Proportionally Fair Joint Power and Channel Allocation for Hybrid NOMA-OMA Downlink Systems
Notice bibliographique
Résumé
We consider a downlink multiuser transmission system that divides users into clusters, each cluster shares one channel using non-orthogonal multiple access (NOMA), while different clusters are assigned orthogonal channels. To achieve high system efficiency while guaranteeing fairness, we propose a joint power allocation (PA) and channel allocation (CA) framework with the proportional fairness (PF) objective, which maximizes the sum of logarithmic rates. The problem is decoupled into the PA and CA subproblems, which are solved iteratively. For the PA subproblem, we prove that although it is not convex, strong duality holds and the problem can be solved globally optimally by solving the KKT conditions. We further propose a$O(T(\text{log}\frac{1}{\epsilon})^{2})$time algorithm for this purpose, whereTis the number of users and$\epsilon$is the tolerance threshold. The PA problem with the PF objective was considered before only for one NOMA group. When specialized to this case, our algorithm is much faster than in prior work. For the CA subproblem, we prove that it is equivalent to a bipartite graph matching problem, for which efficient solution algorithms exist. We show empirically that the proposed joint PA-CA approach performs very close to exhaustive search for small number of users. Extensive experiments demonstrate that our framework significantly outperforms several benchmark schemes in both system efficiency and fairness.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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) | 0,002 | 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 ».