应用深度强化学习算法，联合设计无人机的轨迹，以最小化信息的年龄，从而确保基站中接收到的信息是尽可能新鲜和准确的。相比基准方案，该算法平均可降低 25％的信息年龄，并需要少至 50％的能量。

Sep, 2022

通过考虑信息时代，本文研究了一种用于辅助集群式物联网网络的无人机（UAV）的轨迹规划问题，构建了一个优化问题，通过无人机从地面物联网网络中收集的数据的总信息时代的最小化来解决问题。利用状态良好的转换器和加权 A * 算法，设计了一种机器学习算法来求解所制定的问题，并证明该算法在 IoT 网络中具有不同数量的地面集群时具有很好的泛化能力，不需要重新训练模型。此外，结果表明，与其他算法相比，我们的算法可以找到具有最小总信息时代的更好的无人机轨迹。

Nov, 2023

本文旨在通过设计并运用基于最短路径的无人机来提升物联网设备数据的收集和资源分配。同时，设计了一个基于深度强化学习的技术来获取特定区域内的最优轨迹和吞吐量，从而实现了无人机自主收集所有数据的目标，而且显著提高了总速率，最小化了关联资源的使用。实验结果证实了方案在效率、轨迹、时间等方面的优势。

Jun, 2021

研究了一种 UAV 辅助的无线网络，通过 Markov 决策过程和深度强化学习算法优化飞行轨迹和任务调度来最小化信息年龄值的加权和，取得了显著的研究成果。

May, 2019

本篇研究探讨将无人机和可重构智能表面元素与物联网设备集成以被动中继信息的好处，并通过优化问题来最小化平均信息时效，并且使用近端策略优化算法来解决混合整数非凸优化问题，结果表明我们的算法在 AoI 方面优于其他所有算法。

Nov, 2020

本文研究了在曼哈顿网格车辆间通信网络中，基于信息年龄感知的无线电资源管理问题，通过马尔可夫决策过程的方法，使用长短时记忆模型和深度强化学习技术提出了一种去中心化的策略，实现每个车辆用户设备 - 对之间的最优消耗和信息更新。实证分析表明，所提出的算法能够显著地提高性能。

Aug, 2019

该论文提出一种新的端到端强化学习方法来规划机载无人机收集物联网中的分布式传感器节点的数据，以实现对下一代通信网络的支持。通过训练一个双重深度 Q 网络来实现对不同情况参数的泛化控制，从而使代理可以根据平衡数据收集目标和飞行时间效率的安全约束，在各种场景参数下做出运动决策。

Jul, 2020

本文介绍了一种利用数据驱动的方案，优化联网车辆的驾驶路线，以保证信息时延的可信度，利用商用 LTE 网络测量车辆之间的连接延迟，建立连接车辆信息时延模型，在此基础上提出了一种基于 DQN 的算法来确定最优驾驶路线，结果表明该方法可以提高接口保持服务的 AoI 信心水平

Apr, 2020

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

研究上传和下载调度和功率分配的联合问题，通过机器学习和高斯过程回归预测丢失的状态和操作信息，以最小化平均信息新鲜度和传输功率，并利用 Lyapunov drift-plus-penalty 优化框架提出动态控制算法。

Jan, 2021