Optimizing Cluster Head Selection in Mobile Ad Hoc Networks: A Connectivity Probability Approach Using Poisson Distribution and Residual Energy
Notice bibliographique
Résumé
The selection of an optimal cluster head (CH) node, acting as an intermediary between the base station and ancillary nodes, is a pivotal challenge in mobile Ad Hoc networks, significantly impacting network performance and efficiency.This study introduces a novel approach for CH node selection in Mobile Ad Hoc Networks (MANETs), aiming to bolster network efficiency.This approach selects the head of a nodes cluster based on the Connectivity Probability (CP), derived from the Poisson probability and each node's residual energy.The Poisson distribution, governed by a key parameter, lambda, serves to determine the likelihood of a specific outcome.In the context of this study, lambda signifies the average distance between any given node and the base station, measured relative to their communication range.Considering the direct influence of a node's residual energy on connection probability, the product of these two parameters is computed to ascertain CP.Nodes demonstrating the highest CP values are considered prime candidates for CH selection.The efficacy of the proposed algorithm was evaluated against established protocols, namely the LEACH and R-LEACH.Simulation results suggest that the proposed algorithm significantly improves network performance, extending the network lifetime by over 6 times and 3 times that of LEACH and R-LEACH, respectively.It also enhances network stability by approximately 7 times compared to LEACH and over 2 times that of R-LEACH.Furthermore, the algorithm notably improves throughput, exhibiting an increase by approximately 7 times relative to both protocols.In conclusion, the proposed algorithm offers a promising strategy for CH node selection in MANETs, potentially benefitting a wide gamut of applications.
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 | 0,003 |
| 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 ».