Carrier Aggregation, Load Balancing, and Backhauling in Non-Terrestrial Networks: Generative Diffusion Model-Based Optimization
Notice bibliographique
Résumé
The joint problem of carrier aggregation (CA), load balancing, and backhauling (JCALB) is studied in the context of non-terrestrial networks (NTNs) based on low-earth orbit satellites (LEOS). While CA can potentially enhance the communication capacity by dynamic selection of component carriers (CCs) or frequency bands for the LEOS, load balancing adjusts the portion of each CC utilized by individual LEOS in order to optimize resource utilization. Aiming to minimize the usage of each CC by individual satellites while maximizing their achievable total rate, we formulate the JCALB problem as a mixed-integer stochastic optimization problem involving both discrete and continuous decision variables, which is NP-hard. To solve the problem suboptimally, we divide it into two sub-problems: backhauling and activating/deactivating CCs for the satellites, and load balancing over the CCs. For the first subproblem, we develop a generative AI-based decision-making (GADM) algorithm based on a diffusion model. We apply the GADM algorithm to actor-critic and multi-arm bandit frameworks in reinforcement learning, in order to develop diffusion-based actor-critic CA and backhauling (DA2CAB) and diffusion-based upper confidence bound (UCB) CA and backhauling (DU2CAB) methods for LEOS-based NTNs. Finally, given the activated CCs for the satellites, we develop an iterative and distributed load balancing algorithm within NTNs. The simulation results demonstrate that our derived diffusion-based algorithms enable LEOS to achieve a higher transmission capacity while allocating fewer CCs and subchannels (SCs) compared to algorithms based on the double deep Q-Network (DDQN) and the traditional UCB approach.
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 | 0,001 |
| 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 ».