Radio resource management in energy harvesting cooperative cognitive UAV assisted IoT networks: A multi-objective approach
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
Cooperative communication through energy harvested relays in Cognitive Internet of things (CIoT) has been envisioned as a promising solution to support massive connectivity of Cognitive radio (CR) based IoT devices and to achieve maximal energy and spectral efficiency in upcoming wireless systems. In this work, a cooperative CIoT system is contemplated, in which a source acts as a satellite, communicating with multiple CIoT devices over numerous relays. Unmanned Aerial Vehicles (UAVs) are used as relays, which are equipped with onboard Energy Harvesting (EH) facility. We adopted a Power splitting (PS) method for EH at relays, which are harvested from the Radio frequency (RF) signals. In conjunction with this, the Decode and Forward (DF) relaying strategy is used at UAV relays to transmit the messages from the satellite source to the CIoT devices. We developed a Multi-Objective Optimization (MOO) framework for joint optimization of source power allocation, CIoT device selection, UAV relay assignment, and PS ratio determination. We formulated three objectives: maximizing the sum rate and the number of admitted CIoT in the network and minimizing the carbon dioxide emission. The MOO formulation is a Mixed-Integer Non-Linear Programming (MINLP) problem, which is challenging to solve. To address the joint optimization problem for an epsilon optimal solution, an Outer Approximation Algorithm (OAA) is proposed with reduced complexity. The simulation results show that the proposed OAA is superior in terms of CIoT device selection and network utility maximization when compared to those obtained using the Nonlinear Optimization with Mesh Adaptive Direct-search (NOMAD) algorithm.
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 | 0,001 |
| 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 | 0,000 |
| 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