M. Aykut Yiğitel, Tolga Tolgay ve Cem Ersoy

... konulu sunumlar: "M. Aykut Yiğitel, Tolga Tolgay ve Cem Ersoy"— Sunum transkripti:

1 Kablosuz Algılayıcı Ağlarda Devingen Kapsama Sorunu için Evrimsel Algoritma
M. Aykut Yiğitel, Tolga Tolgay ve Cem Ersoy Boğaziçi Üniversitesi - İstanbul

2 İçerik Giriş KAA’larda Kapsama Matematiksel Model Evrimsel Algoritma
Performans Değerlendirmesi Sonuç ve Gelecek Çalışmalar

3 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. Bu farklılıklardan en önemlileri KAA’ların Uygulamaya bagımlı olması Enerji kısıtı Yüksek algılayıcı yogunlugu Kısıtlı bant genisligi Devingen topoloji

4 Amaç Ağın enerji tüketimini en aza indirerek mümkün olan en fazla alanı kapsamaktır. Düşük enerji tüketimi & yüksek kapsama ters orantılıdır. * Düşük enerji tüketimi & yüksek kapsama ters orantılıdır. Bu ikisi birbiri ile tezat ölçütlerdir. Çünkü daha çok alanı kapsamak için daha fazla algılayıcıyı aktif hale getirmek gerekir Bu da daha çok enerji tüketimine sebep olur.

5 KAA’larda Kapsama

6 Matematiksel Model Amaç Fonksiyon Kısıtlar

7 Evrimsel Algoritma Genetik Arama Kromozom Kapsama Matrisi
30 x 30 m gozlem alanı 5 aktif algılayıcı 10 m algılama menzili 1

8 Evrimsel Algoritma Başlangıç Popülasyonu
Herbir gen K olasılıkla birörnek dağılım ile yaratılır. Bu yaklaşım ile evrimsel algoritmaya daha enerji etkin kromozomlarla başlanır. Kromozomun bir geni yaratılacagı zaman, o algılayıcıyı temsil eden gen K olasılık ile 1 (aktif) olabilir.

9 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.

10 Evrimsel Algoritma Rasgele Eşleme (RE) Ağırlıklı Eşleme (AE)
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.

11 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.

12 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. 3/4 den 1/8 e kadar değişir.

13 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

14 Performans Değerlendirmesi
Algoritma ve Örnek Senaryo Parametreleri Parametre Değeri Tanımı T 2 or 4 Periyod Sayısı m 1 Kapsama Duyarlılığı ME 10000 Bakım Enerjisi NC 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 25 Her Sınama Oyununun Koşma Sayısı

15 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: sn/period SO1: sn/period SO2: sn/period K.N % KAPSAMA AKT İŞLEME ZAMANI AMAÇ DEĞERİ LP_S 666,96 91,03 22,4 332916,28 SO1 645,8 91,32 23,32 15636,44 SO2 2227,72 70,06 12,48 11393,92

16 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: sn/period SO3: sn/period SO4: sn/period K.N % KAPSAMA AKT İŞLEME ZAMANI AMAÇ DEĞERİ LP_S 234,48 95,4 17,6 252560,32 SO3 291,72 94,39 20 11343,32 SO4 240,84 95,3 12678,24

17 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: sn/period SO5: sn/period SO6: sn/period SO7: sn/period K.N % KAPSAMA AKT İŞLEME ZAMANI AMAÇ DEĞERİ LP_S 170,56 97,70 14,96 699523,92 SO5 180,72 97,57 19,36 19809 SO6 733,2 90,14 11,8 14991 SO7 138,56 98,13 18,76 21203

18 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.

19 TEŞEKKÜRLER SORULAR?