An Improved ARO Model for Task Offloading in Vehicular Cloud Computing in VANET
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
Abstract Vehicle-to-vehicle (V2V) communication enables a network of automobiles to perform collaborative computing, giving rise to the concept of a "vehicular cloud" (VC). However, without the need for edge nodes or cloud servers, vehicles can carry out applications needing the massive amount of processing cooperatively on their own by creating a Vehicular Ad-Hoc Network (VANET). Managing the recurrent topology alteration caused by vehicle mobility is a significant challenge for VANET cooperative computing. In this research, we present a V2V-based cooperative computing approach. The suggested method takes into account the distance between vehicles while choosing which ones to collaborate with, and it waits task offloading until the last possible moment to ensure a stable and energy-efficient cooperative computing environment. Despite its competitive performance when compared to other MH algorithms, the artificial rabbits optimisation (ARO) algorithm still suffers from poor accuracy and the issue of becoming trapped in solutions. By antagonism methods, this research creates selective opposition version of the artificial rabbit procedure (LARO), which eliminates the negative consequences of these shortcomings. To begin, during the random concealment phase, a Lévy flight strategy is implemented to increase population diversity and dynamics. The algorithm's convergence accuracy is enhanced by the richness of its various population samples. The tracking efficiency is improved, and ARO is kept from getting stuck in its existing local solutions by adopting the selective opposition technique. In comparison to traditional static scheduling techniques, the suggested strategy improves upon both energy efficiency and network reliability.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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