Fractional-Sea Lion Optimization Based Routing and Charge Scheduling in Internet of Electric Vehicles
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
The increasing impact of emissions from fuel vehicles accounted to mitigate the emissions worldwide. This study develops a multi-objective model for charge scheduling in the Internet of Electric Vehicles (IoEV). The objective is to create a method for charging EVs in the IoEV network that is energy conscious. Here, the position of the charge station and the location of the EV are used to simulate the IoEV network. Following network simulation, charging planning is completed. First, the proposed Fractional-based Sea lion optimization algorithm (Fractional-SLO), which was developed by combining Fractional calculus (FC) with Sea Lion Optimization (SLO), is used to choose the path. Distance and energy are used to calculate one’s aptitude for selecting a path. The proposed Fractional-SLO algorithm is then used to schedule charges after that. It is now possible to model the fitness for charge scheduling using delay and energy cost. The proposed Fractional-SLO promised improved performance with a 0.279-min delay and a 20.337-km distance. When 50 vehicles are involved, the proposed method produces delays that are, respectively, 60.21%, 64.87%, 14.69%, and 17.56% smaller than those of the existing methods, namely MDP, Joint EV Routing and Charging Discharge Scheduling Strategy, and Aggregate Cost Perspective.
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 | 0,001 |
| 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 découle