Optimal Energy-Efficient Beamforming Designs for Cloud-RANs With Rate-Dependent Fronthaul Power
Notice bibliographique
Résumé
We study the downlink of a limited fronthaul capacity cloud-radio access networks (C-RANs). Three energy efficiency metrics, namely, global energy efficiency (GEE), weighted sum energy efficiency (WSEE), and energy efficiency fairness (EEF) are maximized by jointly designing transmit beamforming, remote radio head (RRH) selection, and RRH-user association. Furthermore, we incorporate a rate-dependent fronthaul power model, in which the fronthaul power consumption is proportional to the user sum rate. The formulated problems are difficult to solve. Our first contribution is to customize a branch and reduce and bound (BRB) method based on monotonic optimization to find globally optimal solutions for the three energy efficiency maximization problems. Subsequently, for a more practical approach, we propose a unified framework based on successive convex approximation (SCA) method that can be applied to all the considered problems. Our novelty lies in the equivalent transformations leading to more tractable problems that are amenable to the SCA. Specifically, appropriate continuous relaxation and convex approximation techniques are employed to arrive at a sequence of second-order cone programs (SOCPs) for which dedicated solvers are available. Then, a post-processing algorithm is devised to obtain a high-performance feasible solution from the continuous relaxation. The numerical results demonstrate that the proposed SCA-based algorithms converge rapidly and achieve near-optimal performance as well as outperform the known methods. They also highlight the importance of the rate dependent fronthaul power model in designing the energy efficient C-RANs.
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 | 0,000 |
| 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 ».