Accounting Information Systems Genetic Algorithms for All-Optical Shared Fiber-Delay-Line Packet Switches
Notice bibliographique
Résumé
All-optical shared fiber-delay-line (FDL) packet switches have been studied intensively in the literature and with theliterature, many scheduling genetic algorithms have been proposed. However, these genetic algorithms suffer from notbeing able to provide a delay bound, or require complex timing methods to compute scheduling assignments. In thispaper, we propose two fast scheduling algorithms for all-optical shared-FDL packet switches. In the first algorithm,packet scheduling is formulated as a tree-searching problem. This is accomplished by breaking down the search tree intomultiple smaller subsets and assigning each subset to a parallel processor. By using this method, scheduling solutions canbe obtained in a shorter time. Although this approach is superior to other algorithms, its overall complexity and processingoverheads are still too high to warrant its day to day use. In the second algorithm, the search tree is carefully trimmeddown in order to reduce complexity and overheads. The conclusion will consider a 32 × 32 switch with 32 FDLs, andassume a processor clock rate of 200MHz for schedulers. With this new and second algorithm, a scheduling assignmentcan be calculated for a given packet in 30ns if 8 parallel processors are employed and we show by simulation that bothalgorithms can achieve a loss rate of ? 10?7 even at load 0.9, where the average delay is 11.5 timeslots.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».