Joint Trajectory Design, Task Data, and Computing Resource Allocations for NOMA-Based and UAV-Assisted Mobile Edge Computing
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
Mobile edge computing (MEC) has been considered as a promising technique to address the explosively growing computation-intensive applications. Thanks to the flexibility of the unmanned aerial vehicles (UAVs), the UAV-assisted MEC can serve mobile terminals (MTs) effectively, i.e., the computing server installed on the UAV can flexibly change its location to serve MTs. Moreover, since non-orthogonal multiple access (NOMA) is able to accommodate massive connectivity, the NOMA-based and UAV-assisted MEC can provide flexible computing services for MTs in large-scale access networks (e.g., sensor networks and Internet of Things). However, due to the diversity of the UAV's trajectory and the interference among MTs introduced by NOMA, the performance (e.g., energy consumption and delay) of the NOMA-based and UAV-assisted MEC system is adversely affected. Therefore, in this paper, we formulate an optimization problem to minimize the largest energy consumption among MTs by jointly optimizing the trajectory, task data and computing resource allocations, and then propose an iterative algorithm to solve the optimization problem. Furthermore, to minimize the largest energy consumption among MTs with lower complexity, we propose a fixed point service scheme and optimize the location of the fixed point. The simulation results show that the proposed optimization algorithms can effectively reduce the largest energy consumption among MTs and ensure the fairness among MTs.
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