Luận án Nghiên cứu giải pháp tối ưu hóa hiệu quả sử dụng năng lượng trong mạng cảm biến

Nội dung text: Luận án Nghiên cứu giải pháp tối ưu hóa hiệu quả sử dụng năng lượng trong mạng cảm biến

1. Kết luận và hướng phát triển Kết luận Mạng cảm biến không dây ngày càng trở nên không thể thiếu trong các ứng dụng thực tế với những tính năng vượt trội so với hệ thống cảm biến truyền thống. Một vấn đề lớn cần quan tâm và giải quyết là đảm bảo năng lượng để mạng hoạt động ổn định và lâu dài. Các giải pháp năng lượng cho mạng cảm biến hiện chưa đáp ứng được nhu cầu về năng lượng của mạng. Tối ưu hóa mạng cảm biến là hướng nghiên cứu nhằm tối ưu hóa mục tiêu mạng thỏa mãn các ràng buộc và gắn liền nhiệm vụ đảm bảo năng lượng duy trì hoạt động mạng. Tối ưu hóa lịch trình là một bài toán phổ biến trong phát triển và ứng dụng mạng cảm biến không dây. Tối ưu hóa lịch trình có mục đích tìm ra lịch hoạt động của mạng nhằm tối ưu mục tiêu mạng với các ràng buộc. Đây là bài toán tối ưu hóa tổ hợp đa mục tiêu nhiều ràng buộc phức tạp và luôn cần quan tâm đến vấn đề năng lượng để đảm bảo duy trì hoạt động mạng. Các bài toán sẽ có nhiều giải pháp khả thi và mục đích là cần tìm ra giải pháp gần tối ưu. Vấn đề này thường rất phức tạp, các tham số có thể luôn biến động nên rất khó khăn thậm chí là không thể giải quyết bằng các phương pháp thống kê hoặc phương pháp xác định. Các nghiên cứu thường giải quyết cho các bài toán đơn lẻ với mục tiêu và ràng buộc cụ thể nên việc sử dụng các kết quả cho các bài toán ứng dụng khác là rất khó khăn thậm chí không thể. Mặt khác, các nghiên cứu về mạng cảm biến rất cần có phần mềm mô phỏng quan tâm đến quá trình năng lượng, mức tiêu thụ của từng nút mạng. Tuy nhiên, vấn đề năng lượng lại chưa được quan tâm thích đáng trong các phần mềm sẵn có. Luận án đã tập trung giải quyết hai vấn đề chính là phát triển nền tảng mô phỏng mạng cảm biến có tính đến yếu tố năng lượng và phát triển phương pháp kết hợp giữa thuật toán di truyền và mô phỏng để giải bài toán tối ưu hóa lịch trình mạng cảm biến cho lớp bài toán ứng dụng. Luận án trình bày phương pháp giải bài toán tối ưu hóa lịch trình mạng bằng cách kết hợp sử dụng thuật toán di truyền với nhiễm sắc thể có chiều dài thay đổi (VLC- GA) và mô phỏng năng lượng. Thuật toán VLC-GA sẽ thực hiện tìm lời giải tối ưu với sự trợ giúp của nền tảng mô phỏng có tính đến năng lượng của mạng cảm biến. Nền tảng mô phỏng có vai trò thiết lập và mô phỏng mạng vật lý với các tham số, thông số theo yêu cầu của bài toán. Sau mỗi thế hệ VLC-GA sẽ cho ra một tập kết quả tương ứng các lịch trình mạng và được đưa vào chạy mô phỏng để tính toán các thông số cần thiết liên quan đến hàm mục tiêu trong đó có các thông số về năng lượng. Kết quả mô phỏng sẽ là tập thông số đầu vào cho VLC-GA tính toán tập giá trị hàm mục tiêu và tiếp tục thực hiện quá trình tiến hóa ở thế hệ tiếp theo cho đến khi xảy ra điều kiện dừng hoặc tìm ra giá trị tối ưu của hàm mục tiêu. Luận án đã thực hiện nghiên cứu với các kết quả cơ bản sau: • Thực hiện khảo sát về nhu cầu năng lượng của mạng cảm biến. Bên cạnh đó, thực hiện một số khảo sát về các giải pháp năng lượng cho nút cảm biến không dây và toàn mạng. Những kết quả của việc khảo sát có ý nghĩa trong quá trình nghiên cứu và thực hiện các nhiệm vụ đề tài, các mô hình toán học được sử dụng trong phát triển nền tảng mô phỏng. Ngoài ra, việc khảo sát về các phần mềm mô phỏng đã chỉ ra rằng vấn đề mô phỏng năng lượng thực sự cần thiết cho nghiên cứu phát triển mạng cảm biến không dây nói chung và tối ưu hóa mạng cảm biến nói riêng. 128
