An Evolutionary Approach for Multiple Flying Base Stations Deployment in NOMA-Based Networks
Notice bibliographique
Résumé
This paper addresses the problem of deploying a Non-Terrestrial Network (NTN) using multiple Flying Base Stations (FBSs) to serve multiple Stationary Ground Users (SGUs). Our objectives are to minimize the number of active FBSs, reduce overlapping coverage areas, and increase data rates for SGUs. We formulate this as a multi-objective, non-convex Non-Linear Mixed Integer Programming (NLMIP) problem, incorporating both deployment and resource allocation practical constraints. To manage the problem's complexity, we decompose it into two sub-problems: FBS deployment and resource allocation optimization. To optimize the 2D deployment of FBSs in horizontal space, we propose a general, low-complexity heuristic method based on a statistical variant of the Self-Organizing Map (SOM) algorithm, named Evolutionary Bayesian SOM (EBSOM). Then, utilizing a Non-Orthogonal Multiple Access (NOMA) communication scheme between FBSs and SGUs, we maximize the downlink sum rate while adhering to constraints on FBS positions, transmission power, and bandwidth availability. In this stage, the deployment of FBSs is further refined to enhance resource allocation by dividing the problem into two non-convex sub-problems, which are solved iteratively using Surrogate Optimization (SO). Numerical simulations demonstrate the effectiveness of our strategy, particularly in reducing the number of active FBSs, minimizing overlapping areas, and improving network sum rates.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».