Energy-Efficient Edge Intelligence in IoT Environment Using Cross-Layer Bio-Inspired Optimization with Deep Learning Framework
Notice bibliographique
Résumé
The rapid rise of Internet of Things (IoT) applications has increased the demand for energy-efficient or computationally sustainable Wireless Sensor Networks (WSNs).This paper proposes a hybrid optimization Bio-Inspired Deep Learning and Edge-Cloud (BIO-DLEC) framework with the Whale Optimization Algorithm (WOA) and the Grey Wolf Optimizer (GWO) for energy-aware clustering and routing to address these challenges.The hybrid framework incorporates the exploration capability of WOA to diversify candidate solutions, and GWO exploits them, thus achieving a balance process.During the clustering stages, optimal cluster heads (CHs) are selected based on a multi-objective fitness function that ensures overall optimality from the use of residual energies, intra-cluster compactness, and load balancing.In the routing stage, energy-efficient routing paths are established by minimizing communication cost, hop count, and latency within a multi-hop topology.The experimental setup uses a hybrid NS-3 and iFogSim2 simulation environment.The BIO-DLEC improved overall network performance achieving a 25.5% longer lifetime, 21.8% less energy dissipation, 17.3% lower end-to-end latency, and a packet delivery ratio (PDR) higher than 95%.Overall, the results indicate the benefits of BIO-DLEC frameworks improved throughput reliability and enhanced sustainability for next-generation IoT-enabled WSNs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».