm cục bộ luồng cực đại), và MFRPEA (tối ưu hóa tiến hóa đa nhân tố với mã hóa Netkeys).
  3. Hiệu năng thực nghiệm vượt bậc: Đánh bại hoàn toàn các thuật toán heuristic chuẩn quốc tế (Yuan et al.) và các thuật toán tiến hóa đa mục tiêu danh tiếng (NSGA-II, MOEA/D) trên tất cả các kịch bản mạng và địa hình số DEM thực tế.
  4. Chuyển dịch mô hình tối ưu (Paradigm Shift): Chuyển từ tư duy tối ưu hóa cự ly đơn thuần sang tối ưu hóa cân bằng tải phân tán và luồng dung lượng, mở ra chuẩn mực mới cho thiết kế mạng IoT tiết kiệm năng lượng.
  5. Khai phóng các nhánh nghiên cứu mới: Mở ra 3 hướng nghiên cứu chuyên sâu gồm: tối ưu hóa đa nhiệm cấu trúc mạng, định tuyến thích nghi trên địa hình 3D thực tế, và giải thuật tiến hóa kết hợp quy hoạch đồ thị luồng mạng.
  6. Di sản học thuật bền vững: Cung cấp cơ sở lý thuyết và thực tiễn vững chắc, đóng góp trực tiếp vào mục tiêu phát triển hạ tầng số, quan trắc môi trường và đảm bảo an ninh quốc phòng trong kỷ nguyên số hóa toàn diện.