論文の概要: Balancing the trade-off between cost and reliability for wireless sensor
networks: a multi-objective optimized deployment method
- arxiv url: http://arxiv.org/abs/2207.09089v1
- Date: Tue, 19 Jul 2022 05:53:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 13:46:10.245435
- Title: Balancing the trade-off between cost and reliability for wireless sensor
networks: a multi-objective optimized deployment method
- Title（参考訳）: 無線センサネットワークにおけるコストと信頼性のトレードオフのバランス:多目的最適化配置法
- Authors: Long Chen, Yingying Xu, Fangyi Xu, Qian Hu, Zhenzhou Tang
- Abstract要約: 実用無線センサネットワーク(WSN)の最適配置法を提案する。
我々は競合多目的最適化アルゴリズム(CMOMPA)として知られる新しい多目的最適化アルゴリズムを開発した。
その結果、最適化されたデプロイメントは、デプロイメントコスト、感度信頼性、ネットワーク信頼性のトレードオフのバランスをとることができることがわかった。
- 参考スコア（独自算出の注目度）: 4.031433260365659
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of the sensor nodes (SNs) always plays a decisive role in the
system performance of wireless sensor networks (WSNs). In this work, we propose
an optimal deployment method for practical heterogeneous WSNs which gives a
deep insight into the trade-off between the reliability and deployment cost.
Specifically, this work aims to provide the optimal deployment of SNs to
maximize the coverage degree and connection degree, and meanwhile minimize the
overall deployment cost. In addition, this work fully considers the
heterogeneity of SNs (i.e. differentiated sensing range and deployment cost)
and three-dimensional (3-D) deployment scenarios. This is a multi-objective
optimization problem, non-convex, multimodal and NP-hard. To solve it, we
develop a novel swarm-based multi-objective optimization algorithm, known as
the competitive multi-objective marine predators algorithm (CMOMPA) whose
performance is verified by comprehensive comparative experiments with ten other
stateof-the-art multi-objective optimization algorithms. The computational
results demonstrate that CMOMPA is superior to others in terms of convergence
and accuracy and shows excellent performance on multimodal multiobjective
optimization problems. Sufficient simulations are also conducted to evaluate
the effectiveness of the CMOMPA based optimal SNs deployment method. The
results show that the optimized deployment can balance the trade-off among
deployment cost, sensing reliability and network reliability. The source code
is available on https://github.com/iNet-WZU/CMOMPA.
- Abstract（参考訳）: センサノード(SN)の展開は無線センサネットワーク(WSN)のシステム性能において常に決定的な役割を果たす。
本研究では, 信頼性と配置コストのトレードオフを深く把握した, 実用的異種wsnの最適配置手法を提案する。
具体的には、SNの最適なデプロイを提供することで、カバレッジの度合いと接続の度合いを最大化し、デプロイメント全体のコストを最小化する。
さらに、この研究はsnsの多様性(感知範囲と展開コストの違い)と3次元の3次元配置シナリオを完全に考慮している。
これは多目的最適化問題であり、非凸、マルチモーダル、NPハードである。
そこで本研究では, 競合型多目的海洋捕食者アルゴリズム (CMOMPA) と呼ばれる, 新たなスワムベース多目的最適化アルゴリズムを開発し, その性能を10種類の最先端多目的最適化アルゴリズムとの総合的な比較実験により検証した。
計算結果から,CMOMPAは収束度や精度において他よりも優れており,マルチモーダル多目的最適化問題において優れた性能を示した。
また,CMOMPAに基づく最適なSNs配置法の有効性を評価するために,十分なシミュレーションを行った。
その結果、最適化されたデプロイメントは、デプロイメントコスト間のトレードオフ、信頼性、ネットワーク信頼性のバランスをとることができる。
ソースコードはhttps://github.com/iNet-WZU/CMOMPAで入手できる。
関連論文リスト
- Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-05-28T07:38:39Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Uncertainty-Aware Search Framework for Multi-Objective Bayesian
Optimization [40.40632890861706]
高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。
UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
論文 参考訳（メタデータ） (2022-04-12T16:50:48Z) - Leveraging Trust for Joint Multi-Objective and Multi-Fidelity
Optimization [0.0]
本稿では,ベイズ的多目的・多忠実度最適化(MOMF)に対する新しいアプローチについて検討する。
複数目的とデータソースの同時最適化を支援するために,信頼度基準の革新的利用を提案する。
本手法はプラズマ物理学や流体力学などの分野におけるシミュレーション問題の解法に適用可能である。
論文 参考訳（メタデータ） (2021-12-27T20:55:26Z) - Cost-Effective Federated Learning in Mobile Edge Networks [37.16466118235272]
フェデレートラーニング(FL)は、多くのモバイルデバイスが生データを共有せずに協調的にモデルを学習できる分散ラーニングパラダイムである。
本研究は,モバイルエッジネットワークにおける適応FLの設計手法を解析し,本質的な制御変数を最適に選択し,総コストを最小化する。
我々は,収束関連未知パラメータを学習するために,低コストなサンプリングベースアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-09-12T03:02:24Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space
Entropy Search Approach [44.25245545568633]
複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。
いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2020-11-02T06:59:04Z) - Multi-Fidelity Bayesian Optimization via Deep Neural Networks [19.699020509495437]
多くのアプリケーションでは、目的関数を複数の忠実度で評価することで、コストと精度のトレードオフを可能にする。
本稿では,DNN-MFBO(Deep Neural Network Multi-Fidelity Bayesian Optimization)を提案する。
本手法の利点は, 総合的なベンチマークデータセットと, 工学設計における実世界の応用の両方にある。
論文 参考訳（メタデータ） (2020-07-06T23:28:40Z) - Rethinking Differentiable Search for Mixed-Precision Neural Networks [83.55785779504868]
低ビット幅に量子化された重みとアクティベーションを持つ低精度ネットワークは、エッジデバイスでの推論を加速するために広く利用されている。
現在の解は均一であり、全てのフィルタに同じビット幅を使用する。
これは異なるフィルタの異なる感度を考慮せず、最適以下である。
混合精度ネットワークは、ビット幅を個々のフィルタ要求に調整することでこの問題に対処する。
論文 参考訳（メタデータ） (2020-04-13T07:02:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。