
BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC BÁCH KHOA HÀ NỘI
Trần Thị Hương
TỐI ƯU CHIẾN LƯỢC SẠC CHO CÁC CẢM BIẾN
ĐỂ KÉO DÀI THỜI GIAN SỐNG CỦA MẠNG WRSNs
Ngành :Khoa học máy tính
Mã số :9480101
TÓM TẮT LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH
Hà Nội - 2024

Công trình được hoàn thành tại:
Đại học Bách khoa Hà Nội
Người hướng dẫn khoa học:
1. PGS.TS Huỳnh Thị Thanh Bình
2. PGS.TS Lê Trọng Vĩnh
Phản biện 1:
Phản biện 2:
Phản biện 3:
Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Đại học
Bách khoa Hà Nội họp tại Đại học Bách khoa Hà Nội
Vào hồi . . . . . . .. giờ, ngày . . . .. tháng . . . .. năm . . . . . . . . .
Có thể tìm hiểu luận án tại thư viện:
1. Thư viện Tạ Quang Bửu - Đại học Bách khoa Hà Nội
2. Thư viện Quốc gia Việt Nam

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN
1. Tran Thi Huong, Phi Le Nguyen, Huynh Thi Thanh Binh, Kien Nguyen, Ngo Minh
Hai, Le Trong Vinh (2020). “Genetic algorithm-based periodic charging scheme for energy
depletion avoidance in WRSNs.” In 2020 IEEE Wireless Communications and Networking
Conference (WCNC), pages 1-6.
2. Tran Thi Huong, Huynh Thi Thanh Binh, Phi Le Nguyen, Doan Cao Thanh Long,
Vuong Dinh An, Le Trong Vinh (2020). “Optimizing Charging Locations and Charging
Time for Energy Depletion Avoidance in Wireless Rechargeable Sensor Networks.” IEEE
Congress on Evolutionary Computation (CEC) pages 1-8.
3. Tran Thi Huong, Le Van Cuong, Nguyen Bao Ngoc, Ngo Minh Hai, Huynh Thi Thanh
Binh. “Effective partial charging scheme for minimizing the energy depletion and charging
cost in wireless rechargeable sensor networks.” 2021 Congress on Evolutionary Computa-
tion (CEC), IEEE, Poland, 2021, pages 1-8.
4. Le Van Cuong, Tran Thi Huong, Huynh Thi Thanh Binh. “A multi-task approach for
maximum survival ratio problem in large-scale wireless rechargeable sensor networks.”
2021 Congress on Evolutionary Computation (CEC), IEEE, Poland, 2021, pages 1-8.
5. Nguyen Duc Anh, Tran Thi Huong, Nguyen Thanh Tung, Huynh Thi Thanh Binh,
Frederica Free Nelson, Le Trong Vinh (2022). “Bi-level optimization for charging path
and charging time in wireless rechargeable sensor networks.” Proceedings Volume 12113,
Artificial Intelligence and Machine Learning for Multi-Domain Operations Applications
IV.
6. Tran Thi Huong, Le Van Cuong, Ngo Minh Hai, Nguyen Phi Le, Le Trong Vinh, Huynh
Thi Thanh Binh (2022). “A bi-level optimized charging algorithm for energy depletion
avoidance in wireless rechargeable sensor networks.” Applied Intelligence, pages 1-23.
7. Nguyen Thanh Long, Tran Thi Huong, Nguyen Ngoc Bao, Huynh Thi Thanh Binh, Phi
Le Nguyen, Kien Nguyen (2023) “Q-learning-based distributed multi-charging algorithm
for large-scale WRSNs.” Nonlinear Theory and Its Applications, IEICE 14.1, pages 18-34
8. Vuong Dinh An, Tran Thi Huong, Hoang Nguyen Quang Pham, Quang Minh Bui,
Trang Phuong Ngo, and Binh Thanh Thi Huynh (2024), “An adaptive charging scheme
for large-scale wireless rechargeable sensor networks inspired by deep Q-network.” Neural
Computing and Applications, pages 1-16 (ISI, Q1, IF=6.0).

