Latency Minimization for IRS-Aided NOMA MEC Systems With WPT-Enabled IoT Devices
Notice bibliographique
Résumé
Mobile-edge computing (MEC) and intelligent reflecting surface (IRS) are envisioned as two promising technologies that enable massive connectivity in the future Internet of Things (IoT) networks. MEC allows IoT devices (IDs) to offload their computation intensive tasks and, thus, can prolong their lifespan. In contrast, the IRS can enhance the channel condition between IDs and the access points (APs), which are co-located with the MEC server. Wireless power transfer technique enabling energy harvesting for IDs helps realizing sustainable IoT network. This article applies IRS in a multi-ID MEC system for better latency performance. We first propose a multiple access scheme with hybrid frequency-division and nonorthogonal access technologies and then design a timing protocol for the IDs. Based on the above design, we study the latency optimization problem with the joint optimization of power allocation, the IRS phase shift matrix, and uplink and downlink beamformer under maximum power constraint for the IDs and AP. To tackle the formulated multivariable nonconvex problem, we split the target problem into several subproblems and provide a near-optimal low-complexity ID clustering scheme. Afterward, we derive optimal solutions to these subproblems, and a low-complexity fast-convergence alternating algorithm is proposed to minimize the overall latency. Presented simulation results verify the convergence of the alternating algorithm, and its superiority over the benchmarks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».