虚拟基站（vBS）中资源分配的在线学习算法，平衡有效吞吐量和虚拟基站能耗，在各种环境下实现零平均最优差距，节约高达 64.5% 的能耗。

Sep, 2023

本文提出了一种基于 Lyapunov 优化和多臂赌博理论的用户为中心、能源感知的移动性管理 (EMM) 方案，以优化因无线电接入和计算引起的延迟，并保证用户能源消耗的长期限制。此方案通过在线方式工作，可以有效处理不完整的系统状态信息和随机开关候选基站的情况，实现接近最优的时延性能和满足用户能源消耗的约束条件。

Sep, 2017

本研究提出了一种用于毫米波基站的睡眠模式优化方法，在 3D 城市环境中通过神经网络和上下文多臂老虎机算法对用户设备进行动态和多样化的流量聚类，采用波束成形技术降低用户设备的能耗，并通过睡眠模式优化策略从基站的角度减少能量消耗，仿真结果表明该方法在用户速率和平均吞吐量上优于其他睡眠模式策略，并在能量效率方面表现出色。

May, 2024

本文提出了一种基于随机赌博理论和贝叶斯原理的小型基站传输功率分配算法，其通过利用人类用户行为的简单覆盖反馈，极大地减少了计划人员的人力测量。该算法在考虑了功率切换惩罚的同时，将相似功率值之间的性能相关性纳入考虑，利用先前的先验知识恢复了更多的性能下降，并达到了最优长期功率设置。

Mar, 2017

对于具有部分可观察和时变动力学的大规模无线网络，本文研究了一种面向广义干扰约束的无线网络的高效调度算法，其中平均到达率和平均服务率是未知的和非平稳的。我们提出了一种新颖的算法 MW-UCB 用于广义无线网络调度，它基于最大权重策略，并利用滑动窗口上限置信界来学习通道在非平稳情况下的统计特性。在平均服务率的可变性方面满足较弱的假设条件下，MW-UCB 在吞吐量上是最优的。具体而言，只要平均服务率在任何时间段内的总变化量在时间上增长的次线性，我们表明 MW-UCB 可以实现稳定区域任意靠近拥有完全通道统计信息的策略类的稳定区域。大量模拟验证了我们的理论结果，并展示了 MW-UCB 的良好性能。

Aug, 2023

本文提出 OPEN 框架用于小型基站网络中的负载卸载和对等转移，它能够保证系统性能最大化并将 SBS 的能源消耗保持在个人长期限制之下。同时，本文还研究了 SBS 的策略行为、均衡和效率损失等问题。

Mar, 2017

该研究使用贝叶斯方法建模道路片段的能量消耗，开发了一个在线学习框架并分析了 Thompson 采样和 Upper Confidence Bound 等探索策略，将在线学习框架扩展到多车自适应导航。最后，使用卢森堡 SUMO 交通数据集进行多个实际实验以证明我们方法的性能。

Mar, 2020

我们在本文中解决了一种带有任务转移的在线网络资源分配问题，提出了基于指数加权方法的随机在线算法，证明了该算法具有次线性时间后悔，通过对人工数据进行性能测试并与强化学习方法进行比较表明我们的方法优于后者。

Nov, 2023

本论文研究了在具有作业转移的通信网络中的在线最优资源预留问题，目标是在一定预算限制下最小化预留成本并保持阻塞成本。我们提出了一种基于随机指数加权方法的新算法，可以处理长期约束。通过建立相关遗憾和累积约束违反的上界，我们分析了我们算法的性能。最后，我们通过数值实验证明了我们的算法与强化学习算法相比的性能优势。

May, 2024

利用近似动态规划（ADP）基于在线优化的方法，在维持充分的服务质量（QoS）指标的同时，通过打开 / 关闭基站的方式减少网络功耗。通过使用多层感知器（MLP）来预测功耗和 QoS，以及长短期记忆（LSTM）进行手 over 预测，结合在线优化算法，可以实现适应性 QoS 阈值，以根据整体 QoS 历史记录对基站切换行动进行过滤，并在包含动态流量模式的各种真实场景中使用实际网络模拟器评估该方法的性能。

Oct, 2023