本文提出了基于非正交多址（NOMA）的无人机（UAV）网络的新框架，通过三个案例研究，旨在从基本理论到实际实现全面了解 UAV 系统，其中包括采用随机几何模型对 NOMA 启用的 UAV 网络进行性能评估，研究基于简化的二维模型的静态 NOMA 用户联合轨迹设计和功率分配问题，以及展示机器学习技术在处理 UAV 位置问题时的应用。

Sep, 2018

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

用空中计算框架由高空平台和无人机组成，解决通过上行非正交多址接入连接的移动用户的任务完全卸载问题，通过调整无人机轨迹和资源分配来最小化用户的数据时延，使用多智能体深确定策略梯度和联邦强化学习两种方法优化求解，显示任务调度显著降低了数据时延。

May, 2023

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

本文提出了一种基于无人机的预测性警务监察框架，其中多个无人机扮演着感知、数据转发、计算和巡逻等四种角色，该框架依赖于机器学习技术来控制和调度无人机，并预测犯罪行为。它还报告了一项无人机网络上使用增强学习和分布式机器学习推理进行调度的模拟实验。

Mar, 2022

本研究采用无人机辅助回波网络技术，通过优化高度等多网络参数来最大化上行链路的成功解码比特数，减少无人机的飞行时间。 数值结果表明，在各种网络设置下可计算出最佳高度，并且回波反射系数对最大网络吞吐量的影响显着。 基于这个最佳高度，我们还表明可以实现最优轨迹规划。

Feb, 2019

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

本文提出了一种利用无人机的可见光通信辅助非正交多址接入的方法，通过使用 Harris 鹰优化算法和人工神经网络，实现了实时应用并避免了落入传统训练器的 “局部最小值” 陷阱，证明了该算法 / HHO 训练器优于其他方案和现有元启发式算法。

Jan, 2021

本文提出了一种基于深度强化学习的覆盖感知导航方法，该方法利用移动无人机的可控机动性设计其导航 / 轨迹，避免了蜂窝基站覆盖漏洞，并提出了一种同时导航和无线电映射的框架。该模型通过深度 Q 网络（DQN）预测位置的中断概率，并预测期望回报，从而使得机器人学习效率大幅提升。

Mar, 2020

本文探讨了通过利用无人机作为飞行网络连接地面小基站和核心网络的一种创新后程方案，并提出了一种飞行后程方案的设计和一种网络形成算法，该算法使得无人机能够以分散的方式形成必要的多跳回程网络，从而适应网络的动态特性。

Jul, 2017