La investigación sobre redes de sensores inalámbricos para el transporte inteligente (ITWSN) desempeña un papel muy importante en un sistema de transporte inteligente. Las ITWSN despliegan nodos sensores de teledetección del tráfico de alto rendimiento y bajo consumo energético con una compleja coordinación de parámetros de tráfico a ambos lados de la carretera y utilizan las capacidades de autoorganización de cada nodo para establecer automáticamente toda la red. En el proceso de autoorganización a gran escala, la importancia de las tareas emprendidas por cada nodo es diferente. No es difícil demostrar que la asignación de tareas de los sensores de teledetección del tráfico es un problema NP-difícil, y es necesaria una estrategia eficiente de asignación de tareas para las ITWSN. Este trabajo propone un algoritmo genético clonal adaptativo mejorado (IACGA) para resolver el problema de asignación de tareas en ITWSNs. El algoritmo utiliza un operador de expansión clonal para acelerar la tasa de convergencia y utiliza un operador adaptativo para mejorar la capacidad de búsqueda global. Para verificar el rendimiento del IACGA para la optimización de la asignación de tareas en ITWSNs, el algoritmo se compara con el algoritmo genético de élite (EGA), el recocido simulado (SA) y el algoritmo de salto de rana barajado (SFLA). Los resultados de la simulación muestran que el rendimiento de ejecución del IACGA es superior al del EGA, el SA y el SFLA. Además, la velocidad de convergencia del IACGA es más rápida. Además, los ingresos de las ITWSN con IACGA son superiores a los de EGA, SA y SFLA. Por lo tanto, el algoritmo propuesto puede mejorar eficazmente los ingresos de todo el sistema ITWSN.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Diseño de un modelo bioinformática para la detección, identificación y clasificación de genes codificantes de β-lactamasas, como herramienta para el cruce de datos moleculares con datos clínicos
Video:
Mod-01 Lec-31 La nueva familia del carbono I- Fullerenos y nanotubos
Artículo:
Aprendizaje no supervisado de componentes de imagen superpuestos utilizando una modulación de entrada divisiva
Artículo:
Generación de nubes de puntos a partir de mediciones y formas basadas en redes neuronales convolucionales: Una aplicación para construir un modelo humano en 3D
Artículo:
Relación de dispersión lineal y sensibilidad a la profundidad a los parámetros de oleaje: Aplicación a la imagen por radar de apertura sintética y batimetría