Daha çox

Ən qısa yol alqoritmindən istifadə edərək İşləmə skriptini necə yaratmaq olar?


Hal -hazırda bir yol şəbəkəsindəki ən qısa yolu tapmaq üçün Road Graph plaginindən istifadə edirəm - buna baxmayaraq bunu emal skriptinə qoymaq istərdim (daha sonra bir modeldə istifadə ediləcək) və Road Graph Plugin -in heç bir API -si yoxdur. modeldə istifadə oluna bilər.

Ən qısa yol alqoritmini emal skriptinə qoymağın və sonra bu ssenarini bir modeldə istifadə etməyin bir yolu varmı?

Python Kılavuzunda şəbəkələr/ən qısa yollar üçün bəzi python skriptləri tapdım və onu işləmə skriptinə salmağa çalışdım - amma python ilə tam yeni bir adam olduğum üçün uzaqlaşa bilmədim ...

Ssenari olmalıdır:

  • Giriş olaraq bir yol şəbəkəsi (mavi) və bir xətt vektor təbəqəsi (bənövşəyi) götürün
  • Xəttin başlanğıcını (yaşıl) - və bitmə nöqtəsini (qırmızı) kümelenecek yolun başlanğıcı və sonu olaraq qoyun.
  • Yolun getməli olduğu giriş xətti ilə şəbəkənin kəsişmələrini yol nöqtələri kimi istifadə edin
  • Şəbəkədən keçərək ən qısa yolu (qırmızı lent) tapın və yolu vektor təbəqəsi olaraq qeyd edin

Kimsə bu ssenaridə mənə kömək edə bilərmi?


Github depomda QGIS şəbəkə təhlili kitabxanasından istifadə edən yönləndirmə skriptlərinin bir çox versiyasını tapa bilərsiniz, məsələn. https://github.com/anitagraser/QGIS-Processing-tools/blob/master/2.2/scripts/point_layer_to_route.py, sifariş verilmiş nöqtələri marşruta çevirir.

Skriptlərin heç biri giriş xəttinin şəbəkə ilə kəsişməsini istifadə etmir. Öz başınıza əlavə etməli olduğunuz bir şeydir.


Ən qısa yolu daha sürətli əlaqələndirmə alqoritmindən istifadə edərək birdən çox obyekt izləmə.

Birdən çox obyekt izləmə, kompüter görmə sahəsindəki qaynar bir mövzudur. İnsan-kompüter qarşılıqlı əlaqəsi, video nəzarət, ağıllı naviqasiya kimi bir çox kompüter görmə tətbiqi üçün obyektlərin möhkəm izlənməsi vacibdir [1, 2]. Köməkçi olaraq yüksək performanslı alqoritmdən başqa, yüksək keyfiyyətli çox obyektli izləmə, məsələn, işıqlandırma, oklüziya, qarışıqlıq və s. Məlumat assosiasiyası (DA) metodu çox obyektli izləmə üçün ən çox sevilən metoddur. Tez -tez istifadə olunan üsullara ən yaxın qonşu metodu [4], birgə ehtimal məlumatlarının birləşməsi [5] və sinir şəbəkələrinə əsaslanan üsullar [6] daxildir.

Yuxarıda qeyd olunan DA metodlarının təsiri bitişik çərçivələrdə aşkarlama dəqiqliyi ilə sıx bağlıdır. Bu tipik yanaşmalar yalan mənfi və yalan pozitivlərə qarşı davamlıdır: əgər bir obyekt çərçivədə aşkarlanmırsa, əvvəlki və sonrakı çərçivələrdədirsə, bu, yalan mənfi sayılır. Yanlış pozitiv "A" izləmə obyektini "B" obyekti ilə səhv salır. Bu problem, süzgəcli [7, 8] statistik bir traektoriya modelinin məqsədli dizaynından istifadə etməklə həll edilə bilsə də, maksimum posterior ehtimalını təmin edən hesablama metodu NP-tamdır.

Son məqalələr bu problemə fərqli yanaşmalar təklif edir. Giebel və başqaları. [9] eyni obyektdəki qarışıqlığı aradan qaldırmaq və NP-nin tam olma ehtimalını azaltmaq üçün nümunə götürmə və hissəcik süzgəcindən istifadə edin. Bu üsul nisbətən dəqiq bir izləmə traektoriyası əldə edir, lakin kifayət qədər sayda seçmə nöqtəsi tələb edir. Perera və başqaları. [10] uzun bir ardıcıllığı bir çox qısa izlərə bölür, çoxlu qısa izlər verir və Kalman süzgəcindən istifadə edərək bağlayır. Bu, NP tamlığının qarşısını ala bilər. Bu metodun dəqiqliyi qısa iz izlərinin uzunluğu ilə tərs mütənasibdir, uzunluq nə qədər qısa olarsa, izləmə bir o qədər yaxşıdır. Bununla birlikdə, həddindən artıq bölünmə hesablama müddətini artırır, buna görə də metod uzun müddət obyektləri izləyə bilmir. Fleuret və başqaları. [11] sıranı seçmək üçün ağlabatan tamahkar dinamik proqramlaşdırma (DP) istifadə edərək traektoriyalarını uzun ardıcıllıqlar üzərində fərdi şəkildə işlədir. Bu yanaşmalar təsirli olsa da, qlobal optimal həll əldə edə bilməz.

Zhang'ın yanaşması [12], birdən çox obyekt izləmə üçün qlobal optimallığı tapmaq üçün minimum xərcli bir şəbəkə axını çərçivəsinə əsaslanan optimallaşdırma metoduna əsaslanır. Ancaq təklif etdiyi iki alqoritmin praktikada bir neçə qüsuru var və onların mürəkkəbliyi polinomdur. Bu çərçivədə Berclaz et al. [13] çox obyektli izləməni tam proqramlaşdırma (İP) problemi olaraq formalaşdırın və xətti proqramlaşdırmaya (LP) endirin. LP probleminin optimallaşdırılması üçün ən qısa yollar (KSP) alqoritminə əsaslanaraq, onların yanaşması real vaxtda çox obyektli izləmə aparmaq üçün mürəkkəbliyi azaldır. Bununla birlikdə, KSP -nin dinamik proqramlaşdırma (DP) üzərində bir hərəkət modeli olmadığı üçün, DP -nin parçalanmış traektoriyalara məhəl qoymaması onu daha möhkəm edir. Pirsiavaş [14] Zhang işini davam etdirir və O (N) -də K = 1 açgözlü alqoritmi ilə qlobal optimal həlli əldə etmək üçün metodundan istifadə edir, ancaq K (g) 1 -də K (g) 1 üçün təxmini həllər əldə edir. unikal parçaların bilinməyən optimal sayıdır.

Bunun əksinə olaraq, bu yazıda, Zhang və Berclaz tərəfindən təklif olunan modelləri təsirli şəkildə birləşdirərək ən qısa yol daha sürətli alqoritm (SPFA) üçün daha səmərəli bir çərçivə hazırlayırıq. SPFA alqoritmi yalnız qlobal bir həll əldə edə bilməz, həm də alqoritmin natamam traektoriyaları görməməsinə və bu cür səs -küyə qarşı daha möhkəm davranmasına imkan verən DP hərəkət modelinin üstünlüyünü də göstərir. Üstəlik, həm ən pis halda, həm də işləmə müddətinə görə yuxarıda göstərilən ən müasir alqoritmlərdən daha yaxşıdır. Bu yazıda əsas töhfələrimiz aşağıdakılardır.

(1) Min-dəyəri şəbəkə modelinə əsaslanaraq, çox obyektli izləmə üçün yeni bir ümumi riyazi tam proqramlaşdırma formulası təqdim edirik. Təklif olunan IP üsulu, SPFA istifadə edərək yanlış pozitivləri və yalan mənfi cəhətləri təbii şəkildə süzmək üçün əlverişlidir.

(2) Təklif olunan çərçivənin tam ədədli xətti proqramlaşdırma formulunu həll etmək və qlobal optimal həlli əldə etmək üçün daha sürətli və daha səmərəli SPFA alqoritmindən istifadə etməyi təklif edirik. [13, 14] -ün ən müasir üsulları ilə müqayisədə, SPFA alqoritmi, çox obyektli izləmə dəqiqliyi və dəqiqliyi itkisiz olduğu halda, iş vaxtını artıra bilər.

Bu yazının qalan hissəsi aşağıdakı kimi təşkil edilmişdir. Bölmə 2-də, minimum xərcli şəbəkə axını çərçivəsindən istifadə edərək bir IP hazırlayırıq və onu davamlı LP-yə qədər rahatlaşdırırıq. Bölmə 3, orijinal IP -nin rahatlaşması üçün təklif etdiyimiz ən qısa yolu daha sürətli alqoritmimizi ehtiva edir. Bölmə 4 -də hədəf lokalizasiya və uzun ardıcıllıq seqmentləşdirmə işlərinə yanaşmalar təqdim edirik. 5 -ci hissədə eksperimental nəticələr və tam qiymətləndirmə ölçüləri var. Nəhayət, nəticələr Bölmə 6 -da verilir.

Multiobjet izləmənin hədəf hərəkəti, minimum xərcli bir şəbəkə axını çərçivəsində DP metodundan istifadə edən məhəllə yerləri arasındakı əlaqəni istifadə edərək daha yaxşı təsvir edilə bilər. Çox obyektli izləmə üçün obyektiv bir funksiyanı 13] ilə eyni şəkildə təyin edirik. Ehtimalın obyektiv varlığı, hər çərçivədəki marjinal posterior ehtimal ilə qiymətləndiriləcək və bununla da hərəkət edən cismin potensial traektoriyasını əldə edəcək.

2.1. Min-Qiymətli Akış Modeli. Çox obyektli izləmə prosesini, hər bir obyektin obyektiv yerinin fasiləsiz olaraq dəyişdiyi bir proses olaraq formalaşdırırıq. Video ardıcıllığını təsvir etmək üçün təsadüfi dəyişən [k.sub.t] olan yönləndirilmiş 3D məkan -zaman qrupu istifadə olunur. Düşünün

[k.sub.t] = (x, y, t), [k.sub.t] [üzvü] V, (1)

burada [k.sub.t] t məkanda bu məkan-zaman qrupundakı bir cismin hər hansı bir yerini ifadə edir, V ardıcıllıqla bütün məkan-zaman yerlərinin məcmusudur və x və y eninə enində hədəfin piksel mövqeləridir. və boyuna baltalar müvafiq olaraq.

T vaxtında hər hansı bir yer üçün, qonşuluq N ([k.sub.t]) [alt dəsti] <1,2,. K> cismin t + 1 zamanda əldə edə biləcəyi yerləri ifadə edir. T = ([k.sub.1],. [K.sub.N]) və X = dövlət vektorlarının düzülmüş bir dəsti olaraq tək bir yol. ([T.sub.1],. [T.sub.L]) parçaları toplusudur. İzləmə yollarının bir -birindən asılı olmadığını düşünürük və dinamik modeli istifadə edərək çox obyektli izləmənin şəbəkə axını çərçivəsini aşağıdakı kimi təsvir edirik:

[ASCII -də MATEMATİK İSTİFADƏ TƏHRÜK EDİLMİR] (2)

[P.sub.source] ([k.sub.1]), [k.sub.1] və [P.sub.sink] ([k.sub.N]) yerindən başlayaraq izləmə izinin olma ehtimalıdır. [k.sub.N] yerində bitən izləmə izinin olma ehtimalıdır.

Məkan koordinat dəsti V -də ikili göstərici dəyişən [[phi] .sub.i, t] [k.sub.i] yerdən [k.sub.t] yerə yönələn axını təmsil edir, yəni. [k.sub.i] -dən [k.sub.t] -ə hərəkət edən obyektlərin sayı. [[phi] .sub.i, t], cismin [k.subda olduğunu nəzərə alaraq, kosmik zaman yerləri [k.sub.i] və [k.sub.t] bəzi parçalara daxil edildikdə 1-dir. .t -1] t vaxtında, yəni cisim t - 1 və t vaxtları arasında eyni məkan yerində qalır. T + 1 zamanında [k.sub.t] və [k.sub.j] yerləri üçün [[phi] .sub.i, t] dəyişənləri üçün bəzi məhdudiyyət şərtləri yerinə yetirilir:

[hamısı üçün] [k.sub.t], [üzərində toplama ([k.sub.1], [k.sub.t] [üzvü] N ([k.sub.i]))]] [[phi ] .sub.i, t] (3)

[hamısı üçün] [k.sub.i], [k.sub.t], [üzərində toplama ([k.sub.t] [üzvü] N ([k.sub.i]))]] [[phi ] .sub.i, t] [az və ya bərabər] 1. (4)

Təsadüfi bir dəyişən [M.sub.t] kosmos zamanında [k.sub.t] bir obyektin həqiqi varlığını müdafiə etsin. T hər an üçün detektor izləmə zonasının hər yerini yoxlamaq üçün istifadə olunur. Mövcud bir obyektin marjinal posterior ehtimalı aşağıdakı kimi hesablanır:

burada [I.sub.t] t çərçivəsindəki tək görüntüdür. M = <[m.sub.t]> yazırıq, V bölməsindəki varlıq cisimlərinin ehtimal ehtimal paylanmalarının Bölmə 4.1 -dəki üsulla. M, [M.sub.t] nin məkan dəstidir. Verilən X treklərində bir cismin var olma ehtimalı

[ASCII -də MATEMATİK İSTİFADƏ TƏKRAR EDİLMİR] (6)

[M.sub.t] X -də şərti müstəqillikdir. Cisimlərin varlığının ehtimal paylanmalarına görə izlərin maksimum posteriori qiymətləndirməsini çıxara bilərik:

[ASCII -də MATEMATİK İSTİFADƏ TƏHRÜK EDİLMİR] (7)

[ASCII -də MATEMATİK İSTİFADƏ TƏHRÜK EDİLMİR] (8)

[ASCII -də MATEMATİK İSTİFADƏ TƏKRAR EDİLMİR] (9)

[ASCII -də MATEMATİK İSTİFADƏ TƏKRAR EDİLMİR] (10)

[ASCII -də MATEMATİK İSTİFADƏ TƏKRAR EDİLMİR] (11)

[ASCII -də MATEMATİK İSTİFADƏ TƏHRÜK EDİLMİR]. (12)

burada (10) doğrudur, çünki [m.sub.t] (4) -ə görə 0 və ya 1 -dir və (11) [m.sub.t] -dən asılı olmayan bir termin göz ardı edilərək əldə edilir. Hər hansı bir bitişik çərçivənin məhəllə yerləri arasında yönləndirilmiş bir axının dəyəri kimi təyin olunur

c ([e.sub.t, t+i]) = - log ([(rho) .sub.t]/1 - [(rho) .sub.t]), (13)

burada [e.sub.t, t+1] t vaxtında [k.sub.t] yerdən t+1 vaxtına [k.sub.t+1] və t+1 zamanı arasındakı ümumi xərcdir. V hər hansı bir iki yerdir

[ASCII -də MATEMATİK İSTİFADƏ TƏKRAR EDİLMİR] (14)

2.2. Tam ədəd xətti proqramlaşdırma. Çərçivəmizdə, obyektlər izləmə sahəsinə girə və çıxa bildikləri üçün [13] tərəfindən təyin edilmiş mənbə və lavabo üçün əlavə qovşaqlar təqdim edirik. (7)-(12) tənlikləri təbii olaraq tam ədədli xətti proqrama (ILP) çevrilə bilər:

[ASCII -də MATEMATİK İSTİFADƏ TƏKRAR EDİLMİR] (15)

burada məhdudiyyət şərtləri (3) və (4) ilə eynidir və [[phi] .sup.*] = argmin C ([phi]) ILP -nin optimal həllidir. C ([e.sub.source, i]), qaynaq qovşağından izləmə yerlərinin axınının ümumi xərcidir və C ([e.sub.i, lavabo]) yerlərdən lavabo qovşağına gedən yol. Şəkil 1, xərclərin mavi kənarları üçün c ([e.sub.i, j]), c ([e.sub.source, i]) və c ([e. sub.j, lavabo]) qara kənarları üçün.

