Multiagent deep reinforcement learning based Energy efficient resource management scheme for RIS assisted D2D users in 6G-aided smart cities environment
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
Device-to-device communication (D2D-C) is one of the promising technologies for the sixth-generation (6G) environment. This is because it enhances end-user throughput, energy efficiency (EE), and the network’s quality of service (QoS) even when the users are in complex networks or high-traffic zones of the smart cities. However, in D2D-C, different channels share the same subchannels (SCs), which causes considerable interference to cellular links. Moreover, ultra-massive connectivity (UMC) is a significant challenge in this environment. To overcome these obstacles, we paired the unmanned aerial vehicle (UAV) with the power domain non-orthogonal multiple access (PD-NOMA) technology to improve coverage and connection while reducing interference. Also, we used the reconfigurable intelligent surfaces (RISs) for propagation between UAV and D2D pairs (D2DPs) as they do not require much energy resources, due to which EE increases. Then, we propose a methodology for energy-efficient allocation of resources in RIS-assisted NOMA-enabled underlaying UAVs to D2D users. To achieve this goal, we first use the Markov decision process (MDP) to transform the formulated problem into a machine-learning form using the reinforcement technique. A multi-agent, priority sampling-based, decentralized and coordinated, dueling deep Q-network (PS-DC-DDQN) technique is proposed since the network is complicated with large state and action spaces. To reduce the complexity, the data for resource allocation and power is distributed among neighboring agents only in a decentralized and coordinated manner. Moreover, to optimize the RIS phase shift, the centralized-DDQN (C-DDQN) algorithm is recommended to reduce the power consumption . Simulation results demonstrated that the suggested PS-DC-DDQN algorithm has 7.3%, 17.07%, and 29.26% higher EE in comparison to the state-of-the-art FA-DDQN, DDQN, and DQN techniques, respectively.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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