Joint NOMA Clustering and Power Allocation in IoRT-Oriented Satellite Terrestrial Relay Networks
Notice bibliographique
Résumé
In this paper, a joint non-orthogonal multiple access (NOMA) clustering and power allocation problem is studied to maximize the uplink total sum rate in Internet of Remote Things (IoRT)-oriented satellite terrestrial relay networks (STRNs). The joint optimization problem is a mixed-integer programming (MIP) problem, which is non-convex and NP-hard. To solve this problem, we decompose it into two subproblems and propose staged algorithms to solve them. The first subproblem is an optimal NOMA clustering problem, which is still non-convex and NP-hard. To solve the subproblem efficiently, a reinforcement learning-based dynamic clustering algorithm (RL-DCA) is proposed. Using the RL-DCA, the users are able to gradually learn the optimal NOMA clustering policy in a distributed fashion. The RL-DCA has fast convergence and its computational complexity at each user remains fixed for any network size. The second subproblem is an intra-cluster optimal NOMA power allocation problem, which is still non-convex. To solve it, we firstly convert it into a convex problem by constrait approximation, then use the Karush-Kuhn-Tucker (KKT) conditions based algorithm to find the optimal power allocation policy. The second subproblem is solved in an offline fashion, which enables low computational complexity in transmission. Simulation results show that: 1) The RL-DCA has fast convergence and enables good clustering performance; 2) The joint NOMA clustering and power allocation scheme greatly outperforms the orthogonal multiple access (OMA) scheme and other NOMA schemes in terms of total sum rate.
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 | 0,001 | 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 ».