An Evolutionary Game for Distributed Resource Allocation in Self-Organizing Small Cells
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 an evolutionary game theory (EGT)-based distributed resource allocation scheme for small cells underlaying a macro cellular network. EGT is a suitable tool to address the problem of resource allocation in self-organizing small cells since it allows the players with bounded-rationality to learn from the environment and take individual decisions for attaining the equilibrium with minimum information exchange. EGT-based resource allocation can also provide fairness among users. We show how EGT can be used for distributed subcarrier and power allocation in orthogonal frequency-division multiple access (OFDMA)-based small cell networks while limiting interference to the macrocell users below given thresholds. Two game models are considered, where the utility of each small cell depends on average achievable signal-to-interference-plus-noise ratio (SINR) and data rate, respectively. Forthe proposed distributed resource allocation method, the average SINR and data rate are obtained based on a stochastic geometry analysis. Replicator dynamics is used to model the strategy adaptation process of the small cell base stations and an evolutionary equilibrium is obtained as the solution. Based on the results obtained using stochastic geometry, the stability of the equilibrium is analyzed. We also extend the formulation by considering information exchange delay and investigate its impact on the convergence of the algorithm. Numerical results are presented to validate ourtheoretical findings and to show the effectiveness of the proposed scheme in comparison to a centralized resource allocation scheme.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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