Satellite constellation design has been a well-studied problem since the beginning of the space age. In recent years new concepts and approaches tried to solve it with fewer satellites whilst guaranteeing coverage to the areas of interest, whether globally or regionally. This thesis introduces a novel approach based on the repeating ground track concept. It then links and converts the constellation design problem to a Set Cover problem. Although it is NP-hard, the Greedy Algorithm is capable to approximate the solution in a polynomial time with a logarithm ratio. An application of the non-symmetric strategy is illustrated with in 36 different scenarios, where altitude, sensor swath and time requirement are varied. In addition to that, a comparison with the Walker constellation on 6 scenarios is analyzed and discussed. In most cases the non-symmetric strategy produces constellations with significantly less satellites required. / Satellitkonstellationsdesign har varit ett väl studerat problem sedan början av rymdåldern. Under de senaste åren har nya koncept och tillvägagångssätt försökt lösa det med färre satelliter samtidigt som de garanterar täckning till intresseområdena, globalt eller regionalt. Detta examensarbete introducerar ett nytt tillvägagångssätt baserat på konceptet med återkommande markspår. Den länkar sedan och konverterar konstellationsdesignproblemet till ett Set Cover-problem. Även om problemet är NP-hårt, är den giriga algoritmen kapabel att approximera lösningen under polynomtid med ett logaritmförhållande. En tillämpning av den icke-symmetriska strategin illustreras med i 36 olika scenarier, där höjd, sensorsvep och tidsbehov varieras. Utöver det analyseras och diskuteras en jämförelse med Walker-konstellationen på 6 scenarier. I de allra flesta fall producerar den icke-symmetriska strategin konstellationer med betydligt färre satelliter.

Studier visar att mänsklig aktivitet, såsom utnyttjande av naturresurser, är kopplat till den globala temperaturökningen. Samtidigt uppmärksammas hållbarhetsfrågor allt mer på sociala medieplattformar som Instagram, där främst unga vuxna är aktiva dagligen. Denna studie undersöker huruvida Instagram kan användas som verktyg för att påverka användarnas syn på hållbarhetsfrågor. Mer specifikt undersöker studien frågeställningen “Hur påverkas unga vuxna ur ett miljöperspektiv av att följa hållbarhetsrelaterade konton på Instagram?”. I studien fick tio deltagare följa 19 hållbarhetsrelaterade konton bestående av följande kategorier: miljöorganisationer och miljöaktivister, förespråkare av grönare matvanor samt konton som uppmärksammar plastanvändning och nedskräpning. Deltagarna reflekterade över innehållet i sina Instagramflöden dagligen under tio dagar, och deltog slutligen i individuella intervjuer. Materialet analyserades tematiskt och delades upp i fyra teman: instagramvanor före och under studien, inläggens (o)synlighet, kontonas påverkan på deltagarna och slutligen känslor kring studien. Resultatet visar att Instagram kan påverka användarna genom att bidra till nya kunskaper samt inspirera till enkla handlingar. Däremot visade studien ingen betydande ökning av miljömedvetenhet eller förändrad syn på hållbarhetsfrågor hos deltagarna. Detta beror troligtvis på Instagrams algoritm, som genom att filtrera innehåll försvårar möjligheten att integrera nya konton i personliga Instagramflöden. I studien diskuteras även coronapandemin (COVID-19) som en möjlig orsak till att deltagarna inte påverkades i större utsträckning. / Studies show that human consumption, such as over-utilization of natural resources, is linked to global warming. Concurrently, sustainability issues are gaining more attention on social media platforms such as Instagram, where many young adults are active daily. This study investigates whether Instagram can be used as a tool to influence opinions on sustainability by trying to integrate content advocating the environment into personal Instagram feeds. More specifically, the research question is "How are young adults impacted from an environmental perspective by following sustainability-related accounts on Instagram?". In this study, ten participants followed 19 sustainability-related accounts, consisting of the following categories: environmental organizations and environmental-activists, advocates of green eating habits, and accounts that deal with the use of plastics and littering. For ten days, the participants reflected on the content of their daily feeds, and finally, partook in individual interviews. The collected material was analyzed thematically and was split into four themes: Instagram habits before and during the study, the (un-)perceptibility of the posts, the accounts’ influence on the participants and finally, emotions experienced during the study. The results show that Instagram can affect the users by educating and inspiring them to take simple actions which are easily integrated into their everyday life. However, the study did not show a significant increase in environmental awareness or a changed view on sustainability issues among the participants. This was likely due to Instagram's algorithm which, by filtering content, makes it difficult to integrate new accounts into personal feeds. The study also addresses the coronavirus pandemic (COVID-19) and discusses it as a possible reason as to why the participants were not influenced to a greater extent.