Xərclər aşağıdakı kimi müəyyən edilir:

c ([e.sub.qaynaq, i]) = - log [P.sub.qaynaq] ([k.sub.i]), c ([e.sub.i, lavabo]) = - qeyd [S. alt lavabo] ([k.sub.i]). (16)

Standart metodlardan istifadə edərək IP-nin rahatlaşması NP-tamamlandı. Ümumiyyətlə, bu problemi həll etmək üçün sadə alqoritmin [15, 16] və ya daxili nöqtəyə əsaslanan metodların [17, 18] variantlarından istifadə etmək olar. Bununla birlikdə, bu alqoritmlərin ən pis vəziyyət zaman kompleksləri çox yüksəkdir. [13, 14] -də, KSP üsulları və ardıcıl ən qısa yol (SSP) IP -ni davamlı LP -yə uğurla rahatlaşdıra bilsə də, hər ikisinin də öz çatışmazlıqları var. Bu üsulların çatışmazlıqlarını ödəmək üçün SPFA alqoritmindən istifadə edirik.

3. Sürətli Dinamik Qısa Yol Alqoritmi

Bu yazıda, ən qısa yolu daha sürətli alqoritmdən istifadə edərək, bu proqramın şəbəkə axını çərçivəsiylə rahatlaşdırmaq üçün bu alqoritmin orta vəziyyət mürəkkəbliyi O (E) dir. SPFA alqoritminin qlobal optimallığı izləməni daha etibarlı və daha səmərəli edir. Şəbəkə axını çərçivəsinin SPFA alqoritmini aşağıdakı kimi həyata keçirmək üçün iki xüsusi xüsusiyyətə ehtiyacı var.

(1) Bütün kənarlar və qovşaqlar bir -birindən asılı deyil, bütün kənarları vahid tutumdur.

(2) Şəbəkə yönəldilmiş asiklik qrafikdir (DAG).

3.1. SPFA alqoritmi. Ən qısa yol daha sürətli alqoritm [19] da təklif edilmişdir. SPFA alqoritminin məlumat quruluşu bir bitişiklik siyahısından və İlk Giriş, İlk Çıxış (FIFO) növbəsindən istifadə edir. Dinamik optimal yanaşmanı tətbiq edərək, SPFA alqoritminin zaman mürəkkəbliyi O (E) dir, burada E qrafikdəki kənarların sayıdır. N, qovşaqların sayı olduğu Dijkstra alqoritminin E [çox az] [N.sup.2] mürəkkəbliyindən daha yaxşıdır. Bu alqoritm üçün xüsusi məhdudiyyət şərtlərinə ehtiyac yoxdur. Buna görə, mənfi çəki dövrlərinin mənbədən əldə edilə biləcəyi istisna olmaqla, bütün yönləndirilmiş qrafiklər üçün SPFA alqoritmi qəbul edilə bilər.

3.2. Virtual qovşaqlarla SPFA alqoritmi. V məkanında hər hansı bir yerin ümumi dəyəri C olsun və E hər hansı bir qonşuluq yerinin bitişik çərçivələri arasındakı kənarların dəsti olsun. Modelin hər hansı bir cüt qovşağı arasındakı vəziyyətə keçid E ilə əldə edilə bilər və DAG G (V, E, C) minimum xərc axını modelinin bir obyektinin axın fəaliyyətini tamamilə təsvir edə bilər.

Minimum xərc axını modelimizdə Q bir FIFO növbəsidir, L G (V, E, C) saxlamaq üçün istifadə olunan bitişiklik siyahısını ifadə edir və c ([e.sub.i, j]) L elementidir. D massivinin mənbədən bütün digər qovşaqlara yönəldilmiş axının cari dəyərini qeyd etməsinə icazə verin. Mənbədən v -ə qədər olan ən qısa yolun ümumi dəyəri D (v) massivində saxlanılır. Başlanğıcda, D massivinin hər bir elementi maksimum dəyərə malikdir. Array D, Q növbəsi boş olduqda SPFA alqoritmi ilə mənbə ilə lavabo arasındakı ən qısa yolu çıxaracaq.

Yanlış neqativlər mühitində çox obyektli izlənmənin möhkəmliyini artırmaq üçün [G.sub.r] -ni G (V, E, C) qalıq qrafiki olaraq təyin edirik ki, bu da cari qovşaqdan terminal qovşağına qədər olan bütün yerləri ifadə edir. [G.sub.r] -ə iki əlavə virtual qovşaq, mənbə və lavabo daxil edilir və yerləri təmsil edən bütün qovşaqlarla əlaqələndirilir. Daha sonra [G.sub.r] -də SPFA alqoritmi ilə qovşaq mənbəyi ilə qovşaq yuvası arasındakı ən qısa yolu tapa bilərik. Üstəlik, v qaynağı ilə qovşaq arasındakı ən qısa yol D massivində əldə edilə bilər, burada v qaynaqdan lavaboya qədər olan ən qısa yolda olan hər hansı bir qovşaqdır.

Təklif olunan minimum xərc axını çərçivəsində, aşağıdakı addımlarla ən qısa yolu əldə edə bilərik.

(1) FIFO sırası Q, bitişik siyahı L və D massivini yaradın D (j): = [sonsuzluq] və D (mənbə): = 0 -ı başladın, burada mənbə başlanğıc düyümüdür və j hər hansı digər qovşaqdır. . Q sırasına mənbə əlavə edin.

(2) Q mənbəsinə çatmaq mümkün olan bütün məhəllə qovşaqlarını əlavə edin və onların dəyər dəyərlərini D massivində qeyd edin. D (i) mənbədən i, i [üzvünə qədər olan ən qısa yolun ümumi dəyər dəyərini saxlasın. ] [G.sub.r].

(3) Q -dəki yeni i qovşağının j məhəllə qovşaqlarını qiymətləndirin, burada j qovşaq i -dən əldə edilə bilən qovşaqdır. Əgər D (i) + c ([e.sub.i, j]) & lt D (j), D (j): = D (i) + c ([e.sub.i, j]).

(4) Q növbəsi boşalana və ən qısa yol T = ([k.sub.1],. [K.sub.N]), [k.sub.N] [üzvü] [G] olana qədər (3) təkrarlayın. .sub.

Şəkil 2, təklif etdiyimiz modeldə SPFA alqoritminin sadə emal addımlarını göstərir. Burada doğum, bir cismin ilk kəşf olunduğu qovşağı, sonu isə son kəşf olunduğu yeri təmsil edir. SPFA alqoritmindən istifadə edərək hər bir rahatlama əməliyyatı, bitişik qovşaqları ziyarət edən cari düyünün bir prosesidir. N -ci istirahət əməliyyatı, yolun n -də ən qısa olmasını təmin edir. Qalıq qrafikdəki ən qısa yolun kənarının uzunluğu N - 1 -dən çox olmadığından, SPFA alqoritmindən istifadə edərək əldə etdiyimiz yol ən qısadır. Əlavə açgözlü metodla SSP alqoritmindən istifadə edən [14] dəki metodla müqayisədə, SPFA alqoritmi qlobal optimallığı tapa bilər. Onun yaxınlaşması [19] Teorem 2 -də sübut edilmişdir.

SPFA alqoritmi ilə birdən çox obyekti izləmək kifayət deyil, çünki bu proses zamanı bəzi hədəf hərəkətləri asanlıqla nəzərə alınmır. SPFA alqoritminin hədəfin hərəkətini daha yaxşı təsvir etməsini təmin etmək üçün alqoritm üçün əlavə məhdudiyyətlər təqdim edirik.

3.3. SPFA alqoritmi üçün məhdudiyyətlər. Doğumla son arasındakı ən qısa yolu Gr qalıq qrafikində axtardığımız zaman bir problem ortaya çıxır. Alqoritm, doğumla son arasındakı hər hansı bir mövqedə obyektin giriş və gedişini idarə edə bilməz, yəni izləmə prosesi yarımçıqdır və möhkəm deyil.

SPFA alqoritmi ilə izləmə gücünü artırmaq üçün, şəkil 1 -də göstərildiyi kimi, orijinal mövqeyi əvəz etmək və virtual mövqe mənbəyi və lavabo ilə yeni bir DAG yaratmaq üçün doğum və sonun qonşularından istifadə edirik. müvafiq olaraq bir obyekt görünür və yox olur. Bu üsul SPFA alqoritminin qovşaqları arasındakı dinamik əlaqəni optimallaşdıra bilər.

Üstəlik, heç bir iterasiya olmadan SPFA alqoritmi böyük bir hesablama yaradır, çünki bir qovşaq üçün hər istirahətdə yalnız üç qonşuluq yeri hesablanır və mövcud qovşaqların sayı təkrarların sayı ilə tərs mütənasibdir.

3.4. Zaman Kompleksliyinin Təhlili. Dijkstra alqoritmi ən qısa yolu 0 (N log N) vaxtında hesablamaq üçün təsirli bir üsul olaraq tanınır.Təəssüf ki, təklif etdiyimiz axın şəbəkəsində Dijkstra alqoritminin ilkin şərtlərinə zidd olan mənfi xərclər var. Xoşbəxtlikdən, təklif olunan modeldə heç bir mənfi çəki dövrü yoxdur və beləliklə SPFA alqoritmi qəbul edilə bilər.

Təklif olunan alqoritm Bellman-Ford alqoritminin optimallaşdırılmasıdır. Bellman-ford alqoritmində N turu üçün hər bir kənardan kor-koranə keçdiyimiz halda, yalnız rahat olan qovşaqları yoxladığımızdan əmin olmaq üçün SPFA-da bir sıra saxlanılır. SPFA, Bellman-Ford alqoritminin O (NE) formasından daha sadədir, burada N-qovşaqların sayı, E-kənarların sayıdır.

DAG üçün, SPFA alqoritminin orta vəziyyət mürəkkəbliyi O (E) dir, burada E qrafikdəki kənarların sayıdır. Bu halda, hər bir qovşaq növbəyə yalnız bir dəfə daxil olur. SPFA alqoritmi, təklif etdiyimiz yanaşmada ən çox rast gəlinən bir axtarış alqoritmidir. Hər bir qovşaq N-1 dəfə növbəyə girərsə, təklif olunan alqoritm Bellman-Ford alqoritminə çevrilir, bu zaman alqoritminin ən pis halda olan mürəkkəbliyi, yəni O (NE). Ümumi halda SPFA alqoritminin mürəkkəbliyi [19] -də sübut edilmişdir. Referans [20] SPFA alqoritminin nəzəri və təcrübi baxımdan ən pis vəziyyətini ətraflı təhlil edir.

İstinadlar [13,14], tam ədədli xətti proqramın rahatlamasını hesablamaq üçün müvafiq olaraq KSP və SSP alqoritmlərini təklif edir. Hər iki alqoritmin ən pis vəziyyət mürəkkəbliyi 0 (KN log N), burada K unikal parçaların bilinməyən optimal sayıdır və N video ardıcıllığının çərçivə nömrəsidir. Diqqət yetirin ki, K fərqli dəyərlərə malik olduğundan, 14] həlli əldə etmək üçün fərqli üsullardan istifadə edir. Bu alqoritmin spesifik mürəkkəbliyi K -nin dəyəri ilə bağlıdır.

Təklif etdiyimiz alqoritmin orta vəziyyət mürəkkəbliyi O (E) -dir ki, bu da yuxarıda göstərilən metodlardan xeyli azdır. SPFA alqoritminin ən pis vəziyyətinin mürəkkəbliyi O (NE) dir, lakin bu, demək olar ki, alınmır.

Üstəlik, KSP alqoritmi kimi, SPFA alqoritmi [19] da sübut edildiyi kimi qlobal optimal həllini uğurla hesablayır. Ancaq [14] dəki kimi acgöz alqoritmi olan SSP qlobal optimal həll əldə edə bilmir.

4. Hədəf Yerləşdirmə və Uzun Sıra İşləmə

Yüksək keyfiyyətli çox obyektli izləmə üçün etibarlı bir izləyici, birdən çox obyekti dəqiq seqmentləşdirə və yerləşdirə bilən bir detektor və alqoritmin performansını artıra biləcək bir ön işləmə metodu lazımdır.

4.1. Hədəf Algılama və Yerləşdirmə. İzləyicinin dəqiq hədəfini əldə etmək üçün təkmilləşdirilmiş kod dəftəri alqoritmi olan bir fon modeli qururuq və [21] ön plan/fon çıxarma metodu ilə izləmə obyektinin müşahidə olunan xarakterik məlumatlarını çıxarırıq. [22] metodundan istifadə edərək əvvəlcə birləşmiş obyektləri seqmentləşdiririk. Daha sonra detektordan obyektlərin təyyarələrinin ehtimal paylanmalarını alırıq və bunlar SPFA alqoritminə giriş kimi xidmət edə bilər. Hədəf lokalizasiyasının seçilmiş bir neçə çərçivəsi Şəkil 3 -də göstərilmişdir.

Kamera baxış sahəsindəki tam diapazonlu izləmə alqoritmin işlənmə müddətini artırır və məhdud yaddaş resurslarının əhəmiyyətli bir hissəsini istehlak edir. Bu səbəbdən, obyektiv varlığın hesablanmış ehtimallarının çoxu 0 olduğu üçün bu xüsusiyyətlə düyünlərin sayını və hesablama xərclərini azalda bilərik. Digər tərəfdən, hesablama miqdarını azaltmaq üçün hədəflərin potensial doğum sahəsini məhdudlaşdırırıq. Təklif olunan üsul, hər bir çərçivənin müəyyən bir məkan -zaman qonşuluğu daxilində hər bir yerin [k.sub.t] maksimum aşkarlanma ehtimalını da yoxlayır:

[ASCII -də MATEMATİK İSTİFADƏ TƏKRAR EDİLMİR] (17)

Bir yerdəki dəyər təyin olunan həddən aşağıdırsa, dəyərlə təmsil olunan bir obyekt, yerə çata bilməmiş sayılır və oradan və oradan bütün axınlar modeldən çıxarılır. Bu üsul tələb olunan dəyişənlərin və məhdudiyyətlərin sayını böyük ölçüdə azalda bilər. Təcrübəmizdə qrafiki [[epsilon] .sub.1] = [[epsilon] .sub.2] = 3 radiusu ilə budadıq.

