CASOPIS REPUBLICKE AGENCIJE ZA TELEKOMUNIKACIJE

2.2. Komunikacija

Kada je ovaj sistem „postavljen“ komunikacija korisnika i web aplikacije se odvija u četiri faze:

1.Korisnik šalje SMS poruku (koja ima unapred definisan broj i formu sadržaja)

2.Mobilni operator prosleđuje poruku na SMS gejtvej. Po prijemu se kontroliše ispravnost poruke, određuje kome pripada i šalje se njen sadržaj na unapred definisani sajt u formi HTTP zahteva.

3.Aplikacija dobija HTTP zahtev, obrađuje sadržaj poruke, na osnovu njega generiše odgovor i formira sadržaj poruke (u unapred definisanom formatu) koji prosleđuje SMS gejtveju.

4.Po dobijanju informacije od web aplikacije SMS gejtvejponovo vrši provere i prosleđuje poruku mobilnom operatoru koji ovu poruku isporučuje korisniku u vidu SMS-a.

2.3. Sigurnost

Sigurnost ovakvog sistema je inicijalno garantovana sigurnošću koji nudi mobilni operator i način prenosa SMS poruke. Pored toga, može se uvesti i sigurnosna mera za proveru IP adrese. Naime, prilikom prihvatanja poruke, proverom IP adrese sa koje dolazi HTTP zahtev, a koja je definisana u podešavanjima SMS gejtveja i web aplikacije, garantuje se da je poruka poslata od autorizovanog sistema. Garancija u smislu isporuke poruke reguliše se ponovnim slanjem iste (najčešće naredna 24 sata), sve dok od web servera na kome se nalazi aplikacija ne dobije HTTP status sa oznakom 200 (OK). U zavisnosti od izbora SMS gejtveja, može se konfigurisati metod koji će se koristiti za slanje sadržaja poruke. Podržani su i POST i GET metod, pa se i izborom POST metoda može direktno uticati na veću sigurnost u prenosu. Pri svakom prijemu poruke SMS getvej vrši autentifikaciju i na taj način garantuje da je komunikacija realizovana sa registrovanog administratorskog naloga.

3. HOPFILODOVA NEURALNA MREŽA

Jedna od disciplina u istraživanju veštačke inteligencije su i veštačke neuralne mreže. Prvi počeci u istraživanju ovih mreža vezuju se za 50-te godine XX veka. Neuralne mreže su inspirisane biološkim nervnim sistemom i radom mozga pa je i njihova struktura pokušaj imitacije rada iste. Razlog za razvoj ove discipline leži u tome što se postupak nalaženja rešenja može realizovati bez prethodno striktno definisanog algoritma rada kao u standardnim računarskim sistemima. Rad neuralne mreže zasniva se na paralelnom procesiranju i velikoj povezanosti neurona, što omogućava veliku brzinu rada [6]. Posebnu vrstu neuralnih mreža predstavljaju rekurentne mreže. Logika rada ovih mreža zasniva se na modifikaciji izlaznog signala (najčešće kašnjenjem) koji se vraća na ulazni sloj neurona [6]. Najčešće korišćena rekurentna neuralna mreža, čija struktura je prikazana na Slici 3, jeste Hopfildova neuralna mreža [7].

Slika 3. Struktura Hopfildove neuralne mreže

Svaki od neurona realizovan je kao operacioni pojačavač sa sigmoidalno rastućom funkcijom koja povezuje izlaz V_i i ulaz U_i i-tog neurona. Na ovaj način mreža dobija karakteristiku nelinearnosti. Izlazne vrednosti su skalirane na opseg od 0 do 1. Funkcija prenosa (aktivaciona funkcija) za svaki od neurona data je kao [7], [8]

(1)

gde je a konstanta koja određuje nagib karakteristike.

Shodno pravilu rekurzivnih mreža, izlazni signal i-tog neurona vodi se na sve ulaze drugih neurona sem na sopstveni ulaz, preko rezistivnih veza. Ova povezanost definisana je matricom povezanosti T=[T_ij]. Pored signala koji prima od izlaznih neurona, na svaki od ulaznih neurona deluje dodatni strujni signal (bias current) I_i. Njime se podešava polarizacija neurona [7]. Promene ulaznih signala su definisane relacijom (2), Slika 1,

= - + (2)

gde je τ vremenska konstanta.

