אוניברסיטת בן גוריון בנגב

השוואת ביצועים של אלגוריתמים

מבוזרים עבור קבוצה של רובוטים

ניידיםמור בראף , עודד שוגרמן

הנחיה אקדמית: ד"ר רועי זיווןהנחיה מקצועית: הראל ידיד ציון

p-2015-078

נושא ומוטיבציההפרוייקט עוסק בבעיה של קבלת החלטות עבור

מערכת מבוזרת.

Distributed Artificial Intelligenceלא קיימת יחידה מרכזית לריכוז הידע וקבלת החלטות.•

Multi Agent Systemsמערכות מרובות סוכנים (MAS)-

כל גורם )סוכן( מחזיק במידע לגבי חלק מהבעיה כך •שעליהם

לשתף פעולה בכדי להגיע לפתרון. חסינות המערכת, פרטיות המידע.יתרונות-•

P-2015-0782כנס פרויקטים

נושא ומוטיבציה

מטרה

רקע

תכנון

יישום

תוצאות

סיכום

נושא ומוטיבציההפרוייקט יתמקד בבעיית כיסוי מטרות:

חיפוש ומעקב אחר נקודות עניין במרחב לצורך הפקת תועלת מסויימת.

MST))Mobile Sensor Teams חיפוש ומעקב אחר ניצולים באזורים מוכי אסון•מעקב אחר גורמים שונים המשפיעים על איכות •

הסביבהניהול סביבות ייצור רובוטיות •

נושא ומוטיבציה

מטרה

רקע

תכנון

יישום

תוצאות

סיכום

P-2015-0783כנס פרויקטים

מטרת הפרויקט

, מערכת חומרה מבוזרים על מימוש אלגוריתמים •בשונה ממה שנחקר בעבר בתיאוריה

ובסימולציות.רובוטים ניידים הנעזרים המערכת כוללת •

על מנת ליצור כיסוי מטרות מיטבי בחיישנים והשוואה של ביצועיהם.

סיכום

תוצאות

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

P-2015-0784כנס פרויקטים

Distributed Constraint Optimization Problem )DCOP(

מסגרת לייצוג ולפתרון בעיות מבוזרות במערכות •מרובות סוכנים.

DCOP of Mobile Sensor Teams )DCOP_MST(

מודל לייצוג בעיות של קבוצות רובוטים ניידים •המצוידים בחיישנים

מתמודד עם בעיות דינאמיות על ידי עדכון ערכי •המשתנים:

-Domainסט אילוצים-שכנים-

(Zivan, Yedidsion, Okamoto, Glinton & Sycara, 2014)

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

P-2015-078כנס פרויקטים

DCOP_MSTמודל

5

     

     

     

P-2015-078כנס פרויקטים

DCOP_MSTמודל נושא

ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכוםמפת המטרות ידועה מראש לכל הנחה:

הסוכנים.פונקציית מטרה:

6

סוכנים ומטרותכיסויCredibility משתנהDomainאילוץMobility

RangeSensing

Range

אלגוריתמי חיפוש לוקלייםהגדרה

אלגוריתמים איטרטיביים, לא שלמים המפיקים פתרון איכותי בזמן ריצה סביר

במסגרת הפרוייקט נבחן שני סוגים:

1. DSA – Distributed Stochastic Algorithm

כל סוכן מחפש אחר ההשמה האלטרנטיבית המיטבית ונע לכיוונה בהסתברות מסוימת.

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

7

אלגוריתמי חיפוש לוקליים2 .Max_Sum Algorithm

נבנה גרף DCOPעבור בעיית רב גורמים המכיל צמתי משתנים

וצמתי פונקציות.

( v צומת משתנה )סוכן •( f צומת פונקציה )מטרה •

האלגוריתם בוחן את כל קומבינציות ההשמות •האפשריות של סוכנים המוגדרים כשכנים של

מטרה. מחפש את ההשמה שנותנת את התועלת •

המקסימלית.P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

8

עקרונות באלגוריתמי חיפוש

PILR )Periodic Incremented Largest Reduction(

Exploitationניצול השמות שנבחנו בעבר, מסייע

למציאת הפתרון הטוב היותר בטווח הזמן הקצר.

Explorationחקר הסביבה וחיפוש השמות שעוד לא

נבחנו , מסייע ליציאה ממינימום לוקאלי ולהגעה לפתרון טוב יותר בטווח הארוך.

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

9

Peer-To-Peer Architecture

Robot Operating System

iROBOTPrime Sense

Development environment

תכנון הפרויקט והניסויים

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

10

יישום במסגרת הפרויקט נבחנו ביצועי ארבעה

:DCOP_MST מותאמים למודל אלגוריתמים DSA

DSA_PILRMAX_SUMMAX_SUM_PILR

עבור כל אחד מהאלגוריתמים הורצו עשרהניסויים לדמוי תרחישי כיסוי שונים במרחב.

.בכל ניסוי שתי מטרות ושלושה סוכנים סבבים לשיפור הכיסוי הכולל.14כל ניסוי כולל בתום הסבב השישי התרחש אירוע דינאמי של

הזזת מטרה.