4.2. Uzun ardıcıllıqla işləmə. Teorik olaraq, SPFA alqoritmindən istifadə edərək uzun bir ardıcıllığın işlənməsi, izləmə müddəti üçün qlobal optimallığı təmin edə bilər, lakin böyük miqdarda əməliyyat müddəti tələb edir. Bu problemi həll etmək üçün uzun ardıcıllığı hər biri 100 kadrdan ibarət olan seqmentlərə ayırdıq ki, bu da giriş və çıxış arasında 0,5 saniyədən az gecikmə ilə yaxşı nəticələr verir və real vaxtda yerinə yetirilə bilər.

Müvəqqəti ardıcıllığı qoruyan hər bir seqment üçün, Şəkil 4 -də göstərildiyi kimi, çox çərçivəli bindirmə metodundan istifadə edirik və əvvəllər optimallaşdırılmış seqmentin son 10 çərçivəsini cari birinin ilk 10 çərçivəsinə əlavə edirik.

Daha sonra, cari çərçivənin ilk 10 çərçivəsinin hər bir yerinin axınlarının cəmini, əvvəlki birinin son 10 çərçivəsindəki obyektin son yerlərinin axınlarının ümumi sayına uyğun gəlməyə məcbur edirik. Bu, ayrılmış nöqtədəki itkin hədəf problemini effektiv şəkildə həll edir:

[ASCII -də MATEMATİK İSTİFADƏ TƏHRÜK EDİLMİR] (18)

burada [[theta] .sub.t], əvvəlki seqmentin son 10 kadrında görünən obyektin son mövqeyinin [k.sub.t] ümumi axınıdır. Cari seqmentin ilk 10 kadrında görünən bir cismin müvafiq birinci mövqeyi [k.sub.j] üçün içindəki xalis axın [k.sub.t] mövqeyindən kənar axına bərabərdir və eyni zamanda bərabərdir. [k.sub.t] ilə [k.sub.j] arasındakı hər hansı bir obyektin hər hansı bir potensial mövqeyindən [k.sub.i] çıxan ümumi axına. Bu, modelimizdə əlavə bir məhdudiyyət olaraq tətbiq olunur.

İzləmə hədəfini cari seqmentin ilk 10 kadrında tapa bilmiriksə, təklif olunan metod cari hissədən sonra t çərçivələrində obyekti axtarır. Təcrübəmizdə t '= 10 qoyuruq. İzləmə hədəfini t' içərisində bir çərçivədə tapsaq, bu çərçivə cari seqmentin ilk çərçivəsidir, əks təqdirdə uğursuz olur.

Simulyasiyamızda PETS09, CAVIAR, BEHAVEDATA və ETHMS (BEHAVEDATA, http://groups.inf.ed.ac.uk/vision/BEHAVEDATA/INTERACTIONS/index.html, CAVIAR, http://groups.inf.ed.ac.uk/vision/CAVIAR/CAVIARDATA1/, ETHMS, http://www.vision.ee.ethz.ch/

aess/verilənlər bazası/və PETS09, http://www.cvg.rdg.ac.uk/data-sets/index.html) məlumat dəstləri. Bunların hər biri üçün çətinliklər Cədvəl 1 -də ümumiləşdirilmişdir. Seçilmiş ardıcıllıqlar çox obyektli izləmədə tez -tez yaranan demək olar ki, bütün problemləri əhatə edir.

5.1. Parametr Ayarı. Təlim dövründə bir detektor, təkmilləşdirilmiş cədvəl alqoritmi modelinin arxa plana çıxma metodundan istifadə etməklə hazırlanmışdır. Gerçek zamanlı olaraq ön plan/fon seqmenti yeniləməsi ilə təsbit nəticəsini obyektin fəaliyyət dairəsi ilə birləşdiririk və yüksək ehtimal ilə obyektin yerini hesablayırıq. Obyektin fəaliyyət dairəsinin ölçüsü və obyektin piksellərinin sayı hər ardıcıllıqla eyni olmadığından, metodumuz hər bir video ardıcıllığında hər kvadrat üçün 900-1000 aşkarlama yarada bilər. Xətti detektorun nəticəsi olaraq hər bir aşkarlama prosesinin log ehtimalını mənfi bal olaraq təyin edirik.

Sərhədli bir dəyər dinamik modeli istifadə etdik: məkan üst -üstə düşməsi halında (yəni bir obyekt bir yerdə qalır) ardıcıl olaraq iki yer arasındakı dəyəri [c.sub.i, j] 0 olaraq təyin edirik. Doğum və bitiş məhəlləsindəki virtual yer sırasıyla [C.sub.source, doğum] = 10, [C.sub.end, lavabo] = 10 -dur. Üstəlik, SPFA istifadə edərək qlobal axtarış qurulmuş bitişiklik siyahısında olduğu üçün ən qısa yolu tapmaq köməkçi məhdudiyyətlər olmadan qlobal optimal həll olmalıdır.

5.2. Qiymətləndirmə Metrikləri. Qoy [GT.sub.i, t] beşinci çərçivə üçün əsas həqiqəti məhdudlaşdıran qutu olsun və [TR.sub.i, t] izlənilən sərhəd qutusu olsun. [C.sub.i, t] beşinci çərçivə və ith obyekti üçün kəsişmə sahəsi [GT.sub.i, t] [kəsişmə] [TR.sub.i, t] ilə sahə arasındakı nisbət olaraq təyin olunur. birliyin [GT.sub.i, t] [birliyin] [TR.sub.i, t] [23]:

Təcrübəmizdə [C.sub.i, t] həddini 0,5 olaraq təyin etdik ki, bu da yer həqiqətini məhdudlaşdıran qutunun və izlənilən məhdudlaşdırma qutusunun üst -üstə düşən sahələri 0.5 -dən artıq olduqda izləmənin uğurlu olması deməkdir.

Nəticələrimiz CLEAR2006 standartlarının [24] çoxsaylı obyekt izləmə dəqiqliyi (MOTA) və çoxlu obyekt izləmə dəqiqliyi (MOTP) ölçüləri ilə qiymətləndirilir:

MOTA = 1 [[SIGMA] .sub.t] ([c.sub.m] ([m.sub.t]) + [c.sub.f] ([fp.sub.t]) + [c. sub.s])/[SIGMA] .sub.t] [g.sub.t], (20)

MOTP = [[SIGMA] .sub.i, t] [C.sub.i, t]/[[SIGMA] .sub.t] [Nm.sub.t], (21)

burada [g.sub.t], üçüncü çərçivədəki əsas həqiqət obyektlərinin sayıdır, [Nm.sub.t], üçüncü çərçivədə xəritələnmiş obyektlərin sayına aiddir, [m.sub.t] buraxılmış aşkarlanmanı təmsil edir saymaq və [fp.sub.t] hər bir çərçivə üçün yanlış pozitiv saydır. [c.sub.s] = [log.sub.10] ID- [SWITCHES.sub.t], burada ID- [SWITCHES.sub.t] t çərçivəsindəki eşlemeyi nəzərə alaraq t-də ID uyğunsuzluqlarının sayıdır- 1. Günlük funksiyası sayəsində saymağa 1 -dən başladıq. [c.sub.m] və [c.sub.f] sırasıyla buraxılmış aşkarlamalar və yanlış pozitivlər üçün xərc funksiyalarını təmsil edir. (20) -də ağırlıq funksiyaları üçün istifadə olunan dəyərlər [c.sub.m] = [c.sub.f] = 1. Şəkil 5 SPFA alqoritmindən istifadə edərək təcrübədə MOTA və MOTP histoqramlarını göstərir.

5.3. Nəticələrin təhlili. Hər bir izləmə hədəfi üçün unikal identifikasiyanı təmin etmək üçün sifarişi göstərmək üçün fərqli rənglərdən istifadə edirik. Təcrübəmizdə istifadə olunan ardıcıllıqlar Cədvəl 1 -dəndir. Algılama nəticələri, alqoritmimizin girişi olaraq Bölmə 4.1 -də təsvir edilən proseslə əldə edilir. Daha sonra yalan pozitivlərin, yalan neqativlərin və dinamik fonun çox obyektli izləmə şərtlərinin performans testini keçiririk.

5.3.1. Yanlış Negativlər üçün Performans Testi. Ardıcıllıqlar PETS09 verilənlər bazasından Multiple_flow_view1 və S2_L1_view5 istifadə edir. Şəkil 6 və 7 -də tipik nəticələr göstəririk. Xüsusilə, birincisi, izləmə obyekti olaraq piyadaların geyindiyi parlaq sarı paltolardan istifadə edir. Yalan neqativlərin olma ehtimalı izlənilməyən obyektlərlə bağlanması səbəbindən əhəmiyyətli dərəcədə artsa da, SPFA alqoritmi bütün izləmə prosesində hər bir obyekt üçün davamlı izləmə (izləmə qutusunun rəngi dəyişməmişdir) təmin edə bilər. S2_L1_view5 üçün sınaq, hədəflər məhdudiyyətsiz gediş sahəsini tərk etdikdə və tezliklə yenidən görünəndə SPFA alqoritminin möhkəmliyini yoxlayır.

5.3.2. Yanlış pozitivlər üçün performans testi. Ardıcıllıqlarda, CAVIAR verilənlər bazasının Threepastshop2 və BEHAVEDATA verilənlər bazasının Sequence3 istifadə olunur. Tipik nəticələr Şəkil 8 və 9 -da göstərilmişdir. Biz aşkarlama və lokalizasiya üçün Bölmə 4.1 -dən istifadə etdik. SPFA-nın üstün həlli və müdaxilə əleyhinə olması səbəbindən, yalan pozitivlər halında birdən çox obyekti vaxtında izləyə bilərik.

5.3.3. Dinamik Fon üçün Performans Testi. Təcrübənin ardıcıllığı ilə təmin edilməli olan iki şərt var.

(1) Ardıcıllığın dinamik fonunun mövcud ehtimal paylanması nisbətən ardıcıl olmalıdır. Yalnız bu şəkildə alqoritm izləmə üçün bir obyektin yerini tez əldə edə bilər.

(2) Hədəflər izləmə sahəsindəki sabit giriş sahələri olmalıdır. İzləmə meydanı hərəkət etdiyinə görə, cisimlərin girə və çıxa biləcəyi potensial sahə dəyişir. Kamera baxış sahəsinin sərhədlərinin girə və çıxa biləcək bütün obyektlərin sahəsi olmasını tələb edirik.

Ardıcıllıq ETHMS verilənlər bazasından Seq03view1 istifadə edir. Dərinin rəngini və [25] üsulunu birləşdirmə üsulu ilə obyekt xüsusiyyətlərini əldə edirik və Şəkil 10 -da tipik nəticələr göstəririk. Bölmə 4.1 -də aşkarlama və lokalizasiya metodu yalnız hədəf xarakteristikasının izləmə yerində mövcud ehtimal paylanmasını nəzərə alır. və arxa plan şərtləri ilə əlaqəli deyil. Buna görə təcrübəmizin ardıcıllığı ardıcıl bir ehtimal paylamasını tələb edir. Bu məhdudiyyət, bir şəkildə, dinamik bir fon üçün eksperimental performans şərtlərini məhdudlaşdırır, ancaq dinamik bir fonda SPFA alqoritmindən istifadə edərək çox obyektli izləmənin möhkəm olduğu qənaətinə təsir etmir.

5.4. Simulyasiya təhlili. Yuxarıda göstərilən bütün təcrübələr 2.7 GHz Pentium (R) Dual-Core CPU və 8 GB yaddaş ilə təchiz edilmiş Windows XP PC-də həyata keçirilmişdir. Proqram platformasında Visual Studio 2010 və Open CV2.2 istifadə olunur.

SPFA alqoritmini fərqli məlumat dəstlərindən iki ardıcıllıqla (Zhang metodu 2 [12], KSP [13] və SSP [14]) müqayisə etdik (ETHMS verilənlər bazasının Seq03view1 və BEHAVEDATA verilənlər bazasının Sequence3). orta izləmə səhvləri. Nəticələr Şəkil 11 -də göstərilmişdir. İzləmə dəqiqliyi baxımından alqoritmləri də müqayisə etdik. Şəkil 12, bütün alqoritmlər üçün görüntü başına yanlış pozitivlərə (FPPI) qarşı aşkarlanma nisbətini göstərir. Bütün təcrübələrimiz üçün Bölmə 4.1 -də göstərilən eyni aşkarlama metodundan istifadə edirik.

Şəkil 11 göstərir ki, bu alqoritmlərin izləmə səhvləri məskunlaşma və qarışıqlıq ilə əlaqəli olmayan hallarda əhəmiyyətli dərəcədə fərqlənmir. Ancaq uzun müddət saxta pozitiv və yalan mənfi hallarda bir obyekti izləyərkən SPFA alqoritmimiz açıq bir üstünlük nümayiş etdirir. Sadə fərziyyələrdəki yaşayış problemi, Zhang'ın metodu 2 ilə təmin edilə bilsə də, lazım olan fərziyyələr buraxılmaqla nəticələnir və nəticədə bir neçə yanlış mənfi və yalan pozitivlik tez -tez baş verdikdə izləmə uğursuzluğuna səbəb olur. Şəkil 12 -də yuxarıdakı alqoritmlər eyni hədəf aşkarlama nisbətinə malik olduqda, SPFA alqoritmi FPPI -ni idarə etməkdə digər alqoritmlərdən daha yaxşı işləyir. SPFA alqoritminin üstünlüyü, daha sürətli rahatlama üsulu və qlobal optimal həll yolunu daha tez tapmasıdır.

Cədvəl 2 -də göstərildiyi kimi yuxarıdakı kimi eyni hədəf aşkarlama üsulu ilə SPFA metodu ilə yaradılan yanlış pozitivləri ETHMS verilənlər bazası və CAVIAR verilənlər bazasındakı digər metodlarla müqayisə etdik. Nəticələr göstərir ki, SPFA alqoritmi daha yaxşı izləyə bilər. Bundan əlavə, Şəkil 13 -də göstərildiyi kimi, SPFA alqoritminin işləmə müddəti digər üç alqoritmdən xeyli üstündür.

5.5. Çalışma vaxtı. BEHAVEDATA verilənlər bazasının ardıcıllığı üzrə SPFA izləmə alqoritmimizin sürətini 25 kadr / saniyədə qiymətləndirdik. SPFA və yuxarıdakı alqoritmlər üçün işləmə vaxtının əyriləri Şəkil 13 -də göstərilmişdir. İşləmə müddətini əks etdirən şaquli ox bir log şkalasında tərtib edilmişdir. Zhang metodu 2 -nin həlli əhəmiyyətli bir işləmə müddətində bir araya gəlmir. 1000 kadr ardıcıllığı ilə məşğul olarkən, KSP həlledicisi təxminən 20 saniyə, SSP isə 0,9 saniyə çəkir, amma SPFA həllçimiz cəmi 0,08 saniyə çəkir.

