Transmission Time Minimization-Based UAV Deployment and Resource Allocation With Random User Position Information
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Exploiting unmanned aerial vehicles (UAVs) in terrestrial cellular networks has received considerable attention for their advanced transmission capability, flexible deployment and cost effectiveness, etc. In certain communication scenarios where the links from ground users (GUs) to base stations (BSs) or satellites may not be accessible, UAVs can be deployed as aerial relays (ARs) to forward data packets for the GUs. In this paper, we investigate the AR deployment and resource allocation problem in a UAV-assisted satellite communication system. Stressing the importance of system transmission time, we formulate the joint AR deployment, power allocation and user association problem as a constrained system transmission time minimization problem. Since the formulated optimization problem is non-convex and non-linear with the AR deployment and user association variables being coupled, it is challenging to solve. To tackle this problem, the original optimization problem is decomposed into subproblems, namely AR deployment and power allocation subproblem, and user clustering and association subproblem. Given the initial user association strategy and the number of ARs, the AR deployment and power allocation subproblem is formulated and solved by using multi-agent deep Q network algorithm. Then, given the AR deployment and power allocation strategy, we formulate the user clustering and association subproblem and propose an improvedK-means-based user clustering and association algorithm. The two subproblems are tackled in an iterative and embedded manner. Simulation results demonstrate the effectiveness of the proposed 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.
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 | 0,000 |
| 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 découle