Energy Harvesting in Solar-Powered UAV Communication With Rate Splitting Multiple Access
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
Future wireless networks are anticipated to evolve by aerial communication platforms. Nonetheless, the operational lifespan and efficacy of transceivers such as unmanned aerial vehicle (UAVs) and Internet of Things (IoT) devices are strictly prohibited by their constrained onboard power sources. This paper focuses on an aerial network configuration where a UAV harvests solar power to serve energy-limited IoT devices through simultaneous wireless information and power transfer. In this setup, the UAV and the IoT devices, each are equipped with energy and data buffers. This system also benefits from rate splitting multiple access for efficient interference management. Upon optimizing the system efficacy, we formulate a long-term resource allocation problem to maximize the time-averaged energy efficiency. To address this stochastic and non-convex optimization problem, we propose a multi-stage solution strategy. Firstly, by leveraging Lyapunov optimization theory, we transform the long-term stochastic problem into an equivalent deterministic short-term form. Next, by recasting this equivalent problem into Markov decision process, we propose a resource allocation mechanism based on actor-critic hindsight experience replay (AC-HER), tailored to capture the problem dynamics and optimize its variables. Moreover, given the UAV high mobility and the system reconfigurations, we fortify the trained AC-HER model with meta-learning strategy, enhancing its adaptability to system variations. Simulations verified that the proposed resource allocation strategy considerably outperforms its counterparts.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découle