通过考虑信息时代，本文研究了一种用于辅助集群式物联网网络的无人机（UAV）的轨迹规划问题，构建了一个优化问题，通过无人机从地面物联网网络中收集的数据的总信息时代的最小化来解决问题。利用状态良好的转换器和加权 A * 算法，设计了一种机器学习算法来求解所制定的问题，并证明该算法在 IoT 网络中具有不同数量的地面集群时具有很好的泛化能力，不需要重新训练模型。此外，结果表明，与其他算法相比，我们的算法可以找到具有最小总信息时代的更好的无人机轨迹。

Nov, 2023

研究了一种 UAV 辅助的无线网络，通过 Markov 决策过程和深度强化学习算法优化飞行轨迹和任务调度来最小化信息年龄值的加权和，取得了显著的研究成果。

May, 2019

本文介绍了一种利用数据驱动的方案，优化联网车辆的驾驶路线，以保证信息时延的可信度，利用商用 LTE 网络测量车辆之间的连接延迟，建立连接车辆信息时延模型，在此基础上提出了一种基于 DQN 的算法来确定最优驾驶路线，结果表明该方法可以提高接口保持服务的 AoI 信心水平

Apr, 2020

本篇研究探讨将无人机和可重构智能表面元素与物联网设备集成以被动中继信息的好处，并通过优化问题来最小化平均信息时效，并且使用近端策略优化算法来解决混合整数非凸优化问题，结果表明我们的算法在 AoI 方面优于其他所有算法。

Nov, 2020

通过学习的基于马尔可夫事件的新颖框架，利用无人机作为飞行基站，预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略，最终通过深度强化学习方法改进传输性能。

Jan, 2024

该论文研究了在无人机辅助网络中的信息时代（Age-of-Information，AoI）问题，并通过优化无人机的停止位置和设备选择概率来最小化设备之间的平均 AoI。为了解决这个问题，论文首先推导了一个包括设备选择概率的平均 AoI 的闭合形式表达式。然后，将该问题建模为一个带有服务质量约束的非凸最小化问题。由于该问题难以求解，论文提出了一种基于集成深度神经网络（Ensemble Deep Neural Network，EDNN）的方法，该方法利用了所研究问题的双重形式化。具体而言，集成中的深度神经网络（Deep Neural Networks，DNNs）通过使用所研究问题的 Lagrangian 函数进行无监督方式的训练。实验结果表明，所提出的 EDNN 方法在减少平均 AoI 方面优于传统的 DNN 方法，实现了 29.5% 的显著降低。

Sep, 2023

该研究探讨了一种去中心化的传输策略，通过利用传感器传输过程和网络拥塞对信息年龄（AoI）的影响，结合基于粒子滤波和强化学习的方法，实现了多代理间的协同最小化预期的 AoI。

Dec, 2023

应用多智能体深度强化学习来解决大型物联网场景中的高维问题，通过部署一群无人机 (UAV swarm) 为物联网网络提供覆盖，并最小化信息时效，结果表明合作和部分合作的多智能体深度强化学习方法能够优于复杂度高的集中式深度强化学习方法。

Sep, 2023

移动边缘计算在实时应用中对信息时效性的重要性提出了新的理解与优化方法，基于马尔可夫决策过程和深度强化学习，将偏知识利用与系统动态建模相结合的算法应用于此问题研究，结果表明算法在多种场景下优于其他基准算法。

Dec, 2023

本文针对超可靠低延迟通信下的 Age of Information (AoI) 问题，通过建立 AoI 尾部分布模型和最小化传输功耗方法，在机动车通信网络的环境下有效地提高 URLLC 性能，同时探究确定性和马尔科夫交通规律下传输延时问题

Dec, 2019