Multi-Objective Task Allocation for Wireless Sensor Networks

Weikert, Dominik; Steup, Christoph; Mostaghim, Sanaz

doi:10.1109/ssci47803.2020.9308345

Cited by 12 publications

(5 citation statements)

References 26 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…On this basis, the proposed DTA algorithm [10] can perform close to the optimal level in terms of energy consumption while considering task deadline requirements and constraints. Weikert et al proposed a multi-objective optimization algorithm [11] that showed comparable performance in terms of network lifetime while improving network latency. The above researches are all devoted to accomplishing tasks while prolonging the network lifetime, but only sustainable charging network is an effective solution to the problem of limited energy supply in the network.…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

EN‐DADA: Node task assignment algorithm for energy harvesting wireless multimedia sensor networks

Han,

Ding,

Guo

et al. 2023

IET Communications

View full text Add to dashboard Cite

Today, a directional wireless multimedia sensor network is a popular environment for solving the task assignment problem. Achieving long‐term frontal monitoring of moving objects is a crucial challenge for scholars in this field. Utilizing directional sensors equipped with energy harvesting is an effective technique to enhance network performance. In this way, the energy of nodes is no longer limited to batteries and can result in better frontal monitoring. In this method, each sensor categorizes tasks based on its own energy, allowing the determination of task execution nodes through bidding. The present study proposes a distributed algorithm for directional task assignment, EN‐DADA, based on energy harvesting. The task was first classified to determine the candidate node set that could execute the task, and then the task assignment was determined according to the monitoring income of each node in the candidate node set. The comparative analysis confirmed that the proposed method had advantages in terms of task revenue and network lifetime when using the same energy harvesting model.

show abstract

Section: Related Workmentioning

confidence: 99%

“…Weikert et al. proposed a multi‐objective optimization algorithm [11] that showed comparable performance in terms of network lifetime while improving network latency.…”

Section: Related Workmentioning

confidence: 99%

EN‐DADA: Node task assignment algorithm for energy harvesting wireless multimedia sensor networks

Han,

Ding,

Guo

et al. 2023

IET Communications

View full text Add to dashboard Cite

show abstract

“…Weikert et al [ 9 , 11 , 24 , 25 ] proposed a group of EAs suited to deal with the challenges of task allocation in mobile and failure-prone networks. Their latest work [ 9 ] combines these approaches and improves upon the weaknesses of the earlier versions.…”

Section: State Of the Art On The Task Allocation Problem For Iotmentioning

confidence: 99%

“…None of the reviewed works provide an approach that optimizes all metrics described in Section 2.4 , with most works only optimizing for one or two objectives. Furthermore, only five works used the concept of Pareto-Optimality [ 9 , 11 , 24 , 25 , 30 ], and four of these methods belong to the same family of algorithms. This shows a clear lack of MOO techniques in the current state-of-the-art, which generally relies on a weighted sum-approach to combine multiple objectives into one.…”

Section: Open Challengesmentioning

confidence: 99%

Survey on Multi-Objective Task Allocation Algorithms for IoT Networks

Weikert

Steup

Mostaghim

2022

Sensors

Self Cite

View full text Add to dashboard Cite

The Internet of Things (IoT) has been an area of growing research interest for decades. Task allocation is an important problem for the optimized operation of Internet-of-Things networks. This paper provides an overview of recent research in the field of Internet-of-Things task allocation optimization. First, the task allocation problem for the IoT itself is analyzed and divided into distinct sub-problem categories, such as deployment optimization, static or dynamic optimization as well as single- or multi-objective optimization. Following that, the commonly used optimization objectives are explained. Various recent works in the field of task allocation optimization are then summarized and catalogued according to the problem categories. Finally, the paper concludes with a qualitative analysis of the categorized approaches and a description of open problems and highlights promising directions for future research.

show abstract

“…In[WSM20] wird zur Taskverteilung ein genetischer Algorithmus genutzt, der zur Laufzeit des Systems auf einem zentralen Knoten ausgeführt wird. Da die periodische Überwachung aller Knotenparameter mit einem zu hohen Energieverbrauch einhergehen würde, stehen dem Algorithmus jedoch nur begrenzte Informationen zur Verfügung.Der genetische Algorithmus verteilt die Tasks unter Beachtung ihrer Abhängigkeiten, Zeitschranken und der Eignung der einzelnen Knoten.…”