Bu yazıda, bir axın şəbəkəsi çərçivəsi olan etibarlı bir izləyici təklif etdik. Tam proqram nəzəriyyəsi tərəfindən qurulan minimum xərc axını modelində, SPF alqoritmindən istifadə edərək tam ədəd ehtimalını rahatlaşdırmaq və qlobal optimal həll yolunu uğurla təyin etmək mümkün oldu. Nəticədə ortaya çıxan alqoritm çox obyektli izləmə sahəsindəki qısa müddətli yalan pozitiv və yalan mənfi halların problemlərini daha yaxşı həll edə bilər və ən müasir metodlardan daha möhkəmdir. Təklif etdiyimiz üsul, SPFA istifadə edərək rahatlaşdırılmış LP -nin qlobal optimal həllini tez bir zamanda tapa bilər.

Təcrübə nəticələri, təklif olunan alqoritmin çoxlu obyektlər arasındakı trayektoriya ardıcıllığını yaxşılaşdırmaqda və ciddi tıxanma problemlərini həll etməkdə köməkçi olduğunu və real vaxt ölçmə tələblərini təmin edə biləcəyini göstərir. Digər alqoritmlərlə müqayisədə SPFA -nın açıq üstünlükləri var. Real vaxtda dinamik bir fon ilə bir çox növ hədəfi izləmək gələcək araşdırmamızın mövzusu olacaq.

Müəlliflər bu məqalənin nəşri ilə bağlı heç bir maraq toqquşmasının olmadığını bəyan edirlər.

Bu iş Çinin Milli Təbiət Elmləri Vəqfi (Qrantlar no. 61372090 və 61210013) və Çinin Əsas Tədqiqatlar üzrə Milli Açar Layihəsi (2013CB329403) tərəfindən birgə dəstəklənir.

[1] I. S. Kim, H. S. Choi, K. M. Yi, J. Y. Choi və S. G. Kong, "Ağıllı vizual müşahidə-bir araşdırma", Beynəlxalq Nəzarət, Avtomatlaşdırma və Sistemlər jurnalı, cild. 8, yox. 5, s. 926-939, 2010.

[2] Z. Hou və C. Han, "Vizual izləmə araşdırması", Acta Automatica Sinica, cild. 32, yox. 4, s. 603-617, 2006 (Çin).

[3] M.-X. Jiang, H.-Y. Wang və X.-K. Liu, "Birdən çox kameraya əsaslanan çox hədəfli izləmə alqoritmi", Acta Automatica Sinica, cild. 38, yox. 4, s. 531-539, 2012 (Çin).

[4] H. Zhou, "Bir çox hədəf izləmə texnikasının araşdırılması", ACTA Aeronautica et Astronautica Sinica, cild. 7, yox. 1, s.1-10-10, 1986 (Çin).

[5] Q. Yu və G. Medioni, "Spatiotemporal Monte Carlo markov zəncir məlumat assosiasiyası tərəfindən birdən çox hədəf izləmə", Pattern Analizi və Maşın Zəkası üzrə IEEE Əməliyyatları, cild. 31, yox. 12, s. 2196-2210, 2009.

[6] F. Serratosa, R. Alquezar və N. Amezquita, "Ehtimal olunan inteqrasiya olunmuş obyekt tanıma və izləmə çərçivəsi", Proqramlı Ekspert Sistemləri, cild. 39, yox. 8, s.7302-7318, 2012.

[7] E. Maggio, M. Taj və A. Cavallaro, "Təsadüfi sonlu dəstləri istifadə edərək çox məqsədli vizual izləmə", Video Texnologiyası üçün Dövrlər və Sistemlər üzrə IEEE İşlemləri, cild. 18, yox. 8, s. 1016-1027, 2008.

[8] I. Sharp, K. Yu və T. Sathyan, "Mobil izləmə üçün mövqe dəqiqliyi ölçmə və səhv modelləşdirmə", Mobil Hesablama üzrə IEEE Transactions, cild. 11, yox. 6, s.1021-1032, 2012.

[9] J. Giebel, D. Gavrila və C. Schnorr, "Multi-cue 3D obyekt izləmə üçün bayes bir çərçivə", Proceedings of European Conference on Computer Vision, pp. 241-252, 2004.

[10] AGA Perera, C. Srinivas, A. Hoogs, G. Brooksby və W. Hu, "Eşzamanlı uzun oklüzyonlar və bölünmə-birləşmə şərtləri ilə çox obyektli izləmə", 24-cü IEEE Kompüter Cəmiyyəti Kompüter Konfransının materiallarında. Vizyon və Nümunə Tanıma (CVPR '06), s. 666-673, İyun 2006.

[11] F. Fleuret, J. Berclaz, R. Lengagne və P. Fua, "Ehtimal olunan bir yaşayış xəritəsini izləyən çox kameralı insanlar", Nümunə Təhlili və Maşın Zəkası üzrə IEEE İşlemləri, cild. 30, yox. 2, s. 267-282, 2008.

[12] L. Zhang, Y. Li və R. Nevatia, "Şəbəkə axınlarından istifadə edərək çox obyektli izləmə üçün qlobal məlumat birliyi", Kompüter Görmə və Nümunə Tanıma üzrə 26-cı IEEE Konfransının İşləri (CVPR '08), s. 342-349, İyun 2008.

[13] J. Berclaz, F. Fleuret, E.Turetken və P. Fua, "K-ən qısa yolların optimallaşdırılması istifadə edərək birdən çox obyektin izlənməsi", IEEE Transaction on Pattern Analysis and Machine Intelligence, cild. 33, yox. 9, s.1806-1819, 2011.

[14] H. Pirsiavash, D. Ramanan və CC Fowlkes, "Dəyişən çox sayda obyekti izləmək üçün qlobal miqyasda optimal açgözlü alqoritmlər", Proceeding of IEEE Conference on Computer Vision and Pattern Recognition (CVPR 11), s. 1201 -1208, Providence, RI, ABŞ, İyun 2011.

[15] B. Aghezzaf və T. Ouaderhman, "Çox obyektivli xətti proqramlaşdırma problemləri üçün interaktiv daxili nöqtə alqoritmi", Əməliyyatlar Araşdırma Məktubları, cild. 29, yox. 4, s.163-170, 2001.

[16] M. D. Gonzalez-Lima, A. R. L. Oliveira və D. E. Oliveira, "Xətti proqramlaşdırmanın daxili nöqtəli metodlarında yaranan xətti sistemlərin həlli üçün güclü və təsirli bir təklif", Hesablama Optimizasiyası və Tətbiqləri, cild. 56, yox. 3, s.573-597, 2013.

[17] J. Wei və M. Zhang, AI 2011-ci ildə "Dinamik çox obyektiv optimallaşdırma üçün sadə model əsaslı təkamül alqoritmi", süni intellektin inkişafı, cild. 7106 Kompüter Elmində Mühazirə Qeydləri, s. 372-381, Springer, Heidelberg, Almaniya, 2011.

[18] I.U. Khan, T. Əhməd və N. Maan, "Tamamilə qeyri -səlis xətti proqramlaşdırma problemlərinin həlli üçün sadələşdirilmiş yeni bir texnika", Optimizasiya nəzəriyyəsi və tətbiqləri jurnalı, cild. 159, yox. 2, s. 536-546, 2013.

[19] D. Fanding, "Ən qısa yol üçün daha sürətli bir alqoritm-SPFA," Journal of South West Jiaotong University, cild. 29, yox. 2, s. 207212, 1994 (Çin).

[20] X. Zhengdong, B. Tianming və Z. Juyang, "SPFA alqoritminin təhlili və təkmilləşdirilməsi", Kompüter Elmləri, cild. 41, yox. 6, s.180-184, 2013 (Çin).

[21] M. H. Sigari və M. Fathy, "İki qatlı kod kitabçası modelindən istifadə edərək real vaxt rejimində modelləşdirmə/çıxma", Mühəndislərin və Kompüter Elm adamlarının Beynəlxalq Çox Konfransının İşləri (IMECS '08), cild. 1, Hong Kong, Çin, Mart 2008.

[22] A. Bugeau və P. Perez, "İzlə və kəs: qrafik kəsikləri ilə birdən çox obyektin eyni vaxtda izlənməsi və seqmentləşdirilməsi", EURASIP Image and Video Processing Journal, cild. 2008, Maddə ID 317278, 2008.

[23] H. P. Liu, M. Y. Yuan, F. C. Sun və J. W. Zhang, "Vizual obyekt izləmə üçün məkan məhəlləsi ilə məhdudlaşdırılmış xətti kodlaşdırma", Sənaye İnformatika üzrə IEEE Əməliyyatlar, cild. 10, yox. 1, s. 469-480, 2014.

[24] R. Kasturi, D. Goldgof, P. Soundararajan və digərləri, "Videoda üzün, mətnin və vasitənin aşkarlanması və izlənməsinin performansının qiymətləndirilməsi üçün çərçivə: məlumatlar, ölçülər və protokol", Nümunə Analizi üzrə IEEE Əməliyyatlar və Maşın Zəkası, cild 31, yox. 2, s. 319-335, 2009.

[25] C.-N. Guan, C.-F. Juang və G.-C. Chen, "Dalğac-lokallaşdırılmış fokus rəng xüsusiyyətləri və forma xüsusiyyətləri olan qeyri-səlis təsnifatçının köməyi ilə üz lokalizasiyası", Rəqəmsal Siqnal İşlənməsi, cild. 22, yox. 6, s. 961-970, 2012.

Zhenghao Xi, (1,2) Heping Liu, (1) Huaping Liu, (2) və Bin Yang (3)

(1) Avtomatika və Elektrik Mühəndisliyi Məktəbi, Elm və Texnologiya Universiteti Pekin, Pekin 100083, Çin

(2) Ağıllı Texnologiya və Sistemlər Dövlət Açar Laboratoriyası, Tsinghua Universiteti, Pekin 100084, Çin

(3) Elektron Mühəndisliyi Bölümü, Changwon Milli Universiteti, Changwon 641-773, Koreya Respublikası

Yazışmalar Zhenghao Xi [email protected] ünvanına göndərilməlidir

19 Mart 2014 Alındı ​​22 İyul 2014 Yeniləndi 30 İyul 2014 Qəbul Edildi 17 Avqust 2014 tarixində nəşr olundu


3 Cavablar 3

Dijkstra alqoritmində hər bir namizəd yolu üçün tək bir dəyər saxlamaq əvəzinə (ümumi uzunluq, ümumi mənfəət) bir dəstə saxlayın. Ümumi uzunluq daha azdırsa və ya ümumi uzunluqlar eynidirsə, amma ümumi mənfəət daha yüksəkdirsə, istirahət addımında daha qısa bir yol düşünün.

Əsasən etdiyiniz şey, sırasıyla uzunluğu və mənfəəti qoruyan iki sıra var. Uzunluğun kənarların mənfəətinə nisbəti olan başqa bir sıra yarada bilərsiniz. Beləliklə, sıra bütün kənarlar üçün nisbət = uzunluq/mənfəət saxlayacaq və bu rasion dizisini istifadə edərək Djikshtra alqoritmindən istifadə edə bilərsiniz. Djikshtra alqoritmi üçün, V vertex və massiv nisbəti olaraq istifadə edin. Bu Djikshtra alqoritmindən istifadə edin. İstədiyiniz cavabı alacaqsınız

Belə bir problemə yanaşmanın bir yolu, lambda üçün yeni bir dəyişən etməkdir.

Ancaq əvvəlcə mənfəət məsələsi ilə məşğul olaq: ​​kənarlarınızın l uzunluqları və mənfəəti var. P-nin hamısını yenidən təyin edin ki, p '= max (p) -p olsun. İndi, maksimum gəlirli kənarınız sıfır dəyərinə (mümkün olan ən aşağı) və ən az gəlirli kənarınız max (p) (mümkün olan ən yüksək) dəyərinə malikdir. İndi ən ucuz xərc yolunu tapa bilərsiniz.

Kenarın ağırlığını l*L+p '*(1-L) olaraq təyin edin, indi L-ni 0-dan 1-ə dəyişin. Uzunluğun və ya qazancın daha vacib olub olmamasından asılı olaraq fərqli yollar optimal olacaq. Sərbəst şəkildə desək, bu yollar bir Pareto optimal dəsti təşkil edir. Hər bir həll yolu, bu L dəyərinə görə digərlərindən daha yaxşıdır. Bunun üçün uzunluğu artırmadan mənfəəti artırmaq və ya mənfəəti azaltmadan uzunluğu azaltmaq üçün bir yol yoxdur.

Diqqət yetirin ki, bu dəsti yaratmaq üçün uyğun L dəyərlərinin seçilməsi birmənalı ola bilməz: məsələn, mənfəət nömrələri uzunluq rəqəmlərindən çox böyükdürsə, dəstin əksəriyyəti mənfəət dəyərlərini hansı səviyyəyə qaldıran L dəyərlərində yığılacaq. uzunluq dəyərləri ilə müqayisə olunur. Bu L dəyərləri olduqca kiçik ola bilər.

Ooop, düzəlişinizi gördüm: "Əvvəlcə ən qısa yolun x dəyərini tapın, sonra eyni uzunluğa malik olan bütün yolların çoxluğu üzərində, maksimum qazanc əldə edən birini tapın." Bu vəziyyətdə Nikin cavabı getmək üçün bir yoldur.


Prefektiv SJF

Preemptive SJF Scheduling -də, işlər gəldikləri kimi hazır növbəyə qoyulur. Ən qısa partlama müddətinə malik bir proses icra olunmağa başlayır. Daha qısa bir partlama müddətinə sahib bir proses gəlsə, cari proses silinəcək və ya icra edilməməlidir və daha qısa işə CPU dövrü ayrılmışdır.

Aşağıdakı beş prosesi nəzərdən keçirin:

Proses Sırası Burst zamanı Gəliş vaxtı
P1 6 2
P2 2 5
P3 8 1
P4 3 0
P5 4 4

Addım 0) Zaman = 0 olduqda, P4 gəlir və icra etməyə başlayır.

Proses Sırası Burst zamanı Gəliş vaxtı
P1 6 2
P2 2 5
P3 8 1
P4 3 0
P5 4 4

Addım 1) Zaman = 1, Proses P3 gəlir. Lakin, P4 daha qısa bir partlama müddətinə malikdir. İcra etməyə davam edəcək.

Addım 2) Zaman = 2, P1 prosesi partlama vaxtı = 6 ilə gəlir. Burst zamanı P4 -dən daha çoxdur. Beləliklə, P4 icra etməyə davam edəcək.

Addım 3) Zaman = 3 -də, P4 prosesi yerinə yetirilməsini başa çatdıracaq. P3 və P1 -in partlama müddəti müqayisə edilir. P1 prosesi, partlama müddəti daha aşağı olduğu üçün icra edilir.

