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 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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».