• search hit 1 of 51
Back to Result List

Agent Objectives for Evolving Coordinated Sensor Networks

  • This Master's Thesis discusses intelligent sensor networks considering autonomous sensor placement strategies and system health management. Sensor networks for an intelligent system design process have been researched recently. These networks consist of a distributed collective of sensing units, each with the abilities of individual sensing and computation. Such systems can be capable ofThis Master's Thesis discusses intelligent sensor networks considering autonomous sensor placement strategies and system health management. Sensor networks for an intelligent system design process have been researched recently. These networks consist of a distributed collective of sensing units, each with the abilities of individual sensing and computation. Such systems can be capable of self-deployment and must be scalable, long-lived and robust. With distributed sensor networks, intelligent sensor placement for system design and online system health management are attractive areas of research. Distributed sensor networks also cause optimization problems, such as decentralized control, system robustness and maximization of coverage in a distributed system. This also includes the discovery and analysis of points of interest within an environment. The purpose of this study was to investigate a method to control sensor placement in a world with several sources and multiple types of information autonomously. This includes both controlling the movement of sensor units and filtering of the gathered information depending on individual properties to increase system performance, defined as a good coverage. Additionally, online system health management was examined in this study regarding the case of agent failures and autonomous policy reconfiguration if sensors are added to or removed from the system. Two different solution strategies were devised, one where the environment was fully observable, and one with only partial observability. Both strategies use evolutionary algorithms based on artificial neural networks for developing control policies. For performance measurement and policy evaluation, different multiagent objective functions were investigated. The results of the study show that in the case of a world with multiple types of information, individual control strategies performed best because of their abilities to control the movement of a sensor entity and to filter the sensed information. This also includes system robustness in case of sensor failures where other sensing units must recover system performance. Additionally, autonomous policy reconfiguration after adding or removing of sensor agents was successful. This highlights that intelligent sensor agents are able to adapt their individual control policies considering new circumstances.show moreshow less
  • Diese Master Thesis betrachtet intelligente Sensornetzwerke unter den Aspekten der selbständigen Sensorplatzierung und einer aktiven Überwachung des Systemzustands. Sensornetzwerke für einen intelligenten Systemdesignprozess werden seit einigen Jahren genauer untersucht. Diese Netzwerke bestehen aus einer verteilten Ansammlung von Sensoreinheiten, jede mit den Eigenschaften InformationenDiese Master Thesis betrachtet intelligente Sensornetzwerke unter den Aspekten der selbständigen Sensorplatzierung und einer aktiven Überwachung des Systemzustands. Sensornetzwerke für einen intelligenten Systemdesignprozess werden seit einigen Jahren genauer untersucht. Diese Netzwerke bestehen aus einer verteilten Ansammlung von Sensoreinheiten, jede mit den Eigenschaften Informationen individuell aufzunehmen und zu verarbeiten. Solch eine Anordnung kann die Fähigkeit besitzen, sich selbst zu strukturieren. Des Weiteren müssen diese Systeme skalierbar, langlebend und widerstandsfähig sein. Daraus ergeben sich interessante Forschungsaufgaben bezüglich der intelligenten Anordnung von Sensoren während des Designprozesses oder einer aktive Überwachung des Systemzustands im laufenden Betrieb. Diese Sensornetzwerke bringen jedoch auch Optimierungsprobleme mit sich. Dazu zählen dezentralisierte Regelungen, Gewährleistung der Widerstandsfähigkeit und Maximierung der Abdeckung von Informationsquellen. Zusätzlich müssen Informationsquellen und anderen Sensoreinheiten lokalisiert und analysiert werden können. Das Ziel dieser Arbeit war es, eine Methode zu entwickeln, welche die Anordnung von Sensoren in einer Umgebung mit Informationsquellen und verschiedenen Informationstypen selbstständig bewerkstelligt. Dies beinhaltet zum einen die Regelung der Bewegung dieser Sensoreinheiten und zum anderen die Filterung der aufgenommen Informationen, entsprechend der Sensoreigenschaften. Dadurch wird sicher gestellt, dass die Qualität des Systems gesteigert wird, was soviel bedeutet wie eine gute Abdeckung der Informationsquellen. Zusätzlich wurde in dieser Arbeit die aktive Systemüberwachung bezüglich Widerstandsfähigkeit im Falle von Sensorfehlern und die selbstständige Anpassung der Regelstrategie nach dem Hinzufügen oder Entfernen von Sensoren untersucht. Zwei unterschiedliche Lösungsansätze wurden in dieser Arbeit ausgearbeitet. Zum einen war die Umgebung komplett beobachtbar und zum anderen ein Ansatz in dem die Sensoreinheiten nur über beschränkte Informationen verfügen. Beide Lösungsansätze verwenden einen evolutionären Algorithmus, basierend auf künstlichen Neuronalen Netzen. Des Weiteren wurden Multiagent Zielfunktionen untersucht um die Qualität des Systems zu messen und die Regelstrategien zu bewerten. Die Ergebnisse dieser Arbeit zeigen, dass im Falle einer Umgebung mit mehreren Informationstypen, individuelle Regelungsstrategien die besten Ergebnisse erzielen, weil diese Strategien sowohl in der Lage sind die Bewegung der Sensoragenten zu kontrollieren, als auch die aufgenommenen Informationen entsprechend der eigenen Eigenschaften zu filtern. Zusätzlich zu diesen Ergebnissen zeigt diese Arbeit eine selbstständige Anpassung der Regelstrategie wenn Sensoragenten hinzugefügt oder entfernt wurden. Dies macht deutlich, dass intelligente Sensoragenten in der Lage sind ihre individuellen Regelstrategien entsprechend neuen Umständen anzupassen.show moreshow less

Download full text files

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Christian Roth
Contributing Corporation:Oregon State University
Date of Publication (online):2011/07/29
Language:English
GND Keyword:Agent <Künstliche Intelligenz>
Tag:Agent Fitness; Distributed Sensor Network; Neuro-Evolution
DDC classes:600 Technik, Medizin, angewandte Wissenschaften / 620 Ingenieurwissenschaften und Maschinenbau
Publishing Institution:Hochschule Offenburg
Document Type:Master's Thesis
Institutes:Hochschule Offenburg / Abschlussarbeiten / Master-Studiengänge / EIM
Acces Right:Frei zugänglich
SWB-ID:894643088
Release Date:2011/07/29
Licence (German):License LogoVeröffentlichungsvertrag für Publikationen mit Print on Demand
URN:urn:nbn:de:bsz:ofb1-opus-843