Βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης
| Κύριοι συγγραφείς: | , |
|---|---|
| Μορφή: | Πτυχιακή εργασία |
| Γλώσσα: | Greek |
| Έκδοση: |
Α.Ε.Ι. Πειραιά Τ.Τ.
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4936 |
| _version_ | 1780524268300271616 |
|---|---|
| abstract | Στόχος της πτυχιακής εργασίας είναι η βελτιστοποίηση της απόδοσης ενός ασύρματου δικτύου αισθητήρων εστιάζοντας σε ένα από τα βασικότερα χαρακτηριστικά που επηρεάζουν τη λειτουργία του, δηλαδή τη δυνατότητα κάλυψης του χώρου. Οι τελικές θέσεις των αισθητήρων που απαρτίζουν ένα δίκτυο, πρέπει να έχουν υπολογιστεί με μεγάλη προσοχή έτσι ώστε να επιτυγχάνεται ελαχιστοποίηση των κενών κάλυψης, ενώ ταυτόχρονα να διατηρείται η συνδεσιμότητα μεταξύ τους για να μπορούν να μεταβιβάζουν τις πληροφορίες για το χώρο που παρακολουθούν. Η εύρεση βέλτιστης λύσης στο πρόβλημα της κάλυψης προσεγγίστηκε με χρήση γενετικών αλγορίθμων (genetic algorithms, GA), η ανάπτυξη των οποίων είναι επηρεασμένη από τη θεωρία της εξέλιξης των ειδών που διατυπώθηκε από τον Κάρολο Δαρβίνο, και του αλγόριθμου βελτιστοποίησης σμήνους σωματιδίων (particle swarm optimization, PSO) που αποτελεί κατηγορία των αλγορίθμων που βασίζονται στην ευφυΐα σμήνους και μιμείται τον τρόπο με τον οποίο αλληλεπιδρούν σμήνη πτηνών ως προς την εύρεση της βέλτιστης διαδρομής που θα ακολουθήσουν. Μέσω μίας σειράς πειραμάτων κλιμακούμενης δυσκολίας, αξιολογήθηκε η δυνατότητα του αλγορίθμου καθώς και η ικανότητα των μεθόδων να ανταπεξέλθουν στις απαιτήσεις του προβλήματος. Σε όλα τα προβλήματα, ζητούμενο είναι η μεγιστοποίηση της κάλυψης του χώρου και στα δυσκολότερα από αυτά, προστίθεται η απαίτηση για κ- κάλυψη προκαθορισμένων σημείων του χώρου. |
| abstracttranslated | The aim of this Thesis is to optimize the performance of a wireless sensor network by focusing on one of the key features which affect its operation, i.e. area coverage. The final positions of the sensors which make up a network should be carefully calculated so as to minimize the void coverage while, simultaneously, maintaining connectivity to one another in order to transfer information about the area they are watching. Finding an optimal solution to the problem of area coverage was approached using genetic algorithms (GA), a group of methods which were influenced by Charles Darwin’s Theory of Evolution, as well as the particle swarm optimization algorithm (PSO); the latter is a member of a category of algorithms which are based on swarm intelligence and try to mimic the way the bird swarms interact in order to find the optimal path to follow. Through a series of scalable experiments, the algorithm’s capability as well as the ability of the methods to cope with the requirements of the problem was evaluated. In all the problems, the goal is to maximize the area coverage and in the most difficult amongst them, the requirement for k-coverage of predefined points of space is added. |
| advisor | |
| author | Ταρνάρης, Κωνσταντίνος Πρέκα, Ιωάννα |
| author_facet | Ταρνάρης, Κωνσταντίνος Πρέκα, Ιωάννα |
| author_sort | Ταρνάρης, Κωνσταντίνος |
| collection | Okeanis Institutional Repository |
| facultydepartment | Τμήμα Ηλεκτρονικών Μηχανικών Τ.Ε. |
| format | Πτυχιακή εργασία |
| id | okeanis-123456789-4936 |
| institution | University of West Attica Campus II |
| keyword | Ασύρματα δίκτυα Τεχνητή νοημοσύνη Αλγόριθμοι βελτιστοποίησης Βελτιστοποίηση |
| language | Greek |
| physical | 90 |
| publishDate | 2019 |
| publisher | Α.Ε.Ι. Πειραιά Τ.Τ. |
| record_format | dspace |
