研究了在线分组调度问题，在预测误差较小的情况下使用了新算法框架，提高了竞争比率且仍保持有界竞争比率。

May, 2023

本文提出一个跨层优化的框架，以确保在无线接入网络中实现极高的可靠性和极低的延迟，其中考虑了传输延迟和排队延迟等因素。我们引入了一种主动丢包机制，对数据包丢失率、功率分配和带宽分配进行优化，以在限制服务质量的前提下最小化发送功率。仿真和实验表明，设定丢包概率相等是一种近似最优的解决方案。

Mar, 2017

本文主要研究基于稀疏模式的局部可控线性动态系统的学习控制问题，提出了结构化条件和有限样本保证方法，以达到优化控制的目的，同时改善了经典控制技术所基于的确定等价控制的结果。

Oct, 2021

本研究针对多用户多信道无线网络中 URLLC 流动态信道分配问题，利用有穷时间马尔科夫决策过程框架，提出了一种新的基于风险加权的目标函数，利用值迭代算法和 Q-learning 算法分别求解了完美控制和不知晓 CSI 和信道参数时的最优策略，实验验证了算法的有效性。

Nov, 2018

本文研究了在现代分布式训练中，使用一种受欢迎的压缩算法类来减少通信开销，提出了一种新的机制 EControl，以调节误差补偿并证明其在标准凸性、一般凸性和非凸性等设置下的快速收敛性。

Nov, 2023

研究上传和下载调度和功率分配的联合问题，通过机器学习和高斯过程回归预测丢失的状态和操作信息，以最小化平均信息新鲜度和传输功率，并利用 Lyapunov drift-plus-penalty 优化框架提出动态控制算法。

Jan, 2021

在远程控制系统中，当上行通道容量受限时（例如 RedCap 设备或大规模无线传感器网络），从无线传感器向远程控制器传输大数据量（如视频流）是具有挑战性的。为了解决这个问题，本研究提出了一种基于时间序列联合嵌入预测架构（TS-JEPA）和通过自监督学习训练的语义参与者的方法。该方法利用 TS-JEPA 的语义表示能力和预测能力，捕捉源数据中的时空相关性，从而优化上行通道利用率，而语义参与者直接从编码表示中计算控制命令，而非从原始数据中计算。通过对知名倒立摆场景的多个并行实例进行测试，验证了该方法在受限上行通道容量下最大化稳定性的有效性。

Jun, 2024

使用感知映射通过学习获取状态估计的感知控制，通过量化感知映射的估计不确定性并将这些不确定性表示整合到控制设计中，采用符合预测来计算有效的状态估计区域，从而设计采用自我触发控制思想的取样数据控制器，以避免使用随机微积分并在具有李达（LiDAR）能力的 F1 / 10th 汽车中演示了控制器的有效性。

Apr, 2023

本文提出了一种基于 Lyapunov 漂移加罚方法的随机优化控制框架，以实现无线系统中网络切片的可靠低延迟传输，并在系统突发变化事件下提供有效的切片隔离。

Jan, 2018

本研究旨在解决无线传感器网络中观测稀疏信号在通道衰落条件下的恢复问题，采用稀疏随机矩阵降低信息转发中的通信成本，并通过分析重尾随机矩阵的特性，量化在非同一高斯信道存在的情况下确保可靠信号恢复所需的附加测量次数。研究结果提供了关于如何控制每个节点的传感器传输概率以最小化收集到融合中心的测量次数的见解，并讨论了任意随机投影矩阵中给定的子指数范数下给定稀疏信号的恢复保证。

Apr, 2015