Multi-UAV Trajectory Control, Resource Allocation, and NOMA User Pairing for Uplink Energy Minimization
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
In this work, we study the joint optimization of multiple unmanned aerial vehicles (UAVs)’ trajectories, power allocation, user-UAV association, and user pairing for UAV-assisted wireless networks employing the nonorthogonal multiple access (NOMA) for uplink communications. The design aims to minimize the total energy consumption of ground users while guaranteeing to successfully transmit their required amount of data to the UAV-mounted base stations. The underlying problem is a mixed-integer nonlinear program (MINLP), which is difficult to solve optimally. To tackle this problem, we derive the optimal power allocation as a function of other variables, which is used to transform the optimization problem into an equivalent form. We then propose an iterative algorithm to solve the resulting optimization problem by using the block coordinate descent (BCD) method where three subproblems are solved in each iteration and this process is repeated until convergence. Specifically, given the UAVs’ trajectories and data rates, we solve the NOMA user pairing, and user-UAV association subproblem optimally by exploiting its special structure. Then, we describe how to optimize the users’ data rates and tackle the UAV trajectory optimization in the second and third subproblems, respectively, by using the successive convex approximation (SCA) method. Numerical results show that our proposed algorithm can provide efficient active-inactive schedules (by setting user’s transmit powers to zero), and lower energy consumption compared to an existing baseline, and an OMA-based resource allocation and UAV-trajectory optimization strategy.
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