The design of public transportation networks includes the problem of finding efficient transit routes. This problem is called the Urban Transit Routing Problem (UTRP) and it is a highly complex combinatorial optimization problem. Solving the UTRP and finding more efficient transit routes may lead to large cost savings as well as shorter average travel times for the passengers. The most common approach to solving it, in the literature, is with the usage of a metaheuristic algorithm. The purpose of this thesis is to solve the UTRP with such an algorithm, and to make the algorithm efficient. To this end, the multi-objective Discrete Cuckoo Search (MODCS) algorithm is introduced and it solves the UTRP with respect to both passenger and operator objectives. Two network instances are solved for: the common benchmark network of Mandl's network, and the Södertälje bus network. For Mandl's network, the results were compared to other algorithms in the literature. The results showed great performance of the MODCS algorithm with respect to the passenger objective, and not as good with respect to the operator objective. The computation times of the MODCS were higher than those of the other algorithms. For the Södertälje bus network, the MODCS algorithm found route sets with significantly better objective values than those of a previous master thesis algorithm. Furthermore, the average computation times of the MODCS algorithm were much less than those of the previous master thesis algorithm. / Att designa kollektivtrafiknät inkluderar problemet av att hitta effektiva kollektivtrafiklinjer. Detta problem kallas för Urban Transit Routing Problem (UTRP) och det är ett mycket komplext kombinatoriskt optimeringsproblem. Att lösa UTRP och hitta effektivare kollektivtrafiklinjer kan leda till stora besparingar samt lägre genomsnittliga restider för passagerare. Den vanligaste metoden för att lösa problemet, inom litteraturen, är med en metaheuristisk algoritm. Syftet med detta examensarbete är att lösa UTRP med en sådan algoritm samt att göra algoritmen effektiv. Den multiobjektiva diskreta Cuckoo Search (MODCS) algoritmen blev introducerad för att uppnå syftet, och den löste UTRP med avseende på både passagerar- och operatörintressen. Två olika nätverk har lösts: Mandls nätverk som är det vanligaste att jämföra med, och Södertäljes bussnätverk. Resultaten för Mandls nätverk blev jämförda med resultaten av andra algoritmer i litteraturen. MODCS algoritmen hittade linjenät med mycket bra värden för passagerarintresset, men inte lika bra för operatörintresset. Beräkningstiden för MODCS var högre än för de andra algoritmerna. För Södertäljes bussnätverk så hittade MODCS algoritmen linjenät som hade mycket bättre objektiva värden än en algoritm från ett tidigare examensarbete. De genomsnittliga beräkningstiderna var dessutom mycket lägre för MODCS än för algoritmen från det tidigare examensarbetet.

