通过提出的优化路由选择策略，使用红火蚁策略改进按需源路由系统，通过预测路由故障和能量利用来选择路径，评估结果表明该策略提高了网络生命周期，降低了节点能量消耗和端到端延迟。

Nov, 2023

研究了 Graph Neural Networks 在 Mobile Ad-Hoc Networks 上的应用，并利用 PyTorch Geometric 框架对 MANETs 数据集进行了分析。通过 GraphSAGE（SAG）模型进行边缘预测任务，取得了平均 82.1％的准确性。

Dec, 2022

介绍了 MANET 网络的安全性问题、攻击分类、以及基于 blockchain 技术的安全路由算法 (SRA)，并通过 PDR 和吞吐量测试，分析了该算法的性能及与 Q-AODV 和 DSR 算法的比较。

Apr, 2023

本研究基于多智能体深度强化学习设计了一种新的多播路由技术 DeepMPR，它在不需要邻居的多点中继广播信息的情况下，优于 OLSR MPR 选择算法，通过对比其他普及技术，展示了我们训练的 DeepMPR 多播转发策略的性能增益。

Jun, 2023

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

本文提出了一种基于多智能体深度强化学习的新型组播路由方法，该方法应用于软件定义的无线网络环境中，灵活配置网络并获得网络状态信息。使用单跳动作策略和奖励函数解决多智能体合作下的多个子问题，并采用分散式训练方法相结合的迁移学习机制来加速收敛并提高吞吐量、延迟、丢包率等性能，模拟实验表明 MADRL-MR 方法可以建立更智能的组播路由。

May, 2023

本文研究了如何在车联网中实现预测服务质量（PQoS）的目标，通过强化学习代理设计来实现 PQoS。通过中心化，完全分布式和联邦学习等不同的学习方案，我们证明了去中心化学习和尤其是联邦学习在收敛时间和可靠性之间具有良好的权衡，这对隐私和复杂性方面具有积极的影响，并且在低延迟和可靠性的限制下确定了发送车载数据的最佳压缩级别。

Feb, 2023

本文采用深度强化学习（DRL）方法设计了一种基于软件定义网络（SDN）的智能组播路由算法 DRL-M4MR，该算法将最优组播路由问题视为多目标优化问题，通过构建组播树状态矩阵、链路带宽矩阵、链路延迟矩阵和链路丢包率矩阵作为 DRL 代理的状态空间，设计单步和最终奖励函数以指导智能构建最优组播树。实验结果表明，相比现有算法，DRL-M4MR 构建的组播树在训练后能够获得更好的带宽、延迟和丢包率性能，并且它能够在动态网络环境下做出更具智能的组播路由决策。

Jul, 2022

我们提出了一种自适应语义资源分配方案，通过语义比特量化（SBQ）与现有无线通信兼容，解决了动态无线环境中由语义度量和传输度量之间的附加映射关系引入的环境感知不准确的问题，并通过联合优化基站的传输波束，语义表示的比特数，子信道分配和带宽资源分配，解决了将整体有效的语义通信服务质量最大化的问题。通过混合深度强化学习（DRL）算法提出了一种智能资源分配方案，在无线通信中能够有效抵抗语义噪声并获得卓越的性能，比几种基准方案提高了 13% 的 SC-QoS 性能。

Dec, 2023

通过提出一种名为 CMADR 的新型约束多智能体强化学习动态路由算法，以高效地平衡目标改进与约束满足，该算法能有效减少数据包延迟最少 21% 和 15%，并满足严格的能量消耗和丢包率要求，优于多个基准算法。

Dec, 2023