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

利用 Lyapunov 优化方法，最大化实现长期平均通信链路数目，以优化功率控制，改善图神经网络在资源受限的无线系统中的学习性能。

May, 2024

本文介绍了一种利用强化学习优化功率控制和速率自适应的无线系统的新框架，包括系统状态特征的建模、奖励函数的设计和控制策略的学习方法，并通过系统级模拟验证了能够显著降低功耗并在系统用户之间实现公平的功率控制策略。

Nov, 2016

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

本文提出了基于随机几何的随机网络模型，开发了集中式和分布式功率控制算法，以确保蜂窝用户具有足够的覆盖概率，并尝试支持尽可能多的 D2D 链接，同时限制 D2D 用户产生的干扰。数值结果显示了所提出的功率控制算法的增益和分析结果的准确性。

May, 2013

无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

Nov, 2023

在这项研究中，我们对两种深度展开机制进行了比较研究，以便在下一代无线网络中有效地进行功率控制。通过分数规划转换，我们设计了两个解决方案来解决非凸能效问题。第一个解决方案是数值解，而第二个解决方案是封闭形式的解决方案。基于第一个解决方案，我们设计了一个半展开深度学习模型，将无线通信领域的领域知识与数据驱动的深度学习的最新进展结合在一起。此外，我们基于封闭形式解决方案的亮点设计了一个完全展开的深度学习模型，充分利用了具有表达性的封闭形式功率控制解决方案和深度学习的进展。在模拟结果中，我们比较了所提出的深度学习模型和迭代解决方案在准确性和推理速度方面的性能，以展示它们在实时应用于下一代网络的适用性。

Feb, 2024

本文提出了一种基于深度学习的功率控制算法，用于解决无蜂窝网络下具有最大最小用户公平性问题的大规模多输入多输出系统中的最大最小速率优化问题，使用无监督学习的方法使深度神经网络学习最佳用户功率分配方案，模型训练快速且灵活，性能显著且具有较低的计算复杂度和快速实现优势，同时提出了一个在线学习阶段，在处理速度较快的情况下实现了接近最优的性能。

Feb, 2021

研究单跳自组织无线网络中最优功率分配问题，使用基于图神经网络的混合神经体系结构，提出了一种展开 WMMSE 算法（UWMMSE），它的可学习权重通过多个功率分配问题的基于梯度的下降方法来训练，达到可比较 WMMSE 的性能并显著降低计算复杂度，数值实验说明了该现象。

Nov, 2020