Data splitting is commonly used in machine learning to split data into a train, test, or validation set. This approach allows us to find the model hyper-parameter and also estimate the generalization performance. In this research, we conducted a comparative analysis of different data partitioning algorithms on both real and simulated data. Our main objective was to address the question of how the choice of data splitting algorithm can improve the estimation of the generalization performance. Data splitting algorithms used in this study were variants of k-fold, Kennard-Stone, SPXY ( sample set partitioning based on joint x-y distance), and random sampling algorithm. Each algorithm divided the data into two subset, training/validation. The training set was used to fit the model and validation for the evaluation. We then analyzed the different data splitting algorithms based on the generalization performances estimated from the validation and the external test set. From the result, we noted that the important determinant for a good generalization is the size of the dataset. For all the data sample methods applied on small data set, the gap between the performance estimated on the validation and test set was significant. However, we noted that the gap reduced when there was more data in training or validation. Too many or few data in the training set can also lead to bad model performance. So it is importance to have a reasonable balance between the training/validation set sizes. In our study, KS and SPXY was the splitting algorithm with poor model performance estimation. Indeed these methods select the most representative samples to train the model, and poor representative samples are left for model performance estimation. / Datapartitionering används vanligtvis i maskininlärning för att dela data i en tränings, test eller valideringsuppsättning. Detta tillvägagångssätt gör det möjligt för oss att hitta hyperparametrar för modellen och även uppskatta generaliseringsprestanda. I denna forskning genomförde vi en jämförande analys av olika datapartitionsalgoritmer på både verkliga och simulerade data. Vårt huvudmål var att undersöka frågan om hur valet avdatapartitioneringsalgoritm kan förbättra uppskattningen av generaliseringsprestanda. Datapartitioneringsalgoritmer som användes i denna studie var varianter av k-faldig korsvalidering, Kennard-Stone (KS), SPXY (partitionering baserat på gemensamt x-y-avstånd) och bootstrap-algoritm. Varje algoritm användes för att dela upp data i två olika datamängder: tränings- och valideringsdata. Vi analyserade sedan de olika datapartitioneringsalgoritmerna baserat på generaliseringsprestanda uppskattade från valideringen och den externa testuppsättningen. Från resultatet noterade vi att det avgörande för en bra generalisering är storleken på data. För alla datapartitioneringsalgoritmer som använts på små datamängder var klyftan mellan prestanda uppskattad på valideringen och testuppsättningen betydande. Vi noterade emellertid att gapet minskade när det fanns mer data för träning eller validering. För mycket eller för litet data i träningsuppsättningen kan också leda till dålig prestanda. Detta belyser vikten av att ha en korrekt balans mellan storlekarna på tränings- och valideringsmängderna. I vår studie var KS och SPXY de algoritmer med sämst prestanda. Dessa metoder väljer de mest representativa instanserna för att träna modellen, och icke-representativa instanser lämnas för uppskattning av modellprestanda.

The social media app TikTok, owned by the Chinese Company ByteDance, has become a worldwide success with over one billion monthly active users due to an algorithm that enables users to consume individually tailored content. However, it was also part of pol itical confrontations between countries like the USA and China due to allegedly security risks. Moreover, the app could be classified as a persuasive technology with potential on Students in Sweden with quantitati ethical and privacy concerns . A case study ve and qualitative research methods was conducted to understand user behavior and the app's impact on users. The former was a survey with 36 participants, and the latter interviews with 6 participants. The case study results indicate, among other things, t hat the participants consume content beyond entertainment, evaluate the algorithm as accurate, do not unambiguously experience a filter bubble, and asses the app as addictive. Despite ethical and privacy concerns, the app has potential for different use ca ses, such as marketing or education. / Den social media appen TikTok, som ägs av det kinesiska företaget ByteDance, har blivit en världssuccé med över en miljard aktiva användare varje månad tack vare en algoritm som gör det möjligt för användarna att konsumera individuellt anpassat innehåll. D en har dock också varit en del av politiska konfrontationer mellan länder som USA och Kina på grund av påstådda säkerhetsrisker. Appen kan klassificeras som en övertalningsteknik med dess potentiella etiska och integritetsrelaterade problem. För att förstå användarnas beteende och appens inverkan på användarna genomfördes en fallstudie om studenter i Sverige med både kvantitativa och kvalitativa forskningsmetoder. Den förstnämnda var en enkät med 36 deltagare och den sistnämnda intervjuer med 6 deltagare. F allstudiens resultat visar bland annat att deltagarna konsumerar innehåll utöver underhållning, bedömer algoritmen som korrekt, upplever inte entydigt ett filter bubble och bedömer appen som beroendeframkallande. Appen har trots etiska och integritetsrelaterade problem, potential för olika användningsområden, t.ex. marknadsföring eller utbildning.

