Distribución de Antenas de telefonía móvil como CSP Leandro Abraham – Pablo Ocaña Inteligencia Artificial - Trabajo Final FRM – UTN 2011.

Presentación del tema: "Distribución de Antenas de telefonía móvil como CSP Leandro Abraham – Pablo Ocaña Inteligencia Artificial - Trabajo Final FRM – UTN 2011."— Transcripción de la presentación:

1 Distribución de Antenas de telefonía móvil como CSP Leandro Abraham – Pablo Ocaña Inteligencia Artificial - Trabajo Final FRM – UTN 2011

2 Resumen Implementar los algoritmos de resolución de problemas de satisfacción de restricciones, aplicados a un problema de distribución de antenas en distintas ubicaciones preestablecidas, y teniendo en cuenta ciertas restricciones

3 Presentación del Problema 1 - ANÁLISIS Restricciones: o Restricción de potencia: La suma de potencia entre las antenas ubicadas en dos lugares que son considerados visibles no puede ser mayor a una potencia máxima: Visible(Xi,Xj)=> P(Antena(Xi))+ P(Antena(Xj)) Pot. Máxima con i j

4 Presentación del Problema o Restricción de Frecuencia : Dos antenas consecutivas no pueden emitir en la misma frecuencia. Consec(Ai,Aj) => F(Antena(Xi)) F(Antena(Xj)) con i j

5 Decisiones de Diseño Diseño Orientado a Objetos. Aplicación de Patrones de Diseño: o Patrón Experto o Patrón Fábrica o Patrón Estrategia o Patrón Singleton o Patrón Plantilla Se buscó tratar al problema como un CSP general (variables, valores, problema), utilizando interfaces que las clases particulares implementarían. También se siguió este esquema para los algoritmos de resolución y heurísticas.

6 Decisiones de Diseño

7 Implementación Desarrollo en Java utilizando NetBeans 6.9 Para la experimentación se creó una clase Experimentador que solicitaba problemas a un Generador y volcaba los resultados a una plantilla excel utilizando librería específicas El Generador toma como parámetros la cantidad de variables, cantidad de frecuencias distintas para las antenas, potencia y frecuencias máximas y restricción de potencia para crear problemas dentro de estos parámetros.

8 Implementación Para la implementación de MVR se estableció el método public Variable getNextVariable(CSP problema) Este último método nos devuelve la próxima variable a asignar y a comprobar Para la implementación de VMR, en cambio se decidió que el método nos ordene la lista según restringa a las demás variables public List ordenarValores(List ValoresPosibles,Variable varActual, int numDominio)

9 Estudio experimental Se decidió ejecutar los algoritmos para una serie de problemas con cantidad de variables (n), o tamaño creciente. Se generaron 50 problemas por cada n que se decidió experimentar, siendo los n utilizados 8, 16, 32, 64, 72 y 96 ubicaciones y antenas posibles. Los valores de frecuencia de las antenas del problema se generaron dentro de ciertos rangos correspondientes a las siguientes frecuencias máximas: 800 Mhz, 900Mhz, 1Ghz y 1.8GHz. Además para cada problema las antenas generadas tenían entre 5, 10 y 15 frecuencias distintas posibles. Las potencias máximas utilizadas para las restricciones fueron de 20mW, 30mW y 40mW.

10 Estudio experimental Algoritmos utilizados: o Backtracking o Forward checking o Arco consistencia Combinados con las heurísticas: o Minimos valores restantes o Valor mas restringido

11 Estudio experimental: Resultados Comparación del runtime de los algoritmos para problemas de 8, 16, 32, 64, 72 y 96 variables.

12 Estudio experimental: Resultados Comparación de la cantidad de recursiones de los algoritmos para problemas de 8, 16, 32, 64 y 72 variables.

13 Estudio Experimental: Resultados Comparación de la cantidad de backtracks de los algoritmos para problemas de 8, 16, 32, 64 y 72 variables.

14 Conclusiones Arco consistencia y Forward checking arrojan resultados similares en el rendimiento. Sin embargo backtracking muestra ineficiencias en recursiones y backtracks realizados. En tiempo de procesamiento, backtracking muestro resultados aceptables para problemas chicos, pero su rendimiento empeora considerablemente.