Wireless Mesh Network Planning Using Quantum Inspired Evolutionary Algorithm
Notice bibliographique
Résumé
The latest increase in mobile data usage and emergence of new applications such as Multimedia Online Gaming (MMOG), mobile TV and streaming contents have motivated advances in wireless broadband systems. Recently, the Long-Term Evolution (LTE) technology, which is based on the Universal Mobile Telecommunications System (UMTS) specifications, joins WiMAX as a competitor to achieve increasing demands of the broadband wireless access. Careful deployment of such a network is required to fulfill the high data rate demands with minimal cost of infrastructure and comprehensive coverage of the subscribers. In this paper, a multi-objective network planning problem is defined as utilizing the minimum number of infrastructure sites (i.e. Base Stations or eNode B in UMTS systems) while maximum number of users in service. We proposed a Quantum Inspired Evolutionary Algorithm (QIEA) in order to achieve optimized solution for this problem. The QIEA can be viewed as a probabilistic evolutionary algorithm and thus it is plausible to expect a reasonably good performance in solving combinatorial optimization problems. In this algorithm, each individual is represented by a string of Q-bits, where a Q-bit is the probabilistic representation inspired by the qubit concept in the quantum computing. Computational experiments show that our algorithm is fairly efficient to different scenarios of the network planning problem and performs better than the Genetic Algorithm (GA).
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».