A novel approach of localization with Single Mobile Anchor using Salp Swarm Algorithm in Wireless Sensor Networks
Notice bibliographique
Résumé
Abstract Wireless sensor networks (WSNs) have fabulous attributes to collect data by sensing the surrounding environment. WSNs have a large number of applications that are facing challenges of routing, security, deployment, prolonged lifetime, data computation, and localization. To achieve the high-level performance of WSNs, many researchers have proposed various computational Intelligence (CI) based algorithms for the above-mentioned challenges. The procedure to determine the location of the target node is called node localization. It is easy to determine the coordinates of static nodes accurately but challenging task for the mobile nodes. Localization accuracy directly affects the WSN’s performance. In this paper, a range-based and distributed method are proposed by using the application of the Salp Swarm Algorithm (SSA), and the simulation results are compared with existing approaches such as Particle swarm Optimization (PSO) and H-best Particle Swarm Optimization (HPSO). In this paper, a single mobile anchor node as a reference node traversing the entire network in the Hilbert path and localize the mobile target nodes that are randomly deployed in the networking area. The primary goal behind selecting the Hilbert trajectory is to reduce the issue of LoS. The simulation results show that the proposed method has low localization error and an approximate double number of localized nodes with less computing time as compared to existing 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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| 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 ».