Kablosuz Algılayıcı Ağlarda Devingen Kapsama Sorunu için Evrimsel Algoritma
description
Transcript of Kablosuz Algılayıcı Ağlarda Devingen Kapsama Sorunu için Evrimsel Algoritma
Kablosuz Algılayıcı Ağlarda Devingen Kapsama Sorunu için Evrimsel Algoritma
M. Aykut Yiğitel, Tolga Tolgay ve Cem ErsoyBoğaziçi Üniversitesi - İstanbul
İçerik
• Giriş
• KAA’larda Kapsama
• Matematiksel Model
• Evrimsel Algoritma
• Performans Değerlendirmesi
• Sonuç ve Gelecek Çalışmalar
Giriş
• Varolan kablosuz ağ çözümleri KAA’lara
doğrudan uygulanamaz.
• KAA’larda en önemli kısıt enerjidir.
• KAA’ların ömrünü uzatan protokol ve
tasarımların geliştirilmesi kaçınılmaz hale
gelmiştir.
Amaç
• Ağın enerji tüketimini en aza indirerek
mümkün olan en fazla alanı kapsamaktır.
• Düşük enerji tüketimi & yüksek kapsama
ters orantılıdır.
KAA’larda Kapsama
Matematiksel Model
• Amaç Fonksiyon
Dj Tt
tjj
Si Tt
tii hNCyMEmin
TtDjmhxSi
tj
tij
,,
TtDjSiAyx ijti
tij ,,,
TtDjmh tj ,,0
1,0, yx
• Kısıtlar
• Genetik Arama– Kromozom
– Kapsama Matrisi
• 30 x 30 m gozlem alanı
• 5 aktif algılayıcı
• 10 m algılama menzili
1 0 0 0 1 0 0 1 0 0
0 1 0 0 1 1 0 0 1 0
Evrimsel Algoritma
Evrimsel Algoritma
• Başlangıç Popülasyonu
– Herbir gen K olasılıkla birörnek dağılım ile
yaratılır.
– Bu yaklaşım ile evrimsel algoritmaya daha
enerji etkin kromozomlarla başlanır.
Evrimsel Algoritma
• Rasgele Mutasyon (RM)– En iyi kromozom hariç tüm kromozomlar ziyaret edilir.
– μ olasılık ile bir kromozom seçilir ve bu kromozomun
rasgele bir periyodu ve geni seçilerek değeri tersine
çevrilir.
• Aktif Algılayıcı Azaltma Mutasyonu (AAAM)– RM gibi çalışır
– Bir kromozom seçildiğinde tüm periyod ve genleri gezilir.
– Değeri 1 olan genler β olasılık ile 0’a çekilir.
Evrimsel Algoritma
• Rasgele Eşleme (RE)– Popülasyondan rasgele iki kromozom seçer.
• Ağırlıklı Eşleme (AE)– Daha iyi kromozomları eşleyerek daha iyi sonuçlar elde
etmek için tasarlanmıştır.
– Kromozomların ağırlıkları amaç değerlerine göre
sıralandıktan sonra elde edilen sıra numaralarına göre
verilir.
Evrimsel Algoritma
• Çaprazlama– Yöntem
• İlk çocuk babanın ilk T/2 periyodunu, geriye kalanını
annesinden alır.
• İkinci çocuk annenin ilk T/2 periyodunu, geriye kalanını
babasından alır.
– Yeni yaratılan kromozomlar populasyondaki en kötü
kromozomların yerine geçer.
– Eski populasyonun α (kalma oranı) kadarı saklanır geri
kalan kısmı (1- α) yenilerle değiştirilir.
Evrimsel Algoritma
• Kapsama Matrisi Oluşturma– Kapsama Öklit Uzaklığı ile hesaplanır.
– Zaman ve enerji tasarrufu için
algoritmamız kapsama alanını
daha etkin bir şekilde hesaplar.
– Hesaplama zamanı
oranında azalır.
– Kapsama alanı genişledikçe bu
oran 1/8’e yaklaşır.