Nowadays in the fifth generation (5G) communication systems, millimeter wave (mmWave) has aroused interest to not only industrial use but also network operators due to the massive amount of bandwidth available at mmWave frequencies. Initial access in cellular systems is an essential procedure in which new mobile user equipment (UE) establishes a connection with a base station (BS). However, mmWave relies on highly directional beamforming (BF) to overcome its severe path loss, while the initial access requires a wide beam to obtain sufficient information for beamforming. So the challenge is to handle the balance between highly directional mmWave and fast and reliable initial access. The high path loss of millimetre wave transmission dictates that multiple BSs may be closer and interfere more with each other. We focus our study on two BS parameters under the random search method. In our study, the beamwidth can be different for each BS, but a uniform number of slot limits needs to be chosen for all BSs. Our objective is to obtain the best parameters for each BS in a reasonable period of time. We build a systemlevel simulation in MATLAB and explored a variety of methods to select the best parameters, including reinforcement learning, supervised learning, and genetic algorithms. It is identified that the main challenge of applying reinforcement learning and supervised learning is the exponentially growing variety of BS parameters. A genetic algorithm is able to derive approximate best values in complex relational species. Therefore the genetic algorithm is considered to be able to be applied in scenarios with a high number of BSs. The result shows that reinforcement learning has great performance in a few BS cases, and the genetic algorithm is able to provide a large improvement over most of the BS methods with the same parameters. / I den femte generationens kommunikationssystem har millimetervågor väckt intresse, inte bara inom industrin utan även hos nätverksoperatörer, på grund av den enorma bandbredd som finns tillgänglig vid mmWave-frekvenser. Initial access i cellulära system är ett viktigt förfarande där ny mobil användarutrustning upprättar en anslutning till en basstation. mmWave är dock beroende av starkt riktad strålformning för att övervinna den allvarliga vägförlusten, medan den inledande åtkomsten kräver en bred stråle för att få tillräcklig information för strålformning. Utmaningen består alltså i att hantera balansen mellan mycket riktgivande mmWave och snabb och tillförlitlig initial access. Den höga vägförlusten för millimetervågsöverföring innebär att flera stationära basstationer kan vara närmare varandra och störa varandra mer. Vi fokuserar vår studie på två parametrar för BS med hjälp av metoden för slumpmässig sökning. I vår studie kan strålbredden vara olika för varje BS, men ett enhetligt antal slotgränser måste väljas för alla BS. Vårt mål är att få fram debästa parametrarna för varje BS på en rimlig tidsperiod. Vi bygger upp en simulering på systemnivå i MATLAB och utforskade en rad olika metoder för att välja de bästa parametrarna, bland annat förstärkningsinlärning, övervakad inlärning och genetiska algoritmer. Det konstateras att de största utmaningarna vid tillämpning av förstärkningsinlärning och övervakad inlärning är det exponentiellt växande utbudet av parametrar för BS. Genetisk algoritm kan härleda ungefärliga bästa värden i komplexa relationella arter. Därför anses den genetiska algoritmen kunna tillämpas i scenarier med ett stort antal BSs. Resultatet visar att förstärkningsinlärning har stor prestanda i ett fåtal BS-fall och att genetisk algoritm kan ge en stor förbättring jämfört med de flesta BS-metoder med samma parametrar.

