ĐÁNH GIÁ HIỆU QUẢ QUY HOẠCH MẠNG RFID

jos.hueuni.edu.vn Tập 133, Số 2A, 2024 29 pháp heuristic trong RNP, các tiêu chí đánh giá hiệu quả quy hoạch mạng RFID được trình bày trong phần 4, mô phỏng, trình bày các kết quả đạt được thể hiện trong Phần 5 và kết luận ở trong Phần 6. 2 Các nghiên cứu liên quan Vì RNP thuộc về lớp bài toán NP-khó [3] nên hướng tiếp cận thông thường là sử dụng các phương pháp dựa trên heuristic. Sau đây là các công trình nghiên cứu liên quan sử dụng phương pháp heuristic trong quy hoạch mạng RFID. Phương pháp cải tiến từ hành vi đàn ong ABC (Artificial Bee Colony) là một thuật toán tối ưu hóa lấy cảm hứng từ hành vi săn mồi thông minh của đàn ong. Thuật toán này được đề xuất trong [4] bởi Dervis Karaboga vào năm 2005. Mục tiêu của thuật toán là tìm kiếm giải pháp tối ưu bằng cách mô phỏng quá trình tương tác giữa ong công và ong thợ trong một tổ ong. Chen và cộng sự [5] đã đề xuất phương pháp MOABC (MultiObjective ABC) trong đó tác giả đưa ra các mục tiêu như độ phủ sóng, độ nhiễu và mô hình hóa về một hàm mục tiêu và ứng dụng phương pháp ABC để tìm vị trí các đầu đọc. Bacanin và cộng sự [6] tiến hành xác định số lượng và vị trí của các đầu đọc theo phương pháp ABC kết hợp với việc nhóm thẻ và đầu đọc theo từng khu vực. Jing và cộng sự [7] đề xuất một phương pháp gọi là tổ ong nhân tạo lai HABC (Hybrid ABC), sử dụng cơ chế vòng đời tự nhiên để biến đổi khung làm việc ABC gốc thành một hình thái hợp tác và thay đổi số lượng cá thể. Trong thuật toán HABC đề xuất, cá thể có thể chuyển đổi trạng thái tồn tại và kích thước đầu đọc thay đổi động tùy theo thực tế phạm vi hoạt động trong quá

trình thực thi. Ma và cộng sự [8] đề xuất mô hình H-MOABC (Hybird – MultiObjective ABC) dựa trên các giá trị hàm mục tiêu với phương pháp học tăng cường. Phương pháp CS là phương pháp được lấy cảm hứng từ hành vi ấp trứng của chim Cuckoo được giới thiệu bởi Xin-She Yang và Suash Deb vào năm 2009 [9]. Phương pháp CS có hiệu suất tốt trong việc tìm kiếm các giải pháp tối ưu cho các bài toán phức tạp. Tuy nhiên, như các thuật toán tối ưu hóa khác, hiệu suất của nó còn phụ thuộc vào cách thức thực hiện và cấu hình tham số. Jaballah và cộng sự [10] đã đề xuất phương pháp điều khiển các tham số động của CS có tên là SACS (Self Adaptive Cuckoo Search). Talib và cộng sự [11] đề xuất phương pháp tìm kiếm theo gradient có tên GBCS (Gradient-Based Cuckoo Search). Hasnan và cộng sự [12] tiến hành so sánh, đánh giá phương pháp GBCS với phương pháp PSO, FA kết quả là GBCS chỉ sử dụng số lượng 6 đầu đọc khi phân phối 100 thẻ và 5 đầu đọc trong trường hợp 50 thẻ cho hiệu quả bao phủ 100% cho thấy tính tin cậy của GBCS trong khu vực quy mô lớn và dữ liệu thẻ lớn. Phương pháp FA (Firely Alogrithm) là một thuật toán tối ưu hóa heuristic được lấy cảm hứng từ hành vi phát sáng của đom đóm. Nó được đề xuất bởi Xin-She Yang vào năm 2008 [13] và từ đó đã được sử dụng rộng rãi để giải quyết các vấn đề tối ưu hóa khác nhau, gồm tối ưu hóa hàm, ước lượng tham số và lựa chọn đặc trưng. Tuba và cộng sự [14], đề xuất phương pháp