Optimization of Wireless Sensor Networks Deployment Based on Probabilistic Sensing Models in a Complex Environment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, wireless sensor networks have been studied in numerous cases. One of the important problems studied in these networks is the optimal deployment of sensors to obtain the maximum of coverage. Hence, in most studies, optimization algorithms have been used to achieve the maximum coverage. Optimization algorithms are divided into two groups of local and global optimization algorithms. Global algorithms generally use a random method based on an evolutionary process. In most of the conducted research, the environment model and, sometimes, the layout of sensors in the network have been considered in a very simplified form. In this research, by raster and vector modeling of the environment in two- and three-dimensional spaces, the function of global optimization algorithms was compared and assessed for optimal deployment of sensors and a vector environment model was used as a more accurate model. Since the purpose of this paper is to compare the performance and results of global algorithms, the studied region and the implementation conditions considered are the same for all applied algorithms. In this article, some optimization methods are considered for sensor deployment including genetic algorithms, L-BFGS, VFCPSO and CMA-ES, and the implementation and assessment criteria of algorithms for deployment of wireless sensor network are considered some factors such as the optimal coverage amount, their coverage accuracy towards the environment model and convergence speed of the algorithms. On the other hand, in this paper, the probability coverage model is implemented for each of the global optimization algorithms. The results of these implementations show that the presence of more complex parameters in environment model and coverage produce accurate results that are more consistent with reality. Nonetheless, it may reduce the time efficiency of algorithms.
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.
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) | 0,001 | 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 découle