O-RAN 和 O-Cloud 构成了一个重要的范式转变，可以带来前所未有的性能提升，并提出了一系列试验来评估 O-Cloud 的能耗成本以及其依赖性，同时提出了一种基于能效的计算策略和一种基于射频的策略，以实现在服务器和用户之间公平地平衡能源节约和性能。

Feb, 2024

在小型细胞网络中，通过使用基于多属性效用理论的新型虚拟现实模型，找到了在虚拟现实无线网络中的上下行无线资源配置问题的最佳解决方案。

Mar, 2017

该论文研究了如何利用机器学习算法实现开放式无线接入网络的智能化管控，提出了一种基于多智能体和多臂赌博机的负载平衡和资源分配策略，并通过仿真实验证明，该算法在有效提升网络吞吐率的同时，相对于基于规则的和其他启发式算法，更能实现开放接入单元之间的负载均衡。

Mar, 2023

本文提出了一种面向车联网的信息时代感知传输功率和资源块分配技术，利用高斯过程回归方法实现在线无中央控制机制的网络动态学习，实时预测未来 AoI，最小化 AoI 超过阈值的概率，并取得了 50% 以上的效果提升。

Nov, 2019

我们提出了一种创新的方法，旨在协调 Open Radio Access Network（O-RAN）中的多个独立 xAPPs，以实现网络切片和资源分配，并优化用户设备（UE）之间的加权吞吐量和物理资源块（PRB）的分配。通过设计 power control xAPP 和 PRB allocation xAPP，我们的方法通过监督学习和无监督学习的组合实现了高效的网络切片问题解决方案。与其他方法相比，我们的方法在不同场景中展现出更高的性能和效果。

Jan, 2024

本文旨在研究如何实现计算任务从移动代理转移，其提出了一种基于分散决策的机制来促使代理间在博弈与合作之间平衡。为此，该文设计了一个新的多代理在线学习算法，并通过 V2X 应用的模拟得出了良好的收敛性和泛化性能。

Jul, 2022

本文主要关注在虚拟网络环境下的带宽资源分配问题，提出了一种基于粒子群优化算法的带宽感知多域虚拟网络嵌入算法（BA-VNE），并通过模拟实验验证了该算法在链接带宽、映射成本和虚拟网络请求接受率等性能指标上的优越性。

Feb, 2022

本文采用基于学习的方法来解决超密集、异构蜂窝，大规模节点的无线网络能源效率管理问题。其中，操作实时性以及基站切换成本等问题也被考虑。本文提出了 Batched Randomization with Exponential Weighting (BREW) 策略和 Ranking Expert (RE) 策略，并针对其复杂度的问题做了进一步的优化和证明。经过实验和对各种情况的演示，以上两种策略不仅可以极大地降低系统能耗，还具备了较强的实用性和鲁棒性。

Aug, 2016

该论文探讨了在密集部署的异构网络中如何通过联合优化中继器和确定活动基站集来实现高系统资源利用率，提出了两种常见设计标准下的公式和有效算法，并通过广泛的数值模拟证明了所提出算法的高效性和功效。

Sep, 2013

本文提出了一种基于随机赌博理论和贝叶斯原理的小型基站传输功率分配算法，其通过利用人类用户行为的简单覆盖反馈，极大地减少了计划人员的人力测量。该算法在考虑了功率切换惩罚的同时，将相似功率值之间的性能相关性纳入考虑，利用先前的先验知识恢复了更多的性能下降，并达到了最优长期功率设置。

Mar, 2017