Addım 4) Zaman = 4, proses P5 gələcək. P3, P5 və P1 -in partlama müddəti müqayisə edilir. P5 prosesi, partlama müddəti ən aşağı olduğu üçün icra edilir. Proses P1 üstünlük təşkil edir.

Proses Sırası Burst zamanı Gəliş vaxtı
P1 6 -dan 5 -i qalıb 2
P2 2 5
P3 8 1
P4 3 0
P5 4 4

Addım 5) Zaman = 5, proses P2 gələcək. P1, P2, P3 və P5 -in partlama müddəti müqayisə edilir. Proses P2, partlama müddəti ən az olduğu üçün icra edilir. Proses P5 üstünlük təşkil edir.

Proses Sırası Burst zamanı Gəliş vaxtı
P1 6 -dan 5 -i qalıb 2
P2 2 5
P3 8 1
P4 3 0
P5 4 -dən 3 -ü qalıb 4

Addım 6) Zaman = 6, P2 icra edir.

Addım 7) Zaman = 7 olduqda, P2 icrasını bitirir. P1, P3 və P5 -in partlama müddəti müqayisə edilir. P5 prosesi, partlama müddəti az olduğu üçün icra edilir.

Proses Sırası Burst zamanı Gəliş vaxtı
P1 6 -dan 5 -i qalıb 2
P2 2 5
P3 8 1
P4 3 0
P5 4 -dən 3 -ü qalıb 4

Addım 8) Zaman = 10 olduqda, P5 icrasını bitirəcək. P1 və P3 partlayış vaxtı müqayisə edilir. P1 prosesi, partlama müddəti az olduğu üçün icra edilir.

Addım 9) Zaman = 15, P1 icrasını bitirir. P3 qalan yeganə prosesdir. İcra etməyə başlayacaq.

Addım 10) Zaman = 23 -də P3 icrasını bitirir.

Addım 11) Yuxarıdakı nümunə üçün orta gözləmə müddətini hesablayaq.


Networkx, ən qısa dövrlər etmək üçün ən qısa yollardan istifadə edir

bu sual spesifik NetworkX -ə. Ehtiyacım olan hər şeyi yerinə yetirmək üçün öz funksiyalarımı edə bilərdim, amma daha uzun çəkəcək, buna görə də ondan qaçmaq istəyirəm.

NetworkX yönləndirilməmiş bir qrafiklə təmsil olunan çəkisiz bir qrafikim var. Bu qrafikdən "ən qısa dövrlər" axtarıram - yəni müəyyən bir k nodu üçün k -dən çıxan və sonra k -yə qayıdan ən qısa sadə yolu tapıram (yalnız bir dəfə qovşaqdan keçir).

Bunu etmək üçün hər hansı bir NetworkX Shortest Paths alqoritmindən istifadə etmək və k nodundan k noduna qədər axtarış aparmaq istərdim. Problem ondadır ki, hər ən qısa yol alqoritmi yol olaraq k düyünü qaytarır. Beləliklə, əslində heç vaxt ayrılmır. Və bunu necə dəyişəcəyimi bilmirəm.

Mümkün bir həll yolu mənim üçün olardı:

Bununla birlikdə, bu "ən qısa dövr" texnikasını etməyi planlaşdırdığım vaxtlar çox böyükdür və bunu etməməyi üstün tuturam. Beləliklə, NetworkX ilə istədiyimi etmək üçün daha asan bir yol varmı?


Ən qısa yol alqoritmindən istifadə edərək İşləmə skriptini necə yaratmaq olar? - Coğrafi İnformasiya Sistemləri

Git istifadə edin və ya veb URL -dən istifadə edərək SVN ilə yoxlayın.

Rəsmi CLI ilə sürətli işləyin. Daha ətraflı.

GitHub Desktop -un işə salınması

Heç bir şey olmazsa, GitHub Desktop -u yükləyin və yenidən cəhd edin.

GitHub Desktop -un işə salınması

Heç bir şey olmazsa, GitHub Desktop -u yükləyin və yenidən cəhd edin.

Xcode işə salınır

Heç bir şey olmazsa, Xcode yükləyin və yenidən cəhd edin.

Visual Studio Kodunun işə salınması

Hazır olduğunuzda kod məkanınız açılacaq.

Kod məkanınızı hazırlayarkən problem oldu, yenidən cəhd edin.


Ən qısa yol təhlili üçün dinamik marşrutlaşdırmanın modelləşdirilməsi

Universiti Teknologi Malaysia, 81310 UTM Skudai, Johor, Malaysia.

2Fotoqrammetriya və Geoinformatika kafedrası,

Stuttgart Tətbiqi Elmlər Universiteti, Schellingstr. 24 70023 Stuttgart, Almaniya.

problem "çoxlu heterojen dəyişiklikləri" idarə etmək qabiliyyətidir: yeniləmələr arasında giriş qrafikinin kənar kənarların, kənarların silinmələrinin və kənar uzunluğu dəyişikliklərinin ixtiyari bir qarışığı ilə yenidən qurulmasına icazə verilir. Fəsil üç ümumi hissədən ibarətdir. Birinci hissədə 3D naviqasiya modeli, dinamik çəki və onun funksional tələbləri müzakirə olunur. İkinci hissə, 3D dinamik şəbəkə modelini təqdim edir və SSSP marşrutlaşdırma alqoritmindən və onun tətbiqindən istifadə edərək mümkün həlli izah edir. Gələcək tədqiqatlar üçün tövsiyələr haqqında son müzakirə fəsli bitirir.

Açar sözlər: Ən qısa yol, dinamik çəki, 3D naviqasiya, 3D-GIS.

hər qovşaqda lazımdır və s. hələ də qovşağı olmayan bir yamaclı yol uzun olsa da və dağlarda həmişəki kimi çoxlu serpantin olsa belə marşrutlaşdırma məqsədləri üçün iki qovşaq və bir qövs ilə modelləşdirilə bilər, ancaq bu şəbəkənin həndəsə hissəsidir .

Davam etmədən əvvəl bəzi qeydləri təsvir edək və ən qısa yol problemini təyin edək. Şəbəkə, G = (V, E) düyünlər toplusundan (təpə) V ibarət olan, şəbəkə qovşaqlarının toplandığı q = | V | g = | V1, V2, V3. Vn | və h = | E | ilə istiqamətləndirilmiş kənarlardan ibarət E dəsti h = | (V1, V2), (V2, V3),. (Vn, Vn) |. Hər bir kənar, i qovşağından j qovşağına qədər (i, j) olaraq təyin olunan bir cüt qovşaq şəklində təmsil olunur. Hər bir kənarın (i, j) kənarının məsafəsini və ya dəyərini (yəni Wij: 5) təmsil edən Wij rəqəmsal dəyəri ilə əlaqəli bir çəki var. Bu fəsildə, i və j qovşaqları arasındakı iki istiqamətli səyahətin iki fərqli yönləndirilmiş kənar (i, j) və (j, i) ilə təmsil olunduğunu güman edirik. Hər bir kənar (i, j) üçün E -nin alt kənarı üçün bilinən kənar çəkisi (məsafəsi) Wij olan G = (V, E) şəbəkəsini nəzərə alsaq, ən qısa yol problemi bir qaynaq nodundan müəyyən bir qovluğa qədər olan ən qısa məsafəni tapmaqdır. düyün dəstində V. Bu, statik bir qovşaq (lar) ilə bir şəbəkədə ən qısa yolu tapmağın sadə bir yoludur. Bir və ya daha çox düyünün davranışının (yəni yeri, çəkisi və ətrafdakı atributları) gələcəkdə gözlənilən hadisələr səbəbiylə hədəfə gedən marşrut boyunca və ya ətrafındakı dinamik olaraq dəyişdiyi hallar var.

Hal-hazırda, tədqiqatçılar 3D-GIS-də marşrutlaşdırma anlayışlarını (Ivin və digərləri, 2006 və Zhu və digərləri, 2006) və hətta bir neçə növ inkişafla evakuasiya strategiyalarını (Shi və Zlatanova 2005) tanıtmaq üçün tədqiqatçılar tərəfindən başlamışdır. yaxınlaşır. Müzakirə olunan tədqiqatların əksəriyyəti nəqliyyat məlumat modelinə (Zhu və digərləri, 2006 Liu və digərləri, 2005 Fischer, 2004) və digərləri fəlakət və fövqəladə halların idarə edilməsinə yönəlmişdir (Shi və Zlatanova, 2005 Zlatanova və digərləri, 2005 Zlatanova) və Holweg, 2004). Eksik olan, real dünyanın və ya bir 3D modelinin bir şəbəkə qrafikində bir kənarın ağırlıqlarına və ya xərclərinə uyğunlaşdırılmasıdır.

2.0 3D NAVİGASİYA VERİ MODELİ

(NavTech), GIS-T Enterprise (Dueker və Butler, 1997) və zolağa əsaslanan məlumat modeli (Fohl et al., 1996).

Cari məlumat modellərini təkmilləşdirmək və yeni məlumat modelləri/standartları qurmaq üçün konsepsiya və məntiq modelini öyrənmək əsasdır. 2004 -cü ilin əvvəlində ISO standartına çevrilən GDF, naviqasiya xidməti üçün yol şəbəkələrinin və yolla əlaqəli məlumatların daha çox yayılmış bir anlayışı və məntiq modelidir. Və onun fiziki modeli naviqasiya məlumatları üçün dəyişdirilə bilən format kimi çıxış edə bilər. Bununla birlikdə, SDAL daha çox fiziki məlumat modelləridir. GDF -ə əsaslanan konsepsiya və məntiq məlumat modelinin öyrənilməsi mənalıdır.

Qrafik məlumat quruluşu bir kənarın digər kənarlara yalnız son nöqtələrində bağlanmasına imkan verir. Fohl və başqaları. (1996), zolaq əsaslı şəbəkəni bir sıra kiçik kənarları olan bir zolaq seqmentini təmsil edərək, mövcud marşrutlaşdırma alqoritmləri ilə işləməyə uyğunlaşdırmaq üçün bir yol təklif etdi ki, zolaq dəyişikliyi seriyanın hər hansı bir ucundakı bitişik zolaqlarda edilə bilsin.

2.1 Dinamik çəki anlayışı

Avtomobilin marşrutlaşdırılması problemində, təyinat qovşağı düzəldilir, halbuki başlanğıc nöqtəsi xəritənin istənilən yerində dinamik olaraq yerləşəcəkdir. Məsələn, taksi çağırın, bir şəxs bir taksi şirkətinə zəng vurur və yerini operatora verir. Daha sonra operator ən yaxın taksini axtarıb təyin olunmuş yerə göndərəcək və zəng edənə taksinin gəlmə vaxtını bildirəcək. Yol trafiki kimi dinamik bir faktorla, təyin olunmuş taksi vaxtında müəyyən yerə gələ bilməyəcək. Daha sonra mövcud olan digər taksi (ən yaxın ikinci) məlumatlandırılacaq və taksi zəng edənə çatana qədər davam edəcək. Bu tip problemlərdə istifadə ediləcək alqoritm birdən çox növə malik olacaq.

Xilasetmə əməliyyatı planlaşdırarkən, bir bina modeli ya bir binanın soyutlaması ola bilər, ehtimal ki, geometriya və ya topologiya modeli olan 3D məkanında çoxbucaqlılarla təmsil olunur (Zlatanova et al. 2004) və ya əlaqələri təmsil edən məntiqi bir model. otaqlar arasinda. Otaqlar və vacib keçidlər qovşaqlarla təmsil olunur, yollar qovşaqlar arasındakı keçidlər kimi təmsil olunur. Buna görə "model, hər bir xilaskarı xilasetmə əməliyyatı və yanğın vəziyyətində bilinən və ya bilinməyən sayda xilasetmə əməliyyatı zamanı sağ qalanlara təhvil verə bilərmi?" həll oluna bilər.

Ən qısa yol alqoritmlərinin səmərəliliyinin təhlili ilə bağlı ətraflı müzakirəni Zhan və Noon (1998) araşdırmasında tapa bilərsiniz.

Daxili və açıq havada naviqasiya etmək üçün aralarındakı "fasiləsiz" davam olmalıdır. Simulyasiya (Jafari et al. 2003) istifadə edərək, naviqasiyanın dinamik anlayışını artıra bilər. Bəzi məlumatlar, pis hava və ya texniki problem kimi bəzi xüsusi vəziyyətlərdə müvəqqəti olaraq mövcud olmayacaq, buna görə də simulyasiya məlumatlarının istifadəsi davamlı və dinamik dəstək təmin edəcək. Fərqli fərziyyələr altında ətraf mühit ssenarilərinin simulyasiyası, proqnozlaşdırılan şəkildə xərcləri və təhdidləri minimuma endirə bilər.

3.0 3D DİNAMİK ŞƏBƏK MODELİ

Bir sözlə, 3D dinamik şəbəkə qurma prosesini üç addımda qısaca göstərmək olar. Birincisi, planar və düz olmayan şəbəkələrdən 3D şəbəkələrinə qədər, 2D qrafikdəki alt/üst keçid və şəbəkə örtüyünün qeyri-müəyyən vəziyyətinə aydınlıq gətirilə bilər. Vizualizasiya və effektiv və hərtərəfli məlumat inteqrasiyası qabiliyyətlərini artırır. İkincisi, statik bir şəbəkədən dinamik bir şəbəkəyə keçərək, nəqliyyat vasitəsi və digər hadisələr haqqında real vaxt məlumatı birbaşa marşrutlaşdırma prosesinə inteqrasiya edilə bilər. Nəhayət, optimallaşdırıldıqdan sonra lazımsız təpələr aradan qaldırılır və ümumi nöqtələrin sayı xeyli azalır, beləliklə sürətli cavab qabiliyyəti artırılır.

3.1 Gözlənilən Marşrutlaşdırma Alqoritminin Tətbiqi

Daha əvvəl qeyd edildiyi kimi, marşrutlaşdırma qrafiki müəyyən hadisələr səbəbindən zamanla dəyişə bilər. Gördüyümüz kimi, ən əhəmiyyətli iki dəyişiklik, bir kənarın xərclərini artırmaq və azaltmaq və qrafikə yeni bir kənar daxil etməkdir. Digər hadisələr bu iki əməliyyata əsaslanaraq modelləşdirilə bilər. Yeni bir kənarın qoyulması e = (v,w) bir qrafiki xərclərin azalması hesab edilə bilər c(e) 'dən bir dəyərə c. Bir kənarın silinməsi e = (v,w) bir kənarın xərclərini artırmağa bənzəyir. Bir təpənin silinməsi v baş verən bütün kənarları silməklə edilə bilər v. Heç bir kənarın qrafikin qalan hissəsi ilə əlaqələndirmədiyi bir nöqtəni daxil etmək mənasızdır. Bu birləşdirici kənarları daxil edən kənar alqoritmi istifadə edərək daxil ediləcək. Aşağıdakı Cədvəl 1, bir kənarın və ya ucun silinməsi, daxil edilməsi və ya dəyişdirilməsinin nə vaxt lazım olduğunu izah edir.

