Αλγόριθμοι για δυναμική κατανομή και βελτιστοποίηση πόρων σε συνεργατικές υποδομές Edge-Cloud για την υποστήριξη ρομποτικών εϕαρμογών

Abstract

Οι εφαρμογές στην τέταρτη βιομηχανική επανάσταση βασίζονται όλο και περισσότερο στις αυτόνομες και ευφυείς ρομποτικές μονάδες. Με την ευφυΐα τους μπορούν να λάβουν αποφάσεις και να αντιμετωπίσουν δυναμικές καταστάσεις που παρουσιάζονται κατά την αποστολή τους. Για την αποτελεσματική λειτουργία του συστήματος οι καταστάσεις αυτές οφείλουν να επιλυθούν έγκυρα, ειδικά αν η υπηρεσία που παρέχεται επηρεάζεται αρνητικά από τις καθυστερήσεις. Όμως λόγω των περιορισμένων υπολογιστικών πόρων των ρομποτικών μονάδων η επεξεργασία δε μπορεί να γίνει εξ ολοκλήρου εκεί και κρίνεται απαραίτητη η βοήθεια από απομακρυσμένους κόμβους τόσο στο άκρο άλλα και στο νέφος. Στόχος της εργασίας αυτής είναι η δημιουργία ενός συστήματος ανάθεσης διεργασιών που δημιουργούνται από τα ρομπότ στους υπολογιστικούς κόμβους ελαχιστοποιώντας την καθυστέρηση και το ενεργειακό κόστος. Θεωρούμε ένα σύστημα στο οποίο δεν υπάρχει πρότερη γνώση των μελλοντικών απαιτήσεων πέραν από στατιστικά μοντέλα που είναι γνωστά πριν από την εκτέλεση. Επίσης υποθέτουμε ότι τα ρομπότ δεν ανταλλάσουν πληροφορίες τηλεμετρίας με τους κόμβους για την τρέχουσα κατάσταση του συστήματος. Αυτά δημιουργούν την ανάγκη το σύστημα μας να είναι πραγματικού χρόνου και κατανεμημένο. Για να το πετύχουμε αυτό αξιοποιούμε ένα τροποποιημένο Q-learning το οποίο έχει επεκταθεί με έναν επιπλέον όρο προσέγγισης καθυστέρησης. Επίσης για την λήψη της απόφασης χρησιμοποιούμε και ένα μηχανισμό διαμοιρασμού φορτίου που βασίζεται στις τιμές του Q-πίνακα. Στην συνέχεια μελετάμε την επίδραση διαφορετικών παραμέτρων στην επίδοση του συστήματος χρησιμοποιώντας τυχαία σύνολα διεργασιών προς ανάθεση που προκύπτουν με βάση τις αναμενόμενες τιμές αυτών. Έπειτα φτιάχνουμε μερικά δοκιμαστικά στιγμιότυπα ανεξάρτητα από αυτά της εκπαίδευσης για να αξιολογήσουμε την επίδοση του μηχανισμού ανάθεσης. Με την επίλυση αυτών από συστήματα γραμμικού ακέραιου προγραμματισμού λαμβάνουμε τις βέλτιστες λύσεις. Με επαναλαμβανόμενη εκτέλεση του συστήματος μας, δημιουργούμε τις κατανομές των αποτελεσμάτων. Η διαδικασία αυτή επαναλαμβάνεται για διαφορετικούς συντελεστές βάρους για τα επιμέρους κόστη. Τέλος συγκρίνοντας τους μέσους όρους των πειραμάτων με τις ιδανικές τιμές βλέπουμε ότι η μέση σχετική απόσταση των δυο κυμαίνονται στο 18.56%.