Otimizaç˜ao de Redes de Sensores Visuais sem Fio ... - UEFS

O problema da cobertura redundante pode ser resolvido com base em dois objetivos diferentes: cobertura e redundância. O problema de maximização da cobertura redundante pode ser visto como um problema de otimização multiobjetivo, com objetivos bem definidos como cobertura e redundância.

Objetivos

Objetivos Espec´ıficos

AE opera sobre uma população de soluções candidatas através de dois princípios básicos: seleção e variação. AE pode ser utilizada para tratar problemas multiobjetivo para diferentes aplicações, e o desenvolvimento desta heurística torna-se uma excelente opção para abordar possíveis soluções de forma global, proporcionando melhoria na qualidade das aplicações, principalmente na otimização da maximização do excesso de cobertura do RSVSF.

Organiza¸c˜ ao do Trabalho

Uma rede de sensores sem fio geralmente consiste em nós de sensores (também conhecidos como sensores genéricos), nós de gateway (ou coletores) e servidores de aplicativos. Diversas tarefas devem ser realizadas para o correto funcionamento das aplicações de redes de sensores sem fio.

Redes de Sensores Visuais sem Fio

Sensores Visuais

Os sensores pan-tilt-zoom (PTZ) podem girar tanto horizontalmente (pan) quanto verticalmente (tilt), além de alterar a profundidade do zoom (MUNISHWAR; ABUGHAZALEH, 2013; AKYILDIZ; MELODIA; CHOWDHURY, 2007). Desta forma, r representa o alcance do sensor visual (DoF), que também pode variar entre os modelos disponíveis no mercado.

Visualiza¸c˜ ao de Alvos

Depois disso, um alvo só é visto por um sensor se e somente se o ponto (Axa, Aya) estiver completamente dentro do FoV do sensor. Depois disso, a função 2.4 retorna um valor booleano quer o alvo esteja dentro (verdadeiro) ou não (falso) do FoV do sensor relevante.

Cobertura e redundˆ ancia nas redes de sensores visuais sem fio

A cobertura da área significa que cada alvo na área de interesse está dentro do campo de visão de pelo menos um nó sensor visual. A cobertura do alvo ocorre quando o alvo está dentro do campo de visão do sensor visual.

Trabalhos Relacionados

Algoritmos Gulosos para Otimiza¸c˜ ao da Cobertura Redun-

2014b) e visa aumentar a cobertura de redundância do RSVSF, tornando-o um trabalho pioneiro para resolver o problema de otimização abordado nesta dissertação. 2014b) considera que todos os alvos e sensores colocados na rede são fixos e só podem alterar a orientação do sensor visual no processo de otimização. Neste caso, o CPGA, como o nome sugere, realiza um processo de otimização levando em consideração a importância de cada objetivo.

Tanto o CPGA quanto o ECPGA realizam a otimização, observando cada sensor individualmente, analisando as capacidades de orientação que cada algoritmo possui e qual orientação inclui o maior número possível de alvos. Alternativamente, algoritmos evolutivos podem alcançar melhores resultados, especialmente quando existem múltiplos objetivos de otimização.

Otimiza¸c˜ ao Multiobjetivo

Abordagem a priori
Abordagem a posteriori
Popula¸c˜ ao
Fun¸c˜ ao de Avalia¸c˜ ao (Fun¸c˜ ao Fitness)
Operadores de Sele¸c˜ ao
Operadores de Recombina¸c˜ ao (Crossover )
Operadores de Muta¸c˜ ao

Como os algoritmos evolutivos funcionam em uma população de soluções, múltiplas soluções candidatas podem ser obtidas em uma única execução (DEB, 1999). Então, por meio de uma função de distribuição de probabilidade especificada, o valor de βqi. A distribuição de probabilidade utilizada para criar uma solução subjacente é derivada para ter um poder de busca semelhante ao cruzamento de ponto único, no qual é calculada de acordo com a equação 2.11 (DEB; BEYER, 2001).