2. - Phát triển biến thể mới của giải thuật di truyền VLC-GA với nhiễm sắc thể có độ dài thay đổi tùy biến cho bài toán tối ưu hóa lịch trình mạng cảm biến. - Mô hình hóa và giải bài toán tối ưu hóa lịch trình mạng cảm biến theo cả hai dạng thức của thuật toán di truyền FLC-GA và VLC-GA nhằm so sánh và thấy được các ưu điểm của thuật toán VLC-GA. - Thử nghiệm giải bài toán tối ưu hóa lịch trình với mục tiêu tối đa hóa số giá trị đo lường với ràng buộc khoảng thời gian giữa hai lần đo càng nhỏ càng tốt và đảm bảo tuổi thọ mạng trong điều kiện các nút có thể thu thập được năng lượng từ môi trường. Bài toán được giải với hai kịch bản khi mạng chỉ có một nút và khi mạng có nhiều nút. Mỗi kịch bản đều được thực hiện với hai dạng thức thuật toán VLC- GA và FLC-GA. Các lần giải đều cho kết quả khả quan về lịch trình mạng. Dạng thức VLC-GA cho thấy được tính hiệu quả hơn thể hiện trong các lần chạy thuật toán cho các giá trị hàm mục tiêu tốt hơn, và ổn định với sai lệch rất nhỏ giữa các lời giải. Kết quả mô phỏng mạng với lịch trình là kết quả nhận được từ VLC-GA cho thấy sự tối ưu được thể hiện các nút hoạt động nhịp nhàng và luôn có thể thu thập được năng lượng từ môi trường và sạc cho pin đúng lúc cần thiết giúp tránh tình trạng hết pin nên đảm bảo tuổi thọ mạng. Sự kết hợp thuật toán di truyền sử dụng nhiễm sắc thể có chiều dài thay đổi và nền tảng mô phỏng tính đến yếu tố năng lượng đã giúp thực hiện bài toán tối ưu hóa lịch trình mạng một cách hiệu quả và mở ra những hứa hẹn phát triển trong nghiên cứu tối ưu hóa mạng cảm biến, các phương pháp cải thiện hiệu năng mạng và đặc biệt những vấn đề liên quan đến năng lượng của mạng cảm biến. Kết quả của luận án mở ra hướng nghiên cứu tích cực về các vấn đề xoay quanh năng lượng, tuổi thọ mạng nói riêng và tối ưu hóa mạng cảm biến nói chung. Hướng phát triển Trong thời gian tới, với các kết quả nghiên cứu đạt được của luận án sẽ là cơ sở để tiếp tục được nghiên cứu và phát triển hoàn thiện hơn những vấn đề sau: - Tiếp tục phát triển hoàn thiện hơn nền tảng mô phỏng bao gồm phát triển các thư viện mô đun và giao diện người dùng. - Phát triển mở rộng giải thuật di truyền VLC-GA để giải các bài toán tối ưu hóa cho mạng cảm biến trong những vấn đề định tuyến truyền thông, tối ưu hóa vùng phủ sóng. 130
3. Danh mục các công trình đã công bố có liên quan đến luận án 1. High capacity encoding chipless RFID tag based on multi branch H-shaped resonator for sensing application, Proceedings of the 2018 Vietnam- Japan international symposium on antennas and propagation (VJISAP 2018), 1-2018, pp 117-123. 2. Multi-bit encoded H-shaped resonator for UWB chipless RFID application, Proceedings of the 2017 Vietnam - Japan Microwave (VJMW2017), 6-2017, pp 116-120. 132
4. [13]. Xie, P., & Cui, J. H. (2007, August). R-MAC: An energy-efficient MAC protocol for underwater sensor networks. In International Conference on Wireless Algorithms, Systems and Applications (WASA 2007) (pp. 187-198). IEEE. [14]. Fu, C., Jiang, Z., Wei, W. E. I., & Wei, A. (2013). An energy balanced algorithm of LEACH protocol in WSN. International Journal of Computer Science Issues (IJCSI), 10(1), 354. [15]. Kandasamya, C. A., & Yaminib, S. (2012). Energy-Efficient Protocol for Wireless Sensor Networks. Journal of Computer Applications (JCA), 5(2). [16]. Depedri, A., Zanella, A., & Verdone, R. (2003). An energy efficient protocol for wireless sensor networks. Proc. AINS, 1-6. [17]. Cheng, M. X., & Gong, X. (2011). Maximum lifetime coverage