System Capacity Maximization With Efficient Resource Allocation Algorithms in D2D Communication
Notice bibliographique
Résumé
In a device to device (D2D) communication underlaying cellular network, total system sum rate (capacity) can be improved if cellular user equipment's (UEs) and D2D pairs share resource blocks (RBs). We consider an optimization problem where the objective is to maximize the total sum rate of the system by sharing RBs among cellular UEs and D2D pairs while maintaining the quality of service requirements. We consider three approaches depending on the degree of sharing i.e., “One to One Sharing”, “One to Many Sharing”, and “Many to Many Sharing”. Most of the existing algorithms consider that sharing of RBs can only improve the total system sum rate. However, sharing of RBs between a cellular UE and a D2D pair can also decrease the total system sum rate. Considering this observation, we propose an algorithm based on the weighted bipartite matching algorithm which avoids such sharing and maximize the total system sum rate for the “One to One Sharing”approach. Moreover, We propose resource allocation algorithms for “One to Many Sharing”and “Many to Many Sharing”with a target to maximize the system capacity and also provide the analysis of the proposed algorithms. Through simulations, we find that our proposed algorithms outperform the existing algorithms in terms of maximizing total system sum rate. Our proposed algorithms also perform better in terms of total interference introduced due to the sharing of RBs among cellular UEs and D2D pairs.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».