Escolar Documentos
Profissional Documentos
Cultura Documentos
DE ROBOS
UTILIZANDO INTELIGENCIA
LOCALIZAC
AO
DE ENXAME
, Nadia Nedjah, Luiza de Macedo Mourelle, Leandro dos Santos
Alan Oliveira de Sa
Coelho
Centro de Eletr
onica, Comunicac
oes e Tecnologia da Informac
ao
Centro de Instruc
ao Almirante Wandenkolk, Marinha do Brasil
Programa de P
os-Graduac
ao em Engenharia de Produc
ao e Sistemas (PPGEPS), Pontifcia
Universidade Cat
olica do Paran
a
Programa de P
os-Graduac
ao em Engenharia Eletrica (PPGEE), Universidade Federal do Paran
a
Emails: alan.oliveira.sa@gmail.com, nadia@eng.uerj.br, ldmm@eng.uerj.br,
leandro.coelho@pucpr.br
Abstract The localization problem arises from the need of the agents of a Wireless Sensor Network (WSN)
in general, and of a swarm of robots in particular, to determine its position without the use of external references,
such as the Global Positioning System (GPS). In this problem, the localization is computed based on distance
measurements to anchor nodes, which have known positions. In the search for efficient and accurate algorithms
to discover the location, some bio-inspired algorithms have been explored, such as Genetic Algorithm (GA) and
Particle Swarm Optimization Algorithm (PSO). Accordingly, in order to obtain more accurate solutions to the
localization problem, this paper presents and compares the results obtained with the PSO, with the Backtracking
Search Optimization Algorithm (BSA) and with a new algorithm that combines characteristics of both, entitled
Backtracking Cognitive Particle Swarm Optimization Algorithm (BC-PSO). The results show that the BSA is
more robust with regard to changes in the nodes distribution, the PSO demands less processing time and the
BC-PSO, under specific conditions, is the most accurate.
Keywords Particle Swarm Optimization (PSO), Backtracking Search Optimization Algorithm (BSA),
swarm intelligence, swarm robotics, Wireless Sensor Network (WSN), localization.
Resumo O problema de localizac
ao surge da necessidade dos agentes de uma rede de sensores sem fio
em geral, e de um enxame de rob
os em particular, de determinar as suas posic
oes sem o uso de refer
encias
externas, tal como o Sistema de Posicionamento Global ou GPS (Global Positioning System). Neste problema,
a localizac
ao
e realizada baseando-se em medidas de dist
ancia para n
os de refer
encia, os quais t
em suas posic
oes
conhecidas. Na busca por algoritmos eficientes e precisos para descobrir a localizac
ao, alguns algoritmos bioinspirados v
em sendo explorados, tais como o Algoritmo Gen
etico ou GA (Genetic Algorithm) e o algoritmo de
Otimizaca
o por Enxame de Partculas ou PSO (Particle Swarm Optimization). Nesse sentido, visando soluco
es
mais precisas para o problema de localizaca
o, este artigo apresenta e compara os resultados alcancados com o
PSO, com o Algoritmo de Busca por Retrocesso ou BSA (Backtracking Search Optimization Algorithm) e com
um novo algoritmo que combina caractersticas de ambos, denominado algoritmo de Otimizac
ao por Enxame
de Partculas com Retroac
ao Cognitiva ou BC-PSO (Backtracking Cognitive Particle Swarm Optimization). Os
resultados mostram que o BSA
e mais robusto no que diz respeito `
as variaco
es na distribuic
ao dos n
os, o PSO
demanda menos tempo de processamento e o BC-PSO, em condic
oes especficas,
e o mais preciso.
Palavras-chave Otimizaca
o por Enxame de Partculas, Algoritmo de Busca por Retrocesso, intelig
encia de
enxame, rob
otica de enxame, Rede de Sensores sem fio, localizac
ao.
Introdu
c
ao
Trabalhos Relacionados
1. Estimar as dist
ancias de cada n
o para os nos
de referencia.
2. Calcular a posic
ao de cada n
o a partir das
distancias medidas na fase 1.
3. Refinar a posicao de cada n
o a partir das
informac
oes de posic
ao e dist
ancia dos nos
vizinhos.
A otimizacao por tecnicas bio-inspiradas vem
sendo aplicada ao problema de localizac
ao, tanto
nos casos de um u
nico salto, quanto nos casos de
m
ultiplos saltos (Sun, 2011) (Ekberg, 2009). Este
trabalho visa comparar o desempenho e a precisao do algoritmo de otimizac
ao por enxame de
partculas ou PSO (Particle Swarm Optimization)
(Engelbrecht, 2005), do algoritmo de busca por retrocesso ou BSA (Backtracking Search Optimization Algorithm) (Civicioglu, 2013a) e de um novo
algoritmo que combina caractersticas de ambos,
denominado algoritmo de otimizacao por enxame
de partculas com retroac
ao cognitiva ou BC-PSO
(Backtracking Cognitive Particle Swarm Optimization), na soluc
ao de problemas de localizacao.
Nos tres casos, as dist
ancias medidas s
ao de um
u
nico salto.
