Adaptive Resource Allocation for IoT With Computing Power Network Based on RIS-UAV-Aided NOMA-THz Communication
Notice bibliographique
Résumé
The integration of advanced technologies such as sixth-generation mobile communications (6G), artificial intelligence (AI) and blockchain has given new impetus to the development of the Internet of Things (IoT). However, these applications require higher computational power and lower latency, which present challenges to traditional network architectures. To address these issues, this paper proposes a novel computing power network (CPN) architecture based on reconfigurable intelligent surface (RIS)-unmanned aerial vehicle (UAV)-assisted non-orthogonal multiple access (NOMA)-Terahertz (THz) communication, and it aims to meet high computational demands. In the proposed scheme, CPN is introduced to assist IoT devices in executing tasks, thereby enhancing data processing. Concretely, THz communications and NOMA technologies are utilized to increase data rates and spectral efficiency. The combination of RIS and UAV shows promise in overcoming the challenges of high path loss and high sensitivity to blockage in THz communication, thereby improving system performance. To increase the efficiency of the proposed architecture, it is crucial to rationally allocate computational and transmission resources. Therefore, a joint optimization problem is formulated to minimize system consumption, encompassing both time and energy usage. To achieve efficient resource allocation, an adaptive N-Step method based on soft actor-critic (SAC) algorithm is employed. Simulation results demonstrate the superiority of the proposed method over the existing baselines
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».