preserving scheduling algorithms in sensor networks. Journal of Global Optimization, 51(3), 447-462. [18]. Incel, O. D., Ghosh, A., & Krishnamachari, B. (2011). Scheduling algorithms for tree-based data collection in wireless sensor network. In Theoretical aspects of distributed computing in sensor networks (pp. 407-445). Springer, Berlin, Heidelberg. [19]. Sohraby, K., Minoli, D., & Znati, T (2007), Wireless sensor networks: technology, protocols, and applications, John wiley & sons. [20]. Sharma, D. N., & Kaur, S. (2015), Overview of Various Routing Protocols in Wireless Sensor Networks. Journal of Network Communications and Emerging Technologies (JNCET) Volume, 2. [21]. Matin, M. A. (Ed.). (2012), Wireless sensor networks: Technology and protocols. BoD–Books on Demand. [22]. Agarwal, Yuvraj, and Thomas Weng (2012), From buildings to smart buildings-sensing and actuation to improve energy efficiency. IEEE Design & Test of Computers, no. 4, 36-44. [23]. Othman, M. F., & Shazali, K. (2012). Wireless sensor network applications: A study in environment monitoring system. Procedia Engineering, 41, 1204-1210. [24]. Nagaraj, S., & Biradar, R. V. (2017, August). Applications of wireless sensor networks in the real-time ambient air pollution monitoring and air quality in metropolitan cities—a survey. In 2017 International Conference On Smart Technologies For Smart Nation (SmartTechCon) (pp. 1393-1398). IEEE. [25]. Al Ameen, M., Liu, J., & Kwak, K. (2012). Security and privacy issues in wireless sensor networks for healthcare applications. Journal of medical systems, 36(1), 93-101. [26]. Ali, N. S., Alkaream Alyasseri, Z. A., & Abdulmohson, A. (2018). Real-time Heart Pulse Monitoring Technique Using Wireless Sensor Network and Mobile Application. International Journal of Electrical & Computer Engineering (2088- 8708), 8. [27]. SHAMS, R., KHAN, M. U., & SIDDIQUE, M. A. (2018). Building automation (IoT) by WSN. Journal of Information Communication Technologies and Robotic Applications, 17-28. 134
5. [43]. El-Hoiydi, A., & Decotignie, J. D. (2004, July). WiseMAC: An ultra low power MAC protocol for multi-hop wireless sensor networks. In International symposium on algorithms and experiments for sensor systems, wireless networks and distributed robotics (pp. 18-31). Springer, Berlin, Heidelberg. [44]. Chan, C. K., Peng, H., Liu, G., McIlwrath, K., Zhang, X. F., Huggins, R. A., & Cui, Y. (2008). High-performance lithium battery anodes using silicon nanowires. Nature nanotechnology, 3(1), 31-35. [45]. Lam, L. (2011). A practical circuit-based model for state of health estimation of li-ion battery cells in electric vehicles. Online> eclectic. eu/images/MScthesis_LongLamv3. pdf. [46]. Xuyun, F., & Zechang, S. (2008, September). A battery model including hysteresis for State-of-Charge estimation in Ni-MH battery. In 2008 IEEE Vehicle Power and Propulsion Conference (pp. 1-5). IEEE. [47]. Tremblay, O., & Dessaint, L. A. (2009). Experimental validation of a battery dynamic model for EV applications. World electric vehicle journal, 3(2), 289-298. [48]. Shaikh, F. K., & Zeadally, S. (2016). Energy harvesting in wireless sensor networks: A comprehensive review. Renewable and Sustainable Energy Reviews, 55, 1041-1054. [49]. Panatik, K. Z., Kamardin, K., Shariff, S. A., Yuhaniz, S. S., Ahmad, N. A., Yusop, O. M., & Ismail, S. (2016, November). Energy harvesting in wireless sensor networks: A survey. In 2016 IEEE 3rd international symposium on Telecommunication Technologies (ISTT) (pp. 