Cədvəl 1: Marşrutlaşdırma alqoritmi üçün dinamik hadisələrin təsviri.

Tapşırıq Nümunə (Dinamik Hadisələr)

Bir fəlakət (binalarda tavanın çökməsi və ya yol qəzaları) səbəbindən bir kənar bağlana bilər və artıq istifadə edilə bilməz.

Yanğın baş verərsə, xilasedicilərin insanları birinci mərtəbədən xilas etmək üçün nərdivandan istifadə etməsi və s.

Bir kənarın xərclərini dəyişdirmək

Bu yoldan çıxmaq daha çətindir (tüstü və s. Səbəbindən) və ya xilasetmə qrupunun görünüşünə görə bu yoldan çıxmaq daha asandır.

Verilən bir yerdən və ya tıxaclarda fövqəladə bir vəziyyətdə binadan ən qısa çıxış yolunu tapmaq üçün G Qrafik dinamikası üçün Tək Lavabonun Ən Qısa Yol Problemi (SSSP) həll edilməlidir. kənar e = (v,w) qrafikdə müsbət xərclər var c(e) & gt0, problem Dijkstra alqoritmi ilə həll edilə bilər. Bir hadisəyə görə qrafikin quruluşu dəyişərsə, dəyişikliklərin nəticəyə heç bir təsiri olmasa belə, bütün alqoritm yenidən işlənməlidir. Dijkstra alqoritmi verilmiş G və sink Vertex giriş qrafikində toplu işləmə kimi qəbul edilə bilər s. Məlumat girişi dəyişdirilərsə, alqoritm yenidən işə salınacaq.Bu fəsildə, qrafik quruluşundakı dəyişikliklərlə məşğul olmaq üçün artan bir yanaşma təklif edirik. Qrafik quruluşundakı dəyişikliklər ümumiyyətlə yerli dəyişikliklərdir. Verilən giriş üçün SSSP problemi həll edildikdən sonra (G, v), hadisə səbəbindən həllin yalnız kiçik bir hissəsi yenidən hesablanmışdır. Bu artan yanaşma ümumiyyətlə daha təsirli olur. Bu cür artan alqoritmlərin mürəkkəbliyinin ətraflı təhlili üçün Ramalingam və Reps (1996) araşdırmasında tapa bilərsiniz.

3.2 Artan SSSP Alqoritmi

SSSP probleminin girişi bir xərc funksiyası olan G (V, E) qrafikidir c: E Æ R+ və lavabonun zirvəsi v. Ən qısa məsafəw) dan v hər bir nöqtə üçün w V hesablanmalıdır. Dijkstra alqoritmi problemi həll edəcək. Bununla birlikdə, G əvvəlcədən müzakirə edildiyi kimi zamanla dəyişir. Yenidən bütün qrafik üçün SSSP problemini həll etmədən bu dəyişiklikləri idarə edən artan bir alqoritmlə maraqlanırıq.

eyni xərclərlə iki fərqli yolda bir zirvə əldə edilə bilər. Bu vəziyyətdə, ortaya çıxan ən qısa yollar, daha çox yönlü bir asiklik qrafikdən (DAG) uzanan bir ağac qurmaz.

Vertex 0 1 2 3 4 5 6 7 8


Kümelenmiş Simsiz Sensor Şəbəkəsində Ən Qısa Yol Əsaslı Coğrafi Marşrutlaşdırma

Şəbəkələr (WSN) sensorları dinamik şəkildə təşkil etməkdir simsiz şəbəkəyə daxil edin və sensor məlumatları yönləndirin sensorlardan lavaboya qədər. WSN -lərdə qruplaşdırma effektivdir şəbəkənin ömrünü uzatmaq üçün bir texnika. Əksər Kümelenmiş WSN -lərdə ənənəvi marşrutlaşdırmanın olduğunu düşünür maraq dairəsində heç bir maneənin olmadığını. Baxmayaraq ki real bir fərziyyə deyil, təsirləri ortadan qaldırır həssas məlumatların yönləndirilməsində maneələr. Budur, əvvəlcə biz adlı WSN -lərdə kümelenme texnikası təklif edin vaxtaşırı enerji qənaət edən homojen bir qruplaşma çoxluq başlarını hibridlərinə görə seçir qalıq enerji və ikincil bir parametr, məsələn Sensorun qonşularına faydası. Bu şəkildə, seçilmiş çoxluq başları bərabər sayda qonşulara malikdir və qalıq enerji. Sonra bir marşrut təqdim edirik arasında qruplaşdırılmış WSN -lərdə optimallaşdırma texnikası İkili alqoritmdən istifadə edən maneələr. Bu texnikadan istifadə etməklə bir maneə olsa belə marşrutu kəşf edə bilərik. Marşrut ən qısa yol olacaq. Bizim işimiz ortalama hop sayını, paket gecikməsini və WSN-lərin enerji istehlakı və ömrünü uzadır sensordan.

Açar sözlər: simsiz sensor şəbəkəsi (WSN), çoxluq, marşrut optimallaşdırma

Simsiz sensor şəbəkəsi (WSN), məkan olaraq paylanmış muxtar sensorlardan ibarətdir ekran Fiziki və ya ətraf mühit şərtləri, məsələn, temperatur, səs, təzyiq və s. Birlikdə məlumatlarını şəbəkədən əsas bir yerə ötürmək. Daha müasir şəbəkələr ikitərəfli, eyni zamanda imkan yaradır sensor fəaliyyətinə nəzarət. İnkişafı simsiz sensor şəbəkələri, bu gün döyüş sahəsinin müşahidəsi kimi hərbi tətbiqlərdən qaynaqlanırdı, bu cür şəbəkələr sənaye prosesinin izlənməsi və idarə edilməsi, maşın sağlamlığının monitorinqi və s. kimi bir çox sənaye və istehlakçı tətbiqində istifadə olunur.

WSN, hər bir düyünün bir (və ya bəzən bir neçə) sensora qoşulduğu bir neçə yüzdən yüzlərlə, hətta minlərlə olan " düyünlərdən və#34 -dən ibarətdir. Hər bir belə sensor şəbəkə qovşağı adətən bir neçə hissədən ibarətdir: daxili antenalı və ya xarici antenaya qoşulmuş radio ötürücü, mikrokontrolör, sensorlar ilə əlaqə qurmaq üçün elektron dövrə və enerji mənbəyi, adətən batareya və ya enerji yığımının quraşdırılmış forması. . Sensor qovşaqları çoxluq kimi tanınan bir neçə kiçik qrupa bölünə bilər. Bunlar simsiz sensor şəbəkələri üçün təşkilati vahiddir. Hər bir klasterin çoxluq başı (CH) adlanan koordinatoru var. Kümelenme sxeminde, WSN'deki sensor qovşaqları fərqli virtual qruplara bölünür və bəzi qaydalara görə coğrafi olaraq eyni klasterə bitişik olaraq ayrılır. Kümelenme başları, məlumatları birləşdirə və tək bir paket olaraq məlumat mərkəzinə göndərə bilər, beləliklə əlavə xərcləri azaldır. Kümelenmenin bant genişliyi istifadəsini yaxşılaşdırmaqla, əlavə enerji xərclərini azaltmaqla israfçı enerji istehlakını azaltmaqla faydalı enerji istehlakını azaltmaq üçün üstünlükləri var. Alqoritmin əksəriyyəti, düyünlər arasında enerji istehlakını balanslaşdıraraq və yükü zaman -zaman fərqli qovşaqlar arasında paylayaraq şəbəkənin ömrünü uzatmağı hədəfləyir.

Bu yazıda aşağıdakıları təklif edirik:

 WSN -lərdə CH -ləri qalıq enerjisinə və sensorun qonşularına faydasına görə vaxtaşırı seçən bir EHC texnikası təklif edirik. Mövcud kümelenme texnikası ilə EHC texnikası arasındakı əsas fərq, WSN -lərdəki CH -lərin faydalıdır. EHC texnikasında, sensorun faydalılığı qonşularından daha yüksək olarsa, sensor CH olur.

 EHC texnikasından istifadə edərək sensorun ömrünü uzada bilərik.

© 2016, IRJET | Təsir faktorunun dəyəri: 4.45 | ISO 9001: 2008 Sertifikatlı Jurnal

| Səhifə 1530

 DUAL (Diffusing Update Algorithm) alqoritmindən istifadə edərək maneələr arasında qruplaşdırılmış WSN -lərdə marşrut optimallaşdırma texnikasını təqdim edirik.

A) Sənaye simsiz şəbəkə üçün qrup bağlantısı modeli sensor şəbəkələri

Sərt sənaye mühitində simsiz sensor şəbəkələrini nəzərə almaq son tendensiyadır. Simsiz sensor şəbəkələrinin həqiqi yerləşdirilməsi ilə, sərt mühitlərdə algılanacaq və izləniləcək birdən çox obyekti hədəf alsanız, əlaqələr ilə əlaqədar konkret bir yerləşdirmə planı hazırlamaq və sensorları planlaşdırılan yerləşdirmə nöqtələrinə görə qruplaşdıraraq yerləşdirmək daha yaxşı olardı. . Qrupların və fərdi sensorların əlaqələndirilməsi, real vaxtda məlumat əldə etmək üçün xüsusilə vacibdir və bu qruplar arasında xarici ünsiyyət əlaqələri yoxdursa daha da çoxdur. Bu yazıda, yalnız fərdi sensorlar deyil, sensor qruplarının əlaqəsinə diqqət yetiririk və qrup əlaqəsini təhlil etmək və daxili paylama ilə əlaqədar olaraq sensor qruplarının konkret yerləşdirmə planını hazırlamaq üçün yeni bir qrup əlaqə modeli təklif edirik. sensorlar və qrup mövqeləri. Hesab edirik ki, təklif olunan model, işləyən tellərin daha az praktik olduğu və həm də olduqca bahalı olduğu sərt sənaye mühitində simsiz sensor şəbəkələrinin yerləşdirilməsini planlaşdırmaqda faydalı olmalıdır.

B) Simsiz üçün qeyri-səlis məntiqə əsaslanan kümelenme yanaşması Sensor şəbəkələri, enerji təyinatından istifadə edir

Sensor batareyasının məhdud gücü problemini aradan qaldırmaq və beləliklə Simsiz Sensor Şəbəkəsinin (WSN) ömrünü uzatmaq üçün, hiss edilən məlumatları toplamaq və baza stansiyasına ötürmək üçün bir çox marşrutlaşdırma alqoritmi təklif edilmişdir. Son illərdə təklif olunan ən tanınmış marşrutlaşdırma alqoritmlərindən biri LEACH protokoludur. Şəbəkə ömrünü hər mərhələnin iki mərhələdən ibarət olduğu dövrələrə bölən dinamik bir klaster əsaslı marşrutlaşdırma protokoludur: quraşdırma və sabit vəziyyət. Hər turun əsas amili çoxluq başları (CH) kimi çıxış edəcək qovşaqların sayıdır. Hər bir CH, eyni qrupdakı sensor qovşaqlarından alınan məlumatların toplanmasından və sonra toplanan məlumatların baza stansiyasına göndərilməsindən məsuldur. Bu yazıda, WSN-də istifadə edilməli olan CH sayını təyin etmək üçün qeyri-səlis məntiqdən istifadə edən FL-LEACH protokolunu təklif edirik. FL-LEACH, iki dəyişəndən asılı olan qeyri-səlis bir nəticə sistemidir: şəbəkədəki qovşaqların sayı və qovşaqların sıxlığı. Vahid olduğunu düşünürük

Düyünlərin sensor sahəsindəki paylanması, təklif olunan yanaşmanın yeniliyi, şəbəkə haqqında başqa məlumat almadan CH sayını təyin etmək qabiliyyətindədir. Matlab simulyasiyası, FLE-LEACH protokolunun təmiz LEACH və genetik əsaslı protokol LEACH-GA kimi digər protokollarla müqayisədə effektivliyini göstərmək üçün istifadə olunur. Simulyasiya nəticələri göstərir ki, FL-LEACH şəbəkə ömrü baxımından LEACH və LEACH-GA-dan üstündür.

C) Ümumi öz-özünə təşkil olunmuş ağac əsaslı enerji balansı simsiz sensor şəbəkəsi üçün marşrutlaşdırma protokolu

Simsiz sensorlar şəbəkəsi (WSN) çoxlu sayda aşağı qiymətli mikro sensorlardan ibarət bir sistemdir. Bu şəbəkə, baza stansiyasına (BS) müxtəlif növ mesajlar toplamaq və göndərmək üçün istifadə olunur. WSN, məhdud batareya gücünə malik olan aşağı qiymətli qovşaqlardan ibarətdir və batareyanın dəyişdirilməsi, minlərlə fiziki quruluşlu qovşaqları olan WSN üçün asan deyil, bu da uzun ömürlü iş vaxtı təklif etmək üçün enerjiyə qənaət edən marşrutlaşdırma protokolundan istifadə edilməlidir. Məqsədə çatmaq üçün yalnız ümumi enerji istehlakını minimuma endirməməliyik, həm də WSN yükünü balanslaşdırmalıyıq. Tədqiqatçılar LEACH, HEED, PEGASIS, TBC və PEDAP kimi bir çox protokol təklif etmişlər. Bu yazıda, BS-nin hər bir dövr üçün bir kök düyünü təyin etdiyi və bu seçimi bütün sensor qovşaqlarına yayımladığı bir prosesdən istifadə edərək marşrutlaşdırma ağacı quran Ümumi Özünütəşkil Edilən Ağaca əsaslanan Enerji Balansı marşrutlaşdırma protokolunu (GSTEB) təklif edirik. Sonradan, hər bir qovşaq yalnız özünün və qonşularının məlumatlarını nəzərə alaraq valideynini seçir və GSTEB -i dinamik bir protokol halına gətirir. Simulyasiya nəticələri göstərir ki, GSTEB enerji istehlakını balanslaşdırmaqda digər protokollara nisbətən daha yaxşı performansa malikdir və bununla da WSN -in ömrünü uzadır.

 Daha Səmərəli Paket Çatdırılma Oranı Təkmilləşdirildi

 Təkmilləşdirilmiş Təhlükəsizlik Xüsusiyyətləri yoxdur

III TEKNİKLƏRİN TƏTBİQİ

Şəbəkə Konfiqurasiyası

© 2016, IRJET | Təsir faktorunun dəyəri: 4.45 | ISO 9001: 2008 Sertifikatlı Jurnal

| Səhifə 1531

yalnız ünsiyyət daxilində ünsiyyət qurur. Beləliklə, qovşağın əlaqə aralığını tapmalıyıq. Bir şəbəkə ibarətdir N. maneələr arasında təsadüfi bir FoI -də bərabər şəkildə yerləşdirilən sensorlar. Sensorlar hərəkətsizdir və batareyalarla işləyir. Fərz edirik ikili disk rabitəsi s ilə işarələnmiş bir sensorun s mərkəzli C radiuslu diskdəki digər sensorlar ilə əlaqə qura biləcəyi model. I və j iki sensoru bir -biri ilə birbaşa ünsiyyət qura bilir və adlanır qonşular aralarındakı Evklid məsafəsi çox deyilsə C. bir CH -nin qonşu CH -lərinin sayıdır CH dərəcəsi olduğu deyilir.

