Energy-efficient data routing in cooperative UAV swarms for medical assistance after a disaster
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
Medical assistance is crucial to disaster management. In particular, the situation of survivors as well as the environmental information after disasters should be collected and sent back to cloud/data centers immediately for further interpretation and analysis. Recently, unmanned aerial vehicle (UAV)-aided disaster management has been considered a promising approach to enhance the efficiency of searching and rescuing survivors after a disaster, in which a group of UAVs collaborates to accomplish the search and rescue task. However, the battery capacity of UAVs is a critical shortcoming that limits their usage. Worse still, the unstable network connectivity of disaster sites could lead to high latency of data transmission from UAV to remote data centers, which could make significant challenges on real-time data collecting and processing. To solve the above problems, in this paper, we investigate an energy-efficient multihop data routing algorithm with the guarantee of quality-of-service for UAV-aided medical assistance. Specifically, we first study the data routing problem to minimize the energy consumption considering transmission rate, time delay, and life cycle of the UAV swarms. Then, we formulate the issue as a mixed-integer nonlinear programming model. Because of the Non-deterministic Polynomial-hardness of this problem, we propose a polynomial time algorithm based on a genetic algorithm to solve the problem. To achieve high efficiency, we further enhance our algorithm based on DBSCAN and adaptive techniques. Extensive experiments show that our approach can outperform the state-of-the-art methods.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle