Hybrid Optimization for NOMA-Based Transmissive-RIS Mounted UAV Networks
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
In this work, we introduce a novel hybrid joint optimization framework specifically designed for enhancing the performance of consumer electronics in vehicular networks using a transmissive reconfigurable intelligent surface (T-RIS)-mounted uncrewed aerial vehicle (UAV) system. The UAV employs the non-orthogonal multiple access (NOMA) protocol to broadcast data to multiple ground devices, ensuring efficient communication. Our primary objective is to maximize the overall system sum rate while adhering to key constraints such as the rate requirements of ground devices, UAV battery capacity, and UAV coordinate boundaries. The optimization challenge of maximizing the system’s sum rate is inherently non-convex and complex. To address this, we decompose the problem into manageable subproblems. The beamforming optimization problem is tackled using successive convex approximation and semi-definite programming techniques, allowing for effective handling of non-convexity. For power allocation, we employ the Lagrangian dual method along with the sub-gradient technique, ensuring optimal power distribution among devices. To optimize the UAV’s location, we propose a dueling-based double deep reinforcement learning (D3RL) framework. This approach effectively combines all computed solutions, resulting in a comprehensive joint optimization strategy. Simulation results highlight the exceptional performance of the proposed framework. Specifically, optimizing the UAV’s location leads to a substantial performance gain of up to 65.9% compared to a system where only beamforming and power allocation are optimized with the UAV positioned at the center of the service area. These findings underscore the potential of our framework in advancing consumer electronics connectivity in vehicular 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.
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 découle