Radomes were invented to protect sensitive antenna systems from the disturbing environment. Estimation of their permittivity is a vital step for their design. This project studies the free- space method to measure the permittivity of radome materials. The free space method has the advantages of non-contacting and free-of-reshaping, which are suitable for sheet-shape samples. In this method, the sample is placed between two antennas, and the permitivity of the material is determined based on the S-parameters between the two antennas. To avoid the influence of energy diffraction at the edges of samples, a near field focus(NFF) antenna is used. NFF antennas have their focal point in the near field. Consequently, the energy diffraction at the edges is reduced if the sample is placed at the focal point of the NFF antenna. The measurement results are processed with the genetic algorithm. This method starts from a group of assumption values of permittivity. An optimal value is obtained after multiple iterations. Compared with the results from a cavity resonant method provided in the datasheet of the materials, the free space setup in this thesis measurement provides an average 2.80% error in permittivity, and an average 34.14% error in loss tangent. Therefore, the genetic algorithm is suitable for this free space setup. The error of this thesis measurement is affected by several factors, such as thickness value error and inaccurate operation. / Radom används för att skydda känsliga antennsystem från omgivningen. Det är viktigt att estimera permittiviteten av radom innan de designas. Med korrekt permittivitet kan radomets inverkan på systemet räknas ut. I det här projektet används en fri-rymdsmetod för att mäta permittivitet. Fri-rymdsmetoden har fördelarna av att vara kontaktfri och icke-invasiv, vilket gör den lämplig för permittivitetmätning av materialskivor. Med den här metoden placeras en materialskiva mellan två antenner. Permittiviteten kan beräknas från S-parametrarna mellan antennerna. För att undvika diffraktion från kanten av materialskivan används närfältsfokuserade (NFF) antenner i fri-rymdsmetoden. NFF antenner har en fokalpunkt i närfältet. Kantdiffraktionen minskas om materialskivan placeras i fokalpunkten av NFF antennen. Mätningarna efterbehandlas med en genetisk algoritm (GA). Denna metod gissar värden på permittiviteten. Ett optimalt värde räknas fram iterativt. Jämfört med specificerad permittivitet från tillverkaren skiljer sig fri-rymdsmätningarna i denna avhandling i medeltal 2.8% i realdelen för den relativa permittiviteten och 34.14% i förlusttangent. Felet i mätningen påverkas av flera faktorer, som fel i mätningen av materialskivans tjocklek och fel i mätuppställningen.

To solve the bottleneck problem of resource utilization and user experience quality in mobile communication networks, 5G introduces network slicing to cope with the huge resource demand of users. To further improve the quality of service for users with different needs, a new fairness definition based on service level objective is introduced. On this basis, a network slicing dynamic resource scheduling strategy based on the greedy algorithm is designed, and the actual application scenarios of slicing scheduling and user scheduling are simplified into a two-layer model, namely the slicing-user model, and combined with the greedy algorithm to make the service weight value. Combine the largest slice and the user with the highest priority, and complete the matching service. The advantage of this method is various system resources can be fairly allocated according to the same proportion to users. Through the optimal combination of each slice and user, the resources of the entire system can be fairly allocated to users with different needs. Python simulation results showed that the newly proposed network slicing dynamic resource scheduling mechanism based on the greedy algorithm can meet the different needs of users and achieve short term fairness, where the users get a fair share of the resource by each missing their SLO by a similar percentage, so as to better meet the needs of users. / För att lösa flaskhalsproblemet med resursanvändning och användarupplevelsekvalitet i mobilkommunikationsnät introducerar 5G nätverksskivning för att klara användarnas enorma resursbehov. För att ytterligare förbättra servicekvaliteten för användare med olika behov införs en ny rättvisedefinition baserad på servicenivåmål. På grundval av detta utformas en dynamisk resursplaneringsstrategi för nätverksskivning baserad på den giriga algoritmen, och de faktiska applikationsscenarierna för skivningsplanering och användarschemaläggning förenklas till en tvåskiktsmodell, nämligen skivningsanvändarmodellen, och kombineras med girig algoritm för att göra tjänstens viktvärde. Kombinera den största delen och användaren med högsta prioritet och slutför motsvarande tjänst. Fördelen med denna metod är att olika systemresurser kan fördelas rättvist enligt samma andel, och genom den bästa kombinationen av varje segment och användare kan hela systemets resurser fördelas rättvist till användare med olika behov. Pythons simuleringsresultat visar att den nyligen föreslagna nätverksskärningsdynamiska resursplaneringsmekanismen baserad på den giriga algoritmen kan tillgodose användarnas olika behov och uppnå kortsiktig rättvisa där användarna får en rättvis andel av resursen genom att var och en saknar sin SLO med en liknande procentsats , för att bättre möta användarnas behov.

