Energy- and Spectral-Efficiency Tradeoff With $\alpha$-Fairness in Energy Harvesting D2D Communication
Notice bibliographique
Résumé
Energy Harvesting (EH) technology enables Device-to-Device (D2D) User Equipments (DUEs) to harvest energy from ambient energy, making contributions to green communications and breaking the single battery-powered and the regional limitations of device deployment. The joint problem of energy harvesting and resource allocation in EH-based D2D Communication Networks (EH-DCNs) is a challenge issue. In this paper, we investigate the joint problem of resource allocation and EH time slot allocation of DUEs in EH-DCNs, where the DUEs harvest energy and multiplex Cellular User Equipments (CUEs) uplink resources. A channel assignment, power allocation and EH time slot allocation problem in EH-DCNs is formulated. The goal is to maximize energy-and spectral-efficiency with α-fairness while guaranteeing the EH constraints of DUEs and the quality of service of CUEs. The formulated problem is a non-convex mixed integer multi-objective optimization problem. In order to solve the formulated problem, the multi-objective optimization problem is transformed into a single-objective optimization problem based on the weight sum method. We propose a joint iterative algorithm based on Lagrangian dual decomposition for α > 0 and α = 0, respectively. Numerical results illustrate that the proposed algorithm achieves higher energy efficiency and spectral efficiency for different network parameter settings.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».