Multi-Objective Energy Efficient Resource Allocation in Massive Multiple Input Multiple Output-Aided Heterogeneous Cloud Radio Access Networks
Notice bibliographique
Résumé
In this work, a novel energy efficient multi-objective resource allocation algorithm for heterogeneous cloud radio access networks (H-CRANs) is proposed where the trade-off between increasing throughput and decreasing operation cost is considered. H-CRANs serve groups of users through femto-cell access points (FAPs) and remote radio heads (RRHs) equipped with massive multiple input multiple output (MIMO) connected to the base-band unit (BBU) pool via front-haul links with limited capacity. We formulate an energy-efficient multi-objective optimization (MOO) problem with a novel utility function. Our proposed utility function simultaneously improves two conflicting goals as total system throughput and operation cost. With this MOO, we jointly assign the sub-carrier, transmit power, access point (AP)(RRH/FAP), RRH, front-haul link, and BBU. To address the conflicting objectives, we convert the MOO problem into a single-object optimization problem using an elastic-constraint scalarization method. With this approach, we flexibly adjust trade-off parameters to choose between two objective functions. To propose an efficient algorithm, we deploy successive convex approximation (SCA) and complementary geometric programming (CGP) approaches. Finally, via simulation results we discuss how to select the values of trade-off parameters, and we study their effects on conflicting objective functions (i.e., throughput and operation cost in MOO problem). Simulation results also show that our proposed approach can offload traffic from C-RANs to FAPs with low transmit power and thereby reduce operation costs by switching off the under-utilized RRHs and BBUs. It can be observed from the simulation results that the proposed approach outperforms the traditional approach in which each user is associated to the AP (RRHs/FAPs) with the largest average value of signal strength. The proposed approach reduces operation costs by 30% and increases throughput index by 25% which in turn leads to greater energy efficiency (EE).
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 | 0,001 | 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 | 0,000 |
| 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) | 0,001 | 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 ».