DV-Hop Localization Algorithm Optimized by NSGA-II for UWSNs
Notice bibliographique
Résumé
To address the pressing demands of marine resource exploration, this paper investigates the problem of node localization in underwater acoustic wireless networks and proposes a two-stage progressive collaborative optimization framework to overcome the performance limitations of the traditional DV-Hop algorithm. Error sources of DV-Hop in underwater scenarios are systematically analyzed, and a quantitative localization model, NSGA-II-DV-Hop, is established to incorporate both hop count estimation errors and position calculation errors. Based on this analysis, a two-stage optimization strategy is developed. In the first stage, an adaptive particle swarm optimization model, PSO-DV-Hop, is designed, where a dynamic inertia weight adjustment mechanism enhances global search efficiency, thereby reducing localization error and energy consumption. In the second stage, a Pareto-Based evolutionary optimization model, NSGA-II-DV-Hop, is introduced to realize simultaneous optimization of localization accuracy and energy efficiency through Pareto frontier analysis. Experimental results demonstrate that PSO-DV-Hop improves localization performance by reducing the average error by 18.2% and lowering the number of convergence iterations by 61%. Building on this, NSGA-II-DV-Hop further extends the network lifetime by 26.9%, reduces average node energy consumption by 10.07%, and achieves an additional 8.67% energy optimization.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».