Strefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek

Podobne dokumenty
PLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA

ALGORYTMY GENETYCZNE ćwiczenia

Algorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

Zadania laboratoryjne i projektowe - wersja β

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba

Algorytm genetyczny (genetic algorithm)-

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne

Algorytmy genetyczne

Generowanie i optymalizacja harmonogramu za pomoca

Metody Rozmyte i Algorytmy Ewolucyjne

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

ALGORYTMY GENETYCZNE (wykład + ćwiczenia)

Dobór parametrów algorytmu ewolucyjnego

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE

6. Klasyczny algorytm genetyczny. 1

Obliczenia ewolucyjne - plan wykładu

Algorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS

Techniki optymalizacji

Optymalizacja optymalizacji

Algorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

SZTUCZNA INTELIGENCJA

Algorytmy genetyczne w interpolacji wielomianowej

Automatyczny dobór parametrów algorytmu genetycznego

Strategie ewolucyjne (ang. evolu4on strategies)

Algorytmy genetyczne w optymalizacji

ALGORYTMY EWOLUCYJNE. INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 011. Napór selekcyjny (selektywny nacisk. Superosobniki: SELEKCJA

Programowanie genetyczne, gra SNAKE

Zadanie 5 - Algorytmy genetyczne (optymalizacja)

Algorytmy genetyczne służą głównie do tego, żeby rozwiązywać zadania optymalizacji

Podejście memetyczne do problemu DCVRP - wstępne wyniki. Adam Żychowski

Algorytmy ewolucyjne NAZEWNICTWO

Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne

Algorytmy genetyczne

Algorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki

Równoważność algorytmów optymalizacji

METODY HEURYSTYCZNE wykład 3

Teoria algorytmów ewolucyjnych

Algorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż.

Problem Komiwojażera - algorytmy metaheurystyczne

METODY HEURYSTYCZNE wykład 3

Projektowanie Sieci Lokalnych i Rozległych wykład 5: telefonem w satelitę!

Algorytmy metaheurystyczne Wykład 6. Piotr Syga

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny

ALHE Z11 Jarosław Arabas wykład 11

Optymalizacja. Wybrane algorytmy

Algorytmy memetyczne (hybrydowe algorytmy ewolucyjne)

Algorytmy ewolucyjne `

przetworzonego sygnału

ARCHITEKTURA GSM. Wykonali: Alan Zieliński, Maciej Żulewski, Alex Hoddle- Wojnarowski.

Algorytmy ewolucyjne (3)

Standardowy algorytm genetyczny

Algorytmy genetyczne

Rój cząsteczek. Particle Swarm Optimization. Adam Grycner. 18 maja Instytut Informatyki Uniwersytetu Wrocławskiego

Strategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek

Algorytmy genetyczne i wielomiany w zagadnieniu interpolacji

Modyfikacje i ulepszenia standardowego algorytmu genetycznego

Algorytmy ewolucyjne. wprowadzenie

Katedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa

GENETYKA POPULACJI. Ćwiczenia 1 Biologia I MGR /

Algorytmy metaheurystyczne podsumowanie

Programowanie genetyczne - gra SNAKE

Zastosowanie równoległych algorytmów genetycznych do rozwiązywania problemów przestrzennej alokacji zasobów.

Testy De Jonga. Problemy. 1 Optymalizacja dyskretna i ciągła

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2009, Oeconomica 275 (57), 53 58

OBLICZENIA RÓWNOLEGŁE W ZAGADNIENIACH POLA TEMPERATURY W NANOUKŁADACH ELEKTRONICZNYCH

Algorytmy genetyczne

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA HISTORIA NA CZYM BAZUJĄ AG

FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2017, 337(88)3, 5 12

ZARZĄDZANIE POPULACJAMI ZWIERZĄT

Czym jest EDGE? Opracowanie: Paweł Rabinek Bydgoszcz, styczeń

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach

Program "FLiNN-GA" wersja 2.10.β

OPTYMALIZACJA STRUKTUR ELEKTROENERGETYCZNYCH SIECI PROMIENIOWYCH

Metody przeszukiwania

Strategie ewolucyjne (ang. evolution strategies)

Wstęp do Sztucznej Inteligencji

METODY STATYSTYCZNE W BIOLOGII

Sieci Mobilne i Bezprzewodowe laboratorium 2 Modelowanie zdarzeń dyskretnych

PSO Rój cząsteczek - Particle Swarm Optimization. Michał Szopiak

Algorytmy genetyczne (AG)

