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

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

在有限的通信和计算资源下，本研究论文探讨了可扩展无线网络控制系统（WNCS）的控制稳定性的关键设计挑战之一，通过引入一种称为基于尾部控制的替代控制概念，扩展了多动态控制系统在共享无线网络上的经典线性二次调节器（LQR）成本函数。我们将多个控制系统的控制建模为一个网络优化问题，并采用传感器调度、系统状态预测和控制策略来进行解耦。在此基础上，我们提出了一个解决方案，包括基于李雅普诺夫优化的传感器调度算法、基于高斯过程回归（GPR）的状态预测和不确定性估计机制，以及基于强化学习（RL）的控制策略以确保尾部控制的稳定性。我们使用一组离散时不变的山车控制系统来评估所提出的解决方案，并与使用最先进的调度、预测和控制方法的四个变体进行比较。实验结果表明，与最先进的方法相比，该方法在通信和控制资源利用方面总体成本减少了 22%。

Jun, 2024

基于优化理论的深度强化学习框架被介绍用于联合设计控制和通信系统，并针对最小化功耗目标，在满足通信系统的调度性和速率约束以及控制系统的稳定性约束的前提下，通过优化理论和深度强化学习两个阶段的组合来实现，该方法在大量的模拟实验中表现出优于优化理论和纯深度强化学习方法的性能，接近最优性能且复杂度较低。

Nov, 2023

我们提出了一个基于学习的框架，用于在瞬时约束下在自组干扰网络中进行高效能量分配。我们将最优能量分配与瞬时约束相结合，通过使用演员 - 评论家算法在每个步骤获得满足约束的能量分配，并通过实验分析证明了该方法的有效性和效率。

Jan, 2024

探究基于无线网络控制系统的深度学习协同设计，使用新型深度强化学习算法与 AoI 技术构建控制器和调度器，提高数据准确性并增强联合训练的稳定性，以此解决传统设计方法中大量难以有效解决的问题，并在不同场景中提供显著的性能表现.

Oct, 2022

研究了一种采用能量收集设备和可充电电池的点对点无线通信系统，在考虑了基于马尔可夫过程的能量和数据到达模型后，采用学习理论方法，比较三种不同情况下的最优方案和性能损耗，同时还研究了在线和离线优化问题。

Aug, 2012

本文提出了一种新的数据驱动方法，可为干扰限制的无线网络上的联邦学习分配传输功率，使用图卷积网络来参数化功率分配策略，并通过 primacy-dual 算法求解相关的约束优化问题，从而实现优化 FL 过程中服务端接收到的信息，最终提高全局 FL 模型的准确性和效率。

Apr, 2023

本文提出了一种分布式执行的动态功率分配方案，基于无模型深度强化学习技术，通过收集 CSI 和服务质量（QoS）信息，每个发射机适应自己的发射功率，旨在最大化加权和速效用函数，可特化为实现最大总速率或比例公平调度。本方案特别适用于系统模型不精确，CSI 延迟不可忽略的实际场景，能够在真实时间内实现几乎最优的功率分配。

Aug, 2018

在无线信道质量时变、未知且多用户访问同一信道会造成干扰减少质量的情况下，利用一定的在线学习算法，我们研究了在分散式情况下分配多个用户到无线信道的问题，并确定了何种条件下可以实现社会最优分配。我们的结论是，当用户的合作减少，信道收益的不确定性增加时，实现社会最优分配变得更加困难。

Jul, 2011