A primal-dual approximation algorithm for the Minimum Cost Stashing problem in wireless sensor networks
Notice bibliographique
Résumé
We study the problem of computing an energy-efficient data delivery scheme in wireless sensor networks that leverages the knowledge of a set of trajectories of mobile sinks in the network to route data from the sensors to the mobile sinks. Sensors collect data from the environment and instead of directly sending them to the mobile sinks (henceforth simply “sinks”), they route data to a number of selected nodes (we call them relay or stashing nodes) in the network. These stashing nodes lie on the trajectories of the sinks, and relay the received data directly to the sinks on behalf of the sensors. Assuming a set of p different applications being executed on each sensor node, we consider the following problem: Given a set of p trajectories T1, T2, ..., TPcorresponding to p sinks, where sink Ti is dedicated to collect i-th application data, node u selects at least k stashing nodes from Tisuch that it can forward at least k copies of its i-application data to them. The goal of u is to minimize the total routing cost to send all its p application data to the corresponding stashing nodes of p trajectories. We use the expected number of transmissions on a link as the routing cost of the link and the routing cost for a path is the sum of all the link costs of that path. We wish to minimize the sum of the total routing costs of all the nodes. We call this the Minimum Cost Stashing problem and formulate this as a primal-dual problem. We present a 1/2(2f -k + 1)-approximation algorithm using the primal-dual method for approximation algorithms, where f is the maximum size of a trajectory.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».