Procedimento de recarga de baterias de drones utilizando simulação por agentes e equilíbrio de Nash [recurso eletrônico]
DISSERTAÇÃO
Português
T/UNICAMP G764p
[Drones battery recharging procedure using agent-based simulation and Nash equilibrium]
Limeira, SP : [s.n.], 2020.
1 recurso online (88 p.) : il., digital, arquivo PDF.
Orientadores: Paulo Sérgio Martins Pedro, Edson Luiz Ursini
Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia
Resumo: Este trabalho procura solucionar um dos problemas mais críticos das redes it Flying AdHoc (FANET), que é a questão da coordenação da recarga de baterias de drones que voam em forma de enxame (Swarms). Para que as recargas sejam realizadas da melhor maneira possível, é desejável que o número...
Resumo: Este trabalho procura solucionar um dos problemas mais críticos das redes it Flying AdHoc (FANET), que é a questão da coordenação da recarga de baterias de drones que voam em forma de enxame (Swarms). Para que as recargas sejam realizadas da melhor maneira possível, é desejável que o número de dispositivos de carregamento (estações base) não seja excessivamente alto principalmente devido ao alto custo de implantação. Por outro lado, também é necessário que, quando os drones quiserem recarregar, sempre haja uma fonte de energia disponível. Ou seja, buscamos o equilíbrio entre o número economicamente viável de estações de recarga e o abastecimento adequado dos drones quando isso for necessário. Para essa finalidade, propomos agentes (drones) munidos de inteligência interna, ou seja, com preditores internos que fornecem inteligência na tentativa de prever a próxima taxa de presença nesse dispositivo de carregamento e dessa maneira poder decidir se deve ou não ir abastecer. O ideal é que a previsão seja sempre a melhor possível. Assim, o drone deveria ir quando prevê que deve ir e não deveria ir quando prevê não ir. A utilização do equilíbrio de Nash para este problema, sendo possível pela utilização da modelagem via o Problema El Farol Bar (PEFB), permite o desenvolvimento de uma analogia sem o conluio dos agentes na coordenação da simulação da recarga desse conjunto de drones. Ou seja, com relação à coordenação do enxame para a recarga das baterias não haverá gasto de energia em comunicação, embora esta continue nas demais tarefas inerentes ao {\it swarm} de drones. A verificação da adequação da proposta é feita por meio de Simulação Baseada em Agentes e neste modelo são utilizadas três políticas diferentes para a tomada de decisão do melhor preditor para cada drone. Isso permite verificar o desempenho na operação do sistema por meio do Equilíbrio de Nash. No atual estado dessa analogia considera-se que, caso os drones forem para a estação de recarga e a mesma estiver cheia, não haverá recarga possível porque o sistema estará sobrecarregado. Neste estudo estão incluídas análises microscópicas e macroscópicas do desempenho do swarm. A análise microscópica é a avaliação do desempenho das recompensas de cada preditor em relação a um conjunto de parâmetros de simulação, visando um aumento da eficácia no desempenho microscópico. A análise macroscópica é a avaliação do desempenho do atendimento global do sistema com os três tipos de políticas. Esta última análise é usada como base para o desenvolvimento da analogia de recarga dos drones. Dessa maneira, avalia-se o desempenho dos melhores conjuntos de simulação para a recarga dos drones que permitem abastecer abaixo do limiar de recarga (número de posições disponível de recarga), mas que estão relativamente próximos a esse limiar
Abstract: This work seeks to solve one of the most critical problems of the Flying AdHoc (FANET) networks, which is the issue of coordinating the recharging of drones that fly in the form of Swarms. For recharging to be done in the best possible way, it is desirable that the number of charging...
Abstract: This work seeks to solve one of the most critical problems of the Flying AdHoc (FANET) networks, which is the issue of coordinating the recharging of drones that fly in the form of Swarms. For recharging to be done in the best possible way, it is desirable that the number of charging devices (base stations) did not be excessively high due to the high implementation cost. Conversely, it is also necessary that, when drones want to recharge, they must have a source of energy available. In other words, we search for a balance between the economically viable number of charging stations and the adequate energy supply for the drones when necessary. For this, we propose agents (drones) equipped with internal intelligence, that is, with internal predictors that provide intelligence to attempt to predict the next attendance rate in the charging device and thus be able to decide whether go or not go to the recharging. Ideally, the forecast should be as best as possible. Therefore, the drone should go when it predicts it should go and it shouldn't go when it predicts not to go. The Nash equilibrium usage for this problem is made possible by the modeling via the El Farol Bar Problem (EFBP), which allows the development of this analogy without the collusion of agents in coordinating the simulation of the recharge of this set of drones. In other words, there will be no energy expenditure on communication about the drones' battery recharging coordination, although the communication will continue in the other tasks inherent to the swarm of drones. The verification of the suitability of the proposal is done through Agent-Based Simulation and are used three different policies for the best predictor decision by each drone. This will allow us to verify the performance in the operation of the system through a Nash Equilibrium. In the current state of this analogy is considered that if the drones go to the charging station and it is full, there will be no possible charging because the system is overloaded. This study includes microscopic and macroscopic analysis. Microscopic analysis is the evaluation of the performance of the rewards of each predictor concerning a set of simulation parameters, aiming at a microscopic behavior performance improvement. A macroscopic analysis is the evaluation of the performance of the global service of the system with three types of policies. This latter analysis is used as a basis for evaluating the drone's recharge analogy. In this way, the performance of the best simulation sets for the recharge of drones is evaluated, which allows supplying below the control threshold (attendance below than the number of recharge positions), but which are relatively close to the threshold
Requisitos do sistema: Software para leitura de arquivo em PDF