Worst-case analysis of a dynamic channel assignment strategy (extended abstract)
Notice bibliographique
Résumé
We consider the problem of channel assignment in cellular networks with arbitrary reuse distance. A simple and commonly used strategy is called fixed channel assignment, in which base stations can only use channels from fixed sets that are pre-computed to avoid interference with neighbors. On the other hand, dynamic channel assignment makes all radio channels available to all calls in principle: a station may use any channels that are currently unused in any neighboring cells with whom there might be a possibility of interference. In between are borrowing strategies, where a fixed number of channels is reserved per node, but borrowing of idle channels is allowed. While it has been shown that dynamic channel assignment can work better than fixed channel assignment in some situations, its worst case performance, in terms of the number of channels used, has not been studied. We show upper bounds and lower bounds for the competitive ratio of a previously proposed and widely studied version of dynamic channel assignment, which we refer to as the greedy algorithm, for arbitrary reuse distance r. Our main result is that this type of dynamic assignment, though generally regarded to provide higher capacity than fixed assignment or borrowing approach, has in fact, a poorer worst-case performance. For any r, the greedy algorithm is shown to have performance ratio at most 6. For r = 2, we give tight bounds on its performance, and for r = 2 or 3, we show that previously proposed borrowing strategies actually do better in the worst case. We also show a simple borrowing strategy for arbitrary reuse distance and prove bounds on its performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».