Ứng dụng giải thuật di truyền cho tối ưu lịch trình mạng cảm biến không dây theo thời gian
Tóm tắt Trong những năm gần đây, mạng cảm biến không dây ngày càng được đặt biệt quan tâm, nghiên cứu và ứng dụng mạnh mẽ trong nhiều lĩnh vực. Một vấn đề của mạng cảm biến là sự hạn chế về tài nguyên và năng lượng hoạt động nên đã hạn chế rất nhiều tiềm năng ứng dụng của nó. Tối ưu hóa mạng cảm biến là một lớp bài toán rất đa dạng và phong phú, trong đó lập lịch cho mạng cảm biến góp phần quan trọng giúp tiết kiệm năng lượng và tăng thời gian hoạt động của mạng trong các ứng dụng thực tiễn. Tuy nhiên, việc tối ưu hóa lập lịch cho mạng cảm biến là một bài toán rất phức tạp với nhiều ràng buộc, khó để giải quyết bằng phương pháp giải tích. Bài báo này đề cập đến một phương pháp sử dụng thuật toán di truyền (GA) để tìm ra giải pháp tối ưu lịch trình mạng. Việc tính toán giá trị hàm mục tiêu, đánh giá và lựa chọn dựa trên khả năng thích nghi kết hợp các phép toán lai ghép và đột biến nhằm tiến hóa các cá thể trong quần thể qua các thế hệ theo hướng tối ưu. Nghiên cứu đã đưa ra được mô hình bài toán tối ưu lịch trình theo thuật toán di truyền và thực hiện được một số mô phỏng cho lịch trình tối ưu mạng cảm biến và dung lượng pin của các nút với lịch trình tối ưu
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Tóm tắt nội dung tài liệu: Ứng dụng giải thuật di truyền cho tối ưu lịch trình mạng cảm biến không dây theo thời gian
ng vấn đề sinh sản và duy trì nòi giống. Những cá thể có năng lực cao sẽ có khả năng sống sót cao và có số lượng con cái lớn hơn, các cá thể yếu hơn sẽ có ít con cái thậm chí không có con. Các thế hệ sau sẽ được thừa hưởng, kết hợp và phát triển những đặc điểm tốt từ bố mẹ nên con cái sẽ có năng lực cao hơn bố mẹ rất nhiều. Đây chính là cách mà các loài tiến hóa để thích nghi với môi trường sống. Thuật toán di truyền bắt chước tự nhiên với các nguyên lý tiến hóa như di truyền, chọn lọc tự nhiên, lai ghép và đột biến để tìm ra giải pháp tối ưu tổng thể cho một vấn đề, đặc biệt trong các bài toán liên quan đến vấn đề tìm kiếm hoặc tối ưu hóa. GA hoạt động với một tập hợp các cá thể, mỗi cá thể đại diện một giải pháp khả thi cho vấn đề nhất định và có một giá trị tùy thuộc vào mức độ giải quyết vấn đề đó. JST: Engineering and Technology for Sustainable Development Vol. 1, Issue 2, April 2021, 029-034 31 Những cá thể có tính phù hợp cao sẽ được lựa chọn và lai với nhau để tạo ra thế mới có năng lực tốt hơn bố mẹ. GA thường được ứng dụng cho những bài tối ưu như: lập kế hoạch [10], vận tải [11], tìm đường [12], chương trình trò chơi, điều khiển thích nghi,... Do những ưu điểm vượt trội, thuật toán di truyền ngày càng được phát triển và ứng dụng mạnh mẽ trong thực tế. GA đã được sử dụng trong tối ưu hóa cho mạng cảm biến, một bài toán rất phổ biến và quan trọng là tối ưu cơ chế lập lịch thực hiện các mục tiêu tối ưu hóa trong mạng cảm biến. Việc thực hiện một thuật toán di truyền điển hình có thể được biểu diễn bằng lưu đồ được mô tả trong Hình 1. Khi khởi tạo, một quần thể tạo được tạo ngẫu nhiên. Sự ngẫu nhiên hóa này có thể hoàn toàn đồng nhất hoặc đôi khi dựa trên một cá thể