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

本文提出了一种适用于排队感知多媒体异构云射频接入网络（H-CRAN）的节能优化目标函数，以达到同时考虑智能前传容量和跨层干扰约束的最优网络协作波束形成设计算法。该算法实现了加权平均最小平方误差方法，达到了能效和排队延迟之间的平衡，并进一步演示了智能前传约束对此平衡的严格影响。

Jan, 2016

使用嵌入先验知识的 HetGNN 及参数共享方案来学习多用户多小区网络中的最优功率控制策略，相比于 DNN，其拥有更低的样本复杂度和较小的网络规模。

Nov, 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

本研究采用超参数优化的设计范式，将 CNN 的架构设置视为全局优化的超参数，以解决现有方法中网络处理数据而不是网络架构的局限性，实现了比以往使用 CNN 作为黑匣子更高效省电的图像分类。

Aug, 2018

研究提出了一种基于深度神经网络的功率控制方法，使用多层全连接的神经网络模型有效解决了多用户干扰信道下的非凸优化问题，并在训练阶段利用无监督学习策略直接最大化输出节点的和，在标准对称多用户高斯干扰信道方面，通过多个神经网络的集成优化方法可以在计算复杂性大幅降低的基础上显著提高性能。

Jul, 2018

射频能量收集（RF-EH）网络是大规模物联网的关键推动因素，通过为能量受限设备提供可控和长距离的能量传输来实现。本研究主要探讨多源多中继射频能量收集网络中非线性能量收集情况下的联合中继选择、调度和功率控制问题。首先，在给定中继选择情况下求解调度和功率控制问题的最优解。然后，将中继选择问题表述为一个分类问题，并提出了两种基于卷积神经网络（CNN）的架构。第一种架构采用传统的 2D 卷积块，并受益于层之间的跳连连接；第二种架构将其替换为启示块，以减小具有内存限制应用的可训练参数的大小，而不损失准确性。为进一步降低运行时复杂性，采用师生学习，其中师网络更大，学生网络是基于较小尺寸 CNN 的架构，提取师网络的知识。采用一种新的二分搜索算法来确定学生网络的最佳架构。我们的模拟结果表明，所提出的解决方案提供了比最先进的迭代方法更低的复杂性，而不会损害最优性。

Feb, 2024

该论文研究了在具有不同数量活跃用户的多小区 Massive MIMO 系统中的总谱效率（SE）优化问题，并针对性地提出了一种深度学习解决方案来实现实时计算。研究结果表明，所提出的神经网络解决方案在保证计算速度的同时，只损失了 2% 的总谱效率。

Jan, 2019

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

本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

Jul, 2019