Reducing the Network Latency to Maintain Network Stability in UASN by Using Bio-Inspired Algorithms
Notice bibliographique
Résumé
Underwater Acoustic Sensor Networks, also known as UASNs, are an important component of many different types of systems, including those used for environmental monitoring, maritime exploration, and underwater surveillance. However, UASNs confront a number of issues, one of which is a high network latency, which can have a substantial influence on both the stability and performance of the network. Utilizing the Dolphin Swarm Optimization (DSO) algorithm and contrasting it with the Cuckoo Search Algorithm (CSA) is what this study suggests as a revolutionary method to lessen the amount of time it takes for a network connection to be established as well as to keep the connection stable. This study performs simulations with a realistic model of an underwater environment to determine which method is more efficient at cutting down on the amount of time it takes for network requests to be processed. This study evaluates the performance of DSO and CSA regarding the decrease of latency, stability, and energy utilization. The findings of the simulation show that the DSO algorithm outperforms the CSA algorithm when it comes to lowering network latency while keeping network stability intact. The DSO method optimizes the network's topology, increasing communication effectiveness and decreasing the time it takes for packets to be transmitted. In addition, DSO displays superior resistance to network disturbances and node failures compared to CSA.
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 | 0,001 | 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 ».