Enerjiyə Səmərəli Homojen Kümelenme

Bu modulda əvvəlcə EHC texnikasını təklif edirik və sonra xüsusiyyətlərini təsvir edirik. EHC, kümelenmiş bir WSN yaratmaq üçün aşağıdakı iki addımda işləyir:

İlkin klaster başçı seçkisi: Bu addımın məqsədi CH -ləri paylanmış şəkildə seçməkdir. Hər turun əvvəlində sensor təsadüfi bir rəqəm seçirəm (0, 1) -də. Təsadüfi ədəd P-dən azdırsa, i sensoru CH-namizəddir. Bu mexanizmlə təxminən k -dən N. sensorlar CH-namizəd olaraq seçilir. Təsadüfi ədəd əvvəlki turdan asılı deyil. Reklam mübahisəsi, birdən çox CH-namizədi eyni vaxtda reklam verdikdə baş verir. Mübahisəni həll etmək üçün təsadüfi bir geri çəkilmə gecikməsindən istifadə edirik.

Bağlı şəbəkə formalaşması: ICH -lərin bağlı olmadığı üçün CH -lərin bağlı bir şəbəkə qura bilməsi üçün daha çox CH seçirik. Qrup Olmayan Baş Sensoru (NCH), iki və ya daha çox qonşu ICH qoşulmadığı təqdirdə, Gateway CH (GCH) ilə ifadə olunan CH olaraq seçilir.

Bir CH ya GCH, ya da ICH təmsil edir. Qalıq enerjisi daha çox olan və maksimum qonşu CH -ləri olan NCH -lərə üstünlük verilir.

GCH-lərin seçilməsi ilə bağlı reklam mübahisəsini həll etmək üçün təsadüfi geri çəkilmə gecikməsini təxmin edirik.

Qalıq enerjinin ən yüksək dəyərinə malik olan sensor CH olur. Qalan enerji aşağıdakı düsturla hesablanır

RE = Einit - (PTx * NT)

Qalıq Enerji İlk İlkin Enerji

NT transmissionTransfer sayı

Kümelenmelerin islahatı zamanı, əlaqəli üzvlərlə birlikdə çoxluq başı dəyişdirilir. Kümelenme, uzun məsafə ötürülməsində iştirak edən sensor qovşaqlarının sayını azaltmaqla WSN -lərdə resurs istifadəsini təmin edir və enerji istehlakını minimuma endirir. WSN -də əsas narahatlıq şəbəkənin faydalılığını artırmaq üçün enerji səmərəliliyidir.

Marşrut optimallaşdırma texnikası

Marşrut optimallaşdırma texnikasının məqsədi mənbədən lavaboya gedən yola çatmaqdır, amma biz də minimum xərclə bu məqsədə çatmaq istəyirik. yəni hop baxımından ən qısa yol maneələr arasında sayılır. WSN -lərdə marşrutlaşdırma ilə bağlı ədəbiyyatların əksəriyyətində FoI -dəki maneələr üçün xüsusi bir müalicə yoxdur. Bu modulda, hər hansı bir əlavə xərc olmadan məlumat ötürülməsi zamanı yol uzunluğunu optimallaşdıran qruplaşdırılmış WSN -lərdə DUAL (Diffusing Update Algorithm) təklif edirik.

Cluster Heads Seçimi

Eyni şəkildə, çoxluq başlarının eşikləri tənlikdə aşağıdakı kimi təyin olunur:

burada P bütün sensorlar arasında klaster başlarının nisbətidir, 1/P bir klasterdə gözlənilən qovşaq sayıdır, cari turun indeksini yüksəldir və G son rmodda klaster başı olmayan düyünlər toplusudur ( 1/P) tur.

Təklif etdiyimiz alqoritmdə, şəbəkənin heterojen olduğunu düşünürük, burada normal düyünlərlə müqayisədə əlavə enerji faktoruna (α) malik inkişaf etmiş düyünlərin m faizi var. Bu cür heterojen sensorlar şəbəkəsi ilə məşğul olmaq üçün SEP təklif edildi və ətraflı müzakirə edildi. Bu inkişaf etmiş və normal qovşaqlarla bu cür heterojen düzülüşün şəbəkənin sıxlığına heç bir təsiri yoxdur. Beləliklə, əvvəlki Popt qrupunun dəyişməsinə ehtiyac yoxdur. İlkin enerjinin E0 olduğunu düşünürük. Təklif etdiyimiz sensor şəbəkəmizdəki inkişaf etmiş düyünün enerjisi E0 • (1+ α) təşkil edir. Yeni heterojen şəbəkənin ümumi enerjisi hesablanır:

N.

(1 -m) E0+N

M

E0 (1+α) = N

E0

(1+αm)

Beləliklə, ümumi enerji (1+ α • m) dəfə artır. Faktiki olaraq normal bir düyünün ilkin enerjisinə bərabər olan n • (1+ α • m) qovşaqlar var. İnkişaf etmiş və normal qovşaqların ehtimal tənliklərinə əsaslanaraq, ətraflı olaraq müzakirə etdik, müəyyən sensor qovşaqlarının qalıq enerjisi ilə seçim metodunu təkmilləşdirdik. Tənlikdə göstərildiyi kimi, normal qovşaqlar üçün çəkilmiş ehtimal:

Qalıq

© 2016, IRJET | Təsir faktorunun dəyəri: 4.45 | ISO 9001: 2008 Sertifikatlı Jurnal

| Səhifə 1532

ALGORİTM TƏTBİQİ

Kümelenme meydana gəlməsi

CH -lərin bağlı bir şəbəkə qurmasını təmin etmək üçün daha çox CH seçirik, çünki ICH -lər bağlı deyil. Qrup Olmayan Baş Sensoru (NCH), iki və ya daha çox qonşu ICH qoşulmadığı təqdirdə Gateway CH (GCH) ilə işarələnən CH olaraq seçilir. NCH ​​i üçün təsadüfi geri çəkilmə gecikməsi,

Beləliklə, qalıq enerjisi daha yüksək olan NCH və bir sıra qonşu ICH-lər qonşu GCH namizədləri arasında yüksək ehtimalla GCH olaraq seçiləcək. Bir NCH i, j -nin ən az CH dərəcəsinə malik olduğu bir CH j ilə ünsiyyət qurmaq istəsə, j -a əlaqəli bir mesaj (Casso (j, i, ni) ilə ifadə olunur) göndərir və sonrakı təsdiq mesajını alır ( C -dən f (i, j, nj)) - dən j. A NCH i -dən Ccon f (j, i, ni)) mesajı aldıqda qonşusu i məlumatlarını yeniləyir.

İzolyasiya edilmiş bir sensor CH -ə çevriləcək. Buna görə də, WSN -dəki hər bir sensor ya CH, ya da bir qrupun üzvüdür. Bütün CH -lər bağlı WSN -lərin ikinci xüsusiyyətidir. bir sensora bağlı olmayan iki və ya daha çox ICH varsa, sensor GCH olacaq. bağlı bir qruplaşdırılmış WSN -də, hər NCH -nin dəqiq bir CH olmasıdır. Hər NCH -nin yalnız bir CH ilə birləşməsinə icazə verməsi.

Prosedur: Klasterlərin formalaşması

Çıxış: GCH 1 əgər mən CH sonra

2 əgər NCH ​​j -dən Casso (i, j, n j) mesajı alın sonra

3 J -ə Ccon f (j, i, ni) mesajı göndərin

4 əgər bir GCH j -dən Cadve (j, E j, n j) mesajı alın sonra

5 Ni qonşu siyahısına ni əlavə edin 6 J -ə Ccon f (j, i, ni) mesajı göndərin

IV. SİSTEM İMLETİ

Bu layihədə simulyasiya vasitəsi olaraq Network Simulator 2 istifadə olunur. NS, qismən təmin etdiyi xüsusiyyətlərə görə və qismən dəyişdirilə və genişləndirilə bilən açıq mənbə koduna malik olduğu üçün simulyator olaraq seçildi.

Şəbəkə simulyatoru (NS) obyekt yönümlüdür,

şəbəkə araşdırması üçün diskret hadisə simulyatoru. NS, simli və simsiz şəbəkələr üzərindən TCP, marşrutlaşdırma və çoxlu yayım protokollarının simulyasiyasına böyük dəstək verir. Simulyator, davamlı bir araşdırmanın nəticəsidir və inkişaf etdirilmişdir. NS -ə böyük bir güvən olsa da, hələ cilalanmış bir məhsul deyil və səhvlər davamlı olaraq aşkarlanır və düzəldilir.

NS, əmr və konfiqurasiya interfeysi olaraq OTcl1 tərcüməçisi ilə C ++ dilində yazılmışdır. Sürətli işləyən, lakin dəyişdirilməsi daha yavaş olan C ++ hissəsi detallı protokol tətbiqi üçün istifadə olunur. Digər tərəfdən daha yavaş işləyən, lakin çox tez dəyişdirilə bilən OTcl hissəsi simulyasiya konfiqurasiyası üçün istifadə olunur. Bu split dilli proqram yanaşmasının üstünlüklərindən biri böyük ssenarilərin sürətli yaradılmasına imkan verməsidir. Simulyatordan istifadə etmək üçün OTcl -ni bilmək kifayətdir. Digər tərəfdən, bir dezavantaj simulyatoru dəyişdirmək və genişləndirmək üçün hər iki dildə proqramlaşdırma və ayıklama tələb edir.

© 2016, IRJET | Təsir faktorunun dəyəri: 4.45 | ISO 9001: 2008 Sertifikatlı Jurnal

| Səhifə 1533

enerji səmərəliliyi ilə real vaxt performansını artırmaq üçün sənaye simsiz sensor şəbəkələri üçün iki hop məlumatlı gradient marşrutlaşdırma təklif edir. İki hop məlumatlı marşrutlaşdırma, iki hop sürətinə əsaslanan marşrutlaşdırmadan qəbul edilir və təklif olunan marşrutlaşdırma alqoritmi, məsafəyə deyil, lavaboya gedən tullananların sayına əsaslanır. Əlavə olaraq, təsdiq nəzarət sxemi enerji istehlakını və hesablama mürəkkəbliyini azaldır. Simulyasiya nəticələri uç-uca gecikmənin azaldığını və enerji səmərəliliyinin artdığını göstərir.

Atlama sayı, məlumatların mənbə ilə təyinat arasında keçməli olduğu aralıq cihazların sayına aiddir. Hər dəfə paketlər növbəti qurğuya ötürüldükdə bir hop meydana gəlir. Hop sayı, buna görə bir şəbəkədəki məsafənin əsas ölçüsüdür.

© 2016, IRJET | Təsir faktorunun dəyəri: 4.45 | ISO 9001: 2008 Sertifikatlı Jurnal

| Səhifə 1534

marşrut optimallaşdırma texnikası olmadan, paketlərin marşrutlaşdırılması üçün daha çox orta hesablama sayı tələb olunur.

C. PAKET ÇATDIRMA ORANI

Bir axının paket çatdırılma nisbəti, qaynaq tərəfindən şəbəkəyə göndərilən paketlər üzərində lavabonun aldığı paket sayının nisbətidir.

Gecikmə, paketin təyin olunan vaxtdan artıq təyinat yerinə çatma müddətinin ölçülməsidir. I və j iki sensoru bir -biri ilə birbaşa əlaqə qura bilər və aralarındakı Evklid məsafəsi C -dən çox olmadıqda qonşu olaraq tanınır.

EHC -də, marşrutlaşdırmanı təmin etmək üçün yalnız CH -lər aktiv qalır və buna görə də WSN -lərin ömrünü uzadır. Şəbəkənin ömrünü təyin etdiyi üçün enerji istehlakı minimuma endirilməlidir.

© 2016, IRJET | Təsir faktorunun dəyəri: 4.45 | ISO 9001: 2008 Sertifikatlı Jurnal

| Səhifə 1535

marşrutlaşdırma yolu ilə WSN -lərin ömrü artır. Nəticələr göstərdi ki, optimallaşdırılmış marşrut yolunu hesablamaq üçün maneələrin həndəsəsi və yeri nəzərə alınmalıdır.

Gələcəkdə marşrut kəşf etmək üçün enerji istehlakını azaltmaq üçün yeni bir marşrut kəşf üsulu təklif edə bilərik. Bu üsulda, mənbə nodu, təyinat qovşağının yerləşdiyi qovşaqların siyahısını verən təyinat qovşağının yeri ətrafında bir dairə hesablayır. Mənbə nodu, ötürmə zonasını (koni), ucu qaynaq düyünün yerində olan və tərəfləri təyinat üçün hesablanmış dairəyə toxunan bir açı ilə əhatə olunmuş bölgə olaraq təyin edir. Mənbə node, göndərmə zonasındakı bütün qonşularına təyinat üçün bir RREQ paketi göndərir. Bu qonşuların hər biri müvafiq olaraq RREQ paketlərini ötürür. Təyinat RREQ paketlərini aldıqda, RREP paketlərini yenidən qaynaq qovşağına göndərəcək. Mənbə nodu, ötürmə zonasındakı hər hansı bir maneə səbəbindən bir müddət ərzində RREP almırsa, qaynaq nodeu bərpa proseduruna müraciət edir.

1. J. H. Lee, T. Kwon və J. Song, "Sənaye simsiz sensor şəbəkələri üçün qrup bağlantı modeli", IEEE Trans. Ind. Electron., Cild 57, yox. 5, s.1835– 1844, May 2010.

2. J.-S. Lee və W.-L. Cheng, "Enerji proqnozunu istifadə edən simsiz sensor şəbəkələri üçün qeyri-səlis məntiqə əsaslanan kümelenme yanaşması", IEEE Sensors J., cild. 12, yox. 9, s. 2891–2897, Sentyabr 2012.

3. Z. Ha, J. Wu, J. Zhang, L. Liu və K. Tian, ​​"Simsiz sensorlar şəbəkəsi üçün ümumi öz-özünə təşkil edilmiş ağac əsaslı enerji balansı marşrutlaşdırma protokolu", IEEE Trans. Nucl. Elm., Cild 61, yox. 2, s. 732-740, Aprel 2014. 4. D. C. Hoang, P. Yadav, R. Kumar və S. Panda,

"Enerjiyə qənaət edən simsiz sensor şəbəkələri üçün harmoniya axtarış alqoritminə əsaslanan kümelenme protokolunun real vaxtda tətbiqi" IEEE Trans. Ind. Məlumat., Cild 10, yox. 1, s. 774-783, Fevral. 2014.

5. M. Tarhani, Y. S. Kavian və S. Siavoshi, "SEECH: Simsiz sensor şəbəkələrində miqyaslı enerji səmərəli kümelenme iyerarxiyası protokolu" IEEE Sensorlar J., cild. 14, yox. 11, s. 3944-3954, Noyabr. 2014.

