論文の概要: Automatic tuning of communication protocols for vehicular ad hoc networks using metaheuristics

• arxiv url: http://arxiv.org/abs/2501.08847v1
• Date: Wed, 15 Jan 2025 14:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:53:34.014078
• Title: Automatic tuning of communication protocols for vehicular ad hoc networks using metaheuristics
• Title（参考訳）: メタヒューリスティックスを用いた車両アドホックネットワークのための通信プロトコルの自動チューニング
• Authors: José García-Nieto, Jamal Toutouh, Enrique Alba,
• Abstract要約: 車両用アドホックネットワーク(VANET)は、自発的に相互接続可能な通信車両の集合を扱う。 最終のネットワーク展開に先立って,通信プロトコルを最適に設定することが重要である。
• 参考スコア（独自算出の注目度）: 4.734135226897704
• License:
• Abstract: The emerging field of vehicular ad hoc networks (VANETs) deals with a set of communicating vehicles which are able to spontaneously interconnect without any pre-existing infrastructure. In such kind of networks, it is crucial to make an optimal configuration of the communication protocols previously to the final network deployment. This way, a human designer can obtain an optimal QoS of the network beforehand. The problem we consider in this work lies in configuring the File Transfer protocol Configuration (FTC) with the aim of optimizing the transmission time, the number of lost packets, and the amount of data transferred in realistic VANET scenarios. We face the FTC with five representative state-of-the-art optimization techniques and compare their performance. These algorithms are: Particle Swarm Optimization (PSO), Differential Evolution (DE), Genetic Algorithm (GA), Evolutionary Strategy (ES), and Simulated Annealing (SA). For our tests, two typical environment instances of VANETs for Urban and Highway scenarios have been defined. The experiments using ns- 2 (a well-known realistic VANET simulator) reveal that PSO outperforms all the compared algorithms for both studied VANET instances.
• Abstract（参考訳）: 車両アドホックネットワーク(VANET)の出現する分野は、既存のインフラなしで自発的に相互接続できる通信車両のセットを扱う。 このようなネットワークでは, 通信プロトコルの最適構成を, 最終的なネットワーク展開に向けることが不可欠である。 これにより、人間設計者はネットワークの最適なQoSを事前に得ることができる。 この作業で私たちが考慮している問題は、送信時間、失われたパケットの数、現実的なVANETシナリオで転送されるデータの量を最適化することを目的として、File Transfer Protocol Configuration(FTC)を設定することです。 FTCは、最先端の最適化テクニックを5つ提供し、そのパフォーマンスを比較している。 これらのアルゴリズムは、Particle Swarm Optimization (PSO), Differential Evolution (DE), Genetic Algorithm (GA), Evolutionary Strategy (ES), Simulated Annealing (SA)である。 我々のテストでは、都市とハイウェイのシナリオのためのVANETの2つの典型的な環境インスタンスを定義した。 ns-2 (よく知られた現実的VANETシミュレータ) を用いた実験により、PSOは両方のVANETインスタンスの比較アルゴリズムよりも優れていたことが判明した。

関連論文リスト

• Communication- and Computation-Efficient Distributed Decision-Making in Multi-Robot Networks [2.8936428431504164]
  複数のロボット間のスケーラブルでほぼ最適な関節運動計画を可能にする分散協調パラダイムを提供する。 我々のアルゴリズムは、競合する準最適アルゴリズムよりも2桁高速である。 最大45台のロボットによる監視タスクのシミュレーションでは、1Hzのオーダーでリアルタイム計画が可能で、カバー性能も優れている。
  論文  参考訳（メタデータ） (2024-07-15T01:25:39Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Cellular Traffic Prediction Using Online Prediction Algorithms [5.416701003120508]
  本稿では,リアルタイムシナリオにおけるセルラーネットワークトラフィック予測におけるライブ予測アルゴリズムの有効性について検討する。 機械学習モデルに2つのライブ予測アルゴリズムを適用し,その1つは最近提案されたFast LiveStream Prediction (FLSP)アルゴリズムである。 本研究は,従来のオンライン予測アルゴリズムと比較して,FLSPアルゴリズムが非同期データレポートに必要な帯域幅を半減できることを明らかにする。
  論文  参考訳（メタデータ） (2024-05-08T17:36:14Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Learnable Digital Twin for Efficient Wireless Network Evaluation [40.829275623191656]
  ネットワークデジタルツインツ(NDT)は、ネットワークを物理的に実装する前にキーパフォーマンスインジケータ(KPI)の推定を容易にする。 本稿では,ネットワークシミュレータのための学習型NDTを提案する。
  論文  参考訳（メタデータ） (2023-06-11T03:43:39Z)
• IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode [49.734868032441625]
  本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。 このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。 本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-02-03T03:34:06Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Deep Learning-based Resource Allocation For Device-to-Device Communication [66.74874646973593]
  デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。 任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。 シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
  論文  参考訳（メタデータ） (2020-11-25T14:19:23Z)
• A Machine Learning based Framework for KPI Maximization in Emerging Networks using Mobility Parameters [3.6671455337053573]
  現在のLTEネットワークは、多くの設定と最適化パラメータに直面している。 5Gでは、これらのCOPの数はサイト当たり2000に達すると予測されている。 本稿では,2つの関連するCOPの最適組み合わせを発見するための手法と組み合わせた機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-04T13:28:04Z)
• Hyperparameter Optimization in Binary Communication Networks for Neuromorphic Deployment [4.280642750854163]
  ニューロモルフィック展開のためのニューラルネットワークのトレーニングは簡単ではない。 本稿では,ニューロモルフィックハードウェアに展開可能なバイナリ通信ネットワークをトレーニングするためのアルゴリズムのハイパーパラメータを最適化するためのベイズ的手法を提案する。 このアルゴリズムでは,データセット毎のハイパーパラメータを最適化することにより,データセット毎の前の最先端よりも精度が向上できることが示されている。
  論文  参考訳（メタデータ） (2020-04-21T01:15:45Z)

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。