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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».