Task-Driven Relay Assignment in Distributed UAV Communication Networks
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 study the distributed relay assignment problem in multi-channel multi-radio unmanned aerial vehicle (UAV) communication networks. Multi-UAVs are driven by the overall task and fly in certain formation, where UAVs with different tasks have various transmission requirements. Source UAVs equipped with multi-radio can select more than one relay radios to achieve high data rate, and each relay radio can be shared by multiple source UAVs. We construct distributed game models to promote the global transmission performance by self-organizing coordination among UAVs. Specifically, the channel competition relationship between relay UAVs is modeled as a congestion game model, while the task-driven relay selection among UAVs is modeled as a many-to-many matching market without substitutability. With the proposed game models, the optimizing of local optimized process will lead to the improvement of global transmission results. After that, we design algorithms for the stable and changeable topology structures, respectively. Based on the given formation shape of UAVs, a learning matching algorithm is proposed to reach the optimum result with a large probability. A fast potential matching algorithm is propose to deal with the topological change of UAV networks. We prove that two proposed algorithms can both achieve the stable matching results. Simulation results show that the proposed relay assignment approaches yield good performances in terms of the global transmission satisfaction and fairness. Particularly, the result of the learning algorithm is close to the global optimum and the fast potential matching approach is robust to the perturbation of UAV networks.
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 | 0,001 |
| 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 découle