Préparation de terrain

Na configuração para os nodos com menor conexão, os nodos apresentam menos conectividade com os nodos vizinhos para um ambiente não controlado. Assim, a cobertura da área de interesse diminuiu em relação a qualquer outra configuração realizada e uma pequena parte da área permaneceu coberta pelos nodos. Por outro lado, ainda houve uma redundância na cobertura do ambiente em que alguns nodos ficaram sobrepostos. A figura 17 apresenta a configuração utilizada.

Figura 17: Simulação em uma configuração com nodos sensores pouco conectados. Após a execução do AG nesta configuração foi encontrado um novo conjunto de parâmetros, os quais estão listados na tabela 7.

Tabela 7: Valores dos Parâmetros encontrados pelo Algoritmo Genético para uma rede aleatória com menor conectividade entre os nodos.

Parâmetro Valor θ 2 α 15 s0 11 δ 6 ξ 0.00027 ρ 0.0002

Assim, para testar a efetividade destes parâmetros neste ambiente não controlado, este resultado foi comparado aos parâmetros definidos empiricamente, além de ser testado com diferentes tipos de nodos, para comparar a eficiência em relação aos outros. O comparativo analisado pode ser observado na figura 18.

Figura 18: Comparativo de eventos sensoriados entre os diferentes nodos, em uma rede aleatória com nodos menos conectados.

De acordo com o gráfico acima, pode-se perceber que o conjunto de parâmetros resultante da execução do AG, também apresentou um rendimento melhor comparado aos parâmetros originais do Ant-based. O número total de eventos sensoriados, ao longo dos testes de execução, resulta em um desvio padrão de aproximadamente 97 eventos. Este aumento indicado graficamente representa 4,7% de eventos sensori- ados. Além disso, essa nova configuração se comportou melhor que uma rede sem qualquer técnica de balanceamento (Simple Node).

Neste trabalho foi implementado um Algoritmo Genético para avaliar uma técnica de balanceamento de carga empregada em Redes de Sensores Sem Fio orientadas a eventos. Além do AG desenvolvido foi implementada ainda, uma técnica de aceleração ao AG a fim de facilitar a execução no espaço de busca. A estratégia foi implantada no Eboracum, que é um framework para modelagem e simulação de RSSFs.

O desenvolvimento do AG foi realizado na linguagem de programação Java, atra- vés de três classes para manipulação do algoritmo. Ainda, foi analisado e implantado o algoritmo de aceleração proposto por SALAMI; HENDTLASS (2003), resultando em uma diminuição no tempo de execução do AG.

Ao executar o algoritmo Ant-based com os parâmetros que foram adaptados empi- ricamente em um ambiente controlado (grid ) e comparado com os parâmetros deter- minados pelo AG, não houve uma diferença significativa nos resultados. No entanto, analisando em um ambiente não controlado (nodos são definidos aleatoriamente no espaço), os parâmetros originais não apresentam os mesmos resultados.

Para a realização dos experimentos foram atribuídas diferentes densidades e es- colhidas duas configurações de rede distintas, com mais e menos nodos conectados na área de interesse. Sendo assim, o uso do AG permitiu encontrar um novo conjunto de parâmetros que aumentam significativamente o desempenho do algoritmo.

Dessa forma, pode-se observar que o algoritmo Ant-based descrito neste trabalho é fortemente dependente dos parâmetros e que diferentes topologias de rede deman- dam diferentes parâmetros de configuração, para que se atinja os melhores resultados possíveis.

Com base no trabalho desenvolvido, uma frente para trabalhos futuros pode ser identificada. Sendo que pode-se utilizar o AG proposto, em conjunto com o algoritmo PS descrito no trabalho, com o objetivo de verificar os parâmetros originais utilizados, na busca de um novo conjunto de parâmetros para diferentes configurações e densi- dades de rede. Sugere-se ainda, a possibilidade de realizar mais experimentos em outras configurações utilizando o algoritmo Ant-based. Além de realizar experimentos com outras densidades aleatórias e diferentes distribuições aleatórias espaciais.

REFERÊNCIAS

AKYILDIZ, I. F.; SU, W.; SANKARASUBRAMANIAM, Y.; CAYIRCI, E. A survey on sensor networks.IEEE Communications Magazine, [S.l.], v.40, n.8, p.102–114, 2002. AKYILDIZ, I.; VURAN, M. C. Wireless Sensor Networks. New York, NY, USA: John Wiley & Sons, Inc., 2010.

ALVARES, L. O.; SICHMAN, J. S.Introdução aos Sistemas Multiagentes. [S.l.]: Bra- sília, DF., 1997.

BONABEAU, E.; DORIGO, M.; THERAULAZ, G.Swarm Intelligence: From Natural to Artificial Systems. New York: Oxford University Press, 1999.

CALISKANELLI, I.; HARBIN, J.; INDRUSIAK, L. S.; MITCHELL, P. D.; CHESMORE, D.; POLACK, F. Runtime optimisation in WSNs for load balancing using pheromone signalling. In: NESEA, 2012.Anais. . . IEEE Computer Society, 2012. p.1–8.

CALISKANELLI, I.; HARBIN, J.; INDRUSIAK, L. S.; MITCHELL, P. D.; POLACK, F.; CHESMORE, D. Bioinspired Load Balancing in Large-Scale WSNs Using Pheromone Signalling.IJDSN, [S.l.], v.2013, 2013.

