In this section, we describe the pr

In this section, we describe the proposed multi-hop WSNs based on a Monte Carlo algorithm for WSN. This is similar to the distribution structure of the multiple repeated spread, which the research that has been discussed (see, e.g., random geometric graphs in [12], branch and bound computation in [36]).
1). Background
Our first step is to extend the network models used by [1, 6] by incorporating multiple a cluster of large networks. We define the WSNs to be a multi-hop network with N nodes, symmetric topology based on two parameters, cluster size (N) and hop count (H).
We can use the algorithm to construct the structural of randomized WSNs by deploying sensor nodes with a probability distribution under the terms of the value, probability of success is computed from the probability modeled by using the Monte Carlo simulation were analyzed the value nodes interval [0, 1]. The concept of a Monte Carlo simulation of probabilistic analysis of pattern structure in large-scale communication where the algorithm makes a decision or a classification, and phenomena by supposing that probability density of cluster size/hop distance.
The analytical model of the WSNs will behavior different including data collected of the number of child node in each cluster and the random probability with the value ps. Subsequently, WSNs is established by using the algorithmically that generates a pseudo random number [20, 21] is defined as a parameter of a variable X.
Here are the important properties of a multi-hop WSNs based on Monte Carlo simulation of uniformly cluster-tree topology.
Corollary 1: The size of a multi-hop WSNs based on a Monte Carlo algorithm to establish cluster tree uniformly topology consists the hop count (H) and the number of node child in each cluster (N) is defined as Ntotal which the accumulative X of all variable.
Corollary 2: The expanding topology in symmetries size Ntotal

ผลลัพธ์ (ไทย) 1:

ในส่วนนี้ เราอธิบาย WSNs หลายตู้ที่เสนอตามอัลกอริทึม Carlo มอนสำหรับ WSN นี่คือคล้ายกับโครงสร้างการกระจายของซ้ำแพร่หลาย ซึ่ง (ดู เช่น ตัวอย่างกราฟเรขาคณิตใน [12], สาขา และคำนวณถูกผูกไว้ใน [36]) กล่าวถึงการวิจัยที่ได้รับการ1) . พื้นหลัง ขั้นตอนแรกของเราคือการ ขยายรูปแบบเครือข่ายที่ใช้โดย [1, 6] โดยเพจคลัสเตอร์หลายเครือข่ายขนาดใหญ่ เรากำหนด WSNs เป็น ตู้หลายเครือข่ายที่ มี N โหน โครงสร้างสมมาตรที่ตามสองพารามิเตอร์ คลัสเตอร์ขนาด (N) และจำนวนตู้ (H) เราสามารถใช้อัลกอริทึมการสร้างโครงสร้างของ randomized WSNs โดยปรับใช้โหนเซ็นเซอร์กับการแจกแจงความน่าเป็นภายใต้เงื่อนไขค่า ความน่าเป็นความสำเร็จที่คำนวณจากความน่าเป็นจำลองโดย Carlo Monte ได้จำลองการวิเคราะห์ค่าโหนช่วง [0, 1] แนวคิดของการจำลอง Carlo มอน probabilistic วิเคราะห์โครงสร้างรูปแบบในการสื่อสารขนาดใหญ่ที่อัลกอริทึมทำให้การตัดสินใจหรือการจัดประเภท บุคคล และปรากฏการณ์ โดยถ้าความหนาแน่นความน่าเป็นที่ของคลัสเตอร์ขนาด/ระยะทาง แบบวิเคราะห์ของ WSNs จะพฤติกรรมต่าง ๆ รวมทั้งข้อมูลที่รวบรวมจำนวนเด็กโหนดในแต่ละคลัสเตอร์และความน่าเป็นแบบสุ่มกับ ps ค่า ในเวลาต่อมา สร้าง WSNs โดย algorithmically ที่สร้างหลอกเป็นกำหนดหมายเลขแบบสุ่ม [20, 21] เป็นพารามิเตอร์ของตัวแปร Xคุณสมบัติสำคัญของ WSNs ตู้หลายแบบตามการจำลอง Carlo มอนโทโพโลยีคลัสเตอร์ทรีสม่ำเสมอเมื่อเทียบเคียงได้ Corollary 1: WSNs ตู้หลายขนาดขึ้นอยู่กับอัลกอริทึม Carlo มอนสร้างคลัสเตอร์ทรีสม่ำเสมอเมื่อเทียบเคียงโครงสร้างประกอบด้วยจำนวน hop (H) และจำนวนลูกโหนในคลัสเตอร์แต่ละ (N) ถูกกำหนดเป็น Ntotal ซึ่ง X แบบสะสมของตัวแปรทั้งหมด Corollary ที่ 2: โครงสร้างที่ขยายตัวใน symmetries ขนาดราคา Ntotal

ผลลัพธ์ (ไทย) 2:

ในส่วนนี้เราจะอธิบายเสนอ WSNs หลายปฮอปขึ้นอยู่กับขั้นตอนวิธีมอนติคาร์สำหรับ WSN นี้จะคล้ายกับโครงสร้างการกระจายตัวของการแพร่กระจายหลายซ้ำซึ่งงานวิจัยที่ได้รับการกล่าวถึง (ดูเช่นกราฟเรขาคณิตแบบสุ่มใน [12] สาขาและการคำนวณที่ถูกผูกไว้ใน [36]).
1) พื้นหลัง
ขั้นตอนแรกของเราคือการขยายเครือข่ายรุ่นที่ใช้โดย [1, 6] โดยการใช้มาตรการหลายกลุ่มของเครือข่ายขนาดใหญ่ เรากำหนด WSNs จะเป็นเครือข่ายหลายปฮอปกับโหนด N, โครงสร้างสมมาตรขึ้นอยู่กับสองพารามิเตอร์ขนาดของคลัสเตอร์ (N) และนับฮอป (H).
เราสามารถใช้ขั้นตอนวิธีการที่จะสร้างโครงสร้างของ WSNs สุ่มโดยใช้เซ็นเซอร์โหนด มีการกระจายความน่าจะเป็นภายใต้เงื่อนไขของค่าความน่าจะเป็นของความสำเร็จคือการคำนวณจากความน่าจะเป็นรูปแบบโดยใช้การจำลอง Monte Carlo วิเคราะห์ค่าโหนดช่วง [0, 1] แนวคิดของการจำลอง Monte Carlo ของการวิเคราะห์ความน่าจะเป็นรูปแบบของโครงสร้างในการสื่อสารขนาดใหญ่ที่ขั้นตอนวิธีการทำให้การตัดสินใจหรือการจัดหมวดหมู่และปรากฏการณ์โดยสมมติว่าน่าจะเป็นที่ความหนาแน่นของระยะทางขนาดกลุ่ม / ฮิปฮ.
รูปแบบการวิเคราะห์ของพฤติกรรมจะ WSNs ข้อมูลที่แตกต่างกันรวมทั้งเก็บรวบรวมจำนวนของโหนดเด็กในแต่ละกลุ่มและความน่าจะเป็นแบบสุ่มที่มีค่าพีเอส ต่อมา WSNs จะจัดตั้งขึ้นโดยใช้อัลกอริทึมที่สร้างตัวเลขสุ่มหลอก [20 21] ถูกกำหนดให้เป็นพารามิเตอร์ของตัวแปรเอ็กซ์
นี่คือคุณสมบัติที่สำคัญของหลาย WSNs ฮอปอยู่บนพื้นฐานของการจำลอง Monte Carlo ของ cluster- สม่ำเสมอ . โครงสร้างต้นไม้
ควันหลงที่ 1: ขนาดของ WSNs หลายปฮอปขึ้นอยู่กับขั้นตอนวิธีมอนติคาร์ที่จะสร้างโครงสร้างต้นไม้กลุ่มประกอบด้วยสม่ำเสมอนับฮอป (H) และจำนวนของเด็กในแต่ละโหนดคลัสเตอร์ (N) ถูกกำหนดให้เป็น Ntotal ที่ สะสม X ของตัวแปรทั้งหมด.
ควันหลง 2: โทโพโลยีในการขยายขนาด symmetries Ntotal

ผลลัพธ์ (ไทย) 3:

ในส่วนนี้เราอธิบายเสนอมัลติโลด wsns ขึ้นอยู่กับขั้นตอนวิธีมอนติคาร์โล WSN นี้จะคล้ายกับการกระจายโครงสร้างของหลายซ้ำกระจาย ซึ่งงานวิจัยที่ได้รับการพิจารณา ( ดู เช่น สุ่มเรขาคณิตกราฟใน [ 12 ] , สาขาและจำกัดการคิดคำนวณใน [ 36 ] )
1 ) พื้นหลัง
ขั้นตอนแรกของเราคือการขยายเครือข่ายโดยใช้รูปแบบ [ 16 ] โดยผสมผสานหลายกลุ่มของเครือข่ายขนาดใหญ่ เรากำหนด wsns เป็น Multi hop กับโหนดเครือข่ายโครงสร้างสมมาตรขึ้นอยู่กับสองตัวแปรขนาดของคลัสเตอร์ ( N ) และกระโดดนับ ( H )
เราสามารถใช้ขั้นตอนวิธีการสร้างโครงสร้างโดยการสุ่ม wsns เซ็นเซอร์โหนดที่มีการแจกแจงความน่าจะเป็น ภายใต้เงื่อนไขของค่าความน่าจะเป็นของความสำเร็จจะคำนวณจากความน่าจะเป็นแบบจำลองโดยใช้เทคนิคมอนติคาร์โล วิเคราะห์ค่าโหนดช่วง [ 0 , 1 ] แนวคิดของการจำลองมอนติคาร์โลของการวิเคราะห์เชิงโครงสร้างของรูปแบบในการสื่อสารขนาดใหญ่ที่ขั้นตอนวิธีการทำให้การตัดสินใจ หรือการจัดหมวดหมู่และปรากฏการณ์ โดยต่างว่าความหนาแน่นของความน่าจะเป็นของขนาดกลุ่ม / กระโดดไกล
การวิเคราะห์แบบจำลองของ wsns จะพฤติกรรมที่แตกต่างกันรวมถึงข้อมูลจำนวนโหนดลูกในแต่ละกลุ่มและความน่าจะเป็นแบบสุ่มที่มีค่า PS . ต่อมา wsns ก่อตั้งขึ้นโดยการใช้ algorithmically ที่สร้างตัวเลขสุ่มเทียม [ 2021 ] ถูกกำหนดเป็นพารามิเตอร์ของตัวแปร X .
ที่นี่เป็นคุณสมบัติสำคัญของ Multi Hop wsns บนพื้นฐานของการจำลองมอนติคาร์โลของต้นไม้โดยกลุ่มทอพอโลยี .
ควันหลง 1ขนาดของมัลติโลด wsns ขึ้นอยู่กับขั้นตอนวิธีมอนติคาร์โลสร้างต้นไม้โครงสร้างประกอบด้วยกลุ่มโดยการกระโดดนับ ( H ) และจำนวนโหนดลูกในแต่ละกลุ่ม ( n ) หมายถึง ntotal ซึ่งสะสมทั้งหมดของตัวแปร x .
ควันหลง 2 : ขยายในขนาด ntotal
แบบสมมาตร