Resource Allocation and Percentile Optimization in Wireless Networks
Notice bibliographique
Résumé
Coordinated power control and beamforming is essential in improving service in, and enabling new applications for, future generations of wireless networks. However, the associated optimization problems are often mathematically intractable, requiring the use of novel techniques to solve them. This thesis studies resource allocation optimization in two parts. In the first part, we focus on solving classical resource allocation problems by developing novel optimization-theoretic and deep learning techniques to overcome the limitations of conventional resource allocation algorithms. To this end, we first consider sum-rate optimization via power control in a multi-user cellular network. Our key contribution is the development of centralized and distributed deep reinforcement learning algorithms which outperform state-of-the-art optimization techniques while generating solutions orders of magnitude faster and requiring substantially less channel state information exchange between base stations. Next, we consider the classic long-term average proportional fair throughput optimization problem. Contrary to prior works which solve the non-convex and NP-hard proxy weighted sum-rate maximization problem, we prove that the original problem can be recast in convex form and efficiently solved to optimality. In the second part of this thesis, we introduce a novel class of problems called percentile programs in which we seek to optimize a function of a set of variables at a desired percentile. Our primary emphasis lies in developing effective power control and beamforming strategies to improve throughput for cell-edge (i.e., lower-percentile) users in wireless networks. We rigorously establish the computational complexity status of the broader class of percentile throughput optimization problems, and extend the proposed techniques to long-term average utility optimization. Moreover, we showcase that the proposed techniques can be readily extended to optimize all concave nondecreasing utility functions, allowing us to combine percentile and conventional utility functions to construct novel 'hybrid' utility functions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».