A Hybrid Technique Based on a Genetic Algorithm for Fuzzy Multiobjective Problems in 5G, Internet of Things, and Mobile Edge Computing
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
Emerging commucation technologies, such as mobile edge computing (MEC), Internet of Things (IoT), and fifth-generation (5G) broadband cellular networks, have recently drawn a great deal of interest. Therefore, numerous multiobjective optimization problems (MOOP) associated with the aforementioned technologies have arisen, for example, energy consumption, cost-effective edge user allocation (EUA), and efficient scheduling. Accordingly, the formularization of these problems through fuzzy relation equations (FRE) should be taken into consideration as a capable approach to achieving an optimized solution. In this paper, a modified technique based on a genetic algorithm (GA) to solve MOOPs, which are formulated by fuzzy relation constraints with <a:math xmlns:a="http://www.w3.org/1998/Math/MathML" id="M1"> <a:mi>s</a:mi> </a:math> -norm, is proposed. In this method, firstly, some techniques are utilized to reduce the size of the problem, so that the reduced problem can be solved easily. The proposed GA-based technique is then applied to solve the reduced problem locally. The most important advantage of this method is to solve a wide variety of MOOPs in the field of IoT, EC, and 5G. Furthermore, some numerical experiments are conducted to show the capability of the proposed technique. Not only does this method overcome the weaknesses of conventional methods owing to its potentials in the nonconvex feasible domain, but it also is useful to model complex systems.
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 | 0,000 | 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 découle