53-58). IEEE. [50]. Magno, M., Marinkovic, S., Brunelli, D., Popovici, E., O'Flynn, B., & Benini, L. (2012, March). Smart power unit with ultra low power radio trigger capabilities for wireless sensor networks. In 2012 Design, Automation & Test in Europe Conference & Exhibition (DATE) (pp. 75-80). IEEE. [51]. Visser, H. J., & Vullers, R. J. (2013). RF energy harvesting and transport for wireless sensor network applications: Principles and requirements. Proceedings of the IEEE, 101(6), 1410-1423. [52]. Kausar, A. Z., Reza, A. W., Saleh, M. U., & Ramiah, H. (2014). Energizing wireless sensor networks by energy harvesting systems: Scopes, challenges and approaches. Renewable and Sustainable Energy Reviews, 38, 973-989. [53]. Basagni, S., Naderi, M. Y., Petrioli, C., Spenza, D., Conti, M., Giordano, S., & Stojmenovic, I. (2013). Wireless Sensor Networks with Energy Harvesting. Mobile ad hoc networking, 1, 701-736. [54]. Gilbert, J. M., & Balouchi, F. (2008). Comparison of energy harvesting systems for wireless sensor networks. International Journal of automation and computing, 5(4), 334-347. [55]. Chegaar, M., Ouennoughi, Z., Guechi, F., & Langueur, H. (2003). Determination of solar cells parameters under illuminated conditions. Journal of electron devices, 2(2003), 17-21. [56]. López-Lapeña, O., Penella, M. T., & Gasulla, M. (2009). A new MPPT method for low-power solar energy harvesting. IEEE Transactions on industrial electronics, 57(9), 3129-3138. 136
6. [72]. Visser, H. J., & Vullers, R. J. (2013). RF energy harvesting and transport for wireless sensor network applications: Principles and requirements. Proceedings of the IEEE, 101(6), 1410-1423. [73]. Shrestha, S., Noh, S. K., & Choi, D. Y. (2013). Comparative study of antenna designs for RF energy harvesting. International Journal of Antennas and Propagation. [74]. David Jiménez López, Iker Antxustegi-etxearte Atienzar, Powering autonomous sensors by RF harvesting, UPC, September 13th 2013. [75]. Lu, X., Wang, P., Niyato, D., Kim, D. I., & Han, Z. (2015). Wireless networks with RF energy harvesting: A contemporary survey. Communications Surveys & Tutorials, IEEE, 17(2), 757-789. [76]. Amer, A. A. G., Sapuan, S. Z., Nasimuddin, N., Alphones, A., & Zinal, N. B. (2020). A comprehensive review of metasurface structures suitable for RF energy harvesting. IEEE Access, 8, 76433-76452. [77]. Hempstead, M., Tripathi, N., Mauro, P., Wei, G. Y., & Brooks, D. (2005, June). An ultra low power system architecture for sensor network applications. In 32nd International Symposium on Computer Architecture (ISCA'05) (pp. 208-219). IEEE. [78]. Rabaey, J. M., Ammer, J., Karalar, T., Li, S., Otis, B., Sheets, M., & Tuan, T. (2002). PicoRadios for wireless sensor networks: the next challenge in ultra-low power design. In IEEE International Solid-State Circuits Conference, ISSCC 2002. (Vol. 1, pp. 200-201). [79]. Huang, L., Ashouei, M., Yazicioglu, F., Penders, J., Vullers, R., Dolmans, G., & Gyselinckx, B. (2009). Ultra-low power sensor design for wireless body area networks: challenges, potential solutions, and applications. International Journal of Digital Content Technology and its Applications, 3(3), 136-148. [80]. Lee, Y., Yoon, D., Kim, Y., Blaauw, D., & Sylvester, D. (2013). Circuit and system design guidelines for ultra-low power sensor nodes. IPSJ Transactions on System LSI Design Methodology, 6, 17-26. [81]. Ahmed, S., Khan, M. A., Ishtiaq, A., Khan, Z. A., & Ali, M. T. (2019). Energy harvesting techniques for routing issues in wireless