Improving IoRT Networks: Cross-Tier Resource Allocation for Multi-Antenna UAV Relays in SAGIN
Notice bibliographique
Résumé
In response to reducing power consumption while reducing equipment and maintaining high data rate requirements in Space-Air-Ground Integrated Networks (SAGIN) as part of the Internet of Remote Things (IoRT) networks, this paper proposes a system model and optimization scheme. Our modified architecture features multi-antenna Unmanned Aerial Vehicle (UAV) relays, gateway selection among existing UAVs for communication with satellite, and integration of Free Space Optic (FSO) space links to enhance air-space link data rates. The optimization problem aims to minimize the weighted sum of the number of gateways and the total UAV power consumption by jointly optimizing UAV deployment, UAV power allocation, gateway selection, and channel allocation. By jointly adopting proposed size-constrained PSO-K-means clustering, Simulated Annealing (SA) method, and Successive Convex Approximation (SCA) method, a two-stage scheme is devised to solve the proposed NP-hard and non-convex problem. Our simulation results indicate that an average performance improvement of 44% is achieved by our proposed scheme compared to the case where only clustering is performed. Furthermore, our proposed solution finds the number of gateways for different scenarios. For instance, almost all UAVs are selected as gateways to minimize UAV power consumption without considering any constraint on the number of gateways. Moreover, the performance difference between considering total UAV power consumption and only transmission power in the system optimization is shown. The results indicate that taking circuit power into account influences the selection of the number of gateways, as circuit power consumption is substantially higher than transmission power.
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 ».