Data Dissemination in VANETs Using Particle Swarm Optimization
Notice bibliographique
Résumé
A vehicular Ad-Hoc Network (VANET) is a type of Mobile Ad-Hoc Networks (MANETs) that uses wireless routers inside each vehicle to act as a node. The need for effective solutions to urban traffic congestion issues has increased recently due to the growing number of automobile connections in the car communications system. To ensure a high level of service and avoid unsafe situations brought on by congestion or a broadcast storm, data dissemination in a VANET network requires an effective approach. Effective multi-objective optimization methods are required to tackle this because of the implied competing nature of multi-metric approaches. A meta-heuristic technique with a high level of solution interactions can handle efficient optimization. To accomplish this, a meta-heuristic search algorithm particle optimization was chosen. In this paper, we have created a network consisting of vehicles as nodes. The aim is to send emergency messages immediately to the stationary nodes. The normal messages will be sent to the FIFO queue. To send these messages to a destination node, multiple routes were found using Time delay-based Multipath Routing (TMR) method, and to find the optimal and secure path Particle Swarm Optimization (PSO) is used. Our method is compared with different optimization methods such as Ant Colony Optimization (ACO), Firefly Optimization (FFO), and Enhanced Flying Ant Colony Optimization (EFACO). Significant improvements in terms of throughput and packet loss ratio, reduced end-to-end delay, rounding overhead ratio, and the energy consumption are revealed by the experimental results.
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 | 0,001 |
| 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 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 ».