Intelligent power optimization for capacity maximization in IRS-assisted NOMA networks
Notice bibliographique
Résumé
This paper explores the performance of non-orthogonal multiple access (NOMA) in networks enhanced by intelligent reflecting surfaces, with a particular focus on optimizing power allocation to balance system capacity and user fairness. This article derives the optimal power allocation strategy and employs Karush–Kuhn–Tucker conditions to analytically solve the optimization problem. MATLAB simulations are used to validate the approach, ensuring both users meet their minimum data rate requirements under total power constraints. Results show that the optimal power allocation strategy prioritizes the weaker user (UE2) to ensure fairness while maintaining a sufficient capacity margin for the stronger user (UE1). As total power increases, the achievable capacity of UE1 grows logarithmically, reaching 19.41 bps/Hz at 20W, while UE2's capacity initially increases but saturates around 1.74 bps/Hz due to interference from UE1. Consequently, total system capacity exhibits diminishing returns, increasing from 19.122 bps/Hz at 5W to 21.132 bps/Hz at 20W. Further analysis reveals that as UE1's power increases, interference to UE2 rises, limiting its capacity growth. Despite this, optimization ensures both users meet their minimum capacity requirements, demonstrating the efficiency of NOMA in managing power distribution and interference.
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 | 0,001 | 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 ».