28
)2)(1(
n
nn
Evrimsel Algoritma1. Algılayıcı yeri ilklendirme
2. Popülasyon ilklendirme
3. WHILE en çok yineleme DO
3.1.Çaprazlama için kromozom seç
3.2.Çaprazla,yenileri eskilerle değiştir
3.3.Mutasyon
3.4.WHILE popülasyon sayısı DO
3.4.1.Kapsama matrisi yarat
3.4.2.Kapsanmayan noktaları hesapla
3.4.3.Aktif algılayıcı sayısı hesapla
3.4.4.Amaç değer hesapla
3.5.END WHILE
3.6.Popülasyonu sırala
4. END WHILE
Performans DeğerlendirmesiAlgoritma ve Örnek Senaryo Parametreleri
Parametre Değeri Tanımı
T 2 or 4 Periyod Sayısı
m 1 Kapsama Duyarlılığı
ME 10000 Bakım Enerjisi
NC 10000 Kapsamama Cezası
K 20%, 40% or 50% Başlangıç Popülasyonu Birörnek Dağılım Olasılığı
Π 200 Popülasyon Büyüklüğü
α 50% Kalma Oranı
μ 10% Rasgele Mutasyon Olasılığı
β 15% Aktif Algılayıcı Azaltma Mutasyonu Olasılığı
#Öteleme 150 Evrimsel Algoritmanın Tekrarlanma Sayısı
#Koşma 25Her Sınama Oyununun
Koşma Sayısı
Performans Değerlendirmesi• Değişkenler
• Algılayıcı Sayısı: 16• Algılama Menzili: 20m• Algılama Alanı: 60m x 60m• K = 20%, T = 2• SO1: AE – RM• SO2: AE – AAAM
• Sonuçlar– Kapsama
• Tam Kapsama: 91.35%• LpSolve: 91.03%• SO3: 91.32%• SO4: 70.06%
– İşleme Zamanı• LpSolve: 166.458 sn/period• SO1: 7.818 sn/period• SO2: 5.696 sn/period
Örnek 1 - Amaç Değeri x Öteleme
0
5000000
10000000
15000000
20000000
25000000
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145
Öteleme SayısıA
maç
Değ
eri
SO1 - Ortalama
SO1 - En İyi
SO2 - Ortalama
SO2 - En İyi
K.N%
KAPSAMAAKT
İŞLEMEZAMANI
AMAÇDEĞERİ
LP_S 666,96 91,03 22,4332916,2
86893600
SO1 645,8 91,32 23,32 15636,44 6691200
SO22227,7
270,06 12,48 11393,92
22402000
Performans Değerlendirmesi• Değişkenler
• Algılayıcı Sayısı: 16• Algılama Menzili: 15m• Algılama Alanı: 50m x 50m• K = 20%, T = 2• SO3: RE – RM• SO4: AE – RM
• Sonuçlar– Kapsama
• Tam Kapsama: 95.4%• LpSolve: 95.4%• SO3: 94.39%• SO4: 95.3%
– İşleme Zamanı• LpSolve: 126.28 sn/period• SO3: 5.6715 sn/period• SO4: 6.339 sn/period
Örnek 2 - Amaç Değeri x Öteleme
0
2000000
4000000
6000000
8000000
10000000
12000000
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145
Öteleme SayısıA
maç
Değ
eri
SO3 -Ortalama
SO3 - En İyi
SO4 - Ortalama
SO4 - En İyi
K.N%
KAPSAMAAKT
İŞLEMEZAMANI
AMAÇDEĞERİ
LP_S 234,48 95,4 17,6252560,3
22520800
SO3 291,72 94,39 20 11343,32 3117200
SO4 240,84 95,3 17,6 12678,24 2584400
Performans Değerlendirmesi• Değişkenler
• Algılayıcı Sayısı: 16• Algılama Menzili: 20m• Algılama Alanı: 60m x 60m• T = 2• SO5: RE – RM, K = 20%• SO6: AE – AAAM, K = 20%• SO7: RE – RM, K = 40%
• Sonuçlar– Kapsama
• Tam Kapsama: 98.17%• LpSolve: 97.70%• SO5: 97.57%• SO6: 90.14%• SO7: 98.13%
– İşleme Zamanı• LpSolve: 349.761 sn/period• SO5: 9.904 sn/period• SO6: 7.495 sn/period• SO7: 10.601 sn/period
K.N%
KAPSAMAAKT
İŞLEMEZAMANI
AMAÇDEĞERİ
LP_S 170,56 97,70 14,96699523,9
21855200
SO5 180,72 97,57 19,36 19809 2000800
SO6 733,2 90,14 11,8 14991 7450000
SO7 138,56 98,13 18,76 21203 1573200
Örnek 3 - Amaç Değeri x Öteleme
0
1000000
2000000
3000000
4000000
5000000
6000000
7000000
8000000
9000000
10000000
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145
Öteleme Sayısı
Am
aç D
eğer
i SO5 - Ortalama
SO5 - En İyi
SO6 - Ortalama
SO6 - En İyi
SO7 - Ortalama
SO7 - En İyi
Sonuç ve Gelecek Çalışmalar• KAA’lardaki devingen kapsama sorununu sunduk,
matematiksel bir model önerdik.
• Bu sorunu geliştirdiğimiz evrimsel algoritma ve bir tamsayı
programlama aracı ile çözdük ve sonuçları karşılaştırdık.
• Önerdiğimiz algoritmanın çok daha hızlı çalıştığını aynı
zamanda yeterince iyi sonuçlar ürettiğini gördük.
• İleride, yapılan çalışmanın yoğun ağlar üzerindeki etkisini
gözlemlemek istiyoruz.
• Ayrıca yapılan işi bir KAA yönetim çatısına uyarlamak da
gelecekte yapılabilecek çalışmalardan biridir.
SORULAR?
TEŞEKKÜRLER