Profit Maximization in 5G+ Networks with Heterogeneous Aerial and Ground Base Stations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we propose a novel framework for 5G and beyond (5G+) heterogeneous wireless networks consisting of macro aerial base stations (MABSs), small aerial base stations (SABSs), and ground base stations (GBSs) with two types of access technologies: power domain non-orthogonal multiple access (PD-NOMA) and orthogonal frequency-division multiple access (OFDMA). We aim to maximize the total network profit under some practical network constraints, e.g., NOMA and OFDMA limitations, transmit power (TP) maximum limits, and isolation of the virtualized wireless network. We formulate the resource allocation problem encompassing joint TP allocation, ABS altitude determination, user association, and sub-carrier allocation parameters. Our optimization problem is mixed integer non-linear programming (MINLP) with high computational complexity. To propose a practical approach with reduced computational complexity, we use an alternate method where the main optimization is broken down into three sub-problems with lower computational complexity. We do this by adopting successive convex approximation (SCA), geometric programming (GP), and mesh adaptive direct search (MADS) to solve each of the resulting problems, and find power allocation, altitudes of ABSs, and assignment parameters, respectively. Simulation results reveal that our proposed scenario can improve the overall network profit by up to 47 percent compared to the case where the TPs and ABS altitudes are fixed. Besides, finding the ABS altitude with fixed TPs can improve the network profit by 20 percent compared to the power allocation case with fixed ABS altitudes. Our proposed heterogeneous approach improves the network profit by up to 18, 16, 15, and 10 percent in suburban, urban, dense urban, and high-rise urban environments, respectively, compared to the cases with homogeneous ABSs.
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.
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 | 0,000 | 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 découle