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

11

קשייםבעיות סנכרון הודעות•התנגשויות •סטיות בתנועה •מעקב אחר תרחישים•עיבוד תמונה•בעיות תקשורת •

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

12

סרטון להמחשת הניסויים

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

13

DSA_PILR דוגמה לניסוי אלגוריתם

תוצאות הניסויים

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

14

0 1 2 3 4 5 6 7 8 9 10 11 12 13 145565758595

105115125135145155165

DSA DSA_PILRMAX_SUM MAX_SUM_PILR

איטרציה מספר

רתות

הנסוי

הכישת

דרי

תוצאות הניסויים

50

55

60

65

70

75

80

85

90

95

100

DSA

DSA_PILR

MAX_SUM

MAX_SUM_PILR

דינאמי ארוע אחרי

יתופ

הססוי

הכישת

דרי

לפני ארוע דינאמיP-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

15

סיכום ומסקנותסיכום

מטרות כיסוי בבעיית עסקנו הפרויקט במסגרת מצויידים ניידים רובוטים של קבוצה באמצעות

בחיישנים.

מסקנות מהניסויים אלגוריתם MAX_SUM_PILR התוצאות את הניב

תזוזת של דינאמי אירוע לפני ביותר הטובות מטרה.

אלגוריתםDSA_PILR הניב את התוצאות הטובותביותר לאחר אירוע דינאמי של תזוזת מטרה.

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

16

סיכום ומסקנות

מסקנות כלליות

ה אלמנט באלגוריתם, תלות Explorationללא מסייע להגעה לפיתרון טוב יותר.

אלגוריתם של החישוב סיבוכיות MAX_SUM לכל השונה השכנים לכמות בנוסף

המטרות. בין החישוב בזמני שונות יוצרת מטרה, זו עלולה לגדול גדול, שונות בבעיות בקנה מידה

ולגרום לבעיות במהלך ריצת האלגוריתם.

P-2015-078כנס פרויקטים

נושא ומוטיבציה

רקע

מטרה

תכנון

יישום

תוצאות

סיכום

17

תודה על ההקשבה,

שאלות

P-2015-0781כנס פרויקטים 8

נספחים

P-2015-0781כנס פרויקטים 9

20 P-2015-078כנס פרויקטים

טבלת ממוצעי הניסויים•

DCOP דוגמה לבעיית•

Max-Sumדוגמה ל•

מודל•

השוואה זוגית של אלגוריתמי•ם

טבלת איכות הכיסוי של המט•רה

DCOPדוגמה לבעיית בעיית זימון פגישות יכול להיות •

DCOPממודל בעזרת מודל

הבעיה מבוזרת מטבעה•

אנשים לא רוצים לחשוף מידע אישי •בלוח הזמנים עקב שמירת פרטיות.

לכל סוכן יש נקודת מבט אישית •ומקומית ללוח הזמנים שלו.

P-2015-0782כנס פרויקטים

1

טבלת ממוצעי ניסויים

iterationalgorithm 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

DSA159.60 100.40 84.00 70.80 70.80 70.80 68.80 125.20 101.20 93.20 88.80 88.80 88.80 88.80 88.80

DSA_PILR159.60 100.00 66.80 64.80 88.80 98.40 76.80 123.20 102.00 84.80 92.80 94.80 84.80 80.80 80.80

MAX_SUM159.60 76.00 70.80 70.80 70.80 70.80 70.80 135.20 101.20 93.20 93.20 93.20 93.20 93.20 93.20

MAX_SUM_PILR159.60 76.00 70.80 70.80 93.20 92.00 58.80 135.20 95.20 87.20 120.00 120.00 87.20 87.20 87.20

Avg. Experiment

P-2015-0782כנס פרויקטים 2

Max-Sum Example

Max-Sum Example

V1

F1,2

V2

V3F1,3 F3,4

F2,4

F2,3V4

Max-Sum Example

V1

F1,2

V2

V3F1,3 F3,4

F2,4

F2,3V4

Max-Sum Example

V1

F1,2

V2

V3F1,3 F3,4

F2,4

F2,3V4

מודל DCOP_MST Real ()

מודל מותאם לסביבה אמיתית בעלת מגבלות חומרה•ארבע התאמות של עקרונות במודל:•

טווח כיסוי מצלמה מוגבל-יכולת כיסוי הסוכנים מותאמת למרחק מהחיישן- התמודדות עם מכשולים-

אפשרויות: 9- השמות אפשריות להתקדמות כולל

)Yedidsion and Zivan, 2014)

P-2015-0782כנס פרויקטים 7

28 P-2015-078כנס פרויקטים

מצב זווית

) מעלות)

מרחק

) ריבוע) צלע

כיסוי איכות

)%(

יחידה למטרה כיסוי ערך

במסגרת) שהוזנו לערכים בהתאמההניסויים(

1 0 1 100% 100

2 0 2 50% 50

3 25 2.23 25% 25

4 45 1.4 80% 80

5 45 2.8 40% 40

6 25 2.23 25% 25

איכות כיסוי מטרה

0 1 2 3 4 5 6 7 8 9 10 11 12 13 145565758595

105115125135145155165

DSA vs. DSA_PILRDSA DSA_PILR

איטרציה מספר

רתות

הנסוי

הכישת

דרי

P-2015-0782כנס פרויקטים 9

0 1 2 3 4 5 6 7 8 9 10 11 12 13 145565758595

105115125135145155165

DSA_PILR vs. MAX_SUMDSA_PILR MAX_SUM_PILR

איטרציה מספר

רתות

הנסוי

הכישת

דרי

P-2015-0783כנס פרויקטים 0

0 1 2 3 4 5 6 7 8 9 10 11 12 13 145565758595

105115125135145155165

MAX_SUM vs. MAX_SUM_PILR

MAX_SUM MAX_SUM_PILR

איטרציה מספר

רתות

הנסוי

הכישת

דרי

P-2015-0783כנס פרויקטים 1

תוכן ענייניםנושא ומוטיבציה רקע מטרת הפרויקט תכנון תהליך היישום תוצאות סיכום ומסקנות

P-2015-0783כנס פרויקטים 2