MétaCan
Menu
Retour à la cohorte
Enregistrement W2514892827 · doi:10.1109/jsac.2016.2600338

Optimal Stochastic Power Control for Energy Harvesting Systems With Delay Constraints

2016· article· en· W2514892827 sur OpenAlexafffund
Imtiaz Ahmed, Khoa T. Phan, Tho Le‐Ngoc

Notice bibliographique

RevueIEEE Journal on Selected Areas in Communications · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Harvesting in Wireless Networks
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésComputer scienceFadingMarkov decision processMathematical optimizationPower controlQueueChannel (broadcasting)Reinforcement learningControl theory (sociology)Queuing delayMarkov processPower (physics)MathematicsControl (management)Computer network

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,015
Tête enseignante GPT0,233
Écart entre enseignants0,218 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations26
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Journal on Selected Areas in CommunicationsMême sujetEnergy Harvesting in Wireless NetworksTravaux en français237 207