Internet-of-Things (IoT) Shortest Path Algorithms and Communication Case Studies for Maintaining Connectivity in Harsh Environements
Notice bibliographique
Résumé
Research on the shortest path in networks to maintain connectivity in the Internet of Things (IoT) remains an important issue for determining minimal routes, especially in terms of time and distance, between two devices at distinct points (i.e., nodes) of the network. Many constraints exist for IoT smart devices for transmitting a large amount of information and data, such as limited resources, energy, and time consumption, as well as the potential for overwhelmed communication traffic. Several algorithms were designed and implemented to address these problems that can be simulated and considered as information message passing. The search space is often modeled by a graph, where each node corresponds to a location of a smart device, and the edges represent the paths or links that carry messages, while the absence of a path between two nodes designates a communication breakdown or obstacle. Existing pathfinding algorithms are incorporated in applications, such as Google Maps, rescue people, video games, online packet routing, and rescue applications used in harsh environments. For these latter scenarios, the infrastructure for various technologies of communication becomes vulnerable and dysfunctional, so maintaining connectivity and finding the shortest path becomes a priority. Our goal is to remedy this problem by taking advantage of modernized peer-to-peer wireless technologies, such as Wi-Fi Direct, which can be improved through autonomous wireless technology kits like Lopy 4 of Pycom, and through two alternatives of moving devices (nodes) or service drones. This paper investigates several shortest path algorithms and identifies three case studies to maintain connectivity in harsh environments.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».