本文研究如何为无线移动用户提供超可靠、节能的虚拟现实（VR）体验，以配合协同多点传输技术和毫米波通信增强无线 VR 体验。此外，本文将无线 VR 体验增强问题制定为一个与序列相关的混合整数问题，并提出了一种基于深度强化学习 (DRL) 的优化算法来解决该问题。与各种基准算法相比，仿真结果表明，该算法比基准算法更节能（达到 4.14%）。

Jun, 2021

本研究分析虚拟现实系统的主要驱动因素及应用场景，将人类感知要求映射到 VR 技术发展的四个阶段中，并针对基于蜂窝网络的 VR 服务列出了四个主要应用场景及其研究挑战，给出了对应的 5G 系统及未来的解决方案，并通过案例研究证明了我们提出的方案的有效性以及 VR 传输相对于传统视频服务在蜂窝网络中独特的 QoS 性能要求。

Jan, 2020

我们提出了一种自适应语义资源分配方案，通过语义比特量化（SBQ）与现有无线通信兼容，解决了动态无线环境中由语义度量和传输度量之间的附加映射关系引入的环境感知不准确的问题，并通过联合优化基站的传输波束，语义表示的比特数，子信道分配和带宽资源分配，解决了将整体有效的语义通信服务质量最大化的问题。通过混合深度强化学习（DRL）算法提出了一种智能资源分配方案，在无线通信中能够有效抵抗语义噪声并获得卓越的性能，比几种基准方案提高了 13% 的 SC-QoS 性能。

Dec, 2023

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

该研究提出了一种基于移动边缘计算的移动 VR 传递框架，可以在移动 VR 设备上缓存一部分视野范围并运行某些后期处理程序，从而通过优化资源分配来减小所需传输速率的平均值，以满足给定的延迟约束。

Jun, 2018

本文旨在研究一种利用强化学习算法在无线多业务系统中处理无线电资源分配问题的方法，通过在本地环境中与局部互动来寻找策略，实现了关于 9LTE 系统满足保证和 QoS 约束的无线资源分配。此外，通过计算模拟，本文与文献中的最新解决方案进行比较，并展示了后者在吞吐量和故障率方面近乎最优的性能。

Mar, 2020

本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

Mar, 2020

本研究探讨通过优化算法来降低虚拟现实中断（BIP）的出现，尤其针对无线用户以提高他们的虚拟现实体验，提出了一种基于深度 ESN 的分布式学习算法，成功地减少了 16% 至 26% 的 BIP，并将虚拟现实应用类型、传输延迟、VR 视频质量和用户对虚拟环境的认识等要素都考虑其中。

Dec, 2018

本文针对集成卫星 - 无人机网络 (ISDN) 研究了用户关联和资源分配问题。作者采用竞争市场模型来建模求解联合用户关联和资源分配问题，并使用基于重球的迭代算法计算了市场的 Walrasian 均衡。

Aug, 2019

该研究提出了一种全新的质量服务（Quality-of-Service）模型，利用深度强化学习方法来找到多用户社交中接近最优的信道资源分配。全面的实验证明采用该质量服务模型可以提升整体社交体验。

Dec, 2023