Optimizing Energy Efficiency in Wireless Sensor Networks via Cluster-Based Routing and a Hybrid Optimization Approach
Notice bibliographique
Résumé
Wireless Sensor Networks (WSNs) are increasingly deployed to survey various environmental conditions, finding applications across domains such as agriculture, healthcare, and environmental monitoring.The sensors within these networks are tasked with collecting data and transmitting it to a central sink node through wireless means.Given that the sensor nodes operate on battery power and are often situated in remote locations where maintenance poses logistical challenges, energy conservation emerges as a critical issue.This study introduces an Energy-based Multiobjective Hybrid Optimization Algorithm (E-MHOA), designed to optimize cluster-based routing protocols to enhance energy efficiency in WSNs.The proposed E-MHOA integrates the Cuckoo Search Algorithm (CSA) with the Whale Optimization Algorithm (WOA) to judiciously select Cluster Heads based on their residual energy levels.The primary focus of the E-MHOA is to facilitate improved energy efficiency and data delivery within the context of agricultural monitoring applications.An array of performance metrics, including energy efficiency, End-to-End Delay (EED), packet drop, and network throughput, were employed to evaluate the efficacy of the E-MHOA.Comparative analyses were conducted against existing methodologies, such as MWCSGA, PAwCOR, and CEELBRP.The results of the simulation show that the E-MHOA approach performs noticeably better than the MWCSGA in terms of energy efficiency, achieving a notable efficiency rate of 98.09% in networks comprising 100 nodes.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».