Moguća realizacija Hopfildove ćelije data je da Slici 4. Svaki od neurona ima svoje ulaze, stanje u_i i izlazni signal V_i, kao i polarizacioni signal, struju I_i, kojom se definiše nivo pobude ćelije. Povratna sprega između izlaza v_i i ulaza ostalih neurona, ostvarena preko otpornosti R , i≠j (tzv. sinapsi), obezbeđuje promenu stanja mreže, u iterativnom postupku.

Slika 4. Moguća hardverska realizacija i-tog neurona u Hopfildovoj neuralnoj mreži i njegova aktivaciona funkcija

Tokom iterativnog procesa mreža konvergira ka stabilnom stanju. Izlazi neurona se stiču na kondenzator C_i,. Promena napona na kondenzatoru data je jednačinom stanja [9].

. (3)

Napon kondenzatora C_i deluje na ulazu nelinearnog diferencijalnog pojačavača, na čijem izlazu se dobijaju signali V_i i -V_i ove ćelije, prema relaciji (1) [10].

Hopfild je pokazao da će u slučaju da je pojačanje pojačavača relativno veliko (teoretski a→∞, kada je prenosna funkcija (1) odskočna), energijska funkcija biti [7], [11]

(4)

Za veliko pojačanje operacionog pojačavača, minimum energije u datom N dimenzionalnom prostoru se raspoređuje u 2^N rogljeva. Tada se dinamika i-tog neurona, shodno relaciji (2), može prikazati kao [7]

= - - (5)

Relacija (5) definiše promenu ulaznog signala i promenu energije, u svakoj od iteracija. Može se pokazati da ovako definisana mreža obezbeđuje konvergenciju ka stabilnim stanjima [12]. Ovako postavljena mreža služi kao osnovna struktura za rešavanje optimizacionih problema. Hopfildova neuralna mreža se pokazala kao vrlo pogodna za rešavanje različitih vrsta optimizacionih problema, od kojih je najpoznatiji problem trgovačkog putnika [7], [13]. Ispravnim dimenzionisanjem sinapsi, može se uspostaviti veza fizičkog problema i matematičkog opisa energijske funkcije Hopfildove neuralne mreže. Stabilno stanje odgovara minimumu energijske funkcije.

3.1. Modifikacija energijske funkcije

Polazeći od osnovnih relacija za stanja Hopfildove neuralne mreže, a sa ciljem da se energijska funkcija proširi na više ulaznih parametara, kojima bi se ostvarila višekriterijumska optimizacija [13], [14], pored matrice rastojanja, R, čiji članovi jesu fizička rastojanja između čvorova, uvedene su još četiri matrice koje dodatno opisuju kvalitet izbora rute: vrsta i kvalitet puta, K, gustina saobraćaja na deonicama, G, potencijalne usluge, U, i iznenadne pojave, P. Osnovna je matrica rastojanja, R, čiji članovi jesu fizička rastojanja između čvorova mreže. U ovom slučaju čvorovi odgovaraju većim tranzitnim gradovima Republike Srbije, Tabela 2. Uvrštavanjem ovih matrica, u energijsku funkciju koja je inicijalno data u [8], a na osnovu [13], [14] i [15], dobija se energijska funkcija oblika:

(6)

