Optimal Stochastic Power Control for Energy Harvesting Systems With Delay Constraints
Notice bibliographique
Résumé
This paper studies stochastic power control problems over a fading channel, where the transmitter randomly harvests renewable energies from environment and stores them in a battery for future data transmissions. Moreover, data packets are assumed to arrive at the data queue of transmitter with constant rate μ. To incorporate delay quality-of-service guarantees, two delay constraint models are separately considered, namely average delay model with maximum average delay constraint and statistical delay model with maximum delay outage probability constraint. Under each delay constraint model, the stochastic power control problem aims at maximizing μ considering the randomness of channel fading and energy harvesting (EH) processes. The resulting optimization problems can be formulated as infinite-horizon Markov decision processes. Under average delay model, the optimal power control policy needs to keep track of current data queue-length state in addition to the battery state. On the other hand, under statistical delay model, a sufficiently large queue-length region is assumed, hence, the optimal policy does not depend on the data queue-length state. We study various structural properties of the optimal control policies and develop online power control algorithms that converge to the optimal solutions without requiring statistical knowledge of channel fading and EH processes. By defining and learning the so-called post-decision state-value functions, the proposed learning algorithms require less complexity and converge faster than the conventional reinforcement learning algorithms. Numerical results demonstrate the effectiveness of the online learning algorithms for different delay constraint models and EH settings.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».