Broadband wireless network planning using evolutionary algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we present a simultaneous planning of Base Stations (BSs) and Relay Stations (RSs) with link flow for a broadband wireless network. Infrastructure costs (BS cost, RS cost and their operational costs) of a wireless network is a key factor for network service providers while planning a network. The objective of this problem is to determine a set of BSs and RSs that can serve all users and fulfill their demands at the lowest cost. This problem settings is equally important for planning networks from scratch or enhancements in existing networks. This combinatorial optimization problem is NP-hard in nature. Evolutionary Algorithms (EAs) are intelligent tools that can provide high quality solution to this type of problems. Usually, efficiency of EAs depends on the problem. The aim is to find effective EAs with minimum resources such as low computational complexity, processing time and number of fitness functions evaluations. We formulate this problem as a non-linear discrete optimization and introduce four recent EAs that are motivated by natural intelligent behaviors. The objective function of this planning problem is computationally costly, and there exist a tradeoff between resources and quality of solution. These algorithms include Biogeography-based Optimization (BBO) that is inspired by the natural migration phenomenon of species between different islands, Artificial Bee Colony (ABC) based on the intelligent behavior of honey bee swarms, Quantum-inspired Evolutionary Algorithm (QEA) from the idea of quantum computing, and Immune Quantum Evolutionary Algorithm (IQEA) motivated by both the immune theory and quantum computing. Simulation results demonstrate insights of EAs' and present tradeoff between resources and quality of solutions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle