English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

The algorithms commonly used for energy control in IoT networks involve optimization functions with considerable complexity and rigorous control of the test environment. It creates a gap between design, theoretical analysis and real-time processing of the network devices. In this paper, we propose a novel approach based on machine learning which considers the input and output of a power consumption control algorithm in multi-variable slotted Aloha ad hoc networks. Results show that the proposed neural network presented better performance concerning processing time and computational cost when compared to the currently used greedy search energy control algorithms. Resumo. Os algoritmos normalmente empregados para controle energético em redes IoT envolvem funções de otimização com considerável complexidade e controle rigoroso do ambiente de teste. Isso gera uma lacuna entre o projeto, análise teórica e processamento em tempo real dos dispositivos da rede. O presente artigo propõe uma nova abordagem baseada em aprendizagem de máquina que considera a entrada e a saı́da de um algoritmo de controle de consumo de energia em redes ad hoc slotted Aloha de múltiplas varáveis. Resultados mostram que a rede neural proposta obteve melhor desempenho em relação ao tempo de processamento e custo computacional quando comparado aos algoritmos de controle energético de busca gulosa utilizados atualmente.

Otimização do Consumo de Energia em Redes Ad Hoc Aloha Empregando Deep Learning