Bezprzewodowe sieci komputerowe

Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego

Algorytmy ewolucyjne 1

OPTYMALIZACJA KSZTAŁTU WYKRESU WÖHLERA Z WYKORZYSTANIEM ALGORYTMÓW EWOLUCYJNYCH W UJĘCIU DIAGNOSTYCZNYM

SYSTEMY OPERACYJNE LABORATORIUM 2014/2015

Algorytmy ewolucyjne Część II

5. Algorytm genetyczny przykład zastosowania

KARTA MODUŁU KSZTAŁCENIA

ALHE. prof. Jarosław Arabas semestr 15Z

METODY STATYSTYCZNE W BIOLOGII

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Metody Optymalizacji: Przeszukiwanie z listą tabu

Optymalizacja. Przeszukiwanie lokalne

Gospodarcze zastosowania algorytmów genetycznych

Metoda poszukiwania elektrycznie małych anten liniowych

BIOCYBERNETYKA ALGORYTMY GENETYCZNE I METODY EWOLUCYJNE. Adrian Horzyk. Akademia Górniczo-Hutnicza

Transkrypt:

Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji

Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę częstotliwości oraz zminimalizowane zostało prawdopodobieństwo wystąpienia interferencji Mobilny charakter abonentów problem predykcji położenia abonenta w przyszłości Potencjalny brak dostępu do usług zbyt wąskie przydzielone pasmo

Strefa pokrycia radiowego wokół stacji bazowych Zasięg stacji bazowych Zazębianie się komórek

Uproszczony model sieci Problem implementacji w praktyce Komórki o tych samych numerach wykorzystują te same częstotliwości Klaster zbiór 7 komórek, centralnej i 6 sąsiednich

Rzeczywisty rozkład komórek sieci Różna liczba sąsiedztwa dla komórek

Charakterystyka problemu Kanał wspólny ta sama częstotliwość używana przez minimum 2 komórki gorąca komórka komórka, która ze względu na dużą liczbę aktywnych abonentów nie posiada wolnych częstotliwości Rozwiązanie problemu braku wolnych częstotliwości polega m.in. na pożyczaniu wolnych kanałów od innych komórek

Wypożyczenie kanału z blokowaniem Kanał jest wypożyczany od sąsiedniej komórki Blokowanie kanału uniemożliwia wykorzystanie go przez komórkę wypożyczającą Zablokowane kanały nie mogą być pożyczane przez inne komórki

Wypożyczenie kanału z blokowaniem

Wypożyczenie kanału bez blokowania Po wypożyczeniu kanał nie jest blokowany możliwość dalszego wypożyczania przez inne komórki Komórka wypożyczająca używa kanał z mniejszą mocą zapobiega występowaniu problemu interferencji

Identyfikacja komórki pożyczającej Problem inteligentnego wyboru sąsiada Dwie metody wyboru: Behawioralne: wybór sąsiada, który ma najwięcej wolnych kanałów lub takiego, który ma najmniejszą liczbę abonentów Algorytmy ewolucyjne: sąsiad zostanie wytypowany przez algorytm genetyczny

Efektywność sieci komórkowej Zapożyczanie powinno prowadzić do zwiększenia efektywności sieci komórkowej tzn. aby ilość zablokowanych abonentów była minimalna F c Q( i) i R F c liczba zablokowanych abonentów w obrębie całej sieci R liczba komórek sieci Q(i) liczba zablokowanych abonentów w komórce i

Efektywność sieci komórkowej c.d Ograniczona pojemność sieci Możliwość zwiększenia pojemności sieci: Przydział dodatkowych częstotliwości Budowa nowych, mniejszych komórek

Efektywność sieci komórkowej c.d

Efektywność sieci komórkowej c.d Zmniejszenie wielkości komórek Wady Więcej komórek droższa infrastruktura większe obciążenie w sieci Zalety Mniejsza moc nadajnika Mniejsze akumulatory Lżejsze aparaty Mniejsze prawdopodobieństwo blokad

Propozycja rozwiązania problemu Bez zapożyczania kanałów Proste zapożyczenia Algorytm genetyczny: tradycyjny (cała sieć) rozproszony (osobny AG dla każdej komórki)

Kodowanie rozwiązania Ilość genów chromosomu: L=N*D N ilość komórek, D ilość sąsiadów Dla 100 komórek L=600

Kodowanie rozwiązania (AG tradycyjny) Przykład rzeczywistego chromosomu

Kodowanie rozwiązania (AG rozproszony) Przykład rzeczywistego chromosomu dla komórki o numerze 1

Populacja startowa Dwa sposoby generowania osobników populacji: Wyzerowanie całego chromosomu (brak zapożyczeń) Losowo

Przestrzeń rozwiązań Wielkość przestrzeni rozwiązań: S = C 6N C liczba kanałów każdej komórki N liczba komórek Dla 100 komórek i 10 kanałów dla każdej z nich, S = 10 600

Funkcja dopasowania Zastosowane funkcje: U ( 0* Z( i) B( i)) i S U wartość przystosowania osobnika S liczba komórek sieci U B( i) B(i) liczba zablokowanych abonentów dla komórki i 0*Z(i) współczynnik i ilość zapożyczonych kanałów i S

Mutacja Jeśli gen jest mutowany to: Jeśli gen ma wartość max to zmniejsz ją o 1 Jeśli gen ma wartość min to zwiększ ją o 1 W pozostałych przypadkach losowo zmień wartość o 1 w dół lub w górę

Pozostałe parametry Selekcja proporcjonalna z elitą (do populacji tymczasowej przechodzi pewna liczba najlepszych osobników) Krzyżowanie jednopunktowe

Schemat działania obu algorytmówtradycyjnego i rozproszonego 1 utwórz populację osobników 2 oblicz wartość funkcji dopasowania dla każdego osobnika 3 dokonaj selekcji 4 wykonaj krzyżowanie i mutację 5 jeśli nie wykonano ustalonej liczby iteracji to powrót do 2 6 wypisz najlepszego osobnika 1 dla każdej komórki utwórz populację 2 losuj chromosom dla każdej komórki a. Oceń lokalny schemat zapożyczania 3 dopóki nie zbadano wszystkich chromosomów komórki powrót do 2 4 dla każdej komórki utwórz nową populację a. Dokonaj procesu selekcji b. Wykonaj krzyżowanie i mutację 5 na podstawie najlepszych osobników każdej populacji oblicz globalną wartość funkcji celu 6 Jeśli nie wykonano ustalonej liczby generacji to powrót do 2 7 wypisz najlepszy schemat zapożyczania dla każdej komórki

dane wejściowe Utworzone przez autorski generator Model heksagonalny sieci Parametr Rozmiar sieci Obciążenie sieci Wartość 10x10 Liczba kanałów w każdej komórce 10 Model przemieszczania się abonentów Model wybuchu 128 Liczba abonentów 256 Model autostrady 128 256

parametry symulacji Współczynnik zapożyczania kanałów 85% Czas symulacji 150 i 200 model wybuchu, 370 model autostrady Parametr Liczność populacji 50 Wartość 100 Liczba generacji 50 100 Prawdopodobieństwo krzyżowania 0,8

model wybuchu (128 abonentów)

model wybuchu (128 abonentów)

model wybuchu (128 abonentów)

model wybuchu (128 abonentów)

model wybuchu (128 abonentów)

model wybuchu (128 abonentów)

model wybuchu (256 abonentów)

model wybuchu (256 abonentów)

model wybuchu (256 abonentów)

model wybuchu (256 abonentów)

model wybuchu (256 abonentów)

model wybuchu (256 abonentów) - podsumowanie Ilość abonentów SYMULACJE a b c d e f 128 29, 87 26,6 5 27,2 2 32,3 9 33,3 2 2 256 70, 55 a model bez zapożyczeń c model z tradycyjnym AG e model z rozproszonym AG 67,2 8 83,4 6 71,6 77,7 1 b model z prostymi zapożyczeniami d model z tradycyjnym rozszerz. AG f model z rozproszonym rozszerz. AG 5 1, 6 8

model autostrady (128 abonentów)

model autostrady (128 abonentów)

model autostrady (128 abonentów)

model autostrady (128 abonentów)

model autostrady (128 abonentów)

model autostrady (128 abonentów)

model autostrady (256 abonentów)

model autostrady (256 abonentów)

model autostrady (256 abonentów)

model autostrady (256 abonentów)

model autostrady (256 abonentów)

model autostrady (256 abonentów)

model autostrady (256 abonentów) - podsumowanie Ilość abonentów SYMULACJE a b c d e f 128 43,8 37,3 6 44, 19 38,6 9 44, 71 33, 51 256 142, 26 130, 42 140,25 144, 92 143,14 127,74 a model bez zapożyczeń c model z tradycyjnym AG e model z rozproszonym AG b model z prostymi zapożyczeniami d model z tradycyjnym rozszerz. AG f model z rozproszonym rozszerz. AG