Članovi uz koeficijente μ₁-μ₅ imaju isto značenje kao u [8], a oni uz koeficijente μ₆-μ₉ minimiziraju odnos kapaciteta puta i gustine saobraćaja na njemu, a forsiraju deonice sa većim kapacitetom i boljim tipom puta. Sličan algoritam je korišćen pri rutiranju u telekomunikacionim mrežama [13], [14]. Opsezi vrednosti koeficijenata μ₁-μ₉ dobijeni su na osnovu [16], dok su konkretne vrednosti dobijene empirijskim putem. U ovu svrhu korišćene su vrednosti μ₁=950, μ₂=1500, μ₃=2500, μ₄=475, μ₅=2500, μ₆=700, μ₇=800, μ₈=800 i μ₉=800. Sve matrice su skalirane od 0 do 1. Kako se algoritmom vrši minimizacija energijske funkcije, a kroz minimizaciju svakog od njenih članova, neke vrednosti u energijskoj funkciji su prethodno svođene na komplementarnu vrednost. Konkretno, vrednost , koja predstavlja relativnu veličinu preostalog resursa puta treba da bude što veća radi bržeg i sigurnijeg transporta, za potrebe minimizacije energijske funkcije posmatrana je u komplementarnom vidu . Isto je primenjeno i za matrice U i P.

4. REZULTATI

4.1. Ulazni podaci korišćeni za rad neuralne mreže

Na osnovu definisanog algoritma (1) kreiran je računarski program za izbor optimalne putanje po Paretovom kriterijumu [13]. Analizirana je putna mreža Republike Srbije kroz poznatije i važnije putne pravce, Slika 5. Strelicama su označene tačke kojima se iz Republike Srbije saobraćaj usmerava ka susednim državama.

Slika 5. Mreža puteva i gradova korišćenih u simulaciji

Gradovi su simbolički povezani linijama koje odgovaraju putevima koji prolaze kroz ili blizu njih. Spisak gradova i njihove oznake date su u Tabeli 2. Vrednosti matrice R skalirane su u odnosu na najveće rastojanje (1786 km). Elementi matrice K i G izabrani su proizvoljno shodno kategorizaciji puteva i dostupnim podacima dobijenim od nekoliko špediterskih kuća a na osnovu legende auto karte Srbije (Eurokarta Beograd, sa razmerom 1:850000). Na taj način su elementi matrice K definisani sa 0,5, glavnim tranzitnim putevima 0,4, glavnim putevima 0,2, lokalnim 0,1 dok makadamski putevi nisu uzeti u obzir. Matrica U, opisuje nivo usluga duž putnih pravaca, i izražena je brojem benzinskih pumpi i ovlašćenih autoservisa na svakoj od deonica (što je uzeto sa autokarte Srbije i informacija sa Interneta) koje su skalirane faktorom 10. Podaci se unose samo za postojeće veze između dva susedna grada. Ovako definisani ulazni podaci, dati su u [15].

Tabela 2. Spisak gradova korišćenih u simulaciji

4.2. Formati kod definisanja zahteva

Shodno scenariju izloženom u poglavlju 2.2, korisnik šalje SMS na broj koji je unapred definisan (dobijen nakon potpisivanja ugovora sa kompanijom koja nudi uslugu SMS gejtveja). Nakon prijema poruke, gejtvejvrši osnovne sintaksne provere i sadržaj poruke isporučuje ka definisanoj URL (Uniform Resource Locator) adresi na kojoj se nalazi web aplikacija. Sadržaj poruke počinje stringom koji je definisan ugovorom (npr. ruta), nakon čega se upisuje sadržaj koji je bitan za rad aplikacije. U osnovnom obliku ovaj sadržaj predstavljaju dva stringa odvojena razmakom. Prvi definiše trenutnu lokaciju a drugi željenu. Opšti format, u ovom slučaju dozvoljava veliki broj dodatnih informacija, i unosi se nakon drugog stringa i razmaka: da-ime_grada (za grad kroz koji se želi proći), ne-ime_grada (za grad koji se želi zaobići), u-ime_objekta (za uslužni objekat koji se želi posetiti) i r (za dobijanje informacije o dužini predložene putanje). Pored ovih, naknadno se mogu definisati dodatne usluge, jer ih SMS gejtvejne kontroliše, već ih samo prosleđuje, a logika aplikacije dalje razmatra pomenute zahteve.

