Recursive Waterfilling for Wireless Links With Energy Harvesting Transmitters
Notice bibliographique
Résumé
Energy harvesting is often used for green communications. The problem of power allocation is then to maximize the throughput, taking into account the fact that channel conditions and energy sources are time varying. In particular, for the constraints of the target problem, besides the allocated power values being nonnegative, the successively harvested energy sum leads to the triangle coefficient matrix of the power sum constraints. In this paper, we propose a geometric waterfilling (GWF) algorithm in place of the conventional waterfilling (CWF) algorithm for power allocation with a sum power constraint. We then recursively apply the GWF as a functional block to sequentially solve the power allocation problem for energy harvesting transmission in a fading channel. This algorithm is referred to as RGWF. The proposed RGWF is further extended to solving the minimization of the transmission completion time (referred to as RGWFn) by inserting a condition to check if the preset information transmission data bits are achieved. Since RGWF is defined by recursion and along natural progress of time, we can compute a family of solutions for subprocesses from epoch 1 to epoch k, for k = 1, ..., K, where K is the index of the final epoch for the entire process. Thus, RGWF can be utilized for efficiently carrying out the computation of RGWFn. RGWF and RGWFn belong to dynamical recursive algorithms. Compared with the existing results in the open literature, the proposed algorithms have distinguished features: 1) They provide the exact optimal solutions via efficient finite computation under the recursive category, and 2) the optimality of the proposed algorithms is strictly proven. Numerical examples are provided to illustrate the procedures to obtain the optimal power allocation by using the proposed algorithms.
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 | 0,001 |
| 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 | 0,001 | 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 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 ».