Holistic Optimization of Rate and EE in UAV-Assisted HetNets
Notice bibliographique
Résumé
Technological advancements are driving a surge in demand for real-time interactive applications, high-speed transmissions, and innovative network designs, necessitating enhancements in both network rate and energy efficiency (EE) to deliver immersive user experiences. This paper introduces a novel network model based unique mathematical optimization problem, employing advanced techniques such as phone user clustering (PUC)-based downlink hybrid multiple access (H-MA) within an unmanned aerial vehicle (UAV)-assisted heterogeneous network (HetNet). The objective is to concurrently improve network rate and EE by optimizing performance indicators (PIs), including phone user (PU) admission in clusters, PU association with cells, power allocation to clusters and PUs, PU fair association with cell (PUFAC), and quality of service (QoS) of PUs. The formulated optimization problem, a mixed-integer non-linear programming (MINLP) problem, is effectively addressed using an outer approximation algorithm (OAA). The paper concludes with a comprehensive assessment of the proposed PUC-based downlink H-MA technique in a UAV-assisted HetNet, considering all PIs. Additionally, it provides a performance comparison against an macro cell (MC)-only network and a HetN et, demonstrating the superior performance of the proposed technique across various metrics, including rate, EE, PU admission, PU-cell association, power allocation, PUFAC, and QoS in a UAV-assisted HetNet compared to both the MC-only network and HetNet.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».