A Equação 2.12 é usada para calcular βqi, sendo a área sob a curva de probabilidade igual ao número aleatório ui. Esta mutação seleciona aleatoriamente P% das posições no vetor e adiciona um pequeno valor aleatório ao valor atual de cada posição (2.14).

Parˆ ametros do Algoritmo Evolutivo

Taxa de mutação: valor que determina a probabilidade de um determinado indivíduo sofrer mutação em seus valores; A qualidade de otimização da aplicação está diretamente ligada aos parâmetros escolhidos para a execução do algoritmo evolutivo, e a configuração dos valores desses parâmetros é crucial para um bom desempenho do AE (EIBEN; SMITH, 2015). Para isso, testes variando esses parâmetros devem ser realizados observando o comportamento do algoritmo evolutivo através das execuções (B ¨ACK; FOGEL; MICHALEWICZ, 2000).

Para isso, é recomendado realizar uma série de testes com os mesmos parâmetros e observar se os “bons” resultados persistem nesse processo. Além disso, técnicas de otimização de parâmetros também podem ser utilizadas (EIBEN; SMIT, 2011).

Algoritmos Evolutivos para Otimiza¸c˜ ao Multiobjetivo

O Algoritmo SPEA2

Dentro de um processo de replicação, todos os membros não dominados da população P são copiados para a população externa, completando a população P¯. Quaisquer indivíduos dominados ou duplicados são removidos da população ¯P durante a operação de atualização. Imediatamente a seguir, os membros da população presentes na população externa recebem a atribuição do valor de aptidão.

Segundo Zitzler, Laumanns e Thiele (2001), os indivíduos são selecionados da população externa após o processo de avaliação através de um torneio binário para os processos de reprodução. Após o processo de recombinação e mutação, os membros da antiga população regular são substituídos pelos novos indivíduos gerados no processo.

O Algoritmo NSGA-II

Um novo arquivo de truncamento de método que garante a preservação dos limites da solução. Assim, o conjunto de soluções candidatas é denotado S0=P0+Q0ouSi =Pi+Qi, onde i denota a iteração atual. A seguir, é calculada a classificação das soluções não dominadas de todas as soluções S0.

As melhores soluções K são selecionadas com base na classificação de dominância e distância de aglomeração. Este processo é repetido com base na classificação das soluções não dominadas, até o número máximo de gerações especificado no parâmetro, e ao final delas é retornado um conjunto de soluções Pareto-ótimas.

Algoritmo Evolutivo para Abordagem Lexicogr´ afica

Método de seleção baseado em elitismo e torneio: Após avaliação dos indivíduos pela função fitness, o processo de seleção é realizado em duas etapas. Inicialmente, os 2 (ou 3 no caso de tamanho populacional ímpar) melhores indivíduos da população atual são selecionados para colocá-los diretamente na nova população, que passará pelos operadores de recombinação e mutação. O objetivo desta etapa é repetir este processo de torneio até que esta subpopulação complete o tamanho da população, menos o número de indivíduos inicialmente selecionados na seleção baseada no elitismo.

Este operador recebe a subpopulação gerada após o processo de seleção para realizar o cruzamento entre 2 indivíduos. Após realizada a mutação, a subpopulação é incorporada à nova população, unindo-se aos indivíduos selecionados para o elitismo.

Algoritmo Evolutivo multiobjetivo NSGA-II

Esta mutação seleciona aleatoriamente M% posições do vetor e adiciona um pequeno valor aleatório x◦ ao valor atual de cada posição. Taxa de posição para mutação: A porcentagem de posições no vetor que serão alteradas devido à adição de um pequeno valor. Desvio padrão: aplicado ao operador de mutação, este parâmetro é utilizado para calibrar a dispersão de uma distribuição normal com média zero.

A maioria destes parâmetros será otimizada para determinar a configuração mais adequada para resolver o problema de maximização da cobertura de redundância. Assim como no AE Lexicográfico, a maioria desses parâmetros será otimizada.

