Deep Reinforcement Learning-Enabled Resilient Radio Resource Allocation for Internet-of-Things Networks with Receiver Non-Linearity
Notice bibliographique
Résumé
In recent years, the proliferation of internet of things (IoT) technologies has resulted in a significant increase in connected devices, leading to a growing demand for efficient resource allocation solutions to accommodate this rapid growth. However, a limitation of current IoT devices is that they contain non-linear analog components that cause signal distortions and adjacent channel interference (ACI). However, addressing the emerging resource allocation tasks using conventional methods is problematic, as these methods are associated with significant obstacles. Accordingly, extensive computational resources are needed to accurately estimate signal distortions caused by device non-linearity and ACI and to handle the optimization problem’s inherent non-convex nature. A promising technique that has recently emerged to address complex optimization challenges inherent in wireless networks is deep reinforcement learning (DRL). Using temporal information from the dynamic states of wireless networks, DRL is a robust approach for learning efficient resource allocation strategies. In this study, we propose a DRL-based resource allocation framework to maximize the sum throughput of an uplink orthogonal frequency-division multiple access (OFDMA)-based IoT network while accounting for both ACI and hardware impairments (HWIs). The proposed algorithm autonomously learns a policy, enabling the agent to adapt transmit power, modulation, and coding rate parameters based on the networks’ dynamic state information. Our simulation results reveal that the proposed scheme enhances the system’s throughput, particularly in scenarios with significant ACI and HWI-induced distortions, making it suitable for next-generation IoT networks.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».