Ukoliko je SMS isporučen SMS gejtveju, na osnovu prvog stringa se zaključuje kome dalje treba proslediti poruku. Sadržaj poruke se šalje u formi HTTP zahteva, i koristi POST metod za slanje. Po prijemu zahteva, web aplikacija vrši razdvajanje pristigle integralne poruke na njene sastavne delove, i na osnovu tipa podataka se obraća neuralnoj mreži za odgovor. Istovremeno kroz HTTP odgovor obaveštava SMS gejtvejo uspešnom prijemu da se ne bi „ušlo“ u proceduru ponovnog slanja (dok se u suprotnom poruka ponovo šalje serveru). Neuralna mreža generiše odgovor u tekstualnoj formi i grafički (za potrebe administratora). Na bazi dobijenog odgovora, web aplikacija kreira HTTP zahtev, koji upućuje SMS gejtveju. U tom stringu se nalazi ključna reč, podaci za autentifikaciju, broj telefona korisnika, i sadržaj koji je potrebno proslediti mobilnom korisniku. Po prijemu zahteva, SMS gejtvej kontroliše IP adresu servera sa koga je zahtev stigao, sve prispele parametre, i nakon uspešne provere deo poslatog integralnog stringa (koji je namenjen korisniku) prosleđuje na zadati broj. Pri ovom slanju, od korisnika se naplaćuje unapred definisani iznos za korišćenje servisa.

U poruci koju korisnik vidi nalazi se redosled gradova koji je preporučen od strane neuralne mreže, baziran na svim njenim ulaznim podacima (rastojanje, kvalitet i vrsta puta, trenutna zagušenja u saobraćaju i broj uslužnih objekata na tim deonicama) i dodatno proračunat ako je korisnik u svojoj inicijalnoj poruci naveo ograničenja ili uslove puta.

Za potrebe ovog rada prikazaće se grafičko okruženje koje generiše softver za realizaciju neuralne mreže u nekoliko različitih zahteva korisnika. Na Slici 6. je prikazana struktura početne povezanosti putne mreže (na ulazu u neuralnu mrežu), koja je definisana na Slici 5.

Slika 6. Mreža puteva i gradova korišćenih u simulaciji

Ukoliko je trenutna lokacija korisnika Loznica, a destinacija Pirot, i ukoliko ne postoje nikakvi dodatni uslovi od strane korisnika, tada je preporučena putanja prikazana na Slici 7.

Slika 7. Inicijalna putanja od Loznice do Pirota

Korisnik ovu informaciju dobija u formi redosleda gradova koji se redom nalaze na putanji (Užice, Čačak, Kraljevo, Kruševac, Jagodina, Niš i Pirot). Ukoliko korisnik traži dužinu predložene putanje dobiće odgovor 468 km. Ako korisnik kao restrikciju unese Niš (ne želi da prođe kroz taj grad), tada će kao odgovor dobiti (Užice, Čačak, Kraljevo, Kruševac, Jagodina, Zaječar i Pirot), Slika 8. Dužina ovako dobijene putanje je 512 km.

Ako se pretpostavi drugačiji scenario, i korisnik insistira da prođe kroz Šabac, tada je predložena putanja (Šabac, Valjevo, Čačak, Kraljevo, Kruševac, Jagodina, Niš i Pirot) sa dužinom 508 km, Slika 9.

Slika 8. Putanja sa zabranom prolaska kroz Niš

Slika 9. Putanja nakon prekida putne trase Loznica - Užice

Ova putanja će takođe biti predložena ako se pretpostavi da deo puta između Loznice i Užica nije trenutno u funkciji, što je uticaj matrice P (iznenadne pojave). Ukoliko korisnik želi bolje i raznovrsnije usluge na putu (ovlašćeni auto servisi ili tržni centri), put treba da ga usmeri preko Beograda. Na taj način predložena putanja je (Šabac, Beograd, Požarevac, Zaječar, Pirot), Slika 10.

