本文提出了一种基于图嵌入的设备对设备网络链路调度方法，利用机器学习技术取代传统的数学优化技术，从而减少计算复杂度，增加可扩展性，并且在大规模的场景中仍具有良好的通用性，且只需少量的训练样本就可实现接近最优的表现。

Jun, 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

本文提出了一个学习框架来优化无线网络的频谱和功率分配，使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练，模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。

Dec, 2020

本文提出了一种基于图卷积网络（GCN）的快速启发式调度策略，该策略可在集中式和分布式环境下实现。采用树搜索和 GCN 指导的一步展开的中心式启发式策略能快速的达到接近最优的解，基于浅层 GCN 的分布式启发式策略能减少近 50％的子最优解差距，且策略具有较好的推广性能。

Sep, 2021

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

该论文提出了一种基于图卷积网络的分布式最大权独立集求解器，通过学习拓扑感知节点嵌入和网络权重相结合，并调用贪心算法，即使在小型至中型无线网络中，浅层的基于 GCN 的 MWIS 调度器也可以利用图的拓扑信息将分布式贪心求解器的次优误差减半，在保持图形一般性的同时，增加的计算复杂性很小。

Nov, 2020

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

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

该研究旨在提出一种基于深度强化学习和图卷积网络的信道分配方案，使用 GCNs 提取 AP 拓扑结构的特征，进而在竞争图中提高学习速度和控制信道。该方法在模拟实验中表现优于现有方法。

May, 2019

本文提出了一种基于深度神经网络的学习算法来近似数值优化算法，在无线资源管理的应用中，此算法可以在几乎实时完成资源分配，大大提高了计算效率。同时，本文也在理论和实践两方面讨论了基于深度神经网络的算法逼近，并在实现方面用大量数值模拟来证明该算法相对于基于优化的最先进的功率分配算法可以实现几个数量级的加速。

May, 2017