Handover Optimization for UAV-Assisted LEO Satellite Networks Based on IPPO and Three-Sided Matching Theory
Notice bibliographique
Résumé
Due to the triple mobility of mobile users (MUs), unmanned aerial vehicle (UAV) relays, and low Earth orbit (LEO) satellites, handover becomes a critical and challenging issue for maintaining the continuity and quality of communication services in UAV-assisted LEO satellite networks. This paper proposes a distributed handover decision-making process aimed at improving scalability and reducing communication overhead. The handover problem is modeled as a decentralized Markov decision process (DEC-MDP) with the objective of maximizing the total end-to-end (E2E) throughput. We design an independent proximal policy optimization-based distributed intelligent handover (IPPO-DIH) algorithm within a centralized training with decentralized execution framework to solve the DEC-MDP. To analyze the theoretical optimal E2E throughput, we eliminate the correlation between handover decisions at different time steps. A three-sided matching algorithm with theoretical convergence guarantees is designed to obtain a stable matching among MUs, UAV relays, and LEO satellites at each time step. These stable matchings are combined to provide a theoretical performance benchmark for the handover algorithms. Simulation results validate the convergence of the proposed IPPO-DIH and three-sided matching algorithms. Additionally, the total E2E throughput achieved by the IPPO-DIH algorithm approaches the theoretical performance benchmark and outperforms typical handover algorithms.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».