Scalable and Efficient Power Control Algorithms for Wireless Networks
Notice bibliographique
Résumé
Efficient optimization techniques are important to manage interference in emerging dense wireless networks. Here, we address interference management through power control as a general utility maximization problem. For the class of utility functions that are concave in the logarithm of the optimization variables, we propose a power control algorithm based on fixed-point iterations. The iterations converge to the globally optimal power vector. One key benefit is that, for a network with N transmitters and a centralized implementation of the power control algorithm, the computational complexity per iteration of the algorithm is O(N <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> ). When implemented in a distributed fashion and allowing for a signaling complexity of N messages per iteration, the computation complexity is reduced to O(N). We show that the proposed centralized and distributed versions of the algorithm converge to the optimal power vector at a linear rate. Our numerical results suggest that in most instances, the algorithm takes fewer than ten iterations to converge, even fewer if the initialization is close to the optimal power vector. The proposed algorithm is, therefore, very efficient for power control in slowly fading channels. Furthermore, unlike previous works in the literature, the proposed algorithm does not require the objective function to be separable into a sum of individual utilities. As an example, we present results for power control in a two-hop decode-and-forward cooperative relay network and illustrate the performance gains due to interference management.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 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 ».