提出了一种采用非正交多址技术 (NOMA) 的可重构智能表面 (RIS) 的部署和无源波束成形设计的新框架，利用机器学习方法分别进行用户流量需求的预测和位置获取及相位控制。所提出的 D3QN 算法优于基准算法，同时 NOMA 增强的 RIS 系统能够实现比正交多址 (OMA) 启用的 RIS 系统更高的能量效率。

Jan, 2020

本文提出了一种利用多架无人机作为被动中继器搭载可重构智能表面，以改善双连通支持的异构网络（HetNet）性能的新方法。我们通过对优化 UAV 的轨迹 / 速度、RIS 相移、子载波分配以及每个 BS 的有源波束赋形器进行联合优化，解决了总发射功率最小化问题，从而降低了传输功率，同时保持了相似的 QoS。

Jun, 2021

本文研究了可重构智能表面（RIS）辅助的大规模多输入多输出系统在三维中为扩展无线蜂窝覆盖的问题，其中多个 RIS 分别装备有一组被动元件，部署以同时服务多个无人机（UAV）的基站（BS）在 5G 无线通信的时频资源中。通过联合优化 BS 的发送波束形成参数和 RIS 的相移参数来最大化 UAV 的最小信干噪比（SINR），并确保 UAV 之间的公平性。我们提出了两种新颖的算法来解决这个问题，并利用深度确定性策略梯度作为最优化方法来求解 BS 的波束形成矩阵和 RIS 的相移参数。通过模拟结果证明了我们提出的解决方案的有效性，并得出了一些有见地的观察结果。

Nov, 2023

本研究提出了一种基于用户移动信息预测的多无人机轨迹设计的新框架，其利用机器学习技术为多个无人机实现位置信息获取和轨迹设计，并通过多智能体 Q 学习算法实现对其位置的预测与优化。同时，数值结果表明所提出的多智能体 Q 学习算法的轨迹设计和功率控制算法可以在较小的条件下收敛，并且可以实现 17％左右的吞吐量改进。

Dec, 2018

通过联合无人机轨迹和可重构智能表面的无源波束成型设计来最大化系统的平均可实现速率

Aug, 2019

该论文提出一种基于能量收集的可重构智能表面帮助非正交多用户下行通信系统提高谱效率的新方法，使用深度学习算法解决由于用户通信状态的动态变化和可利用能源的动态变化影响的非凸问题，获得了比其他基准算法更好的通信成功率表现。

Apr, 2023

提出了一个利用可重构智能表面支持的多机器人网络，目标是通过联合优化轨迹和机器人的 NOMA 解码顺序，RIS 的相移系数以及 AP 的功率分配，最大化整个轨迹的总速率。通过整合深度 Q 网络算法和长短时记忆自回归移动平均模型，预测每个机器人的初始和结束位置，同时确定机器人的轨迹，数值结果表明：LSTM-ARIMA 模型提供高精度的预测模型；所提出的 D^3QN 算法可以实现快速平均收敛；RIS-NOMA 网络相对于 RIS 支持的正交网络具有更高的网络性能。

May, 2022

本篇论文研究使用多个无人机作为基站，通过联合优化无人机三维轨迹和 NOMA 功率分配来最大化系统吞吐量，并使用基于加权 K-means 的聚类算法建立无人机 - 用户关联，研究表明使用共享的 Deep Q-Network 在系统吞吐量和训练时间上表现优于传统的 DQN，同时还可以收敛于具有不同动作空间的多个智能体，与 NOMA 的结合可以实现比现有基线方案更好的总速率。

Mar, 2023

无人机在提供无线服务方面具有优势，但资源限制给应用带来挑战。本论文介绍了一种优化模型，通过无人机路径规划和多重反射面支持，最大化吞吐量和覆盖范围，通过深度强化学习和粒子群算法解决了线性规划技术的限制，并通过大量仿真实验证明在服务质量方面相比其他方法有较大的提升。

Jun, 2024

该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

Jul, 2020