提出了一种新颖的可重构智能表面辅助的非正交多址 (NOMA) 下行传输框架。该框架采用了长期随机优化问题和改进的移动对象迁移自动化算法 (MOMA) 来优化用户分组和可重构智能表面相位移动矩阵，结合深度确定性策略梯度 (DDPG) 算法来控制多重反射元素，实现了动态资源分配策略。通过多个数值结果的分析表明，该方法相对于传统正交多址 (OMA) 框架提高了移动用户 (MUs) 的总数据率，可以学会动态资源分配策略，同时通过提高可重构智能表面相位移动的粒度和增加反射元素的数量来提高数据收益。

Jan, 2021

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

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

本文研究了利用可重构智能表面 (RIS) 反射阵列所协助的 MIMO 传输，通过深度强化学习 (DRL) 基于试错交互获得基站传输波束和 RIS 相位移位的联合设计。仿真结果表明，该算法学习能力逐渐提高，与两个最新的基准算法相比表现相当。

Feb, 2020

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

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

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

本文提出了一种基于深度学习技术的速率分裂多址接入方案以及在 RIS-assisted 的太赫兹多用户 MIMO 系统中的 CSI 获取方法。

Sep, 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