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

在室内环境中，研究了 NOMA 和 Multi-STAR-RISs 的联合用户配对和波束赋形设计，通过解决用户配对问题和波束赋形向量优化问题来最大化 MUs 的总吞吐量。

Nov, 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

优化星形可重构智能表面在非正交多址网络中的多输入多输出系统的能量效率。

Apr, 2023

该研究使用深度强化学习方法，对毫米波条件下的非正交多址接入进行了功率分配和波束成形的优化，以达到用户总速率最大化，并在模拟结果中表现出较其他方法更佳的效果。

May, 2022

通过多个关键接入点（APs）和自适应重构智能表面（STAR-RISs）的新型网络架构，该研究论文提出了应对室内通信中干扰抑制、功耗和实时配置方面的挑战的解决方案，并采用多智能体深度强化学习（MADRL）来优化 STAR-RIS 的控制。通过模拟实验，论文证明了与基准方法相比，网络效用显著提高。

Jun, 2024

提出一种新的框架，通过在无人机网中部署 RIS 进行服务质量的提升，采用非正交多址技术进一步提高网络的频谱效率，设计深度 Q - 网络算法来解决能源消耗最小化问题。

Oct, 2020

本论文介绍了使用深度强化学习和控制理论方法 (DRL) 实现毫米波非正交多址接入 (NOMA) 系统的联合功率分配和混合波束成形，通过考虑用户之间的相互干扰并同时满足高速率需求，模拟结果表明该方法比时分复用多址 (TDMA) 和非线视距 (NLOS)-NOMA 方法在用户总速率方面效果更好，且该方法独立于信道响应。

May, 2022

本文针对非正交多址技术中的公平资源分配问题，基于强化学习提出了一种高效的资源分配方案，结合深度强化学习算法和 SARSA-learning 算法处理不同网络负载下的差异性问题，并通过数值实验得出在物联网中，非正交多址技术可以比正交多址技术更好地提高系统的吞吐量。

Jul, 2020