Uninterrupted network connectivity is vital for real-time and mission-critical communication networks. The failure of Base Stations due to unforeseen circumstances such as natural disasters or emergencies can affect the coverage and capacity provided by terrestrial communication networks. The use of Unmanned Aerial Vehicles (UAVs) or drones in cellular networks is an upcoming area of research interest in 5G where the public sector and the communication service providers are fervently discussing it. The drones can be rapidly deployed to bridge the gaps in coverage or capacity of the network due to unforeseen circumstances. This thesis explores drone base stations' use for a simple hexagonal cell deployment scenario where the deployable base stations replace two failed macro base stations to improve the mean network capacity. Simulations show that the introduction of the deployable base stations indeed helps improve mean network capacity in case of one or multiple macro base station fail. The Genetic Algorithm is used to achieve Pareto optimality between downlink and uplink capacity of the simulated network. The simulation results show that introducing deployable nodes in a network can improve the network's capacity while also giving near-optimal transmit power values. / Oavbruten nätverksanslutning är avgörande för realtids- och missionskritiska kommunikationsnätverk. Fel på basstationer på grund av oförutsedda omständigheter som naturkatastrofer eller nödsituationer kan påverka täckningen och kapaciteten som tillhandahålls av markbundna kommunikationsnätverk. Användningen av Unmanned Aerial Vehicles (UAV) eller drönare i cellulära nätverk är ett kommande område av forskningsintresse inom 5G där den offentliga sektorn och leverantörerna av kommunikationstjänster ivrigt diskuterar det. Drönarna kan snabbt sättas in för att överbrygga klyftorna i nätverkets täckning eller kapacitet på grund av oförutsedda omständigheter. Denna avhandling utforskar drönarbasstationers användning för ett enkelt scenarie för hexagonal celldistribution där de utplacerbara basstationerna ersätter två misslyckade makrobasstationer för att förbättra den genomsnittliga nätverkskapaciteten. Simuleringar visar att introduktionen av de utplacerbara basstationerna verkligen hjälper till att förbättra den genomsnittliga nätverkskapaciteten i händelse av att en eller flera makrobasstationer misslyckas. Den genetiska algoritmen används för att uppnå Pareto-optimalitet mellan nedlänks- och upplänkkapaciteten i det simulerade nätverket. Simuleringsresultaten visar att införandet av utplacerbara noder i ett nätverk kan förbättra nätverkets kapacitet samtidigt som det ger nästan optimala värden för sändningseffekt.

The construction industry is currently developing and evolving towards more automated and optimized processes in the project design phase. One reason for this development is that computational power is becoming a more precise and accessible tool and its applications are multiplying daily. Complex structural engineering problems are typically time-consuming with large scale calculations, resulting in a limited number of evaluated solutions. Quality solutions are based on engineering experience, assumptions and previous knowledge of the subject.The use of parametric design within a structural design problem is a way of coping with complex solutions. Its methodology strips down each problem to basic solvable parameters, allowing the structure to be controlled and recombined to achieve an optimal solution.This thesis introduces the concept of parametric design and optimization in structural engineering practice, explaining how the software application works and presenting a case study carried out to evaluate the result. In this thesis a parametric model was built using the Dynamo software to handle a design process involving a common structural engineering problem. The structural problem investigated is a reinforced concrete slab supported by a centre column that is exposed to punching shear failure. The results provided are used for comparisons and as indicators of whether a more effective and better design has been achieved. Such indicators included less materials and therefore less financial cost and/or fewer environmental impacts, while maintaining the structural strength. A parametric model allows the user to easily modify and adapt any type of structure modification, making it the perfect tool to apply to an optimization process.The purpose of this thesis was to find a more effective way to solve a complex problem and to increase the number of solutions and evaluations of the problem