ĐÁNH GIÁ HIỆU QUẢ QUY HOẠCH MẠNG RFID

Nguyễn Văn Tùng và CS. Tập 133, Số 2A, 2024 30 MBFA (multi-objective Firely Alogrithm) với việc xây dựng hàm đa mục tiêu bao gồm độ bao phủ, độ nhiễu,... kết hợp sử dụng FA để tối ưu hóa vị trí lắp đặt đầu đọc. Một cải tiến tiếp theo của Musin và cộng sự [15] bằng cách kết hợp kỹ thuật phân cụm thẻ dựa trên mật độ phân bổ thẻ DBSCAN (Density Based Clustering Method) và sử dụng FA để tối ưu hóa vị trí đầu đọc. Phương pháp này cho thấy có thể sử dụng trong các môi trường lớn và phức tạp với các khu vực làm việc trong nhà có hình dạng khác nhau, đó là một trong những thách thức đối với việc quy hoạch mạng RFID. Phương pháp PSO là một thuật toán tối ưu hóa lấy cảm hứng từ hành vi di cư của các hạt/cá thể trong một bầy đàn. Thuật toán này được đề xuất bởi Kennedy và Eberhart vào năm 1995 [16]. PSO mô phỏng quá trình tìm kiếm tối ưu bằng cách xem xét sự tương tác và hợp tác giữa các cá thể trong không gian tìm kiếm. PSO đã được ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm tối ưu hóa hệ thống RFID. Trong những nghiên cứu thời gian gần đây, Hasnan và cộng sự [17] đã triển khai cải tiến thuật toán PSO đầu tiên cho bài toán RNP với thuật toán tối ưu hoá bầy đàn hồi quy MC-GPSO (Multi-Colony Global Particle Swarm Optimization) nhằm mục tiêu tối đa hóa phạm vi phủ sóng, tối thiểu hóa số lượng đầu đọc và độ nhiễu thấp nhất. Nhằm mục tiêu giảm thiểu tổng số đầu đọc cần thiết để nhận dạng các thẻ trong một khu vực cho trước tốt hơn, Raghib và cộng sự [18] đề xuất thuật toán tối ưu hóa đa mục tiêu bằng phần tử giới hạn tốc

độ các đầu đọc cho việc di chuyển có tên là SMPSO (Speed constrained Multi-objective Particle Swarm Optimisation) được áp dụng. Cao và cộng sự [19] đã đề xuất một thuật toán tối ưu hóa bầy đàn lai với phân cụm K-mean và “lực ảo” (virtual forces) được đặt tên là HPSO-RNP (Hybrid Particle Swarm Optimization - RNP). HPSO-RNP có thể tự động tìm kiếm các đầu đọc và khởi tạo tọa độ ban đầu của các đầu đọc thông qua thuật toán K-means. “Lực ảo” được tích hợp vào chuyển động ngẫu nhiên để điều chỉnh vị trí của đầu đọc trong quá trình tìm kiếm của PSO. Để so sánh HPSO-RNP với các phương pháp khác, thực nghiệm được tiến hành trên 8 bộ dữ liệu chuẩn và kết quả xác nhận rằng hiệu suất của HPSO-RNP là tốt hơn về số lượng đầu đọc, nhiễu, công suất và cân bằng tải trong khu vực làm việc lần lượt là 50x50m2 và 150x150 m2 với số lượng thử nghiệm gồm 30, 50 và 100 đầu đọc. Nhóm các giải pháp được sử dụng phổ biến tiếp theo là dùng giải thuật di truyền GA (Genetic Algorithm để giải quyết vấn đề RNP. Tiêu biểu như Guam và cộng sự [20] đã đưa ra cách tiếp cận GA cho RNP, theo đó một bộ gene mang thông tin của mạng RFID được đưa vào, bộ gene được xác định theo mô hình phân cấp với 3 cấp. Cấp đầu tiên quyết định lựa chọn vị trí ứng viên, cấp 2 xác định loại antena được sử dụng và cấp cuối cùng xử lý vị trí thông số các đầu đọc. Guan sử dụng toán tử lai ghép cho cấp đầu tiên của giải thuật và toán tử đột biến được sử dụng ở cấp cuối cùng. Trong nghiên cứu của Yang và cộng sự [21], bộ gene được sử dụng là các

mã nhị phân nhằm thể hiện thông tin của các RFID reader, bao gồm 2 thông tin là vị trí và vùng phủ sóng. Ngoài ra tác giả còn tiến hành mã hóa thuộc tính vật lý của ăng ten bao gồm: loại ăng ten, năng lượng,... Yang và CS sử dụng phương pháp Rouleted để lựa chọn các quần thể, đồng