An Adaptive Delay-Minimized Route Design for Wireless Sensor–Actuator Networks
Notice bibliographique
Résumé
Wireless sensor-actuator networks (WSANs) have recently been suggested as an extension to conventional sensor networks. The powerful and mobile actuators can patrol along different routes and communicate with the static sensor nodes. Obviously, it is crucial to optimize the routes for the actuators to collect the sensor data in a timely fashion. Given the nonuniform and time-varying distribution of sensors and events in large networks, the route design has to be dynamic and scalable as well as balance the loads of the actuators. In this paper, we propose probabilistic route design (PROUD), which is an effective and adaptive algorithm for weight-differentiated route calculation. PROUD constructs an <i xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">a priori</i> route that covers the sensor locations, following which, the actuators probabilistically and cyclically visit the sensor locations according to their weights. We show that this probabilistic approach adapts well to network dynamics without frequent recalculation of the whole route. It works for both small-scale sensor-actuator networks and large-scale sensor-actuator networks with partitioning. We further develop a distributed implementation of PROUD and extend it to accommodate actuators with variable speeds. Finally, we devise a multiroute improvement and a task-exchange algorithm that enable load balancing. Our performance evaluation shows that PROUD effectively reduces the overall data-collection time and evenly distributes the energy consumption across the actuators, as compared with other state-of-the-art 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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».