hạt giống được người dùng cung cấp như một đầu vào của thuật toán. Hình 1. Lưu đồ thuật toán di truyền. Từ Hình 1, có thể thấy giải thuật di truyền bao gồm các bước cơ bản sau: • Bắt đầu: nhận các tham số cho thuật toán. • Khởi tạo: sinh ngẫu nhiên một quần thể gồm n cá thể. • Thích nghi: tính toán giá trị hàm thích nghi cho từ cá thể trong toàn quần thể. • Đánh giá: kiểm tra điều kiện kết thúc giải thuật. • Tạo quần thể mới: nếu điều kiện chấm dứt không được thỏa mãn, quá trình sẽ tiếp tục bằng cách tạo ra thế hệ mới theo hướng chất lượng của nó được cải thiện so với thế hệ bố mẹ. Bước này còn được gọi là sinh sản và đạt được bằng cách thực hiện ba phép toán: lựa chọn, lai ghép và đột biến trên quần thể hiện tại. - Lựa chọn hai cá thể bố mẹ từ quần thể cũ theo độ thích nghi của chúng, cá thể có độ thích nghi càng cao thì càng có nhiều khả năng được chọn. - Lai ghép hai cá thể bố mẹ để tạo ra một cá thể mới với một xác suất lai ghép được chọn. - Đột biến nhằm mục đích biến đổi ngẫu nhiên một phần gen của cá thể mới với một xác suất đột biến được chọn. • Kết thúc: nếu điều kiện dừng được thỏa mãn thì thuật toán kết thúc và trả về lời giải tốt nhất trong quần thể hiện tại. Tuy nhiên, thứ tự của các bước trên này có thể khác nhau hoặc thậm chí chúng có thể được kết hợp theo các cách khác nhau trong một số biến thể của thuật toán để có sự linh hoạt hơn trong việc triển khai. 3.2. Tối ưu lịch trình mạng cảm biến với thuật toán di truyền Với các bài toán tối ưu hóa, điều quan trọng nhất là hàm mục tiêu, có thể được biểu diễn chung bằng một hàm toán học nhiều biến ánh xạ các phần tử từ miền đầu vào X thành số thực: 𝑓𝑓(𝑥𝑥):𝐗𝐗 → R (1) trong đó x ∈ X là vectơ biến. Thông thường, X là tập con của các phần tử trong Rn thỏa mãn các ràng buộc. Đối với bài toán cực tiểu, một nghiệm x0 là một phần tử mà 𝑓𝑓(𝐱𝐱0) ≤ 𝑓𝑓(𝐱𝐱) với mọi x ∈ X. Đối với bài toán tối ưu lịch mạng cảm biến, gốc lõi vấn đề là lập lịch tối ưu cho từng nút mạng với các ràng buộc liên quan để được lịch trình tối ưu cho toàn mạng. Mỗi nút cảm biến sẽ hoạt động ở các chế độ khác nhau như ngủ, chờ, đo lường, truyền thông, Trong bài toán này, tập hợp các chế độ của nút i được biểu thị là Mi. Khi đó, một lịch trình của nút i được xác định bởi một chuỗi: 𝑆𝑆𝑖𝑖 ≜ 〈𝑚𝑚𝑗𝑗 𝑖𝑖〉|𝑗𝑗=1..𝑠𝑠, (2) trong đó s là độ dài của chuỗi hay số lần thay đổi trạng thái của nút, mij ∈ Mi là chế độ được sử dụng ở trạng thái thứ j của nút i. Lịch trình của toàn mạng �̂�𝑆 sẽ là sự kết hợp của các lịch trình của mọi nút trong mạng gồm n nút. Chú ý rằng các các nút có cùng thời gian bắt đầu là t0 = 0 và cùng thời điểm kết thúc cho một lịch trình là T. �̂�𝑆 = {𝑆𝑆𝑖𝑖}|𝑖𝑖=1..𝑛𝑛 (3) Bắt đầu Khởi tạo quần thể ban đầu Tính giá trị hàm thích nghi Nhiễm sắc thể của cá thể tốt nhất Điều kiện dừng ? Lựa chọn Lai ghép Đột biến Kết thúc S Đ JST: Engineering and Technology for Sustainable Development Vol. 1, Issue 2, April 2021, 029-034 32 Trong nghiên cứu này, nhiễm sắc thể mã hóa lịch trình mạng �̂�𝑆 được định nghĩa như sau: 1 1 11 2[ , , , ,sC m m m= 2 2 21 2 , , , , sm m m 1 2 , , , n n n sm m m ]. (4) Số gen của mỗi nút là s và của toàn mạng là (n×s). Giả sử quần thể có p cá