On the role of multi-objective optimization in risk mitigation for critical infrastructures with robotic sensor networks
Notice bibliographique
Résumé
The use of robotic sensor networks (RSNs) for Territorial Security (TerrSec) applications has earned an increasing popularity in recent years. In Critical Infrastructure Protection (CIP) applications, the RSN goal is to provide the information needed to maintain a secure perimeter around the desired infrastructure and efficiently coordinate a corporate response to any event that arises in the monitored region. Such a response will only involve the most suitable robotic nodes and must successfully counter any detected vulnerability in the system. This paper is a preliminary study of the role played by multi-objective optimization (MOO) in the elicitation of responses from a risk-aware RSN that is deployed around a critical infrastructure. Contrary to previous studies showcasing a pre-optimization auctioning scheme, where the RSN nodes bid on the basis of their knowledge of the event, we introduce a post-optimization auctioning scheme in which the nodes place their bids knowing what their final positions along the perimeter will be, hence calling for a more informed decision at the node level. The impact of the pre- vs. post-optimization stage in a first-price sealed bid auction system over the risk mitigation strategies elicited by the RSN is evaluated and discussed. Empirical results reveal that the pre-optimization auctioning is more suitable for dense RSNs whereas the post-optimization one is preferred in sparse RSNs. To the best of our knowledge, this is the first attempt to assess the role of MOO in risk mitigation for CIP with RSNs.
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 | 0,001 | 0,004 |
| 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 ».