SONG: Un algoritmo evolutivo multiobjetivo para la ubicación de instalaciones consciente del retraso y la energía en redes de niebla vehicular

Con la aparición de aplicaciones vehiculares críticas en cuanto a retraso y energía, la transmisión de datos de sensado y actuación de vehículos a la nube se volvió prácticamente inviable. Por lo tanto, se propuso un nuevo modelo computacional llamado Computación en Niebla Vehicular (VFC). Este desplaza la carga de trabajo computacional de los dispositivos de pasajeros (PD) a las infraestructuras de transporte, como las unidades de la carretera (RSU) y las estaciones base (BS), llamadas nodos de niebla estática. También puede aprovechar los recursos computacionales infrautilizados de los vehículos cercanos que pueden actuar como nodos de niebla vehicular (VFN) y proporcionar servicios de computación conscientes del retraso y la energía. Sin embargo, la planificación de capacidad y dimensionamiento de VFC, que entra en una clase de problemas de ubicación de instalaciones (FLP), es un problema desafiante. La complejidad surge de la dinámica espaciotemporal del tráfico vehicular, la demanda de recursos variable de las aplicaciones de PD y la movilidad de los VFN. Este documento propone un modelo de optimización multiobjetivo para investigar la ubicación de instalaciones en redes VFC. Las soluciones de este modelo generan topologías VFC óptimas relacionadas con un compromiso optimizado (frente de Pareto) entre el retraso de servicio y el consumo de energía. Así, para resolver este modelo, proponemos un algoritmo híbrido Evolutivo Multiobjetivo (EMO) llamado Algoritmo Genético de Clasificación No Dominada Optimizado por Enjambre (SONG). Combina la convergencia y la eficiencia de búsqueda de dos populares algoritmos EMO: el Algoritmo Genético de Clasificación No Dominada (NSGA-II) y la Optimización por Enjambre de Partículas Constriñendo la Velocidad (SMPSO). Primero, resolvemos un problema de ejemplo utilizando el algoritmo SONG para ilustrar las fronteras de solución de retraso-energía y trazamos la topología del diseño correspondiente. Posteriormente, evaluamos el rendimiento evolutivo del algoritmo SONG en trazas vehiculares del mundo real contra tres indicadores de calidad: Volumen Hiper (HV), Distancia Generacional Invertida (IGD) y brecha de retraso de CPU. Los resultados empíricos muestran que SONG exhibe una calidad de solución mejorada sobre los algoritmos NSGA-II y SMPSO y, por lo tanto, puede ser utilizado como una herramienta potencial por los proveedores de servicios para la planificación y diseño de redes VFC.