thể, khi đó qC|q=1..p biểu thị lịch trình của cá thể q trong quần thể lịch trình mạng, và qCi, như thể hiện trên Hình 2, là biểu thị đoạn gen trong qC tương ứng lịch trình của nút i trong lịch trình mạng q. Tương tự, tất cả các biến phụ thuộc cá thể khác cũng tuân theo quy ước ký hiệu này, ví dụ, q𝑚𝑚𝑗𝑗 𝑖𝑖 là trạng thái j của nút i của cá thể q. Lịch trình của nút i được biểu diễn như sau: qCi = [q 1 im , q 2 , im , q ism ]. (5) Theo đó, lịch trình của mạng gồm n nút qC sẽ được biểu diễn như sau: qC = [qC1, qC2,, qCn ]. (6) Hình 2. Biểu diễn lịch trình hoạt động của một nút. 4. Kịch bản và kết quả mô phỏng Trong khuôn khổ bài báo này, một kịch bản thử nghiệm thuật toán di truyền cho lớp bài toán tối ưu lịch trình mạng với mục tiêu cụ thể là tối đa hóa số giá trị đo thông số môi trường, với ràng buộc là tuổi thọ của nút và đảm bảo thời gian giữa hai lần đo liên tiếp không lớn hơn Δτ cho trước. Đối với mỗi nút cảm biến, cần phải biết trước các thông số về năng lượng tiêu thụ của nút như dung lượng lớn nhất của pin, tốc độ sạc pin, năng lượng tiêu thụ của từng chế độ làm việc. Thực tế, các nút cảm biến có thể có nhiều chế độ làm việc như ngủ, chờ, đo lường và truyền thông, Tuy nhiên, trong bài toán này ràng buộc là tối đa tuổi thọ mạng nên vấn đề năng lượng tiêu thụ được đặc biệt quan tâm. Vì vậy trong kịch bản này, để đơn giản, mỗi nút sẽ được xem xét với 2 chế độ là chế độ là ngủ M- tiêu thụ năng lượng ở mức thấp và chế độ hoạt động M+ tiêu thụ năng lượng ở mức cao. Như vậy Mi = {M-, M+}. Giả sử thời gian toàn lịch trình được chia thành các khoảng bằng nhau và mỗi khoảng là τ, khi đó τ×s = T. Kịch bản thử nghiệm với mạng gồm 3 nút cảm biến. Để đơn giản, giả sử rằng các nút có cấu hình tương tự nhau và chỉ có sự khác biệt về dung lượng tối đa của pin. Nhóm đã phát triển và thực nghiệm 3 nút cảm biến đo nhiệt độ và độ ẩm không khí trong quá trình nghiên cứu [13], và các tham số cơ bản của các nút trong mạng thực nghiệm được đưa ra như trong Bảng 1. Các mô phỏng được thực hiện bằng nền tảng mô phỏng đã được nhóm nghiên cứu phát triển và giới thiệu cụ thể hơn trong [14]. Bảng 1. Tham số các nút mạng của kịch bản Tham số Nút 1 Nút 2 Nút 3 Dung lượng pin tối đa (mAh) 3500 5250 7000 Tốc độ sạc pin (W) 0.8 0.8 0.8 Mức tiêu thụ ở chế độ ngủ (W) 0.05 0.05 0.05 Mức tiêu thụ năng lượng trung bình ở chế độ chờ (W) 0.17 0.17 0.17 Mức tiêu thụ năng lượng trung bình ở chế độ đo lường (W) 0.22 0.22 0.22 Mức tiêu thụ trung bình ở một lần truyền thông (W) 13.27 13.27 13.27 Δτ (phút) 5 5 5 T (ngày) 3 3 3 Ngoài ra, trong kịch bản mô phỏng, vị trí, tọa độ của nút trong không gian cũng cần được quan tâm và xác định cụ thể vì nó liên quan đến vấn đề thu năng lượng. Để tối đa hoá số lần đo thực hiện được của mạng, đồng thời đảm bảo các yếu tố về năng lượng và thời gian hoạt động, hàm mục tiêu được sử dụng là một hàm gồm 4 thành phần: 1 2 3 4 ,Φ = Φ +Φ +Φ +Φ (7) trong đó, 1Φ là thành phần tương ứng với số lần đo cần tối đa hoá, 2Φ là thành phần giúp hạn chế các khoảng thời gian dài mà không có phép đo nào được thực hiện, 3Φ để hạn chế việc các nút bị hết pin trước khi kết thúc kịch bản chạy, và 4Φ để hạn chế việc