Profit Maximization in 5G+ Networks with Heterogeneous Aerial and Ground Base Stations
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».