Meeting Stringent QoS Requirements in AAV-Assisted Networks: Resource Allocation and AAVs Positioning
Notice bibliographique
Résumé
Providing quick and reliable emergency communication in situations of natural disasters or unforeseen incidents may be crucial. In such situations, traditional communication infrastructure, such as ground-based wireless base stations, may become temporarily damaged or unavailable to support emergency teleoperations. Considered a promising solution, autonomous aerial vehicles (AAVs) can be deployed as flying base stations or relays to provide fast and reliable communication between physicians and remote robots in both uplink and downlink directions, while meeting strict transmission requirements. This paper addresses the joint optimization problem of AAV positioning and resource allocation in AAV-assisted wireless networks to minimize the number of deployed AAVs, all while satisfying stringent transmission quality demands. The formulated problem is a non-convex mixed-integer programming problem, which we prove to be$\mathcal {NP}$-hard. We first develop efficient greedy and metaheuristic genetic algorithms. Then, we propose an efficient centralized deep reinforcement learning solution based on the deep deterministic policy gradient (DDPG), where the agent learns optimal AAV positions and resource allocation. Simulation results demonstrate that the greedy solution closely matches the performance of both the genetic and deep reinforcement learning approaches, with a significant reduction in computational complexity. Furthermore, the results highlight the effectiveness of the deep reinforcement learning solution in minimizing the number of AAVs required to fully satisfy the transmission requirements of all users in both uplink and downlink directions.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».