提出基于深度强化学习 (DRL) 的联合模式选择和资源管理方法，使用智能决策优化 C-RAN 和 D2D 模式下的无线和计算资源，旨在通过边缘缓存状态的动态优化长期减少系统能耗。在模拟中，将学习率和边缘缓存服务能力等参数的影响演示出来，并将该方案与其他不同的方案进行对比展示其有效性，并将迁移学习与 DRL 整合以加速学习过程。

Sep, 2018

本文研究了雾射频接入网络（F-RAN）中的模式选择和资源分配，并采用混合整数规划方法优化性能。此外，基于机器学习的强化学习算法用于解决原始高复杂性问题。最终的仿真结果表明，我们提出的算法可以在系统功耗和队列延迟之间实现权衡。

Feb, 2020

在车联网（V2X）网络中，我们通过联邦强化学习（FRL）框架探索资源分配，并使用非精确交替方向乘子法（ADMM）实现了算法 PASM，在 V2X 网络中解决资源分配问题，并与基线方法进行了比较。

Oct, 2023

提出一个联邦深度增强学习框架来解决物联网设备能耗和延迟的多目标优化问题，通过优化转移决策、计算资源分配和传输功率分配来实现；并采用分布式深度增强学习 (DRL) 和深度增强 Q 网络 (DDQN) 解题，辅以联邦学习 (FDL) ，能有效提高物联网设备的学习速度并保护其隐私。

Apr, 2021

本研究提出并分析了一种基于联邦深度 Q 学习的负载均衡系统，该系统使用 Open-RAN xAPP 框架和近实时无线接口控制器 (near-RT RIC) 进行实现。模拟结果表明，与当前由用户设备使用的最大信噪比 (MAX-SINR) 方法相比，我们提出的深度 Q 学习模型能够持续提供更好的用户设备服务质量。

Feb, 2024

本文介绍了一种名为 CECIL 的云端协同学习算法，利用深度神经网络优化 Fog 无线接入网络（FRAN）中的云端和边缘计算，以及前传接口。通过将云和边缘计算纳入联合优化框架，以及使用中央计算和分布式决策，并使用上下行前传协调来实现端到端的训练和去中心化的实时推断。

Mar, 2021

在 5G 移动通信时代，研究聚焦于无人机和移动边缘计算技术方面出现了显著增长。本研究提出了一种名为个性化联邦深度强化学习（PF-DRL）的新解决方案，用于多无人机轨迹优化。模拟结果表明，该算法具有更快的收敛速度和改善服务质量，优于其他基于深度强化学习的方法。

Sep, 2023

本文探讨了一种分散式的深度强化学习方法来优化移动边缘计算系统中的任务卸载策略，并分析了功耗和延迟之间的权衡关系。结果表明，该方法比传统的深度 Q 网络方法以及其他贪心策略能够更有效地降低资源消耗成本。

Dec, 2018

本文研究了 Fog-RANs 中的缓存放置问题，并提出了中心化和分布式的缓存放置策略来最小化用户平均下载延迟，同时考虑了灵活的物理层传输方案和不同用户的内容偏好。通过利用缓存和合作增益，这些策略可以显著减少用户的平均下载延迟。

Aug, 2017

通过深度强化学习控制前传带宽压缩，该方法在不同的前传负载水平下实现了显著的前传带宽利用率和空中接口吞吐量提升，并能够满足预定的前传时延约束。

Nov, 2023