Para tal, o presente artigo e organizado da
seguinte forma: Primeiramente, na Sec
ao 2, sao
apresentados alguns trabalhos relacionados. Posteriormente, na Sec
ao 3, e especificado o problema
de localizacao. Nas Sec
oes 4 e 5, s
ao brevemente
descritos os passos do PSO e BSA, respectivamente. Na Sec
ao 6, e proposto o algoritmo BCPSO, que combina as caractersticas do PSO com
o BSA, visando obter maior precis
ao na solucao do
problema de localizac
ao. Em seguida, na Secao 7,
sao reportados os resultados obtidos. Finalmente,
Especifica
c
ao do Problema
10
r, respectivamente, e xi e a posic
ao estimada para
o no desconhecido i.
g(xi , dr , pr ) = (dr ||pr xi ||)2
(1)
R
X
g(xi , dr , pr )
(2)
r=1
fim
5
Otimiza
c
ao por Enxame de Partculas
Algoritmo 2: BSA
incio
Inicializacao;
repita
Selecao-I;
Gera nova popula
c
ao
Mutacao;
Cruzamento;
fim
Selecao-II;
at
e Condic
ao de parada;
fim
(3)
(4)
(5)
Pmod = P + S(Phist P )
11
(6)
S =k
(7)
Algoritmo de Otimiza
c
ao por Enxame
de Partculas com Retroa
c
ao Cognitiva
O algoritmo BC-PSO, que combina caractersticas do PSO com o BSA, e proposto com base na
estrutura geral do PSO, porem, com modificacoes
no que tange ao c
alculo da velocidade das partculas. Neste algoritmo, a componente cognitiva de
(4) foi modificada, inspirada no BSA, passando a
ser computada n
ao em func
ao da melhor posicao
da partcula e sim em func
ao de uma posicao da
mesma selecionada aleatoriamente no passado. A
componente social foi mantida de forma identica
`aquela usada no PSO. J
a a componente de inercia foi mantida apenas para os ciclos iniciais do
algoritmo, a fim de prover uma melhor exploracao
do espaco de busca, sendo anulada quando o coeficiente de variac
ao da populac
ao atinge um valor
ajustado empiricamente, com o objetivo de melhorar a busca local no final do processo de otimizacao. Estas modificac
oes resultam em (8), onde cv
e o coeficiente de variac
ao da populac
ao, xh e uma
posicao historica da partcula, escolhida aleatoriamente utilizando uma distribuic
ao uniforme, e
e uma constante que representa o valor do coeficiente de variac
ao a partir do qual a componente
de inercia e anulada. Foi mantido um limite de
velocidade, conforme definido em (5).
wvi (t)
Se (cv < );
+
r
(t)(x
x
(t))
1
1
h
i
+2 r2 (t)(mg xi (t))
vi (t+1) =
Se (cv ).
1 r1 (t)(xh xi (t))
+2 r2 (t)(mg xi (t))
(8)
O coeficiente de variac
ao da populacao cv e
calculado conforme (9), onde e s
ao o desvio
padrao e a media da populac
ao, respectivamente.
cv =
Resultados Obtidos
(9)
12
10
10
10
10
BSA
PSO
BCPSO
3
10
10
20
30
40
50
Geraes
60
70
80
90
100
10
Tabela 1: Par
ameros do PSO e BC-PSO
Parametro
PSO
BC-PSO
0,31
w
0,7298
0,7298
1
2,05
1,05
2
2,05
2,05
0,01
0,01
10
10
10
10
BSA
PSO
BCPSO
4
10
10
20
30
40
50
Geraes
60
70
80
90
100
10
10
10
10
10
10
BSA
PSO
BCPSO
10
10
10
20
30
40
50
Geraes
60
70
80
90
100
13
20
40
60
80
50
40
30
20
10
0
100
40
30
20
10
Posio calculada
Posio real
Ns de referncia
100
90
80
70
60
50
40
30
20
10
0
Posio calculada
Posio real
Ns de referncia
50
60
100
60
60
40
80
70
70
20
60
80
80
0
100
40
90
90
20
Posio calculada
Posio real
Ns de referncia
100
80
82,6%
68,3%
64,4%
85,3%
71,4%
60
40
20
78,4%
100%
96,0%
93,5%
PSO
BCPSO
BSA
3
4
Ns de referncia
14
Conclus
oes
networks with mobile nodes, Wireless Communications and Mobile Computing Conference (IWCMC), 7th International, IEEE,
pp. 8388.
Agradecimentos
Agradecemos `
a Fundac
ao Carlos Chagas Filho de
Amparo `a Pesquisa do Estado do Rio de Janeiro
(FAPERJ, http://www.faperj.br), por financiar
este estudo.
Refer
encias
Civicioglu, P. (2013a). Backtracking search optimization algorithm for numerical optimization problems, Applied Mathematics and
Computation 219(15): 81218144.
Civicioglu, P. (2013b). BSA code for MATLAB,
http://www.pinarcivicioglu.com/bsa.html.
Ekberg, P. (2009). Swarm-intelligent localization,
Masters thesis, Uppsala Universitet, Uppsala, Sweden.
Ekberg, P. e Ngai, E. (2011).
A distributed swarm-intelligent localization for sensor
15