CALISKANELLI, I.; INDRUSIAK, L. S. Search-Based Parameter Tuning on Application- Level Load Balancing for Distributed Embedded Systems. In: HPCC/EUC, 2013. Anais. . . IEEE, 2013. p.2050–2057.

DARWIN, C.On the Origin of Species. London: John Murry, 1859.

DE PINHO, A. F.; MONTEVECHI, J. A. B.; MARINS, F. A. S. Análise da aplicação de projeto de experimentos nos parâmetros dos algoritmos genéticos. Sistemas & Gestão, [S.l.], v.2, n.3, p.319–331, 2009.

DELICATO, F. C.Middleware Baseado em Serviços Para Redes de Sensores Sem Fio. 2005. Tese (Doutorado em Ciência da Computação) — UFRJ.

DORIGO, M. Optimization, Learning and Natural Algorithms. 1992. Tese (Douto- rado em Ciência da Computação) — Politecnico di Milano, Italy. (In Italian).

EBORACUM. Wireless Sensor Networks Framework for Ptolemy II and Visual- Sense. Disponível em: http://sourceforge.net/projects/eboracum/II/. Acesso em: 14 de julho de 2014.

FERREIRA, P. R.; BRISOLARA, L. B. de; INDRUSIAK, L. S. Decentralised Load Balan- cing in Event-Triggered WSNs Based on Ant Colony Work Division. In: EUROMICRO- SEAA, 2015.Anais. . . IEEE, 2015. p.69–75.

HOLLAND, J. H.Adaptation in Natural and Artificial Systems. [S.l.]: University of Michigan Press, 1975.

HOLLAND, J. H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence. Cambridge, MA, USA: MIT Press, 1992.

JIN, Y.; WEI, D.; GLUHAK, A.; MOESSNER, K. Latency and Energy-Consumption Optimized Task Allocation in Wireless Sensor Networks. In: WCNC, 2010. Anais. . . IEEE, 2010. p.1–6.

K. SOHRABY, D. M.; ZNATI, T.Wireless Sensor Networks. [S.l.]: John Wiley Sons, Inc, Hoboken, New Jersey, 2007.

KIRKPATRICK, S.; GELATT, C. D.; VECCHI, M. P. Optimization by simulated annea- ling.Science, [S.l.], v.220, p.671–680, 1983.

KOZA, J. R. Genetic Programming IV: Routine Human-Competitive Machine Intelli- gence. Norwell, MA, USA: Kluwer Academic Publishers, 2003.

LOPES, F. R.; GARCIA, H. L.; NASCIMENTOS, H. S. do et al. Metaheurística algo- ritmo genético para solução de problemas de planejamento florestal com restrições de integridade.Revista Árvore, [S.l.], v.28, n.2, p.233–245, 2004.

LOUREIRO, A. A. F.; NOGUEIRA, J. M. S.; RUIZ, L. B.; FREITAS MINI, R. A. de; NA- KAMURA, E. F.; FIGUEIREDO, C. M. S.Redes de sensores sem fio. Disponível em: http://homepages.dcc.ufmg.br/~loureiro/cm/docs/sbrc03.pdf. Acesso em: 22 de abril de 2015.

MICHALEWICZ, Z. Genetic Algorithms + Data Structures = Evolution Programs (3rd Ed.). London, UK, UK: Springer-Verlag, 1996.

MITCHELL, M. An Introduction to Genetic Algorithms. Cambridge, MA: The MIT Press, 1996.

PATHAK, A.; PRASANNA, V. K. Energy-Efficient Task Mapping for Data-Driven Sensor Network Macroprogramming. IEEE Trans. Computers, [S.l.], v.59, n.7, p.955–968, 2010.

SYSTEM Design, Modeling, and Simulation using Ptolemy II. [S.l.]: Ptolemy.org, 2014. Disponível em: <http://ptolemy.org/books/Systems>. Acesso em: 10 de novembro de 2014.

RANA, K.; ZAVERI, M. Energy-efficient Routing for Wireless Sensor Network Using Genetic Algorithm and Particle Swarm Optimisation Techniques. Int. J. Wire. Mob. Comput., Inderscience Publishers, Geneva, SWITZERLAND, v.6, n.4, p.392–406, Sept. 2013.

REEVES, C. R. Modern heuristic techniques for combinatorial problems. [S.l.]: John Wiley & Sons, Inc., 1993.

ROSELLO, V.; PORTILLA, J.; KRASTEVA, Y.; RIESGO, T. Wireless sensor network modular node modeling and simulation with VisualSense. In: ANNUAL CONFERENCE OF IEEE INDUSTRIAL ELECTRONICS, 35., 2009.Anais. . . [S.l.: s.n.], 2009. p.2685– 2689.

SALAMI, M.; HENDTLASS, T. A fast evaluation strategy for evolutionary algorithms. Appl. Soft Comput, [S.l.], v.2, n.3, p.156–173, 2003.

TANOMARU, J. Motivação, fundamentos e aplicações de algoritmos genéticos. In: II CONGRESSO BRASILEIRO DE REDES NEURAIS, 1995.Anais. . . [S.l.: s.n.], 1995. p.373–403.

WANG, B. Coverage Problems in Sensor Networks: A Survey.ACM Comput. Surv., New York, NY, USA, v.43, n.4, p.32:1–32:53, Oct. 2011.

ZENG, Z.; LIU, A.; LI, D.; LONG, J. A Highly Efficient DAG Task Scheduling Algorithm for Wireless Sensor Networks. In: ICYCS, 2008. Anais. . . IEEE Computer Society, 2008. p.570–575.