MétaCan
Menu
Retour à la cohorte
Enregistrement W3110737355 · doi:10.1109/lwc.2020.3043365

Robust Cooperative Communication Optimization for Multi-UAV-Aided Vehicular Networks

2020· article· en· W3110737355 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueIEEE Wireless Communications Letters · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Science Foundation of Beijing MunicipalityNational Natural Science Foundation of ChinaChina Postdoctoral Science FoundationBeihang UniversityRoyal Society
Mots-clésComputer scienceRobustness (evolution)Mathematical optimizationQuality of serviceRobust optimizationParametric statisticsMinimaxMinificationOptimization problemDistributed computingComputer networkAlgorithmMathematics

Résumé

récupéré en direct d'OpenAlex

Aerial-ground cooperative vehicular networks are envisioned as a novel paradigm in B5G/6G visions. In this letter, the challenge of optimizing the global energy-efficiency (EE) of multi-UAV-aided vehicular networks in the presence of uncertain air-to-ground (A2G) channels is addressed. Specifically, we propose a maximin paradigm to characterize the system, which aims to maximize its global EE meanwhile satisfying Quality-of-Service (QoS)-oriented data rate requirements in the worst-case situation. We theoretically derive a closed-form optimal solution for an embedded minimization subproblem under a parametric channel uncertainty set and thus develop a computationally tractable robust counterpart, which leads to a robust EE optimization design. Simulation results show that the proposed method significantly outperforms conventional EE schemes in terms of achieving higher global system performance and better robustness under random uncertain environments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,646
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,245
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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