Optimal Relay Node Placement in Hierarchical Sensor Networks with Mobile Data Collector
Notice bibliographique
Résumé
Higher-powered relay nodes have been proposed as cluster heads in hierarchical sensor networks to increase the network connectivity, coverage and lifetime. Determining an appropriate placement scheme of the relay nodes that ensures adequate coverage and connectivity, while using a minimum number of relay nodes, is an important design problem and a significant amount of work has been done in this area in recent years. However, most of the existing placement strategies typically assume only stationary nodes, where data of each relay nodes (received from the underlying sensor nodes in its cluster) are routed to the base station(s), using either single-hop or multi-hop routing schemes. Recently, the use of mobile data collectors (MDC) has been shown to improve the network performance in a variety of sensor network applications. In this paper, we consider a hierarchical relay node based network, where a mobile data collector moves along a fixed trajectory, collects data from each relay node and delivers them to the base station. Such a model reduces the energy dissipation of the relay nodes by relieving them of the burden of transmitting data over longer distances, thereby increasing the overall lifetime of the network. The issue is to find the minimum number of relay nodes, along with their locations such that all network requirements are satisfied. We present an integrated integer linear program (ILP) formulation that takes into consideration the sensor data rates, the relay nodes buffer size and the speed of the MDC, and determines an optimal relay node placement scheme, which ensures that there is no data loss due to relay node buffer overflow and the energy dissipation does not exceed a specified level.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».