Max-Min Fairness-Oriented Navigation and Scheduling for UAV-Enabled Wireless Networks via Deep Reinforcement Learning
Notice bibliographique
Résumé
As modern wireless systems transit towards the sixth-generation (6G), uncrewed aerial vehicles (UAVs) are becoming essential in realizing ubiquitous coverage due to their fully controllable mobility and high transmission efficiency. To achieve max-min fairness among users, we aim to maximize the minimum throughput by optimizing the UAV trajectory and transmission scheduling in real-world scenarios where the UAV has access only tocausalchannel state information (CSI). However, max-min fairness is involved with the user-to-user dependency across the time horizon, which makes it challenging to maximize the minimum throughput without prior knowledge of the future CSI. To tackle this issue, we propose a bisection-integrated multi-step dueling double deep Q-network (Bi-D3QN) algorithm by combining a bisection method with a multi-step D3QN framework. The Bi-D3QN algorithm can solve the minimum throughput maximization problem by alternating between (1) finding optimal policies that minimize the UAV’s mission completion time for a given minimum throughput requirement through the multi-step D3QN and (2) evaluating the feasibility of the trained policy, followed by updating the minimum throughput requirement through the bisection method. Simulation results demonstrate that the proposed Bi-D3QN algorithm achieves a higher minimum throughput compared to existing benchmark schemes through real-time interaction with the environment.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».