本文提出了一种基于增强学习的无线网络优化方法，该方法使用多个智能体，可以通过调整单元参数来优化无线网络的表现，从而显着提高网络性能。

Feb, 2023

无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

Nov, 2023

本研究展示了利用神经网络强化学习在量子纠错任务中独立发现量子纠错策略的能力，并提出了包括二阶段学习和反馈优化在内的策略。这项工作不仅在量子计算方面具有重要作用，还显示了神经网络强化学习在物理学领域的潜力。

Feb, 2018

本文阐述了如何用智能算法解决 NB-IoT 中设备组的无线资源分配问题，并提出了基于 Q-Learning 算法的智能化方案，这个方案在吞吐量和训练效率方面显著优于传统的方案。

Dec, 2018

多智能体强化学习中的量子强化学习通过使用量子力学的内在属性降低了模型的可训练参数，我们基于无梯度量子强化学习的现有方法，并通过变分量子电路的树状方法提出了多智能体强化学习的方法，使用进化优化算法，我们在 Coin Game 环境中评估了我们的方法并将其与经典方法进行比较，研究表明我们的变分量子电路方法相比于具有相似可训练参数数量的神经网络表现出更好的性能，并且相对于更大的神经网络，我们的方法使用较少的参数实现类似的结果，减少了 97.88% 的参数。

Nov, 2023

该研究提出了一个基于深度强化学习和图卷积神经网络的跨界面学习框架，该框架在移动网络领域进行了 6 个场地试验，成功的将学习从模拟器中转移到了具有复杂实时限制和有限信息的实际应用场景中。

Feb, 2018

提出了一种新颖的模型无关的集合强化学习算法，通过在多个合成的与马尔可夫决策过程相关的环境上运行多个 Q 学习算法，并使用基于 Jensen-Shannon 差异的自适应加权机制来融合输出，获得具有低复杂度的近似最优策略。与最先进的 Q 学习算法相比，数值实验结果显示，该算法平均策略误差可以减少高达 55％，运行时复杂度可以减少高达 50％，并验证了理论分析中的假设。

Feb, 2024

提出了一种基于可重构智能表面技术实现的智能 THz MIMO-NOMA 通信框架，并采用分布式智能算法，完成网络中多个访问点协同优化查询的过程，通过了高定制、高效能和低延迟等测试。

Jul, 2021

利用机器学习技术优化复杂系统的方法，通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果，本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。

Aug, 2019

研究多通道接入的问题，应用深度 Q 网络实现对于未知系统动态的自适应学习，以最大化长期回报，通过仿真与实际数据跟踪比较表明该方法在更为复杂的情境下具有最佳性能。

Feb, 2018