Energy-Efficient Joint Trajectory and Reflecting Design in IRS-Enabled UAV Edge Computing
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
Intelligent Reflecting Surface (IRS) enabled Unmanned Aerial Vehicle (UAV) edge computing, a new communication technology, can provide sufficient capacity for edge computing system. However, due to the Line-of-Sight (LoS) or the Non Line of Sight (NLoS) of communicating environments will impact transmitting rate or delay, the Intelligent Reflective Surface (IRS) can be utilized to compensate the channel fading in the IRS-enabled UAV edge computing. In this paper, the joint problem of IRS phase shift, UAV trajectory and power allocation in the system is investigated, aiming to maximize the energy efficient. The corresponding optimization problem, which consists of mixed integer nonlinear programming problem, is formulated. To solve the problem, the original problem is decomposed into two subproblems, and an iterative method framework based on ConVex optimization and Deep Reinforcement Learning (CV-DRL) is proposed. Given the UAV trajectory and IRS phase shift, the Convex optimization algorithm is used to solve the power allocation schemes. Then, given the power allocation schemes, the Double Deep Q Network (Double DQN) and Deep Deterministic Policy Gradient (DDPG) algorithms are utilized to solve the problem of optimal UAV trajectory and IRS phase shift. The simulation results demonstrate that our proposed method outperforms other schemes in terms of energy efficiency, providing significant enhancements
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 | 0,001 | 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 | 0,001 |
| 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