6. P. T. A. Quang və D.-S. Kim, "Sənaye simsiz sensor şəbəkələri üçün gradient marşrutunun real vaxtda çatdırılmasını artırır" IEEE Trans. Ind. Məlumat., Cild 8, yox. 1, s. 61–68, Fevral 2012.

7. J. Niu, L. Cheng, Y. Gu, L. Shu və S. K. Das, “R3E: üçün etibarlı reaktiv marşrut artırması.

simsiz sensor şəbəkələri " IEEE Trans. İnd. Məlumat., Cild 10, yox. 1, s.784-794, Fevral 2014.


Dijkstra alqoritmi

1959 -cu ildə nəşr olunan Dijkstra alqoritmi, Hollandiyalı kompüter mütəxəssisi olan Edsger Dijkstra -nın adını daşıyır. Bu alqoritm, mənfi olmayan kənar ağırlıqları olan istiqamətləndirilmiş və ya yönləndirilməmiş bir qrafikdə ən qısa yolu tapmağı hədəfləyir.

Əvvəlcə bu alqoritmin detallarını araşdırırıq, aşağıdakılar haqqında qısa bir nəzər salaq:

  • Qrafik: Bir qrafik, G = (V, E) olaraq təyin olunan qeyri-xətti bir məlumat quruluşudur, burada V sonlu təpələr, E isə sonlu bir kənar dəstidir, belə ki hər bir kənar hər hansı iki ucu birləşdirən bir xətt və ya qövsdür.
  • Ağırlıqlı qrafik: Hər bir kənara çəki adlanan ədədi bir dəyər verildiyi xüsusi bir qrafik növüdür
  • Bağlı qrafik: Bu tip bir qrafikdəki hər bir təpə cütü arasında bir yol var
  • Uzanan ağac bir qrafik üçün G, minimum kənarları ilə əlaqəli G -nin bütün təpələrini özündə birləşdirən bir G 'altqrafıdır. Beləliklə, n ucları olan bir G qrafiki üçün G 'ağacının n ucu və maksimum n-1 kənarı olacaq.

Problem bəyanat

G çəkisi nəzərə alınmaqla, məqsəd müəyyən bir mənbə ucundan G-nin bütün digər nöqtələrinə ən qısa yolu tapmaqdır. Qrafik aşağıdakı xüsusiyyətlərə malikdir.

  • Təpə nöqtələri V
  • (Q, r) bir işarəsini ifadə edəcək ağırlıqlı E dəsti kənar arasında zirvələr q və r və dəyəri (q, r) onun çəkisini bildirir

Dijkstra alqoritmi:

  • Bu, tək mənbəli ən qısa yol alqoritmidir və verilən problem ifadəsinə həll tapmağı hədəfləyir
  • Bu alqoritm həm yönəldilmiş, həm də yönləndirilməmiş qrafiklər üçün işləyir
  • Yalnız bağlı qrafiklər üçün işləyir
  • Qrafikdə mənfi kənar çəkilər olmamalıdır
  • Alqoritm əsasən lokal olaraq optimal həll tapmaq üçün Greedy yanaşmasını izləyir. Bununla birlikdə, qlobal olaraq optimal bir həll qurmaq üçün Dinamik Proqramlaşdırma yanaşmasını da istifadə edir, çünki əvvəlki həllər mənbənin zirvəsindən son məsafələri əldə etmək üçün saxlanılır və əlavə olunur.
  • Bu alqoritmin əsas məntiqi aşağıdakı düstura əsaslanır-
    dist [r] = dəq (dist [r], dist [q]+xərc [q] [r])

Bu düstur, q zirvəsinə bitişik olan məsafə r nöqtəsinin dist [q]+xərc [q] [r] dəyərinin dist [r] -dən az olduğu təqdirdə yenilənəcəyini bildirir. Burada-

  • dist, hər addımda, mənbə təpəsindən digər bütün təpələrə qədər olan ən qısa məsafəni izləyən və
  • cost, qrafik üçün xərc bitişikliyi matrisini təmsil edən 2-D bir sıra
  • Bu formula həm Açgöz, həm də Dinamik yanaşmalardan istifadə edir. Açıq yanaşma minimum məsafə dəyərini tapmaq üçün, Dinamik yanaşma isə əvvəlki həlləri birləşdirmək üçün istifadə olunur (dist [q] artıq hesablanmışdır və hesablamaq üçün istifadə olunur dist [r])

Alqoritm-

  • Graph G üçün Cost Adjacency Matrix, dəyəri deyin
  • Mənbə zirvəsi, s deyin
  • S -dən G -dək bütün digər təpələrə ən qısa yolu olan ağac

Çözüm tapmaq üçün istifadə olunan addımlar aşağıdakılardır:

Addım 1 Set dist [s] = 0, S = ϕ // s mənbə nöqtəsidir və S, bütün ziyarət edilən təpələri olan 1-D bir sıra

Addım 2: S -dən başqa bütün v qovşaqları üçün dist [v] = ∞ təyin edin

Addım 3: q -ni S -də tapmayın ki, dist [q] minimum olsun // q vertexi ziyarət edilməsin

Addım 4: S -ə q əlavə edin // indi ziyarət edildiyindən S -ə q vertex əlavə edin

Addım 5: q -ya bitişik bütün r -lər üçün dist [r] yeniləyin ki, r S -də deyil // vertex r ziyarət edilməməlidir dist [r] = min (dist [r], dist [q]+xərc [q] [r ]) // Açgözlü və Dinamik yanaşma

Addım 6: Bütün qovşaqlar S // olana qədər 3-5 addımları təkrarlayın

Addım 7: U mənbəyinin ucundan digər bütün nöqtələrə qədər ən qısa yola malik olan məsafəni çap edin

Aşağıdakı nümunəni istifadə edərək bu alqoritmin işini başa düşməyə çalışaq.

Şəkil 1: Giriş Qrafiki (Ağırlıqlı və Bağlı)

Yuxarıdakı ağırlıqlı və əlaqəli qrafiki və mənbə s nöqtəsini nəzərə alaraq, s və digər bütün təpələr arasındakı ən qısa yolu təmsil edən ağacın tapılması üçün aşağıdakı addımlardan istifadə olunur.

Addım 1- Set dist [s] = 0, S = ϕ // u mənbə zirvəsidir və S, ziyarət edilən bütün təpələri olan 1-D bir sıra

Addım 2- s -dən başqa bütün v qovşaqları üçün dist [v] = ∞ təyin edin

Ziyarət edilən təpələr (S) S A B C D
0

Şəkil 2: dist [] başlatdıqdan sonra qrafik

Addım B- a) dist [s] minimum olduğu və s -də olmadığı üçün mənbə s nöqtəsini seçin.

Addım 3- q -nı S -də tapmayın ki, dist [q] minimum olsun // təpə ziyarət edilməsin

S -ə əlavə edərək s -ni ziyarət edin

Addım 4- S -yə q əlavə edin // indi ziyarət edildiyindən S -ə q vertex əlavə edin

C) addım Hələ ziyarət edilməyən (S -də olmayan) s və ya A və C -nin bitişik bütün ucları üçün, aşağıdakı alqoritm addımlarını istifadə edərək məsafə cərgəsini yeniləyin -

Addım 5- q ilə bitişik bütün r üçün dist [r] yeniləyin ki, r S -də deyil // vertex r ziyarət edilməməlidir dist [r] = min (dist [r], dist [q]+xərc [q] [r ]) // Açgözlü və Dinamik yanaşma

dist [A] = dəqiqə (dist [A], dist [s]+xərc (s, A)) = dəq (∞, 0+9) = 9
dist [C] = dəqiqə (dist [C], dist [s]+xərc (s, C)) = dəq (∞, 0+5) = 5

Beləliklə dist [] aşağıdakı kimi yenilənir.

Ziyarət edilən təpələr (S) S A B C D
[s] 0 9 5

  1. Ziyarət edilmədiyindən (S -də deyil) və dist [C] olduğundan C vertexini seçmək və ziyarət etmək minimumdur
  2. C, A, B və D bitişik ucları üçün məsafə silsiləsinin yenilənməsi

Addım 6- Bütün qovşaqlar S -də olana qədər 3-5 addımları təkrarlayın

dist [A] = dəqiqə (dist [A], dist [C]+xərc (C, A)) = dəq (9, 5+2) = 7

dist [B] = dəqiqə (dist [B], dist [C]+xərc (C, B)) = dəq (∞, 5+9) = 14

dist [D] = dəqiqə (dist [D], dist [C]+xərc (C, D)) = dəq ((∞, 5+4) = 9

Bu [[dist]] aşağıdakı kimi yenilənir

Ziyarət edilən təpələr (S) S A B C D
[s] 0 9 5
[s, C] 0 7 14 5 9

Bənzər xətlərdə davam edərək, B nöqtəsi bütün təpələr ziyarət olunana qədər təkrarlanır (S -ə əlavə olunur). dist [] də hər bir iterasiyada yenilənir və nəticədə aşağıdakılarla nəticələnir:

Ziyarət edilən təpələr (S) S A B C D
[s] 0 9 5
[s, C] 0 7 14 5 9
[s, C, A] 0 7 8 5 9
[s, C, A, B] 0 7 8 5 9
[s, C, A, B, D] 0 7 8 5 9

Dist [] -in son yeniləməsi s -dən bütün digər nöqtələrə qədər ən qısa yol dəyərləri verir

Verilən qrafik üçün ən qısa yolu əhatə edən ağac aşağıdakı kimidir:

Şəkil 3: Ağacı əhatə edən ən qısa yol

  • Mənbə təpəsindən asılı olaraq eyni qrafik üçün ağacları əhatə edən bir çox qısa yol ola bilər

Aşağıda Dijkstra Alqoritmi üçün C ++ tətbiq olunur

Qeyd :
Alqoritm tələbə uyğun olaraq hər hansı bir proqramlaşdırma dilinə uyğunlaşdırıla bilər.

Proqram, Şəkil 1 -də olduğu kimi eyni giriş qrafikindən istifadə etməklə həyata keçirilir.

Şəkil 4: Çıxış

Zaman Kompleksliyi Təhlili-

Dijkstra alqoritminin zaman mürəkkəbliyini hesablamaq üçün nümunələr aşağıdakılardır.

  • Dava 1- G qrafiki bitişiklik matrisindən istifadə edildikdə - Bu ssenari yuxarıda tətbiq olunur C ++ əsaslı proqram. Tətbiqdə hər biri mürəkkəbliyi olan iki döngə yuvası var O (n), Dijkstra alqoritminin mürəkkəbliyi O (n2). Diqqət yetirin ki, burada n verilmiş qrafikdəki ümumi təpələrin sayına aiddir
  • Dava 2- G qrafiki bitişik siyahıdan istifadə edildikdə - Bu ssenaridə vaxtın mürəkkəbliyi azalır O (| E | + | V | qeyd | V |) burada | E | kənarların sayını və | V | qrafikdəki nöqtələrin sayını göstərir

Dijkstra alqoritminin dezavantajları

Dijkstra Alqoritmi, mənfi kənarları olan ağırlıqlı qrafiklərlə ən qısa yolu tapa bilməz. Bu ssenarini izah etmək üçün aşağıdakı nümunəni nəzərdən keçirək-

Şəkil 5: Mənfi kənarları olan ağırlıqlı qrafik

Mənbə nöqtəsini A olaraq seçərək alqoritm aşağıdakı kimi işləyir.

Addım A- Məsafə massivini işə salın (dist)-

Ziyarət edilən təpələr (S) A B C D
0

Addım B- A nöqtəsini [A] minimum və A S -də olmadığından seçin, A -ya daxil olun və onu S -yə əlavə edin. , məsafə cərgəsini yeniləyin

dist [C] = dəqiqə (dist [C], dist [A]+xərc (A, C)) = dəq (∞, 0+0) = 0

dist [B] = dəqiqə (dist [B], dist [A]+xərc (A, B)) = dəq (∞, 0+1) = 1

dist [D] = dəqiqə (dist [D], dist [A]+xərc (A, D)) = dəq (∞, 0+99) = 99

Beləliklə dist [] aşağıdakı kimi yenilənir.

Ziyarət edilən təpələr (S) A B C D
[A] 0 1 0 99

Addım C- B addımını təkrarlayın

  1. Ziyarət edilmədiyindən (S -də deyil) və dist [C] olduğundan C vertexini seçmək və ziyarət etmək minimumdur
  2. Məsafə cərgəsi C -nin bitişik təpələri olmadığından yenilənmir

Bənzər xətlərdə davam edərək, B nöqtəsi bütün təpələr ziyarət olunana qədər təkrarlanır (S -ə əlavə olunur). dist [] də hər bir iterasiyada yenilənir və nəticədə aşağıdakılarla nəticələnir:

Ziyarət edilən təpələr (S) A B C D
[A] 0 1 0 99
[A, C] 0 1 0 99
[A, C, B] 0 1 0 99
[A, C, B, D] 0 1 0 99

Beləliklə, A-dan B, C və D-ə qədər olan ən qısa məsafələr aşağıda verilmişdir.

Ancaq bu dəyərlər doğru deyil, çünki başqa bir yola sahib ola bilərik AC, A-> D-> B-> C malik ümumi xərc = -200 0 -dan kiçikdir. Bu, bir təpə ziyarət edildikdən və S dəstinə əlavə edildikdən sonra bir daha "geriyə baxılmadığı" üçün baş verir. Beləliklə, Dijkstra alqoritmi S -ə əlavə edilmiş zirvələrə daha qısa bir yol tapmağa çalışmır.


Tövsiyə olunur: Zəhmət olmasa yanaşmanızı sınayın əvvəlcə həll yoluna keçməzdən əvvəl.

Bu məqalə tərəfindən töhfə verilir Sahil Çabra. GeeksforGeeks -dən xoşunuz gəlirsə və töhfə vermək istəsəniz, Contrib.geeksforgeeks.org istifadə edərək bir məqalə yaza və ya məqalənizi [email protected] ünvanına göndərə bilərsiniz. GeeksforGeeks ana səhifəsində görünən məqalənizə baxın və digər Geekslərə kömək edin.

Səhv bir şey tapsanız və ya yuxarıda müzakirə olunan mövzu ilə bağlı daha çox məlumat paylaşmaq istəsəniz şərh yazın.

Diqqət oxucu! İndi öyrənməyi dayandırma. İlə bütün vacib DSA anlayışlarını əldə edin DSA Self -Speeded Kursu tələbə dostu bir qiymətə və sənayeye hazır olun. Bir dil öyrənməkdən DS Algoya və daha çoxuna hazırlığınızı tamamlamaq üçün müraciət edin Tam Müsahibə Hazırlıq Kursu.

Sənaye mütəxəssisləri ilə canlı dərslərə qatılmaq istəyirsinizsə, müraciət edin DSA Canlı Dərsləri


Videoya baxın: Keşke Daha Önce Öğrenseydik Dediğimiz Zaman Kazandıran 14 Bilgisayar Tüyosu (Oktyabr 2021).