该研究提出了一种基于深度分层强化学习的 SDN 智能多播路由算法来解决现有算法存在的问题，并构建了信息特征的状态空间和不同的行动空间。此外，还开发了可区分单步节点行动和多步行动向多目标节点的替代奖励策略来加速构建最优多播树的智能代理。

May, 2023

本文提出了一种名为 “树状 Wasserstein barycenter” 的 Wasserstein barycenter 问题的变种，通过利用树度量作为 Wasserstein 距离的一种特定类别的度量来解决该问题，并结合树结构提出了一种高效的算法方法来解决该问题及其变种，利用它可以扩展多层聚类和可扩展贝叶斯，特别适用于具有大量支持概率测度的大规模应用。在大规模合成和真实数据集上，我们对所提出的方法进行了检验并与其他基线方法进行比较。

Oct, 2019

本文提出 Service Overlay Forest (SOF) 优化算法解决了多播中多点到多点服务树的部署问题，得到了 25% 以上的改进并提高了 Youtube 服务的用户体验。

Mar, 2017

本文考虑了将机器学习与在线算法设计相结合的新型 “超越最坏情况” 算法分析模型在在线 Steiner 树问题上的应用，其中预测的终端节点可能不正确，算法性能取决于错误预测的数量，可以通过正确预测来突破在线下界并且具有良好的竞争比，同时实验证明该理论具有预测性。

Dec, 2021

本研究介绍了一种通过结合图神经网络和蒙特卡罗树搜索来计算 Steiner 树的方法，该方法在许多不同类型的图上反复优于标准的 2 逼近算法，通常找到最优解。

Apr, 2023

研究论文提出了 GAT-Steiner，一种基于图注意力网络模型，能够高准确率地预测 ISPD19 基准测试中 99.846% 的网段，并在次优网长中仅产生 0.480% 的平均增加。在随机生成的基准测试中，GAT-Steiner 在 99.942% 的网段中高准确率地预测，并且在次优网长中仅产生 0.420% 的平均增加。

Jul, 2024

本研究提出了一种可适应实际数据的分布式可生成网络模型 BTER，该模型可用于社交网络等具有社区结构的图形的生成和性能评估，并实现了一个可扩展的实现，在模拟包含 46 亿条边的真实 web 图形时获得更好的延展性和数据拟合度。

Feb, 2013

本文采用深度强化学习（DRL）方法设计了一种基于软件定义网络（SDN）的智能组播路由算法 DRL-M4MR，该算法将最优组播路由问题视为多目标优化问题，通过构建组播树状态矩阵、链路带宽矩阵、链路延迟矩阵和链路丢包率矩阵作为 DRL 代理的状态空间，设计单步和最终奖励函数以指导智能构建最优组播树。实验结果表明，相比现有算法，DRL-M4MR 构建的组播树在训练后能够获得更好的带宽、延迟和丢包率性能，并且它能够在动态网络环境下做出更具智能的组播路由决策。

Jul, 2022

近年来，神经网络在解决组合优化问题方面取得了快速发展。在本文中，我们提出了 NN-Steiner，这是一种新颖的混合神经 - 算法框架，用于计算矩形斯坦纳最小生成树（RSMT），并展示了其在处理复杂示例方面的泛化性和与现有方法的比较效果。

Dec, 2023

采用多播和缓存技术，提出了一种基于内容的传输设计，对云无线访问网络中的基站进行动态聚类和多播波束成形以及优化缓存策略，实现最小化回传成本和发射功率的目标。

Dec, 2015