Slika 10. Putanja kojom se grad Beograd uključuje u plan puta

5. ZAKLJUČAK

U radu je predstavljen moguć način realizacije jednog korisničkog servisa namenjenog poboljšanju planiranja putne trase. Imajući u vidu prednosti postojeće tehnologije, ali i mane koje nastaju trenutnim promenama uslova na putu, predloženi sistem može u značajnoj meri da poboljša trenutno stanje. Predloženo rešenje je zamišljeno kao samostalna aplikacija kojom se korisniku navodi redosled mesta do željenog odredišta, ali veću efikasnost može da postigne u kombinaciji sa GPS navigatorom. Broj i vrsta dodatnih usluga koje bi se nudile servisom nisu ograničene i ničim ne remete ovako opisani sistem. Predloženo rešenje ima razrađene sve faze u planiranju i realizaciji i kao takvo može da bude i komercijalni servis. Veći deo ovog projekta je realizovan i testiran u praksi, ali ne u celini, jer podaci kojima raspolaže operativni centar AMS-a nisu uključeni u analizu. Dalji tok razvoja servisa je usmeren ka testiranju sistema sa podacima koji odgovaraju dnevnim promenama i informacijama sa terena. Kao naprednije rešenje može se ponuditi i opcija slanja MMS-a, koji bi kao sadržaj imao sliku sa iscrtanom putanjom i imenima gradova, i to maksimalno uvećanu za deo relevantnog puta.

Literatura

[1]B. W. Parkinson, J. J. Spilker: Global Positioning System: Theory and Applications, American Institute of Aeronautics and Astronautics, 1996.

[2]M. S. Grewal, L. R. Weill, A. P. Andrews: Global Positioning Systems, Inertial Navigation, and Integration, John Wiley & Sons, 2001.

[3]J. B. McKay, M. Pachter: “Geometry optimization for GPS navigation”, Proceedings of the 36th IEEE Conference Decision and Control, Vol. 5, San Diego, CA, USA, 1997, pp. 4695-4699.

[4]P. D.Wielgosz, Grejner-Brzezinska, I. Kashani: “Network approach to precise GPS navigation”, Navigation, Vol. 51, no. 3, Institute of Navigation, Washington, DC, USA, 2004, pp. 213-2.

[5]E. Abbott, D. Powell: “Land-vehicle navigation using GPS”, Proceedings of the IEEE, Vol. 87, Issue 1, Jan 1999, pp. 145-162.

[6]S. Haykin: Neural networks-a comprehensive foundation, MacMillan Collage Publishing Company, Inc., 1994.

[7]J. J. Hopfield, D. W Tank: “’Neural’ computations of decision in optimization problems”, Biol. Cybern., Vol. 52, 1985, pp. 141-152.

[8]M. Ali, F. Kamoun: “Neural networks for shortest path computation and routing in computer networks”, IEEE Trans. on Neural Networks, Vol. 4, No. 6, 1993, pp. 941-953.

[9]B. Reljin, I. Reljin: “Rešavanje problema rutiranja pomoću neuralnih mreža”, Zbornik 13. simpozijuma o novim tehnologijama u PTT-u, Saobraćajni fakultet, Beograd, Dec. 1995.

[10]J. J. Hopfield: “Neural networks and physical systems with emergent collective computational abilities”, Proc. Nat. Acad. Sci., Vol. 79, 1982, pp. 2554-2558.

[11]V. M. N. Vo, O. Cherkaoui: “Traffic switching optimization in optical routing using Hopfield networks“, RIVF, Electronic Edition, 2004, pp. 125-130.

[12]P. D. Wasserman: Advanced methods in neural computing, Van Nostrand Reinhold, New York, 1993.

[13]N. Kojić, I. Reljin, B. Reljin: “Neural network for optimization of routing in communication networks”, FACTA Universitatis, Series: Electronics and Energetics, Vol. 19, No. 2, , August 2006, pp. 317-329.

[14]N. Kojić, I. Reljin, B.Reljin: “Determination of optimal path using neural network” (in Serbian), in Proc. 48^th Conf. ETRAN, Vol. 1, Čačak (Serbia and Montenegro), June 6-8, 2004.

[15]N. Kojić, R. Kojić, I. Reljin, B.Reljin: “Planiranje i izbor putne trase auto puta primenom neuralne mreže”, TELFOR, Beograd, Nov. 20-22, 2007.

[16]K. C. Tan, H. Tang, S. S. Ge, “On parameter settings of Hopfield networks applied to traveling salesman problems”, IEEE Trans. Circuits and Systems-I, Vol. 52, No. 5, May 2005.