Joint Optimization of UAV Trajectory and Resource Allocation in Multi-UAV-Enabled Wireless Powered Communication Networks Under Max–Min Criterion
Notice bibliographique
Résumé
We consider a wireless powered communication network (WPCN) where several unmanned aerial vehicles (UAVs) serve as energy transmitters and data collectors for low-powered ground devices (GDs). During the downlink phase, UAVs wirelessly transfer energy to the GDs, allowing them to harvest power for future data transmission. In the subsequent uplink phase, the GDs use the harvested energy to send information back to their corresponding UAVs. Our goal is to optimize system performance by maximizing the minimum throughput achieved among the GDs. We reformulate the original problem as a combination of three interrelated subproblems using a block coordinate descent approach: transmit power optimization of GDs, scheduling, and UAV trajectory optimization. These subproblems are solved iteratively to achieve an optimal solution. By adaptively adjusting UAV trajectories and optimizing scheduling and power distribution, our method ensures efficient energy delivery and reliable data collection. Numerical results confirm that the proposed approach significantly outperforms conventional methods, improving minimum throughput by up to 32.7% and 59.6% compared to fixed scheduling and fixed trajectory approaches, respectively. Furthermore, the adopted Lambert W-based energy harvesting model achieves up to 41% higher harvested energy compared to existing nonlinear energy harvesting models. Our findings underscore the potential of UAV-assisted wireless power transfer in boosting the efficiency and reliability of future wireless communication networks.
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 | 0,000 | 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 ».