Mission-aware placement of RF-based power transmitters in wireless sensor networks
Notice bibliographique
Résumé
Wireless Sensor Networks (WSNs) provide wide reach and coverage at low-cost which enable them to be utilized in various fields such as health, smart grid, industrial facilities and defense. One of the fundamental limitations of WSNs in long-lasting applications is the network lifetime. To overcome the battery constraint of sensor nodes, duty cycling, energy-efficient protocols and energy harvesting have been considered widely in the literature. A recently emerging energy harvesting technique, namely Radio Frequency (RF)-based wireless energy transfer promises to extend the lifetime of Wireless Rechargeable Sensor Networks (WRSN) with no dependency on intermittent ambient energy resources. In RF-based wireless energy transfer, deploying power transmitters to fixed locations is costly due to range limitations of wireless power. For this reason, mobile power transmitters that visit a few selected locations; i.e. landmarks are employed. Furthermore, in WSNs sensors are expected to perform certain tasks or missions during their lifetime. The achievement of each mission provides certain profits. In this paper, we aim to optimally select the landmarks for sensor nodes that participate in profit maximizing missions. We propose an Integer Linear Programming (ILP) model, namely Mission-Aware Placement of Wireless Power Transmitters (MAPIT) that optimizes the placement of RF-based chargers in the WRSN by maximizing the number of nodes receiving power from a landmark and those that contribute the maximum profit by achieving a mission. We show that the profit increases for low landmark limit since the number of nodes receiving power from a landmark increases under less landmarks. On the other hand, profit reduces by increased number of missions since the nodes participating to missions become spatially diverse.
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 ».