Distribución de Antenas de telefonía móvil como CSP

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: • 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 • 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: • Patrón Experto • Patrón Fábrica • Patrón Estrategia • Patrón Singleton • 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 excelutilizando 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 potenciapara crear problemas dentro de estos parámetros.

8. Implementación • Para la implementación de MVR se estableció el método publicVariable 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 publicList<Valor> ordenarValores(List<Valor> ValoresPosibles,VariablevarActual, intnumDominio)

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: • Backtracking • Forward checking • Arco consistencia • Combinados con las heurísticas: • Minimos valores restantes • 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.