Green-Oriented Dynamic Resource-on-Demand Strategy for Multi-RAT Wireless Networks Powered by Heterogeneous Energy Sources
Notice bibliographique
Résumé
Energy harvesting with combination of multiple cooperating radio access technologies (multi-RAT) is regarded as a promising network paradigm to improve the energy efficiency of 5G networks. In this paper, we propose a resource-on-demand energy scheduling strategy for multi-RAT wireless networks, where the varying energy demand of the network can be satisfied by both grid power and harvested energy. Due to the high sensitivity to uncertainties of energy harvesting, a dynamic network energy queue model is designed first considering the inherently stochastic and intermittent nature of the harvested energy. Then, to minimize time-averaged grid power consumption and make effective utilization of harvested energy, the energy scheduling is formulated as a stochastic optimization problem subject to data queue stability and harvested energy availability, considering the high dynamics of wireless channel states and renewable energy sources. Following the Lyapunov optimization framework, the stochastic grid power minimization problem is decomposed into a network flow control subproblem, a network energy management subproblem, and a network resource allocation subproblem, respectively. In order to solve these subproblems, we develop a dynamic adaptive resource-on-demand (DAROD) algorithm to effectively reduce the grid power consumption cost by allocating the resource efficiently based on the dynamic demands of multi-RAT networks. Finally, the tradeoff between grid power consumption cost and network delay is achieved, in which the increase of network delay is approximately linear with the network control parameter V and the decrease of grid power consumption cost is at the speed of 1/V. Extensive simulations are conducted to verify the theoretical analysis and show the effectiveness of our proposed algorithm.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».