compared to a more conventional method. The focus was to develop a parametric model of a reinforced concrete slab subjected to punching shear, which would be able to implement optimization in terms of time spent on the project and therefore also the cost of the structure and environmental impact.The result of this case study suggests a great potential for cost savings. The created parametric model proved in its current state to be a useful and helpful tool for the designer of reinforced concrete slab subjected to punching shear. The result showed several solutions that meet both the economical and the punching shear failure goals and which were optimized using the parametrical model. Many solutions were provided and evaluated beyond what could have been done in a project using a conventional method. For a structure of this type, a parametric strategy will help the engineer to achieve more optimal solutions. / Just nu utvecklas Byggbranschen mot mer automatiserade och optimerade processer i projektdesignfasen. Denna utveckling beror till stor del på teknikutveckling i form av bättre datorprogram och tillgänglighet för dessa. Traditionellt sett löses komplexa konstruktionsproblem med hjälp av tidskrävande och storskaliga beräkningar, vilka sedan resulterar i ett begränsat antal utvärderade lösningar. Kvalitets lösningar bygger då på teknisk erfarenhet, antaganden och tidigare kunskaper inom ämnet.Användning av parametrisk design inom ett konstruktionsproblem är ett sätt att hantera komplexa lösningar. Dess metod avgränsar varje problem ner till ett antal lösbara parametrar, vilket gör att strukturen kan kontrolleras och rekombineras för att uppnå en optimal lösning.Denna avhandling introducerar begreppet parametrisk design och optimering i konstruktionsteknik, den förklarar hur programvaran fungerar och presenterar en fallstudie som genomförts för att utvärdera resultatet. I denna avhandling byggdes en parametrisk modell med hjälp av programvaran Dynamo för att hantera en designprocess av ett vanligt konstruktionsproblem. Det strukturella problemet som undersökts är en armerad betongplatta som stöds av en mittpelare, utsatt för genomstansning. Resultaten används för att utvärdera om en bättre design med avseende på materialanvändning har uppnåtts. Minimering av materialanvändning anses vara en bra parameter att undersöka eftersom det ger lägre kostnader och/eller lägre miljöpåverkan, detta undersöks under förutsättning att konstruktionens hållfasthet bibehålls. En parametrisk modell gör det möjligt för användaren att enkelt modifiera en konstruktionslösning med avseende på olika parametrar. Detta gör det till det perfekta verktyget att tillämpa en optimeringsprocess på.Syftet med denna avhandling var att hitta ett mer effektivt sätt att lösa ett komplext problem och att multiplicera antalet lösningar och utvärderingar av problemet jämfört med en mer konventionell metod. Fokus var att utveckla en parametrisk modell av en armerad betongplatta utsatt för genomstansning, som kommer att kunna genomföra optimering med avseende på tid som spenderas på projektet och därmed också kostnaden för konstruktionen och miljöpåverkan.Resultatet av denna fallstudie tyder på att det finns en stor möjlighet till kostnadsbesparingar och anses därför vara ett mycket hjälpsamt verktyg för en konstruktör. Resultatet visade flera lösningar som uppfyllde de konstruktionsmässiga kraven samtidigt som de gav en lägre materialanvändning tack vare optimeringen. Många lösningar tillhandahölls och utvärderades utöver vad som kunde ha gjorts i ett projekt med en konventionell metod. En parametrisk strategi kommer att hjälpa ingenjören att optimera lösningen för en konstruktion av denna typ.

This thesis describes the implementation and evaluation of a genetic algorithm (GA) for procedurally generating levels with controllable difficulty for a motion-based 2D platform game. Manually creating content can be time-consuming, and it may be desirable to automate this process with an algorithm, using Procedural Content Generation (PCG). An algorithm was implemented and then refined with an iterative method by conducting user tests. The resulting algorithm is considered a success and shows that using GA's for this kind of PCG is viable. An algorithm able to control difficulty of its output was achieved, but more refinement could be made with further user tests. Using a GA for this purpose, one should find elements that affect difficulty, incorporate these in the fitness function, and test generated content to ensure that the fitness function correctly evaluates solutions with regard to the desired output.

