本研究提出了一种基于用户移动信息预测的多无人机轨迹设计的新框架，其利用机器学习技术为多个无人机实现位置信息获取和轨迹设计，并通过多智能体 Q 学习算法实现对其位置的预测与优化。同时，数值结果表明所提出的多智能体 Q 学习算法的轨迹设计和功率控制算法可以在较小的条件下收敛，并且可以实现 17％左右的吞吐量改进。

Dec, 2018

该研究提出了一种将实时请求划分为子任务，并基于可用资源在无人机群中分配的系统模型，以最小化传输延迟和提高可靠性。研究使用三个子问题来优化传输功率、无人机位置和 CNN 层数的放置，并通过模拟结果表明，该模型表现出比竞争模型更好的性能。

May, 2023

利用无人机作为 IoT 环境监测的覆盖延伸中继器，本研究采用分割学习策略将边缘设备、无人机和服务器整合，以提高推理机制的适应性和性能，解决远程 IoT 学习应用中的连接和资源限制，并通过模拟分析证明了这种方法的鲁棒性和适应性。

Jul, 2024

本篇论文提出了一种基于深度 Q 学习的决策算法，使得使用 UAV 和多接入边缘计算设备的无线网络能够有效地监测农田，通过图像分类来预防火灾或洪水等情况，并且与 Q 学习和三种基线算法相比，本文方法在监测效果和性能方面表现出了可比较的结果，而且能够比 Q 学习更快地达到收敛。

Sep, 2022

该研究论文探讨了一种面向空中无人机的干扰感知联合路径规划和功率分配机制，旨在最大化上行吞吐量并降低地面用户设备的干扰，模拟结果表明该方法可以实现专家级别的性能水平。

Jun, 2023

我们设计了一种自适应分裂学习（ASL）方案，该方案可以在无线边缘网络中为设备动态选择分裂点并为服务器分配计算资源，以减少训练延迟和能量消耗。采用在线算法 OPEN 和两层优化方法解决优化问题，该方案相比现有的分裂学习方案，平均减少了 53.7% 的训练延迟和 22.1% 的能量消耗。

Mar, 2024

本文提出了一种利用分布式联邦学习算法实现无人机群体中集中式机器学习的新框架并对其进行了收敛性分析，同时，提出了一种联合功率分配和调度设计来优化联邦学习的收敛速率，同时考虑了能量消耗和延迟要求。仿真结果验证了 FL 收敛分析的有效性，并表明联合设计策略可以将收敛所需通信轮数比基准设计减少 35％。

Feb, 2020

本文研究使用一个主动无人机和四个被动无人机实时定位一个三维目标无人机的问题，并提出了基于 Z 函数分解的强化学习方法，通过优化无人机的轨迹和主动无人机的发送功率，以最大化目标无人机的定位精度。仿真结果表明，所提出的 ZD-RL 方法相对于 VD-RL 和独立深度 RL 方法，可以减小定位误差多达 39.4% 和 64.6%。

Jan, 2024

本研究探讨了一种新的无人机和地面无线通信系统之间的频谱共享场景，并利用航迹设计优化 UAV 通信性能，控制主要接收器的同频干扰，以及保护其通信所需的干扰温度约束。最后采用交替优化和连续凸逼近（SCA）技术解决非凸问题，数值结果表明，我们的方案比基准方案显著提高了认知 UAV 通信系统的可达速率。

Feb, 2018

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