mức pin cuối chu kỳ mô phỏng nhỏ hơn khi bắt đầu. Cụ thể, 1 ,kηηΦ = − (8) 2 2 1 2 1 ,i i i k k η τ ττ τ = Φ = ∆ + ∆∑ (9) ( ) ( )23 1 2 ,T Tk T T k T TΦ = − + − (10) ( ) ( )21 2 4 if , 0 if , L e s L e s e s e s k L L k L L L L L L − + − <Φ = ≥ (11) trong đó η là số lần đo thực hiện được; iτ∆ là thời gian giữa hai lần đo liên tiếp; T là thời điểm nút bị hết pin, hoặc bằng T nếu không hết; sL và eL là các mức pin khi bắt đầu và kết thúc chu kỳ; và kη , 1kτ , 2kτ , 1Tk , 2Tk , 1Lk , 2Lk là các hệ số với giá trị hằng. Các hàm bậc hai sử dụng cho 2 4−Φ nhằm giúp thuật toán q iC 7 q it2 q it 3 q it 4 q it 5 q it 6 q it t1 q it 8 q it JST: Engineering and Technology for Sustainable Development Vol. 1, Issue 2, April 2021, 029-034 33 Hình 3. Giá trị thích nghi tốt nhất sau 100 thế hệ. Hình 4. Dung lượng pin các nút với lịch trình tối ưu. Hình 5. Lịch trình mạng tối ưu. Hình 6. Số phép đo thực hiện được theo thời gian. hội tụ nhanh hơn. Giá trị các tham số chính của thuật toán GA được cho trong Bảng 2. Bảng 2. Tham số của giải thuật di truyền Tham số Giá trị Kích thước quần thể 100 Tỉ lệ lựa chọn 20% Tỉ lệ lai 50% Tỉ lệ đột biến 40% Với các tham số đã định cho các nút của mạng và GA thực thi sau 100 thế hệ, kết quả nhận được giá trị thích nghi tốt nhất là 3.57×104. Quá trình hội tụ được chỉ ra trên Hình 3, thể hiện giá trị hàm mục tiêu của cá thể tốt nhất trong từng thế hệ. Lịch trình mạng tối ưu cuối cùng được hiển thị trong Hình 4. Theo lịch trình tối ưu thu được, phạm vi thời gian hoạt động trong một ngày cho ba nút riêng lẻ là 39,6%, 38,5% và 40,5%, nhưng sự kết hợp của chúng tạo ra mức độ bao phủ 91,7% thời gian trong ngày. Phần trăm dung lượng pin của các nút khi được mô phỏng với lịch trình này được đưa ra trong Hình 5 và số phép đo đã thực hiện của từng nút và toàn mạng được đưa ra trong Hình 6. Khi kết thúc mô phỏng, các nút thực hiện các phép đo 312, 315 và 325 riêng lẻ, với tổng cộng là 952. 5. Kết luận Trong nghiên cứu này, nhóm tác giả đã thực hiện tìm hiểu, phân tích và xác định việc tối ưu hóa lịch trình làm việc cho mạng cảm biến là bài toán rất quan trọng liên quan đến vấn đề năng lượng, tuổi thọ và hiệu năng mạng. Theo hướng tiếp cận ứng dụng thuật toán di truyền cho bài toán tối ưu hóa lịch trình mạng cảm biến. Nghiên cứu đưa ra mô hình hóa toán học bài toán tối ưu lịch trình theo thuật toán di truyền. Kết quả chạy mô phỏng với kịch bản thử nghiệm cho thấy giải thuật di truyền rất hiệu quả trong việc tìm ra giải pháp tối ưu lịch trình mạng cảm biến. Tài liệu tham khảo [1] Srivastava N. (2010) Challenges of next-generation wireless sensor networks and its impact on society. Journal of Telecommunications, pp. 128-133 [2] Guinard, A., McGibney, A., & Pesch, D. (2009, November) A wireless sensor network design tool to support building energy management. In Proceedings of the First ACM Workshop on Embedded Sensing Systems for Energy-Efficiency in Buildings (pp. 25- 30). ACM. [3] Ma, J., Lou, W., Wu, Y., Li, X. Y., & Chen, G. (2009, April). Energy efficient TDMA sleep scheduling in wireless sensor networks. In IEEE INFOCOM 2009 (pp. 630-638). IEEE. 0 10 20 30 40 50 60 70 80 90 