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 to <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">causal</i> channel 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 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 | 0,001 | 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 ».