UAV-Assisted Emergency Communications in Social IoT: A Dynamic Hypergraph Coloring Approach
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 article, we address the social-awareness property and unmanned-aerial-vehicle (UAV)-assisted information diffusion in emergency scenarios, where UAVs can disseminate alert messages to a set of terrestrial users within their coverage, and then these users can continuously disseminate the received data packets to their socially connected users in a device-to-device (D2D) multicast manner. In this regard, we have to solve both the dynamic cluster formation and spectrum sharing problems in stochastic environments, since both UAVs and terrestrial users may arrive or depart suddenly. For the cluster formation problem, considering that the data rate of a multicast cluster is determined by the member with the worst link condition, we formulate it as a many-to-one matching game and adopt the rotation-swap algorithm to maximize the expected number of users receiving the alerting messages in each time slot. For the dynamic spectrum sharing problem, aiming at eliminating the interference while minimizing the channel switching cost, we propose a dynamic hypergraph coloring approach to model the cumulative interference and maintain the mutual interference at a low level by exploring a small number of vertices, when the graph is dynamically updated, i.e., the insertion/deletion of vertex/edge. Moreover, we prove some crucial properties, including global stability, convergence, and complexity. Finally, simulation results show that our proposed approach can achieve a better tradeoff among the information diffusion speed, channel switch cost, and complexity.
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