Defesa P\u00fablica da Tese de Doutorado do Mestre em Engenharia El\u00e9trica GUSTAVO KUNZEL<\/p>\n\n\n\n
28\/01\/2021 – quinta-feira T\u00edtulo da tese: “APPLICATION OF REINFORCEMENT LEARNING WITH Q-LEARNING FOR THE ROUTING IN INDUSTRIAL WIRELESS SENSORS NETWORKS” Palavras-chave: Redes de Sensores Industriais sem Fio. Roteamento. Aprendizado por Refor\u00e7o. Q-Learning.”<\/p>\n","protected":false},"excerpt":{"rendered":" Defesa P\u00fablica da Tese de Doutorado do Mestre em Engenharia El\u00e9trica GUSTAVO KUNZEL 28\/01\/2021 – quinta-feiraHor\u00e1rio: 13h00minA defesa ser\u00e1 realizada atrav\u00e9s da plataforma Google Meet com acesso pelo link: https:\/\/meet.google.com\/ivs-bdzb-mtm Banca Examinadora:Prof. Dr. Dennis Brand\u00e3o, Departamento de Engenharia El\u00e9trica e de Computa\u00e7\u00e3o – EESC-USP (Relator)Prof. Dr. Leandro Buss Becker, DAS – UFSCProf. Dr. Edison Pignaton de… Continue a ler »Defesa de Tese de Doutorado – Gustavo Kunzel<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"neve_meta_sidebar":"","neve_meta_container":"","neve_meta_enable_content_width":"","neve_meta_content_width":0,"neve_meta_title_alignment":"","neve_meta_author_avatar":"","neve_post_elements_order":"","neve_meta_disable_header":"","neve_meta_disable_footer":"","neve_meta_disable_title":"","footnotes":""},"categories":[4],"tags":[],"class_list":["post-449","post","type-post","status-publish","format-standard","hentry","category-eventos"],"_links":{"self":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts\/449","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/comments?post=449"}],"version-history":[{"count":0,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts\/449\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/media?parent=449"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/categories?post=449"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/tags?post=449"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Hor\u00e1rio: 13h00min
A defesa ser\u00e1 realizada atrav\u00e9s da plataforma Google Meet com acesso pelo link: https:\/\/meet.google.com\/ivs-bdzb-mtm<\/a><\/strong>
Banca Examinadora:
Prof. Dr. Dennis Brand\u00e3o, Departamento de Engenharia El\u00e9trica e de Computa\u00e7\u00e3o – EESC-USP (Relator)
Prof. Dr. Leandro Buss Becker, DAS – UFSC
Prof. Dr. Edison Pignaton de Freitas, PPGEE \u2013 UFRGS
Orientador: Prof. Dr. Carlos Eduardo Pereira – PPGEE-UFRGS<\/p>\n\n\n\n
Resumo:
“As Redes Industriais de Sensores Sem Fio geralmente t\u00eam uma abordagem de gerenciamento centralizado, onde um dispositivo conhecido como Gerenciador de Rede \u00e9 respons\u00e1vel pela con\ufb01gura\u00e7\u00e3o geral, de\ufb01ni\u00e7\u00e3o de rotas e aloca\u00e7\u00e3o de recursos de comunica\u00e7\u00e3o. Os algoritmos de roteamento precisam garantir a redund\u00e2ncia de caminhos para as mensagens, e tamb\u00e9m reduzir a lat\u00eancia, o consumo de energia e o uso de recursos. O roteamento por grafos \u00e9 usado para garantir a redund\u00e2ncia de caminhos e o controle centralizado. A dinamicidade das redes sem \ufb01o tem sido um desa\ufb01o para o ajuste e o desenvolvimento de algoritmos de roteamento, e modelos de Aprendizado de M\u00e1quina como o Aprendizado por Refor\u00e7o t\u00eam sido aplicados de maneira promissora nas Redes de Sensores Sem Fio para selecionar, adaptar e otimizar rotas. O conceito b\u00e1sico do Aprendizado por Refor\u00e7o envolve a exist\u00eancia de um agente de aprendizado que atua em um ambiente, altera o estado do ambiente e recebe recompensas. No entanto, as abordagens existentes n\u00e3o atendem a alguns dos requisitos dos padr\u00f5es das IWSN. Nesse contexto, esta tese prop\u00f5e a abordagem Q-Learning Reliable Routing, onde o modelo Q-Learning \u00e9 usado para construir os grafos de roteamento. Duas abordagens s\u00e3o propostas: QLRR-WA e QLRR-MA. A abordagem QLRR-WA utiliza um agente de aprendizado que ajusta os pesos da equa\u00e7\u00e3o de custo de um algoritmo de roteamento de estado da arte, com o objetivo de reduzir a lat\u00eancia dos dados do processo e aumentar a vida \u00fatil da rede. A abordagem QLRR-MA utiliza um agente de aprendizado para cada dispositivo na rede, e os agentes escolhem suas conex\u00f5es tentando reduzir a lat\u00eancia dos dados do processo. Outras contribui\u00e7\u00f5es desta tese s\u00e3o a compara\u00e7\u00e3o de desempenho das abordagens com os algoritmos de roteamento de estado da arte e a metodologia de avalia\u00e7\u00e3o proposta. As abordagens do QLRR foram avaliadas em um ambiente de simula\u00e7\u00e3o WirelessHART, considerando aplica\u00e7\u00f5es de monitoramento industrial com topologias aleat\u00f3rias. O desempenho foi analisado considerando a lat\u00eancia m\u00e9dia da rede, o tempo de vida esperado da rede, a taxa de entrega de pacotes e a con\ufb01abilidade dos grafos. Os resultados mostraram que, quando comparado com o estado da arte, o QLRR-WA reduziu a lat\u00eancia m\u00e9dia da rede e melhorou o tempo de vida esperado, mantendo alta con\ufb01abilidade, enquanto o QLRR-MA reduziu a lat\u00eancia e aumentou a taxa de entrega de pacotes ao custo de uma redu\u00e7\u00e3o no tempo de vida esperado da rede. Esses resultados indicam que o Aprendizado por Refor\u00e7o pode ser \u00fatil para otimizar e melhorar o desempenho destas redes.<\/p>\n\n\n\n