sensor networks. International Journal of Grid and Utility Computing, 10(1), 10-21. [82]. Sordiashie E. (2012). Electromagnetic harvesting to power energy management sensor in built environment. Nebraska, UnitedStates: Faculty of the Graduate College, University of Nebraska-Lincoln [83]. Al-Karaki, J. N., & Kamal, A. E. (2004). Routing techniques in wireless sensor networks: a survey. IEEE wireless communications, 11(6), 6-28. [84]. Heinzelman, W. B., Chandrakasan, A. P., & Balakrishnan, H. (2002). An application-specific protocol architecture for wireless microsensor networks. IEEE Transactions on wireless communications, 1(4), 660-670. [85]. Hung, T. C., & Quan, N. H. (2014). A proposal for improve the life-time of wireless sensor network. International Journal of Computer Networks & Communications, 6(5), 59. 138
7. [101]. Yang, X.S. Firefly algorithms for multimodal optimization. International Symposium on Stochastic Algorithms, pp. 169-178, Berlin, Oct. 2009. [102]. Issariyakul, T., & Hossain, E. (2009). Introduction to network simulator 2 (NS2). In Introduction to network simulator NS2 (pp. 1-18). Springer, Boston, MA. [103]. Siraj, S., Gupta, A., & Badgujar, R. (2012). Network simulation tools survey. International Journal of Advanced Research in Computer and Communication Engineering, 1(4), 199-206. [104]. Pan, J., & Jain, R. (2008). A survey of network simulation tools: Current status and future developments. Email: jp10@ cse. wustl. edu, 2(4), 45. [105]. Rajankumar, P., Nimisha, P., & Kamboj, P. (2014, March). A comparative study and simulation of AODV MANET routing protocol in NS2 & NS3. In 2014 International Conference on Computing for Sustainable Global Development (INDIACom) (pp. 889-894). IEEE. [106]. Gupta, S. G., Ghonge, M. M., Thakare, P. D., & Jawandhiya, P. M. (2013). Open-source network simulation tools: An overview. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 2(4), 1629- 1635. [107]. Sundresh, W. Kim, and G. Agha, SENS: A Sensor, Environment and Network Simulator, The 37th Annual Simulation Symposium (ANSS37), Arlington, VA, April 2004. [108]. Khemapech, I., Miller, A., Duncan, I., & Haugh, N. (2005). Simulating wireless sensor networks. University of St Andrews, St Andrews. [109]. Varga, A., & Hornig, R. (2008, March). An overview of the OMNeT++ simulation environment. In Proceedings of the 1st international conference on Simulation tools and techniques for communications, networks and systems & workshops (pp. 1-10). [110]. C. Mallanda, A. Suri, V. Kunchakarra, SS. Iyengar, R. Kannan, A. Durresi, and S. Sastry, Simulating Wireless Sensor Networks with OMNeT++, submitted to IEEE Transactions on Computers. [111]. Xian, X., Shi, W., & Huang, H. (2008, June). Comparison of OMNET++ and other simulator for WSN simulation. In 2008 3rd IEEE Conference on Industrial Electronics and Applications (pp. 1439-1443). IEEE. [112]. Chang, X. (1999, December). Network simulations with OPNET. In WSC'99. 1999 Winter Simulation Conference Proceedings.'Simulation-A Bridge to the Future'(Cat. No. 99CH37038) (Vol. 1, pp. 307-314). IEEE. [113]. Prokkola, J. (2006). Opnet-network simulator. URL telecomlab. oulu. fi/kurssit/521365A tietoliikennetekniikan simuloinnit ja tyokalut/Opnet esittely, 7. [114]. Sobeih, A., Chen, W. P., Hou, J. C., Kung, L. C., Li, N., Lim, H., & Zhang, H. (2005, April). J-sim: A simulation environment for wireless sensor networks. In 38th Annual Simulation Symposium (pp. 175-187). IEEE. [115]. S. Park, A. Savvides, and MB. Srivastava, SensorSim: A Simulation Framework for Sensor Networks, Proceedings of MSWiM 2000, Boston, MA, August 2000. 140
