在通信受限的灾难情景中，本文提出了一种微型无人机增强的内容管理系统。该系统在缺乏蜂窝基础设施的情况下，部署了一个由静止和移动无人机组成的混合网络，为孤立的社区提供重要的内容访问。通过装备有垂直和水平链接的静态锚定无人机，该系统满足本地用户的需求，而通过装备有水平链接和更高灵活性的机动微型运输无人机，系统可以覆盖多个社区中的用户。该系统的主要目标是设计一种自适应内容传播系统，动态学习缓存策略以最大限度地提高内容可访问性。本文提出了一种分散式的 Top-k 多臂赌博机学习方法，用于无人机缓存决策，以适应地理和时间上的内容流行度差异和多样化的内容需求。所提出的机制涉及一种选择性缓存算法，通过利用无人机之间的共享信息，自动减少内容的冗余副本。实验证明，Top-k 多臂赌博机学习和选择性缓存算法可以改善系统性能，同时使学习过程适应性更强。本文在各种网络规模、微型运输无人机群体和异构的流行度分布下对所提出的缓存框架进行了功能验证和性能评估。

Apr, 2024

本文研究了使用搭载缓存设备的无人机进行主动部署以优化云无线接入网络中无线设备的体验质量问题。通过使用概念器基础回声状态网络（ESN）的机器学习框架，网络可以有效地预测用户的内容需求分布和移动模式，并可以在最大化用户体验质量和最小化无人机传输功率的同时找到最佳的用户 - 无人机关联、无人机的最佳位置以及需要在无人机上缓存的内容。

Oct, 2016

本文研究了在移动通信下行数据中进行内容级别选择性卸载的问题，将流行的内容存储在无线信息站终端的高速缓存存储器中，直接从信息站下载存储的内容，以减少蜂窝网络的延迟和负载，并利用多臂赌博问题及切换成本等方式进行最优的缓存内容放置来学习流行度模型，以提高缓存效率。

Jul, 2014

本文探讨了使用无人机作为空中基站提供无线通信服务的动态资源分配问题，并通过多智能体强化学习框架实现了长期收益的最大化。研究结果表明，该算法在信息交互开销和性能提升之间取得了良好的平衡。

Oct, 2018

针对具有缓存功能的无人机网络服务，提出了基于机器学习框架的分布式算法，解决了用户关联、频谱分配、内容缓存等问题，实验结果表明相比基于 Q-learning 算法的缓存和不缓存算法，优化后的算法在稳定队列用户数上分别有 33.3% 和 50.3% 的提高。

Jan, 2018

本文提出了一个多无人机网络上异步联邦学习框架，避免将原始数据发送到无人机服务器中进行模型训练，同时提出了异步优势演员 - 评论家算法并采用设备选择策略、无人机部署和资源管理算法来提高学习收敛速度和准确性。仿真结果表明，相比于现有解决方案，我们的方案实现了更高的学习准确度和更快的联邦执行时间。

Nov, 2020

本研究旨在探讨在联邦学习中，一种针对无人机的在线轨迹设计问题，其中多个不同的社区存在，每个社区被唯一的任务定义所学习。在这种情况下，每个社区的空间分布设备通过无人机提供的无线链接协作贡献于对其社区模型的培训。通过引入一种启发式指标，我们提出了使用凸优化技术和图论一起优化无人机轨迹和设备调度的代理目标，以加速所有任务的学习进程，并且通过模拟实验证明了我们的解决方案相对于其他手动选择的静态和移动无人机部署基线的卓越表现。

Jun, 2022

通过多代理强化学习框架，本研究介绍了一种有效利用多个无人机最大化地满足用户对数据传输的需求的方法，其中重点是在服务质量约束下共同优化无人机轨迹和用户关联指标。

Feb, 2024

通过使用基于有限容量缓存的基站，我们研究了在无线网络中具有推荐功能的内容缓存。我们假设存在一组固定内容，用户的偏好和内容的受欢迎程度未知。我们可以向用户推荐一部分内容，以鼓励用户请求这些内容，从而增加缓存命中率。我们将缓存命中率优化问题形式化为组合多臂赌博问题，并提出了一种基于 UCB 算法的决策内容缓存和推荐的方法。我们给出了算法遗憾的上界，并通过数值实验对我们的算法性能进行了比较。

Apr, 2024

通过优化模型、轻量级元 - 强化学习解决方案以及广泛的模拟实验，在提供了快速收敛的同时，证明了介绍的方法在为战略位置提供覆盖方面优于现有的三种算法。

Jan, 2024