MétaCan
Menu
Retour à la cohorte
Enregistrement W4379382325 · doi:10.1109/tnse.2023.3282870

Quasi-Optimization of Resource Allocation and Positioning for Solar-Powered UAVs

2023· article· en· W4379382325 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueIEEE Transactions on Network Science and Engineering · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensBrandon UniversityÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSoftware deploymentBenchmark (surveying)Coordinate descentResource allocationThroughputReal-time computingOptimization problemDistributed computingCommunications systemWirelessComputer networkAlgorithmTelecommunications

Résumé

récupéré en direct d'OpenAlex

Unmanned Aerial Vehicles (UAVs) will be an integral part of future smart cities to provide applications such as traffic management, environment monitoring and data collection. UAVs offer flexible deployment, dynamic mobility, and Ultra-Reliable and Low Latency Communications (URLLC). However, UAVs are power-hungry devices, and their limited battery capacity cannot support their flight and communication operations for a long period. Additionally, multi-carrier (MC) techniques will be vital for supporting futuristic multi-user communication systems. To overcome these issues, we propose a solar-powered UAV MC system to support URLLC services for multi-users. In this regard, we aim to maximize the system sum throughput and we jointly optimize UAV positioning and sub-carrier allocation. To solve the optimization problem, we propose the low-complexity coordinate descent approximation algorithm (CDAA). Lastly, we show the proposed algorithm converges quickly and simultaneously yields superior performance than fixed benchmark schemes for two simulated environments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,955
Score d'incertitude au seuil0,409

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,200
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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