190 likes | 537 Views
Kablosuz Algılayıcı Ağlarda Devingen Kapsama Sorunu için Evrimsel Algoritma. M. Aykut Yiğitel, Tolga Tolgay ve Cem Ersoy Boğaziçi Üniversitesi - İstanbul. İçerik. Giriş KAA’larda Kapsama Matematiksel Model Evrimsel Algoritma Performans Değerlendirmesi Sonuç ve Gelecek Çalışmalar. Giriş.
E N D
Kablosuz Algılayıcı Ağlarda Devingen Kapsama Sorunu için Evrimsel Algoritma M. Aykut Yiğitel, Tolga Tolgay ve Cem Ersoy Boğaziçi 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.
Matematiksel Model • Amaç Fonksiyon • Kısıtlar
Evrimsel Algoritma • Genetik Arama • Kromozom • Kapsama Matrisi • 30 x 30 m gozlem alanı • 5 aktif algılayıcı • 10 m algılama menzili
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.
Evrimsel Algoritma 1. 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 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
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
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
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.
TEŞEKKÜRLER SORULAR?