MétaCan
Menu
Retour à la cohorte
Enregistrement W2034787332 · doi:10.1109/lwc.2015.2400995

Fair Scheduling for Energy Harvesting Nodes

2015· article· en· W2034787332 sur OpenAlexaff
Mathew Goonewardena, Animesh Yadav, Wessam Ajib, Halima Elbiaze

Notice bibliographique

RevueIEEE Wireless Communications Letters · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Harvesting in Wireless Networks
Établissements canadiensUniversité du Québec à MontréalÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésComputer scienceEnergy harvestingScheduling (production processes)WirelessMIMOMathematical optimizationPower controlLyapunov optimizationTransmitter power outputQueueComputer networkChannel (broadcasting)Energy (signal processing)Power (physics)TransmitterTelecommunicationsMathematics

Résumé

récupéré en direct d'OpenAlex

This letter considers the problem of scheduling in the multiple input multiple output (MIMO) multiple-access wireless channel, where the transmitters are energy harvesting nodes (EHNs) that are powered by renewable energy sources (RESs). In this letter the conventional scheduling objective of maximizing rate is augmented by two other objectives, regulating fairness, and stabilization of the stored energy processes of the EHNs. This problem is formulated as a network of energy queues, which represent the batteries. Considering the stochastic nature of the wireless channel and the energy harvesting processes, this letter employs Lyapunov drift plus penalty technique to develop a cross-layer scheduler that operates in a slotted-time and distributed manner. At each epoch it selects an EHN for transmission and computes the transmit power. As an added advantage, the power control algorithm still retains the optimal water-filling solution. Through simulations, the proposed solution is compared against a conventional max-rate scheduler and is shown to better enforce fairness, stabilize the battery levels, and minimize the required battery capacity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,659
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,256
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Wireless Communications LettersMême sujetEnergy Harvesting in Wireless NetworksTravaux en français237 207