Delay-Optimal Distributed Scheduling in Multi-User Multi-Relay Cellular Wireless Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We propose a novel scheme for delay-optimal scheduling in multi-user multi-relay cellular wireless networks. The cell area is divided into several sectors, each serviced by an individual relay station (RS). In order to have simultaneous transmissions by the users in neighbouring sectors, we assume that users of each individual sector use separate set of orthogonal channels to communicate with the RS and the base station (BS). Moreover, a separate orthogonal channel is shared among relays for transmission to the BS. For uplink communication, users are allowed to choose between two modes of transmission, namely, direct transmission mode and relayed transmission mode through a simple transmission mode selection algorithm. Users are allocated fractions of the time-slot for the first phase of transmission (from the users to the BS and the RSs) in a time-division multiple access (TDMA) fashion. For the second phase of transmission (from the RSs to the BS), each RS is allocated a fraction of the time-slot. We model the problem of end-to-end (e2e) delay-optimal scheduling as an infinite-horizon average reward Markov decision process (MDP) for users and relays in two separate stages. An online learning approach is then employed to solve the problem in a distributed manner for both users and relays in each phase of transmission. The proposed online stochastic learning solution converges to the optimal solution almost surely (with probability 1) under some realistic conditions. Simulation results show that the proposed approach outperforms the conventional scheduling schemes.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle