Causal CSI-Based Trajectory Design and Power Allocation for UAV-Enabled Wireless Networks Under Average Rate Constraints: A Constrained Reinforcement Learning Approach
Notice bibliographique
Résumé
With their flexible deployment and cost-effectiveness, unmanned aerial vehicles (UAVs) are unlocking possibilities for connectivity and services in future wireless networks. The mobility of UAVs can be leveraged through trajectory design to satisfy the stringent rate requirement of users. Most existing works on UAV trajectory design focus on scenarios where noncausal channel state information (CSI) is available to the UAV in advance. In this article, we investigate the trajectory design and power allocation based on causal CSI to maximize the sum-rate under the constraint on average rate per user. Since the constraint on average rate must be met over an extended period, we formulate a constrained Markov decision process problem and solve it by adopting the Lagrangian relaxation technique. Thereby, we propose a model-free reinforcement learning algorithm, where the real-time signal strength measured by the UAV along its current location is used to design the trajectory and allocate power optimally. To further improve the efficiency of the learning algorithm, we introduce the water-filling algorithm and the idea of action elimination, by which the size of state/action spaces is reduced. For real-world applications, we provide an online fine-tuning algorithm for real-time policy adjustments to mitigate environmental changes and/or model inaccuracies. Simulation results show that the proposed algorithm outperforms benchmark methods and satisfies the constraint on average rate per user upon convergence.
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 ».