Energy-Efficient User Association with Multi-Objective Optimization for Full-Duplex C-RAN Enabled Massive MIMO Systems
Notice bibliographique
Résumé
In this study, we developed an energy-efficient multi-user-associated optimization method involving a massive multi-input multi-output (M-MIMO) system-enabled Cloud Radio Access Network (C-RAN) in Full-Duplex (FD) mode. Maximization of energy efficiency (EE) was achieved with user association. We compose the non-convex multi-objective optimization (MOO) problem for resource allocation and user association in C-RAN. The resultant non-convex MOO problem is non-deterministic polynomial (NP) hard. To tackle this complexity, we find a trade-off between achievable rate and energy consumption. We first reaffirm the problem as an MOO targeting high throughput and minimizing energy consumption instantaneously. By using the epsilon (ε)-constraint method, we transform MOO to an equivalent single objective optimization (SOO) problem by majorization–minimization (MM) approach that enables the transformation of binaries into continuous variables. Further, we propose a multi-objective resource allocation algorithm to obtain a Pareto optimal solution. The simulation results show a significant gain in EE of C-RAN achieved through our proposed MOO algorithm. Our results also show remarkable trade-offs between EE and spectral efficiency (SE).
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 ».