100 Generation 0 0.5 1 1.5 2 2.5 3 3.5 B es t f itn es s va lu e 10 5 0 10 20 30 40 50 60 70 Time (h) 0 10 20 30 40 50 60 70 80 90 100 C ap ac ity (% ) Node 1 Node 2 Node 3 N od e 1 sc he du le N od e 2 sc he du le 0 5 10 15 20 Time (h) N od e 3 sc he du le 0 10 20 30 40 50 60 70 Time (h) 0 100 200 300 400 500 600 700 800 900 1000 M ea su re m en ts Node 1 Node 2 Node 3 Total JST: Engineering and Technology for Sustainable Development Vol. 1, Issue 2, April 2021, 029-034 34 [4] L. Wang, and X. Yang. “A survey of energy-efficient scheduling mechanisms in sensor networks,” Mobile Networks and Applications, vol. 11, no. 5, pp. 723- 740, 2006. [5] Berman, P., Calinescu, G., Shah, C., & Zelikovsly, A. (2005). Efficient energy management in sensor networks. In Y. Xiao & Y. Pan (Eds.), Ad hoc and sensor networks. Nova Science. [6] Tian, D., & Georganas, N. D. (2002). A coverage- preserving node scheduling scheme for large wireless sensor networks. In Proceedings of the 1st ACM International Workshop on Wireless Sensor Networks and Applications (WSNA ’02) (pp. 32–41), Atlanta, Georgia. [7] Heinzelman, W. R., Chandrakasan, A., & Balakrishnan, H. (2000, January). Energy-efficient communication protocol for wireless microsensor networks. In Proceedings of the 33rd annual Hawaii international conference on system sciences (pp. 10- pp). IEEE. [8] He, T., Krishnamurthy, S., Stankovic, J. A., Abdelzaher, T., Luo, L., Stoleru, R. et al. (2004). Energy-efficient surveillance system using wireless sensor networks. In Proceedings of the 2nd International Conference on Mobile Systems, Applications, and Services (MobiSys ’04) (pp. 270– 283), Boston, Massachusetts. [9] J. H. Holland, Adaptation in Natural and Artificial Systems, The University of Michigan Press, Michigan, 1975. [10] Lee, S. C., Tseng, H. E., Chang, C. C., & Huang, Y. M. (2019). Applying Interactive Genetic Algorithms to Disassembly Sequence Planning. International Journal of Precision Engineering and Manufacturing, 1-17. [11] Liu, T. K., Lin, S. S., & Hsueh, P. W. (2019). Optimal design for transport and logistics of steel mill by-product based on double-layer genetic algorithms. Journal of Low Frequency Noise, Vibration and Active Control, 1461348419872368. [12] Al-Furhud, M. A., & Ahmed, Z. H. (2020). Genetic Algorithms for the Multiple Travelling Salesman Problem. International Journal of Advanced Computer Science and Applications (IJACSA), 11(7), 553-560. [13] Nguyễn, T. H., Lê, M. H., Đào, T. K., Hà, V. P., & Phạm, T. N. Y. (2020). Thiết kế, chế tạo nút cảm biến có khả năng tùy biến phục vụ nghiên cứu, phát triển nền tảng mô phỏng mạng cảm biến. Tạp chí Khoa học và công nghệ, 56(4), 26-30. [14] Ha, V.P., Dao, T.K., Le, M.H., Nguyen, T.H., and Nguyen, V.T. 2020. Design and implementation of an energy simulation platform for wireless sensor networks. 2020 IEEE International Conference on Multimedia Analysis and Pattern Recognition (MAPR). Hanoi, Vietnam, Oct. JST: Engineering and Technology for Sustainable Development Vol. 1, Issue 2, April 2021, 029-034 35
File đính kèm:
- ung_dung_giai_thuat_di_truyen_cho_toi_uu_lich_trinh_mang_cam.pdf