Energy Efficiency and Throughput Maximization Using Millimeter Waves–Microwaves HetNets
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
The deployment of millimeter waves can fulfil the stringent requirements of high bandwidth and high energy efficiency in fifth generation (5G) networks. Still, millimeter waves communication is challenging because it requires line of sight (LOS). The heterogeneous network (HetNet) of millimeter waves and microwaves solves this problem. This paper proposes a millimeter -microwaves heterogeneous HetNet deployed in an indoor factory (InF). In InF, the manufacturing and production are performed inside big and small halls. We consider non standalone dual-mode base stations (DMBS) working on millimeter waves and microwaves. We analyze the network in terms of throughput and energy efficiency (EE). We formulate mixed-integer-non-linear-programming (MINLP) to maximize the throughput and EE of the network. The formulated problem is a complex optimization problem and hard to solve with exhaustive search. We propose a novel outer approximation algorithm (OAA) to solve this problem, and the proposed algorithm OAA achieves optimal solution at β = 10−3. At this β, the average throughput value obtained is approximately 50 Mbps, whereas the value of EE is 4.4 Mbits/J. We also compare the performance of OAA with the mesh-adaptive-direct-search-algorithm (NOMAD), and the experimental results verify that OAA outperforms NOMAD in terms of throughput and EE maximization. We also compare the performance of OAA with particle swarm optimization (PSO), genetic algorithm (GA), and many others optimization algorithms. Experimental results verify that OAA outperforms all other algorithms.
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