We consider a node where packets of fixed size are generated at arbitrary intervals. The node is required to maintain the peak age of information (AoI) at the monitor below a threshold by transmitting potentially a subset of the generated packets. At any time, depending on packet availability and current AoI, the node can choose the packet to transmit, and its transmission speed. We consider a power function (rate of energy consumption) that is increasing and convex in transmission speed, and the objective is to minimize the energy consumption under the peak AoI constraint at all times. For this problem, we propose a (customized) greedy policy, and analyze its competitive ratio (CR) by comparing it against an optimal offline policy by deriving some structural results. We show that for polynomial power functions, the CR upper bound for the greedy policy is independent of the system parameters, such as the peak AoI, packet size, time horizon, or the number of packets generated. Also, we derive a lower bound on the competitive ratio of any causal policy, and show that for exponential power functions (e.g., Shannon rate function), the competitive ratio of any causal policy grows exponentially with increase in the ratio of packet size to peak AoI.


翻译:我们考虑的是任意间隔生成固定尺寸的包件的节点。 节点是需要通过发送潜在生成的包件子子集来维持显示器低于临界值的信息高峰年龄( AoI) 。 任何时候, 取决于包件的可用性和当前 AoI, 节点可以选择要传输的包件及其传输速度。 我们考虑的是传输速度正在增加和传递的能量消耗率( 能量消耗率), 目标是在最大 AoI 限制下随时最大限度地减少能源消耗。 对于这一问题, 我们提出( 定制的) 贪婪政策, 并通过得出一些结构性结果, 将它与最佳离线政策进行比较, 分析其竞争比率( CR)。 我们显示, 对于多面功率函数和当前AoI, 贪婪政策所约束的CRB值上限独立于系统参数, 如顶点 AoI、 包尺寸、 时间范围或生成的包件数量。 另外, 我们从任何因果政策的竞争性比率中得出一个较低的约束, 并显示指数功率功能( 例如, 香农率函数峰值) 。

0
下载
关闭预览

相关内容

《计算机信息》杂志发表高质量的论文,扩大了运筹学和计算的范围,寻求有关理论、方法、实验、系统和应用方面的原创研究论文、新颖的调查和教程论文,以及描述新的和有用的软件工具的论文。官网链接:https://pubsonline.informs.org/journal/ijoc
【伯克利-Ke Li】学习优化,74页ppt,Learning to Optimize
专知会员服务
40+阅读 · 2020年7月23日
【Google】平滑对抗训练,Smooth Adversarial Training
专知会员服务
48+阅读 · 2020年7月4日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年5月24日
Arxiv
0+阅读 · 2021年5月20日
VIP会员
相关VIP内容
【伯克利-Ke Li】学习优化,74页ppt,Learning to Optimize
专知会员服务
40+阅读 · 2020年7月23日
【Google】平滑对抗训练,Smooth Adversarial Training
专知会员服务
48+阅读 · 2020年7月4日
相关资讯
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员