| spelling | okeanis-123456789-49362019-06-21T10:14:49Z Βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης Wireless sensor network optimization, using computational intelligence methods Ταρνάρης, Κωνσταντίνος Πρέκα, Ιωάννα Κανδρής, Διονύσιος Αλεξανδρίδης, Αλέξανδρος Τμήμα Ηλεκτρονικών Μηχανικών Τ.Ε. TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη TPSH::Τεχνολογία::Τηλεπικοινωνία::Ασύρματα Επικοινωνιακά Συστήματα Ασύρματα δίκτυα Τεχνητή νοημοσύνη Αλγόριθμοι βελτιστοποίησης Βελτιστοποίηση Στόχος της πτυχιακής εργασίας είναι η βελτιστοποίηση της απόδοσης ενός ασύρματου δικτύου αισθητήρων εστιάζοντας σε ένα από τα βασικότερα χαρακτηριστικά που επηρεάζουν τη λειτουργία του, δηλαδή τη δυνατότητα κάλυψης του χώρου. Οι τελικές θέσεις των αισθητήρων που απαρτίζουν ένα δίκτυο, πρέπει να έχουν υπολογιστεί με μεγάλη προσοχή έτσι ώστε να επιτυγχάνεται ελαχιστοποίηση των κενών κάλυψης, ενώ ταυτόχρονα να διατηρείται η συνδεσιμότητα μεταξύ τους για να μπορούν να μεταβιβάζουν τις πληροφορίες για το χώρο που παρακολουθούν. Η εύρεση βέλτιστης λύσης στο πρόβλημα της κάλυψης προσεγγίστηκε με χρήση γενετικών αλγορίθμων (genetic algorithms, GA), η ανάπτυξη των οποίων είναι επηρεασμένη από τη θεωρία της εξέλιξης των ειδών που διατυπώθηκε από τον Κάρολο Δαρβίνο, και του αλγόριθμου βελτιστοποίησης σμήνους σωματιδίων (particle swarm optimization, PSO) που αποτελεί κατηγορία των αλγορίθμων που βασίζονται στην ευφυΐα σμήνους και μιμείται τον τρόπο με τον οποίο αλληλεπιδρούν σμήνη πτηνών ως προς την εύρεση της βέλτιστης διαδρομής που θα ακολουθήσουν. Μέσω μίας σειράς πειραμάτων κλιμακούμενης δυσκολίας, αξιολογήθηκε η δυνατότητα του αλγορίθμου καθώς και η ικανότητα των μεθόδων να ανταπεξέλθουν στις απαιτήσεις του προβλήματος. Σε όλα τα προβλήματα, ζητούμενο είναι η μεγιστοποίηση της κάλυψης του χώρου και στα δυσκολότερα από αυτά, προστίθεται η απαίτηση για κ- κάλυψη προκαθορισμένων σημείων του χώρου. The aim of this Thesis is to optimize the performance of a wireless sensor network by focusing on one of the key features which affect its operation, i.e. area coverage. The final positions of the sensors which make up a network should be carefully calculated so as to minimize the void coverage while, simultaneously, maintaining connectivity to one another in order to transfer information about the area they are watching. Finding an optimal solution to the problem of area coverage was approached using genetic algorithms (GA), a group of methods which were influenced by Charles Darwin’s Theory of Evolution, as well as the particle swarm optimization algorithm (PSO); the latter is a member of a category of algorithms which are based on swarm intelligence and try to mimic the way the bird swarms interact in order to find the optimal path to follow. Through a series of scalable experiments, the algorithm’s capability as well as the ability of the methods to cope with the requirements of the problem was evaluated. In all the problems, the goal is to maximize the area coverage and in the most difficult amongst them, the requirement for k-coverage of predefined points of space is added. 2019-05-21 Πτυχιακή εργασία http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4936 el Α.Ε.Ι. Πειραιά Τ.Τ. 90 http://okeanis.lib2.uniwa.gr/xmlui/bitstream/123456789/4936/6/ptx_apoth.pdf.jpg |
| spellingShingle | TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη TPSH::Τεχνολογία::Τηλεπικοινωνία::Ασύρματα Επικοινωνιακά Συστήματα Ταρνάρης, Κωνσταντίνος Πρέκα, Ιωάννα Βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης |
| title | Βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης |
| title_full | Βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης |
| title_fullStr | Βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης |
| title_full_unstemmed | Βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης |
| title_short | Βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης |
| title_sort | βελτιστοποίηση απόδοσης ασυρμάτων δικτύων αισθητήρων με μεθόδους υπολογιστικής νοημοσύνης |
| title_translated | Wireless sensor network optimization, using computational intelligence methods |
| topic | TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη TPSH::Τεχνολογία::Τηλεπικοινωνία::Ασύρματα Επικοινωνιακά Συστήματα |
| url | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4936 |