Based on the fact that accessibility in rural areas relies heavily on car traffic, call-driven traffic has been used in different regions to improve public transport usage in rural areas, while it has been difficult to maintain due to high maintenance and long waiting time. Over the past decade, a new demand response transit (DRT) service came into light, which combines with new technologies to provide a more attractive and efficient transport service. Now the Public Transport Authorities have the vision to change this situation of call-driven traffic. In this project, Södertälje and Nykvarn rural area was chosen to be the pilot area of the new DRT service, where a network algorithm was designed to support the routing choices of the new mobility service. The objective of the network algorithm is to achieve an optimal route based on the cost function i.e. operational cost and passengers’ ride time. In addition, the network algorithm is able to test different scenarios, in which user-friendly and operator-friendly scenarios were tested. The result has shown that user-friendly scenarios provide a lower passenger ride time and fleet travel time with the same amount of requests. On top of that, several recommendations regarding improving the service design were proposed in order to optimize customer satisfaction and operation cost. / Baserat på faktumet att tillgängligheten på landsbygden är mer eller mindre byggd på biltrafik så har anropstyrd trafik använts i flera regioner för att förbättra kollektivtrafikanvändningen på landsbygden. Systemet är dock gammalt och lett till svårigheter för drift och underhåll samt långa väntetider. Under det senaste decennium har det utvecklats nya mobilitetslösningar som styrs när behovet uppstår (DRT-service), som kombineras med ny teknik för att ge en mer attraktiv och effektiv transport service. Nu har offentliga transportmyndigheter (PTA) visionen att förbättra denna anropstyrda trafik. I detta projektet valdes landsbygden i Södertälje och Nykvarn som pilotområde för den nya DRT-servicen, där nätverksalgoritmen utformades för att kunna stödja de olika val av vägar för nya mobilitetstjänsten. Målet med nätverksalgoritmen är att uppnå en optimal väg baserad på de kostnadsfunktioner t.ex driktkostnader och passagerarens körtid. Dessutom testas nätverksalgoritmen i olika scenarier, vilket är användarvänliga och driftvänlga scenarier. Resultatet visade att användarvänlga scenarier ger en mindre passagerartid och fordonets resetid gentemot samma mängd av förfrågningar. Dessutom gavs rekomendationer angående hur man kan förbättra tjänstedesignen för att optmiera kundnöjdhet och driftkostnad.

This thesis presents the design and development of a web-based platform intended to streamline the public sector funding process for startups by employing a matching algorithm. The platform was developed as part of a Bachelor's program in Computer Engineering and aims to address the inefficiencies and complexities currently impeding startup access to vital funding sources. Utilizing the MERN technology stack (MongoDB, Express.js, React, and Node.js), the project integrates web-based technologies to enhance user experience and ensure robust security measures aligning with GDPR standards. The methodology adopted includes agile development practices to facilitate iterative testing and improvements. The system's use of data from public funding webpages, combined with API integration and web scraping techniques, ensures a rich database of funding opportunities tailored to startups' diverse needs. This thesis serves as a practical solution for startups striving to navigate the complex landscape of public sector funding. / Den här uppsatsen presenterar designen och utvecklingen av en webbaserad plattform avsedd att effektivisera processen för offentlig finansiering till startups genom att använda en matchningsalgoritm. Plattformen, som utvecklats är en del av ett högskoleingenjörsprogram inom datateknik och syftar till att adressera de ineffektiviteter och komplexiteter som för närvarande hindrar startups från att få tillgång till nödvändiga finansieringskällor. Genom att använda MERN-teknikstacken (MongoDB, Express.js, React och Node.js) integrerar projektet webbteknologier för att förbättra användarupplevelsen och säkerställa robusta säkerhetsåtgärder i linje med GDPR-standarder. Den antagna metoden inkluderar agila utvecklingspraxis för att underlätta iterativ testning och förbättringar. Systemets användning av data från offentliga finansieringswebbplatser, kombinerat med API-integration och webbskrapningstekniker, säkerställer en rik databas med finansieringsmöjligheter anpassade till startups mångfaldiga behov. Denna avhandling fungerar som en praktisk lösning för startups som strävar efter att navigera i det komplexa landskapet för offentlig sektorfinansiering.