A Distributed Mode Selection Approach Based on Evolutionary Game for Device-to-Device Communications
Notice bibliographique
Résumé
As one of the key technologies for the fifth generation (5G) mobile networks, device-todevice (D2D) communications offer promising benefits such as high spectrum efficiency, traffic offloading, and enhanced coverage. Depending on the resource sharing between D2D users and regular cellular users, a D2D user equipment (UE) can dynamically switch its communication mode to improve the quality of service (QoS) and user experience. Mode selection is an essential issue to ensure the QoS of D2D UEs while maximizing the system capacity. In this paper, we investigate the D2D mode selection problem from a novel perspective. In addition to the classic cellular mode and direct reuse mode, we further consider a relay mode for D2D UEs. Moreover, in order to address a potentially large population of D2D UEs, we propose an evolutionary game-based approach for D2D mode selection. The evolutionary game is formulated with a utility function that takes into account both the achievable throughput of D2D UEs and the radio resource consumption. Based on the evolutionary game formulation, we implement selection dynamics, i.e., replication by imitation, in a device-controlled mode selection algorithm. To evaluate the performance of the proposed mode selection algorithm, we conduct simulations to compare it with three baseline schemes, including an approach based on maximum signal-to-interference-plus-noise, a distance-based approach, and a random approach. As shown in the simulation results, the proposed approach achieves higher utilities than the baseline schemes.
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 | 0,000 | 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 ».