TD‐PSO: Task distribution approach based on particle swarm optimization for vehicular ad hoc network
Notice bibliographique
Résumé
Abstract The rapid advancement of the artificial intelligence revolution during the past decade has significantly affected vehicular ad hoc networks (VANETs). Several applications have been introduced that must meet the requirements of a VANET, including automatic driving and preaccident alerts and broadcasting of video. The customization of vehicles for implementation of these applications is costly and might not be possible due to many constraints, particularly resource limitations. In order to achieve compliance with the VANET framework within the resource limitations, this article proposes limiting the time frame related with the individual parts of the process. To this end, this article recommends that the resource‐intensive ciphertext‐policy attribute‐based encryption (CP‐ABE) task be simplified by virtue of partitioning it into subtasks. This can be achieved by a machine‐learning technique (decision tree) in a manner that significantly influences the completion times of all subtasks. An approach based on particle swarm optimization (PSO), called task‐distribution PSO (TD‐PSO) , is proposed to perform the CP‐ABE task distribution on a VANET. The performance of this approach is evaluated by comparison with a genetic algorithm (GA), followed by comparison of these two solutions with the optimal solution proposed by the linear programming (LP) method. Results show that the TD‐PSO approach consumes less overhead than the GA. Moreover, comparison with the optimal solution proposed by LP shows that the near‐optimal solution obtained using TD‐PSO is more accurate than that obtained using the GA in most scenarios.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».