MétaCan
Menu
Retour à la cohorte
Enregistrement W4412628055 · doi:10.1016/j.cor.2025.107206

Optimization of drone base station locations and mobile charging drone routing for post-disaster communication

2025· article· en· W4412628055 sur OpenAlexaff
Farzad Avishan, Mehmet Berk Karasu, Melike Çap, İhsan Yanıkoğlu

Notice bibliographique

RevueComputers & Operations Research · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensHEC Montréal
Organismes subventionnairesnon disponible
Mots-clésDroneBase stationComputer scienceRouting (electronic design automation)Base (topology)Computer networkReal-time computingMathematics

Résumé

récupéré en direct d'OpenAlex

In the aftermath of a disaster, traditional communication systems often become inaccessible, creating significant challenges for rescue teams and affected individuals. This research aims to design an innovative communication system to bridge this gap, ensuring efficient information transfer and establishing reliable communication channels between rescue teams and affected people. The focus is on using drones as communication tools to address this challenge. The study explores the use of drones as data collection and transmission platforms in disaster-stricken areas. By collecting information from individuals, including text messages and location data from different platforms, drones can efficiently transmit vital data to the communication backhaul. An optimization model is formulated to decide on the 3D location of drone base stations while maximizing coverage and service quality. In addition, mobile power drones are also required to supply the power for deployed base stations and data transfer; the model also decides on the routing of multiple power drones. To solve the problem efficiently, a clustering-based matheuristic is developed to determine the locations of the base stations. We show the solution performance of the model and the effectiveness of our heuristic algorithm in a case study using data from Sultanbeyli province in Türkiye. The heuristic algorithm solves all the case study instances, which consist of 700 nodes, 75–105 stationary drones, and 6–8 mobile drones, in less than an hour. The results show that with 105 stationary and 8 mobile drones, we can cover 82% of the users. Furthermore, we demonstrate how this coverage can be increased to 95% by implementing certain adjustments. The findings offer insights into the potential of using drone base stations in post-disaster scenarios, thereby empowering disaster management agencies with enhanced communication capabilities for improved coordination and response in the face of disaster.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,779
Score d'incertitude au seuil0,510

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,322
Écart entre enseignants0,301 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComputers & Operations ResearchMême sujetUAV Applications and OptimizationTravaux en français237 207