本研究探讨在无线通信系统中设计最优资源分配策略。使用深度神经网络进行训练，同时解决主次变量优化问题。通过数值模拟，验证了所提出方法在许多无线资源分配问题中的有效性。

Jul, 2018

本文介绍深度学习在车联网中用于资源分配的关键动因和障碍，并回顾了近期在利用深度学习哲学解决无线资源分配问题方面取得的重要成果。通过深度强化学习和优化技术，探究当前设计方法所面临的挑战，并提出未来资源分配研究的一些方向。

Jul, 2019

本文研究了在无线网络中解决分布式非凸约束优化问题的深度学习框架，其中使用基于本地信息的有效状态分配。通过引入深度神经网络，将原始问题转化为基于非凸约束的 DNN 的训练任务，并开发了一种基于原始 - 对偶方法的约束训练策略，为分布式实现开发了一种新的输出二值化技术。实验结果证实了该方法的有效性。

May, 2019

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

本文阐述了在 5G 和 B5G 网络的资源调度问题上应用深度学习模型的相关体系结构和数据训练程序，并提供了现有基于深度学习模型在无线网络资源分配问题方面的最新研究进展。同时，介绍了一种基于监督学习的深度学习模型，在多小区网络中解决子带和功率分配问题。使用遗传算法生成的数据，首先根据数据训练模型，然后测试所提出的模型的准确性，仿真结果表明，训练的深度学习模型可以在 86.3％的时间内提供期望的最优解。

Aug, 2018

本文介绍了无监督学习和强化学习算法，用于解决无模型或函数优化问题，其中深度神经网络可用于维度较高的可变优化问题，而强化学习适用于不可行的情况，并以用户关联问题为例进行模拟和应用验证。

Jan, 2020

本论文提出了使用无监督深度学习解决无约束和有约束变量优化问题的统一框架，并以资源配置为例证明了这一框架的有效性。实验结果表明，与监督学习相比，无监督学习在保证服务质量约束的同时可以更快地达到最优策略和减少 QoS 违规概率。

May, 2020

本文总结了机器学习中的实际需求和挑战，重点介绍了深度神经网络的三种资源效率技术：量化神经网络，网络剪枝和结构效率，以及它们在诸如 CPU，GPU 和 FPGA 等嵌入式系统中的应用和实验结果。

Jan, 2020

本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配，通过卷积神经网络构建 REGNN，利用无监督模型进行权重训练，并测试其性能和转移能力。

Sep, 2019

通过使用深度学习在大规模 MIMO 网络下行链路中执行最小最大功率分配和最大乘积功率分配，神经网络可以通过学习用户设备（UE）的位置和最优功率分配策略之间的映射，预测新的 UE 位置的功率分配配置，并比传统的优化方法具有更好的性能 - 复杂度平衡，不需要计算任何统计平均值，能够保证接近最优的性能。

Dec, 2018