移动无线传感器网络中的能效聚类与路由
本文提出了一种基于人工鱼群算法的新型算法,通过平衡局部和全局搜索以及改进聚类问题的收敛速度来提高标准 AFSA 的性能,并将其与该领域的一些先进技术进行了比较,结果表明该技术的优越性。
May, 2015
本文介绍了基于演化博弈、模糊信任评估和异常检测的安全聚类协议,旨在解决无线传感器网络数据安全与能源之间的冲突。仿真结果证明,该聚类协议能够有效防御网络内部自私或被攻击节点,同时显著提高及时数据传输率。
Jul, 2022
本文提出了一种具有模糊信任评估和离群值检测的安全聚类协议(SCFTO),该协议采用区间类型 - 2 模糊逻辑控制器来估计信任度以处理开放的无线介质传输不确定性,并引入基于密度的离群点检测机制来获取自适应信任阈值,用于隔离恶意节点作为集群头,提出了一种基于模糊的集群头选举方法,以实现在能源节省和安全保障之间的平衡,从而有效地防御网络免受内部恶意或被攻击的节点。
Jul, 2022
本文提出了一个使用机器学习算法(XGBoost 和神经网络)的能量预估框架,以预测无线充电设备实际接收到的能量水平。收集了真实的无线能量数据集进行训练和测试,结果表明神经网络模型比 XGBoost 模型更准确。
Mar, 2023
针对具有多个无人机的移动边缘计算网络,通过联合优化用户关联、功率控制、计算容量分配和位置规划,解决了和功率最小化相关的问题,并提出了一个低复杂度的算法,通过三个子问题的迭代求解来获得最优解。数值结果表明,所提出的算法比传统方法具有更好的性能。
Feb, 2019
介绍了一种将自组织映射和 K 均值聚类相结合的新方法来有效聚类月度能源消耗模式,通过该方法可以增强难以找到模式的数据集的聚类结果的准确性和可解释性。实验证明了该方法在聚类任务中的有效性。
Nov, 2023
本文提出了一种方法,利用强化学习技术,在能源意识系统中连续进行弱训练,从而提高算法性能并节省能源。这种方法通过利用环境中的其他传感器提供弱标签,然后训练出模型。本方法在模拟本地化环境上进行了评估,并在可用的普遍健康数据集上进行了验证,以利用接收信号强度实现真实的住宅本地化。我们展示了该方法实施成本低、需要更少的工作门槛和能够提供随时间增加的性能改进和能源节约。
Nov, 2018
本文研究了异构网络中的能效资源管理,通过联合优化单元激活、用户关联和多单元多用户信道分配来实现,同时考虑了长期平均流量和信道条件。研究提出了一种新型的干扰模式和资源分配算法,可大幅度提高能量节省效果,并显式考虑了由单元激活 / 去活导致的干扰波动,得到了标准兼容的单元选择偏差。其能源节省节省模式与负载平衡模式相比有明显的不同。
Feb, 2016
本文采用基于学习的方法来解决超密集、异构蜂窝,大规模节点的无线网络能源效率管理问题。其中,操作实时性以及基站切换成本等问题也被考虑。本文提出了 Batched Randomization with Exponential Weighting (BREW) 策略和 Ranking Expert (RE) 策略,并针对其复杂度的问题做了进一步的优化和证明。经过实验和对各种情况的演示,以上两种策略不仅可以极大地降低系统能耗,还具备了较强的实用性和鲁棒性。
Aug, 2016