AI-Driven and Bio-Inspired Algorithms for Network Optimization: A Review of Applications, Challenges, and Case Studies
Notice bibliographique
Résumé
Despite the complexity that modern network infrastructures such as IoT, $5 \mathrm{G} / 6 \mathrm{G}$ and smart cities have grown to become, much more advanced optimization strategies are needed. Adaptability and scalability are typically problematic for traditional congestion control and network management, causing a poor allocation of bandwidth, the potential for poor cybersecurity management, and control of traffic. Detailed review of AI driven and bio inspired algorithms in network optimization, intrusions detection, energy efficient routing, clustering and congestion control is done in this literature review. Reinforcement learning, deep learning as well as fuzzy logic-based model driven by AI has improved algorithms of traffic forecasting, latency reduction, adaptive network management. Moreover, Particle Swarm Optimization (PSO), ACO, Grey Wolf Optimizer (GWO), Salp Swarm Optimization (SSO), etc. bio inspired algorithms have been demonstrated efficient for use in intrusion detection systems (IDS), routing optimization, energy efficient clustering. The testing of AI controlled multi source congestion control, reinforcement learning based TCP congestion management and fuzzy logicbased congestion detection was also conducted, case studies which proved to reduce the latency by 57%, prevent packet loss 45%, and increase utilization bandwidth by 24%. Nevertheless, these advances are still plagued by problems of computational complexity, dependency on some dataset, and applicability to the real world. The review also explains the need for hybrid AI models, edge-based intelligence, and scalable bio inspired frameworks to improve performance. They suggest that AI and bio inspired approaches have transformative solution to the next generation networks which enable optimizing traffic control, cyber security and energy.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».