该研究探讨了一种去中心化的传输策略，通过利用传感器传输过程和网络拥塞对信息年龄（AoI）的影响，结合基于粒子滤波和强化学习的方法，实现了多代理间的协同最小化预期的 AoI。

Dec, 2023

通过模拟比较四种标准赌博算法，同时结合分析性保证，我们对多源系统中的调度问题进行了研究，并对任何策略能够达到的累计遗憾下限进行了界定。

Oct, 2023

本文研究无线广播网络中时间敏感的信息传输，提出了优化最小化网络客户端信息新鲜度的传输调度策略，并实现性能保证。我们在对称网络中表明了最优传输调度策略，而对于一般网络，我们提出了三种低复杂度的调度策略，并据此得出了性能保证，并提出了 Max-Weight 和 Whittle's Index 策略来优化该问题。实验结果表明这两种策略的性能最优。

Jan, 2018

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

本文研究了实时云应用中基于 IoT 设备更新信息的计算任务调度问题，并提出了基于信息新鲜度和完成时间的调度策略，以及优化这两个指标的凸优化模型和在线算法。模拟实验显示了该算法相比于基线方法的显著改进。

Nov, 2018

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

移动边缘计算在实时应用中对信息时效性的重要性提出了新的理解与优化方法，基于马尔可夫决策过程和深度强化学习，将偏知识利用与系统动态建模相结合的算法应用于此问题研究，结果表明算法在多种场景下优于其他基准算法。

Dec, 2023

通过学习的基于马尔可夫事件的新颖框架，利用无人机作为飞行基站，预测 IoT 设备的流量到达并优化多个无人机的轨迹和调度策略，最终通过深度强化学习方法改进传输性能。

Jan, 2024

提出了一种结合更新年龄（Age of Update）概念和数据 Shapley 指标的调度策略，以提高联邦学习的运行效率。该算法简单且通过模拟验证了其有效性。

Dec, 2023

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