Artificiella neurala nätverk (ANN) har ett brett tillämpningsområde och blir allt relevantare på flera håll, inte minst för självkörande fordon. För att träna nätverken användsmeta-algoritmer. Nätverken kan styra fordonen med hjälp av olika typer av indata. I detta projekt har vi undersökt två meta-algoritmer: genetisk algoritm (GA) och gradient descent tillsammans med bakåtpropagering (GD & BP). Vi har även undersökt två typer av indata: avståndssensorer och linjedetektering. Vi redogör för teorin bakom de metoder vi har försökt implementera. Vi lyckades inte använda GD & BP för att träna nätverk att köra fordon, men vi redogör för hur vi försökte. I resultatdelen redovisar vi hur det med GA gick att träna ANN som använder avståndssensorer och linjedetektering som indata. Sammanfattningsvis lyckades vi implementera självkörande fordon med två olika typer av indata. / Artificial Neural Networks (ANN) have a broad area of application and are growing increasingly relevant, not least in the field of autonomous vehicles. Meta algorithms are used to train networks, which can control a vehicle using several kinds of input data. In this project we have looked at two meta algorithms: genetic algorithm (GA), and gradient descent with backpropagation (GD & BP). We have looked at two types of input to the ANN: distance sensors and line detection. We explain the theory behind the methods we have tried to implement. We did not succeed in using GD & BP to train ANNs to control vehicles, but we describe our attemps. We did however succeeded in using GA to train ANNs using a combination of distance sensors and line detection as input. In summary we managed to train ANNs to control vehicles using two methods of input, and we encountered interesting problems along the way.

Solid waste management is a global issue that affects everyone. The management of waste collection routes is a critical challenge in urban environments, primarily due to inefficient routing. This thesis investigates the use of real-time virtual replicas, namely Digital Twins to optimize waste collection routes. By leveraging the capabilities of digital twins, this study intends to improve the effectiveness and efficiency of waste collection operations. The ‘gap’ that the study aims to uncover is hence at the intersection of smart cities, Digital Twins, and waste collection routing. The research methodology comprises of three key components. First, an exploration of five widely used metaheuristic algorithms provides a qualitative understanding of their applicability in vehicle routing, and consecutively waste collection route optimization. Building on this foundation, a simple smart routing scenario for waste collection is presented, highlighting the limitations of a purely Internet of Things (IoT)-based approach. Next, the findings from this demonstration motivate the need for a more data-driven and intelligent solution, leading to the introduction of the Digital Twin concept. Subsequently, a twin framework is developed, which encompasses the technical anatomy and methodology required to create and utilize Digital Twins to optimize waste collection, considering factors such as real-time data integration, predictive analytics, and optimization algorithms. The outcome of this research contributes to the growing concept of smart cities and paves the way toward practical implementations in revolutionizing waste management and creating a sustainable future. / Sophantering är ett globalt problem som påverkar alla, och hantering av sophämtningsrutter är en kritisk utmaning i stadsmiljöer. Den här avhandlingen undersöker användningen av virtuella kopior i realtid, nämligen digitala tvillingar, för att optimera sophämtningsrutter. Genom att utnyttja digitala tvillingars förmågor, avser den här studien att förbättra effektiviteten av sophämtning. Forskningsmetoden består av tre nyckeldelar. Först, en undersökning av fem välanvända Metaheuristika algoritmer som ger en kvalitativ förståelse av deras applicerbarhet i fordonsdirigering och således i optimeringen av sophämtningsrutter. Baserat på detta presenteras ett enkelt smart ruttscenario för sophämtning som understryker bristerna av att bara använda Internet of Things (IoT). Sedan motiverar resultaten av demonstrationen nödvändigheten för en mer datadriven och intelligent lösning, vilket leder till introduktionen av konceptet med digitala tvillingar. Därefter utvecklas ett ramverk för digitala tvillingar som omfattar den tekniska anatomin och metod som krävs för att skapa och använda digitala tvillingar för att optimera sophämtningsrutter. Dessa tar i beaktning faktorer såsom realtidsdataintegrering, prediktiv analys och optimeringsalgoritmer. Slutsatserna av studien bidrar till det växande konceptet av smarta städer och banar väg för praktisk implementation i revolutionerande sophantering och för skapandet för en hållbar framtid.