探究基于无线网络控制系统的深度学习协同设计，使用新型深度强化学习算法与 AoI 技术构建控制器和调度器，提高数据准确性并增强联合训练的稳定性，以此解决传统设计方法中大量难以有效解决的问题，并在不同场景中提供显著的性能表现.

Oct, 2022

本文研究了基于深度强化学习的无模型无需解析解的动力控制方案在跨单元合作、离线 / 在线集中训练和分布式执行等方面的数学分析和具体实现。 分析和仿真结果表明，DRL 设计在性能、鲁棒性和广泛可用性方面优于基于模型的方法，特别是 actor-critic 深度确定性策略梯度算法，可用于现有资源分配方案。

Jan, 2019

本文提出了一种分布式执行的动态功率分配方案，基于无模型深度强化学习技术，通过收集 CSI 和服务质量（QoS）信息，每个发射机适应自己的发射功率，旨在最大化加权和速效用函数，可特化为实现最大总速率或比例公平调度。本方案特别适用于系统模型不精确，CSI 延迟不可忽略的实际场景，能够在真实时间内实现几乎最优的功率分配。

Aug, 2018

本文提出了一种基于深度强化学习的下行功率分配方案，旨在最大化总网络吞吐量，该方案与传统的功率分配方案相比表现更好，在多小区场景中，通过深度 Q 学习方法实现近似最优功率分配策略，使用遗传算法作为基准来获得近似最优功率分配解。

Apr, 2019

本研究探讨在无线通信系统中设计最优资源分配策略。使用深度神经网络进行训练，同时解决主次变量优化问题。通过数值模拟，验证了所提出方法在许多无线资源分配问题中的有效性。

Jul, 2018

本文提出了一个学习框架来优化无线网络的频谱和功率分配，使用两种分别针对离散和连续变量的强化学习算法来同时执行和训练，模拟结果表明该方案优于基于分数规划的算法和以往基于深度强化学习的解决方案。

Dec, 2020

在有限的通信和计算资源下，本研究论文探讨了可扩展无线网络控制系统（WNCS）的控制稳定性的关键设计挑战之一，通过引入一种称为基于尾部控制的替代控制概念，扩展了多动态控制系统在共享无线网络上的经典线性二次调节器（LQR）成本函数。我们将多个控制系统的控制建模为一个网络优化问题，并采用传感器调度、系统状态预测和控制策略来进行解耦。在此基础上，我们提出了一个解决方案，包括基于李雅普诺夫优化的传感器调度算法、基于高斯过程回归（GPR）的状态预测和不确定性估计机制，以及基于强化学习（RL）的控制策略以确保尾部控制的稳定性。我们使用一组离散时不变的山车控制系统来评估所提出的解决方案，并与使用最先进的调度、预测和控制方法的四个变体进行比较。实验结果表明，与最先进的方法相比，该方法在通信和控制资源利用方面总体成本减少了 22%。

Jun, 2024

本文介绍了无监督学习和强化学习算法，用于解决无模型或函数优化问题，其中深度神经网络可用于维度较高的可变优化问题，而强化学习适用于不可行的情况，并以用户关联问题为例进行模拟和应用验证。

Jan, 2020

本文介绍了一种利用强化学习优化功率控制和速率自适应的无线系统的新框架，包括系统状态特征的建模、奖励函数的设计和控制策略的学习方法，并通过系统级模拟验证了能够显著降低功耗并在系统用户之间实现公平的功率控制策略。

Nov, 2016

本文提出了一种基于深度强化学习的分布式资源分配技术，用于多代理环境下的认知无线电网络，该网络通过干扰下动态频谱访问与主干网络共存。该技术是分布式的，且不需要与其他代理协调，通过模拟结果可以显示出，该技术能够在有限的学习时间内，找到使性能在 3％之内的策略。

Oct, 2019