该研究使用图神经网络（GNNs）探索了在群体机器人中进行分散控制的方法，提出了一种名为 STGNN 的时空 GNN 模型，通过空间和时间的扩展收集和整合更广泛的信息，证明了其在实现凝聚性集群行为、领导跟随和障碍物避让任务方面的潜力。

Sep, 2023

本研究提出了一种组合模型，结合卷积神经网络和图神经网络，用于多机器人路径规划中的通讯问题，并在模拟中取得了接近专家算法的性能和有效性。

Dec, 2019

这篇综述论文分析了分布式图神经网络训练的三个挑战以及通过四类优化技术解决这些挑战的方法：GNN 数据分区、GNN 批量生成、GNN 执行模式和 GNN 通信协议。最后，本文总结了现有的多 GPU、GPU 集群和 CPU 集群的分布式 GNN 系统，并就可伸缩 GNNs 的未来方向进行了讨论。

Nov, 2022

本文展示了如何利用图神经网络来学习连接的机器人团队的分布式协调机制，并通过将机器人队伍建模为图形来捕捉机器人协调的关系。训练过程中，机器人学习如何传递信息和更新内部状态，以达到目标行为，然后通过局部估计团队网络拓扑的代理方法来考虑更复杂的问题。

May, 2018

使用分布式图神经网络在异步 PAC 中计算导航行为和生成通信消息的框架，有效地为协同覆盖大环境的大型机器人群体进行导航。

Sep, 2023

为了应对气候变化，需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面，可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量，发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外，应用所提出的方法，还能准确识别出电力网的易受攻击的节点。最后，发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时，也具有准确性和实用性。

Jun, 2022

本篇论文提出在 Deep Reinforcement Learning 技术中，将 Graph Neural Networks 集成进 DRL 代理中，以解决网络拓扑的泛化问题，并在路由优化的用例中测试并评估其性能，结果表明，在未曾训练过的网络拓扑中，DRL+GNN 代理能够胜过目前最先进的解决方案。

Oct, 2019

本篇论文提出通过使用图神经网络解决大规模射频资源管理问题，通过设计有效的神经网络结构和理论分析，证明了信息传递图神经网络不仅满足置换等变性，而且能够适用于大规模问题且效率高，进一步通过分布式优化算法分析了方法的性能和泛化性，提供解释性和理论保证。

Jul, 2020

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

本文提出了一种分布式算法框架来训练图卷积网络，利用了输入数据的有意义的关系结构，并在不同代理之间分割数据图表达的优化通信拓扑结构，提出了一种分布式梯度下降算法来解决 GCN 训练问题，并建立了一套评价通信拓扑的优化准则。

Jul, 2020