Otimiza¸c˜ ao de parˆ ametros (Parameter Tunning )

NSGA-II, sendo uma abordagem a posteriori, fornece consequentemente um conjunto de soluções Pareto-ótimas. Para determinar a configuração que será utilizada pelo algoritmo lexicográfico, os parâmetros são ordenados de acordo com os melhores resultados de C, ReRM, além de ordenar os parâmetros em ordem decrescente, levando em consideração seus menores valores e visando minimizar o custo computacional do algoritmo. Para determinar a configuração dos parâmetros utilizados pelo NSGA-II, foi utilizada uma abordagem semelhante.

Desta forma, foi realizado um ranking dos resultados, considerando primeiramente os valores de C para a solução de cobertura máxima, R para a solução de redundância máxima mínima e RM para a solução de redundância média máxima. Em seguida, os parâmetros utilizados foram ordenados em ordem decrescente, levando-se em consideração os menores valores, na tentativa de reduzir seu custo computacional.

M´ etodo de Avalia¸c˜ ao dos Resultados

Os parâmetros foram definidos pela otimização de parâmetros apresentada na seção 3.4. Após definir quais valores de parâmetros serão utilizados pelo NSGA-II, foi realizada uma busca em grid para definir o número de gerações. Na tabela 4.5 observa-se que a variação nos parâmetros apresentados não resulta em perdas nos resultados.

Assim, a Tabela 4.10 mostra os parâmetros utilizados pelo NSGA-II na otimização do problema proposto. Após definir quais parâmetros seriam utilizados pelo NSGA-II (Tabela 4.10), foi realizada uma busca em grade para definir o número de gerações que seriam utilizadas no processo de otimização do problema proposto.

Algoritmo Evolutivo Lexicogr´ afico X CPGA, ECPGA e RCMA

O algoritmo evolutivo lexicográfico obteve resultados inferiores, especialmente nos cenários de 40 sensores, considerando o objetivo C. Novamente, o AE lexicográfico apresentou os maiores resultados considerando os valores médios, como pode ser visto na Figura 4.5. O aumento das metas na rede preservou o desempenho do EA lexicográfico nas metas de redundância mínima e média, como pode ser visto nas Figuras 4.6 e 4.7, respectivamente.

A Tabela 4.12 mostra a análise detalhada comparando EA lexicográfica com abordagens gananciosas para cenários de 100 alvos. Para analisar detalhadamente o comportamento do EA lexicográfico nos cenários onde houve perdas, a Figura 4.8 mostra a evolução da população no cenário.

Compara¸c˜ ao entre o NSGA-II x AE Lexicogr´ afico, CPGA, ECPGA e

Para este objetivo, como esperado, o superávit mínimo para o ReRM máximo apresenta resultados muito próximos. A redundância mínima a máxima C alcança resultados superiores em relação ao AE evolutivo e às abordagens esparsas, com valores médios iguais apenas nos cenários de 10 e 20 sensores. Os dois algoritmos evolutivos propostos obtiveram maiores resultados de cobertura quando comparados aos algoritmos gulosos, como pode ser visto na Figura 4.12.

Quando as metas são redundâncias mínimas (Figura 4.13) e médias (Figura 4.14), bem como em cenários com 50 metas, há uma distância dos resultados do lado do NSGA-II, ao olharmos para a média, atingimos todas as metas. Considerando o mesmo cenário apresentado para analisar a evolução do EA lexicográfico (Figura 4.8), que possui 60 sensores e 100 alvos, as Figuras 4.15 e 4.16 mostram a frente de solução, soluções não dominadas do NSGA-II (aproximação de Pareto- o limite ) ) com o conjunto de soluções ótimas encontradas pelo NSGA-II, juntamente com os resultados dos demais algoritmos.

Custo Computacional

Node clustering based on FoV overlap for wireless multimedia sensor networks.IEEE Wireless Communications and Networking Conference, WCNC, 2010. Increasing the availability of wireless visual sensor networks: Redundant node selection in occlusion networks. Wireless visual sensor networks for smart city applications: An importance-based approach to multi-sink mobility.

Centralized algorithms for maximizing redundant coverage in wireless visual sensor networks.IEEE Latin America Transactions, IEEE, v. A survey of sensor coverage and visual data capture/processing/transmission in wireless visual sensor networks.