8. [131]. 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. [132]. A.E. Eiben and J.E. Smith, Introduction to Evolutionary Computing, Springer, 2003 [133]. Kishor, A., & Niyogi, R. (2020, March). Multi-objective load balancing in distributed computing environment: an evolutionary computing approach. In Proceedings of the 35th Annual ACM Symposium on Applied Computing (pp. 170- 175). [134]. Deng, J., Han, Y. S., Heinzelman, W. B., & Varshney, P. K. (2005, December). Scheduling sleeping nodes in high density cluster-based sensor networks. In ACM/Kluwer Mobile Networks and Applications, Issue: Volume 10, Number 6 (pp. 825–835), Springer Netherlands. [135]. 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. [136]. 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. [137]. Kumar, S., Lai, T. H., & Balogh, J. (2004). On K-coverage in a mostly sleeping sensor network. In Proceedings of the 10th Annual International Conference on Mobile Computing and Networking (Mobicom ’04) (pp. 144–158), Philadelphia, Pennsylvania. [138]. Wu, K., Gao, Y., Li, F., & Xiao, Y. (2005, December). Lightweight deployment-aware scheduling for wireless sensor networks. ACM/Kluwer Mobile Networks and Applications (MONET) Special Issue on BEnergy Constraints and Lifetime Performance in Wireless Sensor Networks,^ 10(6), 837–852. [139]. Ye, F., Zhong, G., Cheng, J., Lu, S., & Zhang, L. (2003). PEAS: A robust energy conserving protocol for long-lived sensor networks. In Proceedings of the 23rd International Conference on Distributed Computing Systems (ICDCS ’03) (pp. 28–37). [140]. Zhang, H., & Hou, J. C. (2004, February). Maintaining sensing coverage and connectivity in large sensor networks. In Proceedings of NSF International Workshop on Theoretical and Algorithmic Aspects of Sensor, Ad Hoc Wireless, and Peer-to- Peer Networks, invited paper. [141]. Cerpa, A., & Estrin, D. (2004). ASCENT: Adaptive self-configuring sensor networks topologies. IEEE transactions on mobile computing, 3(3), 272-285. [142]. Gui, C., & Mohapatra, P. (2004). Power conservation and quality of surveillance in target tracking sensor networks. In Proceedings of the 10th Annual International Conference on Mobile Computing and Networking (Mobicom ’04) (pp. 129– 143), Philadelphia, Pennsylvania. 142
9. [157]. Jiang, H., Yang, X., Yin, K., Zhang, S., & Cristoforo, J. A. (2011). Variable Length Chromosome Genetic Algorithm. Information Technology Journal, 10(1), 113-119. [158]. Brie, A. H., & Morignot, P. (2005, June). Genetic Planning Using Variable Length Chromosomes. In ICAPS (pp. 320-329). [159]. Cruz-Piris, L., Marsa-Maestre, I., & Lopez-Carmona, M. A. (2019). A variable-length chromosome genetic algorithm to solve a road traffic coordination multipath problem. IEEE Access, 7, 111968-111981. [160]. Deif, D. S., & Gadallah, Y. (2014, April). Wireless sensor network deployment using a variable-length genetic algorithm. In 2014 IEEE wireless communications and networking conference (WCNC) (pp. 2450-2455). IEEE. [161]. Anwit, R., & Jana, P. K. (2018, February). A variable length genetic algorithm approach to optimize data collection using mobile sink in wireless sensor networks. In 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN) (pp. 73-77). IEEE. [162]. J. J. Michalsky, The astronomical almanac's algorithm for approximate solar position (1950–2050), Solar Energy, vol. 40, no. 3, pp. 227-235, 1988. 144