GIỚI THIỆU
Ngày nay, con người chứng kiến sự bùng nổ mạnh mẽ của mạng Internet, các mạng
kết nối vạn vật (Internet of Things - IoTs) cùng sự tiến bộ trong công nghệ vi xử lý
giúp quá trình thu thập, xử lý dữ liệu trở nên thông minh hơn. Đặc biệt, Mạng cảm biến
không dây (Wireless Sensor Network - WSNs) được xem là kiến trúc cốt lõi trong phát
triển hệ thống IoTs nhờ một loạt các ứng dụng từ dân sự tới quân sự [1, 2, 3]. Mạng
WSN là mạng kết nối các nút cảm biến (sensor nodes) nhờ các liên kết không dây. Các
cảm biến được triển khai trong một khu vực mục tiêu để thực hiện các nhiệm vụ cảm
nhận và thu thập dữ liệu từ môi trường vật lý xung quanh rồi truyền về tới trạm cơ sở
(Base Station - BS). Người dùng cuối (users) có thể thông qua mạng Internet để đưa
ra các bước xử lý, phân tích tiếp theo. Một trong những thách thức lớn nhất của mạng
WSN là các cảm biến có năng lượng hữu hạn do sử dụng pin là nguồn cung cấp năng
lượng chính [4, 5]. Khi pin của cảm biến cạn kiệt thì cảm biến sẽ mất chức năng hoạt
động và trở thành nút mạng chết. Vì vậy, năng lượng của cảm biến có vai trò quyết
định tới thời gian sống của mạng. Từ đó, kéo thời gian sống của mạng là nhiệm vụ quan
trọng khi triển khai mạng WSN vào các ứng dụng thực tế.
Các giải pháp truyền thống chủ yếu tập trung vào việc tối thiểu năng lượng tiêu
thụ của cảm biến như tối ưu vị trí đặt cảm biến [6, 7], lập lịch bật/tắt thời gian hoạt
động của cảm biến [8], sử dụng các nút chuyển tiếp dữ liệu [9], thu thập dữ liệu di động
[4, 10]. Tuy nhiên, theo thời gian, năng lượng của các cảm biến vẫn dần cạn kiệt và trở
thành nút mạng chết.
Gần đây, một thế hệ mạng cảm biến mới ra đời được gọi là Mạng cảm biến có khả
năng sạc không dây (Wireless Rechargeable Sensor Network - WRSNs), hoặc gọi tắt là
mạng cảm biến sạc không dây [11] cho phép truyền năng lượng không dây tới các nút
cảm biến. Mạng WRSNs sử dụng thêm một hoặc một số thiết bị sạc di động (Mobile
Chargers - MCs), trong đó MC có thể là rô-bốt di động hoặc xe tự vận hành được
trang bị bộ sạc không dây để cung cấp năng lượng cho mạng. Các cảm biến trong mạng
WRSNs cũng được trang bị thêm một bộ phận nhận năng lượng không dây. Các MC có
nhiệm vụ di chuyển xung quanh mạng để sạc lại năng lượng cho các cảm biến [12, 13]
theo một trong hai mô hình sạc - mô hình sạc từng cảm biến và mô hình sạc nhiều cảm
biến đồng thời. Trong mô hình sạc thứ nhất, MC sẽ dừng tại vị trí của từng cảm biến
để sạc. Ngược lại, trong mô hình sạc thứ hai, MC sẽ di chuyển tới một số vị trí sạc nhất
định để truyền năng cho nhiều cảm biến cùng lúc. Trong mạng WRSNs, chiến lược sạc
của MC đóng vai trò quyết định tới thời gian sống của cảm biến do MC cần phải nạp
1

lại năng lượng cho các cảm biến trước khi chúng cạn kiệt năng lượng. Vì vậy, luận án
này sẽ tập trung vào vấn đề kéo dài thời gian sống của mạng WRSNs theo cách tiếp
cận tối ưu chiến lược sạc của MC.
Một chiến lược sạc hiệu quả cần xem xét tối ưu hai thành phần: hành trình sạc và
thời gian sạc. Trong đó, hành trình sạc là một chuỗi vị trí các điểm sạc được sắp xếp
theo thứ tự dừng sạc của MC, thời gian sạc là khoảng thời gian mà MC sẽ sạc tại mỗi
điểm sạc. Điểm sạc có thể là vị trí của cảm biến hoặc một vị trí xác định trong mạng
[14, 15]. Tối ưu chiến lược sạc được chứng minh là bài toán NP-khó, liên quan với cả yếu
tố về không gian (hành trình sạc) và thời gian (thời gian sạc) [16, 17, 18]. Tuy nhiên,
để giảm bớt độ phức tạp của bài toán, các nghiên cứu trước đây chủ yếu tập trung vào
tối ưu hành trình sạc với các giả thiết về năng lượng của MC là vô hạn hoặc cực lớn
[17, 19, 20, 21]. Họ thường sử dụng phương pháp sạc đầy, trong đó mỗi cảm biến luôn
được sạc tới tối đa dung lượng pin [17, 19, 20, 21, 22, 23] hoặc một mức năng lượng cố
định [24]. Nhận thấy, thời gian sạc cũng là yếu tố quan trọng quyết định tới thời gian
sống của cảm biến. Vì vậy, luận án này tập trung nghiên cứu tối ưu chiến lược sạc của
MC cho hai mô hình sạc mà xem xét tối ưu cả hành trình sạc và thời gian sạc dưới ràng
buộc năng lượng hữu hạn của MC để tối đa thời gian sống của mạng WRSNs.
Do các bài toán nghiên cứu cuả luận án thuộc lớp NP-khó nên luận án sẽ đi theo
hướng tiếp cận giải gần đúng. Các thuật toán tối ưu đề xuất sẽ được cài đặt, thực
nghiệm trên đa dạng các kịch bản mạng mô phỏng, từ đó đưa ra những phân tích và
đánh giá so sánh với các nghiên cứu liên quan.
Mục tiêu của luận án
Luận án tập trung giải quyết vấn đề kéo dài thời gian sống của mạng WRSNs theo
cách tiếp cận tối ưu chiến lược sạc cho các cảm biến. Trong đó, luận án sẽ quan tâm
tới vấn đề tối ưu chiến lược sạc cho hai loại mô hình sạc: mô hình sạc từng cảm biến
và mô hình sạc nhiều cảm biến đồng thời. Hai mô hình sạc này tương ứng với hai công
nghệ truyền năng lượng không dây ở khoảng cách gần và khoảng cách xa phụ thuộc vào
đặc điểm kiến trúc mạng, quy mô triển khai cũng như số lượng cảm biến trong mạng
WRSNs.
Mục tiêu của luận án bao gồm:
•Nghiên cứu về vấn đề tối đa thời gian sống của mạng theo cách tiếp cận tối ưu
chiến lược sạc trong mạng cảm biến sạc không dây cho hai mô hình sạc phổ biến:
mô hình sạc từng cảm biến và mô hình sạc nhiều cảm biến đồng thời.
•Nghiên cứu lớp các thuật toán gần đúng như các thuật toán heuristic và các thuật
toán meta-heuristic để giải quyết bài toán nghiên cứu.
2