Reinforcement Learning Placement Algorithm for Optimization of UAV Network in Wireless Communication
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs) or drones have attracted much attention in wireless communication networks because of their agility, unique flexibility, low cost of implementation, and the high strength of the line-of-sight (LoS) channel. They are widely used in different scenarios. In many environments with complex geographical conditions or in situations where areas are affected by natural disasters, UAVs can be used as base stations (BSs) for downlink ground users. The article proposes a communication system using multiple UAV-mounted BSs to improve coverage rate and minimize the number of required UAVs. The problem is formulated as a mixed-integer programming problem with constraints on the quality of service (QoS) and serviceability of each UAV. A three-step method is developed to solve the problem, which includes deriving the maximum service radius of UAVs using the Karush-Kuhn-Tucker (KKT) method, minimizing the number of required UAVs using reinforcement learning (RL) algorithm, and designing the three-dimensional (3D) position and frequency band of each UAV to increase signal power and reduce interference. The simulation results show that the RLP algorithm outperforms other algorithms in terms of coverage rate, user clustering, increased signal, reduced interference, and processing time required to find the optimal solution.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».