Agent based approach towards energy aware routing in wireless sensor networks
Notice bibliographique
Résumé
In an environment where node density is massive, placement is heterogeneous and lots of sensory traffic with redundancy is produced; individual nodes waste limited wireless bandwidth and consume lot of energy. This minimizes their life time on the network. To handle such problem number of routing schemes have been proposed by researchers. These schemes tend to find the minimum energy path to prolong the network life. In this paper, we argue that it is not always wise to use the minimumenergy path. Nodes along the optimal path will be used rapidly, burn out energy aggressively and eventually die hastily creating communication holes in network. This brings rapid change in the topology resulting in increased latency, poor connectivity and production of heterogeneous subnets. Thus, it is better to occasionally use suboptimal paths. We unmitigated our efforts to augment the node life time in sensor network by frequent use of suboptimal paths, and reducing redundant sensory network traffic. Towards this end, we propose an agentbased directed diffusion approach that incorporates static and mobile agents. Static agent is responsible for calculating and maintaining the set of optimal paths.Mobile agent main function is to perform data processing and make data aggregation decisions at nodes in the network rather than bring data back to a central processor (sink). This paper provides an analytical model for data dissemination for both approaches. To demonstrate the performance evaluation, a prototype of a simulator is implemented.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».