Managing Sets of Flying Base Stations Using Energy Efficient 3D Trajectory Planning in Cellular Networks
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
Unmanned aerial vehicles (UAVs) in cellular networks have garnered considerable interest. One of their applications is as flying base stations (FBSs), which can increase coverage and quality of service (QoS). Because FBSs are battery-powered, regulating their energy usage is a vital aspect of their use; therefore, the appropriate placement and trajectories of FBSs throughout their operation are critical to overcoming this challenge. In this article, we propose a method of solving a multi-FBS 3D trajectory problem that considers FBS energy consumption, operation time, flight distance limits, and intercell interference constraints. Our method is divided into two phases: FBS placement and FBS trajectory. In taking this approach, we break the problem into several snapshots. First, we find the minimum number of FBSs required and their proper 3D positions in each snapshot. Then, between every two snapshots, the trajectory phase is executed. The optimal path between the origin and destination of each FEB is determined during the trajectory phase by utilizing a proposed binary linear problem (BLP) model that considers FBS energy consumption and flight distance constraints. Then, the shortest path for each FBS is determined while taking obstacles and collision avoidance into consideration. The number of FBSs needed may vary between snapshots, so we present an FBS set management (FSM) technique to manage the set of FBSs and their power. The results demonstrate that the proposed approach is applicable to real-world situations and that the outcomes are consistent with expectations.
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