A Multi-Objective Approach Based on Differential Evolution and Deep Learning Algorithms for VANETs
Notice bibliographique
Résumé
Intelligent transportation systems (ITS) are becoming more prominent in our society (for example, in smart cities), although a number of challenges remain to be (fully) addressed (e.g., high vehicle mobility). In this paper, we propose a scheme that combines both a cluster algorithm and a Multi-Objective Task Distribution algorithm based on Differential Evolution (MOTD-DE), designed to ensure stability and reliability in vehicular ad-hoc network (VANET) deployments. Specifically, we use Kubernetes container-base as the cluster algorithm to select various vehicles that fulfill the algorithm's conditions. Hence, this allows us to perform complex tasks on behalf of data owner vehicles. In our approach, the vehicles' information will be available on the master vehicle (data owner vehicle) when the vehicle joins the cluster, and a deep learning model is used to define the fit complexity of sub-tasks. The proposed MOTD-DE distributes sub-tasks between vehicle clusters to reduce the execution time and the resources (vehicles) used to perform a task. We also assume the sub-tasks to be independent. To evaluate our work, we propose scenarios with varying number of tasks, vehicles, CPU and memories values, and distances between cluster vehicles and data owner vehicle. A comparative summary of the evaluation findings between MOTD-DE and four other widely used approaches (i.e., Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Ant-Colony algorithm (ACO), and Artificial-Bee-Colony (ABC) algorithm) shows that MOTD-DE outperforms these competing approaches.
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 | 0,001 | 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 | 0,001 | 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 ».