Efficient scheduling of video camera sensor networks for IoT systems in smart cities
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
Abstract Video camera sensor networks (VCSN) has numerous applications in smart cities, including vehicular networks, environmental monitoring, and smart houses. Scheduling of video camera sensor networks (VCSN) can reduce the computational complexity, increase energy efficiency, and enhance throughput for the Internet of things (IoT) systems. In this paper, we apply the iterative low‐complexity probabilistic evolutionary method for scheduling video cameras to maximize throughput in VCSNs for IoT systems. Scheduling of video cameras in VCSNs to maximize throughput is a combinatorial optimization problem whose computational complexity increases exponentially with the increase in the number of video cameras. We propose an iterative probabilistic method named as cross‐entropy optimization (CEO), which is an evolutionary algorithm. The combinatorial optimization problems can be solved using the CEO which is a generalized Monte Carlo technique. The proposed method updates its selected population (video cameras) at each iteration based on the Kullback Leibler (KL) distance/divergence. The KL distance/divergence is minimized using the probability distribution obtained from the learned from the group of selected samples of better solutions found in the previous iterations. The effectiveness of the CEO is verified in terms of optimality and simplicity through simulations. In addition, the results of the CEO are better than the suboptimal algorithms (ie, best norm‐based algorithm, genetic algorithm, and capacity upper‐bound–based greedy algorithm) and maximum of 2%‐3% deviation from the exhaustive search (optimal) with less complexity. The trade‐off between CEO and optimal is the computational complexity.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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