4.2 Incorporation d’éléments localisés dans la modélisation EM
4.2.4 Les limites de l’incorporation d’éléments localisés dans la modélisation EM
A vers˜ao MOWSNdsGA tem a mesma estrutura do algoritmo NSGA-II original proposto por Deb et al. (2002). As opera¸c˜oes de sele¸c˜ao s˜ao realizadas pelos procedimentos fast non-dominated sorting (“r´apida classifica¸c˜ao de n˜ao dominˆancia”) e crowding distance (“distˆancia de aglomera¸c˜ao”), mostrados respectivamente nos Algoritmos 1 e 2. J´a as opera¸c˜oes de muta¸c˜ao, cruzamento e avalia¸c˜ao de fun¸c˜ao, s˜ao realizadas exatamente como
descritas na Se¸c˜ao 4.4. A popula¸c˜ao inicial ´e tamb´em escolhida por um procedimento que gera permuta¸c˜oes de forma aleat´oria com probabilidade uniforme, lembrando que na vers˜ao multiobjetivo a codifica¸c˜ao de cada indiv´ıduo possui um gene a mais representando a vari´avel C. Ao gerar a popula¸c˜ao inicial, um valor aleat´orio entre Cmin ≤ Ci ≤ 1.00 deve tamb´em ser escolhido para cada indiv´ıduo i.
CAP´ITULO 5
DIFERENTES ABORDAGENS ONLINE PARA RSSF
Uma das caracter´ısticas desej´aveis de uma Rede de Sensores sem Fio (RSSF) ´e a tolerˆancia a falhas. Tolerˆancia a falhas ´e um dos componentes que constituem um sistema confi´avel (Lussier et al., 2005). Nas RSSF a ocorrˆencia de falhas ´e frequente, e estas podem ser causadas por diversos fatores: fenˆomenos atmosf´ericos, interferˆencia, desastres naturais, quebra acidental, esgotamento da bateria, etc. Normalmente uma RSSF ´e projetada para monitorar ambientes hostis e de dif´ıcil acesso, como florestas e ´areas de risco. Como consequˆencia, os n´os sensores presentes na rede podem ser facilmente danificados ou mesmo terem seus recursos energ´eticos esgotados, alterando assim a topologia da rede. Devido `as caracter´ısticas das ´areas monitoradas, a substitui¸c˜ao destes sensores ou de suas baterias torna-se invi´avel. Sendo assim, este tipo de rede deve apresentar mecanismos para se auto-organizarem durante seu tempo de vida.Uma das falhas recorrentes em RSSF ´e a falta de energia nos sensores. Tanto a carga das baterias como o consumo real dos sensores nem sempre podem ser fielmente preditos, sendo dif´ıcil sua modelagem exata. Neste cap´ıtulo ser´a apresentada uma breve descri¸c˜ao do comportamento do consumo de baterias, e como este comportamento foi modelado a fim de realizar testes em uma RSSF. Al´em disto, ser´a apresentado um esbo¸co de um protocolo de tolerˆancia a falhas, para ser poss´ıvel uma auto-organiza¸c˜ao da rede na presen¸ca de falhas inesperadas.
5.1 COMPORTAMENTO DA BATERIA
Os autores de (da Silva et al., 2010) apresentam uma avalia¸c˜ao atrav´es de curvas temporais de consumo de energia e de capacidade remanescente de baterias alcalinas, utilizando os modelos de estima¸c˜ao baseados na corrente e na tens˜ao. Para simular os experimentos os autores utilizam o n´o sensor MICAz (XBOW, 2006b) e baterias alcalinas Rayovac e Duracell. Diferentemente do manual do fabricante, ´e observado que o consumo de energia do MICAz n˜ao ´e constante. Al´em disso, ´e mostrado que as baterias utilizadas apresentam varia¸c˜oes significativas na sua capacidade efetiva de carga. Isto ocorre tanto em rela¸c˜ao aos valores informados pelos respectivos datasheets, como entre baterias do mesmo fabricante. Nos testes realizados, os valores foram monitorados ao longo do tempo at´e que o n´o sensor parasse de transmitir, ou quando verificados erros grosseiros nos valores medidos (fator que pode ocorrer quando a tens˜ao diminui). Os autores utilizam dois modelos de estima¸c˜ao da capacidade remanescente de baterias, s˜ao eles:
Modelo de Estima¸c˜ao Baseado na Tens˜ao: utiliza os dados de tens˜ao coletados ao longo tempo de vida do n´o sensor. A estimativa da capacidade remanescente da bateria ´e dada pela Equa¸c˜ao 5.1:
Cres(t) = a · V (t) − b (5.1)
em que:
Cres(t) ´e a capacidade em “mAh” remanescente no instante t; V (t) ´e a tens˜ao em “volts” da bateria no instante t;
a e b s˜ao constantes adimensionais, valores caracter´ısticos de cada bateria; t ´e o tempo medido em segundos.
Apesar de ser um modelo linear, este considera efeitos eletroqu´ımicos n˜ao lineares, como o efeito de relaxamento1.
Modelo de Estima¸c˜ao Baseado na Corrente: este modelo utiliza os dados de cor- rente coletados ao longo do tempo de vida do n´o sensor. A estimativa da capacidade remanescente da bateria por este modelo ´e dada pelas Equa¸c˜oes 5.2 e 5.3:
Cres(t) = Cef − Rt
o I(t)dt (5.2)
Cef = k · CM AX (5.3)
em que:
Cres(t) ´e a capacidade em “mAh” remanescente no instante t; CM AX ´e a capacidade m´axima nominal em “mAh” da bateria;
Cef ´e capacidade efetiva em “mAh” da bateria, fun¸c˜ao da corrente nominal de descarga;
k ´e um fator adimensional que considera a corrente de descarga da bateria; I ´e a corrente nominal de descarga em “mA”;
t ´e o tempo medido em segundos.
Ao contr´ario do modelo anterior, este n˜ao considera o efeito de relaxamento. Jongerden & Haverkort (2008) mostram outro efeito interessante do comportamento de uma bateria: a taxa de capacidade. Este efeito mostra que as taxas de descargas dependem da capacidade residual da bateria e da intensidade da corrente de descarga. Al´em disto ´e mostrado tamb´em que as taxas de descargas n˜ao s˜ao lineares.
Os autores de (Schneider et al., 2011) apresentam uma an´alise comparativa entre dois modelos anal´ıticos de descarga de baterias em um n´o sensor da fam´ılia Mica Motes: o modelo Linear e o modelo de Rakhmatov-Vrudhula (Jongerden & Haverkort, 2008; Rakhmatov & Vrudhula, 2003). O modelo de Rakhmatov-Vrudhula foi escolhido devido ao mesmo conseguir capturar o efeito de taxa de capacidade, o efeito de relaxamento e ser de f´acil implementa¸c˜ao. Os autores tamb´em concluem que o modelo linear n˜ao ´e o mais apropriado para modelar o consumo de uma bateria.
1
Uma recupera¸c˜ao de carga que surge quando a bateria est´a com uma corrente de descarga alta e ocorre um corte ou redu¸c˜ao desta corrente.