unclassified

Prioritätsbasierte Taskverteilung in selbstorganisierenden Systemen

Hutter¹

View full text Add to dashboard Cite

Die allgemein steigende Komplexität technischer Systeme macht sich auch in eingebetteten Systemen bemerkbar. Außerdem schrumpfen die Strukturgrößen der eingesetzten Komponenten, was wiederum die Auftrittswahrscheinlichkeit verschiedener Effekte erhöht, die zu Fehlern und Ausfällen dieser Komponenten und damit der Gesamtsysteme führen können. Da in vielen Anwendungsbereichen ferner Sicherheitsanforderungen eingehalten werden müssen, sind zur Gewährleistung der Zuverlässigkeit flexible Redundanzkonzepte nötig. Ein Forschungsgebiet, das sich mit Methoden zur Beherrschung der Systemkomplexität befasst, ist das Organic Computing. In dessen Rahmen werden Konzepte erforscht, um in natürlichen Systemen beobachtbare Eigenschaften und Organisationsprinzipien auf technische Systeme zu übertragen. Hierbei sind insbesondere sogenannte Selbst-X-Eigenschaften wie Selbstorganisation, -konfiguration und -heilung von Bedeutung. Eine konkrete Ausprägung dieses Forschungszweigs ist das künstliche Hormonsystem (artificial hormone system, AHS). Hierbei handelt es sich um eine Middleware für verteilte Systeme, welche es ermöglicht, die Tasks des Systems selbstständig auf seine Prozessorelemente (PEs) zu verteilen und insbesondere Ausfälle einzelner Tasks oder ganzer PEs automatisch zu kompensieren, indem die betroffenen Tasks auf andere PEs migriert werden. Hierbei existiert keine zentrale Instanz, welche die Taskverteilung steuert und somit einen Single-Point-of-Failure darstellen könnte. Entsprechend kann das AHS aufgrund seiner automatischen (Re)konfiguration der Tasks als selbstkonfigurierend und selbstheilend bezeichnet werden, was insbesondere die Zuverlässigkeit des realisierten Systems erhöht. Die Dauer der Selbstkonfiguration und Selbstheilung unterliegt zudem harten Zeitschranken, was den Einsatz des AHS auch in Echtzeitsystemen erlaubt. Das AHS nimmt jedoch an, dass alle Tasks gleichwertig sind, zudem werden alle Tasks beim Systemstart in einer zufälligen Reihenfolge auf die einzelnen PEs verteilt. Häufig sind die in einem System auszuführenden Tasks jedoch für das Gesamtsystem von unterschiedlicher Wichtigkeit oder müssen gar in einer bestimmten Reihenfolge gestartet werden. Um den genannten Eigenschaften Rechnung zu tragen, liefert diese Dissertation gegenüber dem aktuellen Stand der Forschung folgende Beiträge: Zunächst werden die bisher bekannten Zeitschranken des AHS genauer betrachtet und verfeinert. Anschließend wird das AHS durch die Einführung von Zuteilungsprioritäten erweitert: Mithilfe dieser Prioritäten kann eine Reihenfolge definiert werden, in welcher die Tasks beim Start des Systems auf die PEs verteilt beziehungsweise in welcher betroffene Tasks nach einem Ausfall auf andere PEs migriert werden. Die Zeitschranken dieser AHS-Erweiterung werden im Detail analysiert. Durch die Priorisierung von Tasks ist es möglich, implizit Teilmengen von Tasks zu definieren, die ausgeführt werden sollen, falls die Rechenkapazitäten des Systems nach einer bestimmten Anzahl von PE-Ausfällen nicht mehr ausreichen, um alle Tasks auszuführen: Die im Rahmen dieser Dissertation entwickelten Erweiterungen erlauben es in solchen Überlastsituationen, das System automatisch und kontrolliert zu degradieren, sodass die wichtigsten Systemfunktionalitäten lauffähig bleiben. Überlastsituationen werden daher im Detail betrachtet und analysiert. In solchen müssen gegebenenfalls Tasks niedriger Priorität gestoppt werden, um auf den funktionsfähig verbleibenden PEs hinreichend viel Rechenkapazität zu schaffen, um Tasks höherer Priorität ausführen zu können und das System so in einen wohldefinierten Zustand zu überführen. Die Entscheidung, in welcher Reihenfolge hierbei Tasks gestoppt werden, wird von einer Task-Dropping-Strategie getroffen, die entsprechend einen großen Einfluss auf die Dauer einer solchen Selbstheilung nimmt. Es werden zwei verschiedene Task-Dropping-Strategien entwickelt und im Detail analysiert: die naive Task-Dropping-Strategie, welche alle niedrigprioren Tasks auf einmal stoppt, sowie das Eager Task Dropping, das in mehreren Phasen jeweils höchstens eine Task pro PE stoppt. Im Vergleich zeigt sich, dass von letzterem fast immer weniger Tasks gestoppt werden als von der naiven Strategie, was einen deutlich schnelleren Abschluss der Selbstheilung ermöglicht. Lediglich in wenigen Sonderfällen ist die naive Strategie überlegen. Es wird detailliert gezeigt, dass die entwickelte AHS-Erweiterung auch in Überlastsituationen die Einhaltung bestimmter harter Zeitschranken garantieren kann, was den Einsatz des erweiterten AHS in Echtzeitsystemen erlaubt. Alle theoretisch hergeleiteten Zeitschranken werden durch umfassende Evaluationen vollumfänglich bestätigt. Abschließend wird das erweiterte, prioritätsbasierten AHS mit verschiedenen verwandten Konzepten verglichen, um dessen Vorteile gegenüber dem Stand der Forschung herauszuarbeiten sowie zukünftige vertiefende Forschung zu motivieren.

show abstract

Multi-Objective Task Allocation for Wireless Sensor Networks

Cited by 12 publications

References 26 publications

EN‐DADA: Node task assignment algorithm for energy harvesting wireless multimedia sensor networks

EN‐DADA: Node task assignment algorithm for energy harvesting wireless multimedia sensor networks

Survey on Multi-Objective Task Allocation Algorithms for IoT Networks

Prioritätsbasierte Taskverteilung in selbstorganisierenden Systemen

Contact Info

Product

Resources

About